【技术实现步骤摘要】
本专利技术属于电力系统，涉及一种区域电网调度优化系统、方法及存储介质。
技术介绍
1、为更好的实现节能减排目标，近年来，以风能、光伏为代表的高随机性可再生能源装机量不断增加。“绿色”“低碳”“可持续”成为电力系统运行的一大特征。可再生能源在提升发电清洁性的同时，也为电力系统的安全稳定运行引入了新的风险与挑战，其更为频繁的短期功率波动常带来额外的电网功率不平衡。较高不确定性往往会导致传统水、火电机组的发电计划偏离实际用电需求，且大大增加了agc机组的二次调频压力。有功实时调度可以根据超短期预测修正发电计划与预测结果的偏差，实现机组出力的超前调度，缓解新能源不确定性对电网安全稳定运行带来的影响，节约发电成本。
2、现有以深度强化学习为代表的数据驱动自主学习优化算法是一类重要的调度策略求解手段。该类算法具有优秀的系统全局状态感知能力与时间序贯决策能力，且不依赖于精确的数学模型，在应对不确定性环境下的决策问题时具有良好的鲁棒性。此外，由于它直接由深度神经网络建立了状态到策略的映射，在决策时利用前向传播直接计算机组的发电指令，因此，在策略的求解速度上也具有很大优势，更适合于进行实时性要求高的高维在线决策。机组的最终出力通常由日前计划，日内计划，实时调度与频率控制共同决定，现有基于深度强化学习的求解方法在计算机组目标设点时通常将实时调度与发电计划解耦，这种方式往往忽略了对机组计划的合理响应。因此，设计一种兼顾发电计划合理响应与有效完成实时出力在线决策的改进深度强化学习算法具有重要的理论与应用价值。
技
1、本专利技术的技术方案用于解决如何提升源荷不确定性场景下区域电网实时调度策略计算效率，从而提升决策合理性的问题。
2、本专利技术是通过以下技术方案解决上述技术问题的：
3、一种区域电网调度优化系统，包括：基本动作生成模块、调制动作生成模块、样本生成与扩增模块；所述的基本动作生成模块、调制动作生成模块用于构成调度智能体，所述的样本生成与扩增模块用于辅助调度智能体训练；各模块之间协同运行；调度智能体通过与电网调度模型交互的方式进行训练；
4、所述的基本动作生成模块基于深度确定性策略梯度进行构建，以深度神经网络为调度决策载体，通过将电网系统实时运行状态矩阵输入到策略网络中，得到基本动作，基本动作为由基本动作生成模块生成的下一调度时段台火电机组有功出力标幺化参考值；
5、所述的调制动作生成模块以深度神经网络为调制动作生成载体，通过将电网系统实时运行状态矩阵输入到调制网络中，得到下一调度时段的调制动作，的作用是基于状态分量对基本动作生成模块中的基本动作进行修正。
6、进一步地，所述的基本动作的计算公式如下：
7、（1）
8、（2）
9、（3）
10、（4）
11、（5）
12、（6）
13、其中，状态由四个部分组成，式(2)中为时刻至时刻多个窗口内机组发电计划组成的矩阵，表示每个调度决策时刻间的时间间隔，式(3)中为时刻台机组的实时出力，式(4)中表示时刻至时刻时间窗口内的负荷预测数据，式(5)中表示时刻至时刻时间窗口内的新能源出力预测数据；中的每个元素分别对应台火电机组在未来个时间断面的发电计划出力；中每个元素对应着每台机组在该时刻的有功出力；中每个元素对应着未来个时间断面的负荷预测数据；中每个元素对应着未来个时间断面的新能源出力预测值；式(6)中表示以为输入求解出的基本动作向量，基本动作向量包含个元素，对应台需进行调度的火电机组。
14、进一步地，所述的调制动作的计算公式如下：
15、（7）
16、其中，表示调制动作生成模块中神经网络输出层计算出的输出值。
17、进一步地，所述的样本生成与扩增模块的构建方法如下：
18、定义产生于历史运行数据的第个训练样本为原始样本，包含特征与标签；定义通过样本扩增方式产生的第个训练样本，称之为扩增样本，包含特征与标签；全部原始样本构成原始样本集，扩增样本保存于扩增样本池；基于电网历史运行数据构建包含个场景的典型源荷场景集合，且每个原始样本均归属于场景集中的某个具体场景；
19、设电网系统运行数据库中保存着个时间断面的历史运行数据，则对于原始样本集中第个样本来说，特征表征历史运行数据中调度时间断面的系统运行状态信息，即，其中；标签中每一维表征第个机组在时间断面对调度任务参与倾向，计算公式如下：
20、（8）
21、（9）
22、（10）
23、式(8)中，代表机组在时段内的最大功率变化量，表征机组的爬坡能力，代表该机组的额定出力；式(9)中，为该机组在时段发电计划与调度设点的爬坡里程差值；式(10)中，为该机组在时段的实际与计划发电功率偏差；与取常数；
24、对于典型源荷场景集合中第个场景来说，设该场景中包含个原始样本，记为，定义场景标签值为，计算公式如下：
25、（11）
26、对于在调度智能体与电网调度模型交互过程中获得的某状态根据欧式距离等相似度距离量化其对场景集中每个具体场景的隶属度，对于某个扩增样本扩增样本来说，设该样本其场景具有最高的隶属度，则取该样本标签值。
27、进一步地，所述的各模块之间协同运行的方法如下：
28、调度智能体利用基本动作生成模块生成的基本动作与调制动作生成模块生成的调制动作，结合状态矩阵中项给出的对应未来各时间断面机组发电计划信息来计算调度智能体输出的调度动作：
29、（12）
30、（13）
31、式(12)中，为一个常数量，与分别表示时刻机组所能达到的有功功率上限及下限，由状态中的子项给出；式(13)中每个元素为调度智能体输出的调度动作，即台火电机组的有功出力标幺值；
32、样本生成与扩增模块生成的样本用于对调制动作生成模块中的调制网络以监督学习的形式进行参数训练；
33、所述的调制网络的损失函数计算如下：
34、（14）
35、式(14)中，为从原始样本集与扩增样本池中共随机抽样的样本个数，记第个样本的特征为，标签为，将输入到调制网络中，所得输出记为。
36、一种应用于上述的区域电网调度优化系统的优化方法，包括以下步骤：
37、（1）获取含电网网架结构、机组物理参数、发电计划及调度数据、新能源出力及负荷预测在内的拓扑及运行数据并构建电网调度模型，确定调度决策间隔时长，确定需进行调度的火电机组数量；
38、（2）基于历史运行数据构建原始样本集；
39、（3）基于二分k近邻法构建典型源荷场景集合；
40、（4）构建机组出力经济代价、支路潮流越限代价与系统功率不平衡代价，并构建系统代价函数；
41、（5）构建优化目标函数；
42、（6）通过调度智能体与电网调度模型进行本文档来自技高网...
【技术保护点】
1.一种区域电网调度优化系统，其特征在于，包括：基本动作生成模块、调制动作生成模块、样本生成与扩增模块；所述的基本动作生成模块、调制动作生成模块用于构成调度智能体，所述的样本生成与扩增模块用于辅助调度智能体训练；各模块之间协同运行；调度智能体通过与电网调度模型交互的方式进行训练；
2.根据权利要求1所述的区域电网调度优化系统，其特征在于，所述的基本动作的计算公式如下：
3.根据权利要求1所述的区域电网调度优化系统，其特征在于，所述的调制动作的计算公式如下：
4.根据权利要求1所述的区域电网调度优化系统，其特征在于，所述的样本生成与扩增模块的构建方法如下：
5.根据权利要求1所述的区域电网调度优化系统，其特征在于，所述的各模块之间协同运行的方法如下：
6.一种应用于权利要求1至5任一项所述的区域电网调度优化系统的优化方法，其特征在于，包括以下步骤：
7.根据权利要求6所述的优化方法，其特征在于，所述的构建机组出力经济代价，支路潮流越限代价与系统功率不平衡代价，并构建系统代价函数的方法如下：
8.根据
9.根据权利要求6所述的优化方法，其特征在于，所述的通过调度智能体与电网调度模型进行交互收集训练样本，并训练各模块中的深度神经网络的方法如下：
10.一种存储介质，存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行权利要求6至9任一项所述的优化方法的步骤。
...【技术特征摘要】
1.一种区域电网调度优化系统，其特征在于，包括：基本动作生成模块、调制动作生成模块、样本生成与扩增模块；所述的基本动作生成模块、调制动作生成模块用于构成调度智能体，所述的样本生成与扩增模块用于辅助调度智能体训练；各模块之间协同运行；调度智能体通过与电网调度模型交互的方式进行训练；
2.根据权利要求1所述的区域电网调度优化系统，其特征在于，所述的基本动作的计算公式如下：
3.根据权利要求1所述的区域电网调度优化系统，其特征在于，所述的调制动作的计算公式如下：
4.根据权利要求1所述的区域电网调度优化系统，其特征在于，所述的样本生成与扩增模块的构建方法如下：
5.根据权利要求1所述的区域电网调度优化系统，其特征在于，所述的各模块之...
【专利技术属性】
技术研发人员：吕凯，毛荀，董王朝，王桢，徐斌，汤伟，张千里，
申请(专利权)人：国网安徽省电力有限公司电力科学研究院，
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。