[发明专利]基于强化学习的受限区域新能源并网出力分配优化方法

说明书

本发明公开了一种基于强化学习的受限区域新能源并网出力分配优化方法，包括采用蒙特卡洛算法针对调度区域内的限制条件和设备运行参数进行模拟，结合电气计算模型输出电网运行结果，结合电网调度运行规程、三公调度准则及新能源消纳评价方法对结果进行评分；同时以模拟结果、评分和电网参数输入图神经网络模型进行学习和训练，形成基于图神经网络的多约束条件下的电网调度新能源出力快速计算智能模型，反向推导出满足约束条件的新能源最大化下的新能源出力计算结果，从而实现为电网调度进行动态、满足要求的新能源出力数据，实现新能源消纳的最大化；解决了新能源调控出力分配方式存在新能源无法得到最大化消纳，可能违反三公调度的风险等问题。

技术领域

本发明属于新能源并网技术领域，尤其涉及一种基于强化学习的受限区域新能源并网出力分配优化方法。

背景技术

随着大规模新能源并入电网，源荷之间不平衡、不确定性进一步加剧，电网通道建设难以满足完全消纳新能源，并使系统运行安全约束断面难以控制。

受电网部分区域电网电源集中，分属不同调度机构的水火风光多类能源、众多市场主体聚集，电网送出通道能力有限。在上述背景下，传统基于经验和简单统计的新能源调控出力分配方式存在新能源无法得到最大化消纳，且不同市场主体矛盾突出且聚焦调度控制，可能违反“三公调度”的风险。

发明内容

本发明要解决的技术问题是：提供一种基于强化学习的受限区域新能源并网出力分配优化方法，以解决传统基于经验和简单统计的新能源调控出力分配方式存在新能源无法得到最大化消纳，且不同市场主体矛盾突出且聚焦调度控制，可能违反“三公调度”的风险等技术问题。

本发明技术方案是：

一种基于强化学习的受限区域新能源并网出力分配优化方法，所述方法包括：采用蒙特卡洛算法针对调度区域内的限制条件和设备运行参数进行模拟，并结合电气计算模型输出电网运行结果，结合电网调度运行规程、“三公调度”准则及新能源消纳评价方法对结果进行评分；同时以模拟结果、评分和电网参数输入图神经网络模型进行学习和训练，形成基于图神经网络的多约束条件下的电网调度新能源出力快速计算智能模型，反向推导出满足约束条件的新能源最大化下的新能源出力计算结果，从而实现为电网调度进行动态、满足要求的新能源出力数据，实现新能源消纳的最大化。

设备运行参数包括电网拓扑、符合断面和新能源出力。

对结果进行评分包括电网安全性评价、三公调度风险评分及新能源消纳评分。

采用蒙特卡洛算法针对调度区域内的限制条件和设备运行参数进行模拟的方法包括：对采集到目标区域内的数据进行分类，包括准静态数据、动态数据及规则数据，准静态数据包括目标区域电网拓扑、新能源厂站数据，动态数据包括至少2年调度运行历史数据、负荷历史数据及新能源机组发电及出力及对应天气数据，通过统计形成模拟基础库，包括电网及新能源设备状态集、历史负荷上下限及新能源机组出力上下限；进而模型电网状态及数据，利用蒙特卡洛算法，基于基础库开展目标区域的设备随机状态选取及随机值设定；然后利用拓扑分析及潮流计算算法开展电气计算，输入通用电力计算算法开展拓扑分析及潮流计算，形成可收敛的电网调度运行数据及新能源发电数据，抛弃未收敛的模拟数据，形成可用数据结果集。

通过对规则数据，包括调度规程、“三公调度规则”及新能源消纳评价方法进行处理形成评价规则库。

评价规则包括：

以保障电网安全运行为主要目标的潮流控制评价方法。该方法以通过模拟给定的电网潮流、断面控制要求及各场站的装机容量计算分配出力控制目标ΔP_i，通过该ΔP_i作为评价一次模拟结果的安全性评分。

式中，ΔR为调度下发断面控制削减总量，S_i为场站i的装机容量，N为场站个数。

评价规则包括：