CN112564133B - 基于深度学习全状态最优反馈的智能发电控制方法及应用 - Google Patents

基于深度学习全状态最优反馈的智能发电控制方法及应用 Download PDF

Info

Publication number
CN112564133B
CN112564133B CN202011472423.5A CN202011472423A CN112564133B CN 112564133 B CN112564133 B CN 112564133B CN 202011472423 A CN202011472423 A CN 202011472423A CN 112564133 B CN112564133 B CN 112564133B
Authority
CN
China
Prior art keywords
power generation
control
generation control
neural network
state
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
Application number
CN202011472423.5A
Other languages
English (en)
Other versions
CN112564133A (zh
Inventor
戚焕兴
万俊
黄阳龙
徐汉
覃静竹
叶偲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihai Power Supply Bureau of Guangxi Power Grid Co Ltd
Original Assignee
Beihai Power Supply Bureau of Guangxi Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beihai Power Supply Bureau of Guangxi Power Grid Co Ltd filed Critical Beihai Power Supply Bureau of Guangxi Power Grid Co Ltd
Priority to CN202011472423.5A priority Critical patent/CN112564133B/zh
Publication of CN112564133A publication Critical patent/CN112564133A/zh
Application granted granted Critical
Publication of CN112564133B publication Critical patent/CN112564133B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
    • H02J3/241—The oscillation concerning frequency
    • 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]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及电力系统日负荷预测技术领域，提供了一种基于深度学习全状态最优反馈的电力系统智能发电控制方法及应用，具体包括如下操作步骤：建立所需进行发电控制的互联电力系统的负荷‑频率控制状态空间模型；对所述状态空间模型求取全状态最优反馈控制解，并获得全状态最优反馈控制下的发电控制系统；选取状态量作为深度神经网络的训练样本；获得深度神经网络模型；对深度神经网络模型的发电控制特性进行测试；测试合格后，对深度神经网络模型封装至智能发电控制器、并应用；本发明结合深度神经网络与最优控制理论，旨在提高电力系统发电控制性能，更迅速、准确地完成功率‑负荷的平衡，增强电力系统的频率稳定性、降低区域间非计划传输功率。

Description

基于深度学习全状态最优反馈的智能发电控制方法及应用
技术领域
本发明涉及电力系统自动发电控制技术领域，具体涉及一种基于深度学习全状态最优反馈的电力系统智能发电控制方法及应用。
背景技术
自动发电控制(automatic generation control，AGC)属于二次调频范畴，是电力系统实现自动调度、监测和保持系统频率的主要途径之一，由配电单元、终端、通信信道、调度计算机、自动控制装置等部分组成。当电力系统负荷产生变化时，由于系统静态特性，将导致一定的频率偏差或其它状态信息变化，AGC将根据检测所得的状态信息对调频电厂进行出力调控，以达到新系统负荷-功率平衡，保持频率稳定。自动发电控制系统框图如图1所示。
智能发电控制(smart generation control，SGC)在自动发电控制的基础上引入了智能算法，从而使发电得到“智能”的控制。SGC中的智能算法以自适应算法或强化学习算法为主，本发明提出的深度学习全状态最优反馈算法属于自适应算法范畴。
目前，较经典的电力系统自动发电控制算法主要包括：比例-积分(proportional-integral，PI)控制、次优控制(sub-optimal control,SOC)、最优控制(optimal control,OC)等三种较常见算法，其中，比例-积分控制算法是当今自动发电控制实际应用中的主流控制方法。
PI控制、次优控制、最优控制这三种控制方法均属于线性控制范畴，应用于自动发电控制时存在有不同的缺陷：
1)在PI发电控制系统中，各区域PI控制器仅对自区域频率偏差或ACE进行采样、仅对自区域功率进行调控，不能充分考虑互联系统中其余区域子系统负荷变化带来的影响，较适用于孤网或联络程度较低的互联电力系统的发电控制。在各区域电网高度并列运行的今天，PI控制不能对除自区域外的系统负荷变化进行有效反馈调控，逐渐展现出较大局限性。并且，比例、积分系数的具体数值一般由调度员进行调节整定，其大小将直接影响PI控制性能，对调整时间、超调量等均有直接影响，因此，根据调度员水平不同，PI控制下的发电控制性能也会有差异，存在较大的不确定性。
2)次优控制：次优控制又叫做输出反馈最优控制，即，仅以系统输出量作为控制反馈量进行发电调控，在次优发电控制系统中，因其控制反馈量较少，控制耦合度较低，其控制闭环下的发电控制系统仅为李雅普诺夫函数约束下的渐进稳定系统，其发电控制信号是一个震荡趋于稳态的过程，系统不是严格稳定的，且性能指标泛函无法达到真正的极小值，其控制效果是受限制的。并且，在实际自动发电控制问题中，渐进稳定对受控的发电机组而言是不利的，震荡衰减在实际系统中将造成较大的电能损耗，连续的正反调切换将加大被控机组的损耗，造成经济损失。
3)最优控制(全状态最优反馈控制)：对性能指标寻求最优一直作为系统的主要控制目标。最优控制的必要条件是系统全状态协同反馈。然而，在实际控制系统中，全状态信息的测取往往是困难，甚至有的状态量是无法测取的，并且，测量的信息量越多，由于各种因素导致的误差也就越大，控制性能可能不增反降。这一问题在互联电力系统中尤其凸显，一方面，由于二次设备误差，各区域电网实时获取其它区域电网的准确状态信息显然是困难的，并且由于区域跨度大，状态信号的传输延时也是较大的，增加了状态信号的不确定性、不准确性。
因此，长期以来，全状态最优反馈控制无法有效用于自动发电控制领域。相反，仅由输出反馈的PI控制、次优控制，虽然其控制耦合性欠缺，控制效果欠佳，因其易实施性，在我国得到推广并成为主流。
然而，近年来，电力系统功率供给侧(发电侧)与消纳侧(负荷侧)日趋复杂化、多样化。一方面，新能源机组装机容量占比逐年增加，发电能源日趋环境友好化。然而，风力发电、光伏发电等新兴发电技术几乎都存在一个共同的问题，即出力的不稳定性，这部分机组在负荷-频率控制中常被视为“负”负荷，纳入被调控范围；另一方面，愈来愈多的家庭分布式发电接入电网、电动汽车逐渐兴起，均一定程度上增加了电力系统负荷的随机性，负荷端甚至可能出现倒送功率的情况。
发电侧、负荷侧的双重考验给电力系统发电控制带来了更大的困难、提出了更高的要求，传统自动发电控制方法逐渐不能满足智能电网建设的发电控制需求。
以上三种控制算法存在的问题，体现了状态反馈量多寡与控制性能优劣之间的矛盾，系统中更多的状态量参与反馈环将增加控制环的与被控系统的耦合性，从而能达到更优的控制性能，反之控制性能将受到限制，这是由于线性控制环对信号的表达能力有限所导致的。因此，若以一种信号表达能力更强的方式构成非线性控制闭环，将有望以较少状态反馈量实现系统近似最优控制，将是一个新的突破，电力系统发电控制性能将得到更大的提升。
发明内容
针对现有技术的不足，本发明提供了一种基于深度学习的电力系统智能发电控制方法，结合深度神经网络(Deep Neural Network,DNN)与最优控制理论，提出了一种智能化的深度学习全状态最优反馈算法(deep learning full state feedback control，DLFSOF)，应用于电力系统自动发电控制，以提高发电控制性能，更迅速、准确地完成功率-负荷的平衡，增强电力系统的频率稳定性、降低区域间非计划传输功率。
对于以上目的，本发明将通过以下技术方案予以实现：
本发明的一个方面提供了一种基于深度学习的电力系统智能发电控制方法，应用于电力系统发电出力的智能调控，包括如下操作步骤：
建立所需进行发电控制的互联电力系统的负荷-频率控制状态空间模型；
对所述状态空间模型求取全状态最优反馈控制解，并获得全状态最优反馈控制下的发电控制系统；
在全状态最优反馈下的发电控制系统下，选取状态量作为深度神经网络的训练样本；
应用深度神经网络对所述训练样本进行深度学习，获得深度神经网络模型；
对深度神经网络模型的发电控制特性进行测试；
测试合格后，对深度神经网络模型封装至智能发电控制器、并应用；
本发明的另一方面提供了一种基于深度学习全状态最优反馈的电力系统智能发电控制装置，包括：
采样模块，用于采集所述训练样本的信息；
运算模块，用于对所述状态空间模型求取最优控制解，获得全状态最优反馈矩阵，以及用于将获取的样本数据导入训练算法中，完成深度神经网络的训练；
处理模块，用于推动全状态最优反馈矩阵的顺序计算，以及推进深度神经网络训练步骤的执行；
仿真模块，用于全状态最优反馈下的互联电力系统仿真模型，实现对深度神经网络模型的发电控制特性进行测试。
本发明的另一方面提供了一种移动终端，包括可读存储器，用于存储一个或多个程序；以及处理器，当所述一个或多个程序所述处理器执行时，使得处理器实现实施例中任一项基于深度学习的电力系统智能发电控制方法。
本发明的另一方面提供了一种存储介质，所述存储介质上存储有可执行指令，该指令被读取、执行时可以实现实施例中任一项基于深度学习的电力系统智能发电控制方法。
有益效果
本发明提供了一种基于深度学习的电力系统智能发电控制方法，与现有公知技术相比，本发明的具有如下有益效果：
1、本发明通过对互联电力系统的负荷-频率控制状态空间模型求取最优控制解，提出了一种适用于电力系统自动发电控制的、新型动态性能指标下的全状态最优反馈算法；并鉴于反馈状态量多寡与控制性能优劣的矛盾，提出了深度学习全状态最优反馈的智能发电控制方法，通过运用深度神经网络对全状态最优反馈下的发电控制系统进行深度学习，提取其高阶控制关系，以深度神经网络强大的非线性表达能力弥补传统线性控制的不足，从而实现自区域频率偏差与传输功率偏差非线性反馈下的近似最优发电控制。
本发明方法相较于现有技术的PI控制，本发明依靠最优控制的强大理论基础，避免了传统人工调节PI参数的不确定性，更具理论基础；相对次优控制，本发明方法下的发电控制系统更稳定，功率调控无震荡过程，更适用于实际发电控制需求，经济性更佳；本发明相对于全状态最优反馈控制，在原基础上大大减少了控制反馈量，能够实现仅由区域频率偏差与传输功率偏差反馈下的近似最优反馈控制。
本发明依靠深度神经网络强大的非线性表达能力，弥补传统线性控制的不足，并结合最优控制理论，实现电力系统近似最优发电控制，明显提升了发电控制性能，该方法将有效促进更迅速、准确地实时平衡系统功率-负荷，进一步增强互联电力系统频率稳定性，降低区域间非计划功率传输，为智能电网下的发电控制问题提供新的解决方案。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是自动发电控制系统框图；
图2为本发明的智能发电控制方法流程图；
图3为本发明IEEE标准两区域电力系统模型图；
图4为本发明全状态最优反馈下的IEEE标准两区域电力系统模型图；
图5为本发明的深度学习全状态最优反馈算法图；
图6为本发明的区域1多层感知器的训练结果；
图7为本发明的区域2多层感知器的训练结果图；
图8为本发明的智能控制下的IEEE标准两区域电力系统模型图；
图9为本发明的智能控制器的信号处理过程图；
图10为本发明的阶跃扰动下的发电控制响应图；
图11为区域频率偏差实时值图；
图12是发电控制响应(全局)图；
图13是发电控制响应(局部)图；
图14是区域频率偏差一分钟平均值图；
图15是ACE十分钟平均值图；
图16是CPS1％一分钟平均值图；
图17为本发明的方法逻辑图。
具体实施方式
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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例：
本发明的一个方面提供了一种基于深度学习的电力系统智能发电控制方法，应用于电力系统发电出力的智能调控，如图2所示，包括如下操作步骤：
步骤1：建立所需进行发电控制的互联电力系统的负荷-频率控制状态空间模型；
步骤2：对所述状态空间模型求取全状态最优反馈控制解，并获得全状态最优反馈控制下的发电控制系统；
步骤3：在全状态最优反馈下的发电控制系统下，选取状态量作为深度神经网络的训练样本；
步骤4：应用深度神经网络对所述训练样本进行深度学习，获得深度神经网络模型；
步骤5：对深度神经网络模型的发电控制特性进行测试；
步骤6：测试合格后，对深度神经网络模型封装至智能发电控制器、并应用；
其中，在步骤6中在对深度神经网络模型的发电控制特性进行测试合格后，可将合格后的深度神经网络可封装至调度中心的自动发电控制系统中，对各区域进行实时的出力调控，以区域频率偏差、传输功率偏差作为发电控制输入量，实现电力系统近似最优发电控制(如图8所示)。
在步骤2中，求取状态空间模型最优控制解，获得全状态最优反馈下的发电控制系统的具体实现过程；包括如下步骤：
S201，首先，建立互联电力系统的负荷-频率控制频域模型；具体的：
如图3所示，建立未添加发电控制反馈环的IEEE标准两区域互联电力系统的频域模型。采集表1的实际数据作为系统的具体参数。
表1：IEEE两区域互联电力系统参数值
Figure BDA0002834434420000071
Figure BDA0002834434420000081
如图3所示，在该互联系统中，区域调度中心AGC将输出机组功率调节命令信号ΔPc1和ΔPc2，伴随0.08s惯性时间，该命令传递到调速器的从而调节汽门的开度变化量ΔXc1与ΔXc2，再经0.3s延时传递至汽轮机从而调控发电机组机端出力变化量ΔPg1与ΔPg2，与区域外传输功率偏差、负荷扰动进行加减运算后得到区域功率-负荷偏差量，经延时比例响应后，输出各自区域频率偏差量。R1和R2为一次调频调差系数，构成一次调频反馈环。
S202，将频域模型转化为状态空间模型，并引入ACE的积分作为系统新增状态量，确定系统新的状态空间。具体为：
该两区域电力系统的状态空间可表述为如1式：
Figure BDA0002834434420000082
其中，
X＝[ΔXc1 ΔPg1 Δf1 ΔPtie ΔXc2 ΔPg2 Δf2]T (2)
U＝[ΔPc1 ΔPc2]T (3)
ΔPL＝[ΔPL1 ΔPL2]T (4)
式1中，A，B，G为分别为状态矩阵、控制矩阵、扰动矩阵，且均为定常实矩阵。
可以看出，若对电力系统状态空间的添加状态反馈环，仅能实现延时的比例调节，直接对该状态空间的最优控制进行求解无法构成积分反馈环，仅能对区域频率进行有差调节，局限性较大。
二次调频应对频率达到无差调节，因此，应对系统原状态空间添加积分器，增添新的状态量。其中，通过引入ACE的积分作为系统新增状态量，该状态量可表达为：
∫ACEi＝∫(BiΔfi-ΔPtie) (5)
Figure BDA0002834434420000091
故，电力系统的新的状态空间应为：
Figure BDA0002834434420000092
其中，
Xa＝[ΔXc1ΔPg1Δf1ΔPtieΔXc2ΔPg2Δf2∫ACE1∫ACE2]T (8)
所构造的新的状态空间矩阵为：
Figure BDA0002834434420000093
Figure BDA0002834434420000094
Figure BDA0002834434420000101
S203，对新的状态空间进行等效变换，转化为标准型。
其中，在对所述对新的状态空间进行等效变换前，需要采用能控性矩阵，如式12，判断所述新的状态空间下系统的能控性，保证引入的ACE积分项将不改变原系统的闭环系统的稳定性。
M＝(B，AB，A2B，A3B，…,A8B) (12)
因Rank(M)＝9，M满秩，系统能控，故新增的ACE积分项将不改变原系统的闭环系统的稳定性，不影响最优控制的求解。由于负荷扰动项的存在，尚无法直接对最优控制反馈矩阵进行求解，需对该状态空间进行等效变换，化为标准型。
系统的外部状态可认为是突变的，可被视为不断进行短期阶跃的过程，而系统内部的内部变化可视作各个状态变量从一个稳态转移到另一个稳态的过程，在扰动下，Xa逐步趋于稳定。在此基础上，定义新的扰动变量为：
Figure BDA0002834434420000102
其中
Figure BDA0002834434420000103
为下一短期阶段的负荷扰动稳态值，此时，
Figure BDA0002834434420000104
可近似认为等于零，故可将扰动项消除。下文中的下标e均代表该值的稳态值。
此时有：
Figure BDA0002834434420000105
Figure BDA0002834434420000106
其中，
Xae＝[ΔXc1eΔPg1e 0 0 ΔXc2eΔPg2e 0 ∫ACE1e∫ACE2e]T (16)
且应有：
ΔXcie＝ΔPgie＝ΔPLie (17)
Figure BDA0002834434420000111
其中，i＝1,2。故，转换后的状态空间应为：
Figure BDA0002834434420000112
系统零状态应为:
Figure BDA0002834434420000113
此时，状态空间已化为标准型，可进行最优控制求解。
S204，采用动态规划法对标准型的状态空间求取最优控制解，获得全状态最优反馈矩阵。
建立动态性能指标泛函为：
Figure BDA0002834434420000114
其中，Q为状态量的权系数矩阵，为9维半正定实对称方阵，R为控制量的权系数矩阵，为2维正定实对称方阵。Q、R将分别对从状态偏差量与控制响应偏差对性能指标进行加权。
现令：
Figure BDA0002834434420000115
Figure BDA0002834434420000116
以下对该最优全状态反馈矩阵进行求解，构建哈密顿函数：
Figure BDA0002834434420000121
令
Figure BDA0002834434420000122
时，此时性能指标泛函将有最小值，全状态最优反馈的解为：
Figure BDA0002834434420000123
令
Figure BDA0002834434420000124
代入式(24)得Riccati方程：
PAa+Aa TP-PBaR-1Ba TP+Q＝0 (26)
解式(26)得：
Figure BDA0002834434420000125
其中，K*＝-R-1Ba TP为全状态最优反馈矩阵。
综上，全状态最优反馈求解完毕，全状态最优反馈下的两区域系统如图4所示。
运用深度神经网络对全状态最优反馈下的电力系统进行深度学习，参照图5：包括如下步骤：
S1：选择并确定深度神经网络的基本结构及训练算法；
S2：选定深度神经网络输入状态量；
S3：采集全状态最优反馈下的发电控制系统下的训练样本；
S4：设定深度神经网络的训练目标，加入训练样本开始训练；
S5：获得训练结果，并对训练结果进行判断，训练收敛，则训练完毕；反之，则调整深度神经网络的基本结构或训练样本，而后继续对深度神经网络进行训练；
S6：对训练完毕的深度神经网络模型的发电控制特性进行测试，确定其是否具备近似最优发电控制响应特性；
S7：将合格后的深度神经网络可封装至调度中心的自动发电控制系统中。
其中，以下将通过示例，对基于DLFSOF算法的智能发电控制方法实现过程进行具体介绍：
步骤S1中，经多次测试，深度神经网络架构确定为层数为多层感知器网络架构，其中，隐层为5层，每层神经元数20至50个不等；训练算法确定为基于贝叶斯正则化的反向传播算法，训练集、测试集、泛化集的比例设定为80％、10％、10％。
在步骤S2中，辨识信息量为区域频率偏差Δf与传输功率偏差ΔPtie及其组合运算值，共构成6个输入。
步骤S3中，利用如simulink等仿真工具，建立全状态最优反馈下的电力系统仿真模型，在仿真环境内进行采样。期间对系统输入各种负荷扰动，其中包括正弦型扰动、带宽白噪音型扰动、斜坡型扰动等典型扰动，同时对各区域的区域频率偏差Δf、联络线传输功率偏差ΔPtie、功率调控值ΔPc进行采样。Δf、ΔPtie作为输入训练样本，ΔPc为输出训练样本。此次采样的仿真时间为85384S，实际采样时间(计算及样本写入时间)为198.57S，实际各区域多层感知器训练样本均超10万组。
步骤S4中，将训练目标均方差将设定为10MW2，即相当于精度为3.16MW，该精度对于容量为5000MW的区域1、区域2而言是足够的，多层感知器的训练结果如图6、图7所示。
步骤S5中对训练结果进行判断，训练收敛，已到达目标精度，进入S6。
步骤S6中训练完毕后，应在仿真环境中对深度神经网络的发电控制特性进行测试。应建立一个基于智能发电控制器的两区域系统，将原仿真系统的全状态反馈环去除，替换为封装有训练好的多层感知器的智能发电控制器。智能控制下的IEEE标准两区域电力系统模型如图8所示。智能控制器的信号处理过程如图9所示。
接下来，应对其进行仿真测试。向区域1加入100MW的阶跃负荷扰动，此次训练DNN下的DLFSOF控制、全状态最优反馈控制、次优控制、PI控制下的发电控制响应对比及频率偏差对比如图10、图11所示。由图11可知，所训练的深度DNN下的DLFSOF控制与全状态最优反馈控制的响应特性十分相似，均无超调且调整时间短。虽然性能指标显示，良好参数的PI控制下的各项性能指标略优于DLFSOF控制如图11所示，但其发电控制信号是一个震荡趋于稳态的过程，连续的正反调切换将加大机组的磨损，且其调整时间长，应对复杂的、连续的负荷变化的应对能力将较差。而次优控制存在超调，震荡更剧烈，从经济性、控制性能上均展现出更大的不足。
综上所述，该DNN下的DLFSOF控制在如上四种控制中最优，此次训练结果是合格的。
步骤S7中，在仿真环境测试合格后，该深度神经网络可封装至调度中心的自动发电控制系统中，对各区域出力进行实时调控，以区域频率偏差以及传输功率偏差作为智能发电控制输入量，实现电力系统近似最优发电控制，如图8、17所示。
上述示例中，实现的智能发电控制系统已在仿真环境模拟完成综合测试并得到验证，以下展示一组负荷扰动下的发电控制结果。将基于控制性能评价标准(Controlperformance standard,CPS)对本发明方法下的发电控制系统进行评价。
对IEEE标准两区域电力系统输入周期为628s，幅值为500MW正弦负荷扰动信号，并全程叠加±100MW的带宽白噪音负荷扰动。发电控制响应与CPS指标如图12-16所示。
在应对复杂信号时，DLFSOF控制方法展现出出色的控制性能，其发电控制响应曲线与负荷扰动曲线高度一致，Δf一分钟平均值始终在±0.006Hz区间内，ACE十分钟平均值始终在±1MW区间内，CPS1％一分钟平均值始终高于199.7。相较于原全状态最优反馈控制，本发明的控制方法的发电控制响应特性与之十分相似，显然已具备近似最优发电控制特性；相较于PI控制，DLFSOF控制下的各项性能指标明显更优，印证了技术交底5中的推断，DLFSOF控制在应对复杂扰动时的表现更好；次优控制的超调特性使其在连续变化中更早地达到负荷扰动稳态值，相当于缩短了调整时间，保证了CPS指标更优，然而，在远满足控制目标的前提下，该超调特性的意义是不大的，更多的是造成经济上的浪费，并且，次优系统是震荡收敛的，稳定性实际是更差的。因此，综合来看，本发明方法中的DLFSOF控制展现出更大的优势。
本发明的另一方面提供了一种基于深度学习全状态最优反馈的电力系统智能发电控制装置，包括：
采样模块，用于采集所述训练样本的信息；
运算模块，用于对所述状态空间模型求取最优控制解，获得全状态最优反馈矩阵，以及用于将获取的样本数据导入训练算法中，完成深度神经网络的训练；
处理模块，用于推动全状态最优反馈矩阵的顺序计算，以及推进深度神经网络训练步骤的执行；
仿真模块，用于全状态最优反馈下的互联电力系统仿真模型，实现对深度神经网络模型的发电控制特性进行测试。
本发明的另一方面提供了一种移动终端，包括可读存储器，用于存储一个或多个程序；以及处理器，当所述一个或多个程序所述处理器执行时，使得处理器实现实施例中任一项基于深度学习的电力系统智能发电控制方法。
本发明的另一方面提供了一种存储介质，所述存储介质上存储有可执行指令，该指令被读取、执行时可以实现实施例中任一项基于深度学习的电力系统智能发电控制方法。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种基于深度学习的电力系统智能发电控制方法，应用于电力系统发电出力的智能调控，包括如下操作步骤：
建立所需进行发电控制的互联电力系统的负荷-频率控制状态空间模型；
对所述状态空间模型求取全状态最优反馈控制解，并获得全状态最优反馈控制下的发电控制系统；
在全状态最优反馈下的发电控制系统下，选取状态量作为深度神经网络的训练样本；
应用深度神经网络对所述训练样本进行深度学习，获得深度神经网络模型；
对深度神经网络模型的发电控制特性进行测试；
测试合格后，对深度神经网络模型封装至智能发电控制器、并应用；
对所述状态空间模型求取全状态最优反馈控制解，并获得全状态最优反馈控制下的发电控制系统，包括如下步骤：
建立电力系统的负荷-频率控制模型；
将频域模型转化为状态空间模型，并引入区域控制误差的积分作为系统新增状态量，确定新的系统状态空间模型；
对新的状态空间进行等效变换，转化为标准型；
采用动态规划法对标准型的状态空间求取最优控制解，获得全状态最优反馈矩阵。
2.根据权利要求1所述的一种基于深度学习的电力系统智能发电控制方法，其特征在于，在对所述对新的状态空间进行等效变换前，需要采用能控性矩阵判断所述新的状态空间下系统的能控性，保证引入的区域控制误差的积分项将不改变原系统的闭环系统的稳定性。
3.根据权利要求1所述的一种基于深度学习的电力系统智能发电控制方法，其特征在于，所述训练样本经所述深度神经网络训练，包括如下步骤：
选择并确定深度神经网络的基本结构及训练算法；
选定深度神经网络输入状态量；
采集全状态最优反馈下的发电控制系统下的训练样本；
设定深度神经网络的训练目标精度，加入训练样本开始训练；
获得训练结果，并对训练结果进行判断，训练收敛于目标精度，则训练完毕；反之，则调整深度神经网络的基本结构或训练样本及输入状态量，而后继续对深度神经网络进行训练。
4.根据权利要求1所述的一种基于深度学习的电力系统智能发电控制方法，其特征在于，对深度神经网络模型的发电控制特性进行测试的方式如下：
采用仿真软件建立全状态最优反馈下的电力系统负荷-频率控制仿真模型；
为电力系统添加封装好的训练完毕的深度神经网络模型；
向电力系统中的加入一定功率值的负荷扰动，获得发电控制响应曲线、区域频率偏差、区域控制误差、控制性能评价标准变化曲线，根据所获得曲线判断深度神经网络模型是否具备最优发电控制特性。
5.根据权利要求3所述的一种基于深度学习的电力系统智能发电控制方法，其特征在于，在全状态最优反馈下的发电控制系统下，对其各区域的区域频率偏差、联络线传输功率偏差、功率调控值进行采样，选定区域频率偏差、联络线传输功率偏差作为输入训练样本，功率调控值作为输出训练样本。
6.根据权利要求1或4所述的一种基于深度学习的电力系统智能发电控制方法，其特征在于，在对深度神经网络模型的发电控制特性进行测试，测试合格后，将合格后的深度神经网络封装至调度中心的自动发电控制系统中，对各区域进行实时的出力调控，以区域频率偏差、传输功率偏差作为发电控制输入量，控制电力系统各区域输出最优发电调控值。
7.一种基于深度学习全状态最优反馈的电力系统智能发电控制装置，采用权利要求1至6中任一项所述的基于深度学习的电力系统智能发电控制方法，其特征在于，包括：
采样模块，用于采集所述训练样本的信息；
运算模块，用于对所述状态空间模型求取最优控制解，获得全状态最优反馈矩阵，以及用于将获取的样本数据导入训练算法中，完成深度神经网络的训练；
所述状态空间模型求取最优控制解包括，建立电力系统的负荷-频率控制模型；
将频域模型转化为状态空间模型，并引入区域控制误差(area control error,ACE)的积分作为系统新增状态量，确定新的系统状态空间模型；
对新的状态空间进行等效变换，转化为标准型；
采用动态规划法对标准型的状态空间求取最优控制解，获得全状态最优反馈矩阵；
处理模块，用于推动全状态最优反馈矩阵的顺序计算，以及推进深度神经网络训练步骤的执行；
仿真模块，用于全状态最优反馈下的互联电力系统仿真模型，实现对深度神经网络模型的发电控制特性进行测试。
8.一种移动终端，其特征在于，包括：
可读存储器，用于存储一个或多个程序；
处理器，当所述一个或多个程序所述处理器执行时，使得处理器实现权利要求1至6中任一项所述的基于深度学习的电力系统智能发电控制方法。
9.一种存储介质，其特征在于，所述存储介质上存储有可执行指令，该指令被读取、执行时可以实现权利要求1至6中任一项所述的基于深度学习的电力系统智能发电控制方法。
CN202011472423.5A 2020-12-14 2020-12-14 基于深度学习全状态最优反馈的智能发电控制方法及应用 Active CN112564133B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011472423.5A CN112564133B (zh) 2020-12-14 2020-12-14 基于深度学习全状态最优反馈的智能发电控制方法及应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011472423.5A CN112564133B (zh) 2020-12-14 2020-12-14 基于深度学习全状态最优反馈的智能发电控制方法及应用

Publications (2)

Publication Number Publication Date
CN112564133A CN112564133A (zh) 2021-03-26
CN112564133B true CN112564133B (zh) 2023-03-21

Family

ID=75063415

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011472423.5A Active CN112564133B (zh) 2020-12-14 2020-12-14 基于深度学习全状态最优反馈的智能发电控制方法及应用

Country Status (1)

Country Link
CN (1) CN112564133B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103346585A (zh) * 2013-07-08 2013-10-09 合肥工业大学 一种基于状态观测器的并网逆变器控制方法
EP3070803A1 (en) * 2015-03-19 2016-09-21 General Electric Technology GmbH Power transmission network
CN107482649A (zh) * 2017-07-13 2017-12-15 上海电力学院 一种基于分频控制的两域互联系统负荷频率控制方法
CN107979113A (zh) * 2017-12-08 2018-05-01 云南电网有限责任公司 一种含风力发电的两区域互联电网自动发电控制优化方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103346585A (zh) * 2013-07-08 2013-10-09 合肥工业大学 一种基于状态观测器的并网逆变器控制方法
EP3070803A1 (en) * 2015-03-19 2016-09-21 General Electric Technology GmbH Power transmission network
CN107482649A (zh) * 2017-07-13 2017-12-15 上海电力学院 一种基于分频控制的两域互联系统负荷频率控制方法
CN107979113A (zh) * 2017-12-08 2018-05-01 云南电网有限责任公司 一种含风力发电的两区域互联电网自动发电控制优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于深度强化学习的电力系统智能发电控制;殷林飞;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20181215(第12期);正文第20-25、77-145页 *

Also Published As

Publication number Publication date
CN112564133A (zh) 2021-03-26

Similar Documents

Publication Publication Date Title
Tungadio et al. Load frequency controllers considering renewable energy integration in power system
Li et al. Coordinated load frequency control of multi-area integrated energy system using multi-agent deep reinforcement learning
Xi et al. Automatic generation control based on multiple neural networks with actor-critic strategy
Khooban et al. A novel deep reinforcement learning controller based type-II fuzzy system: Frequency regulation in microgrids
CN109062053B (zh) 一种基于多变量校正的脱硝喷氨控制方法
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
CN106786677B (zh) 一种互联电力系统分布式动态矩阵频率控制方法
Oshnoei et al. Robust model predictive control of gate-controlled series capacitor for LFC of power systems
CN111523737B (zh) 深度q网络驱动的电力系统运行方式自动趋优调整方法
CN112507614B (zh) 一种分布式电源高渗透率地区电网综合优化方法
CN114362196B (zh) 一种多时间尺度主动配电网电压控制方法
CN107579541A (zh) 一种基于模式分析的光伏电站对多机系统低频振荡的抑制方法
CN109765787A (zh) 一种基于日内-实时滚动控制的配电网源荷快速跟踪方法
CN107065556A (zh) 一种堆芯机组变功率运行策略优化方案的自动搜索方法
Skiparev et al. Reinforcement learning based approach for virtual inertia control in microgrids with renewable energy sources
Abdelkrim et al. Robust stability power in the transmission line with the use of a UPFC system and neural controllers based adaptive control
CN117039981A (zh) 一种面向含新能源的大规模电网优化调度方法、装置、存储介质
CN112564133B (zh) 基于深度学习全状态最优反馈的智能发电控制方法及应用
CN106855691A (zh) 用于超临界火电机组机炉系统负荷跟踪的双层控制系统
CN113394770A (zh) 互联微网群频率完全分布式优化控制方法及系统
Subbaraj et al. Automatic generation control of multi‐area power system using fuzzy logic controller
CN105207220B (zh) 一种基于渐进学习的分级电压调控方法
CN115133540B (zh) 一种配电网无模型的实时电压控制方法
Liu et al. Deep-Q-network-based intelligent reschedule for power system operational planning
Shayeghi et al. An online Q-learning based multi-agent LFC for a multi-area multi-source power system including distributed energy resources

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