CN110474339A - 一种基于深度发电负荷预测的电网无功控制方法 - Google Patents

Abstract

本发明涉及一种基于深度发电负荷预测的电网无功控制方法。首先采用深度学习方法对日前‑日内及实时发电量和负荷进行时序递进精准预测；然后根据预测值采用强化学习的思路进行时序潮流的优化调节。本发明通过对新能源发电与负荷的精准预测，利用强化学习手段对电网无功进行自动调节，实现了电网潮流无功的智能化平衡。

Description

一种基于深度发电负荷预测的电网无功控制方法

技术领域

本发明涉及电网规划与保护运行领域，更具体地，涉及一种基于深度发电负荷预测的电网无功控制方法。

背景技术

传统现代电网负荷及分布式可再生能源电源种类繁多，出力波动幅度较大。不同种类负荷和分布式电源的出力变化造成电网潮流计算的节点无功数据与实际节点无功出现偏差，影响潮流计算的准确性。现有的AVC是一种事后控制策略,无法有效应对新能源发电和负荷无功波动情形下电网无功调节要求,频繁的调节会影响调节设备使用寿命。为了解决该问题，本发明采用基于深度学习的日前发电预测与基于强化学习的无功控制相结合的手段，提出了一种基于深度发电负荷预测的电网无功控制方法。

发明内容

本发明的目的在于提供一种基于深度发电负荷预测的电网无功控制方法，通过对新能源发电与负荷的精准预测，利用强化学习手段对电网无功进行自动调节，实现了电网潮流无功的智能化平衡。

为实现上述目的，本发明的技术方案是：一种基于深度发电负荷预测的电网无功控制方法，首先采用深度学习方法对日前-日内及实时发电量和负荷进行时序递进精准预测；然后根据预测值采用强化学习的思路进行时序潮流的优化调节。该方法具体实现步骤如下：

S1、输入N天的{时间-发电量-负荷}历史数据

历史数据的类型根据时间的长短分为：日前数据、日内数据和实时数据，数据以数据对的方式输入，格式为{时间：发电量：负荷}；

S2、根据历史数据采用深度学习策略进行发电量和负荷的预测；

S3、根据发电量与负荷的预测数据，结合电网运行数据，进行初始潮流计算，即计算初始潮流计算中节点无功的失配量；

S4、判断节点无功的失配量是否小于设定阈值；若失配量小于阈值，则认为潮流计算得到的无功值满足要求；否则，转到步骤S5；

S5、分析无功电压可调节量，可调节量分为发电机无功和有载调节变压器；

S6、采用强化学习算法进行无功电压的调整；

S7、将调整后的电压与其设定值进行比较；若失配量小于设定值，则认为潮流计算得到的无功值满足要求；否则，重复执行步骤S5和S6。

在本发明一实施例中，所述步骤S2具体实现方式如下：

对发电量的预测采用长短记忆模型：

根据获得的包括风速、光照强度、地理信息的历史数据，首先进行包括多源数据融合、降维的预处理；然后采用长短记忆深度学习策略对新能源的发电量进行预测

对负荷预测采用深度置信网络模型：

首先基于电表数据，结合包括温度、湿度的影响因素将用户的用电模式进行聚类；然后对每类进行关联分析，得到重要的影响因素，建立关联规则；最后采用深度置信网络进行用电负荷的特征自动提取，从而实现对负荷的中长期预测。

在本发明一实施例中，所述步骤S6具体实现方式如下：

S61、固定变压器的档位，只调节发电机的输出；确定当前时刻的动作空间k＝1,2,…m；其中ΔP_k总为第k台可调节发电机的最大可调节值，ΔP_k为第k台可调节发电机的出力调节步；

S62、利用Q学习的状态-动作对值函数Q(s,a)寻找最优调节策略，使得回报函数总和最大；Q(s,a)迭代公式如下：

式中，s,s'分别表示当前状态和下一时刻的状态，P(s'|s,a)为状态s在控制动作a发生后转移到状态s'的概率，R(s,s',a)为环境由状态s经过动作a转移到状态s'后给出的奖励函数值；0＜γ＜1为折扣因子；

S63、策略执行后，根据报酬函数和新状态值s’，更新Q值，更新公式为：

其中，0＜α＜1为学习因子；

S64、判断电压失配量是否达到最优，如果达到最优则结束；否则更新动作空间为：采用与上述同样的方法进行调节，利用变压器的档位进行调节；j表示可调变压器的编号，变压器j有n个档位可以调节，此时该变压器的调节空间为A₂＝[1,2,...n]；

S65、观察电压失配量是否达到最优，如果达到最优则结束；否则将A1与A2进行联合调节。

相较于现有技术，本发明具有以下有益效果：本发明通过对新能源发电与负荷的精准预测，利用强化学习手段对电网无功进行自动调节，实现了电网潮流无功的智能化平衡。

附图说明

图1基于深度发电负荷预测的潮流无功控制流程图；

图2发电功率预测用LSTM结构图；

图3基于DBN的负荷预测实现流程图。

具体实施方式

下面结合附图，对本发明的技术方案进行具体说明。

如图1所示，本发明提供了一种基于深度发电负荷预测的电网无功控制方法，首先采用深度学习方法对日前-日内及实时发电量和负荷进行时序递进精准预测；然后根据预测值采用强化学习的思路进行时序潮流的优化调节。该方法具体实现步骤如下：

S1、输入N天的{时间-发电量-负荷}历史数据

为了算法的准确性，本发明利用3年的发电量和负荷数据进行分析，将数据按4:1的比例分为训练数据和测试数据。

历史数据的类型根据时间的长短分为：日前数据、日内数据和实时数据，数据以数据对的方式输入，格式为{时间：发电量：负荷}；

S2、根据历史数据采用深度学习策略进行发电量和负荷的预测；

根据得的风速、光照强度、地理信息等历史数据，首先进行多源数据融合、降维等预处理。然后采用长短记忆(LSTM)深度学习策略对新能源的发电量进行精准预测。以太阳能光伏发电预测为例介绍模型的结构如下：

LSTM模型的结构如附图2所示：x为输入层的输入数据，为当天的发电功率P1和下一天的天气数据W1的组合[P1,W2]。P1的序列长度为L，天气序列的长度为3L(分别为影响每个发电功率的光照、温度和湿度)，输入组合的长度为4L。输入数据的采样间隔为1小时，即每天有24个采样点。因此输入数据的维度为：24*4L。

模型的隐藏层主要是实现发电特征的提取和特征回归。其中LSTM模块实现发电特征的提取，FC模块实现特征的回归功能。LSTM模块的节点数为24，FC的节点数为1。

模型的输出层为下一天每个小时的发电功率，因此y_ti(i＝1,2…24)的维度为1。

此模型处理应用于光伏发电功率预测外，还可应用于风力发电功率的预测。在对风电和光伏发电功率不同时间长度预测时，根据具体的时间间隔只需设置不同的输入数据维度及隐藏层LSTM的节点数即可。

为了对发电功率进行评估，本发明将平均误差百分比(MAPE)作为评价指标。设样本数量为N,预测值为P_pre，真实值为P_tru，则MAPE表达式为：

根据某光伏电厂2015～2017年光伏发电数据对2018年的光伏发电量进行预测，包括晴天184d、阴天102d和雨天79d，每种天气时预测评估指标平均值如表1所示；

表1 2018年的光伏发电量预测评估指标

天气类型	评估指标(MAPE/％)
		晴天	7.48
雨天	11.41
		多云	8.32

分析不同天气下该算法的评估指标发现，晴天和多云天气下误差评估指标较小(小于10％)，雨天时误差较大(大于10％)。总体而言预测效果较好。

对负荷预测采用深度置信网络模型(DBN)：

负荷的变化曲线与自身历史运行状态、气象因素、电力用户特征等多重因素有密切关联。首先基于电表数据，结合温度、湿度等影响因素将用户的用电模式进行聚类；然后对每类进行关联分析，得到几种重要的影响因素，建立关联规则；最后采用深度置信网络(DBN)进行用电负荷的特征自动提取，从而实现对负荷的中长期预测，其中使用DBN进行负荷预测的实现流程图如附图3所示。

为了评价负荷预测的准确性，本发明采用均方根误差(RMSE)作为评价指标。设样本数量为N，预测值为L_pre，真实值为L_tru，则MAPE表达式为：

据某地2015～2017年用电负荷数据对2018年某月其中5天(96小时，采样间隔为15分钟)的用电负荷量进行预测，预测值、实际值及评估指标RMSE指标如表2所示；

表2 2018年某月其中5天负荷预测误差表

分析上表数据发现，预测值与实际值5天内的RMSE平均值为1.8631％，效果较好。

S3、根据发电量与负荷的预测数据，结合电网运行数据，进行初始潮流计算；

计算初始潮流计算中节点无功的失配量(实时无功与无功设定值的差值)

S4、判断节点无功的失配量是否小于设定阈值

如果失配量小于阈值(阈值为10％)则，潮流计算得到的无功值满足要求。否则，转到步骤S5。

S5、分析无功电压可调整量

为了对无功电压进行调节，本发明将可调节量分为发电机无功和有载调节变压器。

S6、采用强化学习算法进行无功电压的调整。

由于无功调整时电压的变化情况事先无法得知，系统的状态转移概率无法获得。为了解决该问题，强化学习时采用基于值函数优化的Q—learning算法。利用该算法的具体实现步骤为：

(1)固定变压器的档位，只调节发电机的输出；确定当前时刻的动作空间k＝1,2,…m；其中ΔP_k总为第k台可调节发电机的最大可调节值，ΔP_k为第k台可调节发电机的出力调节步；

(2)利用Q学习的状态-动作对值函数Q(s,a)寻找最优调节策略，使得回报函数总和最大；Q(s,a)迭代公式如下：

式中，s,s'分别表示当前状态和下一时刻的状态，P(s'|s,a)为状态s在控制动作a发生后转移到状态s'的概率，R(s,s',a)为环境由状态s经过动作a转移到状态s'后给出的奖励函数值；折扣因子γ＝0.8；

(3)策略执行后，根据报酬函数和新状态值s’，更新Q值，更新公式为：

其中，0＜α＜1为学习因子；

(4)判断电压失配量是否达到最优，如果达到最优则结束；否则更新动作空间为：采用与上述同样的方法进行调节，利用变压器的档位进行调节；j表示可调变压器的编号，变压器j有7个档位可以调节，此时该变压器的调节空间为A₂＝[1,2,...7]；

(5)观察电压失配量是否达到最优，如果达到最优则结束；否则将A1与A2进行联合调节。

S7、将调整后的电压与其设定值进行比较。

如果失配量小于阈值(设为5％)则，潮流计算得到的无功值满足要求。否则，重复执行步骤S5和S6。

经过调节后该地区全天负荷高峰和低谷时段潮流计算电压值平均值如表3所示。

表3某地区潮流自动调节后220kV和110kV变化情况

分析表3发现该地区无功潮流调节后电压的变化在合理范围之内，调节效果与人工调节效果相比差距不大，比较满意。从而节省了相关人员反复的调试过程。

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (4)

1.一种基于深度发电负荷预测的电网无功控制方法，其特征在于，首先采用深度学习方法对日前-日内及实时发电量和负荷进行时序递进精准预测；然后根据预测值采用强化学习的思路进行时序潮流的优化调节。

2.根据权利要求1所述的一种基于深度发电负荷预测的电网无功控制方法，其特征在于，该方法具体实现步骤如下：

S1、输入N天的{时间-发电量-负荷}历史数据

历史数据的类型根据时间的长短分为：日前数据、日内数据和实时数据，数据以数据对的方式输入，格式为{时间：发电量：负荷}；

S2、根据历史数据采用深度学习策略进行发电量和负荷的预测；

S3、根据发电量与负荷的预测数据，结合电网运行数据，进行初始潮流计算，即计算初始潮流计算中节点无功的失配量；

S4、判断节点无功的失配量是否小于设定阈值；若失配量小于阈值，则认为潮流计算得到的无功值满足要求；否则，转到步骤S5；

S5、分析无功电压可调节量，可调节量分为发电机无功和有载调节变压器；

S6、采用强化学习算法进行无功电压的调整；

S7、将调整后的电压与其设定值进行比较；若失配量小于设定值，则认为潮流计算得到的无功值满足要求；否则，重复执行步骤S5和S6。

3.根据权利要求2所述的一种基于深度发电负荷预测的电网无功控制方法，其特征在于，所述步骤S2具体实现方式如下：

对发电量的预测采用长短记忆模型：

根据获得的包括风速、光照强度、地理信息的历史数据，首先进行包括多源数据融合、降维的预处理；然后采用长短记忆深度学习策略对新能源的发电量进行预测

对负荷预测采用深度置信网络模型：

首先基于电表数据，结合包括温度、湿度的影响因素将用户的用电模式进行聚类；然后对每类进行关联分析，得到重要的影响因素，建立关联规则；最后采用深度置信网络进行用电负荷的特征自动提取，从而实现对负荷的中长期预测。

4.根据权利要求2所述的一种基于深度发电负荷预测的电网无功控制方法，其特征在于，所述步骤S6具体实现方式如下：

S61、固定变压器的档位，只调节发电机的输出；确定当前时刻的动作空间k＝1,2,…m；其中ΔP_k总为第k台可调节发电机的最大可调节值，ΔP_k为第k台可调节发电机的出力调节步；

S62、利用Q学习的状态-动作对值函数Q(s,a)寻找最优调节策略，使得回报函数总和最大；Q(s,a)迭代公式如下：

式中，s,s'分别表示当前状态和下一时刻的状态，P(s'|s,a)为状态s在控制动作a发生后转移到状态s'的概率，R(s,s',a)为环境由状态s经过动作a转移到状态s'后给出的奖励函数值；0＜γ＜1为折扣因子；

S63、策略执行后，根据报酬函数和新状态值s’，更新Q值，更新公式为：

其中，0＜α＜1为学习因子；

S64、判断电压失配量是否达到最优，如果达到最优则结束；否则更新动作空间为：采用与上述同样的方法进行调节，利用变压器的档位进行调节；j表示可调变压器的编号，变压器j有n个档位可以调节，此时该变压器的调节空间为A₂＝[1,2,...n]；

S65、观察电压失配量是否达到最优，如果达到最优则结束；否则将A1与A2进行联合调节。