【技术实现步骤摘要】
本专利技术涉及电力调度，特别涉及一种计及供电可靠性的5g基站储能与配电网协同优化调度方法。
技术介绍
1、随着新型电力系统构建的逐步深入，可再生能源发电装机容量不断提升，电网亟需可灵活调用的储能设备参与系统调度，以促进新能源消纳并缓解高峰负荷用电的压力。而储能设备的配置受限于建设成本，导致当前配置容量不足。因此，充分挖掘电网中闲置的灵活性储能资源成为解决该问题的关键。
2、近几年来，5g通信技术发展迅速，5g基站作为第五代移动通信网络的核心设备，其数量逐年快速增长，截至2022年底，我国5g基站建设总数量已达231.2万站。移动通信运营商为了保证电力通讯设备的供电不间断，装配了电池储能作为通信基站的备用电源，但当前电网可靠性普遍较高，导致基站储能电池利用率较低，造成大量灵活性储能资源的浪费。因此，亟需在研究5g基站负荷特性的基础上，系统评估基站储能的可调度容量，将闲置的基站储能资源参与到电网协同运行中，提高基站储能的利用率，从而实现通信运营商与电网的互利共赢。
技术实现思路
1、基于现有技术亟待解决的问题，本专利技术提供一种计及供电可靠性的5g基站储能与配电网协同优化调度方法，通过将海量5g基站中的闲置储能视作灵活性资源参与电力系统调度，以减轻新能源发电的随机性和波动性对电力系统的不利影响。
2、本专利技术提供的计及供电可靠性的5g基站储能与配电网协同优化调度方法，其包括以下步骤：
3、s1：每经过一个决策周期，获取当前时刻t对应的状态信息s＝[
4、s2：将获取的状态信息s＝[mm,soc(t),lm,soc(t),uj(t),w(t),t]输入至训练完成的调度控制模型，并输出相应的调度控制策略；其中，所述调度控制模型被配置为以系统运行成本最小为目标的马尔科夫决策过程，并将vae模型嵌入至td3算法中，以vae状态编码作为智能体进行训练；
5、s3：根据所述调度控制策略，配电网执行相应的策略动作，以控制各个5g基站储能设备的充放电状态。
6、根据一种具体的实施方式，本专利技术提供的计及供电可靠性的5g基站储能与配电网协同优化调度方法中，基站在t时刻储能soc容量下限为：其中，各基站的负载水平由各负荷节点区域基站的负载率特性为决定，各负荷节点的基站储能最小备电时间ts由基站的最小可用性指标决定，为基站所在负载点故障率，基站预留备用时间ts的概率ps与停电时间概率分布qs(t)相关，即停电时间概率分布qs(t)由配电网的停电时间历史数据拟合生成。
7、根据一种具体的实施方式，本专利技术提供的计及供电可靠性的5g基站储能与配电网协同优化调度方法中，采用vae模型对基站荷电状态进行vae编码，所述vae模型包括推断网络和生成网络；其中，所述推断网络是带参数的概率分布模型，其对输入数据进行变分推断编码为隐变量z，p(z)取为标准正态分布，所述生成网络利用隐变量z还原输入数据生成带参数θ的pθ(x|z)近似概率分布。
8、根据一种具体的实施方式，本专利技术提供的计及供电可靠性的5g基站储能与配电网协同优化调度方法中，以系统运行成本最小为目标，其目标函数被配置为：
9、f＝min(cgen+cbes+clease)
10、
11、
12、
13、其中，cgen为发电机发电成本，ai、bi、ci为发电机组i的发电成本系数，pgit为发电机发电出力；cbes为基站储能电池充放电衰减成本，ca为储能电池的成本折扣系数，n为基站储能总数，分别为基站i的实时充、放电功率，δt为单位时间间隔；clease为基站储能租赁成本，cb为租赁成本系数；分别为实时调度上、下限；ξ(t)以(0,1)表示，0代表t时刻储能参与调度，1代表t时刻储能未与调度。
14、根据一种具体的实施方式，基于td3算法训练智能体时，td3算法以critic网络和actor网络为框架；而且，利用神经网络将critic网络参数化，通过最小化bellman残差来近似价值函数，采用蒙特罗特采样近似来建立损失函数l(θ)，再通过最小化损失函数来更新当前critic网络的参数其中，损失函数l(θ)具体为：n为训练样本数量；yi为目标q值；qon为当前q值；为当前q网络参数；以及，利用神经网络将actor网络参数化，并利用梯度下降更新actor网络的参数，即
15、进一步地，本专利技术提供的计及供电可靠性的5g基站储能与配电网协同优化调度方法中，所述critic网络采用两套相同网络架构的目标q网络，选取两者之间的最小值作为目标价值，即其中，为两个不同目标q网络的网络参数，a′为带随机噪声的动作；而且，a′＝μ′(st+1)+ε，μ′为目标网络策略，ε为呈正态分布的随机噪声，并通过对采样噪声进行截断而得到。
16、根据一种具体的实施方式，本专利技术提供的计及供电可靠性的5g基站储能与配电网协同优化调度方法中，基于td3算法训练智能体的过程中，还采用软更新的形式更新策略网络以及目标价值网络参数，即：
17、
18、θμ′＝τθμ+(1-τ)θμ′。
19、进一步地，基于td3算法训练智能体的过程中，智能体在与环境交互获得的奖励为发电机成本、电池充放电损耗成本以及储能租赁成本之和：
20、
21、其中，n代表基站储能的数量，t为调度周期。
22、再进一步地，基于td3算法训练智能体的过程中，将用于修正智能体的不当动作的惩罚函数配置为：
23、pb＝||aas-are||2
24、其中，aas为基站动作的辅助向量；are为智能体的当前策略下的动作向量。
25、根据一种具体的实施方式，基于td3算法训练智能体时，还结合行为克隆算法进行预训练：
26、
27、其中，β表示智能体在训练过程中探索环境时所采取的动作策略，ρβ(s)表示当前状态在策略μ下的分布；qμ(s,μ(s))表示在状态s下按照策略μ动作的价值，jβ(μ)表示能够获取的期望回报，μi表示期望；σi表示方差。
28、如此，本专利技术提供的计及供电可靠性的5g基站储能与配电网协同优化调度方法，通过建立基站储能可调度容量评估模型，系统地评估基站储能的实时可调度容量，并通过预训练vae模型，实现对多基站储能系统实时荷电状态的数据降维以及特征提取，从而适应不同区域特本文档来自技高网...
【技术保护点】
1.计及供电可靠性的5G基站储能与配电网协同优化调度方法，其特征在于，包括以下步骤：
2.如权利要求1所述的计及供电可靠性的5G基站储能与配电网协同优化调度方法，其特征在于，基站在t时刻储能SOC容量下限为：其中，各基站的负载水平由各负荷节点区域基站的负载率特性为决定，各负荷节点的基站储能最小备电时间ts由基站的最小可用性指标决定，为基站所在负载点故障率，基站预留备用时间ts的概率Ps与停电时间概率分布Qs(t)相关，即停电时间概率分布Qs(t)由配电网的停电时间历史数据拟合生成。
3.如权利要求2所述的计及供电可靠性的5G基站储能与配电网协同优化调度方法，其特征在于，采用VAE模型对基站荷电状态进行VAE编码，所述VAE模型包括推断网络和生成网络；其中，所述推断网络是带参数的概率分布模型，其对输入数据进行变分推断编码为隐变量z，p(z)取为标准正态分布，所述生成网络利用隐变量z还原输入数据生成带参数θ的pθ(xz)近似概率分布。
4.如权利要求3所述的计及供电可靠性的5G基站储能与配电网协同优化调度方法，其特征在于，以系统运行成本最小为目标，
5.如权利要求4所述的计及供电可靠性的5G基站储能与配电网协同优化调度方法，其特征在于，基于TD3算法训练智能体时，TD3算法以Critic网络和Actor网络为框架；而且，利用神经网络将Critic网络参数化，通过最小化Bellman残差来近似价值函数，采用蒙特罗特采样近似来建立损失函数L(θ)，再通过最小化损失函数来更新当前Critic网络的参数其中，损失函数L(θ)具体为：N为训练样本数量；yi为目标Q值；QOn为当前Q值；为当前Q网络参数；以及，利用神经网络将Actor网络参数化，并利用梯度下降更新Actor网络的参数，即
6.如权利要求5所述的计及供电可靠性的5G基站储能与配电网协同优化调度方法，其特征在于，所述Critic网络采用两套相同网络架构的目标Q网络，选取两者之间的最小值作为目标价值，即其中，为两个不同目标Q网络的网络参数，a′为带随机噪声的动作；而且，a′＝μ′(st+1)+ε，μ′为目标网络策略，ε为呈正态分布的随机噪声，并通过对采样噪声进行截断而得到。
7.如权利要求6所述的计及供电可靠性的5G基站储能与配电网协同优化调度方法，其特征在于，基于TD3算法训练智能体的过程中，还采用软更新的形式更新策略网络以及目标价值网络参数，即：
8.如权利要求7所述的计及供电可靠性的5G基站储能与配电网协同优化调度方法，其特征在于，基于TD3算法训练智能体的过程中，智能体在与环境交互获得的奖励为发电机成本、电池充放电损耗成本以及储能租赁成本之和：
9.权利要求8所述的计及供电可靠性的5G基站储能与配电网协同优化调度方法，其特征在于，基于TD3算法训练智能体的过程中，将用于修正智能体的不当动作的惩罚函数配置为：
10.如权利要求9所述的计及供电可靠性的5G基站储能与配电网协同优化调度方法，其特征在于，基于TD3算法训练智能体时，还结合行为克隆算法进行预训练：
...【技术特征摘要】
1.计及供电可靠性的5g基站储能与配电网协同优化调度方法，其特征在于，包括以下步骤：
2.如权利要求1所述的计及供电可靠性的5g基站储能与配电网协同优化调度方法，其特征在于，基站在t时刻储能soc容量下限为：其中，各基站的负载水平由各负荷节点区域基站的负载率特性为决定，各负荷节点的基站储能最小备电时间ts由基站的最小可用性指标决定，为基站所在负载点故障率，基站预留备用时间ts的概率ps与停电时间概率分布qs(t)相关，即停电时间概率分布qs(t)由配电网的停电时间历史数据拟合生成。
3.如权利要求2所述的计及供电可靠性的5g基站储能与配电网协同优化调度方法，其特征在于，采用vae模型对基站荷电状态进行vae编码，所述vae模型包括推断网络和生成网络；其中，所述推断网络是带参数的概率分布模型，其对输入数据进行变分推断编码为隐变量z，p(z)取为标准正态分布，所述生成网络利用隐变量z还原输入数据生成带参数θ的pθ(xz)近似概率分布。
4.如权利要求3所述的计及供电可靠性的5g基站储能与配电网协同优化调度方法，其特征在于，以系统运行成本最小为目标，其目标函数被配置为：
5.如权利要求4所述的计及供电可靠性的5g基站储能与配电网协同优化调度方法，其特征在于，基于td3算法训练智能体时，td3算法以critic网络和actor网络为框架；而且，利用神经网络将critic网络参数化，通过最小化bellman残差来近似价值函数，采用蒙特罗特采样近似来建立损失函数l(θ)，再通过最小化...
【专利技术属性】
技术研发人员：陈实，刘艺洪，郭正伟，杨林森，朱亚斌，
申请(专利权)人：四川大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。