一种虚拟电厂分布式资源的数字孪生构建方法

技术领域

本发明涉及虚拟电厂技术领域，特别涉及一种虚拟电厂分布式资源的数字孪生构建方法。

背景技术

虚拟电厂是一种通过先进信息通信技术和软件系统，实现DG、储能系统、可控负荷、电动汽车等DER的聚合和协调优化，以作为一个特殊电厂参与电力市场和电网运行的电源协调管理系统。虚拟电厂概念的核心可以总结为“通信”和“聚合”。虚拟电厂的关键技术主要包括协调控制技术、智能计量技术以及信息通信技术。虚拟电厂最具吸引力的功能在于能够聚合DER参与电力市场和辅助服务市场运行，为配电网和输电网提供管理和辅助服务。

数字孪生是指充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在虚拟空间中完成映射，从而反映相对应的实体装备的全生命周期过程；

虚拟电厂资源分布范围广，而在实际使用中，电厂出力的预测不准确，影响了电力的优化调度与电力资源的优化分配，同时随着电厂的一直不断运行，个体趋优与虚拟电厂整体趋优相容不一致；

为此，提出一种虚拟电厂分布式资源的数字孪生构建方法。

发明内容

有鉴于此，本发明实施例希望提供一种虚拟电厂分布式资源的数字孪生构建方法，以解决或缓解现有技术中存在的技术问题，至少提供一种有益的选择。

本发明实施例的技术方案是这样实现的：一种虚拟电厂分布式资源的数字孪生构建方法，包括以下步骤：

S1、构建分布式资源中各电厂的数字孪生体仿真模块模型；

S2、集合仿真模块模型的输入变量构成输入向量集；

S3、集合仿真模块模型的输出变量构成输出向量集；

S4、集合仿真模块模型的模型参数构成模型参数集；

S5、集合数据构成样本数据集，确定优化目标函数；

S6、确定模型参数的取值范围进行参数优化获得优化参数值；

S7、使用模块模型进行仿真计算与出力预测，更新优化样本数据。

进一步优选的：所述步骤S1中，数字孪生体仿真模块模型构建时，包括以下步骤：

S11、选择虚拟电厂分布式资源中的一个电厂，选择该电厂的数字孪生仿真模块模型类型，确定该电厂数字孪生仿真模块模型的输入变量和输出变量并采集其历史数据；

S12、将采集的历史数据分为该电厂数字孪生仿真模块模型的训练样本数据和优化样本数据；

S13、使用该电厂数字孪生仿真模块模型的训练样本数据对该电厂数字孪生仿真模块模型进行训练；

S14、训练结束得到该电厂数字孪生仿真模块模型的模型参数基准值；

S15、重复步骤S11－S14，直至虚拟电厂分布式资源中所有电厂的数字孪生仿真模块模型构建完成。

进一步优选的：所述步骤S2中，输入向量集为[D

其中，k为电厂数字孪生仿真模块模型的数量，[D

进一步优选的：所述步骤S3中，输出向量集为[C

其中，[C

进一步优选的：所述步骤S4中，模型参数集为[F

其中，[F

进一步优选的：所述步骤S5中，优化目标是模型加权相对误差绝对值和Q的最小化，优化目标函数是：

其中，E为加权总输出，有

或是等价写成中的任意一种，等价写成为：

其中，p为优化样本数据集中的第1至第w组优化样本数据；r代表第1至第k个电厂数字孪生仿真模块模型，δ

对于电厂出力权重系数δ

P

进一步优选的：所述步骤S6中，确定模型参数集中各模型参数的取值范围；模型参数集中模型参数的取值范围是模型参数基准值的λ分之1倍至λ倍之间；λ大于等于2且小于等于10；

且确定模型参数集中各模型参数的取值范围后，还包括：

采用优化算法对模型参数集中的模型参数进行迭代优化计算；优化计算结束后，取模型参数集的最优解作为新的模型参数基准值。

进一步优选的：所述步骤S7中，采用各电厂数字孪生仿真模块模型进行仿真计算与出力预测时：

持续采集各电厂数字孪生仿真模块模型输入变量和输出变量的样本数据；

在持续采集的样本数据量达到或者超过优化样本数据集数据量的20％时，采用滚动法用新采集的样本数据替换优化样本数据集中的数据；

重复步骤S6－S7对各分布式资源中的电厂数字孪生仿真模块模型参数进行持续整合优化。

本发明还提供了一种虚拟电厂分布式资源的数字孪生构建系统，包括：

构建模块，所述训练模块用于构建分布式资源中各电厂的数字孪生体仿真模块模型；

获取模块，所述获取模块用于获取仿真模块模型的输入变量构成输入向量集、获取仿真模块模型的输出变量构成输出向量集以及获取仿真模块模型的模型参数构成模型参数集；

目标优化模块，所述目标优化模块用于集合数据构成样本数据集，确定优化目标函数，并确定模型参数的取值范围进行参数优化获得优化参数值；

预测模块，所述预测模块用于使用模块模型进行仿真计算与出力预测，更新优化样本数据。

本发明还提供了一种计算机设备，所述计算机设备包括处理器、与所述处理器耦接的存储器，所述存储器中存储有程序指令，所述程序指令被所述处理器执行时，使得所述处理器执行如上述任意一项所述的虚拟电厂分布式资源的数字孪生构建方法的步骤。

本发明实施例由于采用以上技术方案，其具有以下优点：

一、本发明光伏电厂、风电厂的数字孪生仿真模块模型采用多种输入变量，相关输入变量的历史数据容易采集，且均能够进行近日(当日及其后面几天)的准确预测，有利于模型建立之后利用数字孪生仿真模块模型进行电厂出力的准确预测，也有利于在准确预测电厂出力的基础上，进行电力的优化调度与电力资源的优化分配。

二、本发明虚拟电厂中的电厂在使用训练数据独立建模的基础上，再使用集合的优化样本数据统一进行所有分布式电厂数字孪生仿真模块模型的整体参数优化，并在使用电厂模型进行模拟、验证、预测的过程中收集积累新的历史数据，滚动替换部分老的优化样本数据，不断间歇式地对所有分布式电厂数字孪生仿真模块模型的整体参数优化，确保分布式电厂个体始终处于满意的运行状态下，并同时确保个体趋优与虚拟电厂整体趋优相容一致。

上述概述仅仅是为了说明书的目的，并不意图以任何方式进行限制。除上述描述的示意性的方面、实施方式和特征之外，通过参考附图和以下的详细描述，本发明进一步的方面、实施方式和特征将会是容易明白的。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明方法的流程图。

具体实施方式

在下文中，仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样，在不脱离本发明的精神或范围的情况下，可通过各种不同方式修改所描述的实施例。因此，附图和描述被认为本质上是示例性的而非限制性的。

