一种集中式风电场电力处理策略确定方法及设备技术

本申请涉及风电场的电力交易技术领域，特别是涉及一种集中式风电场电力处理策略确定方法及设备。包括：获取多个时间段的风电场运行数据，通过深度强化学习算法对运行数据进行数学建模生成原始交易模型，并通过场景生成法生成训练集和测试集；获取风电场设备历史运行数据，并对风电场设备历史运行数据进行数学建模生成虚拟环境，根据虚拟环境，训练集和测试集对原始交易模型进行迭代训练，生成最优交易模型；获取日交易收益最大值和最优交易模型的实际日收益值，通过深度强化学习算法生成最优交易模型，基于运行日的整体进行交易策略的制定，而不是仅基于单个时间节点进行优化计算，从而实现该运行日集中式风电场参与现货电力市场交易收益最大化。市场交易收益最大化。市场交易收益最大化。

【技术实现步骤摘要】
一种集中式风电场电力处理策略确定方法及设备


[0001]本申请涉及风电场的电力交易
，特别是涉及一种集中式风电场电力处理策略确定方法及设备。

技术介绍

[0002]2002年中国电力行业改革，实行厂网分离政策以来，发电侧逐渐放松管制并形成了有效竞争，但是售电侧仅于近年形成了区域性质的省内电力市场。
[0003]上述省内电力市场包括现货市场、中长期直接交易市场和期货电力衍生品市场。其中，电力现货交易是指在现货电力市场进行的交易。现货电力市场包括日前、日内和实时的电能量与备用等辅助服务交易市场。国内现货电力市场作为市场化电力电量平衡机制的补充部分，发挥完善交易品种、形成充分竞争的作用。
[0004]省内电力市场仅允许大用户及成规模的发电企业参与，而现货电力市场上的新能源发电企业一直保持沉默。智能电网的最新发展为协调、监视和控制配电级别的短期或实时电力输送开辟了新的可能性。但是，大量的新能源场站参与现货电力市场将导致电网边缘的明显不确定性，如何制定最优交易策略，实现运行日集中式风电场参与现货电力市场交易收益最大化，成为行业亟待解决的技术问题

技术实现思路

[0005]本申请的目的是：为解决上述技术问题，本申请提供了一种集中式风电场电力处理策略确定方法及设备，旨在实现运行日集中式风电场参与现货电力市场交易收益最大化。
[0006]本申请的一些实施例中，基于深度强化学习算法的交易策略对集中式风电场参与现货电力市场进行管理。通过深度强化学习算法生成最优交易模型，基于运行日的整体进行交易策略的制定，而不是仅基于单个时间节点进行优化计算，从而实现该运行日集中式风电场参与现货电力市场交易收益最大化。
[0007]本申请的一些实施例中，通过对每个时间段的实时电价、集中式风电场发电量、风机及输变电设备计划检修需求、风机及输变电设备故障消缺、外送线路容量变化、电网限负荷等不确定因素进行数学建模，利用场景生成法得到包括上述所有不确定因素的一定数量的训练集(要求涵盖有代表性的场景)，并对集中式风电场相关设施进行数学建模(包括外送线路、主变、集电线路、箱变、风机、升压站内部用电设备等)形成虚拟环境，通过将初始状态、初始控制变量、参数等输入虚拟环境进行迭代训练，得到各种情况下集中式风电场参与现货电力市场实时交易策略，保证集中式风电场售电利益最大化。
[0008]本申请的一些实施例中，提供了一种集中式风电场电力处理策略确定方法，包括：
[0009]获取多个时间段的风电场运行数据，通过深度强化学习算法对所述运行数据进行数学建模生成原始交易模型，并通过场景生成法生成训练集和测试集；
[0010]获取风电场设备历史运行数据，并对所述风电场设备历史运行数据进行数学建模
生成虚拟环境，
[0011]根据所述虚拟环境，所述训练集和所述测试集对所述原始交易模型进行迭代训练，生成最优交易模型；
[0012]获取日交易收益最大值和所述最优交易模型的实际日收益值，根据所述日交易收益最大值和所述实际日收益值判断是否修正最优交易模型。
[0013]本申请的一些实施例中，所述风电场运行数据包括：
[0014]每个时间段的实时电价数据、集中式风电场发电量数据、风机及输变电设备计划检修需求数据、风机及输变电设备故障消缺数据、外送线路容量变化和电网限负荷数据。
[0015]本申请的一些实施例中，对所述风电场设备历史运行数据进行数学建模生成虚拟环境时，包括：
[0016]设定向量元组：{S，A，R，S}；
[0017]其中第一向量S为状态空间、第二向量A为操作空间；
[0018]S是从原始状态空间S从时间t到时间t+1的环境转换后的状态空间；
[0019]表示奖励函数，即集中式风电场业主在执行从状态S变为状态S的操作A后获得的即时奖励。
[0020]本申请的一些实施例中，所述第一向量空间S包括：
[0021]S＝[M
c,t
，T
tin
，T
tiw
，T
tow
，P
b,t
，P
s,t
]；
[0022]其中，M
c,t
为集中式风电场检修班组的工作量，T
tin
为升压站室温、T
tiw
升压站内层温度、T
tow
升压站外层温度，P
b,t
为通过现货电力市场买电，P
s,t
为通过现货电力市场卖电量。
[0023]本申请的一些实施例中，所述第二向量A包括：
[0024][0025]为检修班组在升压站，为检修班组在风机点，为检修班组在路上，σ
t
为升压站内部空调控制指令，u
b,t
为选择从现货电力市场买电，u
s,t
为向现货电力市场卖电；
[0026]其中，σ
t
＝－1为制冷控制指令，σ
t
＝0为闲置控制指令，σ
t
＝1为制热控制指令。
[0027]本申请的一些实施例中，所述奖励函数包括：
[0028][0029]其中，C
b
为实时从电力市场买电的价格；C
s
为实时向电力市场卖电的价格；C
c
为检修人员的劳务报酬系数；C
om
为集中式风电场的其他运维成本；为集中式风电场安全运行系数。
[0030]本申请的一些实施例中，根据所述日交易收益最大值和所述实际日收益值判断是否修正最优交易模型时，包括：
[0031]根据所述日交易收益最大值和所述实际日收益值生成收益差值d；
[0032]预设收益差值矩阵D，设定D(D1，D2，D3)，其中，D1为预设第一收益差值，D2为预设第二收益差值，且D1＜D2；
[0033]若d＜D1，不修正所述最优交易模型；
[0034]若D1＜d＜D2，根据当日的多个时间段的风电场运行数据修正最优交易模型；
[0035]若d＞D2，需重新建模。
[0036]本申请的一些实施例中，提供了一种集中式风电场电力处理策略确定设备，包括：
[0037]数据处理模块，用于获取多个时间段的风电场运行数据，所述数据处理模块还用于通过深度强化学习算法对所述运行数据进行数学建模生成原始交易模型，所述数据处理模还用于通过场景生成法生成训练集和测试集；
[0038]虚拟环境模块，用于获取风电场设备历史运行数据，并对所述风电场设备历史运行数据进行数学建模生成虚拟环境；
[0039]算法模型模块，用于获取所述虚拟环境，所述训练集和所述测试集，并根据所述虚拟环境，所述训练集和所述测试集对所述原始交易模型进行迭代训练，生成最优交易模型。
[0040]本申请的一些实施例中，所述虚拟环境模块还用于：
[0041]设定向量元组：{S，A，R，S}本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种集中式风电场电力处理策略确定方法，其特征在于，包括：获取多个时间段的风电场运行数据，通过深度强化学习算法对所述运行数据进行数学建模生成原始交易模型，并通过场景生成法生成训练集和测试集；获取风电场设备历史运行数据，并对所述风电场设备历史运行数据进行数学建模生成虚拟环境；根据所述虚拟环境，所述训练集和所述测试集对所述原始交易模型进行迭代训练，生成最优交易模型；获取日交易收益最大值和所述最优交易模型的实际日收益值，根据所述日交易收益最大值和所述实际日收益值判断是否修正最优交易模型。2.如权利要求1所述的集中式风电场电力处理策略确定方法，其特征在于，所述风电场运行数据包括：每个时间段的实时电价数据、集中式风电场发电量数据、风机及输变电设备计划检修需求数据、风机及输变电设备故障消缺数据、外送线路容量变化和电网限负荷数据。3.如权利要求1所述的集中式风电场电力处理策略确定方法，其特征在于，对所述风电场设备历史运行数据进行数学建模生成虚拟环境时，包括：设定向量元组：{S，A，R，S}；其中第一向量S为状态空间、第二向量A为操作空间；S是从原始状态空间S从时间t到时间t+1的环境转换后的状态空间；表示奖励函数，即集中式风电场业主在执行从状态S变为状态S的操作A后获得的即时奖励。4.如权利要求3所述的集中式风电场电力处理策略确定方法，其特征在于，所述第一向量空间S包括：S＝[M
c,t
，T
tin
，T
tiw
，T
tow
，P
b,t
，P
s,t
]；其中，M
c,t
为集中式风电场检修班组的工作量，T
tin
为升压站室温、T
tiw
升压站内层温度、T
tow
升压站外层温度，P
b,t
为通过现货电力市场买电，P
s,t
为通过现货电力市场卖电量。5.如权利要求3所述的集中式风电场电力处理策略确定方法，其特征在于，所述第二向量A包括：量A包括：为检修班组在升压站，为检修班组在风机点，为检修班组在路上，σ
t
为升压站内部空调控制指令，u
b,t
为选择从现货电力市场买电，u
s,t
为向现货电力市场卖电；其中，σ
t
＝－1为制冷控制指令，σ
t
＝0为闲置控制指令，σ...

【专利技术属性】
技术研发人员：梁哲铭，周跃东，陈玉东，金怀康，杨时虎，李勇斌，刘子靖，崔红波，
申请(专利权)人：华能新能源股份有限公司，
类型：发明
国别省市：