一种基于时序预测的虚拟电厂调度优化方法

技术领域

本发明属于虚拟电厂能源技术领域，具体为一种基于时序预测的虚拟电厂调度优化方法。

背景技术

虚拟电厂构想的核心是集结分散在不同地理位置的能源，如可调负荷、分布式能源、储能、电动汽车等，以实现优化的自主调度控制。它不仅能为电网提供正向电力调峰，还能负向增加负荷，以配合电网填谷。这种模式基于三大类资源：可调节负荷、分布式能源和储能。这些能源经常相互交织，其中分布式能源特指位于或靠近用户地点的发电机组，旨在满足各种用户需求，支持现有配电网，或二者兼而有之。这些机组主要包括微型燃机轮机、光伏、风机、生物质能以及电动汽车等。然而，虚拟电厂的复杂性和光伏/风机的极大波动性使其难以进行精确的数学建模，发电量的非线性随机变化特性和系统内部的固有复杂性，增加了建模的难度。因此，要构建一个经济且实用的虚拟电厂调度模型，解决这些问题至关重要。此外，模型的指标不应仅限于经济成本，电能质量、运行风险等都应纳入考虑，从而形成一个多维度的目标经济模型，更符合实际工程需求。

发明内容

本发明所要解决的技术问题在于提供一种基于时序预测的虚拟电厂调度优化方法，解决拟电厂的复杂性和光伏/风机的极大波动性使其难以进行精确的数学建模，发电量的非线性随机变化特性和系统内部的固有复杂性，增加建模困难的问题。

本发明是这样实现的，

一种基于时序预测的虚拟电厂调度优化方法，该方法包括：

S1、采用Informer时间序列预测模型对某区域未来时间段的光伏/风机发电量和用户端电力负荷进行预测；

S2、构建虚拟电厂调度模型，设定目标函数和约束条件，在满足目标函数和约束条件下，通过虚拟电厂调度模型根据步骤S1预测来时间段的光伏/风机发电量和用户端电力负荷，制定未来时间段相应的调度优化方案。

进一步地，在步骤S1中，还包括数据收集整理以及数据处理，具体包括：

所述数据收集整理包括待预测区域的某年份的光伏/风机发电量数据和用户电力负荷作为预测数据集；

所述数据处理包括：采用皮尔逊相关系数法对数据集的数据特征进行计算和筛选，将皮尔逊相关系数的绝对值超过0.6，作为预测电力负荷的特征；

所述数据特征包括气象类型和日类型，按照气象类型将天气分类为晴天、雨天和阴天，并根据温度、湿度和辐照度进一步区分晴天和阴天；按照日类型分为工作日、双休日和节假日。

进一步地，所述虚拟电厂调度模型包括分布式能源机组，所述分布式能源机组包括光伏阵列、涡轮风机、储能电池、电动汽车以及微型燃气轮机；

虚拟电厂调度模型的目标函数是平衡经济成本目标和电能质量目标；

虚拟电厂调度模型的约束条件包括：储蓄装置能源的限制约束、风机和光伏的输出限制约束、燃气轮机机组出力上下限和爬坡率、电动汽车工况。

进一步地，所述目标函数具体包括：

经济成本目标：

包括运行周期成本、环境治理成本、可再生能源弃置成本，转化为经济性目标进行处理，目标函数为

min(C+EC+CC)

其中，C为虚拟电厂运行成本；EC是虚拟电厂的污染气体治理成本；CC是可再生能源的弃置成本，

其中

环境治理成本EC：

其中，K

污染气体治理成本为

其中λ

以最大化利用风，光可再生能源发电为目标，计算可再生能源的弃置成本：

其中P

其中

电能质量目标：

可削减负荷对用户满意度的影响为

其中S为用户满意度；μ为影响因子；T

进一步地，所述制定未来时间段相应的调度优化方案，包括：

将气象类型和日历类型的数据特征进行线性组合，得到一个综合性日期分类体系，所述综合性日期分类体系包括“晴天工作日”、“晴天节假日”、“晴天双休日”、“雨天工作日”、“雨天节假日”、“雨天双休日”、“阴天工作日”、“阴天节假日”以及“阴天双休日”，对用于调度的某时间段中的每一天按照综合性日期分类体系进行分类处理；

