一种基于深度学习的含分布式能源系统实时调度方法技术方案

本发明专利技术公开了一种基于深度学习的含分布式能源系统实时调度方法，包括，结合分布能源发电成本、主网购电成本、配网购电成本、网损成本和储能成本建立调度目标函数；结合负荷预测值，并基于深度学习建立分布式能源网络优化模型；利用分布能源发电成本、网损成本、储能成本和负荷预测值训练分布式能源网络优化模型；通过训练后的分布式能源网络优化模型计算调度目标函数的最优解，获得最优调度结果；本发明专利技术通过建立指数平滑模型，提高了负荷预测的准确度；同时通过结合深度学习和遗传算法，有效地提高储能设备的利用率，降低运行成本。降低运行成本。降低运行成本。

【技术实现步骤摘要】
一种基于深度学习的含分布式能源系统实时调度方法


[0001]本专利技术涉及分布能源系统调度的
，尤其涉及一种基于深度学习的含分布式能源系统实时调度方法。

技术介绍

[0002]分布式能源系统的优化调度策略是主动配电网对可控资源实施主动管理的核心技术，也是实现网络安全经济运行的重要手段。
[0003]然而现有的分布式能源系统度模型按目标函数可以分为配电网运行成本最小、电力公司效益最大、社会综合效益最大，以整个调度周期内配电网运行成本最低为目标函数，以可控分布式能源及联络开关作为控制手段，实现分布式能源系统的优化调度，但没有给出发电功率关于该状态量的具体函数，并且在实施方面存在一定的困难，导致耗费大量的成本。

技术实现思路

[0004]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0005]鉴于上述现有存在的问题，提出了本专利技术。
[0006]因此，本专利技术提供了一种基于深度学习的含分布式能源系统实时调度方法，能够解决分布式能源带来的不确定性问题，降低了运行成本。
[0007]为解决上述技术问题，本专利技术提供如下技术方案：包括，结合分布能源发电成本、主网购电成本、配网购电成本、网损成本和储能成本建立调度目标函数；结合负荷预测值，并基于深度学习建立分布式能源网络优化模型；利用所述分布能源发电成本、网损成本、储能成本和负荷预测值训练所述分布式能源网络优化模型；通过训练后的分布式能源网络优化模型计算调度目标函数的最优解，获得最优调度结果。
[0008]作为本专利技术所述的基于深度学习的含分布式能源系统实时调度方法的一种优选方案，其中：建立所述调度目标函数包括，定义所述分布能源发电成本为C
E
，所述主网购电成本为C
M
，所述配网购电成本为C
D
，网损成本为C
L
，储能成本为C
S
；所述调度目标函数如下式：
[0009][0010]其中，x为某一时刻，N为总时长，P
E
为分布式能源系统的单机发电功率，P
L
为网损值，P
S
为储能设备的最大放电功率；α、β为权重系数。
[0011]作为本专利技术所述的基于深度学习的含分布式能源系统实时调度方法的一种优选方案，其中：所述负荷预测值包括，根据负荷序列特征，建立指数平滑模型；利用黄金分割算法求解最优平滑系数；结合所述最优系数和指数平滑模型获取所述负荷预测值。
[0012]作为本专利技术所述的基于深度学习的含分布式能源系统实时调度方法的一种优选方案，其中：所述指数平滑模型包括，
[0013]Y
t+1
＝δ
t
+η
t
d+λ
t
d2[0014]其中，Y
t+1
为t+1时刻的负荷预测值，δ、η、λ为平滑系数，取值范围均为(0，1)，d为用电量。
[0015]作为本专利技术所述的基于深度学习的含分布式能源系统实时调度方法的一种优选方案，其中：建立所述分布式能源网络优化模型包括，基于BP神经网络建立所述分布式能源网络优化模型：
[0016][0017]其中，y为输出；w为模型权值；a为误差；q为学习率；n为输出层的神经元数量；
[0018]所述误差a为：
[0019][0020]其中，u为输入层节点数，v为输出层节点数，l为隐含层节点数，m
k
为期望输出，f为激励函数，w
jk
为隐含层和输出层间的连接权值，w
ij
为输入层和输出层间的连接权值；s
i
为第i个节点的输入；k为隐含层第k个节点，j为输出层第j个节点。
[0021]作为本专利技术所述的基于深度学习的含分布式能源系统实时调度方法的一种优选方案，其中：还包括，
[0022][0023][0024]其中，Δw
jk
为更新后的隐含层和输出层间的连接权值，Δw
ij
为更新后的输入层和输出层间的连接权值。
[0025]作为本专利技术所述的基于深度学习的含分布式能源系统实时调度方法的一种优选方案，其中：训练所述分布式能源网络优化模型包括，输入所述分布能源发电成本、网损成本、储能成本和负荷预测值至所述分布式能源网络优化模型，设定最大训练迭代次数为K，种群总个体数为Q；初始化模型权值、种群P
T
；计算调度目标函数值；将种群P
T
进行变异、选择、交叉，更新种群P
T
；检查已更新种群P
T
中个体是否满足约束条件，对不满足约束条件的个体进行更正；当训练迭代次数达到所述最大训练迭代次数K时，训练结束。
[0026]作为本专利技术所述的基于深度学习的含分布式能源系统实时调度方法的一种优选方案，其中：所述约束条件包括，
[0027][0028]其中，P
T
为分布式能源系统总出力，μ为[0，1]上均匀分布的随机数。
[0029]本专利技术的有益效果：本专利技术通过建立指数平滑模型，提高了负荷预测的准确度；同时通过结合深度学习和遗传算法，有效地提高储能设备的利用率，降低运行成本。
附图说明
[0030]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
[0031]图1为本专利技术第一个实施例所述的基于深度学习的含分布式能源系统实时调度方法的流程示意图。
具体实施方式
[0032]为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本专利技术的具体实施方式做详细的说明，显然所描述的实施例是本专利技术的一部分实施例，而不是全部实施例。基于本专利技术中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术的保护的范围。
[0033]在下面的描述中阐述了很多具体细节以便于充分理解本专利技术，但是本专利技术还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本专利技术内涵的情况下做类似推广，因此本专利技术不受下面公开的具体实施例的限制。
[0034]其次，此处所称的“一个实施例”或“实施例”是指可包含于本专利技术至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
[0035]本专利技术结合示意图进行详细描述，在详述本专利技术实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的含分布式能源系统实时调度方法，其特征在于：包括，结合分布能源发电成本、主网购电成本、配网购电成本、网损成本和储能成本建立调度目标函数；结合负荷预测值，并基于深度学习建立分布式能源网络优化模型；利用所述分布能源发电成本、网损成本、储能成本和负荷预测值训练所述分布式能源网络优化模型；通过训练后的分布式能源网络优化模型计算调度目标函数的最优解，获得最优调度结果。2.如权利要求1所述的基于深度学习的含分布式能源系统实时调度方法，其特征在于：建立所述调度目标函数包括，定义所述分布能源发电成本为C
E
，所述主网购电成本为C
M
，所述配网购电成本为C
D
，网损成本为C
L
，储能成本为C
S
；所述调度目标函数如下式：其中，x为某一时刻，N为总时长，P
E
为分布式能源系统的单机发电功率，P
L
为网损值，P
S
为储能设备的最大放电功率；α、β为权重系数。3.如权利要求1或2所述的基于深度学习的含分布式能源系统实时调度方法，其特征在于：所述负荷预测值包括，根据负荷序列特征，建立指数平滑模型；利用黄金分割算法求解最优平滑系数；结合所述最优系数和指数平滑模型获取所述负荷预测值。4.如权利要求3所述的基于深度学习的含分布式能源系统实时调度方法，其特征在于：所述指数平滑模型包括，Y
t+1
＝δ
t
+η
t
d+λ
t
d2其中，Y
t+1
为t+1时刻的负荷预测值，δ、η、λ为平滑系数，取值范围均为(0，1)，d为用电量。5.如权利要求4所述的基于深度学习的含...

【专利技术属性】
技术研发人员：邱泽坚，陈凤超，黄达区，何建宗，司徒友，袁炜灯，苏俊妮，胡润锋，张鑫，邹钟璐，张冠洲，邵伟涛，张锐，梁琮源，黄琳妮，段孟雍，赖伟坚，严欣，
申请(专利权)人：广东电网有限责任公司东莞供电局，
类型：发明
国别省市：