【技术实现步骤摘要】
本专利技术涉及基于循环神经网络的多类型电源协同调度方法，属于能源协调优化。
技术介绍
1、在现代电力系统中，由于电源类型的多样化，包括传统的火力、水力、核能发电以及新兴的风能、太阳能等可再生能源，电源协同调度面临着前所未有的挑战。这些电源各自具有独特的运行特性，如可再生能源的间歇性和不可预测性，以及火力和核能发电的稳定性和大规模供电能力。随着可再生能源比例的增加，实现高效、稳定的电源协同调度变得尤为关键。
2、传统的电源调度方法通常依赖于预设的调度模型和规则，这些方法在处理复杂、动态变化的电力系统时往往效果不佳。这是因为这些方法缺乏灵活性，无法实时适应电力市场和电网运行状态的快速变化。此外，传统调度方法在处理大量异构数据时效率较低，难以充分挖掘数据中的价值，进而影响调度决策的准确性和时效性。
3、现有技术中有人尝试通过遗传算法解决电力调度的准确性和时效性问题，但是在实际使用中，存在通过物理模型计算电站发电量时，可能在前期计算较为准确，但是后期随着环境变化，发电量计算结果越来越不准确的完全，使得调度算法的调度准确性随着时间越来越差。
技术实现思路
1、本专利技术要解决的技术问题是：基于循环神经网络的多类型电源协同调度方法，以克服现有技术的不足。
2、本专利技术的技术方案为：基于循环神经网络的多类型电源协同调度方法，所述方法包括以下步骤：
3、收集太阳能、风能和火力的历史数据；
4、使用循环神经网络处理历史数据以训练预测模型；
5、根据电力市场需求设定电源调度的目标函数；
6、收集太阳能、风能和火力的实时数据，将实时数据输入预测模型获取预测结果；
7、根据深度学习模型的预测结果和电力系统的运行规则，设置约束条件；
8、将和实时数据约束条件输入到优化算法中，求解最优解；
9、根据优化算法提供的解，制定电源调度计划。
10、进一步地，所述风能的历史数据和实时数据包括风力发电上网电价、空气密度、风轮扫风面积、风速和功率系数。
11、进一步地，所述太阳能历史数据和实时数据包括太阳能发电上网电价、太阳辐照度、光伏板面积和光伏板转换效率。
12、进一步地，所述燃煤电厂的历史数据和实时数据包括燃煤发电上网电价、燃料消耗量、发电厂热效率和发电厂电机效率。
13、进一步地，所述电网负载历史数据和实时数据包括时间、日期、特殊日子、温度和湿度。
14、进一步地，所述目标函数为：
15、
16、其中，p2,j＝gj(t)*bj*ηj，p3,k＝qk(t)*ck*εj，f1(p1,i)＝i1,i+γ*p1,i,f2(p2,j)＝i2,j+β*p2,j，f3(p3,k)＝i3,k+α*p3,k；p1,i第i个风电站的发电功率；ρi表示第i个风电站处的空气密度，θi表示第i个风电站的功率系数；ai表示第i个风电站的风轮扫风面积；vi(t)表示时间t时刻的风速；p2,j表示第j个光伏电站的发电功率；gj(t)表示第j个光伏电站处的太阳辐照度；bj为第j个光伏电站的光伏板面积；ηj表示第j个光伏电站的光伏转换效率；p3,k表示第k个燃煤电厂的发电功率；qk(t)表示第k个燃煤电厂t时刻的的燃料消耗量；ck表示第k个燃煤电厂的热效率；εj表示第k个燃煤电厂的发电机效率；f1(p1,i)表示风电站与发电功率相关的成本函数；f2(p2,j)表示光伏电站与发电功率相关的成本函数；f3(p3,k)表示燃煤电厂与发电功率相关的成本函数；i1,i表示第i个风电站初始投资成本，γ表示风电站的设备损耗常数；β表示太阳能电站的设备损耗常数；α表示燃煤电厂的设备损耗常数；
17、约束条件为：
18、
19、
20、
21、其中，表示第i个风电站最小接入功率，表示第i个风电站最大接入功率，表示第j个光伏电站最小接入功率，表示第j个光伏电站最大接入功率，表示第k个燃煤电厂最小接入功率，表示第k个燃煤电厂最大接入功率；
22、
23、
24、
25、进一步地，所述优化算法为遗传算法，通过遗传算法对电源调度进行优化包括以下步骤：
26、s01、定义遗传算法的初始种群，每个个体代表一种可能的电源调度方案；
27、s02、对新生成的种群进行适应度评估，根据电力系统的实际需求和环境条件，计算每个调度方案的适应度函数的评分，选择评分较高的电源调度方案作为优秀调度方案；
28、s03、在选择出的优秀调度方案中随机对调度方案进行两两配对，对配对的路径进行交叉操作，生成新的调度方案；
29、s04、对新生成的调度方案进行变异操作；
30、s05、将通过交叉或变异操作生成的新调度方案加入到种群中；
31、s06、检查是否满足停止条件，如果满足停止条件，则停止迭代，输出当前适应度值最高的调度方案作为最优路径；否则，返回步骤s02，继续下一轮的迭代。
32、进一步地，所述停止条件为当迭代次数达到最高迭代次数时。
33、本专利技术的有益效果是：与现有技术相比，本专利技术通过利用rnn处理历史数据以预测未来的电力需求和电源输出引入优化算法的约束条件，预测模型预测的结果基于历史数据，并且历史数据不断更新，然后引入遗传算法优化调度计划，使电源调度方案能够与电厂发电满足物理上的约束，随着时间流逝调度的准确性不会改变。
本文档来自技高网...【技术保护点】
1.基于循环神经网络的多类型电源协同调度方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的基于循环神经网络的多类型电源协同调度方法，其特征在于，所述风能的历史数据和实时数据包括风力发电上网电价、空气密度、风轮扫风面积、风速和功率系数。
3.根据权利要求2所述的基于循环神经网络的多类型电源协同调度方法，其特征在于，所述太阳能历史数据和实时数据包括太阳能发电上网电价、太阳辐照度、光伏板面积和光伏板转换效率。
4.根据权利要求3所述的基于循环神经网络的多类型电源协同调度方法，其特征在于，所述燃煤电厂的历史数据和实时数据包括燃煤发电上网电价、燃料消耗量、发电厂热效率和发电厂电机效率。
5.根据权利要求3所述的基于循环神经网络的多类型电源协同调度方法，其特征在于，所述电网负载的历史数据和实时数据包括时间、日期、特殊日子、温度和湿度。
6.根据权利要求1-5任意一项所述的基于循环神经网络的多类型电源协同调度方法，其特征在于，所述目标函数为：
7.根据权利要求6所述的基于循环神经网络的多类型电源协同调度方法
8.根据权利要求7所述的基于循环神经网络的多类型电源协同调度方法，其特征在于，所述停止条件为当迭代次数达到最高迭代次数时。
...【技术特征摘要】
1.基于循环神经网络的多类型电源协同调度方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的基于循环神经网络的多类型电源协同调度方法，其特征在于，所述风能的历史数据和实时数据包括风力发电上网电价、空气密度、风轮扫风面积、风速和功率系数。
3.根据权利要求2所述的基于循环神经网络的多类型电源协同调度方法，其特征在于，所述太阳能历史数据和实时数据包括太阳能发电上网电价、太阳辐照度、光伏板面积和光伏板转换效率。
4.根据权利要求3所述的基于循环神经网络的多类型电源协同调度方法，其特征在于，所述燃煤电厂的历史数据和实时数据包括燃煤发电上网电价、燃料消耗量、发...
【专利技术属性】
技术研发人员：刘亦驰，吴方权，纪元，汤成佳，周玲，李雄，胡骏涵，袁捷，白雪，刘文霞，胡江，马蕊，何向刚，方继宇，陈胜，
申请(专利权)人：贵州电网有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。