CN106570774A - 一种基于学习理论的渐进学习电网调控方法 - Google Patents
一种基于学习理论的渐进学习电网调控方法 Download PDFInfo
- Publication number
- CN106570774A CN106570774A CN201610887527.XA CN201610887527A CN106570774A CN 106570774 A CN106570774 A CN 106570774A CN 201610887527 A CN201610887527 A CN 201610887527A CN 106570774 A CN106570774 A CN 106570774A
- Authority
- CN
- China
- Prior art keywords
- learning
- network
- progressive
- regulation
- power grid
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000000750 progressive effect Effects 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000005096 rolling process Methods 0.000 claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims description 25
- 230000005611 electricity Effects 0.000 claims description 13
- 238000005314 correlation function Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 230000001360 synchronised effect Effects 0.000 claims description 6
- 238000013459 approach Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 5
- 239000012141 concentrate Substances 0.000 claims description 5
- 230000036541 health Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000007418 data mining Methods 0.000 claims description 4
- 230000008844 regulatory mechanism Effects 0.000 claims description 4
- 241001269238 Data Species 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000009412 basement excavation Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 claims description 3
- 238000009472 formulation Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 2
- 238000006116 polymerization reaction Methods 0.000 claims description 2
- 210000002706 plastid Anatomy 0.000 claims 1
- 238000003860 storage Methods 0.000 claims 1
- 230000007246 mechanism Effects 0.000 abstract description 3
- 238000011217 control strategy Methods 0.000 abstract 1
- 230000001105 regulatory effect Effects 0.000 description 8
- 238000012706 support-vector machine Methods 0.000 description 7
- 230000000737 periodic effect Effects 0.000 description 4
- 230000001172 regenerating effect Effects 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009711 regulatory function Effects 0.000 description 1
- 238000007634 remodeling Methods 0.000 description 1
