CN115528750A - 一种面向电网安全稳定的数据模型混合驱动机组组合方法 - Google Patents

一种面向电网安全稳定的数据模型混合驱动机组组合方法 Download PDF

Info

Publication number
CN115528750A
CN115528750A CN202211372950.8A CN202211372950A CN115528750A CN 115528750 A CN115528750 A CN 115528750A CN 202211372950 A CN202211372950 A CN 202211372950A CN 115528750 A CN115528750 A CN 115528750A
Authority
CN
China
Prior art keywords
information
power grid
historical
unit
output
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
Application number
CN202211372950.8A
Other languages
English (en)
Other versions
CN115528750B (zh
Inventor
李鹏
黄文琦
侯佳萱
曹尚
戴珍
梁凌宇
赵翔宇
陈亦平
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.)
Southern Power Grid Digital Grid Research Institute Co Ltd
Original Assignee
Southern Power Grid Digital Grid Research Institute 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 Southern Power Grid Digital Grid Research Institute Co Ltd filed Critical Southern Power Grid Digital Grid Research Institute Co Ltd
Priority to CN202211372950.8A priority Critical patent/CN115528750B/zh
Publication of CN115528750A publication Critical patent/CN115528750A/zh
Application granted granted Critical
Publication of CN115528750B publication Critical patent/CN115528750B/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
    • H02J3/38—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
    • 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
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas 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
    • 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

Abstract

本申请涉及一种面向电网安全稳定的数据模型混合驱动机组组合方法、装置、计算机设备和存储介质。所述方法包括：获取电网节点的负荷信息，以及电网节点关联的电网机组的出力信息；将负荷信息和出力信息输入至训练完成的机组出力预测模型，得到电网机组在预设未来时间的预测出力信息；训练完成的机组出力预测模型为通过对电网节点的历史负荷信息和电网机组的历史出力信息进行监督学习训练和强化学习训练得到；将预测出力信息与负荷信息进行比较，得到出力比较结果；根据出力比较结果，对预测出力信息进行更新，得到电网机组的安全出力信息，作为电网机组在预设未来时间的目标出力信息。采用本方法能够提高机组组合的处理效率和精确性。

