一种水风光长期互补调度规则提取方法与流程

1.本发明属于多能源互补协调调度技术领域，尤其涉及一种水风光长期互补调度规则提取方法。


背景技术：

2.通过梯级水电站群联合调度，能够充分发挥龙头水电站群的作用，在年、月、旬、周、日、时不同时间尺度上，可以对多种调节性能水电站群进行时序递进的灵活性挖掘；与风光资源互补，还可实现不可控电源的时空转移，上述两点对于未来风光成为电网的主导电源意义特别重大，是清洁能源得到充分消纳的有力保障。
3.作为短期调度的边界条件，合理的中长期调度规则既可以提高发电系统的中长期效益，又可以降低短期调度的运行风险，是指导水库运行最有效的工具之一。目前制定水库调度规则最常用的随机优化方法主要有显随机优化、隐随机优化两种。显随机优化将水库来水或风光出力等随机变量抽象为可以表述其不确定性的概率分布，随后采用确定性优化原理进行长系列优化。隐随机优化则是通过确定性优化调度得到最优调度样本，然后使用回归分析或数据挖掘技术从中提取能够指导生产的调度规则；但是不能确保清洁能源高效消纳，提升电能质量，减小系统灵活性等需求。


技术实现要素：

4.本发明要解决的技术问题是：提供一种水风光长期互补调度规则提取方法，以保证清洁能源高效消纳，提升电能质量，减小系统灵活性需求。
5.本发明的技术方案是：
6.一种水风光长期互补调度规则提取方法，所述方法包括：
7.步骤1、采用清洁能源消纳最大模型，进行水风光长期互补优化调度；
8.步骤2、在优化调度结果的基础上，采用灰色关联度分析逐月筛选对决策变量影响较大的影响因子；
9.步骤3、建立bp人工神经网络模型提取调度规则；
10.步骤4、最后用历史资料进行模拟调度，来验证调度规则的可行性和有效性。
11.所述采用清洁能源消纳最大模型，进行水风光长期互补优化调度的方法包括：
12.步骤1.1、构建初始计算条件，包括水电站运行条件和约束，以及电力和水力调度需求条件，水电历史实际出力数据，新能源出力预测数据；
13.步骤1.2、从发电系统长期互补调度的角度出发，根据历史数据，建立梯级电站长系列水风光互补优化调度模型，以水风光系统发电量最大为目标函数；目标函数如下：
[0014][0015]
p
h,i,t
＝ki·qi,t
·hi,t
[0016]
式中，w为年内水风光合计消纳电量，kw
·
h；p
h,i,t
为第i级水电站第t时段的出力，kw；w
w,t
为风电第t时段的消纳电量，kw
·
h；w
s,t
为光伏第t时段的消纳电量，kw
·
h；t为时段总数，n为梯级水电站的总数，；ki为第i级水电站的出力系数；q
i,t
为第i级水电站第t时段的平均发电流量，m3/s；h
i,t
为第i级水电站第t时段的平均发电水头。
[0017]
目标函数的约束条件包括：
[0018]
1)输送通道容量约束
[0019]
风光并网之后，水风光互补电源系统仍利用原基地外送水电的通道送电，并不改变其与电网其他电源之间的拓扑结构关系；
[0020]
p
h,t
p
w,t
p
s,t
≤p
max
[0021]
上式中，p
max
为输电通道的极限传输功率；
[0022]
2)梯级水电站水量平衡约束
[0023][0024]
式中，v
i,t 1
、v
i,t
分别为第i个水电站在第t时段初、末水库蓄水量，m3；q
r,i,t
为第i个水电站第t时段的入库流量，m3/s；q
d,i,t
为第i个水电站第t时段的下泄流量，m3/s；q
f,i,t
为第i个水电站第t时段的发电流量，m3/s；q
s,i,t
为第i个水电站第t时段的弃水流量，m3/s；
[0025]
3)上下游水力联系
[0026]qr,i,t
＝q
d,i-1,t
q
q,i,t
[0027]
式中，q
d,i-1,t
为第i个水电站的上游电站的下泄流量；q
q,i,t
为第i-1个电站到第i个电站之间范围的区间流量；
[0028]
4)水位-库容约束
[0029]vi,t
＝f
i,zv
(z
i,t
)
[0030]
式中，f
i,zv
(
·
)为第i个水电站的水位库容关系函数；
[0031]
