CN115117888A - 一种园区综合能源调压方法、装置、存储器及计算设备 - Google Patents
一种园区综合能源调压方法、装置、存储器及计算设备 Download PDFInfo
- Publication number
- CN115117888A CN115117888A CN202210739315.2A CN202210739315A CN115117888A CN 115117888 A CN115117888 A CN 115117888A CN 202210739315 A CN202210739315 A CN 202210739315A CN 115117888 A CN115117888 A CN 115117888A
- Authority
- CN
- China
- Prior art keywords
- node
- power supply
- distributed power
- voltage
- cogeneration unit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000001105 regulatory effect Effects 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000006870 function Effects 0.000 claims abstract description 36
- 238000011217 control strategy Methods 0.000 claims abstract description 22
- 230000015654 memory Effects 0.000 claims abstract description 19
- 230000001276 controlling effect Effects 0.000 claims description 23
- 238000005070 sampling Methods 0.000 claims description 16
- 230000009471 action Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000002347 injection Methods 0.000 claims description 6
- 239000007924 injection Substances 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 2
- 239000002994 raw material Substances 0.000 claims 1
- 230000007787 long-term memory Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 5
- 238000010248 power generation Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000002787 reinforcement Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种园区综合能源调压方法、装置、存储器及计算设备,该方法基于长短时记忆网络LSTM建立综合能源系统多元负荷预测模型,对园区负荷进行预测;以节点电压越限量最小为目标函数建立分布式电源和热电联产机组参与的园区综合能源系统电压控制模型,并转换为调控分布式电源和热电联产机组出力的电压控制模型,并利用DDPG算法对该调控分布式电源和热电联产机组出力的电压控制模型进行求解,得到电压最优控制策略。本发明能够有效地保证园区综合能源系统的电压安全。
Description
技术领域
本发明属于综合能源系统运行控制技术领域,具体涉及一种园区综合能源调压方法、装置、存储器及计算设备。
背景技术
近年来,随着“能源互联网”提出,为了实现各类能源互联互通的目的,加强能源之间的紧密关系以及提高能源利用率,综合能源系统渐渐成为工业和能源领域的热门话题。综合能源系统多能互补的特性给能源持续发展带来了希望,然而其多能耦合的运行方式也造成了潜在的风险。例如新能源的功率波动会造成系统的电压越限,如不及时应对会造成设备过热甚至损坏的风险,严重时甚至会危害系统的安稳运行。
发明内容
本发明的目的在于提供一种园区综合能源调压方法、装置、存储器及计算设备,以节点电压越限量最小为目标函数建立分布式电源和热电联产机组参与的园区综合能源系统电压控制模型,并求解得到电压最优控制策略;以解决现有的园区综合能源系统运行过程中存在的电压越限问题,从而保证园区综合能源系统的安全运行。
为解决上述技术问题,本发明采用的技术方案如下:
本发明一方面提供一种园区综合能源调压方法,包括:
以节点电压越限量最小为目标函数建立分布式电源和热电联产机组参与的园区综合能源系统电压控制模型;
将所建立的分布式电源和热电联产机组参与的园区综合能源系统电压控制模型转换为调控分布式电源和热电联产机组出力的电压控制模型;
对所述调控分布式电源和热电联产机组出力的电压控制模型进行求解,得到园区综合能源系统各节点电压最优控制策略。
进一步的,所述以节点电压越限量最小为目标函数建立分布式电源和热电联产机组参与的园区综合能源系统电压控制模型,包括:
建立分布式电源和热电联产机组参与的园区综合能源系统电压控制模型的目标函数:
其中:F(x)为节点电压越限量,Ui为节点i电压,UN为园区综合能源系统的额定电压,n为节点的个数;
所述分布式电源和热电联产机组参与的园区综合能源系统电压控制模型需满足如下约束条件:
其中,Nhl为热负荷的数量,为采用热负荷预测模型预测的t时段第k个热负荷消耗的热量,Pt,i,l和Qt,i,l分别为采用电负荷预测模型预测的t时刻节点i上电负荷l消耗的有功功率和无功功率,Pt,loss和Qt,loss分别为在t时刻园区综合能源系统线路的有功和无功损耗,Pt,M和Qt,M分别为t时刻主网发出的有功功率和无功功率,Pt,G和Qt,G分别为t时刻分布式电源发出的有功功率和无功功率,Pt,CHP为t时刻热电联产机组发出的有功功率,Ui,min和Ui,max分别为节点i电压最小值和最大值,Pi和Qi分别为节点i上馈入的有功功率和无功功率,PGi和QGi分别为节点i并入分布式电源的有功功率和无功功率,PCHPi为热电联产机组注入节点i的有功功率,Pli和Qli分别为节点i上负载有功功率和无功功率,Pi,min和Pi,max分别为节点i有功功率最小值和最大值,Qi,min和Qi,max分别为节点i无功功率最小值和最大值,PGi,min和PGi,max分别为节点i并入分布式电源有功功率最小值和最大值,PCHPi,max和PCHPi,min分别是热电联产机组注入节点i的有功功率最大值和最小值,QGi,min和QGi,max分别为节点i并入分布式电源无功功率最小值和最大值。
进一步的,所述电负荷预测模型和热负荷预测模型构建如下:
获取园区综合能源系统历史采样数据;所述采样数据包括采样时刻的电负荷、热负荷、气象数据和日期类型;其中,气象数据包括温度、湿度、辐照度和风速数据;日期类型包括休息日和工作日;
对电负荷、热负荷进行归一化处理;
建立LSTM网络结构,基于归一化后的电负荷、气象数据和日期类型进行训练,得到电负荷预测模型;基于归一化后的热负荷、气象数据和日期类型进行训练,得到热负荷预测模型。
进一步的,所述获取园区综合能源系统历史采样数据,包括:
获取园区综合能源系统一年内的历史采样数据,采样间隔为15min。
进一步的,所述将所建立的分布式电源和热电联产机组参与的园区综合能源系统电压控制模型转换为调控分布式电源和热电联产机组出力的电压控制模型,包括:
将调控分布式电源和热电联产机组出力的电压控制模型的状态空间设定为各个节点的电压、有功功率和无功功率,表示为:
s:{v1,…,vk,…,vn,p1,…,pk,…,pn,q1,…,qk,…,qn};
其中,s表示状态空间,vk、pk和qk分别为第k个节点观测到的电压值、有功功率和无功功率的马尔科夫决策变量,对应所述分布式电源和热电联产机组参与的园区综合能源系统电压控制模型中的Ui、Pi和Qi,1≤k≤n;
将动作空间设定为各个节点并入的分布式电源和热电联产机组有功出力变化量ΔP,分布式电源的无功出力变化量ΔQ,表示为:
ΔP∈[Pi,max-PGi,Pi,min-PGi]∪[Pi,max-PCHPi,Pi,min-PCHPi],
ΔQ∈[Qi,max-QGi,QGi-Qi,min];
将奖励函数设定为:
其中:Δvi为节点i电压的越限量,p′i为节点i的分布式电源和/或热电联产机组的有功出力的马尔科夫决策变量,q′i为节点i的分布式电源无功出力的马尔科夫决策变量,p′i对应所述分布式电源和热电联产机组参与的园区综合能源系统电压控制模型中的PGi和PCHPi,q′i对应所述分布式电源和热电联产机组参与的园区综合能源系统电压控制模型中的QGi,Q、R和J为权重矩阵。
进一步的,所述对所述调控分布式电源和热电联产机组出力的电压控制模型进行求解,得到园区综合能源系统各节点电压最优控制策略,包括:
利用深度确定性策略梯度算法对所述调控分布式电源和热电联产机组出力的电压控制模型进行求解,得到园区综合能源系统节点电压最优控制策略,包括节点上分布式电源的有功出力和无功出力,以及热电联产机组的有功出力。
本发明第二方面提供一种园区综合能源调压装置,包括:
建模模块,用于以节点电压越限量最小为目标函数建立分布式电源和热电联产机组参与的园区综合能源系统电压控制模型;
模型转换模块,用于将所建立的分布式电源和热电联产机组参与的园区综合能源系统电压控制模型转换为调控分布式电源和热电联产机组出力的电压控制模型;
输出模块,用于对所述调控分布式电源和热电联产机组出力的电压控制模型进行求解,得到园区综合能源系统各节点电压最优控制策略。
进一步的,所述建模模块具体用于,
建立分布式电源和热电联产机组参与的园区综合能源系统电压控制模型的目标函数如下:
其中:F(x)为节点电压越限量,Ui为节点i电压,UN为园区综合能源系统的额定电压,n为节点的个数;
所述分布式电源和热电联产机组参与的园区综合能源系统电压控制模型需满足如下约束条件:
其中,Nhl为热负荷的数量,为采用热负荷预测模型预测的t时段第k个热负荷消耗的热量,Pt,i,l和Qt,i,l分别为采用电负荷预测模型预测的t时刻节点i上电负荷l消耗的有功功率和无功功率,Pt,loss和Qt,loss分别为在t时刻园区综合能源系统线路的有功和无功损耗,Pt,M和Qt,M分别为t时刻主网发出的有功功率和无功功率,Pt,G和Qt,G分别为t时刻分布式电源发出的有功功率和无功功率,Pt,CHP为t时刻热电联产机组发出的有功功率,Ui,min和Ui,max分别为节点i电压最小值和最大值,Pi和Qi分别为节点i上馈入的有功功率和无功功率,PGi和QGi分别为节点i并入分布式电源的有功功率和无功功率,PCHPi为热电联产机组注入节点i的有功功率,Pli和Qli分别为节点i上负载有功功率和无功功率,Pi,min和Pi,max分别为节点i有功功率最小值和最大值,Qi,min和Qi,max分别为节点i无功功率最小值和最大值,PGi,min和PGi,max分别为节点i并入分布式电源有功功率最小值和最大值,PCHPi,max和PCHPi,min分别是热电联产机组注入节点i的有功功率最大值和最小值,QGi,min和QGi,max分别为节点i并入分布式电源无功功率最小值和最大值。
进一步的,所述模型转换模块具体用于,
将调控分布式电源和热电联产机组出力的电压控制模型的状态空间设定为各个节点的电压、有功功率和无功功率,表示为:
s:{v1,…,vk,…,vn,p1,…,pk,…,pn,q1,…,qk,…,qn};
其中,s表示状态空间,vk、pk和qk分别为第k个节点观测到的电压值、有功功率和无功功率的马尔科夫决策变量,对应所述分布式电源和热电联产机组参与的园区综合能源系统电压控制模型中的Ui、Pi和Qi,1≤k≤n;
将动作空间设定为各个节点并入的分布式电源和热电联产机组有功出力变化量ΔP,分布式电源的无功出力变化量ΔQ,表示为:
ΔP∈[Pi,max-PGi,Pi,min-PGi]∪[Pi,max-PCHPi,Pi,min-PCHPi],
ΔQ∈[Qi,max-QGi,QGi-Qi,min];
将奖励函数设定为:
其中:Δvi为节点i电压的越限量,p′i为节点i的分布式电源和/或热电联产机组的有功出力的马尔科夫决策变量,q′i为节点i的分布式电源无功出力的马尔科夫决策变量,p′i对应所述分布式电源和热电联产机组参与的园区综合能源系统电压控制模型中的PGi和PCHPi,q′i对应所述分布式电源和热电联产机组参与的园区综合能源系统电压控制模型中的QGi,Q、R和J为权重矩阵。
进一步的,所述输出模块具体用于,
利用深度确定性策略梯度算法对所述调控分布式电源和热电联产机组出力的电压控制模型进行求解,得到园区综合能源系统节点电压最优控制策略,包括节点上分布式电源的有功出力和无功出力,以及热电联产机组的有功出力。
本发明第三方面提供一种存储一个或多个程序的存储器,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行根据前述的方法中的任一方法。
本发明第四方面提供一种计算设备,包括,
一个或多个处理器、存储器以及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行根据前述的方法中的任一方法的指令。
与现有技术相比,本发明所达到的有益技术效果是:
本发明提供一种园区综合能源调压方法,以节点电压越限量最小为目标函数建立分布式电源和热电联产机组参与的园区综合能源系统电压控制模型,可以充分利用分布式电源的出力,也保证了当分布式电源出力不稳定时电压调控的灵活性和快速性。此外,还可以可以根据电网的当前状态实时调整其动作,具有较好的动态响应性能。
附图说明
图1为本发明提供的一种园区综合能源调压方法流程图;
图2是本发明一个实施例提供的一种基于深度强化学习的园区综合能源调压方法流程图;
图3是本发明实施例提供的一种园区综合能源调压装置示意图。
具体实施方式
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。
如前所述,现有的园区综合能源系统在运行过程中存在电压越限等问题。为解决上述技术问题,本发明提供一种园区综合能源调压方法,参见图1,包括:
以节点电压越限量最小为目标函数建立分布式电源和热电联产机组参与的园区综合能源系统电压控制模型;
将所建立的分布式电源和热电联产机组参与的园区综合能源系统电压控制模型转换为调控分布式电源和热电联产机组出力的电压控制模型;
对调控分布式电源和热电联产机组出力的电压控制模型进行求解,得到园区综合能源系统各节点电压最优控制策略。
本发明的一个具体实施例提供一种基于深度强化学习的园区综合能源调压方法,参见图2,具体实现过程如下:
步骤一:对输入的历史负荷数据进行预处理;
步骤二:建立长短时记忆网络(LSTM)模型,并基于预处理后的历史负荷数据进行训练,获取综合能源系统多元负荷预测模型;
步骤三:以节点电压越限量最小为目标函数建立分布式电源和热电联产机组参与的园区综合能源系统电压控制模型;
步骤四:利用深度确定性策略梯度(Deep Deterministic Policy Gradient,DDPG)算法将所建立的分布式电源和热电联产机组参与的园区综合能源系统电压控制模型转换为调控分布式电源和热电联产机组出力的电压控制模型,并利用DDPG算法对该调控分布式电源和热电联产机组出力的电压控制模型进行求解,得到电压最优控制策略。
本实施例中,对输入的负荷数据进行预处理,具体实现过程如下:
步骤1-1:首先获取综合能源系统电负荷、热负荷的历史数据、气象历史数据和日期类型数据;其中,气象数据包括温度、湿度、辐照度和风速数据;日期类型包括休息日和工作日。
需要说明的是,收集历史数据为综合能源系统中一年时间,采样间隔为15min的数据,一个采样点数据包括该采样时刻的电负荷、热负荷、气象类型和日期类型。
步骤1-2:将步骤1-1中获取的电负荷,热负荷和气象历史数据利用min-max标准化公式进行归一化处理:
其中,xni表示归一化后的数据,xi表示待归一化的数据,xmin表示待归一化数据的最小值,xmax表示待归一化数据的最大值。
本实施例中,建立LSTM模型,并基于预处理后的历史负荷数据进行训练,获取综合能源系统多元负荷预测模型,具体实现过程如下:
步骤2-1:设计LSTM网络结构,具体为:LSTM通过输入门、遗忘门和输出门来实现信息的保护和控制,其具体函数如下:
ft=sigmoid(Wf·ht-1+Wf·xt+bf) (2)
it=sigmoid(Wi·ht-1+Wi·xt+bi) (3)
ot=sigmoid(Wo·ht-1+Wo·xt+bo) (6)
其中ft、it、ot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;Ct表示神经元状态信息;ht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;xt表示神经元输入序列值;⊙表示逐点乘法运算。
步骤2-2:对所设计的LSTM网络进行训练,得到综合能源系统多元负荷预测模型,训练过程如下:
损失函数设置为均方根误差(RMSE),设置迭代次数,
以归一化处理后的历史数据为输入,经过LSTM网络,得到负荷预测值,利用损失函数RMSE将负荷预测值与真实值进行比对,并优化网络参数,迭代训练,直至达到迭代次数为止,得到训练好的负荷预测模型。
本实施例中,选择Adam优化器优化网络中的参数;
对于每一种类型的负荷数据,均采用上述方法进行训练,得到该类型的负荷预测模型。多种类型的负荷预测模型即为综合能源系统的多元负荷预测模型。
实际使用中,把相应类型的历史数据输入已经训练好的LSTM网络,如需要电负荷的预测值,则把相应的电负荷历史数据直接输入LSTM网络即可得到电负荷预测值。
本实施例中,以节点电压越限量最小为目标函数建立分布式电源和热电联产机组参与的园区综合能源系统电压控制模型,具体实现过程如下:
目标函数为:
其中:Ui为第i个PQ节点的节点电压;UN为园区综合能源系统的额定电压;n为PQ节点的个数;采用±5%为节点电压最大安全范围;
约束条件为:
其中,n为园区综合能源系统节点数量;Nhl为热负荷的数量;为采用多元负荷预测模型预测的t时段第k个热负荷消耗的热量;Pt,i,l和Qt,i,l分别为采用多元负荷预测模型预测的在t时刻节点i上电负荷l消耗的有功功率和无功功率;Pt,loss和Qt,loss分别为在t时刻园区综合能源系统线路的有功和无功损耗;Pt,M和Qt,M分别为t时刻主网发出的有功和无功;Pt,G和Qt,G分别为t时刻分布式电源发出的有功和无功;Pt,CHP为t时刻所有热电联产机组发出的有功功率;
式(11)为节点电压约束,Ui,min和Ui,max分别为节点i电压最小值和最大值;Ui和UN分别为节点i电压和园区综合能源系统的额定电压;
式(12)为节点功率约束,Pi和Qi分别为节点i上馈入的有功功率和无功功率;PGi和QGi分别为节点i并入分布式电源的有功出力和无功出力;PCHPi为热电联产机组注入节点i的有功出力;Pli和Qli分别为节点i上负载有功功率和无功功率;Pi,min、Pi,max、Qi,min和Qi,max分别为节点i有功功率最小值和最大值、无功功率最小值和最大值;
式(13)为分布式电源出力约束,PGi,min和PGi,max分别为节点i并入分布式电源有功出力最小值和最大值,PCHPi,max和PCHPi,min分别是热电联产机组注入节点i的有功出力最大值和最小值,QGi,min和QGi,max分别为节点i并入分布式电源无功出力最小值和最大值。
本实施例中,将所建立的分布式电源和热电联产机组参与的园区综合能源系统电压控制模型转换为调控分布式电源和热电联产机组出力的电压控制模型,具体如下:
将状态空间设定为各个PQ节点的当前电压、有功功率和无功功率;将动作空间设定为各个节点并入的分布式电源和热电联产机组有功出力变化量、分布式电源的无功出力变化量;将奖励函数设定为各节点电压越限量二次型和分布式电源调节量的二次型之和,并设置无功的权重系数高于有功的权重系数。
具体的,状态空间为:
s:{v1,…,vk,…,vn,p1,…,pk,…,pn,q1,…,qk,…,qn} (14)
其中,vk、pk和qk分别为第k个节点观测到的电压值、有功功率和无功功率,对应上述所建立的分布式电源和热电联产机组参与的园区综合能源系统电压控制模型中的Ui、Pi和Qi,1≤k≤n,n为PQ节点总数;
动作空间为各个节点并入的分布式电源和热电联产机组有功出力变化量ΔP和无功出力变化量ΔQ,其中ΔP∈[Pi,max-PGi,Pi,min-PGi]∪[Pi,max-PCHP,iPi,min-PCHP],ΔQ∈[Qi,max-QGi,QGi-Qi,min];
奖励函数为:
其中:Δvi为节点i电压的越限量;p′i为节点i的分布式电源或热电联产机组的有功出力;q′i为节点i的分布式电源无功出力;p′i对应上述所建立的分布式电源和热电联产机组参与的园区综合能源系统电压控制模型中的PGi和PCHPi,q′i对应上述所建立的分布式电源和热电联产机组参与的园区综合能源系统电压控制模型中的QGi;
Q、R和J为权重矩阵,权重矩阵依靠经验取值,Q的取值要远远大于R和J的取值。
本实施例中,利用DDPG算法对调控分布式电源和热电联产机组出力的电压控制模型进行求解,得到电压最优控制策略,具体实现过程如下:
Step1:初始化主网络和目标网络的参数;初始化记忆库;观测当前各个节点的电压值、有功功率和无功功率作为初始状态;
Step2:根据行为策略选择一个动作并下达给环境执行这个动作,通过式(15)得到奖励值和新的状态;
Step3:将Step2得到的状态转换过程存入记忆库中,并在记忆库中随机采样转换数据作为策略主网络和评价主网络的训练数据;
Step4:通过下降梯度法更新评价主网络参数,使用滑动平均running average的方法将主网络参数soft update给目标网络;
Step5:重复执行Step2至Step4,直到迭代结束,获得电压最优控制策略,包括节点上分布式电源的有功出力和无功出力,以及热电联产机组的有功出力。
通过本实施例提供的一种基于深度强化学习的园区综合能源调压方法,是一种考虑可再生能源发电、多能负荷预测的不确定性的园区综合能源系统电压调节策略。利用基于LSTM的多元负荷预测以解决系统内负荷不确定性的问题,提高了策略的可靠性。此外,采用深度强化学习算法对系统源端的有功及无功出力进行调节,可以充分利用分布式电源的出力,也保证了当分布式电源出力不稳定时电压调控的灵活性和快速性。
本发明第二个实施例提供一种园区综合能源调压装置,参见图3,包括:
建模模块,用于以节点电压越限量最小为目标函数建立分布式电源和热电联产机组参与的园区综合能源系统电压控制模型;
模型转换模块,用于将所建立的分布式电源和热电联产机组参与的园区综合能源系统电压控制模型转换为调控分布式电源和热电联产机组出力的电压控制模型;
输出模块,用于对所述调控分布式电源和热电联产机组出力的电压控制模型进行求解,得到园区综合能源系统各节点电压最优控制策略。
本实施例中,建模模块具体用于,
建立分布式电源和热电联产机组参与的园区综合能源系统电压控制模型的目标函数如下:
其中:F(x)为节点电压越限量,Ui为节点i电压,UN为园区综合能源系统的额定电压,n为节点的个数;
所述分布式电源和热电联产机组参与的园区综合能源系统电压控制模型需满足如下约束条件:
其中,Nhl为热负荷的数量,为采用热负荷预测模型预测的t时段第k个热负荷消耗的热量,Pt,i,l和Qt,i,l分别为采用电负荷预测模型预测的t时刻节点i上电负荷l消耗的有功功率和无功功率,Pt,loss和Qt,loss分别为在t时刻园区综合能源系统线路的有功和无功损耗,Pt,M和Qt,M分别为t时刻主网发出的有功功率和无功功率,Pt,G和Qt,G分别为t时刻分布式电源发出的有功功率和无功功率,Pt,CHP为t时刻热电联产机组发出的有功功率,Ui,min和Ui,max分别为节点i电压最小值和最大值,Pi和Qi分别为节点i上馈入的有功功率和无功功率,PGi和QGi分别为节点i并入分布式电源的有功功率和无功功率,PCHPi为热电联产机组注入节点i的有功功率,Pli和Qli分别为节点i上负载有功功率和无功功率,Pi,min和Pi,max分别为节点i有功功率最小值和最大值,Qi,min和Qi,max分别为节点i无功功率最小值和最大值,PGi,min和PGi,max分别为节点i并入分布式电源有功功率最小值和最大值,PCHPi,max和PCHPi,min分别是热电联产机组注入节点i的有功功率最大值和最小值,QGi,min和QGi,max分别为节点i并入分布式电源无功功率最小值和最大值。
本实施例中,模型转换模块具体用于,
将调控分布式电源和热电联产机组出力的电压控制模型的状态空间设定为各个节点的电压、有功功率和无功功率,表示为:
s:{v1,…,vk,…,vn,p1,…,pk,…,pn,q1,…,qk,…,qn};
其中,s表示状态空间,vk、pk和qk分别为第k个节点观测到的电压值、有功功率和无功功率的马尔科夫决策变量,对应所述分布式电源和热电联产机组参与的园区综合能源系统电压控制模型中的Ui、Pi和Qi,1≤k≤n;
将动作空间设定为各个节点并入的分布式电源和热电联产机组有功出力变化量ΔP,分布式电源的无功出力变化量ΔQ,表示为:
ΔP∈[Pi,max-PGi,Pi,min-PGi]∪[Pi,max-PCHPi,Pi,min-PCHPi],
ΔQ∈[Qi,max-QGi,QGi-Qi,min];
将奖励函数设定为:
将奖励函数设定为:
其中:Δvi为节点i电压的越限量,p′i为节点i的分布式电源和/或热电联产机组的有功出力的马尔科夫决策变量,q′i为节点i的分布式电源无功出力的马尔科夫决策变量,p′i对应所述分布式电源和热电联产机组参与的园区综合能源系统电压控制模型中的PGi和PCHPi,q′i对应所述分布式电源和热电联产机组参与的园区综合能源系统电压控制模型中的QGi,Q、R和J为权重矩阵。
本实施例中,输出模块具体用于,
利用深度确定性策略梯度算法对所述调控分布式电源和热电联产机组出力的电压控制模型进行求解,得到园区综合能源系统节点电压最优控制策略,包括节点上分布式电源的有功出力和无功出力,以及热电联产机组的有功出力。
本发明第三个实施例提供一种存储一个或多个程序的存储器,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行前述实施例的一种园区综合能源调压方法。
本发明第四个实施例提供一种计算设备,包括,
一个或多个处理器、存储器以及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行前述实施例的一种园区综合能源调压方法的指令。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请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,本申请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。
本申请是参照根据本申请实施例的方法、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。
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。
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。
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。
Claims (12)
1.一种园区综合能源调压方法,其特征在于,包括:
以节点电压越限量最小为目标函数建立分布式电源和热电联产机组参与的园区综合能源系统电压控制模型;
将所建立的分布式电源和热电联产机组参与的园区综合能源系统电压控制模型转换为调控分布式电源和热电联产机组出力的电压控制模型;
对所述调控分布式电源和热电联产机组出力的电压控制模型进行求解,得到园区综合能源系统各节点电压最优控制策略。
2.根据权利要求1所述的一种园区综合能源调压方法,其特征在于,所述以节点电压越限量最小为目标函数建立分布式电源和热电联产机组参与的园区综合能源系统电压控制模型,包括:
建立分布式电源和热电联产机组参与的园区综合能源系统电压控制模型的目标函数:
其中:F(x)为节点电压越限量,Ui为节点i电压,UN为园区综合能源系统的额定电压,n为节点的个数;
所述分布式电源和热电联产机组参与的园区综合能源系统电压控制模型需满足如下约束条件:
其中,Nhl为热负荷的数量,为采用热负荷预测模型预测的t时段第k个热负荷消耗的热量,Pt,i,l和Qt,i,l分别为采用电负荷预测模型预测的t时刻节点i上电负荷l消耗的有功功率和无功功率,Pt,loss和Qt,loss分别为在t时刻园区综合能源系统线路的有功和无功损耗,Pt,M和Qt,M分别为t时刻主网发出的有功功率和无功功率,Pt,G和Qt,G分别为t时刻分布式电源发出的有功功率和无功功率,Pt,CHP为t时刻热电联产机组发出的有功功率,Ui,min和Ui,max分别为节点i电压最小值和最大值,Pi和Qi分别为节点i上馈入的有功功率和无功功率,PGi和QGi分别为节点i并入分布式电源的有功功率和无功功率,PCHPi为热电联产机组注入节点i的有功功率,Pli和Qli分别为节点i上负载有功功率和无功功率,Pi,min和Pi,max分别为节点i有功功率最小值和最大值,Qi,min和Qi,max分别为节点i无功功率最小值和最大值,PGi,min和PGi,max分别为节点i并入分布式电源有功功率最小值和最大值,PCHPi,max和PCHPi,min分别是热电联产机组注入节点i的有功功率最大值和最小值,QGi,min和QGi,max分别为节点i并入分布式电源无功功率最小值和最大值。
3.根据权利要求2所述的一种园区综合能源调压方法,其特征在于,所述电负荷预测模型和热负荷预测模型构建如下:
获取园区综合能源系统历史采样数据;所述采样数据包括采样时刻的电负荷、热负荷、气象数据和日期类型;其中,气象数据包括温度、湿度、辐照度和风速数据;日期类型包括休息日和工作日;
对电负荷、热负荷进行归一化处理;
建立LSTM网络结构,基于归一化后的电负荷、气象数据和日期类型进行训练,得到电负荷预测模型;基于归一化后的热负荷、气象数据和日期类型进行训练,得到热负荷预测模型。
4.根据权利要求3所述的一种园区综合能源调压方法,其特征在于,所述获取园区综合能源系统历史采样数据,包括:
获取园区综合能源系统一年内的历史采样数据,采样间隔为15min。
5.根据权利要求2所述的一种园区综合能源调压方法,其特征在于,所述将所建立的分布式电源和热电联产机组参与的园区综合能源系统电压控制模型转换为调控分布式电源和热电联产机组出力的电压控制模型,包括:
将调控分布式电源和热电联产机组出力的电压控制模型的状态空间设定为各个节点的电压、有功功率和无功功率,表示为:
s:{v1,…,vk,…,vn,p1,…,pk,…,pn,q1,…,qk,…,qn};
其中,s表示状态空间,vk、pk和qk分别为第k个节点观测到的电压值、有功功率和无功功率的马尔科夫决策变量,对应所述分布式电源和热电联产机组参与的园区综合能源系统电压控制模型中的Ui、Pi和Qi,1≤k≤n;
将动作空间设定为各个节点并入的分布式电源和热电联产机组有功出力变化量ΔP,分布式电源的无功出力变化量ΔQ,表示为:
ΔP∈[Pi,max-PGi,Pi,min-PGi]∪[Pi,max-PCHPi,Pi,min-PCHPi],
ΔQ∈[Qi,max-QGi,QGi-Qi,min];
将奖励函数设定为:
其中:Δvi为节点i电压的越限量,p′i为节点i的分布式电源和/或热电联产机组的有功出力的马尔科夫决策变量,q′i为节点i的分布式电源无功出力的马尔科夫决策变量,p′i对应所述分布式电源和热电联产机组参与的园区综合能源系统电压控制模型中的PGi和PCHPi,q′i对应所述分布式电源和热电联产机组参与的园区综合能源系统电压控制模型中的QGi,Q、R和J为权重矩阵。
