CN112800667A - 一种平行并行量子人工情感深度学习的多层电压控制方法 - Google Patents
一种平行并行量子人工情感深度学习的多层电压控制方法 Download PDFInfo
- Publication number
- CN112800667A CN112800667A CN202110074022.2A CN202110074022A CN112800667A CN 112800667 A CN112800667 A CN 112800667A CN 202110074022 A CN202110074022 A CN 202110074022A CN 112800667 A CN112800667 A CN 112800667A
- Authority
- CN
- China
- Prior art keywords
- control
- voltage
- artificial
- parallel
- quantum
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Geometry (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提出一种平行并行量子人工情感深度学习的多层电压控制方法,该方法将量子行走搜索方法与基于人工情感的深度神经网络进行结合,用于电力系统多层电压控制。首先,量子行走方法作为平行控制系统中的人工控制模型对历史电压数据进行概率统计,用于量子快速获取目标控制策略,同时获取更多的原始电压数据。其次,基于人工情感的深度神经网络方法利用量子行走方法产生的电压数据以及历史电压数据提取特征,实现对电压的精准预测。最后,电力系统决策优化模型根据预测的电压实现最优控制。所提方法能有效解决电力系统电压数据样本不足的问题,实现电网电压的精准控制;采用并行式数据流传输,高效地完成平行系统间的数据交换。
Description
技术领域
本发明属于电力系统电压控制领域,涉及一种基于人工智能方法的电力系统电压控制方 法,适用于电力系统发电机机组电压的控制。
背景技术
由于当前储能资源分布与经济发展的不匹配,构建以各等级电压网络协调发展成为了当 前我国电网单位发展的主流趋势。在当前电网系统带来巨大经济效益的同时,同样对电网电 压的精度性、可靠性以及稳定性提出了更高的要求,这给电网电压的协调控制带来了巨大的 挑战。因此,研究电网电压协调控制发展意义重大。其中,基于精准电压指令预测是多层电 压协同控制方法高效运行的关键。与传统的电网电压控制相较而言,多层电压协同控制要求 对机组组合产生的实时电压数据进行整理拟合,因此精准预测难度进一步加大。
目前对深度学习与量子力学的研究发展迅速,在电力系统电压预测等领域的应用也逐年 增多。深度神经网络主要涉及前向传播机制和反向传播机制,两种机制结构较为简单,在当 前研究中使用广泛。前向传播机制主要利用上一神经层的输出参数来完成下一神经层的输出 计算;而反向传播机制主要通过损失函数的介入来统计训练值与真实值间的损失情况。量子 行走搜索方法目前被应用于普适量子计算,目前该类搜索方法具有快速扩散的特性,利用量 子力学的态相干叠加决定粒子下一状态的运动行为轨迹,从而提升量子的搜索效率。但是以 上两种方法均需要在较大范围的数据集中拥有更好的效果,在实时数据协调控制中仍需要进 一步的研究分析。
在实时的电压协同控制分析中,将采用平行并行系统将人工仿真系统与实际复杂系统相 结合,完成实时数据的调控。同时针对电压的实时分析以及指令输出,本发明将深度神经网 络与量子行走方法相结合。所提方法能在实时的电压数据采集过程中对下一时刻的电压数据 精准预测,同时优化电力系统电压控制模型,利用预测电压的输出指令做出当前的最优控制 动作。
发明内容
本发明提出一种平行并行量子人工情感深度学习的多层电压控制方法。该方法将量子行 走搜索方法与基于人工情感的深度神经网络相结合,应用到电力系统电压控制中,实现实时 电力系统电压预测以及动作电压指令输出,通过真实控制系统与人工控制系统同时同步控制 下完成数据流交换,对控制器进行修正,完成对电压数据的精准预测,并优化控制电力系统 电压。所提方法在使用过程中的主要步骤为:步骤(1):将量子行走搜索方法用于平行控制 系统中对历史电压数据进行概率统计并扩充训练样本;步骤(2):将基于人工情感的深度神 经网络用于电力负荷预测;步骤(3):将所提的方法应用于电力系统的电压优化控制。
本发明提出一种量子行走搜索模型。通过统计每个量子在不同概率幅下的行走方向以及 最终的相干叠加状态得到当前的量子搜索结果。本发明模型重新定义量子在当前行走状态下 的偏移算子量以及总的行走算子,对原有的Grover方法效率以及成功概率进行提升。所提方 法通过对历史电压数据进行概率统计使量子快速获取目标控制策略,从而获取训练数据样本, 以此达到扩充现有训练样本集的目的。
其中N为训练数据集样本个数,M表示符合筛选条件的样本个数,x为目标样本指令。
量子行走搜索模型的目标量子叠加态为:
在训练中为了提高计算效率,此模型将目标量子叠加态变换为:
其中|α>与|β>分别表示如下:
偏移算子S将当前位置i处且指向j处的量子在转移到j处且指向i时,其算子偏移状态表 示为:
对目标点所使用的硬币算子记为C1,其他点记为C0,则总的行走算子可记为:
其中0≤α<2π,τm为搜索标记点样本。
本发明提出的人工情感深度学习方法为基于人工情感的深度神经网络,所提方法的大致 模型为:基于人工情感的深度神经网络方法为条件构建平行控制系统复杂控制对象的控制器 模型,产生的历史电压控制数据将提供给人工控制模型和复杂控制器模型进行指令生成;而 现实系统的复杂控制器又将将结合平行人工系统提供的电压数据进行修正;网络训练完成后 将接收实际的电压控制目标以及系统实时提供的电压数据来完成指令输出,网络中加入的人 工情感,将弥补网络潜在的过拟合和欠拟合的缺陷。基于人工情感的深度神经网络的前向传 播函数以及反向传播函数分别为:
情感奖励函数为:
其中,s为控制器当前状态,ηδ为方差因子情感输出值,ηs为状态因子情感输出值。
人工情感的输出转换式为:
其中,人工情感fn为总和信息素的输出,kη为人工情感最大化的范围系数,即η∈[0,kη];ηmax为人工情感因素阈值的最大值。
建立一个电力系统决策优化模型,包括总发电成本约束,有功平衡约束,热备用约束, 有功出力限制约束以及发电机调节比率约束,所提方法中机组组合的模型目标函数以及模型 约束条件如下:
发电机机组模型约束条件为:
其中,T为给定时间周期内的时间断面的个数,一般设定为24;Ji为第i个区域内的发电机组 个数;uj,t为第j个发电机组在第t时间断面的状态,uj,t取值为1或0,分别代表机组开启和 关停状态;总发电成本包括燃料成本Fj(Pj,t)和启动成本SUj,t;PDi,t为第i个区域内在第t时间 段内的负荷需求总量;和分别为在第i区域的第j个发电机组的有功出力的最小值和 最大值;SRi,t为第i个区域内在第t时间段内所需的热备用容量;和分别为第j台发电 机组的上调和下调的最大幅度限制;为第j个发电机组的持续开启时间的最小值。
根据实际电压用电需求,建立电力系统电压控制决策模型。经济目标和碳排放目标具体 表达如下:
本发明相对于现有技术具有如下的优点及效果:
(1)本发明在经典随机行走方法的基础上提出了一种具有不同分布概率的量子行走搜索 方法作为平行控制系统中的人工控制模型环节,将量子搜索得到的目标控制策略应用于人工 工程模型,同时产生的数据参数实时传输给实际复杂控制环节,达到双系统并行的结果。
(2)本发明在深度神经网络方法的基础上提出了一种基于人工情感的深度神经网络方法 作为平行控制系统中的复杂工程控制模型环节,将当前实时产生的电压数据与历史电压数据 作为数据集进行预训练而后进一步预测下一时刻的电压情况并给出动作指令的输出;同时接 收人工模型传输的参数进行相互修正,加入的人工情感弥补网络的过拟合和欠拟合缺陷,从 而获取更精确的预测数据。
(3)本发明建立一个电力系统决策优化模型,其中包括总发电成本约束,有功平衡约束, 热备用约束,有功出力限制约束以及发电机调节比率约束。首先考虑机组组合的模型目标函 数,以电压预测值为数据支持估计经济目标与碳排放目标。而后基于最经济环保的成本优化 电力系统电压控制策略。
附图说明
图1是本发明方法的电力系统电压预测流程图。
图2是本发明方法的电网电压优化框架图。
具体实施方式
本发明提出的一种平行并行量子人工情感深度学习的多层电压控制方法,结合附图详细 说明如下:
图1是本发明方法的电力系统电压预测流程图。首先,构建平行控制系统,分别搭建复 杂工程控制系统模型以及人工工程系统模型并构成闭环负反馈机制。然后,将量子行走搜索 方法作为人工控制模型对当前人工系统进行目标动作解的搜索,完成对人工模型的调控,产 生的数据参数与复杂控制系统相互修正;将基于人工情感的深度神经网络作为复杂控制环节 的控制器对当前产生的电压数据以及历史数据集进行学习训练,同时结合人工系统的数据参 数对控制器进一步修正完善。最终复杂控制对象将依据已有的“经验”完成下一时刻的动作 指令输出,两个控制系统同时并行运行,提高了电压预测与数据交换的效率,同时提升了预 测数据的准确性。
图2是本发明方法的电网电压优化框架图。首先,各种类型的能源抽象为能流与碳流, 其中一部分能量以二氧化碳的形式回到大自然,另一部分则作为能流进入电网进行电压调控 作为电能输出。其次电网接收的能流将通过本发明提出的多级电压调控完成对用电部门的电 能输出,转换的过程中一部分能量又以碳流的形式消耗,剩余的能量则供给为负荷设备。最 终依据本发明提出的电力系统决策优化模型对经济目标与碳排放目标优化控制从而对电网的 电压输出不断实时优化。
Claims (4)
1.一种平行并行量子人工情感深度学习的多层电压控制方法,其特征在于,该方法将量子行走搜索方法与基于人工情感的深度神经网络进行结合,电力系统多层电压控制,能在真实控制系统与人工控制系统同时同步控制下完成数据流交换,对控制器进行修正,完成对电压数据的精准预测,并优化控制电力系统电压;所提方法在使用过程中的主要步骤为:
步骤(1):将量子行走搜索方法用于平行控制系统中对历史电压数据进行概率统计并扩充训练样本;
步骤(2):将基于人工情感的深度神经网络用于电力负荷预测;
步骤(3):将所提的方法应用于电力系统的电压优化控制。
3.如权利要求1所述的一种平行并行量子人工情感深度学习的多层电压控制方法,其特征在于,所述步骤(2)中提出的基于人工情感的深度神经网络方法为条件构建平行控制系统复杂控制对象的控制器模型,产生的历史电压控制数据将提供给人工控制模型和复杂控制器模型进行指令生成;而现实系统的复杂控制器又将将结合平行人工系统提供的电压数据进行修正;网络训练完成后将接收实际的电压控制目标以及系统实时提供的电压数据来完成指令输出,网络中加入的人工情感,将弥补网络潜在的过拟合和欠拟合的缺陷,所提方法的目标情感奖励函数为:
其中,s为控制器当前状态,ηδ为方差因子情感输出值,ηs为状态因子情感输出值;
人工情感的输出转换式为:
其中,人工情感fn为总和信息素的输出,kη为人工情感最大化的范围系数,即η∈[0,kη];ηmax为人工情感因素阈值的最大值。
4.如权利要求所述的一种平行并行量子人工情感深度学习的多层电压控制方法,其特征在于,所述步骤(3)中的电力系统决策优化模型包括总发电成本约束,有功平衡约束,热备用约束,有功出力限制约束以及发电机调节比率约束,所提方法中机组组合的模型目标函数以及模型约束条件如下:
发电机机组模型约束条件为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110074022.2A CN112800667B (zh) | 2021-01-20 | 2021-01-20 | 一种平行并行量子人工情感深度学习的多层电压控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110074022.2A CN112800667B (zh) | 2021-01-20 | 2021-01-20 | 一种平行并行量子人工情感深度学习的多层电压控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112800667A true CN112800667A (zh) | 2021-05-14 |
CN112800667B CN112800667B (zh) | 2022-04-08 |
Family
ID=75810637
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110074022.2A Active CN112800667B (zh) | 2021-01-20 | 2021-01-20 | 一种平行并行量子人工情感深度学习的多层电压控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112800667B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107231214A (zh) * | 2017-06-12 | 2017-10-03 | 哈尔滨工程大学 | 基于演化混沌量子神经网络的最优多用户检测方法 |
CN110765700A (zh) * | 2019-10-21 | 2020-02-07 | 国家电网公司华中分部 | 基于量子蚁群优化rbf网络的特高压输电线损预测方法 |
-
2021
- 2021-01-20 CN CN202110074022.2A patent/CN112800667B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107231214A (zh) * | 2017-06-12 | 2017-10-03 | 哈尔滨工程大学 | 基于演化混沌量子神经网络的最优多用户检测方法 |
CN110765700A (zh) * | 2019-10-21 | 2020-02-07 | 国家电网公司华中分部 | 基于量子蚁群优化rbf网络的特高压输电线损预测方法 |
Non-Patent Citations (3)
Title |
---|
张宇超: ""高概率量子随机行走搜索算法研究"", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
殷林飞: ""基于深度强化学习的电力系统智能发电控制"", 《中国博士学位论文全文数据库 工程科技2辑》 * |
殷飞林等: ""人工情感Q学习的互联电网自动发电控制算法"", 《控制理论与应用》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112800667B (zh) | 2022-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110365056B (zh) | 一种基于ddpg的分布式能源参与配电网调压优化方法 | |
Li et al. | Probabilistic charging power forecast of EVCS: Reinforcement learning assisted deep learning approach | |
CN109818775A (zh) | 基于自适应微分进化算法优化小波神经网络的短期网络流量预测方法 | |
CN115577864B (zh) | 基于多模型组合运算的配电网运行优化调度方法 | |
CN110165714A (zh) | 基于极限动态规划算法的微电网一体化调度与控制方法、计算机可读存储介质 | |
Xu et al. | Potential analysis of the attention-based LSTM model in ultra-short-term forecasting of building HVAC energy consumption | |
CN112018755A (zh) | 基于循环神经网络的光伏配电网无功电压预测方法及系统 | |
Masero et al. | A fast implementation of coalitional model predictive controllers based on machine learning: Application to solar power plants | |
CN115051388A (zh) | 一种基于分布鲁棒的“源-网-荷-储”两阶段调度优化方法 | |
Yin et al. | Expandable deep width learning for voltage control of three-state energy model based smart grids containing flexible energy sources | |
Liu et al. | Multi-agent quantum-inspired deep reinforcement learning for real-time distributed generation control of 100% renewable energy systems | |
CN106786702A (zh) | 用于混合储能系统的全状态模型预测能量调度方法 | |
CN112381271B (zh) | 一种快速对抗深度置信网络的分布式多目标优化加速方法 | |
CN112800667B (zh) | 一种平行并行量子人工情感深度学习的多层电压控制方法 | |
CN113098073B (zh) | 一种考虑源荷双侧弹性空间的日前调度优化方法 | |
CN106779248B (zh) | 一种基于极限迁移学习的电力系统经济调度分散q方法 | |
CN116050632A (zh) | 一种基于纳什q学习的微电网群互动博弈策略学习进化方法 | |
CN115864409A (zh) | 一种基于深度强化学习的电网断面功率调整策略 | |
Yin et al. | Quantum-inspired distributed policy-value optimization learning with advanced environmental forecasting for real-time generation control in novel power systems | |
CN111668879B (zh) | 一种基于c-pso算法的高渗透率配电网调度模型及其计算方法 | |
Fang et al. | Energy scheduling and decision learning of combined cooling, heating and power microgrid based on deep deterministic policy gradient | |
CN113837654B (zh) | 一种面向多目标的智能电网分层调度方法 | |
Lu et al. | Optimal Design of Energy Storage System Assisted AGC Frequency Regulation Based on DDPG Algorithm | |
CN114421470B (zh) | 一种柔性钻石型配电系统智能化实时运行控制方法 | |
Kumar et al. | Soft computing based techniques for comparative analysis of wind speed and power prediction |
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 |