CN117613993A - 一种公路微电网风光氢蓄储系统的日内优化调度方法 - Google Patents

一种公路微电网风光氢蓄储系统的日内优化调度方法 Download PDF

Info

Publication number
CN117613993A
CN117613993A CN202311369082.2A CN202311369082A CN117613993A CN 117613993 A CN117613993 A CN 117613993A CN 202311369082 A CN202311369082 A CN 202311369082A CN 117613993 A CN117613993 A CN 117613993A
Authority
CN
China
Prior art keywords
wind
day
micro
grid
highway
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
Application number
CN202311369082.2A
Other languages
English (en)
Inventor
裴莉莉
赵美瑄
丁健刚
赵原林
李航英
郝雪丽
李伟
路涛
崔宇鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changan University
Original Assignee
Changan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changan University filed Critical Changan University
Priority to CN202311369082.2A priority Critical patent/CN117613993A/zh
Publication of CN117613993A publication Critical patent/CN117613993A/zh
Pending legal-status Critical Current

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • 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
    • H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
    • 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
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • 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
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • 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
    • 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
    • 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
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic 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
    • H02J2300/28—The renewable source being wind energy
    • 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
    • H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Power Engineering (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Automation & Control Theory (AREA)
  • Fuzzy Systems (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Mathematics (AREA)
  • Operations Research (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)

Abstract

本发明公开了一种公路微电网风光氢蓄储系统的日内优化调度方法，包括：采集公路基础设施区域内的原始气象数据并进行预处理，得到多维规范后的原始气象数据；将多维规范后的原始气象数据输入经训练的FRS‑LSTM模型中，预测未来一天的气象数据，并根据预测的气象数据获得日内风光机组的发电功率；采集公路基础设施中各类用电系统的负荷数据进行分析重组，并异构虚拟电厂；构建改进的Pareto多目标优化调度模型；将异构虚拟电厂内部各模块设备的可参与调度情况输入多目标优化调度模型，获得风光氢蓄储系统的日内最佳优化调度决策。本发明能够有效提升公路基础设施的智能化管理，提高微电网的运行效率、供电可靠性和新能源消纳率。

Description

一种公路微电网风光氢蓄储系统的日内优化调度方法
技术领域
本发明属于电力系统自动化调度技术领域，具体涉及一种公路微电网风光氢蓄储系统的日内优化调度方法。
背景技术
随着我国不断加强公路基础设施建设，以交通与新能源融合为标志的智能化微电网已经成为多能互补环节中的重要选择。为了保障公路微电网的负荷供电安全，可依托附近区域内的优势资源，就地开发消纳风光氢等清洁能源，通过智能化监测、优化调度等技术手段实施精准调控，有效利用风光富集区域内的绿色能源，调度各项发-储-配电单元平抑负荷波动。
传统配电网仅接收负荷，内部为单向电流，若直接接入分布式风电光伏机组，呈辐射状的无源配电网将变为存在小型电源的有源配电网，且新能源机组的发电功率易受到风光出力不确定性的影响，致使电网存在无序双向潮流以及局部配电网电压波动闪变等问题。
发明内容
为了解决现有技术中存在的上述问题，本发明提供了一种公路微电网风光氢蓄储系统的日内优化调度方法，用以提升公路微电网的新能源消纳率，为后续协调不同系统模块的出力情况以做出最佳调控决策提供良好的基础。本发明要解决的技术问题通过以下技术方案实现：
本发明的一个方面提供了一种公路微电网风光氢蓄储系统的日内优化调度方法，包括：
S1：采集公路基础设施区域内的原始气象数据，并对所述原始气象数据进行预处理以得到多维规范后的原始气象数据；
S2：将所述多维规范后的原始气象数据输入经训练的FRS-LSTM模型中，预测得到未来一天的气象数据，并根据预测的气象数据预测日内风光机组的发电功率；
S3：采集公路基础设施中各类用电系统的负荷数据进行分析重组，根据可控负荷的关键参数以及预测的日内风光机组的发电功率异构虚拟电厂；
S4：构建改进的Pareto多目标优化调度模型；
S5：将所述异构虚拟电厂内部各模块设备的可参与调度情况输入所述改进的Pareto多目标优化调度模型，获得风光氢蓄储系统的日内最佳优化调度决策。
在本发明的一个实施例中，所述FRS-LSTM模型包括FRS模块和LSTM模块，所述S2包括：
S2.1：利用同一批历史气象数据组成的训练数据集对所述FRS模块和所述LSTM模块进行训练，获得经训练的FRS模块和LSTM模块；
S2.2：利用经训练的FRS模块的模糊相似理论，按照所述多维规范后的原始气象数据的时间序列参数进行属性约简，获得原始气象数据约简后的属性参数，所述约简后的属性参数包括气温、地表水平辐射、风速和风向；
S2.3：将所述约简后的属性参数以及风电机组和光伏机组的系统输入经训练的LSTM模块，给定时间序列信号，预测未来一天内的风力光伏发电量，从而得到未来一天内的风力光伏发电量变化情况。
在本发明的一个实施例中，所述S2.2包括：
对多维规范后的原始气象数据进行模糊化处理，将原始气象数据转换为模糊集合；
基于所述模糊集合的隶属度信息，使用粗糙集理论构建粗糙集，通过计算下近似和上近似确定所述粗糙集的边界；
根据所述粗糙集的边界和属性的约简规则，评估所述原始气象数据中每个特征的重要性；
根据重要性排序或设定阈值确定最终的特征子集；
根据选择的特征子集，重构新的气象数据。
在本发明的一个实施例中，对所述LSTM模块进行训练，包括：
将所述包含原始数据的数据集经过所述FRS模块进行特征选择后的新数据集输入到LSTM模型中，预测未来一段时间内的气象数据，再根据风光发电机组的系统参数得出该风光发电机组的发电功率，在训练过程中，使用设定的损失函数来衡量预测输出与实际数据之间的差异，并使用优化算法来调整模型的参数，使预测结果逐渐优化。
在本发明的一个实施例中，所述S3包括：
S3.1：收集公路基础设施中各类用电系统的负荷数据；
S3.2：对所述负荷数据进行清洗和去噪，排除异常值和噪声干扰，发掘所述负荷数据的特征和规律；
S3.3：根据公路基础设施中不同用电系统的特点和需求，对处理后的负荷数据进行重组，将相互关联的负荷系统进行整合，形成新的用电负荷分类；
S3.4：根据负荷数据中可控负荷的需求和关键参数，提取出影响负荷控制的重要信息；
S3.5：将预测得到的日内风光机组的发电功率与所述关键参数进行整合，创建异构虚拟电厂。
在本发明的一个实施例中，所述S4包括：
根据目标函数和约束条件建立非线性多目标优化模型，针对每个决策变量，将其取值范围划分为若干个子区间；在每个子区间内进行局部搜索，找到所有可能的解，生成初始解集；计算初始解集中每个解对应的目标函数值，寻找使多个目标函数都最优的Pareto最优解；将生成的Pareto最优解按照值的大小进行非支配排序，从帕累托前沿中选择一个合适解进行评估，判断其是否满足约束条件，若不满足，继续迭代优化，以实现首次迭代的目标函数的最小化。
在本发明的一个实施例中，所述非线性多目标优化模型的首次迭代的目标函数为：
其中，C(t)表示t时段总的运行成本，CW、CPV、CQ、CX分别表示风电机组、光伏机组、氢燃料电池、蓄电池的单位运行成本，PW,t、PPV,t、PQ,t、PX,t分别表示风电机组、光伏机组、氢燃料电池、蓄电池t时段的输出功率，Cb,t表示t时段的购电价格，PM.buy,t表示t时刻微电网从主网购电的功率，Cs,t表示t时段的售电价格，PM.sell,t表示t时刻微电网向主网售电的功率，β表示单位时间内的总设备维护成本。
在本发明的一个实施例中，所述多目标优化调度模型次要迭代的目标函数包括：
其中，LR(t)表示t时段内的微电网负载率，Pmax为微电网的最大负载功率，Pl.t表示t时刻微电网的负载功率；
其中，AR(t)表示t时段内的可再生能源消纳率；
其中，F(t)表示t时段内的碳排放量，表示发电热值，ω表示煤耗系数。
本发明的另一方面提供了一种存储介质，所述存储介质中存储有计算机程序，所述计算机程序用于执行上式实施例中任一项所述公路微电网风光氢蓄储系统的日内优化调度方法的步骤。
本发明的有一方面提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时实现上述实施例中任一项所述公路微电网风光氢蓄储系统的日内优化调度方法的步骤。
与现有技术相比，本发明的有益效果有：
1、本发明提出的公路微电网风光氢蓄储系统的日内优化调度方法能够有效提升公路基础设施的智能化管理，提高微电网的运行效率、供电可靠性和新能源消纳率，为后续碳中和的实现提供良好的理论基础。
2、与以基于蚁群优化算法为代表的传统单目标优化算法相比，本发明公路微电网风光氢蓄储系统的日内优化调度方法可以在多目标优化问题中找到一组非劣解，且解可以同时满足多个目标函数。与以多目标非支配排序遗传算法为代表的多目标优化算法相比，本发明的日内优化调度方法可以在迭代过程中保持全局最优，算法效率和准确度进一步提高。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1是本发明实施例提供的一种公路微电网风光氢蓄储系统的日内优化调度方法的流程图；
图2是本发明实施例提供的一种公路微电网风光氢蓄储系统的日内优化调度方法的详细处理过程示意图；
图3是本发明实施例提供的一种风光氢蓄储自洽系统结构图；
图4a和图4b是利用本发明实施例的方法获得的典型日的日内风光发电机组出力功率预测示例图；
图5a至图5c是利用本发明实施例的方法获得的典型日各设备出力调度方案示例图。
具体实施方式
为了进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及具体实施方式，对依据本发明提出的一种公路微电网风光氢蓄储系统的日内优化调度方法进行详细说明。
有关本发明的前述及其他技术内容、特点及功效，在以下配合附图的具体实施方式详细说明中即可清楚地呈现。通过具体实施方式的说明，可对本发明为达成预定目的所采取的技术手段及功效进行更加深入且具体地了解，然而所附附图仅是提供参考与说明之用，并非用来对本发明的技术方案加以限制。
应当说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的物品或者设备中还存在另外的相同要素。
本发明实施例提供了一种公路微电网风光氢蓄储系统的日内优化调度方法，请一并参见图1和图2，该日内优化调度方法包括：
S1：采集公路基础设施区域内的原始气象数据，并对所述原始气象数据进行预处理以得到多维规范后的原始气象数据。
具体地，对公路基础设施附近区域内的原始气象数据进行预处理，所述预处理包括数据批量处理，从原始多维气象数据中确定原始气象数据采集的起始时间、结束时间并确定数据采集的时间间隔，可视化数据的缺失率。根据数据说明文档和各个气象指标单位，剔除气象数据的缺失值、进行异常值检测并进行换算，整理得到多维规范后的原始气象数据，确保包括原始气象数据各个特征的数据，这里的特征包括气温、地表水平辐射、风速、风向、大气压强、湿度、云层覆盖度以及经纬度。
本实施例中使用了新疆维吾尔自治区S21高速公路吉力湖服务区2022年内的气象数据进行模拟预测，选取的部分数据特征样本如表1所示。
表1.部分预处理后的气象数据样本
如表1所示，每列数据指需要处理的原始气象数据，按时间先后依次往下排列，气温数据从上至下为一列，风速从上到下为一列数据，风向是另一列数据，原始数据中会存在缺失项，且原始记录数据单位和日常的不同，因此需要对单位进行换算处理，最终得到多维规范后的原始气象数据。
S2：将所述多维规范后的原始气象数据输入经训练的FRS-LSTM模型中，预测得到未来一天的气象数据，并根据预测的气象数据预测日内风光机组的发电功率。该风光机组包括风电机组和光伏机组。该FRS-LSTM模型包括FRS模块和LSTM模块，本实施例的S2包括：
S2.1：利用同一批历史气象数据组成的训练数据集对所述FRS模块和所述LSTM模块进行训练，获得经训练的FRS模块和LSTM模块；
S2.2：利用经训练的FRS模块的模糊相似理论，按照所述多维规范后的原始气象数据的时间序列参数进行属性约简，获得原始气象数据约简后的属性参数，所述约简后的属性参数包括气温、地表水平辐射、风速和风向；
S2.3：将所述约简后的属性参数以及输入经训练的LSTM模块，给定时间序列信号，预测未来一天内的风力光伏发电量。
FRS(模糊粗糙集)是粗糙集理论与模糊集理论的结合，用于处理不确定性和模糊性问题。在经典粗糙集的基础上引入模糊概念，使得模糊集中的不确定性信息可以被更好地处理。在FRS中，对象的属性值用模糊集来描述，属性之间的关系用粗糙集的近似表示方式来表示。模糊粗糙集的核心思想是通过粗糙近似关系来刻画模糊集之间的包含关系，主要应用领域包括模式识别、数据挖掘、决策支持等，能够更好地处理具有模糊性和不确定性的问题，提供更丰富的决策支持和分析能力。
属性约简为数据挖掘中的概念，用于简化数据集中的属性(或特征)以提高数据分析的效率。通过属性约简，可以获得更小、更简洁的数据集，从而减少计算，例如，云层遮盖度对光伏发电机组虽然有影响，但这个影响是次要的，在属性约简过程中删除了这个属性。本实施例约简后的属性参数包括气温、地表水平辐射、风速和风向，随后将t时刻的光伏阵列表面的水平辐照和风速分别设定为决策属性，温度和风向分别设定为条件属性，制定初始决策表以分别预测日内风电机组和光伏机组的发电功率。
需要说明的是，风电机组和光伏机组是两套系统，影响他们的因素不同，根据各自的影响因素，分别制定风电机组和光伏机组的初始决策表。例如，在风电机组中列出会影响风电机组发电能力的几个因素：风向和风速。每个因素都有对应的观测值或阈值，并且与其相关联的发电能力在决策选择列中进行了描述(如"高"、“中"和"低”)。例如，风速越大，风电机组所能捕获的风能就越多，从而产生更大的电力输出。当风速低于某个阈值时，风电机组可能无法提供足够的电力输出，例定风速＜4m/s的，发电能力低，风速在4米/秒(m/s)至8米/秒(m/s)之间，为中。
在对当前气象数据进行处理之前，该模糊粗糙集模块需要用多维规范后的历史气象数据集进行训练，数据集中的每个样本都会被转化为模糊集合，通过粗糙集理论进行处理，需要有足够的数据样本来准确地模糊化特征和构建粗糙集。
随后，将经过步骤S1处理的多维规范后的原始气象数据，输入经训练的FRS模块中，进行属性约简，获得原始气象数据约简后的属性参数。
具体地，本实施例的步骤S2.2包括：
模糊化处理：对多维规范后的原始气象数据进行模糊化处理，将原始气象数据转换为模糊集合。可以使用模糊逻辑或其他模糊化方法，给每个特征赋予隶属度。
粗糙集构造：基于所述模糊集合的隶属度信息，使用粗糙集理论构建粗糙集，通过计算下近似和上近似确定所述粗糙集的边界。
评估特征重要性：根据所述粗糙集的边界和属性的约简规则，评估所述原始气象数据中每个特征的重要性。
特征选择：根据特征的重要性进行选择。可以根据重要性排序或设定阈值来确定最终的特征子集。
重构数据集：根据选择的特征子集，重构新的气象数据。
接着，将所述约简后的属性参数以及风电机组和光伏机组的系统输入经训练的LSTM模块，给定时间序列信号，预测未来一天内的风力光伏发电量。
本实施例所使用的LSTM(Long Short-Term Memory，长短期记忆)是一种常用的循环神经网络。LSTM主要用于处理和建模时间序列数据，具有记忆和长期依赖的能力。LSTM网络的结构允许其在长序列数据中捕捉到较长时间间隔的依赖关系，并且对于处理具有长期记忆的任务，在处理时间序列数据和具有长期依赖性的任务上表现出色。
如上所述，在进行实际数据处理之前，需要利用收集的历史气象数据对该LSTM模型进行训练，以使该LSTM模型达到所需的预测精度。对该LSTM模块进行训练，包括：将所述包含原始数据的数据集经过所述FRS模块进行特征选择后的新数据集输入到LSTM模型中，预测未来一段时间内的气象数据，再根据风光发电机组的系统参数得出该风光发电机组的发电功率，系统参数包括装机容量、光伏板效率等参数。在训练过程中，使用设定的损失函数(如均方误差)来衡量预测输出与实际数据之间的差异，并使用优化算法(如随机梯度下降)来调整模型的参数，使预测结果逐渐优化。