Description

一种面向电网安全稳定的数据模型混合驱动机组组合方法
技术领域
本申请涉及电力技术领域，特别是涉及一种面向电网安全稳定的数据模型混合驱动机组组合方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
在中国发电计划领域，机组组合作为编制发电计划的核心环节，用于在电力系统调度周期内以最小的耗量安排发电计划，实现与给定的电力负荷的平衡并满足一定的约束条件和备用要求，是当前点系统中研究和应用的重点。
传统技术中，常通过监督学习建模的方式来求解机组组合。但是，这种方式会受到模型收敛的影响，难以求解到最优解，因而这种方式仍无法很好的满足精确和效率均要求较高的电力系统。
发明内容
基于此，有必要针对上述技术问题，提供一种能够在提高机组组合处理效率的同时，还提高机组组合处理精确性的面向电网安全稳定的数据模型混合驱动机组组合方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种面向电网安全稳定的数据模型混合驱动机组组合方法。所述方法包括：
获取电网节点的负荷信息，以及所述电网节点关联的电网机组的出力信息；
将所述负荷信息和所述出力信息输入至训练完成的机组出力预测模型，得到所述电网机组在预设未来时间的预测出力信息；所述训练完成的机组出力预测模型为通过对所述电网节点的历史负荷信息和所述电网机组的历史出力信息进行监督学习训练和强化学习训练得到；
将所述预测出力信息与所述负荷信息进行比较，得到出力比较结果；
根据所述出力比较结果，对所述预测出力信息进行更新，得到所述电网机组的安全出力信息，作为所述电网机组在所述预设未来时间的目标出力信息。
在其中一个实施例中，所述训练完成的机组出力预测模型通过如下方式训练得到：
获取所述电网节点的历史负荷信息，以及所述电网机组的历史出力信息；
根据所述历史负荷信息和所述历史出力信息，对待训练的机组出力预测网络进行监督学习训练，得到训练后的机组出力预测网络；
根据所述历史负荷信息和所述历史出力信息，以及所述电网节点的输电断面的历史有功信息，得到所述训练后的机组出力预测网络对应的历史奖励信息；
根据所述历史奖励信息，对所述训练后的机组出力预测网络进行强化学习训练，得到所述训练完成的机组出力预测模型。
在其中一个实施例中，根据所述历史奖励信息，对所述训练后的机组出力预测网络进行强化学习训练，得到所述训练完成的机组出力预测模型，包括：
根据所述历史负荷信息、所述历史出力信息和所述历史奖励信息，得到所述训练后的机组出力预测网络对应的优势函数；
根据所述优势函数，对所述训练后的机组出力预测网络进行并行智能体训练，得到所述训练完成的机组出力预测模型。
在其中一个实施例中，输电断面的历史有功信息包括所述输电断面的历史实际有功功率与所述输电断面的历史有功功率极限；
所述根据所述历史负荷信息和所述历史出力信息，以及所述电网节点的输电断面的历史有功信息，得到所述训练后的机组出力预测网络对应的历史奖励信息，包括：
根据所述历史实际有功功率与所述历史有功功率极限进行比较后得到的历史有功比较结果，将所述输电断面的历史实际有功功率，输入至与所述历史有功比较结果对应的断面越限奖励模型中，得到所述输电断面的历史断面越限奖励信息；
将所述电网机组中的新能源机组的历史实际出力信息和所述新能源机组的历史最大出力信息，输入至所述新能源机组对应的机组消纳量奖励模型中，得到所述新能源机组的历史消纳量奖励信息；
将所述历史出力信息和所述电网机组中火电机组的历史状态信息输入至运行资源奖励模型中，得到所述电网机组的历史运行资源奖励信息；
将所述历史出力信息和所述历史负荷信息，输入至负荷平衡奖励模型中，得到所述电网节点与所述电网机组之间的历史负荷平衡奖励信息；
根据所述历史断面越限奖励信息、所述历史消纳量奖励信息、所述历史运行资源奖励信息和所述历史负荷平衡奖励信息，确定所述历史奖励信息。
在其中一个实施例中，根据所述出力比较结果，对所述预测出力信息进行更新，得到所述电网机组的安全出力信息，包括：
根据所述出力信息对应的奖励信息和所述电网机组的有功功率，确定所述电网机组的奖励敏感度；
当所述出力比较结果为所述预测出力信息小于所述负荷信息时，根据所述电网机组的奖励敏感度，对所述电网机组的预测出力信息进行增加，得到所述电网机组的安全出力信息；
当所述出力比较结果为所述预测出力信息大于所述负荷信息时，根据所述电网机组的奖励敏感度，对所述电网机组的预测出力信息进行减少，得到所述电网机组的安全出力信息。
在其中一个实施例中，所述方法还包括：
获取所述电网节点的电网断面的断面功率信息，以及所述电网节点关联的电网机组对应的转移分布因子；
在检测到所述断面功率信息过载的情况下，根据所述电网机组对应的转移分布因子的绝对值，对所述电网机组进行排序，得到所述电网机组的排序结果；
根据所述电网机组的排序结果，依次对所述排序结果中各个电网机组的机组功率信息进行更新，得到所述排序后电网机组的安全功率信息。
第二方面，本申请还提供了一种面向电网安全稳定的数据模型混合驱动机组组合装置。所述装置包括：
电网信息获取模块，用于获取电网节点的负荷信息，以及所述电网节点关联的电网机组的出力信息；
出力信息预测模块，用于将所述负荷信息和所述出力信息输入至训练完成的机组出力预测模型，得到所述电网机组在预设未来时间的预测出力信息；所述训练完成的机组出力预测模型为通过对所述电网节点的历史负荷信息和所述电网机组的历史出力信息进行监督学习训练和强化学习训练得到；
出力信息比较模块，用于将所述预测出力信息与所述负荷信息进行比较，得到出力比较结果；
出力信息更新模块，用于根据所述出力比较结果，对所述预测出力信息进行更新，得到所述电网机组的安全出力信息。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取电网节点的负荷信息，以及所述电网节点关联的电网机组的出力信息；
将所述负荷信息和所述出力信息输入至训练完成的机组出力预测模型，得到所述电网机组在预设未来时间的预测出力信息；所述训练完成的机组出力预测模型为通过对所述电网节点的历史负荷信息和所述电网机组的历史出力信息进行监督学习训练和强化学习训练得到；
将所述预测出力信息与所述负荷信息进行比较，得到出力比较结果；
根据所述出力比较结果，对所述预测出力信息进行更新，得到所述电网机组的安全出力信息，作为所述电网机组在所述预设未来时间的目标出力信息。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取电网节点的负荷信息，以及所述电网节点关联的电网机组的出力信息；
将所述负荷信息和所述出力信息输入至训练完成的机组出力预测模型，得到所述电网机组在预设未来时间的预测出力信息；所述训练完成的机组出力预测模型为通过对所述电网节点的历史负荷信息和所述电网机组的历史出力信息进行监督学习训练和强化学习训练得到；
将所述预测出力信息与所述负荷信息进行比较，得到出力比较结果；
根据所述出力比较结果，对所述预测出力信息进行更新，得到所述电网机组的安全出力信息，作为所述电网机组在所述预设未来时间的目标出力信息。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取电网节点的负荷信息，以及所述电网节点关联的电网机组的出力信息；
将所述负荷信息和所述出力信息输入至训练完成的机组出力预测模型，得到所述电网机组在预设未来时间的预测出力信息；所述训练完成的机组出力预测模型为通过对所述电网节点的历史负荷信息和所述电网机组的历史出力信息进行监督学习训练和强化学习训练得到；
将所述预测出力信息与所述负荷信息进行比较，得到出力比较结果；
根据所述出力比较结果，对所述预测出力信息进行更新，得到所述电网机组的安全出力信息，作为所述电网机组在所述预设未来时间的目标出力信息。
上述面向电网安全稳定的数据模型混合驱动机组组合方法、装置、计算机设备、存储介质和计算机程序产品，通过获取电网节点的负荷信息，以及电网节点关联的电网机组的出力信息；进而将负荷信息和出力信息输入至训练完成的机组出力预测模型，得到电网机组在预设未来时间的预测出力信息；其中训练完成的机组出力预测模型为根据电网节点的历史负荷信息和电网机组的历史出力信息训练得到；将预测出力信息与负荷信息进行比较，得到出力比较结果；根据出力比较结果，对预测出力信息进行更新，得到电网机组的安全出力信息，作为电网机组在预设未来时间的目标出力信息。采用本方法，通过监督学习和强化学习双重训练，能够使训练完成的机组出力预测模型同时具备自学习、实时性和能够精确预测出最优解的特点，解决了传统强化学习在面对求解最优解问题的精确率较低的问题，在提高了机组组合效率的同时，还提高了机组组合精确性，从而有效提高了电网运行的安全稳定。
附图说明
图1为一个实施例中面向电网安全稳定的数据模型混合驱动机组组合方法的应用环境图；
图2为一个实施例中面向电网安全稳定的数据模型混合驱动机组组合方法的流程示意图；
图3为一个实施例中获取训练完成的机组出力预测模型步骤的流程示意图；
图4为一个实施例中训练完成的机组出力预测模型的训练过程的原理示意图；
图5为通过trainer-worker方式的并行训练框架进行强化学习训练的示意图；
图6为另一个实施例中面向电网安全稳定的数据模型混合驱动机组组合方法的流程示意图；
图7为又一个实施例中面向电网安全稳定的数据模型混合驱动机组组合方法的示意图；
图8为一个实施例中面向电网安全稳定的数据模型混合驱动机组组合装置的结构框图；
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的面向电网安全稳定的数据模型混合驱动机组组合方法，可以应用于如图1所示的应用环境中。其中，电网机组101和电网节点102通过网络与电网调度中心103进行通信。电网机组101是指能将可再生能源转变为电能的发电设备，例如，电网机组101可以是电网系统中的水电、火电和新能源机组。电网节点102是电网中电流的汇集点或支路的汇集点，例如，电网节点102可以是运行电网的母线。电网调度中心103是对电网多项资源进行综合调度的中心，能够指挥电网运行、调度管理电网机组101和电网节点102。
数据存储系统可以存储电网调度中心103需要处理的数据。数据存储系统可以集成在服务器上，也可以放在云上或其他网络服务器上，还可以放在终端上。其中，终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种面向电网安全稳定的数据模型混合驱动机组组合方法，以该方法应用于图1中的电网调度中心为例进行说明，包括以下步骤：
步骤S201，获取电网节点的负荷信息，以及电网节点关联的电网机组的出力信息。
其中，负荷信息是指发电厂或电力系统中在某时刻所承担的各类用电设备消费的电功率之和；负荷信息包括有功负荷和无功负荷。出力信息是指电网机组总的输出功率；出力信息包括有功出力和无功出力，即电网机组的有功功率和无功功率。
具体地，电网调度中心可以获取电网节点的负荷信息（例如有功负荷和无功负荷），以及电网节点关联的电网机组的出力信息（例如电网机组的有功功率和无功功率），还可以获取电网节点的电压幅值和电网中各支路的电流幅值，也可以获取训练完成的机组出力预测模型上一次预测得到的电网机组中新能源机组的预测出力信息。
步骤S202，将负荷信息和出力信息输入至训练完成的机组出力预测模型，得到电网机组在预设未来时间的预测出力信息；训练完成的机组出力预测模型为通过对电网节点的历史负荷信息和电网机组的历史出力信息进行监督学习训练和强化学习训练得到。
其中，训练完成的机组出力预测模型是指用于预测各个电网机组的出力信息的智能体。预设未来时间是指下一个机组组合的时间段。历史负荷信息是指电网节点在历史时间段的实际负荷信息。历史出力信息是指电网机组在历史时间段的实际出力信息。预测出力信息是指针对电网机组预测得到的出力信息；例如，预测出力信息是指预测得到的火电、水电、新能源机组在预设未来时间的出力信息。
具体地，电网调度中心获取训练完成的机组出力预测模型电网调度中心。除了可以将负荷信息和出力信息输入至训练完成的机组出力预测模型以外，还可以将上述步骤S201中获取到的电网节点的电压幅值、电网中各支路的电流幅值、上一次预测得到的电网机组中新能源机组的预测出力信息和上一次预测得到电网节点的预测负荷信息也输入至训练完成的机组出力预测模型中，以使训练完成的机组出力预测模型更全面的了解到电网系统当前的状态，从而提升训练完成的机组出力预测模型输出的预设未来时间的预测出力信息的准确率。
实际应用中，电网调度中心可以获取电网节点的有功负荷P L ，电网节点的无功负荷Q L ，电网机组的有功功率P G ，电网机组的无功功率Q G ，上一次预测得到电网节点的预测有功负荷P Lnext，上一次预测得到电网节点的预测无功负荷Q Lnext，上一次预测得到新能源机组的预测有功功率P Gnext，上一次预测得到新能源机组的预测无功功率Q Gnext，电压幅值U，电流幅值I。进而可以将上述获取到的信息均作为电网状态信息，输入至训练完成的机组出力预测模型中。其中，电网状态信息是指反应电网系统当前状态的信息，电网状态信息可以表示为S = {P L , Q L , P G , Q G , P Lnext, Q Lnext, P Gnext, Q Gnext, U, I}。
步骤S203，将预测出力信息与负荷信息进行比较，得到出力比较结果。
步骤S204，根据出力比较结果，对预测出力信息进行更新，得到电网机组的安全出力信息，作为电网机组在预设未来时间的目标出力信息。
其中，出力比较结果是指描述预测出力信息与负荷信息之间大小关系的信息。安全出力信息是指能够让机组组合中各电网机组在满足机组组合约束条件的情况下实现安全运行的出力信息。
电网调度中心可以对训练完成的机组出力预测模型输出的预测出力信息进行安全校核。具体地，电网调度中心将预测出力信息与负荷信息进行比较，得到出力比较结果；当预测出力信息与负荷信息不匹配时，电网调度中心根据负荷信息和出力信息对应的奖励信息确定电网机组的奖励敏感度，根据奖励敏感度对电网机组进行排序，并按照排序结果和出力比较结果，对对预测出力信息进行更新，得到电网机组的安全出力信息，作为电网机组在预设未来时间的目标出力信息。
需要说明的是，机组组合问题可以看作是求解机组组合的控制变量，控制变量为火电、水电、新能源机组的出力信息。在本方法中，将目标出力信息作为求解得到的机组组合的控制变量。
上述面向电网安全稳定的数据模型混合驱动机组组合方法中，通过获取电网节点的负荷信息，以及电网节点关联的电网机组的出力信息；进而将负荷信息和出力信息输入至训练完成的机组出力预测模型，得到电网机组在预设未来时间的预测出力信息；其中训练完成的机组出力预测模型为根据电网节点的历史负荷信息和电网机组的历史出力信息训练得到；将预测出力信息与负荷信息进行比较，得到出力比较结果；根据出力比较结果，对预测出力信息进行更新，得到电网机组的安全出力信息，作为电网机组在预设未来时间的目标出力信息。采用本方法，通过监督学习和强化学习双重训练，能够使训练完成的机组出力预测模型同时具备自学习、实时性和能够精确预测出最优解的特点，解决了传统强化学习在面对求解最优解问题的精确率较低的问题，在提高了机组组合效率的同时，还提高了机组组合精确性，从而有效提高了电网运行的安全稳定。
在一个实施例中，如图3所示，训练完成的机组出力预测模型通过如下方式训练得到：
步骤S301，获取电网节点的历史负荷信息，以及电网机组的历史出力信息。
具体地，电网调度中心将获取到的电网节点的历史负荷信息，以及电网机组的历史出力信息作为训练样本。同理，电网调度中心还可以如上述步骤S201中获取历史预测出力信息等历史数据，还可以根据离线的安全约束机组组合（Security Constrained UnitCommitment，SCUC）生成训练样本。
步骤S302，根据历史负荷信息和历史出力信息，对待训练的机组出力预测网络进行监督学习训练，得到训练后的机组出力预测网络。
电网调度中心还可以先对待训练的机组出力预测网络进行监督学习训练，使待训练的机组出力预测网络在训练后能够热启动。具体地，电网调度中心将上述步骤S301中获取到的如历史负荷信息和历史出力信息等历史数据或生成的训练样本，输入至待训练的机组出力预测网络中，按照监督学习模式进行迭代训练。待训练的机组出力预测网络输出预测历史出力信息，电网调度中心根据预测历史出力信息与历史出力信息之间的差异，得到待训练的机组出力预测网络的损失函数；根据损失函数，对待训练的机组出力预测网络进行迭代训练，得到训练后的机组出力预测网络。
需要说明的是，监督学习与强化学习的训练过程不同，能够赋予训练得到的机组出力预测模型不同的学习经验。图4为训练完成的机组出力预测模型的训练过程的原理示意图，如图4所示，本实施例通过历史数据和历史数据的标签对待训练的机组出力预测网络进行监督学习，使得训练后的机组出力预测网络能够从输入的历史数据（或训练样本）中学习到电网的机组组合策略，从而提升训练后的机组出力预测网络的性能；再对训练后的机组出力预测网络继续进行强化学习训练，使训练完成的机组出力预测模型具备强化学习能够输出最优解的特点，进而训练完成的机组出力预测模型能够输出最佳的预测出力信息，从而得到最佳的机组组合策略。
步骤S303，根据历史负荷信息和历史出力信息，以及电网节点的输电断面的历史有功信息，得到训练后的机组出力预测网络对应的历史奖励信息。
步骤S304，根据历史奖励信息，对训练后的机组出力预测网络进行强化学习训练，得到训练完成的机组出力预测模型。
其中，历史奖励信息是指基于历史数据针对训练后的机组出力预测网络计算得到的奖励值。
具体地，电网调度中心根据历史负荷信息和历史出力信息，以及电网节点的输电断面的历史有功信息，计算得到训练后的机组出力预测网络对应的历史奖励信息；进而根据历史奖励信息，上一次预测得到的电网机组中新能源机组的历史预测出力信息和上一次预测得到电网节点的历史预测负荷信息也输入至训练后的机组出力预测网络中，对训练后的机组出力预测网络进行强化学习训练，得到训练完成的机组出力预测模型。其中，上一次预测得到的电网机组中新能源机组的历史预测出力信息和上一次预测得到电网节点的历史预测负荷信息也输入至训练后的机组出力预测网络中用于作为训练后的机组出力预测网络的预测结果的评价，能够反映预测结果的价值，使训练后的机组出力预测网络增强具有正反馈的预测出力信息，并减少具有负反馈的预测出力信息，在强化学习中具有重要作用。
本实施例中，通过获取电网节点的历史负荷信息，以及电网机组的历史出力信息；根据历史负荷信息和历史出力信息，对待训练的机组出力预测网络进行监督学习训练，得到训练后的机组出力预测网络；根据历史负荷信息和历史出力信息，以及电网节点的输电断面的历史有功信息，得到训练后的机组出力预测网络对应的历史奖励信息；进而根据历史奖励信息，对训练后的机组出力预测网络进行强化学习训练，得到训练完成的机组出力预测模型，在实现了机组出力预测模型高效率的并行训练的同时，还实现了机组出力预测模型在多方面历史信息的丰富训练，提高了训练完成的机组出力预测模型的训练效率和模型性能。
在一个实施例中，上述步骤S304，根据历史奖励信息，对训练后的机组出力预测网络进行强化学习训练，得到训练完成的机组出力预测模型，具体包括如下内容：根据历史负荷信息、历史出力信息和历史奖励信息，得到训练后的机组出力预测网络对应的优势函数；根据优势函数，对训练后的机组出力预测网络进行并行智能体训练，得到训练完成的机组出力预测模型。
其中，优势函数表示在当前输入的电网状态下采取的机组组合策略（即出力信息）相较于平均而言的优势。
电网调度中心可以根据深度强化学习中的邻近策略优化算法（Proximal PolicyOptimization，PPO）对训练后的机组出力预测网络进行强化学习训练。具体地，电网调度中心获取奖励折扣因子，KL散度（Kullback-Leibler divergence）的惩罚系数，历史负荷信息、历史出力信息和历史奖励信息。进而根据奖励折扣因子、KL散度的惩罚系数、历史负荷信息、历史出力信息和历史奖励信息，得到训练后的机组出力预测网络对应的优势函数，优势函数可以表示为如下公式：
Figure 786627DEST_PATH_IMAGE002
其中，At表示为第t个历史时间段的输入数据对应优势函数；γ表示奖励折扣因 子；
Figure 479776DEST_PATH_IMAGE004
表示第t’个历史时间段的历史奖励信息，其中
Figure 400328DEST_PATH_IMAGE006
，即第t’个历史时间段晚于第t 个历史时间段；
Figure 153520DEST_PATH_IMAGE008
表示在S t下得到的折扣奖励的期望，用于拟合折扣奖励；S t表示第t个历 史时间段的电网状态，即输入至训练后的机组出力预测网络中的多项历史数据（例如历史 负荷信息、历史出力信息和历史奖励信息）。
然后电网调度中心根据优势函数、历史负荷信息、历史出力信息和历史奖励信息，确定目标函数；根据目标函数，对进行梯度更新训练后的机组出力预测网络的网络参数，得到训练完成的机组出力预测模型。
进一步地，电网调度中心还可以使用trainer-worker方式的并行训练框架对训练后的机组出力预测网络进行强化学习训练。在实际应用中，图5为通过trainer-worker方式的并行训练框架进行强化学习训练的示意图，如图5所示，电网调度中心在trainer线程和多个worker线程上部署训练后的机组出力预测网络，并根据监督学习训练得到的网络参数对训练后的机组出力预测网络进行初始化；然后各个worker线程与电力潮流仿真器之间进行交互，生成仿真样本；其中，电力潮流仿真器可以通过市面上现有的潮流仿真器进行实现；在积累预设数量的仿真样本后，各个worker线程将仿真样本发送至trainer线程，trainer线程根据仿真样本对训练后的机组出力预测网络进行训练，训练后的机组出力预测网络更新网络参数；trainer线程检测当前训练迭代次数是否满足预设训练次数阈值条件。在检测到当前训练迭代次数不满足预设训练次数阈值条件时，trainer线程将更新后的网络参数发送至各个worker线程，各个worker线程再次执行与电力潮流仿真器之间进行交互，生成仿真样本的步骤；重复上述步骤，直至检测到当前训练迭代次数满足预设训练次数阈值条件时，trainer线程结束对训练后的机组出力预测网络的训练，得到训练完成的机组出力预测模型。
在本实施例中，通过根据历史负荷信息、历史出力信息和历史奖励信息，得到训练后的机组出力预测网络对应的优势函数，能够确定输入的电网数据对机组出力的影响，通过积极和消极的影响反馈，使机组出力预测网络不断学习来优化其对电网机组的出力信息的决策能力，从而提高了训练完成的机组出力预测模型输出的预测出力信息的精确率，进而提高了机组组合的精确性；根据优势函数，对训练后的机组出力预测网络进行并行智能体训练，得到训练完成的机组出力预测模型，还能够通过多线程并行训练，来提升机组出力预测网络的强化学习训练效率。
在一个实施例中，输电断面的历史有功信息包括输电断面的历史实际有功功率与输电断面的历史有功功率极限。
上述步骤S303，根据历史负荷信息和历史出力信息，以及电网节点的输电断面的历史有功信息，得到训练后的机组出力预测网络对应的历史奖励信息，具体包括如下内容：根据历史实际有功功率与历史有功功率极限进行比较后得到的历史有功比较结果，将输电断面的历史实际有功功率，输入至与历史有功比较结果对应的断面越限奖励模型中，得到输电断面的历史断面越限奖励信息。
其中，断面越限奖励信息是指输电断面的断面越限情况反馈的正奖励。历史有功功率极限是指历史有功功率的极限值。历史有功功率极限包括历史有功功率上限和历史有功功率下限。
具体地，在历史实际有功功率小于1.1倍的历史有功功率上限且历史实际有功功率大于历史有功功率上限的情况下，电网调度中心将输电断面的历史实际有功功率，输入至与历史有功比较结果对应的断面越限奖励模型中，得到输电断面的历史断面越限奖励信息。在历史实际有功功率小于历史有功功率下限且历史实际有功功率小于0.9倍的历史有功功率下限的情况下，将输电断面的历史实际有功功率，输入至与历史有功比较结果对应的断面越限奖励模型中，得到输电断面的历史断面越限奖励信息。历史断面越限奖励信息r 1可以通过如下公式计算得到：
Figure 97205DEST_PATH_IMAGE010
其中，n section表示电网断面的数量；p s 表示电网断面的历史实际有功功率；
Figure 718680DEST_PATH_IMAGE012
表 示电网断面的历史有功功率上限；
Figure 369104DEST_PATH_IMAGE014
表示电网断面的历史有功功率下限。
电网调度中心将电网机组中的新能源机组的历史实际出力信息（例如历史实际有功功率）和新能源机组的历史最大出力信息，输入至新能源机组对应的机组消纳量奖励模型中，得到新能源机组的历史消纳量奖励信息。其中，消纳量奖励信息是指新能源机组产出的消纳量反馈的正奖励。消纳量奖励信息r 2可以通过如下公式计算得到：
Figure 417831DEST_PATH_IMAGE016
其中，n new表示新能源机组的数量；p j表示新能源机组的历史实际有功功率；
Figure 52075DEST_PATH_IMAGE018
表 示新能源机组在历史时间的最大出力信息，即历史最大出力信息。
电网调度中心将历史出力信息和电网机组中火电机组的历史状态信息输入至运行资源奖励模型中，得到电网机组的历史运行资源奖励信息。其中，运行资源奖励信息是指电网机组的运行费用反馈的负奖励。运行资源奖励信息r 3可以通过如下公式计算得到：
Figure 211661DEST_PATH_IMAGE020
其中，n表示电网机组的总数量；q f表示第f个电网机组的历史出力信息（例如历史有功功率）；α、β、ε表示系数；δ表示针对火电机组的启停设置的数值。新能源机组没有关机状态，会一直保持开机；而火电机组的启停状态通过判断火电机组有功出力是否为零来确定。
电网调度中心将历史出力信息和历史负荷信息，输入至负荷平衡奖励模型中，得到电网节点与电网机组之间的历史负荷平衡奖励信息。其中，负荷平衡奖励信息是指电网节点的负荷情况反馈的负奖励。负荷平衡奖励信息r 4可以通过如下公式计算得到：
Figure 716592DEST_PATH_IMAGE022
其中，q h表示第h个电网机组的历史出力信息（例如历史有功功率）；L表示电网系统真实的负荷信息。
电网调度中心分别获取历史断面越限奖励信息、历史消纳量奖励信息、历史运行资源奖励信息和历史负荷平衡奖励信息对应的奖励系数；然后对历史断面越限奖励信息、历史消纳量奖励信息、历史运行资源奖励信息和历史负荷平衡奖励信息和各自对应的奖励系数进行加权处理，得到历史奖励信息。历史奖励信息R可以通过如下公式计算得到：
Figure 936220DEST_PATH_IMAGE024
其中，a 1表示历史断面越限奖励信息对应的奖励系数；a 2表示历史消纳量奖励信息对应的奖励系数；a 3表示历史运行资源奖励信对应的奖励系数；a 4表示历史负荷平衡奖励信息对应的奖励信息。
需要说明的是，训练后的机组出力预测网络对应的历史奖励信息，与训练完成的机组出力预测模型对应的奖励信息的计算方式相同，均综合考虑了断面越限、新能源机组消纳量、机组运行资源和负荷平衡等因素。根据不同场景中的机组组合，还可以适应性调整奖励信息需考虑的因素。
在本实施例中，通过计算取历史断面越限奖励信息、历史消纳量奖励信息、历史运行资源奖励信息和历史负荷平衡奖励信息，并根据取历史断面越限奖励信息、历史消纳量奖励信息、历史运行资源奖励信息和历史负荷平衡奖励信息确定历史奖励信息，实现了训练后的机组出力预测网络的奖励的合理获取，以便后续步骤中基于历史奖励信息来训练得到训练完成的机组出力预测模型，通过在历史奖励信息中考考虑了断面越限、新能源机组消纳量、机组运行资源和负荷平衡多方面的因素，有助于提升训练完成的机组出力预测模型的模型性能和预测准确率。
在一个实施例中，上述步骤S204，根据出力比较结果，对预测出力信息进行更新，得到电网机组的安全出力信息，作为电网机组在预设未来时间的目标出力信息，具体包括如下内容：根据出力信息对应的奖励信息和电网机组的有功功率，确定电网机组的奖励敏感度；当出力比较结果为预测出力信息小于负荷信息时，根据电网机组的奖励敏感度，对电网机组的预测出力信息进行增加，得到电网机组的安全出力信息；当出力比较结果为预测出力信息大于负荷信息时，根据电网机组的奖励敏感度，对电网机组的预测出力信息进行减少，得到电网机组的安全出力信息。
其中，奖励敏感度是指描述不同奖励的反应程度的信息。
具体地，电网调度中心对出力信息对应的奖励信息和各个电网机组的有功功率进行求导，得到奖励信息的求导值和各个电网机组的有功功率的求导值；将该奖励信息的求导值与新能源机组的有功功率的求导值进行相除，得到各个电网机组的奖励敏感度。其中，奖励敏感度k g的计算公式如下所示：
Figure 854498DEST_PATH_IMAGE026
其中，r 1表示输电断面的断面越限奖励信息；
Figure 693141DEST_PATH_IMAGE028
表示断面越限奖励信息对应的奖 励系数；r 2表示新能源机组的消纳量奖励信息；
Figure 442791DEST_PATH_IMAGE030
表示消纳量奖励信息对应的奖励系数；r 3 表示电网机组的运行资源奖励信息；
Figure 708687DEST_PATH_IMAGE032
表示运行资源奖励信对应的奖励系数；p g表示电网 机组的有功功率。
当出力比较结果为预测出力信息与负荷信息不匹配时，即预测出力信息不等于负荷信息，电网调度中心根据各个电网机组的奖励敏感度，对所有电网机组进行排序，并按照各个电网机组的奖励敏感度的大小，对电网机组的预测出力信息进行调整，得到电网机组的安全出力信息。具体地，当出力比较结果为预测出力信息小于负荷信息时，电网调度中心按照奖励敏感度从大到小的顺序，依次增加各个电网机组的预测出力信息，得到各个电网机组的安全出力信息；当出力比较结果为预测出力信息大于负荷信息时，电网调度中心按照奖励敏感度从小到大的顺序，依次减少各个电网机组的预测出力信息，得到各个电网机组的安全出力信息。
在本实施例中，通过根据出力信息对应的奖励信息和电网机组中新能源机组的有功功率，确定电网机组的奖励敏感度；进而根据电网机组的奖励敏感度，以及预测出力信息与负荷信息之间的大小关系，对电网机组的预测出力信息进行增加或减少，得到电网机组的安全出力信息，实现了电网机组的机组组合的出力信息的精准调控，还为预测出力信息添加了负荷平衡的约束，避免训练完成的机组出力预测模型在预测错误时给电网机组的运行指示错误的预测出力信息，使得获取到的安全出力信息更精准，大大提高了电网运行的安全和稳定。