对某区域未来时间段中每天按照综合性日期分类体系进行分类处理，结合分类处理后的数据，根据待预测区域的某年份的光伏/风机发电量数据和用户电力负荷作为预测数据集，采用Informer时间序列预测模型对某区域未来时间段的光伏/风机发电量和用户端电力负荷进行预测后，得到九种日期类型下的电动汽车的最佳充电策略；

基于粒子群优化算法，对九种日期类型下的充电策略进行优化，确保找到最佳的调度策略，并满足目标函数和约束条件。

进一步地，所述最佳的调度策略首选光伏阵列和涡轮风机进行发电，当发电量超出需求量时，多余的电量被电动汽车所吸收；反之，当发电量不足以满足需求时，微型燃气轮机将补充所需电量，而储能电池则在系统启动时或其他关键时刻，提供平滑过渡。

进一步地，所述最佳的调度策略中包括：根据对光伏/风机发电量和用户电力负荷的预测，虚拟电厂调度模模型提前识别出哪些时段的发电量超过用电需求时，根据超出量对电价进行调整，并预先告知电动汽车车主。

本发明与现有技术相比，有益效果在于：

本发明采用的Informer时序模型是专门为长时间序列预测任务设计的，针对电力系统来说可以更有效的规划和调度发电资源，为运营商提供更有前瞻性的调度策略，准确的预测未来一个月或者一个季度的电力供需投资。此外长期预测有助于评估设备的使用寿命和更换时间，避免过早或过晚更换，从而节约成本并保持设备效率。通过将天气类型和日历类型的数据特征进行线性组合，得到一个综合性日期分类体系，通过这种具体的日期特征分类不仅能提高训练模型的效果，也为接下来的调度提供了极大便利。它为调度方案带来更加精细化的见解，并为虚拟电厂调度优化的提高提供了理论支持。

附图说明

图1为本发明实施例提供的方法的整体流程图；

图2为本发明实施例提供的方法中虚拟电厂调度框架图；

图3为本发明实施例提供的方法中一种虚拟电厂调度策略。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

参见图1所示，如图1所示，是本发明的工作流程图，包括如下步骤：

S1、采用Informer时间序列预测模型对某区域未来时间段的光伏/风机发电量和用户端电力负荷进行预测；

S2、构建虚拟电厂调度模型，设定目标函数和约束条件，在满足目标函数和约束条件下，通过虚拟电厂调度模型根据步骤S1预测来时间段的光伏/风机发电量和用户端电力负荷，制定未来时间段相应的调度优化方案。

在步骤S1中，还包括数据收集整理以及数据处理，具体包括：

所述数据收集整理包括待预测区域的某年份的光伏/风机发电量数据和用户电力负荷作为预测数据集；随后，对这些原始数据进行分析和整理，如处理缺失值、异常值，以及进行必要的格式转换，确保数据质量。这样整理得到的高质量数据集将为后续的时间序列预测提供坚实的基础。

所述数据处理包括：采用皮尔逊相关系数法对数据集的数据特征进行计算和筛选，将皮尔逊相关系数的绝对值超过0.6，作为预测电力负荷的特征；

为了准确捕捉这些关系并简化模型的复杂度，采用皮尔逊相关法对光伏/风机发电量进行相关性分析，皮尔逊系数越接近1和-1，说明其相关性越强，越接近0说明其相关性越弱，以电力负荷为例，其具体的函数表达式如下所示：

其中x

以中国南方某园区电力负荷数据为例，数据收集时一共统计了11个与电力负荷相关的特征，利用皮尔逊相关系数法对数据进行处理后，如表1所示：

表1

由此可知，冷却水吨数、水汽含量、冷却水/电灯数量、温度和温室气体与电力负荷具有较强相关性，即皮尔逊相关系数的绝对值超过0.6，作为预测电力负荷的特征。筛选后如表2所示：

