CN116995682B - 一种可调节负荷参与有功潮流连续调整方法与*** - Google Patents
一种可调节负荷参与有功潮流连续调整方法与*** Download PDFInfo
- Publication number
- CN116995682B CN116995682B CN202311223787.3A CN202311223787A CN116995682B CN 116995682 B CN116995682 B CN 116995682B CN 202311223787 A CN202311223787 A CN 202311223787A CN 116995682 B CN116995682 B CN 116995682B
- Authority
- CN
- China
- Prior art keywords
- power
- power grid
- load
- time sequence
- adjustable
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 89
- 238000004088 simulation Methods 0.000 claims abstract description 154
- 238000004364 calculation method Methods 0.000 claims abstract description 79
- 230000002787 reinforcement Effects 0.000 claims abstract description 77
- 238000011217 control strategy Methods 0.000 claims abstract description 49
- 230000005283 ground state Effects 0.000 claims abstract description 49
- 230000009471 action Effects 0.000 claims description 62
- 230000004044 response Effects 0.000 claims description 40
- 238000004458 analytical method Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 23
- 230000033228 biological regulation Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 16
- 239000000178 monomer Substances 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 13
- 230000001105 regulatory effect Effects 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 8
- 239000003795 chemical substances by application Substances 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000010248 power generation Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 230000002452 interceptive effect Effects 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 4
- 230000003827 upregulation Effects 0.000 claims description 3
- 101150071716 PCSK1 gene Proteins 0.000 claims description 2
- 238000002360 preparation method Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 12
- 230000006872 improvement Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 7
- 238000005457 optimization Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 239000012084 conversion product Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003828 downregulation Effects 0.000 description 1
- 238000005485 electric heating Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
- H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
- H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/26—Arrangements for eliminating or reducing asymmetry in polyphase networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于电力调度技术领域，提供一种可调节负荷参与有功潮流连续调整方法与***，方法包括：获取实际电网可调节资源情况和电网仿真场景模型数据，得到电网模型参数及基态运行数据，并生成电网仿真场景时序运行方式；根据预先构建的强化学***衡功率，输出可调节负荷时序控制策略；执行所述可调节负荷时序控制策略调整可调节负荷有功功率，并基于所述电网模型参数及基态运行数据，进行电网潮流计算得到电网潮流数据；验证所述电网潮流数据的收敛性和合理性；输出时序潮流结果。该方法能够提高负荷预测的准确率。
Description
技术领域
本发明属于电力调技术领域，具体涉及一种可调节负荷参与有功潮流连续调整方法与***。
背景技术
电网潮流计算是电力***的一项重要分析功能，是进行故障计算、继电保护整定、安全分析的必要工具，为评估电力***运行的安全性、经济性及供电可靠性提供了重要依据。传统电力***向新型电力***转型升级的过程中，电网运行控制规模呈指数级增长，控制对象差异极大，潮流调试难度也急剧增加。当发生潮流不收敛情况，有经验的业务人员根据对电网拓扑结构的理解和调试经验，采用试凑的方法反复调试，调试流程复杂，工作效率低，费时费力。
另外，在新型电力***源网荷储协同调度新模式下，新能源作为新型电力***源的电力供应主体的一部分，其出力将直接影响整体电网的安全经济运行。新能源出力具有随机性、间歇性和波动性，并呈现出明显的时空变化特点，越来越多可调节负荷接入电网参与协同调控，电网仿真分析向长时间尺度连续运行场景发展。但是，可调节负荷数据与采集工作处于建设阶段，存在接入电网运行控制***可调节负荷资源少、可调能力数据采集不全等问题，缺少必要参数导致可调节负荷建模困难。在某些特定场景，例如新能源出力剧烈波动或极热无风场景下，初始运行方式给定的发用电功率不匹配，导致全网或区域的有功平衡条件不满足，或者电网中部分线路、变压器或断面的有功越限，有功功率不平衡或不合理导致潮流无法收敛。现有潮流调整技术往往针对单时间运行方式断面和发电机组，无法体现电网潮流时序连续变化特征，调整方式也未考虑可调节负荷，仿真真实性低。
发明内容
为了解决现有技术中存在的问题，本发明的目的是提供一种可调节负荷参与有功潮流连续调整方法与***，该方法能够提高负荷预测的准确率。
为了实现上述目的，本发明采用如下技术方案：
第一方面本发明提供一种可调节负荷参与有功潮流连续调整方法，包括：
获取实际电网可调节资源情况和电网仿真场景模型数据；根据电网仿真场景模型数据得到电网模型参数及基态运行数据，并生成电网仿真场景时序运行方式；
根据预先构建的强化学***衡功率，输出可调节负荷时序控制策略；
执行所述可调节负荷时序控制策略调整可调节负荷的有功功率，并基于所述电网模型参数及基态运行数据，进行电网潮流计算得到电网潮流数据；
验证所述电网潮流数据的收敛性和合理性；经过验证的电网潮流数据作为时序潮流结果进行输出。
作为本发明进一步改进，所述获取实际电网可调节资源情况和电网仿真场景模型数据；根据电网仿真场景模型数据得到电网模型参数及基态运行数据，并生成电网仿真场景时序运行方式，包括：
获取实际电网可调节资源情况和电网仿真场景模型数据，解析电网仿真场景模型数据的电网模型及选定时刻运行数据，进行模型数据匹配并生成初始基态断面，或选择一状态估计断面作为初始基态断面；
根据具体仿真场景需求，输入电网仿真场景分析算例数据，包括机组有功功率、机组无功功率、负荷有功功率及负荷无功功率，在初始基态断面上进行设备功率覆盖，得到电网模型参数及基态运行数据，结合对应的时序动作序列根据电网仿真场景模型数据得到电网模型参数及基态运行数据，并生成电网仿真场景时序运行方式。
作为本发明进一步改进，所述预先构建的强化学习可调节负荷自动编排模块的构建方法包括：
基于电网拓扑和潮流结果构建强化学习状态空间；
基于预先构建的可调节负荷控制模型作为变量构建强化学习动作空间，动作结果为可调节负荷有功功率；
基于潮流计算收敛性、合理性判定约束条件和专家知识经验指标构建多目标强化学习奖励函数；
通过所述电网仿真场景时序运行方式统计时序断面不平衡量，将电网仿真场景时序运行方式和不平衡量信息作为强化学习的输入信息；
使用强化学习神经网络作为智能体，将电网仿真场景时序运行方式的时序动作序列输入进行时序动作序列训练，构建强化学习可调节负荷自动编排模块。
作为本发明进一步改进，所述预先构建的可调节负荷控制模型是根据实际电网可调节资源情况及仿真需求构建得到，构建方法包括：
在电力***源网荷储协同调控模式下，根据实际电网可调节资源情况及仿真需求，可调节负荷控制模型建模包括参与互动仿真模拟的配网侧的一类或多类单体负荷，各类单体负荷汇集至主网负荷控制模型，主网负荷控制模型由单体负荷按成分比例叠加得到。
作为本发明进一步改进，所述主网负荷控制模型具体为：
其中，为主网负荷控制模型，/>为第j个负荷所占比例系数；/>为单体负荷控制模型，具体为：
式中，表示第j个负荷在t时刻负荷有功功率；/>表示第j个负荷在t-1时刻的有功功率；/>表示第j个负荷的调节状态，/>表示第j个负荷在t-1到t时段的可调负荷调节能力。
作为本发明进一步改进，当所述可调负荷调节能力为完整调节能力数据时，利用负荷功率变化量随响应时间变化/>曲线对可调节负荷控制模型建模，可调负荷调节能力/>由负荷聚合商提供的/>曲线对应的函数/>得到，具体为：
。
作为本发明进一步改进，当所述可调负荷调节能力为部分调节能力数据时，获取单体负荷可调能力量测数据，根据负荷响应功率与响应时间的线性关系，得到第a级负荷线性控制模型：
其中，表示响应时间变化，/>表示第j个负荷第a级响应调节速率，/>表示第j个负荷第a级响应可上调量，/>表示第j个负荷第a级响应可下调量，/>表示第j个负荷在第a级调节时间段内的功率调节量；/>表示第j个负荷在第a级调节时间段内的总体功率调节量；/>表示第j个负荷上调持续时间，表示第j个负荷下调持续时间。
作为本发明进一步改进，当所述可调负荷调节能力为无调节能力数据时，根据可调节负荷典型类型进行可调节负荷控制模型建模构建，方法为：
其中，表示响应时间变化，/>表示第j个负荷第a级响应调节速率，第j个负荷在第a级调节时间段内的可调负荷调节能力/>具体包括：
a）调节速率根据负荷类型采用典型值，构建可调节负荷控制典型模型如下：
其中，表示第j个负荷在第a级调节时间段内的总体功率调节量；/>为总体功率调节量最大值，/>为调节速率系数；
b）根据用户设定值构建可调节控制模型如下：
其中，表示第j个负荷第a级响应设定可上调量，/>表示第j个负荷第a级响应设定可下调量；/>表示响应时间。
作为本发明进一步改进，将所述电网仿真场景时序运行方式作为输入，对所述实际电网可调节资源情况中的可调节负荷进行自动编排以分摊不平衡功率，输出可调节负荷时序控制策略，包括：
基于所述电网仿真场景时序运行方式，统计各时刻断面的功率不平衡信息量，判断功率不平衡量是否大于设定门槛值；
若不大于，则根据所述电网仿真场景时序运行方式的时序动作序列对所述实际电网可调节资源情况中的可调节负荷进行自动编排以分摊不平衡功率，生成可调节负荷时序控制策略；
若大于，根据各时刻断面中当前电网状态和奖励函数，将所述电网仿真场景时序运行方式的时序动作序列输入强化学***衡功率自动迭代调整，得到调整后的时序动作序列，进行时序动作校验，校验通过后根据调整后的时序动作序列生成可调节负荷时序控制策略。
作为本发明进一步改进，所述时序动作校验的具体步骤包括：
基于可调节负荷控制模型，对输出的可调节负荷时序控制策略进行校验，验证可调节负荷时序功率曲线是否符合控制模型约束条件，如果不满足负荷控制模型约束条件，则需从不满足时刻倒退1个时刻对不符合要求的可调节负荷重新输出策略，如果仍不满足要求，则倒退2个时刻，如此反复迭代，直至倒退n个时刻，输出满足要求的/>时刻到时刻的时序动作序列，作为可调节负荷时序控制策略；其中，/>为整数，n为整数。
作为本发明进一步改进，执行所述可调节负荷时序控制策略调整可调节负荷的有功功率，并基于所述电网模型参数及基态运行数据，进行电网潮流计算得到电网潮流数据，包括：
执行所述可调节负荷时序控制策略调整可调节负荷的有功功率，基于所述电网模型参数及基态运行数据，结合初始时刻加载的通过修正的发电、负荷有功功率，进行电网潮流计算；按照仿真时钟推进速度依次加载各时刻功率数据并进行潮流计算，输出潮流计算结果。
作为本发明进一步改进，验证所述电网潮流数据的收敛性和合理性，包括：
经过时序潮流计算后，验证电网潮流数据的收敛性和合理性；
如果电网潮流数据收敛并且合理，则直接输出时序电网潮流数据结果；
如果潮流计算不收敛或不合理，则根据潮流计算结果和奖励函数，更新强化学习可调节负荷自动编排模块中的强化学习神经网络参数，优化调整强化学习神经网络的权重和偏置，得到优化后的强化学习可调节负荷自动编排模块。
作为本发明进一步改进，所述时序潮流结果包括机组有功功率、机组无功功率、负荷有功功率、负荷无功功率、变压器有功功率、线路有功功率和各节点电压；
所述时序潮流结果输出至平衡机用于平衡机修正。
第二方面本发明提供一种可调节负荷参与有功潮流连续调整***，包括：
获取模块，用于获取实际电网可调节资源情况和电网仿真场景模型数据；根据电网仿真场景模型数据得到电网模型参数及基态运行数据，并生成电网仿真场景时序运行方式；
分摊模块，用于根据预先构建的强化学***衡功率，输出可调节负荷时序控制策略；
潮流计算模块，用执行所述可调节负荷时序控制策略调整可调节负荷的有功功率，并基于所述电网模型参数及基态运行数据，进行电网潮流计算得到电网潮流数据；
输出模块，用于验证所述电网潮流数据的收敛性和合理性；经过验证的电网潮流数据作为时序潮流结果进行输出。
第三方面本发明提供一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述可调节负荷参与有功潮流连续调整方法。
第四方面本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述可调节负荷参与有功潮流连续调整方法。
与现有技术相比，本发明具有以下有益效果：
本发明针对新型电力***电网仿真分析中有功不平衡导致的潮流计算收敛性问题，提出一种可调节负荷参与有功潮流连续调整方法。获取实际电网可调节资源情况和电网仿真场景模型数据，通过人工智能强化学***衡功率，再进行时序潮流计算，迭代修正连续断面潮流不收敛和不合理的地方，实现潮流自动调整，调整后生成时序潮流结果数据，为后续电网仿真分析提供数据基础。本发明可自动生成更贴近电网实际的时序潮流调整策略，减轻业务人员潮流调试工作量，使潮流快速收敛并满足合理性要求，为新型电力***仿真分析提供时序连续数据基础。
附图说明
图1为本发明的一种可调节负荷参与有功潮流连续调整方法流程图；
图2为本发明实施例提供的一种可调节负荷参与有功潮流连续调整方法流程图；
图3为本发明人工智能强化学习算法对可调节负荷编排方法流程图；
图4为本发明一种可调节负荷参与有功潮流连续调整的***功能模块图；
图5为本发明提供的一种可调节负荷参与有功潮流连续调整***示意图；
图6为本发明提供的一种电子设备示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
术语解释
电网潮流计算：电网潮流计算是根据给定的电网结构、参数和发电机、负荷等元件的运行条件，确定电力***各部分稳态运行状态参数的计算。通常给定的运行条件有***中各电源和负荷点的功率、枢纽点电压、平衡点的电压和相位角。潮流计算是电力***分析中的一种最基本的计算，它可以确定整个***的运行状态，如各母线上的电压（幅值及相角）、网络中的功率分布以及功率损耗等。
新型电力***电网运行控制规模呈指数级增长，控制对象差异极大，潮流调试难度增加。当发生潮流不收敛情况，有经验的业务人员根据对电网拓扑结构的理解和调试经验，采用试凑的方法反复调试，调试流程复杂，工作效率低，费时费力。另外，电网仿真分析向长时间尺度连续运行场景发展，存在接入电网运行控制***的可调节负荷资源少、可调能力数据采集不全等问题，缺少必要参数导致可调节负荷建模困难。此外，现有潮流调试技术往往针对单时间运行方式断面和发电机组，无法体现电网潮流时序连续变化特征，调整方式也未考虑可调节负荷，难以解决在面对新能源出力剧烈波动或极热无风场景下，有功不平衡或不合理导致的连续潮流收敛性问题，仿真真实性低，对支撑新型电力***相关仿真分析研究产生了局限性。
如图1所示，本发明第一个目的是提出了一种可调节负荷参与有功潮流连续调整方法，具体包括：
S1，获取实际电网可调节资源情况和电网仿真场景模型数据；根据电网仿真场景模型数据得到电网模型参数及基态运行数据，并生成电网仿真场景时序运行方式；
S2，根据预先构建的强化学***衡功率，输出可调节负荷时序控制策略；
S3，执行所述可调节负荷时序控制策略调整可调节负荷的有功功率，并所述基于所述电网模型参数及基态运行数据，进行电网潮流计算得到电网潮流数据；
S4，验证所述电网潮流数据的收敛性和合理性；经过验证的电网潮流数据作为时序潮流结果进行输出。
获取实际电网可调节资源情况和电网仿真场景模型数据，通过人工智能强化学***衡功率，再进行时序潮流计算，迭代修正连续断面潮流不收敛和不合理的地方，实现潮流自动调整。最后，生成时序潮流结果数据，为后续电网仿真分析提供数据基础。本发明可自动生成更贴近电网实际的时序潮流调整策略，减轻业务人员潮流调试工作量，使潮流快速收敛并满足合理性要求，为新型电力***仿真分析提供了时序连续数据基础。
其中，强化学习可调节负荷自动编排模块是本发明预先构建的可调节负荷控制模型，利用强化学习的强大的建模和逻辑推演能力，自动生成更贴近电网实际的时序潮流调整策略，减轻潮流调试人员工作量，为后续新型电力***仿真分析提供时序连续数据基础。
作为本申请实施例，可调节负荷控制模型是根据实际电网可调节资源情况及仿真需求，构建得到的。
作为本申请实施例，所述获取实际电网可调节资源情况和电网仿真场景模型数据；根据电网仿真场景模型数据得到电网模型参数及基态运行数据，并生成电网仿真场景时序运行方式，包括：
获取实际电网可调节资源情况和电网仿真场景模型数据，解析电网仿真场景模型数据的电网模型及选定时刻运行数据，进行模型数据匹配并生成初始基态断面，或选择一状态估计断面作为初始基态断面；
根据具体仿真场景需求，输入电网仿真场景分析算例数据，包括机组有功功率、机组无功功率、负荷有功功率及负荷无功功率，在初始基态断面上进行设备功率覆盖，得到电网模型参数及基态运行数据，结合对应的时序动作序列根据电网仿真场景模型数据得到电网模型参数及基态运行数据，并生成电网仿真场景时序运行方式。
作为本申请实施例，所述预先构建的强化学习可调节负荷自动编排模块的构建方法包括：
基于电网拓扑和潮流结果构建强化学习状态空间；
基于预先构建的可调节负荷控制模型作为变量构建强化学习动作空间，动作结果为可调节负荷有功功率；
基于潮流计算收敛性、合理性判定约束条件和专家知识经验指标构建多目标强化学习奖励函数；
通过所述电网仿真场景时序运行方式统计时序断面不平衡量，将电网仿真场景时序运行方式和不平衡量信息作为强化学习的输入信息；
使用强化学习神经网络作为智能体，将电网仿真场景时序运行方式的时序动作序列输入进行时序动作序列训练，构建强化学习可调节负荷自动编排模块。
作为本申请实施例，所述预先构建的可调节负荷控制模型是根据实际电网可调节资源情况及仿真需求构建得到，构建方法包括：
在电力***源网荷储协同调控模式下，根据实际电网可调节资源情况及仿真需求，可调节负荷控制模型建模包括参与互动仿真模拟的配网侧的一类或多类单体负荷，各类单体负荷汇集至主网负荷控制模型，主网负荷控制模型由单体负荷按成分比例叠加得到。
