一种基于气象自适应的能源调度方法、装置、设备及存储介质
本技术涉及能源调度,尤其涉及一种基于气象自适应的能源调度方法、装置、设备及存储介质。
背景技术:
1、随着可再生能源装机比例的持续提升,以风电、光伏等间歇性电源高比例接入的区域综合能源系统(ries)已成为能源转型的重要方向。由于风光出力及冷热电负荷具有随机性与波动性,刻画其联合概率分布并生成典型运行场景,是开展系统日前优化调度的重要前提。
2、目前,对于风光出力与多元负荷的联合场景生成,现有技术主要采用两类方法:一类是基于静态copula函数的多元相依建模方法,即利用全局历史数据一次性拟合出一个固定不变的copula拓扑结构来描述风、光出力及电、热、冷负荷之间的相关性;另一类是基于纯数据驱动的深度学习或常规随机抽样方法,直接从历史样本中学习数据分布并进行场景生成,以服务于调度决策。
3、然而,采用全局静态copula结构无法捕捉多能流相依结构随气象条件变化的动态特性,纯数据驱动抽样缺乏气象演变规律的宏观约束,这会导致生成的风光出力与多元负荷场景与实际物理规律偏离,以此失真的场景作为日前调度模型的输入,无法为燃气轮机、储能等硬件设备生成准确的日前优化控制指令。
技术实现思路
1、本技术提供了一种基于气象自适应的能源调度方法、装置、设备及存储介质,能够捕捉多能流相依结构随气象条件变化的动态特性,并且引入气象态势的时序演变约束,使得生成的风光出力与多元负荷场景符合实际物理规律,从而为日前调度模型提供准确的输入,进而为燃气轮机、储能等硬件设备生成精确的日前优化控制指令。
2、为达到上述目的,本技术采用如下技术方案:
3、第一方面,本技术提供了一种基于气象自适应的能源调度方法,其特征在于,所述方法包括:
4、获取综合能源系统所在区域的历史运行数据,所述历史运行数据包括气象态势特征数据和各能源量测数据;所述气象态势特征数据包括太阳总辐照度、风速和环境温度,所述各能源量测数据包括光伏出力、风力发电出力、以及终端电负荷、热负荷和冷负荷;
5、对所述气象态势特征数据进行气象态势聚类划分,得到k个气象态势类别,并为历史运行数据中每一时间断面标注气象态势类别对应的气象态势标签,构建带气象态势标签的历史气象数据库,k为大于等于2的正整数;
6、基于所述带气象态势标签的历史气象数据库,统计各气象态势类别之间的时序转移频次,构建气象态势的马尔科夫状态转移概率矩阵;
7、针对每一所述气象态势类别,分别对所述各能源量测数据进行边缘分布拟合,得到该气象态势类别下各能源变量的边缘概率分布;基于所述边缘概率分布对原始量测数据进行概率积分变换,映射至均匀概率空间,得到标准化概率序列;
8、针对每一所述气象态势类别,基于所述标准化概率序列,分别构建该气象态势类别对应的r-vine copula多能流相依模型,所述r-vine copula多能流相依模型包含最优拓扑边集、最优pair-copula函数类型及最优参数集;
9、基于所述马尔科夫状态转移概率矩阵和所述r-vine copula多能流相依模型,生成计及气象时序演变约束和多维源荷相依特征的联合场景集,并对所述联合场景集进行聚类削减,得到n个典型运行场景及各典型运行场景的发生概率,n为大于等于2的正整数;
10、以所述n个典型运行场景及所述各典型运行场景的发生概率作为输入边界条件,构建以综合期望运行成本最小化为目标函数的日前随机优化调度模型,并在满足综合能源系统多能母线功率平衡约束、能源转换设备运行约束、能源存储设备运行约束和柔性负荷响应约束的条件下,对所述目标函数进行求解,得到各典型运行场景下所述综合能源系统中各可控设备的日前最优控制指令。
11、可选的,所述对所述气象态势特征数据进行气象态势聚类划分,得到k个气象态势类别,并为历史运行数据中每一时间断面标注气象态势类别对应的气象态势标签,构建带气象态势标签的历史气象数据库,包括:
12、基于所述太阳总辐照度、风速和环境温度构建气象特征向量集合;
13、采用k-means聚类算法对所述气象特征向量集合进行聚类划分,并采用误差平方和与轮廓系数确定最佳聚类数k,得到k个气象态势类别;
14、将所述气象特征向量集合中每一时间断面气象态势类别对应的气象态势标签同步绑定至相同时刻的各能源量测数据上,构建带气象态势标签的历史气象数据库。
15、可选的,所述基于所述带气象态势标签的历史气象数据库,统计各气象态势类别之间的时序转移频次,构建气象态势的马尔科夫状态转移概率矩阵,包括:
