一种考虑负荷不确定性的电热综合能源系统灵活性评价方法

1.本发明涉及一种考虑负荷不确定性的电热综合能源系统灵活性评价方法，属于综合能源系统运行优化领域。


背景技术：

2.长期以来，世界能源发展过度依赖化石能源，导致资源紧张、气候变化、环境污染等问题日益突出，越来越多的国家开始主张多种能源并重、相互补充。电热综合能源系统可推动不同类型能源间的协调互补，实现清洁能源开发设备和移动能量存储设备的规模化和经济化应用，增强了能源生产、传输、存储、消费等各个环节的灵活性，改变能源的生产方式、供应体系和消费模式，有效提升清洁能源在生产端与消费端的比重，为生态文明建设提供重要支撑。
3.随着经济高速发展，用户负荷量大大提升，其波动性与不确定性为电热综合能源系统运行带来严峻挑战。此外，电热综合能源系统安全、可靠、灵活、经济四个基本特性中，灵活性一直难于量化。现有灵活性评价方法基于确定性潮流运算结果，多为静态指标，评价方法没有包含全部运行概率信息。本发明针对这一问题，提供了一种考虑负荷不确定性的电热综合能源系统灵活性评价方法。


技术实现要素：

4.为了解决背景技术中的问题，本发明提供了一种考虑负荷不确定性的电热综合能源系统灵活性评价方法，该方法为应对负荷的不确定性提供了条件，对电热综合能源系统优化调度，系统灵活性评估，实现安全经济运行具有一定指导意义。
5.为了实现上述目的，本发明采用如下技术方案：
6.一种考虑负荷不确定性的电热综合能源系统灵活性评价方法，该方法为：首先，考虑负荷的不确定性，运用概率贝叶斯神经网络预测模型对负荷进行预测，得到负荷概率预测结果；然后，基于负荷概率预测结果，考虑电热综合能源系统设备及网络运行特性，得到概率最优潮流运行结果；最后，针对概率最优潮流运行结果，提出考虑负荷不确定性的电热综合能源系统运行灵活性评价指标，并运用电热综合能源系统运行灵活性不足概率及灵活性不足期望这两项评价指标对运行结果进行评价。所述评价方法具体包括以下步骤：
7.(1)构建概率贝叶斯神经网络预测模型，并利用该模型对负荷进行预测
8.1)构建概率贝叶斯神经网络预测模型：
9.所述的概率贝叶斯神经网络预测模型将时间戳作为神经网络的输入，将用电负荷密度函数的参数作为神经网络输出层的输出；
10.采用负对数似然估计作为损失函数
[0011][0012]
式中，x为训练数据中影响用电负荷的时间集合；y表示训练数据中实际用电负荷
集合；p为负荷功率的条件概率分布；θx为参数集合；n为训练样本的数量；i表示训练数据集的第i个样本。
[0013]
采用高斯分布对数据不确定性建模，所述损失函数进一步表示为
[0014][0015]
式中，和分别为高斯分布的均值和标准差；
[0016]
将权重作为随机变量来表征模型不确定性，利用由x和y构成的训练数据d得到权重w的后验概率分布p(w|d)，由贝叶斯定理可得p(w|d)表达式为
[0017][0018]
式中，p(d∣w)表示给定权重w，产生训练数据d的概率；p(w)为n权重的先验概率分布；p(d)为证据；
[0019]
以最小化kl散度为目标，近似逼近权重的后验概率分布可表示为
[0020][0021]
式中，d
kl
为kl散度；w为权重；q
λ
(w)为权重的变分分布，λ为其分布参数；为期望；
[0022]
2)基于负荷历史数据，运用概率贝叶斯神经网络模型得到负荷的概率预测结果。
[0023][0024]
式中：q
λ
(w)为结束训练后概率贝叶斯神经网络权重的变分分布；为对q
λ
(w)随机抽样得到的神经网络的参数；表示参数为的神经网络；为预测负荷条件概率分布p(
·
)的参数；为负荷场景集；m表示随机采样次数；表示第m次采样得到的负荷功率。
[0025]
(2)构建电热综合能源系统概率最优潮流模型，并运用遗传算法求解模型得到概率最优潮流运行结果
[0026]
考虑电热设备及网络运行特性，对光伏、热电联产机组、电锅炉、分布式柴油发电机等设备的能量转换关系及物理结构进行分析建模，得到电热综合能源系统概率最优潮流模型；基于概率预测结果，运用拉丁超立方抽样得到各时刻负荷抽样值，进而运用遗传算法求解电热综合能源系统概率最优潮流模型得到电热综合能源系统概率最优潮流运行结果，
为后续电热综合能源系统概率灵活性评价奠定基础。
[0027]
(3)基于概率最优潮流运行结果，对电热综合能源系统进行灵活性评价
[0028]
利用系统充裕度等灵活性评价指标，在概率最优潮流运行结果的基础上得到灵活性不足概率及灵活性不足期望评价结果，从而充分考虑系统运行的不确定性。灵活性不足概率deff(τ)及灵活性不足期望defeff的具体表达式如下：
[0029][0030][0031]
式中，为灵活性裕量的概率密度函数；z为灵活性裕量，即灵活性供给与灵活性需求的差值；τ为参数项，通常取15min、4h和24h等。
[0032]
本发明的有益效果在于：
[0033]
本发明考虑负荷的不确定性，运用概率贝叶斯神经网络对负荷进行预测。基于负荷概率预测结果，结合热电联产机组、燃气锅炉、分布式燃气机组等电热综合能源系统设备及电热网络运行特性，得到概率最优潮流运行结果。针对概率最优潮流运行结果，提出考虑负荷不确定性的电热综合能源系统运行灵活性评价指标，运用电热综合能源系统运行灵活性不足概率及灵活性不足期望两项评价指标对运行结果进行评价。
[0034]
本发明突破了传统电力系统局限于确定性运行结果的灵活性分析，运用概率灵活性评价技术对电热综合能源系统运行展开评价，可以提供更全面的概率信息，为应对用户用电负荷的不确定性及系统灵活运行提供了指导。
附图说明
[0035]
图1为考虑负荷不确定性的电热综合能源系统灵活性评价方法流程示意图；
[0036]
图2为灵活性评价指标物理含义。
具体实施方式
[0037]
如图1所示为本发明的一种考虑负荷不确定性的电热综合能源系统灵活性评价方法流程示意图。
[0038]
(1)构建概率贝叶斯神经网络预测模型，并利用该模型对负荷进行预测
[0039]
由于用户用电负荷受多种因素影响，存在极强的不确定性。该不确定性包括数据不确定性和模型不确定性，需基于该不确定性进行概率预测。
[0040]
传统意义上的神经网络的输出为确定值而非随机变量，无法对数据不确定性建模。因此，需对传统神经网络进行一定改进。考虑到用户用电负荷受日期影响，在构建预测模型时，将时间戳作为神经网络的输入，将用电负荷密度函数的参数作为神经网络输出层的输出，构造考虑数据不确定性的用户用电负荷概率分布预测模型，即概率贝叶斯神经网络预测模型。采用负对数似然估计作为损失函数
[0041][0042]
式中，x为训练数据中包含的影响用电负荷的时间集合；y表示训练数据中实际用电负荷集合；p为负荷功率的条件概率分布；θx为参数；n为训练样本的数量；i表示训练数据
集的第i个样本。
[0043]
采用高斯分布对数据不确定性建模，该损失函数可进一步表示为
[0044][0045]
式中，和分别为高斯分布的均值和标准差。
[0046]
考虑数据不确定性得到的训练结果输出层权重为确定值，因此将权重作为随机变量可进而表征模型的不确定性。利用由x和y构成的训练数据d得到权重w的后验概率分布p(w|d)，由贝叶斯定理可得p(w|d)表达方式为
[0047][0048]
式中，p(d∣w)表示给定权重w，产生训练数据d的概率；p(w)为n权重的先验概率分布；p(d)为证据。以最小化kl散度为目标，近似逼近权重的后验概率分布可表示为
[0049][0050]
式中，d
kl
为kl散度；w为权重；q
λ
(w)为权重的变分分布，λ为其分布参数；为期望。上式可将后验概率分布的估计问题转换为优化问题。
[0051]
基于负荷历史数据，运用概率贝叶斯神经网络预测模型得到负荷的概率预测结果：
[0052][0053]
式中：q
λ
(w)为结束训练后概率贝叶斯神经网络权重的变分分布；为对q
λ
(w)随机抽样得到的神经网络的参数；表示参数为的神经网络；为预测负荷条件概率分布p(
·
)的参数；为负荷场景集；m表示随机采样次数；表示第m次采样得到的负荷功率。
[0054]
(2)构建电热综合能源系统概率最优潮流模型，并利用遗传算法求解模型得到电热综合能源系统概率最优潮流运行结果
[0055]
①
电热综合能源系统元件建模
[0056]
所述电热综合能源系统包括柴油机组、分布式光伏及热电联产机组三种发电单元，其中热电联产机组作为电热耦合元件，能够同时供应电能和热能两种能源，使得包括发电效率和供热效率在内的总效率达到85％以上，有效降低环境污染。此外，电锅炉作为负荷
侧电热耦合单元，将电能转换为热能供热，有助于实现电能替代及清洁替代。具体模型如下：
[0057][0058][0059][0060][0061][0062][0063][0064][0065][0066]
其中，分别为柴油机组输出有功功率、无功功率；为柴油机组的有功出力上、下限；为柴油机组的无功出力上、下限；为t时刻分布式光伏的实际输出有功功率；为标准测试条件下分布式光伏的额定功率；i为实际辐照强度；in为标准测试条件下的辐照强度；χ为温度补偿系数；tc和tr分别为实际环境温度和标准测试条件下的环境温度；为t时刻分布式光伏逆变器的输出无功功率；为分布式光伏逆变器设定的功率角；为热电联产机组的电功率，为热电联产机组的热功率；λ
chp
为热电联产机组的热电比，视为固定正值，取值在0-1之间；为热电联产机组的有功出力上、下限；为电锅炉的电功率，为电锅炉的热功率，η
eb
为电锅炉的发热效率；为电锅炉的有功出力上、下限。
[0067]
②
电热综合能源系统概率最优潮流模型构建
[0068]
在构造电热综合能源系统概率最优潮流模型时，需保证电力系统运行有功和无功的平衡和热力系统的热功率平衡，即满足以下方程：
[0069][0070]
式中，p
load
，q
load
和h
load
分别为系统总的有功电负荷、无功电负荷和热负荷；ui为节点i的电压幅值；ni为所有与节点i直接相连的节点集合；g
ij
、b
ij
分别为节点导纳矩阵的实部与虚部；θ
ij
为节点i和j之间的相角差。
[0071]
节点电压上下限满足：
[0072]uimin
≤ui≤u
imax
(i∈sb)
[0073]
式中，u
imin
、u
max
分别为节点i电压幅值的下限与上限；sb表示系统节点集合。
[0074]
支路潮流约束式中满足：
[0075]
sj≤s
j,max j∈l
[0076]
其中，sj为线路j的视在功率；s
j,max
为线路允许通过的视在功率上限；l为线路集合。
[0077]
将电力系统网损p
loss
的均值作为新的优化目标，进行单目标优化，优化模型可以表示为：
[0078]
mine[f(m,u,p
loss
)]
[0079]
s.t.g(m,u,p
loss
)＝0
[0080]
h(m,u)＜0
[0081]
其中，e[f(m,u,p
loss
)]是电力系统网损的均值，m表示电力系统稳态下的状态变量，包括负荷节点电压幅值v
l
与相角δ
l
以及线路潮流视在功率sj等。u表示优化过程中的控制变量，包括发电单元有功输出及其电压幅值等。运用遗传算法，根据各随机变量的概率密度函数进行蒙特卡洛抽样，得到的初始样本集作为初始种群，采用轮盘赌法对种群个体进行随机选择，设定交叉概率为0.9，变异概率为0.1，选择目标函数的倒数计算物种个体的适应度，通过迭代计算对电热综合能源系统概率最优潮流进行求解。
[0082]
(3)基于概率最优潮流运行结果的电热综合能源系统概率灵活性评价
[0083]
定义x和y分别为系统灵活性总供给和总需求的随机变量，z＝x-y为灵活性裕度变量，则灵活性平衡可转化为更为一般的概率形式
[0084][0085]
式中：表示充裕水平；s表示灵活性供给源的集合；j表示灵活性需求的集合；xi为第i个源侧供给量，yi为第i个荷侧需求量。为便于指标量化，根据概率卷积运算基本原理，灵活性供给和需求的加减运算分别用卷和、卷差表示，上式可转化为如下概率密度函数形式
[0086][0087]
式中，为灵活性裕量的概率密度函数；分别代表灵活性供给x与需求y
的概率密度函数；和分别表示卷和/卷差运算。
[0088]
基于概率最优潮流运行结果，运用灵活性不足概率及灵活性不足期望两项指标对电热综合能源系统进行灵活性评价，充分考虑系统运行的不确定性。灵活性不足概率deff(τ)及灵活性不足期望defeff的具体表达式如下：
[0089][0090][0091]
式中，τ为参数项，通常取15min、4h和24h等。的物理含义示意图如附图2，图中灵活性裕量的概率密度函数在左/右半平面分别对应灵活性供给小于/大于灵活性需求的情形。取纵轴左侧灵活性供给小于灵活性需求，即灵活性不足部分，其积分值即为系统运行灵活性不足概率，灵活性不足概率指标越大表明灵活性越低；概率密度函数与取负后的纵轴左侧灵活性裕量(左侧值取负后为正)乘积的期望值即为灵活性不足期望，灵活性不足期望指标越大表明灵活性越低。
[0092]
以上结合附图对本发明的具体实施方式进行了描述，并非对本发明保护范围的限制，所有利用本发明说明书及附图内容所做的等效模型或等效算法流程，通过直接或间接运用于其他相关技术领域，均属本发明的专利保护范围内。