储能辅助电网调频方法及系统与流程

本发明属储能辅助电网，具体涉及一种储能辅助电网调频方法及系统。

背景技术：

1、随着风、光新能源并网比例增大，新能源发电形式受气象因素影响，出力波动性较大，影响电网的频率稳定。水电、火电的调频能力无法较好地适应新能源渗透率不断提升的新趋势，故新能源电力系统、储能系统等电源作为调频源参与电网的频率调节成为研究热点。

2、为了维持电力系统的频率平衡，各电源的总出力与负荷用电需处于动态平衡。agc(automatic generation control，自动发电控制)系统计算区域控制误差，并调度总调频决策，对各调频源发出调频指令。

3、在二次调频系统的研究中，现有的成果包括采用群智能算或强化学习构建多源调频系统模型，计算负荷扰动下的调频出力，优化频率调节性能与调频成本。但在这些研究中，通常考虑于对固定负荷扰动的调频出力优化，没有考虑到动态系统的时序特征，对电网调频能力的提升有限。

技术实现思路

1、为了兼顾agc系统的调频稳定性与调频成本，本发明提出一种储能辅助电网调频方法及系统，以稳定电网频率的同时提高系统的经济性。

2、本发明的目的至少通过如下技术方案实现：

3、第一方面，本发明提供一种储能辅助电网调频方法，包括：

4、获取agc系统历史数据，基于agc系统历史数据中历史负荷与频率的时序特征构建训练数据集；

5、建模型网络、评价网络与执行网络的深度神经网络结构；基于所述训练数据集顺序训练深度神经网络结构的深度神经网络参数，得到训练后的自适应动态规划模型；

6、输入t时刻的电网状态值与控制动作至所述自适应动态规划模型，规划得到自适应动态规划模型对t+1时刻的总调频指令决策；

7、确定多调频源的各项调频参数，构建多源调频系统模型；基于总调频指令决策，采用粒子群算法求解所述多源调频系统模型，寻找全局最优调频指令；

8、输出所述全局最优调频指令至执行模块，用于控制多源调频系统执行全局最优调频指令。

9、作为本发明进一步改进，所述agc系统历史数据包括历史区域控制误差、频率偏差、负荷功率曲线、新能源发电功率曲线数据。

10、作为本发明进一步改进，所述的深度神经网络结构包括一个输入层、多个隐含层和一个输出层；隐含层采用relu激活函数，输出层采用purelin激活函数；采用网格搜索算法深度神经网络参数，得到训练后的自适应动态规划模型进行优化，优化网络的隐含层层数、神经元节点数、学习率。

11、作为本发明进一步改进，所述的顺序训练自适应动态规划模型的深度神经网络参数，得到训练后的自适应动态规划模型，需要对模型网络、评价网络与执行网络顺序训练，具体包括以下步骤：

12、步骤s3-1，训练模型网络：

13、模型网络根据电网上一时刻的状态与控制动作预测下一时刻的状态；

14、

15、其中，im(t)、om(t)分别为模型网络t时刻的输入值与输出值；x(t)为系统在t时刻的状态，即系统的区域控制误差e(t)、频率偏差δf(t)；u(t)代表系统在t时刻的控制动作，即调频功率控制指令δp(t)；为t+1时刻状态的预测值；模型网络的损失函数为：

16、

17、模型网络根据损失函数em(t)减小的方向更新自身的权重和偏置，并输出下一时刻的预测状态值输入评价网络与执行网络；

18、步骤s3-2，训练评价网络：

19、评价网络是对模型网络的状态预测误差进行评价：

20、

21、其中，ic(t)、oc(t)分别为评价网络t时刻的输入值与输出值；j(t)为评价值；评价网络根据电网的状态值x(t)和模型网络的预测值给出决策的评价值j(t)；评价网络的损失函数为：

22、

23、评价网络根据损失函数ec(t)减小的方向更新自身的权重和偏置，并将决策的评价值j(t)输入执行网络；

24、步骤s3-3，训练执行网络：

25、执行网络结合上两个网络的输出结果，得到下一时刻的控制动作：

26、

27、其中，ia(t)、oa(t)分别为执行网络t时刻的输入值与输出值；u(t+1)为执行网络给出的控制动作指令；执行网络的损失函数为：

28、

29、其中，为系统在t+1时刻应给出的控制动作；执行网络根据损失函数ea(t)减小的方向更新自身的权重和偏置；三个网络模型权重和偏置的更新均采用反向传播算法。

30、作为本发明进一步改进，所述多源调频系统包括火电机组、风电机组、光伏系统、水电机组与储能系统；

31、多调频源的调频参数包括各调频源的单位调频成本、调频出力上下限、出力时段、储能soc上下限、储能充放电效率参数。

32、作为本发明进一步改进，所述多源调频系统模型中包含机组出力约束、出力时段约束与储能soc约束：

33、

34、

35、

36、其中，p为调频模块的出力，p为对应模块的出力下限，为对应模块的出力上限；t代表调频系统的出力时段，ts为调频系统开始出力的时间；te为调频系统结束出力的时间；s与δs分别代表储能单元的soc值与变化量；pc、pd分别代表储能单元的充电功率与放电功率；ηc、ηd分别代表充电效率与放电效率；δt为调频时间步长；erate代表储能单元额定功率；smin、smax分别代表soc下限和上限。

37、作为本发明进一步改进，所述粒子群算法求解全局最优解的步骤如下：

38、步骤s6-1，设置粒子群系统参数，初始化每个粒子的位置、速度参数以及个体最优与全局最优：

39、粒子群系统参数包括粒子群规模、粒子维度、迭代次数、惯性权重、学习因子；

40、步骤s6-2，计算每个粒子所代表决策方案的调频速度与调频成本，作为适应度函数；

41、步骤s6-3，根据速度更新公式与位置更新公式更新每个粒子的速度与位置，并更新个体与全局最优适应度与位置：

42、速度更新公式为：

43、

44、k为迭代次数，vid为第d维第i个粒子的速度，ω为惯性权重，c1、c2分别为个体学习因子与群体学习因子，r1、r2为区间[0，1]内的随机数，pid,pbest为粒子i在第d维的历史最优位置，pd,gbest为群体在第d维的历史最优位置，xid为粒子i的位置；

45、位置更新公式为：

46、

47、步骤s6-4，迭代次数达到终止条件，通过自适应网格法选取非劣解作为全局最优解集，采用权值系数法得到各调频源的最佳调频功率分配结果。

48、作为本发明进一步改进，所述执行模块通过控制火电机组与水电机组的调速机构、机组控制器，风电机组虚拟惯量与下垂控制系统、光伏减载控制系统和储能电池能源管理系统来执行最佳调频指令。

49、作为本发明进一步改进，所述执行模块通过控制火电机组与水电机组的调速机构、机组控制器，风电机组虚拟惯量与下垂控制系统、光伏减载控制系统和储能电池能源管理系统来执行最佳调频指令，具体包括：

50、风电系统中，风电机组通过结合逆变器与虚拟惯量控制算法，达到同步机的调频功能；虚拟同步机通过将同步发电机的转子运动方程、无功下垂控制、电磁控制算法嵌入逆变器，达到类似同步发电机的控制特性；

51、光伏系统中，光伏系统通常运行在最大功率点跟踪模式，通过减载控制偏离最大功率点运行，使得光伏系统留有备用容量；

52、水电机组中，调速器通过控制水轮机的转速来达到控制发电频率的目的，进而参与电网调频；

53、储能系统中，通过储能电池能源管理系统对锂电池储能进行实时监控、故障诊断与充放电控制。

54、第二方面，本发明提供一种储能辅助电网调频系统，包括：数据采集模块，优化决策模块和执行模块；

55、所述数据采集模块包含电网状态数据采集装置与负荷数据采集装置，电网状态数据采集装置实时采集并计算电网频率偏差、区域控制误差数据；负荷数据采集装置采集负荷数据；

56、优化决策模块包括自适应动态规划模块与粒子群模块；自适应动态规划模块中构建自适应动态规划模型，基于数据采集模块传输的实时数据，动态决策总调频指令，并将总调频指令传入粒子群模块中，构建粒子群模型，分配总调频功率指令至各调频源，将最佳调频指令输入执行模块；

57、执行模块包括火电机组频率控制系统、风电机组虚拟惯量控制系统、光伏系统减载控制系统、水电机组频率控制系统以及储能电池能源管理系统；执行模块依据决策模块输入的最佳调频指令控制火电机组、风电机组、光伏系统、水电机组以及储能系统的调频出力，完成二次调频优化控制。

58、第三方面，本发明提供一种储能辅助电网调频装置，包括：

59、获取模块，用于获取agc系统历史数据，基于agc系统历史数据中历史负荷与频率的时序特征构建训练数据集；

60、训练模块，用于建模型网络、评价网络与执行网络的深度神经网络结构；基于所述训练数据集顺序训练深度神经网络结构的深度神经网络参数，得到训练后的自适应动态规划模型；

61、规划模块，用于输入t时刻的电网状态值与控制动作至所述自适应动态规划模型，规划得到自适应动态规划模型对t+1时刻的总调频指令决策；

62、求解模块，用于确定多调频源的各项调频参数，构建多源调频系统模型；基于总调频指令决策，采用粒子群算法求解所述多源调频系统模型，寻找全局最优调频指令；

63、输出模块，用于输出所述全局最优调频指令至执行模块，用于控制多源调频系统执行全局最优调频指令。

64、第四方面，本发明提供一种电子设备，其特征在于，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述储能辅助电网调频方法。

65、第五方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述储能辅助电网调频方法。

66、相比于现有技术，本发明的有益效果如下：

67、本发明该方法考虑到历史负荷与频率的时序特征，由自适应动态规划的模型网络、评价网络与执行网络动态决策总调频指令，减小区域控制误差与频率偏差。使用粒子群优化算法，搜索兼具调频速度与调频经济性的最优个体，分配各调频源间的调频功率，提高调频速度与经济收益。具体地，采用深度神经网络作为自适应动态规划模型中的网络结构，提高了对非线性系统的特征学习能力。基于自适应动态规划模型的模型网络、评价网络与执行网络，动态决策下一时刻的调频指令，减小系统频率波动。并构建风光水火储多源调频系统模型，以调频速度与调频成本为目标，采用粒子群算法求解，得到各调频源的调频出力，在稳定电网频率的同时提高系统的经济性。