一种考虑变换器电源功率限幅的风储火频率安全约束优化调度方法

本发明属于频率安全约束优化调度领域，具体涉及一种考虑变换器电源功率限幅的风储火频率安全约束优化调度方法。

背景技术：

1、在新型电力系统建设推进下，高比例新能源、高比例电力电子设备深度并网，构网型储能、构网型风电场与传统火电机组协同运行成为电网主流形态，机组组合作为电力系统调度优化的核心环节，其兼顾运行经济性与频率安全稳定性的决策设计，对新型电力系统安全高效运行至关重要。然而，新能源并网大幅降低了系统惯量支撑能力，跟网型变换器电源与构网型变换器电源的频率响应特性存在本质差异，跟网型变换器电源因锁相环滤波与延时特性无法实现瞬时惯量响应，系统遭遇扰动后易出现初始频率变化率超标、最大频率偏差越限、稳态频率偏差超限等问题，严重威胁频率安全；同时新能源出力的强波动性进一步加剧了频率动态响应的复杂性，对优化调度的频率安全约束提出了更高要求。

2、当前频率安全约束优化调度相关研究尚存明显短板，部分方法忽视频率动态特性，部分未考虑跟网型变换器电源与构网型变换器电源的频率响应特性差异，还有部分采用离散化方法建模功率限幅环节，却会引入大量决策变量，导致模型求解效率低，优化调度方案难以兼顾运行经济性与频率稳定性，无法适配新型电力系统的调度需求。

3、如何解决上述问题，构建适配不同控制类型、考虑功率限幅且求解高效的频率安全约束优化调度模型，成为新型电力系统调度优化的关键难题。

技术实现思路

1、本发明针对高比例新能源并网下系统惯量支撑不足、频率安全受限的问题，提供一种考虑变换器电源功率限幅的风储火频率安全约束优化调度方法，首先考虑功率限幅环节，结合跟网型变换器电源与构网型变换器电源的频率响应特性差异，构建系统频率响应模型；其次，考虑构网型储能和构网型风电场初始惯量响应的功率限幅，推导多源惯量响应的功率限幅约束，构建初始频率变化率约束；接着，训练深度神经网络分类模型，并基于分类概率采用区域感兴趣主动采样方法生成频率安全阈值附近的训练数据集；设计复合损失函数，训练多输入－单输出深度神经网络拟合模型以拟合调度特征变量与最大频率偏差之间的非线性映射关系，并通过大m法将训练后的多输入－单输出深度神经网络拟合模型整体转化为混合整数线性约束，构建最大频率偏差约束；随后，利用稳态下频率变化率为零的特性，结合火电机组、构网型储能、跟网型风电场及构网型风电场的一次调频特性与功率限幅，引入辅助变量表征未受限稳态频率响应功率与实际稳态频率响应功率之间的差值，建立稳态频率响应与稳态频率偏差的关联约束，并构建稳态频率偏差约束；最后，构建基础优化调度模型，结合上述频率安全约束进行求解，得到兼顾经济性与频率安全性的优化调度结果。本发明针对性攻克现有技术的短板，实现频率安全约束的构建与优化调度模型的高效融合求解，协同提升电力系统调度的经济性与频率安全性，能够支撑高比例新能源并网的技术需求。

2、根据本说明书的一方面，提供一种考虑变换器电源功率限幅的风储火频率安全约束优化调度方法，包括：

3、根据跟网型变换器电源与构网型变换器电源的功率限幅环节，结合跟网型变换器电源与构网型变换器电源的频率响应特性差异，构建系统频率响应模型；

4、根据构网型储能和构网型风电场初始惯量响应的功率限幅，推导构网型风电场初始惯量响应和构网型储能初始惯量响应的功率限幅约束，结合系统的机械惯性，构建初始频率变化率约束；

5、根据系统频率响应模型中的输入变量得到无标签样本集，将所述无标签样本集输入训练后的深度神经网络分类模型，得到各无标签样本属于频率安全类别和频率不安全类别的预测概率，并采用区域感兴趣主动采样方法生成训练数据集；

6、结合构建的复合损失函数，采用训练数据集对多输入－单输出深度神经网络拟合模型进行训练，得到训练后的多输入－单输出深度神经网络拟合模型，通过大m法将训练后的多输入－单输出深度神经网络拟合模型转化为混合整数线性约束，并构建最大频率偏差约束；

7、结合火电机组、构网型储能、跟网型风电场及构网型风电场的一次调频特性与功率限幅，引入辅助变量建立稳态频率响应与稳态频率偏差的关联约束，并构建稳态频率偏差约束；

8、构建基础优化调度模型，结合频率安全约束构成频率安全约束优化调度模型并将其转化为混合整数线性规划问题，求解得到优化调度结果；所述频率安全约束包括初始频率变化率约束、最大频率偏差约束、稳态频率偏差约束。

9、作为进一步的技术方案，跟网型变换器电源与构网型变换器电源的功率限幅环节，包括：

10、将构网型变换器电源的未限幅频率响应功率限制在其预设调频备用范围内：当未限幅频率响应功率未超过调频备用上限，则实际频率响应功率等于未限幅频率响应功率，当未限幅频率响应功率超过调频备用上限，则实际频率响应功率等于所述调频备用上限；

11、将跟网型变换器电源的未限幅频率响应功率限制在预设调频备用范围内：当未限幅频率响应功率超过调频备用上限，则实际频率响应功率等于所述调频备用上限；当未限幅频率响应功率未超过调频备用上限，则实际频率响应功率等于未限幅频率响应功率。

12、作为进一步的技术方案，所述初始频率变化率约束的表达式为：

13、

14、其中，表示第t时刻的扰动功率，表示未限幅的构网型风电场初始惯量响应功率，表示未限幅的构网型储能初始惯量响应功率，表示系统的机械惯性，表示频率变化率限值。

15、作为进一步的技术方案，采用区域感兴趣主动采样方法生成训练数据集，包括：

16、根据各无标签样本属于频率安全类别和频率不安全类别的预测概率确定各无标签样本的采样概率，并按照所述采样概率从高到低抽取满足频率安全阈值要求的输入样本，构成待标注样本集；

17、将所述待标注样本集中的各输入样本逐一代入系统频率响应模型，求解得到对应的实际最大频率偏差，并将各输入样本与对应的实际最大频率偏差组成带标签样本，构成训练数据集。

18、作为进一步的技术方案，所述深度神经网络分类模型的训练，包括：

19、根据系统频率响应模型中的输入变量取值边界随即生成初始样本集；

20、将初始样本集中的各个样本代入系统频率响应模型，求解得到实际最大频率偏差；

21、根据所述实际最大频率偏差与预设最大频率偏差安全阈值之间的关系设置频率安全类别标签，构成初始带标签样本集；

22、搭建深度神经网络分类模型，包括输入层，用于接收输入样本并传输至隐藏层；至少一个隐藏层，用于采用激活函数对输入样本进行处理，得到隐藏层表示特征，输出层，用于接收隐藏层表示特征，并输出与输入样本对应的频率安全类别及类别概率；相邻网络层之间采用全连接方式；

23、采用所述初始带标签样本集对所述深度神经网络分类模型进行训练，得到训练后的深度神经网络分类模型。

24、作为进一步的技术方案，通过大m法将训练后的多输入－单输出深度神经网络拟合模型转化为混合整数线性约束，包括：

25、将训练后的多输入－单输出深度神经网络拟合模型拆解为各网络层的线性变换关系与各隐藏层的relu激活运算关系；

26、设置二进制变量表征各relu神经元的激活状态，并采用大m法构建线性不等式约束以表示所述relu激活运算关系；

27、采用线性等式表示各网络层的线性变换关系，将训练后的多输入－单输出深度神经网络拟合模型表示为由连续变量、二进制变量、线性等式和线性不等式约束构成的混合整数线性约束；其中，多输入－单输出深度神经网络拟合模型的输出值为连续变量。

28、作为进一步的技术方案，构建稳态频率偏差约束，包括：

29、利用稳态下频率变化率为零的特性，构建稳态时的系统摇摆方程；

30、结合火电机组、构网型储能、跟网型风电场及构网型风电场的一次调频特性与功率限幅，引入辅助变量表征未受限稳态频率响应功率与实际稳态频率响应功率之间的差值，建立稳态频率响应与稳态频率偏差的关联约束，并构建稳态频率偏差约束。

31、作为进一步的技术方案，构建基础优化调度模型，包括：

32、以优化调度的储备成本、运行成本以及惩罚成本最小化为优化调度目标函数，结合各频率响应资源的一般运行约束构建基础优化调度模型；其中，所述一般运行约束包括火电机组启停、出力上下限、调频备用和爬坡约束，储能充放电功率、充放电状态及能量状态约束，以及风电场出力、调频备用和系统功率平衡约束。

33、作为进一步的技术方案，构建的复合损失函数，表达式为：

34、

35、其中，表示复合损失函数，n表示训练数据集中第n个样本的索引，表示抽取得到的样本数量，表示第n个样本的权重，表示预测得到的输出值，表示第n个样本的真实输出值，表示惩罚系数，表示relu函数。

36、根据本说明书的一方面，提供一种考虑变换器电源功率限幅的风储火频率安全约束优化调度系统，用于实现所述的一种考虑变换器电源功率限幅的风储火频率安全约束优化调度方法，包括：

37、第一处理模块，用于根据跟网型变换器电源与构网型变换器电源的功率限幅环节，结合跟网型变换器电源与构网型变换器电源的频率响应特性差异，构建系统频率响应模型；

38、第二处理模块，用于根据构网型储能和构网型风电场初始惯量响应的功率限幅，推导构网型风电场初始惯量响应和构网型储能初始惯量响应的功率限幅约束，结合系统的机械惯性，构建初始频率变化率约束；

39、第三处理模块，用于根据系统频率响应模型中的输入变量得到无标签样本集，将所述无标签样本集输入训练后的深度神经网络分类模型，得到各无标签样本属于频率安全类别和频率不安全类别的预测概率，并采用区域感兴趣主动采样方法生成训练数据集；

40、第四处理模块，用于结合构建的复合损失函数，采用训练数据集对多输入－单输出深度神经网络拟合模型进行训练，得到训练后的多输入－单输出深度神经网络拟合模型，通过大m法将训练后的多输入－单输出深度神经网络拟合模型转化为混合整数线性约束，并构建最大频率偏差约束；

41、第五处理模块，结合火电机组、构网型储能、跟网型风电场及构网型风电场的一次调频特性与功率限幅，引入辅助变量建立稳态频率响应与稳态频率偏差的关联约束，并构建稳态频率偏差约束；

42、第六处理模块，用于构建基础优化调度模型，结合频率安全约束构成频率安全约束优化调度模型并将其转化为混合整数线性规划问题，求解得到优化调度结果；所述频率安全约束包括初始频率变化率约束、最大频率偏差约束、稳态频率偏差约束。

43、与现有技术相比，本发明的有益效果是：

44、1、本发明通过构建考虑跟网型变换器电源与构网型变换器电源频率响应差异及功率限幅特性的频率响应模型，能够准确表征风电、储能和火电资源在扰动过程中的动态响应及实际功率支撑边界，有效解决现有方法忽略不同控制类型响应差异和功率限幅特性的问题，提高频率动态建模的适用性。

45、2、本发明通过深度神经网络分类模型和区域感兴趣主动采样方法生成频率安全阈值附近的训练数据集，并结合复合损失函数训练多输入－单输出深度神经网络拟合模型，实现最大频率偏差的高精度、保守性拟合及其混合整数线性化。相比传统离散化方法，该方法能够减少变量和约束数量，降低模型规模并提高求解效率，从而实现系统运行经济性与频率安全性的协调优化。

46、3、本发明通过构建初始频率变化率、最大频率偏差和稳态频率偏差约束，提出覆盖扰动初始阶段、暂态过程和稳态阶段的多维频率安全约束方法，能够全面评估预想扰动后的频率安全水平，有效解决现有调度方法频率安全指标考虑不完整的问题，提高优化调度结果的安全性和可靠性。