一种基于电网经济运行域的调度方法及装置、电子设备

1.本技术涉及电网智能调度技术领域，尤其涉及一种基于电网经济运行域的调度方法及装置、电子设备。


背景技术：

2.近年来，环境污染、能源安全等问题日益显著，世界各国积极探索能源转型技术，寻求能源的可持续发展。
3.然而，新型电力系统呈现多重不确定性相互叠加的特点，例如，新能源出力不确定性、负荷需求响应不确定性以及极端天气等多种因素引发的电网运行不确定性等。针对新型电力系统多重不确定性因素相互叠加，将导致新能源消纳困难的问题。


技术实现要素：

4.本技术实施例的目的是提供一种基于电网经济运行域的调度方法及装置、电子设备，以解决相关技术中存在的新型电力系统多重不确定性因素相互叠加，将导致新能源消纳困难的问题。
5.根据本技术实施例的第一方面，提供一种基于电网经济运行域的调度方法，包括：确定制定电网调度计划需要考虑的不确定性因素和调度目标；根据所述不确定性因素和调度目标滚动刻画电网经济运行域，并根据实际工程需要选择电网经济运行域形态；根据所述电网经济运行域形态，基于所述电网经济运行域实时计算最优调度计划；其中，所述不确定性因素包括电网在运行时面临的新能源出力不确定性、负荷水平不确定性、设备非计划停运不确定性、自然灾害不确定性和人因风险不确定性，所述调度目标由电网发电成本最低、新能源消纳率最高、碳排放量最低、系统网损最小、系统运行风险最低中的一个或多个加权组合而成。
6.进一步地，所述电网经济运行域为：记u
t
为t时刻电网的所述不确定性因素，u
t
为u
t
的集合，f
t
表示t时刻电网的优化调度模型，x
t
=f
t
(u
t
)表示t时刻电网在f
t
下的所述最优调度计划，s
t
为x
t
的集合，若对于任意u
t
∈u
t
，s
t
中都至少存在一个x
t
使x
t
=f
t
(u
t
)成立，且对于任意x
t
∈s
t
，u
t
中也至少存在一个u
t
使x
t
=f
t
(u
t
)成立，则称调度计划集合s
t
为t时刻优化调度模型为f
t
且不确定性变量集合为u
t
的电网经济运行域。
7.进一步地，所述电网经济运行域包括特定调度目标下考虑所述不确定性因素的电网最优调度计划集合。
8.进一步地，电网经济运行域形态包括凸包经济运行域和箱型经济运行域。
9.进一步地，凸包经济运行域即为覆盖电网经济运行域的凸包，t时刻的凸包经济运行域表达式如下：
ꢀꢀ
（1）式中，为t时刻电网经济运行域s
t
中的任意经济运行点；k为任意正整数；为非负实数，且。
10.进一步地，箱型经济运行域即为由箱型约束围成的电网经济运行域近似空间，t时刻箱型经济运行域的表达式如下：
ꢀꢀꢀꢀꢀ
（2）式中，和分别为对角矩阵；和分别为电网经济运行域中的经济运行点各维度元素能够取的下边界值和上边界值组成的列向量，该边界值既可根据工程需要来人为设定，也可基于特定优化算法计算得出，e为单位矩阵；0表示全部元素均为0的矩阵。
11.进一步地，基于所述电网经济运行域实时计算最优调度计划包括：步骤101：载入已经训练好的actor网络参数，设置最大调整步数t
max
，初始化当前时间步t=1；步骤102：读取电网新能源超短期预测出力；步骤103：将电网状态s
t
输入至actor网络，计算动作；步骤104：基于映射策略设置可调发电机有功出力，更新t=t 1，其中步骤105：若t小于t
max
，则返回至步骤103，否则执行步骤106；步骤106：输出最优调度计划。
12.进一步地，actor网络的训练过程包括：步骤s201：随机初始化actor网络参数和critic网络参数；步骤s202：初始化target actor网络参数和target critic网络参数；步骤s203：初始化经验池，初始化总训练回合数m，初始化每个回合的最大执行动作次数t
max
，初始化当前回合数k=0，初始化探索概率ε=1；步骤s204：在新能源预测出力范围内，随机初始化所有新能源出力，在所述电网经济运行域内随机初始化可调发电机出力，并更新k=k 1，设置当前时间步t=1；步骤s205：基于ε-greedy策略选择动作a
t
，并更新ε=max(0.1，ε*0.999)；
步骤s206：执行动作a
t
，基于如下映射关系调整各发电机出力；其中，，为0到1之间的连续变量，i=1,2,
…
,n，n为所述电网经济运行域顶点的数量，为所有可调发电机有功出力组成的列向量，且当时，令；步骤s207：计算即时奖励r
t
，读取电网新状态s
t 1
，存储经验元组(s
t
，a
t
，r
t
，s
t 1
)至经验池；步骤s208：从经验池中随机采样k个样本，计算，更新critic网络参数，使最小，更新actor网络参数，更新两个target网络参数，，更新t=t 1；其中为权衡期望奖励值的系数，为决定两个target网络参数更新速度的参数，为中间变量；步骤s209：若t小于t
max
，则返回至步骤s205，否则执行步骤s210；步骤s210：若t等于t
max
，且k小于m，则返回至步骤s204，否则执行步骤s211；步骤s211：结束训练，输出神经网络参数。
13.根据本技术实施例的第二方面，提供一种基于电网经济运行域的调度装置，包括：确定模块，用于确定制定电网调度计划需要考虑的不确定性因素和调度目标；刻画模块，用于根据所述不确定性因素和调度目标滚动刻画电网经济运行域，并根据实际工程需要选择电网经济运行域形态；计算模块，用于根据上述电网经济运行域形态，基于所述电网经济运行域实时计算最优调度计划；其中，所述不确定性因素包括电网在运行时面临的新能源出力不确定性、负荷水平不确定性、设备非计划停运不确定性、自然灾害不确定性和人因风险不确定性，所述调度目标由电网发电成本最低、新能源消纳率最高、碳排放量最低、系统网损最小、系统运行风险最低中的一个或多个加权组合而成。
14.根据本技术实施例的第三方面，提供一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的方法。
15.本技术的实施例提供的技术方案可以包括以下有益效果：由上述实施例可知，本技术由于电网经济运行域能够滚动刻画特定调度偏好下计及各类不确定性因素经济性影响的电网最优调度计划集合，圈定了电网经济运行边界，缩小了实时调度计划生成算法对最优调度计划的搜索空间，有助于提高新能源电力系统调度的智能化和精细化程度，提升新能源消纳率。
16.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本技术。
附图说明
17.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。
18.图1是根据一示例性实施例示出的一种基于电网经济运行域的调度方法的流程图。
19.图2是根据一示例性实施例示出的ieee-9测试系统的单线图。
20.图3是根据一示例性实施例示出的ieee-9测试系统的精确经济运行域。
21.图4是根据一示例性实施例示出的ieee-9测试系统的凸包经济运行域。
22.图5是根据一示例性实施例示出的ieee-9测试系统的箱型经济运行域。
23.图6是根据一示例性实施例示出的一种基于电网经济运行域的调度装置的框图。
具体实施方式
24.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。
25.在本技术使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本技术。在本技术中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
26.应当理解，尽管在本技术可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本技术范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”。
27.图1是根据一示例性实施例示出的一种基于电网经济运行域的调度方法的流程图，如图1所示，该方法应用于电网中，可以包括以下步骤：步骤s1：确定制定电网调度计划需要考虑的不确定性因素和调度目标；步骤s2：根据所述不确定性因素和调度目标滚动刻画电网经济运行域，并根据实际工程需要选择电网经济运行域形态；步骤s3：根据上述电网经济运行域形态，基于所述电网经济运行域实时计算最优调度计划。
28.可知，本技术由于电网经济运行域能够滚动刻画特定调度偏好下计及各类不确定性因素经济性影响的电网最优调度计划集合，圈定了电网经济运行边界，缩小了实时调度计划生成算法对最优调度计划的搜索空间，有助于提高新能源电力系统调度的智能化和精细化程度，提升新能源消纳率。
29.为方便起见，以修改的ieee-9测试系统（单线图如图2所示）为例，假设负荷l1=100mw、负荷l2=100mw、负荷l3=100mw，发电机技术出力区间均为30mw~100mw，假设所有线路的传输功率为无穷大，线损为0，且三台常规发电机的发电成本始终为g1》g2》g3。
30.在步骤s1的具体实施中，确定制定电网调度计划需要考虑的不确定性因素和调度目标；具体地，所述不确定性因素包括电网在运行时面临的新能源出力不确定性、负荷水平不确定性、设备非计划停运不确定性、自然灾害不确定性和人因风险不确定性，所述调度目标由电网发电成本最低、新能源消纳率最高、碳排放量最低、系统网损最小、系统运行风险最低中的一个或多个加权组合而成，其中：新能源出力不确定性是指特定置信度下新能源出力区间范围。负荷水平不确定性是指特定置信度下计及需求响应后的负荷水平区间范围；设备非计划停运不确定性是指电网的发电单元或输电设备因内部故障而导致的意外停运；自然灾害不确定性是指电网发电单元或输电设备受外部极端天气因素影响而导致的意外停运；人因风险不确定性是指因人为操作失误或判断失误而导致的电网发电单元或输电设备意外停运。
31.所述调度目标可设置为电网发电成本最低、新能源消纳率最高、碳排放量最低、系统网损最小、系统运行风险最低等任意调度偏好，调度目标可以为以上单个调度偏好，也可以为以上多个调度偏好的加权组合。
32.本实施例为不确定性因素仅考虑电网在运行时面临的新能源出力不确定性，且假设新能源w1和w2出力的不确定性区间均为25mw~100mw，将新能源全额消纳且发电成本最低设置为调度目标的情况。
33.在步骤s2的具体实施中，根据所述不确定性因素和调度目标滚动刻画电网经济运行域，并根据实际工程需要选择电网经济运行域形态；其中，电网经济运行域为：记u
t
为t时刻电网的所述不确定性因素，u
t
为u
t
的集合，f
t
表示t时刻电网的优化调度模型，x
t
=f
t
(u
t
)表示t时刻电网在f
t
下的所述最优调度计划，s
t
为x
t
的集合，若对于任意u
t
∈u
t
，s
t
中都至少存在一个x
t
使x
t
=f
t
(u
t
)成立，且对于任意x
t
∈s
t
，u
t
中也至少存在一个u
t
使x
t
=f
t
(u
t
)成立，则称调度计划集合s
t
为t时刻优化调度模型为f
t
且不确定性变量集合为u
t
的电网经济运行域。
34.具体地，电网经济运行域刻画了特定调度偏好下计及各类不确定性因素经济性影响的电网最优调度计划集合，电网经济运行域是电网安全域的补充，在考虑安全性的同时兼顾了运行经济性。
35.本实施例考虑新能源出力不确定性后，如图3所示，修改的ieee-9测试系统的三台发电机的经济运行点轨迹为一条折线，其电网经济运行域是一个由三条线段构成的非凸集
合。
36.具体地，电网经济运行域形态包括凸包经济运行域和箱型经济运行域。
37.凸包经济运行域即为覆盖电网经济运行域的凸包，t时刻的凸包经济运行域表达式如下：
ꢀꢀ
（1）式中，为t时刻电网经济运行域中的任意经济运行点；k为任意正整数；为非负实数，且。
38.进一步地，由表达式（1）可知，t时刻的凸包经济运行域本质为，电网经济运行域内任意经济运行点的所有凸组合构成的集合。
39.凸包经济运行域是所述电网经济运行域的凸包，一方面可以非常方便的嵌入到任意优化调度问题中，且不会改变原优化调度问题的凸性，即不会增加原优化调度问题在算法上的求解难度；另一方面，凸包经济运行域能够覆盖所有最优调度计划，不会使最优调度计划的求解变保守。
40.本实施例考虑新能源出力不确定性后，修改的ieee-9测试系统的凸包经济运行域是一个四面体，具体如图4所示。
41.箱型经济运行域即为由箱型约束围成的电网经济运行域近似空间，t时刻箱型经济运行域的表达式如下：
ꢀꢀꢀꢀ
（2）式中，和分别为对角矩阵；和分别为电网经济运行域中的经济运行点各维度元素能够取的下边界值和上边界值组成的列向量，该边界值既可根据工程需要来人为设定，也可基于特定优化算法计算得出，不同的优化算法会得出不同的边界值，例如基于两阶段鲁棒优化算法得出的边界结果一般会篇保守；e为单位矩阵；0表示全部元素均为0的矩阵。
42.本实施例考虑新能源出力不确定性后，修改的ieee-9测试系统的箱型经济运行域如图5中立方体区域所示，立方体的大小与和的取值有关，图5中的(a)为=[30,30,40]、=[50,100,100]时的箱型经济运行域，图5中的(b)为=[32,35,45]、=[48,95,95]时的箱型经济运行域。
[0043]
本实施例确定的电网经济运行域能够滚动刻画电网经济运行边界，给出电网最优调度计划集合，缩小实时调度计划生成算法对最优调度计划的搜索空间。尤其是与基于人工智能的实时调度计划生成算法相结合，通过在经济运行域内进行学习训练，极大减小相关学习算法的动作空间，显著提高训练效率，并基于训练结果，实现电网最优调度计划的在线求解。
[0044]
由上述实施例可知，电网经济运行域、凸包经济运行域和箱型经济运行域分别在不同程度上刻画了特定调度偏好下考虑新能源出力不确定性的电网最优调度计划集合，圈定了电网经济运行边界，缩小了实时调度计划生成算法对最优调度计划的搜索空间，有助于提高新能源电力系统调度的智能化和精细化程度，提升新能源消纳率，在实际应用中，可以根据需要选取经济运行域形态。
[0045]
在步骤s3的具体实施中，根据所述电网经济运行域形态，基于所述电网经济运行域实时计算最优调度计划；具体地，以仅考虑新能源出力不确定性且电网有能力全额消纳新能源为例，将电网运行状态表示为s
t
=(p
t
，q
t
，v
t
)，其中p
t
为t时间步时，电网所有母线节点的注入有功功率组成的向量，q
t
为t时间步时，电网所有pq节点注入的无功功率组成的向量，v
t
为t时间步时，电网所有pv节点的电压幅值组成的向量。在具体实施中，此步骤可以包括以下子步骤：步骤101：载入已经训练好的actor网络的参数，设置每个回合的最大执行动作次数t
max
，初始化当前时间步t=1；具体地，actor网络的训练过程包括：步骤s201：随机初始化actor网络参数和critic网络参数，读取电网经济运行域内所有顶点；具体地，神经网络类型和大小需与具体的电力系统规模相适应，能拟合出经济运行域内所有最优调度计划即可（可以根据经验和调参来确定），电网状态s
t
作为actor网络的收入，动作a
t
作为actor网络的输出，s
t
和a
t
同时作为critic网络的输入，critic网络的输出为一个标量，用来评价动作a
t
的执行效果，critic网络输出的标量值越大，表示动作a
t
的执行效果越好，读取电网经济运行域（凸包经济运行域或箱型经济运行域）内所有顶点。
[0046]
步骤s202：初始化target actor网络参数和target critic网络参数；具体地，target actor网络和target critic网络可以提高训练稳定性。
[0047]
步骤s203：初始化经验池，初始化总训练回合数m，初始化每个回合的最大执行动作次数t
max
，初始化当前回合数k=0，初始化探索概率ε=1；具体地，在之后的步骤s205中，基于ε-greedy策略选择动作a
t
时，以ε概率基于ornstein-uhlenbeck过程执行动作a
t
，这样可以较快的探索到合适的动作策略，提高训练效率，因此在本步骤中还需要先初始化一个ornstein-uhlenbeck过程。
[0048]
步骤s204：在新能源预测出力范围内，随机初始化所有新能源出力，在所述电网经济运行域内随机初始化可调发电机出力，并更新k=k 1，设置当前时间步t=1；具体地，在新能源预测出力范围内，随机初始化所有新能源出力，有利于本算法自主学习所有新能源出力场景下的电网最优调度计划。
[0049]
步骤s205：基于ε-greedy策略选择动作a
t
，并更新ε=max(0.1，ε*0.999)；具体地，基于ε-greedy策略选择动作a
t
，有利于本算法逐步探索到合适的动作策略。
[0050]
步骤s206：执行动作a
t
，基于如下映射关系调整各发电机出力；其中，，为0到1之间的连续变量，i=1,2,
…
,n，n为所述电网经济运行域顶点的数量，为所有可调发电机有功出力组成的列向量，且当时，令；具体地，基于上述映射关系，可以将本算法的动作空间限制在经济运行域内，从而缩小动作空间，极大提高训练效率。
[0051]
步骤s207：计算即时奖励r
t
，读取电网新状态s
t 1
，存储经验元组(s
t
，a
t
，r
t
，s
t 1
)至经验池；具体地，设置奖励函数r
t
为其中ai、bi、ci分别为可调发电机运行成本系数，pi为可调发电机i的有功出力，p
i,max
为可调发电机i的最大有功出力，g为可调发电机数量。
[0052]
具体地，当潮流收敛且平衡机不越限时，可调机组发电成本越低，奖励函数r
t
返回的奖励值越大，当潮流不收敛或平衡机越限时，奖励函数r
t
均返回最小的奖励值，根据计算得到的奖励值，决定actor网络和critic网络参数的更新方向。
[0053]
步骤s208：从经验池中随机采样k个样本，计算，更新critic网络参数，使最小，更新actor网络参数，更新两个target网络参数，，更新t=t 1；具体地，基于上述策略更新两个target网络参数，可以提高本算法的训练稳定性。其中为中间变量，仅用于代指公式，使后续公式更简洁。为权衡期望奖励值的系数，本算法中取值为0.9，为决定两个target网络参数更新速度的参数，本算法中取值为0.00005。
[0054]
步骤s209：若t小于t
max
，则返回至步骤s205，否则执行步骤s210；具体地，如果当前执行次数t小于最大执行动作次数t
max
，则返回步骤s205开始下一个训练回合，重新选择动作并执行，即进行下一轮训练；反之则进行下一步。
[0055]
步骤s210：若t等于t
max
，且k小于m，则返回至步骤s204，否则执行步骤s211；
具体地，若当前执行次数t小于最大执行动作次数t
max
即本训练回合已完成，且当前回合数k小于总训练回合数m即未达到预设的训练回合数，需要返回步骤s204继续训练，反之则停止训练，进行下一步。
[0056]
步骤s211：结束训练，输出神经网络参数。
[0057]
具体地，训练结束后可以得到神经网络参数，，，，其中需要的是训练好的actor网络及其参数。
[0058]
步骤102：读取电网新能源超短期预测出力；具体地，根据电网新能源超短期预测出力，生成对应的电网状态s
t
。
[0059]
步骤103：将电网状态s
t
输入至actor网络，计算动作；具体地，基于actor网络计算动作可以有较快的速度，满足最优调度计划在线计算的实时性需求；步骤104：基于映射策略设置可调发电机有功出力，更新t=t 1，其中具体地，基于上述映射策略将动作映射至具体的发电机有功出力，即最优调度计划。
[0060]
步骤105：若t小于t
max
，则返回至步骤103，否则执行步骤106；具体地，如果一个回合未结束，则继续迭代至完成一个回合。
[0061]
步骤106：输出最优调度计划。
[0062]
与前述的基于电网经济运行域的调度方法的实施例相对应，本技术还提供了基于电网经济运行域的调度装置的实施例。
[0063]
图6是根据一示例性实施例示出的一种基于电网经济运行域的调度装置框图。参照图6，该装置可以包括：确定模块21，用于确定制定电网调度计划需要考虑的不确定性因素和调度目标；刻画模块22，用于根据所述不确定性因素和调度目标滚动刻画电网经济运行域，并根据实际工程需要选择电网经济运行域形态；计算模块23，用于根据上述电网经济运行域形态，基于所述电网经济运行域实时计算最优调度计划；其中，所述不确定性因素包括电网在运行时面临的新能源出力不确定性、负荷水平不确定性、设备非计划停运不确定性、自然灾害不确定性和人因风险不确定性，所述调度目标由电网发电成本最低、新能源消纳率最高、碳排放量最低、系统网损最小、系统运行风险最低中的一个或多个加权组合而成。
[0064]
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
[0065]
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本技术方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0066]
相应的，本技术还提供一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述的基于电网经济运行域的调度方法。
[0067]
相应的，本技术还提供一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该指令被处理器执行时实现如上述的基于电网经济运行域的调度方法。
[0068]
本领域技术人员在考虑说明书及实践这里公开的内容后，将容易想到本技术的其它实施方案。本技术旨在涵盖本技术的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本技术的一般性原理并包括本技术未公开的本技术领域中的公知常识或惯用技术手段。
[0069]
应当理解的是，本技术并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。