【技术实现步骤摘要】
本专利技术涉及一种静态调控方法，具体为数据驱动的综合能源网络静态调控方法与设备，属于能源网调控。
技术介绍
1、电网调控系统作为电力系统的“大脑”，其指令操作对于挖掘海量信息数据、感知电网运行转态与发展趋势，并基于此态势感知提供科学调控决策支持有重要意义。
2、我国超大型城市的电网规模庞大，且呈现中心区向郊区负荷密度逐渐降低的布局特性，城市人口密度大的同时担负重要的经济政治职能，用户需求的多样化使得电网被要求具备较高的供电可靠性与运行稳定性，其安全平稳运行是保障民生的重点内容。
3、在数据采集、传输的过程中，超大型城市电网数据平台容易出现数据质量的不稳定，数据质量包括数据自身的质量和数据的过程质量两个方面，当数据出现缺失、不真实、前后不一致等问题时，将会直接影响数据的价值，并直接影响数据价值驱动调控运行的结果以及我们以此做出的电力系统决策的质量。
4、在传统静态拉格朗日乘子方法中，拉格朗日乘子在每次迭代中得到的都是常数。当乘子为常数时，超大型城市电网的边际成本信息无法随着子问题边界条件的变化而变化，从而导致反复振荡。一般情况下，振荡是衰减的，最终可以收敛到最优解；但有时静态乘子也可能导致等幅振荡，使得迭代过程发散，无法得到最优解。
技术实现思路
1、(一)解决的技术问题
2、本专利技术的目的就在于为了解决上述问题而提供数据驱动的综合能源网络静态调控方法与设备，以解决现有技术中超大型城市电网的边际成本信息无法随着子问题边界条件的变化而变
3、(二)技术方案
4、为实现以上目的，本专利技术通过以下技术方案予以实现：数据驱动的综合能源网络静态调控方法与设备，具体包括以下步骤：
5、步骤一：建立最优定价模型，通过提高迭代电价的质量来提升协调效率；
6、步骤二：得出最优性条件(即kkt条件)；
7、步骤三：利用灵敏度分析方法，可以将价格响应函数转化为以耦合变量为自变量的线性函数；
8、步骤四：在最优解附近对kkt条件做线性化处理，然后给线性化后的系统一个参数扰动，即可得到拉格朗日乘子关于耦合变量的灵敏度；
9、步骤五：根据快速削减超额用电量有助于加快收敛速度的原理，提出基于神经网络的最优定价模型；
10、步骤六：基于神经网络的拉格朗日乘子选择(nn-lms)，以显著减少迭代次数，避免振荡。
11、优选地，步骤一所述最优价模型建立具体表现为电商通过神经网络估计用户的价格响应行为，并据此评估当前状态与最优状态的偏离程度。从不同的电价方案中，售电商可以挑选出偏离状态最小的一个，从而大幅提高单轮迭代的性能与效率，由响应特性聚合的迭代流程可知，每次迭代中所有用户都完成了自身的最优用电决策，因此部分最优性条件已经满足，即：
12、
13、式中，是拉格朗日函数，接下来讨论其余的最优性条件，具体表达式如下：
14、
15、根据非线性优化的灵敏度原理，可以进一步化简为：
16、
17、由于部分最优性条件已经满足，因此式是否取0与最优性条件；
18、是否成立具有一一对应关系，也即可以将此式当作对全系统最优性条件的一种紧凑型的表达。与此同时，售电商也可以通过上述原理来估计最优性条件，具体估计方式如下所示：
19、
20、式中，itp(λt)和tp(λt)均表示两种用数据驱动方法(比如神经网络)估计的价格响应特性，前者是分用户进行估计，而后者是多用户合成估计。两种方法精度差异不大，主要差异在于灵活性和计算效率上：分用户估计方法灵活性高，能高效处理用户群频繁变动的情况，但计算量正比于用户数量；多用户合成估计方法则不受用户数量影响，但灵活性略低，适用于用户群体很少发生变动的情景。实际应用中，可以结合需要将两种方法结合起来使用。
