一种多时间尺度协同的日内有功备用快速配置方法及系统与流程

本发明涉及电力系统有功备用配置，具体为一种多时间尺度协同的日内有功备用快速配置方法及系统。

背景技术：

1、我国能源结构正逐步向低碳化进行转型，风电、光伏等可再生能源的广泛应用已成为推动能源低碳变革的引擎。然而，由于风电、光伏出力的波动性与随机性，使得电力系统运行面临较强的实时不确定性。这对电力系统稳定运行提出了更高的要求，也为系统有功备用资源的合理配置带来了新的难题。

2、常规的火电机组在启动过程中存在启动时间较长的特点，同时受到最小出力和爬坡速率的限制。如果备用容量设置得太小，将无法迅速应对风电的快速波动，可能导致弃风、弃光以及失负荷风险。相反，如果备用容量设置得太大，将影响系统的经济性运行。目前的有功备用容量配置方法难以应对源-网-荷-储多维度的不确定因素。因此，如何在提高系统运行经济性的基础上，更高效地配置有功备用资源，成为了当前电力系统面临的紧迫问题。

技术实现思路

1、鉴于上述存在的问题，提出了本发明。

2、因此，本发明解决的技术问题是：基于长时间尺度制定计划-短时间尺度动态更新的思路，防控有功备用容量不足的风险，实现日内有功备用容量的快速优化配置。

3、为解决上述技术问题，本发明提供如下技术方案：一种多时间尺度协同的日内有功备用快速配置方法，包括：

4、在长时间尺度建立小时前源网荷储多维有功备用容量预配置模型；

5、在短时间尺度构建基于马尔科夫决策过程的实时有功备用配置模型；

6、提出基于hde-ddpg的小时前-实时多时间尺度协同训练的求解算法，实现日内有功备用容量的快速优化配置。

7、作为本发明所述的多时间尺度协同的日内有功备用快速配置方法的一种优选方案，其中：所述小时前源网荷储多维有功备用容量预配置模型表示为，

8、

9、

10、

11、

12、

13、式中：t为总时间；分别为机组发电成本、交流联络线售电收益、系统上调备用容量成本、系统下调备用容量成本；ωg为常规机组集合；ai、bi、ci分别为机组耗量常数；ui,t代表机组运行状态；为机组i在t时刻的出力；ωac为交流联络线集合；为联络线输电功率，表示向外售电，否则表示从区域外购电，为对应成本系数；ωwt、ωpv、ωdr、ωess分别为风电、光伏、需求响应以及储能系统集合；分别为常规机组、联络线、风电、光伏、负荷需求响应以及储能的上调备用容量成本系数；分别为常规机组、联络线、风电、光伏、负荷需求响应以及储能的上调备用容量；分别为常规机组、联络线、风电、光伏以及储能的下调备用容量成本系数；分别为常规机组、联络线、风电、光伏以及储能的下调备用容量。

14、作为本发明所述的多时间尺度协同的日内有功备用快速配置方法的一种优选方案，其中：所述有功备用配置策略包括满足有功备用容量预配置约束条件；

15、所述约束条件包括区域功率平衡约束、常规机组出力约束、常规机组爬坡约束、常规机组备用约束、风电机组备用约束、光伏电站备用约束、联络线备用约束、负荷需求响应备用约束以及储能备用约束。

16、作为本发明所述的多时间尺度协同的日内有功备用快速配置方法的一种优选方案，其中：所述区域功率平衡约束表示为，

17、

18、式中：与分比为风电与光伏出力；ωnet为节点集合；为节点m的有功负荷；

19、所述常规机组出力约束表示为，

20、

21、式中：与分比机组最小与最大出力；

22、所述常规机组爬坡约束表示为，

23、

24、式中：δt为时间间隔；riup与ridn分别为机组向上与向下爬坡速率；

25、所述常规机组备用约束表示为，

26、

27、

28、所述风电机组备用约束表示为，

29、

30、

31、式中：为风电机组的功率预测值；为风电最小并网功率；

32、所述光伏电站备用约束表示为，

33、

34、

35、式中：为光伏i的功率预测值；为光伏电站最小并网功率；

36、所述联络线备用约束表示为，

37、

38、

39、式中：与分别为联络线最大与最小输电功率；与表示联络线功率最大调节速度；

40、所述负荷需求响应备用约束表示为，

41、

42、式中：为最大需求响应比例，负荷通过有序用电参与需求响应，为系统提供上调备用容量；

43、所述储能备用约束表示为，

44、

45、

46、式中：与分别为储能最大充电与放电功率；为储能充放电功率，代表放电，否则为充电。

47、作为本发明所述的多时间尺度协同的日内有功备用快速配置方法的一种优选方案，其中：所述基于马尔科夫决策过程的实时有功备用配置模型包括进行状态设计，状态st代表深度强化学习智能体对环境信息的实时捕捉，将传统机组出力风电与光伏预测出力与负荷实时分布以及储能实时电池荷电状态作为感知状态，表示为，

48、

49、进行动作设计，动作at代表智能体的实时决策方案，对有功备用容量进行配置，表示为，

50、at＝{r+,r-}   (21)

51、式中：r+与r-分别为上调与下调备用容量配置；

52、进行奖励设计，动作at表示环境给予智能体的实时反馈，为降低系统计划偏差，引入惩罚系数对功率偏差进行奖励设计，表示为，

53、

54、式中：ω为经济惩罚系数；与分别为常规机组、风电场与光伏电站的计划出力。

55、作为本发明所述的多时间尺度协同的日内有功备用快速配置方法的一种优选方案，其中：所述基于hde-ddpg的小时前-实时多时间尺度协同训练的求解算法包括

56、在差分进化算法中，通过变异、交叉与选择操作不同种群个体，其中，针对目标向量xi(g)，通过变异可生成变异向量vi(g+1)，表示为，

57、vi(g+1)＝xr3(g)+f[xr1(g)-xr2(g)]   (23)

58、式中：xr1(g)、xr2(g)与xr3(g)为种群中的随机个体；

59、将目标向量与变异向量相交叉，得到新的向量，表示为，

60、

61、式中：i＝1,2,...,np代表种群；j＝1,2,...,n代表种群维数；jrand代表[1,n]区间内的随机整数；

62、进行选择操作，保留优秀的父代个体，生成新一代个体xi(g+1)，表示为，

63、

64、ddpg采用经典的actor-critic架构，在训练过程中基于式(17)输出连续动作，表示为，

65、

66、式中：μ(s|θμ)为actor网络；表示随机噪声；

67、actor网络基于确定性策略梯度损失函数更新网络参数，表示为，

68、

69、式中：q(s,a|θq)为critic网络；nb为mini-batch容量；

70、critic网络通过损失函数lq更新网络参数，表示为，

71、

72、

73、式中：yj为目标q值；μ'(s|θμ')为目标actor网络；q'(s,a|θq')为目标critic网络；

74、目标网络采用软更新方式更新网络参数，表示为，

75、

76、式中：τ为软更新系数，τ远小于1。

77、作为本发明所述的多时间尺度协同的日内有功备用快速配置方法的一种优选方案，其中：所述求解算法包括针对有功备用配置问题的多时间尺度协同与高随机性问题，提出混合de与ddpg的训练求解算法；

78、初始化hde-ddpg算法参数，初始化系统训练环境，判断时间尺度；

79、若为小时前尺度，基于de算法对种群进行变异、交叉与选择操作，判断de求解的小时前备用配置计划是否满足收敛条件；若满足收敛条件，切换至短时间尺度阶段，若不满足收敛条件重新基于de算法对种群进行变异、交叉与选择操作；重新判断是否满足收敛条件，重复上述过程；

80、若为短时间尺度，ddpg智能体观测环境状态st，制定动作at，根据计划偏差计算奖励rt，并将所得样本存放至经验池；

81、所述ddpg智能体观测环境状态st，制定动作at，根据计划偏差计算奖励rt，并将所得样本存放至经验池后抽取训练样本，更新actor与critic网络；

82、判断是否结束一天24小时，若否跳转至判断时间尺度阶段，重复上述步骤执行下一时间段的备用配置过程，若是则判断是否达到最大训练回合，若达到最大训练回合则完成训练，输出多时间尺度协同的日内有功备用配置策略，若未达到最大训练回合则跳转至初始化系统训练环境阶段，重复上述过程。

83、本发明的另外一个目的是提供一种多时间尺度协同的日内有功备用快速配置系统，通过整合信息技术与软件技术实现长时间尺度有功备用容量预配置功能、短时间尺度有功备用容量配置更新功能和协同求解功能的集成，在日内执行时自动化地快速动态更新有功备用容量配置策略，能够解决电力系统运行时的实时不确定性问题，可以更高效地配置有功备用资源以提高系统运行的经济性。

84、为解决上述技术问题，本发明提供如下技术方案：一种多时间尺度协同的日内有功备用快速配置系统，包括：长时间尺度有功备用容量预配置模块、短时间尺度有功备用容量配置模块以及协同求解算法模块；所述长时间尺度有功备用容量预配置模块，在长时间尺度以系统运行成本最小化为目标，建立小时前多维有功备用容量预配置模型；所述短时间尺度有功备用容量配置模块，在短时间尺度基于马尔科夫决策过程刻画有功备用实时配置过程；所述协同求解算法模块，提出一种混合差分进化-深度确定性策略梯度的协同算法，基于差分进化算法求解小时前的有功备用配置策略计划，在实时阶段基于深度确定性策略梯度算法更新实时有功备用的配置策略。

85、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上所述多时间尺度协同的日内有功备用快速配置方法的步骤。

86、一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上所述多时间尺度协同的日内有功备用快速配置方法的步骤。

87、本发明的有益效果：本发明提供的多时间尺度协同的日内有功备用快速配置方法1)本发明所建立了有功备用容量配置模型充分考虑多主体资源的运行特性，能够发挥源网荷储多维度备用潜力，保障系统安全运行的同时提升系统的经济性。

88、2)本发明提出了小时前-实时多时间尺度的日内有功备用容量配置策略，将小时前尺度刻画为以经济性最优为目标的数学规划模型，将实时阶段描述为以系统计划偏差最小为目标的马尔科夫决策过程，使得系统能够更加灵活地应对新能源出力的不确定性，提升了弃风、弃光与失负荷风险的防控能力。

89、3)本发明提出了一种hde-ddpg的协同训练的求解算法，基于差分进化算法求解小时前尺度有功备用预配置模型，并基于ddpg智能体学习短时间尺度实时配置策略，通过长时间尺度制定计划-短时间尺度动态更新的思路，实现日内有功备用容量的快速优化配置。