5)尾水位-泄流量约束
[0032]zd,i,t
＝f
i,zq
(q
d,i,t
)
[0033]
式中，f
i,zq
(
·
)为第i个水电站的尾水位泄量关系函数，z
d,i,t
为第i个水电站t时段的下游水位；
[0034]
6)水位限制
[0035]zi,tmin
≤z
i,t
≤z
i,tmax
[0036]
式中，z
i,tmin
为第i个水电站t时段最低运行水位；z
i,tmax
为第i个水电站t时段最高运行水位；
[0037]
7)发电流量限制
[0038]qi,tmin
≤q
i,t
≤q
i,tmax
[0039][0040]
式中，q
i,tmin
为第i个水电站在t时段最小引用流；为第i个水电站在t时段水库的最小生态流量；为第i个水电站在t时段水轮机组要求的最小引用流量；q
i,tmax
为第i个水电站在t时段最大引用流量；
[0041]
8)电站出力约束
[0042]ni,tmin
≤kq
i,thi,t
≤n
i,tmax
[0043]
式中，n
i,tmin
为第i个水电站在t时段发电机组的最小出力，kw；n
i,tmax
为第i个水电站在t时段发电机组的最大出力，kw；h
i,t
为第i个水电站在t时段的发电水头。
[0044]
利用lingo优化求解软件，求解模型，即获得梯级电站长序列水风光互补优化调度结果。
[0045]
筛选对决策变量影响较大的影响因子的方法为：在优化调度结果的基础上，采用灰色关联度分析逐月筛选对决策变量影响较大的影响因子，选取各水库时段末的水库库容为决策变量；选取各水库时段初水库库容、时段区间流量、风电和光伏出力为影响因子；采用灰色关联分析，分月整理优化调度结果，将影响因子的值作为比较数列，决策变量的值作为参考数列，使用matlab软件编程计算影响因子与各个月的决策变量之间的关联度，并进行排序，筛选关联度最高的影响因子。
[0046]
建立bp人工神经网络模型提取调度规则时，先进行数据预处理，处理方法包括：
[0047]
step1.划分训练集和测试集，将优化调度结果划分为训练集和测试集；
[0048]
step2.对数据进行归一化处理，采用最小值-最大值标准化方法，计算公式如下：
[0049][0050]
式中，xi是第i个样本，x
min
是样本最小值，x
max
是样本最大值，xi′
是第i个样本归一化之后的结果；同理，模型预测的结果需要进行逆变换，即反归一化，公式如下：
[0051]
xi＝x'i(x
max-x
min
) x
min
。
[0052]
bp人工神经网络模型时，选取影响因子，即各电站的时段区间流量、时段初水库库容、流域时段风电和光伏出力做特征向量，选取各电站的时段末水库库容做输出向量，隐含层选为一层，构建bp神经网络拓朴关系；bp神经网络采用sigmoid激励函数：输入层节点数取每个月的影响因子数量，输出层节点数取决策变量数量，隐含层节点数采用经验公式拟定：其中n
hidden
为隐含层节点数，n
input
为输入层节点数，n
output
为输出层节点数。
[0053]
训练模型评价：验证调度规则的可行性和有效性的方法为：采用平均绝对误差(mae)、均方误差(rmse)、平均绝对百分比误差(mape)以及拟合系数(r2)四个统计指标描述训练模型的泛化性能；mae反映了实际预测误差的大小，rmse衡量了预测值与实际值之间的偏差，mape描述了预测模型的准确程度，r2度量了模型的拟合优度。
[0054]
本发明的有益效果：
[0055]
本发明主要流程为：(1)采用清洁能源消纳最大模型，进行水风光长期互补优化调度，(2)在调度结果的基础上，采用灰色关联度分析逐月筛选对决策变量影响较大的影响因子，(3)随后建立bp人工神经网络模型提取调度规则。在此基础上，对历史资料进行模拟调度，并与确定性优化调度结果进行比较，本发明验证了gra能有效表述数据样本间的关联关系，使用gra筛选简化后的影响因子构建神经网络模型不仅可以大大缩短训练时间，还能有效提高模型预测性能。验证了bp神经网络在梯级水电站调度规则提取中有良好表现，具有
预测精确、稳定等特点，预测结果可供实际调度参考，有一定推广使用价值。
附图说明
[0056]
图1是本发明方法总体框架图；
[0057]
图2是本发明具体实施方式各电站bp神经网络结构图；
[0058]
图3-6是本发明具体实施方式各个电站逐时段预测库容与实际库容对比图；
[0059]
图7是本发明具体实施方式梯级水电模拟调度发电量和优化调度发电量对比图。
具体实施方式
[0060]
本发明主要流程为：
[0061]
(1)采用清洁能源消纳最大模型，进行水风光长期互补优化调度，
[0062]
(2)在调度结果的基础上，采用灰色关联度分析逐月筛选对决策变量影响较大的影响因子，
[0063]
(3)随后建立bp人工神经网络模型提取调度规则，
[0064]
(4)最后用历史资料进行模拟调度，来验证调度规则的可行性和有效性。本实施例以乌江干流为工程背景，利用乌江干流1952年-2007年共56年进行长系列优化调度，用乌江干流2014年-2020年共7年的历史资料进行模拟调度，验证了调度规则的可行性和有效性。本发明成果提取的水风光长期互补调度规则可靠，能够适应梯级水电主动调控的水风光长期互补调度场景，具有重要的推广价值。
[0065]
本发明按照下述步骤完成水风光长期互补调度规则提取：
[0066]
(1)初始计算条件，包括水电站运行条件和约束，以及电力和水力调度需求条件，水电历史实际出力数据，新能源出力预测数据；
[0067]
(2)从发电系统长期互补调度的角度出发，根据历史数据，建立梯级电站长系列水风光互补优化调度模型，以水风光系统发电量最大为目标函数。目标函数如下：
[0068][0069]
p
h,i,t
＝ki·qi,t
·hi,t
[0070]
式中，w为年内水风光合计消纳电量，kw
·
h；p
h,i,t
为第i级水电站第t时段的出力，kw；w
w,t
为风电第t时段的消纳电量，kw
·
h；w
s,t
为光伏第t时段的消纳电量，kw
·
h；t为时段总数，本研究中取12；n为梯级水电站的总数，本研究取为7；ki为第i级水电站的出力系数；q
i,t
为第i级水电站第t时段的平均发电流量，m3/s；h
i,t
为第i级水电站第t时段的平均发电水头，m。
[0071]
约束条件如下：
[0072]
1)输送通道容量约束
[0073]
风光并网之后，水风光互补电源系统仍利用原基地外送水电的通道送电，并不改变其与电网其他电源之间的拓扑结构关系。
[0074]
p
h,t
p
w,t
p
s,t
≤p
max
[0075]
上式中，p
max
为输电通道的极限传输功率。
[0076]
2)梯级水电站水量平衡约束
[0077][0078]
式中，v
i,t 1
、v
i,t
分别为第i个水电站在第t时段初、末水库蓄水量，m3；q
r,i,t
为第i个水电站第t时段的入库流量，m3/s；q
d,i,t
为第i个水电站第t时段的下泄流量，m3/s；q
f,i,t
为第i个水电站第t时段的发电流量，m3/s；q
s,i,t
为第i个水电站第t时段的弃水流量，m3/s。
[0079]
3)上下游水力联系
[0080]qr,i,t
＝q
d,i-1,t
q
q,i,t
[0081]
式中，q
d,i-1,t
为第i个水电站的上游电站的下泄流量，m3/s；q
q,i,t
为第i-1个电站到第i个电站之间范围的区间流量，m3/s。
[0082]
4)水位-库容约束
[0083]vi,t
＝f
i,zv
(z
i,t
)
[0084]
式中，f
i,zv
(
·
)为第i个水电站的水位库容关系函数。
[0085]
5)尾水位-泄流量约束
[0086]zd,i,t
＝f
i,zq
(q
d,i,t
)
[0087]
式中，f
i,zq
(
·
)为第i个水电站的尾水位泄量关系函数，z
d,i,t
为第i个水电站t时段的下游水位，m。
[0088]
6)水位限制
[0089]zi,tmin
≤z
i,t
≤z
i,tmax
[0090]
式中，z
i,tmin
为第i个水电站t时段最低运行水位，本研究取调度下线，m；z
i,tmax
为第i个水电站t时段最高运行水位，本研究取调度上线，m。
[0091]
7)发电流量限制
[0092]qi,tmin
≤q
i,t
≤q
i,tmax
[0093][0094]
式中，q
i,tmin
为第i个水电站在t时段最小引用流量，m3/s；为第i个水电站在t时段水库的最小生态流量，m3/s；为第i个水电站在t时段水轮机组要求的最小引用流量，m3/s；q
i,tmax
为第i个水电站在t时段最大引用流量，m3/s。
[0095]
8)电站出力约束
[0096]ni,tmin
≤kq
i,thi,t
≤n
i,tmax
[0097]
式中，n
i,tmin
为第i个水电站在t时段发电机组的最小出力，kw；n
i,tmax
为第i个水电站在t时段发电机组的最大出力，kw；h
i,t
为第i个水电站在t时段的发电水头，m。
[0098]
(3)利用lingo优化求解软件，求解模型，即可以获得梯级电站长序列水风光互补优化调度结果；
[0099]
(4)决策变量和影响因子的筛选：在上述调度结果的基础上，采用灰色关联度分析，逐月筛选对决策变量影响较大的影响因子，选取各水库时段末的水库库容为决策变量选取各水库时段初水库库容、时段区间流量以及风电、光伏出力为影响因子。采用灰色关联分析，分月整理步骤(3)的优化调度结果，将影响因子的值作为比较数列，决策变量的值作
为参考数列，使用matlab软件编程计算影响因子与各个月的决策变量之间的关联度，并进行排序，筛选关联度较高的影响因子；
[0100]
(5)数据预处理：在训练网络之前对数据进行一定处理，以消除一些因为数据本身原因带来的不必要的影响。详细步骤介绍如下：
[0101]
step1.划分训练集和测试集。将步骤(3)优化调度结果划分为训练集和测试集。
[0102]
step2.对数据进行归一化处理。采用最小值-最大值标准化方法，计算公式如下：
[0103][0104]
式中，xi是第i个样本，x
min
是样本最小值，x
max
是样本最大值，xi′
是第i个样本归一化之后的结果。
[0105]
同理，模型预测的结果需要进行逆变换，即反归一化，公式如下：
[0106]
xi＝x'i(x
max-x
min
) x
min
[0107]
(6)网络训练：选取步骤(4)中的影响因子，即各电站的时段区间流量、时段初水库库容和流域时段风电、光伏出力做特征向量，选取各电站的时段末水库库容做输出向量，隐含层选为一层，构建bp神经网络拓朴关系。在bp神经网络原理研究与实现(韩普,周汉辰,周北望.bp神经网络原理研究与实现[j].广播电视信息,2018(10):121-125.doi:10.16045/j.cnki.rti.2018.10.023.)一文中，对bp神经网络的原理进行了详细介绍。在本研究中，bp神经网络采用sigmoid激励函数：输入层节点数取每个月的影响因子数量，输出层节点数取决策变量数量，隐含层节点数采用经验公式拟定：其中n
hidden
为隐含层节点数，n
input
为输入层节点数，n
output
为输出层节点数。
[0108]
训练模型评价：采用平均绝对误差(mae)、均方误差(rmse)、平均绝对百分比误差(mape)以及拟合系数(r2)四个统计指标描述训练模型的泛化性能。其中，mae反映了实际预测误差的大小，rmse衡量了预测值与实际值之间的偏差，mape描述了预测模型的准确程度，r2度量了模型的拟合优度。计算公式如下：
[0109][0110][0111][0112]
[0113]
下面结合附图和实施案例对本发明作进一步描述。
[0114]
现以乌江干流梯级电站水库群及周围的风光电站为研究对象，梯级电站从上至下共七级，其中洪家渡、构皮滩电站为年调节电站，东风、乌江渡电站为季调节电站，本研究主要探讨以上四个调节能力较强的电站在流域水风光长期互补中的运行规律。长系列水风光互补优化调度中水电出力选用乌江干流1952年-2007年逐月径流数据进行计算，风电、光伏出力数据根据风光出力copula函数，利用蒙特卡洛方法抽样生成具有时空相关性的长系列风电、光伏出力预测数据.
[0115]
(1)将上述水电和新能源数据代入梯级电站长系列水风光互补优化调度模型，优化计算模型清洁能源消纳最大模型，计算可得到1952年-2007年长系列优化调度结果。
[0116]
(2)决策变量和影响因子的筛选
[0117]
根据灰色关联分析的相关步骤，分12个月整理1952年-2007年共56年的长系列优化调度结果，取结果中洪家渡、东风、乌江渡、构皮滩四个电站各个时段初的水库库容v
i,t
、时段区间流量q
r,i,t
以及流域内时段风电出力n
w,t
、时段光伏出力n
s,t
做比较数列，共计12
×
10个数列，同时整理四个电站各个时段末的水库库容v
i,t 1
做参考数列，共计12
×
4组(以上i为参与计算的电站数量，i＝1、2、3、4；t为时段数，t＝1，2，3，
…
，12)。使用matlab软件编程计算所选十个影响因子与各个月的决策变量之间的关联度，并进行排序筛选关联度较高的影响因子。各月份各影响因子灰色关联度计算结果如表1。
[0118]
容易看出，对于1月份梯级水电的调度过程，所选影响因子与决策变量的关联度基本都在0.7以上，即大部分自变量因子与调度过程密切相关，对结果有显著影响；但东风电站的入库流量与四个决策变量的关联度只有0.35左右、乌江渡电站的入库流量与侧变量的关联度在0.65左右，影响效果较小，剔除掉这两个影响因子。即对于1月的影响因子，我们保留四个电站的时段初库容、风电出力、光伏出力以及洪家渡电站的区间流量、构皮滩电站的区间流量共八个变量，作为后续神经网络的输入特征向量。
[0119]
因各个月的计算过程相似，本研究取1月份的调度规则提取过程进行说明，后续各月的计算过程不再赘述。各个月影响因子筛选结果如表2。
[0120]
(3)数据预处理
[0121]
step1.划分训练集和测试集。本研究将1952年-1993年共42年的优化调度结果作为训练集、1994年-2007年共14年的优化调度结果作为测试集。
[0122]
step2.对数据进行归一化处理。数据间的数量级及量纲差异会导致样本数据不存在可比性，通过归一化操作可消除数据本身差异、提高网络训练精度。本研究采用最小值-最大值标准化方法。计算公式如下：
[0123][0124]
式中，xi是第i个样本，x
min
是样本最小值，x
max
是样本最大值，x
′i是第i个样本归一化之后的结果。
[0125]
同理，模型预测的结果需要进行逆变换，即反归一化，公式如下：
[0126]
xi＝x
′i(x
max-x
min
) x
min
[0127]
(4)网络训练
[0128]
本研究中选取洪家渡、东风、乌江渡和构皮滩四个电站的时段区间流量、时段初水
库库容和流域时段风电、光伏出力，共十个影响因子做特征向量，选取前述四个电站的时段末水库库容做输出向量，隐含层选为一层，构建bp神经网络拓朴图，如图2所示。
[0129]
bp神经网络采用sigmoid激励函数：经试算，训练次数限制取1000次，学习速率取0.01，训练目标最小误差取1
×
10-7
，输入层节点数取每个月的影响因子数量，输出层节点数取决策变量数量。本研究以经验公式初步拟定隐含层节点数，经验公式如下：
[0130][0131]
式中，n
hidden
为隐含层节点数，n
input
为输入层节点数，n
output
为输出层节点数。
[0132]
这里同样以1月的神经网络训练为例进行说明。由网络收敛结果可知，由于样本集较小，网络训练8次后即可收敛，均方误差0.00973，达到网络误差设置的要求。bp神经网络在训练过程中要使网络的实际输出值尽可能接近期望输出值，需要不断调整层间的权值阈值，而这也是网络模型的主要参数。1月份各神经元节点的权值、阈值修正结果如表3、4所列。
[0133]
(5)训练模型评价
[0134]
为定量评价神经网络模型的预测精度，本研究采用平均绝对误差(mae)、均方误差(rmse)、平均绝对百分比误差(mape)以及拟合系数(r2)四个统计指标描述训练模型的泛化性能。表5列出了bp神经网络模型逐月的指标计算结果。
[0135]
从表中可以看出，各个电站的mae和rmse值在200-23000左右波动，其中洪家渡电站mae均值为9000左右，东风电站mae均值为2000左右，乌江渡为4000左右，构皮滩为7000左右，这种程度的时段末库容预测偏差对于电站本身千万立方米乃至亿立方米量级的调节库容来讲，影响微乎其微。另外，洪家渡电站的rmse值普遍比mae值高很多，这是因为rmse对数据集中的异常值更加敏感，洪家渡电站作为梯级水电站的龙头电站，库容变动频繁，这就增加了神经网络预测的难度，致使预测值与实际值偏差较大，甚至出现异常值。mape整体平均为2.78％，绝大部分值在1.50％左右，模型预测精度较高。r2整体平均为0.8528，表示预测值趋势符合实际值趋势，拟合程度较好。综上可得，该bp神经网络模型对乌江干流梯级电站在水风光长期互补过程中的最优运行轨迹拟合效果较好，预测精度较高，可供实际调度进行参考。
[0136]
为检验bp神经网络得到的调度规则的实用性和可操作性，选取2014年-2020年的径流资料对乌江干流梯级电站进行水风光长期互补模拟调度，对比优化调度结果和调度规则模拟调度结果。电量计算对比如表6。
[0137]
由上表可知，神经网络模型模拟调度的梯级水电总发电量比优化调度结果多41.72亿kw
·
h，相对误差3.12％，误差在工程允许范围内。对于单独电站的预测结果来讲，所有电站的发电量预测相对误差都在10％以内，说明神经网络预测结果比较精确，预测性能稳定，泛化性能良好。
[0138]
模拟调度结果中各误差指标值见表7，由表7可知，决策变量时段末库容的预测比较精确，四个电站的mae和rmse值普遍较小，mape值都在5％以内，r2除构皮滩电站外都在0.95以上，训练模型预测效果较好。各电站预测出力值mae及rmse基本保持在80以内，rmse
也与mae相差不大，说明预测值偏差较稳定，异常值较少，网络模型预测稳定性较好。
[0139]
绘制各电站预测库容与优化调度库容对比图、预测发电量与优化调度发电量对比图如图3、4所示，由图3、4可知，通过bp神经网络得到的调度函数预测的调度结果与确定性优化调度的计算结果虽有一定误差，但数据重合率较高，预测稳定性较强。
[0140]
表1各个月灰色关联度计算结果表
[0141]
[0142][0143]
注1)关联度较高的值已在表中加粗，将作为筛选影响因子的依据。
[0144]
注2)v为各个水库时段库容，qr为各个水库时段区间流量，1、2、3、4分别代指洪家渡、东风、乌江渡、构皮滩四个水电站；nw为风电出力，ns为光伏出力；t和t 1分别代表时段初和时段末。
[0145]
表2影响因子分月筛选结果
[0146][0147]
表3 1月份bp神经网络输入层到隐含层权值阈值表
[0148][0149]
表4 1月份bp神经网络隐含层到输出层权值阈值表
[0150][0151]
表5bp神经网络拟合评价指标逐月统计表
[0152]
[0153]
[0154][0155]
表6水风光互补优化调度与模拟调度电量对比单位：亿kw
·h[0156][0157]
表7模拟调度结果误差分析指标值
[0158]
[0159][0160]
注1)因长系列计算中有个别时段电站出力为0，计算mape值无意义，故取消对各电站出力mape值的求取。