一种基于负荷预测的园区配电智能优化调度方法与流程

本发明涉及电力系统调度，具体涉及一种基于负荷预测的园区配电智能优化调度方法，尤其涉及一种将负荷预测网络与配电网优化调度模型进行端到端联合训练与联合推理的调度方法，可应用于含有分布式光伏、电动汽车及储能系统接入的工业园区配电网的智慧能源管理，属于智慧园区能源管理、人工智能应用与电力系统调度相结合的。

背景技术：

1、随着分布式光伏、电动汽车以及储能系统在工业园区中的高比例接入，园区配电网的运行呈现出较强的随机性和波动性特征，为应对上述运行特征，行业内通常采用负荷预测技术对未来一定时段内的用电负荷以及光伏出力进行预估，并结合最优潮流或混合整数线性规划等优化调度模型，对变压器出力、储能充放电功率以及柔性负荷调节量进行求解，以实现园区配电网的经济运行以及安全稳定运行，其中，负荷预测环节通常采用长短期记忆网络、transformer等深度学习模型，以均方误差作为训练目标函数对模型参数进行更新，调度优化环节则采用凸优化求解器或商用混合整数线性规划求解器，对包含设备容量约束、功率平衡约束以及储能荷电状态耦合约束等条件的调度模型进行求解。

2、与本发明最为接近的现有技术方案为预测与决策两阶段分离式的园区配电调度框架，该方案第一阶段利用历史负荷、气象以及光伏出力等历史数据训练深度学习预测模型，在训练过程中以预测值与真实历史负荷值之间的均方误差最小化为唯一优化目标，得到未来调度周期内各时段的负荷及新能源出力预测值，第二阶段将第一阶段输出的预测值作为已知的确定性参数，代入以经济运行成本最小化为目标、包含设备容量约束、功率平衡约束以及峰谷差约束等条件的优化调度模型中进行独立求解，得到变压器出力、储能充放电功率以及柔性负荷调节量等调度指令并下发执行，在该方案中，预测模型的训练与调度模型的求解为两个完全独立、依次串行执行的模块，预测模型训练过程中不获知也不参与调度模型的求解过程及其目标函数。

3、上述现有技术方案存在以下技术缺陷，首先，预测模型训练阶段采用的均方误差损失函数对所有时间点的预测误差赋予同等权重，而配电网调度成本函数对不同时段以及不同节点的预测误差具有非线性且不均衡的敏感性，例如负荷低谷时段的预测误差对调度成本影响很小，而负荷高峰时段或临近设备容量上限时段的预测误差可能直接导致设备过载或触发惩罚性购电成本，因此以统计误差为训练目标训练出的预测模型难以主动识别并优先保证调度敏感时段以及敏感节点的预测精度，最终导致预测统计指标良好但实际调度经济性差、安全裕度不足的现象，其次，调度优化模型中包含大量非线性、非平滑的边界约束条件，预测阶段产生的误差在代入调度模型求解时会因约束条件的非线性传播效应被进一步放大，原本在预测层面看似可接受的小误差，经调度模型传播后可能使原本的可行解变为不可行解，进而引发弃光、弃风或紧急切负荷等后果，再次，由于预测模型与调度模型在现有技术方案中被设计为两个完全独立、依次串行、彼此不可微分传导的模块，预测模型的训练过程无法获知调度模型的目标函数及约束边界信息，从技术架构上就不存在将调度侧信息反馈至预测模型训练环节的通道，导致上述脱节问题在现有技术框架内难以从根本上得到解决。

技术实现思路

1、本发明要解决的技术问题是：在含有分布式光伏、柔性负荷接入的工业园区配电网中，现有预测与调度两阶段分离的技术架构存在预测评价指标与调度决策目标不一致的问题，导致预测模型统计精度良好但实际调度经济性差、设备过载风险高，且预测误差经调度模型的非线性约束传播后容易被放大，造成调度结果不可行或调度成本畸高，本发明旨在提供一种将配电网物理约束以及经济调度目标直接反馈至负荷预测模型训练过程的联合优化调度方法，使预测模型在训练阶段主动感知调度侧的敏感区域，从而解决预测与调度相互脱节的技术问题。

2、为解决上述技术问题，本发明提供一种基于负荷预测的园区配电智能优化调度方法，该方法包括如下技术内容。

3、首先，采集园区内楼宇级、变压器级以及园区级的历史负荷数据、光伏出力数据、气象数据、储能荷电状态数据以及电动汽车充电时间窗数据，构成输入特征，将该输入特征输入包含图注意力网络模块与编码器模块的预测网络，图注意力网络模块将楼宇级、变压器级以及园区级的用电单元抽象为拓扑图节点，通过计算节点与其邻居节点之间的注意力系数对邻居节点特征进行加权聚合，得到跨层级一致的负荷特征，编码器模块对该负荷特征进行时序编码，最终由预测网络输出未来调度周期内各时段的负荷预测值以及光伏出力预测值。

4、其次，将上述负荷预测值以及光伏出力预测值代入可微优化层，该可微优化层为经二阶锥松弛转化后的凸化最优潮流调度模型，以调度总成本函数为优化目标，在设备容量约束、储能荷电状态约束、电动汽车充电时间窗约束以及节点功率平衡约束条件下进行求解，得到调度决策以及对应的拉格朗日乘子，其中，调度总成本函数由经济运行成本项、峰谷差惩罚项以及设备安全裕度惩罚项加权组成。

5、再次，根据上述调度决策、对应时段的负荷真实值以及光伏出力真实值，计算决策感知损失函数，该损失函数由将调度决策代入真实场景后得到的实际调度成本项与约束违反惩罚项加权组成，从而使损失函数直接反映调度后果而非单纯的统计误差，为使该调度决策对预测值的敏感关系可以进行梯度反向传播，本发明构造该优化问题对应的拉格朗日函数及kkt条件方程组，通过对由kkt条件方程组构成的kkt矩阵进行求逆运算，得到调度决策对负荷预测值以及光伏出力预测值的隐式梯度，依据链式法则将该隐式梯度与预测网络自身对网络参数的梯度相乘，得到决策感知损失函数对预测网络参数的总梯度，并据此更新预测网络参数，上述过程反复迭代，直至满足预设的训练终止条件，得到训练完成的预测网络。

6、最后，在推理阶段，利用训练完成的预测网络对园区实时数据进行前向计算，得到实时负荷预测值以及实时光伏出力预测值，代入可微优化层求解得到实时调度决策，对调度决策中的楼宇级柔性负荷响应动作按照楼宇级、变压器级以及园区级的顺序进行逐层聚合，并校验聚合结果是否超出上一层级的容量约束，若超出则依据各楼宇柔性负荷的调节裕度对相应楼宇的响应动作进行比例修正，并重新进行聚合校验，直至聚合结果满足全部层级的容量约束条件，最终将满足多层级一致性约束的调度指令下发执行。

7、本发明能够达到的技术效果包括：

8、1.通过将调度后果直接纳入预测网络的训练损失，使预测模型在训练阶段即主动感知调度侧的经济成本与安全约束信息，在相近的预测统计误差水平下，能够降低实际调度总成本以及设备安全裕度违反的概率；

9、2.通过基于kkt条件的隐式梯度反向传播机制，实现调度模型在非平滑约束条件下梯度信息的解析传导，相较启发式拼凑方法，训练过程更为稳定；

10、3.通过图注意力网络实现楼宇级、变压器级、园区级特征的跨层级聚合，并配合逐层聚合校验与比例修正机制，保证底层柔性负荷响应动作聚合后满足上层容量约束，有利于提高新能源就地消纳的水平。

1.一种基于负荷预测的园区配电智能优化调度方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述图注意力网络模块通过计算节点与其邻居节点之间的注意力系数对邻居节点特征进行加权聚合，所述编码器模块用于对所述负荷特征进行时序编码，得到时序编码特征，所述预测网络依据所述时序编码特征输出所述负荷预测值以及所述光伏出力预测值。

3.根据权利要求2所述的方法，其特征在于，还包括：对所述调度决策中的楼宇级柔性负荷响应动作按照楼宇级、变压器级以及园区级的顺序进行逐层聚合，并校验聚合结果是否超出上一层级的容量约束，在聚合结果超出上一层级容量约束的情况下，依据各楼宇柔性负荷的调节裕度对相应楼宇的响应动作进行比例修正，并重新进行聚合校验，直至聚合结果满足全部层级的容量约束条件。

4.根据权利要求1所述的方法，其特征在于，所述调度总成本函数由经济运行成本项、峰谷差惩罚项以及设备安全裕度惩罚项加权组成。

5.根据权利要求1所述的方法，其特征在于，所述约束违反惩罚项通过对不等式约束的违反程度进行量化得到，所述决策感知损失函数为所述实际调度成本项与惩罚系数和所述约束违反惩罚项的乘积之和。

6.根据权利要求1所述的方法，其特征在于，所述可微优化层通过二阶锥松弛将非凸的潮流方程转化为凸约束形式，使所述可微优化层对应的优化问题的kkt条件方程组存在唯一解。

7.根据权利要求1所述的方法，其特征在于，所述kkt条件方程组通过对拉格朗日函数在所述调度决策处关于所述负荷预测值以及所述光伏出力预测值求全微分得到，所述拉格朗日函数由所述调度总成本函数、不等式约束项与对应拉格朗日乘子的乘积以及等式约束项与对应拉格朗日乘子的乘积相加构成。

8.根据权利要求1所述的方法，其特征在于，采用共轭梯度法对所述kkt矩阵构成的线性方程组进行迭代求解，得到所述隐式梯度的近似值，以替代对所述kkt矩阵进行求逆运算。

9.根据权利要求2所述的方法，其特征在于，利用训练完成的所述预测网络对园区实时数据进行前向计算的过程包括：采集园区当前时刻楼宇级、变压器级以及园区级的实时负荷数据、光伏出力数据以及设备状态数据，构造多层级拓扑图，将所述多层级拓扑图输入训练完成的所述图注意力网络模块进行特征聚合，得到实时负荷特征，将所述实时负荷特征输入训练完成的所述编码器模块进行时序编码，得到实时时序编码特征，并将所述实时时序编码特征输入所述预测网络进行前向计算，得到所述实时负荷预测值以及所述实时光伏出力预测值。