- 238000009987 spinning Methods 0.000 description 1
- 238000010937 topological data analysis Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于学习理论的渐进学习电网调控方法，包括以下步骤：步骤一：对电网运行状况进行全景化观测；步骤二：构建电网等值分析模型；步骤三：建立渐进学习的电网调控模型：构建电网等值分析模型的基础上，建立具有自学习的、时空滚动且关联的调控机制，采用极端学习机理论建立渐进学习的电网调控模型；步骤四：建立渐进学习的时空关联的电网调控策略体系：所述体系由学习理论贯穿其中并由空间协调和时间协调两大体系构成。本发明与传统电网调控手段是兼容的，并能在渐进学习中不断改进，体现了智能化，为电网的调控提供了新的有益参考。
Description
技术领域
本发明涉及电网技术领域，具体涉及一种基于学习理论的渐进学习电网调控方法。
背景技术
常规化石能源大量消耗，其碳排放引起的温室效应及雾霾等问题日益引起人们的重视，近年来环境污染的持续加剧，加速了人们对寻求可再生能源以替代常规能源的步伐。为了改善环境，可再生资源开发得到重视，其以分布或者集中等各种方式并入电网，引起电网架构悄然改变，由于可再生能源例如风力发电、光伏发电等具有明显的间歇性、波动性以及随机性等特点，造成大量弃风弃光，并使现有电网调控手段面临着威胁和挑战。所以，研究智能电网调控策略对于如何高效地进行可再生资源开发和利用具有重要意义。
现有文献中对含有风电场或同时含有风光电场的电力系统动态经济调度问题进行了研究，通过仿真验证了所提方法的有效性。现有文献中考虑能源环境效益的含风电场的电力系统多目标优化调度模型，以便在常规发电机组的经济性以及能源的环境经济效益之间折中取舍。以上大都是通过提高常规机组的旋转备用容量来增加电网接纳风电的能力，这有可能导致资源的浪费。文献“于大洋,宋曙光,张波,等.区域电网电动汽车充电与风电协同调度的分析.电力系统自动化，2011，35(14)：2429”提出，为增加风电等可再生能源的消纳能力，引入电动汽车以建立多时间尺度的电动汽车—风电协同调度模型，并通过仿真验证了通过合理的调度电动汽车充电可以增加电网风电的接纳能力。文献“张伯明,吴文传,郑太一,等.消纳大规模风电的多时间尺度协调的有功调度系统设计.电力系统自动化,2011,35(1):1-6.”为了消纳大规模风电提出了多时间尺度协调的有功调度策略，以应对可再生资源并入对电网的影响，其为增加风电等可再生资源的接纳能力提供了有效的途径。
以上调度方法都是以某种或者某几种指标最优为目标，通过考虑各种约束条件以优化目标函数来得到调度方案。实际上，自然环境是存在周期性规律的，人类的社会活动也存在周期性规律，电力系统作为人类认识自然和改造自然的产物，所以构成电力系统的电源、负荷等各构成要素以及寓于其中的变化趋势或者调控手段(指具有主动调节能力的个体)等也必然存在周期性规律；同时调控电网运行的管理者和决策者能应对这一周期性规律波动，并通过交互协调具有积累经验和形成规则的能力。因此，利用现代学习理论把握这种周期性规律并对电网进行调控成为可能。
发明内容
为解决现有技术存在的不足，本发明公开了一种基于学习理论的渐进学习电网调控方法，本发明在未来电网全景可观测的背景下，对采集的电网运行过程信息进行挖掘，建立了未来电网的一种等值分析模型，利用现代学习理论建立具有自学习的、考虑时空关联的协调调控策略机制。
为实现上述目的，本发明的具体方案如下：
一种基于学习理论的渐进学习电网调控方法，包括以下步骤：
步骤一：对电网运行状况进行全景化观测：通过现代电网量测技术以各自的标准采集电网构成要素的运行状况数据，并按时间延续的过程，周期性地、连续不断地采集信息并存储，即获得电网全景过程化信息；
步骤二：构建电网等值分析模型：在采集到电网全景过程化运行信息的基础上，对构成电网的每个个体按照属性进行分类，视每个个体的运行周期为一个过程，对其运行状况和调控行为进行数据挖掘，建立拓扑分析下的复杂电网等值；
步骤三：建立渐进学习的电网调控模型：构建电网等值分析模型的基础上，建立具有自学习的、时空滚动且关联的调控机制，采用极端学习机理论建立渐进学习的电网调控模型；
步骤四：建立渐进学习的时空关联的电网调控策略体系：所述体系由学习理论贯穿其中并由空间协调和时间协调两大体系构成，空间协调由集中与分布的调控构成，分布调控主要是基于就地的智能调控，而集中调控主要是基于同步时钟的高度自动化全局调控，实质体现的是集中与分布的关联关系；而时间协调由日前计划、实时计划、滚动计划以及AGC的调控构成。
进一步的，在所述步骤一中采集电网构成要素的运行状况数据时，通过发输电元件录波、厂站的数据采集与监控系统SCADA、同步相量测量技术引导的电网广域化系统WAMS及用户侧抄表的方式进行采集。
进一步的，在所述步骤二中，构建电网等值分析模型时，在全网实时信息数据采集的基础上，得到电网中各构成要素的数据信息，进而可得所关注节点或者区域在每个时间点的注入功率信息，实际上就是在电网数据挖掘的基础上进行电网等值的分析。
进一步的，针对电网运行数据信息进行相关性分析，采用相关函数来度量。
进一步的，相关函数值rk是反映变量xt,k及其下一周期xt,k+T’间线性相关性的函数，当k取T’，2T’,L,mT’时，m为正整数，rk表示在不同的周期的相关函数的值，当相关性函数值相差不大时，可认为在一段时间内，各周期数值具有较强的相关性，且越接近于1，相关性越强，如果相关函数出现了负值，说明其不具有相关性。
进一步的，在所述步骤三中，极端学习机是一种新型的前馈神经网络；
设有N个训练样本
ok＝ωTf(Wingxk+b)(k＝1,2L,N)
式中：xk为输入向量，Win为连接输入节点和隐层节点的输入权值，b隐含层偏置，ok为网络输出，ω为连接隐含层与输出层的输出权值，f为隐含层激活函数，N为样本数；tk为第k个样本的时间。
在训练开始时，Win和b随机生成并保持不变，仅需训练确定输出权值ω；
假设单隐层前馈网络以零误差逼近训练样本，即
则存在Win、b和ω使下式成立：
ωTf(Wingxk+b)＝tk(k＝1,2,L,N)。
进一步的，当极端学习机ELM的自相关矩阵出现奇异，导致常规的伪逆算法不再适用时，采用岭回归方法以求解输出权值向量。
进一步的，采用岭回归方法以求解输出权值向量时，转化为如下的优化问题：
s.t.f(xi)ω＝ti-ξi,i＝1,2,L,N
式中：C为正则项系数；
基于KKT(Karush-Kuhn-Tucke，卡罗需-库恩-塔克)条件可以表示为如下的优化问题：
其式中：αi为Lagrange乘子；
可推得：
进一步的，所述日前计划：由于该时间段有充足的时间进行调度方案的制定，所以可以利用最小二乘SVM在对以前的大量历史数据进行学习的基础上，做出未来日24个时段的调度计划，其在作出第t+1时刻的调度计划后将其加入历史数据中，这样不断的进行回归即可得到未来24个时段的有功调度方案。
进一步的，所述滚动计划：以日前计划为基础，60min为周期的滚动计划也是利用极端学习机对下一时段的计划进行回归，不停的修正剩余时段的日前计划，同时利用最新得到的实时数据加入到原24点的ELM进行训练，以使模型总是朝着更为准确的方向改进。
进一步的，所述实时计划；与滚动计划类似，但是以15min为周期的计划，其以每天96点的数据进行回归学习，不停的修正剩余时段的滚动计划，在得到最新的实时数据后再送入96点的极端学习机进行实时的更新训练，以改进模型的回归性能。
进一步的，所述自动发电控制AGC：自动发电控制AGC主要负责校正控制。调度秒级的AGC源性聚合节点，并使频率和联络线功率满足CPS(控制性能标准)，可以与实时计划不断的协调配合。
本发明的有益效果：
本发明针对未来可再生能源发电等广泛接入电网引起电网潮流流向不清晰的问题，在考虑传统电网调度策略的基础上，提出了一种渐进学习的未来电网调控策略。其是在电网全景可观测的前提下，通过对电网全景过程化运行的信息规律挖掘，进行电网等值分析的基础上建立了渐进学习的电网调控策略。其与传统电网调控手段是兼容的，并能在渐进学习中不断改进，体现了智能化，为电网的调控提供了新的有益参考。
附图说明
图1电网调控体系；
图2电网节点接线示意图；
图3各调度计划曲线图。
具体实施方式：
下面结合附图对本发明进行详细说明：
本发明在考虑传统电网调度策略的基础上，提出了一种基于学习理论的渐进学习电网调控策略，其实质是在挖掘电网运行过程化信息规律基础上，建立电网等值分析模型，依此演绎具有自学习的时空滚动且关联的渐进调控机制。
以某电网24—27日(此处仅考虑正常工作日电网运行情况)实际采集的数据为研究对象，首先对采集到的电网实际运行数据进行分析，得到了各电源节点在这3日内每个时段的注入功率，可作为电网等值的环节。其次，运用相关函数理论对源节点的日注入功率情况进行了相关性分析。最后，以24日和26日的节点运行数据为训练样本，运用极端学习机(ELM)建立了电网的渐进学习的调控模型，并用实际运行数据验证了所提调控策略的可行性，其为未来电网的运行调控提供了一条有效的途径。
一种基于学习理论的渐进学习电网调控方法，具体包括：
电网运行过程化信息挖掘和等值分析：当今电力系统量测手段日益丰富，厂站的数据采集与监控系统(SCADA)以及同步相量测量技术(PMU)引导的电网广域化系统(WAMS)日渐成型[8-9]；同时未来电网中的监测、计量手段也更富智能化，因此可实现电网运行状况的全景化观测。通过现代电网量测技术(发输电元件录波、厂站SCADA、WAMS、用户侧抄表)以各自的标准采集电网构成要素的运行状况数据，并按时间延续的过程，周期性地、连续不断地采集信息并存储，即全景过程化信息，该信息为电网等值分析的基础。在采集到电网全景过程化运行信息的基础上，对每个个体按照属性进行分类，如发电机组、变压器、输电线路、负荷等。视每个个体的运行周期为一个过程，对其运行状况和调控行为进行数据挖掘，建立拓扑分析下的复杂电网等值，并给出对应的过程化运行规律。以某电网的运行情况为例，即是在全网实时信息数据采集的基础上，得到电网中各构成要素的数据信息，进而可得所关注节点或者区域在每个时间点的注入功率信息，实际上就是在电网数据挖掘的基础上进行电网等值的分析。可分为源性等值、负荷等值以及联络等值等，此处仅以源性等值进行分析。
