本发明属于风光储联合系统优化调度,特别涉及一种基于生成对抗网络的风电储多能互补发电系统优化调度方法。
背景技术:
1、当前全球面临能源危机和环境污染问题,推动了对清洁可再生能源的需求。风电和光伏作为无污染的可再生能源备受关注,但其随机性与波动性带来了电力系统优化调度的挑战。储能技术的快速发展为解决这一问题提供了新途径,风光储联合运行可以平抑风电波动,提高系统可控性。研究风光出力波动特征和不确定性下的系统优化调度问题对于理论和实践具有重要价值,有望提升电力系统灵活性,促进清洁能源的有效利用。
2、在高比例风光接入电网情况下,风光储联合系统调度挑战在于处理风光出力不确定性。为描述风光出力特性,以往研究需要假设风光出力服从的概率分布,然后利用抽样方法生成出力场景。在实际应用中,简单的统计假设难以准确描述风光出力的高维非线性特征。对于风光储联合系统能量管理现在有很多研究,但现有研究存在对高比例风光接入对新型电力系统可靠性的影响考虑不全的问题。
3、因此,如何准确描述风光出力的不确定性和考虑高比例接入时的新型电力系统的可靠性,是目前要解决的问题。
技术实现思路
1、发明目的:提供基于生成对抗网络的风电储多能互补发电系统优化调度方法,以解决现有技术存在的上述问题。
2、技术方案:基于生成对抗网络的风电储多能互补发电系统优化调度方法,其特征在于,包括:
3、s1、获取风电场与光伏电站日功率数据,并进行预处理生成样本集;
4、获取风电场和光伏电站历史出力数据,并进行预处理,归一化至[-1,1]之间;
5、s2、设置卷积模块,构建生成对抗网络模型;
6、定义生成器模型g由一个全连接层和三个卷积层组成,并且在每个卷积层之前使用归一化层处理,前两层使用leakyrelu激活函数输出,最后一层经tanh激活函数输出;
7、定义判别器模型d由四个卷积层和一个全连接层组成,每个卷积层后经leakyrelu激活函数和dropout2d层输出,并且除第一个卷积层外,其他卷积层还经bn层归一化处理;
8、s3、交替训练生成对抗网络的生成器与判别器;
9、初始化生成器g与判别器d参数;
10、固定生成器g权重,优化判别器d的权重,判别器d损失函数为:
11、
12、其中,z为随机噪声,e为期望,pz为随机噪声z的概率分布,d(·)为判别器函数,g(z)为生成的虚假风光出力,x为真实风光出力样本,pdata为真实风光出力样本的概率分布,λ为梯度惩罚项系数,为随机插值采样的样本,为随机插值采样的样本服从的概率分布,为求梯度,||·||2为求二范数;
13、固定判别器d权重,优化生成器g的权重;
14、生成器g损失函数为:
15、
16、通过反向传播过程,更新生成器g网络和判别器d网络的权重;
17、然后循环上述步骤直至指定训练次数,保存训练完成后网络模型参数;
18、s4、提取生成对抗网络中生成器,并加载训练完成后生成器参数,生成风光出力日场景;
19、提取生成对抗网络中生成器g,加载训练完成后保存网络模型参数,从正态分布中采样一组噪声输入生成器g,得到一组风光出力,构建风光出力样本集。
20、s5、根据生成的风光出力场景,对风光储多能互补发电系统分别进行日前和日内调度,获取最优调度策略。
21、建立日前调度模型,其目标函数为:
22、
23、式中:t为调度时刻,t为总的调度时段;i为节点编号;cres,ctest,cess,ccut分别为新能源上网利润系数,火电机组发电成本系数,考核电量成本系数,储能充放电成本系数,切负荷惩罚成本系数;为新能源上网电量;为考核电量;和分别为储能的充放电系数;为切负荷功率。
24、约束条件如下:
25、新能源出力约束为:
26、
27、式中:为新能源出力最大值;
28、考核电量约束为:
29、
30、式中:为考核电量上限;
31、储能运行约束为:
32、
33、
34、
35、
36、emin≤ei,t≤emax
37、式中:和是储能充放电状态变量,为0-1变量,(或)表示储能充电(或放电),反之(或)表示储能不充电(或不放电);为充放电功率最大值;ei,t是储能的储电容量,其中emax,emin分别为其上下限;α,β分别为充放电效率。
38、可削减负荷约束为
39、
40、式中:为负荷功率;
41、火电机组运行约束包括有功出力约束式、爬坡约束式、旋转备用约束式、机组最小连续运行与停机时间约束式,分别为:
42、
43、
44、
45、
46、
47、
48、
49、
50、
51、
52、式中:和分别为火电机组有功出力的最小和最大值;riu和rid分别为爬坡率和滑坡率;和分别为系统的正、负旋转备用容量;lu和ld分别为负荷预测偏差对系统正、负旋转备用的需求系数;ωl为负荷节点集合;wu和wd分别为新能源场站出力对系统正、负旋转备用的需求系数;新能源预测出力;和分别为机组能够提供的正、负旋转备用容量;xi,t为机组启停的二进制变量;和分别为机组是否开机和是否停机的二进制变量;和分别为最大开停机时间。
53、系统正常运行时每个节点需要满足有功功率平衡方程,假设系统中总共有n个节点,第n个节点为参考节点,采用直流潮流模型时则有:
54、
55、-pij,max”pij,t”pij,max
56、
57、
58、式中:pi,t为节点i的注入功率,θi,t为节点i的电压相角;bi,j为去除接地支路后节点i与j的互电纳;pij,t为线路ij的有功功率,pij,min和pij,max分别为其上下限值;xij为线路ij的电抗。
59、日内调度模型目标函数为:
60、
61、式中:为新能源丢弃惩罚成本系数,为新能源丢弃量。
62、分别求解日前调度与日内调度模型,获得火电机组出力、储能配置方案、可削减负荷量等形成最优调度策略。
63、与现有技术相比,有益效果是:本发明公开了基于生成对抗网络的风电储多能互补发电系统优化调度方法,本发明选取卷积神经网络构建生成对抗网络的生成器与判别器,以此来提取风光出力的高维非线性特征;此外,建立考虑电力系统可靠性的风光储多能互补发电系统日前与日内优化调度方法。
1.一种基于生成对抗网络的风电储多能互补发电系统优化调度方法,其特征在于,包括:
2.根据权利要求1所述的基于生成对抗网络的风电储多能互补发电系统优化调度方法,其特征在于,风光出力数据预处理包括如下步骤:
3.根据权利要求1所述的基于生成对抗网络的风电储多能互补发电系统优化调度方法,其特征在于,设置卷积模块,构建生成对抗网络模型,生成器与判别器模型定义如下:
4.根据权利要求3所述的基于生成对抗网络的风电储多能互补发电系统优化调度方法,其特征在于,交替训练生成对抗网络的生成器与判别器,具体步骤如下:
5.根据权利要求1所述的基于生成对抗网络的风电储多能互补发电系统优化调度方法,其特征在于,提取生成对抗网络中生成器,并加载训练完成后生成器参数,生成风光出力日场景,具体包括:
6.根据权利要求1所述的基于生成对抗网络的风电储多能互补发电系统优化调度方法,其特征在于,建立考虑电力系统可靠性的风光储多能互补发电系统日前和日内调度模型,获取最优调度策略。
7.根据权利要求5所述的基于生成对抗网络的风电储多能互补发电系统优化调度方法,其特征在于,其目标函数为: