本发明专利技术实施例公开了一种负荷储能双优化的预测方法、装置和计算机可读存储介质，初始化神经网络的网络参数；其中，网络参数包括权重参数、偏置参数和新引进的储能参数；利用初始化后的网络参数构建神经网络模型；建立包含负荷成本和储能成本的目标函数和约束条件；基于目标函数和约束条件，利用梯度下降法对所述神经网络模型进行训练，得到包含负荷成本矩阵和储能成本矩阵的训练结果。通过将改进的神经网络模型和梯度下降法结合，实现了微网中售电公司、大用户成本最优的负荷和储能的双优化预测，有效的节省了储能和负荷预测所花费的时间和成本，并且便于售电公司在电力市场中提交更优的申报方案。
【技术实现步骤摘要】
一种负荷储能双优化的预测方法、装置和介质
本专利技术涉及电网
，特别是涉及一种负荷储能双优化的预测方法、装置和计算机可读存储介质。
技术介绍
电力市场是保持电力系统稳定运行和管理的重要环节，随着电力市场去管制化在全球范围内的愈演愈烈，负荷预测成为电力市场中维持电力系统供需平衡非常重要的部分。储能在电力市场中作为一种可转移负荷，可以有效应对电力系统的稳定性和可靠性。储能在微网中应用比较广泛，可以有效减少电网中由于新能源发电的间歇性引起的波动性，同样在需求侧响应的“削峰填谷”中发挥重要作用。故在电网中准确的负荷预测和合理的储能不仅可以有效维护电力系统持续健康发展，同样可以在分时电价或者电价随着市场需求变动的时候，有效降低微网中售电公司、大用户的成本。在现有的微网规划运行中，负荷预测和储能优化通常作为两个步骤来完成。随着新能源的广泛应用和电力系统的调度存在一定的时延，电力市场往往瞬息万变，此时两个优化耗费的时间会错过最佳交易时机，降低了售电公司、大用户的市场敏感度和决策准确性。可见，如何节省储能和负荷预测花费的时间，是本领域技术人员亟待解决的问题。
技术实现思路
本专利技术实施例的目的是提供一种负荷储能双优化的预测方法、装置和计算机可读存储介质，可以节省储能和负荷预测花费的时间和成本。为解决上述技术问题，本专利技术实施例提供一种负荷储能双优化的预测方法，包括：初始化神经网络的网络参数；其中，所述网络参数包括权重参数、偏置参数和储能参数；利用初始化后的网络参数构建神经网络模型；建立包含负荷成本和储能成本的目标函数和约束条件；基于所述目标函数和所述约束条件，利用梯度下降法对所述神经网络模型进行训练，得到包含负荷成本矩阵和储能成本矩阵的训练结果。可选的，所述初始化神经网络的网络参数包括：利用如下公式，设置储能参数的初始值，ES＝Pesmin+(Pesmax-Pesmin)*rand；其中，ES为训练集中的储能矩阵，Pesmin为电储能功率的最小值；Pesmax为电储能功率的最大值；rand表示随机生成一个与储能矩阵型相同的矩阵，其中各元素均为0到1之间的随机数；*表示矩阵点乘或矩阵与常数相乘；利用均值为0标准差为的高斯随机分布初始化权重参数；其中，num表示权重对应层的神经元数量；利用均值为0标准差为1的高斯分布初始化偏置参数。可选的，所述建立包含负荷成本和储能成本的目标函数和约束条件包括：基于成本最小化为目标，构建目标函数，其公式如下，其中，O表示总成本目标矩阵；Costlo表示负荷成本矩阵；Costes表示储能成本矩阵；T为神经网络训练集的实际消耗负荷矩阵；Y表示申报负荷矩阵；Eesmin为电储能能量的最小值；Eesmax为电储能能量的最大值；其中，P_da为日前市场的电价矩阵，日前市场的电价矩阵中第j行第n列的元素记为pdajn；P_rt为实时市场的电价矩阵，实时市场的电价矩阵中第j行第n列的元素记为prtjn。可选的，基于所述目标函数和所述约束条件，利用梯度下降法对所述神经网络模型进行训练，得到包含负荷成本矩阵和储能成本矩阵的训练结果包括：依据内点法将带约束的目标函数转化为无约束的目标函数，其公式如下，其中，const为目标函数中由内点法转换后的约束矩阵；r表示转换后约束条件的调节系数；基于所述无约束的目标函数，利用梯度下降法对所述神经网络模型进行训练，直至所述神经网络模型满足预设条件，则输出包含负荷成本矩阵和储能成本矩阵的训练结果。本专利技术实施例还提供了一种负荷储能双优化的预测装置，包括初始化单元、模型构建单元、函数建立单元和训练单元；所述初始化单元，用于初始化神经网络的网络参数；其中，所述网络参数包括权重参数、偏置参数和储能参数；所述模型构建单元，用于利用初始化后的网络参数构建神经网络模型；所述函数建立单元，用于建立包含负荷成本和储能成本的目标函数和约束条件；所述训练单元，用于基于所述目标函数和所述约束条件，利用梯度下降法对所述神经网络模型进行训练，得到包含负荷成本矩阵和储能成本矩阵的训练结果。可选的，所述初始化单元包括储能初始子单元、权重初始子单元和偏置初始子单元；所述储能初始子单元，用于利用如下公式，设置储能参数的初始值，ES＝Pesmin+(Pesmax-Pesmin)*rand；其中，ES为训练集中的储能矩阵，Pesmin为电储能功率的最小值；Pesmax为电储能功率的最大值；rand表示随机生成一个与储能矩阵型相同的矩阵，其中各元素均为0到1之间的随机数；*表示矩阵点乘或矩阵与常数相乘；所述权重初始子单元，用于利用均值为0标准差为的高斯随机分布初始化权重参数；其中，num表示权重对应层的神经元数量；所述偏置初始子单元，用于利用均值为0标准差为1的高斯分布初始化偏置参数。