含多主体的能源细胞-组织关联行为预测方法技术

含多主体的能源细胞

【技术实现步骤摘要】
含多主体的能源细胞
‑
组织关联行为预测方法


[0001]本专利技术属于电力智能管理
，特别是涉及到一种含小容量光伏、风电、水电等小电源、小储能、可调负荷等多种产销主体的能源细胞
‑
组织关联行为预测方法。

技术介绍

[0002]能源细胞是集多种能源的生产、输送和利用为一体的区域能源系统，它不仅可以充当能源消费者，还拥有着大规模分布式电源和储能设备。能源细胞的主要体现形式是微网，在保证个体独立性的基础上，由于结构、能源特性、源荷及环境等的不同，各个能源细胞呈现出多形态的个体差异性。随着能源细胞
‑
组织的规模发展，能源细胞
‑
组织中主体呈多样化，近年来有文献就能源细胞
‑
组织或主动配电网(active distri
‑
bution network,ADN)的多主体调度问题进行探讨。此外，多种文献研究依赖于对双层优化模型的建立、转化和求解依然未摆脱集中式优化的窠臼，面临着对通信系统和控制系统要求高和主体隐私信息泄露的问题。
[0003]因此，目前对能源细胞
‑
组织优化调度的研究是在单能源细胞优化调度研究基础上进行:绝大部分的研究仅考虑单一主体，难以体现能源细胞主体与能源细胞
‑
组织主体的不同利益诉求；对含多主体能源细胞
‑
主题的优化调度研究中，所建立的双层优化模型依旧是基于集中式优化方法进行求解。这导致各个子能源细胞主体的隐私数据无法保护，也未能充分利用各主体自治优化运行的能力。在此背景下，对含多主体能源细胞
‑
组织的协同优化技术展开更加深入和全面的研究显得格外重要。

技术实现思路

[0004]本专利技术所要解决的技术问题是：提供一种含多主体的能源细胞
‑
组织关联行为预测方法用于解决目前对能源细胞
‑
组织优化调度的研究是在单能源细胞优化调度研究基础上进行，导致各个子能源细胞主体的隐私数据无法保护，也未能充分利用各主体自治优化运行的能力的技术问题。
[0005]含多主体的能源细胞
‑
组织关联行为预测方法，包括以下步骤，并且以下步骤顺次进行：
[0006]步骤一、建立能源细胞
‑
组织“源
‑
荷
‑
储”数学模型
[0007]A.建立分布式电源数学模型；
[0008]B.建立储能系统数学模型；
[0009]C.建立负荷系统数学模型；
[0010]D.建立可控分布式发电机组数学模型；
[0011]步骤二、利用多任务学习MTL将建立的各数学模型中的各指定信息进行学习，经由共享机制并行训练多个负荷预测子任务，共同完成多能源细胞多元负荷的预测；
[0012]步骤三、构建LSTM
‑
MTL多元负荷预测模型—多能源细胞负荷预测模型
[0013]利用多任务学习MTL训练后的各模型构建LSTM
‑
MTL多元负荷预测模型—多能源细
胞负荷预测模型，所述多元负荷预测模型构建包括离线建模和在线应用；
[0014]所述离线建模的具体步骤如下：
[0015]A.网络结构超参数选择
[0016]首先依据所建立模型特征确定部分超参数，然后对剩余超参数采用随机追踪法，利用不同超参数子空间对网络收敛速度影响程度不同，选择不同的搜索范围，以加快参数选择效率。
[0017]B.训练网络模型
[0018]将多维特征向量作为输入，负荷预测数值作为输出，自底向上训练网络，直至迭代到预设次数为止，通过多个隐含层逐层将原始数据集中的低维特征转化为高维特征，使模型学习到隐含映射关系；
[0019]a.网络参数调优:
[0020]采用Adam优化算法将验证集特征量输入训练后的LSTM
‑
MTL网络中，将输出的多元负荷预测结果与真实值进行对比并计算损失函数，依据损失函数逐代调整网络参数；
[0021]b.性能评估:鉴于所构建多元负荷预测模型在同一时间需要对多个子任务进行预测分析，因此选用LMAPE平均精度(mean accuracy，MA)指标LMA和权重平均精度(weighted mean accuracy，WMA)指标LWMA为评价指标；
[0022](4)利用训练完成后的LSTM
‑
MTL多元负荷预测模型—多能源细胞负荷预测模型对含多主体的能源细胞
‑
组织关联行为预测，获得的相应评价指标完成预测。
[0023]所述分布式电源数学模型用光伏发电机组出力与辐照度之间的关系表示：
[0024][0025]式中,P
PVG.N
表示光伏发电机组的额定出力；P
tPVG
表示光伏发电机组在t时段的有功功率；I
t
为在t时段的辐照度；I
PVG.N
为光伏发电机组的额定辐照度。
[0026]所述储能系统数学模型用储能单位时间经济调度成本函数表示：
[0027][0028]式中：C
ESS
(
·
)表示储能系统单位时间经济调度成本函数；P
tESS.C
、P
tESS.d
表示储能系统在t时段的充、放电功率；C
ESS
表示储能运行维护费用，单位为元/kWh。
[0029]所述可控分布式发电机组数学模型用可控DG在单位时间的经济调度成本函数表示：
[0030][0031]式中，C
cDG
(
·
),C
fuel
(
·
),C
m
(
·
)分别表示可控DG机组的经济调度成本函数、燃料成本函数和启停机维护费用成本函数；表示可控DG在t时段的有功功率；P
cDG,N
表示可控DG额定功率；表示可控DG机组在t时段的运行状态，1表示启动，0表示关停；Cfuel表示燃油/燃气价格，单位为元/L；a,b统称为燃料系数，a表示燃料与功率之间关系曲线斜率
(即燃料斜率)，b表示单位功率的空载油/气耗量(即燃料截距)，单位L/kWh；表示启停机成本。
[0032]所述评价指标表示为：
[0033][0034]L
MA
＝1
‑
L
MAP
E
[0035][0036]式中：y(i)和分别为第i时刻的负荷真实值和预测值；n为样本数量；α
ele
、α
cool
、α
hert
分别为电、热、冷负荷的权重；分别电、冷、热负荷的MA值。
[0037]通过上述设计方案，本专利技术可以带来如下有益效果：
[0038]本专利技术采用构建多元负荷预测模型的方法，利用多任务学本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.含多主体的能源细胞
‑
组织关联行为预测方法，其特征是：包括以下步骤，并且以下步骤顺次进行：步骤一、建立能源细胞
‑
组织“源
‑
荷
‑
储”数学模型A.建立分布式电源数学模型；B.建立储能系统数学模型；C.建立负荷系统数学模型；D.建立可控分布式发电机组数学模型；步骤二、利用多任务学习MTL将建立的各数学模型中的各指定信息进行学习，经由共享机制并行训练多个负荷预测子任务，共同完成多能源细胞多元负荷的预测；步骤三、构建LSTM
‑
MTL多元负荷预测模型—多能源细胞负荷预测模型利用多任务学习MTL训练后的各模型构建LSTM
‑
MTL多元负荷预测模型—多能源细胞负荷预测模型，所述多元负荷预测模型构建包括离线建模和在线应用；所述离线建模的具体步骤如下：A.网络结构超参数选择首先依据所建立模型特征确定部分超参数，然后对剩余超参数采用随机追踪法，利用不同超参数子空间对网络收敛速度影响程度不同，选择不同的搜索范围，以加快参数选择效率。B.训练网络模型将多维特征向量作为输入，负荷预测数值作为输出，自底向上训练网络，直至迭代到预设次数为止，通过多个隐含层逐层将原始数据集中的低维特征转化为高维特征，使模型学习到隐含映射关系；a.网络参数调优:采用Adam优化算法将验证集特征量输入训练后的LSTM
‑
MTL网络中，将输出的多元负荷预测结果与真实值进行对比并计算损失函数，依据损失函数逐代调整网络参数；b.性能评估:鉴于所构建多元负荷预测模型在同一时间需要对多个子任务进行预测分析，因此选用LMAPE平均精度(mean accuracy，MA)指标LMA和权重平均精度(weighted mean accuracy，WMA)指标LWMA为评价指标；(4)利用训练完成后的LSTM
‑
MTL多元负荷预测模型—多能源细胞负荷预测模型对含多主体的能源细胞
‑
组织关联行为预测，获得的相应评价指标完成预测。2.根据权利要求1所述的含多主体的能源细胞
‑
组织关联行为预测方法，其特征...

【专利技术属性】
技术研发人员：李政平，苑经纬，王晓东，杨超，王千，何海，赵郁婷，郑乔，石亮，李阳，裴志男，佐奉强，关麒，赵卓，戴晓嘉，谢怀影，郭大川，
申请(专利权)人：东北大学国家电网有限公司，
类型：发明
国别省市：