一种含光热发电的配电网分布式功率协调控制方法及装置与流程

1.本发明属于配电网功率协调控制技术领域，具体涉及一种含光热发电的配电网分布式功率协调控制方法及装置。


背景技术：

2.2020年，我国明确提出“碳达峰、碳中和”的国家能源战略目标，而支撑能源领域的低碳发展势必会向电网中接入大量的清洁可再生能源，其随机性、异构性和波动性会给电力系统的安稳运行带来巨大的挑战。而当前配电网的有功功率调节主要还是以响应自动发电控制(automatic generation control，agc)指令，单次下发调节信号为主，其调节精度差，响应速度慢，没有考虑新能源的波动性对调节精度的影响，难以完成精细化调节的要求，给电力系统的精细化控制带来不利影响，如何精准地对配电网中的发电单元进行控制，为电力系统提供稳定的电力支持，是“双碳”目标下电力系统发展过程中不可避免的研究难题。


技术实现要素：

3.本发明的目的在于提供一种含光热发电的配电网分布式功率协调控制方法及装置，以解决现有的含光热发电的配电网功率调节过程中存在的调节精度差，调节速度慢等问题。
4.为解决上述技术问题，本发明采用的技术方案如下：
5.本发明提供一种含光热发电的配电网分布式功率协调控制方法，包括：
6.根据含光热发电的配电网中发电单元的历史数据，对发电单元的发电功率进行实时预测，获取发电单元的功率预测值；所述发电单元包括光发电单元和热发电单元；
7.对所获取的发电单元的功率预测值进行校正，得到发电单元的有功功率反馈校正值；
8.对所得到的发电单元的有功功率反馈校正值进行聚类；
9.根据聚类结果确定参与agc的发电单元；
10.对参与agc的发电单元的有功功率进行分布式最优协调分配。
11.进一步的，所述根据含光热发电的配电网中发电单元的历史数据，对发电单元的发电功率进行实时预测，包括：
12.获取所述发电单元至少7天的历史有功功率数据和对应的历史天气数据，并对所获取的历史有功功率数据进行归一化处理；
13.基于lstm网络对每个发电单元建立功率预测模型，并采用所述发电单元的归一化后的历史有功功率数据对所述发电单元的功率预测模型进行训练，得到训练好的对应发电单元的功率预测模型；
14.将当前时刻的发电单元的有功功率输入对应的训练好的功率预测模型，得到该发电单元下一时刻的功率预测值。
15.进一步的，所述对所获取的发电单元的功率预测值进行校正，得到发电单元的有功功率反馈校正值，包括：
16.构建基于深度神经网络的误差补偿模型，得到修正后的有功功率误差值；
17.将当前时刻的发电单元的有功功率预测值与所得到的发电单元修正后的有功功率误差值进行叠加，得到发电单元的有功功率反馈校正值。
18.进一步的，所述构建基于深度神经网络的误差补偿模型，包括：
19.采用所述发电单元的历史天气数据和有功功率预测误差值为输入训练深度神经网络，得到误差补偿模型；所述有功功率预测误差值为历史有功功率数据与有功功率预测值之差。
20.进一步的，所述对所得到的发电单元的有功功率反馈校正值进行聚类，包括：
21.初始化隶属度矩阵，矩阵元素满足约束条件：
[0022][0023]
其中，μ
pj
表示第p个聚类中第j个样本的隶属度，c为聚类的总数量；样本指发电单元的有功功率反馈校正值；
[0024]
计算聚类中心：
[0025][0026]
其中，m∈[1,+∞]为加权系数，xj表示第j个样本；
[0027]
依据目标函数进行迭代计算：
[0028][0029]
其中，d
pj
＝||v
p-xj||为第j个样本到第p类聚类中心的距离；
[0030]
若相邻两次目标函数的改变量小于预设的迭代停止阈值ε，则迭代结束，按如下规则进行分类，否则更新隶属度矩阵，继续迭代；
[0031]
分类规则为：若μ
pj
≤max μ
1j
,...,μ
cj
，则判定该样本j属于第p类。
[0032]
进一步的，所述隶属度矩阵更新如下：
[0033][0034]
进一步的，所述根据聚类结果确定参与agc的发电单元，包括：
[0035]
如果第p类的聚类中心v
p
小于预设的最低调节能力阈值∏，则对应的发电单元不参与agc的指令响应，反之，则参与agc的指令响应。
[0036]
进一步的，所述对参与agc的发电单元的有功功率进行分布式最优协调分配，包括：
[0037]
对参与agc的发电单元，在每一个agc的调度周期内，建立如下的有功功率调节目标函数，通过在线滚动式式优化调节有功功率输出：
[0038][0039]
其中，n
p
为调度周期个数，a为实际参与agc功率调节的发电单元总数目，φi(t+l|t)为第i个发电单元的成本函数；
[0040]
有功功率调节目标函数需满足的约束条件为：
[0041]
φi(t+l|t)＝λi(t+l|t)pi(t+l|t)；
[0042][0043][0044]
其中，pi(t+l|t)为t时刻预测的第i个发电单元的t+l时刻的有功功率值，为t时刻预测的第i个发电单元的t+l时刻的有功功率反馈校正值，δp
agc
为由agc下发给含光热配电网的总有功功率调节量，λi(t+l|t)为t时刻预测的第i个发电单元的t+l时刻的功率分配权重；
[0045][0046]
通过在每个时刻对所述有功功率调节目标函数不断优化求解，得到发电单元的最优有功功率输出值，并下发最优指令至发电单元。
[0047]
本发明提供一种含光热发电的配电网分布式功率协调控制装置，包括：
[0048]
预测模块，用于根据含光热发电的配电网中发电单元的历史数据，对发电单元的发电功率进行实时预测，获取发电单元的功率预测值；所述发电单元包括光发电单元和热发电单元；
[0049]
校正模块，用于对所获取的发电单元的功率预测值进行校正，得到发电单元的有功功率反馈校正值；
[0050]
聚类模块，用于对所得到的发电单元的有功功率反馈校正值进行聚类；
[0051]
筛选模块，用于根据聚类结果确定参与agc的发电单元；
[0052]
分配模块，用于对参与agc的发电单元的有功功率进行分布式最优协调分配。
[0053]
进一步的，所述校正模块具体用于，
[0054]
采用所述发电单元的历史天气数据和有功功率预测误差值为输入训练深度神经网络，得到误差补偿模型；所述有功功率预测误差值为历史有功功率数据与有功功率预测值之差；
[0055]
将当前时刻的发电单元的天气数据和有功功率预测误差值输入训练好的误差补偿模型，得到修正后的有功功率误差值。
[0056]
将当前时刻的发电单元的有功功率预测值与所得到的发电单元的修正后的有功功率误差值进行叠加，得到发电单元的有功功率反馈校正值。
[0057]
进一步的，所述聚类模块具体用于，
[0058]
初始化隶属度矩阵，矩阵元素满足约束条件：
[0059][0060]
其中，μ
pj
表示第p个聚类中第j个样本的隶属度，c为聚类的总数量；样本指发电单元的有功功率反馈校正值；
[0061]
计算聚类中心：
[0062][0063]
其中，m∈[1,∞]为加权系数，xj表示第j个样本；
[0064]
依据目标函数进行迭代计算：
[0065][0066]
其中，d
pj
＝||v
p-xj||为第j个样本到第p类聚类中心的距离；
[0067]
若相邻两次目标函数的改变量小于预设的迭代停止阈值ε，则迭代结束，按如下规则进行分类，否则更新隶属度矩阵，继续迭代；
[0068]
分类规则为：若μ
pj
≤max μ
1j
,...,μ
cj
，则判定该样本j属于第p类；
[0069]
所述隶属度矩阵更新如下：
[0070][0071]
进一步的，所述筛选模块具体用于，
[0072]
如果第p类的聚类中心v
p
小于预设的最低调节能力阈值π，则对应的发电单元不参与agc的指令响应，反之，则参与agc的指令响应。
[0073]
进一步的，所述分配模块具体用于，
[0074]
对参与agc的发电单元，在每一个agc的调度周期内，建立如下的有功功率调节目标函数，通过在线滚动式式优化调节有功功率输出：
[0075][0076]
其中，n
p
为调度周期个数，a为实际参与agc功率调节的发电单元总数目，φi(t+l|t)为第i个发电单元的成本函数；
[0077]
有功功率调节目标函数需满足的约束条件为：
[0078]
φi(t+l|t)＝λi(t+l|t)pi(t+l|t)；
[0079][0080][0081]
其中，pi(t+l|t)为t时刻预测的第i个发电单元的t+l时刻的有功功率值，为t时刻预测的第i个发电单元的t+l时刻的有功功率反馈校正值，δp
agc
为由agc下发给含光热配电网的总有功功率调节量，λi(t+l|t)为t时刻预测的第i个发电单元的
t+l时刻的功率分配权重；
[0082][0083]
通过在每个时刻对所述有功功率调节目标函数不断优化求解，得到发电单元的最优有功功率输出值，并下发最优指令至发电单元。
[0084]
本发明所达到的有益技术效果：
[0085]
本发明提供一种含光热发电的配电网分布式功率协调控制方法，基于短期实时预测算法对含光热发电的配电网的功率调节潜力进行预估，并利用深度神经网络对预测值进行误差校正，解决了因新能源发电功率的不确定性和波动性引起的功率调节准确性差的问题。并且，在含光热发电的配电网响应agc指令的实时功率分配中，考虑了含光热发电的配电网中光、热发电单元的实际调节能力来设计相应的优化目标函数，保证了含光热发电的配电网功率调节的准确性和经济性。
附图说明
[0086]
图1是本发明实施例提供的一种含光热发电的配电网分布式功率协调控制方法流程图。
具体实施方式
[0087]
下面结合具体实施例对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
[0088]
如前所述，现有的含光热发电的配电网功率调节过程中存在调节精度差，调节速度慢等问题。
[0089]
为解决上述技术问题，本发明提供一种含光热发电的配电网分布式功率协调控制方法，包括：
[0090]
根据含光热发电的配电网中发电单元的历史数据，对发电单元的发电功率进行实时预测，获取发电单元的功率预测值；所述发电单元包括光发电单元和热发电单元；
[0091]
对所获取的发电单元的功率预测值进行校正，得到发电单元的有功功率反馈校正值；
[0092]
对所得到的发电单元的有功功率反馈校正值进行聚类；
[0093]
根据聚类结果确定参与agc的发电单元；
[0094]
对参与agc的发电单元的有功功率进行分布式最优协调分配。
[0095]
本发明的一个实施例提供的一种含光热发电的配电网分布式功率协调控制方法，如图1所示，具体实现过程如下：
[0096]
步骤一：根据含光热发电的配电网中光、热发电单元的历史数据，利用lstm网络对其发电功率进行实时预测，获取光、热发电单元的功率预测值；
[0097]
步骤二：基于步骤一获取的光、热发电单元的功率预测值，利用深度神经网络对功率预测值进行误差校正，得到光、热发电单元的有功功率反馈校正值，进而提高光、热发电单元的功率预测精度；
[0098]
步骤三：采用模糊c均值聚类分别对步骤二所得到的光、热发电单元的有功功率反馈校正值进行聚类；
[0099]
步骤四：根据聚类结果确定参与agc的光、热发电单元，并对参与agc的光、热发电单元的有功功率进行分布式最优协调分配。
[0100]
本实施例中，利用lstm网络对其发电功率进行实时预测，获取光、热发电单元的功率预测值，具体实现过程如下：
[0101]
步骤1-1：分别获取光、热发电单元至少7天的历史有功功率数据和对应的历史天气数据；
[0102]
步骤1-2：对所获取的历史有功功率数据进行归一化处理，如式(1)所述：
[0103][0104]
式(1)中，xi为第i个光或热发电单元的历史有功功率数据，x
min
为第i个光或热发电单元的历史有功功率数据的最小值，x
max
为第i个光或热发电单元的历史有功功率数据的最大值，x
ni
表示第i个光或热发电单元的归一化后的历史有功功率数据。
[0105]
步骤1-3：基于步骤1-2中归一化后的历史有功功率数据，基于lstm网络建立第i个光或热发电单元的发电功率预测模型，其中lstm网络训练过程中涉及的函数如下所示：
[0106]ft
＝sigmoid(wf·ht-1
+wf·
x
t
+bf)
ꢀꢀꢀ
(2)
[0107]it
＝sigmoid(wi·ht-1
+wi·
x
t
+bi)
ꢀꢀꢀ
(3)
[0108][0109][0110]ot
＝sigmoid(wo·ht-1
+wo·
x
t
+bo)
ꢀꢀꢀ
(6)
[0111]ht
＝o
t
⊙
tanh(c
t
)
ꢀꢀꢀ
(7)
[0112]
其中f
t
、i
t
、o
t
分别表示神经元的遗忘门、输入门、输出门的输出信号；表示神经元候选状态信息；c
t
表示神经元状态信息；h
t
表示神经元的隐状态；sigmoid()为s型激活函数；tanh()表示双曲正切激活函数；wf、wi、wc、wo分别表示遗忘门、输入门、记忆单元和输出门的权重；bf、bi、bc、bo分别表示遗忘门、输入门、记忆单元和输出门的偏置量；x
t
表示神经元输入序列值；
⊙
表示逐点乘法运算。
[0113]
lstm网络的训练损失函数如下式所示：
[0114][0115]
式(8)中，n表示预测结果数量，yi表示第i个光或热发电单元的归一化后的有功功率，表示第i个光或热发电单元的有功功率预测值。
[0116]
依据式(2)-(8)对第i个光或热发电单元的发电功率预测模型进行训练，得到未经反馈校正的功率预测模型。
[0117]
将当前时刻的光或热发电单元的有功功率输入相应的训练好的预测模型，得到下一时刻的功率预测值。
[0118]
本实施例中，利用深度神经网络对功率预测值进行误差校正，具体实现过程如下：
[0119]
步骤2-1：基于步骤1-1中获取的历史有功功率数据、历史天气数据、以及步骤1-3中的光或热发电单元的有功功率预测值，构建基于深度神经网络的误差补偿模型。
[0120]
具体地说，深度神经网络的输入数据为：第i个光或热发电单元的历史天气数据，第i个光或热发电单元的有功功率实际预测误差数据。其中，第i个光或热发电单元的有功功率实际预测误差数据通过下式获得：
[0121][0122]
式(9)中，ei为第i个光或热发电单元的有功功率实际预测误差数据，yi表示第i个光或热发电单元的有功功率真实值；表示采用上述预测模型得到的第i个光或热发电单元的有功功率预测值。
[0123]
步骤2-2：根据式(10)修正深度神经网络的权重值：
[0124][0125]
式(10)中，ei(k)、wi(k)、δwi(k)分别为深度神经网络的第k次权重更新时计算的误差值、权重矩阵和权重更新量，误差值计算：
[0126]ei
(k)＝yi(k)-yi'(k)
[0127]
(11)
[0128]
式(11)中，yi(k)、yi'(k)分别为深度神经网络的第k次权重更新时输出的有功功率误差值和实际预测误差值。
[0129]
采用历史数据进行训练，得到基于深度神经网络的误差补偿模型。
[0130]
将当前时刻的光或热发电单元的天气数据和有功功率实际预测误差值输入相应的训练好的误差补偿模型，得到修正后的有功功率误差值。
[0131]
步骤2-3：将基于步骤1-3得到的第i个光或热发电单元的发电功率预测值与基于步骤2-2得到的第i个光或热发电单元的有功功率误差值进行叠加，得到第i个光或热发电单元的有功功率反馈校正值：
[0132][0133]
式(12)中，yi为第i个光或热发电单元的有功功率反馈校正值。
[0134]
本实施例中，采用模糊c均值聚类分别对所得到的光和热发电单元的有功功率反馈校正值进行聚类，具体实现过程如下：
[0135]
步骤3-1：初始化隶属度矩阵s，矩阵元素满足约束条件：
[0136][0137]
其中，μ
pj
表示第p个聚类中第j个样本的隶属度，c为聚类的总数量；样本指光或热发电单元的有功功率反馈校正值；
[0138]
步骤3-2：计算聚类中心：
[0139][0140]
其中，m∈[1,∞]为加权系数；
[0141]
步骤3-3：依据目标函数进行迭代计算：
[0142][0143]
其中，d
pj
＝||v
p-xj||为第j个样本到第p类聚类中心的距离。
[0144]
步骤3-4：设定迭代停止阈值ε，若相邻两次目标函数的改变量小于ε，则迭代结束并转3-6，否则转至步骤3-5；
[0145]
步骤3-5：更新矩阵s，并返回步骤3-2；
[0146][0147]
步骤3-6：依据判别规则进行分类：若μ
pj
≤max μ
1j
,...,μ
cj
，则判定该样本j属于第p类。
[0148]
本实施例中，根据聚类结果确定参与agc的光、热发电单元，包括：
[0149]
依据预设的最低调节能力阈值π对步骤三中得到的聚类样本进行筛选，若第p类的聚类中心v
p
小于阈值π，则其对应的光或热发电单元不参与agc的指令响应过程，反之，则参与。最大程度地利用调节能力强、调节容量大的光或热发电单元进行功率调节控制。
[0150]
本实施例中，对参与agc的光、热发电单元的有功功率进行分布式最优协调分配，包括：
[0151]
步骤4-1：对参与agc的光、热发电单元，在每一个agc的调度周期内，建立有功功率调节目标函数，通过在线滚动式式优化调节其有功功率输出：
[0152][0153]
式(18)中，n
p
为调度周期个数，a为实际参与agc功率调节的光或热发电单元总数目，φi(t+l|t)为第i个光或热发电单元的成本函数。
[0154]
目标函数(18)的约束条件为：
[0155]
φi(t+l|t)＝λi(t+l|t)pi(t+l|t)
ꢀꢀꢀ
(19)
[0156][0157][0158]
其中，pi(t+l|t)为t时刻采用预测模型预测的第i个光或热发电单元的t+l时刻的有功功率值，为t时刻得到的第i个光或热发电单元的t+l时刻的有功功率反馈校正值，p
imin
(t+l|t)为第i个光或热发电单元的t+l时刻的有功功率最小值，δp
agc
为由agc下发给含光热配电网的总有功功率调节量，λi(t+l|t)为t时刻预测的第i个光或热发电单元的t+l时刻的功率分配权重。
[0159]
λi(t+l|t)由下式确定：
[0160][0161]
λi(t+l|t)跟光、热发电电源的实际调节能力有关，即剩余可调能力越大的发电单元，其系数越大，更倾向于参与agc的功率调节。
[0162]
步骤4-2：通过在每个时刻对目标函数(18)的不断优化求解并下发最优指令至光或热发电单元，实现光或热发电单元的有功功率的精准调节。
[0163]
通过本实施例提供的一种含光热发电的配电网分布式功率协调控制方法，可以基于短期实时预测算法对含光热发电的配电网的功率调节潜力进行预估，并利用深度神经网络对预测值进行误差校正，解决了因新能源发电功率的不确定性和波动性引起的功率调节准确性差的问题。并且，在含光热发电的配电网响应agc指令的实时功率分配中，考虑了光、热发电单元的实际调节能力来设计相应的优化目标函数，保证了含光热发电的配电网功率调节的准确性和经济性。
[0164]
本发明另一个实施例提供一种含光热发电的配电网分布式功率协调控制装置，包括：
[0165]
预测模块，用于根据含光热发电的配电网中发电单元的历史数据，对发电单元的发电功率进行实时预测，获取发电单元的功率预测值；所述发电单元包括光发电单元和热发电单元；
[0166]
校正模块，用于对所获取的发电单元的功率预测值进行校正，得到发电单元的有功功率反馈校正值；
[0167]
聚类模块，用于对所得到的发电单元的有功功率反馈校正值进行聚类；
[0168]
筛选模块，用于根据聚类结果确定参与agc的发电单元；
[0169]
分配模块，用于对参与agc的发电单元的有功功率进行分布式最优协调分配。
[0170]
本实施例中，校正模块具体用于，
[0171]
采用所述发电单元的历史天气数据和有功功率预测误差值为输入训练深度神经网络，得到误差补偿模型；所述有功功率预测误差值为历史有功功率数据与有功功率预测值之差；
[0172]
将当前时刻的发电单元的天气数据和有功功率预测误差值输入训练好的误差补偿模型，得到修正后的有功功率误差值。
[0173]
将当前时刻的发电单元的有功功率预测值与所得到的发电单元的修正后的有功功率误差值进行叠加，得到发电单元的有功功率反馈校正值。
[0174]
本实施例中，聚类模块具体用于，
[0175]
初始化隶属度矩阵，矩阵元素满足约束条件：
[0176][0177]
其中，μ
pj
表示第p个聚类中第j个样本的隶属度，c为聚类的总数量；样本指发电单元的有功功率反馈校正值；
[0178]
计算聚类中心：
[0179][0180]
其中，m∈[1,+∞]为加权系数，xj表示第j个样本；
[0181]
依据目标函数进行迭代计算：
[0182][0183]
其中，d
pj
＝||v
p-xj||为第j个样本到第p类聚类中心的距离；
[0184]
若相邻两次目标函数的改变量小于预设的迭代停止阈值ε，则迭代结束，按如下规则进行分类，否则更新隶属度矩阵，继续迭代；
[0185]
分类规则为：若μ
pj
≤max μ
1j
,...,μ
cj
，则判定该样本j属于第p类；
[0186]
所述隶属度矩阵更新如下：
[0187][0188]
本实施例中，筛选模块具体用于，
[0189]
如果第p类的聚类中心v
p
小于预设的最低调节能力阈值∏，则对应的发电单元不参与agc的指令响应，反之，则参与agc的指令响应。
[0190]
本实施例中，分配模块具体用于，
[0191]
对参与agc的发电单元，在每一个agc的调度周期内，建立如下的有功功率调节目标函数，通过在线滚动式式优化调节有功功率输出：
[0192][0193]
其中，n
p
为调度周期个数，a为实际参与agc功率调节的发电单元总数目，φi(t+l|t)为第i个发电单元的成本函数；
[0194]
有功功率调节目标函数需满足的约束条件为：
[0195]
φi(t+l|t)＝λi(t+l|t)pi(t+l|t)；
[0196][0197][0198]
其中，pi(t+l|t)为t时刻预测的第i个发电单元的t+l时刻的有功功率值，为t时刻预测的第i个发电单元的t+l时刻的有功功率反馈校正值，δp
agc
为由agc下发给含光热配电网的总有功功率调节量，λi(t+l|t)为t时刻预测的第i个发电单元的t+l时刻的功率分配权重；
[0199][0200]
通过在每个时刻对所述有功功率调节目标函数不断优化求解，得到发电单元的最
优有功功率输出值，并下发最优指令至发电单元。
[0201]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0202]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0203]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0204]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0205]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。