在一个实施例中，上述面向电网安全稳定的数据模型混合驱动机组组合方法，还包括：获取电网节点的电网断面的断面功率信息，以及电网节点关联的电网机组对应的转移分布因子；在检测到断面功率信息过载的情况下，根据电网机组对应的转移分布因子的绝对值，对电网机组进行排序，得到电网机组的排序结果；根据电网机组的排序结果，依次对排序结果中各个电网机组的机组功率信息进行更新，得到排序后电网机组的安全功率信息。
其中，机组功率信息是指电网机组的功率。
电网调度中心还可以给机组组合添加断面越限的约束，以提升电力系统的运行安全性。具体地，电网调度中心获取电网节点的电网断面的断面功率信息，并计算得到电网节点关联的电网机组对应的转移分布因子（Injection Shift Factor，ISF）；在检测到断面功率信息大于预设断面功率阈值的情况下，根据各个电网机组对应的转移分布因子的绝对值，对电网机组进行排序，得到电网机组的排序结果；根据电网机组的排序结果，依次减少排序结果中各个电网机组的机组功率信息，得到排序后电网机组的安全功率信息。
在本实施例中，通过在检测到断面功率信息过载的情况下，根据电网机组对应的转移分布因子的绝对值，对电网机组进行排序，得到电网机组的排序结果；根据电网机组的排序结果，依次对排序结果中各个电网机组的机组功率信息进行更新，得到排序后电网机组的安全功率信息，实现了在电网断面过载时，通过降低电网机组的机组功率信息，来降低电网断面的负载，避免断面越限现象的发生，从而大大提高了电网运行的安全性。
在一个实施例中，如图6所示，提供了另一种面向电网安全稳定的数据模型混合驱动机组组合方法，以该方法应用于图1中的电网调度中心为例进行说明，包括以下步骤：
步骤S601，获取电网节点的负荷信息，以及电网节点关联的电网机组的出力信息。
步骤S602，将负荷信息和出力信息输入至训练完成的机组出力预测模型，得到电网机组在预设未来时间的预测出力信息。
其中，训练完成的机组出力预测模型为通过对电网节点的历史负荷信息和电网机组的历史出力信息进行监督学习训练和强化学习训练得到。
步骤S603，将预测出力信息与负荷信息进行比较，得到出力比较结果。
步骤S604，根据出力信息对应的奖励信息和电网机组的有功功率，确定电网机组的奖励敏感度。
步骤S605-1，当出力比较结果为预测出力信息小于负荷信息时，根据电网机组的奖励敏感度，对电网机组的预测出力信息进行增加，得到电网机组的安全出力信息。
步骤S605-2，当出力比较结果为预测出力信息大于负荷信息时，根据电网机组的奖励敏感度，对电网机组的预测出力信息进行减少，得到电网机组的安全出力信息。
上述面向电网安全稳定的数据模型混合驱动机组组合方法，能够实现以下有益效果：通过监督学习和强化学习双重训练，能够使训练完成的机组出力预测模型同时具备自学习、实时性和能够精确预测出最优解的特点，解决了传统强化学习在面对求解最优解问题的精确率较低的问题，在提高了机组组合效率的同时，还提高了机组组合精确性，从而有效提高了电网运行的安全稳定。
为了更清晰阐明本公开实施例提供的面向电网安全稳定的数据模型混合驱动机组组合方法，以下以一个具体的实施例对上述面向电网安全稳定的数据模型混合驱动机组组合方法进行具体说明。如图7所示，提供了又一种面向电网安全稳定的数据模型混合驱动机组组合方法，可以应用于图1中的电网调度中心，具体包括如下内容：
当电网调度中心存在实时机组组合的需求时，电网调度中心生成实时机组组合指令，并将实时机组组合指令发送至各个电网机组。调度中心接收各个电网机组返回当前的电网状态信息，电网状态信息包括机组运行数据、负荷信息、母线负荷信息、出力信息等数据。电网调度中心通过训练完成的机组出力预测模型根据当前电网状态信息进行预测，得到火电、水电、新能源机组的预测出力信息，作为电网机组的推荐动作（启停和出力信息），并向各个电网机组下发基于预测出力信息生成动作指令。各个电网机组按照动作指令调整启停和出力信息，从而电网机组进入新的状态，电网机组还可以向训练完成的机组出力预测模型反馈该动作指令对应的奖励信息。
在本实施例中，通过训练完成的机组出力预测模型高效、精确的输出火电、水电、新能源机组的预测出力信息，实现了电网机组的推荐动作的合理获取，在提高了机组组合的处理效率的同时，还提高了机组组合的处理精确性。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的一种面向电网安全稳定的数据模型混合驱动机组组合方法的面向电网安全稳定的数据模型混合驱动机组组合装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个面向电网安全稳定的数据模型混合驱动机组组合装置实施例中的具体限定可以参见上文中对于面向电网安全稳定的数据模型混合驱动机组组合方法的限定，在此不再赘述。
在一个实施例中，如图8所示，提供了一种面向电网安全稳定的数据模型混合驱动机组组合装置800，包括：电网信息获取模块801、出力信息预测模块802、出力信息比较模块803和出力信息更新模块804，其中：
电网信息获取模块801，用于获取电网节点的负荷信息，以及电网节点关联的电网机组的出力信息。
出力信息预测模块802，用于将负荷信息和出力信息输入至训练完成的机组出力预测模型，得到电网机组在预设未来时间的预测出力信息；训练完成的机组出力预测模型为通过对电网节点的历史负荷信息和电网机组的历史出力信息进行监督学习训练和强化学习训练得到。
出力信息比较模块803，用于将预测出力信息与负荷信息进行比较，得到出力比较结果。
出力信息更新模块804，用于根据出力比较结果，对预测出力信息进行更新，得到电网机组的安全出力信息。
在一个实施例中，面向电网安全稳定的数据模型混合驱动机组组合装置800还包括预测模型训练模块，用于获取电网节点的历史负荷信息，以及电网机组的历史出力信息；根据历史负荷信息和历史出力信息，对待训练的机组出力预测网络进行监督学习训练，得到训练后的机组出力预测网络；根据历史负荷信息和历史出力信息，以及电网节点的输电断面的历史有功信息，得到训练后的机组出力预测网络对应的历史奖励信息；根据历史奖励信息，对训练后的机组出力预测网络进行强化学习训练，得到训练完成的机组出力预测模型。
在一个实施例中，面向电网安全稳定的数据模型混合驱动机组组合装置800还包括强化学习训练模块，用于根据历史负荷信息、历史出力信息和历史奖励信息，得到训练后的机组出力预测网络对应的优势函数；根据优势函数，对训练后的机组出力预测网络进行并行智能体训练，得到训练完成的机组出力预测模型。
在一个实施例中，输电断面的历史有功信息包括输电断面的历史实际有功功率与输电断面的历史有功功率极限。面向电网安全稳定的数据模型混合驱动机组组合装置800还包括历史奖励确定模块，用于根据历史实际有功功率与历史有功功率极限进行比较后得到的历史有功比较结果，将输电断面的历史实际有功功率，输入至与历史有功比较结果对应的断面越限奖励模型中，得到输电断面的历史断面越限奖励信息；将电网机组中的新能源机组的历史实际出力信息和新能源机组的历史最大出力信息，输入至新能源机组对应的机组消纳量奖励模型中，得到新能源机组的历史消纳量奖励信息；将历史出力信息和电网机组中火电机组的历史状态信息输入至运行资源奖励模型中，得到电网机组的历史运行资源奖励信息；将历史出力信息和历史负荷信息，输入至负荷平衡奖励模型中，得到电网节点与电网机组之间的历史负荷平衡奖励信息；根据历史断面越限奖励信息、历史消纳量奖励信息、历史运行资源奖励信息和历史负荷平衡奖励信息，确定历史奖励信息。
在一个实施例中，出力信息更新模块804，还用于根据出力信息对应的奖励信息和电网机组的有功功率，确定电网机组的奖励敏感度；当出力比较结果为预测出力信息小于负荷信息时，根据电网机组的奖励敏感度，对电网机组的预测出力信息进行增加，得到电网机组的安全出力信息；当出力比较结果为预测出力信息大于负荷信息时，根据电网机组的奖励敏感度，对电网机组的预测出力信息进行减少，得到电网机组的安全出力信息。
在一个实施例中，面向电网安全稳定的数据模型混合驱动机组组合装置800还包括断面越限约束模块，用于获取电网节点的电网断面的断面功率信息，以及电网节点关联的电网机组对应的转移分布因子；在检测到断面功率信息过载的情况下，根据电网机组对应的转移分布因子的绝对值，对电网机组进行排序，得到电网机组的排序结果；根据电网机组的排序结果，依次对排序结果中各个电网机组的机组功率信息进行更新，得到排序后电网机组的安全功率信息。
上述面向电网安全稳定的数据模型混合驱动机组组合装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是调度中心，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储负荷信息、出力信息等机组组合相关联的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种面向电网安全稳定的数据模型混合驱动机组组合方法。
本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种面向电网安全稳定的数据模型混合驱动机组组合方法，其特征在于，所述方法包括：
获取电网节点的负荷信息，以及所述电网节点关联的电网机组的出力信息；
将所述负荷信息和所述出力信息输入至训练完成的机组出力预测模型，得到所述电网机组在预设未来时间的预测出力信息；所述训练完成的机组出力预测模型为通过对所述电网节点的历史负荷信息和所述电网机组的历史出力信息进行监督学习训练和强化学习训练得到；
将所述预测出力信息与所述负荷信息进行比较，得到出力比较结果；
根据所述出力比较结果，对所述预测出力信息进行更新，得到所述电网机组的安全出力信息，作为所述电网机组在所述预设未来时间的目标出力信息。
2.根据权利要求1所述的方法，其特征在于，所述训练完成的机组出力预测模型通过如下方式训练得到：
获取所述电网节点的历史负荷信息，以及所述电网机组的历史出力信息；
根据所述历史负荷信息和所述历史出力信息，对待训练的机组出力预测网络进行监督学习训练，得到训练后的机组出力预测网络；
根据所述历史负荷信息和所述历史出力信息，以及所述电网节点的输电断面的历史有功信息，得到所述训练后的机组出力预测网络对应的历史奖励信息；
根据所述历史奖励信息，对所述训练后的机组出力预测网络进行强化学习训练，得到所述训练完成的机组出力预测模型。
3.根据权利要求2所述的方法，其特征在于，所述根据所述历史奖励信息，对所述训练后的机组出力预测网络进行强化学习训练，得到所述训练完成的机组出力预测模型，包括：
根据所述历史负荷信息、所述历史出力信息和所述历史奖励信息，得到所述训练后的机组出力预测网络对应的优势函数；
根据所述优势函数，对所述训练后的机组出力预测网络进行并行智能体训练，得到所述训练完成的机组出力预测模型。
4.根据权利要求2所述的方法，其特征在于，所述输电断面的历史有功信息包括所述输电断面的历史实际有功功率与所述输电断面的历史有功功率极限；
所述根据所述历史负荷信息和所述历史出力信息，以及所述电网节点的输电断面的历史有功信息，得到所述训练后的机组出力预测网络对应的历史奖励信息，包括：
根据所述历史实际有功功率与所述历史有功功率极限进行比较后得到的历史有功比较结果，将所述输电断面的历史实际有功功率，输入至与所述历史有功比较结果对应的断面越限奖励模型中，得到所述输电断面的历史断面越限奖励信息；
将所述电网机组中的新能源机组的历史实际出力信息和所述新能源机组的历史最大出力信息，输入至所述新能源机组对应的机组消纳量奖励模型中，得到所述新能源机组的历史消纳量奖励信息；
将所述历史出力信息和所述电网机组中火电机组的历史状态信息输入至运行资源奖励模型中，得到所述电网机组的历史运行资源奖励信息；
将所述历史出力信息和所述历史负荷信息，输入至负荷平衡奖励模型中，得到所述电网节点与所述电网机组之间的历史负荷平衡奖励信息；
根据所述历史断面越限奖励信息、所述历史消纳量奖励信息、所述历史运行资源奖励信息和所述历史负荷平衡奖励信息，确定所述历史奖励信息。
5.根据权利要求1所述的方法，其特征在于，所述根据所述出力比较结果，对所述预测出力信息进行更新，得到所述电网机组的安全出力信息，包括：
根据所述出力信息对应的奖励信息和所述电网机组的有功功率，确定所述电网机组的奖励敏感度；
当所述出力比较结果为所述预测出力信息小于所述负荷信息时，根据所述电网机组的奖励敏感度，对所述电网机组的预测出力信息进行增加，得到所述电网机组的安全出力信息；
当所述出力比较结果为所述预测出力信息大于所述负荷信息时，根据所述电网机组的奖励敏感度，对所述电网机组的预测出力信息进行减少，得到所述电网机组的安全出力信息。
6.根据权利要求1至5任意一项所述的方法，其特征在于，所述方法还包括：
获取所述电网节点的电网断面的断面功率信息，以及所述电网节点关联的电网机组对应的转移分布因子；
在检测到所述断面功率信息过载的情况下，根据所述电网机组对应的转移分布因子的绝对值，对所述电网机组进行排序，得到所述电网机组的排序结果；
根据所述电网机组的排序结果，依次对所述排序结果中各个电网机组的机组功率信息进行更新，得到所述排序后电网机组的安全功率信息。
7.一种面向电网安全稳定的数据模型混合驱动机组组合装置，其特征在于，所述装置包括：
电网信息获取模块，用于获取电网节点的负荷信息，以及所述电网节点关联的电网机组的出力信息；
出力信息预测模块，用于将所述负荷信息和所述出力信息输入至训练完成的机组出力预测模型，得到所述电网机组在预设未来时间的预测出力信息；所述训练完成的机组出力预测模型为通过对所述电网节点的历史负荷信息和所述电网机组的历史出力信息进行监督学习训练和强化学习训练得到；
出力信息比较模块，用于将所述预测出力信息与所述负荷信息进行比较，得到出力比较结果；
出力信息更新模块，用于根据所述出力比较结果，对所述预测出力信息进行更新，得到所述电网机组的安全出力信息。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种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权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202211372950.8A 2022-11-03 2022-11-03 一种面向电网安全稳定的数据模型混合驱动机组组合方法 Active CN115528750B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211372950.8A CN115528750B (zh) 2022-11-03 2022-11-03 一种面向电网安全稳定的数据模型混合驱动机组组合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211372950.8A CN115528750B (zh) 2022-11-03 2022-11-03 一种面向电网安全稳定的数据模型混合驱动机组组合方法

Publications (2)

Publication Number Publication Date
CN115528750A true CN115528750A (zh) 2022-12-27
CN115528750B CN115528750B (zh) 2023-04-07

Family

ID=84705120

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211372950.8A Active CN115528750B (zh) 2022-11-03 2022-11-03 一种面向电网安全稳定的数据模型混合驱动机组组合方法

Country Status (1)

Country Link
CN (1) CN115528750B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116345498A (zh) * 2023-05-30 2023-06-27 南方电网数字电网研究院有限公司 数据-模型混合驱动的电力系统的频率紧急协调控制方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105914769A (zh) * 2016-05-03 2016-08-31 易事特集团股份有限公司 离网状态下光储微电网的能量管理方法及系统
CN108288094A (zh) * 2018-01-31 2018-07-17 清华大学 基于环境状态预测的深度强化学习方法及装置
CN109873428A (zh) * 2019-04-10 2019-06-11 国家电网公司华中分部 一种面向大电网的多断面功率控制方法和系统
CN111164853A (zh) * 2018-05-23 2020-05-15 光明电气工程有限公司 利用储能装置和太阳能发电的供电控制系统及方法
CN111290953A (zh) * 2020-01-22 2020-06-16 华为技术有限公司 分析测试日志的方法与装置
CN112217208A (zh) * 2020-10-20 2021-01-12 华能山东发电有限公司 一种基于发电和用电预测的发电控制方法
CN113761791A (zh) * 2021-08-02 2021-12-07 国网江苏省电力有限公司电力科学研究院 一种基于物理信息和深度强化学习的电力系统自动化操作方法及装置
CN113991752A (zh) * 2021-10-28 2022-01-28 中国电力科学研究院有限公司 一种电网准实时智能控制方法及系统
CN114048903A (zh) * 2021-11-11 2022-02-15 天津大学 一种基于深度强化学习的电网安全运行策略智能优化方法
CN114156893A (zh) * 2021-12-02 2022-03-08 中国电力科学研究院有限公司 面向新能源消纳场景的电网调度方法、装置、设备及介质
US20220215288A1 (en) * 2021-01-05 2022-07-07 Institute For Information Industry Training system and training method of reinforcement learning

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105914769A (zh) * 2016-05-03 2016-08-31 易事特集团股份有限公司 离网状态下光储微电网的能量管理方法及系统
CN108288094A (zh) * 2018-01-31 2018-07-17 清华大学 基于环境状态预测的深度强化学习方法及装置
CN111164853A (zh) * 2018-05-23 2020-05-15 光明电气工程有限公司 利用储能装置和太阳能发电的供电控制系统及方法
CN109873428A (zh) * 2019-04-10 2019-06-11 国家电网公司华中分部 一种面向大电网的多断面功率控制方法和系统
CN111290953A (zh) * 2020-01-22 2020-06-16 华为技术有限公司 分析测试日志的方法与装置
CN112217208A (zh) * 2020-10-20 2021-01-12 华能山东发电有限公司 一种基于发电和用电预测的发电控制方法
US20220215288A1 (en) * 2021-01-05 2022-07-07 Institute For Information Industry Training system and training method of reinforcement learning
CN113761791A (zh) * 2021-08-02 2021-12-07 国网江苏省电力有限公司电力科学研究院 一种基于物理信息和深度强化学习的电力系统自动化操作方法及装置
CN113991752A (zh) * 2021-10-28 2022-01-28 中国电力科学研究院有限公司 一种电网准实时智能控制方法及系统
CN114048903A (zh) * 2021-11-11 2022-02-15 天津大学 一种基于深度强化学习的电网安全运行策略智能优化方法
CN114156893A (zh) * 2021-12-02 2022-03-08 中国电力科学研究院有限公司 面向新能源消纳场景的电网调度方法、装置、设备及介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
惠俊鹏等: "基于强化学习的再入飞行器"新质"走廊在线生成技术", 《航空学报》 *
王彬等: "协同电网安全性与经济性的新能源优先实时调度方法及应用", 《电力系统自动化》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116345498A (zh) * 2023-05-30 2023-06-27 南方电网数字电网研究院有限公司 数据-模型混合驱动的电力系统的频率紧急协调控制方法
CN116345498B (zh) * 2023-05-30 2023-09-15 南方电网数字电网研究院有限公司 数据-模型混合驱动的电力系统的频率紧急协调控制方法

Also Published As

Publication number Publication date
CN115528750B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
Tian et al. Data driven parallel prediction of building energy consumption using generative adversarial nets
Wang et al. A novel combined model based on hybrid optimization algorithm for electrical load forecasting
Yu et al. A short-term load forecasting model of natural gas based on optimized genetic algorithm and improved BP neural network
Pai System reliability forecasting by support vector machines with genetic algorithms
Wang et al. Forecasting the seasonal natural gas consumption in the US using a gray model with dummy variables
Jiang et al. Forecasting electrical energy consumption of equipment maintenance using neural network and particle swarm optimization
CN115528750B (zh) 一种面向电网安全稳定的数据模型混合驱动机组组合方法
Li et al. Resource usage prediction based on BiLSTM-GRU combination model
CN109214610B (zh) 一种基于长短期记忆神经网络的饱和电力负荷预测方法
CN110674460B (zh) 基于E-Seq2Seq技术的数据驱动型机组组合智能决策方法
CN112488404A (zh) 一种配电网大规模电力负荷多线程高效预测方法及系统
CN112232570A (zh) 一种正向有功总电量预测方法、装置及可读存储介质
Qi et al. Optimal scheduling in IoT-driven smart isolated microgrids based on deep reinforcement learning
Jasmin et al. A Reinforcement Learning algorithm to Economic Dispatch considering transmission losses
Chen et al. Application of BP Neural Networks based on genetic simulated annealing algorithm for shortterm electricity price forecasting
CN115907140A (zh) 电力现货出清方案优化方法、装置、计算机设备和介质
CN114498753A (zh) 一种数据驱动的低碳船舶微电网实时能量管理方法
CN113283638A (zh) 一种基于融合模型的负荷极值曲线预测方法及系统
CN114818455A (zh) 一种少量pmu采样的电力系统多智能体暂态判稳方法和系统
Liu et al. Decision tree algorithm based on average Euclidean distance
Min et al. Research on mid-long term load forecasting based on combination forecasting mode
CN112288140A (zh) 一种基于Keras的短期电力负荷预测方法、存储介质和设备
CN116454890B (zh) 基于scuc模型的机组组合控制方法、装置和设备
Chao et al. Application of Improved Reinforcement Learning Technology for Real Time Operation and Scheduling Optimization of Virtual Power Plant
CN116526582B (zh) 基于人工智能联合驱动的电力机组组合调度方法与系统

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