一种集中式风电场电力处理长期策略确定方法及设备与流程

本技术涉及风电场的电力交易，特别是涉及一种集中式风电场电力处理策略确定方法及设备。

背景技术：

1、2002年中国电力行业改革，实行厂网分离政策以来，发电侧逐渐放松管制并形成了有效竞争，但是售电侧仅于近年形成了区域性质的省内电力市场。

2、上述省内电力市场包括现货市场、中长期直接交易市场和期货电力衍生品市场。其中，电力现货交易是指在现货电力市场进行的交易。现货电力市场包括日前、日内和实时的电能量与备用等辅助服务交易市场。国内现货电力市场作为市场化电力电量平衡机制的补充部分，发挥完善交易品种、形成充分竞争的作用。

3、省内电力市场仅允许大用户及成规模的发电企业参与，而现货电力市场上的新能源发电企业一直保持沉默。智能电网的最新发展为协调、监视和控制配电级别的短期或实时电力输送开辟了新的可能性。但是，大量的新能源场站参与现货电力市场将导致电网边缘的明显不确定性，如何对集中式光伏电站参与中长期电力市场进行管理。实现集中式风电场参与现货电力市场长期交易收益最大化，成为行业亟待解决的技术问题。

技术实现思路

1、本技术的目的是：为解决上述技术问题，本技术实施例中提供了一种集中式风电场电力处理策略确定方法及设备。旨在实现集中式风电场参与现货电力市场长期交易收益最大化。

2、本技术的一些实施例中，基于深度强化学习算法的交易策略对集中式风电场参与现货电力市场进行管理。通过深度强化学习算法生成最优长期交易模型，基于长期交易市场进行决策，实现集中式风电场参与现货电力市场长期交易收益最大化。

3、本技术的一些实施例中，通过对每个时间段的实时电价、集中式风电场发电量、风机及输变电设备计划检修需求、风机及输变电设备故障消缺、外送线路容量变化、电网限负荷等不确定因素进行数学建模，利用场景生成法得到包括上述所有不确定因素的一定数量的训练集(要求涵盖有代表性的场景)，并对集中式风电场相关设施进行数学建模(包括外送线路、主变、集电线路、箱变、风机、升压站内部用电设备等)形成虚拟环境，通过将初始状态、初始控制变量、参数等输入虚拟环境进行迭代训练，得到各种情况下集中式风电场参与现货电力市场长期交易策略，保证集中式风电场参与现货电力市场长期交易收益最大化。

4、本技术的一些实施例中，通过预设年度时间节点和季度时间节点，并根据年度时间节点和季度时间节点获取最优长期交易模型的同比增长率和环比增长率，通过环比增长率判断当前季度时间节点是否对模型进行修正，提高模型决策的准确性。并通过同比增长率进行判断，避免季节性影响造成的收益波动，并通过年度时间节点对模型进行周期性修正，保证模型的准确性，现集中式风电场参与现货电力市场长期交易收益最大化。

5、本技术的一些实施例中，提供了一种集中式风电场电力处理长期策略确定方法，包括：

6、将风电场历史运行数据根据年，季划分后，过深度强化学习算法对所述运行数据进行数学建模生成原始长期交易模型，并通过场景生成法生成训练集和测试集，所述风电场历史运行数据包括：每个时间段的实时电价数据、集中式风电场发电量数据、风机及输变电设备计划检修需求数据、风机及输变电设备故障消缺数据、外送线路容量变化和电网限负荷数据；

7、获取风电场设备历史运行数据，并对所述风电场设备历史运行数据进行数学建模生成虚拟环境，所述风电场设备历史运行数据包括：外送线路、主变压器、集电线路、箱式变电站、逆变器、电池包和升压站内部用电设备的以年、季划分的历史数据；

8、设定虚拟环境中的初始状态、初始控制变量和参数，对所述原始长期交易模型进行迭代训练，生成最优长期交易模型；

9、获取最优长期交易模型预设季度收益值，并根据风电场历史运行数据获取所述最优长期交易模型的同比增长率和环比增长率，并根据所述同比增长率和所述环比增长率修正所述最优长期交易模型。

10、本技术的一些实施例中，对所述风电场设备历史运行数据进行数学建模生成虚拟环境时，包括：

11、设定向量元组：{s，a，r，s}；

12、其中第一向量s为状态空间、第二向量a为操作空间；

13、s是从原始状态空间s从时间t到时间t+1的环境转换后的状态空间；

14、r:表示奖励函数，即集中式风电场业主在执行从状态s变为状态s的操作a后获得的即时奖励。

15、本技术的一些实施例中，所述第一向量空间s包括：

16、s＝[mc,t，ttin，ttiw，ttow，pb,t，ps,t]；

17、其中，mc,t为集中式风电场检修班组的工作量，ttin为升压站室温、ttiw升压站内层温度、ttow升压站外层温度，pb,t为通过现货电力市场买电，ps,t为通过现货电力市场卖电量。

18、4、如权利要求2所述的集中式风电场电力处理长期策略确定方法，其特征在于，所述第二向量a包括：

19、

20、为检修班组在升压站，为检修班组在风机点，为检修班组在路上，σt为升压站内部空调控制指令，ub,t为选择从现货电力市场买电，us,t为向现货电力市场卖电；

21、其中，σt＝－1为制冷控制指令，σt＝0为闲置控制指令，σt＝1为制热控制指令。

22、本技术的一些实施例中，所述奖励函数包括：

23、

24、其中，cb为实时从电力市场买电的价格；cs为实时向电力市场卖电的价格；cc为检修人员的劳务报酬系数；com为集中式风电场的其他运维成本；为集中式风电场安全运行系数。

25、本技术的一些实施例中，根据所述同比增长率和所述环比增长率修正所述最优长期交易模型时，包括：

26、预设年度时间节点和季度时间节点；

27、根据所述季度修正时间节点获取当前季度收益值，并根据所述季度收益值生成同比增长率c1和环比增长率d1；

28、预设环比增长率矩阵d，设定d(d1，d2)，其中，d1为预设第一环比增长率，d2为预设第二环比增长率，且d1＜d2；

29、获取所述环比增长率c1，并根据所述环比增长率c1判断当前季度时间节点是否修正所述最优长期交易模型；

30、若c1＜c1时，修正所述最优长期交易模型，并重新设定所述年度时间节点；

31、若c1＜c1＜c2时，获取所述环比增长率d1，并根据所述环比增长率d1判断是否修正所述最优长期交易模型；

32、若c1＞c2，不修正所述最优长期交易模型，当到达所述年度时间节点时修正所述最优长期交易模型。

33、本技术的一些实施例中，根据所述环比增长率d1判断是否修正所述最优长期交易模型时，包括：

34、预设第一环比增长率d1

35、若所述环比增长率d1小于所述预设第一环比增长率d1，修正所述最优长期交易模型，并重新设定所述年度时间节点；

36、若所述环比增长率d1大于所述预设第一环比增长率d1，不修正所述最优长期交易模型，当到达所述年度时间节点时修正所述最优长期交易模型。

37、本技术的一些实施例中，提供了一种集中式风电场电力处理长期策略确定设备，包括；

38、数据处理模块，用于将风电场历史运行数据根据年，季划分后，过深度强化学习算法对所述运行数据进行数学建模生成原始长期交易模型，所述数据处理模块还用于通过场景生成法生成训练集和测试集；

39、虚拟环境模块，用于获取风电场设备历史运行数据，并对所述风电场设备历史运行数据进行数学建模生成虚拟环境；

40、算法模型模块，用于设定虚拟环境中的初始状态、初始控制变量和参数，所述算法模型模块还用于对所述原始长期交易模型进行迭代训练，生成最优长期交易模型。

41、本技术的一些实施例中，所述虚拟环境模块还用于：

42、设定向量元组：{s，a，r，s}；

43、其中第一向量s为状态空间、第二向量a为操作空间；

44、s是从原始状态空间s从时间t到时间t+1的环境转换后的状态空间；

45、r:表示奖励函数，即集中式风电场业主在执行从状态s变为状态s的操作a后获得的即时奖励。

46、本技术的一些实施例中，还包括：

47、模型修正模块，用于预设年度时间节点和季度时间节点，并根据所述年度时间节点和所述季度时间节点获取最优长期交易模型预设季度收益值；

48、所述模型修正模块还用于根据风电场历史运行数据获取所述最优长期交易模型的同比增长率和环比增长率，并根据所述同比增长率和所述环比增长率修正所述最优长期交易模型。

49、本技术实施例一种集中式风电场电力处理长期策略确定方法及设备与现有技术相比，其有益效果在于：

50、基于深度强化学习算法的交易策略对集中式风电场参与现货电力市场进行管理。通过深度强化学习算法生成最优长期交易模型，基于长期交易市场进行决策，实现集中式风电场参与现货电力市场长期交易收益最大化。

51、通过对每个时间段的实时电价、集中式风电场发电量、风机及输变电设备计划检修需求、风机及输变电设备故障消缺、外送线路容量变化、电网限负荷等不确定因素进行数学建模，利用场景生成法得到包括上述所有不确定因素的一定数量的训练集(要求涵盖有代表性的场景)，并对集中式风电场相关设施进行数学建模(包括外送线路、主变、集电线路、箱变、风机、升压站内部用电设备等)形成虚拟环境，通过将初始状态、初始控制变量、参数等输入虚拟环境进行迭代训练，得到各种情况下集中式风电场参与现货电力市场长期交易策略，保证集中式风电场参与现货电力市场长期交易收益最大化。

52、通过预设年度时间节点和季度时间节点，并根据所述年度时间节点和所述季度时间节点获取最优长期交易模型的同比增长率和环比增长率，通过环比增长率判断当前季度时间节点是否对模型进行修正，提高模型决策的准确性。并通过同比增长率进行判断，避免季节性影响造成的收益波动，并通过年度时间节点对模型进行周期性修正，保证模型的准确性，现集中式风电场参与现货电力市场长期交易收益最大化。