CN115765004B - 一种飞轮-火电系统的agc实时调度方法、系统及设备 - Google Patents
一种飞轮-火电系统的agc实时调度方法、系统及设备 Download PDFInfo
- Publication number
- CN115765004B CN115765004B CN202211456201.3A CN202211456201A CN115765004B CN 115765004 B CN115765004 B CN 115765004B CN 202211456201 A CN202211456201 A CN 202211456201A CN 115765004 B CN115765004 B CN 115765004B
- Authority
- CN
- China
- Prior art keywords
- agc
- time
- agc load
- predicted
- load instruction
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000004146 energy storage Methods 0.000 claims abstract description 80
- 238000005457 optimization Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims description 40
- 238000010801 machine learning Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 12
- 230000001105 regulatory effect Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 3
- 238000011217 control strategy Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 12
- 230000004044 response Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000007599 discharging Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 239000008358 core component Substances 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000036962 time dependent Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- Y02E60/16—Mechanical energy storage, e.g. flywheels or pressurised fluids
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种飞轮‑火电系统的AGC实时调度方法、系统及设备,属于电网调度领域,AGC实时调度方法包括:获取待预测AGC负荷指令集;根据待预测AGC负荷指令集,基于回归预测模型,预测未来设定时段内目标时刻的预测AGC负荷指令;判断预测AGC负荷指令与当前时刻的实际AGC负荷指令是否相同,若相同,则进行下一调度周期的调度;若不同,则根据预测AGC负荷指令,以火电机组的总调节速率最小为目标,以飞轮储能装置的荷电状态及充放电速率为约束,建立稳态优化模型,并求解,以控制各火电机组及飞轮储能装置的出力。在AGC负荷指令变化时更多的利用飞轮储能,降低火电机组的调节速率,进而提高飞轮‑火电系统的稳定性。
Description
技术领域
本发明涉及电网调度领域,特别是涉及一种基于负荷预测的飞轮-火电系统的AGC实时调度方法、系统及设备。
背景技术
目前,对火电机组的AGC(AutomaticGenerationControl,自动发电控制)指令响应速度、精度等指标均提出了更高的要求,如要求火电机组每分钟的调节速率不低于开机容量的1.5%。但是对于火电机组的核心设备而言,调节速率越高则稳定性越差。为了兼顾核心资产的使用寿命与考核要求,搭配储能系统用于分担考核压力有着积极意义。
在众多储能系统中,飞轮储能由于其响应速度快、调节精准、功率密度大、循环寿命长、工作温度范围广、环境友好等特性有着广阔的应用前景。但其缺点在于能量密度低,持续充放电时间短且造价较高。现有方案中都是简单使用飞轮储能搭配火电机组进行调频,并没有提出更好的控制策略,因此仍存在火电机组调节速率过高导致稳定性差的问题。
发明内容
本发明的目的是提供一种飞轮-火电系统的AGC实时调度方法、系统及设备,可在AGC负荷指令变化时更多的利用飞轮储能,降低火电机组的调节速率,进而提高飞轮-火电系统的稳定性。
为实现上述目的,本发明提供了如下方案:
一种飞轮-火电系统的AGC实时调度方法,飞轮-火电系统包括飞轮储能装置及多个火电机组,所述飞轮-火电系统的AGC实时调度方法包括:
针对当前调度周期内的当前时刻,获取待预测AGC负荷指令集;所述待预测AGC负荷指令集中包括当前时刻的实际AGC负荷指令及当前调度周期内初始时刻到当前时刻之间各时刻的实际AGC负荷指令;
根据所述待预测AGC负荷指令集,基于回归预测模型,预测未来设定时段内目标时刻的预测AGC负荷指令;所述回归预测模型为预先根据第一训练样本集,采用自动机器学习进行训练得到的;所述第一训练样本集中包括历史多个时刻的实际AGC负荷指令;
判断所述预测AGC负荷指令与当前时刻的实际AGC负荷指令是否相同,若相同,则进行下一调度周期的调度;
若不同,则根据所述预测AGC负荷指令,以火电机组的总调节速率最小为目标,以飞轮储能装置的荷电状态及充放电速率为约束,建立稳态优化模型,并对所述稳态优化模型求解,确定各火电机组的调节速率、所述飞轮储能装置的荷电状态及充放电速率,以控制各火电机组的出力及所述飞轮储能装置的出力,并进行下一调度周期的调度。
可选地,根据所述待预测AGC负荷指令集,基于回归预测模型,预测未来设定时段内目标时刻的预测AGC负荷指令,具体包括:
针对设定时段内的第1个时刻,根据所述待预测AGC负荷指令集,基于回归预测模型,确定设定时段内的第1个时刻的预测AGC负荷指令;
针对设定时段内的第b个时刻,根据所述待预测AGC负荷指令集,以及当前时刻到第b个时刻之间各时刻的预测AGC负荷指令,基于回归预测模型,确定设定时段内的第b个时刻的预测AGC负荷指令;1<b≤B;设定时段内的第B个时刻为目标时刻。
可选地,采用以下公式,确定t+h时刻的预测AGC负荷指令:
其中,yt+h,in为t+h时刻的预测AGC负荷指令,fh()为回归预测模型,yt'-d+1为t-d+1时刻的实际AGC负荷指令,yt'-d为t-d时刻的实际AGC负荷指令,yt'为t时刻的实际AGC负荷指令,yt+1,in为t+1时刻的预测AGC负荷指令,yt+h-1,in为t+h-1时刻的预测AGC负荷指令,t时刻为当前时刻,t+h时刻为未来设定时段内的目标时刻,t-d+1时刻为初始时刻,H为当前调度周期的长度。
可选地,在判断所述预测AGC负荷指令与当前时刻的实际AGC负荷指令是否相同之前,所述飞轮-火电系统的AGC实时调度方法还包括:
获取日前计划AGC负荷指令集;所述日前计划AGC负荷指令集中包括当前时刻的计划AGC负荷指令及当前调度周期内初始时刻到当前时刻之间各时刻的计划AGC负荷指令;
根据所述日前计划AGC负荷指令集,基于修正模型,对所述预测AGC负荷指令进行修正;所述修正模型为预先根据第二训练样本集,采用自动机器学习进行训练得到的;所述第二训练样本集中包括历史多个时刻的计划AGC负荷指令。
可选地,采用以下公式,对t+h时刻的预测AGC负荷指令进行修正:
其中,yt+h为修正后的预测AGC负荷指令,yt+h,in为t+h时刻的预测AGC负荷指令,gh()为修正模型,为t时刻的计划AGC负荷指令,/>为t-d时刻的计划AGC负荷指令,t时刻为当前时刻,t-d时刻为初始时刻。
可选地,所述稳态优化模型的目标函数为:
其中,F为目标函数值,为火电机组的总调节速率,M为火电机组的数量,/>为第m个火电机组的平均负荷调节速率,||为取绝对值运算。
可选地,所述稳态优化模型的约束条件为:
SOCmin≤SOC≤SOCmax;
其中,为火电机组的总调节速率,VFW为飞轮储能装置的充放电速率,V0为电网规定的调节速率,SOC为飞轮储能装置的荷电状态,SOCmin为飞轮储能装置调节区的荷电状态调节下限,SOCmax为飞轮储能装置调节区的荷电状态调节上限。
可选地,采用遗传算法对所述稳态优化模型求解。
为实现上述目的,本发明还提供了如下方案:
一种飞轮-火电系统的AGC实时调度系统,包括:
实际指令获取单元,用于针对当前调度周期内的当前时刻,获取待预测AGC负荷指令集;所述待预测AGC负荷指令集中包括当前时刻的实际AGC负荷指令及当前调度周期内初始时刻到当前时刻之间各时刻的实际AGC负荷指令;
预测单元,与所述实际指令获取单元连接,用于根据所述待预测AGC负荷指令集,基于回归预测模型,预测未来设定时段内目标时刻的预测AGC负荷指令;所述回归预测模型为预先根据第一训练样本集,采用自动机器学习进行训练得到的;所述第一训练样本集中包括历史多个时刻的实际AGC负荷指令;
判断单元,分别与所述实际指令获取单元及所述预测单元连接,用于判断所述预测AGC负荷指令与当前时刻的实际AGC负荷指令是否相同,若相同,则进行下一调度周期的调度;
调节单元,分别与所述实际指令获取单元及所述判断单元连接,用于在所述预测AGC负荷指令与当前时刻的实际AGC负荷指令不同时,根据所述预测AGC负荷指令,以火电机组的总调节速率最小为目标,以飞轮储能装置的荷电状态及充放电速率为约束,建立稳态优化模型,并对所述稳态优化模型求解,确定各火电机组的调节速率、所述飞轮储能装置的荷电状态及充放电速率,以控制各火电机组的出力及所述飞轮储能装置的出力,并进行下一调度周期的调度。
为实现上述目的,本发明还提供了如下方案:
一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行上述的飞轮-火电系统的AGC实时调度方法。
根据本发明提供的具体实施例,本发明公开了以下技术效果:根据当前时刻的实际AGC负荷指令及当前调度周期内初始时刻到当前时刻之间各时刻的实际AGC负荷指令,基于回归预测模型,预测未来设定时段内目标时刻的预测AGC负荷指令,若预测AGC负荷指令发生了变化,则根据预测AGC负荷指令,以火电机组的总调节速率最小为目标,以飞轮储能装置的荷电状态及充放电速率为约束,建立稳态优化模型,并求解,确定各火电机组的调节速率、飞轮储能装置的荷电状态及充放电速率,以控制各火电机组的出力及飞轮储能装置的出力。通过在AGC负荷指令变化时更多的利用飞轮储能,降低了火电机组的调节速率,进而提高了飞轮-火电系统的稳定性。
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他的附图。
图1为飞轮-火电系统的AGC实时调度方法的流程图;
图2为基于负荷预测的飞轮储能装置辅助AGC调度的流程示意图;
图3为AGC负荷指令预测值的确定过程示意图;
图4为基于回归预测模型的火储一体化控制策略示意图;
图5为日内24小时的AGC负荷指令随时间的变化曲线;
图6为本发明飞轮-火电系统的AGC实时调度系统的模块示意图。
符号说明:
实际指令获取单元-1,预测单元-2,判断单元-3,调节单元-4。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。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他实施例,都属于本发明保护的范围。
本发明的目的是提供一种飞轮-火电系统的AGC实时调度方法、系统及设备,通过在AGC负荷指令变化时更多的利用飞轮储能,降低火电机组的调节速率,进而提高飞轮-火电系统的稳定性。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
如图1所示,本发明飞轮-火电系统的AGC实时调度方法包括:
S1:针对当前调度周期内的当前时刻,获取待预测AGC负荷指令集。所述待预测AGC负荷指令集中包括当前时刻的实际AGC负荷指令及当前调度周期内初始时刻到当前时刻之间各时刻的实际AGC负荷指令。在本实施例中,AGC负荷指令为对应时刻的负荷需求量。
S2:根据所述待预测AGC负荷指令集,基于回归预测模型,预测未来设定时段内目标时刻的预测AGC负荷指令。所述回归预测模型为预先根据第一训练样本集,采用自动机器学习进行训练得到的。所述第一训练样本集中包括历史多个时刻的实际AGC负荷指令。
进一步地,步骤S2具体包括:
针对设定时段内的第1个时刻,根据所述待预测AGC负荷指令集,基于回归预测模型,确定设定时段内的第1个时刻的预测AGC负荷指令。
针对设定时段内的第b个时刻,根据所述待预测AGC负荷指令集,以及当前时刻到第b个时刻之间各时刻的预测AGC负荷指令,基于回归预测模型,确定设定时段内的第b个时刻的预测AGC负荷指令;1<b≤B;设定时段内的第B个时刻为目标时刻。
在本实施例中,采用以下公式,确定t+h时刻的预测AGC负荷指令:
其中,yt+h,in为t+h时刻的预测AGC负荷指令,fh()为回归预测模型,yt'-d+1为t-d+1时刻的实际AGC负荷指令,yt'-d为t-d时刻的实际AGC负荷指令,yt'为t时刻的实际AGC负荷指令,yt+1,in为t+1时刻的预测AGC负荷指令,yt+h-1,in为t+h-1时刻的预测AGC负荷指令,t时刻为当前时刻,t+h时刻为未来设定时段内的目标时刻,t-d+1时刻为初始时刻,H为当前调度周期的长度。
为了提高预测AGC负荷指令的精度,本发明飞轮-火电系统的AGC实时调度方法还包括:
S21:获取日前计划AGC负荷指令集。所述日前计划AGC负荷指令集中包括当前时刻的计划AGC负荷指令及当前调度周期内初始时刻到当前时刻之间各时刻的计划AGC负荷指令。
S22:根据所述日前计划AGC负荷指令集,基于修正模型,对所述预测AGC负荷指令进行修正。所述修正模型为预先根据第二训练样本集,采用自动机器学习进行训练得到的。所述第二训练样本集中包括历史多个时刻的计划AGC负荷指令。
具体地,采用以下公式,对t+h时刻的预测AGC负荷指令进行修正:
其中,yt+h为修正后的预测AGC负荷指令,yt+h,in为t+h时刻的预测AGC负荷指令,gh()为修正模型,为t时刻的计划AGC负荷指令,/>为t-d时刻的计划AGC负荷指令,t时刻为当前时刻,t-d时刻为初始时刻。
在本实施例中,回归预测模型并不是单指一个模型,而是将其视作多个时间步预测模型的集合:f1、f2、f3、…、fH。其中的每一个模型均可由f1推导得到,但彼此之间视作独立的模型,并分别对预测过程中每个时刻的预测AGC负荷指令进行修正。
S3:判断所述预测AGC负荷指令与当前时刻的实际AGC负荷指令是否相同,若相同,则进行下一调度周期的调度。
S4:若不同,则根据所述预测AGC负荷指令,以火电机组的总调节速率最小为目标,以飞轮储能装置的荷电状态及充放电速率为约束,建立稳态优化模型,并对所述稳态优化模型求解,确定各火电机组的调节速率、所述飞轮储能装置的荷电状态及充放电速率,以控制各火电机组的出力及所述飞轮储能装置的出力,并进行下一调度周期的调度。优选地,采用遗传算法对所述稳态优化模型求解。
具体地,所述稳态优化模型的目标函数为:
其中,F为目标函数值,为火电机组的总调节速率,M为火电机组的数量,/>为第m个火电机组的平均负荷调节速率,取升负荷为正值,||为取绝对值运算。
所述稳态优化模型的约束条件为:
SOCmin≤SOC≤SOCmax;
其中,为火电机组的总调节速率,VFW为飞轮储能装置的充放电速率,取对外放电为正值,充电为负值,V0为电网规定的调节速率,SOC为飞轮储能装置的荷电状态,SOCmin为飞轮储能装置调节区的荷电状态调节下限,SOCmax为飞轮储能装置调节区的荷电状态调节上限。在单步预测过程中飞轮储能装置的荷电状态根据传感器测量值确定,在多步预测过程中飞轮储能装置的荷电状态根据上一步的预测结果确定。
本发明通过基于树的pipeline优化工具(TPOT)自动机器学习的方法,对飞轮储能辅助火电机组调频的AGC负荷指令实现日内短期预测,结合飞轮储能-火电机组联合系统的工况,以火电机组调节速率最小化为优化目标,对负荷指令进行分配,AGC负荷指令的负荷需求量尽量用飞轮储能装置提供,减少火电机组的动作次数和调节频率,以延长火电机组核心部件的使用寿命,降低火电厂的运维成本,提高火电厂的经济效益。
为了更好地理解本发明的方案,下面结合图2具体说明飞轮-火电系统的AGC实时调度的过程。
单个调度周期中包括模型训练环节、预测环节以及负荷分配环节三个环节,并通过时间窗口的后移实现重复滚动优化。基于负荷预测的飞轮储能装置辅助AGC调度的流程如图2所示。在模型训练环节,首先获取历史AGC负荷指令数据,然后构造输入特征,再基于TPOT库进行自动机器学习,得到回归预测模型。在预测环节,首先基于建立的回归预测模型对未来i个时间周期后的AGC调度指令进行预测,然后判断预测AGC负荷指令与当前时刻的实际AGC负荷指令是否相同,若相同,则等待实际AGC负荷指令下发。若不同,则进入负荷分配环节,首先获取当前时刻的模型输入参数,包括预测AGC负荷指令、火电机组和飞轮工况测量数据,再基于稳态优化模型进行稳态优化,判断飞轮储能装置的荷电状态是否越限,若是则飞轮自恢复,否则等待实际AGC负荷指令下发。在实际AGC负荷指令下发后,进行预测偏差修正,最后时间窗口后移进行下一调度周期的调度,直至调度结束。
AGC负荷指令预测是典型的时间序列预测问题,在电力系统也是传统研究方向之一。其基本方法包括趋势外推法、模糊推理法、神经网络法等等。由于各地电网的调度规则不一,AGC负荷指令预测并不存在通用的模型训练方法。本发明根据AGC负荷指令的历史时间序列和AGC日前计划值,基于自动机器学习方法对AGC负荷进行预测。
AGC负荷指令预测值的确定过程如图3所示。
1)数据预处理
获取飞轮-火电系统的历史AGC负荷指令数据。历史AGC负荷指令数据是时间序列。将历史AGC负荷指令的时间序列分解为多个因素的叠加或耦合,并利用STL(SeasonalandTrenddecompositionusingLoess)分解方法实现时间序列数据的预处理,以得到各时刻的实际AGC负荷指令。具体地,采用以下公式描述t时刻的实际AGC负荷指令:
yt=Tt+St+Ct+It;
其中,yt表示t时刻的实际AGC负荷指令观测值,Tt为长期趋势项,St为季节变动项,Ct为循环波动项,It为不规则波动项。
2)建立单步预测模型,再基于单步预测模型确定长窗预测模型。长窗预测模型即为回归预测模型。
采用时序预测算法或回归拟合算法等进行AGC负荷指令单步预测。单步预测模型采用下式描述:
y(t+1)=f1(y(t-d+1)),y(t-d),...,yt;
其中,y(t+1)表示t+1时刻下的预测AGC负荷指令,f1()单步预测模型,d为单步预测中输入的时间步个数。
由单步预测模型可知飞轮储能预测控制需要考虑AGC负荷指令的长窗预测,因此采用“直接+递归”的策略以减少长时间步的预测误差。既考虑直接的映射关系,又使用递归策略进行逐步预测,以避免直接策略的条件独立假设,减少误差积累。该策略采用以下公式描述:
其中,yt+h,in为t+h时刻的预测AGC负荷指令,fh()为回归预测模型,h为向前预测的时间步个数,H为当前调度周期的长度。
单步预测模型f1()和长窗预测模型fh()之间存在着依赖关系,即当单步预测模型f1()的表达式确定后,长窗预测模型fh()即可同时确定。本发明采用最简单的递归策略,并扩展了输入变量与输出变量的维度,使得回归预测模型的泛化性能更强。
3)预测AGC负荷指令修正
由于AGC负荷指令的不确定性较高,仅通过历史趋势或周期的训练精度一般,因此在数据集构建中还引入了AGC负荷指令日前计划值(日前计划AGC负荷指令)作为外部因素,对仅考虑了历史数据的预测值进行修正。在该过程中,输入特征为基于多步预测模型得到的预测AGC负荷指令yt+h,in以及多个日前计划AGC负荷指令yt *,输出特征为修正后的预测AGC负荷指令,基于回归的机器学习算法可以拟合构建修正模型,以进一步提升模型预测的精度。
自动机器学习(AutoML)不仅利用了机器学习算法自动挖掘数据集中的隐藏规律与信息,还引入固化了机器学习专家的经验,以提高建模效率、保证预测的准确性。本发明采用TPOT库开展自动机器学习以实现回归预测模型训练。TPOT是一种基于树结构的机器学习流程优化算法库,提供了特征选择与特征构造等特征处理方法优化,以及模型选择与超参数配置优化等功能。在基于TPOT库开展模型训练的过程中,无需用户关注参数设置或模型选择的问题,算法会自动在尽可能多的参数和模型方案中寻找最优训练结果。相比于用户正向搭建的模型训练流程,自动机器学习方法同样可以得到AI模型,在此基础上还可以导出寻优后的算法管道及其超参数配置。
本发明基于TPOT库可自动构建算法管道,实现回归预测模型及超参数的选择,包括数据预处理、异常点清洗、特征生成、特征敏感性筛选、选择算法模型、优化模型超参数等。之后基于Python编程语言实现算法管道,导入数据集,即可训练得到回归预测模型。
在预测环节基于建立的回归预测模型,对未来i个时间周期后的AGC调度指令进行预测。在本实施例中,采用以下公式对未来i个时间周期后的AGC调度指令进行预测:
其中,y(t0+iΔT∣t0)为在t0时刻预测未来i个时间周期后的AGC负荷指令,y0(t0)为t0时刻的实际AGC负荷指令,Δu(t0+jΔT∣t0)为预测的偏差量,M为预测时间窗口长度,ΔT为两个时刻之间的间隔。
以上公式在一阶滞后过程y(t0+ΔT)=y(t0)的基础上,引入偏差量Δu为优化过程的控制目标。根据AGC历史指令数据即可建立偏差量Δu(t0+ΔT)与y(t0)之间的回归函数,应用于后续的模型预测过程,其中,y(t0+ΔT)为t0+ΔT时刻的预测AGC负荷指令,y(t0)为t0时刻的预测AGC负荷指令,Δu(t0+ΔT)为t0+ΔT的偏差量。
对于工程设计中的最优化问题,其由目标函数及其相关的约束条件两部分组成。对于飞轮储能参与的火电机组AGC调节,定义目标函数为火电机组负荷调节速率的最小化。而同时为满足电网的AGC指令响应速度,不足的部分由飞轮储能供应,因此飞轮储能装置的荷电状态构成约束条件。由此即可定义完整的最优化问题。
具体地,在预测环节的基础上,稳态优化环节定义了优化目标函数与约束条件。基于负荷预测的优化调控目标为实现火电机组负荷调节速率的最小化,最大化利用飞轮储能装置响应AGC负荷指令进行调节,且满足系统总体负荷调节速率以及飞轮SOC限制。
由于稳态优化环节的控制精度依赖于预测结果的精度,且实际的AGC调度指令的随机性往往较高,因此在实际生产中,引入反馈信息以修正预测偏差,以实现闭环控制,如下式:
y0(t0+ΔT)=yreal(t0+ΔT);
其中,y0(t0+ΔT)为t0+ΔT时刻的实际AGC负荷指令,yreal(t0+ΔT)为t0+ΔT时刻实发下发的AGC负荷指令。
下面测试本发明基于TPOT库的自动机器学习建立的回归预测模型在AGC负荷指令预测任务方面的有效性。
为便于比较,基于相同的数据集,还引入了另外2种模型训练方式作为对比方法,分别为仅考虑AGC日内历史数据(AGC日内的负荷指令)的ARIMA(AutoregressiveIntegratedMovingAveragemodel,差分整合移动平均自回归)模型,以及仅考虑AGC日前计划数据(日前计划AGC负荷指令)的MLP(Multilayer Perceptron多层感知机)模型。其中,对于ARIMA模型,将日内历史值作为内生变量,日前计划值作为外生变量。对于MLP模型与TPOT模型(本发明建立的回归预测模型),将日内历史值与日前计划值均作为输入变量。
为定量比较各个模型的预测精度,引入两类评价指标进行描述,分别为平均绝对误差EMAE以及R方值ER2:
其中,NS为测试集预测样本数量,ypre,k为第k个样本的预测AGC负荷指令,yact,k为第k个样本的实际AGC负荷指令,为测试集上实际AGC负荷指令的算数平均值。
经过模型超参数寻优,确定三种AGC负荷指令预测模型的配置如表1。
表1 AGC负荷指令预测模型配置
三种模型的有效性对比分析结果如表2。
表2 AGC负荷指令预测模型有效性对比
由表2可以看出,基于相同的数据集,本发明所提出的基于TPOT搭建的回归预测模型的精度指标最优。表明TPOT能够自动学习数据集所对应的最优性能的机器学习管道及其超参数,最大化挖掘训练集中存在的对应关系。
此外,通过将回归预测模型的预测结果应用于飞轮储能装置的优化控制中以验证本发明的有效性。在满足限制条件的前提下,基于负荷预测的优化控制目标为实现最小的火电机组负荷调节速率。为比较本发明的有效性,基于负荷预测的控制策略与原控制策略作为对比。AGC负荷原控制策略为电网下达给电厂RTU(RemoteTerminalUnit,远程终端控制)系统的AGC指令分别送给飞轮储能控制系统和机组协调控制系统,飞轮储能负荷响应速率快,根据飞轮储能电池的荷电状态SOC控制储能输出功率,当储能达到限值无法继续响应时,机组协调控制系统通过控制锅炉、汽轮机等子系统调整燃料、给水、空气等控制发电机有功功率,根据发电机输出功率和储能输出功率反馈之和完成AGC负荷指令的闭环精准控制。基于回归预测模型的火储一体化控制策略如图4所示,通过负荷指令预测模型实时预测优化飞轮储能电池的荷电状态SOC,将飞轮储能电池的荷电状态SOC调整至最优响应区间,通过储能控制器向加法器反馈储能功率,通过CCS(Coordination Control System,协调控制系统)协调控制机组发电机,机组发电机向加法器反馈机组功率,以实现AGC指令变化时可以更多的利用飞轮储能,减少机组协调控制系统负荷调节速率的峰值。
对比策略由于不能事先调整飞轮的SOC,因此在接收到新的AGC负荷指令之后,需要被动地修正火电机组调节速率以满足考核要求。算例采用某日内24小时的AGC负荷指令,其随时间的变化曲线如图5所示。
分别应用本发明所提出的优化控制策略与对比策略,绘制飞轮储能装置的SOC以及火电机组的调节速率等三类参数随时间的变化曲线,根据绘制的变化曲线可确定,相比于接收到AGC下发指令后开始进行负荷调节的控制方式,本发明提出的基于负荷预测的控制策略会预先对飞轮进行充放电,在变化曲线中表现为飞轮储能装置的SOC更加频繁的波动。如在运行的第15小时后,当飞轮完成本次调节任务后,预测到下一个周期仍然为同向调节,因此会在间歇周期完成自恢复,以实现最大化利用有限的飞轮储能容量。
另外,由于AGC负荷指令预测值与实际值之间不可避免存在偏差,在预先充(放)电环节会留有10%的裕度,以避免实际参与调节后飞轮进入紧急充(放)电区域,造成不稳定运行。
当未启用负荷预测策略时,飞轮储能装置达到单向充(放)电区间后,不满足电网考核调节速率的部分全部由火电机组承担。而当启用负荷预测策略后,可有效削减火电机组调节速率峰值。
需要注意的是,当两次相邻的AGC负荷指令要求飞轮储能系统进行满充电或满放电时,在不能扩充飞轮储能系统容量的限制下,两种控制策略之间基本不存在差异。
表3中展示了在本发明中,两种控制策略对飞轮储能装置与火电机组影响的定量比较。
表3不同控制策略对飞轮储能装置与火电机组的影响
控制策略 | 飞轮累计充放电能 | 火电平均调节速率 |
负荷预测策略 | 0.625MWh | 2.342MW/min |
对比策略 | 0.439MWh | 2.412MW/min |
变化率 | +42.4% | -2.9% |
根据表3可以分析得出,基于负荷预测的控制策略下,火电机组响应AGC负荷调节时的平均速率可以降低2.9%,这对于延长锅炉、汽轮机等核心部件的寿命具有积极意义。其代价为飞轮储能装置需要更加频繁的充放电,单日累计充放电能增加了42.4%。但由于飞轮储能装置本身循环寿命长、能量转换效率高,因此对系统整体而言是有利的。
实施例二
为了执行上述实施例一对应的方法,以实现相应的功能和技术效果,下面提供一种飞轮-火电系统的AGC实时调度系统。
如图6所示,本实施例提供的飞轮-火电系统的AGC实时调度系统包括:实际指令获取单元1、预测单元2、判断单元3及调节单元4。
其中,实际指令获取单元1用于针对当前调度周期内的当前时刻,获取待预测AGC负荷指令集。所述待预测AGC负荷指令集中包括当前时刻的实际AGC负荷指令及当前调度周期内初始时刻到当前时刻之间各时刻的实际AGC负荷指令。
预测单元2与所述实际指令获取单元1连接,预测单元2用于根据所述待预测AGC负荷指令集,基于回归预测模型,预测未来设定时段内目标时刻的预测AGC负荷指令。所述回归预测模型为预先根据第一训练样本集,采用自动机器学习进行训练得到的。所述第一训练样本集中包括历史多个时刻的实际AGC负荷指令。
判断单元3分别与所述实际指令获取单元1及所述预测单元2连接,判断单元3用于判断所述预测AGC负荷指令与当前时刻的实际AGC负荷指令是否相同,若相同,则进行下一调度周期的调度。
调节单元4分别与所述实际指令获取单元1及所述判断单元3连接,调节单元4用于在所述预测AGC负荷指令与当前时刻的实际AGC负荷指令不同时,根据所述预测AGC负荷指令,以火电机组的总调节速率最小为目标,以飞轮储能装置的荷电状态及充放电速率为约束,建立稳态优化模型,并对所述稳态优化模型求解,确定各火电机组的调节速率、所述飞轮储能装置的荷电状态及充放电速率,以控制各火电机组的出力及所述飞轮储能装置的出力,并进行下一调度周期的调度。
相对于现有技术,本实施例提供的飞轮-火电系统的AGC实时调度系统与实施例一提供的飞轮-火电系统的AGC实时调度方法的有益效果相同,在此不再赘述。
实施例三
本实施例提供一种电子设备,包括存储器及处理器,存储器用于存储计算机程序,处理器运行计算机程序以使电子设备执行实施例一的飞轮-火电系统的AGC实时调度方法。
可选地,上述电子设备可以是服务器。
本说明书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。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种飞轮-火电系统的AGC实时调度方法,所述飞轮-火电系统包括飞轮储能装置及多个火电机组,其特征在于,所述飞轮-火电系统的AGC实时调度方法包括:
针对当前调度周期内的当前时刻,获取待预测AGC负荷指令集;所述待预测AGC负荷指令集中包括当前时刻的实际AGC负荷指令及当前调度周期内初始时刻到当前时刻之间各时刻的实际AGC负荷指令;
根据所述待预测AGC负荷指令集,基于回归预测模型,预测未来设定时段内目标时刻的预测AGC负荷指令;所述回归预测模型为预先根据第一训练样本集,采用自动机器学习进行训练得到的;所述第一训练样本集中包括历史多个时刻的实际AGC负荷指令;
获取日前计划AGC负荷指令集;所述日前计划AGC负荷指令集中包括当前时刻的计划AGC负荷指令及当前调度周期内初始时刻到当前时刻之间各时刻的计划AGC负荷指令;
根据所述日前计划AGC负荷指令集,基于修正模型,对所述预测AGC负荷指令进行修正;所述修正模型为预先根据第二训练样本集,采用自动机器学习进行训练得到的;所述第二训练样本集中包括历史多个时刻的计划AGC负荷指令;
判断所述预测AGC负荷指令与当前时刻的实际AGC负荷指令是否相同,若相同,则进行下一调度周期的调度;
若不同,则根据所述预测AGC负荷指令,以火电机组的总调节速率最小为目标,以飞轮储能装置的荷电状态及充放电速率为约束,建立稳态优化模型,并对所述稳态优化模型求解,确定各火电机组的调节速率、所述飞轮储能装置的荷电状态及充放电速率,以控制各火电机组的出力及所述飞轮储能装置的出力,并进行下一调度周期的调度。
2.根据权利要求1所述的飞轮-火电系统的AGC实时调度方法,其特征在于,根据所述待预测AGC负荷指令集,基于回归预测模型,预测未来设定时段内目标时刻的预测AGC负荷指令,具体包括:
针对设定时段内的第1个时刻,根据所述待预测AGC负荷指令集,基于回归预测模型,确定设定时段内的第1个时刻的预测AGC负荷指令;
针对设定时段内的第b个时刻,根据所述待预测AGC负荷指令集,以及当前时刻到第b个时刻之间各时刻的预测AGC负荷指令,基于回归预测模型,确定设定时段内的第b个时刻的预测AGC负荷指令;1<b≤B;设定时段内的第B个时刻为目标时刻。
3.根据权利要求1所述的飞轮-火电系统的AGC实时调度方法,其特征在于,采用以下公式,确定t+h时刻的预测AGC负荷指令:
其中,yt+h,in为t+h时刻的预测AGC负荷指令,fh()为回归预测模型,yt'-d+1为t-d+1时刻的实际AGC负荷指令,yt'-d为t-d时刻的实际AGC负荷指令,yt'为t时刻的实际AGC负荷指令,yt+1,in为t+1时刻的预测AGC负荷指令,yt+h-1,in为t+h-1时刻的预测AGC负荷指令,t时刻为当前时刻,t+h时刻为未来设定时段内的目标时刻,t-d时刻为初始时刻,H为当前调度周期的长度。
4.根据权利要求1所述的飞轮-火电系统的AGC实时调度方法,其特征在于,采用以下公式,对t+h时刻的预测AGC负荷指令进行修正:
其中,yt+h为修正后的预测AGC负荷指令,yt+h,in为t+h时刻的预测AGC负荷指令,gh()为修正模型,为t时刻的计划AGC负荷指令,/>为t-d时刻的计划AGC负荷指令,t时刻为当前时刻,t-d时刻为初始时刻。
5.根据权利要求1所述的飞轮-火电系统的AGC实时调度方法,其特征在于,所述稳态优化模型的目标函数为:
其中,F为目标函数值,为火电机组的总调节速率,M为火电机组的数量,/>为第m个火电机组的平均负荷调节速率,||为取绝对值运算。
6.根据权利要求1所述的飞轮-火电系统的AGC实时调度方法,其特征在于,所述稳态优化模型的约束条件为:
SOCmin≤SOC≤SOCmax;
其中,为火电机组的总调节速率,VFW为飞轮储能装置的充放电速率,V0为电网规定的调节速率,SOC为飞轮储能装置的荷电状态,SOCmin为飞轮储能装置调节区的荷电状态调节下限,SOCmax为飞轮储能装置调节区的荷电状态调节上限。
7.根据权利要求1所述的飞轮-火电系统的AGC实时调度方法,其特征在于,采用遗传算法对所述稳态优化模型求解。
