一种面向光伏不确定性的水电柔性调节与弃光最小化端到端优化方法及装置与流程

摘要: 本发明涉及电力系统优化运行与多能协同控制,具体是一种面向光伏不确定性的水电柔性调节与弃光最小化端到端优化方法及装置。背景技术:1、近年来,随着大规模光伏电站接入...
一种面向光伏不确定性的水电柔性调节与弃光最小化端到端优化方法及装置与流程

本发明涉及电力系统优化运行与多能协同控制,具体是一种面向光伏不确定性的水电柔性调节与弃光最小化端到端优化方法及装置。

背景技术:

1、近年来,随着大规模光伏电站接入电力系统,光伏出力易受气象条件影响、波动性大、可预测性差等特性日益凸显。光伏出力的不确定性不仅导致传统计划调度偏差增大,而且在并网能力受限或负荷低谷时,容易造成大比例的弃光现象,限制了可再生能源的有效消纳,降低了系统运行经济性与碳减排效益。水电作为具备快速调节能力、出力调节范围大的灵活性资源,被广泛用于平抑光伏波动、补偿功率缺口及支持多能互补运行。然而,传统的光伏预测方法通常依赖单点预测,难以刻画光伏出力的概率分布特征;而水电调度模型多采用线性规划、动态规划或混合整数规划等方法,模型往往不可微,不支持预测与调度的联合优化,导致预测误差不能有效反馈到调度模型中,难以在运行策略层面对光伏波动进行主动抑制。

2、现有光伏-水电协同运行研究仍普遍采用"先预测后调度"的序贯范式,即先进行光伏点预测,再将预测值作为确定性输入送入水电调度模型。这种将预测和调度解耦的方法既无法直接考虑预测不确定性对调度约束和弃光量的影响,也不能根据调度效果优化预测模型。因此,系统难以实现对光伏随机波动的全局自适应响应,在高比例新能源场景下容易出现弃光量大、调节资源响应滞后、运行策略不稳定等问题。

3、综上所述,迫切需要一种能够同时处理光伏出力不确定性与水电柔性调节能力的协同优化技术,使光伏预测模型能够在调度目标驱动下自动调整,从而在系统层面实现光伏波动抑制与弃光最小化的联合优化,以提高可再生能源的消纳水平。

技术实现思路

1、为解决光伏出力不确定性导致弃光量大、预测与调度相互独立、现有水电调度模型不可微且无法实现协同优化等问题,本发明提出了一种面向光伏不确定性的水电柔性调节与弃光最小化端到端优化方法及装置。该方法将光伏概率预测模型与可微水电调度优化模型进行统一建模,通过构建可反向传播的弃光损失函数,实现预测层与调度层的协同训练,从而在系统层面提升可再生能源的消纳能力。

2、为实现上述目的,本发明采用如下技术方案:

3、一种面向光伏不确定性的水电柔性调节与弃光最小化端到端优化方法,其特征在于,包括以下步骤:

4、步骤s1,构建光伏出力概率预测模型,基于气象预测、历史光伏功率和时间信息输出beta分布参数,利用所述beta分布对光伏功率时序不确定性进行刻画,并通过可微重参数化采样生成带场景权重的多场景光伏出力序列;

5、步骤s2,将步骤s1得到的所述多场景光伏出力序列作为输入,构建并求解具有凸结构的可微光伏-水电协同调度优化模型,得到各场景下的最优水电出力、库容轨迹和弃光功率;

6、步骤s3,以步骤s2得到的弃光功率作为主损失函数,并与基于观测光伏出力的crps分布拟合损失及参数正则项组合形成总损失函数;将所述总损失函数通过所述可微光伏-水电协同调度优化模型反向传播至所述光伏出力概率预测模型,对网络参数进行迭代更新,得到训练完成的网络参数;

7、步骤s4,加载步骤s3得到的训练完成的网络参数,在当前时刻获取最新气象预测、历史光伏出力、当前库容、入流和系统消纳能力上限,生成未来滚动窗口内的多场景光伏出力序列并求解所述可微光伏-水电协同调度优化模型,仅执行当前时刻的水电出力指令,并在下一时刻更新输入数据后重复执行,实现滚动时域下的在线调度。

8、进一步的,所述步骤s1具体包括:

9、步骤s1-1,将时刻t的光伏出力归一化为[0,1]区间随机变量:

10、(1);

11、其中为时刻的光伏功率,为光伏装机容量;

12、步骤s1-2,构建光伏概率预测网络,输入气象预测、历史光伏功率和时间信息特征,输出beta分布参数:

13、(2);

14、并假设归一化光伏出力服从:

15、(3);

16、步骤s1-3,从所述beta分布中采用可微重参数化采样方法生成n条光伏出力场景,对每个场景s和时刻t,采样得到归一化出力,并恢复到功率尺度:

17、(4);

18、每一条序列表示在当前气象和历史条件下一种可能发生的光伏日内出力轨迹,通过场景权重构造期望意义下的调度目标。

19、进一步的,所述步骤s2中,所述可微光伏–水电协同调度优化模型的构建具体包括:

20、步骤s2-1,建立水量平衡方程:

21、(5);

22、其中为场景下时刻的库容,为入流量,为用于发电的放水流量,为通过溢洪道的弃水流量,并满足库容及流量物理边界:

23、(6);

24、步骤s2-2,对水电出力-流量-水头关系进行线性化或凸包近似,采用等效线性出力模型或工作点凸包分段模型,使水电出力满足:

25、(8);

26、采用如下两种方式之一:

27、方式a:等效线性出力模型:在一个短调度周期内,将水头变化引起的非线性效应通过等效系数吸收,建立:

28、(7);

29、其中,为根据历史运行数据和水位段离线标定的等效功率系数。水电出力同时满足:

30、方案b:工作点凸包分段模型。预先选取若干代表性工作点,引入权重,构建:

31、(9);

32、(10);

33、该模型保证落在已知特性曲线的凸包内,不引入整数变量,仍保持凸性;

34、步骤s2-3,引入弃光功率,并设置并网消纳约束:

35、(11);

36、其中为实际被消纳的光伏功率,为系统消纳能力上限;

37、步骤s2-4,设置水电出力变化速率约束:

38、(12);

39、其中为允许的最大爬坡幅度;

40、步骤s2-5,构建以期望弃光成本最小为目标的多场景凸优化目标函数,对每一场景,在整个调度周期内的弃光、弃水与缺额代价汇总为:

41、(13);

42、其中分别为弃光、弃水和缺额代价系数,多场景期望目标写为:

43、(14);

44、其中为所有决策变量集合。

45、进一步的,所述步骤s2-2中,所述等效线性出力模型为:

46、(7);

47、其中,为根据历史运行数据和水位段离线标定的等效功率系数。

48、进一步的,所述步骤s2-2中,所述工作点凸包分段模型为:预先选取若干代表性工作点,引入权重,构建:

49、(9);

50、(10);

51、该模型保证落在已知特性曲线的凸包内,不引入整数变量,仍保持凸性。

52、进一步的,所述步骤s3中,以多场景调度求解得到的弃光功率作为主损失函数:

53、(15);

54、并在所述主损失函数的基础上,引入基于观测光伏出力的crps分布拟合损失和参数正则项,得到总损失函数:

55、(16);

56、所述总损失函数用于同时约束调度层的弃光水平、概率预测分布与观测光伏出力的匹配程度以及预测网络参数规模;其中,所述主损失函数经可微调度层向所述网络参数传递弃光敏感度,所述crps分布拟合损失用于保持场景分布的校准性与离散度,所述参数正则项用于抑制过拟合;步骤s3以所述总损失函数更新网络参数,步骤s4使用更新后的网络参数生成多场景光伏出力序列并形成在线调度指令。

57、进一步的,所述步骤s3中,所述反向传播通过隐式求导或自动微分框架实现,利用所述可微光伏–水电协同调度优化模型的最优解对输入参数的可导性质,计算所述端到端损失函数对所述光伏出力概率预测模型的网络参数θ的梯度,并采用梯度下降方法更新所述网络参数θ。

58、进一步的,所述步骤s4中,所述在线调度采用滚动时域方式,在当前时刻,获取最新气象预测、历史光伏出力、当前库容、入流和系统消纳能力上限,使用训练完成后的光伏概率预测网络输出未来窗口内各时刻的beta分布参数,生成多个光伏场景,求解所述可微光伏–水电协同调度优化模型后仅执行当前时刻的水电出力指令,并在下一时刻滚动更新。

59、一种面向光伏不确定性的水电柔性调节与弃光最小化端到端优化装置,包括:

60、光伏概率预测模块,用于构建光伏出力概率预测模型,基于气象预测、历史光伏功率和时间信息输出beta分布参数,利用所述beta分布对光伏功率时序不确定性进行刻画,并通过可微重参数化采样生成带场景权重的多场景光伏出力序列;

61、可微调度求解模块,用于接收所述多场景光伏出力序列作为输入,构建并求解具有凸结构的可微光伏–水电协同调度优化模型,得到各场景下的最优水电出力、库容轨迹和弃光功率;

62、端到端训练模块,用于以步骤s2得到的弃光功率作为主损失函数,并与基于观测光伏出力的crps分布拟合损失及参数正则项组合形成总损失函数;将所述总损失函数通过所述可微光伏-水电协同调度优化模型反向传播至所述光伏出力概率预测模型,对网络参数进行迭代更新,得到训练完成的网络参数;

63、在线滚动调度模块,用于利用训练完成后的网络参数,在当前时刻获取最新气象预测、历史光伏出力、当前库容、入流和系统消纳能力上限,生成未来滚动窗口内的多场景光伏出力序列并求解所述可微光伏-水电协同调度优化模型,仅执行当前时刻的水电出力指令,并在下一时刻更新输入数据后重复执行,实现滚动时域下的在线调度。

64、一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现如上所述的一种面向光伏不确定性的水电柔性调节与弃光最小化端到端优化方法。

65、本发明的特点及有益效果在于:

66、1、实现了光伏预测与水电调度的深度耦合,而非传统的串行解耦模式。

67、2、首次将水电调度构建为可微的凸优化模型,保证工程可实施性与端到端可训练性。

68、3、提出以"弃光最小化"为核心的系统级目标,直接面向新能源消纳问题。

69、4、通过端到端训练,使预测网络能够在调度目标驱动下自适应调整,显著提升不确定性条件下的系统运行效果。