CN114759579A - 一种基于数据驱动的电网有功优化控制系统、方法和介质 - Google Patents
一种基于数据驱动的电网有功优化控制系统、方法和介质 Download PDFInfo
- Publication number
- CN114759579A CN114759579A CN202210492558.0A CN202210492558A CN114759579A CN 114759579 A CN114759579 A CN 114759579A CN 202210492558 A CN202210492558 A CN 202210492558A CN 114759579 A CN114759579 A CN 114759579A
- Authority
- CN
- China
- Prior art keywords
- power
- control deviation
- data
- power grid
- prediction model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000005457 optimization Methods 0.000 title claims abstract description 31
- 238000013507 mapping Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 31
- 230000033228 biological regulation Effects 0.000 claims description 26
- 238000003860 storage Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 238000012795 verification Methods 0.000 claims description 11
- 238000010248 power generation Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000002457 bidirectional effect Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims 1
- 238000011217 control strategy Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 4
- 238000013528 artificial neural network Methods 0.000 abstract description 2
- 229910052799 carbon Inorganic materials 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 9
- 230000001105 regulatory effect Effects 0.000 description 8
- 239000010410 layer Substances 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000010606 normalization Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 230000002547 anomalous effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013016 damping Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 208000012639 Balance disease Diseases 0.000 description 1
- YCKRFDGAMUMZLT-UHFFFAOYSA-N Fluorine atom Chemical compound [F] YCKRFDGAMUMZLT-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 239000011737 fluorine Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000014759 maintenance of location 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
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 230000001360 synchronised effect 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