21、优选地，所述神经网络估计用户的价格响应行为，即总用电量超出系统传输容量的幅度，在响应特性聚合中，经过售电商与用户的多轮迭代，超额用电量将逐步减小并趋近于零，当超额用电量完全消失时，收敛状态已经达到了，由此可见，超额用电量的逐步削减本质上是用户群响应特性聚合逐步收敛的必然物理结果。
22、优选地，步骤二所述最优性条件考虑如下优化问题：
23、
24、
25、根据最优化理论，该优化问题的kkt条件为：
26、
27、a(x,0)＝0,i＝1,2,
28、8j(0)≤0),,j＝1,2,…,m
29、
30、
31、优选地，步骤1所述最优定价模型相比传统静态拉格朗日乘子，用户边缘计算终端需要向超大型城市电网云平台反馈当前能耗边际成本，以及由价格需求弹性信息，从而加速云边协同优化计算的效率。
32、优选地，步骤四所述对kkt条件做线性化处理，考虑如下优化问题：
33、
34、
35、式中，决策变量为用户侧分布式能源、能耗等；参数变量t∈rp为固定参数；为等式约束对应的拉格朗日乘子；为不等式约束对应的拉格朗日乘子。
36、优选地，步骤六所述基于神经网络的拉格朗日乘子选择，价格响应功能描述了受价格激励以后用户的反应，当外部价格发生变化时，用户会调整电力需求，可通过以下映射来定义：[λ1,…,λt]喻[p1,…,pt]。
37、优选地，可以应用r-最近邻搜索技术来挑选最相关的数据，该算法将计算所有价格对之间的距离，并最终找到与当前价格最接近的r个价格对。然后，这些数据可以按比例分成训练集和测试集，较差的数据分布对神经网络的学习质量有显著影响，批量标准化方法可通过调整和缩放过程提高神经网络的性能和稳定性，在这种结构中，容忍率的设定值为5％，任何超出容忍范围的预测误差都将受到惩罚。在实践中，如果神经网络难以避免较大的预测误差，其损失函数值将变得非常大。在这种情况下，可以采用扩大网络规模的方法。
38、优选地，步骤五所述基于神经网络的最优定价模型具体表达式如下：
39、
40、s.t.
41、
42、
43、
44、式中，ωt是包含全部约束越限时段的集合，在优化过程中，虽然约束越限时段有可能发生变化，但出于模型可解性的考虑，假定ωt在整个优化过程中保持不变。r(k)和r(k)是第k轮迭代时步长取值的上下界约束范围。目标函数的含义是所有时段的超额用电量总和(在不引起歧义的情况下，可以简称为超额用电量)，而且表达式取了绝对值，其目的是需要考虑电价剧增而令总用电量大幅下降的情况，避免模型得到过于激进的决策方案。
45、一种数据驱动的综合能源网络静态调控设备，包本文档来自技高网...
【技术保护点】
1.数据驱动的综合能源网络静态调控方法，其特征在于，具体包括以下步骤：
2.根据权利要求1所述的数据驱动的综合能源网络静态调控方法，其特征在于：步骤一所述最优价模型建立具体表现为电商通过神经网络估计用户的价格响应行为，并据此评估当前状态与最优状态的偏离程度，由响应特性聚合的迭代流程可知，每次迭代中所有用户都完成了自身的最优用电决策，因此部分最优性条件已经满足，即：
3.根据权利要求1所述的数据驱动的综合能源网络静态调控方法，其特征在于：所述神经网络估计用户的价格响应行为，即总用电量超出系统传输容量的幅度，在响应特性聚合中，经过售电商与用户的多轮迭代，超额用电量将逐步减小并趋近于零，当超额用电量完全消失时，收敛状态已经达到。
4.根据权利要求1所述的数据驱动的综合能源网络静态调控方法，其特征在于：步骤二所述最优性条件考虑如下优化问题：
5.根据权利要求1所述的数据驱动的综合能源网络静态调控方法，其特征在于：步骤1所述最优定价模型相比传统静态拉格朗日乘子，用户边缘计算终端需要向超大型城市电网云平台反馈当前能耗边际成本，以及由价格需求弹性
6.根据权利要求1所述的数据驱动的综合能源网络静态调控方法，其特征在于：步骤四所述对KKT条件做线性化处理，考虑如下优化问题：
7.根据权利要求1所述的数据驱动的综合能源网络静态调控方法，其特征在于：步骤六所述基于神经网络的拉格朗日乘子选择，价格响应功能描述了受价格激励以后用户的反应，当外部价格发生变化时，用户会调整电力需求，可通过以下映射来定义：[λ1,…,λT]喻[p1,…,pT]。
8.根据权利要求1所述的数据驱动的综合能源网络静态调控方法，其特征在于：可以应用r-最近邻搜索技术来挑选最相关的数据，该算法将计算所有价格对之间的距离，并最终找到与当前价格最接近的r个价格对，然后，这些数据可以按比例分成训练集和测试集，较差的数据分布对神经网络的学习质量有显著影响，批量标准化方法可通过调整和缩放过程提高神经网络的性能和稳定性，在这种结构中，容忍率的设定值为5％，任何超出容忍范围的预测误差都将受到惩罚。
9.根据权利要求1所述的数据驱动的综合能源网络静态调控方法，其特征在于：步骤五所述基于神经网络的最优定价模型具体表达式如下：
10.一种数据驱动的综合能源网络静态调控设备，适用于如权利要求1-9任意一项所述数据驱动的综合能源网络静态调控方法，其特征在于，包括：云端和应用端，所述云端系统基于云平台部署搭建，实现了系统的弹性扩展和组件化应用安装，并基于云端数据中台，可有效支撑海量多样性设备连接和管理实现高并发数据接入和百万级消息并发处理，所述应用端城市配电网通过紧急调控、优化调度算法，完成资源运行调控指令的优化计算，并通过与OCS和电网资源平台集成，打通配网的全网调度关系，对资源进行地区、断面、厂站、线路维度的精细化出清调控；在管侧，采用AI网关、无线物联网等网络数据传输技术，解决数据传输慢数据传输频率低等问题，保障数据高效传输，稳定通讯链路；在端侧，通过用户自安装智能终端表计，实现对数据采集的无感感知和精确调控，实现城市配电网对资源数据的基础采集和控制执行。
...【技术特征摘要】
1.数据驱动的综合能源网络静态调控方法，其特征在于，具体包括以下步骤：
2.根据权利要求1所述的数据驱动的综合能源网络静态调控方法，其特征在于：步骤一所述最优价模型建立具体表现为电商通过神经网络估计用户的价格响应行为，并据此评估当前状态与最优状态的偏离程度，由响应特性聚合的迭代流程可知，每次迭代中所有用户都完成了自身的最优用电决策，因此部分最优性条件已经满足，即：
3.根据权利要求1所述的数据驱动的综合能源网络静态调控方法，其特征在于：所述神经网络估计用户的价格响应行为，即总用电量超出系统传输容量的幅度，在响应特性聚合中，经过售电商与用户的多轮迭代，超额用电量将逐步减小并趋近于零，当超额用电量完全消失时，收敛状态已经达到。
4.根据权利要求1所述的数据驱动的综合能源网络静态调控方法，其特征在于：步骤二所述最优性条件考虑如下优化问题：
5.根据权利要求1所述的数据驱动的综合能源网络静态调控方法，其特征在于：步骤1所述最优定价模型相比传统静态拉格朗日乘子，用户边缘计算终端需要向超大型城市电网云平台反馈当前能耗边际成本，以及由价格需求弹性信息，从而加速云边协同优化计算的效率。
6.根据权利要求1所述的数据驱动的综合能源网络静态调控方法，其特征在于：步骤四所述对kkt条件做线性化处理，考虑如下优化问题：
7.根据权利要求1所述的数据驱动的综合能源网络静态调控方法，其特征在于：步骤六所述基于神经网络的拉格朗日乘子选择，价格响应功能描述了受价格激励以后用户的反应，当外部价格发生变化时，用户会调整电力需求，可...
【专利技术属性】
技术研发人员：孟庆霖，王剑晓，韩海安，闫广颖，靳小龙，李玮，张郁颀，王鑫，赵金，药炜，孙宝平，徐建斌，赵冠桥，王旭明，詹弘，裴鑫岩，郭栋艳，王海伟，任树贞，李乾，
申请(专利权)人：国网山西省电力公司运城供电公司，
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。