本发明属于电力系统网络约束机组组合,具体涉及一种特征驱动的可再生能源闭环预测优化方法。
背景技术:
1、作为电力系统运行和电力市场清算中的一项重要应用,网络约束机组组合问题通常由独立系统运营商按预测-优化流程执行,其中上游预测(如可再生能源和负荷)和下游机组组合在队列中执行。然而,在网络约束机组组合经济性(即实际系统成本)方面,在开环预测-优化结构中,有偏差的预测可能优于以准确性为导向的预测。现已有学者提出一种特征驱动的闭环预测优化框架,利用面向精度的预测作为特征数据,为网络约束机组组合生成成本导向的可再生能源功率预测,然而,对于具有大规模网络约束条件的真实世界大型系统,如果直接求解基于混合整数线性规划的闭环预测优化模型,存在较大难度。
2、因此,现阶段需设计一种特征驱动的可再生能源闭环预测优化方法,来解决以上问题。
技术实现思路
1、本发明目的在于提供一种特征驱动的可再生能源闭环预测优化方法,用于解决上述现有技术中存在的技术问题,将神经网络算法嵌入模型中,基于该预测模型形成用于提升网络约束机组组合经济性的特征驱动的可再生能源闭环预测优化框架,提升了模型的预测精度及网络约束机组组合的经济性。
2、为实现上述目的,本发明的技术方案是:
3、一种特征驱动的可再生能源闭环预测优化方法,包括以下步骤:
4、分析原始网络约束机组组合模型;
5、利用特征数据和给定场景,形成基于spo损失的成本导向经验风险最小化问题,用于训练成本导向res预测模型;
6、闭环预测优化模块:将训练后的成本导向res预测模型嵌入原始网络约束机组组合模型中,形成特征驱动的网络约束机组组合决策模型。
7、进一步的,
8、原始网络约束机组组合模型如式(1)所示:
9、
10、s.t.ax+by≤g
11、
12、x=[x1,...,xm]∈{0,1}m (1)
13、其中x表示ncuc问题中二元变量的m维向量;y表示连续变量的向量;c和d表示成本向量;a,b和f表示常数矩阵;g是除可再生能源功率限制外的所有约束的右端向量;表示可再生能源功率极限,其中为可再生能源功率预测的向量。
14、进一步的,利用特征数据和给定场景,形成基于spo损失的成本导向经验风险最小化问题具体如下:
15、定义spo损失,用于量化由于不准确的可再生能源预测信息造成的系统运行成本损失;给定情景s的res预测值和实际值spo损失的定义如式(2)所示,其中和分别是由和得出的式(1)的最优目标值;
16、
17、接着定义考虑的神经网络结构;神经网络由其全连接隐藏层的数量k定义,每层有nk个神经元,k=1,...,k;输入向量用表示,输出向量用表示;每一层的输入量是上一层输出量的线性组合,即其中隐藏层中的每个神经元都包含一个激活函数,即对标量输入进行非线性变换;选取relu作为激活函数;relu是一个分段线性函数,定义为对于每个隐藏层,有:
18、
19、
20、其中z0=m,即输入向量,wk是nk+1×nk的权重矩阵,bk是层k和k+1之间的nk+1×1的偏置向量;向量的最大算子定义为其中n=1,...,nk;输出向量如下:
21、n=wk+1zk+bk+1 (5)
22、利用和网络约束机组组合模型,即式(1),并嵌入神经网络结构,形成经验风险最小化问题,即式(6),从而训练出以成本为导向的预测模型wk(k=1,...,k):
23、
24、s.t.
25、z0=fs
26、
27、
28、
29、
30、其中s为训练场景集合,fs为给定场景s的特征数据,求解式(6)是一个训练过程,通过训练得到面向成本的预测模型
31、进一步的,
32、特征驱动的网络约束机组组合决策模型:
33、
34、s.t.ax+by≤g
35、z0=f
36、
37、
38、
39、x=[x1,...,xm]∈{0,1}m (7)
40、由目标函数z(f)可知模型式(7)是由特征数据f驱动的,即式(7)是一个特征驱动的模型;求解式(7)能预测可再生能源功率同时给出相应的网络约束机组组合最佳决策x*和y*。
41、一种特征驱动的可再生能源闭环预测优化装置,包括模型分析模块、成本导向预测模型的建立及训练模块、闭环预测优化模块;
42、所述模型分析模块:分析原始网络约束机组组合模型;
43、所述成本导向预测模型的建立及训练模块:利用特征数据和给定场景,形成基于spo损失的成本导向经验风险最小化问题,用于训练成本导向res预测模型;
44、闭环预测优化模块:将训练后的成预测模型嵌入原始网络约束机组组合模型中,形成特征驱动的网络约束机组组合决策模型。
45、进一步的,原始网络约束机组组合模型如式(1)所示:
46、
47、s.t.ax+by≤g
48、
49、x=[x1,...,xm]∈{0,1}m (1)
50、其中x表示ncuc问题中二元变量的m维向量;y表示连续变量的向量;c和d表示成本向量;a,b和f表示常数矩阵;g是除可再生能源功率限制外的所有约束的右端向量;表示可再生能源功率极限,其中为可再生能源功率预测的向量。
51、进一步的,所述成本导向预测模型的建立及训练模块中,定义spo损失,用于量化由于不准确的可再生能源预测信息造成的系统运行成本损失;给定情景s的res预测值和实际值spo损失的定义如式(5)所示,其中和分别是由和得出的式(1)的最优目标值;
52、
53、接着定义考虑的神经网络结构;神经网络由其全连接隐藏层的数量k定义,每层有nk个神经元,k=1,...,k;输入向量用表示,输出向量用表示;每一层的输入量是上一层输出量的线性组合,即其中隐藏层中的每个神经元都包含一个激活函数,即对标量输入进行非线性变换;选取relu作为激活函数;relu是一个分段线性函数,定义为对于每个隐藏层,有:
54、
55、
56、其中z0=m,即输入向量,wk是nk+1×nk的权重矩阵,bk是层k和k+1之间的nk+1×1的偏置向量;向量的最大算子定义为其中n=1,...,nk;输出向量如下:
57、n=wk+1zk+bk+1 (8)
58、利用和网络约束机组组合模型,即式(1),并嵌入神经网络结构,形成经验风险最小化问题,即式(9),从而训练出以成本为导向的预测模型wk(k=1,...,k):
59、
60、s.t.
61、z0=fs
62、
63、
64、
65、
66、其中s为训练场景集合,fs为给定场景s的特征数据,求解式(9)是一个训练过程,通过训练得到面向成本的预测模型
67、进一步的,特征驱动的网络约束机组组合决策模型:
68、
69、s.t.ax+by≤g
70、z0=f
71、
72、
73、
74、x=[x1,...,xm]∈{0,1}m (10)
75、由目标函数z(f)可知模型式(10)是由特征数据f驱动的,即式(10)是一个特征驱动的模型;求解式(10)能预测可再生能源功率同时给出相应的网络约束机组组合最佳决策x*和y*。
76、一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被运行时执行如上述的一种特征驱动的可再生能源闭环预测优化方法。
77、一种电子设备,所述电子设备包括:
78、存储器,用于存储可执行指令;
79、处理器,用于运行所述存储器存储的可执行指令时,实现上述的一种特征驱动的可再生能源闭环预测优化方法。
80、与现有技术相比,本发明所具有的有益效果为:
81、本方案其中一个有益效果在于,提出了一种成本导向的可再生能源预测模型,将神经网络算法嵌入模型中,基于该预测模型形成用于提升网络约束机组组合经济性的特征驱动的可再生能源闭环预测优化框架,提升了模型的预测精度及网络约束机组组合的经济性。