本发明涉及可再生能源消纳运行领域,尤其涉及一种基于lstm的需求响应指导性基线预测机制。
背景技术:
1、随着可再生能源(res)在电网中的渗透率越来越高,电力输出的波动性也越来越大。电力系统需要以动态、均衡的方式满足社会的各类负荷需求,为用户提供经济、稳定、优质的电能。由于电力需求不断变化,储能效率较低,这就要求电力系统发电侧电源必须紧跟负荷侧电力需求的动态变化,以达到动态平衡。用户准线的提出给大规模需求响应提供了一种新思路,它能调用用户侧的灵活负荷实时平抑可再生能源的波动。
2、然而cdl机制对调度中心的计算能力有一定的要求,无法同时兼顾预测的精度以及调度中心的计算压力。例如,一种在中国专利文献上公开的“面向新能源消纳的用户负荷准线需求响应方法和装置”,其公告号cn114498629a,该方法包括:步骤1,以系统的运行成本最小为目标,同时考虑传统发电、新能源发电对不同负荷节点的贡献比例,以及线路潮流约束条件,计算各负荷节点对新能源消纳最为友好的cdl曲线;步骤2,划分共同域,并得到各发电机对每个负荷节点的贡献比例;步骤3,基于计算得出的cdl曲线量化用户在相应负荷准线时的实际效果,作为制定用户获得激励补贴的依据;步骤4,建立用户激励补贴量化模型。该方案能有效降低大规模用户需求响应时过高的通信与控制成本,但是无法同时兼顾预测的精度以及调度中心的计算压力。
技术实现思路
1、本发明主要解决现有技术无法同时兼顾预测的精度以及调度中心的计算压力的问题;提供一种基于lstm的负荷虚拟电厂需求响应方法,采用长短期记忆(long short-term memory,lstm)网络对cdl进行预测,以期在提高预测精度的同时缓解调度中心的计算压力。
2、本发明的上述技术问题主要是通过下述技术方案得以解决的:
3、一种基于lstm的负荷虚拟电厂需求响应方法,包括以下步骤:
4、s1:以促进可再生能源消纳所使用的系统运行成本最小为目标,并考虑线路潮流约束条件,建立计算用户负荷准线曲线的模型;
5、s2:构建长短记忆网络模型;
6、s3:根据计算用户负荷准线曲线的模型以及配电网络参数,计算出用户侧的最佳负荷曲线;
7、s4:根据长短记忆网络模型以及用户侧最佳负荷曲线,以计算结果作为训练集进行训练,调整网络参数,并通过验证集验证网络的有效性。
8、采用长短期记忆网络对cdl进行预测,以期在提高预测精度的同时缓解调度中心的计算压力。
9、作为优选,所述的步骤s1包括以下过程:
10、s101:定义一个自适应优化的配电网络根据全网运行参数计算得出的理想的负荷曲线形状为负荷准线;该曲线在大规模需求响应中起着主导作用。
11、s102:建立以运行费用最小为用户负荷准线的目标函数,以促进新能源消纳为优先条件;
12、s103:考虑约束条件,约束条件的表达式为:
13、
14、在式中:
15、是dr负荷曲线的标准单位值;
16、pd,fix(t)是t期不能调整的功率;
17、pd,flex(t)是该期参与需求响应的负荷的总可调负荷。
18、在约束条件方面,传统的供需平衡的平等约束将被改变为“可调整资源”平衡“不可调整资源”的形式。
19、作为优选,需求响应中心在计算出用户负荷准线的日间预测后,发布定义的负荷曲线。因此,参与需求响应的用户可以调整自己的负荷曲线,使之接近激励下的负荷线,从而在任何时候都能实现需求响应的目标,同时促进可再生能源的消纳。
20、作为优选,所述的目标函数包括可控发电机组的运行总费用和弃电惩罚费用;
21、目标函数的表达式为:
22、
23、式中,pg,i(t)为系统内第i个可调节的发电机在t时段的有功出力;
24、ng为可调节发电机台数;
25、pr(t)为系统内光伏、风电等所有可再生能源发电在t时段的出力;
26、pr,max(t)为t时段系能源发电出力的最大值,可在日前预测获得;
27、ai,bi,ci为第i台可控发电机的费用系数;
28、cr为弃风弃光费用。
29、目标函数第一项为可控发电机组的运行总费用,第二项为弃电惩罚费用。为充分消纳新能源,可将cr设置的足够大,只有依靠可控机组无法满足调节要求时,才会产生弃风弃光费用。
30、作为优选,其余的约束条件如下:
31、
32、
33、
34、0≤pr(t)≤pr,max(t) t=1,2,...,t
35、上述公式①与公式②表明,基于负荷准则的需求响应只改变了原有负荷曲线的形状,其总用电量保持不变。
36、公式③是可控发电机组的输出上限和下限;与分别代表第i台发电机组的最小和最大输出;ii,t是0-1变量,代表第i台可控发电机组在时间t的启动和关闭。
37、公式④是可再生能源输出范围。cdl曲线只描述了载荷的形状,不涉及载荷的大小,所以这对所有的dr用户来说是没有区别的,而且很容易实现。
38、作为优选,所述的长短记忆网络模型包括记忆单元和遗忘门;记忆单元将序列数据的历史信息与上一时刻的输出一起记忆。记忆单元中的信息由3个门控制。遗忘门基于ht-1和xt从记忆单元中删除信息。
39、lstm是基于循环神经网络(recurrent neural network,rnn)的改进模型,通过引入门和单元的概念来解决长期依赖问题,比rnn具有更强的适应性。
40、作为优选,遗忘门表示为:
41、ft=σ(wt[ht-1 xt])+bf
42、式中,σ(·)是激活函数;
43、wt代表遗忘门的权重;
44、bf是遗忘门的偏置系数;
45、输入门为基于h和x的存储单元添加信息;
46、it=σ(wi[ht-1 xt])+bi
47、
48、式中,it是需要记住的信息;
49、代表候选记忆单元;
50、wi和wc是输入门的权重系数;
51、bi和bc是输入门的偏置系数;
52、完成遗忘门和输出门的计算后,更新记忆单元;
53、
54、式中,*是hadamard乘积;
55、输出门根据ht-1,xt,ct决定ht;
56、ot=σ(wo[ht-1 xt])+bo
57、ht=ot*tanhct
58、式中,wo是输出门的权重;
59、bo是输出门的偏置系数。
60、作为优选,基于长短记忆网络,利用前n天的负荷曲线和负荷影响因素对预测日的用户负荷准线曲线进行预测,输出为预测的户负荷准线曲线,如下式所示:
61、
62、过去n天的电力负荷曲线表示为:
63、lt,d-n={lt,d-1,lt,d-2,…,lt,d-n}
64、式中,lt,d-n是n天前t时刻的负荷;
65、负荷影响因素表示为:
66、ft,d={rt,d,et,d}
67、式中,rt,d是可再生能源出力;
68、et,d是灵活负荷。
69、cdl与每一时刻的柔性负荷有关,也与可再生能源出力有关。因此,考虑相关因素的影响,采用lstm对负荷进行预测。
70、作为优选,数据预处理包括数据矢量化和归一化。
71、作为优选,采用梯度下降法迭代训练长短记忆网络模型参数;对于损失函数采用均方误差方法。使网络输出尽可能接近真实值。
72、本发明的有益效果是:
73、1.采用长短期记忆网络对cdl进行预测,以期在提高预测精度的同时缓解调度中心的计算压力。
74、2.参与需求响应的用户可以调整自己的负荷曲线,使之接近激励下的负荷线,从而在任何时候都能实现需求响应的目标,同时促进可再生能源的消纳。
75、3.lstm是基于循环神经网络(recurrent neural network,rnn)的改进模型,通过引入门和单元的概念来解决长期依赖问题,比rnn具有更强的适应性。