一种微电网调度方法和系统与流程

1.本发明属于电力领域，尤其涉及一种微电网调度方法和系统。


背景技术：

2.微电网的有功优化调度问题本质上是一种非线性、多约束、多目标的复杂系统优化问题。由于考虑因素不同，传统的基于物理模型的优化调度方法的研究方向大致可分为不确定性优化、多目标优化、考虑多种约束条件和决策变量优化等几类。微电网物理结构、电源形式丰富、电源侧和负荷侧不确定性强，涉及的实际运行场景众多，基于人工智能模型的微电网运行控制策略的生成需要极大数量的运行数据作为支撑，但是实际运行数据存在数据量庞大、数据质量差、与运行控制需求不匹配等问题。


技术实现要素：

3.为了解决或者改善上述问题，本发明提供了一种微电网调度方法和系统，具体技术方案如下：
4.本发明提供一种微电网调度方法，包括：根据微电网的属性，设置对应的输入输出参数；根据所述输入输出参数建立预制数学模型；通过所述微电网的真实运行数据和所述预制数学模型，获取运行数据样本；基于所述运行数据样本构建对应的调度模型；根据所述微电网的实时运行数据和所述调度模型输出调度信息。
5.优选的，所述根据微电网的属性，设置对应的输入输出参数包括：根据所述微电网的发电设备、用电负荷、存储设备、工作环境和系统结构设置对应的输入参数；根据所述微电网的电能输出、储能功率和电网交换功率，设置对应的输出参数。
6.优选的，所述根据所述输入输出参数建立预制数学模型包括：以所述输入输出参数作为所述预制数学模型的输入输出参数；以经济调度参数、环境影响参数和安全运行风险参数作为所述预制数学模型的目标函数；以发电设备约束参数、用电负荷约束参数、存储设备约束参数和系统约束参数作为所述预制数学模型的约束条件。
7.优选的，所述通过所述微电网的真实运行数据和所述预制数学模型，获取运行数据样本包括：将所述微电网的真实运行数据输入所述预制数学模型，得到关于不同参数组合的所述运行数据样本。
8.优选的，所述基于所述运行数据样本构建对应的调度模型包括：基于离散时间步长的马尔可夫决策过程描述所述预制数学模型；根据所述运行数据样本，构造基于监督学习的所述调度模型。
9.优选的，方法还包括：基于强化学习优化所述调度模型。
10.优选的，所述构造基于监督学习的所述调度模型，包括：基于xgboost、gbdt和随机森林中的至少一项，构造所述调度模型。
11.优选的，所述基于强化学习优化所述调度模型包括：收集所述微电网的当前运行状态信息、上一时刻状态信息和对应的策略回报值，以形成经验样本；通过所述经验样本训
练所述调度模型以更新对应参数。
12.本发明提供一种微电网调度系统，包括：第一单元，用于根据微电网的属性，设置对应的输入输出参数；第二单元，用于根据所述输入输出参数建立预制数学模型；第三单元，用于通过所述微电网的真实运行数据和所述预制数学模型，获取运行数据样本；第四单元，用于基于所述运行数据样本构建对应的调度模型；第五单元，用于根据所述微电网的实时运行数据和所述调度模型输出调度信息。
13.本发明的有益效果为：根据微电网的属性，设置输入输出参数以建立预制数学模型，能够结合微电网的属性提高数据处理的适用性；通过真实运行数据获取运行数据样本以构建调度模型，能提出合适的调度模型；根据实时运行数据和调度模型输出调度信息。
附图说明
14.图1是根据本发明的微电网调度方法的示意图；
15.图2是根据本发明的微电网调度系统的示意图。
16.主要附图标记说明：
17.1-第一单元，2-第二单元，3-第三单元，4-第四单元，5-第五单元。
具体实施方式
18.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
19.应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
20.还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
21.还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
22.为了解决或者改善电力系统的网络安全问题，提出如图1所示的一种微电网调度方法，包括：s1、根据微电网的属性，设置对应的输入输出参数；s2、根据所述输入输出参数建立预制数学模型；s3、通过所述微电网的真实运行数据和所述预制数学模型，获取运行数据样本；s4、基于所述运行数据样本构建对应的调度模型；s5、根据所述微电网的实时运行数据和所述调度模型输出调度信息。
23.微电网的属性包括发电环节、传输环节和用电环节，各个环节都具备各自的输入和输出，将根据微电网的属性设置具体的输入参数、输出参数以描述发电环节、传输环节和用电环节的运行状态。能够将微电网的运行转换成对应的数值，以便于进行后续的数据处理。
24.学术上有很多数据处理的数学模型，可以根据经验选择合适的数学模型，然后以
微电网对应的输入输出参数作为数学模型的输入输出，形成预制数学模型。
25.采集需要解析的微电网的实际运行数据，得到真实运行数据，通过预制数学模型处理真实运行数据，预制数学模型输出对应的运行数据样本。通过运行数据样本能够说明真实运行数据的内在逻辑，即微电网的调度逻辑。
26.进一步通过运行数据样本构建对应的调度模型，来将微电网的调度逻辑进行数值化。
27.真实运行数据是微电网的运行数据的记录，而实时运行数据则是即时的运行数据，将即时的运行数据带入调度模型，输出调度信息，调度信息为调度逻辑的数值，可以用于评价调度结果和指导调度行为。
28.所述根据微电网的属性，设置对应的输入输出参数包括：根据所述微电网的发电设备、用电负荷、存储设备、工作环境和系统结构设置对应的输入参数；根据所述微电网的电能输出、储能功率和电网交换功率，设置对应的输出参数。
29.所述根据所述输入输出参数建立预制数学模型包括：以所述输入输出参数作为所述预制数学模型的输入输出参数；以经济调度参数、环境影响参数和安全运行风险参数作为所述预制数学模型的目标函数；以发电设备约束参数、用电负荷约束参数、存储设备约束参数和系统约束参数作为所述预制数学模型的约束条件。
30.具体来说，建立预制数学模型的原理或步骤包括：
31.根据微电网的结构、电力连接关系，确定微电网通用的输入输出参数(在实际的数据处理时会将输入输出参数进行向量化)，输入参数通常包含柴油机组、燃气机组、燃料电池机组、小水电机组、风电机组、光伏机组、可调节负荷、可中断负荷、储能机组、以及环境及系统相关向量，xi为柴油机组的输入参数，参数包含柴油机组的数量、燃料成本参数、启动成本、停机成本、上一时段柴油机组的出力、最短启动时间、最短停机时间、初始运行时间、初始停运时间、初始运行状态；xj为微型燃气轮机机组的输入参数，参数包含微型燃气轮机机组的数量、工作效率、天然气的价格、低热值；xk为燃料电池机组的输入参数，参数包含燃料电池机组的数量、工作效率；xs为小水电机组的输入参数，参数包含小水电机组的数量、维护成本、单位运行成本、单位电价补偿、经济发电功率；xw为风电机组的输入参数，参数包含风电机组的数量、单位弃风补偿电价；xv为光伏机组的输入参数，参数包含风电机组的数量、单位弃风补偿电价；xf为可调节负荷的输入参数，参数包含可调节负荷的数量、单位损失成本；xh为可中断负荷的输入参数，参数包含可中断负荷的数量、单位损失成本；xm为储能设备的输入参数，参数包含储能的数量、充电效率、放电效率、充放电成本、最大容量、最大最小荷电状态；xn为与环境影响相关的输入参数，参数包括污染物的种类、治理污染物的费用和排污系数；x
p
为与系统相关的输入参数，参数包括大电网的购售电价、微网与大电网联络线交换功率的上下限、目标函数的权重向量、固定联络线功率控制二进制参数、固定联络线功率数值。
32.输出参数中的参数包括各柴油机组、微型燃气轮机机组、燃料电池机组、小水电机组等可控机组的出力，以及风电机组弃风功率、光伏机组弃光功率、储能设备的充放电功率、微电网与大电网的交换功率。
33.考虑经济调度、环境影响、安全运行风险系数三个目标，可以确定目标函数：min f＝ω1·
f1+ω2·
f2+ω3·
f3，其中，f为总目标函数，ω1、ω2、ω3为权重，f1、f2、f3为三个目标
函数。
34.微电网有功经济优化调度目标函数考虑柴油机组的运行成本、启动成本和停机成本，燃气轮机机组的运行成本，燃料电池机组的运行成本，小水电机组的运行成本，风电机组的弃电成本，光伏机组的弃电成本，可调节负荷和可削减负荷的成本，储能元件的退化成本，微电网系统与大电网之间的购售电成本等，给出以经济调度为目标的函数表达式。
35.环境成本主要考虑碳排放以及其它污染气体及颗粒物排放对环境的影响，主要考虑微电网中的可控分布式发电机组污染物的排放，可再生能源和能源储存造成的污染物排放认为是零，需要使微电网对于排污花费的费用越小越好。光伏和风电属于清洁能源，但是作为微电源，它具有不可控性，很容易受气候影响。但是微电网系统中含有这两种电源，所以会影响整个系统的稳定性，而储能系统的备用容量可以增加系统的稳定性，微电网系统运行风险系数越小越好。
36.最后，确定约束条件，包括可控分布式发电机组约束(可控分布式发电机组的爬坡约束、可控分布式发电机组的出力约束、柴油机组的机组状态指示变量约束、最小启停时间约束等)、可再生能源机组约束(风电机组和光伏发电机组的运行约束等)、负荷元件约束(可调节负荷和可中断负荷的上下限约束等)、储能元件约束(储能元件充放电状态约束、储能元件充放电功率的上下限约束、储能元件的容量约束等)、以及系统约束(微电网系统与外部电网联络线功率约束、功率平衡约束等)，形成通用的微电网的预制数学模型，为之后基于监督学习的有功调度离线训练提供监督模型。
37.基于所述运行数据样本构建对应的调度模型的原理包括：基于离散时间步长的马尔可夫决策过程描述所述预制数学模型；根据所述运行数据样本，构造基于监督学习的所述调度模型。
38.方法还包括：基于强化学习优化所述调度模型。
39.所述构造基于监督学习的所述调度模型，包括：基于xgboost、gbdt和随机森林中的至少一项，构造所述调度模型。
40.微电网的预制数学模型为特定的微电网提供了一系列的输入、输出数据集，通过输入微电网真实机组的运行数据，生成相应时刻的机组组合状态与可控分布式发电系统的出力、微电网与电网交互的电量、储能电池的充电功率和放电功率、风电机组和光伏的实际出力、可调节负荷的负荷调节量和可中断负荷的负荷削减量，这些不同的参数组合对应的数据集合，为微电网有功调度离线训练提供大量的监督学习模型样本，形成离线训练样本库。
41.在监督学习模型的离线训练样本库构建的基础上，构建离线训练模型。具体地，先将微电网实时有功优化调度描述为离散时间步长的马尔可夫决策过程，包括环境、智能体、状态、动作、状态转移、奖励、动作价值函数的具体表达，接着基于所构建的微电网有功调度相关的离线训练样本库得到监督学习模型，构造xgboost、gbdt、随机森林等基于监督学习的人工智能模型，即调度模型。
42.最终实现输入当前微电网实时运行数据后，实时生成微电网有功优化调度的动作决策信息。
43.所述基于强化学习优化所述调度模型包括：收集所述微电网的当前运行状态信息、上一时刻状态信息和对应的策略回报值，以形成经验样本；通过所述经验样本训练所述
调度模型以更新对应参数。
44.基于ddpg等强化算法的微电网有功优化调度的学习流程：
45.收集当前微电网运行状态信息，以及上一时刻回报值和状态信息，形成样本单元存入数据池中。从样本存储数据池中重采样d个样本单元(s
t
,a
t
,r
t
,s
t+1
),(t＝1,2,l,d)存入经验池用于训练，即经验样本回放，以此来打破数据之间地关联性。
46.优化过程中，首先，根据当前未更新的目标网络参数计算动作预估值以及相应的目标评价值，得到评价网络训练的损失函数l，更新主评价网络的参数。然后，更新主策略网络的参数、目标网络的策略网络和评价网络的参数。通过训练深度神经网络，更新主网络和目标网络的参数。当前网络的参数是随着训练而不断更新的，目标网络不进行训练，它的参数是一段时间前的当前网络的参数。根据更新后的目标网络得到当前动作值，并输出到主动配电网中潮流控制模块和各个微电网控制模块。采集t+1时刻微电网的状态信息s
t+1
作为新的样本，并进行下一个时刻的学习和计算。ddpg优化过程运用深度卷积神经网络处理微电网运行数据，具有强大的自主寻优能力。
47.本发明提供如图2的一种微电网调度系统，包括：第一单元1，用于根据微电网的属性，设置对应的输入输出参数；第二单元2，用于根据所述输入输出参数建立预制数学模型；第三单元3，用于通过所述微电网的真实运行数据和所述预制数学模型，获取运行数据样本；第四单元4，用于基于所述运行数据样本构建对应的调度模型；第五单元5，用于根据所述微电网的实时运行数据和所述调度模型输出调度信息。
48.本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
49.在本技术所提供的实施例中，应该理解到，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元可结合为一个单元，一个单元可拆分为多个单元，或一些特征可以忽略等。
50.最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。