基于市场效益驱动的光伏发电智能预测系统的计算方法技术方案

本发明专利技术涉及基于市场效益驱动的光伏发电智能预测系统的计算方法，其中预测系统包括：光伏数据收集模块，机器学习模型，误差计算模块，机组优化计算模块，电网成本模块组，光伏发电厂成本模块组，总成本模块与权重更新模块。成本模块组有后备发电厂建设成本、其他能源成本、能源销售收入和购买太阳能成本的模块；光伏发电成本模块组有光伏发电厂预测不准确的额外成本模块和太阳能销售收入模块；优化计算模块包括各能源机组数据、数学建模和优化计算模块。通过机器学习模型预测光伏时序发电数据，还通过电网和光伏发电厂的成本数据以及预测精度数据优化更新机器学习模型的权重，实现光伏发电站在机器学习模型中预测的时序数据对市场效益更大化。

Calculation method of photovoltaic power generation intelligent prediction system based on market benefit driven

【技术实现步骤摘要】
基于市场效益驱动的光伏发电智能预测系统的计算方法
本专利技术涉及能源预测领域，尤其涉及基于市场效益驱动的光伏发电智能预测系统的计算方法。
技术介绍
基于机器学习模型的光伏发电厂的光伏发电预测模型需要预测时序光伏发电数据，现有机器学习方法有前馈神经网络、循环神经网络、长短期记忆神经网络等。通过这些方法，光伏发电站可以利用历史光伏相关数据(包括历史光伏时序发电量，紫外线强度，温度等)，预测未来的光伏发电量，从而有计划的投入到能源市场中，加入能源调度计划，一般是采用典型的机组组合数学模型获得能源调度计划。但是现在的光伏发电预测系统仅仅考虑了预测数据的精度，精度成为了预测系统的唯一目标，虽然一般来说，更好的准确性将实现更好的决策。但这种光伏预测系统是没有考虑到市场的整体效益，并且预测的准确性并不总是与市场效益同步，因此传统的光伏发电预测系统对市场效益不是最优的。同时，传统的机组优化计算一般采用分支定界法、拉格朗日松弛法等方法求解，这种求解方法无法使目标函数对权重进行求导，因此本专利技术在基于市场效益驱动的光伏发电智能预测系统的基础上，采用了一种直接机组优化计算模块，将市场效益传递到权重更新模块中。本人申请的专利，申请号为：2020101729531专利名称为：一种基于市场效益驱动的光伏发电智能预测系统，公开了一种基于市场效益驱动的光伏发电智能预测系统，其中的机组优化计算采用的是传统的方法，存在上述的问题。
技术实现思路
1、所要解决的技术问题：针对上述技术问题，本专利技术提出一种基于市场效益驱动的光伏发电智能预测系统的计算方法，方法中的机组优化计算模块的的计算方法，能实现分析过程的闭环。机组优化计算模块采用直接的算法获得机组时序发电成本数据，并通过反向传播的LM算法将市场效益的数据来更新机器学习模型的权重值，此专利技术考虑了光伏预测发电量和市场效益之间的相互影响。2、技术方案：基于市场效益驱动的光伏发电智能预测系统的计算方法，其中预测系统包括光伏数据收集模块，机器学习模型，误差计算模块，机组优化计算模块，电网成本模块组，光伏发电厂成本模块组，总成本模块以及权重更新模块；所述光伏数据收集模收集统计光伏发电厂中的历史光伏相关数据，输出光伏不同特征空间的数据；所述机器学习模型接收权重更新模块输出的权重数据以及光伏数据收集模块的光伏相关数据，并预测光伏发电厂的光伏时序发电数据，输出该光伏发电厂的时序数据；所述误差计算模块接收机器学习模型的光伏时序预测数据和光伏数据收集模块的光伏时序历史数据，输出平均偏移误差数据和偏移时序正误差数据；所述机组优化计算模块接收偏移时序正误差数据，获得机组优化结果，输出机组时序发电成本数据；所述电网成本模块组包括后备发电厂建设成本模块、购买其他能源成本模块、能源销售收入模块和购买太阳能成本模块；所述后备发电厂建设成本模块用于接收根据误差计算模块输出的偏移时序正误差数据计算出的备用电厂最大发电数据，输出备用电厂成本；所述购买其他能源成本模块为电网向其他发电站购买能源的能源价格，能源销售收入为电网向用电用户销售能源的收入；所述购买太阳能成本模块用于接收光伏时序历史数据，输出购买太阳能价格；所述光伏发电厂成本模块组包括预测不准确的额外成本模块和太阳能销售收入模块，其中，所述预测不准确的额外成本模块用于接收机组时序发电成本数据，输出该光伏发电厂预测不准确的额外成本；所述太阳能销售收入模块用于接收光伏时序历史数据，输出光伏发电厂的太阳能销售收入；所述总成本模块用于接收电网和光伏发电厂各成本数据，通过计算输出电网和光伏发电厂的总成本数据；权重更新模块用于接收总成本模块的成本数据和由时序输出数据与光伏时序历史数据计算获得的平均偏移误差数据，由此通过预定方法优化更新权重，输出更新后的权重数据。其特征在于：所述根据误差计算模块输出的偏移时序正误差数据计算出的备用电厂最大发电数据的具体计算包括步骤11、步骤12：步骤11：获取偏移时序正误差数据，由此计算最大偏移时序正误差数据，又因为Max()函数不可导，因此采用可导的函数近似，其表达式如下：(1)式中，Q为偏移时序正误差数据的维度之积，L为一个较大的常数，Accq为第q个偏移时序正误差数据。步骤12：计算备用电厂最大发电数据Max-data，其公式如下Max_data＝Max(Acc)-RES(2)(2)式中，RES为电网已有的备用容量。所述预测不准确的额外成本模块用于接收机组时序发电成本数据，输出该光伏发电厂预测不准确的额外成本EX_cost；具体计算公式如下式(3)；(3)式中，时序发电成本数据的维度为N行P列，EX_cost是预测不准确的额外成本模块的输出数据即额外成本。所述权重更新模块通过预定方法优化更新权重的具体过程包括步骤21至步骤24：步骤21：建立权重更新模块数学模型：目标函数：精度约束函数：(4)、(5)式中，EX_cost为光伏发电厂预测不准确的额外成本；P_cost为电网的后备发电厂建设成本；O_cost为电网购买其他能源的成本，为一个常数；E_revenue为电网能源销售收入，为一个常数；α为后备发电厂建设成本在该目标函数下的权重系数，κ为不为零的常数，SCUC{Acc}为机组优化计算模块中的优化计算模对应的输出结果，RES为电网已有的备用容量，P_price为备用电厂建设单价，Accq为第q个偏移时序正误差数据，Acc为偏移时序误差数据，T为光伏时序历史数据，meαn()函数计算所有输入数据的平均值，此平均值是该函数的输出，k为最小精度百分比。步骤22：目标函数的梯度计算(6)式中，为目标函数的梯度，LT为光伏时序预测数据Y对权重的导数，⊙代表矩阵对应位置的元素相乘，即矩阵的点乘。步骤23：目标函数的黑塞矩阵计算式(7)Hess为黑塞矩阵。步骤24：第r+1次迭代时的参数更；(8)式中，λI是保证Hess(r)+λI这一项为正，其维度与与黑塞矩阵一致；W(r)代表第r次迭代的权重值，r为迭代次数。通过步骤21到步骤24，获得第r+1次迭代的权重W(r+1)，并将更新的权重值传递到机器学习模型中。进一步地，所述机组优化计算模块包括各能源机组数据模块、数学建模模块和优化计算模块；所述各能源机组数据模块包括火电厂、核电厂、水电厂中的一种或者多种不同能源的机组出力曲线以及出力范围，并将这些数据传递到数学建模模块中；数学建模模块用于接收各能源发电厂的机组数据和偏移时序正误差数据，各能源发电厂的机组数据包括各能源机组出力曲线和机组出力范围；通过输入数据和电网网架的线路潮流数据，建立机组优化模型的目标函数和网架约束函数，输出相应的数学模型；优化计算模块用于接收数学建模模块的机组优化数学模型，并求解该数学模型，输出机组时序发电成本数据。所述数学建模模块通过输入数据和电网网架的线路潮流数据，建立机组优化模型的目标函数和网架约束函数，输本文档来自技高网...

【技术保护点】
1.基于市场效益驱动的光伏发电智能预测系统的计算方法，其中预测系统包括光伏数据收集模块，机器学习模型，误差计算模块，机组优化计算模块，电网成本模块组，光伏发电厂成本模块组，总成本模块以及权重更新模块；所述光伏数据收集模收集统计光伏发电厂中的历史光伏相关数据，输出光伏不同特征空间的数据；所述机器学习模型接收权重更新模块输出的权重数据以及光伏数据收集模块的光伏相关数据，并预测光伏发电厂的光伏时序发电数据，输出该光伏发电厂的时序数据；所述误差计算模块接收机器学习模型的光伏时序预测数据和光伏数据收集模块的光伏时序历史数据，输出平均偏移误差数据和偏移时序正误差数据；所述机组优化计算模块接收偏移时序正误差数据，获得机组优化结果，输出机组时序发电成本数据；所述电网成本模块组包括后备发电厂建设成本模块、购买其他能源成本模块、能源销售收入模块和购买太阳能成本模块；所述后备发电厂建设成本模块用于接收根据误差计算模块输出的偏移时序正误差数据计算出的备用电厂最大发电数据，输出备用电厂成本；所述购买其他能源成本模块为电网向其他发电站购买能源的能源价格，能源销售收入为电网向用电用户销售能源的收入；所述购买太阳能成本模块用于接收光伏时序历史数据，输出购买太阳能价格；所述光伏发电厂成本模块组包括预测不准确的额外成本模块和太阳能销售收入模块，其中，所述预测不准确的额外成本模块用于接收机组时序发电成本数据，输出该光伏发电厂预测不准确的额外成本；所述太阳能销售收入模块用于接收光伏时序历史数据，输出光伏发电厂的太阳能销售收入；所述总成本模块用于接收电网和光伏发电厂各成本数据，通过计算输出电网和光伏发电厂的总成本数据；权重更新模块用于接收总成本模块的成本数据和由时序输出数据与光伏时序历史数据计算获得的平均偏移误差数据，由此通过预定方法优化更新权重，输出更新后的权重数据；/n其特征在于：所述根据误差计算模块输出的偏移时序正误差数据计算出的备用电厂最大发电数据的具体计算包括步骤11、步骤12：/n步骤11：获取偏移时序正误差数据，由此计算最大偏移时序正误差数据，又因为Max()函数不可导，因此采用可导的函数近似，其表达式如下：/n...

【技术特征摘要】
1.基于市场效益驱动的光伏发电智能预测系统的计算方法，其中预测系统包括光伏数据收集模块，机器学习模型，误差计算模块，机组优化计算模块，电网成本模块组，光伏发电厂成本模块组，总成本模块以及权重更新模块；所述光伏数据收集模收集统计光伏发电厂中的历史光伏相关数据，输出光伏不同特征空间的数据；所述机器学习模型接收权重更新模块输出的权重数据以及光伏数据收集模块的光伏相关数据，并预测光伏发电厂的光伏时序发电数据，输出该光伏发电厂的时序数据；所述误差计算模块接收机器学习模型的光伏时序预测数据和光伏数据收集模块的光伏时序历史数据，输出平均偏移误差数据和偏移时序正误差数据；所述机组优化计算模块接收偏移时序正误差数据，获得机组优化结果，输出机组时序发电成本数据；所述电网成本模块组包括后备发电厂建设成本模块、购买其他能源成本模块、能源销售收入模块和购买太阳能成本模块；所述后备发电厂建设成本模块用于接收根据误差计算模块输出的偏移时序正误差数据计算出的备用电厂最大发电数据，输出备用电厂成本；所述购买其他能源成本模块为电网向其他发电站购买能源的能源价格，能源销售收入为电网向用电用户销售能源的收入；所述购买太阳能成本模块用于接收光伏时序历史数据，输出购买太阳能价格；所述光伏发电厂成本模块组包括预测不准确的额外成本模块和太阳能销售收入模块，其中，所述预测不准确的额外成本模块用于接收机组时序发电成本数据，输出该光伏发电厂预测不准确的额外成本；所述太阳能销售收入模块用于接收光伏时序历史数据，输出光伏发电厂的太阳能销售收入；所述总成本模块用于接收电网和光伏发电厂各成本数据，通过计算输出电网和光伏发电厂的总成本数据；权重更新模块用于接收总成本模块的成本数据和由时序输出数据与光伏时序历史数据计算获得的平均偏移误差数据，由此通过预定方法优化更新权重，输出更新后的权重数据；
其特征在于：所述根据误差计算模块输出的偏移时序正误差数据计算出的备用电厂最大发电数据的具体计算包括步骤11、步骤12：
步骤11：获取偏移时序正误差数据，由此计算最大偏移时序正误差数据，又因为Max()函数不可导，因此采用可导的函数近似，其表达式如下：



(1)式中，Q为偏移时序正误差数据的维度之积，L为一个较大的常数，Accq为第q个偏移时序正误差数据；
步骤12：计算备用电厂最大发电数据Max-data，其公式如下
Max_data＝Max(Acc)-RES(2)
(2)式中，RES为电网已有的备用容量；
所述预测不准确的额外成本模块用于接收机组时序发电成本数据，输出该光伏发电厂预测不准确的额外成本EX_cost；具体计算公式如下式(3)；



(3)式中，时序发电成本数据的维度为N行P列，EX_cost是预测不准确的额外成本模块的输出数据即额外成本；
所述权重更新模块通过预定方法优化更新权重的具体过程包括步骤21至步骤24：
步骤21：建立权重更新模块数学模型：
目标函数：



精度约束函数：



(4)、(5)式中，EX_cost为光伏发电厂预测不准确的额外成本；P_cost为电网的后备发电厂建设成本；O_cost为电网购买其他能源的成本，为一个常数；E_revenue为电网能源销售收入，为一个常数；α为后备发电厂建设成本在该目标函数下的权重系数，κ为不为零的常数，SCUC{Acc}为机组优化计算模块中的优化计算模对应的输出结果，RES为电网已有的备用容量，P_price为备用电厂建设单价，Accq为第q个偏移时序正误差数据，Acc为偏移时序误差数据，T为光伏时序历史数据，mean()函数计算所有输入数据的平均值，此平均值是该函数的输出，k为最小精度百分比；
步骤22：目标函数的梯度计算



(6)式中，为目标函数的梯度，LT为光伏时序预测数据Y对权重的导数，⊙代表矩阵对应位置的元素相乘，即矩阵的点乘；
步骤23：目标函数的黑塞矩阵计算



式(7)Hess为黑塞矩阵；
步骤24：第r+1次迭代时的参数更；



(8)式中，λI是保证Hess(r)+λI这一项为正，其维度与与黑塞矩阵一致；W(r)代表第r次迭代的权重值，r为迭代次数；
通过步骤21到步骤24，获得第r+1次迭代的权重W(r+1)，并将更新的权重值传递到机器学习模型中。


2.根据权利要求1所述的基于市场效益驱动的光伏发电智能预测系统的计算方法，其特征在于：所述机组优化计算模块包括各能源机组数据模块、数学建模模块和优化计算模块；所述各能源机组数据模块包括火电厂、核电厂、水电厂中的一种或者多种不同能源的机组出力曲线以及出力范围，并将这些数据传递到数学建模模块中；数学建模模块用于接收各能源发电厂的机组数据和偏移时序正误差数据，各能源发电厂的机组数据包括各能源机组出力曲线和机组出力范围；通过输入数据和电网网架的线路潮流数据，建立机组优化模型的目标函数和网架约束函数，输出相应的数学模型；优化计算模块用于接收数学建模模块的机组优化数学模型，并求解该数学模型，输出机组时序发电成本数据；
所述数学建模模块通过输入数据和电网网架的线路潮流数据，建立机组优化模型的目标函数和网架约束函数，输出相应的数学模型具体方法为：各能源机组出力曲线采用分段成本函数近似，其机组优化数学模型如下：
目标函数：
约束函数：



(10)式中，约束(1)为功率平衡约束，约束(2)为潮流约束，约束(3)为机组发电约束；其中，Ci，t为第i台发电机t时刻的发电成本，Pi，j，t为第i台发电机第j天t时刻的发电量，Dj，t为第j天的t时刻的偏移时序正误差数据，PLmax为网架线路的最大潮流功率限制，SF为转...

【专利技术属性】
技术研发人员：汤瑞欣，陈斗，许方园，李星，
申请(专利权)人：南京润北智能环境研究院有限公司，
类型：发明
国别省市：江苏;32