可选的，所述函数建立单元具体用于基于成本最小化为目标，构建目标函数，其公式如下，其中，O表示总成本目标矩阵；Costlo表示负荷成本矩阵；Costes表示储能成本矩阵；T为神经网络训练集的实际消耗负荷矩阵；Y表示申报负荷矩阵；Eesmin为电储能能量的最小值；Eesmax为电储能能量的最大值；其中，P_da为日前市场的电价矩阵，日前市场的电价矩阵中第j行第n列的元素记为pdajn；P_rt为实时市场的电价矩阵，实时市场的电价矩阵中第j行第n列的元素记为prtjn。可选的，所述训练单元包括转化子单元和优化子单元；所述转化子单元，用于依据内点法将带约束的目标函数转化为无约束的目标函数，其公式如下，其中，const为目标函数中由内点法转换后的约束矩阵；r表示转换后约束条件的调节系数；所述优化子单元，用于基于所述无约束的目标函数，利用梯度下降法对所述神经网络模型进行训练，直至所述神经网络模型满足预设条件，则输出包含负荷成本矩阵和储能成本矩阵的训练结果。本专利技术实施例还提供了一种负荷储能的预测装置，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序以实现如上述负荷储能双优化的预测方法的步骤。本专利技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述负荷储能双优化的预测方法的步骤。由上述技术方案可以看出，初始化神经网络的网络参数；其中，网络参数包括权重参数、偏置参数和新引进的储能参数；利用初始化后的网络参数构建神经网络模型；将储能参数作为改进网络的一个网络参数，与原网络参数的偏置和权重一起参与学习迭代，使得改进后的网络模型具有更高的效率和针对性。建立包含负荷成本和储能成本的目标函数和约束条件；基于目标函数和约束条件，利用梯度下降法对所述神经网络模型进行训练，得到包含负荷成本矩阵和储能成本矩阵的训练结果。通过将改进的神经网络模型和梯度下降法结合，实现了微网中售电公司、大用户成本最优的负荷和储能的双优化预测，有效的节省了储能和负荷预测所花费的时间和成本，并且便于售电公司在电力市场中提交更优的申报方案。附图说明为了更清楚地说明本专利技术实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，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为本专利技术实施例提供的一种负荷储能的预本文档来自技高网...
【技术保护点】
1.一种负荷储能双优化的预测方法，其特征在于，包括：初始化神经网络的网络参数；其中，所述网络参数包括权重参数、偏置参数和储能参数；利用初始化后的网络参数构建神经网络模型；建立包含负荷成本和储能成本的目标函数和约束条件；基于所述目标函数和所述约束条件，利用梯度下降法对所述神经网络模型进行训练，得到包含负荷成本矩阵和储能成本矩阵的训练结果。
【技术特征摘要】
1.一种负荷储能双优化的预测方法，其特征在于，包括：初始化神经网络的网络参数；其中，所述网络参数包括权重参数、偏置参数和储能参数；利用初始化后的网络参数构建神经网络模型；建立包含负荷成本和储能成本的目标函数和约束条件；基于所述目标函数和所述约束条件，利用梯度下降法对所述神经网络模型进行训练，得到包含负荷成本矩阵和储能成本矩阵的训练结果。2.根据权利要求1所述的方法，其特征在于，所述初始化神经网络的网络参数包括：利用如下公式，设置储能参数的初始值，ES＝Pesmin+(Pesmax-Pesmin)*rand；其中，ES为训练集中的储能矩阵，Pesmin为电储能功率的最小值；Pesmax为电储能功率的最大值；rand表示随机生成一个与储能矩阵型相同的矩阵，其中各元素均为0到1之间的随机数；*表示矩阵点乘或矩阵与常数相乘；利用均值为0标准差为的高斯随机分布初始化权重参数；其中，num表示权重对应层的神经元数量；利用均值为0标准差为1的高斯分布初始化偏置参数。3.根据权利要求2所述的方法，其特征在于，所述建立包含负荷成本和储能成本的目标函数和约束条件包括：基于成本最小化为目标，构建目标函数，其公式如下，其中，O表示总成本目标矩阵；Costlo表示负荷成本矩阵；Costes表示储能成本矩阵；T为神经网络训练集的实际消耗负荷矩阵；Y表示申报负荷矩阵；Eesmin为电储能能量的最小值；Eesmax为电储能能量的最大值；其中，P_da为日前市场的电价矩阵，日前市场的电价矩阵中第j行第n列的元素记为pdajn；P_rt为实时市场的电价矩阵，实时市场的电价矩阵中第j行第n列的元素记为prtjn。4.根据权利要求3所述的方法，其特征在于，基于所述目标函数和所述约束条件，利用梯度下降法对所述神经网络模型进行训练，得到包含负荷成本矩阵和储能成本矩阵的训练结果包括：依据内点法将带约束的目标函数转化为无约束的目标函数，其公式如下，其中，const为目标函数中由内点法转换后的约束矩阵；r表示转换后约束条件的调节系数；基于所述无约束的目标函数，利用梯度下降法对所述神经网络模型进行训练，直至所述神经网络模型满足预设条件，则输出包含负荷成本矩阵和储能成本矩阵的训练结果。5.一种负荷储能双优化的预测装置，其特征在于，包括初始化单元、模型构建单元、函数建立单元和训练单元；所述初始化单元，用于初始化神经网络的网络参数；其中，所述网络参数包括权重参数、偏置参数和储能参数；所述模型构建单元，用于利用初始化后的网络参数构建神经...
【专利技术属性】
技术研发人员：寸馨，许方园，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。