CN109066805B - 一种跨区互联电网发输电系统动态调度优化方法 - Google Patents
一种跨区互联电网发输电系统动态调度优化方法 Download PDFInfo
- Publication number
- CN109066805B CN109066805B CN201810787523.3A CN201810787523A CN109066805B CN 109066805 B CN109066805 B CN 109066805B CN 201810787523 A CN201810787523 A CN 201810787523A CN 109066805 B CN109066805 B CN 109066805B
- Authority
- CN
- China
- Prior art keywords
- region
- power
- time
- cross
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种跨区互联电网发输电系统动态调度优化方法,首先确立包含常规发电机组、光伏发电机组、风电机组、刚性负荷、柔性负荷以及直流联络线多个单元在内的多区域互联电网架构,建立各个单元的物理模型;然后将跨区互联电网动态调度问题建立成相应的MDP数学模型;最后采用深度Q学习算法对MDP数学模型进行策略求解。在所得策略下,调度机构可根据调度时刻电网实际运行状态选取合理的行动方案,实现对跨区互联电网发输电系统动态调度。本发明可有效应对跨区互联电网中新能源与负荷需求的随机性,促进了新能源的消纳,有利于跨区互联电网安全经济运行,提高了电力系统运行的稳定性。
Description
技术领域
本发明属于跨区互联电网调度领域,具体的说是一种考虑新能源出力及负荷需求随机性 的跨区互联电网发输电系统源-送-荷联合优化的动态调度模型以及相应的学习优化方法。
背景技术
跨区电网互联是实现资源在全国范围内优化配置和提高利用效率的重要手段之一,构建 跨省、跨区互联电网,能够充分发挥大电网余缺调剂、资源优配、备用共享、事故支援等多 方面效益,并大幅提高新能源的消纳水平。
现有对于跨区互联电网系统区域间联络线与区域内单元联合优化的研究和关注甚少,可 应对新能源出力与负荷需求随机性的跨区互联电网动态调度方法尚无。目前,跨区互联电网 实时发电计划是基于日前联络线计划展开的,通过实时调节各区域内发电机组出力,以应对 新能源出力及负荷需求的随机波动的,尽可能保证日前的联络线计划不变。但新能源出力及 负荷需求的不确定性是普遍存在且不可避免的,当实际值与日前预测值相差较大时,若以预 测曲线确定的日前联络线计划为实时计划的基准值,将难以保证发输电系统的低代价运行。
发明内容
本发明针对现有技术中存在的不足之处,提供一种跨区互联电网发输电系统动态调度方 法。通过建立较为完善的跨区互联电网动态调度模型,利用深度Q学习进行策略求解,获得 优化策略,在本发明方法所获得的优化策略下,调度机构能根据决策时刻各区域常规发电机 组,新能源出力功率,负荷需求功率以及直流联络线输电功率,选择最优行动来调整常规发 电机组、直流联络线功率以及削减柔性负荷需求,从而提高跨区互联电网系统运行效益。
本发明为解决技术问题采用如下技术方案:
本发明跨区互联电网发输电系统动态调度优化方法的特点是按如下步骤进行:
步骤1、确定跨区互联电网架构,各区域内包含有常规发电机组、光伏机组、风电机组 以及用户负荷,所述用户负荷包括刚性负荷和柔性负荷,区域之间由直流联络线进行连接;
步骤2、建立风力出力、光伏出力、用户负荷需求不确定性模型以及所述常规发电机组 和直流联络线模型:
步骤2.1、建立所述风电出力、光伏出力以及负荷需求不确定性模型:
步骤2.2、建立所述常规发电机组模型:
将所述跨区互联电网发输电系统调度日时长T等分为0~K共K+1个时段;
步骤2.3、建立所述跨区联络线模型:
步骤2.4、建立所述柔性负荷模型:
步骤3、以降低系统日运行代价为系统调度优化目标,在满足系统实际运行过程中的各 项约束条件下,将跨区互联电网动态调度问题建立成相应的MDP数学模型:
步骤3.1、确定所述MDP数学模型的系统状态sk和行动ak:
将所述时段k定义为决策周期k,并将所述决策周期k起始时刻tk定义为决策时刻tk;
定义所述跨区互联电网发输电系统在决策时刻tk的系统状态sk为:
其中,为区域z决策时刻tk下的状态信息, 为直 流联络线d决策时刻tk下的功率等级;Z为总的区域数量;D为区域间联络线的总条数;所 述区域z决策时刻tk下的状态信息包括区域z中决策时刻tk下各个常规发电机组的功率 等级风电出力、光伏出力与负荷需求的随机波动等级
定义所述跨区互联电网发输电系统在决策时刻tk的行动ak为:
其中,为区域z决策时刻tk下的动作信息, 为直流联络线 d决策时刻tk下调整功率等级;所述区域z决策时刻tk下的动作信息包括区域z中决策 时刻tk下各个常规发电机组的调整功率等级区域z中决策时刻tk下柔性负荷 的削减等级
步骤3.2、确定所述MDP数学模型的代价函数:
所述跨区互联电网发输电系统在决策时刻tk执行行动ak,利用式(4)计算获得所述跨区互 联电网发输电系统在决策周期k内产生的运行代价:
式(4)中,ck为决策周期k内跨区互联电网发输电系统总运行代价;为决策周期k内各区域 常规发电机组的运行代价和;为决策周期k内各区域风电机组弃风的代价和;为决策 周期k内各区域光伏发电机组弃光的代价和;为决策周期k内各区域柔性负荷的补偿代价; 为决策周期k内各区域负荷需求量与日预测负荷均值量的偏离代价;为第k个周期内 各条直流联络线的电力损耗代价和;为决策周期k内未完成负荷需求供给的惩罚代价;
步骤3.3、确定所述MDP数学模型的优化目标:
建立由式(5)所表征的跨区互联电网发输电系统的有限时段内优化性能准则函数Vπ:
所述跨区互联电网发输电系统的优化目标为求得最优策略π*,在所述最优策略π*下系统 的平均日运行总代价最低,由式(6)所表征:
步骤4、采用深度Q学习算法对所述MDP数学模型进行求解
步骤4.1、令系统状态sk的维度为rs,行动ak的维度为ra,r=rs+ra;
构建两个具有相同网络架构深度神经网络,分别是当前值深度神经网络和目标值深度神 经网络;两个深度神经网络的输入均为r维,输出均为1维,所述两个深度神经网络都是以 系统状态sk和行动ak为网络输入,输出为值函数Q(sk,ak);
步骤4.2、定义并初始化学习率α、样本池容量V、网络训练次数M以及一次训练中批样本容量B,令当前已训练次数m=0;
步骤4.3、判断mod(m,100)=0是否成立;若成立,则将当前值深度神经网络的网络参数 赋给目标值深度神经网络,并进入步骤4.4;若不成立,则直接进入步骤4.4;
步骤4.4、确定样本池中现有样本数量L,判断L<V是否成立;若成立,则按步骤4.10 的方法对样本数据进行扩充,并重复步骤4.4;否则转入步骤4.5;
步骤4.5、在样本池中随机抽取B条样本数据作为第m次学习的批训练样本,所述样本数 据的形式为(s,a,c,s′);
步骤4.6、将批训练样本中各样本的当前系统状态s与当前行动a作为当前值深度神经网 络的输入,记录各条训练样本对应的输出,获得基于当前值深度神经网络下的值函数Q(s,a);
步骤4.7、将批训练样本中各样本的下一状态s′作为目标值深度神经网络的状态输入,通 过遍历行动的方法提供行动输入,通过目标值深度神经网络获得minQ(s′,allaction);利用式 (7)计算得到各样本在基于目标值深度神经网络下的值函数Q*(s,a):
Q*(s,a)=c+αminQ(s′,all action) (7);
步骤4.8、定义当前值深度神经网络的损失函数Loss为:Loss=[Q(s,a)-Q*(s,a)]2,根 据损失函数利用梯度下降法更新当前值深度神经网络参数;
步骤4.9、将m的值增加1,判断m>M是否成立,若不成立,删除样本池中前B条样本数据,返回步骤4.3;若成立,则完成所述跨区互联电网动态调度的优化算法;
步骤4.10、扩充样本数据:
步骤4.10.1、令k=0;随机初始化系统状态;定义并初始化贪婪概率ε;
