买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：广东电网有限责任公司阳江供电局

摘要：本发明提出一种配合传统机组的风光储有功功率平衡控制方法，该方法采用深度迁移学习方法，用于配合传统机组的风光储有功功率平衡控制。所提方法中的深度迁移学习方法利用源域中新能源机组、传统机组和电力需求的历史数据来建立模型，更好地学习到不同机组之间的关联和特征，从而迁移这些知识到目标域中，优化目标域的有功功率平衡控制策略，从而控制储能系统，使风光储能系统最大程度的配合进行新型电力系统有功功率平衡控制。

主权项：1.一种配合传统机组的风光储有功功率平衡控制方法，其特征在于，将深度强化学习和电力系统有功功率的数学计算模型进行结合，用于新型电力系统有功功率平衡控制，实现新能源的机组配合传统火电机组进行电力系统的有功平衡控制，优化电力系统的运行；该方法的具体步骤为：步骤1：计算风力发电机组的发电功率Pf为：Pf＝0.5ρAfCpvf3式中，ρ为空气密度；Af为风力发电机组的叶片面积；Cp是功率系数；vf是风速；计算太阳能光伏发电机组的发电功率Pg为：Pg＝AgηG式中，Ag为光伏电池的面积；η是光伏电池的效率；G为太阳辐射照射强度；计算水力发电机组的发电功率Ps为：Ps＝ηsρsgQH式中，ηs是水轮机的效率；ρs是水的密度；g是重力加速度；Q是水流速度；H是水流的有效高度；新能源发电机组的发电功率Pnew包含风力发电机组的发电功率Pf、太阳能光伏发电机组的发电功率Pg和水力发电机组的发电功率Ps：Pnew＝Pf+Pg+Ps传统发电机组的发电功率Ptraditional为：Ptraditional＝φQrηr式中，φ为燃气流量；Qr为燃气热值；ηr为燃气轮机效率；计算发电总功率Pprovide为：Pprovide＝Ptraditional+Pnew计算有功功率平衡时的电力需求Pdemand为：Pdemand＝Pprovide步骤2：为确保新能源机组的发电功率能够被充分应用，设置源域中的数据为新能源机组的风力发电机组的发电功率Pf、太阳能光伏发电机组的发电功率Pg、水力发电机组的发电功率Ps、传统发电机组的发电功率Ptraditional和电力需求Pdemand的在过去一周内历史数据，即源域内t时刻的状态空间为： 式中，t为发电机组发电过程的任一时刻；tdep为发电机组发电开始时间；为风力发电机组在t时刻下的发电功率；为太阳能发电机组在t时刻下的发电功率；为水力发电机组在t时刻下的发电功率；为电力系统在t时刻下的电力需求；传统发电机组的发电功率受发电机组的额定容量所限制，因此传统发电机组在源域内的动作的所受限制如下： 式中，为源域内在t时刻下的动作；Ptra_min为传统发电机组的最小发电功率；Ptra_max为传统发电机组的最大发电功率；步骤3：计算总电力需求匹配度 式中，e为自然底数；k为调节因子；计算发电功率平衡度 计算系统稳定性 式中，Ft为电力系统的在t时刻的频率；为电力系统频率的在t时刻的目标值；计算在t时刻的奖励函数Rt： 式中，α为取值在[0,1]之间的总电力需求匹配度权重系数；β为取值在[0,1]之间的发电功率平衡度权重系数；γ为取值在[0,1]之间的系统稳定性权重系数；步骤4：参与者网络框架为：经过一个输入层，经过三个3×3卷积层，经过一个1×1卷积层，经过三个3×3卷积层，经过三个全连接层，经过一个激活函数层，经过一个输出层；评论家网络框架为：经过一个输入层，经过两个3×3卷积层，经过一个1×1卷积层，经过两个3×3卷积层，经过两个1×1卷积层，经过三个全连接层，经过一个激活函数层，经过一个输出层；步骤5：将源域内状态空间和动作空间输入进参与者网络与评论家网络进行训练，使得网络能够给出动作策略，以协调新能源机组的产出和传统机组的运行，维持电力系统的有功功率平衡；源域内的各参数计算方式如下：源域内参与者网络的权重参数为其中为源域内参与者网络的第i层的权重参数；源域内评论家网络的权重参数为其中为源域内评论家网络的第i层的权重参数；源域内参与者网络的偏置参数为其中为源域内参与者网络的第i层偏置参数；源域内评论家网络的偏置参数为其中为源域内评论家网络的第i层偏置参数；源域内参与者网络的策略函数计算公式为： 式中，为概率函数；为源域内参与者网络训练所得参数，包含源域内参与者网络的权重参数和源域内参与者网络的偏置参数源域内参与者网络生成的动作策略为： 源域内评论家网络输出的每个动作的价值函数为： 式中，μ为取值在[0,1]之间的折减系数；为源域内t+1时刻的状态空间；源域内t+1时刻的动作；为源域内评论家网络训练所得参数，包含源域内评论家网络的权重参数和源域内评论家网络的偏置参数步骤6：设置目标域中的数据为新能源机组的风力发电机组的发电功率Pf、太阳能光伏发电机组的发电功率Pg、水力发电机组的发电功率Ps、传统发电机组的发电功率Ptraditional和电力需求Pdemand的实时获取的每两个小时的数据，即目标域内在t时刻下状态空间为： 式中，tture为实时的某个时刻；发电机组的发电功率受发电机组的额定容量所限制，因此发电机组在目标域内状态空间下的动作的所受限制如下： 式中，为目标域内在t时刻下的动作；步骤7：计算电力需求匹配度 计算发电功率平衡度 计算系统稳定性 计算在t时刻的奖励函数Rt： 步骤8：在源域中训练好模型后，将源域内参与者网络前5层训练所得参数和评论家网络前5层训练所得参数分配给目标域中神经网络的相应层，并冻结这些参数，以帮助模型在目标域给出合理的有功功率控制策略；目标域内的各参数计算方式如下：目标域内参与者网络前5层的权重参数为其中为目标域内参与者网络的第i层的权重参数；目标域内评论家网络前5层的权重参数为其中为目标域内评论家网络的第i层的权重参数；目标域内参与者网络前5层的偏置参数为其中为目标域内参与者网络的第i层偏置参数；目标域内评论家网络前5层的偏置参数为其中为目标域内评论家网络的第i层偏置参数；目标域内参与者迁移学习网络1和参与者迁移学习网络2的策略函数计算公式为： 式中，为目标域内第i个参与者网络所得策略函数；为概率函数；为源域内参与者网络训练所得参数，包含目标域内参与者网络前5层的权重参数和目标域内参与者网络前5层的偏置参数目标域内参与者迁移学习网络3的平缓动作策略函数为： 目标域内评论家迁移学习网络1、评论家迁移学习网络2和评论家迁移学习网络3输出的每个动作的价值函数为： 式中，为目标域域内t+1时刻的状态空间；为目标域内t+1时刻的动作；为目标域域内评论家网络训练所得参数，包含目标域内评论家网络前5层的权重参数和目标域内评论家网络前5层的偏置参数目标域内三个评论家迁移学习网络同时学习，并在网络之间获取最大值作为损失函数模块的输入，即三个评论家迁移学习网络的输出为： 式中，为第i个评论家网络训练所得参数；为第i个评论家网络的价值函数；在目标域内通过损失函数更新评论家网络中的参数： 在目标域内通过随机梯度下降更新参与者网络中的参数： 目标域内三个参与者迁移学习网络生成的动作策略为： 最终实现实时地对目标域内电力系统的有功功率进行平衡控制。

全文数据：

权利要求：

百度查询： 广东电网有限责任公司阳江供电局 一种配合传统机组的风光储有功功率平衡控制方法