以山东电网某年2月24日到27日实际采集的数据为算例，对采集到的电网实际运行数据进行数据挖掘，以得到各个时段电网支路元件的运行过程信息，以各源性节点为例，3日共72个时段部分源性节点的注入功率信息进行分析。
电网运行数据信息的相关性分析：由于在正常工作日每个节点的注入功率都具有较强的日相似特性，为了定量的评价这种相似性，采用相关函数来度量。
相关函数值rk是反映变量xt,k及其下一周期xt,k+T’间线性相关性的函数，如式(1)-式(4)。当k取T’，2T’,L,mT’(m为正整数)时，rk表示在不同的周期的相关函数的值。当相关性函数值相差不大时，可认为在一段时间内，各周期数值具有较强的相关性，且越接近于1，相关性越强。如果相关函数出现了负值，说明其不具有相关性。由于每日共24个时段，所以注入功率的周期T’为24。对每个节点的注入功率进行相关性分析，计算结果如表1所示。
其中
式中：x为样本序列，为协方差，为标准差。
表1部分节点注入功率的日周期相关性分析
从表1可以看出，各个节点在相邻的两个日周期的相关函数值均为正值，且接近于1，说明各节点的注入功率变化情况具有较强的日相似特性，这与本文假设工作日下的电网运行情况具有相似特性是一致的，因此就验证了电网的运行过程确实具有日周期性规律，从而为建立渐进学习型的未来电网调控理论提供了理论基础。
渐进学习型的电网调控：在构建电网等值分析模型的基础上，建立具有自学习的、时空滚动且关联的调控机制。采用极端学习机(ELM)理论建立渐进学习的电网调控模型。由于支持向量机的训练为二次规划过程，非线性输入变量从低维空间映射到高维特征空间进行某种运算，在映射的过程中会引起空间维数增加，为了降低计算规模需要采用核函数理论来简化计算，训练复杂且占用时间较长。ELM作为一种新型的前馈神经网络，已被证明具有优良的预测性能，其具有训练时间短，算法简单，在学习理论领域得到了广泛的应用。
ELM：极端学习机是一种新型的前馈神经网络，其表示如下：
设有N个训练样本
ok＝ωTf(Wingxk+b)(k＝1,2L,N) (5)
式中：xk为输入向量，Win为连接输入节点和隐层节点的输入权值，b隐含层偏置，ok为网络输出，ω为连接隐含层与输出层的输出权值，f为隐含层激活函数，一般取为Sigmoid函数，N为样本数。tk为第k个样本的时间。ωT表示ω的转置矩阵。
在训练开始时，Win和b随机生成并保持不变，仅需训练确定输出权值ω。假设单隐层前馈网络以零误差逼近训练样本，即
则存在Win、b和ω使式(6)成立：
ωTf(Wingxk+b)＝tk(k＝1,2,L,N) (6)
由于ELM在某些情况进行训练，如训练样本数小于隐层节点数等可能会导致ELM的自相关矩阵出现奇异，导致常规的伪逆算法不再适用，采用岭回归方法以求解输出权值向量，其主要思路是：
式(5),(6)可正则变换为如下的优化问题：
s.t.f(xi)ω＝ti-ξi,i＝1,2,L,N (7)
式中：ζ为正则参数，C为正则项系数，L为输出目标值。
基于KKT(Karush-Kuhn-Tucke，卡罗需-库恩-塔克)条件可以表示为如下的优化问题：
其式中：αi为Lagrange乘子。
上式中ω的计算方法为：
式中：H为极端学习机的隐含层输出矩阵；m为隐含层节点数；T’＝[t1,t2,…,tN]T为期望输出向量。
由此可见，ELM与支持向量机一样都是将原始训练数据映射到某一高维特征空间，但是ELM的特征空间是可知的而支持向量机(SVM)是未知的，从而导致了SVM严重依赖核函数，与此相反ELM则完全独立于核函数，是一种无核机学习方法，且经过原始岭回归改进的算法的训练速度比原ELM以及LSSVM训练更方便快捷，不仅不会出现自相关矩阵奇异的现象，而且具有较好的算法稳定性。
渐进学习的电网调控思路：目前传统的调度方式主要采用日前调度计划和自动发电控制(AGC)等两个尺度的调度模式，由于两个时间尺度时间跨度大，已无法适应未来电网的发展要求。同时风电机组、光发电等可再生资源由于受自身运行特性和发电不确定性影响，难以像水火等常规机组一样进行功率调节，而将可再生能源纳入区域电网的有功调度和控制框架，就可以很好地实行分布与集中的调控策略。实现时空关联的渐进学习调控策略，分为空间上和时间上协调关系：空间协调是指集中调控与局部自治相协调的协调策略，实质体现的是集中与分布的关联关系；时间协调是指聚合节点在多时间尺度上进行多时间级之间的协调控制，实质体现了时域关联的关系。采用多时间尺度分级策略，即把调控分解为4个阶段：日前计划、滚动计划、实时计划以及AGC等。
1)日前计划。由于该时间段有充足的时间进行调度方案的制定，所以可以利用最小二乘SVM在对以前的大量历史数据进行学习的基础上，做出未来日24个时段的调度计划。其在采用式(9)作出第t+1时刻的调度计划后将其加入历史数据中，这样不断的进行回归即可得到未来24个时段的有功调度方案。
2)滚动计划。以日前计划为基础，60min为周期的滚动计划也是利用极端学习机对下一时段的计划进行回归，不停的修正剩余时段的日前计划，同时利用最新得到的实时数据加入到原24点的ELM进行训练，以使模型总是朝着更为准确的方向改进。
3)实时计划。与滚动计划类似，但是以15min为周期的计划，其以每天96点的数据进行回归学习，不停的修正剩余时段的滚动计划，在得到最新的实时数据后再送入96点的极端学习机进行实时的更新训练，以改进模型的回归性能。
4)AGC。AGC主要负责校正控制。调度秒级的AGC源性聚合节点，并使频率和联络线功率满足控制性能标准CPS，可以与实时计划不断的协调配合。
图1给出了渐进学习的时空关联的电网调控策略体系，由学习理论贯穿其中的并由空间和时间两大体系构成。空间协调由集中与分布的调控构成，分布调控主要是基于就地的智能调控，而集中调控主要是基于同步时钟的高度自动化全局调控，实质体现的是集中与分布的关联关系；而时间协调由日前计划、实时计划、滚动计划以及AGC的调控构成。空间与时间协调是交互的关系，二者共同构成了渐进学习的电网调控体系。
算例分析：以山东电网某年2月25日至27日的每个时段实时运行数据为算例检验该电网聚合调控策略的可行性。山东电网500kV节点共25个，500节点的区域分布如图2所示。山东电网大部分负荷位于东部，而电源主要位于西部，具有典型的“西电东输”特征。其中1、6、45、46以及48号母线等均为源性节点，取46号源性节点为例来验证渐进学习的电网调控策略的可行性。
首先在前面电网等值分析的基础上，得到每个节点的实际注入功率。取46号源性节点的25和26日的注入功率数据对24点的ELM进行学习训练。其中输入向量维数为7，第1项为待训练时刻的全网总负荷，2～7项为待训练时刻之前6个时刻的源性节点的实际注入功率值。通过反复验证隐层节点数和正则项系数C取为240和54.2。训练完毕之后，以27日零点的500kV节点总的负荷注入功率以及26日18时—24时的山东电网46号节点注入功率为输入向量，输入到极端学习机得到27日零点计划功率，再把得到的功率加入到历史数据中去，不断地进行功率回归就可得到27日24个时段的日前计划功率曲线，日计划功率曲线与27日实际的发出功率曲线如图3所示。滚动计划有两种方案：一种称为原始滚动计划，即保持之前日计划训练好的ELM模型不变，分别把23日每一时段实际的注入功率加入历史数据回归得到24个时段的滚动计划；另一种称为渐进学习的滚动计划，即将每一时段实际的注入功率加入样本集之前进行KKT条件判断，如果新增实际数据满足KKT条件，说明原日计划ELM模型仍可以很好地拟合数据，不必将其送入模型训练。若不能满足KKT条件，则需将其送入原模型进行训练后再继续回归下一个时段的注入功率。两种方案的曲线如图3所示。
表2各调度计划误差指标
从图3可以看出，从日计划曲线、原始滚动计划以及渐进学习的滚动计划曲线可以看出，滚动计划曲线明显比原始的日计划曲线更接近实际的运行情况，而且具有渐进学习调节功能的滚动计划比原始滚动计划更接近实际情况，说明了渐进学习的电网调控策略是可行的。而渐进学习的滚动计划与实际的运行误差则可由实时计划和AGC联合协调解决。3种计划曲线与实际的运行曲线的偏离程度采用绝对平均误差Emae和均方根误差Ermse进行衡量，对比结果如表2所示。从表2知，渐进学习的滚动计划与实际值绝对平均误差和均方根误差最小，分别为3.11％和4.85％，其余的误差再由实时计划和AGC联合平滑解决。综上所述，所提出的调控策略可有效解决可再生资源接入未来电网出现的问题，可为未来电网的调控提供了新的有效的研究和解决思路。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (9)
1.一种基于学习理论的渐进学习电网调控方法，其特征是，包括以下步骤：
步骤一：对电网运行状况进行全景化观测：通过现代电网量测技术以各自的标准采集电网构成要素的运行状况数据，并按时间延续的过程，周期性地、连续不断地采集信息并存储，即获得电网全景过程化信息；
步骤二：构建电网等值分析模型：在采集到电网全景过程化运行信息的基础上，对构成电网的每个个体按照属性进行分类，视每个个体的运行周期为一个过程，对其运行状况和调控行为进行数据挖掘，建立拓扑分析下的复杂电网等值；
步骤三：建立渐进学习的电网调控模型：构建电网等值分析模型的基础上，建立具有自学习的、时空滚动且关联的调控机制，采用极端学习机理论建立渐进学习的电网调控模型；
步骤四：建立渐进学习的时空关联的电网调控策略体系：所述体系由学习理论贯穿其中并由空间协调和时间协调两大体系构成，空间协调由集中与分布的调控构成，分布调控主要是基于就地的智能调控，而集中调控主要是基于同步时钟的高度自动化全局调控，实质体现的是集中与分布的关联关系；而时间协调由日前计划、实时计划、滚动计划以及AGC的调控构成。
2.如权利要求1所述的一种基于学习理论的渐进学习电网调控方法，其特征是，在所述步骤一中采集电网构成要素的运行状况数据时，通过发输电元件录波、厂站的数据采集与监控系统SCADA、同步相量测量技术引导的电网广域化系统WAMS及用户侧抄表的方式进行采集。
3.如权利要求1所述的一种基于学习理论的渐进学习电网调控方法，其特征是，在所述步骤二中，构建电网等值分析模型时，在全网实时信息数据采集的基础上，得到电网中各构成要素的数据信息，进而可得所关注节点或者区域在每个时间点的注入功率信息，实际上就是在电网数据挖掘的基础上进行电网等值的分析。
