CN117439194A - 一种水电光伏联合调峰方法及终端 - Google Patents
一种水电光伏联合调峰方法及终端 Download PDFInfo
- Publication number
- CN117439194A CN117439194A CN202311454172.1A CN202311454172A CN117439194A CN 117439194 A CN117439194 A CN 117439194A CN 202311454172 A CN202311454172 A CN 202311454172A CN 117439194 A CN117439194 A CN 117439194A
- Authority
- CN
- China
- Prior art keywords
- hydropower
- photovoltaic
- period
- flow
- station
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 134
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 65
- 230000001105 regulatory effect Effects 0.000 claims abstract description 38
- 238000010248 power generation Methods 0.000 claims abstract description 36
- 230000000295 complement effect Effects 0.000 claims abstract description 32
- 230000006870 function Effects 0.000 claims description 34
- 238000013528 artificial neural network Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000000746 purification Methods 0.000 claims description 6
- 230000002787 reinforcement Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 239000002351 wastewater Substances 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 6
- 239000013598 vector Substances 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种水电光伏联合调峰方法及终端,获取待调节水电系统的水电参数,以及与所述待调节水电系统对应的光伏系统的光伏参数;根据所述光伏参数以及所述水电参数,以电网余荷方差最小为目标并且以所述待调节水电系统中上游水电站的开关闸时间以及放水量为待定参数构建水电光伏互补联合调峰模型;求解所述水电光伏互补联合调峰模型得到所述上游水电站的最优开关闸时间以及最优出库流量;本发明考虑到上游水电站对当前水电站的时滞影响,将上游水电站的开关闸时间以及放水量作为待定参数,从而确定了水电光伏联合系统中可控的部分,实现了调峰的同时减小了水流时滞对发电计划的负面影响,实现效率更高、效果更好的水光系统调峰。
Description
技术领域
本发明涉及电网调峰领域,尤其涉及一种水电光伏联合调峰方法及终端。
背景技术
充分发挥流域梯级水电的调节作用,实现梯级水光(水电和光伏)系统的互补联合发电是促进清洁能源消纳的重要途径。由于光伏出力受天气影响大,具有很强的波动性和不确定性,当互补系统发电功率的波动程度超出电力系统的调节能力时,会引发弃电风险,不利于电力系统的稳定运行。梯级水电站中存在有大量径流式水电站,上流可调水库的水量到达下游水库存在一定的水流滞时,水电站出力具有延时性,这给水-光联合调峰带来了一定困难。
现有的水-光联合调峰方法,在计算水流滞时和调峰调度的问题的求解上仍存在一些缺陷。一是没有考虑到水流滞时对下游径流式水电站出力时间带来的影响;二是水-光联合调峰是一个非线性、多维度的问题,其求解具有相当大的计算量,且容易陷入局部最优解。
发明内容
本发明所要解决的技术问题是:提供一种水电光伏联合调峰方法及终端,实现效率更高、效果更好的水光系统调峰。
为了解决上述技术问题,本发明采用的一种技术方案为:
一种水电光伏联合调峰方法,包括步骤:
获取待调节水电系统的水电参数,以及与所述待调节水电系统对应的光伏系统的光伏参数;
根据所述光伏参数以及所述水电参数,以电网余荷方差最小为目标并且以所述待调节水电系统中上游水电站的开关闸时间以及放水量为待定参数构建水电光伏互补联合调峰模型;
求解所述水电光伏互补联合调峰模型得到所述上游水电站的最优开关闸时间以及最优出库流量。
为了解决上述技术问题,本发明采用的另一种技术方案为:
一种水电光伏联合调峰终端,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取待调节水电系统的水电参数,以及与所述待调节水电系统对应的光伏系统的光伏参数;
根据所述光伏参数以及所述水电参数,以电网余荷方差最小为目标并且以所述待调节水电系统中上游水电站的开关闸时间以及放水量为待定参数构建水电光伏互补联合调峰模型;
求解所述水电光伏互补联合调峰模型得到所述上游水电站的最优开关闸时间以及最优出库流量。
本发明的有益效果在于:以电网余荷方差最小为目标,引入待调节水电系统的水电参数和光伏系统的光伏参数建立水电光伏互补联合调峰模型,考虑到水电系统中上游水电站的出库流量存在时滞带来的影响,因光伏系统受天气影响大,而天气大部分情况下都是不可控的因素,故考虑到上游水电站对当前水电站的时滞影响,将上游水电站的开关闸时间以及放水量作为待定参数,从而确定了水电光伏联合系统中可控的部分,实现了调峰的同时减小了水流时滞对发电计划的负面影响,实现效率更高、效果更好的水光系统调峰。
附图说明
图1为本发明实施例的一种水电光伏联合调峰方法的步骤流程图;
图2为本发明实施例的求解水电光伏互补联合调峰模型的强化学习过程示意图;
图3为本发明实施例的求解水电光伏互补联合调峰模型的步骤流程图;
图4为本发明实施例的一种水电光伏联合调峰终端的结构示意图;
标号说明:
1、一种水电光伏联合调峰终端;2、处理器;3、存储器。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果,以下结合实施方式并配合附图予以说明。
请参照图1,一种水电光伏联合调峰方法,包括步骤:
获取待调节水电系统的水电参数,以及与所述待调节水电系统对应的光伏系统的光伏参数;
根据所述光伏参数以及所述水电参数,以电网余荷方差最小为目标并且以所述待调节水电系统中上游水电站的开关闸时间以及放水量为待定参数构建水电光伏互补联合调峰模型;
求解所述水电光伏互补联合调峰模型得到所述上游水电站的最优开关闸时间以及最优出库流量。
从上述描述可知,本发明的有益效果在于:以电网余荷方差最小为目标,引入待调节水电系统的水电参数和光伏系统的光伏参数建立水电光伏互补联合调峰模型,考虑到水电系统中上游水电站的出库流量存在时滞带来的影响,因光伏系统受天气影响大,而天气大部分情况下都是不可控的因素,故考虑到上游水电站对当前水电站的时滞影响,将上游水电站的开关闸时间以及放水量作为待定参数,从而确定了水电光伏联合系统中可控的部分,实现了调峰的同时减小了水流时滞对发电计划的负面影响,实现效率更高、效果更好的水光系统调峰。
进一步地,所述构建水电光伏互补联合调峰模型之前包括:
获取历史数据中所述光伏系统的光伏装机容量以及同一天气场景下的目标光伏出力数据;
将所述光伏装机容量以及所述天气场景通过初始预测网络得到光伏出力数据预测值,并根据预设迭代次数以及所述光伏出力数据预测值与所述目标光伏出力数据的对比结果对所述初始预测网络进行优化,得到目标预测网络;
所述获取光伏系统的光伏参数包括:
所述光伏参数包括预测光伏出力数据;
获取光伏系统所处的当前天气场景,根据所述当前天气场景以及光伏装机容量通过所述目标预测网络得到预测光伏出力数据。
由上述描述可知,根据历史数据中不同的天气场景对应的光伏出力数据对初始预测网络进行训练得到目标预测网络,则每个天气场景都分别对应一个目标预测网络,对于不同天气场景的针对性更强,提高了在不同天气场景下的预测精度。
进一步地,还包括:
设置预测光伏出力数据约束:
其中,为t时段的预测光伏出力数据;/>为t时段的光伏出力数据预测值与所述目标光伏出力数据的光伏预测误差;/>为t时段光伏预测误差向下出力偏差的最大值,/>为t时段光伏预测误差向上出力偏差的最大值。
由上述描述可知,设置预测光伏处理数据约束,避免最终预测得到的预测光伏出力数据超出正常值从而影响后续的计算准确性,确保预测光伏出力数据接近真实数据。
进一步地,所述构建水电光伏互补联合调峰模型之前包括:
根据历史数据中所述待调节水力系统中水电站每一时段的入库流量、区间入流、发电流量、弃水流量、出库流量、时段末的库容、所述水电站对应的上游水电站每一时段的出库流量以及滞时出库流量在时段内到达所述水电站的总和构建水电站的水量平衡方程;
根据所述水电站每一时段的的坝上水位、水位下限、水位上限、始末水位、库容下限、库容上限以及库容函数构建水位-库容约束方程;
根据所述水电站每一时段的发电流量下限、发电流量上限、尾水位以及尾水位下泄流量函数构建尾水位-下泄流量约束方程;
根据所述水电站每一时段的净水头以及水头损失构建水头约束;
根据所述水电站每一时段的总入库流量、区间流量以及所述水电站对应的上游水电站每一时段的出库流量到达所述水电站的用时构建梯级系统水力联系约束方程;
根据所述水量平衡方程、水位-库容约束方程、尾水位-下泄流量约束方程、水头约束以及梯级系统水力联系约束方程预测得到预测水电站发电量以及所述水电站的发电量与所述上游水电站的发电量之间的关系函数;
构建所述上游水电站的发电量与所述开关闸时间以及放水量之间的关系函数。
由上述描述可知,为了在求解水电光伏互补联合调峰模型时能够得到更加贴合实际的优化结果,根据实际环境中的客观条件构建相应的约束,能够让最终的优化结果可以被实现而不至于超出实际限制。
