【技术实现步骤摘要】
本专利技术属于电力系统自动化调度，具体涉及一种公路微电网风光氢蓄储系统的日内优化调度方法。
技术介绍
1、随着我国不断加强公路基础设施建设，以交通与新能源融合为标志的智能化微电网已经成为多能互补环节中的重要选择。为了保障公路微电网的负荷供电安全，可依托附近区域内的优势资源，就地开发消纳风光氢等清洁能源，通过智能化监测、优化调度等技术手段实施精准调控，有效利用风光富集区域内的绿色能源，调度各项发-储-配电单元平抑负荷波动。
2、传统配电网仅接收负荷，内部为单向电流，若直接接入分布式风电光伏机组，呈辐射状的无源配电网将变为存在小型电源的有源配电网，且新能源机组的发电功率易受到风光出力不确定性的影响，致使电网存在无序双向潮流以及局部配电网电压波动闪变等问题。
技术实现思路
1、为了解决现有技术中存在的上述问题，本专利技术提供了一种公路微电网风光氢蓄储系统的日内优化调度方法，用以提升公路微电网的新能源消纳率，为后续协调不同系统模块的出力情况以做出最佳调控决策提供良好的基础。本专利技术要解决的技术问题通过以下技术方案实现：
2、本专利技术的一个方面提供了一种公路微电网风光氢蓄储系统的日内优化调度方法，包括：
3、s1：采集公路基础设施区域内的原始气象数据，并对所述原始气象数据进行预处理以得到多维规范后的原始气象数据；
4、s2：将所述多维规范后的原始气象数据输入经训练的frs-lstm模型中，预测得到未来一天的气象数据，并根据预测的气象数据预测
5、s3：采集公路基础设施中各类用电系统的负荷数据进行分析重组，根据可控负荷的关键参数以及预测的日内风光机组的发电功率异构虚拟电厂；
6、s4：构建改进的pareto多目标优化调度模型；
7、s5：将所述异构虚拟电厂内部各模块设备的可参与调度情况输入所述改进的pareto多目标优化调度模型，获得风光氢蓄储系统的日内最佳优化调度决策。
8、在本专利技术的一个实施例中，所述frs-lstm模型包括frs模块和lstm模块，所述s2包括：
9、s2.1：利用同一批历史气象数据组成的训练数据集对所述frs模块和所述lstm模块进行训练，获得经训练的frs模块和lstm模块；
10、s2.2：利用经训练的frs模块的模糊相似理论，按照所述多维规范后的原始气象数据的时间序列参数进行属性约简，获得原始气象数据约简后的属性参数，所述约简后的属性参数包括气温、地表水平辐射、风速和风向；
11、s2.3：将所述约简后的属性参数以及风电机组和光伏机组的系统输入经训练的lstm模块，给定时间序列信号，预测未来一天内的风力光伏发电量，从而得到未来一天内的风力光伏发电量变化情况。
12、在本专利技术的一个实施例中，所述s2.2包括：
13、对多维规范后的原始气象数据进行模糊化处理，将原始气象数据转换为模糊集合；
14、基于所述模糊集合的隶属度信息，使用粗糙集理论构建粗糙集，通过计算下近似和上近似确定所述粗糙集的边界；
15、根据所述粗糙集的边界和属性的约简规则，评估所述原始气象数据中每个特征的重要性；
16、根据重要性排序或设定阈值确定最终的特征子集；
17、根据选择的特征子集，重构新的气象数据。
18、在本专利技术的一个实施例中，对所述lstm模块进行训练，包括：
19、将所述包含原始数据的数据集经过所述frs模块进行特征选择后的新数据集输入到lstm模型中，预测未来一段时间内的气象数据，再根据风光发电机组的系统参数得出该风光发电机组的发电功率，在训练过程中，使用设定的损失函数来衡量预测输出与实际数据之间的差异，并使用优化算法来调整模型的参数，使预测结果逐渐优化。
20、在本专利技术的一个实施例中，所述s3包括：
21、s3.1：收集公路基础设施中各类用电系统的负荷数据；
22、s3.2：对所述负荷数据进行清洗和去噪，排除异常值和噪声干扰，发掘所述负荷数据的特征和规律；
23、s3.3：根据公路基础设施中不同用电系统的特点和需求，对处理后的负荷数据进行重组，将相互关联的负荷系统进行整合，形成新的用电负荷分类；
24、s3.4：根据负荷数据中可控负荷的需求和关键参数，提取出影响负荷控制的重要信息；
25、s3.5：将预测得到的日内风光机组的发电功率与所述关键参数进行整合，创建异构虚拟电厂。
26、在本专利技术的一个实施例中，所述s4包括：
27、根据目标函数和约束条件建立非线性多目标优化模型，针对每个决策变量，将其取值范围划分为若干个子区间；在每个子区间内进行局部搜索，找到所有可能的解，生成初始解集；计算初始解集中每个解对应的目标函数值，寻找使多个目标函数都最优的pareto最优解；将生成的pareto最优解按照值的大小进行非支配排序，从帕累托前沿中选择一个合适解进行评估，判断其是否满足约束条件，若不满足，继续迭代优化，以实现首次迭代的目标函数的最小化。
28、在本专利技术的一个实施例中，所述非线性多目标优化模型的首次迭代的目标函数为：
29、
30、其中，c(t)表示t时段总的运行成本，cw、cpv、cq、cx分别表示风电机组、光伏机组、氢燃料电池、蓄电池的单位运行成本，pw,t、ppv,t、pq,t、px,t分别表示风电机组、光伏机组、氢燃料电池、蓄电池t时段的输出功率，cb,t表示t时段的购电价格，pm.buy,t表示t时刻微电网从主网购电的功率，cs,t表示t时段的售电价格，pm.sell,t表示t时刻微电网向主网售电的功率，β表示单位时间内的总设备维护成本。
31、在本专利技术的一个实施例中，所述多目标优化调度模型次要迭代的目标函数包括：
32、
33、其中，lr(t)表示t时段内的微电网负载率，pmax为微电网的最大负载功率，pl.t表示t时刻微电网的负载功率；
34、
35、其中，ar(t)表示t时段内的可再生能源消纳率；
36、
37、其中，f(t)表示t时段内的碳排放量，表示发电热值，ω表示煤耗系数。
38、本专利技术的另一方面提供了一种存储介质，所述存储介质中存储有计算机程序，所述计算机程序用于执行上式实施例中任一项所述公路微电网风光氢蓄储系统的日内优化调度方法的步骤。
39、本专利技术的有一方面提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时实现上述实施例中任一项所述公路微电网风光氢蓄储系统的日内优化调度方法的步骤。
40、与现有技术相比，本专利技术的有益效果有：
41、1、本专利技术提出的公路微电网风光氢蓄储系统的日内优化调度方法能够有效提升公路基础设施的智能化管理，提高微本文档来自技高网...
【技术保护点】
1.一种公路微电网风光氢蓄储系统的日内优化调度方法，其特征在于，包括：
2.根据权利要求1所述的公路微电网风光氢蓄储系统的日内优化调度方法，其特征在于，所述FRS-LSTM模型包括FRS模块和LSTM模块，所述S2包括：
3.根据权利要求2所述的公路微电网风光氢蓄储系统的日内优化调度方法，其特征在于，所述S2.2包括：
4.根据权利要求1所述的公路微电网风光氢蓄储系统的日内优化调度方法，其特征在于，对所述LSTM模块进行训练，包括：
5.根据权利要求1所述的公路微电网风光氢蓄储系统的日内优化调度方法，其特征在于，所述S3包括：
6.根据权利要求1所述的公路微电网风光氢蓄储系统的日内优化调度方法，其特征在于，所述S4包括：
7.根据权利要求6所述的公路微电网风光氢蓄储系统的日内优化调度方法，其特征在于，所述非线性多目标优化模型的首次迭代的目标函数为：
8.根据权利要求1所述的公路微电网风光氢蓄储系统的日内优化调度方法，其特征在于，所述多目标优化调度模型次要迭代的目标函数包括：
9.一种存
10.一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时实现权利要求1至8中任一项所述公路微电网风光氢蓄储系统的日内优化调度方法的步骤。
...【技术特征摘要】
1.一种公路微电网风光氢蓄储系统的日内优化调度方法，其特征在于，包括：
2.根据权利要求1所述的公路微电网风光氢蓄储系统的日内优化调度方法，其特征在于，所述frs-lstm模型包括frs模块和lstm模块，所述s2包括：
3.根据权利要求2所述的公路微电网风光氢蓄储系统的日内优化调度方法，其特征在于，所述s2.2包括：
4.根据权利要求1所述的公路微电网风光氢蓄储系统的日内优化调度方法，其特征在于，对所述lstm模块进行训练，包括：
5.根据权利要求1所述的公路微电网风光氢蓄储系统的日内优化调度方法，其特征在于，所述s3包括：
6.根据权利要求1所述的公路微电网风光氢蓄储系统的日内优化调度方法，其特征...
【专利技术属性】
技术研发人员：裴莉莉，赵美瑄，丁健刚，赵原林，李航英，郝雪丽，李伟，路涛，崔宇鹏，
申请(专利权)人：长安大学，
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。