【技术实现步骤摘要】
本专利技术属于微网运行，具体涉及一种基于量子神经网络的多能源协调快速调度方法。
技术介绍
1、对于包括风能、太阳能、水力资源和其他可再生能源的具有多维不确定性的互补发电系统的协调调度，通常采用随机优化和鲁棒优化方法进行建模和处理。但随机优化方法的可靠性和计算效率较低，而鲁棒优化存在优化结果过分保守的问题。多能互补系统的建模引入了大量的变量和约束项，模型复杂度高，基于c&cg(column-and-constraintgeneration)、benders以及启发式算法等求解方法均不能实现快速求解。
2、近年来，有大量学者将神经网络应用于短期负荷预测、短期经济调度以及潮流预测中。神经网络方法具有对高维非线性数据的强大出力能力，并且训练好的模型在线应用能力强。但随问题复杂度提升，样本信息量以及数量的增长，神经网络的方法存在对样本信息丢失的问题。此外，多能互补的调度模型存在大量状态变量，在神经网络转化为可微形式时，也会导致信息损失。这些都将限制模型的精确映射能力。
3、量子计算通过引入量子态的叠加思想，具备并行计算能力，相较传统的神经网络模型具有更高的记忆容量，可消除灾变性失忆现象，适合包含海量数据的高要求计算。目前有研究利用量子粒子群优化的径向基函数神经网络模型实现自动寻优配置网络结构和获取模型参数；有基于量子机器学习设计的量子暂态稳定评估方法；量子神经网络(quantumneural network，qnn)的并行性与高效性有助于更快地搜索解空间，快速协调多能源利用，根据超短期预测数据实现实时决策。
4、因此，现阶段需设计一种基于量子神经网络的多能源协调快速调度方法，来解决以上问题。
技术实现思路
1、本专利技术目的在于提供一种基于量子神经网络的多能源协调快速调度方法，用于解决上述现有技术中存在的技术问题，明确了计及水力、风能以及太阳能的多能源协调经济调度模型，考虑了梯级水电的多类运行约束。构建了基于qnn的同步机信息快速预测模型，模型依据新能源与负荷实测数据，实现了同步机状态和出力的日内快速预测。构建了qnn与多能协调优化调度模型的闭环热启动框架，将qnn决策信息传递给初始优化模型，求解的最优解反馈给qnn学习进化，进而快速得到了高质量的优化调度结果。
2、为实现上述目的，本专利技术的技术方案是：
3、一种基于量子神经网络的多能源协调快速调度方法，包括以下步骤：
4、步骤s1：提出计及多能源互补协调的调度模型；考虑水能、风能与光能的协调运行成本，同时还考虑运行的购电成本；
5、步骤s2：通过构建基于量子神经网络的发电预测模型，利用大量包含历史新能源出力水平测量数据、负荷水平、发电机出力水平、机组启停状态数据特征的训练样本训练qnn模型，建立以风、光、荷实时量测值为输入、机组出力和机组组合为输出的映射模型；
6、步骤s3：构建qnn与多能系统优化模型的闭环热启动框架。首先，通过离线训练的qnn模型，基于新能源与负荷实测数据，预测同步机有功出力与开停机组合，以此作为多能源互补协调调度模型初始解；优化得到的最优解，回馈给qnn模型促使模型进一步学习进化，提升预测准确性。
7、进一步的，步骤s1具体如下：
8、目标具体表达形式如下：
9、
10、其中和分别为t时段购电成本、梯级水电系统和风/光发电站的运行成本；
11、约束包括梯级水电系统和风/光系统的预测信息形成运行约束，包括功率平衡约束、水量平衡约束、机组运行约束与电网约束等；
12、式(2)表示电网功率平衡约束：
13、
14、式中，ω表示时间t期间的购电状态参数，po,t，分别代表购电功率、梯级水电出力、风/光发电机出力以及负荷有功；
15、水库蓄水量约束如式(3)所示；
16、
17、式中，vh,t，分别代表水库的当前水量、最小蓄水量与最大蓄水量；
18、梯级水电的有功出力约束如式(4)所示；
19、
20、式中，分别代表梯级水电当前出力、最小有功出力以及梯级水电实际最大出力水平；
21、梯级水电排量约束如式(5)所示；
22、
23、式中，分别代表梯级水电当前排水量、最小排放量与最大排放量；
24、梯级水电系统的运行约束如式(6)～(8)所示，分别为梯级水电的水量平衡约束、级间液压连接约束与水电机组爬坡率约束；
25、
26、
27、
28、式中，ih,t，分别为第h个水库在时间t内的水库流入流量、发电流量和下泄流量；τ和lh,t是梯级水电系统级间水流和级间间隔入流的延迟因子；δl，δu分别代表梯级水电系统的最小和最大功率变化速度；
29、风/光新能源机组出力约束如下式所示；
30、
31、式中，为新能源有功出力实测数据；
32、电网潮流约束涉及到潮流计算，采用直流潮流的方法求解断面联络线的潮流，其约束如下所示：
33、ptline＝bdiaglb-1(pt+pth+ptiig-ptl) (10)
34、
35、
36、式中，其中ptline是每个支路的直流潮流功率；b、l分别为网络中支路的导纳系数矩阵和节点连接矩阵；pt，分别是t周期内购买功率、梯级水电系统输出功率、风/光电站输出功率、负荷有功需求的向量形式；是最大可传输支路功率；xl是支路的电抗；n是网络中的分支编号。
37、进一步的，步骤s2具体如下：
38、在量子理论中，一个量子位的状态可表示为：
39、|ψ>＝a0|0>+a1|1> (13)
40、其中，a0和a1为任意复数且满足归一化要求|a0|2+|a1|2＝1，|a0|2和|a1|2分别表示该量子位坍缩到|1>和|0>的概率；把量子态坍缩到|1>的概率作为虚部，量子位坍缩到|0>的概率作为实部，用复数形式表示为：
41、f(θ)＝cos(θ)+jsin(θ) (14)
42、其中，|0>的概率幅对应实部的平方；|1>的概率幅对应虚部的平方；j是虚数单位；θ是相位角，不同的相位角对应不同的量子态；
43、量子门是实现量子计算的基础，量子门代表量子计算，包含量子计算的特点；根据式(2)构成最基本的通用量子门组的两类量子门可表示为:
44、一位相移门：
45、
46、两位受控本文档来自技高网...
【技术保护点】
1.一种基于量子神经网络的多能源协调快速调度方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于量子神经网络的多能源协调快速调度方法，其特征在于，步骤S1具体如下：
3.根据权利要求2所述的一种基于量子神经网络的多能源协调快速调度方法，其特征在于，步骤S2具体如下：
4.根据权利要求3所述的一种基于量子神经网络的多能源协调快速调度方法，其特征在于，步骤S3具体如下：
【技术特征摘要】
1.一种基于量子神经网络的多能源协调快速调度方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于量子神经网络的多能源协调快速调度方法，其特征在于，步骤s1具体如下：
3.根...
【专利技术属性】
技术研发人员：王曦，叶希，陈振，魏巍，高剑，朱童，陈刚，欧阳雪彤，胡鑫，李金龙，刘畅，
申请(专利权)人：国网四川省电力公司，
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。