在实际中，该LSTM模型通过优化梯度提升决策树的速度和效率以实现具有较高准确度的日内风光发电数据预测，包括：根据预设比例，将所述多维规范之后的历史气象数据按照7比3划分为两个数据子集，其中，70％的数据用于模型训练，30％的数据用于模型测试。不断训练LSTM网络，直至与上述属性值集对应的真实值满足预设训练结束条件，确定日内风光发电功率预测模型。例如，预测23年1月1日的气象数据，这一天真实的气象数据是有的，将其作为测试集，看预测出的数据和真实值之间存在的差异，直到预测结果和真实值有90％重合，就结束模型训练。
S3：采集公路基础设施中各类用电系统的负荷数据进行分析重组，根据可控负荷的关键参数以及步骤S2预测的日内风光机组的发电功率异构虚拟电厂，以实现对风电光伏机组短期出力变化的适应和灵活控制。
本实施例的步骤S3具体包括：
S3.1：数据收集：收集公路基础设施中各类用电系统的负荷数据，包括实时负荷、历史负荷等。这些负荷数据通过传感器、智能电表等设备获取，存储在数据平台中。所述用电系统包括监控系统、通信系统、收费系统、服务区用电系统和电动汽车充电系统。
S3.2：数据分析：分析处理收集到的负荷数据。对所述负荷数据进行清洗和去噪，排除异常值和噪声干扰，确保数据的准确性和可靠性。同时发掘负荷数据的特征和规律，如负荷波动、负荷峰谷等。例如，通过绘制负荷数据的折线图，观察负荷的整体走势和分布情况，也可对负荷数据进行季节性和周期性分析。
S3.3：负荷重组：根据公路基础设施中不同用电系统的特点和需求，对负荷数据进行重组。将具有相似特征或相互关联的负荷系统进行整合，形成新的用电负荷分类，这样有助于减少系统的复杂性，更好地理解和控制负荷系统的变化。具体地，把相互关联的用电设施组合归类，例如，将高速网络摄像机和高速球型摄像机这类作用相似的归到监控系统中。
S3.4：关键参数提取：根据负荷数据中可控负荷的需求和关键参数，提取出影响负荷控制的重要信息。这些关键参数可以包括负荷需求响应能力、负荷灵活性、能源效率等。通过识别和提取关键参数，可以为后续创建异构虚拟电厂做好准备。此处的可控负荷指电力系统中可以通过调节其电能消耗来实现灵活控制的负荷。相对于非可控负荷(如照明等)，可控负荷具有更高的可调性，可以根据需求进行能量消耗的调整。
S3.5：异构虚拟电厂创建：将预测得到的日内风光机组的发电功率与所述关键参数进行整合，创建异构虚拟电厂。
具体地，将可控负荷与可再生能源进行耦合，通过合理安排负荷的启停时间和用电策略，调整负荷系统的电力需求，以适应风电光伏机组的出力波动。异构虚拟电场通过虚拟化技术将多种不同类型、不同规模和分布的电力资源整合为一个统一的虚拟电场管理系统。异构指的是系统中包含不同类型的电源、负荷和能源存储设备。
随后对该异构虚拟电厂进行优化调度，使其在保证电力供应可靠性的前提下，最大化利用可再生能源，合理分配和调度各个负荷系统的用电需求。本实施例采用改进的Pareto多目标优化调度模型，实现对负荷系统的智能调度和管理。
请参见图4，本实施例中使用了新疆维吾尔自治区S21高速公路吉力湖服务区2022年公路微电网内的各电负荷系统运行参数进行模拟仿真，选取的部分数据特征样本如表2所示：
表2部分电负荷系统仿真参数数据样本
S4：构建改进的Pareto多目标优化调度模型；
本实施例的改进的Pareto多目标优化调度模型的构建原理是寻找帕累托最优前沿以此在多个目标函数间寻找最佳权衡。根据目标函数和约束条件建立非线性多目标优化模型，针对每个决策变量，将其取值范围划分为若干个子区间。在每个子区间内进行局部搜索，找到所有可能的解，生成初始解集。计算初始解集中每个解对应的目标函数值，寻找使多个目标函数都最优的非支配解，即Pareto最优解。再将生成的Pareto最优解按照值的大小进行非支配排序，从帕累托前沿中选择一个合适解进行评估，判断其是否满足约束条件，若不满足，继续优化。重复迭代，处理牺牲一些次要目标函数的值，以实现首次迭代的目标函数的最小化，权衡后判断是否继续迭代。
本实施例的首次迭代的目标函数由微电网日内运行总成本、负载率和可再生能源消纳率组成，表达式为：
其中，C(t)表示t时段总的运行成本，CW、CPV、CQ、CX分别表示风电机组、光伏机组、氢燃料电池、蓄电池的单位运行成本，PW,t、PPV,t、PQ,t、PX,t分别表示风电机组、光伏机组、氢燃料电池、蓄电池t时段的输出功率，Cb,t表示t时段的购电价格，PM.buy,t表示t时刻微电网从主网购电的功率，Cs,t表示t时段的售电价格，PM.sell,t表示t时刻微电网向主网售电的功率，β表示单位时间内的总设备维护成本。
次要迭代的目标函数分别由系统负载率、微电网的新能源消纳率和碳排放量组成：
其中，LR(t)表示t时段内的微电网负载率，Pmax为微电网的最大负载功率，Pl.t表示t时刻微电网的负载功率。