4.如权利要求1所述的一种基于学习理论的渐进学习电网调控方法，其特征是，针对电网运行数据信息进行相关性分析，采用相关函数来度量。
5.如权利要求4所述的一种基于学习理论的渐进学习电网调控方法，其特征是，相关函数值rk是反映变量xt,k及其下一周期xt,k+T’间线性相关性的函数，当k取T’，2T’,…,mT’时，m为正整数，rk表示在不同的周期的相关函数的值，当相关性函数值相差不大时，可认为在一段时间内，各周期数值具有较强的相关性，且越接近于1，相关性越强，如果相关函数出现了负值，说明其不具有相关性。
6.如权利要求1所述的一种基于学习理论的渐进学习电网调控方法，其特征是，在所述步骤三中，极端学习机是一种新型的前馈神经网络；
设有N个训练样本
ok＝ωTf(Win·xk+b)(k＝1,2…,N)
式中：xk为输入向量，Win为连接输入节点和隐层节点的输入权值，b隐含层偏置，ok为网络输出，ω为连接隐含层与输出层的输出权值，f为隐含层激活函数，N为样本数；tk为第k个样本的时间；
在训练开始时，Win和b随机生成并保持不变，仅需训练确定输出权值ω；
假设单隐层前馈网络以零误差逼近训练样本，即
则存在Win、b和ω使下式成立：
ωTf(Win·xk+b)＝tk(k＝1,2,…,N)。
7.如权利要求6所述的一种基于学习理论的渐进学习电网调控方法，其特征是，当极端学习机ELM的自相关矩阵出现奇异，导致常规的伪逆算法不再适用时，采用岭回归方法以求解输出权值向量。
8.如权利要求7所述的一种基于学习理论的渐进学习电网调控方法，其特征是，采用岭回归方法以求解输出权值向量时，转化为如下的优化问题：
s.t.f(xi)ω＝ti-ξi,i＝1,2,…,N
式中：ζ为正则参数，C为正则项系数，L为输出目标值；
基于KKT条件可以表示为如下的优化问题：
其式中：αi为Lagrange乘子；
可推得：
其中，H为极端学习机的隐含层输出矩阵；m为隐含层节点数；T’＝[t1,t2,…,tN]T，为期望输出向量。
9.如权利要求1所述的一种基于学习理论的渐进学习电网调控方法，其特征是，所述日前计划：由于该时间段有充足的时间进行调度方案的制定，所以可以利用最小二乘SVM在对以前的大量历史数据进行学习的基础上，做出未来日24个时段的调度计划，其在作出第t+1时刻的调度计划后将其加入历史数据中，这样不断的进行回归即可得到未来24个时段的有功调度方案；
所述滚动计划：以日前计划为基础，60min为周期的滚动计划也是利用极端学习机对下一时段的计划进行回归，不停的修正剩余时段的日前计划，同时利用最新得到的实时数据加入到原24点的ELM进行训练，以使模型总是朝着更为准确的方向改进；
所述实时计划；与滚动计划类似，但是以15min为周期的计划，其以每天96点的数据进行回归学习，不停的修正剩余时段的滚动计划，在得到最新的实时数据后再送入96点的极端学习机进行实时的更新训练，以改进模型的回归性能；
所述自动发电控制AGC：自动发电控制AGC主要负责校正控制。调度秒级的AGC源性聚合节点，并使频率和联络线功率满足控制性能标准CPS，可以与实时计划不断的协调配合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610887527.XA CN106570774A (zh) | 2016-10-11 | 2016-10-11 | 一种基于学习理论的渐进学习电网调控方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610887527.XA CN106570774A (zh) | 2016-10-11 | 2016-10-11 | 一种基于学习理论的渐进学习电网调控方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106570774A true CN106570774A (zh) | 2017-04-19 |
Family
ID=58532781
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610887527.XA Pending CN106570774A (zh) | 2016-10-11 | 2016-10-11 | 一种基于学习理论的渐进学习电网调控方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106570774A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020052413A1 (zh) * | 2018-09-11 | 2020-03-19 | 京东数字科技控股有限公司 | 火力发电机组燃烧控制优化方法、装置及可读存储介质 |
| CN110943983A (zh) * | 2019-11-22 | 2020-03-31 | 南京邮电大学 | 基于安全性态势感知与风险评估的网络安全预防方法 |
| CN111555363A (zh) * | 2020-04-09 | 2020-08-18 | 广西大学 | 大数据环境下基于深度学习的agc实时控制策略 |
| CN112526209A (zh) * | 2020-10-20 | 2021-03-19 | 江苏宝亨新电气有限公司 | 电力系统同步相量测量方法 |
| US20210295456A1 (en) * | 2020-03-23 | 2021-09-23 | Xendee Corporation | Robust and fast design of microgrids, der systems, and other energy systems using staged hybrid investment planning |
| CN114154741A (zh) * | 2021-12-13 | 2022-03-08 | 国网湖北省电力有限公司经济技术研究院 | 一种极端天气下风-储系统的预测平抑控制方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101383511A (zh) * | 2008-10-10 | 2009-03-11 | 清华大学 | 基于数据采集系统量测数据的电力系统状态估计方法 |
| CN103326358A (zh) * | 2013-06-17 | 2013-09-25 | 西南交通大学 | 基于同步相角测量装置的电力系统动态状态估计方法 |
-
2016
- 2016-10-11 CN CN201610887527.XA patent/CN106570774A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101383511A (zh) * | 2008-10-10 | 2009-03-11 | 清华大学 | 基于数据采集系统量测数据的电力系统状态估计方法 |
| CN103326358A (zh) * | 2013-06-17 | 2013-09-25 | 西南交通大学 | 基于同步相角测量装置的电力系统动态状态估计方法 |
Non-Patent Citations (3)
| Title |
|---|
| 张伯明等: "消纳大规模风电的多时间尺度协调的有功调度系统设计", 《电力系统自动化》 * |
| 张学清等: "基于样本熵和极端学习机的超短期风电功率组合预测模型", 《中国电机工程学报》 * |
| 高宗和等: "适应大规模风电接入的互联电网有功调度与控制方案", 《电力系统自动化》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020052413A1 (zh) * | 2018-09-11 | 2020-03-19 | 京东数字科技控股有限公司 | 火力发电机组燃烧控制优化方法、装置及可读存储介质 |
| CN110943983A (zh) * | 2019-11-22 | 2020-03-31 | 南京邮电大学 | 基于安全性态势感知与风险评估的网络安全预防方法 |
| US20210295456A1 (en) * | 2020-03-23 | 2021-09-23 | Xendee Corporation | Robust and fast design of microgrids, der systems, and other energy systems using staged hybrid investment planning |
| US11966989B2 (en) * | 2020-03-23 | 2024-04-23 | Xendee Corporation | Robust and fast design of microgrids, der systems, and other energy systems using staged hybrid investment planning |
| CN111555363A (zh) * | 2020-04-09 | 2020-08-18 | 广西大学 | 大数据环境下基于深度学习的agc实时控制策略 |
| CN112526209A (zh) * | 2020-10-20 | 2021-03-19 | 江苏宝亨新电气有限公司 | 电力系统同步相量测量方法 |
| CN112526209B (zh) * | 2020-10-20 | 2023-09-19 | 江苏宝亨新电气有限公司 | 电力系统同步相量测量方法 |
| CN114154741A (zh) * | 2021-12-13 | 2022-03-08 | 国网湖北省电力有限公司经济技术研究院 | 一种极端天气下风-储系统的预测平抑控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106570774A (zh) | 一种基于学习理论的渐进学习电网调控方法 | |
| CN104779611B (zh) | 基于集中式和分布式双层优化策略的微电网经济调度方法 | |
| Xi et al. | Automatic generation control based on multiple-step greedy attribute and multiple-level allocation strategy | |
| CN107706932B (zh) | 一种基于动态自适应模糊逻辑控制器的能量调度优化方法 | |
| CN107480825B (zh) | 一种计及容量可信度的光伏电站优化规划方法 | |
| Xi et al. | A virtual generation ecosystem control strategy for automatic generation control of interconnected microgrids | |
| Suo et al. | New energy wide area complementary planning method for multi-energy power system | |
| CN103455729A (zh) | 一种光储并网联合发电调度值的计算方法 | |
| CN106058863A (zh) | 一种基于随机响应面法的随机最优潮流计算方法 | |
| CN103633641B (zh) | 一种考虑风电接纳的中长期交易运营计划获取方法 | |
| CN104915889A (zh) | 一种基于日负荷曲线在线获取综合负荷模型参数的方法 | |
| Qiu et al. | Resilience-Oriented Coordination of Networked Microgrids: A Shapley Q-Value Learning Approach | |
| Ni et al. | A review of line loss analysis of the low-voltage distribution system | |
| Zhang et al. | Research on two-level energy optimized dispatching strategy of microgrid cluster based on IPSO algorithm | |
| CN105633950A (zh) | 考虑风电注入不确定性的多目标随机模糊动态最优潮流 | |
| Pliuhin et al. | Smart Grid technologies as a concept of innovative energy development: initial proposals for the development of Ukraine | |
| Tazi et al. | Demand and energy management in smart grid: Techniques and implementation | |
| CN106655266A (zh) | 一种接入新能源的地区电网可灵活调节电源配置方法 | |
| CN113673141B (zh) | 一种基于数据驱动的能量路由器建模及优化控制方法 | |
| Ma et al. | Coordination of generation and transmission planning for power system with large wind farms | |
| Wang et al. | A novel structure adaptive grey seasonal model with data reorganization and its application in solar photovoltaic power generation prediction | |
| Li et al. | A Short-Term Load Forecasting Method via Model Selection Based on Random Forest | |
| Li et al. | Influence on Stability Analysis in Distributed Smart Grids Using Computer Aimed Digital Decision Trees | |
| Hao et al. | Short-term Wind Speed Forecasting Based on Weighted Spatial Correlation and Improved GWO-GBRT algorithm | |
| Gao et al. | Optimization of Power System Balance and Short Term Generation Prediction Model Based on Machine Learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170419 |
|
| RJ01 | Rejection of invention patent application after publication |