CN109149648A - 一种自适应宽度动态规划智能发电控制方法 - Google Patents
一种自适应宽度动态规划智能发电控制方法 Download PDFInfo
- Publication number
- CN109149648A CN109149648A CN201811184103.2A CN201811184103A CN109149648A CN 109149648 A CN109149648 A CN 109149648A CN 201811184103 A CN201811184103 A CN 201811184103A CN 109149648 A CN109149648 A CN 109149648A
- Authority
- CN
- China
- Prior art keywords
- width
- dynamic programming
- power generation
- adaptive
- generation control
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 24
- 238000009826 distribution Methods 0.000 claims abstract description 22
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims 1
- 238000010168 coupling process Methods 0.000 claims 1
- 238000005859 coupling reaction Methods 0.000 claims 1
- 238000010801 machine learning Methods 0.000 abstract 1
- 238000004088 simulation Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005304 joining Methods 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 241000282461 Canis lupus Species 0.000 description 1
- 241000283153 Cetacea Species 0.000 description 1
- 241000287828 Gallus gallus Species 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 241001206881 Myrmeleon inconspicuus Species 0.000 description 1
- 241000238633 Odonata Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000000574 ganglionic effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
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
- H02J3/381—Dispersed generators
-
- 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
本发明提供一种自适应宽度动态规划智能发电控制方法，该方法将自适应动态规划算法中的神经网络替换为机器学习领域中的宽度神经网络，并且在其中添加宽度模型预测网络，能够同时完成传统模式下“自动发电控制算法+指令优化分配算法”共同完成的工作。所提自适应宽度动态规划智能发电控制方法具有有效性、可行性与强鲁棒性，能在正常情况、“即插即用”启停机情况、通讯故障情况、全天扰动仿真情况、变拓扑结构的孤岛配网情况和变参数模型的仿真中获得最优控制性能。
Description
技术领域
本发明属于孤岛配电网的电力系统智能发电控制领域，传统模式下由“自动发电控制算法+指令优化分配算法”共同完成的工作。
背景技术
随着人类不断提高可再生新能源的利用率，分布式电源(如小水电、风电、光伏发电、生物质发电及电动汽车)不断地接入到配电网络，配电网的供电模式已经开始发生逆转，从主网络被动接收电能的配电网络向主动供电配电网络逐渐过渡，配电网络在分布式电源的支撑下独立运行的能力不断提高。一方面，电网可接入分布式电源的多样化以及间歇性新能源随机性的增大导致配电网络的电能质量控制更加困难。另一方面，当输电网络发生严重故障时，智能主动配电网的发展要求配电网能够主动解列为孤岛小配电网自主稳定运行。近年来，如何有效提高含有各种新能源的孤岛配电网的稳定控制水平已成为国内外电力工作人员所关注的技术难题。
对于由许多新能源组成的微电网的频率控制问题，目前国内外学者研究的算法一般可分为两类。一种是自动发电控制算法，如传统的比例积分微分算法、滑模控制、自抗扰控制算法、分数阶比例积分微分算法、模糊控制、强化学习系列的Q学习算法、Q(λ)学习算法、R(λ)学习等，此类算法一般使用整个微电网作为单个区域来计算发电指令，然后再由固定比例分配给各可控的微电源。另一类算法为优化算法，如经典的遗传算法、二次规划算法、灰狼算法、粒子群算法、飞蛾扑火算法、鲸鱼优化算法、蚁狮算法、蜻蜓算法、群搜索算法、鸡群搜索算法、正弦余弦算法等，这些算法通常使用经典的比例积分微分控制算法作为发电控制指令算法。然后，使用这种优化算法将发电指令分配给各个微电源，并且通常以最小的发电成本为目标。这两种算法具有一定的优势，例如，控制算法与优化算法分离，可以分别设计不同的算法，但是两种算法如何协同工作也存在问题。控制算法使用频率偏差最小作为控制目标，而优化分配算法以发电成本最小为优化目标，两者的综合作用可能使得频率偏差增大且发电成本增加，从而导致发电控制性能较差，甚至会因为算法的精度提高导致计算时间超过了发电指令允许的最长时间。
针对上述自动发电控制算法与优化分配算法两者结合使用的缺点，本发明设计了一种“一体式”的控制算法，并命名为自适应宽度动态规划算法。
发明内容
本发明提供一种自适应宽度动态规划智能发电控制方法。可扩展的宽度学习方法可以应用于孤岛配电网中新能源的加入和退出。可扩展的宽度学习方法与动态可扩展网络不同：(i)可扩展的宽度学习方法可适应动态输出的数量；(ii)动态可扩展网络用于提高网络容量。
可扩展的宽度学习方法是基于宽度神经网络的算法，宽度神经网络系统的能量可以描述为如下公式(1)，
其中，Wmn是宽度神经网络中的权重；vm和kn是第m个可见单元和第n个隐含单元；和μn分别是第m个可见单元和第n个隐含单元的偏移量；M和N分别是可见单元和隐含单元的数量。
联合概率分布计算如下公式(2)，
其中，是归一化函数。
隐含单元的激活概率计算如下公式(3)，
其中，σ(x)定义为S形激活函数
可见单元的激活概率如下公式(4)，
选择行动的概率如下公式(5)，
其中，p是更新的行动概率a；rp是概率系数。
可扩展的宽度学习方法的宽度神经网络的层数应该大于2，第一层和最后一层的隐含单元的数量应该分别大于输入和输出变量的个数。通常，可扩展的宽度学习方法中的层数应大于3，第二层的隐含单元数应大于输入和输出变量的个数。
可扩展的宽度学习方法的扩展操作取决于输入或输出变量个数的变化。例如，可以将宽度神经网络的隐含层的隐含单元的数量设置为如下公式(6)，
[n1ni,n2ni,n3no,n4no] (6)
其中，ni和no分别是宽度神经网络的输入和输出变量的个数；所有的变量n1、n2、n3和n4都是可扩展的宽度学习方法的隐含单元的系数。
当增加宽度神经网络的输入变量的个数时，隐含单元的数量可以扩展到如下公式(7)，
[n1(1+ni),n2(1+ni),n3no,n4no] (7)
当增加宽度神经网络的输出变量的个数时，隐含单元的数量可以扩展到如下公式(8)，
[n1ni,n2ni,n3(1+no),n4(1+no)] (8)
当宽度神经网络的输入和输出变量的个数分别增加到(n'i+ni)和(n'o+no)时，隐含单元的数目将被扩展到如下公式(9)，
[n1(n'i+ni),n2(n'i+ni),n3(n'o+no),n4(n'o+no)] (9)
本发明提供的一种自适应宽度动态规划智能发电控制方法适用于孤岛配电网的统一时间尺度实时经济发电调度与控制框架，该框架的控制器可以取代传统的发电控制。该控制器是一个多输出控制器。实时经济发电调度控制器的输出模式至少有五种：
1.自动发电控制机组模式：如控制单元是自动发电控制机组，则实时经济发电调度控制器的输出是发电指令；
2.分配模式：如控制单元是风电或光伏发电，则实时经济发电调度控制器的输出是可控的最大输出功率；
3.柔性负荷模式：如控制单元是一个柔性负荷，实时经济发电调度控制器的输出是可控的最小输出功率；
4.刚性负荷模式：如控制单元是一个刚性负荷，则实时经济发电调度控制器的输出不起作用；
5.参与产消模式：如控制单元是可充放电的电动汽车，则实时经济发电调度控制器的输出是可控功率输出。该模式中的电动汽车即可产生能源(能源的生产者)，也可消耗能源(能源的消费者)，因此该模式被称为参与产消模式。
附图说明
图1是本发明方法的自适应动态规划算法示意图。
图2是本发明方法的自适应宽度动态规划算法示意图。
图3是本发明方法的可扩展的宽度学习方法的过程。
具体实施方式
本发明提出的一种自适应宽度动态规划智能发电控制方法结合附图详细说明如下：
图1是本发明方法的自适应动态规划算法示意图。本发明提出自适应宽度动态规划算法，该算法是在自适应动态规划算法的基础上改进而来，能够达到“自动发电控制+功率分配优化”同时作用的效果。其中，自适应动态规划算法作为系统的控制与优化算法的部分，该算法在整个智能发电控制系统中发挥着控制与优化的作用，而基于自适应动态规划算法的智能体中还包含了系统的评价网络和执行网络，其结构框图与强化学习类似，如图1所示。
图2是本发明方法的自适应宽度动态规划算法示意图。在自适应动态规划算法的基础构架上，添加了宽度模型预测网络，并且将自适应动态规划算法中的神经网络用宽度神经网络进行替换。如图2所示的自适应宽度动态规划算法示意图，通过宽度神经网络的改进，系统可以输出多个机组的指令，在这个过程中不需要另外的优化算法进行配合。这样不仅仅节约了计算内存，同时也减少了算法计算时间。自适应宽度动态规划算法能够对动态系统有预测作用，能够加速对采取某种动作之后控制效果好坏的预测，加速收敛过程。这种算法还可以加速宽度学习网络的预测能力，不断在线对各种情况进行预测分析，不断完善更新学习，使得系统在长期或者短期工作条件下对控制性能都能够有很大程度上的提升。
图3是本发明方法的可扩展的宽度学习方法的过程。本发明提出的自适应宽度动态规划智能发电控制方法的核心在于可扩展的过程(即增加宽度神经网络的神经节点数目)。可扩展的宽度学习方法主要用于孤岛配电网的新能源加入或退出的动态扩展。可扩展的宽度学习方法的扩展操作主要取决于输入或输出变量个数的变化，宽度学习用于当输入或输出变量的个数发生变化时，能够在隐含层中增加神经节点的个数，来达到更高效的学习。若将宽度神经网络的隐含层中的隐含单元的数量设置为[n1ni,n2ni,n3no,n4no]，当宽度神经网络的输入与输出变量个数分别增加到(n'i+ni)和(n'o+no)时，则宽度神经网络的隐含层中的隐含单元的数量为[n1(n'i+ni),n2(n'i+ni),n3(n'o+no),n4(n'o+no)]。上述宽度神经网络的输入和输出变量个数改变的同时也改变了宽度神经学习网络的宽度。
Claims (6)
1.一种自适应宽度动态规划智能发电控制方法，其特征在于，该方法在宽度神经网络学习的基础上，通过可扩展的宽度学习控制器改变输入与输出变量个数，从而扩展了网络神经宽度，增强系统的在线学习能力；该方法通过改变宽度神经网路的隐含单元数量，增强了系统的有效性、可行性与强鲁棒性。
2.如权利要求1所述的一种自适应宽度动态规划智能发电控制方法，其特征在于，在原始算法(即自适应动态规划算法)的基础上添加宽度模型预测网络，将自适应动态规划算法中的神经网络替换为宽度神经网络。
3.如权利要求1所述的一种自适应宽度动态规划智能发电控制方法，其特征在于，通过对宽度神经网络的改进，使得系统能够输出多个机组指令，无需另外的优化算法配合，节约了计算内存，减少了计算时间。
4.如权利要求1所述的一种自适应宽度动态规划智能发电控制方法，其特征在于，对于自适应宽度动态规划智能发电控制所采用的控制方法，能够通过控制器使得系统可以不断地利用在线数据进行更新学习，使系统的预测与控制能力随时间不断提升，避免了组合式算法因组合而耦合度不高导致控制性能差的问题。
5.如权利要求1所述的一种自适应宽度动态规划智能发电控制方法，其特征在于，将可扩展的宽度学习方法应用于动态可扩展的孤岛配电网；可扩展的宽度学习方法可以根据孤岛配电网特性的不同来改变输入与输出变量的个数。
6.如权利要求1所述的一种自适应宽度动态规划智能发电控制方法，其特征在于，可以充分考虑多种因素的影响，并且数据和模型是可自动拓展的，能适应未来数据不断增多的要求。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811184103.2A CN109149648A (zh) | 2018-10-11 | 2018-10-11 | 一种自适应宽度动态规划智能发电控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811184103.2A CN109149648A (zh) | 2018-10-11 | 2018-10-11 | 一种自适应宽度动态规划智能发电控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109149648A true CN109149648A (zh) | 2019-01-04 |
Family
ID=64811083
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811184103.2A Pending CN109149648A (zh) | 2018-10-11 | 2018-10-11 | 一种自适应宽度动态规划智能发电控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109149648A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110095981A (zh) * | 2019-04-02 | 2019-08-06 | 南京交通职业技术学院 | 一种自抗扰控制器参数的整定方法、装置和电子设备 |
| CN110221147A (zh) * | 2019-06-11 | 2019-09-10 | 东华大学 | 基于多复合优化算法的电能质量检测分析方法 |
| CN110429652A (zh) * | 2019-08-28 | 2019-11-08 | 广西大学 | 一种可拓展深宽度自适应动态规划的智能发电控制方法 |
| CN110808610A (zh) * | 2019-11-11 | 2020-02-18 | 广西大学 | 一类基于比例积分微分控制思想的双馈风机优化方法 |
| CN112381282A (zh) * | 2020-11-09 | 2021-02-19 | 上海交通大学 | 基于宽度学习系统的光伏发电功率预测方法 |
| CN113177860A (zh) * | 2021-04-22 | 2021-07-27 | 湘潭大学 | 一种基于改进蚁狮算法的含电动汽车参与的微电网优化调度方法 |
| CN113341732A (zh) * | 2021-06-29 | 2021-09-03 | 南京工业大学 | 一种用于癫痫脑刺激的滑模控制方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107844053A (zh) * | 2017-10-30 | 2018-03-27 | 湖北工业大学 | 一种楼宇级冷热电联供系统主动能源供应方法 |
-
2018
- 2018-10-11 CN CN201811184103.2A patent/CN109149648A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107844053A (zh) * | 2017-10-30 | 2018-03-27 | 湖北工业大学 | 一种楼宇级冷热电联供系统主动能源供应方法 |
Non-Patent Citations (2)
| Title |
|---|
| 殷林飞等: "基于深度自适应动态规划的孤岛主动配电网发电控制与优化一体化算法", 《控制理论与应用》 * |
| 赵小虎等: "基于主成分分析网络的改进图像分类算法", 《激光与光电子学进展》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110095981A (zh) * | 2019-04-02 | 2019-08-06 | 南京交通职业技术学院 | 一种自抗扰控制器参数的整定方法、装置和电子设备 |
| CN110221147A (zh) * | 2019-06-11 | 2019-09-10 | 东华大学 | 基于多复合优化算法的电能质量检测分析方法 |
| CN110221147B (zh) * | 2019-06-11 | 2021-03-30 | 东华大学 | 基于多复合优化算法的电能质量检测分析方法 |
| CN110429652A (zh) * | 2019-08-28 | 2019-11-08 | 广西大学 | 一种可拓展深宽度自适应动态规划的智能发电控制方法 |
| CN110808610A (zh) * | 2019-11-11 | 2020-02-18 | 广西大学 | 一类基于比例积分微分控制思想的双馈风机优化方法 |
| CN112381282A (zh) * | 2020-11-09 | 2021-02-19 | 上海交通大学 | 基于宽度学习系统的光伏发电功率预测方法 |
| CN112381282B (zh) * | 2020-11-09 | 2022-06-17 | 上海交通大学 | 基于宽度学习系统的光伏发电功率预测方法 |
| CN113177860A (zh) * | 2021-04-22 | 2021-07-27 | 湘潭大学 | 一种基于改进蚁狮算法的含电动汽车参与的微电网优化调度方法 |
| CN113341732A (zh) * | 2021-06-29 | 2021-09-03 | 南京工业大学 | 一种用于癫痫脑刺激的滑模控制方法 |
| CN113341732B (zh) * | 2021-06-29 | 2023-11-21 | 南京工业大学 | 一种用于癫痫脑刺激的滑模控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109149648A (zh) | 一种自适应宽度动态规划智能发电控制方法 | |
| Kofinas et al. | Fuzzy Q-Learning for multi-agent decentralized energy management in microgrids | |
| Li et al. | Coordinated load frequency control of multi-area integrated energy system using multi-agent deep reinforcement learning | |
| CN111242443B (zh) | 基于深度强化学习的能源互联网中虚拟电厂经济调度方法 | |
| CN106505560B (zh) | 一种基于响应优先级的多策略协调的电网优化运行方法 | |
| CN114336702B (zh) | 基于双层随机规划的风光储场站群功率分配协同优化方法 | |
| Xi et al. | A wolf pack hunting strategy based virtual tribes control for automatic generation control of smart grid | |
| Yin et al. | Multi-layer distributed multi-objective consensus algorithm for multi-objective economic dispatch of large-scale multi-area interconnected power systems | |
| CN104779611A (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 | |
| CN111092428B (zh) | 基于模型预测控制的主动配电网动态虚拟集群划分方法 | |
| CN105515010B (zh) | 一种基于合作对策的二级电压协调控制方法及系统 | |
| 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 | |
| CN108388959A (zh) | 一种基于一致性算法的源网荷储协同优化方法 | |
| CN115811070A (zh) | 辅助火电机组调频的飞轮储能自适应容量配置方法及系统 | |
| Hammad et al. | Cooperative microgrid networks for remote and rural areas | |
| CN117791643A (zh) | 风光水火储协同博弈的电网智能调频方法及系统 | |
| Song et al. | Cooperative grid frequency control under asymmetric V2G capacity via switched integral reinforcement learning | |
| Fan et al. | A multilayer voltage intelligent control strategy for distribution networks with V2G and power energy Production-Consumption units | |
| CN105631549A (zh) | 主动配电网环境下的虚拟电厂分布式模型预测控制方法 | |
| CN113394770A (zh) | 互联微网群频率完全分布式优化控制方法及系统 | |
| CN105406507A (zh) | 一种光伏微网微源动态切换方法 | |
| CN110867902B (zh) | 基于发电预测的微电网分布式电源去中心优化运行方法 | |
| CN117674160A (zh) | 基于多智能体深度强化学习的有源配电网实时电压控制方法 | |
| CN109245178B (zh) | 一种基于分布式协同mpc的风电场功率协同调度 | |
| CN116307071A (zh) | 一种高比例光伏接入低压配电网方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190104 |