一种分布式能源双向预测优化调度方法及系统技术方案

本发明专利技术公开了一种分布式能源双向预测优化调度方法及系统，获取历史数据、历史环境数据、历史负荷数据以及历史调度策略后并对数据进行处理，通过基于全局特征及突变特征的预测模型对处理后的数据进行特征提取和加权融合，得到第一预测结果，通过自适应预测模型进行反向分布式能源预测求解得到第二预测结果，将第一预测结果和第二预测结果复合加权融合，得到第三预测结果，利用第三预测结果构建分布式能源优化调度模型并进行求解，得到调度结果。该方法将环境、负荷、调度三者有效融合，采用双向预测进一步提高分布式能源预测的准确性，将优化调度建立在预测的基础上，使得海量分布式能源的整体调度更优化。源的整体调度更优化。源的整体调度更优化。

【技术实现步骤摘要】
一种分布式能源双向预测优化调度方法及系统


[0001]本专利技术涉及电网运行规划
，尤其涉及一种分布式能源双向预测优化调度方法及系统。

技术介绍

[0002]随着风力、光伏、现代生物能等分布式能源的高速发展，其在配电网中的占比逐步增大。由于风力和光伏等新分布式能源发电通常具有随机性、波动性和间歇性特点，传统的配电网调度方式已逐渐不能适应，亟需研究新分布式能源高渗透背景下配电网的安全、经济调度问题。
[0003]实现优化调度是建立在对各种影响因素有效的预测基础上的，包括基于环境数据对出力功率的预测，对负荷的预测等。相关技术中有采用气象数据对光伏或风力进行预测，建模方法常采用循环神经网络或长短期记忆网络，变换神经网络等。无论是循环神经网络、长短期记忆网络，都是反向传播算法计算损失函数来进行优化，序列越长，求梯度也就会越困难，即越难收敛，从而会使效果变差。变换神经网络结构能够完全消除梯度消失和梯度爆炸问题，但在预测长时间序列问题时也会出现速度变慢的问题。在优化调度策略方面，有研究从发电成本最低和环境治理成本最低角度探索最优调度策略，但是其约束条件多以分布式发电的最大出力为上限，可能导致调度策略无法实现。

技术实现思路

[0004]本专利技术提供了一种分布式能源双向预测优化调度方法及系统，通过将环境、负荷、调度三者有效融合，对分布式能源出力进行预测后再根据预测结果确定调度方案，提高了调度方案的准确性。
[0005]为了解决上述技术问题，本专利技术实施例提供了一种分布式能源双向预测优化调度方法，包括：
[0006]获取待监测区域内的历史出力数据、历史环境数据、历史负荷数据以及历史调度策略，其中，历史出力数据包括历史风力发电出力数据和历史光伏发电出力数据；
[0007]对历史出力数据和历史环境数据分别进行正交小波变换及重构处理，得到历史出力重构数据矩阵和历史环境重构数据矩阵，并将历史出力重构数据矩阵和历史环境重构数据矩阵通过基于全局特征及突变特征的预测模型进行特征提取和加权融合，得到第一出力预测结果；
[0008]将历史出力数据、历史负荷数据和历史调度策略通过自适应预测模型进行反向分布式能源出力预测求解后，得到第二出力预测结果；
[0009]对第一出力预测结果和第二出力预测结果进行复合加权融合，得到第三出力预测结果；
[0010]利用第三出力预测结果构建分布式能源优化调度模型，并对分布式能源优化调度模型求解，得到调度结果，以使配电网根据所述调度结果对能源进行调度，其中，所述调度
结果包括光伏发电功率值、风力发电功率值、储能系统运行功率值以及切负荷功率值。
[0011]实施本实施例，获取待监测区域内的历史出力数据、历史环境数据、历史负荷数据以及历史调度策略，对历史出力数据和历史环境数据分别进行正交小波变换及重构处理，得到历史出力重构数据矩阵、历史环境重构数据矩阵以及风速单支重构数据矩阵，并将历史出力重构数据矩阵、历史环境重构数据矩阵以及风速单支重构数据矩阵通过基于全局特征及突变特征的预测模型进行特征提取和加权融合，得到第一出力预测结果；将历史出力数据通过自适应预测模型进行反向分布式能源出力预测求解后，得到第二出力预测结果，对第一出力预测结果和第二出力预测结果进行复合加权融合，得到第三出力预测结果，利用第三出力预测结果构建分布式能源优化调度模型，并进行求解后得到调度结果。该方法将环境、负荷、调度三者有效融合，采用双向预测进一步提高分布式能源出力预测的准确性，将优化调度建立在预测出力的基础上，使得海量分布式能源的整体调度更优化。
[0012]作为优选方案，对历史出力数据和历史环境数据分别进行正交小波变换及重构处理，得到历史出力重构数据矩阵和历史环境重构数据矩阵，具体为：
[0013]将获取的预设时间段内的历史出力数据和历史环境数据中的各个数据进行归一化处理，得到归一化后的历史出力数据和归一化后的历史环境数据，其中，历史环境数据包括历史环境光照强度数据、历史切入风速数据和历史切出风速数据，，其中，归一化处理过程为：
[0014][0015]其中，P
WH
表示可再生能源历史风力发电出力数据、P
PVH
表示历史光伏发电出力数据、I
H
表示历史环境光照强度、V
ciH
表示历史切入风速，V
coH
表示历史切出风速、P
WH,min
,P
PVH,min
,I
H,min
，V
ciH,min
和V
coH,min
以及P
WH,max
,P
PVH,max
,P
LH,max
,I
H,max
，V
ciH,max
和V
coH,max
分别表示为历史风力发电出力数据、历史光伏发电出力数据、历史环境光照强度、历史切入风速，历史切出风速最小值和最大值，P
′
WH
、P
′
PVH
、I'
H
、V
′
ciH
以及V
′
coH
分别表示为归一化后的历史风力发电出力数据、历史光伏发电出力数据、历史环境光照强度、历史切入风速，历史切出风速；
[0016]对归一化后的历史出力数据、归一化后的历史环境数据中的各个数据分别按照预设变换公式进行正小波变换分解，得到归一化后的历史出力数据、归一化后的历史环境数据中每个数据所对应的实部树分解小波系数和虚部树分解小波系数，其中，预设变换公式为：
[0017][0018][0019]其中，x(t)是待处理的信号，表示实部树分解小波系数，表示实部树分解尺度系数，表示虚部树分解小波系数，表示虚部树分解尺度系数，ψ
h
(t)是实部小波函数，ψ
g
(t)是虚部小波函数，J表示小波分解的层数，j表示尺度因子；
[0020]根据实部树分解小波系数和虚部树分解小波系数通过重构公式计算，得到每个数据所对应的小波系数重构信号和尺度系数重构信号，其中，重构公式为：
[0021][0022][0023]其中，d
j
(t)表示为某一数据小波系数重构信号，c
J
(t)表示为某一数据尺度系数重构信号，t＝1,2，L，M，M是信号的长度，n为信号的序号，n＝1,2，L，M；表示实部树分解小波系数，表示实部树分解尺度系数，表示虚部树分解小波系数，表示虚部树分解尺度系数，ψ
h
(t)表示实部小波函数，ψ
g
(t)表示虚部小波函数，J表示小波分解的层数，j表示尺度因子；
[0024]根据各个数据的小波系数重构信号和尺度系数重构信号构建矩阵，得到历史出力重构数据矩阵和历史环境重构数据矩阵。
[0025]作为优选方案，将历史出力重构数据矩阵和历史环境重构数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种分布式能源双向预测优化调度方法，其特征在于，包括：S1：获取待监测区域内的历史出力数据、历史环境数据、历史负荷数据以及历史调度策略，其中，所述历史出力数据包括历史风力发电出力数据和历史光伏发电出力数据；S2：对所述历史出力数据和所述历史环境数据分别进行正交小波变换及重构处理，得到历史出力重构数据矩阵和历史环境重构数据矩阵，并将所述历史出力重构数据矩阵和所述历史环境重构数据矩阵通过基于全局特征及局部突变的预测模型进行特征提取和加权融合，得到第一出力预测结果；S3：将所述历史出力数据、所述历史负荷数据和所述历史调度策略通过自适应预测模型进行反向分布式能源出力预测求解后，得到第二出力预测结果；S4：对所述第一出力预测结果和所述第二出力预测结果进行复合加权融合，得到第三出力预测结果；S5：利用第三出力预测结果构建分布式能源优化调度模型，并对所述分布式能源优化调度模型求解，得到调度结果，以使配电网根据所述调度结果对能源进行调度，其中，所述调度结果包括光伏发电功率值、风力发电功率值、储能系统运行功率值以及切负荷功率值。2.如权利要求1所述的一种分布式能源双向预测优化调度方法，其特征在于，所述对所述历史出力数据和所述历史环境数据分别进行正交小波变换及重构处理，得到历史出力重构数据矩阵和历史环境重构数据矩阵，具体为：将获取的预设时间段内的所述历史出力数据和所述历史环境数据中的各个数据进行归一化处理，得到归一化后的历史出力数据和归一化后的历史环境数据，其中，所述历史环境数据包括历史环境光照强度数据、历史切入风速数据和历史切出风速数据，其中，归一化处理过程为：其中，P
WH
表示可再生能源历史风力发电出力数据、P
PVH
表示历史光伏发电出力数据、I
H
表示历史环境光照强度、V
ciH
表示历史切入风速，V
coH
表示历史切出风速、P
WH,min
,P
PVH,min
,I
H,min
，V
ciH,min
和V
coH,min
以及P
WH,max
,P
PVH,max
,I
H,max
，V
ciH,max
和V
coH,max
分别表示为历史风力发电出力数据、历史光伏发电出力数据、历史环境光照强度、历史切入风速、历史切出风速最小值和最大值，P
′
WH
、P
′
PVH
、I'
H
、V
′
ciH
以及V
′
coH
分别表示为归一化后的历史风力发电出力数据、历史光伏发电出力数据、历史环境光照强度、历史切入风速，历史切出风速；对所述归一化后的历史出力数据和所述归一化后的历史环境数据分别按照预设变换
公式进行正小波变换分解，得到所述归一化后的历史出力数据和所述归一化后的历史环境数据中每个数据所对应的实部树分解小波系数和虚部树分解小波系数，其中，所述预设变换公式为：换公式为：其中，x(t)是待处理的信号，表示实部树分解小波系数，表示实部树分解尺度系数，表示虚部树分解小波系数，表示虚部树分解尺度系数，ψ
h
(t)是实部小波函数，ψ
g
(t)是虚部小波函数，J表示小波分解的层数，j表示尺度因子；根据所述实部树分解小波系数和所述虚部树分解小波系数通过重构公式计算，得到每个数据所对应的小波系数重构信号和尺度系数重构信号，其中，所述重构公式为：个数据所对应的小波系数重构信号和尺度系数重构信号，其中，所述重构公式为：其中，d
j
(t)表示为某一数据小波系数重构信号，c
J
(t)表示为某一数据尺度系数重构信号，t＝1,2，L，M，M为重构信号的长度，n为重构信号的序号，n＝1,2，L，M；表示实部树分解小波系数，表示实部树分解尺度系数，表示虚部树分解小波系数，表示虚部树分解尺度系数，ψ
h
(t)表示实部小波函数，ψ
g
(t)表示虚部小波函数，J表示小波分解的层数，j表示尺度因子；根据各个数据的所述小波系数重构信号和所述尺度系数重构信号构建矩阵，得到历史出力重构数据矩阵和历史环境重构数据矩阵。3.如权利要求1所述的一种分布式能源双向预测优化调度方法，其特征在于，所述将所述历史出力重构数据矩阵和所述历史环境重构数据矩阵通过基于全局趋势和局部突变的预测模型进行特征提取和加权融合，得到第一出力预测结果，具体为：将所述历史出力重构数据矩阵和所述历史环境重构数据矩阵输入基于全局特征及突变特征的预测模型中，采用全局趋势特征层对各个数据进行提取，得到第一矩阵，采用局部突变特征层对各个数据进行提取，得到第二矩阵，采用稳态特征对各个数据进行提取，得到第三矩阵，其中，所述稳态特征计算公式为：x
t
＝φ0+φ1x
t
‑1+φ2x
t
‑2+L+φ
p
x
t
‑
p
+ε
t
其中，x
t
表示t时刻的数据，即提取后的数据，φ
i
(i＝1,L,p)为自回归模型系数，ε
t
表示均值为0，方差为σ2的白噪声，p表示当前预测时刻值的数据长度；对所述第一矩阵、所述第二矩阵分别进行卷积和蒸馏操作后，得到新的第一矩阵和新的第二矩阵；将所述新的第一矩阵和所述新的第二矩阵进行融合，得到第四矩阵后，再将所述第三
矩阵和所述第四矩阵进行加权融合得到第一出力预测结果。4.如权利要求3所述的一种分布式能源双向预测优化调度方法，其特征在于，所述对所述第一矩阵、所述第二矩阵分别进行卷积和蒸馏操作后，得到新的第一矩阵和新的第二矩阵，具体为：依次将所述第一矩阵和所述第二矩阵转换成向量矩阵后，将所述第一矩阵分别与预设多个权重矩阵相乘，得到所述第一矩阵对应的第一向量矩阵、第二向量矩阵和第三向量矩阵；根据预设数量的点积对所述第一向量矩阵进行近似性评估计算，得到所述第一向量矩阵中每个向量的近似性评估标准，其中，所述近似性评估标准为：其中，L
Q
和L
K
分别表示为第一向量矩阵和第二向量矩阵的长度，q
i
和k
j
是第一向量矩阵Q1和第二向量矩阵K1的第i个和第j个数据，上标T是转置运算，d表示为矩阵Q1、K1、V1的维数；根据所述第一向量矩阵中每个向量的近似性评估标准，得到每个向量对计算注意力值的贡献值，选取贡献值最大的向量作为第五矩阵，并根据所述第五矩阵通过注意力值计算公式得到概率稀疏注意力值，其中，所述概率稀疏注意力值为：其中，A(Q1,K1,V1)表示概率稀疏注意力值，Q1表示第一向量矩阵，K1表示第二向量矩阵，V1表示第三向量矩阵，d为矩阵Q1、K1、V1的维数，上标T是转置运算；根据所述概率稀疏注意力值和预设权重进行卷积和蒸馏操作后，得到新的第一矩阵和新的第二矩阵，其中，卷积和蒸馏操作过程为：其中，[g]
AB
代表经过一个注意力模块后得到的值，Conv1d是一维卷积，ELU是激活层的激活函数，MaxPool是最大池化，为t时刻经过第j+1蒸馏层后的数据，即新的第一矩阵。5.如权利要求1所述的一种分布式能源双向预测优化调度方法，其特征在于，所述将所述历史出力数据、所述历史负荷数据和所述历史调度策略通过自适应预测模型进行反向分布式能源出力预测求解后，得到第二出力预测结果，具体为：将所述历史调度策略进行扩展，得到新的历史调度策略；根据所述历史负荷数据、所述新的历史调度策略、历史切入风速、历史切出风速和所述历史环境光照强度进行构建，得到自适应预测模型，并对所述自适应预测模型进行求解，得到第二出力预测结果，其中，所述自适应预测模型包括风力自适应预测模型和光伏自适应预测模块，所述第二出力预测结果包括风力出力预测结果和光伏出力预测结果。6.如权利要求5所述的一种分布式能源双向预测优化调度方法，其特征在于，所述根据所述历史负荷数据、所述新的历史调度策略、历史切入风速、历史切出风速和所述历史环境
光照强度进行构建，得到自适应预测模型，并对所述自适应预测模型进行求解，得到第二出力预测结果，具体为：根据所述历史负荷数据、所述新的历史调度策略、所述历史切入风速和所述历史切出风速构建风力自适应预测模型，其中，所述风力自适应预测模型为:P
WH
＝β
Wi
X
Wi
+β
W
其中，P
WH
表示风力出力预测结果，β
Wi
(i＝1,2,3,4)为风力出力与相关因素之间的回归系数，β
W
为风力出力模型整体误差，X
Wi
表示风力出力预测因子矩阵，X
Wi
＝[P
LH
,D
H
,V
ciH
,V
coH
]，其中，P
LH
表示历史负荷数据、D<...

【专利技术属性】
技术研发人员：李波，赵瑞锋，辛阔，卢建刚，黄缙华，施展，张健，
申请(专利权)人：广东电网有限责任公司电力调度控制中心，
类型：发明
国别省市：