CN116050653A - 一种基于数据驱动的电力***闭环型预测-决策调度方法 - Google Patents
一种基于数据驱动的电力***闭环型预测-决策调度方法 Download PDFInfo
- Publication number
- CN116050653A CN116050653A CN202310160847.5A CN202310160847A CN116050653A CN 116050653 A CN116050653 A CN 116050653A CN 202310160847 A CN202310160847 A CN 202310160847A CN 116050653 A CN116050653 A CN 116050653A
- Authority
- CN
- China
- Prior art keywords
- renewable energy
- prediction
- decision
- unit combination
- economy
- 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 37
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000011156 evaluation Methods 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 33
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 5
- 238000010248 power generation Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000011144 upstream manufacturing Methods 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000036316 preload Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (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)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种基于数据驱动的电力***闭环型预测‑决策调度方法,包括如下步骤:在数据处理阶段,采用标准回归系数进行特征提取以确定最相关的特征类别,并基于Wasserstein距离为下一阶段选择训练样本;在训练阶段,基于确定的特征类别与训练样本构建以机组组合经济性为预测评价指标的ERM模型,并采用拉格朗日分解算法求解,得到以机组组合经济性为导向的可再生能源预测器;在预测‑决策阶段中,将可再生能源预测器嵌入至传统机组组合模型,得到可以同时进行可再生能源预测与机组组合决策的预测‑决策模型。本发明能够在预测阶段考虑预测值对机组组合经济性的影响,提供以机组组合经济性为导向预测值,进而提高机组组合的经济性。
Description
技术领域
本发明涉及电力***优化调度领域,更具体地,涉及一种基于数据驱动的电力***闭环型预测-决策调度方法。
背景技术
网络约束的机组组合(Network-constrained unit commitment,NCUC)问题已被认为是电力***运行和电力市场清算中最重要的应用之一。具体而言,NCUC通常由独立***运营商(ISO)执行日前电力市场出清,以最小的***运营成本确定最优机组组合、发电调度和备用计划。
通常,ISO在开环预测中执行NCUC,然后优化(O-PO)框架,如附图1中的(a)所示。在O-PO中,上游预测步骤基于传统统计度量(例如平均绝对误差)生成面向精度的预测(例如,关于可再生能源和负荷);然后将预测作为输入,在下游优化步骤中实现NCUC。然而,统计上更准确的预测不一定能够实现更经济的NCUC计划。实际中,NCUC经济性指的是实际***成本,包括日前NCUC计划和再调度问题中涉及的发电机的启动和停机成本,以及再调度问题的最终调度水平对应的发电机的实际发电成本,它可以在求解前一天日前NCUC(基于可再生能源预测)和重新再调度(基于给定的NCUC决策和可再生能源)问题后计算获取。
为了提高O-PO的NCUC经济性,一个新兴的技术是通过将下游优化的某些信息(例如,预测引起的成本)反馈给上游预测并通过引起的成本而不仅仅是统计预测精度来衡量预测质量,来生成面向成本的预测。如附图1中的(b)所示,该思想被称为闭环预测和优化(C-PO)。C-PO技术通过简单而有效的数据驱动方法,以在单一步骤中执行成本导向预测和优化,并增强了经济性。然而,考虑到数据驱动方法涉及复杂约束时可能导致不可行,改进的C-PO通过一种智能预测然后优化(SPO)框架来预测线性规划(LP)和混合整数线性规划(MILP)问题的目标系数。SPO框架的核心是SPO损失函数,它度量与预测相对应的最优目标与实际实现之间的差异。
