CN112952808A - 一种基于分类概率建模和igdt的有源配电网优化运行方法 - Google Patents
一种基于分类概率建模和igdt的有源配电网优化运行方法 Download PDFInfo
- Publication number
- CN112952808A CN112952808A CN202110178405.4A CN202110178405A CN112952808A CN 112952808 A CN112952808 A CN 112952808A CN 202110178405 A CN202110178405 A CN 202110178405A CN 112952808 A CN112952808 A CN 112952808A
- Authority
- CN
- China
- Prior art keywords
- load
- output
- uncertainty
- model
- optimization
- 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 64
- 238000009826 distribution Methods 0.000 title claims abstract description 53
- 238000005457 optimization Methods 0.000 claims abstract description 60
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 241000254158 Lampyridae Species 0.000 claims description 30
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000010248 power generation Methods 0.000 claims description 13
- 230000008901 benefit Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 description 18
- GNBHRKFJIUUOQI-UHFFFAOYSA-N fluorescein Chemical compound O1C(=O)C2=CC=CC=C2C21C1=CC=C(O)C=C1OC1=CC(O)=CC=C21 GNBHRKFJIUUOQI-UHFFFAOYSA-N 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000004044 response Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013486 operation strategy Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load 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
- 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
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于分类概率建模和IGDT的有源配电网优化运行方法,包括以下步骤:1)获取能源出力和负荷使用的历史数据,即源‑荷出力的历史数据,并进行预测得到源‑荷出力的预测值;2)基于神经网络分位数回归理论对源‑荷出力非参数概率进行拟合,获取源‑荷出力对应的偏差系数;3)建立基于分位回归和信息间隙决策理论的不确定性优化调度模型;4)对基于分位回归和信息间隙决策理论的不确定性优化调度模型进行寻优,得到最优化运行方案。与现有技术相比,本发明考虑了变量出力的不确定性给运营者的调度管理带来的风险,能够减少配电网在执行运行计划时候出现的功率偏差,减少经济损失。
Description
技术领域
本发明涉及清洁能源配电网优化调度领域,尤其是涉及一种基于分类概率建模和IGDT的有源配电网优化运行方法。
背景技术
随着有源配电网侧可再生能源(风力发电、光伏出力)的渗透比例逐渐升高,以及用户侧用电负荷多样性的发展,在配电网源-荷侧出现了大量多类型的随机变量,这些变量出力的不确定性会给运营者的调度管理带来不可忽视的风险,有可能造成配电网在执行运行计划时候出现功率偏差,并产生经济损失。因此在对配电网的经济调度运行问题进行分析时需要考虑上述不确定性因素,对配电网在不确定性因素影响下的优化问题及相关管理方法进行研究。
