太阳能光伏发电系统中的电网并网控制方法及其控制系统与流程

本发明涉及电网并网控制，具体是太阳能光伏发电系统中的电网并网控制方法及其控制系统。

背景技术：

1、光伏发电系统逐渐成为一种清洁、绿色、可再生的能源，已广泛应用于全球各地的电力系统中。随着光伏发电技术的不断发展，其在电网中的规模不断扩大，但同时也带来了电网安全方面的挑战。特别是在低电荷和高电荷期间，由于光伏发电系统的不可预测性和变化性，会导致电网发生巨大波动，从而影响电网的安全稳定运行；因此，为了解决这些问题，需要一种实时动态调节并网的功率值的技术。

2、为此，本发明提出太阳能光伏发电系统中的电网并网控制方法及其控制系统。

技术实现思路

1、本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出太阳能光伏发电系统中的电网并网控制方法及其控制系统，动态保证了在电网并网过程中的电能稳定性，避免了光伏发电的波动性导致无法并网的问题。

2、为实现上述目的，根据本发明提出太阳能光伏发电系统中的电网并网控制方法，包括以下步骤：

3、步骤一：预先收集光伏发电历史数据以及电网并网历史数据；所述光伏发电历史数据包括历史环境数据、历史电力数据以及历史储能数据；

4、步骤二：根据历史环境数据以及历史电力数据，训练出根据历史环境数据预估的未来发电功率曲线的神经网络模型；将该神经网络模型标记为m1；

5、步骤三：根据历史电力数据中的历史耗电数据，训练循环神经网络模型，生成对未来的耗电数据进行预估的预估耗电曲线；将该循环神经网络模型标记为m2；

6、步骤四：根据历史电力数据以及历史储能数据，构建出训练第一深度强化学习模型的第一四元组集合；

7、步骤五：将第一四元组集合作为深度强化学习模型的输入，训练出根据未来发电功率曲线以及预估耗电曲线，实时决策是否进行电网并网的第一深度强化学习模型；将第一深度强化学习模型标记为s1；

8、步骤六：根据历史电力数据，生成剩余电力曲线；

9、步骤七：根据剩余电力曲线以及电网并网历史数据，构建出训练第二深度强化学习模型的第二四元组集合；

10、步骤八：将第二四元组集合作为第二深度强化学习模型的输入，训练出在电网并网时，根据光伏发电系统的剩余电力曲线以及电网并网历史数据，实时决策存储的功率值或释放的功率值的第二深度强化学习模型，以保证并网功率的稳定；将第二深度强化学习模型标记为s2；

11、步骤九：基于神经网络模型、循环神经网络模型m2、第一深度强化学习模型和第二深度强化学习模型，对光伏发电系统生成是否进行电网并网决策以及在并网时生成存储的功率值或释放的功率值的决策；

12、其中，所述历史环境数据包括光伏发电系统所处历史环境中的历史温度曲线、历史光照强度曲线以及历史湿度曲线；

13、其中，所述历史电力数据包括光伏发电系统在对应的历史环境下，所产生的历史的发电功率曲线以及耗电功率曲线；

14、其中，所述历史储能数据包括光伏发电系统中的储能电源的剩余电量曲线；

15、其中，所述电网并网历史数据包括在光伏发电系统进行电网并网时，储能电源实时存储或释放的并网功率曲线；

16、训练出根据历史环境数据预估的未来发电功率曲线的神经网络模型的方式为：

17、将历史环境数据中的历史温度曲线、历史光照强度曲线以及历史湿度曲线作为多特征时间序列预测神经网络模型的输入，并将发电功率曲线作为多特征时间序列预测神经网络模型的预测曲线，对多特征时间序列预测神经网络模型进行训练；

18、生成对未来的耗电数据进行预估的预估耗电曲线的方式为：

19、根据实际经验预设预测时间步长t、第一滑动步长以及滑动窗口长度；将历史耗电数据使用滑动窗口方法将其转化为多个训练样本，将训练样本作为循环神经网络模型的输入，预测时间步长t后的历史耗电数据作为输出，每个训练样本的后续历史耗电数据作为预测目标，以预测准确率作为训练目标，对循环神经网络模型进行训练；生成根据历史耗电数据预测预估耗电曲线的神经网络模型；

20、构建出训练第一深度强化学习模型的第一四元组集合的方式为：

21、在历史电力数据的发电功率曲线、耗电功率曲线以及剩余电量曲线中，以预测时间步长t作为滑动窗口的时长，并根据实际经验预设第二滑动步长b，对发电功率曲线、耗电功率曲线以及剩余电量曲线按时间顺序滑动，生成若干组原始数据组合；

22、每组所述原始数据组合包括一段时长为t的发电功率曲线、一段时长为t的耗电功率曲线以及一段时长为t的剩余电量曲线；

23、在每组所述原始数据组合的开始时刻：

24、以原始数据组合中的发电功率曲线以及耗电功率曲线作为第一初始状态；

25、以原始数据组合的开始时刻是否在后续的预测时间步长t的时间内进行电网并网作为选择的第一动作；

26、根据该原始数据组合中的发电功率曲线，计算总发电量；根据该原始数据组合中的耗电功率曲线，计算总耗电量；将总发电量标记为f，将总耗电量标记为h，将原始数据组合的结束时刻的储能电源的剩余电量标记为c，将储能电源的最大存储电量以及最低存储电量阈值分别标记为d1以及d2；从剩余电量曲线中统计出剩余电量等于最大存储电量d1的时长t1以及剩余电量低于最低存储电量阈值的时长t2；其中，最大存储电量为储能电源的最大电量容量，最低存储电量阈值为根据实际经验设置的用于保障应急用电所必须的电量值；计算该原始数据组对应的第一奖励值q1，其中第一奖励值q1的表达形式为：q1＝a1*f-a2*h+ea3*(t1-t2)+a4*c；其中，a1、a2、a3以及a4分别为预设的比例系数；

27、以下一组原始数据组合作为第一下一个状态；

28、则对于每个原始数据组合，<第一初始状态、选择的第一动作、第一奖励值q1、第一下一个状态>作为其第一四元组；

29、所有原始数据组合的第一四元组共同组成第一四元组集合；

30、训练出根据未来发电功率曲线以及预估耗电曲线，实时决策是否进行电网并网的第一深度强化学习模型的方式为：

31、将第一四元组集合作为第一深度强化学习模型的输入，该第一深度强化学习模型通过从第一四元组集合中随机抽取若干第一四元组进行训练，学习在不同的初始状态下，选择是否进行电网并网，以获得最大奖励值q1的策略；

32、根据历史电力数据，生成剩余电力曲线的方式为：

33、将历史电力数据中的发电功率曲线以及耗电功率曲线，按时间顺序依次将发电功率曲线中的实时发电功率减去耗电功率曲线中的实时耗电功率，获得实时的剩余功率，将实时剩余功率按时间顺序连接，获得剩余电力曲线；

34、构建出训练第二深度强化学习模型的第二四元组集合的方式为：

35、以剩余电力曲线的实时剩余电力作为第二初始状态；

36、以并网功率曲线的实时存储或释放功率作为选择的第二动作；

37、将上一时刻在剩余电力曲线和并网功率曲线中的功率值分别标记为x1和y1，将当前时刻在剩余电力曲线和并网功率曲线中的功率值分别标记为x2和y2；

38、根据当前时刻后续的剩余电力曲线，计算后续剩余电力曲线的平均功率v；

39、根据电网并网实际经验，预设波动功率阈值z，设置第二奖励值q2，若|(x2+y2)-(x1+y1)|>z，将第二奖励值q2设置为预设的最大惩罚值，该最大惩罚值为负值；若|(x2+y2)-(x1+y1)|≦z，第二奖励值q2的计算公式为q2＝-e1*|y2|-e2*|(x2+y2)-(x1+y1)|-e3*|(x2+y2)-v|；其中，e1、e2以及e3分别为预设的比例系数；

40、以剩余电力曲线的下一时刻的实时剩余电力作为第二下一个状态；

41、则每个时刻的<第二初始状态、选择的第二动作、第二奖励值q1、第二下一个状态>作为第二四元组；

42、所有时刻的第二四元组共同组成第二四元组集合；

43、训练出在电网并网时，根据光伏发电系统的剩余电力曲线以及电网并网历史数据，实时决策存储的功率值或释放的功率值的第二深度强化学习模型的方式为：

44、将第二四元组集合作为第二深度强化学习模型的输入，该第二深度强化学习模型通过从第二四元组集合中随机抽取若干第二四元组进行训练，学习在不同的初始状态下，储能电源选择存储或释放的功率值，以获得最大奖励值q2的策略；

45、对光伏发电系统生成是否进行电网并网决策以及在并网时生成存储的功率值或释放的功率值的决策的方式为：

46、将训练完成的神经网络模型m1、第一深度强化学习模型s1和第二深度强化学习模型s2载入光伏发电系统的能量管理系统中；

47、能量管理系统实时获取预测环境数据、耗电数据以及储能数据，并基于预测环境数据，使用神经网络模型m1获得未来发电功率曲线；

48、基于耗电数据，使用循环神经网络模型m2，获得预估耗电曲线；基于未来发电功率曲线以及预估耗电曲线，使用第一深度强化学习模型s1生成是否进行电网并网的决策；

49、能量管理系统在生成进行电网并网决策后，根据未来发电功率曲线、预估耗电曲线生成预估的剩余电力曲线，使用第二深度强化学习模型基于剩余电力曲线，生成存储的功率值或释放的功率值的决策；

50、本发明提出太阳能光伏发电系统中的电网并网控制系统，包括历史数据收集模块、模型训练模块以及模型应用模块；其中，各个模块之间通过电气和/或无线网络方式连接；

51、其中，所述历史数据收集模块主要用于预先收集光伏发电历史数据以及电网并网历史数据，并将收集的光伏发电历史数据以及电网并网历史数据发送至模型训练模块；

52、其中，所述模型训练模块包括神经网络模型训练单元、第一深度强化学习模型训练单元以及第二深度强化学习模型训练单元；

53、其中，神经网络模型训练单元根据历史环境数据以及历史电力数据，训练出根据历史环境数据预估的未来发电功率曲线的神经网络模型，以及根据历史电力数据中的历史耗电数据，训练循环神经网络模型，生成对未来的耗电数据进行预估的预估耗电曲线；

54、所述第一深度强化学习模型训练单元根据历史电力数据以及历史储能数据，构建出训练第一深度强化学习模型的第一四元组集合；

55、并将第一四元组集合作为深度强化学习模型的输入，训练出根据未来发电功率曲线以及预估耗电曲线，实时决策是否进行电网并网的第一深度强化学习模型；

56、所述第二深度强化学习模型训练单元根据历史电力数据，生成剩余电力曲线，根据剩余电力曲线以及电网并网历史数据，构建出训练第二深度强化学习模型的第二四元组集合，将第二四元组集合作为第二深度强化学习模型的输入，训练出在电网并网时，根据光伏发电系统的剩余电力曲线以及电网并网历史数据，实时决策存储的功率值或释放的功率值，以保证并网功率的稳定；

57、所述模型训练模块将神经网络模型、循环神经网络模型、第一深度强化学习模型以及第二深度强化学习模型发送至模型应用模块；

58、所述模型训练模块用于基于神经网络模型、循环神经网络模型m2、第一深度强化学习模型和第二深度强化学习模型，对光伏发电系统是否进行电网并网进行决策，并生成进行电网并网决策后，生成存储的功率值或释放的功率值的决策。

59、与现有技术相比，本发明的有益效果是：

60、(1)本发明基于预先收集的历史数据，生成根据历史环境数据预估的未来发电功率曲线的神经网络模型、根据历史电力数据中的历史耗电数据生成对未来的耗电数据进行预估的预估耗电曲线以及根据未来发电功率曲线以及预估耗电曲线，实时决策是否进行电网并网的第一深度强化学习模型，该第一深度强化学习模型可以实时根据光伏发电系统未来的发电和耗电情况动态决策是否进行电网并网，提高了光伏系统电网并网的灵活性，保证了光伏发电系统的电量的利用率；

61、(2)本发明根据剩余电力曲线以及电网并网历史数据，构建出训练第二深度强化学习模型的第二四元组集合，再基于第二四元组集合，训练出在电网并网时，根据光伏发电系统的剩余电力曲线以及电网并网历史数据，实时决策存储的功率值或释放的功率值的第二深度强化学习模型，该第二深度强化学习模型在决策过程中，考虑储能电源的介入深度、实时的功率波动以及未来的功率波动，通过动态调整储能电源的存储和释放电能量，动态保证了在电网并网过程中的电能稳定性，避免了光伏发电的波动性导致无法并网的问题。