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- 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
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
-
- 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]
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/28—The renewable source being wind energy
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Power Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于数据驱动的电网有功优化控制系统、方法和介质,包括区域控制偏差预测模型构建模块和机组有功控制量自适应生成模块。本发明采用深度神经网络学习电网运行特性与未来时刻区域控制偏差在高维空间的映射关系,实现了区域控制偏差的精准预测。所预测的区域控制偏差趋于最优,效果明显优于控制器参数依靠经验设定的控制效果,实现了有功控制策略动态优化调整,能够适应高比例新能源电网时变特征,对保障电网绿色、低碳、安全运行具有重要意义。
Description
技术领域
本发明属于电力系统技术领域,具体涉及一种基于数据驱动的电网有功优化控制系统、方法和介质。
背景技术
大力发展可再生绿色能源,增强广域电力输送能力,将是我国电力系统未来发展的主要趋势,未来电网“高比例可再生能源、高比例电力电子接口”的特征愈加明显。截至2019年底,国家电网经营区清洁能源发电累计装机容量占电源总装机容量的比重达到39%。经营区内7个省区的清洁能源是第一大电源,21个省区内新能源是第一、第二大电源。国家电网成为全球接入清洁能源规模最大的电网。
与此同时,受制于发电资源与电力需求的逆向分布特点,为了增强电力能源跨区平衡能力,国家电网建成投运或核准在建多项特高压工程。由于风电、光伏等新能源的占比提高和直流特高压技术的发展,常规同步发电机占比逐渐降低,系统惯量随之下降,阻尼特性变化,系统的有功平衡能力遭到削弱。另一方面,电动汽车、柔性负荷等用能终端的出现使负荷侧用能规律多变、接口特性多样化,与新能源的随机性、间歇性、波动性共同作用使得系统平衡难度加大,实时频率控制成为未来系统运行的难点之一。国内外已发生包括英国“2019.8.9”大停电事故、我国锦苏直流闭锁事故在内的多起频率事件,凸显了系统实时频率控制技术的难度和重要性。在“源网荷”不确定性、多样性交织增加的背景下,大电网有功频率失控风险愈发突出,如何实现对系统的有功、频率特性准确识别和安全控制,充分发挥各方资源的调节潜力,将是未来电力系统规划运行的核心工作。
受制于“源网荷”各环节不断上升的不确定性,传统有功实时控制方式的适用性受到极大挑战:一是自动发电控制中人工设置的控制参数固定不变,难以反映系统时变特点;二是与系统惯性、阻尼等强相关的频率动态特性预测难度高,风险管理难以精准量化进行;三是发电控制策略多依赖人工对多复杂因素的主观考虑。
为解决上述矛盾,有必要在电网实时运行阶段提升有功-频率安全态势预测、自动发电控制策略优化水平。国家电网公司近年来不断推动人工智能与智能电网融合。利用海量历史数据,基于数据驱动的方法挖掘数据中蕴含的物理系统规律,实现从表层数据到深层机理表征的高效转化,提升电网调度部门对系统有功、频率态势的即时掌控能力。
发明内容
现有自动发电控制(AGC)控制策略难以应对复杂电网频率控制中负荷和新能源出力不确定性和随机性问题,在AGC应用中调节功率控制策略的比例、积分等参数相对固定导致频率特性系数和总调节功率的指令分配策略还存在空缺。因此,有必要针对频率特性系数和总调节功率指令的最优分配与智能算法结合,实现智能AGC控制策略的示范应用,有效提升AGC资源利用率。本发明提出一种基于数据驱动的电网有功优化控制系统及方法,采用异常值辨识和归一化方法对电网运行数据进行预处理,基于深度学习网络学习电网运行状态与未来时刻频率控制的偏差的电力系统动态特性,从而建立频率控制偏差数据驱动模型,通过对频率控制偏差进行优化调整控制器参数,从而得出总调节功率控制量。
实现本发明目的之一的一种基于数据驱动的电网有功优化控制系统,包括区域控制偏差预测模型构建模块和机组有功控制量自适应生成模块;
所述区域控制偏差预测模型构建模块用于根据BiLSTM模型得到电网运行数据与区域控制偏差的映射关系,从而构建区域控制偏差预测模型,所述区域控制偏差预测模型用于根据当前时刻的电网运行数据预测未来时刻的区域控制偏差;
