一种分布式光储系统的网络协调控制方法技术方案

一种分布式光储系统的网络协调控制方法，所述方法包括步骤：获取并处理所述分布式光储系统的实时光伏数据、实时负荷数据、历史光伏数据和历史负荷数据；将处理后的所述实时光伏数据、所述实时负荷数据、所述历史光伏数据和所述历史负荷数据输入长短时神经网络模型；所述长短时神经网络模型输出未来时刻的光伏发电量预测值和负荷需求预测值；获取所述分布式光储系统中各子系统的当前电荷数据；将各所述子系统的当前电荷数据、所述光伏发电量预测值和所述负荷需求预测值输入深度强化学习模型；所述深度强化学习模型对所述分布式光储系统进行最优化调度控制。本申请能够有效的提高系统的能量利用效率，均衡各个电源模块的能量。均衡各个电源模块的能量。均衡各个电源模块的能量。

【技术实现步骤摘要】
一种分布式光储系统的网络协调控制方法


[0001]本专利技术属于分布式能源调度控制
，具体涉及一种分布式光储系统的网络协调控制方法。

技术介绍

[0002]分布式能源网络由大量的发电储能供电设备连接组成。由于存在发电环节光伏以及负荷功率值不匹配的问题，通常需要在光伏电池供电较足时将多余电量进行储存，在光伏电池供电不足时让储能电池进行能量供给，其中储能环节起到削峰填谷的作用。然而由于光伏电池、储能电池及功率负荷的随机特性，能源网络的各部分易出现能量不均衡的现象，使系统能量和储能容量利用率降低，电能质量下降。
[0003]目前人工智能算法是解决上述问题较流行的方案之一，其中基于值的强化学习算法如Q-learning，因简单实用的特性，在能源领域得到了很广泛的应用。Q-learning通过设定的奖励规则，根据Q-表让智能体与环境进行互动，同时收集互动的奖励来更新Q-表，直到找到最优的决策Q-表，完成训练过程。但由于Q-learning算法在训练过程中选择动作的依据为离散的Q函数，对于连续问题而言，该方法难以处理连续或高纬度的复杂问题，同时单一的无预测算法难以作出长期的调度规划。

技术实现思路

[0004]为解决上述问题，本专利技术提供了一种分布式光储系统的网络协调控制方法，所述方法包括步骤：
[0005]获取并处理所述分布式光储系统的实时光伏数据、实时负荷数据、历史光伏数据和历史负荷数据；
[0006]将处理后的所述实时光伏数据、所述实时负荷数据、所述历史光伏数据和所述历史负荷数据输入长短时神经网络模型；
[0007]所述长短时神经网络模型输出未来时刻的光伏发电量预测值和负荷需求预测值；
[0008]获取所述分布式光储系统中各子系统的当前电荷数据；
[0009]将各所述子系统的当前电荷数据、所述光伏发电量预测值和所述负荷需求预测值输入深度强化学习模型；
[0010]所述深度强化学习模型对所述分布式光储系统进行最优化调度控制。
[0011]优选地，所述获取并处理所述分布式光储系统的实时光伏数据、实时负荷数据、历史光伏数据和历史负荷数据包括步骤：
[0012]采集所述分布式光储系统中i节点的当前时刻的实时光伏发电数据和实时负荷功率序列及前k个时刻的历史光伏发电数据和历史负荷功率序列；
[0013]对所述实时光伏发电数据和所述历史光伏发电数据分别进行正则化处理；
[0014]对所述实时负荷功率序列和所述历史负荷功率序列分别进行热编码处理。
[0015]优选地，所述i节点的当前时刻的实时光伏发电数据的表达式为：
[0016]G
ik
(T)＝{p
ig
(T)，p
ig
(T-1)，...，p
ig
(T-k)}；
[0017]所述前k个时刻的历史负荷功率序列的表达式为：
[0018]L
ik
(T)＝{p
io
(T)，p
io
(T-1)，...，p
io
(T-k)}；
[0019]其中，所述G
ik
(T)表示所述i节点的当前时刻的实时光伏发电数据，所述L
ik
(T)表示所述前k个时刻的历史负荷功率序列，i＝1，2，3，k＝10，T表示当前时刻，p表示T时刻的功率，p
ig0
表示从现在开始的时刻到第k个时间节点的功率，p
io0
表示历史数据中从t时刻开始到第k个时间节点的功率。
[0020]优选地，所述实时光伏发电数据正则化后的表达式为：
[0021][0022]所述历史光伏发电数据正则化后的表达式为：
[0023]其中，表示正则化后的所述实时光伏发电数据，表示正则化后的所述历史光伏发电数据，p
ig0
表示从现在开始的时刻到第k个时间节点的功率，p
ig*
表示所设定的实时光伏发电数据最大值，G
ik
(T)表示所述i节点的当前时刻的实时光伏发电数据，i＝1，2，3，k＝10，T表示当前时刻，p表示T时刻的功率。
[0024]优选地，所述实时负荷功率序列的表达式为：
[0025]T
k
＝{T，T-1，T-2，...，T-k}；
[0026]所述历史负荷功率序列的表达式为：
[0027]M
k
＝{M0，M1，M2，...，M
k
}；
[0028]其中，T表示时间节点，Tk表示第k个时间节点的实时负荷功率序列，k表示时间节点的数量，Mk表示第k个时间节点的历史负荷功率序列。
[0029]优选地，所述将处理后的所述实时光伏数据、所述实时负荷数据、所述历史光伏数据和所述历史负荷数据输入长短时神经网络模型包括步骤：
[0030]设计所述长短时神经网络模型；
[0031]将正则化处理后的实时光伏发电数据和历史光伏发电数据以及热编码处理后的实时负荷功率序列和历史负荷功率序列组成输入矩阵；
[0032]将所述输入矩阵输入所述长短时神经网络模型中。
[0033]优选地，所述光伏发电量预测值的表达式为：
[0034][0035]所述负荷需求预测值的表达式为：
[0036][0037]其中，表示所述光伏发电量预测值，表示所述负荷需求预测值，j＝10，P表示T时刻的功率，p
ig0
表示从现在开始的时刻到第k个时间节点的短时功率，p
io0
表示历史数据中从t时刻开始到第k个时间节点的短时功率，T表示时间节点。
[0038]优选地，所述深度强化学习模型对所述分布式光储系统进行最优化调度控制包括
步骤：
[0039]将所述分布式光储系统当前的各电源模块荷电状态、所述光伏发电量预测值和所述负荷需求预测值组合为状态变量；
[0040]定义动作变量和奖励函数；
[0041]采用基于策略的近端优化策略算法进行深度学习训练；
[0042]循环与环境互动，并采集相应的状态、动作和优势函数，以采用策略梯度的方法找到得到最佳动作策略π
θ
。
[0043]优选地，所述动作变量的表达式为：
[0044]Action(T)＝{a1，a2，a3}|a
l
|∈[p
tmin
，p
tmax
]；
[0045]其中，P表示T时刻的功率，a1、a2、a3表示某时刻的动作变量，p
tmin
表示t时刻的功率最小值，p
tmax
表示t时刻的功率最大值。
[0046]优选地，所述奖励函数的表达式为：
[0047][0048]其中，P表示t时刻的功率，T表示当前时刻，C是奖励函数的补偿因子，w1表示奖励函数的系数，m表示奖励函数中不同场景的过程常本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种分布式光储系统的网络协调控制方法，其特征在于，所述方法包括步骤：获取并处理所述分布式光储系统的实时光伏数据、实时负荷数据、历史光伏数据和历史负荷数据；将处理后的所述实时光伏数据、所述实时负荷数据、所述历史光伏数据和所述历史负荷数据输入长短时神经网络模型；所述长短时神经网络模型输出未来时刻的光伏发电量预测值和负荷需求预测值；获取所述分布式光储系统中各子系统的当前电荷数据；将各所述子系统的当前电荷数据、所述光伏发电量预测值和所述负荷需求预测值输入深度强化学习模型；所述深度强化学习模型对所述分布式光储系统进行最优化调度控制。2.根据权利要求1所述的分布式光储系统的网络协调控制方法，其特征在于，所述获取并处理所述分布式光储系统的实时光伏数据、实时负荷数据、历史光伏数据和历史负荷数据包括步骤：采集所述分布式光储系统中i节点的当前时刻的实时光伏发电数据和实时负荷功率序列及前k个时刻的历史光伏发电数据和历史负荷功率序列；对所述实时光伏发电数据和所述历史光伏发电数据分别进行正则化处理；对所述实时负荷功率序列和所述历史负荷功率序列分别进行热编码处理。3.根据权利要求2所述的分布式光储系统的网络协调控制方法，其特征在于，所述i节点的当前时刻的实时光伏发电数据的表达式为：G
ik
(T)＝{p
ig
(T)，p
ig
(T-1)，...，p
ig
(T-k)}；所述前k个时刻的历史负荷功率序列的表达式为：L
ik
(T)＝{p
io
(T)，p
io
(T-1)，...，p
io
(T-k)}；其中，所述G
ik
(T)表示所述i节点的当前时刻的实时光伏发电数据，所述L
ik
(T)表示所述前k个时刻的历史负荷功率序列，i＝1，2，3，k＝10，T表示当前时刻，p表示T时刻的功率，p
ig0
表示从现在开始的时刻到第k个时间节点的功率，p
io0
表示历史数据中从t时刻开始到第k个时间节点的功率。4.根据权利要求2所述的分布式光储系统的网络协调控制方法，其特征在于，所述实时光伏发申数据正则化后的表达式为：所述历史光伏发电数据正则化后的表达式为：其中，表示正则化后的所述实时光伏发电数据，表不正则化后的所述历史光伏发电数据，p
ig0
表示从现在开始的时刻到第k个时间节点的功率，p
ig*
表示所设定的实时光伏发电数据最大值，G
ik
(T)表示所述i节点的当前时刻的实时光伏发电数据，i＝1，2，3，k＝10，T表...

【专利技术属性】
技术研发人员：吕冬翔，胡秉晨，王焘，朱立宏，孙子路，李钊，贾子熙，钟豪，仇海波，赵彬涛，
申请(专利权)人：中国电子科技集团公司第十八研究所，
类型：发明
国别省市：