在风险相关问题的研究中,常用的方法包括场景法、随机规划和鲁棒优化等,场景法是在对不确定性的电力***优化调度进行研究时一个常用的工具,配电侧的可再生能源(风电、光伏)出力和多类型用户负荷用电行为的内在外在关联因素各不相同,在出力分布特性上也表现出了显著的时-空差异性,因此其对应的出力或用电量概率分布区间也应当有所区分,然而现有大多数理论研究很少考虑多类型不确定性电量的差异性分布特征,对应变量的处理也较为简单。
信息间隙决策理论(information gap decision theory,IGDT)是当前应用于出力不确定性问题的一种新型管理方法,该方法观察已知信息与未知信息之间的间隙,通过定义不确定环境下的决策性能函数,进而量化对不确定性变量的描述和评价。该方法当前主要应用在电力***的机组组合优化、电力***规划、无功及电压优化等方面,但是在配电网调度应用方面并不多。因此,在上述背景下急需一种能综合考虑源-荷出力的不确定性风险的配电网优化的优化调度方法。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于分类概率建模和IGDT的有源配电网优化运行方法。
本发明的目的可以通过以下技术方案来实现:
一种基于分类概率建模和IGDT的有源配电网优化运行方法,包括以下步骤:
1)获取能源出力和负荷使用的历史数据,即源-荷出力的历史数据,并进行预测得到源-荷出力的预测值;
2)基于神经网络分位数回归理论对源-荷出力非参数概率进行拟合,获取源-荷出力对应的偏差系数;
3)建立基于分位回归和信息间隙决策理论的不确定性优化调度模型;
4)对基于分位回归和信息间隙决策理论的不确定性优化调度模型进行寻优,得到最优化运行方案。
所述的步骤1)中,能源出力包括风力发电和光伏出力,所述的负荷使用包括办公建筑负荷和商业建筑负荷。
所述的步骤2)中,根据源-荷出力的预测值以及给定的置信区间和置信水平1-ε,获取对应的偏差系数,则有:
其中,ξw t、ξs t、ξLS t、ξLW t分别为风力发电、光伏出力、商业建筑负荷和办公建筑负荷的偏差系数,分别风力发电、光伏出力、商业建筑负荷和办公建筑负荷的预测值,Pwl t、Pwu t分别为风电出力在给定置信区间下的下边界值和上边界值,Plu t、Psu t分别为光伏出力在给定置信区间下的下边界值和上边界值,PLSl t、PLSu t分别为建筑负荷在给定置信区间下的下边界值和上边界值,PLWl t、PLWu t分别为办公负荷在给定置信区间下的下边界值和上边界值。
所述的步骤3)具体包括以下步骤:
31)构建以收益最大化为优化目标的有源配电网基本优化模型;
32)在有源配电网基本优化模型中引入不确定量的偏差系数构建基于信息间隙决策理论的不确定性优化调度模型;
33)在基于信息间隙决策理论的不确定性优化调度模型的基础上,结合不同置信度区间下的偏差系数作为机会约束,最终得到基于分位回归和信息间隙决策理论的不确定性优化调度模型。
所述的步骤31)中,所述的有源配电网基本优化模型的表达式为:
所述的步骤32)中,基于信息间隙决策理论的不确定性优化调度模型的包括风险规避的鲁棒模型和风险偏好的机会模型。
所述的风险规避的鲁棒模型的表达式为:
其中,σ和σ'分别为规避系数和偏好系数,fc和f'c分别为代表决策者可接受损失的能力和最优期望目标,L为不确定变量的集合,ξ为不确定量的偏差系数,且ξ≥0,f0为当优化目标在不确定性变量取预测值时,有源配电网优化模型中不确定变量为0时的最优解。
所述的风险偏好的机会模型的表达式为:
其中,σ和σ'分别为规避系数和偏好系数,fc和f'c分别为代表决策者可接受损失的能力和最优期望目标,L为不确定变量的集合,ξ为不确定量的偏差系数,且ξ≥0,f0为当优化目标在不确定性变量取预测值时,有源配电网优化模型中不确定变量为0时的最优解。
所述的步骤33)中,基于分位回归和信息间隙决策理论的不确定性优化调度模型中,对应的风险规避的鲁棒模型的表达式为:
对应的风险偏好的机会模型的表达式为:
其中,Fw t、Fs t、FLS t、FLW t分别对应Pw t、Ps t、Pt LS、Pt LW的不确定分布函数。
所述的步骤4)中,采用萤火虫算法对基于分位回归和信息间隙决策理论的不确定性优化调度模型进行寻优。
与现有技术相比,本发明具有以下优点:
一、本发明通过对源-荷侧不确定性变量的概率出力拟合,可充分体现源-荷的分布差异性,同时可生成不同置信区间下的偏差约束,进而细化优化运行方案。
二、本发明采用基于多类型不确定性变量的概率出力下IGDT的建模方法,避免了现有方法中对不确定性变量过于粗糙宽泛的设置区间问题,使结果更加客观,所得结果既包括对不确定性变量的影响的鲁棒优化结果,还包括在不确定性变量最理想情况下的机会优化方案。
附图说明