进一步地,所述根据历史数据中所述待调节水力系统中水电站每一时段的入库流量、区间入流、发电流量、弃水流量、出库流量、时段末的库容、所述水电站对应的上游水电站每一时段的出库流量以及滞时出库流量在时段内到达所述水电站的总和构建水电站的水量平衡方程包括:
其中,Δt为时段t的长度;Qi,t,Si,t,/>分别为水电站i在时段t的入库流量、区间入流、发电流量、弃水流量、出库流量;Vi,t为水电站i在时段t末的库容;/>为上游水电站k在时段n的出库流量;Ωi为水电站i的上游水电站k的集合;/>为电站i的直接上游电站k时段n的滞时出库流量在时段t到达下游电站i的总和。
由上述描述可知,对水量平衡进行约束,即对于一个固定的水电站来说,其入库流量、出库流量等和库容是互相关联、互相影响的,对关联关系进行约束能够模拟出更加真实的流量数据。
进一步地,所述根据所述水电站每一时段的净水头以及水头损失构建水头约束包括:
其中,Hi,t为电站i在时段t内的净水头;为水电站i在时段t内的水头损失;为电站i的水头损失函数;Qi,t为水电站i在t时段的发电流量,
由上述描述可知,对水电站的水头进行约束,能够更好地进行仿真。
进一步地,所述构建水电光伏互补联合调峰模型包括:
根据所述预测光伏出力数据以及预测水电站发电量,以电网余荷方差最小为目标并且以所述待调节水电系统中上游水电站的开关闸时间以及放水量为待定参数构建水电光伏互补联合调峰模型。
由上述描述可知,光伏处理数据以及水电站的发电量很难进行实时监控,并且若得到实时数据再开始计算调峰会有滞后性,此处根据历史数据进行适量的提前预测,能够及时进行调峰,进一步确保电网的稳定性。
进一步地,所述求解所述水电光伏互补联合调峰模型得到所述上游水电站的最优开关闸时间以及最优出库流量包括:
构建强化学习环境
其中,为策略状态,其受动作策略的影响,/>为环境状态,这部分特征变量与动作策略无关;Nwt表示待调节水电系统中水电站集合;NQ表示待调节水电系统中的水流量集合;Nev表示光伏机组的集合;/>为电网在t时段的预测负荷大小,/>为所述光伏系统在t时段的预测光伏出力数据,/>为所述水电站在t时段的预测水电站发电量;
构建动作空间 为水电站i在t时刻的出库流量;
利用Actor神经网络μi(si,t;θi)近似连续确定性的策略函数πi,将t时段的光伏系统以及待调节水电系统组成的系统i的运行状态si,t作为输入,输出动作ai,t作用于所述学习环境,其中,ai,t∈At,θi表示所述Actor神经网络的参数;
利用Critic神经网络评估动作的好坏,并根据所述动作得到执行动作后的新运行状态si,t+1;
其中,表示在st,at情况下的Critic神经网络评估值,/>表示所述Critic神经网络的网络参数;K表示预设训练轮数,k表示当前训练轮数;t表示当前时段,T表示预设时段总数;r表示奖励函数;
将存储至经验池;
判t是否大于T,若是,则判断k是否大于K,若是则得到训练完毕的Actor神经网络,并将待预测的环境状态通过训练完毕的所述Actor神经网络得到最优开关闸时间以及最优出库流量。
由上述描述可知,在求解的过程中引入Critic神经网络和Actor神经网络互相配合,通过对动作空间进行评估的方式确定最优的动作,解决了调峰模型寻优过程计算量大,容易陷入局部最优解的问题,提高了调峰策略的精确度。
进一步地,所述奖励函数
其中,Pmax为初始负荷曲线的峰值,Pmin为初始负荷曲线的谷值,P'max为调峰后负荷曲线的峰值,P'min为调峰后负荷曲线的谷值。
由上述描述可知,奖励函数以调节前后符合曲线的峰值和谷值之间的差衡量调峰的结果,能够直观体现调峰的效果。
请参照图4,一种水电光伏联合调峰终端,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述的一种水电光伏联合调峰方法中的步骤。
本发明上述一种水电光伏联合调峰方法及终端能够适用于水电系统中特别是存在上下游关系的水电系统中或是水电-光伏联合系统中的调峰,以下通过具体实施方式进行说明。
请参照图1,本发明的实施例一为:
一种水电光伏联合调峰方法,包括步骤:
S011、获取历史数据中所述光伏系统的光伏装机容量以及同一天气场景下的目标光伏出力数据;
S012、将所述光伏装机容量以及所述天气场景通过初始预测网络得到光伏出力数据预测值,并根据预设迭代次数以及所述光伏出力数据预测值与所述目标光伏出力数据的对比结果对所述初始预测网络进行优化,得到目标预测网络;
在一种可选的实施方式中,所述初始预测网络为LSTM网络,优化过程具体为:
1)遗忘阶段:采用sigmoid函数,通过读取ht-1和xt来确定丢弃的无用信息,即:
ft=σ(Wf[ht-1,xt]+bf);
式中:ft为t时刻的遗忘门状态;σ()表示sigmoid函数;Wf、bf表示权重矩阵和偏置向量;ht-1为t-1时刻输出序列的短期记忆信息;xt为输入序列,在本实施例中为光伏出力数据的时间序列,可由光伏装机容量和天气场景得到;[ht-1,xt]实现了两个向量的拼接;
进一步地,因为sigmoid函数会将任意输入压缩到(0,1)的区间上,如果在经过整合后,向量的某个分量在通过sigmoid层后变为0,则单元状态在对位相乘后的相应的分量也会变成0,即实现丢弃了无用信息;
