CN115764931A - 一种电力系统自动发电控制方法、系统、设备和介质 - Google Patents
一种电力系统自动发电控制方法、系统、设备和介质 Download PDFInfo
- Publication number
- CN115764931A CN115764931A CN202211625683.0A CN202211625683A CN115764931A CN 115764931 A CN115764931 A CN 115764931A CN 202211625683 A CN202211625683 A CN 202211625683A CN 115764931 A CN115764931 A CN 115764931A
- Authority
- CN
- China
- Prior art keywords
- power
- initial
- target
- total
- value
- 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
Images
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种电力系统自动发电控制方法、系统、设备和介质,通过获取电力系统对应的负荷扰动数据,通过预设的两区域互联模型获取负荷扰动数据对应的初始区域控制误差值。将初始区域控制误差值输入预设的算法控制器,确定电力系统对应的初始系统状态,基于初始系统状态,确定电力系统对应的中间调节功率总指令。基于中间调节功率总指令对应的目标区域控制误差值和频率偏差,确定电力系统对应的目标调节功率总指令。通过算法控制器能及时确定电力系统对应的目标调节功率总指令,从而实现自动发电协调控制,在不同负荷扰动工况下均能展现出良好的动态性能,具有较强的泛化性。
Description
技术领域
本发明涉及电力系统自动发电技术领域,尤其涉及一种电力系统自动发电控制方法、系统、设备和介质。
背景技术
越来越多的新能源和可再生资源被连接到大规模互联电力系统中。面对分布式新能源以及柔性负荷并入电网的电力系统新形态,自动发电控制(Automatic GenerationControl,AGC)通过调节机组出力以响应负荷变化,其主要目标是维持系统频率稳定。
传统AGC控制以PID控制为主,其主要单一化地根据区域控制误差值(areacontrol error,ACE)来确定总调节功率,以控制机组出力。由于电力系统新形态下区域间互动变化灵活,各种分布式能源不断并入电网,以PID控制为主的传统AGC系统需要根据长期历史数据进行学习、分析、存储,来多区域进行协同控制。
现有的电力系统自动发电控制采用传统控制方法进行自动发电时,系统的每次变换都需要对参数进行整定,抗干扰能力差,且所使用的离策略算法难以收敛,导致收敛速度慢。
发明内容
本发明提供了一种电力系统自动发电控制方法、系统、设备和介质,解决了现有的电力系统自动发电控制采用传统控制方法进行自动发电时,系统的每次变换都需要对参数进行整定,抗干扰能力差,且所使用的离策略算法难以收敛,导致收敛速度慢的技术问题。
本发明提供的一种电力系统自动发电控制方法,包括:
获取所述电力系统对应的负荷扰动数据,通过预设的两区域互联模型获取所述负荷扰动数据对应的初始区域控制误差值;
将所述初始区域控制误差值输入预设的算法控制器,确定所述电力系统对应的初始系统状态;
根据所述初始系统状态,确定所述电力系统对应的中间调节功率总指令;
根据所述中间调节功率总指令对应的目标区域控制误差值和频率偏差,确定所述电力系统对应的目标调节功率总指令。
可选地,所述根据所述初始系统状态,确定所述电力系统对应的中间调节功率总指令的步骤,包括:
基于所述初始系统状态和预设的初始矩阵,确定所述电力系统对应的初始执行动作;
通过所述算法控制器执行所述初始执行动作,生成初始调节功率总指令;
根据所述初始调节功率总指令,确定所述电力系统对应的目标系统状态、迭代次数和目标矩阵;
判断所述迭代次数是否等于预设迭代阈值;
若是,则将所述目标系统状态对应的初始调节功率总指令作为所述电力系统对应的中间调节功率总指令;
若否,则将所述目标系统状态和所述目标矩阵分别作为所述初始系统状态和所述初始矩阵,并跳转执行所述基于所述初始系统状态和预设的初始矩阵,确定所述电力系统对应的初始执行动作的步骤,直至所述迭代次数等于所述预设迭代阈值。
可选地,所述根据所述初始调节功率总指令,确定所述电力系统对应的目标系统状态、统计迭代次数和目标矩阵的步骤,包括:
将所述初始调节功率总指令输入所述两区域互联模型,生成所述电力系统对应的中间区域控制误差值和初始频率偏差值;
将所述中间区域控制误差值输入所述算法控制器,确定所述电力系统对应的目标系统状态并实时统计迭代次数;
采用所述中间区域控制误差值和所述初始频率偏差值,计算所述目标系统状态对应的奖励函数;
基于所述奖励函数更新所述初始矩阵,生成所述目标系统状态对应的目标矩阵。
可选地,所述基于所述奖励函数更新所述初始矩阵,生成所述目标系统状态对应的目标矩阵的步骤,包括:
获取所述初始矩阵对应的初始值函数;
将所述初始值函数和所述奖励函数代入预设的更新公式,生成目标值函数;
采用所述目标值函数更新所述初始矩阵,生成所述目标系统状态对应的目标矩阵。
可选地,所述根据所述中间调节功率总指令对应的目标区域控制误差值和频率偏差,确定所述电力系统对应的目标调节功率总指令的步骤,包括:
获取所述中间调节功率总指令对应的目标区域控制误差值和频率偏差;
采用所述目标区域控制误差值和所述频率偏差,计算所述中间调节功率总指令对应的偏差指标值;
根据所述偏差指标值、所述频率偏差和预设的误差范围,确定所述电力系统对应的目标调节功率总指令。
可选地,所述偏差指标值包括第一偏差指标值和第二偏差指标值;所述采用所述目标区域控制误差值和所述频率偏差,计算所述中间调节功率总指令对应的偏差指标值的步骤,包括:
采用所述目标区域控制误差值和所述频率偏差对应的平均值,计算所述第一偏差指标值;
获取所述目标区域控制误差值和所述频率偏差对应的考核不合格时段、总时段和非考核时段;
基于所述考核不合格时段、所述总时段和所述非考核时段,确定所述第二偏差指标值。
可选地,所述误差范围包括指标值误差范围和频率误差范围;所述根据所述偏差指标值、所述频率偏差和预设的误差范围,确定所述电力系统对应的目标调节功率总指令的步骤,包括:
判断所述偏差指标值是否满足所述指标值误差范围;
若否,则跳转执行所述根据所述初始系统状态,确定所述电力系统对应的中间调节功率总指令的步骤,直至所述偏差指标值满足所述指标值误差范围;
若是,则判断所述频率偏差是否满足所述频率误差范围;
若否,则跳转执行所述根据所述初始系统状态,确定所述电力系统对应的中间调节功率总指令的步骤,直至所述频率偏差满足所述频率误差范围;
若是,则将当前时刻的所述中间调节功率总指令作为所述电力系统对应的目标调节功率总指令。
本发明还提供了一种电力系统自动发电控制系统,包括:
初始区域控制误差值获取模块,用于获取所述电力系统对应的负荷扰动数据,通过预设的两区域互联模型获取所述负荷扰动数据对应的初始区域控制误差值;
初始系统状态确定模块,用于将所述初始区域控制误差值输入预设的算法控制器,确定所述电力系统对应的初始系统状态;
中间调节功率总指令确定模块,用于根据所述初始系统状态,确定所述电力系统对应的中间调节功率总指令;
目标调节功率总指令确定模块,用于根据所述中间调节功率总指令对应的目标区域控制误差值和频率偏差,确定所述电力系统对应的目标调节功率总指令。
本发明还提供了一种电子设备,包括存储器及处理器,所述存储器中储存有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行实现如上述任一项电力系统自动发电控制方法的步骤。
本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被执行时实现如上述任一项电力系统自动发电控制方法。
从以上技术方案可以看出,本发明具有以下优点:
本发明通过获取电力系统对应的负荷扰动数据,并通过预设的两区域互联模型获取负荷扰动数据对应的初始区域控制误差值。将初始区域控制误差值输入预设的算法控制器,确定电力系统对应的初始系统状态,基于初始系统状态,确定电力系统对应的中间调节功率总指令。基于中间调节功率总指令对应的目标区域控制误差值和频率偏差,确定电力系统对应的目标调节功率总指令。解决了现有的电力系统自动发电控制采用传统控制方法进行自动发电时,系统的每次变换都需要对参数进行整定,抗干扰能力差,且所使用的离策略算法难以收敛,导致收敛速度慢的技术问题。通过算法控制器的自主寻优能力,在新能源电源接入所带来的互联复杂电力系统环境下,能及时确定电力系统对应的目标调节功率总指令,从而实现自动发电协调控制,在不同负荷扰动工况下均能展现出良好的动态性能,具有较强的泛化性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例一提供的一种电力系统自动发电控制方法的步骤流程图;
图2为本发明实施例一提供的原动机与调速器的互联关系的结构示意图;
图3为本发明实施例一提供的汽轮机调速器的传递函数模型的结构示意图;
图4为本发明实施例一提供的连接区域电网a和b的联络线传递函数模型的结构示意图;
图5为本发明实施例二提供的一种电力系统自动发电控制方法的步骤流程图;
图6为本发明实施例二提供的切入引入随机方波扰动后四种算法ACE、Δf、CPS1偏差绝对值的平均值对比图;
图7为本发明实施例三提供的一种电力系统自动发电控制系统的结构框图。
具体实施方式
本发明实施例提供了一种电力系统自动发电控制方法、系统、设备和介质,用于解决现有的电力系统自动发电控制采用传统控制方法进行自动发电时,系统的每次变换都需要对参数进行整定,抗干扰能力差,且所使用的离策略算法难以收敛,导致收敛速度慢的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1,图1为本发明实施例一提供的一种电力系统自动发电控制方法的步骤流程图。
本发明提供的一种电力系统自动发电控制方法,包括:
步骤101、获取电力系统对应的负荷扰动数据,通过预设的两区域互联模型获取负荷扰动数据对应的初始区域控制误差值。
预设的两区域互联模型又称两区域LFC模型,包括电力系统负荷频率控制模型、小型水电机组和飞轮储能。小型水电机组属于发电调节性能较好的一种分布式电源,其一次、二次调频响应速度快,对一定范围内的负荷波动可快速动作而达到微网的负荷-发电平衡状态,以减缓频率波动。随着越来越多强随机性分布式电源的接入以及用户对供电质量要求的不断增高,储能装置的需求大幅增加。飞轮储能技术利用高速旋转的飞轮将能量以动能的形式储存起来,当系统缺乏能量时,飞轮将减速运行,释放出存储的能量。
在电力系统负荷频率控制模型中,发电机组由原动机向发电机提供机械功率,是机械设备中的重要驱动部分。原动机是电力系统中利用能源能量转换为原动力的机械装置,主要通过调速器获取得到转动速率,以能源产生的能量来驱动原动机,进而产生机械动能。然后,发电机通过电磁感应定律将机械动能转换为电能,再输出到电力网络中,以供给用户侧负荷使用。发电机组建模过程中,原动机与调速器之间的互联关系如图2所示,在图2中ωref为调速器给定的机械速率;ε为机械速率误差值;μ为汽轮机汽门控制阀或水轮机导水叶的开度;Pm为输出机械功率;Ef为发电机的转子提供励磁电流的能量;Pe为发电机发出的有功功率;Qe为发电机发出的无功功率;PL为发电机能够提供给负载的有功功率;QL为发电机能够提供给负载的无功功率。
调速器主要用于降低机组非周期性速率波动以维持原动机转速稳定。作为一种自动调节装置,在应对负荷变化时,自动调节机械转动速率,使得原动机转速保持在设定值,从而保证发电机组的正常运转。以汽轮机调速器模型为例,其传递函数模型如图3所示,在图3中,ΔPc为负荷功率变化量;Δf为频率变化量;R为汽轮机调速器的调差系数;s为拉普拉斯算子;Tg为调速器的调节时间系数;μ为汽轮机汽门控制阀或水轮机导水叶的开度。
联络线是指电力系统中发电厂与电力网络之间起连接作用的专用导线,或各区域电网间互联的输电线路。假设两区域互联电网由区域电网a和区域电网b通过联络线连接构成,则联络线传递函数模型可由图4表示,在图4中,ΔPab为两区域电网的负荷功率变化量;T为联络线时间常数;s为拉普拉斯算子;Δfa为区域电网a的频率变化量;Δfb为区域电网b的频率变化量。
在本发明实施例中,当随机性分布式电源接入电力系统时,获取电力系统对应的负荷扰动数据,并通过预设的两区域互联模型获取负荷扰动数据对应的初始区域控制误差值。
步骤102、将初始区域控制误差值输入预设的算法控制器,确定电力系统对应的初始系统状态。
预设的算法控制器又称SQ(σ)算法控制器,是指基于SQ(σ)学习算法构成的控制器,用于基于电力系统在新能源电源接入时的变化,生成对应的调节功率总指令,实现电力系统自动发电。
随着人工智能的井喷式发展,基于马尔科夫过程的强化学习被广泛应用于自动发电控制AGC中,其能够在探索过程中不断与环境交互学习、积累经验分析并获取最优策略。而SQ(σ)算法控制器对应的SQ(σ)强化学习算法理论分析具体为:
Q(σ)算法对应的Q值更新公式如下式所示:
式中,Qk+1(s,a)为状态s动作a下的经第(k+1)步迭代的值函数;Qk(s,a)则为状态s动作a下的经第k步迭代的值函数;α为智能体的学习率;为经参数σ加权后的第k步迭代的值函数误差。值函数误差对应的表达式为:
式中,为经参数σ加权后的第k步迭代的值函数误差;Rk+1为第k+1步迭代过程时的奖励函数值;γ为折扣因子;σ为混合采样参数;Qk(sk+1,ak+1)为状态sk+1动作ak+1下的经第k步迭代的值函数;π(sk+1,a)为状态sk+1动作a下的决策策略值函数;Qk(sk,ak)则为状态sk动作ak+1下的经第k步迭代的值函数。
基于上述Q值更新公式,SQ(σ)算法控制器采用的是融入快速Q学习算法的更新公式,具体如下式所示:
Qk+1(s,a)=(1-α)Qk(s,a)+αγM(s,a)+αRk+1
式中,Qk(s,a)则为状态s动作a下的经第k步迭代的值函数;α为智能体的学习率;M(s,a)为上一迭代步更新状态动作(s,a)的Q值时下一状态的估计最大Q值;Rk+1为第k+1步迭代过程时的奖励函数值;γ为折扣因子。估计最大Q值对应的表达式为:
强化学习的状态区间需离散化,对于离散状态集S,算法控制器从电力系统中采集区域控制误差值作为输入,将系统状态划分为13个,如表1强化学习的状态区间所示。
表1强化学习的状态区间
在本发明实施例中,将初始区域控制误差值输入算法控制器,通过算法控制器从强化学习的状态区间筛选出电力系统对应的初始系统状态。
步骤103、根据初始系统状态,确定电力系统对应的中间调节功率总指令。
在本发明实施例中,基于初始系统状态和预设的初始矩阵,确定电力系统对应的初始执行动作。通过算法控制器执行初始执行动作,生成初始调节功率总指令。根据初始调节功率总指令,确定电力系统对应的目标系统状态、统计迭代次数和目标矩阵。判断迭代次数是否等于预设迭代阈值;若是,则将目标系统状态对应的初始调节功率总指令作为电力系统对应的中间调节功率总指令;若否,则将目标系统状态和目标矩阵分别作为初始系统状态和初始矩阵,并跳转执行基于初始系统状态和预设的初始矩阵,确定电力系统对应的初始执行动作的步骤,直至迭代次数等于预设迭代阈值。
步骤104、根据中间调节功率总指令对应的目标区域控制误差值和频率偏差,确定电力系统对应的目标调节功率总指令。
在本发明实施例中,获取中间调节功率总指令对应的目标区域控制误差值和频率偏差。采用目标区域控制误差值和频率偏差,计算中间调节功率总指令对应的偏差指标值。基于偏差指标值、频率偏差和预设的误差范围,确定电力系统对应的目标调节功率总指令。
在本发明实施例中,通过获取电力系统对应的负荷扰动数据,并通过预设的两区域互联模型获取负荷扰动数据对应的初始区域控制误差值。将初始区域控制误差值输入预设的算法控制器,确定电力系统对应的初始系统状态,基于初始系统状态,确定电力系统对应的中间调节功率总指令。基于中间调节功率总指令对应的目标区域控制误差值和频率偏差,确定电力系统对应的目标调节功率总指令。解决了现有的电力系统自动发电控制采用传统控制方法进行自动发电时,系统的每次变换都需要对参数进行整定,抗干扰能力差,且所使用的离策略算法难以收敛,导致收敛速度慢的技术问题。通过算法控制器的自主寻优能力,在新能源电源接入所带来的互联复杂电力系统环境下,能及时确定电力系统对应的目标调节功率总指令,从而实现自动发电协调控制,在不同负荷扰动工况下均能展现出良好的动态性能,具有较强的泛化性。
请参阅图5,图5为本发明实施例二提供的一种电力系统自动发电控制方法的步骤流程图。
本发明提供的另一种电力系统自动发电控制方法,包括:
步骤501、获取电力系统对应的负荷扰动数据,通过预设的两区域互联模型获取负荷扰动数据对应的初始区域控制误差值。
在本发明实施例中,当随机性分布式电源接入电力系统时,获取电力系统对应的负荷扰动数据,使用预设的两区域互联模型进行仿真,通过预设的两区域互联模型获取负荷扰动数据对应的初始区域控制误差值,然后通过算法控制器制定对应的目标调节功率总指令。
步骤502、将初始区域控制误差值输入预设的算法控制器,确定电力系统对应的初始系统状态。
在本发明实施例中,通过将初始区域控制误差值输入算法控制器,算法控制器基于初始区域控制误差值,从强化学习的状态区间内,筛选出该初始区域控制误差值对应的系统状态,并将该系统状态作为电力系统对应的初始系统状态。
步骤503、根据初始系统状态,确定电力系统对应的中间调节功率总指令。
进一步地,步骤503可以包括以下子步骤S11-S16:
S11、基于初始系统状态和预设的初始矩阵,确定电力系统对应的初始执行动作。
S12、通过算法控制器执行初始执行动作,生成初始调节功率总指令。
S13、根据初始调节功率总指令,确定电力系统对应的目标系统状态、迭代次数和目标矩阵。
S14、判断迭代次数是否等于预设迭代阈值。
S15、若是,则将目标系统状态对应的初始调节功率总指令作为电力系统对应的中间调节功率总指令。
S16、若否,则将目标系统状态和目标矩阵分别作为初始系统状态和初始矩阵,并跳转执行基于初始系统状态和预设的初始矩阵,确定电力系统对应的初始执行动作的步骤,直至迭代次数等于预设迭代阈值。
在确定系统状态对应的执行动作时,采用的是基于概率分布选择动作的追踪算法的动作选择策略。该策略在学习初始阶段,控制器从随机开始选择动作,即初始化使得各状态下任意可行动作被选择的概率相等;在学习过程中,随着Q值函数表格的变化,各状态下动作概率分布按下述公式进行更新,有较高Q值的动作被赋予较高的概率,而且所有动作的概率都不为零。
在本发明实施例中,预设的初始矩阵是指基于初始系统状态,采用动作选择策略确定得到的初始矩阵。采用动作选择策略确定初始系统状态对应的初始矩阵,从而确定电力系统对应的初始执行动作。在确定初始执行动作后,采用算法控制器执行该初始执行动作,发出初始调节功率中指令,各个机组响应指令输出功率,各区域产生新的联络线与频率偏差,计算出对应的区域控制误差值ACE。将ACE作为算法控制器的输入,划分状态以得到目标系统状态,并基于目标系统状态,确定电力系统对应的迭代次数和目标矩阵。当迭代次数等于预设迭代阈值时,将目标系统状态对应的初始调节功率总指令作为电力系统对应的中间调节功率总指令。当迭代次数不等于预设迭代阈值时,将目标系统状态和目标矩阵分别作为初始系统状态和初始矩阵,并跳转执行基于所初始系统状态和预设的初始矩阵,确定电力系统对应的初始执行动作的步骤,直至迭代次数等于预设迭代阈值。
进一步地,步骤S13可以包括以下子步骤S131-S134:
S131、将初始调节功率总指令输入两区域互联模型,生成电力系统对应的中间区域控制误差值和初始频率偏差值。
S132、将中间区域控制误差值输入算法控制器,确定电力系统对应的目标系统状态并实时统计迭代次数。
S133、采用中间区域控制误差值和初始频率偏差值,计算目标系统状态对应的奖励函数。
S134、基于奖励函数更新初始矩阵,生成目标系统状态对应的目标矩阵。
区域控制误差值ACE综合了区域交换功率和频率变换指标,是区域控制指标和实时动作好坏的直接反映。而频率稳定是衡量电力系统稳定的重要指标之一,故而选取ACE的瞬时值ACE(k)和频率偏差绝对值|Δf|的线性加权作为综合目标奖励函数,以获取最优AGC机组出力,在最优AGC控制策略下达到系统功率平衡。对ACE和Δf的量纲进行归一化处理,奖励函数表示如下:
式中,R(k)为综合目标奖励函数;η的取值代表了ACE与Δf(k)之间的权重关系,若权重倾向于ACE,则智能体会为了追求互联电网之间联络线功率偏差最小,加大自身区域电网频率的偏移。反之,智能体则会注重频率偏差,对ACE指标的变化不敏感,造成联络线功率偏差加大;|Δf(k)|为频率偏差绝对值;ACE(k)为ACE的瞬时值。
在本发明实施例中,将基于初始执行动作,生成的初始调节功率总指令输入两区域互联模型进行仿真,从而生成电力系统对应的中间区域控制误差值和初始频率偏差值。通过将中间区域控制误差值输入算法控制器,从而确定在初始调节功率总指令下,电力系统对应的目标系统状态并实时统计迭代次数。采用中间区域控制误差值和初始频率偏差值,计算目标系统状态对应的奖励函数,并基于奖励函数更新初始矩阵,生成目标系统状态对应的目标矩阵。
进一步地,步骤S134可以包括以下子步骤S1341-S1343:
S1341、获取初始矩阵对应的初始值函数。
S1342、将初始值函数和奖励函数代入预设的更新公式,生成目标值函数。
S1343、采用目标值函数更新初始矩阵,生成目标系统状态对应的目标矩阵。
预设的更新公式是指融入快速Q学习算法的更新公式,具体的表达式为:
Qk+1(s,a)=(1-α)Qk(s,a)+αγM(s,a)+αRkα1
式中,Qk(s,a)则为状态s动作a下的经第k步迭代的值函数;α为智能体的学习率;(s)(s,a)为上一迭代步更新状态动作(s,a)的Q值时下一状态的估计最大Q值。
在本发明实施例中,通过算法控制器获取初始矩阵对应的初始值函数,并采用融入快速Q学习算法的更新公式基于初始值函数和奖励函数,计算出对应的目标值函数。然后采用目标值函数更新初始矩阵,得到目标系统状态对应的目标矩阵。
步骤504、获取中间调节功率总指令对应的目标区域控制误差值和频率偏差。
在本发明实施例中,将中间调节功率总指令输入两区域LFC模型进行仿真,从而得到对应的目标区域控制误差值和频率偏差。
步骤505、采用目标区域控制误差值和频率偏差,计算中间调节功率总指令对应的偏差指标值。
进一步地,步骤505可以包括以下子步骤S21-S23:
S21、采用目标区域控制误差值和频率偏差对应的平均值,计算第一偏差指标值。
S22、获取目标区域控制误差值和频率偏差对应的考核不合格时段、总时段和非考核时段。
S23、基于考核不合格时段、总时段和非考核时段,确定第二偏差指标值。
在本发明实施例中,偏差指标值包括第一偏差指标值CPS1和第二偏差指标值CPS2。第一偏差指标值CPS1的计算表达式为:
式中,ACEAVE-min是1分钟ACE的平均值;ΔFAVE-min是1分钟频率偏差的平均值;Bi是控制区域的频率偏差系数,单位是10MW/Hz;n为该时段内的分钟数;是互联电网对全年1分钟频率平均偏差的均方根的控制目标值。
第二偏差指标值CPS2的计算表达式为:
式中,Tu,Ts和Tn分别为考核不合格时段、总时段和非考核时段,其中,考核不合格时段为ACE每10分钟的平均值大于T10的考核时段数。
步骤506、根据偏差指标值、频率偏差和预设的误差范围,确定电力系统对应的目标调节功率总指令。
进一步地,步骤506可以包括以下子步骤S31-S35:
S31、判断偏差指标值是否满足指标值误差范围。
S32、若否,则跳转执行根据初始系统状态,确定电力系统对应的中间调节功率总指令的步骤,直至偏差指标值满足指标值误差范围。
S33、若是,则判断频率偏差是否满足频率误差范围。
S34、若否,则跳转执行根据初始系统状态,确定电力系统对应的中间调节功率总指令的步骤,直至频率偏差满足频率误差范围。
S35、若是,则将当前时刻的中间调节功率总指令作为电力系统对应的目标调节功率总指令。
在本发明实施例中,在多区域分布式互联电网中,第i个区域电网SQ(σ)控制器以实时ACE与Δf作为控制器输入。对于区域电网的评价依赖于偏差指标值CPS是否合格以及频率偏差Δf值是否处于可允许的误差范围内。误差范围包括指标值误差范围和频率误差范围具体如下:
指标值误差范围包括:
1)若CPS1≥200%,且CPS2为任意值,CPS指标合格;
2)若100%≤CPS1<200%,且CPS2≥90%,CPS指标合格;
3)若CPS1<100%,则CPS指标不合格。
频率误差范围为若Δf∈(-0.2,0.2)Hz,频率偏差合格。
柔性负荷(如电动汽车)所导致的强随机扰动是由用户的不确定性与充放电过程所导致的,电动汽车在大规模且无序的接入和离开电网的情况下,电网的负荷会随之进行无序的波动,并且由于锂电池的充放电特性,在刚开始充电的时刻会出现较为陡峭的充电功率爬坡曲线,这对传统火电水电机组的响应能力提出了更高的要求。
传统控制方法(例如:PI)的参数整定是维持控制能力的关键,但是复杂的电力系统建模尤其困难,变动的因素相当庞大和复杂,系统的每次变换都需要对参数进行整定;本申请实施例采用以强化学习为基础的算法控制器能表现出良好的自优化能力,而且应用的是无模型强化学习算法,对于系统的变化并不敏感,在频繁变换或者复杂的系统中能具有更好的控制能力,增强电网对风电、光伏、柔性负荷的等间歇性能源消纳能力。
为验证SQ(σ)算法控制器的性能,本发明在MATLAB/Simulink中搭建改进两区域LFC模型,表2为改进两区域LFC模型的基本参数,两个区域的机组参数值设置一致,通过引入随机方波扰动(幅值不超过1000MW)来模拟接入未知的分布式新能源的随机负荷扰动情况,测试SQ(σ)、Q(σ)、GWDQ、Q四种控制器的控制性能。
表2改进两区域LFC模型基本参数
参数 | 数值 | 参数 | 数值 |
T<sub>t</sub> | 0.3s | T<sub>12</sub> | 3.42s |
T<sub>g</sub> | 0.08s | K<sub>p</sub> | 0.00012 |
T<sub>p</sub> | 20s |
如图6所示,在上述实施方案中,当切入引入随机方波扰动后,Q学习算法频率偏差绝对值的平均值为0.0074Hz;ACE偏差绝对值的平均值为8.137MW;CPS1的平均值为199.53%。GWDQ算法频率偏差绝对值的平均值为0.0066Hz;ACE偏差绝对值的平均值为7.13MW;CPS1的平均值为199.76%。Q(σ)算法频率偏差绝对值的平均值为0.0033Hz,ACE偏差绝对值的平均值为3.621MW;CPS1的平均值为199.83%。而SQ(σ)的频率偏差绝对值的平均值为0.0029Hz,相比前三者减少了12.12%~60.81%;ACE偏差绝对值的平均值为2.961MW,相比前三者减少了18.22%~63.61%;CPS1的平均值为199.85%,相比前三者提高了CPS1 0.011%~0.16%,表明了本发明所提算法具有更强的抗扰动性和动态优化能力。
在本发明实施例中,通过获取电力系统对应的负荷扰动数据,通过预设的两区域互联模型获取负荷扰动数据对应的初始区域控制误差值。将初始区域控制误差值输入预设的算法控制器,确定电力系统对应的初始系统状态。基于初始系统状态,确定电力系统对应的中间调节功率总指令。获取中间调节功率总指令对应的目标区域控制误差值和频率偏差。采用目标区域控制误差值和频率偏差,计算中间调节功率总指令对应的偏差指标值。基于偏差指标值、频率偏差和预设的误差范围,确定电力系统对应的目标调节功率总指令。并通过仿真分析论证了本发明所提到的控制方法的可行性和鲁棒性,在多区域电力系统中能够有效降低不同负荷扰动工况下的频率偏差,有效提高了电力系统的稳定性,为后续电网调频稳定性以及经济性评估打下了一定基础。
请参阅图7,图7为本发明实施例三提供的一种电力系统自动发电控制系统的结构框图。
本发明实施例提供一种电力系统自动发电控制系统,包括:
初始区域控制误差值获取模块701,用于获取电力系统对应的负荷扰动数据,通过预设的两区域互联模型获取负荷扰动数据对应的初始区域控制误差值。
初始系统状态确定模块702,用于将初始区域控制误差值输入预设的算法控制器,确定电力系统对应的初始系统状态。
中间调节功率总指令确定模块703,用于根据初始系统状态,确定电力系统对应的中间调节功率总指令。
目标调节功率总指令确定模块704,用于根据中间调节功率总指令对应的目标区域控制误差值和频率偏差,确定电力系统对应的目标调节功率总指令。
可选地,中间调节功率总指令确定模块703包括:
初始执行动作确定模块,用于基于初始系统状态和预设的初始矩阵,确定电力系统对应的初始执行动作。
初始调节功率总指令生成模块,用于通过算法控制器执行初始执行动作,生成初始调节功率总指令。
目标系统状态、迭代次数和目标矩阵确定模块,用于根据初始调节功率总指令,确定电力系统对应的目标系统状态、迭代次数和目标矩阵。
迭代次数判断模块,用于判断迭代次数是否等于预设迭代阈值。
中间调节功率总指令确定第一子模块,用于若是,则将目标系统状态对应的初始调节功率总指令作为电力系统对应的中间调节功率总指令。
中间调节功率总指令确定第二子模块,用于若否,则将目标系统状态和目标矩阵分别作为初始系统状态和初始矩阵,并跳转执行基于初始系统状态和预设的初始矩阵,确定电力系统对应的初始执行动作的步骤,直至迭代次数等于预设迭代阈值。
可选地,目标系统状态、迭代次数和目标矩阵确定模块包括:
中间区域控制误差值和初始频率偏差值生成模块,用于将初始调节功率总指令输入两区域互联模型,生成电力系统对应的中间区域控制误差值和初始频率偏差值。
目标系统状态确定模块,用于将中间区域控制误差值输入算法控制器,确定电力系统对应的目标系统状态并实时统计迭代次数。
奖励函数计算模块,用于采用中间区域控制误差值和初始频率偏差值,计算目标系统状态对应的奖励函数。
目标矩阵生成模块,用于基于奖励函数更新初始矩阵,生成目标系统状态对应的目标矩阵。
可选地,目标矩阵生成模块可以执行以下步骤:
获取初始矩阵对应的初始值函数;
将初始值函数和奖励函数代入预设的更新公式,生成目标值函数;
采用目标值函数更新初始矩阵,生成目标系统状态对应的目标矩阵。
可选地,目标调节功率总指令确定模块704包括:
目标区域控制误差值和频率偏差获取模块,用于获取中间调节功率总指令对应的目标区域控制误差值和频率偏差。
偏差指标值计算模块,用于采用目标区域控制误差值和频率偏差,计算中间调节功率总指令对应的偏差指标值。
目标调节功率总指令确定子模块,用于根据偏差指标值、频率偏差和预设的误差范围,确定电力系统对应的目标调节功率总指令。
可选地,偏差指标值包括第一偏差指标值和第二偏差指标值,偏差指标值计算模块可以执行以下步骤:
采用目标区域控制误差值和频率偏差对应的平均值,计算第一偏差指标值;
获取目标区域控制误差值和频率偏差对应的考核不合格时段、总时段和非考核时段;
基于考核不合格时段、总时段和非考核时段,确定第二偏差指标值。
可选地,误差范围包括指标值误差范围和频率误差范围,目标调节功率总指令确定子模块可以执行以下步骤:
判断偏差指标值是否满足指标值误差范围;
若否,则跳转执行根据初始系统状态,确定电力系统对应的中间调节功率总指令的步骤,直至偏差指标值满足指标值误差范围;
若是,则判断频率偏差是否满足频率误差范围;
若否,则跳转执行根据初始系统状态,确定电力系统对应的中间调节功率总指令的步骤,直至频率偏差满足频率误差范围;
若是,则将当前时刻的中间调节功率总指令作为电力系统对应的目标调节功率总指令。
本发明实施例还提供了一种电子设备,电子设备包括:存储器及处理器,存储器中储存有计算机程序;计算机程序被处理器执行时,使得处理器执行如上述任一实施例的电力系统自动发电控制方法。
存储器可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器具有用于执行上述方法中的任何方法步骤的程序代码的存储空间。例如,用于程序代码的存储空间可以包括分别用于实现上面的方法中的各种步骤的各个程序代码。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘,紧致盘(CD)、存储卡或者软盘之类的程序代码载体。程序代码可以例如以适当形式进行压缩。这些代码当由计算处理设备运行时,导致该计算处理设备执行上面所描述的电力系统自动发电控制方法中的各个步骤。
本发明实施例还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如上述任一实施例的电力系统自动发电控制方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种电力系统自动发电控制方法,其特征在于,包括:
获取所述电力系统对应的负荷扰动数据,通过预设的两区域互联模型获取所述负荷扰动数据对应的初始区域控制误差值;
将所述初始区域控制误差值输入预设的算法控制器,确定所述电力系统对应的初始系统状态;
根据所述初始系统状态,确定所述电力系统对应的中间调节功率总指令;
根据所述中间调节功率总指令对应的目标区域控制误差值和频率偏差,确定所述电力系统对应的目标调节功率总指令。
2.根据权利要求1所述的电力系统自动发电控制方法,其特征在于,所述根据所述初始系统状态,确定所述电力系统对应的中间调节功率总指令的步骤,包括:
基于所述初始系统状态和预设的初始矩阵,确定所述电力系统对应的初始执行动作;
通过所述算法控制器执行所述初始执行动作,生成初始调节功率总指令;
根据所述初始调节功率总指令,确定所述电力系统对应的目标系统状态、迭代次数和目标矩阵;
判断所述迭代次数是否等于预设迭代阈值;
若是,则将所述目标系统状态对应的初始调节功率总指令作为所述电力系统对应的中间调节功率总指令;
若否,则将所述目标系统状态和所述目标矩阵分别作为所述初始系统状态和所述初始矩阵,并跳转执行所述基于所述初始系统状态和预设的初始矩阵,确定所述电力系统对应的初始执行动作的步骤,直至所述迭代次数等于所述预设迭代阈值。
3.根据权利要求2所述的电力系统自动发电控制方法,其特征在于,所述根据所述初始调节功率总指令,确定所述电力系统对应的目标系统状态、统计迭代次数和目标矩阵的步骤,包括:
将所述初始调节功率总指令输入所述两区域互联模型,生成所述电力系统对应的中间区域控制误差值和初始频率偏差值;
将所述中间区域控制误差值输入所述算法控制器,确定所述电力系统对应的目标系统状态并实时统计迭代次数;
采用所述中间区域控制误差值和所述初始频率偏差值,计算所述目标系统状态对应的奖励函数;
基于所述奖励函数更新所述初始矩阵,生成所述目标系统状态对应的目标矩阵。
4.根据权利要求3所述的电力系统自动发电控制方法,其特征在于,所述基于所述奖励函数更新所述初始矩阵,生成所述目标系统状态对应的目标矩阵的步骤,包括:
获取所述初始矩阵对应的初始值函数;
将所述初始值函数和所述奖励函数代入预设的更新公式,生成目标值函数;
采用所述目标值函数更新所述初始矩阵,生成所述目标系统状态对应的目标矩阵。
5.根据权利要求1所述的电力系统自动发电控制方法,其特征在于,所述根据所述中间调节功率总指令对应的目标区域控制误差值和频率偏差,确定所述电力系统对应的目标调节功率总指令的步骤,包括:
获取所述中间调节功率总指令对应的目标区域控制误差值和频率偏差;
采用所述目标区域控制误差值和所述频率偏差,计算所述中间调节功率总指令对应的偏差指标值;
根据所述偏差指标值、所述频率偏差和预设的误差范围,确定所述电力系统对应的目标调节功率总指令。
6.根据权利要求5所述的电力系统自动发电控制方法,其特征在于,所述偏差指标值包括第一偏差指标值和第二偏差指标值;所述采用所述目标区域控制误差值和所述频率偏差,计算所述中间调节功率总指令对应的偏差指标值的步骤,包括:
采用所述目标区域控制误差值和所述频率偏差对应的平均值,计算所述第一偏差指标值;
获取所述目标区域控制误差值和所述频率偏差对应的考核不合格时段、总时段和非考核时段;
基于所述考核不合格时段、所述总时段和所述非考核时段,确定所述第二偏差指标值。
7.根据权利要求5所述的电力系统自动发电控制方法,其特征在于,所述误差范围包括指标值误差范围和频率误差范围;所述根据所述偏差指标值、所述频率偏差和预设的误差范围,确定所述电力系统对应的目标调节功率总指令的步骤,包括:
判断所述偏差指标值是否满足所述指标值误差范围;
若否,则跳转执行所述根据所述初始系统状态,确定所述电力系统对应的中间调节功率总指令的步骤,直至所述偏差指标值满足所述指标值误差范围;
若是,则判断所述频率偏差是否满足所述频率误差范围;
若否,则跳转执行所述根据所述初始系统状态,确定所述电力系统对应的中间调节功率总指令的步骤,直至所述频率偏差满足所述频率误差范围;
若是,则将当前时刻的所述中间调节功率总指令作为所述电力系统对应的目标调节功率总指令。
8.一种电力系统自动发电控制系统,其特征在于,包括:
初始区域控制误差值获取模块,用于获取所述电力系统对应的负荷扰动数据,通过预设的两区域互联模型获取所述负荷扰动数据对应的初始区域控制误差值;
初始系统状态确定模块,用于将所述初始区域控制误差值输入预设的算法控制器,确定所述电力系统对应的初始系统状态;
中间调节功率总指令确定模块,用于根据所述初始系统状态,确定所述电力系统对应的中间调节功率总指令;
目标调节功率总指令确定模块,用于根据所述中间调节功率总指令对应的目标区域控制误差值和频率偏差,确定所述电力系统对应的目标调节功率总指令。
9.一种电子设备,其特征在于,包括存储器及处理器,所述存储器中储存有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1-7任一项所述的电力系统自动发电控制方法的步骤。
10.一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,所述计算机程序被执行时实现如权利要求1-7任一项所述的电力系统自动发电控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211625683.0A CN115764931A (zh) | 2022-12-16 | 2022-12-16 | 一种电力系统自动发电控制方法、系统、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211625683.0A CN115764931A (zh) | 2022-12-16 | 2022-12-16 | 一种电力系统自动发电控制方法、系统、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115764931A true CN115764931A (zh) | 2023-03-07 |
Family
ID=85346420
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211625683.0A Pending CN115764931A (zh) | 2022-12-16 | 2022-12-16 | 一种电力系统自动发电控制方法、系统、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115764931A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116345583A (zh) * | 2023-05-18 | 2023-06-27 | 华北电力大学 | 一种电网供电功率调节方法及系统 |
CN117039941A (zh) * | 2023-10-09 | 2023-11-10 | 长江三峡集团实业发展(北京)有限公司 | 自动发电控制的优化方法、装置、计算机设备及存储介质 |
-
2022
- 2022-12-16 CN CN202211625683.0A patent/CN115764931A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116345583A (zh) * | 2023-05-18 | 2023-06-27 | 华北电力大学 | 一种电网供电功率调节方法及系统 |
CN117039941A (zh) * | 2023-10-09 | 2023-11-10 | 长江三峡集团实业发展(北京)有限公司 | 自动发电控制的优化方法、装置、计算机设备及存储介质 |
CN117039941B (zh) * | 2023-10-09 | 2024-01-26 | 长江三峡集团实业发展(北京)有限公司 | 自动发电控制的优化方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106786807B (zh) | 一种基于模型预测控制的风电场有功功率控制方法 | |
Zhao et al. | Performance enhancement of pumped storage units for system frequency support based on a novel small signal model | |
CN115764931A (zh) | 一种电力系统自动发电控制方法、系统、设备和介质 | |
CN102184453A (zh) | 基于模糊神经网络和支持向量机的风电功率组合预测方法 | |
CN103473393A (zh) | 一种考虑随机概率的输电裕度控制模型建模方法 | |
Yin et al. | Fuzzy vector reinforcement learning algorithm for generation control of power systems considering flywheel energy storage | |
He et al. | Stochastic model predictive control of hybrid energy storage for improving AGC performance of thermal generators | |
Ma et al. | State-of-the-art forecasting algorithms for microgrids | |
Ebell et al. | Reinforcement learning control algorithm for a pv-battery-system providing frequency containment reserve power | |
Bai et al. | Robust online operation of power systems with advanced adiabatic compressed air energy storage and renewable generation | |
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 | |
JP7285053B2 (ja) | 電力需給制御装置、電力需給制御システムおよび電力需給制御方法 | |
Xu et al. | Design of type-2 fuzzy fractional-order proportional-integral-derivative controller and multi-objective parameter optimization under load reduction condition of the pumped storage unit | |
Zhang et al. | Multi–objective cluster partition method for distribution network considering uncertainties of distributed generations and loads | |
CN115619431A (zh) | 微电网的调度方法、装置、终端及存储介质 | |
CN116054194A (zh) | 一种强化学习自动发电控制方法、装置、设备及介质 | |
Liu et al. | Deep-Q-network-based intelligent reschedule for power system operational planning | |
Luo et al. | Review on coordination and planning of active distribution network | |
Xu et al. | Design of three-stage start-up optimal strategy based on fuzzy fractional-order proportion integration differentiation controller of pumped storage unit under low water head | |
Panda et al. | Prioritized experience replay based deep distributional reinforcement learning for battery operation in microgrids | |
Yang et al. | Wind-storage combined system based on just-in-time-learning prediction model with dynamic error compensation | |
Zhu et al. | Hierarchical cluster coordination control strategy for large-scale wind power based on model predictive control and improved multi-time-scale active power dispatching | |
Liu et al. | Real-time scheduling of renewable power systems through planning-based reinforcement learning | |
Bordons et al. | Basic Energy Management Systems in Microgrids | |
Wang et al. | Power load forecasting of LSSVM based on real time price and chaotic characteristic of loads |
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 |