一种可分布式能源并网与储能优化选择方法技术

本发明专利技术公开了一种可分布式能源并网与储能优化选择方法，基于人工智能技术，考虑智能微网，特别是企业储能电站的运行特征，提出用户侧可分布式能源并网与储能优化选择的方法。突破传统的基于模型的、静态优化方法，设计基于深度确定性策略梯度模型，提出能够使得算法收敛的参数训练过程，计算智能微电网中储能电站最优充放电功率，以实现智能微电网电能最优调度。对企业自建储能电站充分考量了储能电站的运行特征，实现储能电站中储能设备在充放电控制过程中，不过充过放、不超过额定工况，实现经济效益最优。在降低用户用电电量的峰谷差的同时，降低用户的用电成本。还特别考虑了蓄电池的寿命衰减，降低电能储存的长期开支。降低电能储存的长期开支。降低电能储存的长期开支。

【技术实现步骤摘要】
一种可分布式能源并网与储能优化选择方法


[0001]本专利技术涉及微电网电能优化的
，尤其涉及到一种可分布式能源并网与储能优化选择方法。

技术介绍

[0002]当前形势下，社会对电力需求的不断增长，电网的复杂性和规模不断增加，发电方单纯采用加大发电容量实时满足用电需求的传统方法显然造成巨大的浪费。智能微电网包括着分布式可再生发电电源，对电网电源是巨大的、有益补充。但分布式可再生发电电源，其对外界气候天气因素比较敏感，因此分布式可再生能源发电的功率难以控制，具有随机性、波动性等劣势特性。
[0003]为此，一个稳定、安全且工程意义上最优的工程调度方案亟需被设计出来，作为控制信号施加到下级储能设备中。然而，复杂微电网下，电网模型的建立与分析尤为困难，需要借助人工智能技术，实现微电网电能的科学调度，而现有的优化调度技术中，存在着以下缺点：
[0004](1)当前储能设备优化方面的研究比较缓慢，所提出的算法大多是基于离线优化或静态优化(如线性规划等)。
[0005](2)用电环节在不断智能化的同时，也加大了电网负荷侧的不确定性，使得传统的基于模型的静态优化算法越来越不适用。
[0006](3)现有算法的收敛性缺乏往往无法得到保证，成为现有技术方案的应用瓶颈。

技术实现思路

[0007]本专利技术的目的在于克服现有技术的不足，提供一种可分布式能源并网与储能优化选择方法，对分布式能源电量并网与否，是否考虑自行建设储能电站，对企业自建储能电站如何调度、优化使用(充放电时机选择和储能电池保护等)的研究，实现所述储能电站中储能设备在充放电控制过程中，不过充过放、不超过额定工况，且能实现经济效益最优。
[0008]为实现上述目的，本专利技术所提供的技术方案为：
[0009]一种可分布式能源并网与储能优化选择方法，包括以下步骤：
[0010]S1、采集待调度的电网区域的历史用电数据和待调度的电网区域的历史电价C
t
，其中，用电数据为一个企业用电的有功功率数据{P
L,t
}；
[0011]S2、建立深度确定性策略梯度模型，并初始化其参数；
[0012]S3、定义一个企业用户的电能优化指标；
[0013]S4、求取给定用电设备下的基准控制策略数据；
[0014]S5、基于基准控制策略数据，训练深度确定性策略梯度模型的参数；
[0015]S6、结合企业用户的的电能优化指标，对深度确定性策略梯度模型进行在线优化训练；
[0016]S7、将步骤S6在线优化训练完成的深度确定性策略梯度模型求取最优解，并根据
最优解，对储能电站展开相应的控制，以控制储能设备的充放电功率，当到达t+1时刻时，返回步骤S4，继续进行优化调度。
[0017]进一步地，所述步骤S2中，建立的深度确定性策略梯度模型包括评判网络、目标评判网络、执行网络、目标执行网络；
[0018]初始化深度确定性策略梯度模型中评判网络的参数θ
Q
、目标评判网络的参数θ
Q
′
、执行网络的参数θ
μ
、目标执行网络的参数θ
μ
′
，其中，
[0019]θ
Q
＝θ
Q
′
[0020]θ
μ
＝θ
μ
′
[0021]且：
[0022]||θ
Q
||
∞
≤0.1
[0023]||θ
μ
||
∞
≤0.1
[0024]θ
Q
和θ
μ
的元素均匀分布。
[0025]进一步地，所述步骤S3中，定义一个企业用户的电能优化指标具体包括：
[0026][0027][0028][0029][0030]J＝J1+J2+J3+J4[0031][0032]其中，T为调度的时间区间，C
con
为蓄电池的建造成本，N
cycle
为蓄电池可循环充放电的次数，C
cap
为蓄电池容量，μ为罚函数系数，β为蓄电池的期望平均电量，J1为用户电价的指标项、J2为考虑蓄电池寿命的指标项、J3为限制电网取电最大功率的指标项、J4抑制蓄电池过充和过放的指标项，J为总的指标项，P
b,t
为蓄电池的充放电功率，正数为放点，负数为充电，η
c
为蓄电池的充电效率，η
d
为蓄电池的放电效率，SoC
t
为蓄电池的荷电状态，E
b,rate
为蓄电池的额定电量。
[0033]进一步地，所述步骤S4具体包括：
[0034]设定{u1,u2,
…
,u
T
}表示蓄电池的控制策略，即：u
t
＝P
b,t
，其中蓄电池的充放电功率边界为u
max
和u
min
，即：
[0035]u
min
≤u
t
≤u
max
，t＝1,2,
…
,T
[0036]同时在做蓄电池的决策时，蓄电池的SoC在SoC
min
和SoC
max
之间，即：
[0037]SoC
min
≤SoC
t
≤SoC
max
，t＝1,2,
…
,T+1
[0038]过程包括：
[0039]S4
‑
1、记录循环次数j＝1，并给定最大循环次数N
j
；
[0040]S4
‑
2、随机选取u
min
≤u
t
≤u
max
，t＝1,2,
…
,T；
[0041]S4
‑
3、对于如果u
t
≤u
min
，则u
t
＝u
min
；对于如果u
t
≤u
max
，则u
t
＝u
max
；
[0042]S4
‑
4、对于采取步骤S4
‑
3得到的u
t
；由式得SoC
t+1
，若SoC
t+1
不满足式SoC
min
≤SoC
t
≤SoC
max
，t＝1,2,
…
,T+1的约束，则不改变u
t
的符号，减小|u
t
|，使得SoC
t+1
＝SoC
min
或SoC
t+1
＝SoC...

【技术保护点】

【技术特征摘要】
1.一种可分布式能源并网与储能优化选择方法，其特征在于，包括以下步骤：S1、采集待调度的电网区域的历史用电数据和待调度的电网区域的历史电价C
t
，其中，用电数据为企业用电的有功功率数据{P
L，t
}；S2、建立深度确定性策略梯度模型，并初始化其参数；S3、定义企业用户的电能优化指标；S4、求取给定用电设备下的基准控制策略数据；S5、基于基准控制策略数据，训练深度确定性策略梯度模型的参数；S6、结合企业用户的的电能优化指标，对深度确定性策略梯度模型进行在线优化训练；S7、将步骤S6在线优化训练完成的深度确定性策略梯度模型求取最优解，并根据最优解，对储能电站展开相应的控制，以控制储能设备的充放电功率，当到达下一小时时，返回步骤S4，继续进行优化调度。2.根据权利要求1所述的一种可分布式能源并网与储能优化选择方法，其特征在于，所述步骤S2中，建立的深度确定性策略梯度模型包括评判网络、目标评判网络、执行网络、目标执行网络；初始化深度确定性策略梯度模型中评判网络的参数θ
Q
、目标评判网络的参数θ
Q
′
、执行网络的参数θ
μ
、目标执行网络的参数θ
μ
′
，其中，θ
Q
＝θ
Q
′
θ
μ
＝θ
μ
′
且：||θ
Q
||
∞
≤0.1||θ
μ
||
∞
≤0.1θ
Q
和θ
μ
的元素均匀分布。3.根据权利要求2所述的一种可分布式能源并网与储能优化选择方法，其特征在于，所述步骤S3中，定义一个企业用户的电能优化指标具体包括：述步骤S3中，定义一个企业用户的电能优化指标具体包括：述步骤S3中，定义一个企业用户的电能优化指标具体包括：述步骤S3中，定义一个企业用户的电能优化指标具体包括：J＝J1+J2+J3+J4其中，T为调度的时间区间，C
con
为蓄电池的建造成本，N
cycle
为蓄电池可循环充放电的次数，C
cap
为蓄电池容量，μ为罚函数系数，β为蓄电池的期望平均电量，J1为用户电价的指标项、J2为考虑蓄电池寿命的指标项、J3为限制电网取电最大功率的指标项、J4抑制蓄电池过充和过放的指标项，J为总的指标项，P
b，t
为蓄电池的充放电功率，正数为放点，负数为充电，
η
c
为蓄电池的充电效率，η
d
为蓄电池的放电效率，SoC
t
为蓄电池的荷电状态，E
b，rate
为蓄电池的额定电量。4.根据权利要求3所述的一种可分布式能源并网与储能优化选择方法，其特征在于，所述步骤S4具体包括：设定{u1，u2，
…
，u
T
}表示蓄电池的控制策略，即：u
t
＝P
b，t
，其中蓄电池的充放电功率边界为u
max
和u
min
，即：u
min
≤u
t
≤u
max
，t＝1，2，
…
，T同时在做蓄电池的决策时，蓄电池的SoC在SoC
min
和SoC
max
之间，即：SoC
min
≤SoC
t
≤SoC
max
，t＝1，2，
…
，T+1过程包括：S4
‑
1、记录循环次数j＝1，并给定最大循环次数N
j
；S4
‑
2、随机选取u
min
≤u
t
≤u
max
，t＝1，2，
…
，T；S4
‑
3、对于如果u
t
≤u
min
，则u
t
＝u
min
；对于如果u
t
≤u
max
，则u
t
＝u
max
；S4
‑
4、对于采取步骤S4
‑
3得到的u
t
；由式得SoC
t+1
，若SoC
t+1
不满足式SoC
min
≤SoC
t
≤SoC
max
，t＝1，2，
…
，T+1的约束，则不改变u
t
的符号，减小|u
t
|，使得SoC
...

【专利技术属性】
技术研发人员：苏梓骏，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：