CN118484666B 面向源网荷多元应用的储能电站评估方法及系统 （浙江兴创新能源有限公司）

面向源网荷多元应用的储能电站评估方法本发明提供面向源网荷多元应用的储能电网络算法和长短时记忆网络算法对所述储能电站与电力系统其他设备之间关联特性的时空因优储能电站参数集作为最优的储能电站多元应2获取储能电站的多元应用场景数据，所述多元应用场景数据包括电力辅助服务数据、利用图神经网络算法和长短时记忆网络算法对所述储能电站多元应用模型进行训练基于多个候选储能电站参数集采用蒙特卡洛仿真方法进行长时序基于所述多元应用场景数据分别提取时间序列特征和空间关利用图神经网络算法和长短时记忆网络算法对所述储能电站多元应用模型进行训练构建储能电站多元应用模型样本数据集，所述储能电站采用图卷积神经网络提取所述储能电站多元应用模型样本数据集中储能电站节点的空间关联特征，所述图卷积神经网络通过逐层聚合储能电站节点与其邻域节点的特征信3将所述长短时记忆网络的输出结果通过全连接层映射到储能电站多元应用模式的概网络和所述长短时记忆网络的模型参数，训练得到图卷积神经网络和长短时记忆网络模利用训练得到的图卷积神经网络和长短时记隐藏状态的可视化分析表示储能电站在时间序列上的多尺度因采用异步优势算法实现多智能体策略的分布式学习优化，每个智能构建多个独立的环境模拟器，每个模拟器内封装模拟器根据智能体的策略生成动作，根据环境的状态转移函数生成下一状态和奖励反馈，根据蒙特卡洛仿真样本，构建包含多个定量指标和定性指标的评价指确定适应度函数，所述适应度函数的自变量为参数集的综合评4对新指标权重种群进行交叉操作，采用算术交叉策略生成子代权重提取所述时空因果关联矩阵中储能电站与关联设备之间的关联度量采用多目标粒子群优化算法对所述储能电站参数优化配置模型进计算帕累托最优参数配置解集中每个参数配置组合在包括对帕累托最优解集中的参数配置组合进行排序，选取综合性能指标最大的前N个组合作为针对候选储能电站参数集，通过蒙特卡洛仿真方法对储能电同运行轨迹数据采用动态时间规整方法对轨迹进行对齐，提取反映轨迹特征的关键指标，将关键特征映射到对应的储能电站参数，通过统计推断方长期效益和风险指标之间的相关性，构建关键参数与效益风险指标之间的概率关联模型，54.面向源网荷多元应用的储能电站评估系统，用于实现前述权利要求1_3中任一项所第一单元，用于获取储能电站的多元应用场景数据，所述多第二单元，用于利用图神经网络算法和长短时记忆网络算法对所述第三单元，用于基于多个候选储能电站参数集采用蒙特能电站参数集作为最优的储能电站多元应用其中，所述处理器被配置为调用所述存储器存储的指令，以执行序指令被处理器执行时实现权利要求1至36[0001]本发明涉及电力技术，尤其涉及面向源网荷多元应用的储能电站评估方法及系[0007]利用图神经网络算法和长短时记忆网络算法对所述储能电站多元应用模型进行参数优化配置模型求解得到候选储能电站参数集，所述候选储能电站参数集包括最优功7优储能电站参数集作为最优的储能电站多元应用配置[0022]融合时空因果关联矩阵和策略决策模型,构建了储能电站参数优化配置模型,可同时优化储能电站的功率、容量和运行工况等多个关键参数,充分挖掘储能电站的潜在价值空间,实现储能资源配置和运行策略的协同优化。本发明突破了传统储能电站评估的局8[0027]图1为本发明实施例面向源网荷多元应用的储能电站评估方法的流程示意图，如[0029]示例性地，获取储能电站的多元应用场景[0031]上述多元应用场景数据可通过储能电站自身配置的传感器和监测设备采集获得,[0033]时间序列特征:提取多元应用场景数据的时间维度上的特征,如周期性、趋势性与储能电站充放电行为的影响机制;决策行为特征:总结储能电站在不同应用场景下的最[0034]利用机器学习算法对所述储能电站多元应用模型进多维度特征的应用模型,并利用机器学习算法得到智能应用模型,可实现储能电站在复杂9中提取了一系列时间序列特征,包括储能电站充放电功率、荷电状态(StateofCharge,和特征增强处理。小波变换通过在时域和频域同时对信号进行局部化分析,能够有效地去除时间序列数据中的高频噪声干扰,突出数据的多尺度特征。本文选择Daubechies4(db4)小波作为母小波函数,对每个时间序列特征进行4层小波分解,在第4层低频子带上重构得到增强后的特征序列。[0043]除了时间序列特征外,储能储能电站与周围电网设备的空间拓扑关联关系。具体地,采用电气距离(ElectricalDistance)来度量储能电站与其他节点的空间关联强度。电气距离描述了两个节点在潮流[0044]在提取时间序列特征和空间关联特征后,需征的演化规律和关联模式。对于时间序列特征,本文采用长短期记忆(LongShort_Term间序列数据中的长期依赖关系,且对噪声和缺失数据具有较强的鲁棒性。通过堆叠多层LSTM单元,可以建立起深度循环神经网络结构,从复杂的时间序列数据中学习到高层次的[0045]对于空间关联特征,本文采用图卷积神经网络(GraphConvolutionalNetwork,扑结构上定义卷积和池化等操作,能够自动学习节点的高阶空间关联特征。将储能电站和站的空间关联模式进行建模分析。本文构建了一个包含2层图卷积层和1层图池化层的GCN模型,通过半监督学习方式进行模型训练,使其能够准确预测储能电站与其他节点的空间力市场价格等经济因素。揭示储能电站与这些因素之间的因果关系,对于优化调度运行策[0047]因果关联特征模型采用图模型、贝叶斯模型中的节点,根据专家经验给出它们之间可能存在的因果边,构成一个初始的因果拓扑得到一个精炼的因果关联图模型,电网频率、负荷功率和电价均为储能电站充放电功率的[0048]为了进一步提高因果关联特征模型的表达能力,可以使模型自适应地关注到对当前任务目标影响较大的关键特征。借鉴这一思想,时空注意力因果网络采用门控循环单元(GatedRecurrentUnit,GRU)对各节点的时间序列数据[0049]将注意力权重与因果强度相乘,即可得注意力机制,因果关联模型能够根据节点的动态特征自适应地调整因果强度,提高了因果推断的精准性。本文在真实电网运行数据上验证了时空注意力因果网络的有效性,平均因[0050]储能电站的运营涉及诸多决策行目标优化的特点。为了对储能电站的决策行为进行建模,本文提出了一种基于多智能体强[0051]在多智能体强化学习框架下,每个智能体代表一个独立的决策行为,如充放电策函数,通过与环境的交互学习优化自身的决策策略。智能体的决策过程可用马尔可夫适应动态规划(AdaptiveDynamicProgramming,ADP)和异步优势算法(Asynchronous务器协调多个并行的Actor_Critic学习器,通过梯度累积机制和策略熵正则化提高了[0053]在多智能体联合决策时,需要对不同智能体的策略进行协调,以实现全局收益最到一个纳什均衡点,使得在该点处任意智能体无法通过单方面改变策略而获得更高收益。此外,本文还利用长短期记忆网络(LSTM)对智能体的决策序列进行时序建模,引入了决策[0054]通过前面的特征提取和模型构建,得到了刻策行为的4个子模型。为挖掘不同模型之间特征和决策行为特征,通过图注意力网络(GraphAttentionNetwork,GAT)实现时空特征[0055]具体而言,图卷积神经网络部分包含3层图卷积层和2层图池化层,图池化层采用差分池化的方式,通过边缘特征的加权组合实现图粒度的降低。图注意力网络部分包含多述储能电站的动态运行特征,揭示储能电站与外部因素之间的因果影响机制,并模拟储能电站在多目标约束下的最优决策行为,为储能电站的实际运营管理提供智能化的决策支[0057]S102.利用图神经网络算法和长短时记忆网络算法对所述储能电站多元应用模[0059]利用图神经网络算法和长短时记忆网络算法对所述储能电站多元应用模型进行[0061]采用图卷积神经网络提取所述储能电站多元应用模型样本数据集中储能电站节[0062]将所述长短时记忆网络的输出结果通过全连接层映射到储能电站多元应用模式数据集中的每个样本由三部分组成:储能电站及其相关电力设备节点属性的时间序列矩[0066]储能电站作为电网的一个节点,其应用行为不仅取决于自身的运行状态,也受到周围电力设备的影响。为刻画储能电站在电网拓扑结构中的空间关联特性,本文采用图卷积神经网络(GraphConvolutionalNetwork,GCN)对样本数据集中的邻接矩阵进行特征16。模型输入为储能电站节点在某一时刻[0068]值得一提的是,电网拓扑结构的邻接矩阵通常是一个稀疏矩阵,大部分元素为0。[0069]储能电站的运行模式和效果呈现出明显的时序系,本文接入了一个长短时记忆网络(LongShort_TermMemory,LSTM)。LSTM是一种专门处理序列数据的循环神经网络,通过引入门控机制,能够有效地缓解梯度消失和梯度爆炸的细胞状态信息被遗忘的程度,输入门控制当前时刻的输入信息流入细胞状态的强度,输[0072]在模型训练阶段,通过端到端的反向传播和梯度下降算法最小化损失函数,联合[0073]在训练得到的GCN和LSTM模型的基础上,本文进一步生成了表示储能电站与电力刻画了储能电站节点与其邻居节点在空间拓扑上的相互影响强度和传播模式。此外,通过对LSTM隐藏状态序列进行主成分分析,刻画了储能电站在不同时间尺度下的因果关联模式[0078]构建多个独立的环境模拟器，每个模拟器内封装一个智[0079]示例性地，为实现储能电站在多元应用场异步优势算法(AsynchronousAdvantageActor_Critic,A3C)的多智能体强化学习框架。装了一个智能体与环境的交互过程,智能体根据当前的策略生成动作,环境根据状态转移然各智能体独立学习,但通过全局参数服务器的参数同步,不同智能体之间依然可以分享[0081]为简化问题,本文考虑储能电站的日内运行优化,因此状态空间和动作空间的时[0082]奖励函数在强化学习中起着至关重要的作用,它决定了[0083]在A3C算法中,每个智能体包含一个策略网络(Actor)和一个价值网络(Critic),[0084]对于策略网络,本文采用一个三的输出经过ReLU激活后,分别输入到三个输出头:动作头生成连续的充放电功率的概率密度函数,采样头生成离散的运行模式的概率质量函数,报价头生成离散的报价的概率质量状态动作值函数。为建模时序依赖关系,在输入层和输出层之间引入了一个长短时记忆策略共享。随着训练的进行,所有智能体的策略网络和价值网络最终收敛到同一个最所述策略决策模型在不同参数配置下的效用评估指标，所述关联度量指标包括互耦合度、指标对帕累托最优解集中的参数配置组合进行排序，选取综合性能指标最大的前N个组合[0092]示例性地，在多目标粒子群优化的迭代过程近真实的帕累托最优解集。为克服这一问题,本文提出了一种基于信息熵的目标权重自适[0093]具体地,假设第k代种群在第j个优化目标子在目标上分布均匀,即落入各区间的概率接重向量中每个分量等于对应目标信息熵的倒数比上所有目标信息熵倒数之和。可以证明,[0095]结合前述的基于信息熵的目标权重自适项三项之和。其中认知项和社会项的计算均乘以自适应权重向量,以引导粒子向不同[0106]8.令迭代次数k加1,若未达到最大迭代次数且未满足收敛条件,则转第2步;否[0107]在算法执行过程中,通过动态调整目标权重,可引导粒子在搜索空间中更均匀地[0108]为验证所提参数自适应策略的有效题:Schaffer,Kursawe和Fonseca,对比了标准多目标粒子群优化(MOPSO)算法和嵌入参数自适应调整策略的MOPSO(记为Adaptive_MOPSO)算法的优化性能。两种算法的参数设置相性能指标IGD(InvertedGenerationalDistance)和HV(Hypervolume)评估解集质量。IGD[0109]对比结果显示,Adaptive_MOPSO在所有测试问题上的IGD均显著小于MOPSO,HV均显著大于MOPSO,表明前者获得了更优的非支配解集。Kursawe测试问题的收敛曲线表明,略的多目标粒子群优化算法,在经典测试问题上展现了优越的全局寻优性能,为求解储能[0110]S103.基于多个候选储能电站参数集采用蒙特卡洛仿真方法进行长时序多场景电站参数集作为最优的储能电站多元应用配置方案。[0114]利用轨迹特征向量通过度量学习方法计算轨迹相似度矩阵，基于轨迹相似度矩同场景下的运行轨迹数据,每条轨迹反映储能电站在某个参数配置下的长期运行过程。然一问题,本文采用动态时间规整(Dynam[0117]DTW是一种广泛用于时间序列相似度度量的技术,通过寻找两条时间序列之间的反映轨迹特征的关键指标,构成轨迹特征向量。本文选取的轨迹特征指标包括时间序列统这一问题,本文采用大余弦相似度(LargeMarginCosineSimilarity,LMCS)度量学习方得最优的映射矩阵。将轨迹特征向量通过最优映射矩阵映射到度量空间后,采用余弦相似[0120]基于轨迹相似度矩阵,本文采用谱聚类算法对储能运行轨迹进行聚类,识别典型[0121]具体地,将每条储能运行轨迹视为相似性图中的一个节点,轨迹间的相似度作为一化割的定义为每个簇的割集与簇的体积之比的加和,其中割集表示连接该簇与其他簇的即可得到图的最优K划分。应用谱聚类算法对储能运行轨迹数据[0123]为进一步解释不同运行模式的内在差异,本文征在簇间和簇内的均方差之比,F统计量越大,说明特征对簇间差异的贡献越大,重要性越[0124]通过轨迹聚类和特征选择,本文识别出影响储对应。为建立关键参数与长期效益风险的关联模型,本文采用统计推断方法分析参数与特对于连续型特征使用恒等函数,二元型特征使用Logit函数,计数型特征使用对数函数等。[0126]在识别出关键参数后,需要进一步评估其对储能总方差之比。主效应指数衡量单个参数对输出的影响,交互效应指数衡量参数之间的交互[0127]根据Sobol指数分析结果,识别出对储能电站长期效益和风险影响最显著的关键间中选取新的参数集样本。与传统的随机抽样和网格抽样相比,拉丁超立方抽样具有更好的空间填充性和均匀性。对于p维参数空间,拉丁超立方抽样将每个维度划分为N个互不相[0128]利用拉丁超立方抽样获得的新参数集样本,重复执行蒙特卡洛仿真,生成优化后的仿真结果数据集。与原始的参数集相比,新的参数集样本更加聚焦于影响储能电站长期[0134]示例性地，为全面评估储能电标和定性指标的综合评价指标体系。定量指标主要来源于蒙特卡洛仿真结果,包括技术经[0135]除定量指标外,储能