一种交直流混合微网自适应闭环调控方法及系统与流程

摘要: 本技术涉及混合微网调控领域,具体涉及一种交直流混合微网自适应闭环调控方法及系统。背景技术:1、交直流混合微网作为高比例分布式能源消纳的重要技术路径,其调度优化面...
一种交直流混合微网自适应闭环调控方法及系统与流程

本技术涉及混合微网调控领域,具体涉及一种交直流混合微网自适应闭环调控方法及系统。

背景技术:

1、交直流混合微网作为高比例分布式能源消纳的重要技术路径,其调度优化面临源荷强不确定性的严峻挑战。目前,针对该问题的技术方案主要分为以下几类:

2、确定性调度方法,在高比例可再生能源接入场景下,风光出力的随机波动与负荷需求的频繁变化使确定性调度难以有效刻画真实运行风险,容易导致备用不足、储能深度循环增加及潮流越限等问题。

3、鲁棒优化调度方法,部分方案在不确定集合中引入可调鲁棒参数以控制保守度。然而,该参数通常为日前预设的固定值,无法在日内实时运行中根据源荷波动动态调整。固定保守度的设定导致调度结果在大部分运行时段过于保守,牺牲了系统经济性。

4、深度学习预测与调度优化相结合的方法,预测模型与优化模型为串联架构,预测结果仅单向传递至优化模型,当预测偏差导致调度指令偏离实际运行需求时,缺乏将偏差信息实时反馈至优化模型进行在线修正的闭环机制。

5、分层协调控制方法,当系统运行状态越限时,通常执行整体指令重分配或切换控制模式,响应过程可能引发功率二次冲击。

6、综上所述,深度学习预测与物理优化之间缺乏闭环反馈,鲁棒调节参数无法在线自适应调整,且越限应急响应缺乏基于预测不确定性信息的精细化处理机制,难以在系统经济性与安全性之间实现实时动态平衡。

技术实现思路

1、为解决上述问题,本发明提供一种交直流混合微网自适应闭环调控方法及系统。

2、第一方面,本发明技术方案提供一种交直流混合微网自适应闭环调控方法,包括以下步骤:

3、s1、构建以系统总运行成本最小化为目标函数的物理调度优化模型,所述物理调度优化模型引入鲁棒调节参数以定义源荷不确定集合的边界;

4、s2、获取交直流混合微网的实时运行数据,输入至预训练的深度学习预测模型,输出未来调度时段的微网源荷预测值及预测置信区间宽度;

5、s3、以预设周期获取微网源荷实测值,并结合所述微网源荷预测值计算预测残差,根据预测残差以及预测置信区间宽度计算波动烈度,并通过非线性映射生成鲁棒调节参数的事前修正量;同时实时监测母线运行状态,当检测到越限时,锁定越限发生时刻的预测置信区间宽度作为硬约束,将事前修正量切换为安全修正量;越限解除后,将安全修正量在预设的m个控制周期内按线性递增方式逐步恢复至事前修正量;所述安全修正量为基于所述硬约束确定的强制收缩量;

6、s4、根据当前是否处于越限锁定状态,确定最终注入物理调度优化模型的鲁棒调节参数修正量;更新所述物理调度优化模型中定义源荷不确定集合边界的鲁棒调节参数γ,在满足约束条件下求解所述物理调度优化模型,生成调度指令;

7、s5、驱动微网执行设备跟踪所述调度指令,并按预设周期循环执行步骤s3至s4,实现微网运行的自适应闭环调控。

8、作为本发明技术方案的进一步限定,s1的步骤包括:

9、s11、建立以系统总运行成本最小化为目标的目标函数,所述总运行成本包括购电成本、可控分布式电源的燃料成本、设备运维成本及储能寿命损耗成本;

10、s12、将光伏出力、风电出力及负荷的预测误差定义为不确定性变量,构建包含所述不确定性变量的源荷不确定集合;

11、s13、建立所述物理调度优化模型的约束条件,所述约束条件至少包括:系统功率平衡约束、交直流潮流方程约束、分布式电源出力约束及储能系统运行约束;

12、s14、将所述物理调度优化模型构造为两阶段鲁棒优化模型,所述两阶段鲁棒优化模型包含第一阶段决策变量和第二阶段的决策变量:

13、

14、其中,为第一阶段决策变量,包括可控分布式电源的启停状态和基础出力计划;为第二阶段决策变量,包括根据实测源荷值调整的储能充放电功率及双向换流器的交换功率;

u为所述源荷不确定集合,所述源荷不确定集合

u通过鲁棒调节参数定义其边界范围;的取值范围为[0,];当=时,所述源荷不确定集合覆盖所有时段不确定变量同时达到偏差上限的极端场景;当=0时,所述源荷不确定集合退化为确定性预测值;为第一阶段决策变量x对应的成本系数向量;为第二阶段决策变量y对应的成本系数向量,表示第一阶段决策成本,表示第二阶段决策成本。

15、作为本发明技术方案的进一步限定,s2的步骤包括:

16、s21、采集微网的历史运行数据,所述历史运行数据至少包括光伏出力、风电出力、交直流负荷、储能荷电状态soc及环境气象数据;对所述历史运行数据进行清洗、归一化处理,并通过特征工程筛选出与源荷波动相关的特征,构建模型输入特征集;

17、s22、构建基于长短期记忆网络lstm的深度学习预测模型,所述深度学习预测模型包括输入层、多层lstm隐藏层和输出层,并引入dropout机制以防止过拟合;

18、s23、基于模型输入特征集,采用分位数回归方法对所述深度学习预测模型进行训练,以预测值的多个条件分位数为输出目标,通过最小化分位数损失函数迭代更新模型权重,直至损失函数收敛,完成模型训练;

19、s24、将实时运行数据输入至训练完成的所述深度学习预测模型,所述深度学习预测模型基于多个目标分位数水平和的输出,得到未来调度时段微网源荷功率的预测区间的上界与下界,所述预测置信区间宽度w为所述预测区间的上界与下界之差:

20、

21、其中为高分位数水平下的预测值,即预测置信区间的上界,为低分位数水平下的预测值,即预测置信区间的下界。

22、作为本发明技术方案的进一步限定,s3中,通过非线性映射生成鲁棒调节参数的事前修正量的步骤包括:

23、s31、在t时刻当前调度时段,采集微网源荷实测值,所述实测值至少包括光伏出力实测值、风电出力实测值和交直流负荷实测值;

24、s32、读取所述深度学习预测模型在上一调度时段输出的对应时刻预测值,计算预测残差;

25、s33、根据所述预测残差与所述预测置信区间宽度

w的比值,计算波动烈度;当≤1时表明实际波动未超出预测置信区间范围,当>1时表明实际波动已超出预测置信区间范围;

26、s34、根据所述波动烈度,通过预设的非线性映射关系生成鲁棒调节参数的事前修正量:

27、当≤1时,事前修正量=0;

28、当>1时,事前修正量=;

29、其中为预设校正增益系数,为非线性指数且0<<1,为取符号函数。

30、作为本发明技术方案的进一步限定,s3中,实时监测母线运行状态,当检测到越限时,锁定越限发生时刻的预测置信区间宽度作为硬约束,将事前修正量切换为安全修正量的步骤包括:

31、s35、实时监测微网母线运行状态,所述母线运行状态至少包括交流母线电压、交流母线频率及直流母线电压;

32、s36、判断母线运行状态是否满足越限判定条件:

33、当|-|>时判定为交流电压越限;

34、当|-|>时判定为频率越限;

35、当|-|>时判定为直流电压越限;

36、其中、、分别为各运行状态的参考值,、、为对应的越限判定阈值;

37、s37、当s36中满足任一越限条件时,记录越限发生时刻t0及当前预测置信区间宽度w0,将w0以常数矩阵形式写入所述物理调度优化模型的约束条件中,替换当前调度时段所述深度学习预测模型输出的预测置信区间宽度,使w0在后续求解中保持不变;通过求解物理调度优化模型反算满足安全边界所需的鲁棒调节参数的取值,并将该取值与越限前鲁棒调节参数的差值作为所述安全修正量;

38、s38、将s34生成的所述事前修正量切换为所述安全修正量。

39、作为本发明技术方案的进一步限定,s3中,越限解除后,将安全修正量在预设的m个控制周期内按线性递增方式逐步恢复至事前修正量的步骤包括:

40、s39、实时监测所述母线运行状态,当s36中各所述越限判定条件均不再满足,且持续满足时间内不再触犯任何越限判定条件时,判定越限状态已解除,其中为预设稳定持续时间;

41、s40、确认越限解除后,执行恢复操作:

42、从所述物理调度优化模型的约束条件中移除所述w0的固定约束,恢复所述深度学习预测模型对预测置信区间宽度的动态输出;

43、将所述安全修正量在预设的m个控制周期内按线性递增方式逐步恢复至所述事前修正量,线性递增恢复的步长为:

44、其中为控制周期,m为预设恢复周期数,为安全修正量,为事前修正量。

45、作为本发明技术方案的进一步限定,s4的步骤包括:

46、s41、读取s3中的锁定状态标志位,判断当前是否处于越限锁定状态;

47、s42、根据所述判断结果确定最终鲁棒调节参数修正量:

48、当未处于越限锁定状态时,=;

49、当处于越限锁定状态时,=;

50、当处于越限解除后的恢复阶段时,所述在预设的m个控制周期内按线性递增方式从逐步恢复至;

51、s43、利用所述修正量更新所述物理调度优化模型中定义源荷不确定集合边界的鲁棒调节参数;

52、s44、将更新后的鲁棒调节参数代入所述物理调度优化模型,在满足所述约束条件的范围内求解所述物理调度优化模型,生成满足全部物理运行约束的调度指令;

53、s45、将求解得到的所述调度指令下发至微网执行设备,所述调度指令至少包括可控分布式电源的出力计划、储能系统的充放电功率计划及双向换流器的交换功率计划。

54、作为本发明技术方案的进一步限定,s44的步骤包括:

55、s441、将更新后的鲁棒调节参数代入所述物理调度优化模型的源荷不确定集合u中,得到更新后的不确定集合:

56、s442、在所述更新后的不确定集合范围内,对所述物理调度优化模型进行求解,所述求解过程为:以所述目标函数最小化为优化方向,在满足所述交直流潮流方程约束、双向换流器功率圆约束、储能soc连续性约束及爬坡率约束的可行域内搜索最优解;

57、s443、判断所述物理调度优化模型是否存在可行解:若存在可行解,则将所述最优解对应的决策变量值作为调度指令输出;若不存在可行解,则逐步减小的取值至-,重新执行s442和s443直至获得可行解,其中为预设的安全收缩步长。

58、作为本发明技术方案的进一步限定,s3中,若越限持续超过预设时间阈值,则在锁定w0的基础上进一步强制缩小所述鲁棒调节参数所定义的不确定集合边界,具体步骤包括:

59、实时监测越限持续时间;

60、判断是否超过预设时间阈值:

61、若≤,则维持s36中的锁定w0状态,继续保持所述鲁棒调节参数不变,仅以锁定的w0为固定约束重新求解所述物理调度优化模型;

62、若>,则执行以下操作:获取当前越限发生时刻对应的鲁棒调节参数,将所述减小至=-,其中为预设的安全收缩步长,使所述不确定集合的边界强制缩小,并将缩小后的不确定集合替换所述物理调度优化模型中的原不确定集合;可选地,同时向所述深度学习预测模型发送重训练触发信号,所述重训练触发信号包含越限类型标识及越限前的预测置信区间宽度变化历史数据。

63、第二方面,本发明技术方案提供一种交直流混合微网自适应闭环调控系统,包括:

64、物理调度优化模型构建模块,用于构建以系统总运行成本最小化为目标函数的物理调度优化模型,所述物理调度优化模型引入鲁棒调节参数以定义源荷不确定集合的边界;

65、深度学习态势感知模块,用于获取交直流混合微网的实时运行数据,输入至预训练的深度学习预测模型,输出未来调度时段的微网源荷预测值及预测置信区间宽度;

66、双反馈协同调控模块,用于执行以下操作:以预设周期获取微网源荷实测值,结合所述微网源荷预测值计算预测残差,根据预测残差以及预测置信区间宽度计算波动烈度,并通过非线性映射生成鲁棒调节参数的事前修正量;同时实时监测母线运行状态,当检测到越限时,锁定越限发生时刻的预测置信区间宽度作为硬约束,将事前修正量切换为安全修正量;越限解除后,将安全修正量在预设的m个控制周期内按线性递增方式逐步恢复至事前修正量;所述安全修正量为基于所述硬约束确定的强制收缩量;

67、鲁棒参数融合决策模块,用于根据当前是否处于越限锁定状态,确定最终注入物理调度优化模型的鲁棒调节参数修正量,并利用所述修正量更新所述物理调度优化模型中定义源荷不确定集合边界的鲁棒调节参数γ;

68、优化求解与指令生成模块,用于在满足约束条件下求解所述物理调度优化模型,生成调度指令;

69、指令执行与闭环控制模块,用于驱动微网执行设备跟踪所述调度指令,并按预设周期触发所述双反馈协同调控模块和鲁棒参数融合决策模块重复执行,实现微网运行的自适应闭环调控。

70、从以上技术方案可以看出,本技术具有以下优点:双反馈协同调控机制,实现了预测偏差对物理调度优化模型参数的实时闭环反馈。当波动烈度λ≤1时不修正,避免微小波动引起频繁调节;当λ>1时按非线性关系递增修正,使调度策略能够主动适应源荷波动。两种机制根据运行状态平滑切换,克服了传统鲁棒优化全时段保守的缺陷,实现了安全性与经济性的动态平衡。当检测到母线越限时,锁定越限时刻的预测置信区间宽度w0作为硬约束,将事前修正量切换为安全修正量。使应急响应期间的不确定集合边界维持不变,避免因预测置信度的持续波动导致控制指令反复跳变。越限解除后,安全修正量在预设的m个控制周期内按线性递增方式逐步恢复至事前修正量,实现从应急状态到正常状态的平滑过渡,有效抑制了功率二次冲击。