【技术实现步骤摘要】
本专利技术涉及电力系统一次调频优化控制，尤其是一种基于改进的柔性动作评价算法的风储一次调频优化方法。
技术介绍
1、近年来，随着风力发电的快速发展，风力发电在电力系统中的比例逐渐增加。然而，由于风能的随机性和波动性，风力发电机的输出功率也呈现出不稳定的特性，这给电力系统的稳定运行带来了挑战。为了解决这个问题，需要采用一次调频技术对风力发电机组的功率输出进行调控，以平衡电力系统的供需关系。
2、柔性动作评价算法是一种基于强化学习的智能控制算法，具有自适应能力强、调控精度高等优点。然而，传统的柔性动作评价算法在应用于风储一次调频技术时，也存在着调控效果不稳定、易陷入局部最优等问题。因此，需要对传统的柔性动作评价算法进行改进，以提高其在风储一次调频技术中的应用效果。
3、现有的风储一次调频技术通常依赖于预设的模型和阈值来进行决策。然而，这些方法在实际应用中存在着灵活性低，调控精度低、响应速度慢等问题。方法不具有鲁棒性，难以满足电力系统的实时调控需求。
4、目前国内外关于风储一次调频技术和柔性动作评价算法的研究仍存在诸多挑战和问题。
技术实现思路
1、为解决现有技术存在的调控精度低、响应速度慢等问题，本专利技术的目的在于提供一种能够提高调控精度、响应速度和算法适应性，避免陷入局部最优解的基于改进的柔性动作评价算法的风储一次调频优化方法。
2、为实现上述目的，本专利技术采用了以下技术方案：一种基于改进的柔性动作评价算法的风储一次调频优化方法，该
3、(1)建立风储一次调频优化问题模型：包括建立调频市场一次调频动作补偿的联合调频服务收益模型、一次调频的成本模型、储能一次调频成本和调频效果模型；
4、(2)建立相干长短期记忆网络，基于采集的环境数据对t时刻风电场的最大上调频可用调频容量t时刻风电场的最大下调频可用调频容量进行预测，得到风电一次调频出力方案；
5、(3)基于储能的电池荷电状态计算储能最大充放电功率得到储能一次调频出力方案；
6、(4)将风储一次调频优化问题模型、风电一次调频出力方案和储能一次调频出力方案转化为马尔科夫决策过程；
7、(5)使用改进的柔性动作评价算法对马尔科夫决策过程求解，得到求解结果并对求解结果进行分析对比。
8、所述步骤(1)具体包括以下步骤：
9、(1a)建立调频市场一次调频动作补偿的联合调频服务收益模型：
10、
11、
12、
13、其中，表示t时刻风储系统参与一次调频的补偿费用；表示一次调频单位电量补偿价格；表示t时刻风储系统实际动作积分电量；表示t时刻风储系统理论动作积分电量；表示t时刻风电参与一次调频的有功功率增量，表示t时刻储能电站参与一次调频的有功功率增量，δ表示风储系统调差系数；表示风电场额定输出功率，表示储能电站额定输出功率；δft为t时刻的频率偏差；
14、(1b)建立一次调频的成本模型：
15、
16、式中，表示t时刻风电场一次调频成本，γwind表示风电场单位功率弃风成本系数；
17、(1c)建立储能一次调频成本模型：
18、
19、其中，表示t时刻储能一次调频成本；α为因功率偏移所带来调频成本的权重；β为因荷电状态偏移所带来的调频成本的权重；soct表示t时刻荷电状态,soc0表示初始状态soc；
20、(1d)建立调频效果模型：
21、
22、式中，a为可实现的最大频率稳定奖励，b∈(0,1)是控制奖励衰减率的参数，表示频率稳定奖励。
23、所述步骤(2)具体包括以下步骤：
24、(2a)对风电场的历史风电功率以及当地的nwp预报数据进行相干性分析，通过计算不同类型的数据与风电功率的皮尔森相关系数来表示相关性：
25、
26、式中，x表示风电功率数据，y表示nwp预报数据中的环境数据；pxy表示x和y的相关性系数，d(x)表示x的方差，d(y)表示y的方差；cov(x,y)表示x和y的协方差；
27、(2b)选择风力机低压有源功率、风力机额定功率、风速和风向角四项数据作为预测数据；
28、(2c)对预测数据中的异常和缺失数据进行处理，若非多个连续数据缺失，则采用平均值法进行补齐，若多个连续数据缺失，则直接删除缺失数据的前一个数据和缺失数据的后一个数据；所述平均值法的计算公式如下：
29、
30、式中，xi表示i时刻的风电功率预测值，xi+1表示i+1时刻的风电功率预测值，xi-1表示i-1时刻的风电功率预测值；
31、(2d)构建相干长短期记忆神经网络：
32、输入层：将一维的预测数据、上一时刻状态量和上一时刻输出量共同输入至输入层；
33、隐藏层：隐藏层节点数为20；
34、输出层：通过训练后得最后时刻的输出结果，该结果为下一时刻风电功率的预测值，并将状态值和预测值传递到下一时刻的相干长短期记忆神经网络中，对下一时刻风电功率进行预测；
35、激活函数采用relu函数，其形式为：
36、
37、其中，z表示自变量；
38、(2e)最后，将预测数据输入相干长短期记忆神经网络进行训练，得到风电场实时预测功率在减载控制方式下，根据风电场实时预测功率得到t时刻风电场的最大上调频可用调频容量t时刻风电场的最大下调频可用调频容量
39、
40、
41、其中，kwind代表减载系数，取值为0.2，采用减载控制的t时刻风电参与一次调频的有功功率增量有不等式约束为：
42、
43、式中，为风电下调频最大爬坡功率，为风电上调频最大爬坡功率；
44、式(11)即为风电一次调频出力方案。
45、所述步骤(3)具体是指：储能参与一次调频时采用虚拟惯性和虚拟下垂相结合的综合控制方法，储能最大充放电功率为：
46、
47、其中，δf为频率偏差，mess代表储能虚拟惯性系数，kess代表储能下垂系数，储能虚拟惯性系数mess和储能下垂系数kess受到soc的约束，soc的计算公式为：
48、
49、其中，soct为t时刻的soc值，qess为储能电池额定容量；表示t时刻储能电站参与一次调频的有功功率增量；
50、按soc值的大小将soc值划分为五个工作区间[0,socmin]、[socmin,soclow]、[soclow,sochigh]、[sochigh,socmax]和[socmax,1]，其中，socmin为最低荷电状态，soclow为低荷电状态，sochigh为高荷电状态，socmax为最高荷电状态；soc处于不同区间内，需根据充放电模式进行系数调整，形成储能本文档来自技高网...
【技术保护点】
1.一种基于改进的柔性动作评价算法的风储一次调频优化方法，其特征在于：该方法包括下列顺序的步骤：
2.根据权利要求1所述的基于改进的柔性动作评价算法的风储一次调频优化方法，其特征在于：所述步骤(1)具体包括以下步骤：
3.根据权利要求1所述的基于改进的柔性动作评价算法的风储一次调频优化方法，其特征在于：所述步骤(2)具体包括以下步骤：
4.根据权利要求1所述的基于改进的柔性动作评价算法的风储一次调频优化方法，其特征在于：所述步骤(3)具体是指：储能参与一次调频时采用虚拟惯性和虚拟下垂相结合的综合控制方法，储能最大充放电功率为：
5.根据权利要求1所述的基于改进的柔性动作评价算法的风储一次调频优化方法，其特征在于：所述步骤(4)具体包括以下步骤：
6.根据权利要求1所述的基于改进的柔性动作评价算法的风储一次调频优化方法，其特征在于：所述步骤(5)具体包括以下步骤：
7.根据权利要求6所述的基于改进的柔性动作评价算法的风储一次调频优化方法，其特征在于：所述步骤(5b)具体包括以下步骤：
【技术特征摘要】
1.一种基于改进的柔性动作评价算法的风储一次调频优化方法，其特征在于：该方法包括下列顺序的步骤：
2.根据权利要求1所述的基于改进的柔性动作评价算法的风储一次调频优化方法，其特征在于：所述步骤(1)具体包括以下步骤：
3.根据权利要求1所述的基于改进的柔性动作评价算法的风储一次调频优化方法，其特征在于：所述步骤(2)具体包括以下步骤：
4.根据权利要求1所述的基于改进的柔性动作评价算法的风储一次调频优化方法，其特征在于：所述步骤(3)具体是指：...
【专利技术属性】
技术研发人员：梁肖，任曼曼，施壮，程文娟，孙瑞阳，丁磊，王正风，高卫恒，栾喜臣，李梓楠，陈天宇，邓竞蓝，解振洋，杨子，孙仪，李进昌，赵福林，
申请(专利权)人：国网安徽省电力有限公司，
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。