其中，AR(t)表示t时段内的可再生能源消纳率。
其中，F(t)表示t时段内的碳排放量，采用ρ＝0.7476碳/标准煤作为碳排放因子，表示发电热值，ω＝0.45kg/kWh表示煤耗系数。碳排放因子指单位能源产生的二氧化碳(CO2)排放量，用于衡量能源消耗和产业活动对气候变化的影响的重要指标之一。碳排放因子的计算通常基于能源的碳含量，单位是每产品单位(如每吨煤)产生的二氧化碳排放量。具体的碳排放因子会根据能源种类的不同而有所变化。
S5：将所述异构虚拟电厂内部各模块设备的可参与调度情况输入改进的Pareto多目标优化调度模型，输出风光氢蓄储系统的日内最佳优化调度决策。此处，各模块设备包括可再生能源发电设备模块、储能设备模块、用电负荷设备模块，各模块设备的可参与调度情况指的是各个设备模块在一个特定时刻或时段内，是否能够参与电力系统的调度和运行。
本发明能够有效提升风光氢蓄储系统的新能源消纳率，减小公路基础设施微电网的日内运行成本，为后续智能、绿色公路微电网的实际运行提供一种良好的优化调度方法。
在本实施例中，将新疆维吾尔自治区S21高速公路吉力湖服务区区域内的2022年气象数据作为初始训练数据集，按照所述FRS-LSTM短时预测模型进行预测。为了体现本发明中模型的准确度，选取夏季最高温、冬季最低温和春秋季过渡日作为典型气候代表，预测典型日下的风电光伏机组的出力变化情况，得到的结果如图4a和图4b所示，其中，图4a是典型日的日内风机发电功率预测曲线，图4b是典型日的日内光伏发电功率预测曲线。
在本实施例中，针对异构虚拟电厂中可参与调度的各电负荷系统和储能调控系统进行仿真。聚合日内风/光发电功率和用电负荷数据，设置虚拟电厂允许的最大负荷缺电率为3％，初始化蓄电池SOC为0.2，运行范围为[0.2,0.8]，单位时间内充放电功率最大不超过储能的30％，虚拟电厂与主电网间允许的交换功率不超过150kW，运用Pareto多目标优化算法求得各典型日优化调度方案如图5a至图5c所示，其中，图5a是利用本发明实施例的方法获得的过渡日各设备出力功率变化示意图；图5b是利用本发明实施例的方法获得的极热日各设备出力功率变化示意图；图5c是利用本发明实施例的方法获得的极冷日各设备出力功率变化示意图。
经风/光-氢蓄储系统优化调度后，各典型日的系统负载率都处于合理范围，表明系统运行状态较平稳。极热日和过渡日风/光资源较为丰富，加入的氢储系统降低了蓄电池组件的配置数量，可以更快地实现运行周期内的削峰填谷，最大化消纳风/光出力。极冷日负荷需求较大，风/光资源较为匮乏，优化调度模型综合考虑了系统运行成本，可再生能源消纳及碳排放指标，选择在电价低谷期大量从主网购电，存储在蓄电池模块中，在电价高峰期放电以维持系统的稳定运行。
本实施例中，对风光氢蓄储智能公路微电网进行了日内优化调度，为了体现本发明中优化调度模型的可靠性，通过计算系统负载率、可再生能源消纳率和碳排放量三项指标进行量化评价，评价指标如表3所示：
表3优化结果对比
结果表明，本发明提出的针对公路微电网风光氢蓄储系统的日内优化调度模型的可再生能源消纳率达到了98％，具有更好的全局寻优能力，能更精准地调控各系统模块的出力情况。与传统优化调度算法相比，公路微电网日内运行总成本分别减少了8.5％和3.8％，可再生能源消纳率分别提高了7.2％和13.3％，在确保微电网系统平稳运行的前提下提升了风/光-氢蓄储系统的可靠性，减少了碳排放量。
本发明提出的公路微电网风光氢蓄储系统的日内优化调度方法能够有效提升公路基础设施的智能化管理，提高微电网的运行效率、供电可靠性和新能源消纳率，为后续碳中和的实现提供良好的理论基础。
与以基于蚁群优化算法为代表的传统单目标优化算法相比，本发明公路微电网风光氢蓄储系统的日内优化调度方法可以在多目标优化问题中找到一组非劣解，且解可以同时满足多个目标函数。与以多目标非支配排序遗传算法为代表的多目标优化算法相比，本发明的日内优化调度方法可以在迭代过程中保持全局最优，算法效率和准确度进一步提高。
本发明的又一实施例提供了一种存储介质，所述存储介质中存储有计算机程序，所述计算机程序用于执行上述实施例中所述公路微电网风光氢蓄储系统的日内优化调度方法的步骤。本发明的再一方面提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时实现如上述公路微电网风光氢蓄储系统的日内优化调度方法的步骤。具体地，上述以软件功能模块的形式实现的集成的模块，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台电子设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (10)

1.一种公路微电网风光氢蓄储系统的日内优化调度方法，其特征在于，包括：
S1：采集公路基础设施区域内的原始气象数据，并对所述原始气象数据进行预处理以得到多维规范后的原始气象数据；
S2：将所述多维规范后的原始气象数据输入经训练的FRS-LSTM模型中，预测得到未来一天的气象数据，并根据预测的气象数据预测日内风光机组的发电功率；
S3：采集公路基础设施中各类用电系统的负荷数据进行分析重组，根据可控负荷的关键参数以及预测的日内风光机组的发电功率异构虚拟电厂；
S4：构建改进的Pareto多目标优化调度模型；
S5：将所述异构虚拟电厂内部各模块设备的可参与调度情况输入所述改进的Pareto多目标优化调度模型，获得风光氢蓄储系统的日内最佳优化调度决策。
2.根据权利要求1所述的公路微电网风光氢蓄储系统的日内优化调度方法，其特征在于，所述FRS-LSTM模型包括FRS模块和LSTM模块，所述S2包括：
S2.1：利用同一批历史气象数据组成的训练数据集对所述FRS模块和所述LSTM模块进行训练，获得经训练的FRS模块和LSTM模块；
S2.2：利用经训练的FRS模块的模糊相似理论，按照所述多维规范后的原始气象数据的时间序列参数进行属性约简，获得原始气象数据约简后的属性参数，所述约简后的属性参数包括气温、地表水平辐射、风速和风向；
S2.3：将所述约简后的属性参数以及风电机组和光伏机组的系统输入经训练的LSTM模块，给定时间序列信号，预测未来一天内的风力光伏发电量，从而得到未来一天内的风力光伏发电量变化情况。
3.根据权利要求2所述的公路微电网风光氢蓄储系统的日内优化调度方法，其特征在于，所述S2.2包括：
对多维规范后的原始气象数据进行模糊化处理，将原始气象数据转换为模糊集合；
基于所述模糊集合的隶属度信息，使用粗糙集理论构建粗糙集，通过计算下近似和上近似确定所述粗糙集的边界；
根据所述粗糙集的边界和属性的约简规则，评估所述原始气象数据中每个特征的重要性；
根据重要性排序或设定阈值确定最终的特征子集；
根据选择的特征子集，重构新的气象数据。
4.根据权利要求1所述的公路微电网风光氢蓄储系统的日内优化调度方法，其特征在于，对所述LSTM模块进行训练，包括：
将所述包含原始数据的数据集经过所述FRS模块进行特征选择后的新数据集输入到LSTM模型中，预测未来一段时间内的气象数据，再根据风光发电机组的系统参数得出该风光发电机组的发电功率，在训练过程中，使用设定的损失函数来衡量预测输出与实际数据之间的差异，并使用优化算法来调整模型的参数，使预测结果逐渐优化。
5.根据权利要求1所述的公路微电网风光氢蓄储系统的日内优化调度方法，其特征在于，所述S3包括：
S3.1：收集公路基础设施中各类用电系统的负荷数据；
S3.2：对所述负荷数据进行清洗和去噪，排除异常值和噪声干扰，发掘所述负荷数据的特征和规律；
S3.3：根据公路基础设施中不同用电系统的特点和需求，对处理后的负荷数据进行重组，将相互关联的负荷系统进行整合，形成新的用电负荷分类；
S3.4：根据负荷数据中可控负荷的需求和关键参数，提取出影响负荷控制的重要信息；
S3.5：将预测得到的日内风光机组的发电功率与所述关键参数进行整合，创建异构虚拟电厂。
6.根据权利要求1所述的公路微电网风光氢蓄储系统的日内优化调度方法，其特征在于，所述S4包括：
根据目标函数和约束条件建立非线性多目标优化模型，针对每个决策变量，将其取值范围划分为若干个子区间；在每个子区间内进行局部搜索，找到所有可能的解，生成初始解集；计算初始解集中每个解对应的目标函数值，寻找使多个目标函数都最优的Pareto最优解；将生成的Pareto最优解按照值的大小进行非支配排序，从帕累托前沿中选择一个合适解进行评估，判断其是否满足约束条件，若不满足，继续迭代优化，以实现首次迭代的目标函数的最小化。
7.根据权利要求6所述的公路微电网风光氢蓄储系统的日内优化调度方法，其特征在于，所述非线性多目标优化模型的首次迭代的目标函数为：
其中，C(t)表示t时段总的运行成本，CW、CPV、CQ、CX分别表示风电机组、光伏机组、氢燃料电池、蓄电池的单位运行成本，PW,t、PPV,t、PQ,t、PX,t分别表示风电机组、光伏机组、氢燃料电池、蓄电池t时段的输出功率，Cb,t表示t时段的购电价格，PM.buy,t表示t时刻微电网从主网购电的功率，Cs,t表示t时段的售电价格，PM.sell,t表示t时刻微电网向主网售电的功率，β表示单位时间内的总设备维护成本。
8.根据权利要求1所述的公路微电网风光氢蓄储系统的日内优化调度方法，其特征在于，所述多目标优化调度模型次要迭代的目标函数包括：
其中，LR(t)表示t时段内的微电网负载率，Pmax为微电网的最大负载功率，Pl.t表示t时刻微电网的负载功率；
其中，AR(t)表示t时段内的可再生能源消纳率；
其中，F(t)表示t时段内的碳排放量，表示发电热值，ω表示煤耗系数。
9.一种存储介质，所述存储介质中存储有计算机程序，所述计算机程序用于执行权利要求1至8中任一项所述公路微电网风光氢蓄储系统的日内优化调度方法的步骤。
10.一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时实现权利要求1至8中任一项所述公路微电网风光氢蓄储系统的日内优化调度方法的步骤。
CN202311369082.2A 2023-10-20 2023-10-20 一种公路微电网风光氢蓄储系统的日内优化调度方法 Pending CN117613993A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311369082.2A CN117613993A (zh) 2023-10-20 2023-10-20 一种公路微电网风光氢蓄储系统的日内优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311369082.2A CN117613993A (zh) 2023-10-20 2023-10-20 一种公路微电网风光氢蓄储系统的日内优化调度方法

Publications (1)

Publication Number Publication Date
CN117613993A true CN117613993A (zh) 2024-02-27

Family

ID=89943263

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311369082.2A Pending CN117613993A (zh) 2023-10-20 2023-10-20 一种公路微电网风光氢蓄储系统的日内优化调度方法

Country Status (1)

Country Link
CN (1) CN117613993A (zh)

Similar Documents

Publication Publication Date Title
CN111681130B (zh) 一种考虑条件风险价值的综合能源系统优化调度方法
CN107423852A (zh) 一种计及典型场景的光储联合电站优化运营方法
CN105069521A (zh) 一种基于加权fcm聚类算法的光伏电站输出功率预测方法
CN115796393B (zh) 基于多能互动的能源网管理优化方法、系统及存储介质
CN115065078B (zh) 微网环境下储能容量配置方法及系统
CN112994115A (zh) 一种基于wgan场景模拟和时序生产模拟的新能源容量配置方法
CN113452033B (zh) 分区自治的含高比例光伏配电网电压控制方法及存储介质
CN117175694B (zh) 一种基于新能源消纳的微电网优化调度方法及系统
CN108075471B (zh) 基于随机性电源出力预测的多目标约束优化电网调度策略
CN112671035A (zh) 一种基于风电预测的虚拟电厂储能容量配置方法
CN110909310A (zh) 一种基于模型参数优化的光伏短期发电量预测方法及系统
CN116826710A (zh) 基于负荷预测的削峰策略推荐方法、装置及存储介质
CN116011697A (zh) 一种考虑p2x多能源耦合运行优化调度方法及系统
CN108694475B (zh) 基于混合模型的短时间尺度光伏电池发电量预测方法
CN114444805A (zh) 多光伏电站共享储能系统平滑出力的控制方法
CN110570091A (zh) 基于改进F-score特征选择及粒子群BP神经网络的负荷辨识方法
CN117669908B (zh) 一种高速公路综合能源系统优化方法、装置、设备及介质
CN113780686A (zh) 一种面向分布式电源的虚拟电厂运行方案优化方法
CN108846529A (zh) 一种发电量预测系统
CN112801343A (zh) 一种计及多气象场景适应成本的储能系统容量规划方法
CN117154808A (zh) 考虑电力交易的分布式新能源和多元储能聚合建模方法
CN116826726A (zh) 一种微电网发电量预测方法、装置及存储介质
CN116128154A (zh) 一种农业园区综合能源系统的能源优化配置方法及装置
CN116154875A (zh) 基于tcn和误差函数的光伏电站有功功率优化分配方法
CN117613993A (zh) 一种公路微电网风光氢蓄储系统的日内优化调度方法

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