2)输入确定阶段:运用sigmoid函数求得需确定的新信息和输入ct的比例,即:
it=σ(Wi·[ht-1,xt]+bi);
式中:it为提取的有效信息重要性;ct为t时刻输出序列的长期记忆信息;为t时刻记忆单元的临时信息;Wi和bi表示sigmoid层的权重矩阵和偏置向量;tanh表示双曲正切函数;Wc和bc表示tanh层的权重矩阵和偏置向量;即ct指新数据输入前已保存的模型信息,在新数据输入后得到新信息/>it对提取的新信息做筛选,给出(0,1)的评分;最后更新ct;
3)输出阶段:将利用tanh函数处理的和经过sigmoid函数分类的数据ot,传递给下一个时刻的隐含层数据值ht生成输出结果。
ot=σ(Wo·[ht-1,xt]+bo);
ht=ot·tanh(ct);
其中,Wo和bo分别表示sigmoid层的权重矩阵和偏置向量;
具体的,在一种可选的实施方式中,训练过程包括:
S0121、设置步数为10;
S0122、划分训练集和测试集,训练集占数据总量的70%,测试集占数据总量的30%;
S0123、改变数据维度为三维数据(n,1,1),n代表数据的长度;
S0124、初始化LSTM模型,设置神经网络层数为3,迭代次数为100次,选取优化器为adam优化器,损失函数采用均方误差mse,设置优化系数为0.1;
S0125、绘制损失函数;
S0126、利用测试集对模型进行预测;
S0127、构建评价指标对回归进行评价:
均方误差:
均方根误差:
平均绝对误差:
其中,yi是真实值,为预测值;
S0128、判断评价结果是否满足预设评价指标,若是,则停止训练得到目标LSTM网络即目标预测网络;否则,在迭代次数未达到预设迭代次数时,将迭代次数增加1后返回步骤S0126,在迭代次数达到预设迭代次数时,得到目标LSTM网络;
S013、设置预测光伏出力数据约束:
其中,为t时段的预测光伏出力数据;/>为t时段的光伏出力数据预测值与所述目标光伏出力数据的光伏预测误差;/>为t时段光伏预测误差向下出力偏差的最大值,/>为t时段光伏预测误差向上出力偏差的最大值;
S021、根据历史数据中所述待调节水力系统中水电站每一时段的入库流量、区间入流、发电流量、弃水流量、出库流量、时段末的库容、所述水电站对应的上游水电站每一时段的出库流量以及滞时出库流量在时段内到达所述水电站的总和构建水电站的水量平衡方程:
其中,Δt为时段t的长度,例如为1天,则相应数据需要乘以一天的3600秒,取其他长度可根据确定的长度对应调整;Qi,t,Si,t,/>分别为水电站i在时段t的入库流量、区间入流、发电流量、弃水流量、出库流量,例如单位为立方米/秒;Vi,t为水电站i在时段t末的库容,例如单位为立方米;/>为上游水电站k在时段n的出库流量,例如单位为立方米/秒;Ωi为水电站i的上游水电站k的集合;/>为电站i的直接上游电站k时段n的滞时出库流量在时段t到达下游电站i的总和;其中,上游水电站指直接上游水电站,即若存在从上游至下游的水电站A→B→C→D,C的直接上游水电站为B,D的直接上游水电站为C;
S022、根据所述水电站每一时段的的坝上水位、水位下限、水位上限、始末水位、库容下限、库容上限以及库容函数构建水位-库容约束方程:
Vi,min≤Vi,t≤Vi,max
其中,为水电站i在时段t的坝上水位,例如单位为米;/>为水库i的水位库容函数;Zi,min和Zi,max分别为水电站i在时段t的水位下限和水位上限,例如单位为米;/>和/>分别为水电站i给定的始末水位,例如单位为米;Vi,min和Vi,max分别为水电站i在时段t的库容下限和库容上限,例如单位为立方米;
S023、根据所述水电站每一时段的发电流量下限、发电流量上限、尾水位以及尾水位下泄流量函数构建尾水位-下泄流量约束方程:
Qi,min≤Qi,t≤Qi,max;
式中:Qi,min和Qi,max分别为水电站i在时段t的发电流量下限和发电流量上限,例如单位为立方米/秒;为水电站i在时段t内的尾水位,例如单位为米;/>代表水电站i的尾水位下泄流量函数;
S024、根据所述水电站每一时段的净水头以及水头损失构建水头约束:
其中,Hi,t为水电站i在时段t内的净水头,例如单位为米,;为水电站i在时段t内的水头损失,例如单位为米;/>为水电站i的水头损失函数;Qi,t为水电站i在t时段的发电流量;
S025根据所述水电站每一时段的入库流量、区间流量以及所述水电站对应的上游水电站每一时段的出库流量到达所述水电站的用时构建梯级系统水力联系约束方程:
式中,TId,t和NId,t分别是水电站d在时段t的总入库流量和区间流量;Ud,t是水电站d在时段t的出库流量;τd是滞时,即在时段t内上游水电站d-1某一时段的出库流量到达水电站d所需时间;
S026、根据所述水量平衡方程、水位-库容约束方程、尾水位-下泄流量约束方程、水头约束以及梯级系统水力联系约束方程预测得到预测水电站发电量以及所述水电站的发电量与所述上游水电站的发电量之间的关系函数;
其中,得到预测水电站发电量包括:
S0260、构建调度期内水量平衡约束以及总流量约束;
水量平衡约束为:
式中,为上游水电站k在时段t到达水电站i的出库流量,例如单位为立方米/秒;/>为水电站i的上游水电站k在时段n的出库流量到达水电站i对应的滞时时段数,例如单位为天,则滞时时段数为2就是滞时2天;