表2

所述数据特征包括气象类型和日类型，按照气象类型将天气分类为晴天、雨天和阴天，并根据温度、湿度和辐照度进一步区分晴天和阴天；按照日类型分为工作日、双休日和节假日。

具体来说，降雨量、辐照度和气温等都与发电量有直接关系，因此，首先根据降雨量将天气分类为雨天，接着根据温度、湿度和辐照度进一步区分晴天和阴天。为保证Informer时间序列预测模型的简洁性，将晴天、雨天和阴天分别标记为A、B和C，并作为一个新的特征引入模型。同样地，预测用户电力负荷时，日期中的日类型也是一个关键因素。工作日、双休日和节假日的电力消耗模式往往有所不同，为了更准确地反映这种差异，将日类型也进行分类，选择一个季度内的所有节假日，然后再区分工作日和双休日。为了方便，将工作日、双休日和节假日分别标记为1、2和3，并将它们作为一个独立特征纳入模型，进一步增强模型的预测能力。

本发明的预测模型选择Informer时间序列预测模型，Informer时间序列预测模型具有独特的Probspare自注意力机制和并行处理文本的能力，所以Informer时间序列预测模型在处理中长期时间序列任务中表现出色。Informer时间序列预测模型在模型设置中，采用以小时为时间单位，将一天划分为24个时间节点，进行为期一个季度的连续预测。这种中长期的预测方法为虚拟电厂提供了充足的时间进行策略调整和准备，从而更有可能实现优化电力供应和需求平衡。

其中步骤S2中，构建虚拟电厂调度模型，设定相应的目标函数和约束条件：虚拟电厂调度模型包括分布式能源机组，分布式能源机组涵盖了光伏阵列、涡轮风机、储能电池、电动汽车、微型燃气轮机，虚拟电厂调度模型框架图如图2所示，具体应用时，虚拟电厂调度模型嵌入到虚拟电厂调度模型控制中心：其中发电预测指将光伏/风机的发电量预测数据汇总至虚拟电厂调度模型，从而进行集中调度。负荷预测是指将园区用户的电力负荷数据传递至虚拟电厂调度模型，以确保电力供需平衡。功率平滑过度是指当系统初期阶段，供电单元不稳定，依靠储能电池帮助系统平滑过度至稳定状态。功率交互是指和配电网之间的电力交易。充放电价引导是指虚拟电厂调度模型有调整电动汽车的充电电价的能力，旨在引导车主合理安排充电时间，达到优化供需的目的。充放电计划是指虚拟电厂根据预测数据对电车车主提供经济的充电时间计划，确保电力资源的最大化利用。

虚拟电厂调度模型的核心目标是平衡经济成本和电能质量，以满足工业应用的严格要求。这意味着在确保供电稳定、可靠的同时，还要追求成本的最优化。经济成本的降低可以通过优化发电、储能和负荷管理等策略实现，而电能质量的提高是确保工业生产顺畅、设备正常运行的关键。因此，调度模型必须细致考虑各种因素，如发电机组的输出、储能设备的状态、负荷的变化等，以达到这两大目标的平衡和协同。

经济成本目标：

虚拟电厂中的经济成本分为运行周期成本、环境治理成本、可再生能源弃置成本，这三者都可以通过转化为经济性目标进行处理。其目标函数为

min(C+EC+CC)

其中C为虚拟电厂运行成本；EC是虚拟电厂的污染气体治理成本；CC是可再生能源的弃置成本。

其中

环境治理成本EC主要考虑系统内各种机组所产生的污染气体对环境的影响，通常有二氧化碳、二氧化硫、一氧化碳、氮氧化物等

其中K

污染气体治理成本为

其中λ

以最大化利用风，光可再生能源发电为目标，减少弃风、弃光

其中P

其中

电能质量目标：

电能质量可以定义为用电设备达到正常工况的时间与其总用电时间的百分比。

定义可削减负荷对用户满意度的影响为

其中S为用户满意度；μ为影响因子；T

虚拟电厂调度模型的约束条件包括：分布式发电单元功率约束、可控单元的爬坡率约束和储能系统的功率和能力约束。

分布式发电单元的功率约束满足：

P

对于可控单元还应该满足爬坡率约束：

其中，P

储能系统的功率和能量约束条件为：

SOC

其中，

SOC

其中，η

U

其中，U

制定未来时间段相应的调度优化方案，包括：

通过将天气类型和日类型的特征进行线性组合，构建了多种独特的调度策略，采用了全局优化算法分别进对其进行优化，包括：根据气象类型将日期细分为晴天、雨天和阴天三类。同时，基于日历类型，再将日期分类为工作日、节假日和双休日。通过对这两种特征进行线性组合，得到一个综合性日期分类体系。即为“晴天工作日”“晴天节假日”“晴天双休日”“雨天工作日”“雨天节假日”“雨天双休日”“阴天工作日”“阴天节假日”“阴天双休日”，对用于调度的某时间段中的每一天按照综合性日期分类体系进行分类处理；

