基于边缘智能的能源互联网新能源消纳能力评估方法技术

基于边缘智能的能源互联网新能源消纳能力评估方法，本发明专利技术涉及能源互联网新能源消纳能力评估方法。本发明专利技术的目的是为了解决在现有IoE中，无法实现最大化消纳新能源的问题。基于边缘智能的能源互联网新能源消纳能力评估方法具体过程为：步骤一、测量终端通过无线信道收集来自发电单元和负荷单元的数据集；步骤二、基于GRU算法的深度学习层对步骤一获得的数据集进行处理，得到处理后的数据集；步骤三、基于PPO算法的强化学习层对步骤二获得的处理后的数据集进行新能源消纳处理，得到新能源消纳最大化策略。本发明专利技术用于新能源消纳领域。本发明专利技术用于新能源消纳领域。本发明专利技术用于新能源消纳领域。

【技术实现步骤摘要】
基于边缘智能的能源互联网新能源消纳能力评估方法


[0001]本专利技术涉及能源互联网新能源消纳能力评估方法。

技术介绍

[0002]能源互联网(Internet of Energy,IoE)作为的工业物联网典型应用，集成了分布式发电(Distributed Generations,DG)和智能设备
[1]。新能源(Renewable Energy Sources,RES)的高渗透率提高了IoE的灵活性和可持续性。然而，受自然条件影响，新能源的发电具有不确定性，这使得IoE具有间歇性和波动性等特点
[2]。因此，为了最大程度地增加RES的消纳量，IoE面临着巨大的挑战。
[0003]为了提升新能源的消纳量，对合理调度IoE已经进行了广泛的研究。在
[3]中，提出了动态能源管理系统并考虑了储能单元。在微电网中，文献
[4]使用热能产生和电池存储以应对RES带来的不确定性。在文献
[5]中研究了功率优化方法，该方法降低微电网成本，从而获得了一种鲁棒的方法。在
[6]中，提出了一种博弈论模型来选择旋转备用容量以消除风力发电的不稳定性。在
[7]中，还引入了旋转备用容量，以提高包括传统发电机和新能源发电机在内的电网灵活性。
[0004]然而，上述方法只能在当前时间段内调度能源互联网，并且不能实时处理突发事件，例如，负荷突然增加和传输短路
[8]。而且，上述大多数研究都使用集中式调度方法来管理IoE的能源。
[0005]在IoE中，随着智能设备的不断增加，需要传输大量的信息数据，发生缺失数据的概率也随之增加
[9]。数据缺失的现象将导致错误的决策或收敛到错误的结果，甚至直接影响RES的消纳能力。为了给IoE提供完备的数据集，已经提出了多种不同的数据补偿方法。在文献
[10]中，使用随机森林方法来补偿缺失数据。为了使电网不受缺失数据的影响，在文献
[11]中提出了一种基于相关连接聚类的方法。
[0006]综上，在IoE中，随着新能源的不断部署，使电网具有良好的可再生性，然而受天气的影响，新能源存在间歇性和波动性等特征，导致新能源RES的消纳能力低；以及在IoE中，随着智能设备的不断增加，需要传输大量的信息数据，发生缺失数据的概率也随之增加，数据缺失的现象将导致错误的决策或收敛到错误的结果，导致无法实现最大化消纳新能源。

技术实现思路

[0007]本专利技术的目的是为了解决在现有IoE中，无法实现最大化消纳新能源的问题，而提出基于边缘智能的能源互联网新能源消纳能力评估方法。
[0008]基于边缘智能的能源互联网新能源消纳能力评估方法具体过程为：
[0009]步骤一、测量终端通过无线信道收集来自发电单元和负荷单元的数据集；
[0010]步骤二、基于GRU算法的深度学习层对步骤一获得的数据集进行处理，得到处理后的数据集；
[0011]步骤三、基于PPO算法的强化学习层对步骤二获得的处理后的数据集进行新能源
消纳处理，得到新能源消纳最大化策略。
[0012]本专利技术的有益效果为：
[0013]能源互联网作为能源研究领域的一个前沿概念，其将分布式的能源以及信息通信技术紧密的结合在一起，提高了电网的智能性。新能源消纳问题关注了新能源在不同行业间流动时的优化策略，它是构建能源高效的能源互联网的关键问题之一。由于新能源具有分布式发电的特点，为了降低通信的代价，提高计算效率，本专利技术设计了一个基于深度强化学习的边缘智能新能源消纳框架。在该框架中，我们将深度学习部署在第一层边缘计算节点中，从而发现新能源出力的底层规律；基于这些规律，结合不同部门的负荷需求，第二层边缘计算节点采用深度强化学习来寻找优化新能源的消纳策略。随着智能设备在能源互联网中的不断部署，这使发生数据缺失的概率变的越来越高。为了解决数据缺失以及预测的问题，第一层深度学习边缘节点采用门控循环单元算法来感知新能源数据的特点进行数据处理，使得后续的强化学习算法能够有效的进行，避免了错误的状态空间和动作空间。此外，本文提出的框架采用了旋转备用容量来提高新能源的消纳能力。通过在实际电网数据集上的实验结果验证了所提出的新能源消纳最大化方法的有效性，并且深度学习还能够补偿数据缺失降低对智能算法的影响。
[0014]本专利技术的关注重点是优化RES消纳能力。本专利技术提出了一种近端策略最优(PPO)算法来优化IoE中的RES消纳。PPO算法
[12]由John Schulman和Filip Wolski等人提出。本文基于PPO算法优化消纳问题，以最大程度地提高RES的消纳能力并为IoE提供充裕的旋转备用容量。优化问题需要满足功率平衡，可再新能源出力约束，传统发电机出力约束和旋转备用约束等。在解决了优化问题之后，本专利技术进一步进行了仿真实验，以评估所提出的PPO算法的性能。
[0015]本专利技术将边缘智能和能源互联网整合在一起，采用分布式深度强化学习算法构建了一个新型的基于边缘智能的新能源消纳框架。本专利技术的主要贡献如下：
[0016]1.提出了一个层次化的基于深度强化学习的边缘智能新能源消纳框架。将计算工作量从云端转移到边缘节点中，减少大量数据上传，使电网能有效减少能源的使用。
[0017]2.本专利技术针对新能源消纳问题，通过使用新能源以及常规机组为能源互联网提供充裕的旋转备用容量，从而提高电网调峰能力。
[0018]3.针对数据在采集、传输以及接受的过程中存在缺失数据的问题。本专利技术提出了分布式的深度学习弥补缺失数据，同时，计算了预测所需的新能源发电数据和负荷数据。
[0019]4.本专利技术提出了近端策略优化(Proximal Policy Optimal,PPO)算法，从而求解新能源消纳最大化问题以及为能源互联网选择充裕的旋转备用容量。
[0020]现有方法只能在当前时间段内调度能源互联网，并且不能实时处理突发事件，例如，负荷突然增加和传输短路
[8]。而且，现有方法大多数研究都使用集中式调度方法来管理IoE的能源。为了提高计算效率，实现最大化消纳新能源，本专利技术设计了基于深度强化学习的边缘智能新能源消纳框架。该框架分为两层。第一层是用于处理数据的深度学习层，第二层是用于提升新能源消纳的强化学习层。为了提高处理数据的准确性，本专利技术使用GRU算法来预测数据。
附图说明
[0021]图1为基于边缘智能的新能源消纳框架图，Traditional unit表示传统发电单元，Photovoltaic表示光伏发电单元，Wind表示风力发电单元，Load表示负荷单元，DL layer为深度学习层，RL为强化学习层，edge node表示为边缘节点，Cloud表示为云服务器；
[0022]图2为基于GRU算法处理数据图；
[0023]图3为GRU结构图；
[0024]图4为补偿缺失的光伏出力数据图；
[0025]图5为补偿缺失的风电出力数据图；
[0026]图6为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于边缘智能的能源互联网新能源消纳能力评估方法，其特征在于：所述方法具体过程为：步骤一、测量终端通过无线信道收集来自发电单元和负荷单元的数据集；步骤二、基于GRU算法的深度学习层对步骤一获得的数据集进行处理，得到处理后的数据集；步骤三、基于PPO算法的强化学习层对步骤二获得的处理后的数据集进行新能源消纳处理，得到新能源消纳最大化策略。2.根据权利要求1所述基于边缘智能的能源互联网新能源消纳能力评估方法，其特征在于：所述步骤一中测量终端通过无线信道收集来自发电单元和负荷单元的数据集；具体过程为：发电单元包括常规发电单元、新能源发电单元；新能源发电单元包括光伏发电能源和风力发电单元。3.根据权利要求2所述基于边缘智能的能源互联网新能源消纳能力评估方法，其特征在于：所述步骤二中基于GRU算法的深度学习层对步骤一获得的数据集进行处理，得到处理后的数据集；具体过程为：将步骤一获得的数据集(X
t
‑1,X
t
,X
t+1
,
…
)输入深度学习层的数据预处理单元，得到将得到的输入深度学习层的预测单元，得到(Y
t
‑1,Y
t
,Y
t+1
,
…
)。4.根据权利要求3所述基于边缘智能的能源互联网新能源消纳能力评估方法，其特征在于：所述将步骤一获得的数据集(X
t
‑1,X
t
,X
t+1
,
…
)输入深度学习层的数据预处理单元，得到具体过程为：输入矩阵为输入矩阵经过GRU的重置门r
t
，即r
t
＝σ(W
r
·
[h
t
‑1,X
t
])
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)其中，表示在t时刻风电机组总出力，表示在t时刻光伏电机组的总出力，表示在t时刻负荷所需功率，t为时刻；h
t
‑1为前一时刻的隐藏状态，为通过重置门和更新门计算当前序列的候选隐藏状态；矩阵为GRU模型中的权重参数，W
r
矩阵为GRU模型中r
t
的权重参数，σ()为GRU模型的激活函数；输入矩阵经过GRU的更新门z
t
，即z
t
＝σ(W
z
·
[h
t
‑1,X
t
])
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(14)其中，h
t
为当前时刻的隐藏状态，*为乘号，为t时刻的候选隐藏状态，W
z
为矩阵是GRU
模型中z
t
的权重参数；以RMSE为损失函数学习更新门和重置门，最终输出结果为风电出力、光伏出力、以及负荷的补偿数据，即荷的补偿数据，即其中，W
o
矩阵是GRU模型中输出层的权重参数。5.根据权利要求4所述基于边缘智能的能源互联网新能源消纳能力评估方法，其特征在于：所述将得到的输入深度学习层的预测单元，得到(Y
t
‑1,Y
t
,Y
t+1
,
…
)；具体过程为：输入矩阵为输入矩阵经过GRU的重置门，即经过GRU的重置门，即其中，为弥补后的风电出力数据，为弥补后的光伏出力数据，为弥补后的负荷数据；输入矩阵经过GRU的更新门，即经过GRU的更新门，即最终输出预测的结果，即Y
t
；Y
t
＝σ(W
o
·
h
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(20)。6.根据权利要求5所述基于边缘智能的能源互联网新能源消纳能力评估方法，其特征在于：所述GRU算法的深度学习层的损失函数为：其中，为利用GRU算法补偿的缺失数据值，X
t,i
为步骤一获得的数据集中数据，n是数据总数。7.根据权利要求6所述基于边缘智能的能源互联网新能源消纳能力评估方法，其特征在于：所述步骤三中基于PPO算法的强化学习层对步骤二获得的处理后的数据集进行新能源消纳处理，得到新能源消纳最大化策略；具体过程为：步骤三一、建立新能源消纳目标函数和约束条件；步骤三二、状态集合S
t
表示如下：
其中，表示在t时刻风电机组总出力，表示在t时刻光...

【专利技术属性】
技术研发人员：兰天，李俊，关心，杨雪晴，
申请(专利权)人：牡丹江大学黑龙江大学，
类型：发明
国别省市：