最近,C-PO也被应用于电力***优化调度问题,然而,将C-PO扩展到基于MILP的NCUC可能会遇到挑战,尤其是对于大规模电力***。因此,本发明提出了一个具有三个模块的特征驱动C-PO框架,以提高NCUC的经济性。首先,数据处理模块执行特征和场景选择,以识别正确的特征类型和训练场景。然后给定特征和场景,面向成本的建模和训练模块基于SPO损失形成了经验风险最小化(ERM)问题,该问题通过基于拉格朗日松弛(LR)的分解来解决,以获得面向成本的可再生能源预测模型。最后,闭环预测和优化模块将训练的可再生能源预测模型和NCUC公式集成为特征驱动的NCUC处方模型,该模型共同执行面向成本的可再生能源功率预测和NCUC优化。
发明内容
本发明的目的是提供一种基于数据驱动的电力***闭环型预测-决策调度方法,能够在预测阶段考虑预测值对机组组合经济性的影响,提供以机组组合经济性为导向预测值,进而提高机组组合的经济性。
为了实现以上目的,本发明通过以下技术方案实现:
一种基于数据驱动的电力***闭环型预测-决策调度方法,包括如下步骤:
S1:在数据处理阶段,采用标准回归系数进行特征提取以确定最相关的特征类别,并基于Wasserstein距离为下一阶段选择训练样本;
S2:在训练阶段,基于确定的特征类别与训练样本构建以机组组合经济性为预测评价指标的ERM模型,并采用拉格朗日分解算法求解,得到以机组组合经济性为导向的可再生能源预测器;
S3:在预测-决策阶段中,将可再生能源预测器嵌入至传统机组组合模型,得到可以同时进行可再生能源预测与机组组合决策的预测-决策模型。
可选的,步骤S1采用标准回归系数进行特征提取以确定最相关的特征类别,具体包括:
通过以下步骤1、2量化可再生能源发电厂j上各个特征类型的重要性:
可选的,回归系数βt,j,0,...,βt,j,|N|通过最小二乘法计算:
可选的,步骤S1基于Wasserstein距离为下一阶段选择训练样本,具体包括:
将T个代表性场景的Wh'的中值对应的场景确定为未来调度日的训练场景。
可选的,Wasserstein距离Wh'的计算公式如下:
可选的,步骤S2基于给定的特征类别与训练样本构建以机组组合经济性为预测评价指标的ERM模型,具体包括:
上式中,下标s表示场景s下所对应的变量,x表示NCUC问题中二进制变量的M维向量;y表示连续变量的向量;c和d表示成本向量;A、B和F表示常数矩阵;g是除可再生能源功率限制之外的所有约束的右手边向量;Fy≤H*f表示可再生能源功率极限约束;λ||H||1是用于防止H过度拟合的1范数调节项,其中λ是超调参数。
可选的,步骤S2采用拉格朗日分解算法求解,得到以机组组合经济性为导向的可再生能源预测器,具体包括:
采用拉格朗日分解算法将ERM模型原始问题分解为|S|个不相交的子问题,每个子问题对应于一个训练场景,这些子问题并行求解;
采用基于次梯度的迭代算法计算ERM模型的全局最优解,得到以机组组合经济性为导向的可再生能源预测器。
可选的,步骤S3得到的可以同时进行可再生能源预测与机组组合决策的预测-决策模型,具体如下:
其中,x表示NCUC问题中二进制变量的M维向量;y表示连续变量的向量;c和d表示成本向量;A、B和F表示常数矩阵;g是除可再生能源功率限制之外的所有约束的右手边向量;Fy≤H*f表示可再生能源功率极限。
与现有技术相比,本发明具有如下优点:
1)本发明提出了一种新的特征驱动C-PO框架,用于提高NCUC经济性。通过利用特征数据、NCUC结构(约束和目标)和诱导的NCUC成本,C-PO可以提供面向成本的可再生能源功率预测,以提高NCUC经济性。
2)应用定制的基于拉格朗日分解方法可以有效地解决基于MILP的C-PO模型。
附图说明
为了更清楚地说明本发明的技术方案,下面将对描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一个实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图:
图1为本发明提供的不同预测-后优化框架说明;
图2为本发明提供的实现NCUC特征驱动闭环预测和优化流程图;
图3为本发明提供的基于滚动的每日NCUC的C-PO实施过程。
具体实施方式
以下结合附图和具体实施方式对本发明提出的方案作进一步详细说明。根据下面说明,本发明的优点和特征将更清楚。需要说明的是,附图采用非常简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施方式的目的。为了使本发明的目的、特征和优点能够更加明显易懂,请参阅附图。须知,本说明书所附图式所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容能涵盖的范围内。
传统的电力***调度采用开环型预测-决策中,上游的预测器先为电力***提供可再生能源预测值,下游的机组组合(Unit Commitment,UC)进一步基于该预测值进行优化。然而,开环型预测-决策调度以统计精度为导向的进行预测,未考虑下游的具体优化场景,因此无法保证机组组合的经济性。针对这一问题,本发明提出一种基于数据驱动的电力***闭环型预测-决策调度方法,能够在预测阶段考虑预测值对机组组合经济性的影响,以机组组合经济性为导向预测值,进而提高机组组合的经济性。该方法由数据处理阶段、训练阶段、预测-决策阶段依次组成。在数据处理阶段中,采用标准回归系数进行特征提取,并基于Wasserstein距离为下一阶段选择训练样本。在训练阶段中,基于给定的特征类别与训练样本构建以机组组合经济性为预测评价指标的经验风险最小化(Empirical riskminimization,ERM)模型,并采用拉格朗日分解算法求解,最终得到以机组组合经济性为导向的可再生能源预测器。在预测-决策阶段中,将预测器嵌入至传统机组组合模型,得到可以同时进行可再生能源预测与机组组合决策的预测-决策模型。
如图2示,本发明提供的一种基于数据驱动的电力***闭环型预测-决策调度方法,具体包括步骤如下:
步骤S1:在数据处理阶段中,采用标准回归系数进行特征提取,并基于Wasserstein距离为下一阶段选择训练样本。
预测模型将通过历史数据进行训练。具体而言,单个历史场景h的数据包括与实际可再生能源功率完美对应的NCUC成本(即,用求解传统机组组合模型)和包含|N|个特征类型的特征向量f。潜在的特征类型可能包括日前负荷预测和可再生能源预测,这些预测可在日前阶段提供给ISO。数据处理模块执行特征选择和训练场景选择,以识别每个可再生能源发电厂j的相关特征类型和代表性历史场景。
1)特征选择:通常,在实际中可以采用各种特征类型(例如,区域负荷和可再生能源的原始预测)。如果使用太少的特征类型来训练预测模型,则该模型在训练和实际预测过程(即欠拟合)中都可能表现不佳;另一方面,如果使用过多的特征类型进行训练,则模型可能含有许多参数,并且变得过于复杂,从而无法在实际的预测过程中易于实施(即过拟合)。因此,利用特征选择来确定预测模型的相关特征类型的适当集合,从而可以得到准确且易于实施的预测模型,同时避免潜在的欠拟合和过拟合问题。
具体通过以下步骤量化可再生能源发电厂j上各个特征类型的重要性:
其中,J表示可再生能源电厂集合,N表示特征类型集合,T表示调度周期集合;
在各种特征选择方法中,SRC被广泛认为是识别特征类型之间关系的简单且有效的方法。在本发明中,利用其可解释性来量化基于大量历史场景的单个特征类型对可再生能源输出功率的相关性,确保所识别的特征类型是合理和可解释的。
2)训练场景的选择:选择相关特征后,应识别最新NH历史日中的NT个代表性历史场景,以有效地训练未来调度日的预测模型。
采用可再生能源预测功率与实际可再生能源功率之间的Wasserstein距离Wh'来定量评估最新历史场景h′的极值。和分别为和的经验累积分布函数,表示最新历史场景h′下可再生能源预测出力,表示最新历史场景h′下可再生能源实际出力。然后,将T个代表性场景的Wh'的中值对应的场景确定为未来调度日的训练场景。
步骤S2:训练阶段中,基于给定的特征类别与训练样本构建以机组组合经济性为预测评价指标的ERM模型,并采用拉格朗日分解算法求解,最终得到以机组组合经济性为导向的可再生能源预测器。
闭环框架的核心思想是训练面向成本的可再生能源功率预测模型,该模型适合NCUC。从数据处理模块中识别的适当特征类型和代表性场景,构造基于SPO损失的面向成本的ERM问题用于训练面向成本的可再生能源预测模型。
1)面向成本的ERM问题建模:首先定义了SPO损失,用于量化由于可再生能源预测信息不完善导致的***运营成本损失。
上式中,下标s表示场景s下所对应的变量,S表示场景s组成的集合,x表示NCUC问题中二进制变量的M维向量;y表示连续变量的向量;c和d表示成本向量;A、B和F表示常数矩阵;g是除可再生能源功率限制之外的所有约束的右手边向量;Fy≤H*f表示可再生能源功率极限约束。
λ||H||1是用于防止H过度拟合的1范数调节项,其中λ是超调参数。调节项λ||H||1可以等效地转换为线性公式,将上式作为机组组合的MILP问题。求解该式本质上是训练过程,它导出了训练的面向成本的预测模型H*。
从机器学习的角度来看,ERM可以被视为一个线性回归问题,它从特征数据fs到NCUC的面向成本的可再生能源功率预测搜索最佳线性映射H*。
2)成本导向的ERM问题求解:基于LR的分解被应用于有效地求解ERM,为NCUC训练面向成本的可再生能源预测模型H*。
①LR分解:LR分解可将某些耦合约束对偶化,并将原始问题分解为|S|个不相交的子问题,这些子问题可以并行求解。随后,将原始ERM分解为|S|个子问题,如下式所示,其中μs,e是Hs元素e的拉格朗日乘子,s’指的是场景集合S的索引。
每个子问题对应于一个训练场景。为此,本专利可以像上述式子那样并行处理|S|个场景问题,而不是直接解决ERM。
②基于次梯度的迭代算法:为了得到原始ERM的全局最优解,应确定us,e的适当值。因此,采用次梯度算法通过下式来迭代更新us,e,直到最优间隙足够小。αc是标量步长,其中ω是在0和2之间选择的常数标量。
下表1中描述了基于次梯度的方法的详细过程。
表1
步骤S3:预测-决策阶段中,将可再生能源预测器嵌入至传统机组组合模型,得到可以同时进行可再生能源预测与机组组合决策的预测-决策模型。
通过将训练的面向成本的可再生能源功率预测模型H*嵌入到原始NCUC模型中来制定特征驱动的NCUC处方模型。
其中x表示NCUC问题中二进制变量的M维向量;y表示连续变量的向量;c和d表示成本向量;A、B和F表示常数矩阵;g是除可再生能源功率限制之外的所有约束的右手边向量;Fy≤H*f表示可再生能源功率极限约束。
附图3出了每日NCUC问题的基于滚动的C-PO实施方案。具体而言,为了平衡NCUC处方模型的计算负担和解的质量,每7天进行一次重新训练,每周更新。
以第一个H*为例,该H*对应于7个未来调度日d1,1,...,d1,7和NH最近的历史日h1,1,...,h1,NH。在d1,1之前,在第h1,1,...,h1,NH天中选择NT个训练场景,以形成ERM问题。在求解ERM问题以获得第一个训练H*之后,可以构建第一个NCUC处方模型以求解第d1,1,...,d1,7周的NCUC任务。随着时间的推移,重复上述过程以训练第二个H*并形成第二个NCUC处方模型,该模型对应于第7天的每日NCUC任务d2,1,...,d2,7。NT被统一设置为2,以获得ERM的适当大小。
本发明采用IEEE-24节点***来评估C-PO的NCUC经济提高以及基于LR的分解在求解C-PO的ERM问题中的有效性。比利时ISO的实际数据经过适当缩放,以构建可再生能源、负荷和特征数据,用于案例分析。比利时ISO运营着一个2区输电网,包括11个省(负荷母线)、11个太阳能发电厂(SPF)、4个陆上风电场(WPF)和1个海上WPF。基于各SPF和WPF的预测,还计算了各地区SPF和WP的预测综合。因此,本发明有22种特征类型,包括16个独立发电厂和4个区域发电厂集合的小时标签、比利时负荷预测和原始预测(即面向精度的预测),这些特征在日前阶段很容易获得。ISO通常通过采用原始可再生能源预测(即O-PO)求解传统机组组合模型来执行NCUC。
在数据集中,2018年和2019年的数据用于特征选择,2020年的数据被用于评估C-PO框架。特征选择步骤将原始可再生能源预测识别为最相关的特征类型f。由此,预测模型H*描述了调整单个可再生能源发电厂的原始预测f以导出面向成本的可再生能源功率预测H*f的无单位权重。
2020年,通过366次每日NCUC运行对O-PO和C-PO进行了比较。切负荷Cls的惩罚成本设定为105$/MWh。
C-PO和O-PO的成本比较:下表2比较了C-PO与O-PO全年的平均成本。C-PO的NCUCSUSD成本和***期望成本均高于O-PO(22052美元对21919美元,285530美元对268090美元),这意味着C-PO更倾向于采用更保守的NCUC策略,即投入更多常规发电机组。也就是说,与O-PO相比,C-PO使用更多的常发电机组来支持负荷,一些运行状态发电机组可能无法充分或经济地使用,导致发电成本更高(273530美元对269760美元)。然而,C-PO在再调度SUSD成本(13828美元对23911美元)和实际***成本(309410美元对315590美元)方面优于O-PO。这是因为C-PO的保守NCUC策略具有足够的灵活性,可用于调度调整,从而避免大量使用未在NCUC中组合的发电机的非旋转备用,从而提高NCUC的经济性。
C-PO和O-PO的预测误差比较:下表3比较了C-PO与O-PO的预测误差。除平均绝对误差(MAE)和RMSE外,还给出了平均预测过度百分比误差(MOPE)和平均预测不足百分比误差(MUPE),计算公式如下式:
对两个选择性调度日的分析:下表4给出了C-PO和O-PO在2020年6月22日和2020年12月29日两个选择性的调度日的结果。具体而言,2020年6日22日,C-PO以更好的预测精度实现了更好的NCUC经济性(从MAE的角度);而在2020年12月29日,C-PO以更差的预测精度达到了更好的NCUC经济性。下表4进一步表明,与O-PO相比,具有定制预测的C-PO得出了具有更低SUSD成本(21000美元对22500美元)的NCUC策略。此外,C-PO中的NCUC策略可降低在调度问题中的SUSD成本(10500美元对28500美元)和发电成本(269270美元对271080美元)。这主要是因为C-PO在再调度问题中调动备用比O-PO少。因此,C-PO具有定制的面向成本的可再生能源预测,实现了更高的预测精度和更低的实际***成本(300770美元对322080美元)。
表2
表3
表4
基于对24节点***的上述分析,可以得出以下结论:
(1)O-PO中统计上更准确的可再生能源功率预测不一定会导致更低的实际***成本;
(2)在NCUC经济性方面,提出的C-PO优于基准O-PO;
(3)优异表现源于对NCUC的定制的面向成本的可再生能源功率预测的思想,这是通过C-PO中闭环结构实现的。
与传统的开环型电力***调度方法相比,本发明的有益效果是:
1)本发明提出了一种新的特征驱动C-PO框架,用于提高NCUC经济性。通过利用特征数据、NCUC结构(约束和目标)和诱导的NCUC成本,C-PO可以提供面向成本的可再生能源功率预测,以提高NCUC经济性。
2)应用定制的基于拉格朗日分解方法可以有效地解决基于MILP的C-PO模型。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (8)
1.一种基于数据驱动的电力***闭环型预测-决策调度方法,其特征在于,包括如下步骤:
S1:在数据处理阶段,采用标准回归系数进行特征提取以确定最相关的特征类别,并基于Wasserstein距离为下一阶段选择训练样本;
S2:在训练阶段,基于确定的特征类别与训练样本构建以机组组合经济性为预测评价指标的ERM模型,并采用拉格朗日分解算法求解,得到以机组组合经济性为导向的可再生能源预测器;
S3:在预测-决策阶段中,将可再生能源预测器嵌入至传统机组组合模型,得到可以同时进行可再生能源预测与机组组合决策的预测-决策模型。
2.如权利要求1所述的基于数据驱动的电力***闭环型预测-决策调度方法,其特征在于,步骤S1采用标准回归系数进行特征提取以确定最相关的特征类别,具体包括:
通过以下步骤1、2量化可再生能源发电厂j上各个特征类型的重要性:
6.如权利要求1所述的基于数据驱动的电力***闭环型预测-决策调度方法,其特征在于,步骤S2基于给定的特征类别与训练样本构建以机组组合经济性为预测评价指标的ERM模型,具体包括:
上式中,下标s表示场景s下所对应的变量,x表示NCUC问题中二进制变量的M维向量;y表示连续变量的向量;c和d表示成本向量;A、B和F表示常数矩阵;g是除可再生能源功率限制之外的所有约束的右手边向量;Fy≤H*f表示可再生能源功率极限约束;λ||H||1是用于防止H过度拟合的1范数调节项,其中λ是超调参数。
7.如权利要求1所述的基于数据驱动的电力***闭环型预测-决策调度方法,其特征在于,步骤S2采用拉格朗日分解算法求解,得到以机组组合经济性为导向的可再生能源预测器,具体包括:
采用拉格朗日分解算法将ERM模型原始问题分解为|S|个不相交的子问题,每个子问题对应于一个训练场景,这些子问题并行求解;
采用基于次梯度的迭代算法计算ERM模型的全局最优解,得到以机组组合经济性为导向的可再生能源预测器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310160847.5A CN116050653A (zh) | 2023-02-23 | 2023-02-23 | 一种基于数据驱动的电力***闭环型预测-决策调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310160847.5A CN116050653A (zh) | 2023-02-23 | 2023-02-23 | 一种基于数据驱动的电力***闭环型预测-决策调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116050653A true CN116050653A (zh) | 2023-05-02 |
Family
ID=86120130
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310160847.5A Pending CN116050653A (zh) | 2023-02-23 | 2023-02-23 | 一种基于数据驱动的电力***闭环型预测-决策调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116050653A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117674123A (zh) * | 2023-12-07 | 2024-03-08 | 上海交通大学 | 考虑电力***运行成本的风电短期功率预测方法 |
-
2023
- 2023-02-23 CN CN202310160847.5A patent/CN116050653A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117674123A (zh) * | 2023-12-07 | 2024-03-08 | 上海交通大学 | 考虑电力***运行成本的风电短期功率预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fan et al. | Assessment of deep recurrent neural network-based strategies for short-term building energy predictions | |
Marín et al. | Prediction interval methodology based on fuzzy numbers and its extension to fuzzy systems and neural networks | |
Alamaniotis et al. | Evolutionary multiobjective optimization of kernel-based very-short-term load forecasting | |
EP1907996A1 (en) | Load prediction based on-line and off-line training of neural networks | |
Von Krannichfeldt et al. | Online ensemble approach for probabilistic wind power forecasting | |
Alamaniotis et al. | Monthly load forecasting using kernel based gaussian process regression | |
Liu et al. | Modelling, analysis and improvement of an integrated chance-constrained model for level of repair analysis and spare parts supply control | |
CN112085285A (zh) | 母线负荷预测方法、装置、计算机设备和存储介质 | |
CN116050653A (zh) | 一种基于数据驱动的电力***闭环型预测-决策调度方法 | |
Eren et al. | A comprehensive review on deep learning approaches for short-term load forecasting | |
Huo et al. | Integrating learning and explicit model predictive control for unit commitment in microgrids | |
CN116014722A (zh) | 基于季节分解和卷积网络的次日光伏发电预测方法及*** | |
Liu et al. | Forecasting the scheduling issues in engineering project management: Applications of deep learning models | |
Sen | Time series prediction based on improved deep learning | |
Hosseini et al. | Data-driven multi-resolution probabilistic energy and reserve bidding of wind power | |
Chen et al. | Regional wind-photovoltaic combined power generation forecasting based on a novel multi-task learning framework and TPA-LSTM | |
Hertel et al. | Evaluation of transformer architectures for electrical load time-series forecasting | |
CN117494906A (zh) | 一种基于多元时间序列的天然气日负荷预测方法 | |
Phan et al. | Application of a new Transformer-based model and XGBoost to improve one-day-ahead solar power forecasts | |
Wu et al. | Physics-informed ai surrogates for day-ahead wind power probabilistic forecasting with incomplete data for smart grid in smart cities | |
Sergeev et al. | Improving accuracy of machine learning based short-term load forecasting models with correlation analysis and feature engineering | |
Rosato et al. | A Combined Deep Learning Approach for Time Series Prediction in Energy Environments | |
Emamian et al. | Solar power forecasting with LSTM network ensemble | |
CN115115276A (zh) | 考虑不确定性和隐私保护的虚拟电厂调度方法及*** | |
Suhartono et al. | Hybrid Machine Learning for Forecasting and Monitoring Air Pollution in Surabaya |
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 |