图1为光伏、风电、商业和办公建筑负荷在不同置信度水平下出力分布,其中,图(1a)为光伏出力分布区间,图(1b)为风机出力分布区间,图(1c)为商业建筑负荷出力区间,图(1d)为办公建筑负荷区间。
图2为实施例中考虑风险规避的源-荷侧出力(置信区间95%),其中,图(2a)为光伏出力,图(2b)为风机出力,图(2c)为商业建筑负荷,图(2d)为办公建筑负荷。
图3为实施例中不同置信度区间考虑风险规避的源-荷侧出力(规避系数0.1),其中,图(3a)为光伏出力,图(3b)为风机出力,图(3c)为商业建筑负荷,图(3d)为办公建筑负荷。
图4为考虑风险偏好下的源-荷侧出力(置信区间95%),其中,图(4a)为光伏出力,图(4b)为风机出力,图(4c)为商业建筑负荷,图(4d)为办公建筑负荷。
图5为不同置信度区间考虑偏好的源-荷侧出力(偏好系数0.15),其中,图(5a)为光伏出力,图(5b)为风机出力,图(5c)为商业建筑负荷,图(5d)为办公建筑负荷。
图6为多场景法设置为9个场景。
图7为基于分位数回归的IGDT优化运行方法框图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。注意,以下的实施方式的说明只是实质上的例示,本发明并不意在对其适用物或其用途进行限定,且本发明并不限定于以下的实施方式。
本发明提供一种基于分类概率建模和信息间隙决策理论的有源配电网优化运行方法,该方法应用于有源配电网的优化调度中,该方法包括以下步骤:
(1)获取能源出力和负荷使用的历史数据;
(2)建立基于信息间隙决策理论的不确定性优化调度模型;
对于一个含有不确定性变量的收益最大化问题来说,其成本优化的数学模型可表达为:
式中,ξ为不确定量的偏差系数,ξ≥0。
若优化目标在不确定性变量取预测值时,模型的最优解为f0。在规避情况下,为了保证最低预期目标的实现,考虑将不确定性变量的不利扰动最大化;而在偏好情况下,则希望获取不确定性可能带来的额外收益。分别取fc和f'c为引入不确定性变量后决策者所能接受的最大和最优期望目标值,则IGDT模型下的优化模型为:
式中,σ和σ'分别为规避系数和偏好系数,为确定性模型下目标的最优解和不确定模型下目标值之间的偏差程度,fc和f'c可代表决策者可接受损失的能力和最优期望目标,σ最大,则对应的目标值fc也越大,对应的风险规避程度越大,鲁棒性就越强。
(3)基于神经网络分位数回归理论对源-荷出力非参数概率进行拟合;
风电、光伏出力、建筑楼宇的负荷实际值与预测值之间都存在一定的偏差,考虑将源-荷侧各类不确定性变量的需求表示为:
式中,Pw t、Ps t、PL t分别为t时刻风电出力、光伏出力和基础负荷的需求, 分别为t时刻风电出力预测值、光伏出力预测值和基础负荷的预测值,ξw t、ξs t、ξL t分别对应为t时刻风电出力偏差系数、光伏出力偏差系数以及基础负荷需求的偏差系数,实际中配电网侧的源-荷各自具有不同的波动特性,体现出差异性的分布特征,因此本节基于神经网络分位数回归理论构建源-荷侧的各个概率密度出力模型,在此基础下生成源-荷侧各不确定性变量对应的偏差系数。
(31)基于分位数回归理论的非参数概率预测模型
分位数回归通过研究输入变量X与输出响应Y之间的条件分位数关系,其公式可表达为:
QY(τ|X)=β0(τ)+β1(τ)X1+β2(τ)X2+...+βk(τ)Xk≡X'β(τ)
式中,QY(τ|X)为响应变量Y在输入变量X=[X1,X2,...,XK]'在给定下的条件τ分位数;其中τ∈(0,1),为分位数数值;β(τ)=[β0(τ),β1(τ),β2(τ)...βk(τ)]为回归拟合系数变量,与分位数系数τ相关。回归系数β(τ)不再是常数相量,其可通过下述目标函数求得:
式中,N为样本个数,ρτ(u)=u[τ-I(u)]为检验函数,当u<0时,I(u)=1,否则I(u)=0。
如上述公式可知,当τ在(0,1)区间范围为连续取值时,就可以得到输入变量在不同分数位取值下,输出响应变量对应的影响,进而得到响应变量的条件密度分布情况,从而实现概率密度预测区间范围。
由于分位数回归模型采用线性模式,限制了输入变量对输出响应变量之间也为线性关系,而神经网络是一种可以描述输入输出之间非线性关系的人工智能方法,因此将分数位回归方法与神经网络结合,构建分位数回归下的目标损失函数,就可以实现对非线性问题的条件分布概率拟合。
(32)核密度估计
核密度估计是一种非参数方法已被广泛应用于数据分析领域,其本质思想是通过核密度估计量估计得到合理的密度分布,将某时刻不同分位数下预测值作为输入值,常见的核密度估计量:
式中:T是分位数回归个数,h是窗宽可由经验法估计,K是核函数。不同的核函数如高斯、epanechnikov等,对最终结果影响较小,本例中选取的高斯核函数为:
结合所研究风电场、光伏电站以及建筑负荷历史数据,进行神经网络下的分位数回归分析,生成某一典型日风电、光伏、商业建筑负荷以及办公建筑负荷在不同置信度区间下的出力概率分布曲线图,如图1所示。
在风力发电、光伏出力以及建筑负荷的分类置信区间已知的基础上,给定置信水平区间1-ε,由各自变量的预测值及其对应的边界值即可得到相应的偏差系数:
式中,分别对应风力发电、光伏出力、商业建筑负荷和办公建筑负荷的预测值(本例采用中位数);Pwl t,Pwu t指的是风电出力在给定置信区间下的下边界值和上边界值;Plu t,Psu t指的是光伏出力在给定置信区间下的下边界值和上边界值;PLSl t,PLSu t指的是建筑负荷在给定置信区间下的下边界值和上边界值;PLWl t,PLWu t指的是办公负荷在给定置信区间下的下边界值和上边界值。
(4)将源-荷各不确定性变量概率分析下的偏差因子作为机会约束与信息间隙决策理论相结合,在不置信度区间下分别进行决策结果的精细化评估。
根据IGDT理论,进行不确定性运行分析时存在风险规避的鲁棒模型和风险偏好的机会模型,本发明将上述分析中源-荷各不确定性变量概率分析下的偏差因子作为机会约束与IGDT相结合,在不置信度区间下分别进行决策结果的精细化评估。具体推导过程如下(以鲁棒优化模型为例):
采用基于神经网络分位数回归理论的源-荷出力概率模型对不确定性变量进行拟合后,构建不同置信度区间下的出力概率对决策结果进行约束,得到下式:
式中,P{·}为事件成立概率,1-ε为置信水平,ε为风险容忍度,置信水平越大,风险越大,鲁棒性越弱。但是上式难于求解,需要对其进行等价转换,具体推导过程如下:
令ψ(f0)为f(X,Pw t,Ps t,PLS t,PLW t)的不确定分布函数,由于:
P{f(X,Pw t,Ps t,PLS t,PLW t)≤fc}≥1-ε
则不确定分布函数定义可得:
ψ(fc)≥1-ε
由于Fw t、Fs t、FLS t、FLW t分别对应Pw t、Ps t、Pt LS、Pt LW的不确定分布函数(密度函数的积分),且f值为实际可测的有效值,则有
fc≥ψ-1(1-ε)
根据不确定变量的运算法则有:
ψ-1(1-ε)=f(X,Fw t(1-ε)-1,Fs t(1-ε)-1,FLS t(1-ε)-1,FLW t(1-ε)-1)
因此,式P{f(X,Pw t,Ps t,PLS t,PLW t)≤fc}≥1-ε可以转化为:
f(X,Fw t(1-ε)-1,Fs t(1-ε)-1,FLS t(1-ε)-1,FLW t(1-ε)-1)≤fc
最终推导出基于IGDT的风险规避模型为:
所以同理可得基于概率分布的IGDT风险偏好模型为:
(5)基于萤火虫算法的目标函数寻优
鉴于本例所构造的IGDT优化运行模型考虑了分布式电源和多类型用户负荷的不确定性因素,目标求解函数具有变量维度高,非线性等特性,因此对求解算法提出了较高要求,因此,本例采用了智能优化方法中的萤火虫算法进行目标寻优求解
在基本的萤火虫群优化算法中,初始化萤火虫的相关参数,每只萤火虫都带有相同的荧光素并且随机分布萤火虫的初始位置,萤火素的强度由其所在位置的目标函数决定。在更新过程中每只萤火虫都被荧光素强度比自己强的萤火虫吸引并向其移动,最终通过不断迭代更新其对应的萤火素、位置和感知范围实现最终目标寻优。本例综合考虑萤火虫算法的优劣势,将萤火虫算法和粒子群算法结合,借鉴粒子群算法在优化过程中引入全局信息,从而提升萤火虫优化算法的全局优化能力。
该混合算法的主要实现过程如下:
a)初始化基本参数。设置萤火虫数目m,初始化每个萤火虫的荧光素I0和感知范围r0(0<r0<rs)。设置最大迭代次数Tmax,或者搜索精度ε。
b)初始化萤火虫的位置x,计算萤火虫的目标函数值,将最优位置的萤火虫记为xbest。
c)更新每个萤火虫的荧光素。
Ii t+1=(1-ρ)Ii t+γJi t+1
式中,Ii t为萤火虫i在t时刻荧光素的量,ρ∈(0,1)为荧光素的延迟银子,γ为萤火虫的荧光素更新率,Ji t+1表示萤火虫在t+1时刻的目标函数值。
d)更新萤火虫的空间位置:计算萤火虫xi在感知范围内的邻居集合,选择荧光素比自己高的邻居个体xj,根据下式产生新的位置:
xi t+1=ω×xi t+c1×(xbest t-xi t)+c1×(xj t-xi t)
式中,ω,r1,r2分别为各部分在新位置中的权重分配。新的位置综合考虑了自身原有位置,邻居以及最优个体。
e)计算新位置的目标函数值,如果新位置的函数值优于原位置,则更新位置和目标函数值,否则维持记录保持不变,
f)领域围范更新:
ri t+1=min{rs,max{0,ri t+β(nt-Ni t)}}
式中,Ni t为萤火虫i在t时刻的同伙集合个数,β为感知范围参数,nt为感知范围内控制同伙个数的参数。
g)循环迭代步骤c)-f),直至满足终止条件,输出全局极值点和个体最优值。
实施例
本例中,主要分布式电源设备包括风力发电、光伏出力、储能、商业建筑负荷、办公建筑负荷。参与需求响应的柔性负荷主要包括两类,分别为:可削减负荷和可转移负荷。
基于本发明的分位数回归方法下的IGDT智能配电网优化运行方法,首先对风电发电、光伏出力、商业类负荷以及办公类负荷进行分位数回归理论构建其各自的非参数概率出力预测模型,生成在不同置信区间下的分类变量不确定性区间集合,获得在典型日下的风光和建筑负荷下不同置信区间对应的出力曲线区间集合。其次基于推导的IGDT不确定性优化理论分别构建对应典型日下在源-荷多个出力预测置信区间段内,以及运营者不同规避和偏好系数下的智能有源配电网日前优化运行方案。最后采用萤火虫算法进行目标函数的最终求解并得出各分布式电源及负荷的出力分布情况,具体流程图如图7所示。
为了进行对比分析,构建包括本方法在内的4种方法模型,具体如下:
1)确定性模型1:不考虑风机出力、光伏出力以及建筑负荷的不确定性。
2)不确定性模型2:仅考虑源侧不确定性,即风机出力和光伏出力用分位数回归概率模型生成下的IGDT优化方法。
3)不确定性模型3:仅考虑负荷侧不确定性,即办公建筑楼宇负荷和商业建筑楼宇采用分位数回归概率模型生成下的IGDT优化方法。
4)不确定性模型4:同时考虑源-荷侧不确定性,即风机出力、光伏出力、办公建筑负荷以及商业建筑负荷均考虑分位数回归概率模型下的IGDT优化方法。
表1给出了在源-荷侧在出力概率的置信度水平均考虑为95%的情形下,风险规避以及风险偏好两种模型下的优化运行成本结果。由于风险规避的目的是为了保证在满足期望利润的前提下使得鲁棒水平最大化。当规避系数从0.1增加至0.2的过程中,各个模型下的运行成本均有所增加(确定模式下为定值不变),规避系数体现了对不确定性的悲观程度。风险偏好主要是评估不确定性变量在出力占优的情况下获得可能的暴利。从表中可以发现,当偏好系数从0.1增加至0.2的过程中,各个模型下的运行成本均逐步降低,偏好系数体现了对不确定性的乐观程度,其值越高则表现了运营者对成本的期望提升,得到的用电计划风险度越高,对应***的鲁棒性降低。
表1规避模型和偏好下各模型的运行成本(95%置信区间)
图2以不确定性模型4为条件,分析在源-荷侧均考虑不确定性变量出力概率分布中置信区间在95%的情况下内,分析基于经济成本最优的IGDT优化运行鲁棒模型。根据风机、光伏、商业建筑负荷以及办公建筑负荷在不同的规避系数下的最优出力曲线得知,对于风机和光伏两类可再生能源而言,随着规避系数的增加,其相应出力减少,特别是在用电高峰期,出力偏差幅值较大,因此对可在能能源出力的依赖性降低。而商业和办公建筑楼宇负荷的出力特性与之正好相反,当规避系数增加时,可承担更多的不确定性负荷容量。其显示出在规避模型下要充分考虑并构建源-荷侧不确定量的最差可能组合模式,从而形成对应组合模型下的经济优化运行策略
图3给出了在鲁棒模型下(规避系数为0.1时)光伏出力、风电出力、商业建筑负荷以及办公建筑负荷在不同概率出力模型置信区间下的出力曲线图。本发明所提出的基于置信概率的IGDT优化运行策略,可分析在不同出力置信区间范围下对应的源-荷侧不确定变量分布情况,可帮助运营者充分评估不同置信区间下的变量出力对其预期成本的影响程度。对于光伏、风电等可再生能源而言,通过对其出力的概率区间分析可知,置信水平越高,其对应的功率波动范围约大,因此在鲁棒模型下,运营者对风险规避要求较高,该模型下对应的光伏、风电出力曲线会随着置信区间的增加而降低,从而避免可能的风电预测误差带来的不利影响。而建筑负荷作为电力负荷消耗者,其出力曲线的变化趋势与可再生能源相反,会随着置信区间的增加而提高,从而实现运营者对最差可能的风险规避。
图4和图5给出了在偏好模型下,光伏、风机以及建筑负荷在不同偏好系数以及置信区间的出力分布图。相较于规避模型,偏好模型在不同偏好系数分布时对应的各变量出力波动区别不明显,但通过局部放大图,依然可以观察出其本质特性,机会模型追求在所有可能情况下的最有力结果,因此在对应的结果输出中可以看出光伏和风电出力会随着偏好系数的提升而追逐区间范围内的更高出力,建筑负荷则反之。
为了体现本发明提出的源-荷分类概率建模下的IGDT方法处理不确定性问题的优越性,在源-荷出力95%置信区间下,采用鲁棒法、多场景法对案例进行分析比较。相关运算条件以及参数设置均不变,多场景法设置为9个场景(如图6所示)所对应的平均值。在各类方法计算过程中风-光-荷的出力不确定性模型均采用本文所提出的分类概率模型。
表2给出了不同方法下计算得到的最优折中解。鲁棒法考虑构建配电网源-荷端的最大风险下(风电、光伏出力最低同时负荷需求量最大)所可能需要的成本,该方面得到的成本比多场景法和IGDT方法均要高,算法鲁棒性较高但是付出的成本代价较大。多场景法需要统计多类场景求取均值,该方法的准确性需要多个场景提供支撑,增加了计算的复杂度同时得到的成本数值较低,有可能出现风险。而本文所提出的多变量分类概率下的IGDT风险分析方法分别提供了两种模型(鲁棒和机会)下可能面对的成本风险,同时基于前一节所论述,当改变鲁棒和机会的偏好系数时,对应的风险结论会响应发生动态变化,并可获取源-荷端不确定性变量的响应区间,可以体现出风电、光伏以及多类型负荷的实际不确定性特性,对于不确定性的描述更为精准,因此可提供更加可靠的配电网侧经济运行的调度计划安排。
表2不同方法计算结果
Claims (10)
1.一种基于分类概率建模和IGDT的有源配电网优化运行方法,其特征在于,包括以下步骤:
1)获取能源出力和负荷使用的历史数据,即源-荷出力的历史数据,并进行预测得到源-荷出力的预测值;
2)基于神经网络分位数回归理论对源-荷出力非参数概率进行拟合,获取源-荷出力对应的偏差系数;
3)建立基于分位回归和信息间隙决策理论的不确定性优化调度模型;
4)对基于分位回归和信息间隙决策理论的不确定性优化调度模型进行寻优,得到最优化运行方案。
2.根据权利要求1所述的一种基于分类概率建模和IGDT的有源配电网优化运行方法,其特征在于,所述的步骤1)中,能源出力包括风力发电和光伏出力,所述的负荷使用包括办公建筑负荷和商业建筑负荷。
3.根据权利要求2所述的一种基于分类概率建模和IGDT的有源配电网优化运行方法,其特征在于,所述的步骤2)中,根据源-荷出力的预测值以及给定的置信区间和置信水平1-ε,获取对应的偏差系数,则有:
4.根据权利要求3所述的一种基于分类概率建模和IGDT的有源配电网优化运行方法,其特征在于,所述的步骤3)具体包括以下步骤:
31)构建以收益最大化为优化目标的有源配电网基本优化模型;
32)在有源配电网基本优化模型中引入不确定量的偏差系数构建基于信息间隙决策理论的不确定性优化调度模型;
33)在基于信息间隙决策理论的不确定性优化调度模型的基础上,结合不同置信度区间下的偏差系数作为机会约束,最终得到基于分位回归和信息间隙决策理论的不确定性优化调度模型。
6.根据权利要求5所述的一种基于分类概率建模和IGDT的有源配电网优化运行方法,其特征在于,所述的步骤32)中,基于信息间隙决策理论的不确定性优化调度模型的包括风险规避的鲁棒模型和风险偏好的机会模型。
10.根据权利要求1所述的一种基于分类概率建模和IGDT的有源配电网优化运行方法,其特征在于,所述的步骤4)中,采用萤火虫算法对基于分位回归和信息间隙决策理论的不确定性优化调度模型进行寻优。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110178405.4A CN112952808A (zh) | 2021-02-09 | 2021-02-09 | 一种基于分类概率建模和igdt的有源配电网优化运行方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110178405.4A CN112952808A (zh) | 2021-02-09 | 2021-02-09 | 一种基于分类概率建模和igdt的有源配电网优化运行方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112952808A true CN112952808A (zh) | 2021-06-11 |
Family
ID=76244774
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110178405.4A Pending CN112952808A (zh) | 2021-02-09 | 2021-02-09 | 一种基于分类概率建模和igdt的有源配电网优化运行方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112952808A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343167A (zh) * | 2021-08-02 | 2021-09-03 | 国网江西省电力有限公司电力科学研究院 | 一种多场景置信间隙决策风光储联合规划方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109950901A (zh) * | 2019-03-29 | 2019-06-28 | 上海电力学院 | 基于改进信息间隙决策理论的主动配电网优化运行方法 |
