【技术实现步骤摘要】
本专利技术属于电力系统领域，尤其涉及一种多能源电力系统有功功率动态分配方法。
技术介绍
1、新能源的开发利用已经成为提升传统能源利用效率、发展智能电网、以新能源为主体的新型电力系统的必由之路。然而，新能源渗透率的不断升高却挤占了传统水、火电机组的空间，导致电网频率控制结构性困境日益凸显，迫切需要新能源机组参与电网快速频率响应，以提升大电网频率的安全水平。
2、为实现新能源参与电网快速频率响应，目前主要有“单机+全场优化控制”和“场侧有功系统控制”两种方式。然而，新能源电源的出力能力较难预测，计算量大且存在较强的不确定性，因此难以充分利用。
技术实现思路
1、本专利技术所要解决的技术问题在于提供一种多能源电力系统有功功率动态分配方法，旨在针对风光火多能源电力系统间歇性、不确定性、时变、非线性等复杂运行特性。通过利用深度强化学习解决多能源电力系统参与电网频率响应的多电源协同优化问题，传统多电源有功功率分配方法需要采集大量数据，但由于系统算力不足，难以根据可再生能源发电能力变化而实时改进各机组有功功率分配。此外，结合gru神经网络的预测模型，能够对风电场、光伏电站的可用功率进行预测，减少深度强化学习模型计算环境变量的数据处理量，更能根据气象条件变化趋势更合理地优化多能源电力系统内各机组的有功功率分配决策。
2、本专利技术是这样实现的，一种多能源电力系统有功功率动态分配方法，包括以下步骤：
3、步骤s1：采集多能源电力系统内各发电机组的历史运行数据并结合
4、步骤s2：对采集数据进行预处理，修正异常气象数据和电力系统运行数据，并将时间序列数据转换为监督序列数据；
5、步骤s3：设置神经网络权重并初始化参数，以气象数据和电力系统运行数据作为训练数据，输入门限递归单元gru神经网络模型，训练得到多能源电力系统内机组可用功率的预测模型；
6、步骤s4：测试基于gru神经网络获得的多能源电力系统内风电场和光伏电站可用功率预测模型的精确度；
7、步骤s5：根据步骤s3的预测结果，定义基于深度强化学习的多能源电力系统有功功率分配计算的状态空间st；
8、步骤s6：确定多能源电力系统有功功率分配决策的探索策略，并将该动作空间表示为
9、步骤s7：基于itae评价指标构造drl的奖励函数；
10、步骤s8：将系统状态转移数据以数据库存储，其存储格式为其中，st表示当前状态，at表示当前状态下多能源电力系统对各电源单元的功率分配动作，rt表示多能源电力系统执行at对电网频率调节质量的奖励计算，st+1表示计算得多能源电力系统执行功率分配决策at后的新环境状态，同时，该数据库具有容量上限，当数据文件容量达到上限时，将丢弃早期存储的数据；
11、步骤s9:对critic神经网络和critic神经网络进行训练，实现多能源电力系统动态分配策略的实时优化；
12、步骤s10:使用actor目标策略网络μ′(s|θμ′)作为多能源电力系统的动态功率分配决策模型，在多能源电力系统参与电网频率调节时能够根据各电源工况与与气象条件变化预测可再生能源机组的可用功率，进而改进多能源电力系统的功率分配决策。
13、进一步地：在步骤s1中，采集多能源电力系统历史运行数据，包括风电场采集的风速v、对应时刻风电场的可用功率swg、光伏电站采集的光照强度in、室外温度tout及对应时刻光伏电站的可用功率spv、当时刻系统频率波动δf及对应时刻的火电机组可用功率sth，其中，多能源电力系统内电源单元的可用功率为理论满发功率与实际并网功率之差。
14、进一步地：在步骤s4中，使用测试集数据对门限递归单元gru神经网络模型的预测精度进行校正，采用的评价指标包括均方根误差和决定系数。
15、进一步地：在步骤s5中，利用gru神经网络的预测结果、电力系统频率δft和火电机组可用功率作为强化学习的环境信息，变量表示为：
16、进一步地：所述步骤s6中，所述步骤s6中，将当前的状态信息st输入到深度强化学习ddpg算法的actor当前神经网络中，根据当前的策略和时序噪声out选择一个动作at，噪声out是基于多能源电力系统实际采集信息中的扰动数据构造的，用于改进多能源电力系统功率分配决策的动作探索效率。
17、进一步地：定义深度强化学习模型的奖励函数，引导多能源电力系统有功功率分配模型的参数优化。首先执行多能源电力系统的功率分配指令at，然后获得即时奖励rt以及与at对应的环境状态更新的计算值st+1，奖励函数的构造基于itae控制指标。
18、进一步地：步骤s8还包括：
19、步骤s8.1：将(st，at，rt，st+1)储存到一个经验池中；
20、步骤s8.2：如果经验池内数据量大于cm，则从经验池中随机抽取m个样本(si,ai,ri，si+1)，i＝1,2,...,m。
21、进一步地：在步骤s9中，使用critic当前神经网络q对所采取的动作at进行评价，计算出评价值q(s，a)；使用均方根误差rmse计算样本的目标期望值和评价值之间的误差l；使用最小批量梯度下降法更新critic当前神经网络的参数，使用策略梯度更新actor当前神经网络的参数；然后将critic和actor当前神经网络的参数分别软复制给critic和actor的目标神经网络参数，同时，数据库具有容量上限，当数据文件的容量达到上限时，会丢弃早期存储的数据。
22、进一步地：在步骤s10中，实时载入多能源电力系统的运行环境数据，并加载已训练好的多能源电力系统有功功率动态分配模型，对风力发电机组的可用功率预测精度进行比较，以确定模型的算法变量在时间和空间上的适配性，并确定是否需要重新调整参数。
23、进一步地：步骤s9中，对critic神经网络和critic神经网络进行训练，包括：
24、步骤s9.1：基于下一时刻的状态和actor的目标网络获得动作计算目标的期望值，yi＝ri+γq′(si+1，μ′(si+1|θμ′)[θq′),其中，μ′(si+1|θμ′)是从actor的目标神经网络中获得的最优动作；
25、步骤s9.2：通过ddpg算法的critic当前神经网络q对采取的多能源电力系统有功功率分配指令at进行评价，计算出评价值q(si，ai|θq)；
26、步骤s9.3：使用均方根误差计算样本的目标期望值和评价值之间的误差值并使用最小批量梯度下降法更新critic当前神经网络的参数θq；
27、步骤s9.4：使用样本策略梯度更新actor当前神经网络参数θμ：
28、步骤s9.5：将当前的critic神经网络参数和actor神经网络参数分别软复制到目标critic和目标actor神经网络参数中，即：
29、本文档来自技高网...
【技术保护点】
1.一种多能源电力系统有功功率动态分配方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种多能源电力系统有功功率动态分配方法，其特征在于：在步骤S1中，采集多能源电力系统历史运行数据，包括风电场采集的风速V、对应时刻风电场的可用功率Swg、光伏电站采集的光照强度In、室外温度Tout及对应时刻光伏电站的可用功率Spv、当时刻系统频率波动Δf及对应时刻的火电机组可用功率Sth，其中，多能源电力系统内电源单元的可用功率为理论满发功率与实际并网功率之差。
3.根据权利要求1所述的一种多能源电力系统有功功率动态分配方法，其特征在于：在步骤S4中，使用测试集数据对门限递归单元GRU神经网络模型的预测精度进行校正，采用的评价指标包括均方根误差和决定系数。
4.根据权利要求1所述的一种多能源电力系统有功功率动态分配方法，其特征在于：在步骤S5中，利用GRU神经网络的预测结果、电力系统频率Δft和火电机组可用功率作为强化学习的环境信息，变量表示为：
5.根据权利要求1所述的一种多能源电力系统有功功率动态分配方法，其特征在于：所述步骤S6中
6.根据权利要求1所述的一种多能源电力系统有功功率动态分配方法，其特征在于：定义深度强化学习模型的奖励函数，引导多能源电力系统有功功率分配模型的参数优化。首先执行多能源电力系统的功率分配指令at，然后获得即时奖励rt以及与at对应的环境状态更新的计算值st+1，奖励函数的构造基于ITAE控制指标。
7.根据权利要求6所述的一种多能源电力系统有功功率动态分配方法，其特征在于：
8.根据权利要求1所述的一种多能源电力系统有功功率动态分配方法，其特征在于：在步骤S9中，使用Critic当前神经网络Q对所采取的动作at进行评价，计算出评价值Q(s，a)；使用均方根误差RMSE计算样本的目标期望值和评价值之间的误差L；使用最小批量梯度下降法更新Critic当前神经网络的参数，使用策略梯度更新Actor当前神经网络的参数；然后将Critic和Actor当前神经网络的参数分别软复制给Critic和Actor的目标神经网络参数，同时，数据库具有容量上限，当数据文件的容量达到上限时，会丢弃早期存储的数据。
9.根据权利要求1所述的一种多能源电力系统有功功率动态分配方法，其特征在于：在步骤S10中，实时载入多能源电力系统的运行环境数据，并加载已训练好的多能源电力系统有功功率动态分配模型，对风力发电机组的可用功率预测精度进行比较，以确定模型的算法变量在时间和空间上的适配性，并确定是否需要重新调整参数。
10.根据权利要求7所述的一种多能源电力系统有功功率动态分配方法，其特征在于：步骤S9中，对Critic神经网络和Critic神经网络进行训练，包括：
...【技术特征摘要】
1.一种多能源电力系统有功功率动态分配方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种多能源电力系统有功功率动态分配方法，其特征在于：在步骤s1中，采集多能源电力系统历史运行数据，包括风电场采集的风速v、对应时刻风电场的可用功率swg、光伏电站采集的光照强度in、室外温度tout及对应时刻光伏电站的可用功率spv、当时刻系统频率波动δf及对应时刻的火电机组可用功率sth，其中，多能源电力系统内电源单元的可用功率为理论满发功率与实际并网功率之差。
3.根据权利要求1所述的一种多能源电力系统有功功率动态分配方法，其特征在于：在步骤s4中，使用测试集数据对门限递归单元gru神经网络模型的预测精度进行校正，采用的评价指标包括均方根误差和决定系数。
4.根据权利要求1所述的一种多能源电力系统有功功率动态分配方法，其特征在于：在步骤s5中，利用gru神经网络的预测结果、电力系统频率δft和火电机组可用功率作为强化学习的环境信息，变量表示为：
5.根据权利要求1所述的一种多能源电力系统有功功率动态分配方法，其特征在于：所述步骤s6中，所述步骤s6中，将当前的状态信息st输入到深度强化学习ddpg算法的actor当前神经网络中，根据当前的策略和时序噪声out选择一个动作at，噪声out是基于多能源电力系统实际采集信息中的扰动数据构造的，用于改进多能源电力系统功率分配决策的动作探索效率。
6.根据权利要求1所述的一种多能源电力系统有功功率动态分配方法，其特...
【专利技术属性】
技术研发人员：王顺江，凌兆伟，于鹏，周桂平，张腾兮，王铎，宋丽，王喆，胡秋玉，
申请(专利权)人：国网辽宁省电力有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。