16、将所述k个典型气象态势类别定义为马尔科夫链的离散状态空间;
17、提取所述带气象态势标签的历史气象数据库中按时间序列排列的气象态势标签序列;
18、采用极大似然估计法,统计所述气象态势标签序列中由状态si转移至状态sj的频次nij以及状态si出现的总频次ni,计算单步状态转移概率pij=nij/ni;
19、以所述单步状态转移概率pij构建维度为k×k的马尔科夫状态转移概率矩阵。
20、可选的,针对每一所述气象态势类别,分别对所述各能源量测数据进行边缘分布拟合,得到该气象态势类别下各能源变量的边缘概率分布;基于所述边缘概率分布对原始量测数据进行概率积分变换,映射至均匀概率空间,得到标准化概率序列,包括:
21、针对每一所述气象态势类别,从所述带气象态势标签的历史气象数据库中分别提取光伏出力、风力发电出力、电负荷、热负荷和冷负荷的历史观测值,构建该气象态势类别专属的五维源荷样本集;
22、针对每一所述气象态势类别下的每一源荷变量,采用非参数核密度估计拟合该源荷变量的概率密度函数,并通过最小化渐近积分均方误差确定最优平滑参数;
23、基于拟合得到的概率密度函数,利用经验累积分布函数对各源荷变量的原始量测数据进行概率积分变换,映射至[0,1]均匀概率空间,得到标准化概率序列。
24、可选的,针对每一所述气象态势类别,基于所述标准化概率序列,分别构建该气象态势类别对应的r-vine copula多能流相依模型,所述r-vine copula多能流相依模型包含最优拓扑边集、最优pair-copula函数类型及最优参数集,包括:
25、针对每一所述气象态势类别,将所述标准化概率序列作为五维训练样本集,构建r-vine copula联合概率密度函数;
26、采用最大生成树算法,以kendall秩相关系数绝对值之和最大化为优化目标,逐层确定当前层树的最优无回路连接边集;
27、针对所述最优无回路连接边集中的每一条边,遍历备选pair-copula函数族,采用极大似然估计拟合参数并以赤池信息准则最小化为评价指标,选取最优pair-copula函数类型及其最优参数集;
28、基于当前层树的确定结果,通过h函数变换生成条件累积分布概率数据,迭代执行下一层树的拓扑寻优,直至所有层树结构构建完毕,输出最优拓扑边集、最优pair-copula函数类型及最优参数集。
29、可选的,基于所述马尔科夫状态转移概率矩阵和所述r-vine copula多能流相依模型,生成计及气象时序演变约束和多维源荷相依特征的联合场景集,并对所述联合场景集进行聚类削减,得到n个典型运行场景及各典型运行场景的发生概率,包括:
30、调用所述马尔科夫状态转移概率矩阵,采用马尔可夫链蒙特卡洛随机游走算法生成未来m个连续自然日的气象态势演进序列,其中任一自然日的气象态势从所述k个典型气象态势类别中取值,m为大于等于2的正整数;
31、根据每一自然日所属的气象态势类别,匹配该气象态势类别对应的r-vinecopula多能流相依模型;
32、针对每一自然日内的多个调度断面,基于所述r-vine copula多能流相依模型,采用标准蒙特卡洛算法生成多维独立白噪声序列,并通过逆rosenblatt变换将所述独立白噪声序列映射为具有多能流相依关系的模拟概率序列;
33、将所述模拟概率序列通过经验逆累积分布函数逆变换为具有实际量纲的源荷功率场景数据,生成多个联合场景;
34、采用聚类算法对所述多个联合场景进行削减,基于误差平方和与轮廓系数确定保留场景数n,提取n个典型运行场景,并基于各典型运行场景所属聚类簇的样本数量占比,计算各典型运行场景的发生概率。
35、可选的,所述目标函数表示为:
36、
37、其中,为第s个典型运行场景的发生概率,为第s个典型运行场景下的外部购能成本,为第s个典型运行场景下的设备运行维护成本,为第s个典型运行场景下的碳排放交易成本,为第s个典型运行场景下的柔性负荷需求响应补偿成本。
38、第二方面,本技术提供了一种基于气象自适应的能源调度装置,包括:
39、获取模块,用于获取综合能源系统所在区域的历史运行数据,所述历史运行数据包括气象态势特征数据和各能源量测数据;所述气象态势特征数据包括太阳总辐照度、风速和环境温度,所述各能源量测数据包括光伏出力、风力发电出力、以及终端电负荷、热负荷和冷负荷;
40、处理模块,用于对所述气象态势特征数据进行气象态势聚类划分,得到k个气象态势类别,并为历史运行数据中每一时间断面标注气象态势类别对应的气象态势标签,构建带气象态势标签的历史气象数据库,k为大于等于2的正整数;基于所述带气象态势标签的历史气象数据库,统计各气象态势类别之间的时序转移频次,构建气象态势的马尔科夫状态转移概率矩阵;针对每一所述气象态势类别,分别对所述各能源量测数据进行边缘分布拟合,得到该气象态势类别下各能源变量的边缘概率分布;基于所述边缘概率分布对原始量测数据进行概率积分变换,映射至均匀概率空间,得到标准化概率序列;针对每一所述气象态势类别,基于所述标准化概率序列,分别构建该气象态势类别对应的r-vine copula多能流相依模型,所述r-vine copula多能流相依模型包含最优拓扑边集、最优pair-copula函数类型及最优参数集;基于所述马尔科夫状态转移概率矩阵和所述r-vine copula多能流相依模型,生成计及气象时序演变约束和多维源荷相依特征的联合场景集,并对所述联合场景集进行聚类削减,得到n个典型运行场景及各典型运行场景的发生概率,n为大于等于2的正整数;
41、调度模块,用于以所述n个典型运行场景及所述各典型运行场景的发生概率作为输入边界条件,构建以综合期望运行成本最小化为目标函数的日前随机优化调度模型,并在满足综合能源系统多能母线功率平衡约束、能源转换设备运行约束、能源存储设备运行约束和柔性负荷响应约束的条件下,对所述目标函数进行求解,得到各典型运行场景下所述综合能源系统中各可控设备的日前最优控制指令。
42、第三方面,本技术提供了一种计算设备,包括存储器和处理器;
43、其中,在所述存储器中存储有一个或多个计算机程序,所述一个或多个计算机程序包括指令;当所述指令被所述处理器执行时,使得所述计算设备执行如第一方面中任一项所述的方法。
44、第四方面,本技术提供了一种计算机可读存储介质,所述计算机可读存储介质用于存储计算机程序,所述计算机程序用于执行如第一方面中任一项所述的方法。
45、由上述技术方案可知,本技术至少具有如下有益效果:
46、本技术通过对气象态势特征数据进行聚类划分,使r-vine copula的拓扑边集、pair-copula函数类型及参数集均随气象态势自适应变化,由此使得任一气象态势下均存在与该气象态势相匹配的专属r-vine copula模型,场景生成时所使用的相依结构与实际天气状态之间具有一一对应关系,解决了静态copula在非匹配天气条件下多维相依关系失真的问题;本技术将气象态势类别定义为马尔科夫链的离散状态空间,通过统计各态势间的时序转移频次构建马尔科夫状态转移概率矩阵,在场景生成中以该矩阵驱动气象态势的日尺度演进,从转移概率层面排除了气象状态之间不具备物理可能性的跳变路径,由此使得生成场景在跨日时序跨度上符合实际气象条件的演变规律,解决了因气象跳变导致的场景时序失真问题;本技术将带有气象态势标签的场景生成流程与日前随机优化调度模型置于同一气象态势分类体系下进行数据传递,生成场景的维度和时间断面与调度模型中的风光出力边界及负荷边界直接映射,使得调度优化求解结果能够体现各气象态势下的物理运行边界,解决了因场景与调度割裂导致日前调度指令失准的问题;本技术通过多场景概率期望的优化调度框架,将各典型场景对应的运行成本按发生概率加权计入目标函数,由此使得系统在满足多能母线功率平衡约束、设备运行约束和柔性负荷响应约束的前提下,调度决策在各场景下的综合期望成本达到最小,实现了对源荷不确定性的系统性应对。
47、应当理解的是,本技术中对技术特征、技术方案、有益效果或类似语言的描述并不是暗示在任意的单个实施例中可以实现所有的特点和优点。相反,可以理解的是对于特征或有益效果的描述意味着在至少一个实施例中包括特定的技术特征、技术方案或有益效果。因此,本说明书中对于技术特征、技术方案或有益效果的描述并不一定是指相同的实施例。进而,还可以任何适当的方式组合本实施例中所描述的技术特征、技术方案和有益效果。本领域技术人员将会理解,无需特定实施例的一个或多个特定的技术特征、技术方案或有益效果即可实现实施例。在其他实施例中,还可在没有体现所有实施例的特定实施例中识别出额外的技术特征和有益效果。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com