8.一种飞轮-火电系统的AGC实时调度系统,其特征在于,所述飞轮-火电系统的AGC实时调度系统包括:
实际指令获取单元,用于针对当前调度周期内的当前时刻,获取待预测AGC负荷指令集;所述待预测AGC负荷指令集中包括当前时刻的实际AGC负荷指令及当前调度周期内初始时刻到当前时刻之间各时刻的实际AGC负荷指令;
预测单元,与所述实际指令获取单元连接,用于根据所述待预测AGC负荷指令集,基于回归预测模型,预测未来设定时段内目标时刻的预测AGC负荷指令;所述回归预测模型为预先根据第一训练样本集,采用自动机器学习进行训练得到的;所述第一训练样本集中包括历史多个时刻的实际AGC负荷指令;获取日前计划AGC负荷指令集;所述日前计划AGC负荷指令集中包括当前时刻的计划AGC负荷指令及当前调度周期内初始时刻到当前时刻之间各时刻的计划AGC负荷指令;根据所述日前计划AGC负荷指令集,基于修正模型,对所述预测AGC负荷指令进行修正;所述修正模型为预先根据第二训练样本集,采用自动机器学习进行训练得到的;所述第二训练样本集中包括历史多个时刻的计划AGC负荷指令;
判断单元,分别与所述实际指令获取单元及所述预测单元连接,用于判断所述预测AGC负荷指令与当前时刻的实际AGC负荷指令是否相同,若相同,则进行下一调度周期的调度;
调节单元,分别与所述实际指令获取单元及所述判断单元连接,用于在所述预测AGC负荷指令与当前时刻的实际AGC负荷指令不同时,根据所述预测AGC负荷指令,以火电机组的总调节速率最小为目标,以飞轮储能装置的荷电状态及充放电速率为约束,建立稳态优化模型,并对所述稳态优化模型求解,确定各火电机组的调节速率、所述飞轮储能装置的荷电状态及充放电速率,以控制各火电机组的出力及所述飞轮储能装置的出力,并进行下一调度周期的调度。
9.一种电子设备,其特征在于,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行权利要求1至7中任一项所述的飞轮-火电系统的AGC实时调度方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211456201.3A CN115765004B (zh) | 2022-11-21 | 2022-11-21 | 一种飞轮-火电系统的agc实时调度方法、系统及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211456201.3A CN115765004B (zh) | 2022-11-21 | 2022-11-21 | 一种飞轮-火电系统的agc实时调度方法、系统及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115765004A CN115765004A (zh) | 2023-03-07 |
CN115765004B true CN115765004B (zh) | 2023-08-15 |
Family
ID=85333719
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211456201.3A Active CN115765004B (zh) | 2022-11-21 | 2022-11-21 | 一种飞轮-火电系统的agc实时调度方法、系统及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115765004B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3024110A2 (en) * | 2014-11-21 | 2016-05-25 | Siemens Industry, Inc. | Systems, methods and apparatus for improved regulation of energy delivery systems |
CN108363295A (zh) * | 2017-12-27 | 2018-08-03 | 国网山东省电力公司电力科学研究院 | 基于系统辨识的火电机组agc性能考核指标计算与预测方法 |
CN109962499A (zh) * | 2019-03-25 | 2019-07-02 | 国家电网公司华中分部 | 一种电网多时间尺度调度方法 |
CN112103980A (zh) * | 2020-09-27 | 2020-12-18 | 中国科学院电工研究所 | 一种联合火电机组agc调频的混合储能系统能量管理方法 |
CN112615399A (zh) * | 2020-11-24 | 2021-04-06 | 国网江苏省电力有限公司 | 一种储能系统参与电网调频优化控制方法、系统及存储介质 |
CN113054677A (zh) * | 2021-04-19 | 2021-06-29 | 广东电网有限责任公司电力调度控制中心 | 储能系统辅助火电机组调频控制方法、装置、设备及介质 |
CN115000991A (zh) * | 2022-06-14 | 2022-09-02 | 华北电力大学 | 一种火电-飞轮储能协同调频控制方法及系统 |
-
2022
- 2022-11-21 CN CN202211456201.3A patent/CN115765004B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3024110A2 (en) * | 2014-11-21 | 2016-05-25 | Siemens Industry, Inc. | Systems, methods and apparatus for improved regulation of energy delivery systems |
CN108363295A (zh) * | 2017-12-27 | 2018-08-03 | 国网山东省电力公司电力科学研究院 | 基于系统辨识的火电机组agc性能考核指标计算与预测方法 |
CN109962499A (zh) * | 2019-03-25 | 2019-07-02 | 国家电网公司华中分部 | 一种电网多时间尺度调度方法 |
CN112103980A (zh) * | 2020-09-27 | 2020-12-18 | 中国科学院电工研究所 | 一种联合火电机组agc调频的混合储能系统能量管理方法 |
CN112615399A (zh) * | 2020-11-24 | 2021-04-06 | 国网江苏省电力有限公司 | 一种储能系统参与电网调频优化控制方法、系统及存储介质 |
CN113054677A (zh) * | 2021-04-19 | 2021-06-29 | 广东电网有限责任公司电力调度控制中心 | 储能系统辅助火电机组调频控制方法、装置、设备及介质 |
CN115000991A (zh) * | 2022-06-14 | 2022-09-02 | 华北电力大学 | 一种火电-飞轮储能协同调频控制方法及系统 |
Non-Patent Citations (1)
Title |
---|
AGC超短期负荷预测控制模式的研究;黄颖;李辉;;湖南电力(第01期) * |
Also Published As
Publication number | Publication date |
---|---|
CN115765004A (zh) | 2023-03-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
WO2020143104A1 (zh) | 一种考虑阻塞和储能分时电价的电网混合滚动调度方法 | |
CN112186811B (zh) | 一种基于深度强化学习的agc机组动态优化方法 | |
CN116187601B (zh) | 一种基于负荷预测的综合能源系统运行优化方法 | |
CN109765787B (zh) | 一种基于日内-实时滚动控制的配电网源荷快速跟踪方法 | |
CN110071530B (zh) | 基于lstm的含储能电力系统风电爬坡协调调度方法 | |
CN114707767B (zh) | 一种新能源电力系统低谷时段可调峰功率预测方法 | |
CN116247648A (zh) | 一种考虑源荷不确定性下微电网能量调度的深度强化学习方法 | |
CN114331059A (zh) | 电氢互补的园区多楼宇供能系统及其协调调度方法 | |
Wakui et al. | Operation management of residential energy-supplying networks based on optimization approaches | |
Chatziagorakis et al. | Enhancement of hybrid renewable energy systems control with neural networks applied to weather forecasting: the case of Olvio | |
CN115986839A (zh) | 一种风-水-火综合能源系统的智能调度方法及系统 | |
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 | |
Yin et al. | Expandable depth and width adaptive dynamic programming for economic smart generation control of smart grids | |
CN115189367A (zh) | 一种多时间尺度下的风光储蓄联合优化调度方法及装置 | |
CN117057491B (zh) | 基于mpc与储能系统结合的农村地区电力供应优化管理方法 | |
CN106786702A (zh) | 用于混合储能系统的全状态模型预测能量调度方法 | |
CN115765004B (zh) | 一种飞轮-火电系统的agc实时调度方法、系统及设备 | |
Yang et al. | Tracking-dispatch of a combined wind-storage system based on model predictive control and two-layer fuzzy control strategy | |
Hou et al. | Application of multi-agent EADRC in flexible operation of combined heat and power plant considering carbon emission and economy | |
CN116502747A (zh) | 一种基于概率预测的计及新能源多时间尺度不确定性的电力系统备用量化方法 | |
CN114204546B (zh) | 一种考虑新能源消纳的机组组合优化方法 | |
CN105207220A (zh) | 一种基于渐进学习的分级电压调控方法 | |
CN110676846A (zh) | 电力调峰方法、调度中心及电力调峰系统 | |
CN113809780B (zh) | 一种基于改进q学习惩罚选择的微电网优化调度方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |