电网数字化驱动控制方法及系统技术方案

本发明专利技术提供一种电网数字化驱动控制方法及系统，涉及电力技术领域，包括获取目标电网的历史负荷信息

【技术实现步骤摘要】
电网数字化驱动控制方法及系统


[0001]本专利技术涉及电力技术，尤其涉及一种电网数字化驱动控制方法及系统
。

技术介绍

[0002]随着经济技术的发展和人们生活水平的提高，电能已经成为了人们生产和生活中必不可少的二次能源，给人们的生产和生活带来了无尽的便利
。
因此，保障电能的稳定可靠供应，就成为了电力系统最重要的任务之一
。
[0003]目前，随着电网的新能源并网
、
特高压交直流联网和电力市场化运作，大电网的稳定特性
、
系统性安全风险正在发生深刻变化
。
电网调控运行规程
、
规定也日益复杂；特别是与特高压交
、
直流运行控制相关的安全约束动态变化
、
异常复杂，需监视的数据维度
、
频度
、
精度远超人力水平
。
[0004]CN202310569140.X
，一种基于数字化负荷预测的配电站控制方法及系统，该方法包括：获取目标区域内的
N
个配电站的历史配电数据，构建供电网络拓扑图，确定
N
组初始供电规划，对其进行供电负荷预测，获得
N
个供电负荷预测结果；获取
N
个配电站的
N
个实时容量信息，与
N
个供电负荷预测结果进行比对，获取负荷差值；按照负荷差值进行配电站供电连接，得到
N
个配电站的连接方案，对供电网络拓扑图进行重构，以重构拓扑图进行配电站供电控制
。
[0005]CN202210713377.6
，电网复杂调控规则的数字化建模系统，包括公用信息模块和规则信息模块；公用信息模块存放设备的在离线映射表；规则信息模块包括运行工况信息和规则库；运行工况信息包括电网运行信息和实时库参
‑
变量映射表，电网运行信息包括电网基础潮流文件和用于定义设备状态
、
功率和潮流数据的规则参变量，实时库参
‑
变量映射表存放各类参量
、
变量和电网中
SCADA
测点
、QS
文件或综稳潮流的映射表；规则库包括各级电网调度控制规则文本的数字化模型
。
[0006]现有技术中对电网的控制往往是基于历史数据，难以实现对未来数据进行预测，从而增加控制的准确性；此外，并不考虑电网中可再生能源的电能产量与预测负荷之间的关系，并且根据两者的关系采用相应的控制手段
。

技术实现思路

[0007]本专利技术实施例提供一种电网数字化驱动控制方法及系统，至少能够解决现有技术中部分问题
。
[0008]本专利技术实施例的第一方面，提供一种电网数字化驱动控制方法，包括：获取目标电网的历史负荷信息
、
历史天气信息以及所述目标电网的光伏发电量作为原始负荷特征，通过预设的负荷预测模型的特征提取模型确定所述原始负荷特征对应的多层感知特征；基于所述多层感知特征通过所述负荷预测模型的向量回归模型预测所述目标电
网对应的负荷需求，其中，所述负荷预测模型基于深度学习模型和支持向量回归模型构建；实时获取所述目标电网中可再生能源的电能产量，根据所述电能产量与所述负荷需求的比较结果，自适应动态调整所述目标电网中储能系统充电状态和放电状态
。
[0009]在一种可选的实施方式中，通过预设的负荷预测模型的特征提取模型确定所述原始负荷特征对应的多层感知特征，并基于所述多层感知特征通过所述负荷预测模型的向量回归模型预测所述目标电网对应的负荷需求，具体包括：所述特征提取模型包括多层感知器，所述特征提取模型对所述原始负荷特征进行卷积操作得到卷积特征图，通过所述特征提取模型的特征变换函数确定所述卷积特征图的卷积特征，基于所述特征提取模型的残差连接块将所述原始负荷特征与所述卷积特征进行跳跃连接确定多层感知特征；通过所述向量回归模型的核函数将所述多层感知特征映射为高维特征，基于所述高维特征与所述向量回归模型的超平面的空间距离进行线性回归，通过所述向量回归模型的决策函数预测所述目标电网对应的负荷需求
。
[0010]在一种可选的实施方式中，所述方法还包括对所述特征提取模型进行训练：基于预先获取的特征训练数据集输入待训练的特征提取模型，确定所述特征提取模型的输出结果作为特征提取结果，以及确定待训练的特征提取模型的损失函数的损失值；确定所述损失值对所述特征提取结果的第一梯度信息，将所述第一梯度信息从待训练的特征提取模型从输出层向输入层进行传播，确定待训练的特征提取模型的中间层对应的第二梯度信息；根据所述第一梯度信息和所述第二梯度信息确定所述损失函数的权重参数的梯度和偏置参数的梯度，通过梯度下降算法结合自适应学习率迭代更新所述权重参数和所述偏置参数，直至达到预设迭代次数
。
[0011]在一种可选的实施方式中，所述方法还包括对所述向量回归模型进行训练：基于预先获取的回归训练数据集输入待训练的向量回归模型，其中，所述回归训练数据集包括无标签数据和带标签数据；通过所述向量回归模型的核函数将所述回归训练数据集映射为高维度核特征，结合惩罚参数
、
松弛变量以及引入的回归权重参数，构建所述向量回归模型的优化函数，通过序列最小最优化算法求解所述优化函数，确定所述向量回归模型的最优参数
。
[0012]在一种可选的实施方式中，根据所述电能产量与所述负荷需求的比较结果，自适应动态调整所述目标电网中储能系统充电状态包括
:
若所述电能产量小于所述负荷需求，获取所述储能系统的荷电状态，所述储能系统所在环境的环境温度，以及所述目标电网的电网频率；基于所述荷电状态
、
所述环境温度以及所述电网频率，确定所述储能系统自适应充电倍率；
根据所述自适应充电倍率，结合所述储能系统的实际荷电状态与目标荷电状态
、
所述储能系统的实际健康度与目标健康度以及所述储能系统的当前温度与目标温度，通过比例微分控制算法动态调整所述储能系统的充电电流
。
[0013]在一种可选的实施方式中，根据所述自适应充电倍率，结合所述储能系统的实际荷电状态与目标荷电状态
、
所述储能系统的实际健康度与目标健康度以及所述储能系统的当前温度与目标温度，通过比例微分控制算法动态调整所述储能系统的充电电流包括：；
[0014]其中，
I
charge
表示所述充电电流，
K
p
、K
d
分别表示比例系数和微分系数，
△
SOC、
△
T、
△
SOH
分别表示实际荷电状态与目标荷电状态的荷电状态差
、
当前温度与目标温度的温度差值以及实际健康度与目标健康度的健康差值，
K
...

【技术保护点】

【技术特征摘要】
1.
一种电网数字化驱动控制方法，其特征在于，包括：获取目标电网的历史负荷信息
、
历史天气信息以及所述目标电网的光伏发电量作为原始负荷特征，通过预设的负荷预测模型的特征提取模型确定所述原始负荷特征对应的多层感知特征；基于所述多层感知特征通过所述负荷预测模型的向量回归模型预测所述目标电网对应的负荷需求，其中，所述负荷预测模型基于深度学习模型和支持向量回归模型构建；实时获取所述目标电网中可再生能源的电能产量，根据所述电能产量与所述负荷需求的比较结果，自适应动态调整所述目标电网中储能系统的充电状态和放电状态；所述特征提取模型包括多层感知器；通过预设的负荷预测模型的特征提取模型确定所述原始负荷特征对应的多层感知特征，并基于所述多层感知特征通过所述负荷预测模型的向量回归模型预测所述目标电网对应的负荷需求，具体包括：所述特征提取模型对所述原始负荷特征进行卷积操作得到卷积特征图，通过所述特征提取模型的特征变换函数确定所述卷积特征图的卷积特征，基于所述特征提取模型的残差连接块将所述原始负荷特征与所述卷积特征进行跳跃连接确定多层感知特征；通过所述向量回归模型的核函数将所述多层感知特征映射为高维特征，基于所述高维特征与所述向量回归模型的超平面的空间距离进行线性回归，通过所述向量回归模型的决策函数预测所述目标电网对应的负荷需求；所述方法还包括对所述特征提取模型进行训练：基于预先获取的特征训练数据集输入待训练的特征提取模型，确定所述特征提取模型的输出结果作为特征提取结果，以及确定待训练的特征提取模型的损失函数的损失值；确定所述损失值对所述特征提取结果的第一梯度信息，将所述第一梯度信息从待训练的特征提取模型从输出层向输入层进行传播，确定待训练的特征提取模型的中间层对应的第二梯度信息；根据所述第一梯度信息和所述第二梯度信息确定所述损失函数的权重参数的梯度和偏置参数的梯度，通过梯度下降算法结合自适应学习率迭代更新所述权重参数和所述偏置参数，直至达到预设迭代次数
。2.
根据权利要求1所述的方法，其特征在于，所述方法还包括对所述向量回归模型进行训练：基于预先获取的回归训练数据集输入待训练的向量回归模型，其中，所述回归训练数据集包括无标签数据和带标签数据；通过所述向量回归模型的核函数将所述回归训练数据集映射为高维度核特征，结合惩罚参数
、
松弛变量以及引入的回归权重参数，构建所述向量回归模型的优化函数，通过序列最小最优化算法求解所述优化函数，确定所述向量回归模型的最优参数
。3.
根据权利要求1所述的方法，其特征在于，根据所述电能产量与所述负荷需求的比较结果，自适应动态调整所述目标电网中储能系统充电状态包括：若所述电能产量小于所述负荷需求，获取所述储能系统的荷电状态，所述储能系统所在环境的环境温度，以及所述目标电网的电网频率；基于所述荷电状态
、
所述环境温度以及所述电网频率，确定所述储能系统自适应充电倍率；
根据所述自适应充电倍率，结合所述储能系统的实际荷电状态与目标荷电状态
、
所述储能系统的实际健康度与目标健康度以及所述储能系统的当前温度与目标温度，通过比例微分控制算法动态调整所述储能系统的充电电流
。4.
根据权利要求3所述的方法，其特征在于，根据所述自适应充电倍率，结合所述储能系统的实际荷电状态与目标荷电状态
、
所述储能系统的实际健康度与目标健康度以及所述储能系统的当前温度与目标温度，通过比例微分控制算法动态调整所述储能系统的充电电流包括：；其中，
I
charge
表示所述充电电流，
K
p
、K
d
分别表示比例系数和微分系数...

【专利技术属性】
技术研发人员：娄一艇，孙圳，叶木生，蔡振华，马丽军，翁格平，王州波，李琪，翁秉宇，杨建立，江涵，崔林宁，任娇蓉，黄俊惠，韩寅峰，刁永锴，郑瑞云，孙晨航，张之桢，彭亮，竺海波，王凯，陈晗文，秦昊，谢涌，
申请(专利权)人：宁波送变电建设有限公司甬城配电网建设分公司，
类型：发明
国别省市：