基于数据驱动的多元融合高弹性电网资源协同调控系统的制作方法

1.本发明属于多元融合高弹性电网协同技术领域，具体涉及一种基于数据驱动的多元融合高弹性电网资源协同调控系统。


背景技术：

2.目前多元融合高弹性电网协同调控方面尚未形成成熟通用的方法、标准与系统，且新能源随机性对区域多元能源系统节能运行调度和控制的影响不可忽视，因此难以开展相关设计工作，是多元融合高弹性电网发展中迫切需要解决的关键科学问题。
3.例如，能源出力具有随机波动性。新能源出力特性与常规电源有很大区别。常规电源一次能源可存储，出力可调、可控；新能源发电的直接能量来源是风能和太阳能，不可存储。气候变换以及风能、太阳能资源在大气边界层内的湍动性，使得新能源电站的输出功率具有随机性、波动性和间歇性，增加了电力系统的平衡难度。
4.新能源发电量在时间维度上呈现明显的季节性和时段性。在气候变化内在规律的作用下，新能源发电量在各季度中普遍存在一定的统计规律。我国“三北”地区，风电资源和发电量冬季相对丰富、夏季相对匮乏，夜间相对较大、白昼相对较小，呈现冬多夏少、夜大昼小的特点；光伏资源和发电量夏季相对丰富、冬季相对匮乏，白昼有、夜间无，呈现夏多冬少、昼有夜无的特点。
5.源-网-荷-储友好互动和用户需求侧响应下的多元融合高弹性配电网系统，是统筹区域能源规划、管理与运行，实现能效提升和城市低碳生态发展的重要方式之一，亟待解决面向源-网-荷-储友好互动和用户需求侧响应下的多元融合高弹性配电网系统数据驱动协同调控规划与经济性综合评价的问题。


技术实现要素：

6.本发明的主要目的在于提供基于数据驱动的多元融合高弹性电网资源协同调控系统，通过可控资源不确定性模块、区域系统一体化模块、协同调控模块和综合评估模块，促进高效、智能的多元融合高弹性电网系统优化调度，实现清洁高效的能量协同供应和综合利用，提高区域能效和可靠性，为多元融合高弹性电网的优化调度和运行提供建设性解决方案。
7.为达到以上目的，本发明提供基于数据驱动的多元融合高弹性电网资源协同调控系统，用于解决区域能源利用不合理和提升区域供电可靠性，包括：可控资源不确定性模块、区域系统一体化模块、协同调控模块和综合评估模块，其中：
8.可控资源不确定性模块用于分析多元融合高弹性电网中各类设备在不同运行场景下的关联耦合特性，获取能量调控过程中各类设备的关联耦合特性在不确定性建模中的应用价值参数，进而建立在多元融合高弹性电网下的可控资源不确定性模型；
9.区域系统一体化模块基于构建多元融合高弹性电网的典型用能场景，并且从包括时间、规模和类型的参数角度分析用能特点和规律，从而分析区域用能子系统的工作原理
和典型物理设备用能调控现状，进而分析典型物理设备的调节范围能力并且整合多元融合高弹性电网的各个物理设备的能效优化模型，最终建立区域多元融合高弹性电网系统一体化模型；
10.协同调控模块包括自适应模糊推理单元和优化调度单元，所述自适应模糊推理单元结合具体区域化优化目标函数，从而自适应调节调度策略参数，在启发式算法的迭代优化求解下获得最优参数，优化调度单元通过数据驱动方式自适应生成与相应能效特征匹配的最优调度策略，进而反复生成最优调度策略库；
11.综合评估模块对通过可控资源不确定性模块、区域系统一体化模块和协同调控模块构建的多元融合高弹性电网进行综合评价。
12.作为上述技术方案的进一步优选的技术方案，对于可控资源不确定性模型：
13.采用不同的概率变量模型来描述多元融合高弹性电网中各类设备的出力的不确定性；
14.概率变量模型按照概率分布是否连续包括连续变量单元和离散变量单元，对于离散变量单元的分析包括条件频率、列联表和级别变量相关，对于连续变量单元的分析包括相关系数、偏相关系数、交叉落后相关系数和滑动相关系数；
15.概率变量模型还对区间变量单元和概率区间变量单元进行分析，区间变量单元和概率区间变量单元采用边缘区间(变量的定义域)的相关角进行建模，当两个变量的相关角小于90
°
时，变量正相关，当两个变量的相关角大于90
°
时，变量负相关，当两个变量的相关角等于90
°
时，变量相互独立。
16.作为上述技术方案的进一步优选的技术方案，对于建立完成后的区域多元融合高弹性电网系统一体化模型：
17.在云端数据库获取不同物理设备的历史运行数据，包括可再生能源发电功率和电负荷数据曲线，从而利用已有的历史运行数据生成对抗网络模型，直接以数据驱动的方式开展场景生成，进而实现在保留原始数据概率分布特性的同时，生成具有一定模式差异特性的多种能源出力与负荷场景。
18.作为上述技术方案的进一步优选的技术方案，协同调控模块还包括云端数据驱动单元，其中：
19.通过云端数据驱动模型(由与端数据库建立)生成涵盖广泛能效模式的最优调度策略(对优化调度单元生成的最优调度策略进行优化)，并将所生成的不同策略集合构建为机器学习下的独立训练集，在根据区域用能子系统多元数据迭代优化生成的调度策略集合中，包含了不同能效模式下的用能设备复杂特性与节能潜力，引入监督学习技术框架，通过对各区用能域子系统策略联合学习实现多元融合高弹性配电网的协同增效调控。
20.作为上述技术方案的进一步优选的技术方案，对于综合评估模块：
21.综合评估模块对具有不同风光储容量和接入节点的多元融合高弹性配电网的经济性进行评估时，根据自身的特点，从包括自然、社会、功能和客体属性的角度出发，建立包括第一层指标单元、第二层指标单元和第三层指标单元的三层指标评估体系，其中：
22.第一层指标单元由第二层指标单元构建，第一层指标单元为主动配电网经济总评估得分，第二层指标单元包括分布式电源指标、线损率、总净值、电网资产利用率和综合资源利用率；
23.第二层指标单元由第三层指标单元构建，分布式电源指标包括环境效益、dg消纳率和dg渗透率，综合资源利用率包括风光资源利用率和负荷资源利用率。
24.为达到以上目的，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述基于数据驱动的多元融合高弹性电网资源协同调控系统。
25.为达到以上目的，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述基于数据驱动的多元融合高弹性电网资源协同调控系统。
附图说明
26.图1是本发明的基于数据驱动的多元融合高弹性电网资源协同调控系统的示意图。
27.图2是本发明的基于数据驱动的多元融合高弹性电网资源协同调控系统的协同调控模块的示意图。
28.图3是本发明的基于数据驱动的多元融合高弹性电网资源协同调控系统的协同调控模块示意图。
29.图4是本发明的基于数据驱动的多元融合高弹性电网资源协同调控系统的三层指标评估体系示意图。
具体实施方式
30.以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。在以下描述中界定的本发明的基本原理可以应用于其他实施方案、变形方案、改进方案、等同方案以及没有背离本发明的精神和范围的其他技术方案。
31.在本发明的优选实施例中，本领域技术人员应注意，本发明所涉及的设备、和电子设备等可被视为现有技术。
32.优选实施例。
33.本发明提供一种基于数据驱动的多元融合高弹性电网资源协同调控系统，用于解决区域能源利用不合理和提升区域供电可靠性，包括：可控资源不确定性模块、区域系统一体化模块、协同调控模块和综合评估模块，其中：
34.可控资源不确定性模块用于分析多元融合高弹性电网中各类设备在不同运行场景下的关联耦合特性，获取能量调控过程中各类设备的关联耦合特性在不确定性建模中的应用价值参数，进而建立在多元融合高弹性电网下的可控资源不确定性模型；
35.区域系统一体化模块基于构建多元融合高弹性电网的典型用能场景，并且从包括时间、规模和类型的参数角度分析用能特点和规律，从而分析区域用能子系统的工作原理和典型物理设备用能调控现状，进而分析典型物理设备的调节范围能力并且整合多元融合高弹性电网的各个物理设备的能效优化模型，最终建立区域多元融合高弹性电网系统一体化模型；
36.协同调控模块包括自适应模糊推理单元和优化调度单元，所述自适应模糊推理单
元结合具体区域化优化目标函数，从而自适应调节调度策略参数，在启发式算法的迭代优化求解下获得最优参数，优化调度单元通过数据驱动方式自适应生成与相应能效特征匹配的最优调度策略，进而反复生成最优调度策略库；
37.综合评估模块对通过可控资源不确定性模块、区域系统一体化模块和协同调控模块构建的多元融合高弹性电网进行综合评价。
38.具体的是，对于可控资源不确定性模型：
39.采用不同的概率变量模型来描述多元融合高弹性电网中各类设备的出力的不确定性；
40.概率变量模型按照概率分布是否连续包括连续变量单元和离散变量单元，对于离散变量单元的分析包括条件频率、列联表和级别变量相关，对于连续变量单元的分析包括相关系数、偏相关系数、交叉落后相关系数和滑动相关系数；
41.概率变量模型还对区间变量单元和概率区间变量单元进行分析，区间变量单元和概率区间变量单元采用边缘区间(变量的定义域)的相关角进行建模，当两个变量的相关角小于90
°
时，变量正相关，当两个变量的相关角大于90
°
时，变量负相关，当两个变量的相关角等于90
°
时，变量相互独立。
42.对于可控资源不确定性模块，随着分布式电源市场的开放，多元融合高弹性配电网系统将会面临大规模分布式电源接入的问题，包括光伏、风力发电机、燃气机组、燃料电池等，其中光伏与风机受到自然条件的影响，出力具有随机性，具有极大的不确定性，而燃气机组与燃料电池属于可控dg，易受市场环境电价的影响。根据新电改要求，鼓励用户侧建立光伏电站，政策造成的dg不确定性对配电网产生了很大的影响。分布式发电具有传统发电形式不具备的特点，同时也是未来电力系统的发展方向，但目前情况需要跟传统发电形式相配合，才能达到最优化配置。因此需要分析多元融合高弹性电网中各类设备在不同运行场景下的关联耦合特性，挖掘能量调控过程中各类设备的关联耦合特性在不确定性建模中的应用价值，从而建立多元融合高弹性电网下的“源-网-荷-储”可控资源不确定性模型。
43.更具体的是，对于建立完成后的区域多元融合高弹性电网系统一体化模型：
44.在云端数据库获取不同物理设备的历史运行数据，包括可再生能源发电功率和电负荷数据曲线，从而利用已有的历史运行数据生成对抗网络模型，直接以数据驱动的方式开展场景生成，进而实现在保留原始数据概率分布特性的同时，生成具有一定模式差异特性的多种能源出力与负荷场景。
45.对于区域系统一体化模块，在面向用户侧的多元融合高弹性配电网系统中，包含多种用电设备(如空调、照明设备、通风设备等)和配套设备(如各类表计、传感器、变频器、调节阀等)，各异构子系统中的单元因其自身结构的不同及受周围环境的不确定影响，常常具有随机性、非线性、时变性、分散异构性等诸多复杂特性，为了提高能量的整体利用率和满足用户侧多元融合高弹性配电网内不同功能区域的差异性能源需求，需要分析区域内各用能子系统的用能特性并对异构子系统在同一类型结构设备上进行整体建模。针对区域内的典型负荷，研究基于负荷的工作状态，考虑静态负荷模型和动态负荷模型的模型构建方法，通过明确各能量转化设备的物理特性，进而建立适用于各类型负荷的用能管理模型；针对不同类型的用能设备耗能特性，构建具有统一接口的模块化能效优化模型，体现不同类型设备的能效目标与运行约束条件。
46.系统中的各类设备相互影响，为多元融合高弹性配电网系统运行模式带来巨大的复杂性与不确定性。因此，基于学习的协同优化方法要求数据尽可能覆盖多元融合高弹性配电网系统不同场景下的运行模式。机器学习理论表明，训练样本的多样性与差异性将显著影响学习算法的有效性，既包涵对已有模式识别的准确性也表现在对未知模式的推理泛化能力。然而，在实际中能源系统所积累的工况数据很难覆盖全面的特性模式，使得基于数据驱动的学习策略呈小样本学习窘境。针对多元融合高弹性配电网系统协同调控学习算法的数据需求，研究多种不确定性、耦合化的能源与负荷形式的场景生成方法和具备可解释性与条件可控的改进型生成对抗网络模型。所研究方法需要生成足够广泛的多能耦合运行场景，从而既能反映多元融合高弹性配电网系统的内在模式，又能产生足够多样的场景模式学习样本。同时，场景生成方法及模型能够对所生成的多种能源形式(风、光、冷、热、电负荷)不同时空特性的刻画具备可控性与可解释性，即模型在数据驱动的基础上，可以人为引导生成指定偏好特性的场景模式。
47.首先，构建多元融合高弹性电网系统的典型用能场景，从时间、规模、类型等角度分析其用能特点和规律，如是否具有时段性/季节性特点，冷、热、电占比情况，峰谷差大小等；综合考虑外部因素(价格、环境等)和内部因素(负荷类型、用能设备特性等)，结合目前我国电力市场发展阶段和规划，借鉴国外电力市场发展特点，分析不同时间尺度下电能量、辅助服务等各类市场运行模式及具体机制，如多样化电价政策、用户侧参与日前/实时需求响应激励等，构建不同机制下用户侧多元融合高弹性电网系统用能模型及特征。在上述研究基础上，进一步分析区域用能子系统的工作原理和典型物理设备用能调控现状，明确不同类型用能设备的能耗特性、经济特性、调节特性、运行特性，并依次设定各用能物理设备能效优化的目标函数与约束条件，建立区域化子系统不同物理设备的能效优化模型；分析典型物理设备的调节范围(或调节潜力)带来的影响，提炼整体用能系统能效模型的约束条件或是控制输入的饱和性约束条件，充分考虑用能优化运行过程的能效敏感度、使用成本特性、用户侧体验等影响因素；整合系统内各物理设备的能效优化模型，建立区域多元融合高弹性电网系统一体化模型。
48.然后，在云端数据库获取不同设备的历史运行数据，主要包括可再生能源发电功率和电负荷数据曲线。利用已有的生成对抗网络(generative adversarial networks，gan)可以直接以数据驱动的方式开展场景生成。能够实现在保留原始数据概率分布特性的同时，生成具有一定模式差异特性的多种能源出力与负荷场景。为实现生成场景特性的刻画具备可控性与可解释性，将通过无监督学习的方式与隐含层可解释特征相结合的方式对基本gan进行改进与提升。
49.进一步的是，协同调控模块还包括云端数据驱动单元，其中：
50.通过云端数据驱动模型(由与端数据库建立)生成涵盖广泛能效模式的最优调度策略(对优化调度单元生成的最优调度策略进行优化)，并将所生成的不同策略集合构建为机器学习下的独立训练集，在根据区域用能子系统多元数据迭代优化生成的调度策略集合中，包含了不同能效模式下的用能设备复杂特性与节能潜力，引入监督学习技术框架，通过对各区用能域子系统策略联合学习实现多元融合高弹性配电网的协同增效调控。
51.对于协同调控模块，基于数据驱动与自适应优化理论，充分利用云平台大数据及计算资源，生成数据驱动的自适应模糊推理系统策略参数库。在相应区域子系统多元监测
数据所表征的能效模式下，通过启发式算法迭代优化模糊推理系统的隶属度函数形状和推理规则集参数，自适应地形成针对多元融合高弹性配电网系统的典型用能模式的最优调度控制器。在云端大量历史多元监测数据驱动模拟下，形成不同运行环境下的自适应调度最优控制器策略参数集合。因此，对于每个最优控制器的参数，将形成一组统一形式的参数序列，在通过大量数据模拟及启发式优化算法迭代求解后，从而生成覆盖广泛能效模式的最优调度策略库，并在“边”侧可根据多元融合高弹性配电网系统运行情况供边缘智能网关设备选择调用。
52.对于多元融合高弹性配电网系统中包含多种用能子系统设备的综合协同控制将使决策复杂度指数增加，使得优化求解过程出现非凸优化的困难问题。充分利用“端-边-云”协同决策思想，研究通过云端数据驱动模型生成涵盖广泛能效模式的最优调度策略，并将所生成的不同策略集合构建为机器学习下的独立训练集。在根据用能子系统多元数据迭代优化生成的调度策略集合中，包含了不同能效模式下的用能设备复杂特性与节能潜力；引入监督学习技术框架，在考虑上述全局系统级综合能效最优目标评价体系基础上(以最小目标为例)，构建以全局节能经济性为指导的机器学习损失函数，将各区域子系统能效特征作为模型输入，在云端对数据驱动生成的对应最优调控策略进行联合监督学习，模型输出为各用能子系统本地能量控制器的最优调度策略参数。学习训练完成后的机器学习模型可以在边缘计算网关根据区域能效态势特征推断出本地最优调控策略，从而确定考虑全局优化的最优实时控制器，实现多元融合高弹性配电网系统的协同增效能量管理。
53.多元融合高弹性配电网系统在不同应用场景和多种用能模式下实现本地实时优化调度。用户侧设备类型多样、数量庞大，传统优化模型和整数规划等分析方法无法适应大规模组合优化问题。利用自适应模糊逻辑的能量优化控制器可以避免决策变量组合爆炸问题，并可以对实时运行工况有很好的容错能力。结合具体区域化优化目标函数，模糊推理系统可以自适应调节调度策略参数，在启发式算法的迭代优化求解下得出最优参数。对于不同的区域应用场景及多样的用能模式，可以充分利用所生成的场景模式，通过数据驱动方式自适应生成与相应能效特征匹配的最优调度策略，进而反复生成大量最优调度策略库。拟采用的技术路线原理框架如图2所示。
54.在考虑对多元融合高弹性配电网系统全区域协同优化调度这一复杂问题时，可以充分利用“端-边-云”协同优势，通过云端数据驱动模型生成涵盖广泛能效模式的最优调度策略，并将所生成的不同策略集合构建为机器学习下的独立训练集。在根据用能子系统多元数据迭代优化生成的调度策略集合中，包含了不同能效模式下的用能设备复杂特性与节能潜力；引入监督学习技术框架，通过对各区域子系统策略联合学习实现多元融合高弹性配电网系统协同增效调控。联合学习分为两个阶段，如图3所示。
55.更进一步的是，对于综合评估模块：
56.综合评估模块对具有不同风光储容量和接入节点的多元融合高弹性配电网的经济性进行评估时，根据自身的特点，从包括自然、社会、功能和客体属性的角度出发，建立包括第一层指标单元、第二层指标单元和第三层指标单元的三层指标评估体系，其中，如图4所示：
57.第一层指标单元由第二层指标单元构建，第一层指标单元为主动配电网经济总评估得分，第二层指标单元包括分布式电源指标、线损率、总净值、电网资产利用率和综合资
源利用率；
58.第二层指标单元由第三层指标单元构建，分布式电源指标包括环境效益、dg消纳率和dg渗透率，综合资源利用率包括风光资源利用率和负荷资源利用率。
59.对于综合评估模块，在同一配电网的网络结构下，利用风光储容量不同和接入的节点不同形成多个多元融合高弹性配电网系统能量调控方案，这些方案之间的经济性差异明显，然而低分布式能源占比的传统配电网经济性评估方法难以对高分布式能源占比的多元融合高弹性配电网系统的经济性进行评估。从多元融合高弹性配电网系统的特性出发，建立包括总净值、分布式电源、综合资源利用率、线损率、电网资产利用率等经济性的综合评价指标体系，给出各个指标的数学模型和综合得分值的获取方法，以此来判断不同方案的经济性优劣。
60.本发明还公开了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述基于数据驱动的多元融合高弹性电网资源协同调控系统。
61.本发明还公开了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述基于数据驱动的多元融合高弹性电网资源协同调控系统。
62.值得一提的是，本发明专利申请涉及的设备、和电子设备等技术特征应被视为现有技术，这些技术特征的具体结构、工作原理以及可能涉及到的控制方式、空间布置方式采用本领域的常规选择即可，不应被视为本发明专利的发明点所在，本发明专利不做进一步具体展开详述。
63.对于本领域的技术人员而言，依然可以对前述各实施例所记载的技术方案进行修改，或对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围。