所述机组有功控制量自适应生成模块用于对区域控制偏差预测模型输出的未来时刻的区域控制偏差进行最大化寻优,得到所述未来时刻最优的AGC总调节功率;所述最优的AGC总调节功率用于形成机组有功功率控制指令,所述机组有功功率控制指令用于控制机组安全稳定运行;
所述最优的AGC总调节功率按照机组调节速率能力分配至各区域内机组,形成机组有功功率控制指令。
实现本发明目的之二的一种基于数据驱动的电网有功优化控制方法,包括如下步骤:
S1、根据预设时间段内的电网历史运行数据建立区域控制偏差预测模型,所述区域控制偏差预测模型用于根据当前时刻的电网运行数据预测未来时刻的区域控制偏差;
所述预设时间段内的电网历史运行数据用于训练区域控制偏差预测模型;
S2、区域控制偏差预测模型训练完成后,将当前时刻的电网运行数据输入所述区域控制偏差预测模型,区域控制偏差预测模型输出未来时刻的区域控制偏差;
S3、机组有功控制量自适应生成模块通过对区域控制偏差预测模型输出的未来时刻的区域控制偏差进行最大化寻优得到未来时刻最优的AGC总调节功率,所述最优的AGC总调节功率用于形成机组有功功率控制指令,从而控制机组运行。
所述最优的AGC总调节功率按照机组调节速率能力分配至各区域内机组,形成机组有功功率控制指令。
实现本发明目的之三的一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现所述基于数据驱动的电网有功优化控制方法的任一项步骤。
有益效果:
本发明采用深度神经网络学习电网运行特性与未来时刻区域控制偏差在高维空间的映射关系,实现了区域控制偏差的精准预测,区域控制偏差更趋于最优,效果明显优于控制器参数依靠经验设定的控制效果,实现了有功控制策略动态优化调整,能够适应高比例新能源电网时变特征,对保障电网绿色、低碳、安全运行具有重要意义。
附图说明
图1是本发明所述系统的示意图;
图2是LSTM单元结构示意图。
具体实施方式
下列具体实施方式用于对本发明权利要求技术方案的解释,以便本领域的技术人员理解本权利要求书。本发明的保护范围不限于下列具体的实施结构。本领域的技术人员做出的包含有本发明权利要求书技术方案而不同于下列具体实施方式的也是本发明的保护范围。
下面讲述本发明所述方法的其中一个实施例。
S1、根据预设时间段内的电网历史运行数据建立区域控制偏差预测模型,所述区域控制偏差预测模型用于根据当前时刻的电网运行数据预测未来时刻的区域控制偏差(ACE);
所述预设时间段可以是当前时间前24小时,但不限于此。
所述电网历史运行数据由历史单时刻或者多时刻影响变量组成,根据对电网历史运行数据进行分析,本实施例中选取的影响变量包括:电网频率、联络线交换功率、联络线计划交换功率、频率特性系数、全网总发电、全网总负荷、全网火电机组总出力、全网火电机组开机总容量、全网风电机组总出力、全网风电机组总容量、全网光伏机组总出力、全网光伏机组总容量、全网分布式光伏总出力、全网分布式光伏总容量、AGC总调节功率、火电AGC上备用、火电AGC下备用、火电AGC总调节速率、火电AGC实发控制、风电AGC总容量、风电 AGC实发控制、光伏AGC总容量、光伏AGC实发控制、区域控制偏差ACE。
所述步骤S1还包括对电网历史运行数据进行预处理以及归一化处理。
所述预处理的方法包括对缺失数据和异常数据进行修正,具体步骤如下:
(1)异常数据检测
采用基于局部异常因子的方法检测电网历史运行数据中的异常数据,计算样本i的邻域内所有样本的平均局部密度与其自身局部密度的比值LOF(p),如果比值大于1说明该样本为异常值,其表达式如下:
式中,ldk-dist(i)为样本i的局部密度;ldk-dist(o)为样本o的局部密度; Nk-dist(i)为样本i的k-dist的邻域,包含样本集中除i外,所有与样本i 的欧式距离小于等于k-dist(i)的样本。k-dist(i)为样本i的空间距离,等于i与样本集中样本o的欧式距离。
(2)针对单个缺失和/或单个异常数据
所述单个缺失数据或异常数据采用上一相邻采样时刻和下一相邻采样时刻该数据的平均值对其进行填充,即:
式中,xt为缺失或异常数据的修正值,xt+1和xt-1为缺失点或异常点上一相邻采样时刻和下一相邻采样时刻的实际数据。
(3)针对连续多个缺失数据和/或异常数据
根据同类均值插补思想,采用K-means聚类算法对其进行修正,具体步骤如下:
1.随机选取一个初始聚类中心点A;
2.计算每个样本与当前已有聚类中心的最短距离D(xi),然后计算每个样本被选为下个聚类中心的概率,计算公式为Pi=D(xi)2/∑D(xi)2,按照轮盘法选出下一个聚类中心,最后重复本步骤直至选出K个聚类中心;
3.计算每个样本到K个聚类中心的距离,并将其分到距离最小的聚类中心对应的类里;
4.针对每个类别,重新计算该类所有样本的中心,然后重复步骤 3和4,直至误差变化最小;
5.取同一类别中对应变量的平均数,作为缺失/异常点的修正值,重复本步骤对多个缺失/异常点进行修正。
对上述电网历史运行数据进行归一化的方法包括:
采用min-max归一化方法将上述经过数据预处理后的24小时内的电网历史运行数据和ACE值进行归一化,限制在[0,1]范围内,公式如下:
上式中:xmin和xmax为数据的最小值和最大值,xi和xi'为数据归一化前和数据归一化后的值。
区域控制偏差预测模型的建立包括如下步骤;
(1)确定区域控制偏差预测模型的训练样本集
由于有功控制指令发送到机组后,机组收到后对指令做出响应存在时间延迟,在此时间延迟时间内各影响变量的变化程度不一致,因此结合预设的时间步长构建模型的输入样本集;区域控制偏差预测模型的输入变量中某些影响变量需要选择多个不同时刻的数据值,以使充分模拟电力系统和有功控制非线性。
本实施例中指令下达到指令完毕一般需要5分钟左右,为了充分模拟电力系统和有功控制非线性,因此需要设置一个预设的时间步长来构建区域控制偏差预测模型的输入样本集。本实施例中预设的时间步长设置为5分钟,5分钟内的电网历史数据作为一个样本的数据。
本实施例中电网数据的采集频率为8s,在5分钟内各影响变量的变化程度不一致,每种影响变量选择的个数也不尽相同,具体每个样本包含的电网历史运行数据如下:
电网频率、联络线计划交换功率、AGC总调节功率、区域控制偏差ACE共4个变量采集历史40个工况点的数据作为区域控制偏差预测模型输入变量的样本,采集频率为8s,对应的采集时刻为 t-k1,t-k1-1,…t-1,其中k1=40;
全网总发电、全网总负荷、全网风电机组总出力、全网风电机组总容量、全网光伏机组总出力、全网光伏机组总容量、全网分布式光伏总出力、火电AGC实发控制、风电AGC实发控制、光伏AGC实发控制采集共10个变量采集历史5个工况点的数据作为区域控制偏差预测模型的输入变量的样本,采集频率为1min;采集时刻 t-k2,t-k2-1,…t-1,其中k2=5;
联络线交换功率、频率特性系数、全网火电机组总出力、全网火电机组开机总容量、全网分布式光伏总容量、火电AGC上备用、火电AGC下备用、火电AGC总调节速率、风电AGC总容量、光伏AGC 总容量共10个变量采集历史t-1时刻的数据作为区域控制偏差预测模型的输入变量的样本;
上述220个电网运行数据作为区域控制偏差预测模型的输入变量;区域控制偏差预测模型的输出变量为t时刻的区域控制偏差ACE。所述区域控制偏差预测模型是基于BiLSTM的预测模型。
(2)确定区域控制偏差预测模型的最优输入变量
本步骤用于根据偏最小二乘法(PLS)计算得到上述220个输入变量对ACE的贡献值,利用PLS算法选择最优的基于BiLSTM的区域控制偏差预测模型的输入样本集,所述区域控制偏差预测模型用于通过调节网络参数学习电网历史数据的各个电网运行数据和电网区域控制偏差ACE的关联关系。
本实施例中区域控制偏差预测模型的输入变量为上述的220个数据,输出变量为ACE。
本实施例中电网历史运行数据的采集频率为8s,24小时内的电网历史运行数据共计10800组,按照5min的时间步长可划分为2160 个样本,所有样本按照7:2:1的比例划分为:训练样本集、验证样本集和测试样本集,然后采用偏最小二乘法(PLS)计算训练样本集中的每个样本所包含的变量对区域控制偏差ACE的贡献值。
要说明的是,所述训练样本集、验证样本集和测试样本集的比例划分可根据实际需求进行调整,不对其作限定。
基于偏最小二乘法(PLS)方法的变量选择过程如下:
获取训练样本集中输入/输出变量xi∈RM×p, yi∈RM×q,其中M为训练样本集个数,本实施例中为1512,p为输入变量个数,本实施例中为前述的220个数据,q为输出变量个数,本实施例中为1,R为样本空间。PLS算法主要步骤陈述如下:
式中,E0、F0依次分别为输入变量标准化矩阵和输出变量标准化矩阵;w1和v1分别为E0、F0的第一主轴,且为权值向量;
3、计算t1的回归模型,计算过程如下所示:
式中,α1和β1为回归向量,通过以下表达式计算:
4、通过求取E1、F1代替E0、F0,重复上述步骤,相继计算得出主成分t2,依次遵照上述过程依次求取主成分t3、t4……,直到求取最终的主成分th,最终的主成分个数根据下述的交叉有效性原则确定。
基于交叉有效性原则确定最终的主成分个数的计算式如下:
式中,yi为第i个训练样本中实际的区域控制偏差ACE,为 PLS算法所提取h个主成分后对样本点i的ACE的预测值;M表示训练样本样本的个数;为样本集删去样本点i对样本点i的ACE的预测值。满足上述时,表征主成分th边际贡献显著;所述样本i即训练样本集中第i个样本。
基于PLS算法计算区域控制偏差预测模型的输入变量对区域控制偏差ACE的贡献值,表达式如下所示:
其中,p为输入变量个数,本实施例中为220;h为PLS算法提取的主成分个数;r(y;th)为y与th的相关系数;y为实际区域控制偏差 ACE;th为主成分;whk为权值向量wh的第k个分量。k∈[1,p];VIPk表示第k个输入变量对ACE的贡献值;
根据公式(10)可以计算所述p个输入变量中的每个输入变量对输出变量(区域控制偏差ACE)的贡献值,贡献值之和为1。将各输入变量的贡献值按照从大到小进行排序,取排序后贡献值之和大于设定值的输入变量作为区域控制偏差预测模型的准输入变量,所述设定值可以为0.9,但不限于此值;对于其余的输入变量按照贡献值从大到小的顺序逐次逐个加入到基于双向长短期记忆网络(BiLSTM)模型的区域控制偏差预测模型的准输入变量中。每在准输入变量增加一个输入变量,则将准输入变量输入到区域控制偏差预测模型中进行训练,通过计算前述验证样本集所预测的ACE与验证样本集中每个样本对应的真实的区域控制偏差ACE的均方根误差判定区域控制偏差预测模型准输入变量是否为最优输入变量集,取验证样本集中均方根误差最小所对应的区域控制偏差预测模型的输入变量集为PLS方法所提取的最优输入变量集,均方根表达式如下所示:
式中:ERMSE为区域控制偏差均方根误差;yt为实际区域控制偏差ACE;为基于BiLSTM的区域控制偏差预测模型预测的区域控制偏差ACE;n为基于BiLSTM的区域控制偏差预测模型输入变量中验证集样本数量。
由于电网运行特征连续性较强,采用对时间序列预测较好的门控机制的双向长短期记忆网络(BiLSTM)建立区域控制偏差ACE预测模型可更全面地预测ACE;双层网络从区域控制偏差建模数据正向训练得到隐含层向量ht,p,从区域控制偏差建模数据反向训练得到隐含层向量ht,q,通过将ht,p和ht,q首尾拼接得到保留双向区域控制偏差建模数据的隐含层向量ht。通过隐含层向量ht更全面地预测区域控制偏差 ACE。其前向LSTM和后向LSTM结构相同。
LSTM由输入门、遗忘门、输出门和储存记忆细胞组成,其单元结构如图2所示:
输入门It用于控制输入记忆细胞中的电网运行特征信息,遗忘门 Ft决定当前记忆细胞中上一时刻的信息保留多少,输出门Ot决定输出内容。表达式如下:
式中:Wi为输入门权重;ht-1为隐含层向量;xt为输入数据;bi为输入门偏置项;σ为sigmoid函数;Wf为遗忘门权重;bf为遗忘门偏置项;Wo为输出门权重;bo为输出门偏置项。
式中:Wc为隐含状态权重;bc为隐含状态偏置项。
S2、将当前时刻的电网运行数据输入所述区域控制偏差预测模型,区域控制偏差预测模型输出未来时刻的区域控制偏差;
步骤S1中已将所述区域控制偏差预测模型训练完毕,本步骤则将当前时刻的电网运行数据输入所述训练完毕的区域控制偏差预测模型,区域控制偏差预测模型输出未来时刻的区域控制偏差。
S3、机组有功控制量自适应生成模块通过对区域控制偏差预测模型输出的未来时刻的区域控制偏差进行最大化寻优得到未来时刻最优的AGC总调节功率。
所述最大化寻优得到最优的AGC总调节功率的方法包括:
调节区域控制偏差预测模型的输入变量中的AGC总调节功率 ACEreg,设定AGC总调节功率ACEreg的正反向调节步长为0.05ACEreg当预测的区域控制偏差的值趋近于0且不再减小时,此时的AGC总调节功率ACEreg为最优的AGC总调节功率ACEreg。所述最优的AGC总调节功率用于分配至各区域内机组,形成机组有功功率控制指令,用于控制机组安全稳定运行;具体方法如下:
统计电网区域内在运火电机组,按照机组调整速率从大到小排序,将最优的AGC总调节功率ACEreg按照排序分配各机组,各机组控制量为机组容量与控制步长百分比的乘积,所述控制步长百分比可以为 2%~5%,但不限于此范围,可按实际需求调整。
S4预测模型在线更新
为了提升模型时效性,构建了区域控制偏差自适应在线更新预测模型,设置模型自适应更新时间,更新时间可以根据模型预测性能具体调整,一般设置为24小时。在满足更新时间要求时,通过数据预处理、特征变量交叉选择、模型训练等步骤,自适应更新区域控制偏差预测模型,所述自适应更新的区域控制偏差预测模型通过测试后,用于更新系统中原有模型。所述区域控制偏差预测模型采用A标准进行测试,所述A标准包括A1标准:考核时段内ACE过零次数;A2标准:考核时段内ACE平均值;要求每个时段A1值至少大于零,即考核时段内ACE过零次数至少大于零,同时A2值小于人工给定的门槛值,即考核时段内ACE平均值小于给定的门槛值。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
下面结合图1讲述本发明所述系统的一个实施例。其包括区域控制偏差预测模型构建模块和机组有功控制量自适应生成模块;
在另一个实施例中,还包括模型变量选择模块,所述模型变量选择模块用于通过对电网历史运行数据分析,确定区域控制偏差预测模型的最优输入变量集。确定最优输入变量集的方法包括:
将电网历史运行数据按设定比例划分为训练样本集、验证样本集和测试样本集;
利用变量选择算法对所有训练样本集的电网历史数据进行计算,得到训练样本集中的每个输入变量对区域控制偏差的贡献值;所述变量选择算法为偏最小二乘法,但不限于此方法;