下面结合附图对本发明的实施例进行详细说明。

实施例一

如图1所示，本发明实施例提供了一种虚拟电厂分布式资源的数字孪生构建方法，包括以下步骤：

S1、构建分布式资源中各电厂的数字孪生体仿真模块模型；

数字孪生体仿真模块模型构建时，包括以下步骤：

S11、选择虚拟电厂分布式资源中的一个电厂，选择该电厂的数字孪生仿真模块模型类型，确定该电厂数字孪生仿真模块模型的输入变量和输出变量并采集其历史数据；

S12、将采集的历史数据分为该电厂数字孪生仿真模块模型的训练样本数据和优化样本数据；

S13、使用该电厂数字孪生仿真模块模型的训练样本数据对该电厂数字孪生仿真模块模型进行训练；

S14、训练结束得到该电厂数字孪生仿真模块模型的模型参数基准值；

S15、重复步骤S11－S14，直至虚拟电厂分布式资源中所有电厂的数字孪生仿真模块模型构建完成；

S2、集合仿真模块模型的输入变量构成输入向量集；

输入向量集为[D

其中，k为电厂数字孪生仿真模块模型的数量，[D

S3、集合仿真模块模型的输出变量构成输出向量集；

输出向量集为[C

其中，[C

S4、集合仿真模块模型的模型参数构成模型参数集；

模型参数集为[F

其中，[F

S5、集合数据构成样本数据集，确定优化目标函数；

优化目标是模型加权相对误差绝对值和Q的最小化，优化目标函数是：

其中，E为加权总输出，有

或是等价写成中的任意一种，等价写成为：

其中，p为优化样本数据集中的第1至第w组优化样本数据；r代表第1至第k个电厂数字孪生仿真模块模型，δ

对于电厂出力权重系数δ

P

S6、确定模型参数的取值范围进行参数优化获得优化参数值；

确定模型参数集中各模型参数的取值范围；模型参数集中模型参数的取值范围是模型参数基准值的λ分之1倍至λ倍之间；λ大于等于2且小于等于10；

且确定模型参数集中各模型参数的取值范围后，还包括：

采用优化算法对模型参数集中的模型参数进行迭代优化计算；优化计算结束后，取模型参数集的最优解作为新的模型参数基准值

S7、使用模块模型进行仿真计算与出力预测，更新优化样本数据；

采用各电厂数字孪生仿真模块模型进行仿真计算与出力预测时：

持续采集各电厂数字孪生仿真模块模型输入变量和输出变量的样本数据；

在持续采集的样本数据量达到或者超过优化样本数据集数据量的20％时，采用滚动法用新采集的样本数据替换优化样本数据集中的数据；

重复步骤S6－S7对各分布式资源中的电厂数字孪生仿真模块模型参数进行持续整合优化；

优化算法采用遗传算法，或者是粒子群算法，或者是狼群算法。优化的结束条件是模型加权相对误差绝对值和Q小于设定的误差阈值ε，或者是优化计算达到设定的迭代次数。

i大于等于1；每个电厂数字孪生仿真模块模型输出变量中至少包括有功功率输出；输出变量中包括的有功功率输出为日平均有功功率输出；日平均有功功率输出相对应的输出变量权重系数不低于0.6。

光伏电厂数字孪生仿真模块模型的输入变量包括日所在月份、日最高气候温度、昼平均气候温度、日天气状态、光伏电厂建成年限。

风电厂数字孪生仿真模块模型的输入变量包括日平均风速、日最大风速、日所在月份(季节)。

本发明还提供了一种虚拟电厂分布式资源的数字孪生构建系统，包括：

构建模块，所述训练模块用于构建分布式资源中各电厂的数字孪生体仿真模块模型；

获取模块，所述获取模块用于获取仿真模块模型的输入变量构成输入向量集、获取仿真模块模型的输出变量构成输出向量集以及获取仿真模块模型的模型参数构成模型参数集；

目标优化模块，所述目标优化模块用于集合数据构成样本数据集，确定优化目标函数，并确定模型参数的取值范围进行参数优化获得优化参数值；

预测模块，所述预测模块用于使用模块模型进行仿真计算与出力预测，更新优化样本数据。

本发明还提供了一种计算机设备，所述计算机设备包括处理器、与所述处理器耦接的存储器，所述存储器中存储有程序指令，所述程序指令被所述处理器执行时，使得所述处理器执行如上述任意一项所述的虚拟电厂分布式资源的数字孪生构建方法的步骤。

实施例二

本发明还提供了一种根据实施例一方法进行实践的实施例：构建电厂数字孪生仿真模块模型：具体为采用BP神经网络构建光伏电厂数字孪生仿真模块模型。

光伏电厂数字孪生仿真模块模型的输入变量是日所在月份M

实施例二选择隐层节点数量为4的三层BP网络，其中，设输入层至隐层节点之间3×4共12个权系数为V

电厂数字孪生仿真模块模型实施例二的历史数据为至少2年来的日所在月份M

实施例三

本发明还提供了一种根据实施例一方法进行实践的实施例：采用RBF神经网络构建光伏电厂数字孪生仿真模块模型，输入变量是日所在月份M

实施例三的RBF神经网络采用作用函数均为高斯函数的5个隐层节点，5个隐层节点与4个输入M

实施例三的历史数据为至少2年来的日所在月份M

实施例二采用BP神经网络构建电厂数字孪生仿真模块模型，可以改变输入变量，或增/删输入变量，或改变且增/删输入变量。例如，将日最高气候温度改变为昼平均气候温度，或者是输入中同时包括日最高气候温度、昼平均气候温度；同时或者单独增加输入变量光伏电厂建成年限。设实施例二的输入变量增加光伏电厂建成年限S

实施例三采用RBF神经网络构建光伏电厂数字孪生仿真模块模型，也可以改变输入变量，或增/删输入变量，或改变且增/删输入变量。例如，将昼平均气候温度改变为日最高气候温度；同时或者单独删除输入变量光伏电厂建成年限。设实施例三输入变量变化为日所在月份M

实施例四

本发明还提供了一种根据实施例一方法进行实践的实施例：构建电厂数字孪生仿真模块模型，具体为采用BP神经网络构建风电厂数字孪生仿真模块模型。风电厂数字孪生仿真模块模型的输入变量是日平均风速S

实施例四选择隐层节点数量为5的三层BP网络，其中，设输入层至隐层节点之间3×5共15个权系数为V

电厂数字孪生仿真模块模型实施例四的历史数据为至少2年来的日平均风速S

实施例五

采用RBF神经网络构建风电厂数字孪生仿真模块模型，输入变量是日平均风速S

实施例五的RBF神经网络采用作用函数均为高斯函数的6个隐层节点，6个隐层节点与输入S

实施例五的历史数据为至少2年来的日平均风速S

结论：

实施例二至实施例五的输出变量均包括日平均有功功率输出和日平均无功功率输出。可以在均保留日平均有功功率输出时，同时增/删输出变量，例如，全部增加日最大有功功率输出，或者是同时删除日平均无功功率输出等。

前面分别采用BP神经网络、RBF神经网络来构建光伏电厂、风电厂的数字孪生仿真模块模型的方法同样可以用于水电厂、火电厂的数字孪生仿真模块模型建模。光伏电厂、风电厂、水电厂、火电厂等的数字孪生仿真模块模型也可以采用其他神经网络，例如，采用DRNN对角递归神经网络、CMAC小脑神经网络模型等对光伏电厂、风电厂的数字孪生仿真模块模型进行建模。

实施例六

本发明还提供了整合优化虚拟电厂分布式资源中各电厂数字孪生仿真模块模型的模型参数实施例。

整合优化分布式资源中各电厂数字孪生仿真模块模型的模型参数，具体是，设虚拟电厂有前述实施例二、实施例三、实施例四共3个分布式电厂，即k等于3。

步骤(1)，集合分布式资源中所有电厂数字孪生仿真模块模型的输入变量构成输入向量集。实施例二的输入变量是日所在月份M

步骤(2)，集合所有电厂数字孪生仿真模块模型输出变量中的输出变量构成输出向量集。实施例二的输出变量为日平均有功功率输出P

步骤(3)，集合所有电厂数字孪生仿真模块模型的模型参数构成模型参数集。实施例二的26个模型参数(n1等于26)分别为权系数V

[V

步骤⑷、集合虚拟电厂分布式资源中所有电厂数字孪生仿真模块模型的优化样本数据构成优化样本数据集。实施例六中，是集合实施例二至实施例四中的优化样本数据构成优化样本数据集。电厂数字孪生仿真模块模型的历史数据总量不一定相同，但是，留做优化样本数据的数据组数量(即日数据的天数)

应该相同。例如，设实施例二、三、四分别收集了800、1000、1100天的历史数据，则可以均留400天(400组)的历史数据作为优化样本数据，余下的400、600、700天历史数据则分别为实施例二、三、四的数字孪生仿真模块模型建模训练样本数据；或者是均留450天的历史数据作为优化样本数据，余下的350、550、650天历史数据则分别为实施例二、三、四的数字孪生仿真模块模型建模训练样本数据。

步骤⑸、确定优化目标函数。设实施例二、三、四均选择400天的历史数据作为优化样本数据，即共有400组优化样本数据，w等于400；实施例六的优化目标函数是

其中加权总输出E为

或者是等价写成

即

E＝400μ

其中，

实施例二、三、四的输出变量均为日平均有功功率输出和日平均无功功率输出，考虑日平均有功功率输出在虚拟电厂的资源分配与调度上起更大的作用，输出变量权重系数中，日平均有功功率输出相对应的输出变量权重系数不低于0.6；实施例六中，取日平均有功功率输出相对应的输出变量权重系数μ

步骤⑹、确定模型参数集中各模型参数的取值范围。模型参数集中各模型参数的取值规则是，某模型参数的取值范围是该模型参数基准值的λ分之1至λ倍之间。实施例六取λ等于5，则模型参数集中各模型参数的取值范围是模型参数基准值的0.2倍(5分之1)至5倍之间；例如，V

步骤⑺、采用优化算法对模型参数集中的参数进行迭代优化计算。实施例六采用粒子群算法进行优化，优化的结束条件是模型加权相对误差绝对值和Q小于设定的误差阈值ε，或者是优化迭代达到设定的迭代次数。ε在0.01至0.1之间取值，实施例六中，ε取值0.05，设定的迭代次数为1500次。优化算法也可以采用遗传算法、蚁群算法、狼群算法等。

优化计算结束后，取模型参数集的最优解作为新的模型参数基准值。

步骤⑻、虚拟电厂各电厂数字孪生仿真模块模型以新的模型参数基准值来进行仿真计算与出力预测。出力预测指的是根据推算和预计(即根据天气预报预估)的电厂数字孪生仿真模块模型输入数据，采用电厂数字孪生仿真模块模型计算输出值，将输出值作为预测值去进行电力调度运算。例如，根据预估的第二天日所在月份M

在采用各电厂数字孪生仿真模块模型进行仿真计算与出力预测的同时，持续采集各电厂数字孪生仿真模块模型输入变量和输出变量的样本数据；在持续采集的样本数据量达到或者超过优化样本数据集数据量的20％时，采用滚动法用新采集的样本数据替换优化样本数据集中数据，即用最新的若干组样本数据替换优化样本数据集中最老的同样数量组数的优化样本数据；例如，实施例六的优化样本数据集共有400组(400天)样本数据，当持续采集各电厂数字孪生仿真模块模型输入变量和输出变量的样本数据量到达或者超过80组(80天)的样本数据时，用最新的80组(或者超过80组)样本数据替换优化样本数据集中最老的80组(或者超过80组)组优化样本数据。重复步骤⑹⑺⑻对各分布式资源中的电厂数字孪生仿真模块模型参数进行持续整合优化。

数字孪生是以数字化方式创建物理实体的虚拟实体，借助历史数据、实时数据、以及算法模型等，模拟、验证、预测、控制物理实体全生命周期过程的技术手段。

虚拟电厂采用自律分散、云－边协同、虚实融合的硬件系统架构，将边缘计算服务和受控的分布式资源视为一个原子节点，网关搭载自治运行程序对受控分布式资源进行就地管控，使原子节点具备可控性；网关相互之间通过消息的订阅/发布实现逻辑关系的动态构建，使原子节点具备自律可协调性。虚拟实体或虚拟网关可以作为平等的个体与物理实体或网关参与通信，从而在协调机制上实现虚实融合。

虚拟电厂采用连接－聚合－应用三层软件体系结构，连接层主要由网关搭载的边缘计算服务实现，由多个多种智能模块实现对分布式资源的智能感知，并由数字孪生模块实现对分布式资源的模拟和互动。聚合层通过中间件服务器搭建自律分散架构，为边缘计算节点的信息交互提供消息的配置和转发。应用层结合虚拟电厂各类应用场景，定制响应过程的业务逻辑与引导规则，实现虚拟电厂海量分布式资源的自趋优运行。

虚拟电厂分布式资源中的电厂用于生产并输出电能，通过各种途径获得和准确预测各分布式电厂产生电能并输出的能力，是虚拟电厂进行聚合调度、智能配电的前提。在已有的虚拟电厂硬件系统架构和软件体系结构基础上，用于进行电力输出模拟与预测的分布式电厂数字孪生仿真模块模型质量高低，是虚拟电厂准确进行相关验证、预测、控制的关键。

本发明光伏电厂、风电厂的数字孪生仿真模块模型采用日所在月份、日最高气候温度、昼平均气候温度、日天气状态、光伏电厂建成年限等输入变量，风电厂的数字孪生仿真模块模型采用日平均风速、日最大风速、日所在月份(季节)等输入变量，相关输入变量的历史数据容易采集，且均能够进行近日(当日及其后面几天)的准确预测，有利于模型建立之后利用数字孪生仿真模块模型进行电厂出力的准确预测，也有利于在准确预测电厂出力的基础上，进行电力的优化调度与电力资源的优化分配。虚拟电厂中的电厂在使用训练数据独立建模的基础上，再使用集合的优化样本数据统一进行所有分布式电厂数字孪生仿真模块模型的整体参数优化，并在使用电厂模型进行模拟、验证、预测的过程中收集积累新的历史数据，滚动替换部分老的优化样本数据，不断间歇式地对所有分布式电厂数字孪生仿真模块模型的整体参数优化，确保分布式电厂个体始终处于满意的运行状态下，并同时确保个体趋优与虚拟电厂整体趋优相容一致。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到其各种变化或替换，这些都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。