面向风电消纳的电热综合能源系统随机优化调度方法研究
文献类型:学位论文
作者 | 李婉婷 |
答辩日期 | 2021-05-21 |
授予单位 | 中国科学院沈阳自动化研究所 |
授予地点 | 沈阳 |
导师 | 臧传治 |
关键词 | 弃风消纳 短期负荷预测 GRU网络 电热综合能源系统 多目标优化 |
学位名称 | 专业学位硕士 |
学位专业 | 控制工程 |
其他题名 | Research on Stochastic Optimal Dispatching Method of Electric and Heating Integrated Energy System for Wind Power Consumption |
英文摘要 | 2021年3月我国两会期间将新能源发电问题作为重点问题提出,国际能源署预计可再生能源在2023年将提供近30%的电力需求。高比例的可再生能源带来了弃风弃光问题,我国三北地区的可再生能源以风电为主,但其出力具有随机性和波动性,给电力系统侧带来了极大的困难和挑战,三北地区的冬季供暖普遍采用以热电联产为主的集中供暖方式,其以热定电的工况约束也会造成大量弃风。电热综合能源系统的优化调度可以有效解决弃风问题,为了确保调度计划的顺利进行,各单位对负荷预测精度提出了更高的要求,精准的负荷预测可以减少风电的浪费并合理安排系统机组调度。在对负荷进行准确预测的基础上,面向风电消纳的电热综合能源系统优化调度对于新能源消纳和电力系统的发展具有重要意义。本文在此背景下,研究面向风电消纳的电热综合系统随机优化调度。研究分为三个部分。第一部分研究了短期负荷预测研究方法,以满足电热综合系统的调度需求。负荷具有时序性和非线性等特性,这在传统的负荷预测方法中无法得到很好地处理。长短期神经网络(LSTM)凭借自身的记忆能力,可以有效解决这些问题,但其网络结构复杂且需要进行较长时间的训练。门控循环单元(GRU)既兼并了LSTM的优势又弥补了其不足,但GRU的网络参数通常依照经验确定,影响预测效果。因此本文基于改进粒子群算法(MPSO)对GRU的网络参数进行优化。为增强数据的相关性,将GRU网络与卷积神经网络(CNN)结合,并在网络中添加注意力机制(Attention)。文中首先以GRU网络为例验证了MPSO算法优化参数的有效性,接着用MPSO算法分别优化五种网络结构验证本文网络的优越性。实验结果表明用MPSO算法优化GRU参数后预测误差大大降低,添加了Attention机制的CNN-GRU网络预测精度优于其他网络,相较于简单GRU网络预测精度提高了16.38%。以此作为后续两部分研究电热综合能源系统机组调度方法的基础。第二部分研究内容考虑到电热综合系统机组特性,提出了以成本最小化和弃风最小化为目标的一种多目标两阶段随机规划方法(Multi-objective and Two-stage Stochastic Programming, MOTSP)。其中采用两阶段的随机规划模型对成本最小化部分进行建模分析,第一阶段以火电机组的启停成本为调度目标,第二阶段基于第一阶段的启停决策,以机组的运行成本为调度目标。最后采用多目标算法NSGA-Ⅱ中对解的筛选机制求解随机规划问题。该方法利用高斯分布描述负荷和风力发电预测误差,以预测值和误差值之和作为负荷需求和风电出力值来解决风电出力的不确定性,采用蒙特卡罗方法生成随机场景,并采用反向缩减技术对场景进行削减。仿真结果表明,本文提出的MOTSP算法比其他多种智能算法的解集更均匀广泛,收敛性更好,能够最大限度地减少弃风并使机组运营成本最小。第三部分在第二部分系统的基础上增设了储能电池和储热装置,利用电负荷和热负荷的时移特性,增大了风电上网空间,从而达到弃风消纳的目的。文中借鉴NSGA-Ⅱ算法中的快速非支配排序算法,对遗传算法进行改进,提出了以成本最小化和弃风最小化为目标的一种多目标改进遗传算法(Multi-Objective and Improved Genetic Algorithm, MOIGA)。同样采用高斯分布描述预测误差,用蒙特卡罗和反向缩减技术达到生成和消减场景,解决风电不确定性问题。算法中引入个体粒子贡献度值的概念,对排序后的粒子进行缩减直至达到初始粒子个数作为下一次迭代的父代。仿真结果表明,用场景法可以使预测结果更接近真实值,在系统中增设储能储热装置比加装电锅炉更能消纳弃风,MOIGA算法相较于其他多目标算法更具优越性。 |
语种 | 中文 |
产权排序 | 1 |
页码 | 65页 |
源URL | [http://ir.sia.cn/handle/173321/28978] |
专题 | 沈阳自动化研究所_工业控制网络与系统研究室 |
作者单位 | 中国科学院沈阳自动化研究所 |
推荐引用方式 GB/T 7714 | 李婉婷. 面向风电消纳的电热综合能源系统随机优化调度方法研究[D]. 沈阳. 中国科学院沈阳自动化研究所. 2021. |
入库方式: OAI收割
来源:沈阳自动化研究所
浏览0
下载0
收藏0
其他版本
除非特别说明,本系统中所有内容都受版权保护,并保留所有权利。