将所述训练样本集中的每个输入变量对区域控制偏差的贡献值按照大小排序,取排序后贡献值之和大于设定值的多个输入变量作为区域控制偏差预测模型的准输入变量集;
将除准输入变量集外的其余输入变量按照贡献值从大到小的顺序逐个逐次加入到区域控制偏差预测模型的准输入变量集中,计算验证样本集所预测的区域控制偏差与真实的区域控制偏差的均方根误差,当验证样本集所预测的区域控制偏差与真实的区域控制偏差的均方根误差最小时所对应的准输入变量集为区域控制偏差预测模型的最优输入变量集。
所述区域控制偏差预测模型构建模块用于根据BiLSTM模型得到电网运行数据与区域控制偏差的映射关系,从而构建区域控制偏差预测模型,所述区域控制偏差预测模型用于根据当前时刻的电网运行数据预测未来时刻的区域控制偏差;
所述机组有功控制量自适应生成模块用于根据区域控制偏差预测模型输出的未来时刻的区域控制偏差进行最大化寻优,得到所述未来时刻最优的AGC总调节功率;所述未来时刻最优的AGC总调节功率用于分配至各区域内机组,形成机组有功功率控制指令,所述机组有功功率控制指令用于控制机组安全稳定运行;
在另一个实施例中,还包括预测模型在线更新模块,所述预测模型在线更新模块用于通过读取更新的电网历史运行数据,对更新的电网历史运行数据进行数据预处理、模型变量选择模块、模型训练等步骤,自适应更新区域控制偏差预测模型,所述更新的区域控制偏差预测模型通过测试后更新系统中原有模型,所述测试为行业标准测试。
所述更新的电网历史运行数据可以是当前时间前24小时的电网历史运行数据,所述预测模型在线更新模块每隔24小时对区域控制偏差预测模型进行一次更新。要说明的是,实际应用中不限于24小时,可根据实际需求而定。
在另一个实施例中还包括数据预处理模块,用于对电网历史运行数据中的异常数据和缺失数据分别进行修正和填充,以及对修正和填充后的数据进行归一化处理。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序包括程序指令,该程序指令被处理器执行时实现本发明所述方法的各个步骤,在此不再赘述。
计算机可读存储介质可以是前述任一实施例提供的数据传输装置或者计算机设备的内部存储单元,例如计算机设备的硬盘或内存。该计算机可读存储介质也可以是该计算机设备的外部存储设备,例如该计算机设备上配备的插接式硬盘,智能存储卡(smartmedia card, SMC),安全数字(secure digital,SD)卡,闪存卡(flash card)等。
进一步地,该计算机可读存储介质还可以既包括该计算机设备的内部存储单元也包括外部存储设备。该计算机可读存储介质用于存储该计算机程序以及该计算机设备所需的其他程序和数据。该计算机可读存储介质还可以用于暂时地存储将要输出或己输出的数据。
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。
本说明书未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (10)
1.一种基于数据驱动的电网有功优化控制系统,其特征在于,包括区域控制偏差预测模型构建模块和机组有功控制量自适应生成模块;
所述区域控制偏差预测模型构建模块用于根据神经网络模型得到电网运行数据与区域控制偏差的映射关系,从而构建区域控制偏差预测模型,所述区域控制偏差预测模型用于根据当前时刻的电网运行数据预测未来时刻的区域控制偏差;
所述机组有功控制量自适应生成模块用于根据区域控制偏差预测模型预测的未来时刻的区域控制偏差进行最大化寻优,得到所述未来时刻最优的AGC总调节功率;所述未来时刻最优的AGC总调节功率用于形成机组有功功率控制指令,所述机组有功功率控制指令用于控制机组运行。
2.如权利要求1所述的基于数据驱动的电网有功优化控制系统,其特征在于,还包括数据预处理模块、模型变量选择模块和预测模型在线更新模块,所述数据预处理模块用于对电网历史运行数据中的异常数据和缺失数据分别进行修正和填充,以及对修正和填充后的电网历史运行数据进行归一化处理;所述预测模型在线更新模块用于根据读取更新的电网历史运行数据自适应更新电网区域控制偏差预测模型;所述模型变量选择模块用于通过对电网历史运行数据分析,确定区域控制偏差预测模型的最优输入变量集。
3.如权利要求1或2所述的基于数据驱动的电网有功优化控制系统,其特征在于,所述电网历史运行数据由历史单时刻或者多时刻影响变量组成,影响变量包括:电网频率、联络线交换功率、联络线计划交换功率、频率特性系数、全网总发电、全网总负荷、全网火电机组总出力、全网火电机组开机总容量、全网风电机组总出力、全网风电机组总容量、全网光伏机组总出力、全网光伏机组总容量、全网分布式光伏总出力、全网分布式光伏总容量、AGC总调节功率、火电AGC上备用、火电AGC下备用、火电AGC总调节速率、火电AGC实发控制、风电AGC总容量、风电AGC实发控制、光伏AGC总容量、光伏AGC实发控制、区域控制偏差ACE。
