本發(fā)明涉及儲能規(guī)劃，具體涉及一種基于生成式時(shí)空圖神經(jīng)網(wǎng)絡(luò)的儲能規(guī)劃方法。

背景技術(shù)：

1、隨著新型電力系統(tǒng)建設(shè)推進(jìn)，可再生能源占比不斷提高，其波動(dòng)性、隨機(jī)性對系統(tǒng)的靈活調(diào)節(jié)能力提出更高要求。儲能具有平抑功率波動(dòng)，削峰填谷，維持系統(tǒng)電力電量平衡的作用，是一種重要的靈活性資源。合理規(guī)劃系統(tǒng)中儲能的配置，提高系統(tǒng)對可再生能源的消納能力，對新型電力系統(tǒng)發(fā)展具有重要意義。

2、目前常用的儲能規(guī)劃方法主要為物理建模方式，即基于系統(tǒng)中源網(wǎng)荷儲的物理模型，構(gòu)造目標(biāo)函數(shù)與約束條件，得到混合整數(shù)規(guī)劃問題。電力系統(tǒng)物理模型中存在潮流方程等非線性關(guān)系，導(dǎo)致求解存在困難?，F(xiàn)有規(guī)劃方法采用分支定界法等局部線性化方法，或采用遺傳算法、粒子群算法等啟發(fā)式算法求解混合整數(shù)非線性規(guī)劃問題。隨著新型電力系統(tǒng)發(fā)展，儲能規(guī)劃所需考慮的因素不斷增加，描述規(guī)劃場景所需的數(shù)據(jù)更加復(fù)雜；儲能規(guī)劃需考慮安全性、經(jīng)濟(jì)性、清潔性等多種目標(biāo)，以充分發(fā)揮儲能的多重應(yīng)用功能?；谖锢斫５母呔S非線性優(yōu)化問題求解困難將更加突出。

技術(shù)實(shí)現(xiàn)思路

1、為解決上述技術(shù)問題，本發(fā)明提供一種基于生成式時(shí)空圖神經(jīng)網(wǎng)絡(luò)的儲能規(guī)劃方法，基于生成式時(shí)空圖神經(jīng)網(wǎng)絡(luò)的儲能規(guī)劃方法利用神經(jīng)網(wǎng)絡(luò)模型，在已有儲能規(guī)劃案例中學(xué)習(xí)系統(tǒng)場景、儲能分布與規(guī)劃效果的隱含關(guān)系，之后針對新的場景生成優(yōu)化的儲能配置。本發(fā)明利用神經(jīng)網(wǎng)絡(luò)強(qiáng)大的非線性擬合能力，實(shí)現(xiàn)對系統(tǒng)中高維非線性關(guān)系的建模；利用神經(jīng)網(wǎng)絡(luò)的泛化能力，實(shí)現(xiàn)由現(xiàn)有規(guī)劃方案到新的規(guī)劃場景的遷移，以提高儲能規(guī)劃方法對新型電力系統(tǒng)的適應(yīng)性。

2、本發(fā)明構(gòu)建基于生成式時(shí)空圖神經(jīng)網(wǎng)絡(luò)的儲能規(guī)劃方法，其將消息傳遞圖神經(jīng)網(wǎng)絡(luò)（mpnn）與時(shí)間卷積網(wǎng)絡(luò)（tcn）結(jié)合，從現(xiàn)有儲能規(guī)劃運(yùn)行方案中提取系統(tǒng)場景與儲能分布的時(shí)空特征信息；構(gòu)建儲能分布生成模型與儲能分布評價(jià)模型協(xié)同迭代優(yōu)化流程，由待規(guī)劃場景數(shù)據(jù)生成優(yōu)化的儲能配置。

3、為達(dá)到上述目的，本發(fā)明采用如下技術(shù)方案：

4、一種基于生成式時(shí)空圖神經(jīng)網(wǎng)絡(luò)的儲能規(guī)劃方法，包括以下步驟：

5、步驟一：收集并整理用于訓(xùn)練的多場景系統(tǒng)數(shù)據(jù)與待規(guī)劃系統(tǒng)數(shù)據(jù)；

6、步驟二：對用于訓(xùn)練的多場景系統(tǒng)數(shù)據(jù)設(shè)置多種儲能功率分布，根據(jù)潮流分析結(jié)果計(jì)算與系統(tǒng)場景、儲能分布對應(yīng)的優(yōu)化目標(biāo)值，形成訓(xùn)練數(shù)據(jù)樣本集；

7、步驟三：結(jié)合mpnn、tcn與全連接層構(gòu)建儲能分布生成模型與儲能分布評價(jià)模型；

8、步驟四：將步驟三構(gòu)建的儲能分布生成模型與儲能分布評價(jià)模型在步驟二的訓(xùn)練數(shù)據(jù)樣本集上進(jìn)行訓(xùn)練，得到優(yōu)化后的儲能分布生成模型與儲能分布評價(jià)模型；

9、步驟五：將步驟一的待規(guī)劃系統(tǒng)數(shù)據(jù)作為步驟四的儲能分布生成模型的輸入，在步驟四的儲能分布評價(jià)模型指導(dǎo)下進(jìn)行優(yōu)化迭代，獲得最優(yōu)儲能功率分布；

10、步驟六：根據(jù)最優(yōu)儲能功率分布計(jì)算最優(yōu)儲能配置。

11、進(jìn)一步地，在步驟一中，所述多場景系統(tǒng)運(yùn)行數(shù)據(jù)、仿真數(shù)據(jù)與待規(guī)劃系統(tǒng)數(shù)據(jù)包括系統(tǒng)拓?fù)鋮?shù)、各節(jié)點(diǎn)新能源功率、各節(jié)點(diǎn)負(fù)荷功率、經(jīng)濟(jì)性相關(guān)參數(shù)，其中系統(tǒng)拓?fù)鋮?shù)包括系統(tǒng)網(wǎng)架結(jié)構(gòu)與各支路電阻、電抗、電納、額定容量時(shí)間序列；各節(jié)點(diǎn)新能源功率包括新能源輸出有功、無功功率時(shí)間序列；各節(jié)點(diǎn)負(fù)荷功率包括負(fù)荷有功、無功功率時(shí)間序列；經(jīng)濟(jì)性相關(guān)參數(shù)包括儲能固定建設(shè)成本、儲能單位容量建設(shè)成本、儲能充放電效率、儲能單位充放電功率成本系數(shù)等。使用數(shù)據(jù)清洗和最大最小歸一化對數(shù)據(jù)進(jìn)行預(yù)處理，提高數(shù)據(jù)質(zhì)量。

12、進(jìn)一步地，在步驟二中，所述儲能功率分布設(shè)置方法為采用正態(tài)分布抽樣隨機(jī)設(shè)置多組；所述潮流分析為根據(jù)系統(tǒng)拓?fù)鋮?shù)與節(jié)點(diǎn)類型、注入功率等已知條件，求解節(jié)點(diǎn)電壓與支路功率分布；所述優(yōu)化目標(biāo)值為儲能規(guī)劃的優(yōu)化目標(biāo)，如可根據(jù)需求設(shè)置；所述訓(xùn)練樣本數(shù)據(jù)集為大量數(shù)據(jù)樣本構(gòu)成的集合，其中每一個(gè)數(shù)據(jù)樣本由一組系統(tǒng)場景時(shí)空圖、儲能分布時(shí)空圖與優(yōu)化目標(biāo)向量構(gòu)成。

13、進(jìn)一步地，在步驟二中，所述時(shí)空圖數(shù)據(jù)的數(shù)學(xué)表達(dá)為,，其中表示t時(shí)刻的節(jié)點(diǎn)特征向量，表示t時(shí)刻的邊特征向量。所述系統(tǒng)場景時(shí)空圖數(shù)據(jù)記為，將系統(tǒng)中各節(jié)點(diǎn)的類型、新能源功率、負(fù)荷功率作為節(jié)點(diǎn)特征向量，將系統(tǒng)中各支路的電阻、電抗、電納與額定容量作為邊特征向量；所述儲能分布時(shí)空圖數(shù)據(jù)記為，將系統(tǒng)中各節(jié)點(diǎn)的儲能功率作為節(jié)點(diǎn)特征向量；對于每一對確定的和，將其儲能規(guī)劃的各優(yōu)化目標(biāo)值拼接，構(gòu)成優(yōu)化目標(biāo)向量。

14、進(jìn)一步地，在步驟三中，所述mpnn為通過消息傳遞機(jī)制與讀取機(jī)制，對圖數(shù)據(jù)結(jié)構(gòu)進(jìn)行處理的圖神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

15、所述消息傳遞機(jī)制分為消息傳遞與節(jié)點(diǎn)狀態(tài)更新兩步。所述消息傳遞步的數(shù)學(xué)表達(dá)為：

16、；

17、其中，為節(jié)點(diǎn)v接收到的信息，為v的鄰接點(diǎn)的集合；為節(jié)點(diǎn)v在第l次信息傳遞前的特征向量，為節(jié)點(diǎn)w在第l次信息傳遞前的特征向量，為連接v與w的邊在第l次信息傳遞前的特征向量；為節(jié)點(diǎn)在第l次信息傳遞的消息函數(shù)，通過神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)，含有可學(xué)習(xí)參數(shù)。

18、所述節(jié)點(diǎn)狀態(tài)更新步的數(shù)學(xué)表達(dá)為：

19、；

20、其中，為節(jié)點(diǎn)在第l次信息傳遞的更新函數(shù)，通過神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)，含有可學(xué)習(xí)參數(shù)。

21、所述讀取機(jī)制的數(shù)學(xué)表達(dá)為：

22、；

23、其中，y為圖的總體特征向量，為讀取函數(shù)，通過神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)，含有可學(xué)習(xí)參數(shù)。

24、進(jìn)一步地，在步驟三中，所述tcn為通過一維卷積操作處理時(shí)間信息的時(shí)間卷積神經(jīng)網(wǎng)絡(luò)。

25、進(jìn)一步地，在步驟三中，所述的儲能分布生成模型以為輸入，經(jīng)過mpnn層、多個(gè)tcn層處理，輸出；所述的儲能分布評價(jià)模型由多個(gè)子模型構(gòu)成，每個(gè)子模型以和為輸入，經(jīng)過mpnn層等神經(jīng)網(wǎng)絡(luò)層處理，輸出儲能規(guī)劃優(yōu)化目標(biāo)值組成的向量。

26、進(jìn)一步地，在步驟四中，所述的儲能分布生成模型的訓(xùn)練過程包括無監(jiān)督訓(xùn)練與有監(jiān)督訓(xùn)練，其中多層tcn通過無監(jiān)督訓(xùn)練，學(xué)習(xí)可行的的一般特征；mpnn層通過有監(jiān)督訓(xùn)練，學(xué)習(xí)現(xiàn)有規(guī)劃方案中與的映射關(guān)系。所述的儲能分布評價(jià)模型通過有監(jiān)督訓(xùn)練，學(xué)習(xí)、與優(yōu)化目標(biāo)值之間的映射關(guān)系。

27、進(jìn)一步地，在步驟五中，首先將待規(guī)劃系統(tǒng)的場景圖數(shù)據(jù)輸入步驟四中訓(xùn)練的儲能分布生成模型，得到第1次迭代的儲能分布時(shí)空圖；之后將和輸入步驟四中訓(xùn)練的儲能分布評價(jià)模型，得到優(yōu)化目標(biāo)向量；計(jì)算與理想的優(yōu)化目標(biāo)向量之間的誤差，通過反向傳播算法，更新所述的儲能分布生成模型的參數(shù)；再次將待規(guī)劃系統(tǒng)的輸入儲能分布生成模型，得到第2次迭代的儲能分布時(shí)空圖，進(jìn)而得到優(yōu)化目標(biāo)向量。以此類推循環(huán)迭代，使得與之間的誤差逐漸縮小。經(jīng)過多次迭代后，與間誤差最小的即為模型生成的最優(yōu)儲能分布。

28、進(jìn)一步地，在步驟六中，根據(jù)步驟五給出的最優(yōu)儲能分布，計(jì)算系統(tǒng)中各節(jié)點(diǎn)的儲能功率與容量，得到最優(yōu)儲能規(guī)劃方案。

29、本發(fā)明的有益效果：

30、本發(fā)明基于數(shù)據(jù)驅(qū)動(dòng)范式，建立基于生成式時(shí)空圖神經(jīng)網(wǎng)絡(luò)的儲能規(guī)劃方法，利用神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)現(xiàn)有儲能規(guī)劃運(yùn)行方案中的信息，擬合系統(tǒng)中各類數(shù)據(jù)的非線性關(guān)系，進(jìn)而利用神經(jīng)網(wǎng)絡(luò)的泛化能力，在新的規(guī)劃場景下生成優(yōu)化的儲能配置，避免了傳統(tǒng)規(guī)劃方法基于物理模型，在解決高維非線性優(yōu)化問題中的求解困難問題，可為新型電力系統(tǒng)的儲能規(guī)劃問題提供更有效的解決方法。