基于光热储能的能源系统运行优化方法及系统与流程

本发明涉及光热发电并网，具体是基于光热储能的能源系统运行优化方法及系统。

背景技术：

1、在风光热系统运行优化的研究中考虑到负荷的不确定性，这一特点使其不同于传统运行优化，将负荷不确定引入了运行优化，使得任何时刻的机组出力都应满足负荷需求，提高系统稳定性，以及实时控制能力。然而，如何将不确定性因素准确量化，传统方法面临严峻挑战。如何考虑强不确定性的影响是亟待解决的问题。

2、目前，对负荷的不确定进行建模，对配电网中不确定性变量的建模方式主要有概率模型、模糊数模型和区间数模型，传统的单一不确定性集合中，优化得出的最恶劣场景通常取在区间的边界处，然而实际上取到这种情况的概率极小，这就使得使用单区间不确定集得到的优化调度方案往往过于保守，降低了经济性。

技术实现思路

1、为了解决上述问题，本发明提出了一种基于光热储能的能源系统运行优化方法及系统，能够解决在发生负荷波动时，将负荷视为无波动性，而造成严重事故的问题，采用多区间不确定集来描述负荷不确定，利用负荷预测模型对负荷的预测，不仅可以保障了电力系统实时稳定，还可以改善保守性，提高经济性。

2、为了达到上述目的，本发明是通过以下技术方案来实现的：

3、本发明的基于光热储能的能源系统运行优化方法，包括如下操作：

4、采集天气数据与负荷数据，基于采集的历史天气数据与历史负荷数据构建负荷预测模型，并利用天气数据、历史负荷数据和负荷预测模型得到负荷预测值，基于负荷预测值与采集到的实际负荷数据得到预测误差；

5、基于预测误差，利用概率分布函数构造多区间划分的不确定集，通过不确定集描述负荷不确定性，得到不确定负荷模型；

6、基于光热储能作用以及由不确定负荷模型得到的不确定负荷构建运行优化模型，利用运行优化模型得到系统运行优化策略。

7、本发明的进一步改进在于：天气数据包括温度和太阳辐射量。

8、本发明的进一步改进在于：负荷预测模型为卷积互信息法双向长短期记忆神经网络模型cnn-mi-bilstm模型，构建负荷预测模型的具体操作包括：

9、构建卷积长短期记忆神经网络cnn-lstm网络，cnn-lstm网络结构包括输入层、卷积神经网络层、长短期记忆神经网络层和输出层，其中卷积神经网络层表示为cnn层，长短期记忆神经网络层表示为lstm层，历史天气数据与历史负荷数据通过输入层输入；

10、引入互信息法对cnn输出的数据进行更新；

11、对lstm层进行改进，包括引入偏置优化参数ct，基于lstm层向前、向后预测。

12、本发明的进一步改进在于：引入互信息法对cnn输出的数据进行更新，具体操作包括：

13、确定输入特征数据集，得到与cnn输出的负荷数据集相对应的输入特征矩阵xt，输入特征矩阵xt表达式为：

14、

15、对输入特征矩阵xt进行归一化处理，得到随时间变化的输入特征的重要性值波动矩阵m，表达式为：

16、

17、其中，o′t为t时刻基于输入特征矩阵xc得到的输出负荷数据，xt,z表示为输入特征矩阵xt中的第z行第t列的输入数据，m(xt,z，ot')为输入数据与对应列输出负荷数据之间的相关性，通过m值表示，两个变量间的相关性越强，m值越大，当两个变量相互独立时，m值为0；

18、更新后的输入特征矩阵xt′的表达式为：

19、xt′＝xt×m。

20、本发明的进一步改进在于：对lstm层进行改进，包括引入偏置优化参数ct，基于lstm层向前、向后预测，具体操作包括：

21、利用更新后的输入特征矩阵xt′对lstm层进行改进，得到：

22、ft＝σ(wfxxt′+wfhht-1+bf)

23、it＝σ(wixxt′+wihht-1+bi)

24、

25、ot＝sigmoid(woxxt′+wohht-1+bo)

26、其中，xt′为遗忘门输入，ht-1为中间输出，st-1为状态记忆单元，ft、it、ht、ot分别为遗忘门、输入门、输入节点、中间输出、状态单元和输出门的状态，wfx、wix、wgx、wox分别为遗忘门、输入门、输入节点、输出门与遗忘门输入xt′的矩阵权重，wfh、wih、wgh、woh分别为遗忘门、输入门、输入节点、输出门与中间输出ht-1相乘的矩阵权重，bf、bi、bg、bo分别为遗忘门、输入门、输入节点、输出门的偏置项，表示向量元素按位相乘，φ表示tanh函数变化；

27、引入偏置优化参数ct，进行向前、向后预测：

28、

29、其中，分别为在t时刻向前和向后lstm单元的负荷预测值，ot-1、ot+1分别为t-1、t+1时刻的负荷预测值，分别为对lstm向前和向后计算，at、bt分别为向前和向后的输出权值。

30、本发明的进一步改进在于：基于预测误差，利用概率分布函数构造多区间划分的不确定集，通过不确定集描述负荷不确定性，得到不确定负荷模型，具体操作包括：

31、基于预测误差，利用概率分布函数构造多区间划分的不确定集，时间段是在与之间划分的时间段总数，划分为nb个区间，每个区间的时间取决于对应区间的偏差和概率分布，得到的不确定负荷模型的表达式为：

32、

33、其中，为不确定负荷功率，为负荷预测值，为时间段b对应的上下误差限，为变量，通过引入变量限制不确定负荷功率于范围内；

34、约束条件为：

35、

36、其中，为偏差值与真实值所允许的最大偏差率，nb、nt分别表示总区间数和总时间数。

37、本发明的进一步改进在于：基于光热储能作用以及由不确定负荷模型得到的不确定负荷构建运行优化模型，表达式为：

38、

39、其中：

40、

41、ptes(t)＝htes(t)η1

42、

43、其中，c′为日前调度总成本，c1′、c2′、c3′分别为日运行成本、启停成本以及设备维护成本，t为调度周期，h(c′)＝0,g(c′)≤0为日前调度所满足的等式约束和非等式约束，pw(t)、pp(t)、ppb(t)、ptes(t)分别为第t时刻风机、光伏、光热发电系统以及光热储能系统的功率，cw、cp、cpb分别为风机、光伏、光热发电系统的单位运行成本，ctes为光热储能系统的单位运行成本，htes(t)为光热储能系统在t时刻的充/放热量，η1为光热储热系统热电转化效率，c2为风电、光伏、光热发电的启停成本，suw、sup、supb分别为风电、光伏、光热发电的启动成本，sdw、sdp、sdpb分别为风电、光伏、光热发电的停止成本，分别为风机、光伏、光热发电系统、光热储能系统在t时刻启动的二进制变量、分别为风机、光伏、光热发电系统、光热储能系统在t时刻停止的二进制变量，当取值为1时能量块在t时刻启动，当取值为1时能量块在t时刻停止，sutes为光热储能进行热电转换的启动成本，sdtes为光热储能系统进行充电的启动成本，omwt、ompv、ompb、omtes分别为风机、光伏、光热发电系统、光热储能系统的维护成本系数；

44、运行优化模型的约束条件为：

45、

46、

47、0≤pg,t≤pg,max

48、

49、其中，分别为风电、光伏机组的额定功率，分别为风、光伏、光热发电系统的爬坡率下限，为风、光伏、光热发电系统的爬坡率上限，为光热发电系统最大输出功率，为光热发电系统在t时刻启动的二进制变量，为各机组启动、停止的二进制变量；pg,t为联络线的功率，pg,max为联络线最大允许功率，为不确定负荷功率，为光热储能的充、放热量，为二进制变量，时储热单元进行储热，为二进制变量，时储热单元进行放热，分别为热能单元的最大储热、放热功率，为光热发电系统在t时刻的输出热量，hcsp为聚光集热系统吸收总热量。

50、本发明的基于光热储能的能源系统运行优化系统，包括：

51、负荷预测模块，用于采集天气数据与负荷数据，基于采集的历史天气数据与历史负荷数据构建负荷预测模型，并利用天气数据、历史负荷数据和负荷预测模型得到负荷预测值，基于负荷预测值与采集到的实际负荷数据得到预测误差；

52、不确定负荷模型构建模块，用于基于预测误差，利用概率分布函数构造多区间划分的不确定集，通过不确定集描述负荷不确定性，得到不确定负荷模型；

53、运行优化模型模块，用于基于光热储能作用以及由不确定负荷模型得到的不确定负荷构建运行优化模型，利用运行优化模型得到系统运行优化策略。

54、本发明的进一步改进在于：负荷预测模块进行的操作包括：

55、构建卷积长短期记忆神经网络cnn-lstm网络，cnn-lstm网络结构包括输入层、卷积神经网络层、长短期记忆神经网络层和输出层，其中卷积神经网络层表示为cnn层，长短期记忆神经网络层表示为lstm层，历史天气数据与历史负荷数据通过输入层输入；

56、引入互信息法对cnn层输出的数据进行更新；

57、对lstm层进行改进，包括引入偏置优化参数ct，基于lstm层向前、向后预测。

58、本发明的进一步改进在于：引入互信息法对cnn输出的数据进行更新，具体操作包括：

59、确定输入特征数据集，得到与cnn输出的负荷数据集相对应的输入特征矩阵xt，输入特征矩阵xt表达式为：

60、

61、对输入特征矩阵xt进行归一化处理，得到随时间变化的输入特征的重要性值波动矩阵m，表达式为：

62、

63、其中，o′t为t时刻基于输入特征矩阵xc得到的输出负荷数据，xt,z表示为输入特征矩阵xt中的第z行第t列的输入数据，m(xt,z，o′t)为输入数据与对应列输出负荷数据之间的相关性，通过m值表示，两个变量间的相关性越强，m值越大，当两个变量相互独立时，m值为0；

64、更新后的输入特征矩阵xt′的表达式为：

65、

66、本发明的进一步改进在于：对lstm层进行改进，包括引入偏置优化参数ct，基于lstm层向前、向后预测，具体操作包括：

67、利用更新后的输入特征矩阵xt′对lstm层进行改进，得到：

68、ft＝σ(wfxxt′+wfhht-1+bf)

69、it＝σ(wixxt′+wihht-1+bi)

70、

71、ot＝sigmoid(woxxt′+wohht-1+bo)

72、其中，xt′为遗忘门输入，ht-1为中间输出，st-1为状态记忆单元，ft、it、ht、ot分别为遗忘门、输入门、输入节点、中间输出、状态单元和输出门的状态，wfx、wix、wgx、wox分别为遗忘门、输入门、输入节点、输出门与遗忘门输入xt′的矩阵权重，wfh、wih、wgh、woh分别为遗忘门、输入门、输入节点、输出门与中间输出ht-1相乘的矩阵权重，bf、bi、bg、bo分别为遗忘门、输入门、输入节点、输出门的偏置项，表示向量元素按位相乘，φ表示tanh函数变化；

73、引入偏置优化参数ct，进行向前、向后预测：

74、

75、

76、其中，分别为在t时刻向前和向后lstm单元的负荷预测值，ot-1、ot+1分别为t-1、t+1时刻的负荷预测值，分别为对lstm向前和向后计算，at、bt分别为向前和向后的输出权值。

77、本发明的进一步改进在于：不确定负荷模型构建模块的具体操作包括：

78、基于历史预测误差，利用概率分布函数构造多区间划分的不确定集，时间段是在与之间划分的时间段总数，划分为nb个区间，每个区间的时间取决于对应区间的偏差和概率分布，得到的不确定负荷模型的表达式为：

79、

80、其中，为负荷预测值，为时间段b对应的上下误差限，为变量，通过引入变量限制不确定负荷功率于范围内；

81、约束条件为：

82、

83、其中，为偏差值与真实值所允许的最大偏差率，nb、nt分别表示总区间数和总时间数。

84、本发明的进一步改进在于：基于光热储能作用以及由不确定负荷模型得到的不确定负荷构建运行优化模型，表达式为：

85、

86、其中：

87、

88、ptes(t)＝htes(t)η1

89、

90、其中，c′为日前调度总成本，c1′、c2′、c3′分别为日运行成本、启停成本以及设备维护成本，t为调度周期，h(c′)＝0,g(c′)≤0为日前调度所满足的等式约束和非等式约束，pw(t)、pp(t)、ppb(t)、ptes(t)分别为第t时刻风机、光伏、光热发电系统以及光热储能系统的功率，cw、cp、cpb分别为风机、光伏、光热发电系统的单位运行成本，ctes为光热储能系统的单位运行成本，htes(t)为光热储能系统在t时刻的充/放热量，η1为光热储热系统热电转化效率，c2为风电、光伏、光热发电的启停成本，suw、sup、supb分别为风电、光伏、光热发电的启动成本，sdw、sdp、sdpb分别为风电、光伏、光热发电的停止成本，分别为风机、光伏、光热发电系统、光热储能系统在t时刻启动的二进制变量、分别为风机、光伏、光热发电系统、光热储能系统在t时刻停止的二进制变量，当取值为1时能量块在t时刻启动，当取值为1时能量块在t时刻停止，sutes为光热储能进行热电转换的启动成本，sdtes为光热储能系统进行充电的启动成本，omwt、ompv、ompb、omtes分别为风机、光伏、光热发电系统、光热储能系统的维护成本系数；

91、运行优化模型的约束条件为：

92、

93、0≤pg,t≤pg,max

94、

95、其中，分别为风电、光伏机组的额定功率；分别为风、光伏、光热发电系统的爬坡率下限，为风、光伏、光热发电系统的爬坡率上限，为光热发电系统最大输出功率，为光热发电系统在t时刻启动的二进制变量，为各机组启动、停止的二进制变量；pg,t为联络线的功率，pg,max为联络线最大允许功率，为不确定负荷功率，为光热储能的充、放热量，为二进制变量，时储热单元进行储热，为二进制变量，时储热单元进行放热，分别为热能单元的最大储热、放热功率，为光热发电系统在t时刻的输出热量；hcsp为聚光集热系统吸收总热量。

96、本发明的一种计算机存储介质，计算机存储介质存储有基于光热储能的能源系统运行优化的程序，所述基于光热储能的能源系统运行优化的程序被至少一个处理器执行时实现上述基于光热储能的能源系统运行优化方法的步骤。

97、本发明的有益效果是：本发明引入了多区间不确定集来描述负荷不确定性，根据上下误差限和概率分布实现了改善稳健优化的保守性问题。

98、本发明在cnn-lstm模型的基础上不仅考虑特征向量中的重要值波动引入了互信息法，还提高预测效率引入了双向法，可以实现数据重要值波动提取，还实现了数据的双向流动，实现了短期负荷预测，挖掘长时间数据之间的内在联系，可以避免非连续性特征对预测精度的不良影响，保障预测精确性。本发明考虑了光热储能系统与不确定负荷，建立运行优化模型，并为保障经济性最优，对包括风力发电、光伏发电、光热发电的各模块输出功率进行运行优化。