一种基于负荷预测的配电网储能双层规划方法技术

本发明专利技术涉及一种基于负荷预测的配电网储能双层规划方法，包括以下步骤：获取配电网的日负荷曲线；基于

【技术实现步骤摘要】
一种基于负荷预测的配电网储能双层规划方法


[0001]本专利技术涉及配电网规划领域，尤其是涉及一种基于负荷预测的配电网储能双层规划方法
。

技术介绍

[0002]随着全球的电力需求持续增长，以化石燃料为来源的发电必然使二氧化碳排放量增加从而加剧温室效应
。
而在配电网中安装分布式能源
(DERs)
，如风机
(WT)、
光伏
(PV)
，有助于减少温室气体排放
。
随之而来的问题是由于
DERs
的不确定性和间歇性而导致的高放弃率
。
为了解决这个问题，已经引入了储能来解决在配电网规划过程中随机能量产生与电力需求之间的时空不平衡
。
因此，研究如何选取储能电站安装的位置和容量在配电网中是十分必要的
。
除此以外，电力负荷的不确定性和随机性因素也影响着储能电站的位置与容量
。
但是现有储能电站的规划研究中，重点仅仅在于储能，忽略了电力负荷的不确定性因素，因此如何预测电力负荷对储能的规划也至关重要，同时电力负荷预测有助于维持发电端和用电端的动态平衡，可以为电网的综合调度提供可靠依据，从而保障电力系统稳定且高效地运行
。
所以在研究储能的同时，电力系统短期负荷预测对提高电力系统运行的经济性与安全稳定性具有重要的指导意义
。
[0003]现阶段，基于机器学习的负荷预测已经成为相关领域研究和应用的热点之一，尤其是深度递归网络/>(RNN)
和长短期记忆
(LSTM)
网络能够同时处理时序性和非线性问题，使得深度学习模型在负荷预测中被广泛应用
。
陈锦鹏等提出了
《
二次模态分解组合
DBiLSTMMLR
的综合能源系统负荷预测
》
，采用双向长短期记忆
(BILSTM)
网络进行负荷预测，证明了相较于
LSTM
，
BILSTM
对于连续时间序列具有更好的表达能力
。
在使用深度学习模型进行短期负荷预测前，需要选取影响负荷变化的因素作为输入特征，包括气象
、
日期和历史负荷值等
。
但其未能深入挖掘负荷波动规律，从而不能从负荷波动中提取出有效
、
全面的预测信息，也未能将负荷预测运用到储能规划中
。

技术实现思路

[0004]本专利技术的目的是为了提供一种基于负荷预测的配电网储能双层规划方法，首先为了从负荷波动中提取出有效全面的预测信息和进一步提高预测精度，基于
k
‑
means++
聚类，建立考虑特征重要性值波动的互信息
(mutual information
，
MI)
法和
BILSTM
短期负荷预测模型；在负荷预测的基础上建立了配电网储能规划双层模型，上层以储能年投资成本最小为目标，下层以配电网日运行成本最小为目标，同时引入二阶锥松弛转化模型非凸约束，实现配电网在储能规划中的最优经济性
。
[0005]本专利技术的目的可以通过以下技术方案来实现：
[0006]一种基于负荷预测的配电网储能双层规划方法，包括以下步骤：
[0007]步骤
1)
获取配电网的日负荷曲线；
[0008]步骤
2)
基于
k
‑
means++
聚类对日负荷曲线进行聚类分析，划分日负荷场景；
[0009]步骤
3)
针对不同的日负荷场景，分别提取输入特征的重要性值波动矩阵；
[0010]步骤
4)
建立
BILSTM
短期负荷预测模型，以重要性值波动矩阵作为系数修正
BILSTM
模型的输入特征，得到各个场景下的短期负荷预测结果；
[0011]步骤
5)
基于短期负荷预测结果，建立配电网储能规划双层模型，上层以储能年投资成本最小为目标，下层以配电网日运行成本最小为目标，引入二阶锥松弛转化模型非凸约束，采用双层优化算法求解配电网储能规划双层模型，实现配电网在储能规划中的最优经济性
。
[0012]所述
k
‑
means++
聚类以气象特征作为输入，对日负荷场景细分
。
[0013]所述
k
‑
means++
聚类时，采用轮廓系数法对聚类结果进行聚类有效性检验，其中，所述轮廓系数法的计算公式为：
[0014][0015]式中：
y(i)
表示日负荷序列到其所属簇中其他负荷序列的距离；
x(i)
表示日负荷序列到某一不包含它的簇内的所有负荷序列的平均距离；
z(i)
表示轮廓系数值，其值介于
[
‑
1,1]，当其趋近于1时代表负荷日聚类效果相对较优
。
[0016]所述重要性值波动矩阵中的元素为
MI
值，所述
MI
值的计算公式为：
[0017][0018]式中：
M(H,K)
为随机变量
H
和
K
之间的
MI
值；
h
HK
(h,k)
为随机变量
H
和
K
的联合概率密度函数，其中，
h
和
k
分别为
H
和
K
中的元素；
h
H
(h)
为随机变量
H
的边缘概率密度函数；
k
K
(k)
为随机变量
K
的边缘概率密度函数；两个变量间的相关性越强，
MI
值越大，当两个变量相互独立时，
MI
值为
0。
[0019]所述步骤
3)
包括以下步骤：
[0020]步骤3‑
1)
确定输出负荷数据集：根据日负荷场景划分结果，将电力负荷数据集按照一天中的负荷采样点个数分成
n
组，并将其作为输出数据集
P
＝
[P1,P2,
…
,P
t
,
…
,P
n
]，其中，
P
t
为
t
时刻输出的负荷数据；
[0021]步骤3‑
2)
确定输入特征数据集：取与输出负荷数据集相对应的输入特征矩阵
E
，即
[0022][0023]其中，
t
时刻输出
P
t<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于负荷预测的配电网储能双层规划方法，其特征在于，包括以下步骤：步骤
1)
获取配电网的日负荷曲线；步骤
2)
基于
k
‑
means++
聚类对日负荷曲线进行聚类分析，划分日负荷场景；步骤
3)
针对不同的日负荷场景，分别提取输入特征的重要性值波动矩阵；步骤
4)
建立
BILSTM
短期负荷预测模型，以重要性值波动矩阵作为系数修正
BILSTM
模型的输入特征，得到各个场景下的短期负荷预测结果；步骤
5)
基于短期负荷预测结果，建立配电网储能规划双层模型，上层以储能年投资成本最小为目标，下层以配电网日运行成本最小为目标，引入二阶锥松弛转化模型非凸约束，采用双层优化算法求解配电网储能规划双层模型，实现配电网在储能规划中的最优经济性
。2.
根据权利要求1所述的一种基于负荷预测的配电网储能双层规划方法，其特征在于，所述
k
‑
means++
聚类以气象特征作为输入，对日负荷场景细分
。3.
根据权利要求1所述的一种基于负荷预测的配电网储能双层规划方法，其特征在于，所述
k
‑
means++
聚类时，采用轮廓系数法对聚类结果进行聚类有效性检验，其中，所述轮廓系数法的计算公式为：式中：
y(i)
表示日负荷序列到其所属簇中其他负荷序列的距离；
x(i)
表示日负荷序列到某一不包含它的簇内的所有负荷序列的平均距离；
z(i)
表示轮廓系数值，其值介于
[
‑
1,1]
，当其趋近于1时代表负荷日聚类效果相对较优
。4.
根据权利要求1所述的一种基于负荷预测的配电网储能双层规划方法，其特征在于，所述重要性值波动矩阵中的元素为
MI
值，所述
MI
值的计算公式为：式中：
M(H,K)
为随机变量
H
和
K
之间的
MI
值；
h
HK
(h,k)
为随机变量
H
和
K
的联合概率密度函数，其中，
h
和
k
分别为
H
和
K
中的元素；
h
H
(h)
为随机变量
H
的边缘概率密度函数；
k
K
(k)
为随机变量
K
的边缘概率密度函数；两个变量间的相关性越强，
MI
值越大，当两个变量相互独立时，
MI
值为
0。5.
根据权利要求4所述的一种基于负荷预测的配电网储能双层规划方法，其特征在于，所述步骤
3)
包括以下步骤：步骤3‑
1)
确定输出负荷数据集：根据日负荷场景划分结果，将电力负荷数据集按照一天中的负荷采样点个数分成
n
组，并将其作为输出数据集
P
＝
[P1,P2,
…
,P
t
,
…
,P
n
]
，其中，
P
t
为
t
时刻输出的负荷数据；步骤3‑
2)
确定输入特征数据集：取与输出负荷数据集相对应的输入特征矩阵
E
，即
其中，
t
时刻输出
P
t
对应的输入特征
E
t
＝
[E
t,1
,E
t,2
,
…
,E
t,m
]
T
；步骤3‑
3)
计算
t
时刻输入特征的重要性值：计算
t
时刻输入特征与输出负荷的
MI
值并进行归一化处理，得到：
E
t
＝
[M(E
t,1
,P
t
),M(E
t,2
,P
t
),
…
,M(E
t,m
,P
t
)]
T
用上述序列中的值大小作为
t
时刻不同输入特征的重要性值；步骤3‑
4)
重复步骤3‑
3)
，
t
从1到
n
循环求解不同时刻下输入特征的重要性值，当
t
＝
n
时，求解完毕，得到随时间变化的输入特征的重要性值波动矩阵
M
，即：
6.
根据权利要求1所述的一种基于负荷预测的配电网储能双层规划方法，其特征在于，所述
BILSTM
短期负荷预测模型的计算公式如下所示：短期负荷预测模型的计算公式如下所示：短期负荷预测模型的计算公式如下所示：式中：和分别为在
t
时刻前向和后向
LSTM
单元的负荷预测值；
r
t
‑1为
t
‑1时刻的负荷预测值；和分别表示
LSTM
前向和后向计算过程；
i
t
为
t
时刻的输入特征；
e
t
和
f
t
分别为
t
时刻前向和后向输出权值；
c
t
为
t
时刻的偏置优化参数；
O
t...

【专利技术属性】
技术研发人员：袁明瀚，张华，纪坤华，刘扬洋，唐啸，陈颂，
申请(专利权)人：国网上海市电力公司，
类型：发明
国别省市：