CN109546648A - 一种考虑预防策略的大规模电力系统自动发电控制方法 - Google Patents
一种考虑预防策略的大规模电力系统自动发电控制方法 Download PDFInfo
- Publication number
- CN109546648A CN109546648A CN201811407241.2A CN201811407241A CN109546648A CN 109546648 A CN109546648 A CN 109546648A CN 201811407241 A CN201811407241 A CN 201811407241A CN 109546648 A CN109546648 A CN 109546648A
- Authority
- CN
- China
- Prior art keywords
- generation control
- algorithm
- preventative strategies
- electrical power
- power system
- 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
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
-
- 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
- H02J3/48—Controlling the sharing of the in-phase component
-
- 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)
- Feedback Control In General (AREA)
Abstract
本发明提供一种考虑预防策略的大规模电力系统自动发电控制方法,该方法能解决考虑预防策略的大规模电力系统自动发电控制问题。本发明提出了深度森林强化学习算法,基于该算法的控制器包含深度森林算法和强化学习算法。该控制器的输入是状态值和奖励值,输出动作给环境。深度森林算法的输入是历史状态和历史动作,输出是预测的系统下一时刻状态,下一时刻状态可能是紧急状态或正常状态。本发明提出的深度森林强化学习算法能替代传统的自动发电控制算法,并且所提算法能避免大规模电力系统中紧急状态的发生。
Description
技术领域
本发明属于大规模电力系统自动发电控制领域,涉及一种基于大规模互联系统、维度、自动控制和预防策略融合的大规模电力系统自动发电控制方法,适用于考虑预防策略的大规模电力系统自动发电控制问题。
背景技术
越来越多的新能源和可再生资源被连接到大规模互联电力系统中。自动发电控制旨在平衡大规模互联电力系统中发电机和系统负荷之间的有功功率。近年来,研究者们针对大规模互联电力系统的自动发电控制问题提出了多种控制算法,如最优滑模控制器、双层自抗扰控制器、二自由度或三自由度分数阶比例-积分-微分控制器和最优模糊逻辑控制器。针对多智能体系统的智能发电控制,也有多种强化控制算法被提出,如能在线更新其控制策略的强化学习算法、松弛Q学习控制器、Q(λ)学习算法和R(λ)学习算法。这些强化学习算法可以在系统负荷小的情况下获得较高的控制性能。然而,这些强化学习算法存在两个问题:(1)它们可能无法平衡大规模互联电力系统中发电机和负荷之间的有功功率,从而导致系统频率偏差大于0.2Hz;(2)在电力系统的备用容量较低时,这些强化学习算法可能会导致大规模互联电力系统发生紧急状态,如“切机甩负荷”等情况。因此,应在自动发电控制器中考虑预防策略,防止大规模互联电力系统发生紧急状态。
传统的强化学习算法是一种著名的不基于模型的算法。在正常状态(电力系统的备用容量较多)下,基于强化学习算法的自动发电控制器具有较高的控制性能,但不能保证在备用容量较少的情况下的控制性能。因此,为提高自动发电控制器在紧急状态下的控制性能,常规强化学习需要增加许多参数的维数,如Q值矩阵Q、概率分布矩阵P、动作集A和状态集S的维数。然而,维数增加易导致维数灾难(计算机超出计算内存)。
深度森林算法已被应用于图像识别、语言分析和手写体识别等方面。深度森林算法能利用少量的样本数据进行训练,并得到良好的分类性能。
为同时减少紧急状态和减轻维数灾难,本发明提出一种考虑预防策略的自动发电控制算法,即深度森林强化学习算法。
发明内容
本发明提出一种考虑预防策略的大规模电力系统自动发电控制方法。该方法与传统的自动发电控制方法不同,深度森林强化学习算法可预测系统下一时刻状态,减少紧急状态的发生,减轻维数灾难。
考虑预防策略的大规模电力系统自动发电控制过程分为以下步骤:
(1)建立考虑预防策略的自动发电控制算法;
(2)设置深度森林算法的输入值与输出值;
(3)本发明提供的深度森林强化学习算法在深度森林算法的基础上引入强化学习算法,并利用步骤(1)和步骤(2)得到的数据进行训练;
(4)利用深度森林强化学习算法在考虑预防策略的大规模电力系统中进行自动发电控制。
所述步骤(1),在大型电力系统中,自动发电控制不仅要平衡发电机与负荷之间的有功功率,而且要减少电力系统的频率偏差。
为减少电力系统在大负荷时突然发生的紧急情况,应考虑自动发电控制的预防策略。选择电力系统发电控制中的二次调频作为预防策略的频率范围。预防策略的目的是将系统频率偏差保持在最小水平。
所述步骤(2),深度森林算法是一种基于决策树的集成算法,该算法可以被用来改进强化学习算法。深度森林算法包含两个结构,即级联森林结构和多粒度扫描结构。
深度森林算法的级联结构由随机树级联而成。每个级联的随机树的输入都是特征信息,这些特征信息由其前一级森林处理产生。深度森林的级联结构包括两种类型的森林,即:两个完全随机森林(森林A)和两个随机森林(森林B),两种森林都有500棵树。如果每个叶节点仅包含相同类的实例,则完全随机树将停止增长。随机森林模型是一种集成算法模型,它包含一组决策树分类器{h(X,Θk)}。其中,k=1,2,…,nc;nc是类的数目;k是随机向量;k个决策树具有相同的独立分布。获得最大投票的分类是深度森林预测出的结果,
式中,x是深度森林算法的学习样本;hi(x)是第i个决策树的分类模型;Y是目标类;I(·)是指示分类功能。
随机树随机选择个特征作为候选特征,选择一个最优基尼系数对应的特征进行分裂;其中,d是输入特征的数量;将d舍入到小于或等于d的最近整数,即“向下取整”。其中,基尼系数可计算为:
式中,p(i|t)是给定第t类的第i类条件概率,nc是样本数。当基尼系数G=0时,即所有样本都是同一类。当集合C被分裂成子集C1和子集C2时,分裂基尼系数Gsplit(C)可以计算为
式中,n1和n2分别是子集C1和子集C2的样本数。为了获得最终分类向量的平均值,每个实例都需要k折交叉训练(k-1)次。当一个新的级联树被扩展到N时,深度森林算法会重新验证整个级联森林的表征性能,当表征性能不再增长时,则确定级联森林的级联总数为N。
在多粒度扫描过程中:(I)应用滑动窗口来扫描输入信息的原始特征;(II)如果选择nf为滑动窗口的大小,通过每个特征的扫描窗口生成nf维特征向量;(III)通过森林A和森林B的变换产生(d-nf+1)个特征向量。(IV)如果待分类的类别总数量为nc,则级联森林结构产生2nc(d-nf+1)维变换特征向量作为多粒度扫描的输入。
具体的来说,(I)如果待分类的类别数量是nc,而滑动窗口的数量是nw,则应用nf(1),nf(2)和的滑动窗口大小来扫描d维原始特征;(II)通过级联森林产生nw个2nc(d-nf+1)变换特征向量,并将之输入到多粒度扫描结构;(III)深度森林级联有N·nc层森林,每层森林有nc个特征向量,即4nc+2nc(d-nf(1)+1)、4nc+2nc(d-nf(2)+1)、...,维特征向量,N是每个nw级别的数量;其中,4nc维特征是由4个nc维特征组成的(两个“森林A”+两个“森林B”);(IV)当深度森林算法能表征模型的复杂度时,终止模型的训练过程。
所述步骤(3),强化学习算法作为一种不基于模型的控制算法,强化学习算法框架包含控制器和环境,基于强化学习算法的控制器可在线更新环境策略。控制器的输入是状态值和奖励值,输出动作给环境。强化学习算法中Q矩阵和P矩阵的更新方式为
Q(s,a)←Q(s,a)+
式中,s和s′分别为当前状态和下一时刻状态,γ为折扣因子,R(s,s′,a)为奖励值,β为概率分布因子,概率矩阵P(s,a)的初始值为1/|A|,|A|为动作集中动作的数量,且概率矩阵的范围是P(s,a)∈[0,1]。奖励值函数依据控制目标而设定为
式中,ACE为区域功率误差,单位为MW;Δf为频率偏差(单位为Hz)。CPS1指标为
CPS1=(2-CF1)×100% (7)
式中,CF1为其中,ACEAVE-min为1分钟ACE的平均值,Bi为控制区域i的频率偏差系数(单位为10MW/Hz),n为该统计时间内的分钟数,ε1为互联电网对全年每分钟频率平均偏差的均方根的控制目标值。
所述步骤(4),考虑预防策略的自动发电控制方法,应该预测系统下一时刻状态(包括紧急状态和正常状态),为自动发电控制机组提供具有预测能力的发电指令。
本发明相对于现有技术具有如下的优点:
(1)本发明受强化学习算法和深度森林算法等学习理论的启发,提出了深度森林强化学习算法,该算法具有处理表征关系的能力和逐层加强表征学习的能力。
(2)本发明所提方法中的深度森林算法作为基于决策树的集成算法,能减少强化学习算法带来的维度灾难。
(3)本发明采用了深度森林强化学习算法用于预防性策略,可预测电力系统的下一时刻状态。
附图说明
图1是本发明方法的频率控制的控制范围图。
图2是本发明方法的深度森林算法结构图。
图3是本发明方法的深度森林强化学习算法结构图。
具体实施方式
本发明提出的一种考虑预防策略的大规模电力系统自动发电控制方法,结合附图详细说明如下:
图1是本发明方法的频率控制的控制范围图。图1中,频率控制有四个范围,即频率一次控制区,频率二次控制区、频率三次控制区和紧急控制区。频率一次控制区由发电机通过频率变化自动调节。频率二级控制区由控制算法调节,即通过自动发电控制或二次调控控制。紧急控制区或三次控制区通过经济调度和机组组合进行调度,具有较长的时间尺度。
图2是本发明方法的深度森林算法结构图。深度森林算法包含两个结构,即级联森林结构和多粒度扫描结构。深度森林算法预测电力系统下一时刻状态。深度森林算法包含完全随机森林模型和随机森林模型。每一个随机森林模型包含500棵完全随机决策树,随机选择个特征用于节点分裂,d为输入样本的特征数量,为向下取整。决策树选取具有最优基尼指数的特征进行分裂。决策树生成算法的核心在于怎样选取每个节点上需要进行测试的属性,可通过不同的数据度量方法对数据纯度来分类。以基尼指数作为属性度量的标准,基尼指数越小,分类的效果越精准。
图3是本发明方法的深度森林强化学习算法结构图。基于深度森林强化学习算法的控制器包含深度森林算法和强化学习算法。为了减少计算内存,Q值矩阵Q和强化学习的概率分布矩阵P分别被分成ns个Q值矩阵和ns概率分布矩阵。因此,矩阵Q和矩阵P的计算内存减少
如果矩阵Q和矩阵P都是nq×nq矩阵,它们被对称地分裂为两个矩阵。在传统Q学习算法的框架中,立即状态St,即第t次迭代的状态,用来表示电力系统的状态。然而,在深度森林强化学习算法的框架中,历史状态和历史动作都被用来预测电力系统的下一时刻状态。之所以用历史状态和历史动作来预测是因为:(i)电力系统是一个时延系统;(ii)历史动作可能影响电力系统的状态。因此,深度森林算法采用历史状态和历史动作来预测下一时刻状态。深度森林算法的输入是环境的历史状态和基于深度森林强化学习算法控制器的历史动作,而深度森林算法输出是电力系统下一时刻状态。
所提出的基于深度森林强化学习算法的控制器的主要特征可以概括为:
1.由于矩阵Q,P和A的分裂,程序的计算内存得以减少,从而减轻了维数灾难。
2.下一时刻状态可通过深度森林强化学习算法的深度森林算法进行预测,深度森林算法的输入是历史状态和历史动作。
3.与传统的强化学习算法相比,深度森林强化学习算法可使用相同的计算内存来增加动作集中的数量,因此基于深度森林强化学习算法的控制器可获得更高的控制性能。
Claims (5)
1.一种考虑预防策略的大规模电力系统自动发电控制方法,其特征在于,能用一种考虑预防策略的自动发电控制算法为自动发电控制机组提供发电指令;该方法在使用过程中的主要特征为:
(1)设定考虑预防策略的自动发电控制算法的输入和输出;
(2)在强化学习算法框架中引入深度森林算法预测下一时刻的系统状态;
(3)在实际使用前先进行预训练。
2.如权利要求1所述的考虑预防策略的大规模电力系统自动发电控制方法,其特征在于,所述的特征(1)的考虑预防策略的自动发电控制算法选择电力系统发电控制中的二次调频作为预防策略的频率范围,以状态值和奖励值作为输入,以动作值作为输出。
3.如权利要求1所述的考虑预防策略的大规模电力系统自动发电控制方法,其特征在于,所述的特征(2)的深度森林算法是一种基于决策树的集成算法;深度森林算法包含两个结构,即级联森林结构和多粒度扫描结构。
4.如权利要求1所述的考虑预防策略的大规模电力系统自动发电控制方法,其特征在于,所述的特征(2)的强化学习算法是一种不基于模型的控制算法,强化学习算法框架包含控制器和环境,基于强化学习算法的控制器可在线更新控制策略。
5.如权利要求1所述的考虑预防策略的大规模电力系统自动发电控制方法,其特征在于,所述的特征(3)的预训练过程结束时,强化学习中的概率矩阵趋近于稳定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811407241.2A CN109546648A (zh) | 2018-11-23 | 2018-11-23 | 一种考虑预防策略的大规模电力系统自动发电控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811407241.2A CN109546648A (zh) | 2018-11-23 | 2018-11-23 | 一种考虑预防策略的大规模电力系统自动发电控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109546648A true CN109546648A (zh) | 2019-03-29 |
Family
ID=65849761
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811407241.2A Pending CN109546648A (zh) | 2018-11-23 | 2018-11-23 | 一种考虑预防策略的大规模电力系统自动发电控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109546648A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110619107A (zh) * | 2019-08-07 | 2019-12-27 | 南昌大学 | 一种Lstm与Gcforest算法混合强化学习的配网变压器负荷预测方法 |
CN111144557A (zh) * | 2019-12-31 | 2020-05-12 | 中国电子科技集团公司信息科学研究院 | 一种基于级联模式的动作策略方法 |
CN111555368A (zh) * | 2020-05-15 | 2020-08-18 | 广西大学 | 一种综合能源系统的深度生成式对抗网络调度与控制方法 |
CN113341768A (zh) * | 2021-06-22 | 2021-09-03 | 北京航空航天大学杭州创新研究院 | 闸门调控方法、装置、设备及介质 |
-
2018
- 2018-11-23 CN CN201811407241.2A patent/CN109546648A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110619107A (zh) * | 2019-08-07 | 2019-12-27 | 南昌大学 | 一种Lstm与Gcforest算法混合强化学习的配网变压器负荷预测方法 |
CN110619107B (zh) * | 2019-08-07 | 2022-04-12 | 南昌大学 | 一种Lstm与Gcforest算法混合强化学习的配网变压器负荷预测方法 |
CN111144557A (zh) * | 2019-12-31 | 2020-05-12 | 中国电子科技集团公司信息科学研究院 | 一种基于级联模式的动作策略方法 |
CN111555368A (zh) * | 2020-05-15 | 2020-08-18 | 广西大学 | 一种综合能源系统的深度生成式对抗网络调度与控制方法 |
CN111555368B (zh) * | 2020-05-15 | 2022-12-06 | 广西大学 | 一种综合能源系统的深度生成式对抗网络调度与控制方法 |
CN113341768A (zh) * | 2021-06-22 | 2021-09-03 | 北京航空航天大学杭州创新研究院 | 闸门调控方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109546648A (zh) | 一种考虑预防策略的大规模电力系统自动发电控制方法 | |
Fan et al. | Design for auto-tuning PID controller based on genetic algorithms | |
CN108932557A (zh) | 一种基于气温累积效应和灰色关联度的短期负荷预测模型 | |
CN114792156B (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和系统 | |
CN112734154B (zh) | 一种基于模糊数相似度的多因素舆情风险评估方法 | |
CN110717610A (zh) | 一种基于数据挖掘的风电功率预测方法 | |
CN110766320A (zh) | 一种机场智能电网运行安全评价方法及装置 | |
CN112818525A (zh) | 一种水电机组状态评价方法及其系统 | |
CN116031888A (zh) | 基于动态负荷预测的潮流优化方法、系统及存储介质 | |
Chen | A SOM-FBPN-ensemble approach with error feedback to adjust classification for wafer-lot completion time prediction | |
Chen et al. | A fuzzy back propagation network ensemble with example classification for lot output time prediction in a wafer fab | |
TWI810487B (zh) | 太陽能發電預測方法 | |
CN109697531A (zh) | 一种物流园区腹地物流需求预测方法 | |
CN113627753A (zh) | 一种电力市场市场力的综合评价方法 | |
Zhai et al. | Combining PSO-SVR and Random Forest Based Feature Selection for Day-ahead Peak Load Forecasting. | |
Hadavandi et al. | A genetic fuzzy expert system for stock price forecasting | |
CN115481788B (zh) | 相变储能系统负荷预测方法及系统 | |
CN113111588B (zh) | 一种燃气轮机nox排放浓度预测方法及装置 | |
CN115293827A (zh) | 一种助力企业精细化运营的模型可解释性分析新方法 | |
Vantuch et al. | Power quality prediction designed as binary classification in AC coupling Off-Grid system | |
CN114444763A (zh) | 基于afsa-gnn的风电功率预测方法 | |
Sala et al. | Smart multi-model approach based on adaptive Neuro-Fuzzy Inference Systems and Genetic Algorithms | |
Yuan et al. | A combined forecasting method for short term load forecasting based on random forest and artificial neural network | |
Sarkar et al. | Prediction of Power Consumption in Smart Grid: A Reliable Path to a Smart City Based on Various Machine Learning Models | |
Sala et al. | Enhanced load forecasting methodology by means of probabilistic prediction intervals estimation |
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: 20190329 |