[發明專利]新能源不確定性下基于機器學習的合約電量優化分解方法

在審

• 申請號: 202011293483.0
• 申請日: 2020-11-18
• 公開（公告）號: CN112380772A
• 公開（公告）日: 2021-02-19
• 發明（設計）人: 李平;王蓓蓓;楊朋朋
• 申請（專利權）人: 江蘇方天電力技術有限公司;東南大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N20/00;G06Q50/06;G06F111/04
• 代理公司: 北京同輝知識產權代理事務所(普通合伙) 11357
• 代理人: 張明利

1.新能源不確定性下基于機器學習的合約電量優化分解方法，其特征在于，所述方法包括如下步驟：

S1:首先考慮新能源下不確定性因素，完成不確定性要素提取；

S2:考慮新能源下不確定性要素約束，建立不確定性合約電量優化分解模型；

S3:提出基于機器學習算法迭代求解優化模型，得到滾動修正的合約電量分解計劃；

S4:最后，根據得到的結果進行分析比較。

2.根據權利要求1所述的新能源不確定性下基于機器學習的合約電量優化分解方法，其特征在于，所述S1新能源下不確定性因素主要包括：

光伏機組發電量的不確定性、電價變化和負荷浮動的不確定性。

3.根據權利要求1所述的新能源不確定性下基于機器學習的合約電量優化分解方法，其特征在于，所述S2要考慮的不確定性要素約束如下：

合約總電量約束、電價變化約束、峰谷總電量約束、峰谷分解電量上下限約束和光伏發電量不確定性約束。

4.根據權利要求1所述的新能源不確定性下基于機器學習的合約電量優化分解方法，其特征在于，所述S3不確定性合約電量優化分解模型如下：

q_c,h,t+q_f,h,t+q_p,h,t＝q_h,t (3)

q_c,l,t+q_f,l,t+q_p,l,t＝q_l,t (4)

lq_h,t≤q_c,h,t≤mq_h,t (5)

lq_l,t≤q_c,l,t≤mq_l,t (6)

uq_h,t≤q_p,h,t≤vq_h,t (7)

uq_l,t≤q_p,l,t≤vq_l,t (8)

其中，p_c、p_f、p_p分別為合約電價、火電電價、光伏電價；q_c,h,t、q_f,h,t、q_p,h,t分別為t時間間隔內合約高峰時段電量、火電高峰時段電量、光伏高峰時段消納電量；q_c,l,t、q_f,l,t、q_p,l,t分別為t時間間隔內合約低谷時段電量、火電低谷時段電量、光伏低谷時段消納電量；q_h,t、q_l,t分別為t時間間隔內峰時段總電量、谷時段總電量；l和m分別為第t個月合約分解電量的最小值和最大值參數；u和v分別為第t個月光伏消納電量在峰時段和谷時段的最小值和最大值參數；Q_c^tol為簽訂的年度合約總電量。

5.根據權利要求1所述的新能源不確定性下基于機器學習的合約電量優化分解方法，其特征在于，所述S3機器學習算法流程如下：

步驟一：將合約電價、合約電量約束系數、每月總的峰谷電量、新增電價、貪心概率ε等列好。將成本表示為合約電量成本與新增電量成本之和；

步驟二：初始化Q值表，分別列出高峰Q值表和低谷Q值表，初始化高峰和低谷的上升、不變和下降三種動作，并將Q值分別存放在Q值表內；

步驟三：貪心策略為如果隨機產生的數random(0,1)小于貪心探索概率ε時，選擇隨機動作a_random并執行，可以隨機得到下一個狀態s_random^k+1；否則選取貪心策略，選擇當前Q值表最小對應的動作a_greedy并執行，這時得到了下一個狀態s_greedy^k+1和下一步的動作a_greedy^k+1；

步驟四：給定動作的貪心概率為90％，隨機概率為10％，并按公式更新Q值表：Q^k+1(s_k,a_k)＝(1-α)Q^k(s_k,a_k)+α[r_k+γmaxQ^k(s_k+1,a_k+1)]。分別在高峰Q值表和低谷Q值表內進行學習，并以0.001TW作為動作改變幅度，說明在進行上升、不變、下降動作時，Q值的變化，并記錄到Q值表中；

步驟五：達到最大迭代次數或結果收斂之后，迭代結束。