CN115600508A - 一种化学储能装置辅助火电机组一次调频的方法及装置 - Google Patents

一种化学储能装置辅助火电机组一次调频的方法及装置 Download PDF

Info

Publication number
CN115600508A
CN115600508A CN202211404028.2A CN202211404028A CN115600508A CN 115600508 A CN115600508 A CN 115600508A CN 202211404028 A CN202211404028 A CN 202211404028A CN 115600508 A CN115600508 A CN 115600508A
Authority
CN
China
Prior art keywords
energy storage
storage device
generating unit
thermal power
chemical energy
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
Application number
CN202211404028.2A
Other languages
English (en)
Inventor
路宽
高嵩
李军
王毓琦
刘恩仁
于庆彬
孙其振
张文栋
王茗
石硕
曲建璋
丁浩天
于春浩
李元元
周长来
姚常青
王文宽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd
State Grid Shandong Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd
State Grid Shandong Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd, State Grid Shandong Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202211404028.2A priority Critical patent/CN115600508A/zh
Publication of CN115600508A publication Critical patent/CN115600508A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/14—Thermal energy storage

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本申请涉及一种化学储能装置辅助火电机组一次调频的方法，包括以下步骤：采集火电机组的状态变量及化学储能装置的状态观测变量的历史数据，根据所述火电机组的状态变量及所述化学储能装置的状态观测变量的历史数据分别训练火电机组的仿真模型及化学储能装置的仿真模型，利用所述火电机组的仿真模型及所述化学储能装置的仿真模型建立强化学习模型，确定化学储能装置辅助火电机组的一次调频优化策略。本申请能够确定化学储能装置的调频策略，减轻火电机组调频压力，提升电网的安全运行水平。

Description

一种化学储能装置辅助火电机组一次调频的方法及装置
技术领域
本发明涉及火电机组调频技术领域，特别涉及一种化学储能装置辅助火电机组一次调频的方法及装置。
背景技术
近年来，在“碳达峰、碳中和”背景下，新能源得到了广泛发展。由于新能源的强随机性、间歇性，风电、太阳能等高比例大规模并网时，电网系统惯量水平不断下降，电网扰动幅度和频次都表现出加剧态势。火电机组一次调频的任务是根据电网频率的变化，通过汽轮机调速系统的一次调频功能，快速改变阀门开度，利用机组蓄热快速地按照电网负荷要求增减机组出力，平衡功率的供需关系，维持电网的频率稳定。
在新能源大发展的背景下，如果单独依靠传统火电机组参与一次调频，一方面会加重设备的疲劳和磨损，另一方面火电环保的要求也限制了机组的调节能力，给电网安全带来了风险。电化学储能具有反应灵敏、双向调节、能量转换效率高等优点。通过联合火电与储能设备进行电网一次调频，可以有效改善电网的频率特性。把储能设备作为电力系统辅助调频的一种手段，可以减轻火电机组调频压力，降低调频成本，提升电网的安全运行水平。但是，目前尚无理想的方法，能够实现化学储能装置辅助火电机组一次调频并取得良好的效果。
因此，如何提供一种化学储能装置辅助火电机组一次调频的方法，是目前亟待解决的问题。
发明内容
本发明实施例提供了一种化学储能装置辅助火电机组一次调频的方法，以解决现有技术中尚缺乏针对火电机组的化学储能位置辅助一次调频的方法的问题。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
第一方面，本申请提供一种化学储能装置辅助火电机组一次调频的方法，包括以下步骤：
采集火电机组的状态变量及化学储能装置的状态观测变量的历史数据；
根据所述火电机组的状态变量及所述化学储能装置的状态观测变量的历史数据分别训练火电机组的仿真模型及化学储能装置的仿真模型；
利用所述火电机组的仿真模型及所述化学储能装置的仿真模型建立强化学习模型，确定化学储能装置辅助火电机组的一次调频优化策略。
可选地，所述火电机组的状态变量包括有功功率、主汽温度、主汽流量和锅炉主控输出中的一种或几种，所述化学储能装置的状态观测变量包括电荷状态和放电功率中。
可选地，所述火电机组的仿真模型为门循环控制网络模型，所述门循环控制网络模型的输入量的计算公式为：
Figure BDA0003936110250000021
所述门循环控制网络模型的输出量的计算公式为：
Figure BDA0003936110250000022
其中：
Figure BDA0003936110250000023
是火电机组t时刻的有功功率，
Figure BDA0003936110250000024
是火电机组t时刻的主汽温度、
Figure BDA0003936110250000025
是火电机组t时刻的主汽流量，
Figure BDA0003936110250000026
是火电机组t时刻的锅炉主控输出，
Figure BDA0003936110250000031
是火电机组t+1时刻输出的有功功率，
Figure BDA0003936110250000032
是火电机组t+1时刻的主汽温度，
Figure BDA0003936110250000033
是火电机组t+1时刻的主汽流量，
Figure BDA0003936110250000034
是火电机组t+1时刻的锅炉主控输出。
可选地，所述门循环控制网络模型为三层网络，其中
Figure BDA0003936110250000035
是门循环控制网络模型的第一层网络的输入量，第一层网络的输出量作为第二层网络的输入量，第二层网络的输出量作为第三层网络的输入量，
Figure BDA0003936110250000036
是门循环控制网络模型的第三层网络的输出量。
可选地，所述门循环控制网络模型采用随机梯度下降法进行训练作为所述三层网络的参数更新的方法，并使用损失函数对三层网络进行优化。
可选地，所述损失函数的计算公式为：
Figure BDA0003936110250000037
其中：NG表示样本的数量，4表示火电机组的状态变量
Figure BDA0003936110250000038
的4个维度，
Figure BDA0003936110250000039
表示对火电机组的状态变量的估计值，
Figure BDA00039361102500000310
表示火电机组的状态变量的实际值。
可选地，所述化学储能装置的仿真模型的输入量的计算公式为：
Figure BDA00039361102500000311
所述化学储能装置的仿真模型的输出量的计算公式为：
Figure BDA00039361102500000312
其中：
Figure BDA00039361102500000313
是化学储能装置j时刻电荷状态，
Figure BDA00039361102500000314
是化学储能装置j时刻放电功率，
Figure BDA00039361102500000315
是化学储能装置j+1时刻电荷状态，
Figure BDA00039361102500000316
是化学储能装置j+1时刻放电功率。
可选地，所述化学储能装置的仿真模型为带松弛变量的支持向量回归模型，所述带松弛变量的支持向量回归模型通过映射将数据的非线性预测问题转换成高维空间中的线性预测问题。
可选地，所述带松弛变量的支持向量回归模型的计算公式为：
Figure BDA0003936110250000041
并且所述带松弛变量的支持向量回归模型满足：
Figure BDA0003936110250000042
Figure BDA0003936110250000043
其中：xi表示第i个训练样本的化学储能装置状态
Figure BDA0003936110250000044
xi与前述
Figure BDA0003936110250000045
等同；NB表示样本的总数量；
Figure BDA0003936110250000046
为式(6)的权重系数，算式
Figure BDA0003936110250000047
为函数间隔，表示样本点与超平面的距离，||||表示二范数计算公式；δ(xi)表示对样本点xi的核函数变换，即K(x,xi)＝δ(x)Tδ(xi)，T表示向量转置；C为惩罚系数，
Figure BDA0003936110250000048
用于消除数据结构中的噪音点，ξi和
Figure BDA0003936110250000049
为松弛变量，ε为带松弛变量的支持向量回归模型f(x)与对应的实际值zi之间的误差阈值，b为常数。
可选地，所述带松弛变量的支持向量回归模型的核函数选取高斯核函数计算公式为：
Figure BDA00039361102500000410
其中：σ为核函数的参数，exp表示以自然常数e为底的指数函数。
可选地，所述化学储能装置的仿真模型采用损失函数进行训练，计算公式为：
Figure BDA00039361102500000411
其中：NB表示样本的总数量；j表示化学储能装置状态的维度数量。
可选地，所述利用所述火电机组的仿真模型及所述化学储能装置的仿真模型建立强化学习模型，确定化学储能装置辅助火电机组的一次调频优化策略的步骤，包括：确定火电机组的状态评价指标以及确定化学储能装置的状态评价指标，两者满足：
R＝α1R1+α2R2 (10)
其中：R1是火电机组的状态评价指标，R2是化学储能装置的状态评价指标，α1和α2分别是设定的火电机组的状态评价指标的权重系数和化学储能装置的评价指标的权重系数，α1和α2均大于0，且α1和α2之和为1。
可选地，所述火电机组的状态评价指标的权重系数α1＝0.7，化学储能装置的评价指标的的权重系数α2＝0.3。
可选地，所述火电机组的状态评价指标的计算公式为：
Figure BDA0003936110250000051
所述化学储能装置的评价指标的计算公式为：
Figure BDA0003936110250000052
其中：SOCt为t时刻化学储能装置的电池荷电状态，S*为状态满足要求的化学储能装置的电池荷电状态，取S*＝0.5*SMax，SMax为满荷电状态下的化学储能装置的电池荷电状态，
Figure BDA0003936110250000053
表示火电机组在T1时刻的实际功率，Pt G和Pt B分别为自T1+1时刻起火电机组的实际功率与化学储能装置的放电功率，T3表示一次调频自开始起到15秒的位置，P2表示15秒内火电机组的理论功率变化量，其计算公式为：
Figure BDA0003936110250000054
其中：Δn表示一次调频发生时，火电机组忽略转速死区部分后转速的变化量，n0表示火电机组的汽轮机额定转速，并网后均取3000转/分，δ表示火电机组转速不等率，选取值为5％，Pe为火电机组的额定功率。
可选地，所述强化学习模型包括策略网络和评价网络，所述策略网络用于根据前一时刻的火电机组与化学储能装置的状态，输出当前时刻所述化学储能装置应该放电的功率建议值，所述评价网络用于根据所述化学储能装置应该放电的功率建议值，计算所述评价网络的训练误差，并更新所述策略网络和评价网络的训练参数。
可选地，所述评价网络包括第一评价网络和第二评价网络，所述化学储能装置应该放电的功率建议值分别输入第一评价网络和第二评价网络后，分别得到第一评价网络和第二评价网络的评分，其中t时刻第一评价网络和第二评价网络的评分分别计算公式为：
Figure BDA0003936110250000061
Figure BDA0003936110250000062
其中：V1t和V2t分别是t时刻第一评价网络和第二评价网络的评分，
Figure BDA0003936110250000063
是t时刻火电机组与化学储能装置的仿真状态值，且其表达方式为：
Figure BDA0003936110250000064
利用Vt+1-Vt代表评价网络的训练误差，且：
Figure BDA0003936110250000065
Figure BDA0003936110250000066
其中：γ代表折现因子，设定为0.9。
可选地，所述策略网络的目标参数通过目标函数更新，所述目标函数的计算公式为：
Figure BDA0003936110250000067
其中：θActor为策略网络的目标参数，N代表样本数量，T代表总的训练时长。
第二方面，本申请提供一种化学储能装置辅助火电机组一次调频装置，包括采集单元和计算单元，其中：
所述采集单元，用于采集火电机组的状态变量及化学储能装置的状态观测变量的历史数据，
所述计算单元，用于根据所述火电机组的状态变量及所述化学储能装置的状态观测变量的历史数据分别训练火电机组的仿真模型及化学储能装置的仿真模型，以及利用所述火电机组的仿真模型及所述化学储能装置的仿真模型建立强化学习模型，确定化学储能装置辅助火电机组的一次调频优化策略。
第三方面，本申请提供一种计算机存储介质，其上存储有程序，该程序被处理器执行时实现如上任一项所述的化学储能装置辅助火电机组一次调频的方法中的步骤。
第四方面，本申请提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如上任一项所述的化学储能装置辅助火电机组一次调频的方法中的步骤。
本发明实施例提供的技术方案可以包括以下有益效果：
本申请基于化学储能装置与火电机组的历史运行数据，建立相应的仿真模型，能够对两者的运行状态进行训练、拟合；并通过强化学习，确定最终的调频优化策略，实现综合火电运行状态的化学储能装置在一次调频响应区间内的最优放电功率策略，实现调频优化。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的化学储能装置辅助火电机组一次调频的方法的流程示意图；
图2是根据一示例性实施例示出的门循环控制单元的结构原理图；
图3是根据一示例性实施例示出的强化学习模型的训练方法示意图；
图4是根据一示例性实施例示出的火电机组一次调频动作过程示意图；
图5是根据一示例性实施例示出的化学储能装置辅助火电机组一次调频装置的结构示意图；
图6是根据一示例性实施例示出的计算机设备的结构示意图。
具体实施方式
以下描述和附图充分地示出本文的具体实施方案，以使本领域的技术人员能够实践它们。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本文的实施方案的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。本文中，术语“第一”、“第二”等仅被用来将一个元素与另一个元素区分开来，而不要求或者暗示这些元素之间存在任何实际的关系或者顺序。实际上第一元素也能够被称为第二元素，反之亦然。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的结构、装置或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种结构、装置或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的结构、装置或者设备中还存在另外的相同要素。本文中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中的术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底"内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本文和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。在本文的描述中，除非另有规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
本文中，除非另有说明，术语“多个”表示两个或两个以上。
本文中，字符“/”表示前后对象是一种“或”的关系。例如，A/B表示：A或B。
本文中，术语“和/或”是一种描述对象的关联关系，表示可以存在三种关系。例如，A和/或B，表示：A或B，或，A和B这三种关系。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
请参照图1，本实施例提供一种化学储能装置辅助火电机组一次调频的方法，包括以下步骤：
采集火电机组的状态变量及化学储能装置的状态观测变量的历史数据；
根据所述火电机组的状态变量及所述化学储能装置的状态观测变量的历史数据分别训练火电机组的仿真模型及化学储能装置的仿真模型；
利用所述火电机组的仿真模型及所述化学储能装置的仿真模型建立强化学习模型，确定化学储能装置辅助火电机组的一次调频优化策略。
可选地，火电机组的状态变量包括有功功率、主汽温度、主汽流量和锅炉主控输出中的一种或几种，化学储能装置的状态观测变量包括电荷状态和放电功率中。
图2给出了一个实施例中门循环控制单元(GRU Cell，Gated Recurrent UnitCell)的工作原理示意图，其中，实心箭头表示这条连线上需要乘以一个权重，箭头表示实线的初始端是末端的自变量，其中
Figure BDA0003936110250000101
表示新输入的变量引起的信息输入状态，rt表示重置门，it表示更新门，利用公式表示为：
rt＝σsig(Wrst-1+Urxt+br) (21)
it＝σsig(Wist-1+Uixt+bi) (22)
Figure BDA0003936110250000102
Figure BDA0003936110250000103
从上式可以看出，当重置门rt接近于0时，表示忽略之前状态st-1的信息，只将当前时刻的新增信息xt作为输入计算当前状态st，更新门it则控制了之前时刻的信息被带入到当前状态的程度，it越小，之前时刻的状态st-1提供的信息越多，门循环控制网络在t时刻的输出值则需要st通过一个致密层后得到，其中：Sigmoid函数和Tanh函数的表达式如下：
Figure BDA0003936110250000104
tanh(x)＝2*sig(x)-1 (26)
其中，⊙表示对应元素的表示矩阵中元素的逐点相乘；st表示t时刻的状态值，；σsig表示重置门和更新门的激活函数，通常使用Sigmoid函数作为激活函数；φtanh表示新增信息状态
Figure BDA0003936110250000105
的激活函数，通常用Tanh函数作为激活函数；Wr、Ur、br分别表示重置门参数，Wi、Ui、bi表示更新门参数，Xn和rnnout分别代表门循环控制网络的输入量和输出。
在一个实施例中，火电机组的仿真模型为门循环控制网络模型(GRU模型，GatedRecurrent Unit模型)，门循环控制网络模型的输入量的计算公式为：
Figure BDA0003936110250000111
门循环控制网络模型的输出量的计算公式为：
Figure BDA0003936110250000112
其中：
Figure BDA0003936110250000113
是火电机组t时刻的有功功率，
Figure BDA0003936110250000114
是火电机组t时刻的主汽温度、
Figure BDA0003936110250000115
是火电机组t时刻的主汽流量，
Figure BDA0003936110250000116
是火电机组t时刻的锅炉主控输出，
Figure BDA0003936110250000117
是火电机组t+1时刻输出的有功功率，
Figure BDA0003936110250000118
是火电机组t+1时刻的主汽温度，
Figure BDA0003936110250000119
是火电机组t+1时刻的主汽流量，
Figure BDA00039361102500001110
是火电机组t+1时刻的锅炉主控输出。
在一个实施例中，门循环控制网络模型为三层网络，其中
Figure BDA00039361102500001111
是门循环控制网络模型的第一层网络的输入量，第一层网络的输出量作为第二层网络的输入量，第二层网络的输出量作为第三层网络的输入量，
Figure BDA00039361102500001112
是门循环控制网络模型的第三层网络的输出量。
门循环控制网络模型采用随机梯度下降法进行训练作为三层网络的参数更新的方法，并使用损失函数对三层网络进行优化，损失函数的计算公式为：
Figure BDA00039361102500001113
其中：NG表示样本的数量，4表示火电机组的状态变量
Figure BDA00039361102500001114
的4个维度，
Figure BDA00039361102500001115
表示对火电机组的状态变量的估计值，
Figure BDA00039361102500001116
表示火电机组的状态变量的实际值。
化学储能装置的仿真模型的输入量的计算公式为：
Figure BDA00039361102500001117
化学储能装置的仿真模型的输出量的计算公式为：
Figure BDA0003936110250000121
其中：
Figure BDA0003936110250000122
是化学储能装置j时刻电荷状态，
Figure BDA0003936110250000123
是化学储能装置j时刻放电功率，
Figure BDA0003936110250000124
是化学储能装置j+1时刻电荷状态，
Figure BDA0003936110250000125
是化学储能装置j+1时刻放电功率。
化学储能装置的仿真模型为带松弛变量的支持向量回归模型(SVM模型，SupportVector Machine模型)，带松弛变量的支持向量回归模型通过映射将数据的非线性预测问题转换成高维空间中的线性预测问题，带松弛变量的支持向量回归模型的计算公式为：
Figure BDA0003936110250000126
并且带松弛变量的支持向量回归模型满足：
Figure BDA0003936110250000127
Figure BDA0003936110250000128
其中：xi表示第i个训练样本的化学储能装置状态，
Figure BDA0003936110250000129
xi与前述
Figure BDA00039361102500001210
等同；NB表示样本的总数量；
Figure BDA00039361102500001211
为式(6)的权重系数，算式
Figure BDA00039361102500001212
为函数间隔，表示样本点与超平面的距离，||||表示二范数计算公式；δ(xi)表示对样本点xi的核函数变换，即K(x,xi)＝δ(x)Tδ(xi)，T表示向量转置；C为惩罚系数，
Figure BDA00039361102500001213
用于消除数据结构中的噪音点，ξi和
Figure BDA00039361102500001214
为松弛变量，ε为带松弛变量的支持向量回归模型f(x)与对应的实际值zi之间的误差阈值，b为常数。
带松弛变量的支持向量回归模型的核函数选取高斯核函数计算公式为：
Figure BDA00039361102500001215
其中：σ为核函数的参数，exp表示以自然常数e为底的指数函数。
化学储能装置的仿真模型采用损失函数进行训练，计算公式为：
Figure BDA0003936110250000131
其中：NB表示样本的总数量；j表示化学储能装置状态的维度数量。
利用火电机组的仿真模型及化学储能装置的仿真模型建立强化学习模型，确定化学储能装置辅助火电机组的一次调频优化策略的步骤，包括：确定火电机组的状态评价指标以及确定化学储能装置的状态评价指标，两者满足：
R＝α1R1+α2R2 (10)
其中：R1是火电机组的状态评价指标，R2是化学储能装置的状态评价指标，α1和α2分别是设定的火电机组的状态评价指标的权重系数和化学储能装置的评价指标的权重系数，α1和α2均大于0，且α1和α2之和为1。
火电机组的状态评价指标的权重系数α1＝0.7，化学储能装置的评价指标的的权重系数α2＝0.3。
火电机组的状态评价指标的计算公式为：
Figure BDA0003936110250000132
化学储能装置的评价指标的计算公式为：
Figure BDA0003936110250000133
由于储能装置的电池荷电状态(State of Charge,SOC)与放电关系密切，同时SOC不同比例下的充放电还决定了装置的使用寿命，因此在一次调频性能评价的同时还需要对储能设备的自身情况进行评价，其中：SOCt为t时刻化学储能装置的电池荷电状态，S*为状态满足要求的化学储能装置的电池荷电状态，取S*＝0.5*SMax，SMax为满荷电状态下的化学储能装置的电池荷电状态，
Figure BDA0003936110250000134
表示火电机组在T1时刻的实际功率，Pt G和Pt B分别为自T1+1时刻起火电机组的实际功率与化学储能装置的放电功率，T3表示一次调频自开始起到15秒的位置，P2表示15秒内火电机组的理论功率变化量，其计算公式为：
Figure BDA0003936110250000141
其中：Δn表示一次调频发生时，火电机组忽略转速死区部分后转速的变化量，n0表示火电机组的汽轮机额定转速，并网后均取3000转/分，δ表示火电机组转速不等率，选取值为5％，Pe为火电机组的额定功率，火电机组的额定功率可根据机组容量不同进行修改，此外，在一次调频的过程中，起始响应时间也作为性能评价指标，但是由于本申请中使用储能辅助，其具备放电速度快的特性，因此不再将响应时间作为一次调频性能评价指标。
结合上述实施例，请参照图3和图4，在一个实施例中，基于储能装置与火电机组历史海量运行数据，分别使用SVM(Support Vector Machine，SVM)和GRU(Gated RecurrentUnit,GRU)模型对两者的运行状态进行训练、拟合并能够实现单步预测，从而获得相应的仿真模型，强化学习模型包括策略网络(Actor网络)和评价网络(Critic网络)，策略网络用于根据前一时刻的火电机组与化学储能装置的状态，输出当前时刻化学储能装置应该放电的功率建议值，评价网络用于根据化学储能装置应该放电的功率建议值，计算评价网络的训练误差(TD)，并更新策略网络和评价网络的训练参数，评价网络，根据火电机组和储能装置的运行状态以及储能装置当前放电动作，完成了整体奖励的计算；策略网络，用于接受前一个时刻的火电机组与储能装置状态，输出当前时刻储能装置应该放电的功率建议值。
可选地，评价网络包括第一评价网络和第二评价网络，化学储能装置应该放电的功率建议值分别输入第一评价网络和第二评价网络后，分别得到第一评价网络和第二评价网络的评分，其中t时刻第一评价网络和第二评价网络的评分分别计算公式为：
Figure BDA0003936110250000151
Figure BDA0003936110250000152
其中：V1t和V2t分别是t时刻第一评价网络和第二评价网络的评分，
Figure BDA0003936110250000153
是t时刻火电机组与化学储能装置的状态值，其表达方式为：
Figure BDA0003936110250000154
利用Vt+1-Vt代表评价网络的训练误差，且：
Figure BDA0003936110250000155
Figure BDA0003936110250000156
其中：γ代表折现因子，设定为0.9。
策略网络的目标参数通过目标函数更新，目标函数的计算公式为：
Figure BDA0003936110250000157
其中：θActor为策略网络的目标参数，N代表样本数量，T代表总的训练时长。
完成训练后的强化学习模型在实际应用时，其接收火电机组和化学储能装置给出的t时刻的状态变量，输出对应的化学储能装置的放电电荷
Figure BDA0003936110250000158
就实现了优化后的策略输出，完成火电机组的一次调频优化后的策略输出。
请参照图5，在一个实施例中，提供一种化学储能装置辅助火电机组一次调频装置，包括采集单元和计算单元，其中：
采集单元，用于采集火电机组的状态变量及化学储能装置的状态观测变量的历史数据，
计算单元，用于根据火电机组的状态变量及化学储能装置的状态观测变量的历史数据分别训练火电机组的仿真模型及化学储能装置的仿真模型，以及利用火电机组的仿真模型及化学储能装置的仿真模型建立强化学习模型，确定化学储能装置辅助火电机组的一次调频优化策略。
在一个实施例中，提供一种化学储能装置辅助火电机组一次调频装置，其通过上述任一实施例公开的化学储能装置辅助火电机组一次调频的方法中的步骤，实现化学储能装置辅助火电机组的一次调频优化控制。
在一个实施例中，提供一种计算机存储介质，其上存储有程序，该程序被处理器执行时实现如上任一实施例公开的化学储能装置辅助火电机组一次调频的方法中的步骤。
在一个实施例中，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现如上任一实施例公开的化学储能装置辅助火电机组一次调频的方法中的步骤
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中：该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储静态信息和动态信息数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述方法实施例中的步骤。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的设备的限定，具体的设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中：本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
需要说明的是，以上描述仅为本申请的一些实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本申请的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (16)

1.一种化学储能装置辅助火电机组一次调频的方法，其特征在于，包括以下步骤：
采集火电机组的状态变量及化学储能装置的状态观测变量的历史数据；
根据所述火电机组的状态变量及所述化学储能装置的状态观测变量的历史数据分别训练火电机组的仿真模型及化学储能装置的仿真模型；
利用所述火电机组的仿真模型及所述化学储能装置的仿真模型建立强化学习模型，确定化学储能装置辅助火电机组的一次调频优化策略。
2.根据权利要求1所述的化学储能装置辅助火电机组一次调频的方法，其特征在于，所述火电机组的状态变量包括有功功率、主汽温度、主汽流量和锅炉主控输出中的一种或几种，所述化学储能装置的状态观测变量包括电荷状态和放电功率中。
3.根据权利要求2所述的化学储能装置辅助火电机组一次调频的方法，其特征在于，所述火电机组的仿真模型为门循环控制网络模型，所述门循环控制网络模型的输入量的计算公式为：
Figure FDA0003936110240000011
所述门循环控制网络模型的输出量的计算公式为：
Figure FDA0003936110240000012
其中：
Figure FDA0003936110240000013
是火电机组t时刻的有功功率，
Figure FDA0003936110240000014
是火电机组t时刻的主汽温度、
Figure FDA0003936110240000015
是火电机组t时刻的主汽流量，
Figure FDA0003936110240000016
是火电机组t时刻的锅炉主控输出，
Figure FDA0003936110240000017
是火电机组t+1时刻输出的有功功率，
Figure FDA0003936110240000018
是火电机组t+1时刻的主汽温度，
Figure FDA0003936110240000019
是火电机组t+1时刻的主汽流量，
Figure FDA00039361102400000110
是火电机组t+1时刻的锅炉主控输出。
4.根据权利要求3所述的化学储能装置辅助火电机组一次调频的方法，其特征在于，所述门循环控制网络模型为三层网络，其中：
Figure FDA0003936110240000021
是门循环控制网络模型的第一层网络的输入量，第一层网络的输出量作为第二层网络的输入量，第二层网络的输出量作为第三层网络的输入量，
Figure FDA0003936110240000022
是门循环控制网络模型的第三层网络的输出量。
5.根据权利要求4所述的化学储能装置辅助火电机组一次调频的方法，其特征在于，所述门循环控制网络模型采用随机梯度下降法进行训练作为所述三层网络的参数更新的方法，并使用损失函数对三层网络进行优化，所述损失函数的计算公式为：
Figure FDA0003936110240000023
其中：NG表示样本的数量，4表示火电机组的状态变量
Figure FDA0003936110240000024
的4个维度，
Figure FDA0003936110240000025
表示对火电机组的状态变量的估计值，
Figure FDA0003936110240000026
表示火电机组的状态变量的实际值。
6.根据权利要求5所述的化学储能装置辅助火电机组一次调频的方法，其特征在于，所述化学储能装置的仿真模型的输入量的计算公式为：
Figure FDA0003936110240000027
所述化学储能装置的仿真模型的输出量的计算公式为：
Figure FDA0003936110240000028
其中：
Figure FDA0003936110240000029
是化学储能装置j时刻电荷状态，
Figure FDA00039361102400000210
是化学储能装置j时刻放电功率，
Figure FDA00039361102400000211
是化学储能装置j+1时刻电荷状态，
Figure FDA00039361102400000212
是化学储能装置j+1时刻放电功率。
7.根据权利要求6所述的化学储能装置辅助火电机组一次调频的方法，其特征在于，所述化学储能装置的仿真模型为带松弛变量的支持向量回归模型，所述带松弛变量的支持向量回归模型的计算公式为：
Figure FDA0003936110240000031
且所述带松弛变量的支持向量回归模型满足：
Figure FDA0003936110240000032
其中：xi表示第i个训练样本的化学储能装置状态，
Figure FDA0003936110240000033
且xi与前述
Figure FDA0003936110240000034
等同，NB表示样本的总数量，
Figure FDA0003936110240000035
为式(6)的权重系数，算式
Figure FDA0003936110240000036
为函数间隔，表示样本点与超平面的距离，|| ||表示二范数计算公式，δ(xi)表示对样本点xi的核函数变换，即K(x,xi)＝δ(x)Tδ(xi)，T表示向量转置，C为惩罚系数，
Figure FDA0003936110240000037
用于消除数据结构中的噪音点，ξi和
Figure FDA0003936110240000038
为松弛变量，ε为带松弛变量的支持向量回归模型f(x)与对应的实际值zi之间的误差阈值，b为常数。
8.根据权利要求7所述的化学储能装置辅助火电机组一次调频的方法，其特征在于，所述带松弛变量的支持向量回归模型的核函数的计算公式为：
Figure FDA0003936110240000039
其中：σ为核函数的参数，exp表示以自然常数e为底的指数函数。
9.根据权利要求8所述的化学储能装置辅助火电机组一次调频的方法，其特征在于，所述化学储能装置的仿真模型采用损失函数进行训练，计算公式为：
Figure FDA00039361102400000310
其中：NB表示样本的总数量；j表示化学储能装置状态的维度数量。
10.根据权利要求9所述的化学储能装置辅助火电机组一次调频的方法，其特征在于，所述利用所述火电机组的仿真模型及所述化学储能装置的仿真模型建立强化学习模型，确定化学储能装置辅助火电机组的一次调频优化策略的步骤，包括：确定火电机组的状态评价指标以及确定化学储能装置的状态评价指标，两者满足：
R＝α1R1+α2R2 (10)
其中：R1是火电机组的状态评价指标，R2是化学储能装置的状态评价指标，α1和α2分别是设定的火电机组的状态评价指标的权重系数和化学储能装置的评价指标的权重系数，α1和α2均大于0，且α1和α2之和为1。
11.根据权利要求10所述的化学储能装置辅助火电机组一次调频的方法，其特征在于，所述强化学习模型包括策略网络和评价网络，所述策略网络用于根据前一时刻的火电机组与化学储能装置的状态值，输出当前时刻所述化学储能装置应该放电的功率建议值，所述评价网络用于根据所述化学储能装置应该放电的功率建议值，计算所述评价网络的训练误差，并更新所述策略网络和评价网络的训练参数。
12.根据权利要求11所述的化学储能装置辅助火电机组一次调频的方法，其特征在于，所述评价网络包括第一评价网络和第二评价网络，所述化学储能装置应该放电的功率建议值分别输入第一评价网络和第二评价网络后，分别得到第一评价网络和第二评价网络的评分，其中t时刻第一评价网络和第二评价网络的评分的计算公式分别为：
Figure FDA0003936110240000041
Figure FDA0003936110240000042
其中：V1t和V2t分别是t时刻第一评价网络和第二评价网络的评分，
Figure FDA0003936110240000043
是t时刻火电机组与化学储能装置的仿真状态值，其表达方式为：
Figure FDA0003936110240000044
利用Vt+1-Vt代表评价网络的训练误差，且：
Figure FDA0003936110240000051
Figure FDA0003936110240000052
其中：γ代表折现因子，设定为0.9。
13.根据权利要求12所述的化学储能装置辅助火电机组一次调频的方法，其特征在于，所述策略网络的目标参数通过目标函数更新，所述目标函数的计算公式为：
Figure FDA0003936110240000053
其中：θActor为策略网络的目标参数，N代表样本数量，T代表总的训练时长。
14.一种化学储能装置辅助火电机组一次调频装置，其特征在于，包括采集单元和计算单元，其中：
所述采集单元，用于采集火电机组的状态变量及化学储能装置的状态观测变量的历史数据；
所述计算单元，用于根据所述火电机组的状态变量及所述化学储能装置的状态观测变量的历史数据分别训练火电机组的仿真模型及化学储能装置的仿真模型，以及利用所述火电机组的仿真模型及所述化学储能装置的仿真模型建立强化学习模型，并确定化学储能装置辅助火电机组的一次调频优化策略。
15.一种计算机存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-13任一项所述的化学储能装置辅助火电机组一次调频的方法中的步骤。
16.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-13任一项所述的化学储能装置辅助火电机组一次调频的方法中的步骤。
CN202211404028.2A 2022-11-10 2022-11-10 一种化学储能装置辅助火电机组一次调频的方法及装置 Pending CN115600508A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211404028.2A CN115600508A (zh) 2022-11-10 2022-11-10 一种化学储能装置辅助火电机组一次调频的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211404028.2A CN115600508A (zh) 2022-11-10 2022-11-10 一种化学储能装置辅助火电机组一次调频的方法及装置

Publications (1)

Publication Number Publication Date
CN115600508A true CN115600508A (zh) 2023-01-13

Family

ID=84852485

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211404028.2A Pending CN115600508A (zh) 2022-11-10 2022-11-10 一种化学储能装置辅助火电机组一次调频的方法及装置

Country Status (1)

Country Link
CN (1) CN115600508A (zh)

Similar Documents

Publication Publication Date Title
CN111884213B (zh) 一种基于深度强化学习算法的配电网电压调节方法
CN112862281A (zh) 综合能源系统调度模型构建方法、装置、介质及电子设备
CN114372417A (zh) 基于充电网的电动汽车电池健康状态和剩余寿命评估方法
CN111242388B (zh) 一种考虑冷热电联供的微电网优化调度方法
CN115632179B (zh) 一种锂离子电池智能快速充电方法及系统
CN105644548A (zh) 混合动力汽车的能量控制方法及装置
CN114123256B (zh) 一种适应随机优化决策的分布式储能配置方法及系统
WO2019006995A1 (zh) 一种电动汽车动力电池soc智能化预测系统
CN113794199B (zh) 一种考虑电力市场波动的风电储能系统最大收益优化方法
CN110598915B (zh) 一种热电联供的微电网经济优化方法
CN116345578B (zh) 基于深度确定性策略梯度的微电网运行优化调度方法
CN115236526A (zh) 一种剩余充电时间预测方法、装置、存储介质和车辆
CN116014715A (zh) 一种基于数字孪生的综合能源控制方法及系统
CN114430165A (zh) 基于深度模型预测的微网群智能协调控制方法和装置
CN117039981A (zh) 一种面向含新能源的大规模电网优化调度方法、装置、存储介质
Viji et al. Hybrid STO-IWGAN method based energy optimization in fuel cell electric vehicles
CN112084680B (zh) 一种基于dqn算法的能源互联网优化策略方法
Zhang et al. Research for SOC prediction of lithium battery based on GA-ESN
CN115600508A (zh) 一种化学储能装置辅助火电机组一次调频的方法及装置
Li et al. Research on SOC estimation of lithium battery based on GWO-BP neural network
CN116151633A (zh) 一种熔盐储能放热控制方法、系统、设备及存储介质
CN114048576B (zh) 一种稳定电网输电断面潮流的储能系统智能化控制方法
CN114400713A (zh) 综合能源系统区间优化调度方法
Tong et al. Real-time simplified variable domain fuzzy control of PEM fuel cell flow systems
CN117993693B (zh) 一种行为克隆强化学习的零碳园区调度方法及系统

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