一种可再生能源渗透率下基于历史数据的机组组合方法

1.本发明涉及机组组合，特别是涉及一种可再生能源渗透率下基于历史数据的机组组合方法。
背景技术：
：：2.机组组合(uc)是系统运营商(isos)在电力市场执行的经典过程。通过解决uc，isos确定发电机调度计划，最小化满足预测负荷的成本的同时需要考虑各种发电资源和系统可靠性的限制。尽管uc问题在文献中得到了广泛研究，但它现在面临着由可再生能源高渗透率带来的新挑战。由于可再生能源来源的可变性和间歇性，与传统负荷预测相比，可再生能源发电的预测误差通常要大得多。这种大的预测误差给uc问题带来了很大的不确定性，使得获得合适的解更加具有挑战性。3.应对uc中的不确定性的传统方法包括随机规划(sp)和鲁棒优化(ro)。机会约束规划(ccp)是最流行的sp类型之一，利用分布信息来模拟不确定性。然而，我们在获取有关可再生能源发电的精确分布信息方面遇到了困难，这迫使我们估计分布。此外，由于考虑多个时期，uc问题通常涉及复杂的联合机会约束(ccs)，这进一步限制了量化的准确性。尽管ccp对不确定性进行了简明直观的建模，估计得到的不准确的分布信息会导致不可靠的解决方案。与ccp不同，ro利用不确定性集以刻画不确定性，只需要参数的范围。虽然ro保证在最坏情况下表现最佳，但它可能过于保守。此外，传统的备用电力也面临着获得有利解决方案的挑战，因为它缺乏调度灵活性。在实践中，isos无法连续调度旋转备用(sr)，因为承诺一个单位会导致sr的离散变化。面对可再生能源高渗透率，isos可能不得不开启额外的发电机，以提供足够的备用电力，这将不利于提高能源的利用率。技术实现要素：4.本发明的目的在于克服现有技术的不足，提供一种可再生能源渗透率下基于历史数据的机组组合方法，通过可再生能源预测误差的历史数据减少预测误差对于求解机组组合问题的影响，能够有效提高能源的利用率。5.s1.构建机组组合问题中的备用约束；6.s2.在采集时间段内的每一个时刻，采集可再生能源的实际输出功率和预测输出功率，使用实际输出功率减去预测输出功率得到预测误差，构建采集时间段内各个时刻的预测误差组成的预测误差数据集7.s3.对误差数据集划分为数据集和数据集两部分；8.s4.将数据集划分为和构建不确定集并进行形状参数的估计；9.s5.将具有不确定性集的鲁棒性约束转化为确定性约束来直接求解；10.s6.对不确定集进行重建，并引入转换函数对优化问题进行转换和求解。11.本发明的有益效果是：本发明通过可再生能源预测误差的历史数据减少预测误差对于求解机组组合问题的影响，能够有效提高能源的利用率。附图说明12.图1为本发明的方法流程图。具体实施方式13.下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。14.如图1所示，一种可再生能源渗透率下基于历史数据的机组组合方法，包括以下步骤：15.s1.构建机组组合问题中的备用约束；16.确定性的机组组合问题中的备用约束：[0017][0018]是机组的开启或关闭，1为机组开启，0为机组关闭。是机组的最大输出功率。dt是系统中的负荷，rt是为了应对系统中的不确定性而设置的冗余，一般是负荷的5％。[0019]不确定性下，引入可再生能源的机组组合问题中的备用约束如下：[0020][0021]由于可再生能源预测误差带来的不确定性，我们一般将确定性约束修改为机会约束，即约束在多大的概率上能够得到满足，1-ρ即是满足约束的概率，ξ是预测误差。由于可再生能源不能像传统能源一样调度，一般将其作为负的负荷处理，所以预测误差加在了上，是预测的负荷。[0022]引入统计学可行性的不确定性下，引入可再生能源的机组组合问题中的备用约束：[0023][0024]对于一个给定的数据集dξ，如果一个算法可以保证它的解有一个1-δ的置信水平满足这个约束，我们认为这个算法具有统计学可行性。1-δ是内部约束满足的置信水平。[0025]s2.在采集时间段内的每一个时刻，采集可再生能源的实际输出功率和预测输出功率，使用实际输出功率减去预测输出功率得到预测误差，构建采集时间段内各个时刻的预测误差组成的预测误差数据集[0026]在本技术的实施例中，可再生能源的实际输出功率是通过对可再生能源进行实测获得，预测输出功率指在实测前预先发布的预测时域；对于历史信息而言，可再生数据的实测输出功率和预测输出功率均可看作可以直接进行采集的已知数据；例如，对于风电数据而言，预测机构(例如bonnevillepoweradministration)会发布不同时段的风电预测数据。[0027]s3.对误差数据集划分为数据集和数据集两部分(其中，用于步骤s4，用于步骤s5)；[0028]s4.将数据集划分为和构建不确定集并进行形状参数的估计；[0029]s401.将数据集再分成两部分，分别是和其中和的大小分别为z1和z2；[0030]s402.构建不确定集并进行形状参数的估计：[0031](1)使用来分别近似椭圆体的基本形状，对于椭圆形不确定性集将其表示为：[0032][0033]其中，μ是预测误差的均值，ξ是预测误差；μ是与ξ长度相同的向量；例如有一千条24个小时的预测风电输出功率和对应的真实的风电输出功率，ξ是真实功率-预测功率，同样是1000条，ξi代表一千条数据中的第i条数据对应的误差，μ是将得到的一千条误差的数据按照时间(24小时)进行平均，即每个时刻的误差的平均值。[0034]m是相关的对称矩阵，se是一个标量，μ和m影响不确定性集的形状，se表征椭圆体的大小；[0035](2)通过的样本均值来估计μ.:[0036][0037]ξi数据集中的第i条数据；[0038](3)对于对称矩阵m，使用样本协方差矩阵或对角化协方差矩阵进行估计，提供ξ的几何分布：[0039]当的大小大于ξ的维度时，使用协方差矩阵；否则，使用对角化协方差矩阵：[0040][0041](4)定义一个转换函数y(ξ1)，对于椭圆体，设定:[0042]y(ξ1)＝(ξ1-μ)tm-1(ξ1-μ).[0043]计算y(ξ)对于每一个ξi在得到标量sj，然后将标量[s1,s2,…,sz2]的值按升序排序，理想标量的索引j*满足以下条件:[0044][0045]其中，[0046]s5.将具有不确定性集的鲁棒性约束转化为确定性约束来直接求解；[0047]考虑椭圆不确定度集的相同方法选出标量，就得到了保证统计上的可行性的不确定性集；[0048]具有不确定性集的鲁棒性约束应该转化为确定性约束来直接求解，对于椭圆不确定性集，机会约束转化为以下线性约束：[0049][0050]其中αt满足：[0051][0052]在上式中，在上式中，mt是m的子矩阵，表示误差ξ在第t时刻对应的矩阵，αt为中间变量，代表将不确定集转化为线性约束后得到的参数；[0053]通过求解该线性约束问题获得的解，记为[0054]上述估计的一部分参数决定了椭球的形状，估计的另一部分部分参数确定了椭球的大小，最终得到了一个确定的不确定集，可以使用gurobi等求解器和标准的鲁棒优化方法得到解。[0055]s6.对不确定集进行重建，并引入转换函数对优化问题进行转换和求解。[0056]s601.推导出重构不确定性集的形式:[0057][0058]其中是采用步骤s3得到的结果后进行求解返回的解；[0059]s602.引入转换函数[0060][0061]用h(ξ)对的样本进行转化，每个样本会得到一个标量h(ξ)，然后按升序排列，依旧使用步骤s3中定义的理想标量的索引j*寻找到第j*个标量，即s；[0062]将鲁棒性约束转化为确定性的约束来解决，原始约束是：[0063][0064]转化后得到：[0065][0066]s603.对于得到的转化后的优化问题，进行求解得到机组组合调度方案s603.对于得到的转化后的优化问题，进行求解得到机组组合调度方案代表第t个时刻第i个机组的开启状态，得到机组在每个时刻的开启或关闭状态。[0067]在本技术的实施例中，进行仿真实验时，使用ieee14节点和39节点标准测试用例，对机组组合问题进行仿真实验，得到机组的启停状态和成本，并计算约束被违反的比例，成本越低越好，违反的比例越接近0.05越好[0068]最终得到的结果如下表所示：[0069]table8：pcrformanceonieee14-bussystemwith1-ρ＝0.95，1-η＝0.95[0070][0071]table9：performanceonieee39-bussystemwith1-ρ＝0.95，1-η＝0.g5[0072][0073]在ieee14-bus和39-bus系统上进行验证，本技术提出的方法能够在最接近stabilityrequirement的情况下花费最小的rep(越小越好)。[0074]上述说明示出并描述了本发明的一个优选实施例，但如前所述，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。当前第1页12当前第1页12
技术特征：
1.一种可再生能源渗透率下基于历史数据的机组组合方法，其特征在于：包括以下步骤：s1.构建机组组合问题中的备用约束；s2.在采集时间段内的每一个时刻，采集可再生能源的实际输出功率和预测输出功率，使用实际输出功率减去预测输出功率得到预测误差，构建采集时间段内各个时刻的预测误差组成的预测误差数据集s3.对误差数据集划分为数据集和数据集两部分；s4.将数据集划分为和构建不确定集并进行形状参数的估计；s5.将具有不确定性集的鲁棒性约束转化为确定性约束来直接求解；s6.对不确定集进行重建，并引入转换函数对优化问题进行转换和求解。2.根据权利要求1所述的一种可再生能源渗透率下基于历史数据的机组组合方法，其特征在于：所述步骤s1包括：首先构建确定性的机组组合问题中的备用约束：首先构建确定性的机组组合问题中的备用约束：是机组的开启或关闭，1为机组开启，0为机组关闭，是机组的最大输出功率，d
t
是系统中的负荷，r
t
是为了应对系统中的不确定性而设置的冗余；然后在不确定性下，引入可再生能源的机组组合问题中的备用约束如下：可再生能源预测误差带来的不确定性，将确定性约束修改为机会约束，即约束在多大的概率上能够得到满足，1-ρ即是满足约束的概率，ξ是预测误差，将可再生能源作为负的负荷处理，所以预测误差加在了上，是预测的负荷；最后引入统计学可行性的不确定性下，得到可再生能源的机组组合问题中的备用约束：对于一个给定的数据集d
ξ
，如果一个算法能够保证它的解有一个1-δ的置信水平满足这个约束，认为该算法具有统计学可行性，其中1-δ是内部约束满足的置信水平。3.根据权利要求1所述的一种可再生能源渗透率下基于历史数据的机组组合方法，其特征在于：所述步骤s4包括：s401.将数据集再分成两部分，分别是和其中和的大小分别为z1和z2；s202.构建不确定集并进行形状参数的估计：(1)使用来分别近似椭圆体的基本形状，对于椭圆形不确定性集将其表示为：
其中，μ是预测误差的均值，ξ是预测误差；μ是与ξ长度相同的向量；m是相关的对称矩阵，s
e
是一个标量，μ和m影响不确定性集的形状，s
e
表征椭圆体的大小；(2)通过的样本均值来估计μ.:ξ
i
数据集中的第i条数据；(3)对于对称矩阵m，使用样本协方差矩阵或对角化协方差矩阵进行估计，提供ξ的几何分布：当的大小大于ξ的维度时，使用协方差矩阵；否则，使用对角化协方差矩阵：(4)定义一个转换函数y(ξ1)，对于椭圆体，设定:计算y(ξ)对于每一个ξ
i
在得到标量s
j
，然后将标量[s1,s2,
…
,s
z2
]的值按升序排序，理想标量的索引j
*
满足以下条件:其中，4.根据权利要求1所述的一种可再生能源渗透率下基于历史数据的机组组合方法，其特征在于：所述步骤s5包括：考虑椭圆不确定度集的相同方法选出标量，得到保证统计上的可行性的不确定性集；具有不确定性集的鲁棒性约束应该转化为确定性约束来直接求解，对于椭圆不确定性集，机会约束转化为以下线性约束：其中α
t
满足：在上式中，m
t
是m的子矩阵，表示误差ξ在第t时刻对应的矩阵，α
t
为中间变量，代表将不确定集转化为线性约束后得到的参数；
通过求解该线性约束问题获得的解，记为5.根据权利要求1所述的一种可再生能源渗透率下基于历史数据的机组组合方法，其特征在于：所述步骤s6包括：s601.推导出重构不确定性集的形式:其中是采用步骤s3得到的结果后进行求解返回的解；s602.引入转换函数用h(ξ)对的样本进行转化，每个样本会得到一个标量h(ξ)，然后按升序排列，依旧使用步骤s3中定义的理想标量的索引j
*
寻找到第j
*
个标量，即s；将鲁棒性约束转化为确定性的约束来解决，原始约束是：转化后得到：s603.对于得到的转化后的优化问题，进行求解得到机组组合调度方案s603.对于得到的转化后的优化问题，进行求解得到机组组合调度方案代表第t个时刻第i个机组的开启状态，得到机组在每个时刻的开启或关闭状态。

技术总结
本发明公开了一种可再生能源渗透率下基于历史数据的机组组合方法,包括以下步骤：S1.构建机组组合问题中的备用约束；S2.构建采集时间段内各个时刻的预测误差组成的预测误差数据集S3.对误差数据集划分为数据集和数据集两部分；S4.将数据集划分为和构建不确定集并进行形状参数的估计；S5.将具有不确定性集的鲁棒性约束转化为确定性约束来直接求解；S6.对不确定集进行重建，并引入转换函数对优化问题进行转换和求解。本发明通过可再生能源预测误差的历史数据减少预测误差对于求解机组组合问题的影响，能够有效提高能源的利用率。高能源的利用率。高能源的利用率。


技术研发人员：吴辰晔 梁晋豪
受保护的技术使用者：香港中文大学（深圳）
技术研发日：2023.06.02
技术公布日：2023/9/5