进一步地,t代表的是下游水电站的入库时段,n代表的是上游水电站的出库时段,出库时段+水流滞时是否在下游水电站入库的t时段内。代表的是水电站k在时段n的出库流量;
总流量约束为:
下游水电站i在时段t转入的流量主要分为三部分,第一部分是上一调度周期的剩余流量,第二部分是本调度周期的调度流量,第三部分是需转入下一调度周期的剩余流量,可以用公式表示为:
其中,为直接上游电站k在时段0到达电站i的出库流量,即上一大调度周期的滞时流量,例如单位为立方米/秒;/>为以小时时段转换为以日为调度步长的计算长度, 为本调度周期的上游电站出库流量,/>为直接上游电站k在时段T到达电站i的出库流量,例如单位为立方米/秒;
进一步地,T表示时段t(一个调度周期)的总数,即一个大调度周期;t<1表示上一大调度周期部分,故在时段t<1内的流量就是上一大调度周期的剩余流量(即滞时流量);1<t≤T表示中间的调度周期,是可以接收到上一调度周期的剩余流量(即滞时流量)和本调度周期的调度流量的,t>T表示本期的T个时段t调度完成,开始下一大调度周期,故相当于下一轮次的t<1;
S0261、调度周期外的影响电量计算:
其中,为前一大调度期末的上游电站出库流量,为已知值;/>为本调度期末的上游电站出库流量;
在一种可选的实施方式中,还包括:构建梯级水电水流流量滞时分段函数:
指在满足调度期内水量平衡约束的条件下,将本调度期转入的流量分为三部分,第一部分是上一调度周期的剩余流量,第二部分是本调度周期的调度流量,第三部分是需转入下一调度周期的剩余流量;通过电站的平均耗水量,将流量信息转换为电量信息,上述转入流量可转变为三部分:上一调度期转入的电量EⅠ、本调度期水流产生的发电量EⅡ以及下一调度期的转出量EⅢ,若考虑水流滞时的影响,本调度期内的发电量为EⅠ+EⅡ;若不考虑水流滞时的影响,本调度期内的发电量为EⅡ+EⅢ;
S0262、调度周期外水头的确定:平均耗水率与发电用水量和发电量相关,利用水头-耗水率曲线来衡量滞后期水量的影响电量和最大发电量,具体的,由S023得到各个时段的平均尾水位,再通过S024确定调度期外的水头/>
S0263、基于水头计算电站i在u部分的平均耗水率ri,u:
其中u∈{I,III};为电站i的水头-耗水率函数
S0264、调度周期外的影响水量的计算:
其中,EⅠ为上一个调度期的转入量;EⅢ为下一个调度期的转出量;N为水电站i的总数,因数据是以小时为单位故需乘以Δt包括的24小时,可根据Δt的长度对应修改;I、II、III分别指上一调度周期转入流量、本调度期内流量以及转出到下一调度期的流量;
S0265、本调度周期水流产生的净发电量:
其中,EII为本调度周期的净发电量;为直接上游电站k在t时段流入下游电站i的出库流量
S0266、本调度期内的发电量:
其中EⅡ为本调度期水流产生的净发电量;EI、EII、EIII均可以通过前面公式计算得到,实现对本调度期内发电量的预测;可以看出,发电量与流量直接相关,即时段t预测水电站发电量Ea与I、II、III的流量直接相关;
S027、构建所述水电站的发电量与所述上游水电站开关闸时间以及放水量之间的关系函数,包括:
S0271、输入初始化资料并设置约束条件;
S0272、根据步骤S0260计算水电站i在时段t的入库流量
S0273、根据步骤S0261~S0266计算调度期内的发电量;
在一种可选的实施方式中,在执行S011-S027之前还包括:对历史数据进行预处理:
数据变换。为避免变量量纲的影响,对清洗后的数据规范化处理。最小-最大规范化处理的公式为:
其中V为原始数据的值,min(A)为原始数据的最小值,max(A)为原始数据的最大值,V'为经最小-最大规范化处理后的原始数据的值;预先对原始数据进行清理,能够排除其中的异常点,避免对后续的预测和计算带来误差;
S1、获取待调节水电系统的水电参数,以及与所述待调节水电系统对应的光伏系统的光伏参数,包括:
S11、获取待调节水电系统的预测水电站发电量;
S12、所述光伏参数包括预测光伏出力数据;获取光伏系统所处的当前天气场景,根据所述当前天气场景以及光伏装机容量通过所述目标预测网络得到预测光伏出力数据;
S2、根据所述光伏参数以及所述水电参数,以电网余荷方差最小为目标并且以所述待调节水电系统中上游水电站的开关闸时间以及放水量为待定参数构建水电光伏互补联合调峰模型,包括:
S21、根据所述预测光伏出力数据以及预测水电站发电量,以电网余荷方差最小为目标并且以所述待调节水电系统中上游水电站的开关闸时间以及放水量为待定参数构建水电光伏互补联合调峰模型;
其中,目标函数为:
其中,E表示电网余荷均方差,T为调度时段t的总数,Rt为时段t电网余荷,通过t时段的电网负荷大小减去t时段的光伏系统以及待调节水电系统组成的系统的发电量得到;时段t即为一个调度时段;
S22、并且通过所述水量平衡方程、水位-库容约束方程、尾水位-下泄流量约束方程、水头约束以及梯级系统水力联系约束方程约束所述水电光伏互补联合调峰模型;
请参照图2-3,S3、求解所述水电光伏互补联合调峰模型得到所述上游水电站的最优开关闸时间以及最优出库流量,包括:
S30、初始化网络参数,设定训练轮数N,学习率α,Critic网络参数Actor网络参数θi,初始化当前训练回合k=1;
构建目标
S31、构建强化学习环境
/>
其中,为策略状态,其受动作策略的影响,/>为环境状态,这部分特征变量与动作策略无关;Nwt表示待调节水电系统中水电站集合;NQ表示待调节水电系统中的水流量集合;Nev表示光伏机组的集合;/>为电网在t时段的预测负荷大小,/>为所述光伏系统在t时段的预测光伏出力数据,/>为所述水电站在t时段的预测水电站发电量;/>为所述水电站在t时段的预测水流量;从步骤S0-S2可以看出,/>以及/>与上游水电站的开关闸时间以及出库流量相关;
S32、构建动作空间 为水电站i在t时刻的出库流量;
S33、初始化t=1时的系统运行状态S1;
S34、利用Actor神经网络μi(si,t;θi)近似连续确定性的策略函数πi,将t时段的光伏系统以及待调节水电系统组成的系统i的运行状态si,t作为输入,输出动作ai,t作用于所述学习环境,其中,ai,t∈At,θi表示所述Actor神经网络的参数;
在步骤S3中的i定义为系统i,将某个区域内零散的光伏电站与水电站组成一个发电系统,方便计算区域出力大小,以及方便区域负荷的调节;
S35、利用Critic神经网络评估动作的好坏,并根据所述动作得到执行动作后的新运行状态si,t+1;
其中,表示在st,at情况下的Critic神经网络评估值,/>表示所述Critic神经网络的网络参数;K表示预设训练轮数,k表示当前训练轮数;t表示当前时段,T表示预设时段总数;r表示奖励函数;
其中,Pmax为初始负荷曲线的峰值,Pmin为初始负荷曲线的谷值,P'max为调峰后负荷曲线的峰值,P'min为调峰后负荷曲线的谷值;
S36、将存储至经验池;
S371、判t是否大于T,若是,则执行S362,否则执行S364;
S372、判断k是否大于K,若是则执行S363、否则执行S365;
S373、得到训练完毕的Actor神经网络,并将待预测的环境状态通过训练完毕的所述Actor神经网络得到最优开关闸时间以及最优出库流量,即最优动作;
S374、返回步骤S34并将t的值增加1;
S375、返回步骤S33并将k的值增加1。
请参照图2,本发明的实施例二为:
一种水电光伏联合调峰终端1,包括处理器2、存储器3及存储在存储器3上并可在所述处理器2上运行的计算机程序,所述处理器2执行所述计算机程序时实现实施例一中的各个步骤。
综上所述,本发明提供了一种水电光伏联合调峰方法及终端,针对水流滞时直接影响上下游电站间水量平衡问题导致水电产生弃水或欠发问题,提出了考虑水流滞时的水电出力预测方法,通过分段水流滞时方法以及水电站出力与流量之间的相关性,减小了水流滞时对发电计划和可行性可能产生的负面影响;构建了考虑水流滞时的梯级水电水光互补联合调峰模型,通过对电网负荷以及光伏发电的预测,考虑了水流滞时的影响,提高了水电精确调节的能力,促进光伏出力的消纳,解决了光伏发电随机性和不稳定性对调峰带来的影响;提出基于强化学习的调峰策略寻优方法,解决了调峰模型寻优过程计算量大,容易陷入局部最优解的问题,提高了调峰策略的精确度,更好解决实际的调峰问题。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等同变换,或直接或间接运用在相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种水电光伏联合调峰方法,其特征在于,包括步骤:
获取待调节水电系统的水电参数,以及与所述待调节水电系统对应的光伏系统的光伏参数;
根据所述光伏参数以及所述水电参数,以电网余荷方差最小为目标并且以所述待调节水电系统中上游水电站的开关闸时间以及放水量为待定参数构建水电光伏互补联合调峰模型;
求解所述水电光伏互补联合调峰模型得到所述上游水电站的最优开关闸时间以及最优出库流量。
2.根据权利要求1所述的一种水电光伏联合调峰方法,其特征在于,所述构建水电光伏互补联合调峰模型之前包括:
获取历史数据中所述光伏系统的光伏装机容量以及同一天气场景下的目标光伏出力数据;
将所述光伏装机容量以及所述天气场景通过初始预测网络得到光伏出力数据预测值,并根据预设迭代次数以及所述光伏出力数据预测值与所述目标光伏出力数据的对比结果对所述初始预测网络进行优化,得到目标预测网络;
所述获取光伏系统的光伏参数包括:
所述光伏参数包括预测光伏出力数据;
获取光伏系统所处的当前天气场景,根据所述当前天气场景以及光伏装机容量通过所述目标预测网络得到预测光伏出力数据。
3.根据权利要求2所述的一种水电光伏联合调峰方法,其特征在于,还包括:
设置当前光伏出力数据约束:
其中,为t时段的预测光伏出力数据;/>为t时段的光伏出力数据预测值与所述目标光伏出力数据的光伏预测误差;/>为t时段光伏预测误差向下出力偏差的最大值,为t时段光伏预测误差向上出力偏差的最大值。
4.根据权利要求2所述的一种水电光伏联合调峰方法,其特征在于,所述构建水电光伏互补联合调峰模型之前包括:
根据历史数据中所述待调节水力系统中水电站每一时段的入库流量、区间入流、发电流量、弃水流量、出库流量、时段末的库容、所述水电站对应的上游水电站每一时段的出库流量以及滞时出库流量在时段内到达所述水电站的总和构建水电站的水量平衡方程;
根据所述水电站每一时段的的坝上水位、水位下限、水位上限、始末水位、库容下限、库容上限以及库容函数构建水位-库容约束方程;
根据所述水电站每一时段的发电流量下限、发电流量上限、尾水位以及尾水位下泄流量函数构建尾水位-下泄流量约束方程;
根据所述水电站每一时段的净水头以及水头损失构建水头约束;
根据所述水电站每一时段的总入库流量、区间流量以及所述水电站对应的上游水电站每一时段的出库流量到达所述水电站的用时构建梯级系统水力联系约束方程;
根据所述水量平衡方程、水位-库容约束方程、尾水位-下泄流量约束方程、水头约束以及梯级系统水力联系约束方程预测得到预测水电站发电量。
5.根据权利要求4所述的一种水电光伏联合调峰方法,其特征在于,所述根据历史数据中所述待调节水力系统中水电站每一时段的入库流量、区间入流、发电流量、弃水流量、出库流量、时段末的库容、所述水电站对应的上游水电站每一时段的出库流量以及滞时出库流量在时段内到达所述水电站的总和构建水电站的水量平衡方程包括:
其中,Δt为时段t的长度;Qi,t,Si,t,/>分别为水电站i在时段t的入库流量、区间入流、发电流量、弃水流量、出库流量;Vi,t为水电站i在时段t末的库容;/>为上游水电站k在时段n的出库流量;Ωi为水电站i的上游水电站k的集合;/>为电站i的直接上游电站k时段n的滞时出库流量在时段t到达下游电站i的总和。
6.根据权利要求4所述的一种水电光伏联合调峰方法,其特征在于,所述根据所述水电站每一时段的净水头以及水头损失构建水头约束包括:
其中,Hi,t为电站i在时段t内的净水头;为水电站i在时段t的坝上水位;/>为水电站i在时段t内的尾水位;/>为水电站i在时段t内的水头损失;/>为电站i的水头损失函数;Qi,t为水电站i在t时段的发电流量。
7.根据权利要求4所述的一种水电光伏联合调峰方法,其特征在于,所述构建水电光伏互补联合调峰模型包括:
根据所述预测光伏出力数据以及预测水电站发电量,以电网余荷方差最小为目标并且以所述待调节水电系统中上游水电站的开关闸时间以及放水量为待定参数构建水电光伏互补联合调峰模型。
8.根据权利要求7所述的一种水电光伏联合调峰方法,其特征在于,所述求解所述水电光伏互补联合调峰模型得到所述上游水电站的最优开关闸时间以及最优出库流量包括:
构建强化学习环境
其中,为策略状态,/>为环境状态;Nwt表示待调节水电系统中水电站集合;NQ表示待调节水电系统中的水流量集合;Nev表示光伏机组的集合;/>为电网在t时段的预测负荷大小,/>为所述光伏系统在t时段的预测光伏出力数据,/>为所述水电站在t时段的预测水电站发电量;
构建动作空间为水电站i在t时刻的出库流量;
利用Actor神经网络μi(si,t;θi)近似连续确定性的策略函数πi,将t时段的光伏系统以及待调节水电系统组成的系统i的运行状态si,t作为输入,输出动作ai,t作用于所述学习环境,其中,ai,t∈At,θi表示所述Actor神经网络的参数;
利用Critic神经网络评估动作的好坏,并根据所述动作得到执行动作后的新运行状态si,t+1;
其中,表示在st,at情况下的Critic神经网络评估值,/>表示所述Critic神经网络的网络参数;K表示预设训练轮数,k表示当前训练轮数;t表示当前时段,T表示预设时段总数;r表示奖励函数;
将存储至经验池;
判t是否大于T,若是,则判断k是否大于K,若是则得到训练完毕的Actor神经网络,并将待预测的环境状态通过训练完毕的所述Actor神经网络得到最优开关闸时间以及最优出库流量。
9.根据权利要求8所述的一种水电光伏联合调峰方法,其特征在于:
所述奖励函数
其中,Pmax为初始负荷曲线的峰值,Pmin为初始负荷曲线的谷值,P'max为调峰后负荷曲线的峰值,P'min为调峰后负荷曲线的谷值。
10.一种水电光伏联合调峰终端,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-9任一所述的一种水电光伏联合调峰方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311454172.1A CN117439194A (zh) | 2023-11-03 | 2023-11-03 | 一种水电光伏联合调峰方法及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311454172.1A CN117439194A (zh) | 2023-11-03 | 2023-11-03 | 一种水电光伏联合调峰方法及终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117439194A true CN117439194A (zh) | 2024-01-23 |
Family
ID=89556440
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311454172.1A Pending CN117439194A (zh) | 2023-11-03 | 2023-11-03 | 一种水电光伏联合调峰方法及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117439194A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117639111A (zh) * | 2024-01-25 | 2024-03-01 | 南京南瑞水利水电科技有限公司 | 一种基于梯级径流式水电的光伏波动平滑控制方法与系统 |
-
2023
- 2023-11-03 CN CN202311454172.1A patent/CN117439194A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117639111A (zh) * | 2024-01-25 | 2024-03-01 | 南京南瑞水利水电科技有限公司 | 一种基于梯级径流式水电的光伏波动平滑控制方法与系统 |
CN117639111B (zh) * | 2024-01-25 | 2024-04-09 | 南京南瑞水利水电科技有限公司 | 一种基于梯级径流式水电的光伏波动平滑控制方法与系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113128793A (zh) | 一种基于多源数据融合的光伏功率组合预测方法及系统 | |
CN110474339B (zh) | 一种基于深度发电负荷预测的电网无功控制方法 | |
CN112184070B (zh) | 一种协同生态流量需求的梯级水电站多目标优化调度方法及系统 | |
CN112149984B (zh) | 一种基于贝叶斯网络的水库调洪多维不确定性风险分析方法 | |
CN109447405B (zh) | 一种承担调峰任务的一库多级式梯级库群短期计划制定方法 | |
CN105631558A (zh) | 基于相似日的bp神经网络光伏发电系统功率预测方法 | |
CN117439194A (zh) | 一种水电光伏联合调峰方法及终端 | |
CN111967666A (zh) | 一种江河湖水系综合协同调度系统及其调度方法 | |
CN104463356A (zh) | 一种基于多维信息人工神经网络算法的光伏发电功率预测方法 | |
CN116011656A (zh) | 一种基于模型预测控制的泵闸群防洪调度方法及系统 | |
CN111553750A (zh) | 一种计及电价不确定性和损耗成本的储能竞价策略方法 | |
CN110336285B (zh) | 电力系统最优经济潮流计算方法 | |
CN115936756A (zh) | 一种考虑电网运行稳定性的水电厂发电控制方法 | |
CN116011731A (zh) | 基于机器学习算法与雨洪数值模型的厂网河联合调度方法 | |
Zambelli et al. | Long-term hydropower scheduling based on deterministic nonlinear optimization and annual inflow forecasting models | |
CN117332908B (zh) | 一种耦合集合预报的梯级水库多目标优化调度方法及系统 | |
CN115189416A (zh) | 基于日前电价分级预测模型的发电系统控制方法及系统 | |
Mukherjee et al. | Solar irradiance prediction from historical trends using deep neural networks | |
Tian et al. | Wind speed forecasting based on Time series-Adaptive Kalman filtering algorithm | |
Coulibaly et al. | Real-time short-term natural water inflows forecasting using recurrent neural networks | |
Bulut | Hydroelectric generation forecasting with long short term memory (LSTM) based deep learning model for turkey | |
CN115828726A (zh) | 基于机器学习的太阳能跨季节储热供热系统优化控制方法 | |
Kaysal et al. | Comparison the performance of different optimization methods in artificial intelligence based electricity production forecasting | |
CN115577905A (zh) | 一种梯级水电站群调峰能量优化调度方法 | |
CN111079066B (zh) | 一种水库群发电生态两目标竞争关系分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |