虚拟电厂智能调度方法、装置、设备及介质与流程
本发明涉及智能电网,尤其涉及一种虚拟电厂智能调度方法、装置、设备及介质。
背景技术:
1、现有研究通常从聚合商视角建立日前能源资源管理模型,采用多场景方法描述不确定性,并以条件风险价值抑制极端高成本场景的冲击;部分方案引入代理模型替代昂贵适应度函数配合进化算法加速求解,另有方案在深度强化学习中引入安全层将智能体动作投影至安全集以满足实时约束。
2、然而,现有方案存在以下不足:一是物理建模过度复杂,夹杂与聚合商能源资源管理主问题不直接相关的机组启停、爬坡和多层内部推导,导致模型规模急剧膨胀、求解缓慢且不利于实时快速响应;二是大规模多场景优化算力代价高,直接调用精确求解器计算量大,难以在有限时间内完成高质量搜索;三是日前与实时缺乏清晰接口,日前计划难以平滑落地至实时执行阶段,且现有技术多为单点突破,风险感知、代理辅助优化与安全强化学习实时执行彼此割裂,未形成贯通日前与实时的协同调度体系。
3、因此,如何在虚拟电厂高不确定性运行场景下实现日前基线调度方案的高效求解与实时安全执行,成为亟待解决的问题。
技术实现思路
1、本申请的主要目的在于提供一种虚拟电厂智能调度方法、装置、设备及介质,旨在解决如何在虚拟电厂高不确定性运行场景下实现日前基线调度方案的实时安全执行的技术问题。
2、为实现上述目的,本申请提出一种虚拟电厂智能调度方法,包括:
3、获取历史调度数据,根据所述历史调度数据生成初始场景样本集合,并对所述初始场景样本集合进行削减,得到目标离散场景集合和对应的场景概率权重;
4、根据所述目标离散场景集合和所述场景概率权重,构建以期望总成本和条件风险价值加权和为目标函数的能源资源管理模型,并对所述能源资源管理模型进行求解,得到日前计划基线;
5、基于所述日前计划基线通过双层循环迭代对代理辅助优化模型进行求解,得到优化后的日前计划基线,其中所述代理辅助优化模型包括精确评估模型、极限学习机代理模型和粒子群优化算法;
6、获取实时运行状态数据,将所述实时运行状态数据输入预设策略网络中,得到原始修正动作;
7、通过二次规划算法将所述原始修正动作投影至物理约束可行域,得到安全增量动作;
8、将所述安全增量动作与所述优化后的日前计划基线进行叠加,得到实时执行指令,并向虚拟电厂中的各个资源节点发送所述实时执行指令,以使所述各个资源节点按照所述实时执行指令进行实时调度。
9、此外,为实现上述目的,本申请还提出一种虚拟电厂智能调度装置,所述虚拟电厂智能调度装置包括:
10、场景构建模块,用于获取历史调度数据,根据所述历史调度数据生成初始场景样本集合,并对所述初始场景样本集合进行削减,得到目标离散场景集合和对应的场景概率权重;
11、模型构建模块,用于根据所述目标离散场景集合和所述场景概率权重,构建以期望总成本和条件风险价值加权和为目标函数的能源资源管理模型,并对所述能源资源管理模型进行求解,得到日前计划基线;
12、代理优化模块,用于基于所述日前计划基线通过双层循环迭代对代理辅助优化模型进行求解,得到优化后的日前计划基线,其中所述代理辅助优化模型包括精确评估模型、极限学习机代理模型和粒子群优化算法;
13、策略模块,用于获取实时运行状态数据,将所述实时运行状态数据输入预设策略网络中,得到原始修正动作;
14、投影模块,用于通过二次规划算法将所述原始修正动作投影至物理约束可行域,得到安全增量动作;
15、执行模块,用于将所述安全增量动作与所述优化后的日前计划基线进行叠加,得到实时执行指令,并向虚拟电厂中的各个资源节点发送所述实时执行指令,以使所述各个资源节点按照所述实时执行指令进行实时调度。
16、此外,为实现上述目的,本申请还提出一种存储介质,所述存储介质为计算机可读介质,所述存储介质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如上文所述的虚拟电厂智能调度方法的步骤。
17、此外,为实现上述目的,本申请还提供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,所述计算机程序被处理器执行时实现如上文所述的虚拟电厂智能调度方法的步骤。
18、本申请通过数据驱动场景削减构建目标离散场景集合,以期望总成本与条件风险价值加权和为目标函数求解日前计划基线,利用极限学习机代理模型与粒子群优化算法双层循环迭代优化,并训练策略网络输出增量修正动作,经二次规划安全投影后与日前基线叠加生成实时执行指令下发各资源节点,贯通日前风险优化与实时安全修正调度。实现物理建模清晰且贯通日前与实时的智能调度,兼顾经济性与极端风险可控性,显著提高了高不确定性场景下虚拟电厂调度的求解效率与在线可执行性。
1.一种虚拟电厂智能调度方法,其特征在于,所述方法包括:
2.如权利要求1所述的方法,其特征在于,所述获取历史调度数据,根据所述历史调度数据生成初始场景样本集合,并对所述初始场景样本集合进行削减,得到目标离散场景集合和对应的场景概率权重的步骤,包括:
3.如权利要求1所述的方法,其特征在于,所述根据所述目标离散场景集合和所述场景概率权重,构建以期望总成本和条件风险价值加权和为目标函数的能源资源管理模型,并对所述能源资源管理模型进行求解,得到日前计划基线的步骤,包括:
4.如权利要求1所述的方法,其特征在于,所述基于所述日前计划基线通过双层循环迭代对代理辅助优化模型进行求解,得到优化后的日前计划基线的步骤,包括:
5.如权利要求1所述的方法,其特征在于,所述将所述实时运行状态数据输入预设策略网络中,得到原始修正动作的步骤之前,包括:
6.如权利要求1所述的方法,其特征在于,所述通过二次规划算法将所述原始修正动作投影至物理约束可行域,得到安全增量动作的步骤,包括:
7.如权利要求1所述的方法,其特征在于,所述将所述安全增量动作与所述日前计划基线进行叠加,得到实时执行指令,并向虚拟电厂中的各个资源节点发送所述实时执行指令,以使所述各个资源节点按照所述实时执行指令进行实时调度的步骤,包括:
8.一种虚拟电厂智能调度装置,其特征在于,所述装置应用于如权利要求1至7中任一项所述的虚拟电厂智能调度方法,所述装置包括:
9.一种虚拟电厂智能调度设备,其特征在于,所述设备包括:存储器、处理器及存储在所述存储器上并在所述处理器上运行的虚拟电厂智能调度程序,所述虚拟电厂智能调度程序配置为实现如权利要求1-7中任一项所述的虚拟电厂智能调度方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有虚拟电厂智能调度程序,所述虚拟电厂智能调度程序被处理器执行时实现如权利要求1-7中任一项所述的虚拟电厂智能调度方法的步骤。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com