CN115842373A - 一种基于控制器参数自适应优化的agc方法及系统 - Google Patents
一种基于控制器参数自适应优化的agc方法及系统 Download PDFInfo
- Publication number
- CN115842373A CN115842373A CN202211413110.1A CN202211413110A CN115842373A CN 115842373 A CN115842373 A CN 115842373A CN 202211413110 A CN202211413110 A CN 202211413110A CN 115842373 A CN115842373 A CN 115842373A
- Authority
- CN
- China
- Prior art keywords
- agc
- controller
- data
- variable
- power
- 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
Images
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种基于控制器参数自适应优化的AGC方法及系统,其特征在于,包括以下步骤:步骤1,从智能调度控制系统中提取电网历史运行数据以组成具备时序特性的多维变量,采用罗曼诺夫斯基准则剔除所述多维变量中的异常数据,从而生成具备多维输入变量的训练集;步骤2,基于多维输入变量构建像素矩阵,并将像素矩阵输入至VGG深度卷积神经网络模型中以获取当前时刻的变量特征,以及将变量特征输入至BiGRU中获取下一时刻的区域控制偏差;步骤3,采用最小化区域控制偏差的果蝇算法从训练集中提取最优位置,并基于最优位置上多维输入变量中控制器的比例系数和控制器积分系数,生成AGC策略。本发明寻优结果准确,为自动发电控制提供依据和支撑。
Description
技术领域
本发明涉及自动发电控制领域,更具体的,涉及一种基于控制器参数自适应优化的AGC方法及系统。
背景技术
目前,随着交、直流混连复杂电网规模的不断发展,源-网-荷中各个环节的不稳定因素日益凸显,这为电网协同稳定控制(PSS,power system stability and control)和自动发电控制(AGC,Automatic Generation Control)带来了前所未有的压力。
目前,现有技术中的自动发电控制方法难以满足高比例新能源并网对电网有功功率稳定的控制。这是因为,自动发电控制中控制器参数多是依靠人工经验实现整定过程,因此这些控制器的参数难以完全适应新型电网的时变特性和其他不确定因素。另外,人工制定的发电控制策略大多依靠传统调度经验,主观性较强,难以应对复杂新生成的调度场景。
机器学习可以通过训练大量的输入变量和输出变量间的关系,建立能够描述建模对象的运行过程,通过建立的运行过程模型,可以超前预测电网运行态势。多目标优化算法可以考虑多方面因素来对控制器可调参数在一定范围内进行寻优,从而得到适应电网特性变化的最优参数。如果能够将机器学习和多目标优化技术合理融合,则能够试图对自动发电控制中的相关控制器参数进行有效的调节。然而,针对上述推测,现有技术中尚不存在一种利用机器学习和多目标优化算法相结合的AGC控制方法。
针对上述问题,亟需一种基于控制器参数自适应优化的AGC方法及系统。
发明内容
为解决现有技术中存在的不足,本发明提供一种基于控制器参数自适应优化的AGC方法及系统,通过剔除异常的电网历史运行数据,从而获取到多为输入变量组成的具备时序特征的训练集,同时采用VGG-BiGRU方法生成区域控制偏差,以为果蝇算法提供寻优依据,并最终生成AGC策略。
本发明采用如下的技术方案。本发明第一方面,涉及一种基于控制器参数自适应优化的AGC方法,方法包括以下步骤:步骤1,从智能调度控制系统中提取电网历史运行数据以组成具备时序特性的多维变量,采用罗曼诺夫斯基准则剔除多维变量中的异常数据,从而生成具备多维输入变量的训练集;步骤2,基于多维输入变量构建像素矩阵,并将像素矩阵输入至VGG深度卷积神经网络模型中以获取当前时刻的变量特征,以及将变量特征输入至BiGRU中获取下一时刻的区域控制偏差;步骤3,采用最小化区域控制偏差的果蝇算法从训练集中提取最优位置,并基于最优位置上多维输入变量中控制器的比例系数和控制器积分系数,生成AGC策略。
优选的,采用罗曼诺夫斯基准则对多维变量中每一维度的数据进行异常数据剔除;罗曼诺夫斯基准则中数据的显著度指标由数据的均值和标准差确定。
优选的,对于剔除的异常数据进行填补;并且,填补是基于异常数据的临近数据的差分计算获取的。
优选的,多维变量为16维变量,像素矩阵为基于多维变量排列而成的4*4矩阵。
优选的,16维变量分别包括电网的联络线交换功率、联络线计划交换功率、频率响应系数、电力系统频率、全网总发电、全网总负荷、全网火电机组总出力、全网风电机组总出力、全网光伏机组总出力、全网分布式光伏总出力、AGC总调节功率、火电AGC实发控制、风电AGC实发控制、光伏AGC实发控制、控制器比例系数和控制器积分系数。
优选的,VGG深度卷积神经网络中第一全连接层中包括512个神经元,第二全连接层中包括256个神经元,所述第三全连接层中包含10个神经元。
优选的,采用最小化区域控制偏差作为果蝇算法的适应度函数;其中,当下一时刻的区域控制偏差的取值最小时,下一时刻的区域控制偏差所对应的多维输入变量中的控制器比例系数、控制器积分系数为控制器可调范围内的最优取值。
优选的,果蝇算法中适应度函数的判定值得计算公式为:
smi=1/disti+Rv×disti
其中,
disti为第i个时序上果蝇个体与元件之间的距离,
Rv为可调变量,取值范围在0至1之间。
优选的,AGC策略中包括AGC总调节功率;并且,AGC总调节功率的取值为:
Pr=kp,m×Pc+ki,m×PI
其中,kp,m为种群规模为m时基于果蝇算法训练获取的控制器比例系数的最优值,ki,m为种群规模为m时基于果蝇算法训练获取的控制器积分系数的最优值,Pc为下一时刻的区域控制偏差,PI为下一时刻的区域控制偏差Pc在AGC调节间隔内的积分。
本发明第二方面,涉及一种利用本发明第一方面中方法的基于控制器参数自适应优化的AGC系统,系统包括数据获取模块、偏差控制模块和策略生成模块;其中,数据获取模块,用于从智能调度控制系统中提取电网历史运行数据以组成具备时序特性的多维变量,采用罗曼诺夫斯基准则剔除多维变量中的异常数据,从而生成具备多维输入变量的训练集;偏差控制模块,用于基于多维输入变量构建像素矩阵,并将像素矩阵输入至VGG深度卷积神经网络模型中以获取当前时刻的变量特征,以及将变量特征输入至BiGRU中获取下一时刻的区域控制偏差;策略生成模块,用于采用最小化区域控制偏差的果蝇算法从训练集中提取最优位置,并基于最优位置上多维输入变量中控制器的比例系数和控制器积分系数,生成AGC策略。
本发明的有益效果在于,与现有技术相比,本发明中的一种基于控制器参数自适应优化的AGC方法及系统,能够通过剔除异常的电网历史运行数据,从而获取到多为输入变量组成的具备时序特征的训练集,同时采用VGG-BiGRU方法生成区域控制偏差,以为果蝇算法提供寻优依据,并最终生成AGC策略。本发明构思巧妙,选用了合理的机器算法对于果蝇寻优过程进行了改进,使得寻优结果更为准确,为自动发电控制提供了有力依据和支撑。
本发明的有益算法还包括:
1、本发明基于深度神经网络能够建立准确描述电力系统运行特性和控制器运行过程的数据驱动模型,从而将电网运行数据和控制器主要参数作为模型输入变量,并将电网区域控制偏差(ACE,Area Control Error)作为输出变量,进而建立调节控制器参数对ACE优化的目标约束条件,采用多目标智能优化算法对控制参数在可调范围内进行寻优,使ACE处于最佳状态。
2、本发明通过罗曼诺夫斯基准则在剔除异常数据的同时对数据进行了合理的填充,从而在训练集中样本规模不是很大的情况下,实现了异常数据的准确剔除,同时通过合理填充确保了多维输入变量的准确性和可用性。
3、本发明可生成最优的复杂电网自动发电控制策略,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为本发明一种基于控制器参数自适应优化的AGC方法的步骤示意图;
图2为本发明一种基于控制器参数自适应优化的AGC方法中VGG深度神经网络的算法模型示意图;
图3为本发明一种基于控制器参数自适应优化的AGC系统的模块架构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清晰,下面将结合本发明实施例中的附图,对本发明的技术方案进行清楚、完整地描述。本发明所描述的实施例仅仅是本发明一部分的实施例,而不是全部实施例。基于本发明精神,本领域普通技术人员在没有做出创造性劳动的前提下,根据本发明中记载的实施例而获得的所有其它本发明中未记载的实施例,都应当属于本发明的保护范围。
图1为本发明一种基于控制器参数自适应优化的AGC方法的步骤示意图。如图1所示,本发明第一方面,涉及一种基于控制器参数自适应优化的AGC方法,方法包括步骤1至步骤3。
步骤1,从智能调度控制系统中提取电网历史运行数据以组成具备时序特性的多维变量,采用罗曼诺夫斯基准则剔除多维变量中的异常数据,从而生成具备多维输入变量的训练集。
可以理解的是,为了实现电网自动发电策略的生成,本发明需要提取与该自动发电策略的制定过程密切相关的电网历史运行数据。这里,关于电网历史运行数据的内容可以是来自于智能调度控制系统(D5000)中的相关数据。因此,本发明的方法中,可以将本发明系统与D5000系统之间建立数据接口,从而实现对该系统的相关数据输入。
需要说明的是,本发明中包括一个数据预处理过程,该过程能够对来自D5000的数据内容进行缺失值和异常值的预先处理。这种数据的预先处理过程可以采用现有技术中的多种方式实现。
本发明一实施例中,则采用了罗曼诺夫斯基准则对该过程进行实现。优选的,采用罗曼诺夫斯基准则对多维变量中每一维度的数据进行异常数据剔除;罗曼诺夫斯基准则中数据的显著度指标由数据的均值和标准差确定。
具体来说,可以首先确定可以数据xj,其中,j为具备时序特性的多个不同时间下的一个多维变量的时序编号,而这里的数据xj则代表该时序编号下的一个多维变量中的某一个维度的取值。
对于该多维变量中需要进行粗大误差提取的当前维度来说,可以采用各类方式首先确定其是否为可疑数据,例如通过人工剔除的方式,对于一些明显不符合电网运行规律的异常取值确定为可疑数据,同时,也可以将一些可能存在测量误差的数据也作为可疑数据,这种确定可疑数据的过程并不是非常严格的,因此,能够将剩余的数据确定为非常准确的有效数据。
然后,在删除了所有可疑数据之后,将其余的数据求解均值和标准差。此时,可疑根据待确认数据的均值和标准差与控制参数之间的关系来确定待确认数据是否为异常数据。这里的待确认数据可以为之前可疑数据中的任意一个。因此,遍历了可疑数据后,就获取了所有的异常数据。
另外需要说明的是,本发明一实施例中,采用了待确认数据的残差,也就是待确认数据的值与均值之间差值的绝对值。本发明采用待确认数据的残差除以标准差,将其取值与控制参数进行比较,如果控制参数较小,则可疑判定待确认数据为异常数据。这里的控制参数,可以是根据待确认数据本身的分布特性来实现的。例如,当该待确认数据本身能够满足正态分布时,那么上述确认条件就可以是正态分布中部分高概率的取值结果的集合。
通过这种方式,可以对于多维向量中的每个维度的数据单独进行校验,从而剔除粗大误差。
优选的,对于剔除的异常数据进行填补;并且,填补是基于异常数据的临近数据的差分计算获取的。
可以理解的是,由于上述每一个维度的数据都具备相类似的时序特性,因此,为了保证数据的连续性,可以采用差分方程对上述异常数据进行填补。
优选的,多维变量为16维变量,分别包括电网的联络线交换功率、联络线计划交换功率、频率响应系数、电力系统频率、全网总发电、全网总负荷、全网火电机组总出力、全网风电机组总出力、全网光伏机组总出力、全网分布式光伏总出力、AGC总调节功率、火电AGC实发控制、风电AGC实发控制、光伏AGC实发控制、控制器比例系数和控制器积分系数。
可以理解的是,由于电网运行数据多种多样,本发明中是根据专家经验和额外的智能算法来获取上述数据的种类的。由于各个数据之间存在一定的独立性,因此能够从各个方面综合表征出AGC在调节过程中,对于电网的各方面影响。
步骤2,基于多维输入变量构建像素矩阵,并将像素矩阵输入至VGG深度卷积神经网络模型中以获取当前时刻的变量特征,以及将变量特征输入至BiGRU中获取下一时刻的区域控制偏差。
优选的,像素矩阵为基于所述多维变量排列而成的4*4矩阵。
图2为本发明一种基于控制器参数自适应优化的AGC方法中VGG深度神经网络的算法模型示意图。如图2中所示,本发明中,为了采用类似图像特征提取的方式对多维的电网运行数据进行特征提取,而刚好选取了16个维度的数据,因此可以将其排列为4*4的矩阵,并将这一矩阵输入到VGG(Visual Geometry Group)深度神经网络中,该算法是由牛津大学计算机视觉组和谷歌DeepMind共同研究获得一种深度神经网络,因而被命名为VGG,本发明中采用了13层模型进行了上述矩阵的训练。
具体来说,其中包含8层卷积层,5层池化层,另外,还包括3层全连接层,最后通过Softmax函数进行求解。
需要说明的是,VGG算法采用了小卷积核,能够适应于更多类型的激活函数,也具备更加丰富的特征和更强的辨别能力。因此,本发明为了充分获取多维数据中不同数据之间的特征差异,从大量的机器算法中选用了该种算法。
优选的,VGG深度卷积神经网络中第一全连接层中包括512个神经元,第二全连接层中包括256个神经元,所述第三全连接层中包含10个神经元。
本发明中,区别于现有技术中VGG模型的应用方法,像素矩阵的尺寸较小,因此,本发明合理优化了各个全连接层中的神经元个数,使得算法效率更高,结果更为准确。
另外,本发明一实施例中,卷积层使用了Relu激活函数,池化层中采用最大池化计算方式,采样窗口为2*2,步长为2。另外,本发明一实施例中采用交叉熵函数作为损失函数,参数优化采用了Adam梯度下降,学习率指标设定为0.0005。
在通过VGG算法获取了变量特征后,本发明还采用了BiGRU(Bidirectional GateRecurrent Unit,双向门控循环单元)模型来生成区域控制偏差的预测。具体来说,这种方式能够对数据的双向信息均进行特征增强,同时生成更为准确的向量计算模型。
具体来说,在BiGRU模型中,采用交叉熵函数作为损失函数,参数仍然采用Adam梯度下降,学习率为0.001,输入变量批次规模为32。采用验证集对于模型进行训练评价,直到验证集的预测结果的损失函数最小位置,建立准确的预测模型,并使用测试集对预测模型的准确性进行评估。通过该模型获取的隐含层向量ht即可更为全面地预测区域控制偏差ACE。
步骤3,采用最小化区域控制偏差的果蝇算法从训练集中提取最优位置,并基于最优位置上多维输入变量中控制器的比例系数和控制器积分系数,生成AGC策略。
优选的,采用最小化区域控制偏差作为果蝇算法的适应度函数;其中,当下一时刻的区域控制偏差的取值最小时,下一时刻的区域控制偏差所对应的多维输入变量中的控制器比例系数、控制器积分系数为控制器可调范围内的最优取值。
本发明中可以采用果蝇算法来实现控制器参数的自适应优化过程。具体来说,通过区域控制偏差预测模型可以在当前控制器状态下对未来的区域控制偏差ACE进行预测,建立控制器可调参数比例系数、微分系数与未来ACE的约束条件,通过对可调参数寻优,使未来ACE达到最优,无限趋近于0。
优化目标函数可以以下公式简明表述,
min f(x1,x2)=PACE
其中,x1为输入变量中不可调变量,x2为输入变量中可调变量,可调变量包括比例系数kp和积分系数kI。
本发明中,根据果蝇算法的一般规则,首先初始化包含m个果蝇个体的种群,随机设计各个个体的位置和迭代次数,以及搜寻十五的随机方向和距离的取值范围;随后,计算个体与圆点之间的距离,采用本发明前文中所述的优化目标函数,也就是最小化的区域控制偏差作为果蝇算法的适应度函数,并实现果蝇算法的多次迭代过程。
本发明一实施例中,迭代的次数为150次。
优选的,果蝇算法中适应度函数的判定值的计算公式为:
smi=1/disti+Rv×disti
其中,disti为第i个时序上果蝇个体与元件之间的距离,Rv为可调变量,取值范围在0至1之间。
可以理解的是,现有技术中,通常只采用1/disti作为适应度函数的判定值,而本发明中该判定值进行了优化,通过增加了一个可调变量与距离相乘,充分避免了该判定结果陷入局部最优。
本发明中,将其余的14个变量均作为不可变的变量,而将控制器的比例系数和积分系数作为控制器的可调节变量在计算的过程中,根据ACE的取值结果进行推导。
优选的,AGC策略中包括AGC总调节功率;并且,
所述AGC总调节功率的取值为:
Pr=kp,m×Pc+ki,m×PI
其中,kp,m为种群规模为m时基于果蝇算法训练获取的控制器比例系数的最优值,ki,m为种群规模为m时基于果蝇算法训练获取的控制器积分系数的最优值,Pc为下一时刻的区域控制偏差,PI为下一时刻的区域控制偏差Pc在AGC调节间隔内的积分。
最终,通过这种方式,可以实现算法的最优计算结果,并根据上述两项参数的取值计算AGC的总调节功率。根据区域内运行机组的调节速率和调节容量,本发明方法还可以将AGC总调节功率分配给各机组,作为机组发电控制策略。机组发电控制策略通过数据预处理模块将发电控制策略指令下发给智能度控制系统,通过系统通道下发给区域内运行机组,实现机组运行出力的优化控制。
图3为本发明一种基于控制器参数自适应优化的AGC系统的模块架构示意图。如图3所示,本发明第二方面,涉及一种利用本发明第一方面中方法的基于控制器参数自适应优化的AGC系统,系统包括数据获取模块、偏差控制模块和策略生成模块;其中,数据获取模块,用于从智能调度控制系统中提取电网历史运行数据以组成具备时序特性的多维变量,采用罗曼诺夫斯基准则剔除所述多维变量中的异常数据,从而生成具备多维输入变量的训练集;偏差控制模块,用于基于多维输入变量构建像素矩阵,并将像素矩阵输入至VGG深度卷积神经网络模型中以获取当前时刻的变量特征,以及将变量特征输入至BiGRU中获取下一时刻的区域控制偏差;策略生成模块,用于采用最小化区域控制偏差的果蝇算法从训练集中提取最优位置,并基于最优位置上多维输入变量中控制器的比例系数和控制器积分系数,生成AGC策略。
可以理解的是,AGC系统为了实现上述本申请实施例提供的方法中的各功能,包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的算法步骤,本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本申请实施例可以根据上述方法示例对AGC系统进行功能模块的划分,例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。需要说明的是,本申请实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
系统中可以包括通信连接的一个或多个服务器装置,该一个或多个服务器装置包括至少一个处理器,总线系统以及至少一个通信接口。处理器可以是中央处理器(CentralProcessing Unit,CPU),还可以由现场可编程逻辑门阵列(Field Programmable GateArray,FPGA)、专用集成电路(Application-specific integrated circuit,ASIC)或其他硬件代替,或者,FPGA或其他硬件与CPU共同作为处理器。
存储器可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electricallyerasable programmable read-only memory,EEPROM)、只读光盘(compactdisc read-onlymemory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线与处理器相连接。存储器也可以和处理器集成在一起。
硬盘可以为机械盘或固态硬盘(Solid State Drive,SSD)等。接口卡可以是主机总线适配器(Host Bus Adapter,HBA)、独立硬盘冗余阵列卡(Redundant ArrayofIndependent Disks,RID)、扩展器卡(Expander)或网络接口控制器(NetworkInterfaceController,NIC)等,本发明实施例对此不作限定。硬盘模组中的接口卡与硬盘通信。存储节点与硬盘模组的接口卡通信,从而访问硬盘模组中的硬盘。
硬盘的接口可以为串行连接小型计算机系统接口(Serial AttachedSmallComputer System Interface,SAS)、串行高级技术附件(Serial AdvancedTechnologyAttachment,SATA)或高速串行计算机扩展总线标准(PeripheralComponentInterconnect express,PCIe)等。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件程序实现时,可以全部或部分地以计算机程序产品的形式来实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机指令可以从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,简称DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可以用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质(例如,软盘、硬盘、磁带),光介质(例如,DVD)、或者半导体介质(例如固态硬盘(solid state disk,简称SSD))等。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本发明的各个方面。
本发明的有益效果在于,与现有技术相比,本发明中的一种基于控制器参数自适应优化的AGC方法及系统,能够通过剔除异常的电网历史运行数据,从而获取到多为输入变量组成的具备时序特征的训练集,同时采用VGG-BiGRU方法生成区域控制偏差,以为果蝇算法提供寻优依据,并最终生成AGC策略。本发明构思巧妙,选用了合理的机器算法对于果蝇寻优过程进行了改进,使得寻优结果更为准确,为自动发电控制提供了有力依据和支撑。
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)
1.一种基于控制器参数自适应优化的AGC方法,其特征在于,所述方法包括以下步骤:
步骤1,从智能调度控制系统中提取电网历史运行数据以组成具备时序特性的多维变量,采用罗曼诺夫斯基准则剔除所述多维变量中的异常数据,从而生成具备多维输入变量的训练集;
步骤2,基于所述多维输入变量构建像素矩阵,并将所述像素矩阵输入至VGG深度卷积神经网络模型中以获取当前时刻的变量特征,以及将所述变量特征输入至所述BiGRU中获取下一时刻的区域控制偏差;
步骤3,采用最小化区域控制偏差的果蝇算法从所述训练集中提取最优位置,并基于所述最优位置上多维输入变量中控制器的比例系数和控制器积分系数,生成AGC策略。
2.根据权利要求1中所述的一种基于控制器参数自适应优化的AGC方法,其特征在于:
采用罗曼诺夫斯基准则对所述多维变量中每一维度的数据进行异常数据剔除;
所述罗曼诺夫斯基准则中数据的显著度指标由数据的均值和标准差确定。
3.根据权利要求2中所述的一种基于控制器参数自适应优化的AGC方法,其特征在于:
对于剔除的异常数据进行填补;并且,
所述填补是基于异常数据的临近数据的差分计算获取的。
4.根据权利要求3中所述的一种基于控制器参数自适应优化的AGC方法,其特征在于:
所述多维变量为16维变量,所述像素矩阵为基于所述多维变量排列而成的4*4矩阵。
5.根据权利要求4中所述的一种基于控制器参数自适应优化的AGC方法,其特征在于:
所述16维变量分别包括电网的联络线交换功率、联络线计划交换功率、频率响应系数、电力系统频率、全网总发电、全网总负荷、全网火电机组总出力、全网风电机组总出力、全网光伏机组总出力、全网分布式光伏总出力、AGC总调节功率、火电AGC实发控制、风电AGC实发控制、光伏AGC实发控制、控制器比例系数和控制器积分系数。
6.根据权利要求5中所述的一种基于控制器参数自适应优化的AGC方法,其特征在于:
所述VGG深度卷积神经网络中第一全连接层中包括512个神经元,第二全连接层中包括256个神经元,所述第三全连接层中包含10个神经元。
7.根据权利要求6中所述的一种基于控制器参数自适应优化的AGC方法,其特征在于:
采用最小化区域控制偏差作为所述果蝇算法的适应度函数;其中,
当所述下一时刻的区域控制偏差的取值最小时,所述下一时刻的区域控制偏差所对应的所述多维输入变量中的控制器比例系数、控制器积分系数为控制器可调范围内的最优取值。
8.根据权利要求7中所述的一种基于控制器参数自适应优化的AGC方法,其特征在于:
所述果蝇算法中适应度函数的判定值得计算公式为:
smi=1/disti+Rv×disti
其中,
disti为第i个时序上果蝇个体与元件之间的距离,
Rv为可调变量,取值范围在0至1之间。
9.根据权利要求8中所述的一种基于控制器参数自适应优化的AGC方法,其特征在于:
所述AGC策略中包括AGC总调节功率;并且,
所述AGC总调节功率的取值为:
Pr=kp,m×Pc+ki,m×PI
其中,kp,m为种群规模为m时基于果蝇算法训练获取的所述控制器比例系数的最优值,
ki,m为种群规模为m时基于果蝇算法训练获取的所述控制器积分系数的最优值,
Pc为所述下一时刻的区域控制偏差,
PI为所述下一时刻的区域控制偏差Pc在AGC调节间隔内的积分。
10.一种利用权利要求1-9任一项权利要求所述方法的基于控制器参数自适应优化的AGC系统,其特征在于:
所述系统包括数据获取模块、偏差控制模块和策略生成模块;其中,
所述数据获取模块,用于从智能调度控制系统中提取电网历史运行数据以组成具备时序特性的多维变量,采用罗曼诺夫斯基准则剔除所述多维变量中的异常数据,从而生成具备多维输入变量的训练集;
所述偏差控制模块,用于基于所述多维输入变量构建像素矩阵,并将所述像素矩阵输入至VGG深度卷积神经网络模型中以获取当前时刻的变量特征,以及将所述变量特征输入至所述BiGRU中获取下一时刻的区域控制偏差;
所述策略生成模块,用于采用最小化区域控制偏差的果蝇算法从所述训练集中提取最优位置,并基于所述最优位置上多维输入变量中控制器的比例系数和控制器积分系数,生成AGC策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211413110.1A CN115842373A (zh) | 2022-11-11 | 2022-11-11 | 一种基于控制器参数自适应优化的agc方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211413110.1A CN115842373A (zh) | 2022-11-11 | 2022-11-11 | 一种基于控制器参数自适应优化的agc方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115842373A true CN115842373A (zh) | 2023-03-24 |
Family
ID=85575555
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211413110.1A Pending CN115842373A (zh) | 2022-11-11 | 2022-11-11 | 一种基于控制器参数自适应优化的agc方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115842373A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117409898A (zh) * | 2023-10-24 | 2024-01-16 | 延边大学 | 一种复合多晶超硬材料及其制备方法 |
-
2022
- 2022-11-11 CN CN202211413110.1A patent/CN115842373A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117409898A (zh) * | 2023-10-24 | 2024-01-16 | 延边大学 | 一种复合多晶超硬材料及其制备方法 |
CN117409898B (zh) * | 2023-10-24 | 2024-03-19 | 延边大学 | 一种复合多晶超硬材料及其制备方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220067588A1 (en) | Transforming a trained artificial intelligence model into a trustworthy artificial intelligence model | |
US20230266721A1 (en) | Method for configuring a control agent for a technical system, and control device | |
CN115842373A (zh) | 一种基于控制器参数自适应优化的agc方法及系统 | |
CN116031888B (zh) | 基于动态负荷预测的潮流优化方法、系统及存储介质 | |
CN115097920B (zh) | 一种调节服务器机箱的温度的方法、装置、服务器及介质 | |
JP2017159891A (ja) | フライト中に記録された航空機データを用いた航空機エンジンの挙動の予測 | |
CN115270867A (zh) | 一种燃气轮机转子系统改进dqn故障诊断方法及系统 | |
CN111353534A (zh) | 一种基于自适应分数阶梯度的图数据类别预测方法 | |
CN117060408B (zh) | 新能源发电预测方法及系统 | |
CN112527547B (zh) | 一种基于自动卷积神经网络的机械智能故障预测方法 | |
CN107615183A (zh) | 模型预测控制应用程序中相对于最佳性能值的优良性能的系统和方法 | |
Villalón-Falcón et al. | Computational adaptive multivariable degradation model for improving the remaining useful life prediction in industrial systems | |
CN116090618A (zh) | 一种电力通信网的运行态势感知方法和装置 | |
CN115829123A (zh) | 基于灰色模型与神经网络的天然气需求预测方法及装置 | |
CN110909908A (zh) | 一种用于物品拣选时长预测的方法和装置 | |
CN116415700A (zh) | 一种结合人工智能的风能数值预报方法及其装置 | |
CN115618752B (zh) | 一种基于Autoformer模型的电力负荷控制方法及系统 | |
CN116722548B (zh) | 一种基于时间序列模型的光伏发电预测方法及相关设备 | |
CN117175595B (zh) | 一种基于多级数据的电网调控方法及系统 | |
WO2023041022A1 (en) | System and method for computer-assisted design of inductor for voltage-controlled oscillator | |
EP4198831A1 (en) | Automated feature engineering for predictive modeling using deep reinforcement learning | |
CN115047751A (zh) | 一种基于智能vrft的城市轨道交通列车速度控制方法 | |
CN114065987A (zh) | 一种不良数据的修复方法、存储介质和电子装置 | |
CN114138412A (zh) | 一种虚拟机放置后的动态管理方法和装置 | |
CN117350391A (zh) | 量子芯片的几何参数确定方法、装置、设备以及存储介质 |
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 |