4.如权利要求2所述的基于数据驱动的电网有功优化控制系统,其特征在于,所述模型变量选择模块中,确定区域控制偏差预测模型的最优输入变量集的方法包括:
将电网历史运行数据按设定比例划分为训练样本集、验证样本集和测试样本集;
利用变量选择算法对所有训练样本集的电网历史数据进行计算,得到训练样本集中的每个输入变量对区域控制偏差的贡献值;
将所述训练样本集中的每个输入变量对区域控制偏差的贡献值按照大小排序,取排序后贡献值之和大于设定值的多个输入变量作为区域控制偏差预测模型的准输入变量集;
将除准输入变量集外的其余输入变量按照贡献值从大到小的顺序逐个逐次加入到区域控制偏差预测模型的准输入变量集中,计算验证样本集所预测的区域控制偏差与真实的区域控制偏差的均方根误差,当验证样本集所预测的区域控制偏差与真实的区域控制偏差的均方根误差最小时所对应的准输入变量集为区域控制偏差预测模型的最优输入变量集。
5.如权利要求4所述的基于数据驱动的电网有功优化控制系统,其特征在于,所述变量选择算法为偏最小二乘法。
6.如权利要求4所述的基于数据驱动的电网有功优化控制系统,其特征在于,计算训练样本集中每个输入变量对区域控制偏差的贡献值的方法包括:
根据训练样本集利用变量选择算法计算每一对主成分,将所述主成分代入如下计算式:
式中,yi为实际的区域控制偏差ACE,为所提取h个主成分后对样本点i的预测值;为删去样本点i对样本点i的预测值;M为训练样本集个数;满足上述Qh 2≥0.0975,表征主成分th边际贡献显著;所述样本点i即训练样本集中第i个样本;
当Qh 2≥0.0975时,利用下述公式计算训练样本中的各电网运行数据对区域控制偏差的贡献值:
其中:
p为每个训练样本中的电网历史运行数据的数量;
h为利用变量选择算法提取的主成分数量;
tm为主成分;
y为所述训练样本集中包含的真实的区域控制偏差;
r(y,tm)为y与tm的相关系数;
whk为变量选择算法中权值向量wh的第k个分量,k∈[1,p];
VIPk表示每个训练样本中第k个电网运行数据对区域控制偏差的贡献值。
7.一种基于权利要求1所述系统的基于数据驱动的电网有功优化控制方法,其特征在于,包括如下步骤:
S1、根据预设时间段内的电网历史运行数据建立区域控制偏差预测模型,所述区域控制偏差预测模型用于根据当前时刻的电网运行数据预测未来时刻的区域控制偏差;
S2、将当前时刻的电网运行数据输入所述区域控制偏差预测模型,区域控制偏差预测模型输出未来时刻的区域控制偏差;
S3、机组有功控制量自适应生成模块通过对区域控制偏差预测模型输出的未来时刻的区域控制偏差进行最大化寻优得到未来时刻最优的AGC总调节功率,所述最优的AGC总调节功率用于形成机组有功功率控制指令,从而控制机组运行。
8.如权利要求7所述的基于数据驱动的电网有功优化控制方法,其特征在于,所述步骤S3中,通过对区域控制偏差预测模型输出的未来时刻区域控制偏差进行最大化寻优得到未来时刻最优的AGC总调节功率的方法包括:
调节区域控制偏差预测模型的输入变量中的AGC总调节功率使模型预测的区域控制偏差趋近于0,当所述模型预测的区域控制偏差的值不再趋近时,此时的AGC总调节功率为最优的AGC总调节功率。
9.如权利要求7所述的基于数据驱动的电网有功优化控制方法,其特征在于,所述区域控制偏差预测模型为基于对时间序列预测较好的门控机制的双向长短期记忆网络模型。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求7至9中任一项所述基于数据驱动的电网有功优化控制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210492558.0A CN114759579A (zh) | 2022-05-07 | 2022-05-07 | 一种基于数据驱动的电网有功优化控制系统、方法和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210492558.0A CN114759579A (zh) | 2022-05-07 | 2022-05-07 | 一种基于数据驱动的电网有功优化控制系统、方法和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114759579A true CN114759579A (zh) | 2022-07-15 |
Family
ID=82334423
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210492558.0A Pending CN114759579A (zh) | 2022-05-07 | 2022-05-07 | 一种基于数据驱动的电网有功优化控制系统、方法和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114759579A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116937696A (zh) * | 2023-09-18 | 2023-10-24 | 四川大学 | 一种基于光伏发电系统的自适应等效建模方法 |
-
2022
- 2022-05-07 CN CN202210492558.0A patent/CN114759579A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116937696A (zh) * | 2023-09-18 | 2023-10-24 | 四川大学 | 一种基于光伏发电系统的自适应等效建模方法 |
CN116937696B (zh) * | 2023-09-18 | 2023-12-05 | 四川大学 | 一种基于光伏发电系统的自适应等效建模方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11581740B2 (en) | Method, system and storage medium for load dispatch optimization for residential microgrid | |
CN112186743B (zh) | 一种基于深度强化学习的动态电力系统经济调度方法 | |
CN107947164A (zh) | 一种考虑多重不确定性及相关性的电力系统日前鲁棒调度方法 | |
CN110837915B (zh) | 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法 | |
CN112990500B (zh) | 基于改进加权灰色关联分析的台区线损分析方法及系统 | |
CN108416466A (zh) | 复杂特性影响的电力负荷预测方法、计算机信息处理系统 | |
CN108596242A (zh) | 基于小波神经网络和支持向量机的电网气象负荷预测方法 | |
CN113159341A (zh) | 融合深度强化学习和专家经验的配电网辅助决策方法及系统 | |
CN112329990A (zh) | 一种基于lstm-bp神经网络的用户用电负荷预测方法 | |
CN114648176A (zh) | 一种基于数据驱动的风光电源消纳优化方法 | |
CN115310782A (zh) | 一种基于神经图灵机的电力用户需求响应潜力评估方法及装置 | |
CN115795992A (zh) | 一种基于运行态势虚拟推演的园区能源互联网在线调度方法 | |
Liu et al. | Automatic generation control considering uncertainties of the key parameters in the frequency response model | |
CN108694475B (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
CN114759579A (zh) | 一种基于数据驱动的电网有功优化控制系统、方法和介质 | |
CN112510690B (zh) | 考虑风火储联合和需求响应奖惩的优化调度方法及系统 | |
US20230344242A1 (en) | Method for automatic adjustment of power grid operation mode base on reinforcement learning | |
CN117557047A (zh) | 一种基于深度强化学习的配电设备运维优化方法及系统 | |
CN117200352A (zh) | 一种基于云边融合的光伏发电调控方法及系统 | |
Li et al. | Short-term Power Load Forecasting Based on Gate Recurrent Unit Network and Cloud Computing Platform | |
CN112182835A (zh) | 一种考虑风电不确定性和储能调节的电力系统可靠性评估方法及系统 | |
CN111799820A (zh) | 一种电力系统双层智能混合零星云储能对抗调控方法 | |
CN116128211A (zh) | 基于风光不确定性预报场景的风光水联合短期优化调度方法 | |
CN113471966B (zh) | 一种计及中断优先级的大工业负荷柔性调控方法 | |
Kou et al. | Transmission constrained economic dispatch via interval optimization considering wind uncertainty |
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 |