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:河海大学
摘要:本发明提出了一种基于神经网络辅助的考虑频率约束的电力系统前瞻调度模型求解方法,基于考虑频率约束的电力系统前瞻调度详细模型,考虑使用物理信息神经网络进行辅助求解来提高模型求解效率。考虑使用纯物理驱动进行求解时求解效率低下,提出了基于物理信息神经网络进行辅助求解的高效求解方法。采用纯物理驱动求解模型得到大量样本数据,然后采用物理信息神经网络对样本进行学习,通过修改神经网络损失函数,使得频率相关约束一定能够满足。本发明不仅能够大大提高模型求解效率,而且保证相关频率约束一定能够被满足。
主权项:1.一种基于神经网络辅助的考虑频率约束的电力系统前瞻调度模型求解方法,其特征在于,该方法包括以下步骤:步骤1、获取所述电力系统运行参数和技术参数,其中,运行参数包括火电机组出力信息、光伏机组出力信息、风电机组出力信息、电负荷和线路,技术参数包括火电机组爬坡速率,储能装置额定容量、储能装置最大充放电功率、所有机组和储能装置的惯性时间常数上下限和下垂控制系数上下限;步骤2、以系统不同时刻的总负荷、常规机组启停状态、新能源机组出力数据为输入,将其输入到考虑频率约束的电力系统前瞻调度模型,利用IPOPT求解器求解得到系统调度结果,即各新能源机组和储能装置的虚拟惯量和下垂控制系数以及各机组的出力大小;步骤3、以系统不同时刻的总负荷、常规机组启停状态、新能源机组出力数据为输入,以步骤2得到的各新能源机组和储能装置的虚拟惯量和下垂控制系数作为输出对神经网络模型进行训练,对神经网络损失函数进行修改,将考虑频率约束的电力系统前瞻调度模型中的频率相关约束以罚函数的形式加入到损失函数;步骤4、将系统各时刻的有功负荷、无功负荷、常规机组启停状态、新能源机组出力数据输入到步骤3训练好的物理信息神经网络模型中,得到各新能源机组和储能装置的虚拟惯量和下垂控制系数,将各新能源机组和储能装置的虚拟惯量和下垂控制系数作为已知量与系统各时刻的有功负荷、无功负荷、常规机组启停状态、新能源机组出力数据一起代入到考虑频率约束的电力系统前瞻调度模型进行优化求解,得到系统调度结果,实现对考虑频率约束的电力系统前瞻调度模型的求解;步骤2中,考虑频率约束的电力系统前瞻调度模型为:1目标函数 式中,Ctotal表示系统总的运行成本,T表示时间周期,下标t表示调度时刻,NG表示传统机组数,下标g表示传统机组,NW表示风电机组数,下标w表示风电机组,NPV表示光伏机组数,下标pv表示光伏机组,NESS表示储能装置数,下标es表示储能装置;与Cg分别表示传统机组g的备用成本系数与可变运维成本系数,表示风电机组w的备用成本系数,表示光伏机组pv的备用成本系数,表示储能装置es的备用成本系数,Pg,t表示传统机组g在时刻t的有功出力,表示传统机组g在t时刻提供的备用容量大小,表示风电机组w在t时刻提供的备用容量大小,表示光伏机组pv在t时刻提供的备用容量大小,表示储能装置es在t时刻提供的备用容量大小,表示风电机组w在t时刻的出力上限值,表示光伏机组pv在t时刻的出力上限值,表示储能装置es在t时刻的充放电上限值,Les,t表示储能装置es在t时刻的功率损失;2电力系统运行约束 -RDg≤Pg,t-Pg,t-1≤RUg4 式中,下标i和j表示电力母线,表示与母线i连接的传统发电机组集合,表示与母线i连接的风电机组集合,表示与母线i连接的光伏机组集合,表示与母线i连接的储能装置集合,σi表示与母线i连接的线路集合,Nn表示节点数,Pw,t表示风电机组w在时段t的出力,Ppv,t表示光伏机组pv在时段t的出力,Pes,t表示储能装置es在时刻t的充放电功率,Pd,i,t表示电负荷i在时段t的需求功率,表示线路i-j在t时刻的近似传输容量,Gij表示支路i-j节点导纳矩阵的实部,vi,t表示节点i在t时刻的电压幅值,Qg,t表示传统发电机g在t时刻无功功率,Qd,i,t表示电负荷i在时段t需要的无功功率,表示线路i-j在t时刻的近似传输无功容量,Bij表示支路i-j节点导纳矩阵的虚部,RUg和RDg分别表示传统机组g的向上爬坡速率和向下爬坡速率,与分别表示传统发电机g在t时刻出力的上限值与下限值,与分别表示传统发电机g在t时刻无功出力的上限值与下限值,Rg表示传统机组g的调速器调节常数,fss表示系统允许的稳态频率,f0表示系统的基准频率,表示储能装置es在t时刻的放电功率损失,表示储能装置es在t时刻的充电功率损失,表示储能装置es的充电效率,表示储能装置es的放电效率,Ees,t表示储能装置es在时刻t的储存功率大小,Δt表示系统调度时间间隔,和分别表示储能装置es储存功率上下限,fmax表示系统允许最大频率偏差,Rw,t、Rpv,t、Res,t分别表示风电机组w、光伏机组pv,储能装置es在t时刻的下垂控制系数,Hw,t、Hpv,t、Hes,t分别表示风电机组w、光伏机组pv,储能装置es在t时刻的虚拟惯量时间常数;3线性交流最优潮流约束 式中,θij表示节点i与j之间的相角差,和分别表示节点i与j之间的相角差的最小值和最大值,和分别表示节点i电压幅值的最小值和最大值,vi、vj分别表示节点i、j的电压幅值,gij表示支路i-j的电导,bij表示支路i-j的电纳,表示支路i-j的有功损耗,表示支路i-j的无功损耗,θij,0表示支路i-j在基准状态下的相角差,vi,0、vj,0分别表示节点i、j在基准情况下的电压幅值;4频率相关约束: 式中,R表示系统等效下垂控制系数,H表示系统等效惯量,F表示系统等效下垂控制系数,ΔP表示系统扰动功率大小,D表示系统阻尼系数,ζ表示阻尼比,α和是根据频率约束计算得到的系数,ωn表示系统固有振荡频率,tnadir表示系统达到频率最低点的时间,Ht、Rt、Ft分别表示系统在t时刻的等效惯量、等效下垂控制系数、等效高压涡轮机功率系数,Hg,t表示常规机组g在t时刻的惯量时间常数,Kmg表示常规发电机g的机械功率增益系数,Fg表示常规机组高压涡轮机功率系数,TR表示再热时间常数,ωr表示系统阻尼频率;步骤3中,修改前的神经网络损失函数为: 式中:MSE表示完全平方误差,MSEH、MSER分别表示虚拟惯量的完全平方误差和下垂控制系数的完全平方误差,M表示进行训练时的样本数,m表示第m个样本,Rm、分别表示第m个样本下垂控制系数的真实值和预测值,Hm、分别表示第m个样本虚拟惯量的真实值和预测值;步骤3中,修改后的神经网络损失函数为: 式中,Loss表示修改后的损失函数值,Loss_steady表示频率稳态约束的罚函数,Loss_nadir表示频率最低点的罚函数,α1、α2分别是相应损失函数的权重。
全文数据:
权利要求:
百度查询: 河海大学 一种基于神经网络辅助的考虑频率约束的电力系统前瞻调度模型求解方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。