欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025101099489
申请人: 合肥工业大学
专利类型:发明专利
专利状态:已下证
专利领域: 发电、变电或配电
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.考虑恶劣天气下光伏出力不确定性的电网日内调度优化方法,其特征在于,包括以下步骤:步骤1:确定电网日内调度的序贯决策过程并建立数学模型;

步骤2:确定电网日内调度优化目标及约束条件并建立其学习优化模型;

步骤3:使用CGAN场景生成方法生成训练样本,并用A2C算法框架来优化能够适应多种源荷场景的调度智能体;

步骤4:使用迁移学习来获得特定源荷场景的日内调度智能体。

2.如权利要求1所述的考虑恶劣天气下光伏出力不确定性的电网日内调度优化方法,其特征在于,所述步骤1中电网日内调度的序贯决策过程,具体模型如下:序贯决策模型首先在第t个时刻,需要将观测到的电网运行信息构建为一个状态矩阵,并记为St;状态矩阵主要包括当前时刻数t、对电网运行状态的观测信息obt、以及对下一个时刻t+1的负荷预测值和新能源机组出力预测值foret,所以状态矩阵可写为如下的形式:St=[t,obt,foret],t∈(0,1,2,...,T)

其中,时间间隔为15分钟,所以T=95,智能体接收一个状态矩阵St作为输入后,智能体策略网络π会根据当前状态矩阵中的信息输出一个机组动作调整量At;假设系统中含有Nther台火电机组,则在第t个时刻对第n台火电机组的动作调整量记为所有机组的调整动作矩阵At可写为如下矩阵的形式:机组的调整量需要映射到当前机组的出力值上,映射的公式如下所示:

式中Ptther代表t时刻系统中所有的火力发电机组的出力值,分别代表t时刻系统中所有火电机组出力的允许的可调下界和可调上界;

如上所述,t时刻状态矩阵St输入到策略π中,决策出调整量At后,电网调整相应的火电机组并执行,并进入下一个决策过程,决策过程用数学符号可以描述为:St→π→At→St+1→π→At+1…→ST。

3.如权利要求1所述的考虑恶劣天气下光伏出力不确定性的电网日内调度优化方法,其特征在于,所述步骤2中电网日内调度模型的约束条件包括线路潮流功率约束、发用功率平衡、火电机组爬坡功率上下限约束、机组输出功率上下限约束等,具体如下:所述线路潮流功率约束:其中,为t时刻所有线路的功率组成的线路功率矩阵,为所有线路功率极限值组成的线路极限功率矩阵,l∈Nline,Nline所有母线节点上所有线路的编号;

所述发用功率平衡:

其中为t时刻NPV台光伏机组出力的功率矩阵,为t时刻第j台光伏机组的出力功率,Ptload是用电侧的有功功率;

所述任意t时刻机组上下限功率约束:

其中为火电机组最小/最大出力功率矩阵,为第k台火电机组的最小/最大出力功率;

所述爬坡功率约束:

其中为火电机组的向下/向上的爬坡功率组成的矩阵,为第n台火电机组的向下/向上爬坡功率。

4.如权利要求1所述的考虑恶劣天气下光伏出力不确定性的电网日内调度优化方法,其特征在于,所述步骤2中电网优化目标,具体如下:电网的运行目标主要考虑火电机组的运行成本以及光伏机组的消纳率,其中火电机组的运行成本为:其中,αi,βi,γi为采用二次模型时机组i的运行成本系数,光伏的消纳率可表示为:其中表示t时刻第j台光伏短期预测最大出力值,表示t时刻第j台光伏机组当前的出力值。

5.如权利要求1所述的考虑恶劣天气下光伏出力不确定性的电网日内调度优化方法,其特征在于,所述步骤3所述CGAN场景生成方法生成训练样本具体如下:CGAN包含两个主要组成部分:生成器和判别器;生成器根据输入的条件变量c和随机噪声z,生成符合条件的虚拟样本G(z∣c);判别器通过输入真实样本和生成样本,判断输入样本是否为真实数据,输出真值概率;在新能源电力系统中,光伏、风电等出力受到天气、时间等多种因素影响,其波动性和不确定性给电网调度带来巨大挑战;通过CGAN场景生成技术,可以为电网调度智能体提供丰富的模拟数据,增强调度模型的鲁棒性;

训练适应多种源荷场景的调度智能体,使用CGAN场景生成法来生成光伏出力场景,并根据该时期光伏数据的最大出力、半载概率和出力时段等特征来选取晴天、阴天和雨天三个主要的源荷场景样本。

6.如权利要求1所述的考虑恶劣天气下光伏出力不确定性的电网日内调度优化方法,其特征在于,所述步骤3中A2C算法优化,首先从环境中获取状态,后输入到智能体的网络中,actor网络会输出均值和方差,同时构建相应的高斯分布并进行动作的采样;最后将动作输入到环境中执行,执行完成后环境再输出下一个时刻的状态信息;智能体的critic网络会根据当前状态和下一时刻状态计算出相应的价值估计值,进一步的根据环境反馈的实时的奖励来算出均方误差,并用来更新智能体的critic网络,最后结合输出的动作信息对actor网络进行更新。

7.如权利要求1所述的考虑恶劣天气下光伏出力不确定性的电网日内调度优化方法,其特征在于,所述步骤4中迁移学习来对特定日内调度智能体的优化进行改进:使用基于网络的迁移学习,该迁移方法是指将源域中训练好的网络,包括其网络结构和连接参数重新利用,将其转化为用于目标领域的初始训练的深度神经网络参数,具体的公式如下所示:式中πsource,πtarget分别代表源任务和目标任务的策略网络,θsource代表源任务策略网络的网络参数,θt′arget代表目标任务的初始网络参数,所以就是将源任务策略网络的参数直接迁移到目标任务的策略网络中,然后继续进行学习。