配网侧分布式储能优化调度方法、存储介质与流程

1.本发明涉及分布式储能技术领域，尤其涉及一种配网侧分布式储能优化调度方法、存储介质。


背景技术：

2.近年来，随着储能技术的进步和单位成本的下降，国内的分布式储能取得了迅速发展。分布式储能一方面可以在风电、光伏大发时期和负荷低谷期充电，一方面在负荷高峰时期放电，从而能够有效支撑新能源消纳和快速响应电力系统供需平衡。配电网运营者可以对分布式储能进行集中运营管控，并向分布式储能的业主支付补偿费用。随着越来越多的分布式发电和分布式储能渗透到配电网中，配电网潮流由传统的单向流动转变为双向流动，对配电网的安全运行形成了挑战。另一方面，新能源接入具有波动性和间歇性，也会增大配电网的安全运行难度。例如，当配电网中的储能为了响应系统信号同时充电或放电时，有可能造成配网局部节点的电压幅值越限或变压器功率越限，影响配电网安全运行。因此，分布式储能的调度策略需要在提升储能的运行效益的同时满足配电网的安全运行约束。由于配电网具有高电阻特性，对配电网采用传统的直流潮流模型误差较大，而交流潮流模型虽然能够比较准确的反映电流电压等变量的运行约束，但是非线性程度高，求解复杂，并且配电网等值模型的线路参数并不易获得。


技术实现要素：

3.本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的第一个目的在于提出一种配网侧分布式储能优化调度方法，以简单精确地获取配电网安全约束条件。
4.本发明的第二个目的在于提出一种计算机可读存储介质。
5.为达到上述目的，本发明第一方面实施例提出了一种配网分布式储能优化调度方法，所述配网包括分布式储能、分布式电源、配网节点、配网线路和配网变压器，所述方法包括以下步骤：获取多个历史时刻的配网数据和对应的变量数据，并根据所述变量数据得到各历史时刻配电网的安全裕度数据，其中，所述配网数据包括所述分布式储能的功率、所述分布式电源的出力、市场电价、用电负荷，所述变量数据包括节点电压、线路电流和变压器功率，所述安全裕度数据包括电压安全裕度值、电流安全裕度值和负载安全裕度值；建立表征配电网安全运行边界的深度神经网络模型，其中，所述深度神经网络模型的输入为储能的功率、电源的出力、市场电价和用电负荷，输出为电压安全裕度值、电流安全裕度值和负载安全裕度值；利用所述配网数据和所述安全裕度数据，训练所述深度神经网络模型并得到配电网安全约束条件；结合所述配电网安全约束条件，构建内嵌配电网安全约束的储能约束条件和储能成本收益函数；根据所述储能约束条件和所述储能成本收益函数，建立并求解储能优化调度的混合整数线性规划模型。
6.为达到上述目的，本发明第二方面实施例提出了一种计算机可读存储介质。
7.本发明实施例的配网侧分布式储能优化调度方法、存储介质，可以首先获取多个历史时刻的配网数据和对应的变量数据，并根据所述变量数据得到各历史时刻配电网的安全裕度数据，其次建立表征配电网安全运行边界的深度神经网络模型，从而利用上述历史时刻的配网数据和对应的变量数据对深度神经网络模型进行训练，以及利用训练好的深度神经网络模型得到配电网安全约束条件。由此，可以简单精确地获取配电网安全约束条件。在得到配电网安全约束条件后，即可结合配电网安全约束条件对配网侧分布式储能进行优化。
8.本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
9.图1是本发明一个实施例的配网侧分布式储能优化调度方法的流程图；
10.图2是本发明一个示例的配电网的示意图；
11.图3是本发明一个实施例的深度神经网络模型的示意图。
具体实施方式
12.下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
13.下面参考附图描述本发明实施例的配网侧分布式储能优化调度方法、存储介质。
14.图1是本发明一个实施例的配网分布式储能优化调度方法的流程图。
15.在本发明实施例中，配网包括分布式储能、分布式电源、配网节点、配网线路和配网变压器。
16.如图1所示，配网侧分布式储能优化调度方法包括：
17.s11，获取多个历史时刻的配网数据和对应的变量数据，并根据变量数据得到各历史时刻配电网的安全裕度数据，其中，配网数据包括分布式储能的功率、分布式电源的出力、市场电价、用电负荷，变量数据包括节点电压、线路电流和变压器功率，安全裕度数据包括电压安全裕度值、电流安全裕度值和负载安全裕度值。
18.参见如图2所示的具体示例，配电网中包括光电厂、风电厂等分布式电源，还包括分布式的es(energy storage，储能)。配电网运营者监测配电网中的一部分关键节点、线路的电压、电流和变压器的功率，记配电网运营者监控的配网节点集合为n
bus
、配网线路集合为n
branch
、配网变压器集合为n
transfo
。记配电网中的分布式储能的集合为n
es
，配电网中的分布式电源的集合为n
dg
。由此，可获取分布式储能的功率(假设放电为正，充电为负)、分布式电源的出力市场电价用电负荷以及节点电压线路电流变压器功率并记该获取的数据对应的所有历史时刻集合为t∈n
t
。上述为历史t时刻节点i的电压，上述为历史t时刻线路j的电流，上述为历史t时刻变压器m的功率。
19.在获取得到上述数据之后，通过下式分别得到t时刻配电网的电压安全裕度值电流安全裕度值和负载安全裕度值
[0020][0021][0022][0023]
其中，v
max
和v
min
分别为电压上限值和电压下限值，i
j，max
为线路j的电流上限值，p
m，max
为变压器m的负载功率上限值。
[0024]
由此，可以实现获取历史上的配网数据和变量数据，进而根据变量数据获取同一时刻的配网数据对应的电压安全裕度值、电流安全裕度值和负载安全裕度值。
[0025]
s12，建立表征配电网安全运行边界的深度神经网络模型，其中，深度神经网络模型的输入为储能的功率、电源的出力、市场电价和用电负荷，输出为电压安全裕度值、电流安全裕度值和负载安全裕度值。
[0026]
具体地，参见图3，该深度神经网络模型包括依次连接的输入层、第一隐含层、激活层、第二隐含层和输出层，第一隐含层和第二隐含层的总层数为l，各层的神经元数为n
l
，激活层的激活函数为relu(x)。
[0027]
其中，上述第一隐含层与第二隐含层总共包括：隐含层1、隐含层2、
…
、隐含层l。上述各层间神经元权重的矩阵关系如下：
[0028][0029]
x1＝w1·yin
+b1，
[0030]y1，k
＝max{x
1，k
，0}，k＝1，2，3，...，n1[0031]
x2＝w2·
y1+b2，
[0032]y2，k
＝max{x
2，k
，0}，k＝1，2，3，...，n2[0033]
…
[0034][0035]
其中，为历史t时刻分布式储能s的功率，为历史t时刻分布式电源n的出力，为历史t时刻配网的总用电负荷，为历史t时刻的市场电价，y
in
为深度神经网络模型的输入，x1为隐含层1的输入，w
l
，l＝1，2，...，l和b
l
，l＝1，2，...，l分别为n
l
×nl-1
维和n
l
×
1维的神经网络线性参数矩阵和偏倚向量，y
l，k
为隐含层l第k个神经元的权重，x
l，k
为隐含层l第k个神经元的输入，x2为隐含层2的输入，y1为隐含层1的输出，y
′
out
为深度神经网络模型的输出。
[0036]
由此，可以构建输入为配网数据，输出为电压安全裕度值、电流安全裕度值和负载安全裕度值的深度神经网络模型。
[0037]
s13，利用配网数据和安全裕度数据，训练深度神经网络模型并得到配电网安全约束条件。
[0038]
具体地，该利用配网数据和安全裕度数据，训练深度神经网络模型并得到配电网安全约束条件，包括如下步骤：
[0039]
步骤3-1，建立深度神经网络模型的损失函数。
[0040]
具体地，损失函数通过下式表示：
[0041][0042]
其中，f
dnn
(y
in
|w，b)表示深度神经网络模型的预测输出值，y
out
为实际输出值。
[0043]
步骤3-2，随机初始化神经网络参数w
l
和b
l
，l＝1，2，...，l。
[0044]
步骤3-3，从配网数据和安全裕度数据中随机抽取若干组数据构成训练数据集n
batch
，对应的数据标注为将训练数据集中的训练数据输入至深度神经网络模型，并采用前向传播算法计算各层的输入x
l
和输出y
l
。
[0045]
其中，上述训练数据集的获取方式为：获取上述步骤s11中得到的配网数据以及与其对应的电压安全裕度值、电流安全裕度值和负载安全裕度值，从中随机抽取若干组构成训练数据集n
batch
，
[0046]
步骤3-4，通过反向传播算法得到令损失函数最小化的w
l
和b
l
。
[0047]
步骤3-5，重复步骤3-3和3-4直至损失函数不再降低，并将此时的w
l
和b
l
分别记为和得到训练好的深度神经网络模型。
[0048]
步骤3-6，根据训练好的深度神经网络模型，得到一组混合整数线性形式的配电网安全约束条件。
[0049]
具体地，获取待优化时刻的配网数据；将待优化时刻的配网数据输入至训练好的深度神经网络模型，得到一组混合整数线性形式的配电网安全约束条件，如下：
[0050][0051]y1，k
＝max{x
1，k
，0}k＝1，2，3，...，n1[0052][0053]y2，k
＝max{x
2，k
，0}，k＝1，2，3，...，n2[0054]
…
[0055][0056]
其中，为待优化t时刻分布式储能s的功率，为待优化t时刻分布式电源n的出力，为待优化t时刻配网的总用电负荷，为待优化t时刻的市场电价，形如y＝max{x，0}的约束条件采用以下标准形式：
[0057]
y≥x，y≥0，y≤x+g
·
(1-c)，y≤g
·
c，c为0-1整数变量，g为充分大的正实数。
[0058]
需要说明的是，在该步骤3-6中，由于待优化时刻还没有发生，所以来自预设数据。
[0059]
由此，可以实现利用步骤s11中获取的数据对步骤s12中构建的模型进行训练，得到训练好的深度神经网络模型，从而根据训练好的深度神经网络模型得到配电网安全约束
条件。
[0060]
s14，结合配电网安全约束条件，构建内嵌配电网安全约束的储能约束条件和储能成本收益函数。
[0061]
步骤4-1，构建储能电量的动态方程：
[0062][0063]
其中，e
s，t
为储能s在待优化t时刻的电量，ηc与ηd分别为储能的充电效率和放电效率，δt为优化调度的时间颗粒度，优化调度变量和分别为储能s在待优化t时刻的充电功率和放电功率。δt的取值范围为10min～20min，通常为15min。
[0064]
由此，可以实现构建分布式储能的运行模型。
[0065]
步骤4-2，构建储能的充放电功率和电量的运行约束条件如下：
[0066][0067][0068][0069][0070]
其中，为储能s在待优化t时刻的充放电状态，取0-1变量，为储能s的功率容量，为储能s的最大电池能量。
[0071]
由此，可以实现利用该运行约束条件对储能的充放电功率和电量进行约束。
[0072]
步骤4-3，构建储能充放电功率的安全约束条件如下：
[0073][0074][0075]
以及混合整数线性形式的配电网安全约束条件。该混合证书线性形式的配电网安全约束条件即为上述步骤s13中的步骤3-6中得到的条件。
[0076]
由此，可以实现利用该安全约束条件对储能的充放电功率进行约束。
[0077]
步骤4-4，构建储能充放电功率的循环寿命折损成本如下：
[0078][0079]
其中，e
s，τ
为e
s，t
在1，
…
，t上的第τ个极点，cs为e
s，t
极点的集合，为储能s的电池投资成本，k
p
为拟合曲线常数，为储能的满循环失效次数。上述k
p
的取值范围为0.8～2.1。该表达式可通过线性拟合的方式转化为一般的线性形式。
[0080]
步骤4-5，构建分布式储能的新能源消纳收益如下：
[0081][0082]
其中，为所有分布式储能t时刻在配电网内消纳的新能源电量，λ
re
为新能源消纳的单位电量收益式。
[0083]
构建储能在电力市场中的充放电套利收益如下：
[0084][0085]
s15，根据储能约束条件和储能成本收益函数，建立并求解储能优化调度的混合整数线性规划模型。
[0086]
根据循环寿命折损成本、新能源消纳收益和充放电套利收益，得到储能充放电优化调度的目标函数；根据运行约束条件和安全约束条件，将目标函数转化为混合整数线性规划模型并求解，得到优化后的分布式储能的充电功能功率和放电功率。
[0087]
其中，上述目标函数通过下式表示：
[0088]
max(f
ea
+f
re-f
rc
)。
[0089]
综上，本发明实施例的配网侧分布式储能优化调度方法，可以首先获取多个历史时刻的配网数据和对应的变量数据，并根据所述变量数据得到各历史时刻配电网的安全裕度数据，其次建立表征配电网安全运行边界的深度神经网络模型，从而利用上述历史时刻的配网数据和对应的变量数据对深度神经网络模型进行训练，以及利用训练好的深度神经网络模型得到配电网安全约束条件。由此，可以简单精确地获取配电网安全约束条件。在得到配电网安全约束条件后，即可结合配电网安全约束条件对配网侧分布式储能进行优化。而且，通过本发明提出的深度神经网络模型，相较于相关技术中的技术方案，可以使模型复杂度明显降低，同时由于不依赖于精细化的配电网模型参数，更加实际电网场景下的运行调控需求。而且，本发明还可以将数据驱动的神经网络方程直接转化成优化问题的约束条件，因此不需要了解配电网本身的线路参数就可以实现考虑配电网运行状态的优化，实现了针对配电网双向潮流的复杂性和新能源接入的波动性、间歇性，将分布式储能的充放电控制指令对配电网安全运行影响的非线性约束条件转化为深度神经网络中的映射关系，从而实现对储能优化调度模型的快速求解，并且不需要依赖配电网的精细化模型参数。
[0090]
进一步地，本发明提出一种计算机可读存储介质。
[0091]
在本发明实施例中，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时，实现上述的配网侧分布式储能优化调度方法。
[0092]
本发明实施例的计算机可读存储介质，在其上的计算机程序被处理器执行时，可以首先获取多个历史时刻的配网数据和对应的变量数据，并根据所述变量数据得到各历史时刻配电网的安全裕度数据，其次建立表征配电网安全运行边界的深度神经网络模型，从而利用上述历史时刻的配网数据和对应的变量数据对深度神经网络模型进行训练，以及利用训练好的深度神经网络模型得到配电网安全约束条件。由此，可以简单精确地获取配电网安全约束条件。在得到配电网安全约束条件后，即可结合配电网安全约束条件对配网侧分布式储能进行优化。而且，通过本发明提出的深度神经网络模型，相较于相关技术中的技术方案，可以使模型复杂度明显降低，同时由于不依赖于精细化的配电网模型参数，更加实际电网场景下的运行调控需求。而且，本发明还可以将数据驱动的神经网络方程直接转化
成优化问题的约束条件，因此不需要了解配电网本身的线路参数就可以实现考虑配电网运行状态的优化，实现了针对配电网双向潮流的复杂性和新能源接入的波动性、间歇性，将分布式储能的充放电控制指令对配电网安全运行影响的非线性约束条件转化为深度神经网络中的映射关系，从而实现对储能优化调度模型的快速求解，并且不需要依赖配电网的精细化模型参数。
[0093]
需要说明的是，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0094]
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0095]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0096]
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0097]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0098]
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等
术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
[0099]
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
[0100]
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。