基于短期电网负荷智能预测算法的新能源调度策略
时间:2023-06-19 19:30:04 来源:柠檬阅读网 本文已影响 人
常 云,苏华堂,王来奎,张 鹏,王天佑
(1.国网甘肃省电力公司平凉供电公司,甘肃平凉 744000;
2.国网甘肃省电力公司平凉市崆峒区供电公司,甘肃 平凉 744000)
“碳达峰”、“碳中和”国家战略的贯彻落实,促进了新能源行业的高速发展。新能源的就地开发,能够减少对传统火力发电的使用,并降低对环境的污染危害。但新能源发电受自然条件等因素的影响较大,存在明显的波动性和随机性[1-2]。因此如何对新能源及负荷进行准确预测,并维持电力系统的稳定性、保障用户的用电需求具有重要的研究意义。
传统负荷预测通常采用经典数学模型,形成回归分析、时间序列等多种经典预测算法[3-5]。随着人工智能算法的兴起,在负荷预测领域采用此类算法的研究也越来越多[6-8]。但随着数字电网的建设发展,对负荷预测的准确度也提出了更高的要求[9]。基于此,该文开展了人工智能算法在短期电网负荷预测与新能源调度中的应用研究。
1.1 粒子群算法
粒子群算法(PSO)是一种人工智能领域的寻优算法,该算法最初的仿生学思想是通过模拟鸟群飞行觅食过程,实现数学问题的自动寻优[10]。
对于局域i维变量的规划问题,PSO 采用具有i个粒子的种群进行寻优,每个粒子代表一维变量。粒子种群在整个解空间进行飞行寻优,且每个粒子均具有位置和飞行速度两个特征参数。随着飞行寻优的进行,粒子特征参数更新方式如下[11-12]:
对于任意一个粒子i种群当前的最优位置更新方式如下:
对于整个粒子种群的当前最优位置,其值是所有粒子当前最优位置中的最优值,更新方式如式(3)所示:
随着飞行过程的进行,粒子的位置与飞行速度不断更新。种群中适应度值较小的劣质解逐渐被淘汰,而适应度值较大的优质解被保留。同时种群粒子向着最优解逐渐靠近,并最终得到规划问题的最优解。
1.2 BP神经网络
BP 神经网络(BPNN)是一种模拟人的大脑神经细胞信息处理机制的智能算法。其通过误差反向传播机制实现神经网络参数的调整,并使得输出目标值符合预测,从而实现输入数据与输出目标之间的映射[13]。BPNN 结构如图1 所示,其由输入层、中间层和输出层三层神经细胞相互连接形成[14-16]。输入层包含x1,…,xm…,xM共M个神经细胞;
中间层包含a1,a2,…,ai…,aI共I个神经细胞;
输出层包含z1,…,zn…,zN共N个神经细胞。
图1 BPNN结构
由图1 可知,中间层的输入为:
式中,ai为中间层第i个神经细胞的输入;
umi为输入层第m个神经细胞与中间层第i个神经细胞之间连接边的权重系数。则中间层的输出为:
式中,ai为中间层第i个神经细胞的输出;
f(·)为激活函数;
δi为中间层第i个神经细胞的阈值。则输出层第n个神经细胞的输入γn为:
输出层的输出为:
式中,zn为输出层第n个神经细胞的输出;
δn为输出层第n个神经细胞的阈值。
根据输出层实际输出与目标值之间的误差,通过梯度下降法进行反向传播,实现权重和阈值的调整,误差公式如下:
式中,E为BPNN 的计算误差;
为输出层第n个神经细胞的目标值。
1.3 短期电网负荷预测算法
该文提出了基于PSO-BPNN 的短期电网负荷预测算法,该算法结构如图2 所示。其利用与负荷大小相关的日属性(节假日或工作日)、温度以及历史负荷(与预测日属性相同的前一日负荷数据)等数据,通过BPNN 网络预测负荷数据。由于初始权值与阈值对BPNN 的计算准确性及速度具有较大的影响,因此通过PSO 算法优化得到BPNN 模型的初始权值和阈值,从而进一步提高预测的准确性。
图2 短期电网负荷预测算法结构
该算法流程如图3 所示,包括以下步骤:
图3 基于PSO-BPNN的短期电网负荷预测算法流程
1)构建BPNN 模型,初始化模型的权值和阈值等参数;
2)利用PSO 算法对BPNN 模型的权值与阈值的初始值进行编码,一个粒子代表一个权值或阈值参数;
3)输入历史负荷、日属性、最高温度和最低温度等数据,并进行标准化等数据预处理;
4)将BPNN 模型训练得到的误差值作为当前位置的适应度值;
5)更新每个粒子的最优位置与粒子种群的最优位置;
6)更新每个粒子的位置与飞行速度,并计算当前位置的适应度值;
7)判断是否满足PSO 终止条件,若是进行下一步,否则转至步骤5);
8)得到BPNN 模型最优的初始权值和阈值;
9)计算训练误差,并调整权值和阈值;
10)判断是否满足BPNN 训练终止条件,若是则输出预测结果,否则转至步骤9),直至输出预测结果。
含多类型新能源的典型微电网结构如图4 所示,其包含光伏、风电等新能源发电设备、柴油发电机、蓄电池储能系统等,微电网通过并网断路器可实现脱网/并网运行。
图4 含多类型新能源的典型微电网结构
2.1 目标函数
1)经济性目标。使含多类型新能源的微电网运行成本降至最低,目标函数为:
式中,CE为从配电网购电的费用;
CF为燃料费用;
Com为维护费用。
2)环保性目标。使微电网的污染物排放量最小,函数可表示为:
式中,αk为柴油发电机生产单位电能第k种污染物的排放系数;
βk为配电网传输电能第k种污染物的平均排放系数;
M为污染物种类。
2.2 约束条件
1)功率供需约束,函数如下所示:
式中,为t时段微电网的负荷。
2)蓄电池系统运行约束,函数可表示为:
3)设备运行约束,函数为:
2.3 求解方法
对于上述含多类型新能源系统的多目标调度模型,其经济性和环保性目标采用加权法进行处理,然后进一步采用商业软件CPLEX 来求解该混合整数规划模型。求解过程如下:
式中,w1、w2分别为经济性目标及环保性目标的权重系数。
以甘肃省某微电网的运行数据集进行仿真分析,验证文中所提短期负荷预测以及新能源调度算法的有效性和准确性。微电网中设备的运行维护成本参数、柴油发电机的污染物排放参数分别如表1、2所示。
表1 设备的运行维护成本参数
表2 污染物排放参数
3.1 短期负荷预测分析
为验证文中所提方法在短期负荷预测方面的准确性,将所提PSO-BPNN 算法与BPNN 算法进行对比,结果如图5 所示。
图5 不同算法的性能对比
由图可知,对于某个预测日,BPNN 算法所得负荷预测结果与实际负荷值之间的差值明显大于PSO-BPNN 算法。BPNN 算法的最大误差达到了约10%,而PSO-BPNN 算法仅有约1%。这是因为所提算法通过PSO 算法对BPNN 模型的初始化参数进行了优化,从而提高算法的整体性能。
3.2 新能源调度结果分析
将文中所提的多目标调度策略与以经济性、环保性为目标的单目标调度策略进行对比,结果如表3所示。
表3 单目标与多目标调度结果对比
由表3 数据可得,文中所提调度策略相比于经济性最优的单目标调度策略,虽然运行成本升高了约4%,但污染物排放量降低了33%;
相比于环保性最优的单目标调度策略,虽污染物排放量增加了4%,但运行成本降低了29%。由此可见,所提多目标调度策略能够在降低微电网运行成本的同时,减少污染物的排放量。
该文提出了基于PSO-BPNN 算法的短期电网负荷预测算法以及新能源多目标调度预测模型。通过算例分析表明,所提PSO-BPNN 算法相比于BPNN算法,负荷预测误差由10%降至约1%,短期负荷预测的准确率更高,所提多目标调度策略能够降低微电网运行成本和污染物排放量。但文中对微电网中长期负荷预测及微电网新能源设备的优化配置方面仍缺少研究,这将在后续研究中进行。
猜你喜欢神经细胞阈值粒子熊果酸减轻Aβ25-35诱导的神经细胞氧化应激和细胞凋亡中成药(2021年5期)2021-07-21右美托咪定抑制大鼠创伤性脑损伤后神经细胞凋亡昆明医科大学学报(2021年2期)2021-03-29小波阈值去噪在深小孔钻削声发射信号处理中的应用制造技术与机床(2019年9期)2019-09-10基于自适应阈值和连通域的隧道裂缝提取西南交通大学学报(2018年6期)2018-12-18基于粒子群优化的桥式起重机模糊PID控制测控技术(2018年10期)2018-11-25基于粒子群优化极点配置的空燃比输出反馈控制浙江工业大学学报(2017年5期)2018-01-22比值遥感蚀变信息提取及阈值确定(插图)河北遥感(2017年2期)2017-08-07室内表面平均氡析出率阈值探讨衡阳师范学院学报(2016年3期)2016-07-10长链非编码RNA母系印迹基因3(MEG3)通过p53促进缺血缺氧神经细胞损伤中国组织化学与细胞化学杂志(2016年4期)2016-02-27NF-κB介导线粒体依赖的神经细胞凋亡途径癌变·畸变·突变(2014年1期)2014-03-01