[发明专利]一种基于深度学习的微电网全自动导航方法、系统与装置

说明书

本发明涉及一种基于深度学习的微电网全自动导航方法、系统与装置。该方法包括：获取微电网系统日前24时段的系统净负荷；将系统净负荷输入微电网日前优化调度模型，输出微电网系统的日前优化调度策略；微电网日前优化调度模型为双层Bi‑LSTM神经网络模型；根据可控机组的最小技术出力、出力上限值、爬坡约束和运行时间约束，对微电网系统的日前优化调度策略的可控机组出力进行调整；根据储能充放电功率上限值、容量约束和调度周期内储能平衡约束，对储能充放电功率进行调整；根据微电网与大电网联络线交换功率上限值和系统功率平衡约束对微电网与大电网联络线交换功率进行调整。本发明可以提高微电网日前优化调度的准确度和效率。

技术领域

本发明涉及微电网优化调度领域，特别是涉及一种基于深度学习的微电网全自动导航方法、系统与装置。

背景技术

微电网是一种由微型燃气轮机、柴油发电机等可控分布式电源机组、风机、光伏等可再生能源发电机组、储能以及负荷组成的小型发-配-用电系统，通过系统内部源、网、荷、储的协调运行，能够有效降低系统运行成本和污染排放，提高可再生能源渗透率和供电可靠性，是智能电网的重要组成部分。

微电网全自动导航方法，是一种基于人工智能技术的微电网智能优化调度方法，相比于传统基于工程人员经验和认知的预案式调度方法以及基于物理模型驱动的微电网优化调度方法，其具有控制范围广、求解效率高的优势，能够有效解决预案式调度方法无法涵盖所有场景以及模型驱动方法计算效率低下难以满足运行实时性要求的难题。此外，随着微电网系统复杂度的增长，强间歇性可再生能源高比例接入、高渗透率电力电子装备、多能源耦合、多参与主体博弈、多时间尺度等因素使得传统微电网优化调度方法难以为继，发展基于人工智能技术的微电网智能优化调度方法，即微电网全自动导航方法，是应对这一问题的有效解决途径。微电网的日前优化调度是保证微电网安全、可靠、经济运行的重要手段，是微电网相关研究的热点问题。传统的微电网优化调度通常基于最优化的理论和方法，首先对微电网内部各元件进行建模，然后对模型进行简化和处理，最后研究相应的求解算法对模型进行求解。模型的目标函数一般为运行成本最小，也有相关研究综合考虑经济、环境以及社会效益建立多目标优化模型；常用的模型建模方法包括混合整数规划、动态规划、模型预测控制、分布式优化、李雅普诺夫优化等；常用的模型求解算法包括遗传算法、粒子群算法、主动进化算法、拉格朗日松弛法等。近年来，随着风机、光伏等可再生能源的高比例接入，微电网的运行不确定性显著加大，如何应对不确定性因素成为微电网优化调度的难点问题。此类问题常用的解决办法是将不确定性问题转换成确定性问题进行建模求解，主要包括基于场景的随机优化，机会约束优化，鲁棒优化等，但这些方法均存在一定的局限性，如随机优化计算量较大、鲁棒优化过于保守等，而且微电网系统运行不确定因素较为复杂时，其概率建模较为困难，导致微电网优化调度效率低。

人工智能是新一轮科技革命和产业变革的重要驱动力量，机器学习是人工智能的核心，专门研究计算机如何模拟或实现人类的学习行为，以获取新的知识或技能，研究其在系统调度运行的应用有助于突破传统解决方案的局限性。机器学习属于无模型的思路，采用数据驱动方法替换物理建模，不需要考虑元件等物理模型内部机理，对研究对象的物理模型不敏感，通过对历史数据、决策等已知样本的不断学习，充分挖掘系统环境信息，直接得到稳定控制策略。目前，深度学习等机器学习算法在系统优化调度中的应用主要集中在负荷预测方面，包括在负荷预测精度、预测速度、模型泛化性等方面的改进，解决分布式能源的接入所带来的随机扰动问题；而直接应用在系统调度决策的相关研究较少，现有的研究大多是针对微电网电力数据表现出的规模性、随机性、多样性等特点，采用深度学习准确地提取输入数据的特征，充分发掘数据之间的关联性，输出较为稳定的结果。

发明内容

本发明的目的是提供一种基于基于深度学习的微电网全自动导航方法、系统与装置，以在保证微电网优化调度求解精度的同时显著提高求解效率。

为实现上述目的，本发明提供了如下方案：

一种基于深度学习的微电网全自动导航方法，包括：