一种计及泛在电力物联与边缘计算的需求侧资源柔性调度方法技术

本发明专利技术公开一种计及电力物联与边缘计算的需求侧资源柔性调度方法。所述调度方法包括：构建泛在电力物联网背景下需求侧资源的柔性调度框架；分析分布式电源、负荷、储能等广义需求侧资源的运行特性，构建风电、光伏等分布式电源和电力负荷的时序预测模型，研究需求侧资源多时间尺度柔性调度控制技术；构建以配电网运行者为主导者、电力用户为从属者的Stackleberg博弈模型，结合云计算和边缘计算技术，采用机器学习方法对模型进行求解，得到需求侧资源多时间尺度柔性调度结果。需求侧资源多时间尺度柔性调度结果。需求侧资源多时间尺度柔性调度结果。

【技术实现步骤摘要】
一种计及泛在电力物联与边缘计算的需求侧资源柔性调度方法


[0001]本专利技术涉及能源领域，特别是涉及一种计及泛在电力物联与边缘计算的需求侧资源柔性调度方法。

技术介绍

[0002]大力发展风、光等可再生能源，是应对能源环境问题的必然选择。可再生能源的迅猛发展、电力尖峰负荷的逐年升高以及大规模电动汽车、储能、微网等双向功率单元的接入，给电力系统的经济运行和安全管理提出了巨大的挑战。随着以人工智能、大数据和物联网为主要驱动力的第四次工业革命的到来，“互联网+新能源”的新型能源发展方式逐渐形成。物联网技术通过泛在的感知技术赋予电力系统动态的灵活感知、实时通信、智能控制和可靠的信息安全等能力，不断提升电网运行控制和调度的智能化水平，持续深入提高各种类型能源之间的互动能力，从而使电网从单纯的电力传输网络向智能能源信息一体化基础设施扩展。然而电力物联网的建设要求在配用电系统中广泛接入海量的物联网终端，使得原有安全边界变得模糊。因此，需要开展计及泛在电力物联与边缘计算的需求侧资源柔性调度方法的相关研究，为得到电网柔性调度的架构和方法提供支撑。

技术实现思路

[0003]本专利技术的目的是提供一种泛在电力物联与边缘计算的需求侧资源多时间尺度柔性调度方法及系统。
[0004]为实现上述目的，本专利技术提供了如下方案：
[0005]一种计及泛在电力物联与边缘计算的需求侧资源柔性调度方法，所述优化调度方法包括：
[0006]分析广义需求侧资源的运行特性；
[0007]构建风电、光伏等分布式电源和电力负荷的时序预测模型；
[0008]建立基于边缘计算的主动配电网模型；
[0009]构建泛在电力物联网背景下需求侧资源的柔性调度框架；
[0010]建立各类需求侧资源的经济性模型；
[0011]提出基于Stackleberg博弈的需求侧资源多时间尺度柔性调度控制方法；
[0012]设计基于机器学习的博弈均衡分布式求解方法。
[0013]可选的，所述的广义需求侧资源的运行特性具体包括：
[0014]1)分布式电源特性。一般可分为两类：可调度分布式电源(如燃料电池、微型燃气轮机等)和不可调度分布式电源(如风电、光伏发电等)，需要说明的是，此处的不可调度是指无法完全控制其出力。度、表面湿度和温度等因素，因此其输出功率具有较大的波动性。风力机组输出功率的主要影响因素为实时风速，可以采用概率模型来描述风速的随机性。
[0015]2)负荷特性。需求侧存在着大量能与电网友好合作的电力负荷，具有很大的调节
潜力。商业负荷，主要是指商业部门的照明、空调、动力等用电负荷，覆盖面积大，且用电增长平稳，商业负荷同样具有季节性波动的特性。虽然商业负荷在电力负荷中所占比重不及工业负荷，但商业负荷中的照明类负荷占用电力系统高峰时段。此外，商业部门由于商业行为在节假日会增加营业时间，从而成为节假日中影响电力负荷的重要因素之一。
[0016]工业负荷是指用于工业生产的用电，一般工业负荷的比重在用电构成中居于首位，它不仅取决于工业用户的工作方式(包括设备利用情况、企业的工作班制等)，而且与各行业的行业特点、季节因素都有紧密的联系，一般负荷是比较恒定的。从以上分析可知电力负荷的特点是经常变化的，不但按小时变、按日变，而且按周变，按年变，同时负荷又是以天为单位不断起伏的，具有较大的周期性，负荷变化是连续的过程，一般不会出现大的跃变，但电力负荷对季节、温度、天气等是敏感的，不同的季节，不同地区的气候，以及温度的变化都会对负荷造成明显的影响。
[0017]3)储能特性。根据存储电能方式的不同，可以将储能分为电化学、电磁和物理储能三类。考虑到经济环境、建造难度以及技术水平等影响用户侧装备储能的因素，本文聚合管理的储能主要为电化学储能。电化学储能将电能转换为化学能进行存储，如锂离子电池、铅酸电池、钠硫电池、液流电池等各种储能电池。储能装置对分布式电源出力随机性和负荷预测的不确定性具有互补的作用，从而使广义负荷聚合商在电力市场交易中获取较多的利润。
[0018]可选的，所述风电、光伏等分布式电源和电力负荷的时序预测模型具体包括：
[0019](1)获取光伏电站最近一年的出力数据及气象数据(水平辐射度(GHR)、水平散射辐射度(DHR)、风速(WS)、环境温度(T)、相对湿度(RH))，形成数据集。删除数据集中的异常值并补充缺失值，将数据集的每个维度通过下式归一化为(0
‑
1)的范围，使之标准化。
[0020][0021]其中，是标准化后的数据，x
i
是原始数据，x
max
、x
min
分别是原始数据的最大值和最小值。
[0022](2)对数据进行训练集、测试集和验证集划分，其中训练集为整个数据集的72％，验证集为整个数据集的18％，测试集为整个数据集的10％。
[0023](3)对各个气象因素与光伏电站功率输出之间的皮尔逊相关系数r进行计算,通过热力图来呈现并选取光伏功率预测模型的输入因素。
[0024](4)通过遗传算法寻找Bi
‑
LSTM模型的最优参数和结构,并利用训练集对模型进行训练，进而通过验证集进行验证。计算四个预测评价指标来对模型预测效果进行评估：均方误差、均方根误差、平均绝对误差和R2。各评估指标定义如下：
[0025]均方根误差(RMSE)：
[0026]均方误差(MSE)：
[0027]平均绝对误差(MAE)：
[0028]R2：
[0029]基于混合深度学习的风电功率预测：
[0030](1)获取风电站最近一年的出力数据及气象数据(历史风电功率输出(WP)、不同高度的历史风速(WS)和风向(WD)、相对湿度(H)、降雨量(R)和气压(P)，形成数据集。
[0031](2)删除数据集中的异常值并补充缺失值，采用平均值归一化(AVN)和极差归一化(PDN)方法，将数据集的每个维度归一化为(0
‑
1)的范围。
[0032]平均值归一化(AVN)公式：
[0033]极差归一化(PDN)公式：
[0034]其中，是标准化后的数据，x
i
是原始数据，μ是平均值，x
max
、x
min
分别是原始数据的最大值和最小值。
[0035](3)对数据进行训练集、测试集和验证集划分，其中训练集为整个数据集的65％，验证集为整个数据集的20％，测试集为整个数据集的15％。
[0036](4)利用灰色关联分析(GCA)筛选风电功率的影响因素,并作为混合深度学习模型的输入。
[0037](5)通过试错改进方法确定混合深度学习模型BiLSTM
‑
CNN的结构和参数，并利用训练集对模型进行训练，进而通过验证集进行验证。同时,为了验证提出模型的风电预测的精准度，将所提出模型与其他深度学习模型进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种计及泛在电力物联与边缘计算的需求侧资源柔性调度方法，其特征在于，所述调度方法包括：分析广义需求侧资源的运行特性；构建风电、光伏分布式电源和电力负荷的时序预测模型；建立基于边缘计算的主动配电网模型；构建泛在电力物联网背景下需求侧资源的柔性调度框架；建立各类需求侧资源的经济性模型；提出基于Stackleberg博弈的需求侧资源多时间尺度柔性调度控制方法；设计基于机器学习的博弈均衡分布式求解方法。2.根据权利要求1所述的一种计及泛在电力物联与边缘计算的需求侧资源柔性调度方法，其特征在于，所述的广义需求侧资源的运行特性具体包括：分布式电源特性、负荷特性和储能特性。3.根据权利要求2所述的一种计及泛在电力物联与边缘计算的需求侧资源柔性调度方法，其特征在于，所述分布式电源特性分为两类：可调度分布式电源和不可调度分布式电源，所述可调度分布式电源包括燃料电池和微型燃气轮机，所述不可调度分布式电源包括风电和光伏发电，所述不可调度是指无法完全控制其出力，表面湿度和温度因素，因此其输出功率具有波动性，风力机组输出功率的影响因素为实时风速，采用概率模型来描述风速的随机性；所述负荷特性包括商业负荷和工业负荷，所述商业负荷是指商业部门的照明、空调、动力用电负荷，覆盖面积大，且用电增长平稳，商业负荷同样具有季节性波动的特性，虽然商业负荷在电力负荷中所占比重不及工业负荷，但商业负荷中的照明类负荷占用电力系统高峰时段，商业部门由于商业行为在节假日会增加营业时间，从而成为节假日中影响电力负荷的重要因素之一；工业负荷是指用于工业生产的用电，工业负荷的比重在用电构成中居于首位，它不仅取决于工业用户的工作方式，而且与各行业的行业特点、季节因素都有紧密的联系，负荷是比较恒定的；所述储能特性根据存储电能方式的不同，将储能分为电化学、电磁和物理储能三类。4.根据权利要求1所述的一种计及泛在电力物联与边缘计算的需求侧资源柔性调度方法，其特征在于，所述构建风电、光伏分布式电源和电力负荷的时序预测模型具体包括：基于GA
‑
BiLSTM的光伏功率预测：(1)获取光伏电站最近一年的出力数据及气象数据包括水平辐射度、水平散射辐射度、风速、环境温度、相对湿度，形成数据集；删除数据集中的异常值并补充缺失值，将数据集的每个维度通过下式归一化为0
‑
1的范围，使之标准化：其中，是标准化后的数据，x
i
是原始数据，x
max
、x
min
分别是原始数据的最大值和最小值；(2)对数据进行训练集、测试集和验证集划分，其中训练集为整个数据集的72％，验证集为整个数据集的18％，测试集为整个数据集的10％；
(3)对各个气象因素与光伏电站功率输出之间的皮尔逊相关系数r进行计算，通过热力图来呈现并选取光伏功率预测模型的输入因素；(4)通过遗传算法寻找Bi
‑
LSTM模型的最优参数和结构，并利用训练集对模型进行训练，进而通过验证集进行验证；计算四个预测评价指标来对模型预测效果进行评估：均方误差、均方根误差、平均绝对误差和R2，各评估指标定义如下：均方根误差RMSE：均方误差MSE：平均绝对误差MAE：R2：基于混合深度学习的风电功率预测：(1)获取风电站最近一年的出力数据及气象数据包括历史风电功率输出、不同高度的历史风速和风向、相对湿度、降雨量和气压，形成数据集；(2)删除数据集中的异常值并补充缺失值，采用平均值归一化和极差归一化方法，将数据集的每个维度归一化为0
‑
1的范围；平均值归一化公式：极差归一化公式：其中，是标准化后的数据，x
i
是原始数据，μ是平均值，x
max
、x
min
分别是原始数据的最大值和最小值；(3)对数据进行训练集、测试集和验证集划分，其中训练集为整个数据集的65％，验证集为整个数据集的20％，测试集为整个数据集的15％；(4)利用灰色关联分析筛选风电功率的影响因素,并作为混合深度学习模型的输入；(5)通过试错改进方法确定混合深度学习模型BiLSTM
‑
CNN的结构和参数，并利用训练集对模型进行训练，进而通过验证集进行验证；同时，为了验证提出模型的风电预测的精准度，将所提出模型与其他深度学习模型进行比较；模型预测效果进行评估的预测评价指标为:均方根误差，平均绝对误差和R2；(6)混合深度学习模型BiLSTM
‑
CNN通过测试集进行测试。5.根据权利要求1所述的一种计及泛在电力物联与边缘计算的需求侧资源柔性调度方法，其特征在于，所述基于边缘计算的主动配电网模型具体包括：主动配电网的边缘计算层次架构由物理系统、信息网络系统和控制系统3个层次结构
组成：
①
主动配电网中的物理系统指各种电力设备，物理系统经过各传感器节点将数据传输存储至CPS局域网，对实时采集的信息和局部中心下发的控制立即执行；
②
CPS局域网和CPS网络形成信息通信网络系统，支撑了边缘计算节点的分布式计算、云主站计算中心的集中式计算和控制中心的控制；
③
配网划分为多个独立运行的控制区域，通过不同边缘计算节点与整体配电系统进行双向信息通信和物理控制，实现通过云主站进行集中控制、计算，或通过边缘计算节点进行分散控制、计算的分层协调方式。6.根据权利要求1所述的一种计及泛在电力物联与边缘计算的需求侧资源柔性调度方法，其特征在于，所述泛在电力物联网背景下需求侧资源的柔性调度框架具体包括：电网作为调度任务的决策者，将分配后的任务下发给聚合商；任务分配考虑两情况：当聚合商上报的可调负荷容量总和小于电网的评估值时，电网提高对聚合商的补偿以调动用户参与积极性，直到上报的可调度负荷容量总和满足要求，进而进行消纳任务分配；当聚合商上报的可调度负荷容量总和大于或近似电网评估值时，以聚合商提供的负荷容量范围为准，进行消纳任务分配；需求侧资源聚合者作为博弈框架的引导者，其通过聚合大规模差异化需求侧资源的灵活性，响应电网调控需求；基于电网的价格信号，通过制定...

【专利技术属性】
技术研发人员：鲁鹏，吕昊，刘念，王铁强，卞潇颖，张文武，
申请(专利权)人：华北电力大学泰豪软件股份有限公司，
类型：发明
国别省市：