一种新能源接入的电网管理方法
文献发布时间:2024-04-18 19:59:31
技术领域
本发明涉及电网管理技术领域,具体涉及一种新能源接入的电网管理方法。
背景技术
在“双碳”背景下,能源低碳转型的要求亟待加强,能源结构已由煤炭转变为油气、由化石能源转变为非化石能源,优化和调整能源结构已成为大势所趋。随着电力负荷并入电网的数目增加,用户对电能质量也提出了更高的要求。伴随分布式发电设备不断并入电网,分布式发电设备波动性和随机性等特点同样会降低系统运行的安全性和稳定性,供电需求的多样化难以满足。为提高可再生能源的利用率、提高供电可靠性以及解决偏远地区供电困难的问题,提出了微电网的概念。微电网是指包含分布式电源、储能、负荷、能量转换装置和监控、保护等装置的小型发配电系统。在现有技术中,大多只是考虑发电侧对微电网的运行进行调节,没有考虑需求侧的用电情况,从而导致微电网的调度存在不准确以及不及时的问题,造成了一定资源的浪费。
发明内容
本发明的目的在于提供一种新能源接入的电网管理方法,解决了现有技术中微电网调度管理中存在的问题。
本发明通过下述技术方案实现:
一种新能源接入的电网管理方法,应用至微电网聚合模型之中,所述微电网聚合模型包括多个微电网以及与所有微电网相互连接的共享储能电站,每个微电网均包括新能源发电站、燃气轮机发电站以及燃料电池发电站,包括:
采集目标区域的历史用电影响因素以及历史用电电量,并根据所述历史用电影响因素以及历史用电电量构建第一训练数据;
采用深度学习算法构建用电电量预测模型,根据第一训练数据,并采用多层级追踪算法对用电电量预测模型进行训练,以获取具备用电电量预测能力的用电电量预测模型;
获取目标区域在待预测时间段的目标用电影响因素,并采用具备用电电量预测能力的用电电量预测模型对目标用电影响因素进行识别,获取目标区域的预测用电电量;
采集目标区域所在微电网中新能源发电站在目标时间段内的历史发电量序列,并采集目标时间段的下一个时间段内的历史发电总量,采用历史发电量序列以及历史发电总量构建第二训练数据;
构建新能源发电站对应的新能源发电预测模型,根据第二训练数据,并采用多层级追踪算法对新能源发电预测模型进行训练,以获取具备新能源发电量预测的新能源发电预测模型;
以具备新能源发电量预测的新能源发电预测模型为基础,对目标区域所在微电网中新能源发电站在待预测时间的预测发电量;
根据目标区域的预测用电电量以及目标区域所在微电网中新能源发电站在待预测时间段的预测发电量为限制,构建新能源发电站、燃气轮机发电站、燃料电池发电站以及共享储能站的出力编码;
构建目标区域所在微电网的运行成本函数,并根据该运行成本函数获取出力编码所对应的调度适应度函数;
以调度适应度函数作为评价函数,采用多层级追踪算法对出力编码进行优化追踪,获取微电网所对应的最优出力编码,并根据最优出力编码在待预测时间段进行电网调度,完成电网管理。
在一种可能的实施方式中,构建新能源发电站对应的新能源发电预测模型,根据第二训练数据,并采用多层级追踪算法对新能源发电预测模型进行训练,以获取具备新能源发电量预测的新能源发电预测模型,包括:
采用神经网络构建新能源发电站对应的新能源发电预测模型,并多次随机初始化新能源发电预测模型的模型参数,得到多个模型参数编码;每个模型参数编码均包括神经网络的全部网络参数;
采用均方根误差函数与预设常数相加和的倒数构建第一训练适应度函数,并采用第一训练数据以及第一训练适应度函数,获取每个模型参数编码所对应的适应度值;
根据每个模型参数编码所对应的适应度值,获取当前训练过程中所有模型参数编码对应的最优参数编码以及每个模型参数编码对应的历史最优状态;
将所有模型参数编码随机均为分三个子种群;所述三个子种群分别为第一子种群、第二子种群以及第三子种群;第一子种群、第二子种群以及第三子种群分别包括N1、N2以及N3个模型参数编码,且N1=N2=N3=N/3,N表示所有模型参数编码;
针对第一子种群中的每个第一模型参数编码,在(0,1)之间随机生成第一随机数,并判断第一随机数是否大于或者等于决策概率,若是,则使第一模型参数编码采用余弦策略追踪最优参数编码,完成第一子种群的更新,否则为每个第一模型参数编码确定一个第一目标编码,使第一模型参数编码追踪第一目标编码,完成第一子种群的更新;
针对第二子种群中的每个第二模型参数编码,在(0,1)之间随机生成第二随机数,并判断第二随机数是否大于或者等于决策概率,若是,则使第二模型参数编码采用余弦策略追踪最优参数编码,完成第二子种群的更新,否则使第二模型参数编码追踪最优参数编码及其历史最优状态,完成第二子种群的更新;
针对第三子种群中的每个第三模型参数编码,在(0,1)之间随机生成第三随机数,并判断第三随机数是否大于或者等于决策概率,若是,则使第三模型参数编码采用正余弦策略追踪最优参数编码,完成第三子种群的更新,否则为每个第三模型参数编码确定一个第三目标编码,使第三模型参数编码采用正弦策略追踪第三目标编码,完成第三子种群的更新;
分别获取第一子种群、第二子种群以及第三子种群中的第一局部最优参数编码、第二局部最优参数编码以及第三局部最优参数编码;
采用全局搜索策略获取第一局部最优参数编码、第二局部最优参数编码以及第三局部最优参数编码所对应的第一变异个体、第二变异个体以及第三变异个体;
若第一变异个体的适应度值变大,则采用第一变异个体替换第一局部最优参数编码,否则保留原有第一局部最优参数编码;
若第二变异个体的适应度值变大,则采用第二变异个体替换第二局部最优参数编码,否则保留原有第二局部最优参数编码;
若第三变异个体的适应度值变大,则采用第三变异个体替换第三局部最优参数编码,否则保留原有第三局部最优参数编码;
判断当前训练次数是否大于最大训练次数,若是,则重新获取最优参数编码,并将最优参数编码作为新能源发电预测模型的最终参数,得到具备新能源发电量预测的新能源发电预测模型,否则返回获取每个模型参数编码所对应的适应度值的步骤。
在一种可能的实施方式中,使第一模型参数编码采用余弦策略追踪最优参数编码,包括:
其中,
所述步长控制因子C为:
其中,C
为每个第一模型参数编码确定一个第一目标编码,使第一模型参数编码追踪第一目标编码,包括:
将第一子种群中每个第一模型参数编码的每个维度参数求平均,得到第一平均参数编码μ
针对第一子种群中第m个第一模型参数编码,获取第m个第一模型参数编码与平均参数编码之间的欧式距离为:
其中,η
将所有第一模型参数编码与平均参数编码之间的欧式距离按从近到远的顺序排列,得到欧式距离排列顺序;
获取第一目标编码的第一目标序号为round(C*N1);其中round表示四舍五入函数;
以欧式距离排列顺序为基础,确定第一目标序号对应的欧式距离对应的第一模型参数编码为第一目标编码;
根据第一目标编码对第一子种群中第m个第一模型参数编码更新为:
其中,
在一种可能的实施方式中,使第二模型参数编码采用余弦策略追踪最优参数编码,包括:
其中,
使第二模型参数编码追踪最优参数编码及其历史最优状态,包括:
其中,
在一种可能的实施方式中,使第三模型参数编码采用正余弦策略追踪最优参数编码,包括:
其中,
为每个第三模型参数编码确定一个第三目标编码,使第三模型参数编码采用正弦策略追踪第三目标编码,包括:
其中,X
