[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

本發明公開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，所述方法包括如下步驟：首先考慮新能源下不確定性因素，完成不確定性要素提取；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；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；最后，根據得到的結果進行分析比較。本發明能夠考慮到不確定性因素的影響，是的電量分解結果更具有說服力，用Q學習方法求解可以讓結果更合理上，考慮新能源不確定性因素、電價和電量波動影響，使得電量分解結果更適用于實際，機器學習算法在針對不確定性問題時，在保證經濟性和適應性方面都更加有優勢。

技術領域

本發明涉及一種電力系統電量分解技術領域，具體是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。

背景技術

與國外成熟的經濟增長模式不同，當前及未來一段時間內中長期交易依然會是我國主要交易方式。這種交易方式一方面可以使用戶用電需求得到保障，另一方面可以發電商獲得最大收益，更重要的是發電商可以根據市場的預測來做好發電計劃，以維護市場的穩定。對于大的購電商來說，電力的供求是實時存在的，這就需要將中長期的合約電量分解到更小的月、日、甚至是時；對于直購電用戶來說，合理地分配月度總電量與月度峰谷電量不僅可以保證直購電用戶獲得更高的經濟利益，還可以合理避免偏差考核帶來的經濟損失，為后續可能存在的月度競價交易與月內掛牌交易打好基礎。

針對年度合約電量優化分解問題的研究，實際上是求解一種分解策略。而現代電力系統具有高維度、不確定性以及時變非線性等特點，導致想要解決該類問題十分困難，經典優化解析方法如內點法、梯度下降法、牛頓法和交替方向乘子算法等雖然具有較快求解速度，且對數學模型過度依賴，而且當模型具有非線性、變量離散型以及多極值等特征時，求解效果不理想，甚至是無法求解。而傳統智能算法如粒子群算法、蟻群算法和遺傳算法等，雖然對數學模型依賴比較低，但都是基于簡單生物群體行為，不具有學習記憶能力，容易陷入局部最優解，難以應付大規模數據模型的優化需求。

強化學習作為新型人工智能方法的重要分支之一，其學習主體不斷在動態環境之中不斷反復探索與試錯，具有學習記憶的功能，對于求解復雜分解策略問題具有廣泛的應用前景。隨著新一代人工智能技術的發展，遷移學習和強化學習相互嵌套技術研究引起了廣泛的關注，借助遷移學習技術，強化學習在新環境中可通過利用自身已學習過的知識實現小數據量的快速學習。這種增量式學習模型是一種效用更廣泛，泛化能力更強的融合學習機制，對復雜動態環境具有較好的時效性和魯棒性，滿足電力系統在線實時優化需求，針對這種情況，現提出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。

發明內容

本發明的目的在于提供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，能夠考慮到不確定性因素的影響，是的電量分解結果更具有說服力，用Q學習方法求解可以讓結果更合理上，考慮新能源不確定性因素、電價和電量波動影響，使得電量分解結果更適用于實際，機器學習算法在針對不確定性問題時，在保證經濟性和適應性方面都更加有優勢。

本發明的目的可以通過以下技術方案實現：

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，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。

進一步地，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。

進一步地，所述S2要考慮的不確定性要素約束如下：