CN118484666B 面向源網荷多元應用的儲能電站評估方法及系統 （浙江興創新能源有限公司）

面向源網荷多元應用的儲能電站評估方法本發明提供面向源網荷多元應用的儲能電網絡算法和長短時記憶網絡算法對所述儲能電站與電力系統其他設備之間關聯特性的時空因優儲能電站參數集作為最優的儲能電站多元應2獲取儲能電站的多元應用場景數據，所述多元應用場景數據包括電力輔助服務數據、利用圖神經網絡算法和長短時記憶網絡算法對所述儲能電站多元應用模型進行訓練基于多個候選儲能電站參數集采用蒙特卡洛仿真方法進行長時序基于所述多元應用場景數據分別提取時間序列特征和空間關利用圖神經網絡算法和長短時記憶網絡算法對所述儲能電站多元應用模型進行訓練構建儲能電站多元應用模型樣本數據集，所述儲能電站采用圖卷積神經網絡提取所述儲能電站多元應用模型樣本數據集中儲能電站節點的空間關聯特征，所述圖卷積神經網絡通過逐層聚合儲能電站節點與其鄰域節點的特征信3將所述長短時記憶網絡的輸出結果通過全連接層映射到儲能電站多元應用模式的概網絡和所述長短時記憶網絡的模型參數，訓練得到圖卷積神經網絡和長短時記憶網絡模利用訓練得到的圖卷積神經網絡和長短時記隱藏狀態的可視化分析表示儲能電站在時間序列上的多尺度因采用異步優勢算法實現多智能體策略的分布式學習優化，每個智能構建多個獨立的環境模擬器，每個模擬器內封裝模擬器根據智能體的策略生成動作，根據環境的狀態轉移函數生成下一狀態和獎勵反饋，根據蒙特卡洛仿真樣本，構建包含多個定量指標和定性指標的評價指確定適應度函數，所述適應度函數的自變量為參數集的綜合評4對新指標權重種群進行交叉操作，采用算術交叉策略生成子代權重提取所述時空因果關聯矩陣中儲能電站與關聯設備之間的關聯度量采用多目標粒子群優化算法對所述儲能電站參數優化配置模型進計算帕累托最優參數配置解集中每個參數配置組合在包括對帕累托最優解集中的參數配置組合進行排序，選取綜合性能指標最大的前N個組合作為針對候選儲能電站參數集，通過蒙特卡洛仿真方法對儲能電同運行軌跡數據采用動態時間規整方法對軌跡進行對齊，提取反映軌跡特征的關鍵指標，將關鍵特征映射到對應的儲能電站參數，通過統計推斷方長期效益和風險指標之間的相關性，構建關鍵參數與效益風險指標之間的概率關聯模型，54.面向源網荷多元應用的儲能電站評估系統，用于實現前述權利要求1_3中任一項所第一單元，用于獲取儲能電站的多元應用場景數據，所述多第二單元，用于利用圖神經網絡算法和長短時記憶網絡算法對所述第三單元，用于基于多個候選儲能電站參數集采用蒙特能電站參數集作為最優的儲能電站多元應用其中，所述處理器被配置為調用所述存儲器存儲的指令，以執行序指令被處理器執行時實現權利要求1至36[0001]本發明涉及電力技術，尤其涉及面向源網荷多元應用的儲能電站評估方法及系[0007]利用圖神經網絡算法和長短時記憶網絡算法對所述儲能電站多元應用模型進行參數優化配置模型求解得到候選儲能電站參數集，所述候選儲能電站參數集包括最優功7優儲能電站參數集作為最優的儲能電站多元應用配置[0022]融合時空因果關聯矩陣和策略決策模型,構建了儲能電站參數優化配置模型,可同時優化儲能電站的功率、容量和運行工況等多個關鍵參數,充分挖掘儲能電站的潛在價值空間,實現儲能資源配置和運行策略的協同優化。本發明突破了傳統儲能電站評估的局8[0027]圖1為本發明實施例面向源網荷多元應用的儲能電站評估方法的流程示意圖，如[0029]示例性地，獲取儲能電站的多元應用場景[0031]上述多元應用場景數據可通過儲能電站自身配置的傳感器和監測設備采集獲得,[0033]時間序列特征:提取多元應用場景數據的時間維度上的特征,如周期性、趨勢性與儲能電站充放電行為的影響機制;決策行為特征:總結儲能電站在不同應用場景下的最[0034]利用機器學習算法對所述儲能電站多元應用模型進多維度特征的應用模型,并利用機器學習算法得到智能應用模型,可實現儲能電站在復雜9中提取了一系列時間序列特征,包括儲能電站充放電功率、荷電狀態(StateofCharge,和特征增強處理。小波變換通過在時域和頻域同時對信號進行局部化分析,能夠有效地去除時間序列數據中的高頻噪聲干擾,突出數據的多尺度特征。本文選擇Daubechies4(db4)小波作為母小波函數,對每個時間序列特征進行4層小波分解,在第4層低頻子帶上重構得到增強后的特征序列。[0043]除了時間序列特征外,儲能儲能電站與周圍電網設備的空間拓撲關聯關系。具體地,采用電氣距離(ElectricalDistance)來度量儲能電站與其他節點的空間關聯強度。電氣距離描述了兩個節點在潮流[0044]在提取時間序列特征和空間關聯特征后,需征的演化規律和關聯模式。對于時間序列特征,本文采用長短期記憶(LongShort_Term間序列數據中的長期依賴關系,且對噪聲和缺失數據具有較強的魯棒性。通過堆疊多層LSTM單元,可以建立起深度循環神經網絡結構,從復雜的時間序列數據中學習到高層次的[0045]對于空間關聯特征,本文采用圖卷積神經網絡(GraphConvolutionalNetwork,撲結構上定義卷積和池化等操作,能夠自動學習節點的高階空間關聯特征。將儲能電站和站的空間關聯模式進行建模分析。本文構建了一個包含2層圖卷積層和1層圖池化層的GCN模型,通過半監督學習方式進行模型訓練,使其能夠準確預測儲能電站與其他節點的空間力市場價格等經濟因素。揭示儲能電站與這些因素之間的因果關系,對于優化調度運行策[0047]因果關聯特征模型采用圖模型、貝葉斯模型中的節點,根據專家經驗給出它們之間可能存在的因果邊,構成一個初始的因果拓撲得到一個精煉的因果關聯圖模型,電網頻率、負荷功率和電價均為儲能電站充放電功率的[0048]為了進一步提高因果關聯特征模型的表達能力,可以使模型自適應地關注到對當前任務目標影響較大的關鍵特征。借鑒這一思想,時空注意力因果網絡采用門控循環單元(GatedRecurrentUnit,GRU)對各節點的時間序列數據[0049]將注意力權重與因果強度相乘,即可得注意力機制,因果關聯模型能夠根據節點的動態特征自適應地調整因果強度,提高了因果推斷的精準性。本文在真實電網運行數據上驗證了時空注意力因果網絡的有效性,平均因[0050]儲能電站的運營涉及諸多決策行目標優化的特點。為了對儲能電站的決策行為進行建模,本文提出了一種基于多智能體強[0051]在多智能體強化學習框架下,每個智能體代表一個獨立的決策行為,如充放電策函數,通過與環境的交互學習優化自身的決策策略。智能體的決策過程可用馬爾可夫適應動態規劃(AdaptiveDynamicProgramming,ADP)和異步優勢算法(Asynchronous務器協調多個并行的Actor_Critic學習器,通過梯度累積機制和策略熵正則化提高了[0053]在多智能體聯合決策時,需要對不同智能體的策略進行協調,以實現全局收益最到一個納什均衡點,使得在該點處任意智能體無法通過單方面改變策略而獲得更高收益。此外,本文還利用長短期記憶網絡(LSTM)對智能體的決策序列進行時序建模,引入了決策[0054]通過前面的特征提取和模型構建,得到了刻策行為的4個子模型。為挖掘不同模型之間特征和決策行為特征,通過圖注意力網絡(GraphAttentionNetwork,GAT)實現時空特征[0055]具體而言,圖卷積神經網絡部分包含3層圖卷積層和2層圖池化層,圖池化層采用差分池化的方式,通過邊緣特征的加權組合實現圖粒度的降低。圖注意力網絡部分包含多述儲能電站的動態運行特征,揭示儲能電站與外部因素之間的因果影響機制,并模擬儲能電站在多目標約束下的最優決策行為,為儲能電站的實際運營管理提供智能化的決策支[0057]S102.利用圖神經網絡算法和長短時記憶網絡算法對所述儲能電站多元應用模[0059]利用圖神經網絡算法和長短時記憶網絡算法對所述儲能電站多元應用模型進行[0061]采用圖卷積神經網絡提取所述儲能電站多元應用模型樣本數據集中儲能電站節[0062]將所述長短時記憶網絡的輸出結果通過全連接層映射到儲能電站多元應用模式數據集中的每個樣本由三部分組成:儲能電站及其相關電力設備節點屬性的時間序列矩[0066]儲能電站作為電網的一個節點,其應用行為不僅取決于自身的運行狀態,也受到周圍電力設備的影響。為刻畫儲能電站在電網拓撲結構中的空間關聯特性,本文采用圖卷積神經網絡(GraphConvolutionalNetwork,GCN)對樣本數據集中的鄰接矩陣進行特征16。模型輸入為儲能電站節點在某一時刻[0068]值得一提的是,電網拓撲結構的鄰接矩陣通常是一個稀疏矩陣,大部分元素為0。[0069]儲能電站的運行模式和效果呈現出明顯的時序系,本文接入了一個長短時記憶網絡(LongShort_TermMemory,LSTM)。LSTM是一種專門處理序列數據的循環神經網絡,通過引入門控機制,能夠有效地緩解梯度消失和梯度爆炸的細胞狀態信息被遺忘的程度,輸入門控制當前時刻的輸入信息流入細胞狀態的強度,輸[0072]在模型訓練階段,通過端到端的反向傳播和梯度下降算法最小化損失函數,聯合[0073]在訓練得到的GCN和LSTM模型的基礎上,本文進一步生成了表示儲能電站與電力刻畫了儲能電站節點與其鄰居節點在空間拓撲上的相互影響強度和傳播模式。此外,通過對LSTM隱藏狀態序列進行主成分分析,刻畫了儲能電站在不同時間尺度下的因果關聯模式[0078]構建多個獨立的環境模擬器，每個模擬器內封裝一個智[0079]示例性地，為實現儲能電站在多元應用場異步優勢算法(AsynchronousAdvantageActor_Critic,A3C)的多智能體強化學習框架。裝了一個智能體與環境的交互過程,智能體根據當前的策略生成動作,環境根據狀態轉移然各智能體獨立學習,但通過全局參數服務器的參數同步,不同智能體之間依然可以分享[0081]為簡化問題,本文考慮儲能電站的日內運行優化,因此狀態空間和動作空間的時[0082]獎勵函數在強化學習中起著至關重要的作用,它決定了[0083]在A3C算法中,每個智能體包含一個策略網絡(Actor)和一個價值網絡(Critic),[0084]對于策略網絡,本文采用一個三的輸出經過ReLU激活后,分別輸入到三個輸出頭:動作頭生成連續的充放電功率的概率密度函數,采樣頭生成離散的運行模式的概率質量函數,報價頭生成離散的報價的概率質量狀態動作值函數。為建模時序依賴關系,在輸入層和輸出層之間引入了一個長短時記憶策略共享。隨著訓練的進行,所有智能體的策略網絡和價值網絡最終收斂到同一個最所述策略決策模型在不同參數配置下的效用評估指標，所述關聯度量指標包括互耦合度、指標對帕累托最優解集中的參數配置組合進行排序，選取綜合性能指標最大的前N個組合[0092]示例性地，在多目標粒子群優化的迭代過程近真實的帕累托最優解集。為克服這一問題,本文提出了一種基于信息熵的目標權重自適[0093]具體地,假設第k代種群在第j個優化目標子在目標上分布均勻,即落入各區間的概率接重向量中每個分量等于對應目標信息熵的倒數比上所有目標信息熵倒數之和。可以證明,[0095]結合前述的基于信息熵的目標權重自適項三項之和。其中認知項和社會項的計算均乘以自適應權重向量,以引導粒子向不同[0106]8.令迭代次數k加1,若未達到最大迭代次數且未滿足收斂條件,則轉第2步;否[0107]在算法執行過程中,通過動態調整目標權重,可引導粒子在搜索空間中更均勻地[0108]為驗證所提參數自適應策略的有效題:Schaffer,Kursawe和Fonseca,對比了標準多目標粒子群優化(MOPSO)算法和嵌入參數自適應調整策略的MOPSO(記為Adaptive_MOPSO)算法的優化性能。兩種算法的參數設置相性能指標IGD(InvertedGenerationalDistance)和HV(Hypervolume)評估解集質量。IGD[0109]對比結果顯示,Adaptive_MOPSO在所有測試問題上的IGD均顯著小于MOPSO,HV均顯著大于MOPSO,表明前者獲得了更優的非支配解集。Kursawe測試問題的收斂曲線表明,略的多目標粒子群優化算法,在經典測試問題上展現了優越的全局尋優性能,為求解儲能[0110]S103.基于多個候選儲能電站參數集采用蒙特卡洛仿真方法進行長時序多場景電站參數集作為最優的儲能電站多元應用配置方案。[0114]利用軌跡特征向量通過度量學習方法計算軌跡相似度矩陣，基于軌跡相似度矩同場景下的運行軌跡數據,每條軌跡反映儲能電站在某個參數配置下的長期運行過程。然一問題,本文采用動態時間規整(Dynam[0117]DTW是一種廣泛用于時間序列相似度度量的技術,通過尋找兩條時間序列之間的反映軌跡特征的關鍵指標,構成軌跡特征向量。本文選取的軌跡特征指標包括時間序列統這一問題,本文采用大余弦相似度(LargeMarginCosineSimilarity,LMCS)度量學習方得最優的映射矩陣。將軌跡特征向量通過最優映射矩陣映射到度量空間后,采用余弦相似[0120]基于軌跡相似度矩陣,本文采用譜聚類算法對儲能運行軌跡進行聚類,識別典型[0121]具體地,將每條儲能運行軌跡視為相似性圖中的一個節點,軌跡間的相似度作為一化割的定義為每個簇的割集與簇的體積之比的加和,其中割集表示連接該簇與其他簇的即可得到圖的最優K劃分。應用譜聚類算法對儲能運行軌跡數據[0123]為進一步解釋不同運行模式的內在差異,本文征在簇間和簇內的均方差之比,F統計量越大,說明特征對簇間差異的貢獻越大,重要性越[0124]通過軌跡聚類和特征選擇,本文識別出影響儲對應。為建立關鍵參數與長期效益風險的關聯模型,本文采用統計推斷方法分析參數與特對于連續型特征使用恒等函數,二元型特征使用Logit函數,計數型特征使用對數函數等。[0126]在識別出關鍵參數后,需要進一步評估其對儲能總方差之比。主效應指數衡量單個參數對輸出的影響,交互效應指數衡量參數之間的交互[0127]根據Sobol指數分析結果,識別出對儲能電站長期效益和風險影響最顯著的關鍵間中選取新的參數集樣本。與傳統的隨機抽樣和網格抽樣相比,拉丁超立方抽樣具有更好的空間填充性和均勻性。對于p維參數空間,拉丁超立方抽樣將每個維度劃分為N個互不相[0128]利用拉丁超立方抽樣獲得的新參數集樣本,重復執行蒙特卡洛仿真,生成優化后的仿真結果數據集。與原始的參數集相比,新的參數集樣本更加聚焦于影響儲能電站長期[0134]示例性地，為全面評估儲能電標和定性指標的綜合評價指標體系。定量指標主要來源于蒙特卡洛仿真結果,包括技術經[0135]除定量指標外,儲能