6.根据权利要求5所述的一种园区综合能源调压方法,其特征在于,所述对所述调控分布式电源和热电联产机组出力的电压控制模型进行求解,得到园区综合能源系统各节点电压最优控制策略,包括:
利用深度确定性策略梯度算法对所述调控分布式电源和热电联产机组出力的电压控制模型进行求解,得到园区综合能源系统节点电压最优控制策略,包括节点上分布式电源的有功出力和无功出力,以及热电联产机组的有功出力。
7.一种园区综合能源调压装置,其特征在于,包括:
建模模块,用于以节点电压越限量最小为目标函数建立分布式电源和热电联产机组参与的园区综合能源系统电压控制模型;
模型转换模块,用于将所建立的分布式电源和热电联产机组参与的园区综合能源系统电压控制模型转换为调控分布式电源和热电联产机组出力的电压控制模型;
输出模块,用于对所述调控分布式电源和热电联产机组出力的电压控制模型进行求解,得到园区综合能源系统各节点电压最优控制策略。
8.根据权利要求7所述的一种园区综合能源调压装置,其特征在于,所述建模模块具体用于,
建立分布式电源和热电联产机组参与的园区综合能源系统电压控制模型的目标函数如下:
其中:F(x)为节点电压越限量,Ui为节点i电压,UN为园区综合能源系统的额定电压,n为节点的个数;
所述分布式电源和热电联产机组参与的园区综合能源系统电压控制模型需满足如下约束条件:
其中,Nhl为热负荷的数量,为采用热负荷预测模型预测的t时段第k个热负荷消耗的热量,Pt,i,l和Qt,i,l分别为采用电负荷预测模型预测的t时刻节点i上电负荷l消耗的有功功率和无功功率,Pt,loss和Qt,loss分别为在t时刻园区综合能源系统线路的有功和无功损耗,Pt,M和Qt,M分别为t时刻主网发出的有功功率和无功功率,Pt,G和Qt,G分别为t时刻分布式电源发出的有功功率和无功功率,Pt,CHP为t时刻热电联产机组发出的有功功率,Ui,min和Ui,max分别为节点i电压最小值和最大值,Pi和Qi分别为节点i上馈入的有功功率和无功功率,PGi和QGi分别为节点i并入分布式电源的有功功率和无功功率,PCHPi为热电联产机组注入节点i的有功功率,Pli和Qli分别为节点i上负载有功功率和无功功率,Pi,min和Pi,max分别为节点i有功功率最小值和最大值,Qi,min和Qi,max分别为节点i无功功率最小值和最大值,PGi,min和PGi,max分别为节点i并入分布式电源有功功率最小值和最大值,PCHPi,max和PCHPi,min分别是热电联产机组注入节点i的有功功率最大值和最小值,QGi,min和QGi,max分别为节点i并入分布式电源无功功率最小值和最大值。
9.根据权利要求8所述的一种园区综合能源调压方法,其特征在于,所述模型转换模块具体用于,
将调控分布式电源和热电联产机组出力的电压控制模型的状态空间设定为各个节点的电压、有功功率和无功功率,表示为:
s:{v1,…,vk,…,vn,p1,…,pk,…,pn,q1,…,qk,…,qn};
其中,s表示状态空间,vk、pk和qk分别为第k个节点观测到的电压值、有功功率和无功功率的马尔科夫决策变量,对应所述分布式电源和热电联产机组参与的园区综合能源系统电压控制模型中的Ui、Pi和Qi,1≤k≤n;
将动作空间设定为各个节点并入的分布式电源和热电联产机组有功出力变化量ΔP,分布式电源的无功出力变化量ΔQ,表示为:
ΔP∈[Pi,max-PGi,Pi,min-PGi]∪[Pi,max-PCHPi,Pi,min-PCHPi],
ΔQ∈[Qi,max-QGi,QGi-Qi,min];
将奖励函数设定为:
其中:Δvi为节点i电压的越限量,p′i为节点i的分布式电源和/或热电联产机组的有功出力的马尔科夫决策变量,q′i为节点i的分布式电源无功出力的马尔科夫决策变量,p′i对应所述分布式电源和热电联产机组参与的园区综合能源系统电压控制模型中的PGi和PCHPi,q′i对应所述分布式电源和热电联产机组参与的园区综合能源系统电压控制模型中的QGi,Q、R和J为权重矩阵。
10.根据权利要求9所述的一种园区综合能源调压方法,其特征在于,所述输出模块具体用于,
利用深度确定性策略梯度算法对所述调控分布式电源和热电联产机组出力的电压控制模型进行求解,得到园区综合能源系统节点电压最优控制策略,包括节点上分布式电源的有功出力和无功出力,以及热电联产机组的有功出力。
11.一种存储一个或多个程序的存储器,其特征在于:所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行根据权利要求1至6所述的方法中的任一方法。
12.一种计算设备,其特征在于:包括,
一个或多个处理器、存储器以及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行根据权利要求1至6所述的方法中的任一方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210739315.2A CN115117888A (zh) | 2022-06-28 | 2022-06-28 | 一种园区综合能源调压方法、装置、存储器及计算设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210739315.2A CN115117888A (zh) | 2022-06-28 | 2022-06-28 | 一种园区综合能源调压方法、装置、存储器及计算设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115117888A true CN115117888A (zh) | 2022-09-27 |
Family
ID=83329476
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210739315.2A Pending CN115117888A (zh) | 2022-06-28 | 2022-06-28 | 一种园区综合能源调压方法、装置、存储器及计算设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115117888A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113902040A (zh) * | 2021-11-15 | 2022-01-07 | 中国电力科学研究院有限公司 | 电-热综合能源系统协调优化方法、系统、设备及存储介质 |
CN114362196A (zh) * | 2022-03-21 | 2022-04-15 | 南京邮电大学 | 一种多时间尺度主动配电网电压控制方法 |
-
2022
- 2022-06-28 CN CN202210739315.2A patent/CN115117888A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113902040A (zh) * | 2021-11-15 | 2022-01-07 | 中国电力科学研究院有限公司 | 电-热综合能源系统协调优化方法、系统、设备及存储介质 |
CN114362196A (zh) * | 2022-03-21 | 2022-04-15 | 南京邮电大学 | 一种多时间尺度主动配电网电压控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Coordinated load frequency control of multi-area integrated energy system using multi-agent deep reinforcement learning | |
CN110929948B (zh) | 基于深度强化学习的完全分布式智能电网经济调度方法 | |
CN105846461B (zh) | 一种大规模储能电站自适应动态规划的控制方法和系统 | |
Song et al. | Energy capture efficiency enhancement of wind turbines via stochastic model predictive yaw control based on intelligent scenarios generation | |
CN110620402B (zh) | 电-气混联系统分布式规划运行联合优化方法及系统 | |
CN106712075B (zh) | 一种考虑风电并网系统安全约束的调峰策略优化方法 | |
CN110854932A (zh) | 一种交直流配电网多时间尺度优化调度方法及系统 | |
CN113572157A (zh) | 一种基于近端策略优化的用户实时自治能量管理优化方法 | |
CN112213945B (zh) | 电动汽车参与微网群调频的改进鲁棒预测控制方法和系统 | |
CN112491094B (zh) | 一种混合驱动的微电网能量管理方法、系统及装置 | |
CN115085202A (zh) | 电网多区域智能功率协同优化方法、装置、设备及介质 | |
CN104915788B (zh) | 一种考虑多风场相关性的电力系统动态经济调度的方法 | |
CN115345380A (zh) | 一种基于人工智能的新能源消纳电力调度方法 | |
CN115795992A (zh) | 一种基于运行态势虚拟推演的园区能源互联网在线调度方法 | |
CN112072643A (zh) | 一种基于深度确定性梯度策略的光-蓄系统在线调度方法 | |
CN112084680A (zh) | 一种基于dqn算法的能源互联网优化策略方法 | |
CN117172486A (zh) | 一种基于强化学习的虚拟电厂光储资源聚合调控方法 | |
CN116937565A (zh) | 一种分布式光伏发电功率预测方法、系统、设备及介质 | |
CN114400675B (zh) | 基于权重均值深度双q网络的主动配电网电压控制方法 | |
CN115117888A (zh) | 一种园区综合能源调压方法、装置、存储器及计算设备 | |
CN113269420B (zh) | 基于通信噪声的分布式事件驱动电力经济调度方法 | |
Niu et al. | A novel social-environmental-economic dispatch model for thermal/wind power generation and application | |
CN114841441A (zh) | 一种综合能源系统运行成本和碳排放的协同优化方法 | |
CN111859780A (zh) | 一种微电网运行优化方法和系统 | |
CN113298329A (zh) | 训练、策略生成方法、系统、计算机装置及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |