一种基于预测的低碳调度方法

1.本发明涉及风电预测技术领域，具体为一种基于预测的低碳调度方法。


背景技术：

2.目前中国正在大力发展新能源发电技术，例如光伏、风能、潮汐能等。风电等新能源发电边际成本低且无碳排放，正逐步成为新型电力系统的主导电源，其中风电产业发展潜力巨大，风电装机容量逐年上升。
3.然而风电具有很强的不确定性和波动性，随着风电的渗透率不断上升，这种不确定性与波动性也会更加强烈，从而对风电出力情况进行预测时会产生相应的预测误差，进而给电力系统的优化调度带来了很大挑战。其大规模并网加大了电力系统的调峰压力，必要时需通过弃风来保证电网的安全运行。而系统的风电消纳水平与碳排放量息息相关，因此提高含风电电力系统的消纳水平替代常规火电的出力，实现系统低碳化是一热点问题。本专利为了提高风电利用率，主要从发电侧与负荷侧进行分析。
4.发电侧方面，提高应对风电出力不确定性能力的主要方法是预测风电出力。对区域综合能源系统来说，其调度的合理性主要依赖于风电出力的预测精度。风电预测包括短期风电预测(数小时到数天)，其结果可以帮助电网进行合理的经济调度、机组组合运行和机组维护；中期风电预测(数天到数月)，其结果可以帮助风电场制定季度发电计划，安排大规模的维护活动；长期风电预测(数月到数年)，主要用于风电场的选址。为了让电网有计划地应对风电增加所产生的电力大量波动，短期的风电预测非常重要。
5.风电预测的研究方法主要有物理方法、统计方法和人工智能方法。物理方法主要以天气预报模型(nwp)为代表，采用实时气象条件进行预测，由于气象模型的复杂性和预报数据更新频率低，不适用于短期和超短期风率预测。统计方法主要有移动平均自回归模型(arima)、卡尔曼滤波等方法。文献提出一种改进的差分自回归移动平均模型对风电功率进行预测，并通过误差分析验证了该方法比传统的arima方法有更好的预测精度。人工智能方法指人工神经网络、深度学习等智能算法。
6.负荷侧方面，需求侧响应可以改变用户固有的用电或供暖模式，以达到减少或者推移某时段的用电供热热负荷而响应电热供应，以此提高系统的调节能力，提升了整个含风电-热的综合能源系统的消纳能力，实现系统的低碳化。


技术实现要素：

7.本部分的目的在于概述本发明的实施方式的一些方面以及简要介绍一些较佳实施方式。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
8.鉴于现有的风电预测模型的算法中存在的问题，提出了本发明。
9.因此，本发明的目的是提供一种基于预测的低碳调度方法，解决在风电预测工作
中的梯度消失和梯度爆炸问题，同时降低原始数据的复杂度的非平稳对预测精度的影响，提高深度学习方法的预测性能，以及电力系统调度过程中风电消纳水平低，碳排放量高的问题。
10.为解决上述技术问题，根据本发明的一个方面，本发明提供了如下技术方案：
11.一种基于预测的低碳调度方法，其包括如下步骤：
12.步骤1：变分模态分解(vmd)
13.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)：
[0014][0015]
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；
[0016]
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：
[0017][0018]
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：
[0019][0020][0021][0022]
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；
[0023]
步骤2：门控循环神经网络预测模型
[0024]
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；
[0025]
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；
[0026]
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；
[0027]
gru网络的神经元由以下公式计算得出：
[0028]zt
＝σ(wz·
[h
t-1
,x
t
])
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0029]rt
＝σ(wr·
[h
t-1
,x
t
])
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0030][0031][0032]
式中，tanh为tanh激活函数；σ为sigmoid激活函数；z
t
为更新门；r
t
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x
t
和上一时刻的h
t-1
的总结；h
t
为当前时刻的最终记忆内容，由h
t-1
和相加得到，两者的权重由更新门z
t
控制。
[0033]
步骤3：综合需求响应调度模型
[0034]
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；
[0035]
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
[0036][0037]
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；
[0038]
弃风率计算公式如下
[0039][0040]
式中，p
wtj
(t)为t时段第j个风电机组实际上网功率，p
awtj
(t)为t时段第j个风电机组弃风功率；
[0041]
火电机组与chp机组的碳排放量计算公式如下；
[0042][0043][0044]
式中，e
pmt
为火电机组的实际碳排放量，e
pchp
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；
[0045]
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；
[0046]
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：
[0047]
α≤p
f-p
fact
+p
comp
≤β
ꢀꢀ
(15)
[0048]
式中：pf为风电出力预测值，p
fact
为风电出力实际值，p
comp
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；
[0049]
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：
[0050]
min c＝c
dg
+c
comp
+c
dr
ꢀꢀ
(16)
[0051]
其中，c
dg
为分布式电源运行成本，c
comp
为预测误差补偿成本，c
dr
为需求侧补偿成本：
[0052][0053][0054]
式中，c
comp
为储能装置运行费用，c
pdr
为电负荷转移补偿费用，c
qdr
为热负荷削减补偿费用，
△
l
dr
(t)为t时段电负荷转移量，
△
qh(t)为t时段热负荷削减量。
[0055]
作为本发明所述的一种基于预测的低碳调度方法的一种优选方案，其中：所述步骤1中vmd具体步骤如下：
[0056]
(1)初始化各模态分量和中心频率λ1和最大迭代次数n，n＝0，将各参量变换到频域内；
[0057]
(2)使用公式(3)和(4)更新uk和ωk；
[0058]
(3)利用公式(5)，更新λ；
[0059]
(4)精度收敛判断依据ε》0，若不满足式(6)且n《n，则返回第二步，否则完成迭代，输出最终的uk和ωk。
[0060][0061]
作为本发明所述的一种基于预测的低碳调度方法的一种优选方案，其中：所述步骤2中gru具体步骤如下：
[0062]
(1)输入此时的值x
t
和上一个时刻的输出h
t-1
；
[0063]
(2)利用公式(7)(8)令x
t
和h
t-1
经过权重相乘，在通过sigmoid激活函数，得到两个0-1的门值；
[0064]
(3)利用公式(9)令h
t-1
与重置门r
t
相乘后，再与x
t
权重相乘之后经过tanh激活函数得到
[0065]
(4)利用公式(10)得到当前时刻t的最终输出结果h
t
。
[0066]
作为本发明所述的一种基于预测的低碳调度方法的一种优选方案，其中：所述步骤3中模型的约束条件主要包括功率平衡约束，机组约束，需求响应约束；
[0067]
(1)功率平衡约束
[0068]
系统运行时需要满足最基本的功率平衡约束，包括电功率平衡约束和热功率平衡约束，如式(22)所示：
[0069][0070]
式中，p
mt
(t)为t时段火电机组出力；p
wt
(t)为t时段风电机组出力；p
chp
(t)为t时段热电联产机组出力；p
eb
(t)为t时段电锅炉耗电量；q
chp
(t)为t时段热电联产机组放热量；q
eb
(t)为t时段电锅炉放热量；
[0071]
(2)电负荷响应约束
[0072]
可转移电负荷应满足以下2个条件：用户在一个调度周期内的用电总量保持不变；用户每个时段的可转移电负荷不能超过可允许的最大范围。可转移电负荷约束可由式(20)表示；
[0073][0074]
式中，
△
p
lin
(t)为负荷转入；
△
p
lout
(t)为负荷转出；l
drmax
为可转移电负荷的最大值；
[0075]
(3)热负荷响应约束
[0076]
可调节热负荷的调整量应满足所对应的温度约束，首先用户端的采暖温度不得超过规定温度的最大值，不得低于规定温度的最小值，同时单位时间内温度的变化量不得过高，如式(21)所示；
[0077][0078]
式中，t
in
(t)为t时刻室内温度；δt(t)为t时刻温度改变量；δt
max
为温度改变量的最大值；t
min
(t)和t
max
(t)为室内温度调节的范围。
[0079]
与现有技术相比，本发明的有益效果是：将历史风电数据分解为各个具有不同中心频率的子模态，以降低原始数据的复杂度的非平稳对预测精度的影响，提高深度学习方法的预测性能。在对分解后的数据进行迭代预测，使得循环神经网络能够真正有效地利用历史数据，显著提高预测的效率。在负荷侧建立热电协同的综合需求响应模型，在满足需求响应约束的前提下，调整热电需求响应的比例，充分利用各种能源间的用能替代，在最大限度消纳风电的同时降低系统的调度成本，提高区域综合能源系统的经济性。
附图说明
[0080]
为了更清楚地说明本发明实施方式的技术方案，下面将结合附图和详细实施方式对本发明进行详细说明，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
[0081]
图1为本发明rnn，lstm和gru的重复模块结构示意图；
[0082]
图2为本发明变分模态分解流程结构示意图；
[0083]
图3为本发明门控循环神经网络预测流程结构示意图；
[0084]
图4为本发明综合需求响应调度流程结构示意图；
[0085]
图5原始风功率数据；
[0086]
图6数据集分组示意图；
[0087]
图7vmd分解波形和各模态频谱图；
[0088]
图8风电功率预测结果；
[0089]
图9vmd-gru预测模型下场景1的电能调度结果；
[0090]
图10不同权重系数α下的运行成本与弃风率情况；
[0091]
图11vmd-gru预测模型下热电综合需求响应负荷变化情况。
具体实施方式
[0092]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。
[0093]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施方式的限制。
[0094]
其次，本发明结合示意图进行详细描述，在详述本发明实施方式时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
[0095]
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的实施方式作进一步地详细描述。
[0096]
实施例1
[0097]
(1)收集原始风功率数据。
[0098]
使用的数据集来自某风电场2014年12月共31天所测风电功率数据，平均每15分钟取一次风电功率数值，总共2976条数据，风电功率如图5所示。
[0099]
(2)归一化处理
[0100]
不同的数据往往有不同的数量级和量纲单位，为了减小数量级和量纲的影响，可以使用归一化初步处理数据，其主要有两个目的：1)把数据映射到0～1范围之内，更加便捷快速；2)把有量纲表达式变成无量纲表达式，便于不同单位或量级的指标能够进行比较和加权。本专利使用离差标准化使vmd分解之后的数据归一化到[0-1]之间，如公式(22)变换所示。
[0101]
设x＝[x
1 x2ꢀ…ꢀ
xiꢀ…ꢀ
x
n-1 xn](i＝1,2,...,n)为数据集，经过归一化之后变为：
[0102][0103]
(3)数据分组处理
[0104]
为了更好的利用历史数据，时间序列预测要求输入为一定序列长度的数据，选择使用固定大小的时间序列步长对序列按单位时间步提取数据。如图6所示，数据集大小为n，设定时间步长大小为i，窗口移动的步长为1，提取的第一组序列为{x1,x2,x3,
…
,xi}。移动一个时间步，继续提取第二组序列{x2,x3,x4,
…
,xi}，继续移动时间步，直到整个序列取完为止。
[0105]
(4)vmd分解
[0106]
vmd进行分解时可选择的参数如下：模态数k的选取是由对应频谱的中心频率决定的，k值较小时会出现欠分解状态，无法将更多主要的信息分解到imf分量中；k值较大时会出现过分解状态，主要表现为多个imf分量拥有同一个中心频率。带宽约束α，主要影响imf的带宽，当带宽约束(α)取值过小时，可能会发生模态混叠现象；当α取值过大时，可能会发生不分解现象。保真度系数τ；收敛停止条件ε。取值如表1所示。
[0107]
表1 vmd参数取值
[0108][0109]
图7为vmd分解风电功率数据得到各模态波形和频谱，频谱显示分解结果未出现明显的模态混叠现象，达到了比较理想的结果，可以使用分解结果进行下一步的预测。
[0110]
(5)gru预测结果
[0111]
本专利采用迭代预测的方式，使用上述分组之后的数据进行预测，本专利所使用数据为31天，共2976条数据，首先选择前30天作为训练集数据，最后一天为测试集数据。然后提取训练集中连续96个数据作为输入特征，共构建2976-96-96＝2784组数据，如要预测12月31号的风电功率，以12月1号初始96个历史数据作为输入，用12月2号即第97个历史数据作为标签输出进行第一次训练，而后以2-97个历史数据作为输入，第98个历史数据作为标签输出进行第二次训练，以此种方式进行迭代预测直到得到12月31号的全部风电功率结果。使用4种预测方法rnn，lstm，gru，vmd-gru进行预测，在python3.6+tensorflow2.0+cuda10.0环境下进行，预测结果如图8所示。
[0112]
由图8可知，四种模型的预测结果与风电功率的真实趋势基本相同，通过对比四种模型的预测结果与真实值处于相同趋势的位置，可以发现，vmd-gru模型在同一个趋势的极
大多数情况下距离真实值最近，直接使用lstm或gru模型次之。可以认为vmd-gru模型相比于lstm或gru模型，保留了更多有用信息，预测结果表现最好。
[0113]
(6)区域综合能源系统优化调度
[0114]
采用上述风电出力预测结果对某区域综合能源系统进行优化，该系统内包含4台火电机组，2台热电联产机组，1个风电场，电锅炉等设备。，调度周期为t＝24h，单位调度时间为δt＝1h，发电机组的碳排放系数为ηe＝0.798t/(mw
·
h)。区域综合能源系统中采用分时电价，如表3所示。
[0115]
表3分时电价表
[0116][0117]
为验证考虑综合需求响应的区域综合能源系统运行的经济性，设置2种场景，分别在gru与vmd-gru预测模型下进行对比，场景设置如下：
[0118]
场景1：考虑电负荷需求侧响应；
[0119]
场景2：考虑热电综合需求侧响应(idr)。
[0120]
进行优化之前，风电呈现反调峰特性，导致风电资源利用不足，不利于减少化石能源的使用。同时调度周期内系统电负荷由chp机组、风电机组以及火电机组共同满足，热负荷由chp机组、电锅炉提供。受“以热定电”的运行模式约束，chp机组的供电出力需要时刻跟随热负荷变化。由于gru预测模型下的调度结果与vmd-gru下的调度结果相似，因此只展示vmd-gru预测模型下的调度结果。vmd-gru预测模型下场景1的电能调度结果如图9所示。
[0121]
图9可见，用电高峰时段为10:00-13:00和18:00-22:00，用电低谷时段为23:00-次日9:00和14:00-17:00，此时风力发电呈反调峰特性。对可转移电负荷实施需求响应实现削峰填谷，24:00-次日17:00为用电平时段，18:00-23:00为用电高峰时段。与图8风电出力相比，实施电负荷需求响应后，负荷曲线的峰谷特性与风力发电基本处于一致水平。因此实施电需求响应可以有效利用风电资源，减小其余机组的出力，提高电力系统调度的灵活性，从而降低系统的运行成本。
[0122]
在满足需求响应的约束条件下，电热需求响应不同权重系数下的调度结果如图10。由图8所见，电响应权重系数α为0.3-0.7范围之内时，弃风率基本维持在0.03左右较低的水平，同时调度成本在α＝0.4时到达最低点。因此综合考虑弃风率与调度成本之后，选择权重系数α为0.4下的综合需求响应调度策略。此时区域综合能源系统实施综合需求响应调度结果如下。热电综合需求响应负荷转移情况如图11所示。
[0123]
由图11可见，考虑需求响应前的热负荷与电负荷峰谷时序特性不一致，用电高峰时段为10:00-13:00和18:00-22:00，用电低谷时段为23:00-次日9:00和14:00-17:00，而供
热高峰为19:00-次日6:00，供热低谷为7:00-18:00，由于chp机组的热电耦合特性，进行供电或者供热会受到一定的限制。对可转移电负荷实施需求响应实现削峰填谷，24:00-次日17:00为用电平时段，18:00-23:00为用电高峰时段，对可调节热负荷实施需求响应，在允许的范围内降低供热高峰的供热负荷实现削峰，19:00-次日2:00为供热高峰时段，3:00-18:00为供热平时段，通过电热综合需求响应将两种负荷峰谷大致调整到同一时段。
[0124]
因此chp机组可以很好利用热电特性同时满足部分热电需求，提高能量的利用效率，降低系统运行成本。
[0125]
虽然在上文中已经参考实施方式对本发明进行了描述，然而在不脱离本发明的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，本发明所披露的实施方式中的各项特征均可通过任意方式相互结合起来使用，在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此，本发明并不局限于文中公开的特定实施方式，而是包括落入权利要求的范围内的所有技术方案。