对某区域未来时间段中每天按照综合性日期分类体系进行分类处理，结合分类处理后的数据，根据待预测区域的某年份的光伏/风机发电量数据和用户电力负荷作为预测数据集，采用Informer时间序列预测模型对某区域未来时间段的光伏/风机发电量和用户端电力负荷进行预测后，得到九种日期类型下的电动汽车的最佳充电策略。

对用于调度的一个季度中的每一天都进行了精细的分类处理。结合具体的日期特性，为每一天制定了相应的调度策略，确保虚拟电厂在不同的天气和日期条件下都能够实现最优的运行和调度。这种综合利用气象和日历信息的方法，不仅提高了调度的准确性，还为虚拟电厂的运营带来了更大的经济效益。

在此基础上，对用于调度的一个季度内的每一天都进行分类处理。结合具体的日期特性，制定每一天相应的调度策略，确保虚拟电厂调度模型在不同的天气和日期条件下都能够实现最优的运行和调度。

为满足环保需求与经济效益，本发明制定的调度策略由光伏阵列和涡轮风机作为主导的发电单元，考虑到储能电池运维成本较高，选用电动汽车作为主要的电能吸收装置，而在电量供应不足的时候，微型燃气轮机将提供稳定的电能输出，为了确保系统的稳定运行和平滑过渡，储能电池的荷电状态被限定在50％到60％的范围内，从而大大降低了系统的运维成本。即整个系统的调度策略是：首选光伏阵列和涡轮风机进行发电，当发电量超出需求量时，多余的电量被电动汽车所吸收；反之，当发电量不足以满足需求时，微型燃气轮机将补充所需电量。而储能电池则主要在系统启动时或其他关键时刻，提供必要的平滑过渡。一实施例的具体的调度框架图如图3所示：

电动汽车作为单个实体时，其充电行为具有很大的灵活性和多变性。但当它们聚集为一个集群时，其充电负荷表现出较为固定的规律性。虚拟电厂能够通过调整充电电价来影响和控制这个集群的充电行为。依据步骤S1中对光伏/风机发电量和用户电力负荷的预测，虚拟电厂可以提前识别出哪些时段的发电量可能超过用电需求，并据此预先告知电车车主在这些时段充电会更加经济高效。此外，不论是光伏/风机的发电还是用户的电力消费，它们都呈现出明显的周期性。在相同的天气和日类型条件下，这些周期性表现为稳定的电量产出和消费趋势。因此，利用步骤S31和S32中得到的综合性日期分类体系，深入探讨这九种日期类型下的充电策略，其中不同的策略主要影响电车车主的最佳充电时机选择。

最后基于粒子群优化算法，对九种日期类型下的充电策略进行优化，确保找到最佳的调度策略，并满足目标函数和约束条件。

基于粒子群优化算法，针对这九种不同的调度策略进行了深入的优化和调整。这种全局搜索算法能够确保找到最佳或接近最佳的解决方案，从而满足步骤S2中设定的调度模型的目标函数和约束条件。粒子群优化算法的灵活性和高效性使其在多目标优化问题中表现出色，特别是在处理复杂的非线性约束时。在虚拟电厂的调度策略优化过程中，算法能够在多个解决方案中找到最合适的，确保既满足经济性目标，又不违反系统的运行约束。通过这种方法，虚拟电厂能够在众多的调度策略中选择出最优策略，确保在保障电力供应稳定性的同时，达到最低的运行成本和最高的电能使用效率。

本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想，同时，对于本领域的一般，依据本发明的思想，在具体实施方式及应用上均会有改变之处。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。