计及深度信念网络场景生成的风_光_储协同优化规划方法_史昭娣.pdf
《计及深度信念网络场景生成的风_光_储协同优化规划方法_史昭娣.pdf》由会员分享,可在线阅读,更多相关《计及深度信念网络场景生成的风_光_储协同优化规划方法_史昭娣.pdf(12页珍藏版)》请在咨信网上搜索。
1、第 47 卷 第 4 期 电 网 技 术 Vol.47 No.4 2023 年 4 月 Power System Technology Apr.2023 文章编号:1000-3673(2023)04-1331-09 中图分类号:TM 721 文献标志码:A 学科代码:47040 计及深度信念网络场景生成的风 光 储协同优化规划方法史昭娣,黄越辉,李湃,王伟胜(新能源与储能运行控制国家重点实验室(中国电力科学研究院有限公司),北京市 海淀区 100192)Collaborative Optimization Planning for Wind/PV/storage Based on Scenar
2、io Generated by Deep Belief Network SHI Zhaodi,HUANG Yuehui,LI Pai,WANG Weisheng(State Key Laboratory of Operation and Control of Renewable Energy&Storage Systems(China Electric Power Research Institute),Haidian District,Beijing 100192,China)1ABSTRACT:As renewable energy output has stochastic and fl
3、uctuating characteristics,it is of great significance to have the renewable energy output stochastic scenarios in solving the problems as renewable generation expansion and energy storage planning.However,the existing methods of scenario generation based on the statistical models hardly consider the
4、 stochastic and fluctuating characteristics of renewable energy output.Based on this,this paper first proposes a time sequence scenario generation based on the deep belief network to fully explore the characteristics of renewable energy output.Secondly,comprehensively considering the system economy
5、and the environmental protection costs,a optimization planning model for wind/photovoltaic(PV)/storage based on the mid-to-long-term timing power balance simulation is established.In order to fully take into account the stochastics output,this paper adopts several annual wind/PV output sequences as
6、the input of the planning model.Taking the expected results of all the scenarios as the final optimization result,the reliability of the planning results is checked.Finally,a provincial power grid in China is taken as an example to analyze the wind/PV/storage capacity planning schemes under differen
