CN116207739A - 配电网优化调度方法、装置、计算机设备和存储介质 - Google Patents
配电网优化调度方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN116207739A CN116207739A CN202310486014.8A CN202310486014A CN116207739A CN 116207739 A CN116207739 A CN 116207739A CN 202310486014 A CN202310486014 A CN 202310486014A CN 116207739 A CN116207739 A CN 116207739A
- Authority
- CN
- China
- Prior art keywords
- distribution network
- power distribution
- real
- time
- power
- 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.)
- Granted
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 383
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000005457 optimization Methods 0.000 claims abstract description 68
- 238000004590 computer program Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 42
- 238000004088 simulation Methods 0.000 claims description 38
- 230000009471 action Effects 0.000 claims description 30
- 230000005611 electricity Effects 0.000 claims description 27
- 238000004146 energy storage Methods 0.000 claims description 23
- 230000008901 benefit Effects 0.000 claims description 21
- 230000005540 biological transmission Effects 0.000 claims description 21
- 238000010586 diagram Methods 0.000 claims description 19
- 238000006243 chemical reaction Methods 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 5
- 238000012512 characterization method Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 description 22
- 239000011159 matrix material Substances 0.000 description 16
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 239000010410 layer Substances 0.000 description 5
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009194 climbing Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000002787 reinforcement Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 230000001788 irregular Effects 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
- 230000008447 perception Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000001131 transforming effect 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
- H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
- H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Power Engineering (AREA)
- General Health & Medical Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种配电网优化调度方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括:获取配电网中节点在当前时刻的实时电力运行数据和实时连接关系;根据所述实时电力运行数据和所述实时连接关系,得到所述配电网的实时图数据;将所述实时图数据,输入至目标配电网优化调度模型,得到所述配电网的目标调度信息;所述目标配电网优化调度模型通过所述配电网在历史时刻的历史拓扑信息训练得到。采用本方法能够提高配电网调度决策的稳定性。
Description
技术领域
本申请涉及配电网技术领域,特别是涉及一种配电网优化调度方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着新能源的大力发展,作为新能源消纳主体的配电网,也面临着拓扑结构复杂、源网荷储的不规则波动和储能引入的时段耦合约束等挑战,导致配电网优化调度问题的解决存在较大难度。
传统技术中,常通过单一网络来感知配电网状态并输出优化调度决策,然而,源网荷储的波动容易引起场景的不确定性,由于这种方式缺乏对配电网复杂环境的学习,所以这种单一网络输出的配电网优化调度难以满足。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高配电网调度决策的稳定性的配电网优化调度方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种配电网优化调度方法。所述方法包括:
获取配电网中节点在当前时刻的实时电力运行数据和实时连接关系;
根据所述实时电力运行数据和所述实时连接关系,得到所述配电网的实时图数据;
将所述实时图数据,输入至目标配电网优化调度模型,得到所述配电网的目标调度信息;所述目标配电网优化调度模型通过所述配电网在历史时刻的历史拓扑信息训练得到。
在其中一个实施例中,目标配电网优化调度模型至少包括转化网络、表示网络、动态网络和预测网络,所述将所述实时图数据,输入至目标配电网优化调度模型,得到所述配电网的目标调度信息,包括:
将所述实时图数据和所述配电网在所述历史时刻的历史图数据,输入所述转化网络中,得到所述配电网的实时图表征和历史图表征;
将所述实时图表征和所述历史图表征,输入所述表示网络中,得到所述配电网在所述当前时刻下的初始隐状态;
将所述初始隐状态,输入所述动态网络中,得到所述配电网在所述当前时刻下的目标隐状态;
将所述目标隐状态,输入所述预测网络中,得到所述配电网的目标调度信息。
在其中一个实施例中,根据所述实时电力运行数据和所述实时连接关系,得到所述配电网的实时图数据,包括:
根据所述配电网中节点的实时连接关系,确定所述配电网在所述当前时刻的实时拓扑信息;
根据所述实时拓扑信息和所述实时电力运行数据,生成所述配电网在所述当前时刻的实时图数据。
在其中一个实施例中,目标配电网优化调度模型通过如下方式训练得到:
获取所述配电网的仿真模型;
将所述配电网在所述历史时刻的历史图数据,输入至配电网优化调度模型中,得到所述仿真模型的预测调度信息;
将所述预测调度信息,输入所述仿真模型中,得到所述配电网优化调度模型的目标函数;
根据所述配电网优化调度模型的奖励函数,对所述配电网优化调度模型进行更新,得到所述目标配电网优化调度模型;所述奖励函数为根据所述目标函数的相反数确定得到的。
在其中一个实施例中,将所述预测调度信息,输入所述仿真模型中,得到所述配电网优化调度模型的目标函数,包括:
在所述仿真模型的每个拓扑结构下,分别确定所述预测调度信息对应的配电网运行成本和上级电网联络效益;
根据所述每个拓扑结构下的所述配电网运行成本和所述上级电网联络效益,得到所述配电网调度模型的目标函数。
在其中一个实施例中,上级电网联络消息通过如下方式得到:
获取所述配电网的实时购电信息;
在所述预测调度信息中的上级电网传输功率大于预设功率阈值的情况下,根据所述配电网的实时购电信息和所述上级电网传输功率,确定所述预测调度信息对应的上级电网联络信息。
在其中一个实施例中,在将所述实时图数据,输入至目标配电网优化调度模型,得到所述配电网的目标调度信息之后,还包括:
根据所述实时电力运行数据,得到实时状态空间;
根据所述配电网在所述当前时刻的传统机组出力增量、储能出力增量、风电出力和光伏出力,得到实时动作空间;
根据所述实时状态空间和所述实时动作空间,对所述目标配电网优化调度模型中状态空间和动作空间进行更新。
第二方面,本申请还提供了一种配电网优化调度装置。所述装置包括:
数据获取模块,用于获取配电网中节点在当前时刻的实时电力运行数据和实时连接关系;
数据转换模块,用于根据所述实时电力运行数据和所述实时连接关系,得到所述配电网的实时图数据;
调度输出模块,用于将所述实时图数据,输入至目标配电网优化调度模型,得到所述配电网的目标调度信息;所述目标配电网优化调度模型通过所述配电网在历史时刻的历史拓扑信息训练得到。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取配电网中节点在当前时刻的实时电力运行数据和实时连接关系;
根据所述实时电力运行数据和所述实时连接关系,得到所述配电网的实时图数据;
将所述实时图数据,输入至目标配电网优化调度模型,得到所述配电网的目标调度信息;所述目标配电网优化调度模型通过所述配电网在历史时刻的历史拓扑信息训练得到。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取配电网中节点在当前时刻的实时电力运行数据和实时连接关系;
根据所述实时电力运行数据和所述实时连接关系,得到所述配电网的实时图数据;
将所述实时图数据,输入至目标配电网优化调度模型,得到所述配电网的目标调度信息;所述目标配电网优化调度模型通过所述配电网在历史时刻的历史拓扑信息训练得到。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取配电网中节点在当前时刻的实时电力运行数据和实时连接关系;
根据所述实时电力运行数据和所述实时连接关系,得到所述配电网的实时图数据;
将所述实时图数据,输入至目标配电网优化调度模型,得到所述配电网的目标调度信息;所述目标配电网优化调度模型通过所述配电网在历史时刻的历史拓扑信息训练得到。
上述配电网优化调度方法、装置、计算机设备、存储介质和计算机程序产品,获取配电网中节点在当前时刻的实时电力运行数据和实时连接关系;根据实时电力运行数据和实时连接关系,得到配电网的实时图数据;将实时图数据,输入至目标配电网优化调度模型,得到配电网的目标调度信息。采用本方法,克服了传统技术中因配电网场景复杂、不确定性高而难以精准决策的问题,即使在配电网的拓扑信息改变的情况下,也能够通过目标配电网优化调度模型,挖掘出实时图数据中配电网的实时拓扑信息,从而利用实时拓扑信息精准决策出目标调度信息,进而提高了配电网决策的稳定性。
附图说明
图1为一个实施例中配电网优化调度方法的应用环境图;
图2为一个实施例中配电网优化调度方法的流程示意图;
图3为一个实施例中得到配电网的目标调度信息步骤的流程示意图;
图4为一个实施例中目标配电网优化调度模型的原理图;
图5为另一个实施例中配电网优化调度方法的流程示意图;
图6为一个实施例中配电网优化调度装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的配电网优化调度方法,可以应用于如图1所示的应用环境中。其中,配电网101通过网络和互联系统与服务器102进行通信。数据存储系统可以存储服务器102需要处理的数据。数据存储系统可以集成在服务器102上,也可以放在云上或其他网络服务器上。服务器102获取配电网101中节点在当前时刻的实时电力运行数据和实时连接关系;根据实时电力运行数据和实时连接关系,得到配电网的实时图数据;将实时图数据,输入至目标配电网优化调度模型,得到配电网的目标调度信息;服务器102还可以将目标调度信息发送至配电网101,使配电网101基于目标调度信息进行调度运行。其中,配电网101是指通过配电设施进行电力分配的电力网;配电网101包括各种类型的传统机组、风电站、光伏站、储能电站、常规负荷和互联系统。服务器102可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种配电网优化调度方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤S201,获取配电网中节点在当前时刻的实时电力运行数据和实时连接关系。
其中,节点是指配电网中各电力设备。实时电力运行数据是指当前时刻节点在电力方面的运行情况。例如,实时电力运行数据可以包括时间断面、电有功负荷大小、电无功负荷、机组出力、光伏出力上限、风电出力上限、储能荷电状态以及分时电价。实时连接关系是指在当前时刻节点之间的连接情况。
具体地,配电网的调度中心和调度员可以将配电网在当前时刻的实时电力运行数据和实时连接数据发送至服务器,服务器接收该实时电力运行数据和实时连接数据。
步骤S202,根据实时电力运行数据和实时连接关系,得到配电网的实时图数据。
其中,实时图数据是指描述当前时刻下配电网的运行工况和拓扑结构的数据。
具体地,服务器根据实时连接关系,来确定配电网在当前时刻的实时拓扑信息,利用实时拓扑信息转换得到初始图数据,进而将实时电力运行数据嵌入初始图数据中,则服务器得到配电网的实时图数据。
步骤S203,将实时图数据,输入至目标配电网优化调度模型,得到配电网的目标调度信息;目标配电网优化调度模型通过配电网在历史时刻的历史拓扑信息训练得到。
其中,目标调度信息用于指示相关调度人员进行配电网的调度。目标调度信息可以包括配电网运行成本和上级电网联络效益。目标配电网优化调度模型是指用于根据配电网的电力运行数据和连接关系进行调度决策的模型。目标配电网优化调度模型可以是在基于Muzero框架的深度强化学习(Deep Reinforcement Learning,DRL)的结构上融合图神经网络(Graph Convolutional Network,GCN)得到的模型(可将目标配电网优化调度模型简称为GRL)。
具体地,服务器将实时图数据,输入至目标配电网优化调度模型,通过目标配电网优化调度模型感知实时图数据中内嵌的实时拓扑信息的变化,从而动态调整目标配电网优化调度模型中状态空间的状态量(例如调整状态量的类型和数量),以及调整目标配电网优化调度模型中动作空间(例如调整仿真模型的分布式电源的种类和数量,以优化输出的目标调度信息的精确度),以便目标配电网优化调度模型能够输出精准的目标调度信息。
上述配电网优化调度方法中,获取配电网中节点在当前时刻的实时电力运行数据和实时连接关系;根据实时电力运行数据和实时连接关系,得到配电网的实时图数据;将实时图数据,输入至目标配电网优化调度模型,得到配电网的目标调度信息。采用本方法,克服了传统技术中因配电网场景复杂、不确定性高而难以精准决策的问题,即使在配电网的拓扑信息改变的情况下,也能够通过目标配电网优化调度模型,挖掘出实时图数据中配电网的实时拓扑信息,从而利用实时拓扑信息精准决策出目标调度信息,进而提高了配电网决策的稳定性。
在一个实施例中,如图3所示,上述步骤S203中的目标配电网优化调度模型至少包括转化网络、表示网络、动态网络和预测网络;上述步骤S203,将实时图数据,输入至目标配电网优化调度模型,得到配电网的目标调度信息包括:
步骤S301,将实时图数据和配电网在历史时刻的历史图数据,输入转化网络中,得到配电网的实时图表征和历史图表征。
其中,实时图表征和历史图表征分别是不同时刻下的图表征,图表征是指利用图本身的拓扑结构,将图中的节点映射到低维稠密的向量空间中的数据。转化网络用于将不同时刻下的图数据转换为图表征形式的数据。转化网络可以由图卷积神经网络(GraphConvolutional Network,GCN)构成。
具体地,图4为目标配电网优化调度模型的原理图,如4所示,服务器获取配电网在历史时刻的历史图数据,以及当前时刻的实时图数据;将历史图数据和实时图数据输入到转化网络中,通过转化网络对历史图数据和实时图数据进行数据精简,输出实时图数据对应的实时图表征st,以及历史图数据对应的历史图表征s1,……,st-1。
步骤S302,将实时图表征和历史图表征,输入表示网络中,得到配电网在当前时刻下的初始隐状态。
其中,表示网络用于对输入的图表征进行编码。表示网络可以是由图卷积神经网络和全连接层(Dense)构成。
具体地,服务器将历史图表征和实时图表征(s1,……,st-1, st)输入到表示网络中的图卷积神经网络,通过图卷积神经网络将历史图表征和实时图表征进行矩阵展平,得到历史时刻和当前时刻下的展平后特征,然后将所有的展平后特征输入全连接层,通过全连接层学习到从历史时刻到当前时刻(即时间序列)下的特征变化轨迹和拓扑变化轨迹,并依据特征变化轨迹和拓扑变化轨迹输出当前时刻t下经过编码的初始隐状态St 0。
在实际应用中,可以通过公式(1)来表征表示网络的输入和输出情况。
其中,hθ( )为表示网络,θ为表示网络的权重。
步骤S303,将初始隐状态,输入动态网络中,得到配电网在当前时刻下的目标隐状态。
其中,动态网络与配电网的仿真模型连接,动态网络用于学习配电网的环境规则并通过仿真模型来模仿配电网的环境,因而动态网络实际上是一个配电网环境的近似器。动态网络也可以是由图卷积神经网络和全连接层构成。
具体地,服务器将初始隐状态St 0输入动态网络中,动态网络从初始隐状态开始与仿真模型进行决策交互,动态网络根据仿真模型的当前状态和执行的决策动作计算出下一次的隐状态如St 2,…, St k-1,进行k次的决策迭代更新后,得到当前时刻t的目标隐状态sk和即时奖励rk。
在实际应用中,可以通过公式(2)来表征动态网络的输入和输出情况。
其中,gα( )为动态网络;α为动态网络的权重;St k-1表示第k-1次的隐状态;at k表示第k次的参数变量。
步骤S304,将目标隐状态,输入预测网络中,得到配电网的目标调度信息。
其中,预测网络用于根据获取到的目标隐状态决策出配电网的调度策略(即目标调度信息)和价值函数。预测网络也可以是由图卷积神经网络和全连接层构成。转化网络、表示网络、动态网络和预测网络的激活函数都可以采用ReLu激活函数。
具体地,服务器将目标隐状态输入预测网络中,预测网络根据目标隐状态创建根节点,通过迭代执行N次模拟来构建蒙特卡洛树搜索方式的搜索树。服务器根据根节点的子节点的访问频率可以确定需要决策的动作,最终搜索到目标调度信息,并确定价值函数。
在实际应用中,可以通过公式(3)来表征预测网络的输入和输出情况。
其中,fω( )为预测网络;ω为预测网络的权重;pk表示目标调度信息;vk表示价值函数。
本实施例中,通过将实时图数据和配电网在历史时刻的历史图数据,输入转化网络中,得到配电网的实时图表征和历史图表征;将实时图表征和历史图表征,输入表示网络中,得到配电网在当前时刻下的初始隐状态;将初始隐状态,输入动态网络中,得到配电网在当前时刻下的目标隐状态;将目标隐状态,输入预测网络中,得到配电网的目标调度信息,使得表示网络能够捕捉到历史图表征和实时图表征中的拓扑结构变化和特征变化,从而为复杂多变的配电网进行准确的调度决策,进而提高了配电网决策的稳定性。
在一个实施例中,上述步骤S202,根据实时电力运行数据和实时连接关系,得到配电网的实时图数据,具体包括如下内容:根据配电网中节点的实时连接关系,确定配电网在当前时刻的实时拓扑信息;根据实时拓扑信息和实时电力运行数据,生成配电网在当前时刻的实时图数据。
具体地,服务器可以使用G = {V, E, A}来表示图数据。V表示节点集合,|V| = n表示图上有n个节点(即N维),其中每个节点都包含有D维特征。假设节点的特征组成一个N×D维的特征矩阵X,表示每个节点上包含D维特征。E表示边集合。A表示邻接矩阵,维度为N×N维,邻接矩阵A用于表示节点之间是否相互连接,且在无向图中Ai,j = Aj,i。特征矩阵X与邻接矩阵A如公式(4)和(5)所示:
服务器在获取到实时电力运行数据后,可以从实时电力特征中提取出电力运行特征,进而利用电力运行特征生成实时特征矩阵。例如,可以从实时电力运行数据中提取出时间断面t、电有功负荷大小PL、电无功负荷QL、机组出力PG、光伏出力上限PPV、风电出力上限PWT、储能荷电状态Soc以及分时电价a,这8维电力运行特征来生成实时特征矩阵。可以理解的是,配电网中并不是所有节点都配置了分布式电力,因而提取出的电力运行特征可能并不全面,此时可以将未提取出的电力运行特征设置为0。举例说明,假设节点i上配置了负荷与光伏电站,并不具备传统机组、风力发电和储能,则节点i的电力运行特征为:[t,PL,QL,0,PPV,0,0,a]。
同时,服务器根据配电网中节点的实时连接关系,确定配电网在当前时刻的实时拓扑信息;进而根据实时拓扑信息和历史拓扑信息,来确定所述配电网的拓扑变化信息如线路的开断等,例如节点i与节点j之间的线路在上一时刻有连接关系,则at-1(i, j)=1,但是当该时刻节点i与节点j之间的线路断联,则at(i, j)=0;最后根据拓扑变化信息来更新历史邻接矩阵,得到实时邻接矩阵。服务器根据实时特征矩阵和实时邻接矩阵,生成配电网在当前时刻的实时图数据。
在实际应用中,为保障供电可靠性,两节点之间的线路一般不能断开,因此,原本两节点之间的传输功率会经由其它线路继续传输,继而影响特征矩阵的数据;若考虑线路传输功率的流入流出关系,还可将邻接矩阵的值设置为-1,0,1,以充分表示传输功率的流入流出关系。
在本实施例中,先根据配电网中节点的实时连接关系,确定配电网在当前时刻的实时拓扑信息;然后根据实时拓扑信息和实时电力运行数据,生成配电网在当前时刻的实时图数据,通过配电网的拓扑结构的变化情况来构建图数据,并利用图数据来描述配电网复杂运行工况,使得目标配电网优化调度模型能够挖掘出图数据中的拓扑变化信息并输出准确的调度决策,提高了配电网决策的稳定性和可靠性。
在一个实施例中,目标配电网优化调度模型通过如下方式训练得到:获取配电网的仿真模型;将配电网在历史时刻的历史图数据,输入至配电网优化调度模型中,得到仿真模型的预测调度信息;将预测调度信息,输入仿真模型中,得到配电网优化调度模型的目标函数;根据配电网优化调度模型的奖励函数,对配电网优化调度模型进行更新,得到目标配电网优化调度模型;奖励函数为根据目标函数的相反数确定得到的。
具体地,为使配电网优化模型学习到拓扑变化,服务器可以构建配配电网在M个拓扑结构下的仿真模型。服务器在获取到配电网优化调度模型之后,可以将配电网在历史时刻的历史图数据,输入配电网优化调度模型中,经过转化网络、表示网络、动态网络和预测网络处理后,输出预测调度信息。服务器将预测调度信息分别输入每个拓扑结构下的仿真模型,计算得到配电网调度模型的目标函数。由于配电网优化模型是基于强化学习进行训练的,且配电网优化模型的训练目标为回合奖励最大化,所以可以将目标函数的相反数作为配电网优化调度模型的奖励函数。其中,奖励函数rt可以通过公式(6)进行表示。
其中,Ft表示目标函数;Fsystem,t表示当前时刻的配电网运行成本;Ftrans,t表示上级电网联络效益。
在本实施例中,通过将配电网在历史时刻的历史图数据,输入至配电网优化调度模型中,得到仿真模型的预测调度信息;将预测调度信息,输入仿真模型中,得到配电网优化调度模型的目标函数;根据配电网优化调度模型的奖励函数,对配电网优化调度模型进行更新,得到目标配电网优化调度模型。
在一个实施例中,将预测调度信息,输入仿真模型中,得到配电网优化调度模型的目标函数,具体包括如下内容:在仿真模型的每个拓扑结构下,分别确定预测调度信息对应的配电网运行成本和上级电网联络效益;根据每个拓扑结构下的配电网运行成本和上级电网联络效益,得到配电网调度模型的目标函数。
其中,仿真模型是针对配电网的真实环境搭建的,以供目标配电网优化调度模型(或配电网优化调度模型)推演输出的目标调度信息对配电网的影响。仿真模型设置有M个拓扑结构,每个拓扑结构可以表征一种配电网的运行场景,即仿真模型共仿真有M个运行场景。
其中,配电网运行成本是指配电网运行时所需消耗的成本。上级电网联络效益是指仿真模型(或配电网)与上级电网之间进行联络、交互时(如配电网向上级电网售电、购电)所产生的效益。
具体地,服务器根据预测调度信息中的传统机组、光伏站、风电站、储能站和储能的调度功率,计算得到配电网运行成本。同时,服务器还可以根据预测调度信息中的上级电网传输功率,计算得到上级电网联络效益。例如,服务器可以通过公式(7)来计算得到配电运行成本。
其中,表示仿真模型第j个拓扑结构配电运行成本;ai,bi,ci表示传统机组耗量特性曲线参数;δ表示弃风弃光成本系数,可以理解的是,为充分消纳新能源,参数δ会远大于其他类型电源(例如传统机组、光伏和光电等)的成本特性参数;Ce(t)表示t时刻下储能出力的分时电价系数;C(t)表示损耗成本系数;Δt表示调度时段步长;T表示调度周期,例如,若每隔15分钟执行依次实时调度任务,则T可以取96;|g|,|pv|,|wt|,|ess|,|line|分别表示传统机组、光伏、风电、储能与线路的数量;Pg,i,t表示节点i在时刻 t下第g个传统机组的有功功率;Ppv,i,t表示节点i在时刻t下第pv个传统机组的有功功率;Ppv,i,max表示节点i的第pv个传统机组的最大有功功率;Pwt,i,t表示节点i在时刻t下第wt个传统机组的有功功率;Pwt,i,max表示节点i的第wt个传统机组的最大有功功率;Pess,i,t表示节点i在时刻t下第ess个储能的有功功率。
进一步地,服务器可以通过公式(8)来结合仿真模型M个拓扑结构下的配电网运行成本和上级电网联络效益,从而计算得到配电网调度模型的目标函数F。
在本实施例中,通过在仿真模型的每个拓扑结构下,分别确定预测调度信息对应的配电网运行成本和上级电网联络效益;然后根据每个拓扑结构下的配电网运行成本和上级电网联络效益,得到配电网调度模型的目标函数,通过在目标函数中考虑了配电网复杂场景的拓扑变化,使得训练得到的目标配电网优化调度模型能够挖掘出输入的图数据中的拓扑信息,从而得到更精确的目标调度信息,提高了拓扑变化场景的决策稳定性。
在一个实施例中,上级电网联络消息通过如下方式得到:获取配电网的实时购电信息;在预测调度信息中的上级电网传输功率大于预设功率阈值的情况下,根据配电网的实时购电信息和上级电网传输功率,确定预测调度信息对应的上级电网联络信息。
其中,实时购电信息是指配电网向上级电网进行购电方面的信息。例如,实时购电信息可以是配电网向上级电网购电时的价格。上级电网传输功率是指配电网与上级电网之间的传输功率。
具体地,服务器获取配电网的实时购电信息和实时售电信息。服务器判断预测调度信息中的上级电网传输功率是否大于预设功率阈值;在该上级电网传输功率大于预设功率阈值的情况下,服务器可以根据配电网的实时购电信息、上级电网传输功率和调度时段步长,计算得到该预测调度信息对应的上级电网联络信息;在该上级电网传输功率小于预设功率阈值的情况下,服务器可以根据配电网的实时售电信息、上级电网传输功率和调度时段步长,计算得到该预测调度信息对应的上级电网联络信息。其中,实时售电信息是指配电网向上级电网进行售电方面的信息。例如,实时售电信息可以是配电网向上级电网售电时的价格。
式中,Ce1(t)表示时刻t下的实时购电信息;Ce2(t)表示时刻t下的实时售电信息;Ptrans,t表示时刻t下的上级电网传输功率。
在本实施例中,通过判断预测调度信息中的上级电网传输功率是否预设功率阈值,并基于判断结构确定预测调度信息对应的上级电网联络信息,实现了上级电网联络效益的实时更新,以便后续步骤中将上级电网联络效益作为处理依据来获取目标函数。
在一个实施例中,在将实时图数据,输入至目标配电网优化调度模型,得到配电网的目标调度信息之后,还包括:根据实时电力运行数据,得到实时状态空间;根据配电网在当前时刻的传统机组出力增量、储能出力增量、风电出力和光伏出力,得到实时动作空间;根据实时状态空间和实时动作空间,对目标配电网优化调度模型中状态空间和动作空间进行更新。
其中,状态空间用于反映从配电网获取到的运行状态方面的信息。动作空间用控制配电网需要调度的分布式电源的类型和数量。
具体地,配电网优化调度模型和目标配电网优化调度由状态空间、动作空间、转化网络、表示网络、动态网络和预测网络构建得到。在目标配电网优化调度模型识别出实时图表征(或实时图数据)中的拓扑信息的变化后,即识别出实时拓扑变化信息,可以依据实时拓扑变化信息动态调整状态空间中状态量的类型和数量,以便目标配电网优化调度模型在配电网不同的拓扑结构下也能输出正确的目标调度信息的决策。同理,服务器还可以依据拓扑变化信息动态调整动作空间中日前机组启停/检修计划而动态调整决策量的类型和数量。
为构建,服务器可以从实时电力运行数据中提取出电力运行特征,并将电力运行特征和当前时刻作为状态量,从而服务器通过状态量构建得到实时状态空间。实时状态空间S可以通过公式(10)进行表示。
服务器还可以根据目标调度信息中的实时传统机组出力增量、实时储能出力增量、实时风电出力和实时光伏出力,来构建得到实时动作空间。实时动作空间A可以通过公式(11)进行表示。
式中,aG表示实时传统机组出力增量;aESS表示实时储能出力增量;aPV表示实时风电出力;aWT表示实时光伏出力。在实际应用中,动作空间中各动作量(如实时传统机组出力增量、实时储能出力增量、实时风电出力和实时光伏出力)的取值范围为[-1,1]。
最后,服务器根据实时状态空间和实时动作空间,对目标配电网优化调度模型中状态空间和动作空间进行更新,以确保目标配电网优化调度模型在下次决策目标调度信息时能够考虑到配电网的变化情况,从而提升输出的目标调度信息的准确性。
可以理解的是,为满足目标配电网优化调度模型的维度要求,在初始化状态空间和动作空间时,服务器会最大化状态量和动作量的类型和数目,而当线路断连导致某节点上的机组不需要出力时,或者因日前出力计划导致某机组启停时,只需将该机组对应的电力运行特征设置为0,不需重新训练目标配电网优化调度模型,使得目标配电网优化调度模型能够灵活应用于不断变化的配电网。
此外,由于各电源爬坡约束不同,例如风电与光伏新能源场站出力爬坡约束为0。而传统机组和储能需考虑时间耦合约束,传统机组和储能的实际出力Pt N如公式(12)所示。
式中,N表示传统机组或储能;Ut N、Dt N分别表示在t时刻的允许爬坡上限、允许爬坡下限。
由于可再生能源实时出力需被严格限制在超短期精准预测出力上限的范围内,因此,设计夹层函数规范目标配电网优化调度模型输出的目标调度信息中的可再生能源出力,可再生能源实时出力Pt M如公式(13)所示。
考虑机组出力上下限约束,目标配电网优化调度模型中的动作幅值的约束条件如公式(14)所示。
在本实施例中,通过根据实时电力运行数据,得到实时状态空间;根据配电网在当前时刻的传统机组出力增量、储能出力增量、风电出力和光伏出力,得到实时动作空间;根据实时状态空间和实时动作空间,对目标配电网优化调度模型中状态空间和动作空间进行更新,能够随着配电网的拓扑结构变化不断调整目标配电网优化调度模型的状态空间和动作空间,提高了配电网决策的稳定性的准确性。
在一个实施例中,如图5所示,提供了另一种配电网优化调度方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤S501,获取配电网中节点在当前时刻的实时电力运行数据和实时连接关系。
步骤S502,根据配电网中节点的实时连接关系,确定配电网在当前时刻的实时拓扑信息。
步骤S503,根据实时拓扑信息和实时电力运行数据,生成配电网在当前时刻的实时图数据。
步骤S504,将实时图数据和配电网在历史时刻的历史图数据,输入转化网络中,得到配电网的实时图表征和历史图表征。
步骤S505,将实时图表征和历史图表征,输入表示网络中,得到配电网在当前时刻下的初始隐状态。
步骤S506,将初始隐状态,输入动态网络中,得到配电网在当前时刻下的目标隐状态。
步骤S507,将目标隐状态,输入预测网络中,得到配电网的目标调度信息。
上述配电网优化调度方法,能够实现以下有益效果:克服了传统技术中因配电网场景复杂、不确定性高而难以精准决策的问题,即使在配电网的拓扑信息改变的情况下,也能够通过目标配电网优化调度模型,挖掘出实时图数据中配电网的实时拓扑信息,从而利用实时拓扑信息精准决策出目标调度信息,进而提高了配电网决策的稳定性。
为了更清晰阐明本公开实施例提供的配电网优化调度方法,以下以一个具体的实施例对上述配电网优化调度方法进行具体说明。提供了又一种配电网优化调度方法,可以应用于图1中的服务器,具体包括如下内容:
离线训练:为适配图数据的输入,将传统的神经网络与图神经网络相结合,构建目标配电网优化调度模型与配电网的仿真模型充分交互,目标配电网优化调度感知图数据中不断变化的拓扑信息,使配电网优化调度模型能够学习到拓扑变化信息,以便训练得到的目标配电网优化调度模型能在不同拓扑结构下挖掘电力运行特征做出准确的决策;使配电网根据目标配电网优化调度模型输出的目标调度信息调控各分布式电源,再依据配电网或仿真模型反馈的奖励去更新目标配电网优化调度模型的价值评判与策略选择。
数据准备:构建可描述拓扑结构的图数据形式。将电力系统的电力运行数据和实时连接关系构建到图数据中。服务器可以使用G = {V, E, A}来表示图数据,也可以将G ={V, E, A}抽象为G = {X, A}。特征矩阵X和邻接矩阵A会随着配电网在不同时刻下的拓扑信息的变化而变化。
在线应用:通过离线训练完成的目标配电网优化调度模型,充分分析电网数据采集系统实时收集的实时电力运行数据和实时连接关系,将实时电力运行数据和实时连接关系转化为图数据,再通过目标配电网优化调度模型从图数据中提取除图表征,通过目标配电网优化调度模型识别出图表征中的实时拓扑信息,并依据状态空间中状态量与动作空间中动作量,决策出配电网的风电、光伏、传统机组、储能出力、系统与上级电网的联络功率等,得到目标调度信息。配电网的调度中心及调度员按照目标调度信息控制机组、储能、新能源电站等分布式资源,并校验上级电网联络功率,满足实时调度需求下的功率平衡与风光消纳需要。
在本实施例中,在配电网存在拓扑变化等强不确定性情况下,仍能够依靠图表征与图神经网络强大的特征提取能力,在满足系统安全运行和潮流平衡约束下,输出有效可行决策,保障新能源的有效消纳,满足负荷需求与生产生活需求,并且通过储能与上级电网联络等手段消纳多余功率(如过剩的风光)的同时,确保配电网的稳定运行。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的配电网优化调度方法的配电网优化调度装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个配电网优化调度装置实施例中的具体限定可以参见上文中对于配电网优化调度方法的限定,在此不再赘述。
在一个实施例中,如图6所示,提供了一种配电网优化调度装置600,包括:数据获取模块601、数据转换模块602和调度输出模块603,其中:
数据获取模块601,用于获取配电网中节点在当前时刻的实时电力运行数据和实时连接关系。
数据转换模块602,用于根据实时电力运行数据和实时连接关系,得到配电网的实时图数据。
调度输出模块603,用于将实时图数据,输入至目标配电网优化调度模型,得到配电网的目标调度信息;目标配电网优化调度模型通过配电网在历史时刻的历史拓扑信息训练得到。
在一个实施例中,调度输出模块603,还用于将实时图数据和配电网在历史时刻的历史图数据,输入转化网络中,得到配电网的实时图表征和历史图表征;将实时图表征和历史图表征,输入表示网络中,得到配电网在当前时刻下的初始隐状态;将初始隐状态,输入动态网络中,得到配电网在当前时刻下的目标隐状态;将目标隐状态,输入预测网络中,得到配电网的目标调度信息。
在一个实施例中,数据获取模块602,还用于根据配电网中节点的实时连接关系,确定配电网在当前时刻的实时拓扑信息;根据实时拓扑信息和实时电力运行数据,生成配电网在当前时刻的实时图数据。
在一个实施例中,配电网优化调度装置600还包括模型训练模块,用于获取配电网的仿真模型;将配电网在历史时刻的历史图数据,输入至配电网优化调度模型中,得到仿真模型的预测调度信息;将预测调度信息,输入仿真模型中,得到配电网优化调度模型的目标函数;根据配电网优化调度模型的奖励函数,对配电网优化调度模型进行更新,得到目标配电网优化调度模型;奖励函数为根据目标函数的相反数确定得到的。
在一个实施例中,配电网优化调度装置600还包括函数得到模块,用于在仿真模型的每个拓扑结构下,分别确定预测调度信息对应的配电网运行成本和上级电网联络效益;根据每个拓扑结构下的配电网运行成本和上级电网联络效益,得到配电网调度模型的目标函数。
在一个实施例中,配电网优化调度装置600还包括信息获取模块,用于获取配电网的实时购电信息;在预测调度信息中的上级电网传输功率大于预设功率阈值的情况下,根据配电网的实时购电信息和上级电网传输功率,确定预测调度信息对应的上级电网联络信息。
在一个实施例中,配电网优化调度装置600还包括空间更新模块,用于根据实时电力运行数据,得到实时状态空间;根据配电网在当前时刻的传统机组出力增量、储能出力增量、风电出力和光伏出力,得到实时动作空间;根据实时状态空间和实时动作空间,对目标配电网优化调度模型中状态空间和动作空间进行更新。
上述配电网优化调度装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
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7所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。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和内存储器。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实时电力运行数据、实时连接关系和实时图数据等数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信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一种配电网优化调度方法。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机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各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各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
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,本申请所提供的各实施例中所使用的对存储器、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-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。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等。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 RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种配电网优化调度方法,其特征在于,所述方法包括:
获取配电网中节点在当前时刻的实时电力运行数据和实时连接关系;
根据所述实时电力运行数据和所述实时连接关系,得到所述配电网的实时图数据;
将所述实时图数据,输入至目标配电网优化调度模型,得到所述配电网的目标调度信息;所述目标配电网优化调度模型通过所述配电网在历史时刻的历史拓扑信息训练得到。
2.根据权利要求1所述的方法,其特征在于,所述目标配电网优化调度模型至少包括转化网络、表示网络、动态网络和预测网络,所述将所述实时图数据,输入至目标配电网优化调度模型,得到所述配电网的目标调度信息,包括:
将所述实时图数据和所述配电网在所述历史时刻的历史图数据,输入所述转化网络中,得到所述配电网的实时图表征和历史图表征;
将所述实时图表征和所述历史图表征,输入所述表示网络中,得到所述配电网在所述当前时刻下的初始隐状态;
将所述初始隐状态,输入所述动态网络中,得到所述配电网在所述当前时刻下的目标隐状态;
将所述目标隐状态,输入所述预测网络中,得到所述配电网的目标调度信息。
3.根据权利要求1所述的方法,其特征在于,所述根据所述实时电力运行数据和所述实时连接关系,得到所述配电网的实时图数据,包括:
根据所述配电网中节点的实时连接关系,确定所述配电网在所述当前时刻的实时拓扑信息;
根据所述实时拓扑信息和所述实时电力运行数据,生成所述配电网在所述当前时刻的实时图数据。
4.根据权利要求1所述的方法,其特征在于,所述目标配电网优化调度模型通过如下方式训练得到:
获取所述配电网的仿真模型;
将所述配电网在所述历史时刻的历史图数据,输入至配电网优化调度模型中,得到所述仿真模型的预测调度信息;
将所述预测调度信息,输入所述仿真模型中,得到所述配电网优化调度模型的目标函数;
根据所述配电网优化调度模型的奖励函数,对所述配电网优化调度模型进行更新,得到所述目标配电网优化调度模型;所述奖励函数为根据所述目标函数的相反数确定得到的。
5.根据权利要求4所述的方法,其特征在于,所述将所述预测调度信息,输入所述仿真模型中,得到所述配电网优化调度模型的目标函数,包括:
在所述仿真模型的每个拓扑结构下,分别确定所述预测调度信息对应的配电网运行成本和上级电网联络效益;
根据所述每个拓扑结构下的所述配电网运行成本和所述上级电网联络效益,得到所述配电网调度模型的目标函数。
6.根据权利要求5所述的方法,其特征在于,所述上级电网联络消息通过如下方式得到:
获取所述配电网的实时购电信息;
在所述预测调度信息中的上级电网传输功率大于预设功率阈值的情况下,根据所述配电网的实时购电信息和所述上级电网传输功率,确定所述预测调度信息对应的上级电网联络信息。
7.根据权利要求1至6任意一项所述的方法,其特征在于,在将所述实时图数据,输入至目标配电网优化调度模型,得到所述配电网的目标调度信息之后,还包括:
根据所述实时电力运行数据,得到实时状态空间;
根据所述配电网在所述当前时刻的传统机组出力增量、储能出力增量、风电出力和光伏出力,得到实时动作空间;
根据所述实时状态空间和所述实时动作空间,对所述目标配电网优化调度模型中状态空间和动作空间进行更新。
8.一种配电网优化调度装置,其特征在于,所述装置包括:
数据获取模块,用于获取配电网中节点在当前时刻的实时电力运行数据和实时连接关系;
数据转换模块,用于根据所述实时电力运行数据和所述实时连接关系,得到所述配电网的实时图数据;
调度输出模块,用于将所述实时图数据,输入至目标配电网优化调度模型,得到所述配电网的目标调度信息;所述目标配电网优化调度模型通过所述配电网在历史时刻的历史拓扑信息训练得到。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
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,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310486014.8A CN116207739B (zh) | 2023-05-04 | 2023-05-04 | 配电网优化调度方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310486014.8A CN116207739B (zh) | 2023-05-04 | 2023-05-04 | 配电网优化调度方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116207739A true CN116207739A (zh) | 2023-06-02 |
CN116207739B CN116207739B (zh) | 2023-09-15 |
Family
ID=86513311
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310486014.8A Active CN116207739B (zh) | 2023-05-04 | 2023-05-04 | 配电网优化调度方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116207739B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116596286A (zh) * | 2023-07-18 | 2023-08-15 | 深圳市中科云科技开发有限公司 | 虚拟电厂的优化调度方法、装置、设备及存储介质 |
CN116613754A (zh) * | 2023-07-21 | 2023-08-18 | 南方电网数字电网研究院有限公司 | 配电系统可靠性评估方法、模型训练方法、装置及设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108695857A (zh) * | 2018-06-19 | 2018-10-23 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 风电场自动电压控制方法、装置及系统 |
CN112633316A (zh) * | 2020-10-22 | 2021-04-09 | 国网山东省电力公司潍坊供电公司 | 一种基于边界估值理论的负荷预测方法和装置 |
CN113420162A (zh) * | 2021-06-24 | 2021-09-21 | 国网天津市电力公司 | 一种基于知识图谱的设备运行链状态监测方法 |
US20220085611A1 (en) * | 2019-09-19 | 2022-03-17 | Junkyeong KIM | Systems and methods for managing electricity supply from demand |
CN114362178A (zh) * | 2022-03-21 | 2022-04-15 | 广东电网有限责任公司东莞供电局 | 一种基于多目标优化的配电网重构优化方法 |
CN115664002A (zh) * | 2022-10-13 | 2023-01-31 | 国网辽宁省电力有限公司大连供电公司 | 一种基于电子调度的电网运行优化方法及系统 |
-
2023
- 2023-05-04 CN CN202310486014.8A patent/CN116207739B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108695857A (zh) * | 2018-06-19 | 2018-10-23 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 风电场自动电压控制方法、装置及系统 |
US20220085611A1 (en) * | 2019-09-19 | 2022-03-17 | Junkyeong KIM | Systems and methods for managing electricity supply from demand |
CN112633316A (zh) * | 2020-10-22 | 2021-04-09 | 国网山东省电力公司潍坊供电公司 | 一种基于边界估值理论的负荷预测方法和装置 |
CN113420162A (zh) * | 2021-06-24 | 2021-09-21 | 国网天津市电力公司 | 一种基于知识图谱的设备运行链状态监测方法 |
CN114362178A (zh) * | 2022-03-21 | 2022-04-15 | 广东电网有限责任公司东莞供电局 | 一种基于多目标优化的配电网重构优化方法 |
CN115664002A (zh) * | 2022-10-13 | 2023-01-31 | 国网辽宁省电力有限公司大连供电公司 | 一种基于电子调度的电网运行优化方法及系统 |
Non-Patent Citations (1)
Title |
---|
李蒙: "基于深度学习的论文图表图像描述生成研究", 《中国优秀硕士学位论文全文数据库》, no. 6, pages 1 - 49 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116596286A (zh) * | 2023-07-18 | 2023-08-15 | 深圳市中科云科技开发有限公司 | 虚拟电厂的优化调度方法、装置、设备及存储介质 |
CN116596286B (zh) * | 2023-07-18 | 2024-04-16 | 深圳市中科云科技开发有限公司 | 虚拟电厂的优化调度方法、装置、设备及存储介质 |
CN116613754A (zh) * | 2023-07-21 | 2023-08-18 | 南方电网数字电网研究院有限公司 | 配电系统可靠性评估方法、模型训练方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN116207739B (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shuai et al. | Stochastic optimization of economic dispatch for microgrid based on approximate dynamic programming | |
Luo et al. | Short‐term operational planning framework for virtual power plants with high renewable penetrations | |
Lu et al. | Multi-agent deep reinforcement learning based demand response for discrete manufacturing systems energy management | |
Hua et al. | Optimal energy management strategies for energy Internet via deep reinforcement learning approach | |
Li et al. | Optimal control in microgrid using multi-agent reinforcement learning | |
CN116207739B (zh) | 配电网优化调度方法、装置、计算机设备和存储介质 | |
Adetunji et al. | An optimization planning framework for allocating multiple distributed energy resources and electric vehicle charging stations in distribution networks | |
Cheng et al. | Solving hydro unit commitment problems with multiple hydraulic heads based on a two-layer nested optimization method | |
Geetha et al. | Design of economic dispatch model for Gencos with thermal and wind powered generators | |
Bui et al. | Real-time operation of distribution network: A deep reinforcement learning-based reconfiguration approach | |
Liu et al. | Flexible network planning of autonomy microgrid | |
Dolatabadi et al. | Deep reinforcement learning-based self-scheduling strategy for a CAES-PV system using accurate sky images-based forecasting | |
El Bourakadi et al. | Multi-agent system based sequential energy management strategy for Micro-Grid using optimal weighted regularized extreme learning machine and decision tree | |
Chuang et al. | Deep reinforcement learning based pricing strategy of aggregators considering renewable energy | |
Huang et al. | Smart energy management system based on reconfigurable AI chip and electrical vehicles | |
CN114970191A (zh) | 一种基于势博弈的电网交通系统日前分布鲁棒调度方法 | |
Zhang et al. | Physical-model-free intelligent energy management for a grid-connected hybrid wind-microturbine-PV-EV energy system via deep reinforcement learning approach | |
Ghavidel et al. | Hybrid power plant bidding strategy for voltage stability improvement, electricity market profit maximization, and congestion management | |
Bartels et al. | Influence of hydrogen on grid investments for smart microgrids | |
CN114169916A (zh) | 一种适应新型电力系统的市场成员报价策略制定方法 | |
Tan et al. | Distributionally robust energy management for multi-microgrids with grid-interactive EVs considering the multi-period coupling effect of user behaviors | |
Sun et al. | Interval mixed-integer programming for daily unit commitment and dispatch incorporating wind power | |
Liu et al. | Deep reinforcement learning for real-time economic energy management of microgrid system considering uncertainties | |
CN115360768A (zh) | 基于muzero和深度强化学习的电力调度方法、装置及存储介质 | |
Chai et al. | Investment decision optimization for distribution network planning with correlation constraint |
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 |