一种含光伏的多供应能源协调控制方法与流程

摘要: 本发明涉及光伏供能协调控制,具体涉及一种含光伏的多供应能源协调控制方法。背景技术:1、光伏发电具有显著的间歇性、随机性与波动性。在含光伏的多供应能源协调控制领域...
一种含光伏的多供应能源协调控制方法与流程

本发明涉及光伏供能协调控制,具体涉及一种含光伏的多供应能源协调控制方法。

背景技术:

1、光伏发电具有显著的间歇性、随机性与波动性。在含光伏的多供应能源协调控制领域,通常采用“光热补热+光伏供电+储能调峰”三位一体的能源供应架构,通过多种能源形式的协同供给来提升系统供能的稳定性与清洁能源利用率。此类系统通常遵循“光伏优先供给、富余电力储存、光热直接补热”的能源分配原则,配套智能能源管理平台实时监测光伏出力、储能状态与系统能耗,以优化能源分配。在高校bot(建设-经营-转让)项目场景中,此类系统还需兼顾节能减排与项目运营的电费成本控制需求。

2、上述现有技术中,光伏出力的不确定性直接影响系统对清洁能源供给能力的判断:预测偏于乐观可能导致备用容量不足、极端天气下关键负荷供电受限;预测偏于保守则可能过度启用储能或电网补充,降低清洁能源利用率、增加购电成本。因此,准确的光伏功率预测是制定合理能源分配策略、实现清洁能源高效利用与成本优化的前提和基础。

3、目前,光伏功率概率预测主要存在以下问题:(1)现有分位数回归方法在预测多个分位数时往往需要为每个分位点单独建立模型,不仅训练成本高,还极易导致“分位点交叉”问题,即低分位数的预测值大于高分位数,使预测区间丧失概率有效性。在多能源协调控制场景中,这一问题会直接导致系统无法获得可靠的出力上下限估计,进而影响储能充放电策略与备用容量安排。(2)现有深度学习预测模型多为“黑箱”结构,预测结果缺乏物理可解释性,调度人员难以理解预测结果的决策依据,无法根据预测结果追溯其物理成因,降低了调度决策的可信度与可操作性。

技术实现思路

1、本发明的目的是提供一种含光伏的多供应能源协调控制方法,以解决现有技术中的上述不足之处。

2、为了实现上述目的,本发明提供如下技术方案:一种含光伏的多供应能源协调控制方法,包括以下步骤:

3、s1、获取光伏电站的多源数据并进行预处理;

4、s2、构建光伏发电的物理因果知识图谱,提取物理因果知识图谱的图拉普拉斯矩阵并进行特征值分解,以得到的图特征基作为正交化特征空间的坐标轴,将预处理后的输入参数投影至该正交化特征空间,得到投影特征向量;

5、s3、基于预处理后的多源数据提取气象时序演化特征,利用聚类算法生成多个天气原型,并计算对应后验概率得到对应连续概率分布软标签,使特征空间形成连续的平滑流形结构;

6、s4、在所述正交化特征空间中,基于所述软标签对各天气原型施加动态对比约束进行度量学习,使同类天气原型特征相互靠近、异类天气原型特征相互远离;

7、s5、构建门控超网络与多个子专家网络,所述门控超网络根据输入特征生成各子专家网络的集成权重,各子专家网络分别预测不同天气原型下的多个条件分位数,将各子专家网络的输出按所述集成权重进行加权集成,得到最终的多分位数预测结果;

8、s6、基于所述多分位数预测结果生成光伏功率预测区间并计算备用容量需求,基于所述预测区间与备用容量需求,按照预设的能源分配策略生成多能源协调调度指令,执行闭环运行。

9、进一步的,所述s2具体包括以下步骤:

10、以光伏发电相关物理量为节点、以物理因果关系为有向边构建所述物理因果知识图谱,所述节点包括辐照度、温度、湿度、风速、光伏板温度、转换效率、输出功率;

11、提取所述物理因果知识图谱的邻接矩阵,计算度对角矩阵,根据邻接矩阵与度对角矩阵之差得到图拉普拉斯矩阵;

12、对所述图拉普拉斯矩阵进行特征值分解,得到相互正交的特征向量作为图特征基,以所述图特征基作为正交化特征空间的坐标轴;

13、将预处理后的输入参数向量投影至所述图特征基方向,得到投影特征向量,所述投影特征向量的各分量表示对应图特征基方向的激活强度。

14、进一步的,所述s3具体包括以下步骤:

15、提取辐照度变化率、短时波动指数及趋势特征作为气象时序演化特征;

16、以所述气象时序演化特征为输入,采用高斯混合模型进行聚类,得到多个天气原型及各天气原型对应的高斯分布参数;

17、计算当前时刻气象时序演化特征属于各天气原型的后验概率,以所述后验概率构成的概率向量作为连续软标签;

18、将所述投影特征向量与对应软标签关联,并通过变分自编码器对投影特征向量进行非线性降维,使软标签相近的投影特征向量在特征空间中彼此靠近,形成连续平滑流形结构。

19、进一步的,所述s4包括以下步骤:

20、在当前训练批次中,基于各样本的软标签计算各天气原型的加权特征簇心;

21、构造对比损失函数,使不同天气原型簇心间的距离大于当前批次全局特征方差的动态均值,使同一天气原型内各特征到簇心的距离小于该簇当前特征方差的动态缩放倍数;

22、对输出功率历史波动超过预设阈值的天气原型,自适应增大其簇内距离容忍度。

23、进一步的,所述s5包括以下步骤:

24、以输入为所述投影特征向量,输出为指定分位水平下的条件分位数预测值,构建与天气原型数量相同的多个子专家网络,各子专家网络均为神经网络;

25、采用非对称绝对损失函数对各子专家网络进行训练,其中分位水平低于0.5的子专家网络对正残差赋予第一权重、对负残差赋予第二权重,以强制关注出力低估风险,所述第一权重小于第二权重;

26、以输入为所述投影特征向量,输出为各子专家网络的集成权重,所述集成权重经softmax函数归一化,构建门控超网络;

27、以最小化集成预测的分位数损失,并使所述集成权重与所述连续软标签的kl散度最小化,为所述门控超网络的训练目标;

28、将各子专家网络输出的指定分位水平下的条件分位数预测值按所述集成权重加权求和,得到对应的集成分位数预测值,所述集成分位数预测值至少包括10%分位数、50%分位数和90%分位数。

29、进一步的,所述s5还包括对门控超网络与多个子专家网络进行训练,包括以下三个阶段:

30、预训练阶段:基于所述软标签将训练样本划分至各天气原型,以非对称绝对损失函数为优化目标,通过反向传播分别预训练各子专家网络,使每个子专家网络在对应天气态势下具备分位数预测能力;

31、联合训练阶段:固定各子专家网络的参数,以集成预测的分位数损失与所述集成权重和所述连续软标签的kl散度之和为优化目标,通过反向传播训练门控超网络,使门控超网络输出的集成权重能够根据输入特征自动适配最优的子专家网络组合;

32、微调阶段:将各子专家网络与门控超网络的全部参数设为可训练状态,以总损失函数为优化目标,通过反向传播进行联合微调,使整体模型达到最优,所述总损失函数包括集成预测的分位数损失、kl散度、单调性约束正则项和对比损失函数。

33、进一步的,所述s6包括以下步骤:

34、以所述10%分位数作为预测下限、以所述90%分位数作为预测上限,构成光伏功率预测区间;

35、在训练过程中施加单调性约束正则项,当所述10%分位数预测值大于所述50%分位数预测值或所述50%分位数预测值大于所述90%分位数预测值时产生正损失,驱动模型参数调整以消除交叉;

36、计算所述50%分位数与所述10%分位数之差作为上调备用容量需求,计算所述90%分位数与所述50%分位数之差作为下调备用容量需求;

37、计算预测区间宽度与所述50%分位数预测值的比值作为综合风险指标;

38、当所述综合风险指标低于预设阈值时,以所述50%分位数预测值为基准制定各子系统出力计划,运行于经济调度模式;当所述综合风险指标超过预设阈值时,自动切换至以所述10%分位数预测值为基准的保守调度模式,将上调备用容量预留在储能系统中,并按预设优先级切除非关键负荷。

39、进一步的,所述s6中闭环运行包括以下步骤:

40、实时采集光伏出力、光热储热温度与热量、储能荷电状态与充放电功率、空气源热泵运行状态及系统负荷需求数据;

41、滚动更新光伏功率预测区间与备用容量需求;

42、能量管理平台依据预测结果与所述能源分配策略,以最大化光伏与光热清洁能源利用率、最小化电网购电成本为优化目标,动态制定各子系统运行计划,约束条件包括储能荷电状态上下限、光热储热容量、设备出力上下限,所述子系统包括光伏发电系统、光热补热系统、电化学储能与储热装置、空气源热泵机组及系统循环泵中的至少一种;

43、将调度指令下发至对应子系统的执行设备;

44、采集指令执行后的实际运行数据,将偏差信息反馈至所述能量管理平台,用于修正预测结果和调度计划,实现持续迭代优化。

45、进一步的,所述方法还包括在输出多能源协调调度指令时,进行物理归因分析与可视化,包括以下步骤:

46、在输出多能源协调调度指令时,获取门控超网络输出的各子专家网络集成权重,识别权重最大的天气原型作为当前主导天气原型;

47、计算各图特征基方向对预测结果的贡献度,识别当前时刻激活强度最大的物理因果路径;

48、将当前时刻的投影特征向量在降维后的二维平面上标注,同时显示各天气原型簇心的位置;

49、以图形化方式展示光伏功率预测区间、期望出力曲线及对应的备用容量需求曲线,并根据综合风险指标给出风险等级提示。

50、与现有技术相比,本发明提供的一种含光伏的多供应能源协调控制方法具备以下有益效果:

51、(1)通过构建光伏发电的物理因果知识图谱并提取图拉普拉斯矩阵进行特征值分解,以得到的图特征基作为正交化特征空间的坐标轴,将预处理后的输入参数投影至该正交化特征空间,实现了多物理量间因果关联的结构化建模与多重共线性的有效消除,使预测模型的决策逻辑可追溯至具体的物理因果路径,极大缓解了传统深度学习模型因黑箱造成的可解释性差的问题。

52、(2)通过构建门控超网络与多个子专家网络,门控超网络根据输入特征生成各子专家网络的集成权重,各子专家网络分别预测不同天气原型下的多个条件分位数,将各子专家网络的输出按集成权重进行加权集成,得到最终的多分位数预测结果,实现了不同天气态势下预测模型的自动、连续切换,兼顾了晴好天气下的预测精度与极端天气下的保守调度需求,并通过在训练过程中施加单调性约束正则项,杜绝了分位数交叉问题。

53、(3)通过提取气象时序演化特征并利用聚类算法生成表征天气态势的连续概率分布软标签,在正交化特征空间中基于软标签对各天气原型施加动态对比约束进行度量学习,使特征空间中的距离具有明确的天气语义,避免了离散天气分类导致的预测结果跳变问题,使预测结果在不同天气之间平滑过渡,提升了模型在天气类型边界附近的预测稳定性。