[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

权利要求书

1.一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，其特征在于：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。

2.根据权利要求1所述的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，其特征在于：设备运行参数包括电网拓扑、符合断面和新能源出力。

3.根据权利要求1所述的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，其特征在于：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。

4.根据权利要求1所述的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，其特征在于：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。

5.根据权利要求4所述的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，其特征在于：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。

6.根据权利要求4所述的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，其特征在于：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。

7.根据权利要求6所述的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，其特征在于：评价规则包括：

以电网运行经济性和公平性为目标的潮流优化评价方法，以“三公调度”为基本原则，结合装机容量分配出力限值、新能源场站发电能力、网架拓扑结构及上网电价，在保障公平性的基础上，对目标区域内场站给定出力的经济性进行评价；如公式(2)所示，建立函数F以系统运行成本C最小化为目标，其中P_i、ω_i分别为场站i的有功出力和发电成本系数；

其中，需满足一下约束条件，如公式(3)系统断面约束条件，其中k_i为场站i的潮流转移系数，P_i,0为优化调整前场站初始有功值，r_i为断面裕度系数；

公式(4)新能源场站发电能力约束原则；

P_i≤P_i，n (4)

8.根据权利要求4所述的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，其特征在于：基于评价规则库对通过蒙特卡洛过程形成的可用数据结果集进行评价，最后整合评价结果历史静态数据和动态数据用于图神经网络模型训练的输入集，对应的蒙特卡洛生成的随机状态及数据作为输出集，形成图神经网络的训练集。

9.根据权利要求1所述的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，其特征在于：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的方法包括：将目标调度区域内的新能源调度运行相关数据，包括电网拓扑及历史运行数据、历史负荷数据、新能源厂站数据及运行相关数据作为输入集、对应蒙特卡洛生成的随机状态及数据作为输出集，其中电网拓扑数据输入NN图神经网络，历史运行数据、历史负荷数据、新能源厂站数据、历史出力及发电数据、上网电价、天气数据和评价结果输入NN多层线性神经网络，并通过另外的NN多层线性神经网络将GNN图神经网络和NN多层线性神经网络进行拟合，推理出给定目标评价结果与新能源出力分配的内在规律，实现电网调度新能源出力快速计算智能模型的构建与训练。