[发明专利]一种基于风电概率预测的电力系统运行备用量化方法

说明书

本发明公开了一种基于风电概率预测的电力系统运行备用量化方法，属于电力系统运行优化领域。该方法构建了基于风电概率预测的电力系统运行备用优化模型，利用极限学习机输出风电功率的非参数预测区间，通过预测区间的上下边界确定系统正负运行备用容量需求，以备用预留成本和备用缺额惩罚作为机器学习训练的损失函数，权衡备用量化决策带来的成本效益，在保证良好可靠性的前提下有效减少系统运行成本。将复杂的机器学习模型训练转化为混合整数线性规划的求解问题，并提出了一种可行域紧缩方法，极大提升了模型训练效率。

技术领域

本发明涉及一种基于风电概率预测的电力系统运行备用量化方法，属于电力运行优化领域。

背景技术

当前，以风电为代表的间歇性电源大规模接入电力系统。与传统火电机组相比，间歇性电源受气象因素影响显著，其发电功率无法被精准预测与有效调节，呈现显著的不确定性和不可控性，给电力系统的实时能量平衡带来严峻挑战。充足的电力系统运行备用能有效补偿因间歇性电源预测误差导致的功率失衡，对维持电力系统供需平衡、保障电网安全稳定运行具有重要意义。

传统意义上，为了预防重要电源或线路故障导致的供需失衡，电力系统运行备用一般参照系统最大机组容量或负荷水平来确定。与这些大型故障相比，风电出力偏差具有较强的连续性与时变性，传统确定性的备用量化方法难以适应高比例风电渗透的现代电力系统。当前，概率预测技术的发展使风电预测不确定性量化成为可能，电力系统运行人员得以利用风电概率预测对运行备用进行量化，在保障系统可靠性与降低运行成本之间获得最优均衡。

发明内容

针对相关背景技术的局限性，本发明提出了一种基于风电概率预测的电力系统运行备用量化方法，该方法利用极限学习机输出风电功率的非参数预测区间，通过预测区间的上下边界确定系统正负运行备用容量需求，以备用预留成本和备用缺额惩罚作为机器学习训练的损失函数，权衡备用量化决策带来的成本效益，在保证良好可靠性的前提下有效减少系统运行成本。

为了实现上述目的，本发明采用了如下的技术方案：

(1)构建基于风电概率预测的电力系统运行备用优化模型

通过不等式约束限定预测区间关于训练样本的最低置信度，由极限学习机直接输出风电功率预测区间，无需预先设定预测区间的置信水平与边界分位水平(quantileproportion)。基于该区间的边界确定系统正负运行备用容量需求，以备用预留成本和备用缺额惩罚为损失函数，构建基于风电概率预测的电力系统运行备用优化模型：

约束于：

式中，t为时间序号，为训练样本的时间序号集合；ω_α和为机极限学习机两个输出神经元对应的权重向量；和分别为预留的正负备用容量，和分别为正负备用的缺额；π^u和π^d分别为正负备用的单位预留成本，和分别为正负备用的单位缺额惩罚；λ为L1正则项的权重参数，其取值权衡了对样本拟合程度与模型复杂度之间的偏好；为真实风电功率，为风电功率期望值，w_c为系统风电的装机总量；和为极限学习机输出的预测区间的上下边界；x_t为极限学习机的输入特征向量；1-∈为预测区间的最低置信水平，对应电力系统运行备用的可靠性要求；为指示函数，当括号内的逻辑表达式成立时函数值取1，否则函数值取0；max{·}为最大值函数，返回最大的操作数。

(2)将基于风电概率预测的运行备用优化模型构建为混合整数线性规划问题