[發明專利]一種基于深度學習的微電網全自動導航方法、系統與裝置

有效

• 申請號: 202011000664.X
• 申請日: 2020-09-22
• 公開（公告）號: CN112134304B
• 公開（公告）日: 2022-04-01
• 發明（設計）人: 黃彥璐;俞靖一;張子昊;馬溪原;陳元峰;郭曉斌;林冬;向思陽
• 申請（專利權）人: 南方電網數字電網研究院有限公司
• 主分類號: H02J3/38
• 分類號: H02J3/38;H02J3/46;H02J3/32;H03J3/00
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 崔玥

本發明涉及一種基于深度學習的微電網全自動導航方法、系統與裝置。該方法包括：獲取微電網系統日前24時段的系統凈負荷；將系統凈負荷輸入微電網日前優化調度模型，輸出微電網系統的日前優化調度策略；微電網日前優化調度模型為雙層Bi?LSTM神經網絡模型；根據可控機組的最小技術出力、出力上限值、爬坡約束和運行時間約束，對微電網系統的日前優化調度策略的可控機組出力進行調整；根據儲能充放電功率上限值、容量約束和調度周期內儲能平衡約束，對儲能充放電功率進行調整；根據微電網與大電網聯絡線交換功率上限值和系統功率平衡約束對微電網與大電網聯絡線交換功率進行調整。本發明可以提高微電網日前優化調度的準確度和效率。

技術領域

本發明涉及微電網優化調度領域，特別是涉及一種基于深度學習的微電網全自動導航方法、系統與裝置。

背景技術

微電網是一種由微型燃氣輪機、柴油發電機等可控分布式電源機組、風機、光伏等可再生能源發電機組、儲能以及負荷組成的小型發-配-用電系統，通過系統內部源、網、荷、儲的協調運行，能夠有效降低系統運行成本和污染排放，提高可再生能源滲透率和供電可靠性，是智能電網的重要組成部分。

微電網全自動導航方法，是一種基于人工智能技術的微電網智能優化調度方法，相比于傳統基于工程人員經驗和認知的預案式調度方法以及基于物理模型驅動的微電網優化調度方法，其具有控制范圍廣、求解效率高的優勢，能夠有效解決預案式調度方法無法涵蓋所有場景以及模型驅動方法計算效率低下難以滿足運行實時性要求的難題。此外，隨著微電網系統復雜度的增長，強間歇性可再生能源高比例接入、高滲透率電力電子裝備、多能源耦合、多參與主體博弈、多時間尺度等因素使得傳統微電網優化調度方法難以為繼，發展基于人工智能技術的微電網智能優化調度方法，即微電網全自動導航方法，是應對這一問題的有效解決途徑。微電網的日前優化調度是保證微電網安全、可靠、經濟運行的重要手段，是微電網相關研究的熱點問題。傳統的微電網優化調度通常基于最優化的理論和方法，首先對微電網內部各元件進行建模，然后對模型進行簡化和處理，最后研究相應的求解算法對模型進行求解。模型的目標函數一般為運行成本最小，也有相關研究綜合考慮經濟、環境以及社會效益建立多目標優化模型；常用的模型建模方法包括混合整數規劃、動態規劃、模型預測控制、分布式優化、李雅普諾夫優化等；常用的模型求解算法包括遺傳算法、粒子群算法、主動進化算法、拉格朗日松弛法等。近年來，隨著風機、光伏等可再生能源的高比例接入，微電網的運行不確定性顯著加大，如何應對不確定性因素成為微電網優化調度的難點問題。此類問題常用的解決辦法是將不確定性問題轉換成確定性問題進行建模求解，主要包括基于場景的隨機優化，機會約束優化，魯棒優化等，但這些方法均存在一定的局限性，如隨機優化計算量較大、魯棒優化過于保守等，而且微電網系統運行不確定因素較為復雜時，其概率建模較為困難，導致微電網優化調度效率低。

人工智能是新一輪科技革命和產業變革的重要驅動力量，機器學習是人工智能的核心，專門研究計算機如何模擬或實現人類的學習行為，以獲取新的知識或技能，研究其在系統調度運行的應用有助于突破傳統解決方案的局限性。機器學習屬于無模型的思路，采用數據驅動方法替換物理建模，不需要考慮元件等物理模型內部機理，對研究對象的物理模型不敏感，通過對歷史數據、決策等已知樣本的不斷學習，充分挖掘系統環境信息，直接得到穩定控制策略。目前，深度學習等機器學習算法在系統優化調度中的應用主要集中在負荷預測方面，包括在負荷預測精度、預測速度、模型泛化性等方面的改進，解決分布式能源的接入所帶來的隨機擾動問題；而直接應用在系統調度決策的相關研究較少，現有的研究大多是針對微電網電力數據表現出的規模性、隨機性、多樣性等特點，采用深度學習準確地提取輸入數據的特征，充分發掘數據之間的關聯性，輸出較為穩定的結果。

發明內容

本發明的目的是提供一種基于基于深度學習的微電網全自動導航方法、系統與裝置，以在保證微電網優化調度求解精度的同時顯著提高求解效率。

為實現上述目的，本發明提供了如下方案：

一種基于深度學習的微電網全自動導航方法，包括：