一种基于时间序列与优化结合的智能调度优化方法技术

本发明专利技术实施例公开了一种基于时间序列与优化结合的智能调度优化方法，使用时间序列预测模型可以有效地提取历史序列的特征并快速预测未来的序列指令。使用时间预测与优化方法结合不仅可以协调多种调节资源的功率指令分布，还可以实现当前和未来时间控制区间的优化。在预测主网运行状态转换的基础上，使用时间预测框架模型可以有效地考虑当前和未来的时间控制间隔，并通过实施时间预测与优化方法结合优化来有效优化调度方案。通过实施时间预测与优化方法结合优化来有效优化调度方案能够有效综合多种能源的调度优化，还能综合多个优化时刻的优化过程，从而提高解的质量，从而可以减少区域控制误差,频率偏差均值和总功率偏差，并有效地提高跟踪精度。并有效地提高跟踪精度。并有效地提高跟踪精度。

【技术实现步骤摘要】
一种基于时间序列与优化结合的智能调度优化方法


[0001]本专利技术涉及电网能源调度方法，尤其涉及一种基于时间序列与优化结合的智能调度优化方法。

技术介绍

[0002]随着电力电子技术的发展和电池技术的突破，各种风电场（wind farms，WF）和光伏发电系统（photovoltaic power systems ，PV）以及其他可再生能源被连接到能源互联网。为了充分利用WF和PV的快速调节性能，协调主电网和能源互联网调度之间的分配是非常关键的。由于越来越多的分布式能源资源渗透到电网中，能源互联网调度调度的优化难度和时间都很大。事实上，工程调度方法主要涉及调度机组的比例容量或一些基于性能的调节市场（如中国南方电网（China Southern Power Grid,CSG））中的机组调节性能。由于缺乏优化机制，这些比例方法很难照顾到经济指标、调度单位的协调和可再生能源的利用。传统的调度分配研究主要关注当前和过去的时间区间，而忽略了下一个时间控制区间的干扰，这对优化结果产生了负面影响。
[0003]首先，为了提高优化调度方案的质量，能源互联网调度不仅要在调度机组之间进行协调，而且要在控制时间间隔之间进行协调，这意味着调度应该包括一个预测机制来指导调度方案的优化。最近，人们普遍采用长短期记忆网络（LSTM）和门控递归机组网络（GRU）等神经网络来预测时间序列。但是，由于电网的时间控制间隔较短（约4s），这些训练网络方法并不适用于实际电网。另一种常用的时间序列预测方法是自回归积分移动平均模型（ARIMA），它的优点是计算速度快，参数少，预测机制简单。它主要采用历史序列，根据历史数据的差异来预测未来序列中的几个时间区间的数据。因此，在这项工作中，我们采用ARIMA模型来预测主网的总调控指令，其依据是指令的历史序列。
[0004]此外，应根据各调度单位的调节性能，将当前和预测的功率指令亲切地分配给各调度单位。特别是，电力指令的分配是一个具有非线性、多变量和动态过程特点的问题。目前广泛使用的解决该问题的方法是启发式算法和基于梯度的最优算法，如内点法，而基于梯度的方法在搜索全局解时表现不佳，因此无法获得高质量的电力系统调度方案。

技术实现思路

[0005]本专利技术实施例所要解决的技术问题在于，提供一种基于时间序列与优化结合的智能调度优化方法。可在综合多种能源的调度、多个优化时刻的优化过程，从而提高解的质量。
[0006]为了解决上述技术问题，本专利技术实施例提供了一种基于时间序列与优化结合的智能调度优化方法，包括以下步骤：S1：调度系统的控制器接收由负荷引起的频率波动，输出相应的功率调度信号来平衡负荷扰动；S2：收集了控制器多个时刻的调度信号，对下个时刻的调度信号预测；
S3：根据当前时刻的总调度信号和预测算法输出的下一时刻总调信号对当前时刻的调度信号进行最优化分配，给各个能源互联网机组；S4：使用水循环算法，根据输入的总功率调节序列和机组约束调节，综合多种能源机组和多个优化时刻，实现总功率偏差最小的调度优化；S5：使用适应度计算根据目标函数进行修改计算；S6：使用每个个体的适应度函数值对每个个体进行海洋、河流、溪流个体划分，将整个算法的种群个体应表示为如下整个算法的种群个体应表示为如下是所有种群个体的位置集合，是划分的第i条溪流个体的位置，是划分第j调河流个体的位置，是海洋个体的位置（即最优个体的位置）。是初始化的溪流个体数目，是初始化的河流个体数目。
[0007]进行个体位置、流动、蒸发更新；S7：通过循环执行S5的适应度评价和S6的位置更新，并执行部分个体蒸发操作，避免陷入局部最优，最终收敛到最优解，寻找到最优的个体，最优个体的前n个维度为当前的最优调度计划。
[0008]其中，所述S2中包括对时间序列预测方法采用传统自回归移动平均模型对调度信号进行预测。
[0009]其中，所述S2具体包括：对于时间间隔k的下一时刻调度信号预测可以根据历史总调控指令的时间序列进行确定，由以下公式给出行确定，由以下公式给出行确定，由以下公式给出其中 是在第)个控制区间的预测总功率指令，代表第k个时间间隔的序列差，是第k个时间间隔下收集的调度信号历史序列，为i阶序列滞后的相应系数，为i阶序列差异滞后的相应系数。
[0010]其中，所述S3还包括优化能源互联网调度模型的约束和优化的目标函数的步骤：S31：调控方向的一致性约束，在第k个控制间隔，机组功率指令的调节方向应与总调节指令的方向完全一致：其中是第i个调度机组在第k个控制间隔内收到的输入功率指令，而 表示第k个控制时刻下的总调度信号；
S32：功率平衡约束，在第k个控制间隔，所有调度机组收到的功率调节输入指令的总和应等于主网发出的总功率调节指令，表达式为：S33：调节能力约束，在第k个控制间隔，所有调度机组收到的功率调节输入指令不应超过其最小和最大容量，表达式为：其中和 是第i个调度机组的最小和最大容量；S34：爬坡约束，对包括燃煤机组、水电机组和天然气其中之一的机组的动态响应模型应使用爬坡约束，机组的具体输出应受到限制，如下表达式：其中 是第i个调度机组在第k个控制间隔下的输出功率指令， 代表一个控制间隔的时间长度，是第i个机组的最大爬坡约束。
[0011]其中，所述S3还包括削减系统的总功率偏差的步骤：其中 是在虚拟的第k+1个控制区间的预测总功率指令，是在第k+1个控制区间中第i个机组的最佳功率输出，代表第k时刻第i个机组的实际输出，第k时刻下的机组根据预测的总调度信号模拟下的所有调度机组的总功率输出。
[0012]其中，所述S4还包括步骤：S41：种群初始化，使用2n个优化变量来对调度计划进行寻优，前n个为本时刻的调度优化计划，后n个变量为预测的下一个时刻的优化变量；S42：根据机组的容量上下限和生成初始化群体；S43：下一个时刻的机组分配计划根据此刻的容量上下限进行分配：
其中 代表一个初始化解决方案的第i个调度机组。
[0013]其中，所述S5通过以下公式进行适应度计算：其中 代表第j个种群个体的目标函数值， 代表第j个种群个体的适合度值，以及 和 分别为第b个机组（b机组为选取满足功率平衡约束的平衡机组）的最小和最大调节容量。
[0014]其中，所述S6还包括步骤：S61：优化算法的个体位置更新，公式为：S61：优化算法的个体位置更新，公式为：其中 代表第i条溪流个体的位置， 代表第i条河流个体的位置，以及 代表海洋个体的位置；S62：优化算法的个体流动更新，根据适应度排名的个体位置来更新河流的位置，根据具有最佳适应度值的河流的位置来更新海洋个体的位置；S63：溪流的蒸发更新操作：若溪流距离海洋距离较远，根据机组的上下限约束，对个体的位置进行随机化处理，根据蒸发情况，更新水流的位置，公式如下：体的位置进行随机化处理，根据蒸发情况，更新水流的位置，公式如下：其中 表示溪流蒸发操作后的新位置， 是一个正态分布的随机数，并且 是第i条河流的距离搜索强度，根据初始搜索强度迭代更新, 是前面初始化的最本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时间序列与优化结合的智能调度优化方法，其特征在于，包括以下步骤：S1：调度系统的控制器接收由负荷引起的频率波动，输出相应的功率调度信号来平衡负荷扰动；S2：收集了控制器多个时刻的调度信号，对下个时刻的调度信号预测；S3：根据当前时刻k的总调度信号和预测算法输出的下一时刻总调信号对当前时刻的调度信号进行最优化分配，给各个能源互联网机组；S4：使用水循环算法，根据输入的总功率调节序列和机组约束调节，综合多种能源机组和多个优化时刻，实现总功率偏差最小的调度优化；S5：使用适应度计算根据目标函数进行修改计算；S6：使用每个个体的适应度函数值对每个个体进行海洋、河流、溪流个体划分，将整个算法的种群个体应表示为如下：其中，是所有种群个体的位置集合，是划分的第i条溪流个体的位置，是划分第j调河流个体的位置，是海洋个体的位置，是初始化的溪流个体数目，是初始化的河流个体数目；进行个体位置、流动、蒸发更新；S7：通过循环执行S5的适应度评价和S6的位置更新，并执行部分个体蒸发操作，避免陷入局部最优，最终收敛到最优解，寻找到最优的个体，最优个体的前n个维度为当前的最优调度计划。2.根据权利要求1所述的基于时间序列与优化结合的智能调度优化方法，其特征在于，所述S2中包括对时间序列预测方法采用传统自回归移动平均模型对调度信号进行预测。3.根据权利要求2所述的基于时间序列与优化结合的智能调度优化方法，其特征在于，所述S2具体包括：对于时间间隔k的下一时刻调度信号预测可以根据历史总调控指令的时间序列进行确定，由以下公式给出定，由以下公式给出定，由以下公式给出其中 是在第)个控制区间的预测总功率指令，代表第k个时间间隔的序列差，是第k个时间间隔下收集的总调度信号历史序列，表示第k个控制时刻下的总调度信号，为i阶序列滞后的相应系数，为i阶序列差异滞后的相应系数。4.根据权利要求3所述的基于时间序列与优化结合的智能调度优化方法，其特征在于，
所述S3还包括优化能源互联网调度模型的约束和优化的目标函数的步骤：S31：调控方向的一致性约束，在第k个控制间隔，机组功率指令的调节方向应与总调节指令的方向完全一致：其中是第i个调度机组在第k个控制间隔内收到的输入功率指令，而 表示第k个控制时刻下的总调度信号；S32：功率平衡约束，在第k个控制间隔，所有调度机组收到的功率调节输入指令的总和应等于主网发出的总功率调节指令，表达式为：S33：调节能力约束，在第k个控制间隔，所有调度机组收到的功率调节输入指令不应超过其最小和最大容量，...

【专利技术属性】
技术研发人员：胡志佩，李创芝，蒙蝶，张桂源，
申请(专利权)人：汕头大学，
类型：发明
国别省市：