[发明专利]一种基于预测的低碳调度方法在审
申请号: | 202210796378.1 | 申请日: | 2022-07-06 |
公开(公告)号: | CN115081726A | 公开(公告)日: | 2022-09-20 |
发明(设计)人: | 陈海鹏;吴昊;杨硕实;钟铁;赵立权;李扬;杨玉龙;蔡婷婷;水思源 | 申请(专利权)人: | 东北电力大学 |
主分类号: | G06Q10/04 | 分类号: | G06Q10/04;G06Q10/06;G06Q50/06;G06F30/27;G06N3/04;G06N3/08;G06F17/14;G06F113/06;G06F119/06;G06F119/08;G06F111/04 |
代理公司: | 深圳众邦专利代理有限公司 44545 | 代理人: | 李茂松 |
地址: | 132012 吉*** | 国省代码: | 吉林;22 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 预测 调度 方法 | ||
1.一种基于预测的低碳调度方法,其特征在于:包括如下步骤:
步骤1:变分模态分解(VMD)
变分模态分解是在EMD的基础上提出的一种新型复杂信号分解方法,首先通过拉格朗日乘子和惩罚项在确定参数过程中实现去噪,然后将输入信号分解为k个不同频率的有限带宽,将其称为模态uk,使每个子分量的带宽估计之和最小,带约束的变分问题模型见式(1):
式中:K为需要分解的模态个数;{uk}={u1,…,uk}为各模态分量;{ωk}={ω1,ω2,…,ωk}为各模态分量中心频率;δ(t)为冲激函数;为对t求偏导数;f为原信号;
为了求出该约束变分问题的最优解,引入拉格朗日算子λ(t),将约束性变分问题转化为非约束性变分问题,如下:
式中α为二次惩罚因子,作用是降低高斯噪声的干扰,利用交替方向乘子算法,优化得到各模态分量和中心频率,并求取上述拉格朗日函数的鞍点,交替寻优迭代后的uk,ωk和λ的表达式如下:
式中,λ为噪声容忍度,满足信号分解的保真要求;和分别对应ui(t),f(t),λ(t)的傅里叶变换;
步骤2:门控循环神经网络预测模型
循环神经网络(RNN)主要用于处理历史时间序列,但是RNN容易出现梯度消失和梯度爆炸现象,因此在RNN基础上提出了长短期记忆网络(long short-term memory,LSTM),LSTM在RNN的基础上增加了3个门的逻辑控制单元:输入门、遗忘门和输出门,使得LSTM可以选择性地记忆新信息或者删除旧信息;有效解决了RNN处理过长时间序列时的梯度消失和梯度爆炸等问题;
LSTM因良好的记忆长期依赖性,被广泛用于预测时间序列数据,由于其内部结构较为复杂,LSTM网络的训练通常需要很长时间,于是又在LSTM网络模型的基础上提出了一种门控循环单元(GRU)网络模型,GRU网络作为LSTM网络的一种变体,具有与LSTM相似的单元结构;
RNN模块仅包含1个tanh函数,LSTM模块包含1个tanh函数和3个sigmoid函数,并引入门限结构,GRU在LSTM的基础上,将遗忘门和输入门合成了一个单一的更新门(z),重置门(r)则主要决定了到底有多少过去的信息需要遗忘,由于只使用了同一个门控z就同时可以进行遗忘和选择记忆,与LSTM相比,GRU内部少了一个“门控”,参数比LSTM少,但是却也能够达到与LSTM相当的功能,在训练数据时更加高效;
GRU网络的神经元由以下公式计算得出:
zt=σ(Wz·[ht-1,xt]) (7)
rt=σ(Wr·[ht-1,xt]) (8)
式中,tanh为tanh激活函数;σ为sigmoid激活函数;zt为更新门;rt为重置门;Wz与Wr分别表示更新门与重置门的递归权重;为当前记忆内容,是对新的输入Xt和上一时刻的ht-1的总结;ht为当前时刻的最终记忆内容,由ht-1和相加得到,两者的权重由更新门zt控制。
步骤3:综合需求响应调度模型
负荷侧响应主要包括电负荷响应与热负荷响应;其中电负荷响应主要分为可中断负荷与可转移负荷;热负荷以温度作为调节约束,在可允许的范围内进行调整,称为可调节热负荷;
考虑到需求响应会对用户造成一定的影响,热电响应水平不可能同时达到最高,因此需要平衡热电响应水平,以达到风电消纳水平与经济性综合指标达到最优,为此,引入权重系数的概念,使用不同的权重因子来表示电响应与热响应所占的比重,α表示电响应所占的比重,β表示热响应所占的比重,其中
为了对比不同调度场景下的弃风与碳排情况,引入弃风率与发电机组的碳排量计算公式;
弃风率计算公式如下
式中,PWTj(t)为t时段第j个风电机组实际上网功率,PAWTj(t)为t时段第j个风电机组弃风功率;
火电机组与CHP机组的碳排放量计算公式如下;
式中,EpMT为火电机组的实际碳排放量,EpCHP为CHP机组的实际碳排放量,ηe为发电机组碳排系数,ηc为CHP组碳排系数,其中CHP机组按照发电量计算;
应用储能补偿预测误差可使预测风电出力更接近于实际出力,因此建立预测误差补偿策略;
补偿策略主要从误差整体考虑,利用电池储能将误差补偿至一定范围内,如式(15)所示:
α≤Pf-Pfact+Pcomp≤β (15)
式中:Pf为风电出力预测值,Pfact为风电出力实际值,Pcomp为储能设备补偿误差值,α为补偿后误差允许下限,β为补偿之后误差允许上限;
以系统总调度成本最小为目标,综合考虑了各机组运行成本,预测误差补偿成本,以及需求侧补偿成本,其表达式如下:
minC=CDG+CCOMP+CDR (16)
其中,CDG为分布式电源运行成本,CCOMP为预测误差补偿成本,CDR为需求侧补偿成本:
式中,ccomp为储能装置运行费用,cpdr为电负荷转移补偿费用,cqdr为热负荷削减补偿费用,△LDR(t)为t时段电负荷转移量,△QH(t)为t时段热负荷削减量。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于东北电力大学,未经东北电力大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202210796378.1/1.html,转载请声明来源钻瓜专利网。
- 同类专利
- 专利分类
G06Q 专门适用于行政、商业、金融、管理、监督或预测目的的数据处理系统或方法;其他类目不包含的专门适用于行政、商业、金融、管理、监督或预测目的的处理系统或方法
G06Q10-00 行政;管理
G06Q10-02 .预定,例如用于门票、服务或事件的
G06Q10-04 .预测或优化,例如线性规划、“旅行商问题”或“下料问题”
G06Q10-06 .资源、工作流、人员或项目管理,例如组织、规划、调度或分配时间、人员或机器资源;企业规划;组织模型
G06Q10-08 .物流,例如仓储、装货、配送或运输;存货或库存管理,例如订货、采购或平衡订单
G06Q10-10 .办公自动化,例如电子邮件或群件的计算机辅助管理