一种基于数据驱动的电力系统闭环型预测-决策调度方法技术方案

本发明专利技术提供一种基于数据驱动的电力系统闭环型预测

【技术实现步骤摘要】
一种基于数据驱动的电力系统闭环型预测
‑
决策调度方法


[0001]本专利技术涉及电力系统优化调度领域，更具体地，涉及一种基于数据驱动的电力系统闭环型预测
‑
决策调度方法。

技术介绍

[0002]网络约束的机组组合(Network
‑
constrained unit commitment，NCUC)问题已被认为是电力系统运行和电力市场清算中最重要的应用之一。具体而言，NCUC通常由独立系统运营商(ISO)执行日前电力市场出清，以最小的系统运营成本确定最优机组组合、发电调度和备用计划。
[0003]通常，ISO在开环预测中执行NCUC，然后优化(O
‑
PO)框架，如附图1中的(a)所示。在O
‑
PO中，上游预测步骤基于传统统计度量(例如平均绝对误差)生成面向精度的预测(例如，关于可再生能源和负荷)；然后将预测作为输入，在下游优化步骤中实现NCUC。然而，统计上更准确的预测不一定能够实现更经济的NCUC计划。实际中，NCUC经济性指的是实际系统成本，包括日前NCUC计划和再调度问题中涉及的发电机的启动和停机成本，以及再调度问题的最终调度水平对应的发电机的实际发电成本，它可以在求解前一天日前NCUC(基于可再生能源预测)和重新再调度(基于给定的NCUC决策和可再生能源)问题后计算获取。
[0004]为了提高O
‑
PO的NCUC经济性，一个新兴的技术是通过将下游优化的某些信息(例如，预测引起的成本)反馈给上游预测并通过引起的成本而不仅仅是统计预测精度来衡量预测质量，来生成面向成本的预测。如附图1中的(b)所示，该思想被称为闭环预测和优化(C
‑
PO)。C
‑
PO技术通过简单而有效的数据驱动方法，以在单一步骤中执行成本导向预测和优化，并增强了经济性。然而，考虑到数据驱动方法涉及复杂约束时可能导致不可行，改进的C
‑
PO通过一种智能预测然后优化(SPO)框架来预测线性规划(LP)和混合整数线性规划(MILP)问题的目标系数。SPO框架的核心是SPO损失函数，它度量与预测相对应的最优目标与实际实现之间的差异。
[0005]最近，C
‑
PO也被应用于电力系统优化调度问题，然而，将C
‑
PO扩展到基于MILP的NCUC可能会遇到挑战，尤其是对于大规模电力系统。因此，本专利技术提出了一个具有三个模块的特征驱动C
‑
PO框架，以提高NCUC的经济性。首先，数据处理模块执行特征和场景选择，以识别正确的特征类型和训练场景。然后给定特征和场景，面向成本的建模和训练模块基于SPO损失形成了经验风险最小化(ERM)问题，该问题通过基于拉格朗日松弛(LR)的分解来解决，以获得面向成本的可再生能源预测模型。最后，闭环预测和优化模块将训练的可再生能源预测模型和NCUC公式集成为特征驱动的NCUC处方模型，该模型共同执行面向成本的可再生能源功率预测和NCUC优化。

技术实现思路

[0006]本专利技术的目的是提供一种基于数据驱动的电力系统闭环型预测
‑
决策调度方法，能够在预测阶段考虑预测值对机组组合经济性的影响，提供以机组组合经济性为导向预测
值，进而提高机组组合的经济性。
[0007]为了实现以上目的，本专利技术通过以下技术方案实现：
[0008]一种基于数据驱动的电力系统闭环型预测
‑
决策调度方法，包括如下步骤：
[0009]S1：在数据处理阶段，采用标准回归系数进行特征提取以确定最相关的特征类别，并基于Wasserstein距离为下一阶段选择训练样本；
[0010]S2：在训练阶段，基于确定的特征类别与训练样本构建以机组组合经济性为预测评价指标的ERM模型，并采用拉格朗日分解算法求解，得到以机组组合经济性为导向的可再生能源预测器；
[0011]S3：在预测
‑
决策阶段中，将可再生能源预测器嵌入至传统机组组合模型，得到可以同时进行可再生能源预测与机组组合决策的预测
‑
决策模型。
[0012]可选的，步骤S1采用标准回归系数进行特征提取以确定最相关的特征类别，具体包括：
[0013]通过以下步骤1、2量化可再生能源发电厂j上各个特征类型的重要性：
[0014]步骤1：对于可再生能源发电厂j的第t小时，确定在其历史可用可再生能源功率向量和特征向量f
t,1
,...,f
t,|N|
与回归系数β
t,j,0
,...,β
t,j,|N|
；
[0015]步骤2：通过下式计算每个特征类型n在所有|τ|小时内的平均标准回归系数(SRC)
[0016][0017]其中，σ
tj
和σ
tn
分别为和的标准差，J表示可再生能源电厂集合，N表示特征类型集合，T表示调度周期集合；
[0018]将具有最高值的特征类型n选择为可再生能源发电厂j的相关特征。
[0019]可选的，回归系数β
t,j,0
,...,β
t,j,|N|
通过最小二乘法计算：
[0020][0021]可选的，步骤S1基于Wasserstein距离为下一阶段选择训练样本，具体包括：
[0022]采用可再生能源预测功率与实际可再生能源功率之间的Wasserstein距离W
h'
来定量评估最新历史场景h
′
的极值；
[0023]将T个代表性场景的W
h'
的中值对应的场景确定为未来调度日的训练场景。
[0024]可选的，Wasserstein距离W
h'
的计算公式如下：
[0025][0026]其中，和分别为和的经验累积分布函数，表示最新历史场景h
′
下可再生能源预测出力，表示最新历史场景h
′
下可再生能源实际出力。
[0027]可选的，步骤S2基于给定的特征类别与训练样本构建以机组组合经济性为预测评
价指标的ERM模型，具体包括：
[0028]给定可再生能源在场景s的预测出力为和可再生能源在场景s的实际出力为SPO损失定义为：其中和分别是和确定的最优目标值；
[0029]利用和NCUC模型，形成如下的ERM模型，用于训练面向成本的预测模型H；
[0030][0031][0032]上式中，下标s表示场景s下所对应的变量，x表示NCUC问题中二进制变量的M维向量；y表示连续变量的向量；c和d表示成本向量；A、B和F表示常数矩阵；g是除可再生能源功率限制之外的所有约束的右手边向量；Fy≤H
*
f表示可再生能源功率极限约束；λ||H||1是用于防止H过度拟合的1范数调节项，其中λ是超调参数。
[003本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据驱动的电力系统闭环型预测
‑
决策调度方法，其特征在于，包括如下步骤：S1：在数据处理阶段，采用标准回归系数进行特征提取以确定最相关的特征类别，并基于Wasserstein距离为下一阶段选择训练样本；S2：在训练阶段，基于确定的特征类别与训练样本构建以机组组合经济性为预测评价指标的ERM模型，并采用拉格朗日分解算法求解，得到以机组组合经济性为导向的可再生能源预测器；S3：在预测
‑
决策阶段中，将可再生能源预测器嵌入至传统机组组合模型，得到可以同时进行可再生能源预测与机组组合决策的预测
‑
决策模型。2.如权利要求1所述的基于数据驱动的电力系统闭环型预测
‑
决策调度方法，其特征在于，步骤S1采用标准回归系数进行特征提取以确定最相关的特征类别，具体包括：通过以下步骤1、2量化可再生能源发电厂j上各个特征类型的重要性：步骤1：对于可再生能源发电厂j的第t小时，确定在其历史可用可再生能源功率向量和特征向量f
t,1
,...,f
t,|N|
与回归系数β
t,j,0
,...,β
t,j,|N|
；步骤2：通过下式计算每个特征类型n在所有|τ|小时内的平均标准回归系数(SRC)步骤2：通过下式计算每个特征类型n在所有|τ|小时内的平均标准回归系数(SRC)其中，σ
tj
和σ
tn
分别为和的标准差，J表示可再生能源电厂集合，N表示特征类型集合，T表示调度周期集合；将具有最高值的特征类型n选择为可再生能源发电厂j的相关特征。3.如权利要求2所述的基于数据驱动的电力系统闭环型预测
‑
决策调度方法，其特征在于，回归系数β
t,j,0
,...,β
t,j,|N|
通过最小二乘法计算：4.如权利要求1所述的基于数据驱动的电力系统闭环型预测
‑
决策调度方法，其特征在于，步骤S1基于Wasserstein距离为下一阶段选择训练样本，具体包括：采用可再生能源预测功率与实际可再生能源功率之间的Wasserstein距离W
h'
来定量评估最新历史场景h
′
的极值；将T个代表性场景的W
h'
的中值对应的场景确定为未来调度日的训练场景。5.如权利要求4所述的基于数据驱动的电力系统闭环型预测
‑
决策调度方法，其特征在于，Wa...

【专利技术属性】
技术研发人员：仇张权，王月强，黄冬，朱铮，童潇宁，黄阳，乐健，廖小兵，任意，
申请(专利权)人：国网上海市电力公司，
类型：发明
国别省市：