[发明专利]基于场景和深度强化学习的虚拟电厂经济调度方法

说明书

一种基于场景和深度强化学习的虚拟电厂经济调度方法，解决了现有虚拟电厂经济调度方法通用性差的问题，属于智能电网经济调度领域。本发明包括：S1、建立虚拟电厂经济调度的目标函数及相应约束条件，使电力系统正常运行；S2、根据设定阈值对历史数据进行分类，分为极端场景的数据和常态场景的数据；S3、利用生成式对抗网络GAN分别对极端场景的数据和常态场景的数据进行扩充，获取极端场景数据集和常态场景数据集；S4、利用深度确定性策略梯度算法，分别以极端场景数据集及常态场景数据集作为训练集，对神经网络进行训练，求解目标函数的参数，确定虚拟电厂经济调度策略。使具有储能和接入配电网的虚拟发电厂(VPP)在不确定条件下稳定运行。

技术领域

本发明涉及一种基于场景和深度强化学习的虚拟电厂经济调度方法，属于智能电网经济调度领域。

背景技术

随着在传统的电力设施中大量的分布式新能源发电机的接入，对于传统电网的正常运行提出了挑战。这是由于新能源发电机相较于传统的火力发电机组而言，新能源发电机不具有传统火力发电的性质：如持续性,稳定性等，新能源在出力过程中更多的依赖与天气和自然情况，那么新能源出力就具有间歇性，不确定性等缺点。但是新能源相比于传统能源也是具有成本低廉，对于环境污染少的特点。由于以上原由，一种新型的电厂模型虚拟电厂(VPP)就被提出来，用来整合分布式的传统能源和新能源。VPP通常都是通过合理的技术手段：如通信技术、信息技术和相对应的软件系统来对于分布式能源、储能系统和用户负载进行整合进行并网运行，并可参与到大型的能量市场中，以获得更大的经济效益。以达到更好整合大范围内容量小，分布不均匀，出力不稳定的分布式能源的目的。将这些分布式能源进行并网时会对于电网稳定运行造成影响，如潮流改变，线路拥塞等问题。由于VPP接入了大量的具有不确定性的能源出力的问题，稳定的运行电网是所有问题的前提。负载、新能源的不确定性因素会导致电厂不稳定。为了更好的解决不确定性的问题，提出具有鲁棒性的策略来更好的对VPP进行能源管理，但是现有针对VPP的鲁棒性问题的解决方法具有两个缺点：

一、鲁棒问题对于不确定性集合的保守性问题；

二、鲁棒性问题不能够直接对于非线性、非凸问题进行求解；

这两个缺点导致现有虚拟电厂经济调度策略方法的通用性差。

发明内容

针对现有虚拟电厂经济调度方法通用性差的问题，本发明提供一种更加通用的基于场景和深度强化学习的虚拟电厂经济调度方法。

本发明的一种基于场景和深度强化学习的虚拟电厂经济调度方法，所述方法包括：

S1、建立虚拟电厂经济调度的目标函数及相应约束条件，使电力系统正常运行；

S2、根据设定阈值对历史数据进行分类，分为极端场景的数据和常态场景的数据；

S3、利用生成式对抗网络GAN分别对极端场景的数据和常态场景的数据进行扩充，获取极端场景数据集和常态场景数据集；

S4、利用深度确定性策略梯度算法，分别以极端场景数据集及常态场景数据集作为训练集，对神经网络进行训练，求解目标函数的参数，确定虚拟电厂经济调度策略。

作为优选，所述S2中，通过夜间用电高峰的平均用电值作为设定阈值，将历史数据与该设定阈值进行对比，超过该设定阈值的历史数据为极端场景数据，否则，作为常态场景数据。

作为优选，所述S3包括：

S31、生成式对抗网络GAN包括生成网络模型G和辨别网络模型D；

S32、利用极端场景和常态场景的历史真实数据分别对生成式对抗网络GAN进行训练，获取极端场景数据生成网络模型G和常态场景数据生成网络模型G，训练过程包括：

将历史真实数据和随机噪声输入到生成网络模型G，生成网络模型G用于生成与所述真实数据相同类型的数据；