(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210907638.8 (22)申请日 2022.07.29 (71)申请人 中国电力科 学研究院有限公司 地址 210003 江苏省南京市 鼓楼区南瑞路8 号 申请人 国网安徽省电力有限公司电力科 学 研究院　 国网浙江省电力有限公司绍兴供电 公司　 国家电网有限公司 (72)发明人 严嘉豪　李亚平　李远松　王丽君　 孙滢涛　姚建国　王珂　杨胜春　 毛文博　成梁成　 (74)专利代理 机构 北京中巡通大知识产权代理 有限公司 1 1703 专利代理师 文骊鹍(51)Int.Cl. G06F 30/27(2020.01) G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 50/06(2012.01) G06K 9/62(2022.01) H02J 3/06(2006.01) G06F 111/04(2020.01) (54)发明名称 一种电网前瞻优化调度方法及系统 (57)摘要 本发明公开了一种电网前瞻优化调度方法 及系统， 包括： 根据实际电网环境， 确定当前时段 的观测量； 将所述当前时间的观测量输入到训练 后的前瞻调度决策智能体中， 得到前瞻调度巡航 路径， 根据所述前瞻调度巡航路径进行电网前瞻 优化调度， 其中， 训练后的前瞻调度决策智 能体 通过约束强化学习方法训练得到， 该方法及系统 能够具有智能化水平高以及决策效率高的特点。 权利要求书2页 说明书9页 附图2页 CN 115204056 A 2022.10.18 CN 115204056 A 1.一种电网前瞻优化调度方法， 其特 征在于， 包括： 根据实际电网环境， 确定当前时段的观测量； 将所述当前时段的观测量输入到训练后的前瞻调度决策智能体中， 得到前瞻调度巡航 路径， 根据所述前瞻调 度巡航路径进 行电网前瞻优化调度， 其中， 训练后的前瞻调 度决策智 能体通过约束强化学习方法训练得到 。 2.根据权利要求1所述的电网前瞻优化调度方法， 其特征在于， 所述当前时段的观测量 包括下述中的至少一种： 当前时段机组出力、 下一时段节点负荷有功功率相对于当前时段 的调节值、 下一时段电网的总负荷功 率相对于 当前时段的调节值、 电网中线路的开断状态、 机组出力可调范围上限以及机组出力可调范围下限。 3.根据权利要求1所述的电网前瞻优化调度方法， 其特征在于， 所述将所述当前时段的 观测量输入到训练后的前瞻调度决策智能体中之前还 包括： 建立面向电力系统前瞻调度问题的数字运行仿真环境； 在所述数字运行仿真环境下， 基于约束强化学习方法进行前瞻调度决策智能体的训 练， 得到训练后的前瞻调度决策智能体。 4.根据权利要求3所述的电网前瞻优化调度方法， 其特征在于， 所述基于约束强化学习 方法进行前瞻调度决策智能体的训练过程中的约束条件包括当前时段 的新能源消纳率小 于等于新能源消纳率预期值、 当前时段的功 率不平衡量平方误差小于等于功 率不平衡量的 期望最大上限、 当前时段 的常规机组上/下备用爬坡容量可用率大于等于容量可用率的预 期阈值、 当前时段的平衡机出力回调量目标与实际出力改变量的平方误差小于等于回调机 制的约束阈值以及当前时段的各 条线路负载率小于等于对线路负载率的期望阈值。 5.根据权利要求4所述的电网前瞻优化调度方法， 其特征在于， 所述当前时段的功率不 平衡量平方误差小于等于功率 不平衡量的期望最大 上限表示 为： 其中， nnew为新能源机组个数， nload为负荷节点的个数， ρloss为电网网损率， pl,t为负荷节 点l在时刻t的实际有功负荷， nconv为常规机组个数， pj,t为常规机 组j在时刻t的实际有功出 力， α2,t为功率不平衡量的期望最大 上限。 6.根据权利要求4所述的电网前瞻优化调度方法， 其特征在于， 当前时段的常规机组 上/下备用爬坡容 量可用率大于等于容 量可用率的预期阈值表示 为： 其中， 及 分别为上备用容量可用率及下备用容量可用率， uj,t为常规机组j在时刻t 的开停机 状态， 其中， uj,t＝0表示关机， uj,t＝1表示开机， 及 分别为机组j的有功 功率 上限及下限， pj,t为常规机组j在时刻t的实际有功出力， Rj为机组j的爬坡率， 及 分别 为上备用容量可用率的预期阈值及下 备用容量可用率的预期阈值。 7.根据权利要求4所述的电网前瞻优化调度方法， 其特征在于， 当前时段的平衡机出力权　利　要　求　书 1/2 页 2 CN 115204056 A 2回调量目标与实际出力改变量的平方误差小于等于回调机制的约束阈值表示 为： 其中， o为平衡机 的序号， po,t及Δpo,t分别为平衡机在 时刻t的实际有功出力及出力调 节量， 及 分别为平衡机的有功功率上限及下限， 为平衡机的出力中点， 即 k为平衡机的回调系数， α4为回调机制的约束阈值。 8.根据权利要求4所述的电网前瞻优化调度方法， 其特征在于， 所述当前时段的各条线 路负载率小于等于对线路负载率的期望阈值表示 为： 其中， r5,r,t为线路r在时刻t的线路负载率， nline为线路的个数， PTDFj‑r为机组j功率变 化对于线路r潮流变化的灵敏度， pj,t及pj,t‑1分别为常规机组j在时刻t及时刻t ‑1的实际有 功出力， 为线路r的潮流热 稳定上限， α5,r为对线路负载率的期望阈值。 9.根据权利要求4所述的电网前瞻优化调度方法， 其特征在于， 所述基于约束强化学习 方法进行 前瞻调度决策智能体的训练中的损失函数为： 其中， N表示训练过程中的样本数， 表示强化学习中采用的状态 ‑动作价 值函数， 及 分别表示时刻t对应的状态及动作， φ及θ 分别表示策略网络和价值网络的参 数集合， r1,i、 r2,i、 r4,i及r4,r,i分别表示新能源消纳率、 功率不平衡量误差、 上/下备用 容量可用率、 平衡机出力回调量误差及线路负载率， α1,i、 α2,i、 α4,i及α5,r分别表示 r1,i、 r2,i、 r4,i及r4,r,i对应的约束边界， λ1,t、 λ2,i、 λ4,i及λ5,r,i分别表示r1,i、 r2,i、 r4,i及r4,r,i对应的约束 对偶乘子 。 10.一种电网前瞻优化调度系统， 其特 征在于， 包括： 确定模块(1)， 用于根据实际电网环境， 确定当前时段的观测量； 优化模块(2)， 用于将所述当前时间的观测量输入到训练后的前瞻调度决策智能体 中， 得到前瞻调度巡航路径， 根据所述前瞻调度巡航路径进行电网前瞻优化调度。权　利　要　求　书 2/2 页 3 CN 115204056 A 3