CN110135631A (zh) * | 2019-04-26 | 2019-08-16 | 燕山大学 | 基于信息间隙决策理论的电气综合能源***调度方法 |
CN110717688A (zh) * | 2019-10-16 | 2020-01-21 | 云南电网有限责任公司 | 考虑新能源出力不确定性的水风光短期联合优化调度方法 |
US20200313433A1 (en) * | 2018-06-06 | 2020-10-01 | Nanjing Institute Of Technology | Data-driven three-stage scheduling method for electricity, heat and gas networks based on wind electricity indeterminacy |
CN111815081A (zh) * | 2020-09-07 | 2020-10-23 | 华东交通大学 | 一种综合能源***多目标置信间隙决策鲁棒优化调度方法 |
-
2021
- 2021-02-09 CN CN202110178405.4A patent/CN112952808A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200313433A1 (en) * | 2018-06-06 | 2020-10-01 | Nanjing Institute Of Technology | Data-driven three-stage scheduling method for electricity, heat and gas networks based on wind electricity indeterminacy |
CN109950901A (zh) * | 2019-03-29 | 2019-06-28 | 上海电力学院 | 基于改进信息间隙决策理论的主动配电网优化运行方法 |
CN110135631A (zh) * | 2019-04-26 | 2019-08-16 | 燕山大学 | 基于信息间隙决策理论的电气综合能源***调度方法 |
CN110717688A (zh) * | 2019-10-16 | 2020-01-21 | 云南电网有限责任公司 | 考虑新能源出力不确定性的水风光短期联合优化调度方法 |
CN111815081A (zh) * | 2020-09-07 | 2020-10-23 | 华东交通大学 | 一种综合能源***多目标置信间隙决策鲁棒优化调度方法 |
Non-Patent Citations (1)
Title |
---|
彭春华 等: "基于分类概率机会约束IGDT的配网储能多目标优化配置", 《中国电机工程学报》, no. 09, pages 2809 - 2818 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343167A (zh) * | 2021-08-02 | 2021-09-03 | 国网江西省电力有限公司电力科学研究院 | 一种多场景置信间隙决策风光储联合规划方法 |
CN113343167B (zh) * | 2021-08-02 | 2021-12-31 | 国网江西省电力有限公司电力科学研究院 | 一种多场景置信间隙决策风光储联合规划方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | A novel bidirectional mechanism based on time series model for wind power forecasting | |
Kuznetsova et al. | Reinforcement learning for microgrid energy management | |
CN109478045A (zh) | 使用预测来控制目标*** | |
Tang et al. | Efficient scenario generation of multiple renewable power plants considering spatial and temporal correlations | |
WO2007014383A1 (en) | Load prediction based on-line and off-line training of neural networks | |
Liu | Mathematical programming formulations for single-machine scheduling problems while considering renewable energy uncertainty | |
Garcia-Santiago et al. | A random-key encoded harmony search approach for energy-efficient production scheduling with shared resources | |
Das et al. | A novel graphical lasso based approach towards segmentation analysis in energy game-theoretic frameworks | |
Zhang et al. | Two-stage reinforcement learning policy search for grid-interactive building control | |
Karaaslan et al. | Forecasting of Turkey’s sectoral energy demand by using fuzzy grey regression model | |
Ruan et al. | Estimating demand flexibility using Siamese LSTM neural networks | |
Das et al. | Approximate dynamic programming with policy-based exploration for microgrid dispatch under uncertainties | |
Ahmed et al. | Building load management clusters using reinforcement learning | |
Čurčić et al. | Gaining insights into dwelling characteristics using machine learning for policy making on nearly zero-energy buildings with the use of smart meter and weather data | |
Inteha et al. | A data driven approach for day ahead short term load forecasting | |
CN104376382B (zh) | 面向大规模多Agent***的非对称分布式约束优化算法及*** | |
Nguyen et al. | Acquisition of new technology information for maintenance and replacement policies | |
Sui et al. | Intelligent grey forecasting model based on periodic aggregation generating operator and its application in forecasting clean energy | |
CN111126707A (zh) | 能耗方程构建、能耗预测方法与装置 | |
CN112952808A (zh) | 一种基于分类概率建模和igdt的有源配电网优化运行方法 | |
Şişman | A comparison of ARIMA and grey models for electricity consumption demand forecasting: The case of Turkey | |
CN115840794B (zh) | 一种基于gis和rl模型的光伏***规划方法 | |
Al-Saffar et al. | Data-Efficient MADDPG Based on Self-Attention for IoT Energy Management Systems | |
Li et al. | Real-time decision making model for thermostatically controlled load aggregators by natural aggregation algorithm | |
Thomas | Prediction of Heat Demand for Building Energy Managers: An IoT and Control Perspective |
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 |