CN112531735A - 基于机器学习的自动发电控制系统的功率分配方法及装置 - Google Patents
基于机器学习的自动发电控制系统的功率分配方法及装置 Download PDFInfo
- Publication number
- CN112531735A CN112531735A CN202011202146.6A CN202011202146A CN112531735A CN 112531735 A CN112531735 A CN 112531735A CN 202011202146 A CN202011202146 A CN 202011202146A CN 112531735 A CN112531735 A CN 112531735A
- Authority
- CN
- China
- Prior art keywords
- power
- neural network
- network model
- deep neural
- power generation
- 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 113
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000009826 distribution Methods 0.000 title claims abstract description 24
- 238000010801 machine learning Methods 0.000 title claims abstract description 16
- 238000003062 neural network model Methods 0.000 claims abstract description 118
- 238000012983 electrochemical energy storage Methods 0.000 claims abstract description 79
- 230000001105 regulatory effect Effects 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 238000004146 energy storage Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
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
- H02J3/24—Arrangements for preventing or reducing oscillations of power in 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
- 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]
Abstract
本发明涉及基于机器学习的自动发电控制系统的功率分配方法及装置,包括:获取自动发电控制系统所需的调节功率以及电化学储能电站参数;将所述自动发电控制系统所需的调节功率以及电化学储能电站参数输入至预先训练的深度神经网络模型,获取预先训练的深度神经网络模型输出的电化学储能电站的功率调节指令值和发电机组的功率调节指令值;利用所述电化学储能电站的功率调节指令值和发电机组的功率调节指令值调节电化学储能电站的发电功率和发电机组的发电功率;本发明提供的技术方案提高了自动发电控制系统的功率分配效率,具有极大的推广价值。
Description
技术领域
本发明涉及电力系统技术领域,具体涉及基于机器学习的自动发电控制系统的功率分配方法及装置。
背景技术
随着储能技术的不断发展,储能电站优秀的瞬时充放电能力使得其并入电网可以极大地抑制电网波动从而提高电网系统的动态特性为电网的稳定运行奠定基础;相较于传统的储能技术,电化学储能技术的调节范围广、响应速度快、调节时间短、选址灵活,具有大规模发展的潜质。储能系统接入配电网中,不仅可以作为一个电源,在电网负荷较高的时候放电输送功率满足负荷缓解电网的压力,还可以作为一个负载,在电网负荷处于谷底的时候吸收多余的电量进行存储。
目前,国内外针对于自动发电控制系统的总调节功率的分配主要是考虑收益的最大化、储能电站寿命最长等目标函数,然后通过优化算法进行优化调度;但是常见的优化算法都存在参数调整困难、不易收敛、求解速度慢、容易陷入局部最优解等问题;因此,提供一种快速、高效的自动发电控制系统的功率分配方法成为亟需解决的问题。
发明内容
针对现有技术的不足,本发明的目的是提供了基于机器学习的自动发电控制系统的功率分配方法及装置,该方法及装置将自动发电控制系统所需的调节功率以及电化学储能电站参数输入至预先训练的深度神经网络模型,获取调节电化学储能电站的发电功率和发电机组的发电功率的电化学储能电站的功率调节指令值和发电机组的功率调节指令值,提高了自动发电控制系统的功率分配效率。
本发明的目的是采用下述技术方案实现的:
本发明提供基于机器学习的自动发电控制系统的功率分配方法,其改进之处在于,包括:
获取自动发电控制系统所需的调节功率以及电化学储能电站参数;
将所述自动发电控制系统所需的调节功率以及电化学储能电站参数输入至预先训练的深度神经网络模型,获取预先训练的深度神经网络模型输出的电化学储能电站的功率调节指令值和发电机组的功率调节指令值;
利用所述电化学储能电站的功率调节指令值和发电机组的功率调节指令值调节电化学储能电站的发电功率和发电机组的发电功率。
优选的,所述获取自动发电控制系统所需的调节功率以及电化学储能电站参数,包括:
利用定频率定交换功率控制法获取自动发电控制系统所需的调节功率;
其中,所述电化学储能电站参数包括:充/放电效率、最大充/放电功率、荷电状态上/下限值、荷电状态值以及额定容量。
进一步的,所述利用定频率定交换功率控制法获取自动发电控制系统所需的调节功率,包括:
按下式确定自动发电控制系统所需的调节功率ΔP:
ΔP=ΔPtie+B*Δf
式中,B为自动发电控制系统的频率偏差系数;
其中,按下式确定联络线交换功率偏差ΔPtie:
ΔPtie=Pactual-Pplan
式中,Pactual为联络线交换功率的实际值,Pplan为联络线交换功率的设定值;
按下式确定电网系统的频率偏差Δf:
Δf=factual-fplan
式中,factual为电网系统频率的实际值,fplan为电网系统频率的设定值。
优选的,所述预先训练的深度神经网络模型的训练过程包括:
步骤(1)初始化h=1,迭代次数t=1,并随机初始化深度神经网络模型的参数;
步骤(2)将第h个样本数据集中的自动发电控制系统所需的调节功率的历史数据、电化学储能电站的参数的历史数据输入至深度神经网络模型,利用前向传播算法获取深度神经网络模型输出的迭代次数为t时对应的电化学储能电站和发电机组的发电功率预测值;
步骤(3)利用损失函数计算所述迭代次数为t时对应的电化学储能电站和发电机组的发电功率预测值与第h个样本数据集中的电化学储能电站发电机组的发电功率的历史数据的误差值α;
步骤(4)判断t是否超出深度神经网络模型预设的学习次数T,若是,则将迭代次数为t时对应的深度神经网络模型作为预先训练的深度神经网络模型并输出,否则执行步骤(5)
步骤(5)判断α是否小于深度神经网络模型预设的误差阈值,若是则将迭代次数为t时对应的深度神经网络模型作为预先训练的深度神经网络模型并输出,否则执行步骤(6);
步骤(6)利用反向传播算法更新深度神经网络模型的权重参数,并令h=h+1,t=t+1,返回步骤(2)。
进一步的,所述步骤(6)包括:
按下式更新迭代次数为t+1时深度神经网络模型的权重参数wt+1:
wt+1=wt+Δw
式中,wt为迭代次数为t时深度神经网络模型的权重参数,Δw为深度神经网络模型的权重参数修正值。
本发明提供基于机器学习的自动发电控制系统的功率分配装置,其改进之处在于,包括:
获取模块,用于获取自动发电控制系统所需的调节功率以及电化学储能电站参数;
输入模块,用于将所述自动发电控制系统所需的调节功率以及电化学储能电站参数输入至预先训练的深度神经网络模型,获取预先训练的深度神经网络模型输出的电化学储能电站的功率调节指令值和发电机组的功率调节指令值;
调节模块,用于利用所述电化学储能电站的功率调节指令值和发电机组的功率调节指令值调节电化学储能电站的发电功率和发电机组的发电功率。
优选的,所述获取模块,具体用于:
利用定频率定交换功率控制法获取自动发电控制系统所需的调节功率;
其中,所述电化学储能电站参数包括:充/放电效率、最大充/放电功率、荷电状态上/下限值、荷电状态值以及额定容量。
进一步的,所述利用定频率定交换功率控制法获取自动发电控制系统所需的调节功率,包括:
按下式确定自动发电控制系统所需的调节功率ΔP:
ΔP=ΔPtie+B*Δf
式中,B为自动发电控制系统的频率偏差系数;
其中,按下式确定联络线交换功率偏差ΔPtie:
ΔPtie=Pactual-Pplan
式中,Pactual为联络线交换功率的实际值,Pplan为联络线交换功率的设定值;
按下式确定电网系统的频率偏差Δf:
Δf=factual-fplan
式中,factual为电网系统频率的实际值,fplan为电网系统频率的设定值。
优选的,所述预先训练的深度神经网络模型的训练过程包括:
初始化单元,用于初始化h=1,迭代次数t=1,并随机初始化深度神经网络模型的参数;
训练单元,用于将第h个样本数据集中的自动发电控制系统所需的调节功率的历史数据、电化学储能电站的参数的历史数据输入至深度神经网络模型,利用前向传播算法获取深度神经网络模型输出的迭代次数为t时对应的电化学储能电站和发电机组的发电功率预测值;
计算单元,用于利用损失函数计算所述迭代次数为t时对应的电化学储能电站和发电机组的发电功率预测值与第h个样本数据集中的电化学储能电站发电机组的发电功率的历史数据的误差值α;
第一判断单元,用于判断t是否超出深度神经网络模型预设的学习次数T,若是,则将迭代次数为t时对应的深度神经网络模型作为预先训练的深度神经网络模型并输出,否则执行第一判断单元;
第二判断单元,用于判断α是否小于深度神经网络模型预设的误差阈值,若是则将迭代次数为t时对应的深度神经网络模型作为预先训练的深度神经网络模型并输出,否则执行更新单元;
更新单元,用于利用反向传播算法更新深度神经网络模型的权重参数,并令h=h+1,t=t+1,返回训练单元。
进一步的,所述更新单元,具体用于:
按下式更新迭代次数为t+1时深度神经网络模型的权重参数wt+1:
wt+1=wt+Δw
式中,wt为迭代次数为t时深度神经网络模型的权重参数,Δw为深度神经网络模型的权重参数修正值。
与最接近的现有技术相比,本发明具有的有益效果:
本发明提供的基于机器学习的自动发电控制系统的功率分配方法及装置,主要获取自动发电控制系统所需的调节功率以及电化学储能电站参数;将所述自动发电控制系统所需的调节功率以及电化学储能电站参数输入至预先训练的深度神经网络模型,获取预先训练的深度神经网络模型输出的电化学储能电站的功率调节指令值和发电机组的功率调节指令值;利用所述电化学储能电站的功率调节指令值和发电机组的功率调节指令值调节电化学储能电站的发电功率和发电机组的发电功率;本发明提供的技术方案采用深度神经网络模型,该模型相较于传统的优化算法具有求解效率高、计算速度快的优势,将训练好的深度神经网络进行自动发电控制系统的功率分配提升了自动发电控制系统的功率分配效率,有利于自动发电控制系统的功率均衡分配进而调节电网频率,充分发挥了电化学储能电站的调频效果,改善电网电能质量,具有极大的推广价值。
附图说明
图1是基于机器学习的自动发电控制系统的功率分配方法的流程图;
图2是本发明实施例中预先训练的深度神经网络模型的训练流程图;
图3是本发明实施例中深度神经网络模型的结构图;
图4是基于机器学习的自动发电控制系统的功率分配装置的结构图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
近年来,随着计算机软硬件设备的改善,机器学习算法进入了研究热潮;深度神经网络的计算速度快、处理复杂函数能力强、求解效率高,在非线性工程问题中表现突出;因此,本发明将机器学习与功率调度分配相结合,提供了基于机器学习的自动发电控制系统的功率分配方法,如图1所示,包括:
步骤101,获取自动发电控制系统所需的调节功率以及电化学储能电站参数;
步骤102,将自动发电控制系统所需的调节功率以及电化学储能电站参数输入至预先训练的深度神经网络模型,获取预先训练的深度神经网络模型输出的电化学储能电站的功率调节指令值和发电机组的功率调节指令值;
步骤103,利用电化学储能电站的功率调节指令值和发电机组的功率调节指令值调节电化学储能电站的发电功率和发电机组的发电功率。
在本发明的实施例中,步骤101中的自动发电控制系统所需的调节功率和电化学储能电站参数,包括:
利用定频率定交换功率控制法获取自动发电控制系统所需的调节功率;
其中,电化学储能电站参数包括:充/放电效率、最大充/放电功率、荷电状态上/下限值、荷电状态值以及额定容量。
在本发明的实施例中,自动发电控制系统的控制目标是使电网负荷变化而产生变动的区域控制偏差不断减小到零,而根据控制方式的不同,自动发电控制系统的控制方法有定频率控制方式、定交换功率控制方式、定频率定交换功率控制方式;目前较为常用的是定频率定交换功率控制法;利用定频率定交换功率控制法获取自动发电控制系统所需的调节功率,包括:
按下式确定自动发电控制系统所需的调节功率ΔP:
ΔP=ΔPtie+B*Δf
式中,B为自动发电控制系统的频率偏差系数;
其中,按下式确定联络线交换功率偏差ΔPtie:
ΔPtie=Pactual-Pplan
式中,Pactual为联络线交换功率的实际值,Pplan为联络线交换功率的设定值;
按下式确定电网系统的频率偏差Δf:
Δf=factual-fplan
式中,factual为电网系统频率的实际值,fplan为电网系统频率的设定值。
在本发明实施例中,步骤102中预先训练的深度神经网络模型的训练过程,如图2所示,包括:
步骤(1)初始化h=1,迭代次数t=1,并随机初始化深度神经网络模型的参数;
步骤(2)将第h个样本数据集中的自动发电控制系统所需的调节功率的历史数据、电化学储能电站的参数的历史数据输入至深度神经网络模型,利用前向传播算法获取深度神经网络模型输出的迭代次数为t时对应的电化学储能电站和发电机组的发电功率预测值;
步骤(3)利用损失函数计算迭代次数为t时对应的电化学储能电站和发电机组的发电功率预测值与第h个样本数据集中的电化学储能电站发电机组的发电功率的历史数据的误差值α;
步骤(4)判断t是否超出深度神经网络模型预设的学习次数T,若是,则将迭代次数为t时对应的深度神经网络模型作为预先训练的深度神经网络模型并输出,否则执行步骤(5)
步骤(5)判断α是否小于深度神经网络模型预设的误差阈值D,若是则将迭代次数为t时对应的深度神经网络模型作为预先训练的深度神经网络模型并输出,否则执行步骤(6);
步骤(6)利用反向传播算法更新深度神经网络模型的权重参数,并令h=h+1,t=t+1,返回步骤(2)。
在训练过程中,步骤(1)中通过随机数初始化来生成网络的初始权重参数,设置深度神经网络的训练参数,设定网络的学习步长,最大学习次数T,误差阈值D。
其中,步骤(6)中由于深度神经网络模型的输出值与实际输出值偏差过大,根据输出误差的值可以反向计算深度网络模型中输入层各个节点、隐藏层节点与输出层节点之间的连接权重的修正值,更新深度神经网络模型的权重参数,然后从样本数据库中随机选取下一个样本,返回步骤(2)继续进行训练,直到训练结果满足要求,深度神经网络模型训练完成;
其中,按下式更新迭代次数为t+1时深度神经网络模型的权重参数wt+1:
wt+1=wt+Δw
式中,wt为迭代次数为t时深度神经网络模型的权重参数,Δw为深度神经网络模型的权重参数修正值。
在本发明实施例中,选取的神经网络模型为深度神经网络模型;如图3所示,深度神经网络模型是包含了许多隐藏层的神经网络,其内部的神经网络层可以分为三类:输入层、隐藏层与输出层。通常而言,网络的第一层为输入层,最后一层为输出层,在本技术方案中输出层为电化学储能电站与发电机组的发电功率;中间的网络层均为隐藏层。网络的层与层之间采用全连接的形式,即第i层的任意神经元都可以与第i+1层的神经元相连接;相比于单隐藏层的神经网络,多隐藏层可以显著减少隐藏的神经元的数量,从而在保证网络计算精度的同时提高网络的计算效率;虽然网络形式看似很复杂,但是其每一层的神经网络都为一个线性函数与一个激活函数的结合,其中,深度神经网络的激活函数采用Sigmoid函数;
按下式确定深度神经网络的线性函数:
式中,wi为深度神经网络的权值,xi为输入参数。
在本发明的实施例中,利用电化学储能电站的功率调节指令值和发电机组的功率调节指令值调节电化学储能电站的发电功率和发电机组的发电功率之后,电化学储能电站与发电机组按照指令进行发电,完成功率平衡,进而调节电网频率。
本发明提供基于机器学习的自动发电控制系统的功率分配装置,如图4所示,包括:
获取模块,用于获取自动发电控制系统所需的调节功率以及电化学储能电站参数;
输入模块,用于将自动发电控制系统所需的调节功率以及电化学储能电站参数输入至预先训练的深度神经网络模型,获取预先训练的深度神经网络模型输出的电化学储能电站的功率调节指令值和发电机组的功率调节指令值;
调节模块,用于利用电化学储能电站的功率调节指令值和发电机组的功率调节指令值调节电化学储能电站的发电功率和发电机组的发电功率。
优选的,获取模块,具体用于:
利用定频率定交换功率控制法获取自动发电控制系统所需的调节功率;
其中,电化学储能电站参数包括:充/放电效率、最大充/放电功率、荷电状态上/下限值、荷电状态值以及额定容量。
进一步的,利用定频率定交换功率控制法获取自动发电控制系统所需的调节功率,包括:
按下式确定自动发电控制系统所需的调节功率ΔP:
ΔP=ΔPtie+B*Δf
式中,B为自动发电控制系统的频率偏差系数;
其中,按下式确定联络线交换功率偏差ΔPtie:
ΔPtie=Pactual-Pplan
式中,Pactual为联络线交换功率的实际值,Pplan为联络线交换功率的设定值;
按下式确定电网系统的频率偏差Δf:
Δf=factual-fplan
式中,factual为电网系统频率的实际值,fplan为电网系统频率的设定值。
优选的,预先训练的深度神经网络模型的训练过程包括:
初始化单元,用于初始化h=1,迭代次数t=1,并随机初始化深度神经网络模型的参数;
训练单元,用于将第h个样本数据集中的自动发电控制系统所需的调节功率的历史数据、电化学储能电站的参数的历史数据输入至深度神经网络模型,利用前向传播算法获取深度神经网络模型输出的迭代次数为t时对应的电化学储能电站和发电机组的发电功率预测值;
计算单元,用于利用损失函数计算迭代次数为t时对应的电化学储能电站和发电机组的发电功率预测值与第h个样本数据集中的电化学储能电站发电机组的发电功率的历史数据的误差值α;
第一判断单元,用于判断t是否超出深度神经网络模型预设的学习次数T,若是,则将迭代次数为t时对应的深度神经网络模型作为预先训练的深度神经网络模型并输出,否则执行第一判断单元;
第二判断单元,用于判断α是否小于深度神经网络模型预设的误差阈值,若是则将迭代次数为t时对应的深度神经网络模型作为预先训练的深度神经网络模型并输出,否则执行更新单元;
更新单元,用于利用反向传播算法更新深度神经网络模型的权重参数,并令h=h+1,t=t+1,返回训练单元。
进一步的,更新单元,具体用于:
按下式更新迭代次数为t+1时深度神经网络模型的权重参数wt+1:
wt+1=wt+Δw
式中,wt为迭代次数为t时深度神经网络模型的权重参数,Δw为深度神经网络模型的权重参数修正值。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.基于机器学习的自动发电控制系统的功率分配方法,其特征在于,所述方法包括:
获取自动发电控制系统所需的调节功率以及电化学储能电站参数;
将所述自动发电控制系统所需的调节功率以及电化学储能电站参数输入至预先训练的深度神经网络模型,获取预先训练的深度神经网络模型输出的电化学储能电站的功率调节指令值和发电机组的功率调节指令值;
利用所述电化学储能电站的功率调节指令值和发电机组的功率调节指令值调节电化学储能电站的发电功率和发电机组的发电功率。
2.如权利要求1所述的方法,其特征在于,所述获取自动发电控制系统所需的调节功率以及电化学储能电站参数,包括:
利用定频率定交换功率控制法获取自动发电控制系统所需的调节功率;
其中,所述电化学储能电站参数包括:充/放电效率、最大充/放电功率、荷电状态上/下限值、荷电状态值以及额定容量。
3.如权利要求2所述的方法,其特征在于,所述利用定频率定交换功率控制法获取自动发电控制系统所需的调节功率,包括:
按下式确定自动发电控制系统所需的调节功率ΔP:
ΔP=ΔPtie+B*Δf
式中,B为自动发电控制系统的频率偏差系数;
其中,按下式确定联络线交换功率偏差ΔPtie:
ΔPtie=Pactual-Pplan
式中,Pactual为联络线交换功率的实际值,Pplan为联络线交换功率的设定值;
按下式确定电网系统的频率偏差Δf:
Δf=factual-fplan
式中,factual为电网系统频率的实际值,fplan为电网系统频率的设定值。
4.如权利要求1所述的方法,其特征在于,所述预先训练的深度神经网络模型的训练过程包括:
步骤(1)初始化h=1,迭代次数t=1,并随机初始化深度神经网络模型的参数;
步骤(2)将第h个样本数据集中的自动发电控制系统所需的调节功率的历史数据、电化学储能电站的参数的历史数据输入至深度神经网络模型,利用前向传播算法获取深度神经网络模型输出的迭代次数为t时对应的电化学储能电站和发电机组的发电功率预测值;
步骤(3)利用损失函数计算所述迭代次数为t时对应的电化学储能电站和发电机组的发电功率预测值与第h个样本数据集中的电化学储能电站发电机组的发电功率的历史数据的误差值α;
步骤(4)判断t是否超出深度神经网络模型预设的学习次数T,若是,则将迭代次数为t时对应的深度神经网络模型作为预先训练的深度神经网络模型并输出,否则执行步骤(5);
步骤(5)判断α是否小于深度神经网络模型预设的误差阈值,若是则将迭代次数为t时对应的深度神经网络模型作为预先训练的深度神经网络模型并输出,否则执行步骤(6);
步骤(6)利用反向传播算法更新深度神经网络模型的权重参数,并令h=h+1,t=t+1,返回步骤(2)。
5.如权利要求4所述的方法,其特征在于,所述步骤(6)包括:
按下式更新迭代次数为t+1时深度神经网络模型的权重参数wt+1:
wt+1=wt+Δw
式中,wt为迭代次数为t时深度神经网络模型的权重参数,Δw为深度神经网络模型的权重参数修正值。
6.基于机器学习的自动发电控制系统的功率分配装置,其特征在于,所述装置包括:
获取模块,用于获取自动发电控制系统所需的调节功率以及电化学储能电站参数;
输入模块,用于将所述自动发电控制系统所需的调节功率以及电化学储能电站参数输入至预先训练的深度神经网络模型,获取预先训练的深度神经网络模型输出的电化学储能电站的功率调节指令值和发电机组的功率调节指令值;
调节模块,用于利用所述电化学储能电站的功率调节指令值和发电机组的功率调节指令值调节电化学储能电站的发电功率和发电机组的发电功率。
7.如权利要求6所述的装置,其特征在于,所述获取模块,具体用于:
利用定频率定交换功率控制法获取自动发电控制系统所需的调节功率;
其中,所述电化学储能电站参数包括:充/放电效率、最大充/放电功率、荷电状态上/下限值、荷电状态值以及额定容量。
8.如权利要求7所述的装置,其特征在于,所述利用定频率定交换功率控制法获取自动发电控制系统所需的调节功率,包括:
按下式确定自动发电控制系统所需的调节功率ΔP:
ΔP=ΔPtie+B*Δf
式中,B为自动发电控制系统的频率偏差系数;
其中,按下式确定联络线交换功率偏差ΔPtie:
ΔPtie=Pactual-Pplan
式中,Pactual为联络线交换功率的实际值,Pplan为联络线交换功率的设定值;
按下式确定电网系统的频率偏差Δf:
Δf=factual-fplan
式中,factual为电网系统频率的实际值,fplan为电网系统频率的设定值。
9.如权利要求6所述的装置,其特征在于,所述预先训练的深度神经网络模型的训练过程包括:
初始化单元,用于初始化h=1,迭代次数t=1,并随机初始化深度神经网络模型的参数;
训练单元,用于将第h个样本数据集中的自动发电控制系统所需的调节功率的历史数据、电化学储能电站的参数的历史数据输入至深度神经网络模型,利用前向传播算法获取深度神经网络模型输出的迭代次数为t时对应的电化学储能电站和发电机组的发电功率预测值;
计算单元,用于利用损失函数计算所述迭代次数为t时对应的电化学储能电站和发电机组的发电功率预测值与第h个样本数据集中的电化学储能电站发电机组的发电功率的历史数据的误差值α;
第一判断单元,用于判断t是否超出深度神经网络模型预设的学习次数T,若是,则将迭代次数为t时对应的深度神经网络模型作为预先训练的深度神经网络模型并输出,否则执行第一判断单元;
第二判断单元,用于判断α是否小于深度神经网络模型预设的误差阈值,若是则将迭代次数为t时对应的深度神经网络模型作为预先训练的深度神经网络模型并输出,否则执行更新单元;
更新单元,用于利用反向传播算法更新深度神经网络模型的权重参数,并令h=h+1,t=t+1,返回训练单元。
10.如权利要求9所述的装置,其特征在于,所述更新单元,具体用于:
按下式更新迭代次数为t+1时深度神经网络模型的权重参数wt+1:
wt+1=wt+Δw
式中,wt为迭代次数为t时深度神经网络模型的权重参数,Δw为深度神经网络模型的权重参数修正值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011202146.6A CN112531735A (zh) | 2020-11-02 | 2020-11-02 | 基于机器学习的自动发电控制系统的功率分配方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011202146.6A CN112531735A (zh) | 2020-11-02 | 2020-11-02 | 基于机器学习的自动发电控制系统的功率分配方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112531735A true CN112531735A (zh) | 2021-03-19 |
Family
ID=74980584
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011202146.6A Pending CN112531735A (zh) | 2020-11-02 | 2020-11-02 | 基于机器学习的自动发电控制系统的功率分配方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112531735A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113422374A (zh) * | 2021-06-07 | 2021-09-21 | 国网福建省电力有限公司电力科学研究院 | 电化学储能电站参与调频辅助服务市场对电网贡献程度的量化评估方法 |
CN117526443A (zh) * | 2023-11-07 | 2024-02-06 | 北京清电科技有限公司 | 一种基于新型电力系统的配电网优化调控方法及系统 |
-
2020
- 2020-11-02 CN CN202011202146.6A patent/CN112531735A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113422374A (zh) * | 2021-06-07 | 2021-09-21 | 国网福建省电力有限公司电力科学研究院 | 电化学储能电站参与调频辅助服务市场对电网贡献程度的量化评估方法 |
CN113422374B (zh) * | 2021-06-07 | 2022-06-07 | 国网福建省电力有限公司电力科学研究院 | 电化学储能电站参与调频辅助服务市场对电网贡献程度的量化评估方法 |
CN117526443A (zh) * | 2023-11-07 | 2024-02-06 | 北京清电科技有限公司 | 一种基于新型电力系统的配电网优化调控方法及系统 |
CN117526443B (zh) * | 2023-11-07 | 2024-04-26 | 北京清电科技有限公司 | 一种基于电力系统的配电网优化调控方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105846461B (zh) | 一种大规模储能电站自适应动态规划的控制方法和系统 | |
CN104993522B (zh) | 一种基于mpc的主动配电网多时间尺度协调优化调度方法 | |
CN112615399A (zh) | 一种储能系统参与电网调频优化控制方法、系统及存储介质 | |
CN107994595A (zh) | 一种削峰填谷控制方法和系统以及应用该控制方法的系统 | |
CN110601222B (zh) | 一种基于Lévy飞蛾算法的分数阶负荷频率控制方法 | |
CN112053035B (zh) | 考虑经济性与灵活性的输电通道与储能联合规划方法 | |
CN108683193B (zh) | 一种含分布式电源的配电网电压控制方法和装置 | |
CN106887858B (zh) | 一种接入新能源发电的储能系统跟踪计划出力方法及装置 | |
CN105896575B (zh) | 基于自适应动态规划的百兆瓦储能功率控制方法及系统 | |
CN112803494B (zh) | 一种含风光水火的多目标agc协调优化方法及系统 | |
CN112531735A (zh) | 基于机器学习的自动发电控制系统的功率分配方法及装置 | |
CN115102239A (zh) | 一种考虑soc均衡的储能电站一次调频控制方法及系统 | |
CN103904664B (zh) | 一种基于有效静态安全域的agc机组实时调度方法 | |
CN111276987A (zh) | 一种储能系统的电储能控制方法及装置 | |
CN107341567A (zh) | 梯级水库群的库容置换计算方法 | |
CN114336592A (zh) | 一种基于模型预测控制的风电场agc控制方法 | |
CN111245032B (zh) | 一种计及风电场集电线路降损优化的电压预测控制方法 | |
CN115173433A (zh) | 一种平抑风电波动的储能容量优化方法及系统 | |
CN114977316A (zh) | 基于可调容量裕度的光伏电站有功功率控制方法及系统 | |
CN105207220B (zh) | 一种基于渐进学习的分级电压调控方法 | |
CN112039126A (zh) | 含分布式电源的配电网多时间尺度协调调度方法及系统 | |
CN116645089A (zh) | 一种考虑退役电池容量退化的储能系统双层优化配置方法 | |
CN113595153B (zh) | 一种新能源集群的输出功率优化方法及装置 | |
CN112186794A (zh) | 一种光伏电站无功功率控制方法和装置 | |
CN115659098A (zh) | 一种分布式新能源消纳能力计算方法、装置、设备及介质 |
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 |