【技术实现步骤摘要】
本专利技术属于电力系统调度，具体涉及一种光伏-抽蓄电力系统调度优化方法。
技术介绍
1、电力系统优化调度是指在分配电力负荷时，结合机组的约束，电网的约束以及其他的特定的约束条件，对发电系统中各个部分的出力功率或出力状态进行调整以达到特性的目标的过程。传统电力系统调度通常以运行成本最低或发电经济收益最大作为优化目标，然而随着新能源的比例不断增加，以光伏、风电、水电为代表的可再生能源并网功率不断上升，其中光伏出力受环境、时间、气象等因素影响较大，在光伏出力方面有很强的随机性和波动性，导致对光伏出力预测的准确性的要求大大提高。此外为了应对光伏出力的不确定性，在电力系统调度中需要引入储能系统以达到削峰填谷的作用，因此不同于传统电力系统经济性调度目标，含光伏-抽蓄的联合发电系统的目标函数还要引进稳定性指标作为优化模型的目标函数。同时在求解多目标优化问题上，传统的优化算法在处理多约束、多目标的复杂问题上，总是存在收敛速度慢、求解精度不高的问题，因此对多目标优化算法的选取与改进亟需研究。
2、近年来，国内外对含可再生能源的调度优化问题上取得了大量的研究成果。dvorkin等人考虑了高比例可再生能源并网后电力系统的调峰问题，在电网规划中综合考虑了储能的约束，但仅以电力系统各部分平衡作为目标，并没有考虑系统的经济效益；ranaweera等人提出了一种分布式屋顶光伏与储能互补的实时调度系统，实现了互补系统在考虑实时电价的情况下获得最大经济效益，但在对分布式光伏出力建模时没有考虑其出力的随机性与波动性对光-储互补系统的影响；李涛等人在考虑
技术实现思路
1、本专利技术的目的：为了解决由于光伏出力的波动性与随机性给光伏并网时带来的光伏出力功率预测结果不准确、电力系统建模困难、调度优化时模型难以收敛的问题，本专利技术提供了一种基于多目标白鲸优化算法的光伏-抽蓄电力系统调度优化方法，在光伏出力部分使用加入注意力机制的卷积-长短时记忆神经网络对未来光伏出力功率进行预测，然后提出了一种基于负荷匹配度最高以及经济效益最大的多目标优化的光伏-抽水蓄能电站联合发电系统数学模型来解决光伏-抽水蓄能电站联合发电系统的调度问题。
2、为了实现上述目的，本专利技术提供了一种光伏-抽蓄电力系统调度优化方法，包括：
3、使用fa-cnn-lstm预测神经网络，对未来一段时间的光伏出力进行预测以得到对应时间段的光伏电站出力功率预测结果；
4、以光伏-抽水蓄能电站联合发电系统负荷匹配度最高、经济效益最大为目标函数，光伏电站出力功率预测结果、抽蓄机组参数、电网功率平衡为约束条件，建立多目标优化的光伏-抽水蓄能电站联合发电系统数学模型；
5、使用多目标白鲸优化算法(mobwo)求解所述光伏-抽水蓄能电站联合发电系统数学模型，并根据求解的全局最优解输出相应的调度计划。
6、所述使用fa-cnn-lstm预测神经网络，对未来一段时间的光伏出力进行预测以得到对应时间段的光伏电站出力功率预测结果，具体为：收集某地光伏电站过去一年的出力功率历史数据并对光伏电站出力功率历史数据预处理；使用fa-cnn-lstm预测神经网络，将预处理完成后的光伏电站出力功率历史数据作为神经网络的输入，对未来一段时间的光伏出力进行预测以得到对应时间段的光伏电站出力功率预测结果。
7、所述对光伏电站出力功率历史数据预处理包括：
8、去除气象异常(每日总太阳辐射度高于25mj/m2、平均气温高于40℃、地面气压高于1000hpa或峰值日照时数高于8h)数据；
9、对光伏电站出力功率历史数据缺失的数据使用线性插值法进行填补；
10、对于光伏电站出力功率历史数据中影响出力的变量(如辐射强度、气温、气压等因素)使用最小-最大归一化的方法消除不同变量量纲和数量级对数据分析的影响。
11、所述线性插值法使用近似函数模拟时间在(t1，t2)，出力数据在(y1，y2)之间缺失的数据的公式如下：
12、
13、所述最小-最大归一化的计算公式如下：
14、
15、其中xnom为归一化后的数据，x为原始数据集，xmin为原始数据集的最小值，xmax为原始数据集的最大值。
16、所述使用fa-cnn-lstm预测神经网络，将预处理完成后的光伏电站出力功率历史数据作为神经网络的输入，对未来一段时间的光伏出力进行预测以得到对应时间段的光伏电站出力功率预测结果，具体实施方法为：将注意力机制(feature attention，fa)与卷积神经网络(cnn)、长短时记忆神经网络(lstm)结合，通过动态调整影响光伏出力特征的权重达到光伏出力预测的目的，最后通过均方根误差和平均绝对误差指标衡量光伏预测的准确性，并输出光伏电站出力功率预测结果。
17、所述将注意力机制(feature attention，fa)与卷积神经网络(cnn)、长短时记忆神经网络(lstm)结合，通过动态调整影响光伏出力特征的权重达到光伏出力预测的目的，最后通过均方根误差和平均绝对误差指标衡量光伏预测的准确性，具体实施步骤为：
18、在cnn-lstm网络前加入特征注意力机制，根据前一时刻lstm网络的隐层状态动态调整当前时刻输入特征的权重，其中cnn网络用于提取光伏数据特征与光伏出力功率的隐藏特征，lstm网络用于对下一时刻的光伏出力做预测；
19、注意力机制可以根据不同时间维度下特征重要程度的不同，动态调整不同输入特征的权值，对于输入变量为前一时刻lstm网络隐藏状态为ht-1的数据，可根据式(3)计算注意力权重分配，再根据式(4)进行softmax处理以得到各输入特征对应的权重
20、
21、
22、其中vs、ws、us为注意力机制权重矩阵，ht-1为t-1时刻隐藏单元的输出；st-1为t-1时刻记忆信息；bs为偏置量；
23、使用均方根误差ξrmse和平均绝对误差ξmae指标的具体表达为式(5)与式(6)所示：
24、
25、
26、其中m为样本数量；y′t为t时刻真实功率值；yt为预测值；当rmse≤40且mae≤1600时，认为光伏出力预测结果符合要求。
27、所述以光伏-抽水蓄能电站联合发电系统负荷匹配度最高、经济效益最大为目标函数，光伏电站出力功率预测结果、抽蓄机组参数、电网功率平衡为约束条件，建立多目标优化的光伏-抽水蓄能电站联合发电系统数学模型，具本文档来自技高网...
【技术保护点】
1.一种光伏-抽蓄电力系统调度优化方法，其特征在于：包括：
2.如权利要求1所述的光伏-抽蓄电力系统调度优化方法，其特征在于：所述使用FA-CNN-LSTM预测神经网络，对未来一段时间的光伏出力进行预测以得到对应时间段的光伏电站出力功率预测结果，具体为：收集某地光伏电站过去一年的出力功率历史数据并对光伏电站出力功率历史数据预处理；使用FA-CNN-LSTM预测神经网络，将预处理完成后的光伏电站出力功率历史数据作为神经网络的输入，对未来一段时间的光伏出力进行预测以得到对应时间段的光伏电站出力功率预测结果。
3.如权利要求2所述的光伏-抽蓄电力系统调度优化方法，其特征在于：所述对光伏电站出力功率历史数据预处理包括：
4.如权利要求3所述的光伏-抽蓄电力系统调度优化方法，其特征在于：所述线性插值法使用近似函数模拟时间在(t1,t2)，出力数据在(y1,y2)之间缺失的数据，公式如下：
5.如权利要求3所述的光伏-抽蓄电力系统调度优化方法，其特征在于：所述最小-最大归一化的计算公式如下：
6.如权利要求2所述的光伏-抽蓄电力系统
7.如权利要求6所述的光伏-抽蓄电力系统调度优化方法，其特征在于：所述将注意力机制FA与卷积神经网络CNN、长短时记忆神经网络LSTM结合，通过动态调整影响光伏出力特征的权重达到光伏出力预测的目的，通过均方根误差和平均绝对误差指标衡量光伏预测的准确性，具体实施步骤为：
8.如权利要求1所述的光伏-抽蓄电力系统调度优化方法，其特征在于：所述以光伏-抽水蓄能电站联合发电系统负荷匹配度最高、经济效益最大为目标函数，光伏电站出力功率预测结果、抽蓄机组参数、电网功率平衡为约束条件，建立多目标优化的光伏-抽水蓄能电站联合发电系统数学模型，具体为：将所述光伏电站出力功率预测结果作为光伏电站出力的约束，将水库容量平衡、水库能量平衡、水泵与水轮机功率平衡、抽蓄电站抽水、发电功率上下限作为抽蓄电站的约束，电网传输功率上下限作为电网约束；以光伏-抽水蓄能电站联合发电系统与用户端负荷匹配度、考虑弃光和抽水成本的系统经济收益作为两个目标建立光伏-抽水蓄能电站联合发电系统数学模型。
9.如权利要求1所述的光伏-抽蓄电力系统调度优化方法，其特征在于：所述约束条件包括：
10.如权利要求1所述的光伏-抽蓄电力系统调度优化方法，其特征在于：所述目标函数具体为：
11.如权利要求1所述的光伏-抽蓄电力系统调度优化方法，其特征在于：所述使用多目标白鲸优化算法求解所述光伏-抽水蓄能电站联合发电系统数学模型，并根据求解的全局最优解输出相应的调度计划，具体为：将快速精英遗传算法NSGA-II与白鲸优化算法BWO结合，使用NSGA-II的非支配排序、拥挤度计算、二元锦标赛机制、精英策略，将白鲸优化算法BWO作为遗传算子计算方法，由此构成多目标白鲸优化算法MOBWO求解方法，再将多目标白鲸优化算法MOBWO用来求解所述光伏-抽水蓄能电站联合发电系统数学模型，最后根据全局最优解产出联合发电系统的调度计划。
12.如权利要求1所述的光伏-抽蓄电力系统调度优化方法，其特征在于：所述使用多目标白鲸优化算法求解所述光伏-抽水蓄能电站联合发电系统数学模型的步骤为：
13.一种光伏-抽蓄电力系统调度优化装置，其特征在于：包括：
14.如权利要求13所述的光伏-抽蓄电力系统调度优化装置，其特征在于：所述光伏出力预测模块，具体用于：
15.如权利要求13所述的光伏-抽蓄电力系统调度优化装置，其特征在于：所述模型建立模块，具体用于：
16.如权利要求13所述的光伏-抽蓄电力系统调度优化装置，其特征在于：所述模型求解模块，具体用于：
17.一种电子设备，其特征在于：包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如权利要求1-12中任一项所述的光伏-抽蓄电力系统调度优化方法。
18.一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如权利要求1-12中任一项所述的光伏-...
【技术特征摘要】
1.一种光伏-抽蓄电力系统调度优化方法，其特征在于：包括：
2.如权利要求1所述的光伏-抽蓄电力系统调度优化方法，其特征在于：所述使用fa-cnn-lstm预测神经网络，对未来一段时间的光伏出力进行预测以得到对应时间段的光伏电站出力功率预测结果，具体为：收集某地光伏电站过去一年的出力功率历史数据并对光伏电站出力功率历史数据预处理；使用fa-cnn-lstm预测神经网络，将预处理完成后的光伏电站出力功率历史数据作为神经网络的输入，对未来一段时间的光伏出力进行预测以得到对应时间段的光伏电站出力功率预测结果。
3.如权利要求2所述的光伏-抽蓄电力系统调度优化方法，其特征在于：所述对光伏电站出力功率历史数据预处理包括：
4.如权利要求3所述的光伏-抽蓄电力系统调度优化方法，其特征在于：所述线性插值法使用近似函数模拟时间在(t1,t2)，出力数据在(y1,y2)之间缺失的数据，公式如下：
5.如权利要求3所述的光伏-抽蓄电力系统调度优化方法，其特征在于：所述最小-最大归一化的计算公式如下：
6.如权利要求2所述的光伏-抽蓄电力系统调度优化方法，其特征在于：所述使用fa-cnn-lstm预测神经网络，将预处理完成后的光伏电站出力功率历史数据作为神经网络的输入，对未来一段时间的光伏出力进行预测以得到对应时间段的光伏电站出力功率预测结果，具体实施方法为：将注意力机制fa与卷积神经网络cnn、长短时记忆神经网络lstm结合，通过动态调整影响光伏出力特征的权重达到光伏出力预测的目的，通过均方根误差和平均绝对误差指标衡量光伏预测的准确性，并输出光伏电站出力功率预测结果。
7.如权利要求6所述的光伏-抽蓄电力系统调度优化方法，其特征在于：所述将注意力机制fa与卷积神经网络cnn、长短时记忆神经网络lstm结合，通过动态调整影响光伏出力特征的权重达到光伏出力预测的目的，通过均方根误差和平均绝对误差指标衡量光伏预测的准确性，具体实施步骤为：
8.如权利要求1所述的光伏-抽蓄电力系统调度优化方法，其特征在于：所述以光伏-抽水蓄能电站联合发电系统负荷匹配度最高、经济效益最大为目标函数，光伏电站出力功率预测结果、抽蓄机组参数、电网功率平衡为约束条件，建立多目标优化的光伏-抽水蓄能电站联合发电系统数学模型，具体为：将所述光伏电站...
【专利技术属性】
技术研发人员：陈乔，钱一民，李伟，王易，黄曾睿，汪蓓，郑剑，胡壮，丁凯，刘万方，陈建国，干磊，陈松陵，方晓明，张明念，张校铭，
申请(专利权)人：国网湖北省电力有限公司电力科学研究院，
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。