一种计及不同场景的梯级水光蓄系统实时调度决策方法技术方案

本发明专利技术公开了一种计及不同场景的梯级水光蓄系统实时调度决策方法，涉及能源综合利用技术领域，通过考虑水光荷多模态时间序列数据之间的强弱耦合关系，采用长短期记忆网络与自编码技术相结合方法抽取水光荷显著特征，基于训练样本拟合多维水光荷数据分布，提取水光荷时序特征及不确定变量耦合关系，生成水光荷典型场景；构建场景生成网络与分布式近端策略优化方法相结合的梯级水光蓄调度系统混合学习模型，将梯级水光蓄系统调度任务划分为不同典型场景下的学习子任务，实现与场景特征自适应匹配的学习方法，得到不同水光荷特征场景下的梯级水光蓄动态调度策略，提高了梯级水光蓄系统调度方法在不同场景下的自适应性、泛化性。泛化性。泛化性。

【技术实现步骤摘要】
一种计及不同场景的梯级水光蓄系统实时调度决策方法


[0001]本专利技术涉及能源综合利用
，具体而言，涉及一种计及不同场景的梯级水光蓄系统实时调度决策方法。

技术介绍

[0002]梯级水光蓄系统中，光伏出力、梯级水电站区间来水的随机性及负荷需求的不确定性造成了系统供需双方的随机波动，传统的调度方法很难应对水光极强随机性。随着人工智能技术发展，强化学习为梯级水光蓄动态调度决策问题提供了解决思路。然而，目前基于强化学习的水光蓄调度决策系统对随机性水光场景考虑不够全面，而实际水光蓄系统由于自然禀赋具有不同的典型场景，如果用同一个强化学习主体训练习在不同场景下可能会导致相互矛盾的策略，如何保证在各种场景下都适应的梯级水光蓄调度策略是一个新的挑战。

技术实现思路

[0003]本专利技术在于提供一种计及不同场景的梯级水光蓄系统实时调度决策方法，实现与不同水光场景自适应匹配的梯级水光蓄系统动态调度，提高系统在不同场景下学习、泛化能力，弥补现有研究中对不同水光场景特征考虑的缺乏。
[0004]为了缓解上述的问题，本专利技术采取的技本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种计及不同场景的梯级水光蓄系统实时调度决策方法，其特征在于，包括以下步骤：S1、获取水光荷多模态时间序列数据；S2、对水光荷多模态时间序列数据进行预处理，生成若干固定时间步的时序样本集；S3、采用LSTM编码器对时序样本进行编码，在编码过程中通过多层LSTM网络映射将高维水光荷时序样本嵌入到低维度特征空间，抽取得到水光荷显著特征；S4、确定最佳水光荷低维度聚类个数L，之后基于K
‑
means++算法，对所有的水光荷显著特征进行低维特征聚类，得到L个不同类别的水光荷显著特征；S5、采用LSTM解码器对L个不同类别的水光荷显著特征进行LSTM解码，得到L个类别的典型水光荷场景数据集；S6、搭建梯级水光蓄系统数学模型和计及多场景的梯级水光蓄系统调度模型；S7、根据典型水光荷场景数据集、梯级水光蓄系统数学模型和梯级水光蓄系统调度模型，搭建不同水光荷场景数据集下基于强化学习的梯级水光蓄动态调度框架；S8、在梯级水光蓄动态调度框架下，根据典型水光荷场景数据集，采用DPPO算法求解得到应对不同水光场景特征的梯级水光蓄调度策略。2.根据权利要求1所述的梯级水光蓄系统实时调度决策方法，其特征在于，步骤S2具体包括：将水光荷多模态时间序列数据的典型日曲线聚类的时间颗粒度设定为1小时；对水光荷多模态时间序列数据进行归一化处理，对于归一化处理后的水光荷多模态时间序列数据，通过不断滑动一固定时间步长得到固定时间步的时序样本集。3.根据权利要求2所述的梯级水光蓄系统实时调度决策方法，其特征在于，每个时序样本集开始于t＝1小时的时刻，滑动的固定时间步T设定为24小时。4.根据权利要求1所述的梯级水光蓄系统实时调度决策方法，其特征在于，LSTM编码器的编码公式和LSTM解码器的编码公式分别为：其中，x
t
为原始水光荷样本，P为原始水光荷样本维度，z为低维度特征空间。5.根据权利要求1所述的梯级水光蓄系统实时调度决策方法，其特征在于，在步骤S4中，确定最佳水光荷低维度聚类个数L的方法包括：设置不同聚类个数k＝1,2,
…
,L，得到L个水光荷聚类中心c1,c2,
…
,c
L
，不同类别之间的欧式距离为其中，x
i

【专利技术属性】
技术研发人员：杨晶显，王凯，
申请(专利权)人：西北民族大学，
类型：发明
国别省市：