7、t stochastic scenarios and parameter sensitivity.Therefore,a solution to the renewable generation planning problem considering the stochastic output of the wind/PV is provided.KEY WORDS:renewable energy;stochastic output;generation planning;deep belief network;scenario generation 基金项目:国家电网有限公司总部管理科技
8、项目(1300-20 2155460A-0-0-00):“碳达峰碳中和背景下我国能源电力低碳发展模型方法研究及关键技术评估”。Project Supported by Science and Technology Project of State Grid Corporation of China(1300-202155460A-0-0-00):Research on Chinese Power System Low-carbon Development Model Method and Key Technology Assessment Under the Target of Carbon
9、Dioxide Peaking and Carbon Neutrality.摘要:新能源出力具有随机波动性,考虑具有随机性的新能源出力场景对新能源与储能规划具有重要意义。现有基于随机抽样的场景生成方法难以考虑新能源波动性和出力时序性。基于此,首先提出一种基于深度信念网络的新能源出力时间序列场景生成方法,以充分挖掘新能源出力特性。其次,综合考虑系统经济性和环保性,建立了基于中长期时序电力平衡的风/光/储协同规划模型。为充分计及新能源出力随机性,采用多组风/光出力模拟序列作为规划模型输入,以所有场景期望结果作为最终规划结果,并对规划结果进行可靠性校核。最后,以我国某省级电网为例进行算例分析,研究不
10、同随机场景和参数灵敏度下的风/光/储容量规划方案,为考虑新能源出力随机性的电源规划问题提供解决方案。关键词:新能源;出力随机性;电源规划;深度信念网络;场景生成 DOI:10.13335/j.1000-3673.pst.2022.1193 0 引言 世界范围内以风能、太阳能等新能源大规模开发利用1为特征的能源革命正在蓬勃发展。我国“双碳”目标的提出将推动新能源逐步向“主体能源”转变。大规模新能源接入电网增加了系统灵活性需求,配置储能是应对新能源出力随机性、提升系统灵活性的重要措施之一。国务院印发的2030 前碳达峰行动方案 中指出要积极发展“新能源+储能”,进行新能源与储能协同规划可以充分计及
11、新能源和负荷的时序特性,在源头维持电力系统供需平衡,为保障系统安全可靠运行提供基础。风、光出力的随机波动性2使得新能源与储能协同规划条件、运行方式等更加复杂多样,现有基于确定性模型、面向常规电源的规划理论和方法已不能完全适应新能源与储能规划。一方面,基于持1332 史昭娣等:计及深度信念网络场景生成的风/光/储协同优化规划方法 Vol.47 No.4 续负荷曲线的随机生产模拟3难以灵敏、准确地反映新能源和负荷时序变化特性对系统经济技术指标的影响。另一方面,基于电量平衡和典型电力平衡的传统规划方法无法考虑新能源出力时空特性与系统新能源消纳能力。因此,新能源与储能协同规划问题需要充分考虑新能源出力
12、随机特性。针对新能源与储能协同规划问题,已有学者进行了研究。文献4提出一种风/光/储微电网储能容量协同优化方法,建立了微电网储能容量规划-运行双层协同优化模型。文献5基于典型日方法建立了微电网风/光/储双层规划模型优化风/光/储容量配置。文献6综合分析风/光/储系统的技术经济特性,提出基于博弈论的风/光/储系统规划模型。可以看出,进行新能源与储能协同规划是高比例新能源电力系统经济、可靠发展的重要基础。但以上关于风/光/储协同规划的研究多是尽可能详细考虑系统短期时序运行特性。多基于典型日、典型周方法进行分析,如文献7采用典型日法研究了系统动态特性对新能源电源规划的影响。文献8基于典型周运行模拟方
13、法进行新能源电源规划。这些方法在一些特定场景和系统中得到较好的应用,然而新能源资源特性具有季节性,需要更长时间尺度的运行模拟才能展现,典型日、典型周法无法反映新能源中长期随机波动性和统计特性。新能源中长期时间序列建模是开展风/光/储协同规划的重要基础9,现有研究大多采用场景生成法10模拟新能源出力随机性,通过对新能源出力进行抽样得到可能出现的场景,采用多个确定性场景来表征新能源出力随机性。例如拉丁超立方抽样法11、场景树法12。这些方法多是在短期时间尺度进行新能源场景生成,而风/光/储协同规划通常需要以年度新能源场景为规划边界。上述方法难以直接用于新能源中长期序列场景生成。已有关于新能源中长期
14、出力序列建模的方法主要有基于波动特性建模法13以及马尔科夫-蒙特卡洛模拟法14,这些方法通常基于随机抽样方法,通过历史数据求解统计学概率分布模型参数并结合随机抽样法获得新能源出力场景。对应的应用于中长期时序的风/光/储协同规划也已有相应研究。文献15提出一种基于源-荷匹配的区域电网风/光/储容量配比优化方法。通过时序生产模拟计算,确定满足源-荷最优匹配后的风/光/储最优接入容量配比。文献16建立了基于直流潮流的新能源与多端柔性直流电网混合优化规划模型。这些方法虽然可以在特定场景下得到规划方案,然而基于随机抽样的场景生成法的精准度非常依赖所提统计指标,因此会对规划结果准确性造成影响,且对于风电和
15、光伏需要分别建立对应的随机场景生成模型。此外,这些研究多基于某一特定中长期序列进行规划计算,鲜少考虑多场景随机规划法。随着人工智能技术快速发展,采用黑盒模型描述新能源出力随机性在一定程度上可降低建模面临的困难,由此衍生出基于神经网络的建模法。其采用的无监督学习方法可以对变量非线性概率分布进行拟合,基于给定样本训练数据,生成符合概率分布的新数据。如文献17以 Wasserstein 距离作为对抗神经网络判别器损失函数,采用对抗神经网络学习新能源出力时空相关性。文献18提出一种基于对抗神经网络的训练算法,结合新能源预测值生成新能源出力场景。基于以上分析,本文工作着重于新能源出力时间序列随机场景生成
16、和风/光/储协同规划建模。首先,针对新能源出力随机性,提出一种基于深度信念网络(deep belief network,DBN)的新能源出力时间序列场景生成方法,该方法可通过神经网络学习,深入挖掘新能源历史出力数据特性,无须对新能源出力随机概率分布进行精细化建模,且应用于风、光场景生成时仅须微调训练网络。其次,综合考虑系统经济性、环保性以及新能源消纳,以最小化投资、运维成本和最小化碳排放成本为目标函数,建立了基于中长期时序电力平衡的风/光/储协同规划模型。最后,以我国某省级电网为例进行算例分析。值得注意的是,在风/光/储协同规划中,若仅采用某一种新能源出力场景进行计算容易导致规划结果与实际运行
17、情况有偏差,影响规划结果的准确性。针对该问题,可以采用多场景随机规划法19-20进行规划,以提高规划结果的可靠性。算例测试结果表明,所提模型能够充分考虑新能源资源特性,得到满足一定经济性、环保性、可靠性、新能源消纳指标的风/光/储协同规划方案,为解决新能源电源和储能规划问题提供科学且有效的规划方法。1 基于深度信念网络的新能源出力时间序 列场景生成 采用人工智能方法的黑盒模型描述新能源出力随机性无须针对不同新能源单独建模,其中以DBN 为代表的无监督学习模型具有学习能力强、适应性好的优势,可以较好地拟合复杂随机变量概率分布,深入挖掘基准数据的各方面特性,可用来进第 47 卷 第 4 期 电 网
18、 技 术 1333 行新能源出力场景生成。1.1 深度信念网络构成和原理 DBN 由多个受限玻尔兹曼机(restricted Boltzmann machines,RBM)串联组成。DBN 的学习训练过程通常分为逐层预训练和整体精调 2 个阶段,其中逐层预训练通过训练 RBM 完成。关于受限玻尔兹曼机和深度信念网络的具体构成和详细的原理描述可参见附录 A。1.2 基于 DBN 的时间序列场景生成方法 为揭示新能源发电状态的转移规律,采用Markov 链描述新能源出力在各时刻的状态。首先,令 Q(t)表示新能源每一时刻的出力状态,将新能源出力状态划分为N个等级,Q(t)的取值范围为 1N 之间的
19、正整数,对应新能源出力在时刻 t 的出力状态,即 Q(t)有“状态 1”至“状态 N”共 N 个状态。根据新能源出力归一化数据(范围为 01)进行状态划分,将其根据出力大小分为 N 个等级,对应 N 个出力状态,然后,根据历史序列中所得的发电状态统计得到发电状态及其频数,计算 Markov 状态转移概率矩阵 PQ,用以描述相邻时刻状态的转移概率,具体形式如下:111212122212NNQNNNNpppppppppP(1)式中:元素ijp表示新能源出力状态由t时刻的状态i转移至1t 时刻的状态j的概率(,1,2,i jN),其具体形式为 r()|()ijpP Q ttj Q ti(2)式中 P
20、r()函数为概率计算公式,用以计算新能源出力状态由t时刻的状态i转移至1t 时刻的状态j的概率。根据PQ可以进一步得到Markov累积状态转移概率矩阵 PQ:111(1)212(1)1(1)000NNQNN Npppppp P(3)式中1=jijimmpp。新能源出力状态随着时间的推移进行转换,采用 Markov 链生成的累积状态转移矩阵可以描述新能源出力不同状态之间的转移概率。令新能源出力历史序列为 DBN 的输入数据。自底向上进行无监督的逐层预训练,到达最上层后利用反向传播算法使用梯度下降的方法对有标签的数据进行修正,微调整个 DBN 网络。反向传播算法中采用的数据标签采用新能源出力累积状
21、态转移概率矩阵。这种信号正向传播与误差反向传播的各层权值调整过程周而复始进行。权值不断调整的过程,即神经网络的学习训练过程。该过程一直进行到网络输出的误差减少到可接受的程度,或进行到预先设定的学习次数为止。由于 RBM 中概率分布(,)Pv|h难以直接求解,训练过程中使用式(4)和式(5)进行交替吉布斯(Gibbs)21采样,得到不同神经元条件概率分布,具体方法为0()Pvv,00(,)Phh|v,10(,)Pvv|h,1h1(,)Ph|v,1(,)kkPvv|h。其中()P v 为训练数据的分布。值得注意的是,基于 DBN 的场景生成方法同时适应于风电和光伏场景生成,仅须对神经网络参数进行微
22、调。2 考虑新能源出力随机性的风/光/储协同规划模型 2.1 风/光/储协同规划数学模型 2.1.1 目标函数 传统电源规划方案应满足安全性和经济性要求,在“双碳”目标指引下,电源规划方案还应具有环保性。所提规划模型以满足安全可靠性条件作为规划方案可行的前提,规划目标从经济性和环保性方面进行考虑。风/光/储协同规划涉及不同电源的规划,其各自的使用寿命和投产年限通常不同,等年值法可以处理这种问题。风/光/储协同规划数学模型的目标函数为规划期内综合费用最低,主要包含3个部分:投资费用等年值tzN、年固定运行费用1ywN以及年可变运行费用2ywN,其中年可变运行费用主要指规划期系统消耗化石燃料的费用
23、及 CO2排放的处理费用。目标函数具体形式为 sce1,2,min()jjjjtzywywjNENNN(4)其中:cv()(,)(1)jjtziiiiiNB N C RY(5)cv1,()jjywiiiiiNB N C(6)2cvcp2,coalcoalCO,()jjjywiiiiNBBN E(7)式中:()E 表示所有场景结果期望值;sce表示新能源随机场景集合;j表示新能源随机场景j出现的概率;表示贴现率;i表示电厂类型;cv和cp1334 史昭娣等:计及深度信念网络场景生成的风/光/储协同优化规划方法 Vol.47 No.4 分别表示所有待选电厂集合和已有电厂集合,主要包括g、h、w、p
24、v、s,分别表示火电厂、水电厂、风电场、光伏电站和储能电站集合;iN表示各电厂机组台数,对待选电厂而言即投资决策变量;iC表示电厂单机额定容量;iB表示机组的单位综合造价;iY表示机组运行年限;i表示电厂年固定运行费用;iE表示电厂年发电量;coal表示燃煤单位价格;coalB表示煤耗系数;i为各电源的CO2排放强度22;2COB表示碳交易成本;,iRY为电源资金回收系数:(1)(,)(1)1iiYiYRY(8)2.1.2 约束条件 1)电力系统运行约束。新能源电源规划需要考虑中长期时序电力平衡和电源运行特性。时序电力平衡约束。cvcp,()()()ljjiliptL tL t(9)式中:l为
25、联络线集合;()jipt、()L t、()jlL t分别表示t时刻电厂出力功率、负荷和可调负荷,其中可调负荷应满足上下限约束:()jlllLL tL(10)式中:lL为系统最大可调负荷空间,考虑省级电网规划场景,可调节负荷一般取值较小,主要用于疏导不平衡功率。在时序仿真过程中,若要满足负荷不损失的前提,可以将可调负荷空间下限取值为 0。电量平衡约束。cvcpcvcptotal,()ljjiiit TiptEE(11)式中:totalE表示总需求电量;iE表示弃电量。联络线约束。(),jiiilpptpi(12)式中lp、lp分别为联络线最大、最小输送功率。电源运行约束。新能源电源输出功率受最大
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 深度 信念 网络 场景 生成 协同 优化 规划 方法 史昭娣
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。