风-光-储微电网能量调控优化方法、设备及存储介质技术

本发明专利技术公开了风

【技术实现步骤摘要】
风
‑
光
‑
储微电网能量调控优化方法、设备及存储介质


[0001]本专利技术涉及能源优化
，具体为风
‑
光
‑
储微电网能量调控优化方法、设备及存储介质。

技术介绍

[0002]在众多可再生能源中，风电、光伏因其分布广泛、成本低廉等优势脱颖而出。然而，风光其固有的随机波动性和间歇性特征大大影响了自身的发展。储能有着平抑波动、削峰填谷等功能，它将成为解决风光发展问题的有效手段。鉴于储能良好的调节特性，将其与风光联合进行发电，可以有效改善联合系统的总体有功输出，提高微电网运行的安全性和稳定性，降低系统发电成本。
[0003]由于考虑到风光出力的不确定性和间歇性，文献：基于相关机会目标规划的风光储联合发电系统储能调度策略，赵书强等，通过提出相关机会规划理论。文献：一种基于跟踪计划的风光储联合发电系统储能控制策略研究，李华等。通过提出采用置信区间理论，以及文献：基于鲁棒优化的风光储联合发电系统储能配置策略，李笑竹等。通过采用鲁棒优化分别对联合发电系统中的风光出力进行预测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.风
‑
光
‑
储微电网能量调控优化方法，其特征在于，包括：对风光储微电网系统建立以风光跟踪考核成本以及储能运行成本最小为目标的风光储协调控制模型；设置以风光储微电网系统运行成本最小为目标的目标函数；设置风光储微电网系统的约束条件；对所述风光储协调控制模型进行学习，根据学习结果，对风光储微电网系统进行协调控制。2.如权利要求1所述的风
‑
光
‑
储微电网能量调控优化方法，其特征在于，所述目标函数的表达式为：；（1）式中，C为联合系统的总成本，C
g
为联合系统跟踪偏差考核成本，C
bt
为储能运行成本，其计算方法如下所示：；（2）式中，T为调度周期长度，、、分别是风电、光伏以及储能在t时刻的控制功率，为微电网系统在t时刻的日前出力计划值，而和分别是风光跟踪偏差单位考核成本以及储能充放电单位成本。3.如权利要求1所述的风
‑
光
‑
储微电网能量调控优化方法，其特征在于，所述约束条件包括风电出力约束、光伏电站出力约束以及储能系统出力和容量约束。4.如权利要求3所述的风
‑
光
‑
储微电网能量调控优化方法，其特征在于，所述风电出力约束的表达式为：；（3）式中：为t时刻风电的最大出力，为风电的日前功率预测值；为时段t内风电的出力调整速度；为风电功率向下调整速度限值；为风电功率向上调整速度限值，和通过风电机组实际运行中统计得到的调整速度整定得到，将统计得到的向上和向下调整速度的最大值作为相应的限值。5.如权利要求3所述的风
‑
光
‑
储微电网能量调控优化方法，其特征在于，所述光伏电站出力约束的表达式为：
；（4）式中：为t时刻风电的最大出力，为风电的日前功率预测值；为时段t内光伏电站的出力调整速度；为光伏电站功率向下调整速度限值；为光伏电站功率向上调整速度限值，和通过光伏电站实际运行中统计得到的调整速度整定得到，将统计得到的向上和向下调整速度的最大值作为相应的限值。6.如权利要求3所述的风
‑
光
‑
储微电网能量调控优化方法，其特征在于，所述储能系统出力和容量约束的出力约束条件表达式为：；（5）式中：为储能系统允许最大充放电功率，和分别为t时段储能系统处于充电或放电状态的0
‑
1标志，储能系统无法同时处于充电和放电状态，如果储能充电的话，那么=1，且=0，反之，则相反。7.如权利要求3所述的风
‑
光
‑
储微电网能量调控优化方法，其特征在于，所述储能系统出力和容量约束的容量约束表达式为：；（6）式中：E
t
为t时段储能系统存储电量值，E
min
、E
max
分别为储能系统存储电量允许的最大值、最小值；；；（7）至（8）式中：ρ为储能电池的自持放电率，E
t
‑1为
t
‑1时段储能系统存储电量值；ΔE
t
为第t个时段的电量变化，正数表示放电，负数表示充电；η
c
为充电效率；η
d
为放电效率；Δt为每个时段间隔时间；
此外，在一个调度周期始末储能系统电量一致，则需满足约束：；（9）式中：为0点储能系统电量；为24点储能系统电量。8.如权利要求1所述的风
‑
光
‑
储微电网能量调控优化方法，其特征在于，风光储协调控制模型基于SARSA算法强化学习：模型由马尔可夫决策过程进行表示，具体形式为(S,A,P,R,γ)其中，S表示环境中可被感知到的所有状态集合，A表示智能体可采取的所有动作集合，P表示状态转移概率，R表示特定状态及动作下的即时奖励，γ表示回报折扣率，在强化学习过程中，定义策略π为状态空间到动作空间的一个映射(S
→
A)，表示为智能体在状态s
t
选择动作a
t
，执行该动作并以概率P (s
t
, a
t
)转移到下一状态s
t+1
，同时接受来自环境反馈的奖赏r
t
，智能体根据得到的奖励R来调整自身的策略并针对新的状态s
t+1
做出新的决策a
t+1
，用于获得最大的长期累积奖励。9.如权利要求8所述的风
‑
光
‑
储微电网能量调控优化方法，其特征在于，SARSA算法通过在与环境交互的过程中生成的学习样本以及获得的奖励值和下一状态或状态—动作对的评价来更新动作：Q值，其迭代过程可表示为：；（10）式中，α为学习率，用来控制学习的收敛情况；折扣率γ∈[0，1]，决定了未来时刻t的奖惩值对现在的重要程度，γ接近于0时，智能体更在意短期回...

【专利技术属性】
技术研发人员：孟庆霖，葛磊蛟，王剑晓，王中冠，孙冰，张博，高锋，张欣燕，许良，王瑞，刘春雨，孙继科，赵金，药炜，孙京生，
申请(专利权)人：国网天津市电力公司国家电网有限公司，
类型：发明
国别省市：