本发明属于新能源发电消纳技术领域,尤其涉及一种基于深度学习的新能源消纳方法。
背景技术:
目前,业内常用的现有技术是这样的:随着能源安全、生态环境、气候变化等问题日益严峻,加快发展新能源已成为推动能源转型发展、应对全球气候变化的共识方法。其中风力发电和光伏发电已经成为发展最快、技术最成熟、商业化前景最好的清洁能源开发方式。但是风力发电和光伏发电有功出力的随机性、间歇性、波动性的特点造成了新能源大规模开发面临的接入、调度、对电网运行的影响及消纳困难等一系列问题。与国外相比,我国新能源出力波动性更强,大规模新能源集中接入相对薄弱的“三北”地区电网,本地消纳能力低,电力外送距离远、容量大,加之灵活调节电源缺乏,新能源发电安全运行与有效消纳问题更加突出。如何实现新能源的高效消纳成为限制新能源发展的一个重要影响因素。影响新能源消纳能力的因素众多,且不确定性强,目前还未有广泛适应的有效消纳方法。建立准确的考虑多种不确定因素的新能源消纳数学模型,采用智能的消纳优化算法是提高新能源消纳率的有效方法。
综上所述,当前大规模新能源集中在“三北”地区,而该区域本地消纳能力低,电力外送距离远、容量大,加之灵活调节电源缺乏,新能源发电安全运行与有效消纳问题更加突出。显然,新能源消纳问题亟待解决,然而,影响新能源消纳的不确定因素众多,往往难以准确建模,常规消纳算法的效果难以满足实际需求。为此,需要提出一种基于深度学习的新能源消纳方法,有效降低弃风弃光比例,这对于提升国内新能源利用率、降低传统不可再生能源损耗及排放具有重要意义。
技术实现要素:
针对现有技术存在的问题,本发明提供了一种基于深度学习的新能源消纳方法。
本发明是这样实现的,一种基于深度学习的新能源消纳方法,所述基于深度学习的新能源消纳方法采用多层感知神经网络的反向传播算法实现,采用改进的动态递归神经网络方法进行训练;优化过程包括:深度学习模型的线下训练过程,另一部分是深度学习优化控制器的在线优化过程。
进一步,所述基于深度学习的新能源消纳方法的线下深度学习控制器学习建模过程包括生成训练集,设计目标函数和约束条件,模型训练过程。
进一步,所述基于深度学习的新能源消纳方法具体包括:
第一步,针对不同数据类型,生成训练集有两种方法:基于电网实际运行数据生成和采用理论模拟方式生成;
第二步,根据新能源消纳目标数据、经济指标要求生成优化目标函数和约束条件,目标函数表达式如下:
优化的约束条件根据实际情况从所建立的新能源消纳模型中选取;
第三步,进行优化控制器模型训练。将生成的训练集数据输入优化控制器,如果结果满足控制目标要求,结束学习,输出深度学习控制器模型;如果结果不满足控制目标要求,则返回修改模型参数或者目标函数,重新训练,直至满足优化目标要求;
第四步,将优化模型加入实际调度系统,设置目标函数,输入/接入电网实际数据,生成优化结果。
进一步,所述第一步具体包括:
(1)基于电网实际运行数据生成训练集:包含火电、水电机组,电网断面约束,储能装置,电网传输约束状态确定的数据,根据时间段内实际测试数据按照训练数据格式要求生成训练集;
(2)采用理论模拟方式生成训练集:包括风电、光电不确定数据,通过采用建立的预测模型产生所需的训练数据。
进一步,所述第三步具体包括:在权值学习算法中引入自适应更新系数的方法来改进常规动态递归神经网络的训练过程,具体改进步骤如下:
(1)根据建立的神经网络模型,建立算法数学模型:
其中u为输入向量,w为输入向量的加权值,v为输入层输出,k1为输入层到隐含层的权值,k2为反馈层的权值,net为隐含层输出,w1为隐含层到输出层的加权值,y为网络输出;
(2)定义系统误差为e(k)=y*(k)-y(k),其中y*(k)为期望输出,常规动态递归神经网络的权值w1的调整算法为:
其中η1为学习速率;
引入自适应更新系数α后的权值调整算法为:
其中α1为w1的自适应更新系数;
针对w,k1,k2改进的调整算法与w1的调整算法原理一致,权值调整公示分别为:
w(k+1)=α2w(k)-η2(1-α2)e(k)w(k)×(1-z(k)z(k))net(k)u;
k1(k+1)=α3k1(k)-η3(1-α3)e(k)w1(k)×(1-z(k)z(k))v(k);
k2(k+1)=α4k2(k)-η4(1-α4)e(k)w1(k)×(1-z(k)z(k))net(k-1);
其中η2,η3,η4为学习速率,α2,α3,α4为自适应更新系数。
本发明的另一目的在于提供一种应用所述基于深度学习的新能源消纳方法的新能源发电管理平台。
综上所述,本发明的优点及积极效果为:本发明的新能源消纳数学模型,从源、网、荷三方面考虑了目前为止几乎所有影响新能源消纳的影响因素,模型具有其他方法所不具备的保真性;本发明所提出的新能源消纳数学模型,以新能源接纳最大和综合成本最低为目标建立目标函数,考虑了环境可持续发展和经济性两方面的目标要求。
本发明基于深度学习的消纳优化算法能够根据不同优化目标的内容和数量,不同约束条件的内容和数量在线确定优化控制器参数,无需人为调整,对于应用场合具有普遍的适应性;本发明采用的基于自适应更新系数的动态递归神经网络模型训练方法能够克服常规动态递归神经网络收敛速度慢和容易陷入局部极小值的缺点,在保证精度的前提下缩短了优化控制器模型的训练时间。
本发明针对新能源消纳的深度学习优化方法,其训练集针对不同数据类型采用实际电网数据采集和理论模拟生成两种方式建立,既保证了数据的可靠性又简化了训练集生成过程。
附图说明
图1是本发明实施例提供的基于深度学习的新能源消纳方法流程图。
图2是本发明实施例提供的采用神经网络结构示意图。
图3是本发明实施例提供的优化算法的实现过程图。
图4是本发明实施例提供的改进的递归神经网络模型示意图。
图5是本发明算法与常规动态递归神经网络算法的训练结果对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提出一种考虑多种不确定因素的新能源消纳数学模型,为提高新能源的消纳率提供一种智能的消纳优化算法。
下面结合附图对本发明的应用原理作详细的描述。
如图1所示,本发明实施例提供的基于深度学习的新能源消纳方法包括以下步骤:
s101:采用多层感知神经网络的反向传播算法实现,采用改进的动态递归神经网络方法进行训练;
s102:深度学习模型的线下训练、深度学习优化控制器的在线优化。
本发明实施例提供的基于深度学习的新能源消纳方法具体包括以下步骤:
本发明提出了一种考虑多种不确定因素的新能源消纳数学模型,系统建模过程如下:
考虑环境可持续发展和经济性两方面的目标要求,以新能源接纳最大和综合成本最低为目标建立新能源消纳模型,模型的目标函数如下:
其中:
t表示调度的时间段(1≤t≤t),一般t为96,t表示区域索引号(1≤t≤n);
sn是区域n中的机组总个数;
影响新能源消纳的约束条件如下:
1.机组启停机运行状态逻辑约束:
2.区域负荷平衡约束:
i表示传输线索引号;
3.机组有功出力约束:
4.爬坡率约束:
δt是时间间隔;
5.旋转备用约束:
sp和sn分别为系统正旋转备用和负旋转备用容量;
ct表示新能源在时段t的可信容量;
6.联络线传输约束:
-li,max≤li≤li,max;
-li,max和li,max分别表示为第i条传输线传输容量的上下限,流入区域为正,流出区域为负;
7.风电,光电功率约束:
8.储能装置约束条件:
1)容量约束:
emin≤e(t)≤emax;
emin和emax分别表示储能装置容量的最大最小值,e(t)为储能装置在t时刻的容量;
2)充放电功率约束:
uc(t)+ud(t)=1
pc(t)、pd(t)各表示储能装置充电、放电功率;
uc(t)和ud(t)是t时刻储能装置的充电放电状态变量;
δe=emax-e(t-1);
3)储能容量变化约束:
e(t+1)=e(t)+ec(t)-ed(t);
ec(t)和ed(t)分别表示储能装置在t时刻的充电量和放电量;
ηc和ηd分别为充,放电系数;
9.风火光联合外送约束;
1)联合外送功率稳定约束:
kbmin≤kbt≤kbmax;
kbt表示t时刻打捆外送的混合功率;
kbmin和kbmax表示外送的最小最大功率要求。
2)打捆外送的总功率大于风电和光电的功率值之和:
3)火电机组的出力大于打捆外送中火电的出力功率:
本发明给出了一种智能的新能源消纳优化算法,该算法采用多层感知神经网络的反向传播算法实现,所采用神经网络结构如图2所示,采用改进的动态递归神经网络方法进行训练。优化算法的实现过程如图3所示,具体包括下述步骤:
新能源消纳策略采用基于深度学习的优化方法。优化过程主要分两部分,一部分是深度学习模型的线下训练过程,另一部分是深度学习优化控制器的在线优化过程。所述线下深度学习控制器学习建模过程包括生成训练集,设计目标函数和约束条件,模型训练等过程。
1.针对不同数据类型,生成训练集有两种方法,一种是基于电网实际运行数据生成,一种是采用理论模拟方式生成:
1)基于电网实际运行数据生成训练集:这类数据主要包含火电、水电机组,电网断面约束,储能装置,电网传输约束等状态确定的数据,根据一定时间段内实际测试数据按照训练数据格式要求生成训练集;
2)采用理论模拟方式生成训练集:这类数据主要包括风电、光电等不确定数据,通过采用建立的预测模型产生所需的训练数据。
2.根据新能源消纳目标数据、经济指标等要求生成优化目标函数和约束条件,目标函数表达式如下:
优化的约束条件根据实际情况从所建立的新能源消纳模型中选取。
3.进行优化控制器模型训练。将生成的训练集数据输入优化控制器,如果结果满足控制目标要求,结束学习,输出深度学习控制器模型;如果结果不满足控制目标要求,则返回修改模型参数或者目标函数,重新训练,直至满足优化目标要求。
为了克服常规动态递归神经网络收敛速度慢和容易陷入局部极小值的缺点,在权值学习算法中引入自适应更新系数的方法来改进常规动态递归神经网络的训练过程,具体改进步骤如下:
1)建立改进的递归神经网络模型,如图4所示。其中u为输入向量,w为输入向量的加权值,v为输入层输出,k1为输入层到隐含层的权值,k2为反馈层的权值,net为隐含层输出,w1为隐含层到输出层的加权值,y为网络输出。
2)根据建立的神经网络模型,建立算法数学模型:
3)定义系统误差为e(k)=y*(k)-y(k),其中y*(k)为期望输出,常规动态递归神经网络的权值w1的调整算法为:
其中η1为学习速率。
引入自适应更新系数α后的权值调整算法为:
其中α1为w1的自适应更新系数。
针对w,k1,k2改进的调整算法与w1的调整算法原理一致,其权值调整公式分别为:
w(k+1)=α2w(k)-η2(1-α2)e(k)w(k)×(1-z(k)z(k))net(k)u;
k1(k+1)=α3k1(k)-η3(1-α3)e(k)w1(k)×(1-z(k)z(k))v(k);
k2(k+1)=α4k2(k)-η4(1-α4)e(k)w1(k)×(1-z(k)z(k))net(k-1);
其中η2,η3,η4为学习速率,α2,α3,α4为自适应更新系数。
4.将优化模型加入实际调度系统,设置目标函数,输入/接入电网实际数据,生成优化结果。
实施例:
本实施例的主要目的是验证本发明算法的有效性和收敛的快速性。实验中采用甘肃地区2018年1~6月份共17376组风光实际发电、消纳数据为训练集进行训练,其中学习速率统一设置为1.5,自适应更新系数调整范围为0~2,训练迭代次数最大值为1000,训练精度为10-3。本发明算法与常规动态递归神经网络的训练结果如图5所示。从图中可以看出,两种算法最终都能达到收敛精度要求,本发明算法在训练初期有更快的收敛速度,且达到训练精度所需的迭代次数更少。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。