新能源不确定性下基于机器学习的合约电量优化分解方法技术

本发明专利技术公开新能源不确定性下基于机器学习的合约电量优化分解方法，所述方法包括如下步骤：首先考虑新能源下不确定性因素，完成不确定性要素提取；考虑新能源下不确定性要素约束，建立不确定性合约电量优化分解模型；提出基于机器学习算法迭代求解优化模型，得到滚动修正的合约电量分解计划；最后，根据得到的结果进行分析比较。本发明专利技术能够考虑到不确定性因素的影响，是的电量分解结果更具有说服力，用Q学习方法求解可以让结果更合理上，考虑新能源不确定性因素、电价和电量波动影响，使得电量分解结果更适用于实际，机器学习算法在针对不确定性问题时，在保证经济性和适应性方面都更加有优势。加有优势。加有优势。

【技术实现步骤摘要】
新能源不确定性下基于机器学习的合约电量优化分解方法


[0001]本专利技术涉及一种电力系统电量分解
，具体是新能源不确定性下基于机器学习的合约电量优化分解方法。

技术介绍

[0002]与国外成熟的经济增长模式不同，当前及未来一段时间内中长期交易依然会是我国主要交易方式。这种交易方式一方面可以使用户用电需求得到保障，另一方面可以发电商获得最大收益，更重要的是发电商可以根据市场的预测来做好发电计划，以维护市场的稳定。对于大的购电商来说，电力的供求是实时存在的，这就需要将中长期的合约电量分解到更小的月、日、甚至是时；对于直购电用户来说，合理地分配月度总电量与月度峰谷电量不仅可以保证直购电用户获得更高的经济利益，还可以合理避免偏差考核带来的经济损失，为后续可能存在的月度竞价交易与月内挂牌交易打好基础。
[0003]针对年度合约电量优化分解问题的研究，实际上是求解一种分解策略。而现代电力系统具有高维度、不确定性以及时变非线性等特点，导致想要解决该类问题十分困难，经典优化解析方法如内点法、梯度下降法、牛顿法和交替方向乘子算法等虽然具有较快求解本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.新能源不确定性下基于机器学习的合约电量优化分解方法，其特征在于，所述方法包括如下步骤：S1:首先考虑新能源下不确定性因素，完成不确定性要素提取；S2:考虑新能源下不确定性要素约束，建立不确定性合约电量优化分解模型；S3:提出基于机器学习算法迭代求解优化模型，得到滚动修正的合约电量分解计划；S4:最后，根据得到的结果进行分析比较。2.根据权利要求1所述的新能源不确定性下基于机器学习的合约电量优化分解方法，其特征在于，所述S1新能源下不确定性因素主要包括：光伏机组发电量的不确定性、电价变化和负荷浮动的不确定性。3.根据权利要求1所述的新能源不确定性下基于机器学习的合约电量优化分解方法，其特征在于，所述S2要考虑的不确定性要素约束如下：合约总电量约束、电价变化约束、峰谷总电量约束、峰谷分解电量上下限约束和光伏发电量不确定性约束。4.根据权利要求1所述的新能源不确定性下基于机器学习的合约电量优化分解方法，其特征在于，所述S3不确定性合约电量优化分解模型如下：其特征在于，所述S3不确定性合约电量优化分解模型如下：q
c,h,t
+q
f,h,t
+q
p,h,t
＝q
h,t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)q
c,l,t
+q
f,l,t
+q
p,l,t
＝q
l,t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)lq
h,t
≤q
c,h,t
≤mq
h,t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)lq
l,t
≤q
c,l,t
≤mq
l,t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)uq
h,t
≤q
p,h,t
≤vq
h,t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)uq
l,t
≤q
p,l,t
≤vq
l,t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)其中，p
c
、p
f
、p
p
分别为合约电价、火电电价、光伏电价；q
c,h...

【专利技术属性】
技术研发人员：李平，王蓓蓓，杨朋朋，
申请(专利权)人：东南大学，
类型：发明
国别省市：