在一种可能的实施方式中,采用全局搜索策略获取第一局部最优参数编码、第二局部最优参数编码以及第三局部最优参数编码所对应的第一变异个体、第二变异个体以及第三变异个体,包括:
根据当前训练次数t,获取全局搜索策略的执行概率为t/T,并判断该执行概率是否大于预设的决策概率,若是,则获取第一局部最优参数编码、第二局部最优参数编码以及第三局部最优参数编码所对应的第一变异个体、第二变异个体以及第三变异个体,否则进入当前训练次数的判断步骤;
获取第一局部最优参数编码、第二局部最优参数编码以及第三局部最优参数编码所对应的第一变异个体、第二变异个体以及第三变异个体为:
其中,X
在一种可能的实施方式中,根据目标区域的预测用电电量以及目标区域所在微电网中新能源发电站在待预测时间段的预测发电量为限制,构建新能源发电站、燃气轮机发电站、燃料电池发电站以及共享储能站的出力编码,包括:
以目标区域所在微电网中新能源发电站在待预测时间段的预测发电量作为新能源发电站的出力上限,以目标区域的预测用电电量作为总出力的下限,初始化新能源发电站、燃气轮机发电站、燃料电池发电站以及共享储能站的出力,得到出力编码。
在一种可能的实施方式中,构建目标区域所在微电网的运行成本函数为:
minχ
其中,χ
在一种可能的实施方式中,根据该运行成本函数获取出力编码所对应的调度适应度函数为:
在一种可能的实施方式中,以调度适应度函数作为评价函数,采用多层级追踪算法对出力编码进行优化追踪,获取微电网所对应的最优出力编码,包括:
重复获取多个出力编码,采用多层级追踪算法对出力编码进行优化追踪,得到更新后的出力编码;
判断出力编码中是否存在参数超出其上下限,若是,则进行越界处理,或者拒绝对该参数的更新,并继续进行优化追踪,直至到达多层级追踪算法的结束条件,输出调度适应度函数最大的出力编码,得到微电网所对应的最优出力编码,否则直接进行优化追踪,直至到达多层级追踪算法的结束条件,输出调度适应度函数最大的出力编码,得到微电网所对应的最优出力编码。
本发明提供的一种新能源接入的电网管理方法,通过深度学习算法预测目标区域的预测用电电量以及目标区域所在微电网中新能源发电站在待预测时间的预测发电量,并以此为基础进行用电调度,从而实现新能源接入的微电网管理,考虑了用户侧的用电需求,能够有效地避免调度过程中的大规模资源浪费,为微电网管理人员提供有效的参考依据;并且提出的多层级追踪算法,能够对各个待优化参数进行有效的优化,从而实现目标策略下的电网调度。
附图说明
为了更清楚地说明本发明示例性实施方式的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明实施例一种新能源接入的电网管理方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
如图1所示,本发明实施例提供一种新能源接入的电网管理方法,应用至微电网聚合模型之中,所述微电网聚合模型包括多个微电网以及与所有微电网相互连接的共享储能电站,每个微电网均包括新能源发电站、燃气轮机发电站以及燃料电池发电站,包括:
S1、采集目标区域的历史用电影响因素以及历史用电电量,并根据所述历史用电影响因素以及历史用电电量构建第一训练数据。
可选的,用电影响因素可以包括天气、季节、温度、是否为工业园区、是否为工作日,所有数据均采用数字表示,并进行归一化处理,以方便后续进行识别。采集目标区域的历史用电影响因素可以包括采集连续多天的用电影响因素,得到历史用电影响因素。并将采集历史用电影响因素之后的未来时间段的用电电量作为历史用电电量(例如:可以采集前30天的用电影响因素,采集第31天的用电电量)。值得说明的是,上述用电影响因素的具体数据类型仅仅作为本发明实施例中的示例,还可以采用其他数据作为用电影响因素。
为了提升预测的准确性,还可以采集前N天的历史用电影响因素,并将第N天的历史用电电量作为标签数据。在后续预测时,采集前N-1天的历史用电影响因素,并从气象局获取第N天的用电影响因素,从而可以准确地预测第N天的用电电量。
将所述历史用电影响因素作为样本数据,将历史用电电量作为样本数据对应的标签数据,即可得到第一训练数据。
S2、采用深度学习算法构建用电电量预测模型,根据第一训练数据,并采用多层级追踪算法对用电电量预测模型进行训练,以获取具备用电电量预测能力的用电电量预测模型。
可选的,可以采用BP(Back Propagation,反向传播)神经网络、BRF(Radial BasisFunction,径向基函数)神经网络或者其他具备预测能力的神经网络构建用电电量预测模型。
除了采用本发明实施例提出的多层级追踪算法对用电电量预测模型进行训练,还可以采用梯度下降法、粒子群算法、遗传算法等等优化算法对用电电量预测模型进行训练,虽然这些算法具有容易陷入局部最优的缺陷,但是仍然能够完成训练任务。
S3、获取目标区域在待预测时间段的目标用电影响因素,并采用具备用电电量预测能力的用电电量预测模型对目标用电影响因素进行识别,获取目标区域的预测用电电量。
目标用电影响因素的数据结构应当与历史用电影响因素的数据结构相同,并且应当进行归一化处理。通过预测目标区域在未来时段的预测用电电量,可以为管理人员提供参考,从而实现较优调度,甚至是最优调度,最大化利用微电网中的分布式发电设备。
S4、采集目标区域所在微电网中新能源发电站在目标时间段内的历史发电量序列,并采集目标时间段的下一个时间段内的历史发电总量,采用历史发电量序列以及历史发电总量构建第二训练数据。
虽然在相同季节内,新能源发电量相差不大,但是仍然可能出现一定的波动,因此历史发电量序列应当包括历史多天的发电量以及天气数据,从而可以使发电量的预测更加准确。
S5、构建新能源发电站对应的新能源发电预测模型,根据第二训练数据,并采用多层级追踪算法对新能源发电预测模型进行训练,以获取具备新能源发电量预测的新能源发电预测模型。
可选的,可以采用BP(Back Propagation,反向传播)神经网络、BRF(Radial BasisFunction,径向基函数)神经网络或者其他具备预测能力的神经网络构建新能源发电预测模型。为了提升预测效果,可以采用多神经网络结合的模式构建新能源发电预测模型(例如:采用CNN-LSTM(Convolutional Neural Networks-Long Short-Term Memory,卷积神经网络-长短期记忆网络)模型构建新能源发电预测模型)。
S6、以具备新能源发电量预测的新能源发电预测模型为基础,对目标区域所在微电网中新能源发电站在待预测时间的预测发电量。
对目标区域所在微电网中新能源发电站在待预测时间的预测发电量可以包括:获取与待预测时段相距最近的历史发电量序列,并采用具备新能源发电量预测的新能源发电预测模型对采集的历史发电量序列进行识别,得到预测发电量。
S7、根据目标区域的预测用电电量以及目标区域所在微电网中新能源发电站在待预测时间段的预测发电量为限制,构建新能源发电站、燃气轮机发电站、燃料电池发电站以及共享储能站的出力编码。
出力编码需要包括新能源发电站、燃气轮机发电站、燃料电池发电站以及共享储能站的出力,且新能源发电站、燃气轮机发电站、燃料电池发电站以及共享储能站的出力总和应当大于或者等于预测发电量,每个发电站的出力应当在其能够出力的上下限之内。
S8、构建目标区域所在微电网的运行成本函数,并根据该运行成本函数获取出力编码所对应的调度适应度函数。
调度适应度函数越大,就表示出力编码越优秀,因此可以根据调度适应度函数评价优化效果。
S9、以调度适应度函数作为评价函数,采用多层级追踪算法对出力编码进行优化追踪,获取微电网所对应的最优出力编码,并根据最优出力编码在待预测时间段进行电网调度,完成电网管理。
在不同的发电站上下限之内,每个发电站输出的电量使调度适应度函数最大时(即收敛时),则可认为得到了最优出力编码。
值得说明的是,现有分布式发电设备组成的微电网可能存在多个新能源发电站以及多个其他发电站,在获取最优出力编码时,应当考虑每个发电站。
本发明提供的一种新能源接入的电网管理方法,通过深度学习算法预测目标区域的预测用电电量以及目标区域所在微电网中新能源发电站在待预测时间的预测发电量,并以此为基础进行用电调度,从而实现新能源接入的微电网管理,考虑了用户侧的用电需求,能够有效地避免调度过程中的大规模资源浪费,为微电网管理人员提供有效的参考依据。并且提出的多层级追踪算法,能够对各个待优化参数进行有效的优化,从而实现目标策略下的电网调度。
在一种可能的实施方式中,构建新能源发电站对应的新能源发电预测模型,根据第二训练数据,并采用多层级追踪算法对新能源发电预测模型进行训练,以获取具备新能源发电量预测的新能源发电预测模型,包括:
采用神经网络构建新能源发电站对应的新能源发电预测模型,并多次随机初始化新能源发电预测模型的模型参数,得到多个模型参数编码。每个模型参数编码均包括神经网络的全部网络参数。
例如,可以采用BP神经网络或者CNN-LSTM模型构建新能源发电预测模型,并且采用混沌映射策略初始化新能源发电预测模型的模型参数,可以使初始解在解空间分布更加均匀,有利于提高算法的收敛速度。
采用均方根误差函数(还可以采用均方误差、交叉熵损失函数)与预设常数相加和的倒数构建第一训练适应度函数,并采用第一训练数据以及第一训练适应度函数,获取每个模型参数编码所对应的适应度值。
将模型参数编码应用至新能源发电预测模型中之后,将第一训练数据中样本数据作为输入数据,采用样本数据对应的标签数据构建期望输出数据,从而可以根据第一训练适应度函数获取模型参数编码所对应的适应度值。
根据每个模型参数编码所对应的适应度值,获取当前训练过程中所有模型参数编码对应的最优参数编码以及每个模型参数编码对应的历史最优状态。
将所有模型参数编码随机均为分三个子种群。所述三个子种群分别为第一子种群、第二子种群以及第三子种群。第一子种群、第二子种群以及第三子种群分别包括N1、N2以及N3个模型参数编码,且N1=N2=N3=N/3,N表示所有模型参数编码。
通过多种群优化,不仅利于提高算法的收敛速度,还可以能够有效地避免陷入局部最优。在搜索的过程中,三个子种群输出的局部最优位置可能不相同,在下一次搜索过程中,就能够避免陷入局部最优。当进行到算法后期,子种群都搜索到最优位置,此时三个子种群输出的局部最优位置是比较接近的,也更利于算法后期的精细搜索。
针对第一子种群中的每个第一模型参数编码,在(0,1)之间随机生成第一随机数,并判断第一随机数是否大于或者等于决策概率,若是,则使第一模型参数编码采用余弦策略追踪最优参数编码,完成第一子种群的更新,否则为每个第一模型参数编码确定一个第一目标编码,使第一模型参数编码追踪第一目标编码,完成第一子种群的更新。
针对第二子种群中的每个第二模型参数编码,在(0,1)之间随机生成第二随机数,并判断第二随机数是否大于或者等于决策概率,若是,则使第二模型参数编码采用余弦策略追踪最优参数编码,完成第二子种群的更新,否则使第二模型参数编码追踪最优参数编码及其历史最优状态,完成第二子种群的更新。
针对第三子种群中的每个第三模型参数编码,在(0,1)之间随机生成第三随机数,并判断第三随机数是否大于或者等于决策概率,若是,则使第三模型参数编码采用正余弦策略追踪最优参数编码,完成第三子种群的更新,否则为每个第三模型参数编码确定一个第三目标编码,使第三模型参数编码采用正弦策略追踪第三目标编码,完成第三子种群的更新。
在本发明实施例中,决策概率的取值范围设置为(0,1),决策概率优选设置为0.1,但是仅仅作为优选示例,并不限制决策概率的具体数值。
分别获取第一子种群、第二子种群以及第三子种群中的第一局部最优参数编码、第二局部最优参数编码以及第三局部最优参数编码。
采用全局搜索策略获取第一局部最优参数编码、第二局部最优参数编码以及第三局部最优参数编码所对应的第一变异个体、第二变异个体以及第三变异个体。
若第一变异个体的适应度值变大,则采用第一变异个体替换第一局部最优参数编码,否则保留原有第一局部最优参数编码。
若第二变异个体的适应度值变大,则采用第二变异个体替换第二局部最优参数编码,否则保留原有第二局部最优参数编码。
若第三变异个体的适应度值变大,则采用第三变异个体替换第三局部最优参数编码,否则保留原有第三局部最优参数编码。
为了避免陷入局部最优,因此采用获取变异个体的方式,搜索解空间中更优的其他位置,并且引入贪心算法进行选择更新,避免训练效果回滚。
判断当前训练次数是否大于最大训练次数,若是,则重新获取最优参数编码,并将最优参数编码作为新能源发电预测模型的最终参数,得到具备新能源发电量预测的新能源发电预测模型,否则返回获取每个模型参数编码所对应的适应度值的步骤。
在一种可能的实施方式中,使第一模型参数编码采用余弦策略追踪最优参数编码,包括:
其中,
所述步长控制因子C为:
其中,C
引入非线性收敛因子,使得算法在搜索前期,C的值较大且变化缓慢,算法可以更好地进行全局搜索;在算法后期,C的值迅速减小,进行局部的快速搜索,从而加快算法的收敛速度。
为每个第一模型参数编码确定一个第一目标编码,使第一模型参数编码追踪第一目标编码,包括:
将第一子种群中每个第一模型参数编码的每个维度参数求平均,得到第一平均参数编码μ
针对第一子种群中第m个第一模型参数编码,获取第m个第一模型参数编码与平均参数编码之间的欧式距离为:
其中,η
将所有第一模型参数编码与平均参数编码之间的欧式距离按从近到远的顺序排列,得到欧式距离排列顺序。
获取第一目标编码的第一目标序号为round(C*N1)。其中round表示四舍五入函数。
以欧式距离排列顺序为基础,确定第一目标序号对应的欧式距离对应的第一模型参数编码为第一目标编码。
根据第一目标编码对第一子种群中第m个第一模型参数编码更新为:
其中,
通过选择距离种群平均位置最远的模型参数编码作为第一模型参数编码,可以避免种群过度聚集,从而增加全局搜索的概率,避免陷入局部最优。而随着算法的迭代,第一目标序号逐渐减小,此时也从全局搜索转换为局部精细搜索,能够有效地增加搜索的精度。
在一种可能的实施方式中,使第二模型参数编码采用余弦策略追踪最优参数编码,包括:
其中,
使第二模型参数编码追踪最优参数编码及其历史最优状态,包括:
其中,
在一种可能的实施方式中,使第三模型参数编码采用正余弦策略追踪最优参数编码,包括:
其中,
通过正余弦策略追踪最优参数编码,能够有效地维持种群的多样性,从而提升种群内模型参数编码的寻优能力,减少陷入局部最优的可能。
为每个第三模型参数编码确定一个第三目标编码,使第三模型参数编码采用正弦策略追踪第三目标编码,包括:
其中,X
在传统的寻优算法中,忽略了更新方向的适应度大小,具有盲目性。因此,利用黄金正弦算法改进位置更新公式的同时,将全局最优位置考虑进去,可以提升算法的寻优速度。
在一种可能的实施方式中,采用全局搜索策略获取第一局部最优参数编码、第二局部最优参数编码以及第三局部最优参数编码所对应的第一变异个体、第二变异个体以及第三变异个体,包括:
根据当前训练次数t,获取全局搜索策略的执行概率为t/T,并判断该执行概率是否大于预设的决策概率,若是,则获取第一局部最优参数编码、第二局部最优参数编码以及第三局部最优参数编码所对应的第一变异个体、第二变异个体以及第三变异个体,否则进入当前训练次数的判断步骤。
获取第一局部最优参数编码、第二局部最优参数编码以及第三局部最优参数编码所对应的第一变异个体、第二变异个体以及第三变异个体为:
其中,X
莱维飞行是一种随机行走,具有短距离行走与偶尔较长距离飞行相结合的特点。在算法收敛后期,模型参数编码比较集中,此时全局最优位置以平均距离为标准进行适当步长的莱维飞行,可以降低算法陷入局部最优的概率。
在一种可能的实施方式中,根据目标区域的预测用电电量以及目标区域所在微电网中新能源发电站在待预测时间段的预测发电量为限制,构建新能源发电站、燃气轮机发电站、燃料电池发电站以及共享储能站的出力编码,包括:
以目标区域所在微电网中新能源发电站在待预测时间段的预测发电量作为新能源发电站的出力上限,以目标区域的预测用电电量作为总出力的下限,初始化新能源发电站、燃气轮机发电站、燃料电池发电站以及共享储能站的出力,得到出力编码。
在一种可能的实施方式中,构建目标区域所在微电网的运行成本函数为:
minχ
其中,χ
微电网中可中断负荷的惩罚系数表示:当微电网的总输出电量小于预测用电电量时,在待预测时间段将可中断负荷断开,所需要的成本。其他成本获取方法在现有技术中较多,本发明实施例不再进行赘述。
可选的,也可以仅选择新能源发电站、燃气轮机发电站、燃料电池发电站以及共享储能站的运行成本构建运行成本函数。
在一种可能的实施方式中,根据该运行成本函数获取出力编码所对应的调度适应度函数为:
为了实现不同的优化效果,还可以采用其他的指标函数获取调度适应度函数为,即将运行成本函数更换为其他指标函数;例如:以整体收益作为指标函数。
在一种可能的实施方式中,以调度适应度函数作为评价函数,采用多层级追踪算法对出力编码进行优化追踪,获取微电网所对应的最优出力编码,包括:
重复获取多个出力编码,采用多层级追踪算法对出力编码进行优化追踪,得到更新后的出力编码。与运行成本函数的获取类似,出力编码中也需要包括每个发电站的出力,从而实现微电网中分布式发电设备的调度。
判断出力编码中是否存在参数超出其上下限,若是,则进行越界处理,或者拒绝对该参数的更新,并继续进行优化追踪,直至到达多层级追踪算法的结束条件,输出调度适应度函数最大的出力编码,得到微电网所对应的最优出力编码,否则直接进行优化追踪,直至到达多层级追踪算法的结束条件,输出调度适应度函数最大的出力编码,得到微电网所对应的最优出力编码。
可选的,也可以采用粒子群算法、遗传算法、蚁群算法、狼群算法等等优化算法对出力编码进行优化,在各发电站的发电上下限之内,找到最优出力编码。
越界处理可以包括:当超出上限,则将该维元素拉回上限;当低于下限,则将该维元素拉回下限;或者将越界元素在上下限之内随机生成。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
- 一种用于斜坡补偿的电压电流转换电路
- 一种用于斜坡补偿的电压电流转换电路