将所述电网仿真场景时序运行方式作为输入，对所述实际电网可调节资源情况中的可调节负荷进行自动编排以分摊不平衡功率，输出可调节负荷时序控制策略，包括：
基于所述电网仿真场景时序运行方式，统计各时刻断面的功率不平衡信息量，判断功率不平衡量是否大于设定门槛值；
若不大于，则根据所述电网仿真场景时序运行方式的时序动作序列对所述实际电网可调节资源情况中的可调节负荷进行自动编排以分摊不平衡功率，生成可调节负荷时序控制策略；
若大于，根据各时刻断面中当前电网状态和奖励函数，将所述电网仿真场景时序运行方式的时序动作序列输入强化学***衡功率自动迭代调整，得到调整后的时序动作序列，进行时序动作校验，校验通过后根据调整后的时序动作序列生成可调节负荷时序控制策略。
作为本申请实施例，所述时序动作校验的具体步骤包括：
基于可调节负荷控制模型，对输出的可调节负荷时序控制策略进行校验，验证可调节负荷时序功率曲线是否符合控制模型约束条件，如果不满足负荷控制模型约束条件，则需从不满足时刻倒退1个时刻对不符合要求的可调节负荷重新输出策略，如果仍不满足要求，则倒退2个时刻，如此反复迭代，直至倒退n个时刻，输出满足要求的/>时刻到时刻的时序动作序列，作为可调节负荷时序控制策略。
作为本申请实施例，执行所述可调节负荷时序控制策略调整可调节负荷的有功功率，并基于所述电网模型参数及基态运行数据，进行电网潮流计算得到电网潮流数据，包括：
执行所述可调节负荷时序控制策略调整可调节负荷的有功功率，基于所述电网模型参数及基态运行数据，结合初始时刻加载的通过修正的发电、负荷有功功率，进行电网潮流计算；按照仿真时钟推进速度依次加载各时刻功率数据并进行潮流计算，输出潮流计算结果。
作为本申请实施例，验证所述电网潮流数据的收敛性和合理性，包括：
经过时序潮流计算后，验证电网潮流数据的收敛性和合理性；
如果电网潮流数据收敛并且合理，则直接输出时序电网潮流数据结果；
如果潮流计算不收敛或不合理，则根据潮流计算结果和奖励函数，更新强化学习可调节负荷自动编排模块中的强化学习神经网络参数，优化调整强化学习神经网络的权重和偏置，得到优化后的强化学习可调节负荷自动编排模块。
下面结合具体实施例和附图对本发明的内容进行详细的说明。
如图2所示，本发明提供一种可调节负荷参与有功潮流连续调整方法，所述方法包括以下几个步骤：
（1）构建可调节负荷控制模型；
所述步骤（1）是构建可调节资源时序控制模型。在新型电力***源网荷储协同调控新模式下，除了原有的电源侧资源，越来越多可调节负荷资源接入电网参与调控。可调节负荷控制模型建模主要包括参与互动仿真模拟的配网侧的一类或多类单体负荷，各类单体负荷汇集至电网10kV负荷时，各汇集负荷控制模型由单体负荷按成分比例叠加得到。
其中，为主网10kV负荷控制模型，/>为第j个负荷所占比例系数，为单体负荷控制模型。
电网已实现对部分可调节负荷数据接入，但是由于其数据采集难度大，部分可调节负荷无法获取其详细调节能力数据，导致电网仿真计算节点缺少功率数据无法模拟真实电网时序潮流。构建通用负荷控制模型如下：
其中表示第j个负荷在t时刻负荷有功功率；/>表示第j个负荷在t-1时刻的负荷有功功率；/>表示该负荷在t-1到t时段的调节量，/>表示第j个负荷的调节状态，具体应用时，1为不调节，0为调节。/>是可调负荷调节能力，根据其采集数据完整性对该变量（可调负荷调节能力）提出3种建模方案，分别对应可调节负荷具有完整数据、部分数据和无数据的情况。
1）完整调节能力数据
可调节负荷并网时应由负荷聚合商进行测试并提供给电网负荷详细调节能力曲线，即负荷功率变化量随响应时间变化曲线曲线，利用该曲线可对可调节负荷控制模型直接进行建模。/>是可调负荷响应能力固有属性，直接由负荷聚合商提供调节能力曲线得到。
2）部分调节能力数据
当负荷聚合商无法提供完整负荷响应能力曲线时，只能获取单体负荷可调能力量测数据，即各单体负荷响应开始时间、各级可上（下）调量、上（下）调时间或平均爬坡率、平均下调速率等信息。电网仿真可分为实时、日前、日内等场景，不同场景仿真时间尺度不同，因此将可调节负荷根据响应时间分为7级，如表1。
表1 七级可调节负荷响应要求
负荷响应功率与响应时间呈线性关系，第a级负荷线性控制模型如下：
其中，表示第j个负荷第a级响应调节速率，/>表示该负荷第a级响应可上调量，/>表示该负荷第a级响应可下调量，/>表示该负荷在第a级调节时间段内的总体功率调节量；/>表示负荷上调持续时间，/>表示负荷下调持续时间，
3）无调节能力数据
当可调节负荷无任何调节能力采集量信息或在仿真过程中需设定为可调节负荷时，根据仿真需求，提出根据可调节负荷典型类型进行控制模型构建方法：
表2 典型可调节负荷响应特性
a）典型值模型：基于当前电网运行计算规则中有序用电基准值最大值计算方法，采用前14日单体负荷功率量测最大值作为可调负荷能力上限，调节速率根据负荷类型采用典型值，构建可调节负荷控制典型模型如下：
为调节速率系数，默认可中断大用户、部分储能和充电桩等电池类负荷为1.5%，普通充电桩、楼宇空调和电采暖等资源为1%。
b）自定义模型：根据用户设定值构建可调节控制模型如下：
其中，表示该负荷第a级响应设定可上调量，/>表示该负荷第a级响应设定可下调量，/>表示该负荷在第a级调节时间段内的总体功率调节量；/>表示响应时间，取表2中的各级响应时间最大值。
（2）获取实际电网可调节资源情况和电网仿真场景模型数据；
步骤（2）获取实际电网可调节资源情况和电网仿真场景模型数据，解析所选电网模型及某时刻运行数据，进行模型数据匹配并生成基态断面；或选择某一状态估计断面作为初始基态断面。根据具体仿真场景需求，输入电网仿真场景连续T个时刻的机组有功功率、机组无功功率、负荷有功功率、负荷无功功率作为特定模型下的电网仿真分析算例数据，在初始基态断面上进行设备功率覆盖，生成该电网场景长时间连续运行方式。
电网仿真常规场景包括局部重过载设备越限场景、局部供电能力不足场景，针对新型电力***仿真，典型场景包括新能源出力剧烈波动场景和“极热无风”等场景，新能源机组出力随时间变化具有随机性和波动性，存在有功功率不平衡问题，连续时序潮流计算收敛难度增大。
（3）通过对实际电网可调节资源情况中的可调节负荷进行自动编排实现不平衡功率的自动分摊，提升各断面潮流计算收敛性；
步骤（3）所述，根据所构建的可调节负荷控制模型，通过对实际电网可调节资源情况中的可调节负荷进行自动编排实现不平衡功率的自动分摊，为下一步时序潮流计算提供数据修正策略，提升各时刻断面潮流计算收敛性和合理性。
电网潮流计算收敛是指根据给定的初始值和网络结构，通过迭代计算得到整个***的运行状态，如各母线上的电压（幅值及相角）、网络中的功率分布以及功率损耗等。如果潮流迭代计算过程中，误差不断减小并达到预设的精度要求，就称为潮流计算收敛。如果迭代计算过程中，误差不断增大或波动，即潮流方程没有可行解，就称为潮流计算不收敛。
电网潮流合理性校验主要是指保证关键线路、主变及断面不越限，也可根据仿真需求，例如重载线路处置场景，***不判断电网合理性。
基于人工智能强化学习算法对实际电网可调节资源情况中的可调节负荷进行自动编排方法如图3所示，具体方法如下：
3.1）构建强化学习状态空间：基于电网拓扑和潮流结果构建强化学习状态空间，包括机组有功功率、机组无功功率、负荷有功功率、负荷无功功率、变压器有功功率、线路有功功率和各节点电压等数据。
3.2）构建强化学习动作空间：基于步骤（1）所构建的可调节负荷控制模型作为变量构建动作空间，动作结果为可调节负荷有功功率。
3.3）构建强化学习奖励函数：构建多目标强化学习奖励函数，包括潮流计算收敛性、合理性判定约束条件（主变、线路、断面功率限值、网损、安全裕度等）和专家知识经验（长期从事人工调整潮流工作的专家处获得的某些电网运行指标）等指标。
3.4）统计时序断面不平衡量：通过步骤（2）得到待调整电网仿真场景时序运行方式，统计各时刻断面的全网发电有功功率、全网负荷有功功率、母线有功不平衡信息、线路首末端不平衡信息等，根据不平衡量的分布，可缩小动作空间范围。将电网仿真场景时序运行方式和不平衡量信息作为强化学***衡量小于设定门槛值，进入步骤（4）潮流计算，否则进行下一步不平衡量自动迭代调整。
3.5）构建强化学习可调节负荷编排策略智能体：使用强化学习神经网络作为智能体进行目标训练，根据各时刻断面中当前电网状态和奖励函数，得到最优动作序列，即可调节负荷时序控制策略。
将所述电网仿真场景时序运行方式作为输入，对所述实际电网可调节资源情况中的可调节负荷进行自动编排以分摊不平衡功率，输出可调节负荷时序控制策略，包括：
基于所述电网仿真场景时序运行方式，统计各时刻断面的功率不平衡信息量，判断功率不平衡量是否大于设定门槛值；
若不大于，则根据所述电网仿真场景时序运行方式的时序动作序列对所述实际电网可调节资源情况中的可调节负荷进行自动编排以分摊不平衡功率，生成可调节负荷时序控制策略；
若大于，根据各时刻断面中当前电网状态和奖励函数，将所述电网仿真场景时序运行方式的时序动作序列输入强化学***衡功率自动迭代调整，得到调整后的时序动作序列，进行时序动作校验，校验通过后根据调整后的时序动作序列生成可调节负荷时序控制策略。
3.6）校验动作结果：基于步骤（1）中可调节负荷控制模型，可调节负荷功率为连续变化。
对步骤（5）中输出的可调节负荷时序控制策略进行校验，验证可调节负荷时序功率曲线是否符合控制模型约束条件，采用时间回退修正方法进行时序动作校验，时序动作校验具体方法包括：
例如某一负荷在时刻之前均收敛不需要调整，但是/>时刻潮流不收敛需调整该负荷功率值，调整量超过可调节负荷功率在相邻时刻响应能力，则需要将该负荷/>前的时刻功率同时进行调整，即相邻时刻间负荷功率不允许突变超过控制模型限制（超过限制则无法体现潮流断面的时序连贯性），负荷功率曲线需满足控制模型约束，符合时序变化规律。
如果不满足负荷控制模型约束条件，则需从不满足时刻倒退1个时刻对不符合要求的可调节负荷重新输出策略，如果仍不满足要求，则倒退2个时刻反复迭代，直至倒退n个时刻输出满足要求的/>时刻到/>时刻的可调节负荷时序动作结果。
（4）时序交流潮流计算；
步骤（4）所述进行时序交流潮流计算；执行步骤（3）输出的可调节负荷时序控制策略调整可调节负荷的有功功率并写入***内存中，基于步骤（2）获取的电网模型参数及基态运行数据，初始时刻加载的通过步骤（3）修正的发电、负荷有功功率，进行电网潮流计算。按照仿真时钟推进速度依次加载各时刻功率数据并进行潮流计算。
（5）验证电网潮流数据并迭代修正不收敛、不合理连续电网潮流数据；
作为可选步骤，在步骤（4）经过时序潮流计算后，需验证电网潮流数据收敛性和合理性。如果潮流收敛并且合理，则直接输出时序电网潮流数据结果。如果潮流计算不收敛或不合理，则直接回到步骤（3）重新进行可调节资源编排，根据潮流计算结果和奖励函数，更新强化学习神经网络参数，使用优化算法（如Adam）来调整强化学习神经网络的权重和偏置，使得智能体能够更好地学习最优策略。
（6）生成时序潮流结果数据。
通过上述步骤得到收敛、合理的T个时刻时序潮流结果，即机组有功功率、机组无功功率、负荷有功功率、负荷无功功率、变压器有功功率、线路有功功率和各节点电压等数据。最后，进行平衡机修正。在潮流计算过程中，全网网损的偏差量可能会累积到平衡机上，因此需要根据平衡机的偏差量，基于电网拓扑利用灵敏度算法进一步调整各发电机有功出力，避免平衡机有功出力的异常。
基于上述说明可以得出，本发明具有如下有点：
1）本发明根据实际电网可调节资源情况及仿真需求，建立可调节负荷控制模型，按照负荷响应时间和数据采集程序提出3种可调节负荷建模方法，包括具有完整数据、部分数据和无数据的情况。解决了实际电网可调节负荷资源少、可调能力数据采集不全的问题，为长时间尺度电网仿真分析提供了可调节负荷控制模型基础。
2）本发明针对新型电力***电网仿真分析中有功不平衡导致的潮流计算收敛性问题，根据输入的电网仿真场景数据，通过人工智能强化学习算法和优化算法等方法实现实际电网可调节资源情况中的可调节负荷进行自动编排，自动生成更贴近电网实际的时序潮流有功连续调整策略，使可调节负荷时序功率变化曲线满足控制模型需要，使潮流快速收敛并满足合理性要求，为新型电力***电网仿真分析提供时序连续数据基础。
3）本发明可为可调节负荷参与有功潮流连续调整的***提供技术指导，通过自动化、智能化的潮流有功调整***，简化了调试流程，减轻了业务人员潮流调试工作量，提高了工作效率低。
可调节负荷参与有功潮流连续调整***功能模块如图4所示。该***包括电网仿真场景输入模块、强化学习可调节负荷自动编排模块和时序潮流结果输出模块，时序潮流输出模块支持将潮流结果数据按时序输出为标准格式文件或支持其他应用调用的计算机内存数据，为后续仿真分析提供数据基础。
如图5所示，本发明实施例的第二个目的是提供一种可调节负荷参与有功潮流连续调整***，包括：
获取模块，用于获取实际电网可调节资源情况和电网仿真场景模型数据；根据电网仿真场景模型数据得到电网模型参数及基态运行数据，并生成电网仿真场景时序运行方式；
分摊模块，用于根据预先构建的强化学***衡功率，输出可调节负荷时序控制策略；
潮流计算模块，用执行所述可调节负荷时序控制策略调整可调节负荷的有功功率，并基于所述电网模型参数及基态运行数据，进行电网潮流计算得到电网潮流数据；
输出模块，用于验证所述电网潮流数据的收敛性和合理性；经过验证的电网潮流数据作为时序潮流结果进行输出。
本发明针对新型电力***电网仿真分析中有功不平衡导致的潮流计算收敛性问题，根据输入的电网仿真场景数据，通过人工智能强化学习算法和优化算法等方法实现实际电网可调节资源情况中的可调节负荷进行自动编排，提出不收敛断面时刻回退迭代方法，回退迭代方法克服了现有方法无法生成连续断面的缺点，使可调节负荷功率变化满足控制模型约束，自动生成更贴近电网实际的时序潮流有功连续调整策略，使潮流有功快速收敛并满足合理性要求。
上述构建模块中，所述预先构建的可调节负荷控制模型是根据实际电网可调节资源情况及仿真需求构建得到，构建方法包括：
在电力***源网荷储协同调控模式下，根据实际电网可调节资源情况及仿真需求，可调节负荷控制模型建模包括参与互动仿真模拟的配网侧的一类或多类单体负荷，各类单体负荷汇集至主网负荷控制模型，主网负荷控制模型由单体负荷按成分比例叠加得到。
其中，所述主网负荷控制模型具体为：
其中，为主网负荷控制模型，/>为第j个负荷所占比例系数；/>为单体负荷控制模型，具体为：
式中，表示第j个负荷在t时刻负荷有功功率；/>表示第j个负荷在t-1时刻的负荷有功功率；/>表示第j个负荷的调节状态，/>表示该负荷在t-1到t时段的调节量，作为可调负荷调节能力，包括可调节负荷具有完整数据、部分数据和无数据的情况。
上述获取模块中，所述获取实际电网可调节资源情况和电网仿真场景模型数据；根据电网仿真场景模型数据得到电网模型参数及基态运行数据，并生成电网仿真场景时序运行方式，包括：
获取实际电网可调节资源情况和电网仿真场景模型数据，解析电网仿真场景模型数据的电网模型及选定时刻运行数据，进行模型数据匹配并生成初始基态断面；或选择一状态估计断面作为初始基态断面；
根据具体仿真场景需求，输入电网仿真场景连续T个时刻的机组有功功率、机组无功功率、负荷有功功率、负荷无功功率作为特定模型下的电网仿真场景分析算例数据，在初始基态断面上进行设备功率覆盖，结合对应的时序动作序列根据电网仿真场景模型数据得到电网模型参数及基态运行数据，并生成电网仿真场景时序运行方式。
分摊模块中，所述预先构建的强化学习可调节负荷自动编排模块的构建方法包括：
基于电网拓扑和潮流结果构建强化学习状态空间；
基于预先构建的可调节负荷控制模型作为变量构建强化学习动作空间，动作结果为可调节负荷有功功率；
基于潮流计算收敛性、合理性判定约束条件和专家知识经验指标构建多目标强化学习奖励函数；
通过所述电网仿真场景时序运行方式统计时序断面不平衡量，将电网仿真场景时序运行方式和不平衡量信息作为强化学习的输入信息；
使用强化学习神经网络作为智能体，将电网仿真场景时序运行方式的时序动作序列输入进行时序动作序列训练，构建强化学习可调节负荷自动编排模块。
分摊模块中，将所述电网仿真场景时序运行方式作为输入，对所述实际电网可调节资源情况中的可调节负荷进行自动编排以分摊不平衡功率，输出可调节负荷时序控制策略，包括：
基于所述电网仿真场景时序运行方式，统计各时刻断面的功率不平衡信息量，判断功率不平衡量是否大于设定门槛值；
若不大于，则根据所述电网仿真场景时序运行方式的时序动作序列对所述实际电网可调节资源情况中的可调节负荷进行自动编排以分摊不平衡功率，生成可调节负荷时序控制策略；
若大于，根据各时刻断面中当前电网状态和奖励函数，将所述电网仿真场景时序运行方式的时序动作序列输入强化学***衡功率自动迭代调整，得到调整后的时序动作序列，进行时序动作校验，校验通过后根据调整后的时序动作序列生成可调节负荷时序控制策略。
可以进一步优化方案，所述时序动作校验的具体步骤包括：
基于可调节负荷控制模型，对输出的可调节负荷时序控制策略进行校验，验证可调节负荷时序功率曲线是否符合控制模型约束条件，如果不满足负荷控制模型约束条件，则需从不满足时刻倒退1个时刻对不符合要求的可调节负荷重新输出策略，如果仍不满足要求，则倒退2个时刻，如此反复迭代，直至倒退n个时刻，输出满足要求的/>时刻到时刻的时序动作序列，作为可调节负荷时序控制策略。/>
上述潮流计算模块中，执行所述可调节负荷时序控制策略调整可调节负荷的有功功率，并基于所述电网模型参数及基态运行数据，进行电网潮流计算得到电网潮流数据，包括：
执行所述可调节负荷时序控制策略调整可调节负荷的有功功率，基于所述电网模型参数及基态运行数据，结合初始时刻加载的通过修正的发电、负荷有功功率，进行电网潮流计算；按照仿真时钟推进速度依次加载各时刻功率数据并进行潮流计算，输出潮流计算结果。
上述输出模块中，验证所述电网潮流数据的收敛性和合理性，包括：
经过时序潮流计算后，验证电网潮流数据的收敛性和合理性；
如果电网潮流数据收敛并且合理，则直接输出时序电网潮流数据结果；
如果潮流计算不收敛或不合理，则根据潮流计算结果和奖励函数，更新强化学习神经网络参数，优化调整强化学习神经网络的权重和偏置，得到优化后的强化学习可调节负荷自动编排模块。
时序潮流结果包括机组有功功率、机组无功功率、负荷有功功率、负荷无功功率、变压器有功功率、线路有功功率和各节点电压；
所述时序潮流结果输出至平衡机进行平衡机修正。
如图6所示，本发明实施例的第三个目的是提供一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述可调节负荷参与有功潮流连续调整方法。
本发明实施例的第四个目的是提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述可调节负荷参与有功潮流连续调整方法。
本发明提出的可调节负荷参与有功潮流连续调整方法，根据电网仿真场景时序运行方式自动生成潮流调整可调节负荷时序控制策略，利用强化学***，为后续新型电力***仿真分析提供数据基础。本发明成果可以指导有功潮流连续调整***的研发，转化产品可推广至各技术研发中心、省级及以上调控中心、电力培训机构、高校和职业教育机构，经济效益显著。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（***）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (14)
1.一种可调节负荷参与有功潮流连续调整方法，其特征在于，包括：
获取实际电网可调节资源情况和电网仿真场景模型数据；根据电网仿真场景模型数据得到电网模型参数及基态运行数据，并生成电网仿真场景时序运行方式；
根据预先构建的强化学***衡功率，输出可调节负荷时序控制策略；
执行所述可调节负荷时序控制策略调整可调节负荷的有功功率，并基于所述电网模型参数及基态运行数据，进行电网潮流计算得到电网潮流数据；
验证所述电网潮流数据的收敛性和合理性；经过验证的电网潮流数据作为时序潮流结果进行输出；
将所述电网仿真场景时序运行方式作为输入，对所述实际电网可调节资源情况中的可调节负荷进行自动编排以分摊不平衡功率，输出可调节负荷时序控制策略，包括：
基于所述电网仿真场景时序运行方式，统计各时刻断面的功率不平衡信息量，判断功率不平衡量是否大于设定门槛值；
若不大于，则根据所述电网仿真场景时序运行方式的时序动作序列对所述实际电网可调节资源情况中的可调节负荷进行自动编排以分摊不平衡功率，生成可调节负荷时序控制策略；
若大于，根据各时刻断面中当前电网状态和奖励函数，将所述电网仿真场景时序运行方式的时序动作序列输入强化学***衡功率自动迭代调整，得到调整后的时序动作序列，进行时序动作校验，校验通过后根据调整后的时序动作序列生成可调节负荷时序控制策略；
所述时序动作校验的具体步骤包括：
基于可调节负荷控制模型，对输出的可调节负荷时序控制策略进行校验，验证可调节负荷时序功率曲线是否符合控制模型约束条件，如果不满足负荷控制模型约束条件，则需从不满足时刻倒退1个时刻对不符合要求的可调节负荷重新输出策略，如果仍不满足要求，则倒退2个时刻，如此反复迭代，直至倒退n个时刻，输出满足要求的/>时刻到/>时刻的时序动作序列，作为可调节负荷时序控制策略；其中，/>为整数，n为整数。
2.根据权利要求1所述的可调节负荷参与有功潮流连续调整方法，其特征在于，所述获取实际电网可调节资源情况和电网仿真场景模型数据；根据电网仿真场景模型数据得到电网模型参数及基态运行数据，并生成电网仿真场景时序运行方式，包括：
获取实际电网可调节资源情况和电网仿真场景模型数据，解析电网仿真场景模型数据的电网模型及选定时刻运行数据，进行模型数据匹配并生成初始基态断面，或选择一状态估计断面作为初始基态断面；
根据具体仿真场景需求，输入电网仿真场景分析算例数据，包括机组有功功率、机组无功功率、负荷有功功率及负荷无功功率，在初始基态断面上进行设备功率覆盖，得到电网模型参数及基态运行数据，结合对应的时序动作序列根据电网仿真场景模型数据得到电网模型参数及基态运行数据，并生成电网仿真场景时序运行方式。
3.根据权利要求1所述的可调节负荷参与有功潮流连续调整方法，其特征在于，所述预先构建的强化学习可调节负荷自动编排模块的构建方法包括：
基于电网拓扑和潮流结果构建强化学习状态空间；
基于预先构建的可调节负荷控制模型作为变量构建强化学习动作空间，动作结果为可调节负荷有功功率；
基于潮流计算收敛性、合理性判定约束条件和专家知识经验指标构建多目标强化学习奖励函数；
通过所述电网仿真场景时序运行方式统计时序断面不平衡量，将电网仿真场景时序运行方式和不平衡量信息作为强化学习的输入信息；
使用强化学习神经网络作为智能体，将电网仿真场景时序运行方式的时序动作序列输入进行时序动作序列训练，构建强化学习可调节负荷自动编排模块。
4.根据权利要求3所述的可调节负荷参与有功潮流连续调整方法，其特征在于，所述预先构建的可调节负荷控制模型是根据实际电网可调节资源情况及仿真需求构建得到，构建方法包括：
在电力***源网荷储协同调控模式下，根据实际电网可调节资源情况及仿真需求，可调节负荷控制模型建模包括参与互动仿真模拟的配网侧的一类或多类单体负荷，各类单体负荷汇集至主网负荷控制模型，主网负荷控制模型由单体负荷按成分比例叠加得到。
5.根据权利要求4所述的可调节负荷参与有功潮流连续调整方法，其特征在于，所述主网负荷控制模型具体为：
其中，为主网负荷控制模型，t为时刻，/>为第j个负荷所占比例系数；为单体负荷控制模型，具体为：
式中，表示第j个负荷在t时刻负荷有功功率；/>表示第j个负荷在t-1时刻的有功功率；/>表示第j个负荷的调节状态，/>表示第j个负荷在t-1到t时段的可调负荷调节能力。
6.根据权利要求5所述的可调节负荷参与有功潮流连续调整方法，其特征在于，当所述可调负荷调节能力为完整调节能力数据时，利用负荷功率变化量随响应时间变化/>曲线对可调节负荷控制模型建模，可调负荷调节能力/>由负荷聚合商提供的/>曲线对应的函数/>得到，具体为：
。
7.根据权利要求5所述的可调节负荷参与有功潮流连续调整方法，其特征在于，当所述可调负荷调节能力为部分调节能力数据时，获取单体负荷可调能力量测数据，根据负荷响应功率与响应时间的线性关系，得到第a级负荷线性控制模型：
其中，表示响应时间变化，/>表示第j个负荷第a级响应调节速率，/>表示第j个负荷第a级响应可上调量，/>表示第j个负荷第a级响应可下调量，/>表示第j个负荷在第a级调节时间段内的功率调节量；/>表示第j个负荷在第a级调节时间段内的总体功率调节量；/>表示第j个负荷上调持续时间，/>表示第j个负荷下调持续时间。
8.根据权利要求5所述的可调节负荷参与有功潮流连续调整方法，其特征在于，当所述可调负荷调节能力为无调节能力数据时，根据可调节负荷典型类型进行可调节负荷控制模型建模构建，方法为：
其中，表示响应时间变化，/>表示第j个负荷第a级响应调节速率，第j个负荷在第a级调节时间段内的可调负荷调节能力/>具体包括：
a）调节速率根据负荷类型采用典型值，构建可调节负荷控制典型模型如下：
其中，表示第j个负荷在第a级调节时间段内的总体功率调节量；/>为总体功率调节量最大值，/>为调节速率系数；
b）根据用户设定值构建可调节控制模型如下：
其中，表示第j个负荷第a级响应设定可上调量，/>表示第j个负荷第a级响应设定可下调量；/>表示响应时间。
9.根据权利要求1所述的可调节负荷参与有功潮流连续调整方法，其特征在于，执行所述可调节负荷时序控制策略调整可调节负荷的有功功率，并基于所述电网模型参数及基态运行数据，进行电网潮流计算得到电网潮流数据，包括：
执行所述可调节负荷时序控制策略调整可调节负荷的有功功率，基于所述电网模型参数及基态运行数据，结合初始时刻加载的通过修正的发电、负荷有功功率，进行电网潮流计算；按照仿真时钟推进速度依次加载各时刻功率数据并进行潮流计算，输出潮流计算结果。
10.根据权利要求1所述的可调节负荷参与有功潮流连续调整方法，其特征在于，验证所述电网潮流数据的收敛性和合理性，包括：
经过时序潮流计算后，验证电网潮流数据的收敛性和合理性；
如果电网潮流数据收敛并且合理，则直接输出时序电网潮流数据结果；
如果潮流计算不收敛或不合理，则根据潮流计算结果和奖励函数，更新强化学习可调节负荷自动编排模块中的强化学习神经网络参数，优化调整强化学习神经网络的权重和偏置，得到优化后的强化学习可调节负荷自动编排模块。
11.根据权利要求1所述的可调节负荷参与有功潮流连续调整方法，其特征在于，所述时序潮流结果包括机组有功功率、机组无功功率、负荷有功功率、负荷无功功率、变压器有功功率、线路有功功率和各节点电压；
所述时序潮流结果输出至平衡机用于平衡机修正。
12.一种可调节负荷参与有功潮流连续调整***，基于权利要求1至11任一项所述的可调节负荷参与有功潮流连续调整方法，其特征在于，包括：
获取模块，用于获取实际电网可调节资源情况和电网仿真场景模型数据；根据电网仿真场景模型数据得到电网模型参数及基态运行数据，并生成电网仿真场景时序运行方式；
分摊模块，用于根据预先构建的强化学***衡功率，输出可调节负荷时序控制策略；
潮流计算模块，用执行所述可调节负荷时序控制策略调整可调节负荷的有功功率，并基于所述电网模型参数及基态运行数据，进行电网潮流计算得到电网潮流数据；
输出模块，用于验证所述电网潮流数据的收敛性和合理性；经过验证的电网潮流数据作为时序潮流结果进行输出。
13.一种电子设备，其特征在于，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1-11任一项所述可调节负荷参与有功潮流连续调整方法。
14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-11任一项所述可调节负荷参与有功潮流连续调整方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311223787.3A CN116995682B (zh) | 2023-09-21 | 2023-09-21 | 一种可调节负荷参与有功潮流连续调整方法与*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311223787.3A CN116995682B (zh) | 2023-09-21 | 2023-09-21 | 一种可调节负荷参与有功潮流连续调整方法与*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116995682A CN116995682A (zh) | 2023-11-03 |
| CN116995682B true CN116995682B (zh) | 2023-12-19 |
Family
ID=88525039
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311223787.3A Active CN116995682B (zh) | 2023-09-21 | 2023-09-21 | 一种可调节负荷参与有功潮流连续调整方法与*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116995682B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117613907B (zh) * | 2024-01-24 | 2024-04-16 | 四川宏华电气有限责任公司 | 一种应用于压裂泵泵组控制中的电网调节方法及*** |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022077588A1 (zh) * | 2020-10-12 | 2022-04-21 | 中国电力科学研究院有限公司 | 可调节负荷参与需求响应的调用方法、***及装置 |
| CN116031887A (zh) * | 2023-02-17 | 2023-04-28 | 中国电力科学研究院有限公司 | 一种电网仿真分析算例数据生成方法、***、设备及介质 |
| CN116454914A (zh) * | 2023-03-31 | 2023-07-18 | 国网河北省电力有限公司电力科学研究院 | 一种多类型资源复合调频模型的构建方法及装置 |
-
2023
- 2023-09-21 CN CN202311223787.3A patent/CN116995682B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022077588A1 (zh) * | 2020-10-12 | 2022-04-21 | 中国电力科学研究院有限公司 | 可调节负荷参与需求响应的调用方法、***及装置 |
| CN116031887A (zh) * | 2023-02-17 | 2023-04-28 | 中国电力科学研究院有限公司 | 一种电网仿真分析算例数据生成方法、***、设备及介质 |
| CN116454914A (zh) * | 2023-03-31 | 2023-07-18 | 国网河北省电力有限公司电力科学研究院 | 一种多类型资源复合调频模型的构建方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116995682A (zh) | 2023-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shoults et al. | Multi-area adaptive LFC developed for a comprehensive AGC simulator | |
| CN109861202B (zh) | 一种柔性互联配电网动态优化调度方法及*** | |
| CN103683337B (zh) | 一种互联电网cps指令动态分配优化方法 | |
| CN104537428B (zh) | 一种计及风电接入不确定性的经济运行评估方法 | |
| CN103810646B (zh) | 一种基于改进投影积分算法的有源配电***动态仿真方法 | |
| CN116995682B (zh) | 一种可调节负荷参与有功潮流连续调整方法与*** | |
| CN103425878B (zh) | 电力***准动态潮流与电网运行态势快速计算方法 | |
| CN104104081B (zh) | 一种基于优化方法的非迭代不确定潮流分析方法 | |
| CN104318323A (zh) | 一种考虑可靠性约束机组组合问题的快速调度方法 | |
| Marten et al. | Optimizing the reactive power balance between a distribution and transmission grid through iteratively updated grid equivalents | |
| Yu et al. | Hierarchical correlated Q-learning for multi-layer optimal generation command dispatch | |
| CN112260322B (zh) | 源网荷储仿真平台、方法及*** | |
| CN116031887B (zh) | 一种电网仿真分析算例数据生成方法、***、设备及介质 | |
| Zhang et al. | Research on AGC performance during wind power ramping based on deep reinforcement learning | |
| CN115085202A (zh) | 电网多区域智能功率协同优化方法、装置、设备及介质 | |
| Teng et al. | Availability estimation of wind power forecasting and optimization of day-ahead unit commitment | |
| CN115764931A (zh) | 一种电力***自动发电控制方法、***、设备和介质 | |
| CN115481856A (zh) | 考虑综合需求响应的综合能源***多尺度调度方法及*** | |
| CN111193295A (zh) | 一种考虑动态重构的配网灵活性提升鲁棒优化调度方法 | |
| Benhamida et al. | A quadratic programming optimization for dynamic economic load dispatch: Comparison with GAMS | |
| Hu et al. | Frequency prediction model combining ISFR model and LSTM network | |
| VOROPAI et al. | The development of a joint modelling framework for operational flexibility in power systems | |
| CN101860025A (zh) | 基于预测-校正技术的电网未来运行方式网损计算方法 | |
| CN112182835A (zh) | 一种考虑风电不确定性和储能调节的电力***可靠性评估方法及*** | |
| CN115549093B (zh) | 一种新能源电力***在线建模与振荡分析的方法及*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |