一种多场景自适应光储协同调度方法及系统与流程

本发明涉及电力系统，尤其涉及一种多场景自适应光储协同调度方法及系统。

背景技术：

1、随着分布式光伏渗透率的持续提升与电力辅助服务市场的逐步完善，光伏配储系统面临多时间尺度协同调度的复杂需求，如何在保障电网稳定运行的前提下最大化储能系统的经济收益成为核心挑战。

2、常见的调度方法依据预测数据进行日前或日内计划安排，但光伏出力的强随机性与负荷波动的突发性使得预设调度计划与实际运行工况产生显著偏差；同时，现有方法多将储能系统的充放电策略与电池健康状态割裂考量，在追求调度收益的过程中，缺乏对储能循环寿命衰减的有效约束，导致储能系统在长期运行中面临容量快速衰减与安全裕度不足的双重隐患。

技术实现思路

1、本发明的目的在于提供一种多场景自适应光储协同调度方法及系统，来有效解决上述背景技术中的技术问题。

2、本发明的一个方面，提供一种多场景自适应光储协同调度方法，包括：

3、获取光伏发电功率预测数据、储能系统状态参数以及电网运行状态数据，并根据预设场景识别模型对当前运行场景进行分类识别，确定当前调度场景类型；

4、根据所述当前调度场景类型，从预先构建的场景特征库中提取对应的场景调度参数集，并基于所述场景调度参数集构建当前场景下的多目标优化调度模型；

5、将所述光伏发电功率预测数据、储能系统状态参数、电网运行状态数据以及所述多目标优化调度模型输入强化学习调度引擎中进行迭代求解，输出最优调度策略；

6、将所述最优调度策略发送至储能变流器与光伏逆变器执行，并根据需求侧响应信号对所述最优调度策略进行实时修正，生成最终调度指令。

7、在一些实施例中，所述根据预设场景识别模型对当前运行场景进行分类识别，确定当前调度场景类型，包括：

8、采集历史运行数据中的负荷波动特征、光伏出力波动特征以及电网频率偏差特征，并将所述特征数据输入至预先训练的场景识别神经网络中进行模式匹配；

9、基于所述模式匹配结果计算各场景类别的匹配概率，并选择匹配概率最高的场景类型作为当前调度场景类型。

10、在一些实施例中，还包括：当检测到气象数据中的风速、温度以及降水参数满足预设极端天气阈值时，自动触发极端天气应急响应场景，并将所述极端天气应急响应场景的调度优先级提升至最高等级。

11、在一些实施例中，所述根据所述当前调度场景类型，从预先构建的场景特征库中提取对应的场景调度参数集，包括：

12、针对并网正常运行场景，提取峰谷电价时段划分参数、需求侧响应激励系数以及储能充放电功率上限值；

13、针对微电网孤网运行场景，提取负荷弹性系数动态模型参数、柴油发电机备用功率阈值以及孤网频率稳定控制带宽；

14、针对虚拟电厂聚合调度场景，提取聚合商调度指令接收窗口、分布式光伏可调容量比例系数以及辅助服务市场出清价格；

15、针对极端天气应急响应场景，提取应急供电保障时间阈值、储能放电深度上限修正系数以及灾害预警等级联动参数。

16、在一些实施例中，所述基于所述场景调度参数集构建当前场景下的多目标优化调度模型，包括：

17、以储能系统全生命周期调度收益的净现值作为第一优化目标，以储能电池的等效循环次数损耗作为第二优化目标，构建双目标优化函数；

18、将储能荷电状态的允许运行范围约束、储能充放电功率的物理限值约束、光伏最大功率点跟踪约束以及电网频率调节备用容量约束纳入所述多目标优化调度模型的约束条件集；

19、采用基于帕累托最优解的非支配排序遗传算法对所述多目标优化调度模型进行求解，生成一组帕累托最优调度解集，并从中选择兼顾调度收益与储能寿命的最优调度方案。

20、在一些实施例中，所述将所述光伏发电功率预测数据、储能系统状态参数、电网运行状态数据以及所述多目标优化调度模型输入强化学习调度引擎中进行迭代求解，包括：

21、构建以调度决策者为智能体的强化学习框架，将储能荷电状态、电网峰谷电价时段标识、光伏出力预测偏差以及需求侧响应信号状态共同构成所述智能体的状态空间；

22、将储能充放电功率调整动作、光伏逆变器功率限制动作以及需求侧响应参与动作共同构成所述智能体的动作空间，并根据当前状态选择对应的动作；

23、设计融合调度收益奖励与储能寿命惩罚的复合奖励函数，其中，调度收益奖励由峰谷套利收益、辅助服务补贴收益以及需求侧响应补贴收益共同构成，储能寿命惩罚由等效循环次数损耗率与容量衰减率共同构成；

24、采用深度确定性策略梯度算法对所述强化学习调度引擎进行离线训练，并在实时调度过程中采用在线微调策略实现对电池荷电状态、光伏功率波动以及电网峰谷电价的实时适配。

25、在一些实施例中，所述多目标优化调度模型还包括跨能源协同调度模块，用于接入风电功率预测数据与燃气轮机运行状态数据，构建光储多能协同调度框架，包括：

26、获取风电场短期功率预测数据以及燃气轮机的启停状态与出力上下限约束；

27、在所述多目标优化调度模型的目标函数中增加风电消纳量最大化子目标与燃气轮机运行成本最小化子目标；

28、根据光伏、风电与燃气轮机的互补特性，动态分配各能源的出力比例，在光伏出力不足时优先调用燃气轮机作为备用电源，在光伏出力过剩时优先利用储能系统进行消纳。

29、在一些实施例中，所述将所述最优调度策略发送至储能变流器与光伏逆变器执行，并根据需求侧响应信号对所述最优调度策略进行实时修正，包括：

30、接收电网调度平台发布的需求侧响应召唤信号，并解析所述信号中包含的调节容量需求、响应时间段以及激励价格；

31、判断当前储能荷电状态是否满足需求侧响应参与的荷电水平条件，若满足则生成参与需求侧响应的调度修正指令，并将所述调度修正指令叠加至所述最优调度策略上；

32、根据需求侧响应执行结果更新储能系统的实际荷电状态，并将所述更新后的荷电状态作为下一调度周期的状态输入，实现与电网调度平台的闭环互动。

33、在一些实施例中，所述采用基于帕累托最优解的非支配排序遗传算法对所述多目标优化调度模型进行求解，包括：

34、初始化包括多个调度方案的种群；通过选择、交叉和变异操作迭代优化种群，经过多代进化后输出帕累托最优调度解集；

35、调度决策系统根据实际运行需求，从所述帕累托最优调度解集中选择兼顾调度收益与储能寿命的最优调度方案。

36、本发明的另一个方面，提供一种多场景自适应光储协同调度系统，包括数据采集模块、场景识别模块、参数配置模块、模型构建模块、强化学习求解模块以及指令执行模块；其中：

37、所述数据采集模块用于获取光伏发电功率预测数据、储能系统状态参数以及电网运行状态数据；所述场景识别模块用于根据预设场景识别模型对当前运行场景进行分类识别，确定当前调度场景类型；所述参数配置模块用于根据所述当前调度场景类型，从预先构建的场景特征库中提取对应的场景调度参数集；所述模型构建模块用于基于所述场景调度参数集构建当前场景下的多目标优化调度模型；所述强化学习求解模块用于将所述光伏发电功率预测数据、储能系统状态参数、电网运行状态数据以及所述多目标优化调度模型输入强化学习调度引擎中进行迭代求解，输出最优调度策略；所述指令执行模块用于将所述最优调度策略发送至储能变流器与光伏逆变器执行，并根据需求侧响应信号对所述最优调度策略进行实时修正，生成最终调度指令

38、本发明与现有技术相比，具有如下有益效果：

39、1.通过引入场景识别机制，实现对并网正常运行、微电网孤网运行、虚拟电厂聚合调度以及极端天气应急响应等多类场景的自适应适配，解决现有调度方法场景适配颗粒度不足的问题；

40、2.通过构建融合调度收益最大化与储能寿命衰减最小化的双目标优化模型，并采用强化学习调度引擎进行实时求解，有效平衡调度收益与储能资产寿命之间的关系；

41、3.通过接入风电、燃气轮机等互补能源数据，构建光储多能协同调度框架，提升跨能源协同调度能力；

42、4.通过增加电网互动响应模块，支持需求侧响应信号接入，实现分布式光伏参与电网调频调峰，显著提升新能源消纳率。