步骤4.10.2、所述跨区互联电网发输电系统在决策时刻tk根据系统状态sk和当前值深度神 经网络,选取贪婪行动agreedy为:同时,随机选取行动arand; 判断rand(0,1)<ε是否成立;若成立,则将贪婪行动agreedy赋值给ak;否则,将随机动作arand赋 值给ak;
步骤4.10.3、所述跨区互联电网发输电系统执行决策时刻tk下所选行动ak,并利用式(4) 计算在决策周期k内产生的运行代价ck并记录;
在决策周期k结束时,观测所述跨区互联电网发输电系统在决策时刻tk+1的系统状态sk+1;
步骤4.10.4、令s=sk,a=ak,c=ck,s′=sk+1,并将样本数据(s,a,c,s′)传入样本池中;
步骤4.10.5、判断k<K是否成立;若成立,将k的值增加1,将sk+1赋值给sk,然后转入 步骤4.10.2;否则,结束,完成一组样本数据的补充;
步骤5,通过不断对样本数据进行学习,得到收敛的值网络;将实际调度决策时刻tk下的 系统状态sk作为当前值深度神经网络输入,根据当前值深度神经网络选取最优行动a*为: 得到该决策周期内各区域常规发电机组调整功率等级柔性负荷 的削减等级和各条跨区联络线输送调整功率等级从而实现对所述跨区互联电网发输 电系统动态调度。
本发明跨区互联电网发输电系统动态调度优化方法的特点也在于:所述步骤3中系统实 际运行过程中的各项约束条件为:
其中:
在智能电网背景下,调度不断向智能化的方向发展。针对跨区互联电网调度问题,将人 工智能技术和电力调度技术相结合,可以为调控系统提供智能化的解决方案,实现电网运行 的经济、环保等多目标最优。与现有技术相比,本发明的有益效果在于:
1、本发明针对跨区互联电网调度问题,以系统日运行代价为目标,建立考虑源荷双侧随 机性及柔性负荷协同的跨区互联电网动态调度模型,通过学习优化方法进行策略求解。跨区 互联电网动态调度方法促进了新能源的消纳,有利于跨区互联电网安全经济运行,提高了电 力系统运行的稳定性;
2、本发明可以有效地应对跨区互联电网中新能源及负荷需求存在的随机性,在所得优化 策略下,调度机构根据决策时刻系统各个单元的实际功率情况,选取最优的调度行动;
3、本发明将柔性负荷的调节作用应用到多区域调度问题中,更充分地发挥区域之间的调 度潜力;
4、本发明采用了深度Q学习算法,与传统的学习优化算法相比,解决了出现的维数灾问 题,将学习优化方法应用到实际的电网调度中。
附图说明
图1为本发明所述的跨区互联电网发输电系统架构示意图;
图2为本发明解决跨区互联电网动态调度问题的深度Q学习算法流程图。
具体实施方式
本实施例中跨区互联电网发输电系统动态调度优化方法应用于如图1所示的跨区互联电 网发输电系统,包括:各区域内部的常规发电机组、光伏机组、风电机组、刚性负荷、柔性 负荷以及连接各区域间的直流联络线,各单元在图1中分别表示为1、2、3、4和5;调度机 构在决策时刻通过检测与通信设备获取跨区互联电网各单元出力情况与功率需求,并根据跨 区互联电网动态调度优化方法所得的策略选择最优行动来调整常规发电机组出力功率、调整 直流联络线传输功率以及削减柔性负荷需求,提高跨区互联电网系统运行效益。
参见图2,本实施例中跨区互联电网发输电系统动态调度优化方法按如下步骤进行:
步骤1,确定跨区互联电网架构,各区域内包含有常规发电机组、光伏机组、风电机组 以及用户负荷,用户负荷包括刚性负荷和柔性负荷,区域之间由直流联络线进行连接。
步骤2,建立风力出力、光伏出力、用户负荷需求不确定性模型以及常规发电机组和直 流联络线模型:
步骤2.1、建立风电出力、光伏出力以及负荷需求不确定性模型:
步骤2.2、建立常规发电机组模型:
将跨区互联电网发输电系统调度日时长T等分为0~K共K+1个时段;
步骤2.3、建立跨区联络线模型:
步骤2.4、建立柔性负荷模型:
步骤3,以降低系统日运行代价为系统调度优化目标,在满足系统实际运行过程中的各 项约束条件下,将跨区互联电网动态调度问题建立成相应的MDP数学模型:
步骤3.1、确定MDP数学模型的系统状态sk和行动ak:
将时段k定义为决策周期k,并将决策周期k起始时刻tk定义为决策时刻tk;
定义跨区互联电网发输电系统在决策时刻tk的系统状态sk为:
其中,为区域z决策时刻tk下的状态信息, 为直 流联络线d决策时刻tk下的功率等级;Z为总的区域数量;D为区域间联络线的总条数;区 域z决策时刻tk下的状态信息包括区域z中决策时刻tk下各个常规发电机组的功率等级 风电出力、光伏出力与负荷需求的随机波动等级
定义跨区互联电网发输电系统在决策时刻tk的行动ak为:
其中,为区域z决策时刻tk下的动作信息, 为直流联络线 d决策时刻tk下调整功率等级;区域z决策时刻tk下的动作信息包括区域z中决策时刻tk下各个常规发电机组的调整功率等级区域z中决策时刻tk下柔性负荷的削减 等级
步骤3.2、确定MDP数学模型的代价函数:
跨区互联电网发输电系统在决策时刻tk执行行动ak,利用式(4)计算获得跨区互联电网发 输电系统在决策周期k内产生的运行代价:
式(4)中,ck为决策周期k内跨区互联电网发输电系统总运行代价;为决策周期k内各区域 常规发电机组的运行代价和;为决策周期k内各区域风电机组弃风的代价和;为决策 周期k内各区域光伏发电机组弃光的代价和;为决策周期k内各区域柔性负荷的补偿代价; 为决策周期k内各区域负荷需求量与日预测负荷均值量的偏离代价;为第k个周期内 各条直流联络线的电力损耗代价和;为决策周期k内未完成负荷需求供给的惩罚代价。
步骤3.3、确定MDP数学模型的优化目标:
建立由式(5)所表征的跨区互联电网发输电系统的有限时段内优化性能准则函数Vπ:
跨区互联电网发输电系统的优化目标为求得最优策略π*,在最优策略π*下系统的平均日 运行总代价最低,由式(6)所表征:
步骤4,采用深度Q学习算法对MDP数学模型进行求解
步骤4.1、令系统状态sk的维度为rs,行动ak的维度为ra,r=rs+ra;
构建两个具有相同网络架构深度神经网络,分别是当前值深度神经网络和目标值深度神 经网络;两个深度神经网络的输入均为r维,输出均为1维,两个深度神经网络都是以系统 状态sk和行动ak为网络输入,输出为值函数Q(sk,ak)。
步骤4.2、定义并初始化学习率α、样本池容量V、网络训练次数M以及一次训练中批样本容量B,令当前已训练次数m=0。
步骤4.3、判断mod(m,100)=0是否成立;若成立,则将当前值深度神经网络的网络参数 赋给目标值深度神经网络,并进入步骤4.4;若不成立,则直接进入步骤4.4。由于当前值深 度神经网络的网络与目标值深度神经网络的参数不同时更新,一定程度上降低了两个深度神 经网络输出的相关性,提升了算法的稳定性。
步骤4.4、确定样本池中现有样本数量L,判断L<V是否成立;若成立,则按步骤4.10 的方法对样本数据进行扩充,并重复步骤4.4;否则转入步骤4.5。
步骤4.5、在样本池中随机抽取B条样本数据作为第m次学习的批训练样本,样本数据的 形式为(s,a,c,s′)。在训练深度网络时,通常要求样本之间是相互独立的。这种随机采样的方 式,大大降低了样本之间的关联性,从而提升了算法的稳定性。
步骤4.6、将批训练样本中各样本的当前系统状态s与当前行动a作为当前值深度神经网 络的输入,记录各条训练样本对应的输出,获得基于当前值深度神经网络下的值函数Q(s,a)。
步骤4.7、将批训练样本中各样本的下一状态s′作为目标值深度神经网络的状态输入,通 过遍历行动的方法提供行动输入,通过目标值深度神经网络获得minQ(s′,allaction);利用式 (7)计算得到各样本在基于目标值深度神经网络下的值函数Q*(s,a):
Q*(s,a)=c+αminQ(s′,all action) (7)。
步骤4.8、定义当前值深度神经网络的损失函数Loss为:Loss=[Q(s,a)-Q*(s,a)]2,根 据损失函数利用梯度下降法更新当前值深度神经网络参数。
步骤4.9、将m的值增加1,判断m>M是否成立,若不成立,删除样本池中前B条样本数据,返回步骤4.3;若成立,则完成跨区互联电网动态调度的优化算法。
步骤4.10、扩充样本数据:
步骤4.10.1、令k=0;随机初始化系统状态;定义并初始化贪婪概率ε;
步骤4.10.2、跨区互联电网发输电系统在决策时刻tk根据系统状态sk和当前值深度神经网 络,选取贪婪行动agreedy为:同时,随机选取行动arand;判断 rand(0,1)<ε是否成立;若成立,则将贪婪行动agreedy赋值给ak;否则,将随机动作arand赋值 给ak;
步骤4.10.3、跨区互联电网发输电系统执行决策时刻tk下所选行动ak,并利用式(4)计算 在决策周期k内产生的运行代价ck并记录;
在决策周期k结束时,观测跨区互联电网发输电系统在决策时刻tk+1的系统状态sk+1;
步骤4.10.4、令s=sk,a=ak,c=ck,s′=sk+1,并将样本数据(s,a,c,s′)传入样本池中;
步骤4.10.5、判断k<K是否成立;若成立,将k的值增加1,将sk+1赋值给sk,然后转入 步骤4.10.2;否则,结束,完成一组样本数据的补充。
步骤5、通过不断对样本数据进行学习,得到收敛的值网络;将实际调度决策时刻tk下的 系统状态sk作为当前值深度神经网络输入,根据当前值深度神经网络选取最优行动a*为: 得到该决策周期内各区域常规发电机组调整功率等级柔性负荷 的削减等级和各条跨区联络线输送调整功率等级从而实现对跨区互联电网发输电系 统动态调度。
具体实施中,步骤3中系统实际运行过程中的各项约束条件为:
其中:
本发明解决了跨区互联电网发输电系统动态调度问题,所得调度策略可有效应对新能源 与负荷需求的随机性,促进了新能源的消纳,提高了跨区互联电网的运行效益,有利于电力 系统安全稳定地运行。
Claims (1)
1.一种跨区互联电网发输电系统动态调度优化方法,其特征是按如下步骤进行:
步骤1、确定跨区互联电网架构,各区域内包含有常规发电机组、光伏机组、风电机组以及用户负荷,所述用户负荷包括刚性负荷和柔性负荷,区域之间由直流联络线进行连接;
步骤2、建立风电出力、光伏出力、用户负荷需求不确定性模型以及所述常规发电机组和直流联络线模型:
步骤2.1、建立所述风电出力、光伏出力以及负荷需求不确定性模型:
步骤2.2、建立所述常规发电机组模型:
将所述跨区互联电网发输电系统调度日时长T等分为0~K共K+1个时段;
步骤2.3、建立跨区联络线模型:
步骤2.4、建立柔性负荷模型:
步骤3、以降低系统日运行代价为系统调度优化目标,在满足系统实际运行过程中的各项约束条件下,将跨区互联电网动态调度问题建立成相应的MDP数学模型:
步骤3.1、确定所述MDP数学模型的系统状态sk和行动ak:
将所述时段k定义为决策周期k,并将所述决策周期k起始时刻tk定义为决策时刻tk;
定义所述跨区互联电网发输电系统在决策时刻tk的系统状态sk为:
其中,为区域z决策时刻tk下的状态信息, 为直流联络线d决策时刻tk下的功率等级;Z为总的区域数量;D为区域间联络线的总条数;所述区域z决策时刻tk下的状态信息包括区域z中决策时刻tk下各个常规发电机组的功率等级风电出力、光伏出力与负荷需求的随机波动等级定义所述跨区互联电网发输电系统在决策时刻tk的行动ak为:
其中,为区域z决策时刻tk下的动作信息, 为直流联络线d决策时刻tk下调整功率等级;所述区域z决策时刻tk下的动作信息包括区域z中决策时刻tk下各个常规发电机组的调整功率等级区域z中决策时刻tk下柔性负荷的削减等级
步骤3.2、确定所述MDP数学模型的代价函数:
所述跨区互联电网发输电系统在决策时刻tk执行行动ak,利用式(4)计算获得所述跨区互联电网发输电系统在决策周期k内产生的运行代价:
式(4)中,ck为决策周期k内跨区互联电网发输电系统总运行代价;为决策周期k内各区域常规发电机组的运行代价和;为决策周期k内各区域风电机组弃风的代价和;为决策周期k内各区域光伏发电机组弃光的代价和;为决策周期k内各区域柔性负荷的补偿代价;为决策周期k内各区域负荷需求量与日预测负荷均值量的偏离代价;为第k个周期内各条直流联络线的电力损耗代价和;为决策周期k内未完成负荷需求供给的惩罚代价;
步骤3.3、确定所述MDP数学模型的优化目标:
建立由式(5)所表征的跨区互联电网发输电系统的有限时段内优化性能准则函数Vπ:
所述跨区互联电网发输电系统的优化目标为求得最优策略π*,在所述最优策略π*下系统的平均日运行总代价最低,由式(6)所表征:
步骤4、采用深度Q学习算法对所述MDP数学模型进行求解:
步骤4.1、令系统状态sk的维度为rs,行动ak的维度为ra,r=rs+ra;
构建两个具有相同网络架构深度神经网络,分别是当前值深度神经网络和目标值深度神经网络;两个深度神经网络的输入均为r维,输出均为1维,所述两个深度神经网络都是以系统状态sk和行动ak为网络输入,输出为值函数Q(sk,ak);
步骤4.2、定义并初始化学习率α、样本池容量V、网络训练次数M以及一次训练中批样本容量B,令当前已训练次数m=0;
步骤4.3、判断mod(m,100)=0是否成立;若成立,则将当前值深度神经网络的网络参数赋给目标值深度神经网络,并进入步骤4.4;若不成立,则直接进入步骤4.4;
步骤4.4、确定样本池中现有样本数量L,判断L<V是否成立;若成立,则按步骤4.10的方法对样本数据进行扩充,并重复步骤4.4;否则转入步骤4.5;
步骤4.5、在样本池中随机抽取B条样本数据作为第m次学习的批训练样本,所述样本数据的形式为(s,a,c,s′);
步骤4.6、将批训练样本中各样本的当前系统状态s与当前行动a作为当前值深度神经网络的输入,记录各条训练样本对应的输出,获得基于当前值深度神经网络下的值函数Q(s,a);
步骤4.7、将批训练样本中各样本的下一状态s′作为目标值深度神经网络的状态输入,通过遍历行动的方法提供行动输入,通过目标值深度神经网络获得minQ(s′,all action);利用式(7)计算得到各样本在基于目标值深度神经网络下的值函数Q*(s,a):
Q*(s,a)=c+αminQ(s′,all action) (7);
步骤4.8、定义当前值深度神经网络的损失函数Loss为:Loss=[Q(s,a)-Q*(s,a)]2,根据损失函数利用梯度下降法更新当前值深度神经网络参数;
步骤4.9、将m的值增加1,判断m>M是否成立,若不成立,删除样本池中前B条样本数据,返回步骤4.3;若成立,则完成所述跨区互联电网动态调度的优化算法;
步骤4.10、扩充样本数据:
步骤4.10.1、令k=0;随机初始化系统状态;定义并初始化贪婪概率ε;
步骤4.10.2、所述跨区互联电网发输电系统在决策时刻tk根据系统状态sk和当前值深度神经网络,选取贪婪行动agreedy为:同时,选取随机行动arand;判断rand(0,1)<ε是否成立;若成立,则将贪婪行动agreedy赋值给ak;否则,将随机行动arand赋值给ak;
步骤4.10.3、所述跨区互联电网发输电系统执行决策时刻tk下所选行动ak,并利用式(4)计算在决策周期k内产生的运行代价ck并记录;
在决策周期k结束时,观测所述跨区互联电网发输电系统在决策时刻tk+1的系统状态sk+1;
步骤4.10.4、令s=sk,a=ak,c=ck,s′=sk+1,并将样本数据(s,a,c,s′)传入样本池中;
步骤4.10.5、判断k<K是否成立;若成立,将k的值增加1,将sk+1赋值给sk,然后转入步骤4.10.2;否则,结束,完成一组样本数据的补充;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810787523.3A CN109066805B (zh) | 2018-07-18 | 2018-07-18 | 一种跨区互联电网发输电系统动态调度优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810787523.3A CN109066805B (zh) | 2018-07-18 | 2018-07-18 | 一种跨区互联电网发输电系统动态调度优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109066805A CN109066805A (zh) | 2018-12-21 |
CN109066805B true CN109066805B (zh) | 2021-07-27 |
Family
ID=64817002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810787523.3A Active CN109066805B (zh) | 2018-07-18 | 2018-07-18 | 一种跨区互联电网发输电系统动态调度优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109066805B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110135631B (zh) * | 2019-04-26 | 2022-02-22 | 燕山大学 | 基于信息间隙决策理论的电气综合能源系统调度方法 |
CN110288275B (zh) * | 2019-07-25 | 2023-09-12 | 东南大学 | 一种提升综合能源系统韧性的方法 |
CN110635476B (zh) * | 2019-09-29 | 2021-01-15 | 合肥工业大学 | 一种基于知识迁移的跨区互联电网动态调度快速优化方法 |
CN110991810A (zh) * | 2019-11-07 | 2020-04-10 | 四川大学 | 一种考虑水光蓄互补的区域联合体两阶段经济调度方法 |
CN111030088B (zh) * | 2019-11-25 | 2022-11-11 | 国电南瑞科技股份有限公司 | 一种电力外送输电通道容量预测方法和装置 |
CN110867903B (zh) * | 2019-11-27 | 2021-05-18 | 浙江工业大学 | 一种基于深度神经网络的智能电网系统实时最优功率分配方法 |
CN111064229B (zh) * | 2019-12-18 | 2023-04-07 | 广东工业大学 | 基于q学习的风-光-气-蓄联合动态经济调度优化方法 |
CN111121476B (zh) * | 2019-12-31 | 2021-05-11 | 东华大学 | 一种矿热炉能效在线调度决策方法 |
CN111245012B (zh) * | 2020-02-14 | 2024-05-28 | 重庆大学 | 考虑新能源不确定性的联络线功率安全域表征方法 |
CN112186811B (zh) * | 2020-09-16 | 2022-03-25 | 北京交通大学 | 一种基于深度强化学习的agc机组动态优化方法 |
CN112862282B (zh) * | 2021-01-27 | 2022-12-06 | 合肥工业大学 | 一种基于ddqn算法的综合能源系统源-荷协同调度优化方法 |
CN114110716B (zh) * | 2021-11-24 | 2023-06-02 | 新疆天池能源有限责任公司 | 一种热电机组的运行能效监测控制系统、方法、计算机设备及存储介质 |
CN114204597B (zh) * | 2021-12-13 | 2022-09-27 | 国网山东省电力公司东营市垦利区供电公司 | 基于多区域互联的新能源消纳优化方法 |
CN116632808B (zh) * | 2023-03-08 | 2024-05-28 | 南方电网科学研究院有限责任公司 | 电力调度优化方法、装置和非易失性存储介质 |
CN116527412B (zh) * | 2023-07-05 | 2023-09-19 | 中国电力科学研究院有限公司 | 面向调度数据链的跨区数据交互方法、装置、设备及介质 |
CN117134361B (zh) * | 2023-10-27 | 2024-01-30 | 国网天津市电力公司宝坻供电分公司 | 高比例绿电跨区跨电压等级消纳方法、装置、设备及介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107589672A (zh) * | 2017-09-27 | 2018-01-16 | 三峡大学 | 孤岛智能配电网下虚拟狼群控制策略的智能发电控制方法 |
-
2018
- 2018-07-18 CN CN201810787523.3A patent/CN109066805B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107589672A (zh) * | 2017-09-27 | 2018-01-16 | 三峡大学 | 孤岛智能配电网下虚拟狼群控制策略的智能发电控制方法 |
Non-Patent Citations (2)
Title |
---|
Conditional Risk Constraint Model of Spinning Reserve in Wind Power Integrated System;Wenshuai Fan等;《IEEE PES Innovative Smart Grid Technologies》;20120917;第1-6页 * |
互联电网CPS 调节指令动态最优分配Q-学习算法;余涛等;《中国电机工程学报》;20100305;第30卷(第7期);第62-69页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109066805A (zh) | 2018-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109066805B (zh) | 一种跨区互联电网发输电系统动态调度优化方法 | |
CN107292766B (zh) | 面向风电消纳的电力系统调峰手段经济性评估方法与系统 | |
CN108092324B (zh) | 一种风电参与调峰调频的agc控制系统和控制方法 | |
CN110620397B (zh) | 一种高比例可再生能源电力系统的调峰平衡评估方法 | |
CN109449971A (zh) | 一种新能源消纳的多目标电力系统源荷互动优化调度方法 | |
CN112651634B (zh) | 基于序列运算的有源配电系统源网荷储日前有功调度方法 | |
CN110635476B (zh) | 一种基于知识迁移的跨区互联电网动态调度快速优化方法 | |
CN110429649A (zh) | 考虑灵活性的高渗透率可再生能源集群划分方法 | |
CN106602613B (zh) | 一种省地两级调度断面协调控制方法 | |
CN107959285B (zh) | 一种区域间日前发输电计划的优化方法、系统及装置 | |
CN109256810A (zh) | 考虑风机出力不确定成本的多目标优化方法 | |
CN110858718B (zh) | 考虑经济性的交流微电网分布式事件驱动的频率控制方法 | |
CN100499310C (zh) | 一种电力系统自动发电控制的超前控制方法 | |
CN110535132A (zh) | 一种基于鲁棒优化的电力系统建设规划方法 | |
CN110247428A (zh) | 一种基于源网荷协同优化的配电网光储联合配置方法 | |
CN115147245B (zh) | 一种工业负荷参与调峰辅助服务的虚拟电厂优化调度方法 | |
CN110148971A (zh) | 一种分布式电源优化配置方法 | |
CN114722709A (zh) | 兼顾发电量和最小出力的梯级水库群优化调度方法及系统 | |
CN106355297B (zh) | 一种基于电解铝负荷特性的电网降损优化方法 | |
CN109149658B (zh) | 基于一致性理论的独立微电网分布式动态经济调度方法 | |
CN107392350B (zh) | 含分布式能源及充电站的配电网扩展规划综合优化方法 | |
CN115965224A (zh) | 一种基于深度迁移强化学习的电力系统调度优化方法 | |
CN115347583A (zh) | 一种基于多智能体的能源互联网功率指令分配方法及系统 | |
CN113765098A (zh) | 一种基于需求侧负荷响应的荷源互动调峰控制方法 | |
CN111262249A (zh) | 一种电网潮流仿真方法和系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |