CN115906601A - 电力管理系统的优化方法及装置 - Google Patents

电力管理系统的优化方法及装置 Download PDF

Info

Publication number
CN115906601A
CN115906601A CN202111151583.4A CN202111151583A CN115906601A CN 115906601 A CN115906601 A CN 115906601A CN 202111151583 A CN202111151583 A CN 202111151583A CN 115906601 A CN115906601 A CN 115906601A
Authority
CN
China
Prior art keywords
flow model
power flow
grid
power
solution
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
Application number
CN202111151583.4A
Other languages
English (en)
Inventor
单联柱
山根宪一郎
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.)
Hitachi Ltd
Original Assignee
Hitachi 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 Hitachi Ltd filed Critical Hitachi Ltd
Priority to CN202111151583.4A priority Critical patent/CN115906601A/zh
Priority to PCT/CN2022/114152 priority patent/WO2023051101A1/zh
Priority to JP2024505384A priority patent/JP2024528087A/ja
Publication of CN115906601A publication Critical patent/CN115906601A/zh
Pending legal-status Critical Current

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
    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward 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
    • G06N3/08—Learning methods
    • 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
    • H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
    • H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供了一种电力管理系统的优化方法及装置，方法包括：将从电网中采集的训练数据，输入至机器学习模型，识别所述电网的潮流(PF)模型和最优潮流(OPF)计算所需的梯度信息，该机器学习模型为前馈人工神经网络；获得最优潮流模型中决策变量的初始解，将初始解作为最优潮流模型的当前解决方案进入迭代计算过程，OPF多次迭代计算后得到所需控制指令和显示信息。本发明不需要多次迭代即可计算得到用于OPF计算的梯度信息(雅可比矩阵)，并利用梯度信息来提高OPF运算的性能和速度，减少了OPF计算的运算量，提高计算效率。另外，本发明采用机器学习模型建模PF模型，可以采用更多种类的输入数据作为机器学习的训练数据，提高了PF模型的鲁棒性和精度。

Description

电力管理系统的优化方法及装置
技术领域
本发明涉及电力系统仿真及分析技术领域，具体涉及一种电力管理系统的优化方法及装置。
背景技术
微网，又称为微电网(Micro-Grid)，是相对传统大电网(主电网)的一个概念，是指多个分布式电源及其相关负载按照一定的拓扑结构组成的网络，并通过静态开关关联至主电网。开发和延伸微网能够充分促进分布式电源与可再生能源的大规模接入，实现对负荷多种能源形式的高可靠供给，是实现主动式配电网的一种有效方式。
电力系统在运行时，电流或功率在电源的作用下，通过系统各元件流入负荷，分布于电力网各处，称为潮流(Power Flow，PF)分布。电力系统的潮流计算是研究电力系统稳态运行情况的一种基本电气计算，其任务是根据给定的运行条件和网络结构确定整个系统的运行状态，如各母线上的电压(幅值及相角)、网络中的功率分布以及功率损耗等。电力系统中的潮流计算的主要内容包括：电流和功率分布的计算；功率损耗的计算；电压损耗和节点电压的计算等。电力系统潮流计算的结果是电力系统稳定计算和故障分析的基础。
为了优化系统的运行，从所有可行潮流解中挑选出满足一定指标要求的一个最佳方案就是最优潮流(Optimal Power Flow，OPF)问题。最优潮流是指从电力系统优化运行的角度来调整系统中各种控制设备的参数，在满足节点正常功率平衡及各种安全指标的约束下，实现目标函数最小化的优化过程。由于最优潮流是同时考虑网络的安全性和经济性的分析方法，因此在电力系统的安全运行、经济调度、电网规划、复杂电力系统的可靠性分析、传输阻塞的经济控制等方面得到广泛的应用。
电力系统的数学建模对于监控、优化或安全运行至关重要。最优潮流是电网优化运行的必要条件。最优潮流通常用来计算电力系统中设备或负荷的最优控制指令
现有技术的第一种潮流计算方法，通过建模潮流模型，利用负载功率作为输入进行计算。该方案的输入参数非常有限，导致潮流模型的误差大精度低。同时该方案在计算时需要进行多次迭代，速度较慢。
现有技术的第二种潮流计算方法，使用传统的潮流模型进行最优潮流计算，同样存在潮流模型的误差大精度低的问题。
现有技术的第三种潮流计算方法，也是使用传统潮流模型，进行最优潮流计算，最终将最优潮流转换成机器学习以加快计算速度。该方案在进行潮流计算时需要进行多次迭代，在最优潮流计算时也要进行多次迭代，导致最终潮流计算迭代次数指数级增长，计算速度很慢，在有限时间内计算精度较低。
上述现有技术的第一种潮流计算方法，可参考以下文献1～5。上述现有技术的第二种潮流计算方法，可参考以下专利文献6～9。上述现有技术的第三种潮流计算方法，可参考以下文献10～20：
[1]Artificial neural network based load flow solution of Saudinational grid，
Wael Abdullah Alsulami；R Sreerama Kumar,2017Saudi Arabia Smart Grid(SASG)；
[2]Physics-Guided Deep Neural Networks for Power Flow Analysis，
Xinyue Hu；Haoji Hu；Saurabh Verma；Zhi-Li Zhang,IEEE Transactions onPower Systems,Year:2021；
[3]Load flow estimaton in electrical systems using artificial neuralnetworks，
Elena-Diana Aparaschivei；Ovidiu Ivanov；Mihai
Figure BDA0003287318110000021
2012International Conference and Exposition on Electrical and PowerEngineering,Year:2012；
[4]Model-Driven Architecture of Extreme Learning Machine to ExtractPower Flow Features，
Qian Gao；Zhifang Yang；Juan Yu；Wei Dai；Xingyu Lei；Bo Tang；Kaigui Xie；Wenyuan Li,IEEE Transactions on Neural Networks and Learning System,Year:2020；
[5]Fast Calculation of Probabilistic Power Flow:A Model-Based DeepLearning Approach，
Yan Yang；Zhifang Yang；Juan Yu；Baosen Zhang；Youqiang Zhang；HongxinYu.IEEE Transactions on Smart Grid.Year:2020；
[6]美国专利US 9507367B2；
[7]美国专利US 9953117B2；
[8]美国专利US 9705336B2；
[9]欧洲专利申请EP 2 773 005 B1；
[10]Li G,Lu W,Bian J,Qin F and Wu J(2019)Probabilistic Optimal PowerFlow Calculation Method Based on Adaptive Diffusion Kernel DensityEstimation.Front.Energy Res.7:128.doi:10.3389/fenrg.2019.00128；
[11]Optimal power flow study using conventional and neural networksmethods，
Labed Imen；Labed Djamel；Serghine Hassiba；Draidi Abdellah；FetissiSelwa.2015International Conference on Renewable Energy Research andApplications(ICRERA).Year:2015；
[12]Fast Calculation of Probabilistic Optimal Power Flow:A DeepLearning Approach，
Yan Yang；Juan Yu；Zhifang Yang；Mingxu Xiang；Ren Liu.2019IEEE Power&Energy Society General Meeting(PESGM).Year:2019；
[13]中国专利CN 104091092B；
[14]Reinforcement Learning Techniques for Optimal Power Control inGrid-Connected Microgrids:A Comprehensive Review.Erick O.Arwa；KomlaA.Folly.IEEE Access.Year:2020；
[15]A Data-driven Method for Fast AC Optimal Power Flow Solutions viaDeep Reinforcement Learning，
Yuhao Zhou；Bei Zhang；Chunlei Xu；Tu Lan；Ruisheng Diao；Di Shi；ZhiweiWang；Wei-Jen Lee.Journal of Modern Power Systems and Clean Energy.Year:2020；
[16]Real-Time Optimal Power Flow:A Lagrangian Based DeepReinforcement Learning Approach，
Ziming Yan；Yan Xu.IEEE Transactions on Power Systems.Year:2020；
[17]DeepOPF:Deep Neural Network for DC Optimal Power Flow，
Xiang Pan；Tianyu Zhao；Minghua Chen.2019IEEE International Conferenceon Communications,Control,and Computing Technologies for Smart Grids(SmartGridComm).Year:2019；
[18]Neural Network Optimal-Power-Flow.Proceedings of the 4thInternational Conference on Advances in Power System Control,Operation andManagement,APSCOM-97,Hong Kong,November 1997.’.T.T.Nguyen；
[19]Multi-contingency transient stability-constrained optimal powerflow using multilayer feedforward neural networks.Robert T.F.Ah King；XiaopingTu；Louis-A.Dessaint；Innocent Kamwa.2016IEEE Canadian Conference on Electricaland Computer Engineering(CCECE).Year:2016；
[20]Optimal power flows with voltage stability constraint based onvoltage stability indices and artificial neural networks.Guilherme G.Lage；Ricardo A.S.Fernandes；Geraldo R.M.da Costa.2015IEEE Eindhoven PowerTech.Year:2015。
可以看出，现有技术的潮流计算通常存在着模型精度低、输入参数有限或计算速度慢等问题。
发明内容
本发明实施例要解决的技术问题是提供一种电力管理系统的优化方法及装置，能够提高最优潮流的计算效率。
为解决上述技术问题，本发明实施例提供的一种电力管理系统的优化方法，包括：
将从电网中采集的训练数据，输入至机器学习模型，识别所述电网的潮流模型，其中，所述机器学习模型为前馈人工神经网络；
获得最优潮流模型中决策变量的初始解，将所述初始解作为最优潮流模型的当前解决方案进入迭代计算过程，所述迭代计算过程包括：
步骤a，利用上一次迭代计算得到的所述最优潮流模型的目标函数的输出结果相对于决策变量的梯度信息，对当前解决方案进行更新，获得更新后的解决方案；
步骤b，将更新后的解决方案输入至所述潮流模型，获得所述潮流模型的输出结果；
步骤c，将所述潮流模型的输出结果作为输入，进行所述最优潮流模型的目标函数的计算，获得所述最优潮流模型的最新解决方案，并判断是否满足所述最优潮流模型的约束条件和收敛标准；
步骤d，在不满足所述最优潮流模型的约束条件或收敛标准的情况下，将所述最新解决方案作为当前解决方案，返回所述步骤a进行下一次迭代计算；
步骤e，在满足所述最优潮流模型的约束条件和收敛标准的情况下，结束迭代计算过程，并将所述最新解决方案中的决策变量作为控制命令输出至所述电网。
可选的，在所述步骤a中，若当前迭代计算为所述迭代计算过程中的首次迭代计算，则直接将所述电网中分布式能源设备的标称功率，作为更新后的解决方案并进入步骤b。
可选的，所述梯度信息为所述最优潮流模型的目标函数的每个输出值相对于各个决策变量的雅可比矩阵，在所述步骤a中，计算所述雅可比矩阵，并利用所述雅可比矩阵，按照所述目标函数的输出值的下降方向，对当前解决方案进行更新，获得更新后的解决方案。
可选的，利用复合函数偏导数的链式法则，将所述雅可比矩阵转换成包含有所述潮流模型的计算方程，利用所述计算方程，计算所述雅可比矩阵。
可选的，所述训练数据中的输入数据包括：从所述电网多个预设位置点采集到的状态数据，所述状态数据包括电流、电压和功率中的一种或多种；
所述训练数据中的输出数据至少包括所述电网中的预设薄弱位置点的电流或电压。
可选的，所述训练数据中的输入数据还包括：环境信息、来自主电网的调度命令和电网切换命令中的至少一种；其中，所述环境信息包括空气温度、湿度、降水量、风速和太阳辐射信息中的一种或多种。
可选的，所述最优潮流模型的输入包括：定价信息、硬件容量、电网规范和可控性范围。
可选的，所述最优潮流模型的输入还包括：预测负载、分布式能源设备的预测功率、来自主电网的调度命令和电网切换命令中的至少一种。
可选的，所述最优潮流模型的目标函数为：主电网的购电成本加上分布式能源设备的激励，并减去电网客户中的电力销售收入；
所述最优潮流模型的约束条件包括：硬件容量及安全操作的限制条件；电网规范的限制条件，包括被监测位置的线路功率和电流限制；以及，分布式能源设备的可控性范围的限制；
所述最优潮流模型的决策变量包括：电网中具有可控性的分布式能源设备的功率。
可选的，所述最优潮流模型的目标函数为：主电网的购电成本加上分布式能源设备的激励、碳排放成本和硬件老化成本，并减去电网客户中的电力销售收入；
所述最优潮流模型的约束条件包括：硬件容量及安全操作的限制条件；电网规范的限制条件，包括被监测位置的线路功率和电流限制；分布式能源设备的可控性范围的限制；以及，主电网的调度命令的限制；
所述最优潮流模型的决策变量包括：电网中具有可控性的分布式能源设备的功率。
根据本发明的另一方面，至少一个实施例提供了一种电力管理系统的优化装置，包括：
潮流模型识别模块，用于将从电网中采集的训练数据，输入至机器学习模型，识别所述电网的潮流模型，其中，所述机器学习模型为前馈人工神经网络；
迭代处理模块，用于获得最优潮流模型中决策变量的初始解，将所述初始解作为最优潮流模型的当前解决方案进入迭代计算过程，所述迭代计算过程包括：
步骤a，利用上一次迭代计算得到的所述最优潮流模型的目标函数的输出结果相对于决策变量的梯度信息，对当前解决方案进行更新，获得更新后的解决方案；
步骤b，将更新后的解决方案输入至所述潮流模型，获得所述潮流模型的输出结果；
步骤c，将所述潮流模型的输出结果作为输入，进行所述最优潮流模型的目标函数的计算，获得所述最优潮流模型的最新解决方案，并判断是否满足所述最优潮流模型的约束条件和收敛标准；
步骤d，在不满足所述最优潮流模型的约束条件或收敛标准的情况下，将所述最新解决方案作为当前解决方案，返回所述步骤a进行下一次迭代计算；
步骤e，在满足所述最优潮流模型的约束条件和收敛标准的情况下，结束迭代计算过程，并将所述最新解决方案中的决策变量作为控制命令输出至所述电网。
根据本发明的另一方面，至少一个实施例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上存储有程序，所述程序被处理器执行时，实现如上所述的方法的步骤。
从以上所述可以看出，本发明实施例提供的电力管理系统的优化方法及装置，不需要多次迭代，即可计算得到用于OPF计算的梯度信息(雅可比矩阵)，并利用梯度信息来提高OPF运算的性能和速度，从而减少了OPF计算的运算量，提高计算效率。另外，本发明实施例采用机器学习模型建模PF模型，可以采用更多种类的输入数据作为机器学习的训练数据，从而能够提高PF模型的鲁棒性和精度。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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为本发明实施例的电力管理系统的优化方法的一种应用场景示意图；
图2为本发明实施例的电力管理系统的优化方法的另一应用场景示意图；
图3为本发明实施例的OPF中心120的一种功能结构示意图；
图4为本发明实施例的OPF迭代计算过程的一种示意图；
图5为本发明实施例的电力管理系统的优化方法的一种流程示意图；
图6为本发明实施例的OPF迭代计算过程的另一种示意图；
图7为本发明实施例的电力管理系统的优化装置的一种结构示意图；
图8为本发明实施例的电力管理系统的优化装置的另一种结构示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。在下面的描述中，提供诸如具体的配置和组件的特定细节仅仅是为了帮助全面理解本发明的实施例。因此，本领域技术人员应该清楚，可以对这里描述的实施例进行各种改变和修改而不脱离本发明的范围和精神。另外，为了清楚和简洁，省略了对已知功能和构造的描述。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
在本发明的各种实施例中，应理解，下述各过程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，而不应对本发明实施例的实施过程构成任何限定。
本发明实施例提供了一种电力管理系统的优化方法，在最优潮流计算中，采用人工神经网络进行潮流模型的建模。具体的，本发明实施例利用前馈人工神经网络识别潮流模型，前馈人工神经网络的训练数据中的输入数据可以包括：测量得到的电网状态(可以是功率、电压和电流中的一种或多种)、环境信息和电网切换命令；训练数据中的输出数据至少包括电网中处于严苛条件的位置的电压或功率。所述处于严苛条件的位置可以是预先根据电网中的薄弱位置点选择出的，所述薄弱位置点可以是电网的性能瓶颈点、潜在故障点或隐患点，如某个变压器是电网的一个性能瓶颈点，则可以将该变压器作为一个薄弱位置点。训练数据中的功率和电压可以来自电网的不同位置。另外，本发明实施例使用训练得到的潮流模型进行雅可比矩阵的计算，能够提高最优潮流中的迭代计算的效率。
请参照图1，本发明实施例提供的电力管理系统的优化方法的一种应用场景示意图。该场景中包括有OPF中心120，该OPF中心120即本发明实施例的电力管理系统的优化装置。该OPF中心120与电网101连接，还可以与主电网119连接。电网101包括有多个分布式能源(Distributed Energy Resource，DER)设备，该电网101通过接入点102接入主电网119。下面对该场景中的各个单元进行详细介绍。
101表示OPF中心120监控下的电网，该电网这可能是配电网、微电网或工业园区的电力网络等，其规模通常小于主电网119。
102表示电网101和主电网119的互联点，实际场景中可能有多个互联点，这些互联点的所有状态数据，包括电压、电压相位角、有功功率和无功功率等，都由120监控。
103和104是电网101内的变压器。
105、110、112、114、116和118是电网101内部的负载、能量存储和发电设备，如果它们的功率可以调整，即它们的功率是灵活的或可控的，则它们也可被称为分布式能源(DER)设备或可控性设备。107表示105的功率控制命令，129则表示105的可控性范围(如功率具有一个可控性范围)，可控性范围的信息可以上传给OPF中心120。如果101中的任何其他设备也具有可控性(flexibility,)，并且其可控性范围是120执行优化计算过程中的决策变量之一，则该设备需要接收类似于107的控制命令，并将可控性范围信息上传到120，类似于129。
106是105的功率或电压的监测装置。109、111、113、115和117也是类似的装置。注意，与109类似，监测装置可以位于被监测装置110内。注意，在本发明实施例中，处于诸如重负载或接近过压等严重条件下的电网101的状态(功率或电压)应由装置106监控。另外，装置106还可以监测互连点102的功率或电压。
108表示一条电源线的监控装置。
电网101内可能存在其他类型的设备，如果其中任何设备正在产生或消耗较大的功率，则OPF中心120需要监控其状态，可以通过类似于106这样的装置。
119表示主电网。120表示OPF中心，为电网101内的可控性设备(或称为DER设备)计算最优或最经济的调度命令。
121是101和120之间的通信信道，从101到120的数据具体可以是诸如106或109的监视装置的测量数据；从120到101的数据具体可以是对特定设备的最优或最经济的调度命令或控制命令。
122是针对电网101的电网切换命令，该命令可以是来自101的常规调度中心或类似功能。
123表示环境信息，具体可以包括空气温度、湿度、降水量、风速和太阳辐射等信息。如果电网101的规模较大，则电网122可以包含不同地理区域的多种环境信息。
124表示定价信息，具体可以包括电价、DER设备的发电价格、给予DER设备的激励等。
125表示电网101中的硬件容量，例如，硬件设备的功率、电流或电压的容量或限制范围。
126表示电网规范(grid code)，如电压限制条件。根据相关标准，电网规范通常是静态信息。
127表示预测负载或分布式能源设备的预测功率。这里，预测负载是指预测得到的电网101的负载。DER的预测功率是可选的，时间段可以是1小时或24小时。127是本发明的输入。
128表示从主电网输入到电网101的调度命令，该命令是可选的。
图2为本发明实施例基于机器学习的电力管理系统的一种简化的硬件结构示意图，与图1相比，图2删除了一些数据。例如，预测负载或DER功率127可以被替换为：与OPF优化计算210中时间长度相同的历史时间范围内的相同种类的数据。
另外，调度命令128可替换为：与OPF优化计算210中时间长度相同的历史功率的静态平均值，该历史功率是在102处测量得到的。
图3提供了本发明实施例的OPF中心120的一种功能结构示意图。其中：
201是数据输入的一部分。在图2所示的实施例中，201可以包括监测装置106、109、111、113、115和117的测量数据。在图1所示的实施例中，201可以包括电网切换命令122、环境信息123以及监测装置106、109、111、113、115和117的测量数据。
注意，诸如监测装置106的测量数据可以包括功率和电压，如果机器学习数据(MLdata)的输入是功率，则202中的机器学习数据的输出为电压，该电压对应于电网的某个位置。反之亦然。有时候，电压和功率可以是从同一个设备测量得到的，有时它们可以是从不同设备或不同位置测量得到的。
注意，机器学习数据的输出通常至少包含电网101中特定位置的状态，该特定位置是具有违反210中定义的任何限制的风险的位置。
另外，诸如监测装置106的测量数据可以包含实时数据和历史数据。
202表示用于机器学习(ML)的数据的预处理，包括：
将电网切换命令(主要是一些离散数据)量化为数值，量化的基本规则是：如果开关在电网中彼此更接近，则它们的切换命令的量化值也更接近；
按照预设的固定顺序，将监测装置106等设备的测量数据重新组织；
将201的所有数据转换为彼此相似的范围，一种具体方式是对所有的机器学习数据进行归一化处理。
203表示用于训练的预处理后的机器学习数据，即机器学习的训练数据。
204表示利用机器学习模型进行潮流(PF)建模，机器学习模型的训练数据为203。机器学习模型所使用的最大似然模型是前馈人工神经网络。人工神经网络的具体结构可以由经验和实际测试确定。注意，这里的前馈人工神经网络没有内部反馈回路，所以该前馈人工神经网络的计算(不是训练)不需要进行多次迭代。其训练方法与传统的ML训练方法相同。
如202中所定义的，机器学习数据可以包括有多个输出，其误差函数为：所有输出的总和或加权总和。
205和206都是基于ML训练得到的潮流(PF)模型。
207是基于ML的PF模型的PF计算。207只是执行训练过的ML模型，其输入是211，来自210，数据结构与201相同；其输出是电网101的多个设备或位置的电压或功率。在本文中，将该PF模型表示为函数：PF(x)。
208是计算210的目标函数相对于210的决策变量的雅可比矩阵。在后文中介绍210之后进行详细说明。
209是数据输入的一部分。在图2所示的实施例中，包括定价信息124、硬件容量125、电网规范126和可控性范围129。在如图1所示的实施例中，包括定价信息124、硬件容量125、电网规范126、预测负载和DER功率127、调度命令128和可控性范围129。
210表示最优潮流OPF优化计算。OPF模型是一个典型的优化问题。在本发明实施例中，OPF模型的优化目标是使目标函数的取值最小。具体的：
针对图2所示的实施例：
最小化与预测负载和DER功率127的时间段相同的时间段内的目标函数OBJ(x,PF(x),y)，其中：OBJ(x,PF(x),y)＝主电网119的购电成本-电网客户中的电力销售收入+分布式能源设备的激励。
约束条件包括：
(1)硬件容量和安全操作的限制条件；
(2)电网规范的限制条件，包括被监测位置的线路功率(line power)和电流限制等；
(3)DER设备的可控性范围129的限制条件。
这里，目标函数OBJ是一个数值函数。决策变量为：电网101中具有可控性的分布式能源(DER)设备功率，包括有功功率和无功功率。
上文中的目标函数是针对图2所示的实施例，可以通过以下方式，将其更改为针对图1所示的实施例的目标函数：例如，如果已知101中的硬件老化与该设备功率之间的关系，则硬件老化可以作为费用的一部分添加到OBJ中。又例如，如果已知来自主电网和电网101内的DER的电力排放指数，则可以计算得到电网101的总碳排放成本并添加到OBJ中。另外，约束条件也可以增加。
针对图1所示的实施例：
最小化与预测负载和DER功率127的时间段相同的时间段内的目标函数OBJ(x,PF(x),y)，其中：OBJ(x,PF(x),y)＝主电网119的购电成本-电网客户中的电力销售收入+分布式能源设备的激励+电网101的总碳排放成本+电网101的硬件老化成本。
约束条件包括：
(1)硬件容量和安全操作的限制条件；
(2)电网规范的限制条件，包括被监测位置的线路功率(line power)和电流限制等；
(3)DER设备的可控性范围129的限制条件。·
(4)来自主电网的调度命令128的限制。
这里，OBJ是一个向量值函数。决策变量为：电网101中具有可控性的分布式能源(DER)设备的功率，包括有功功率和无功功率。
OPF模型可以通过分布式算法，例如Benders分解算法，将OPF问题划分为在不同硬件上执行的多个部分；或采用传统的集中式算法进行计算。
208中的雅可比矩阵是目标函数OBJ的每个输出值相对于决策变量x的偏导数矩阵。这里，x表示决策变量，其中包括有用于PF建模的决策变量(如具有可控性的分布式能源(DER)设备的功率)，另外还可以包括除上述用于PF建模之外的剩余决策变量，剩余决策变量可以根据需要或经验来选择。
雅可比矩阵可以表示为：
Figure BDA0003287318110000131
其中，m是目标函数OBJ中决策变量x的数量，n是OBJ的输出值的数量。
雅可比矩阵的计算可以采用复合函数偏导数计算的常规链式规则：假设OBJi是OBJ的输出值之一，则：
Figure BDA0003287318110000132
其中，
Figure BDA0003287318110000133
可以通过经过训练的基于ML的PF函数解析方程进行简单计算得到，无需迭代。
211和213均为210在当前迭代计算中的决策变量。
212表示PF模型的输出结果。
214表示计算出的雅可比矩阵值，将用于210的优化过程。
215表示210的输出，其中一部分为决策变量的值，将作为控制命令发送给对应的分布式能源设备。另一部分是基于ML的PF模型的输出，可以输出到可视化前端进行显示。
207、208、211、212、213和214将在多次迭代计算中执行，一种迭代计算的流程请参考图4。
如图4所示，210中的OPF迭代计算过程包括：
301表示209中定义的数据输入。
302表示创建初始解，如果分布式能源设备的标称功率包含在127中的预测功率中，则决策变量的初始解为：决策变量等于分布式能源设备的标称功率。如果127中的预测功率没有分布式能源设备的标称功率，则决策变量等于分布式能源设备在上一时段中的功率，例如，最近一次测量得到的功率。
303表示更新OPF的解决方案。如果当前已经计算得到了雅可比矩阵，则根据雅可比矩阵，按照所述目标函数的输出值的下降方向，对当前解决方案进行更新；如果雅可比矩阵不可用，则不更新当前解决方案。经过303处理后的当前解决方案输入至304中。
304表示基于303输入的当前解决方案，执行207中PF模型，得到PF模型的输出结果。
305表示基于PF模型的输出结果，执行210中目标函数OBJ的计算，得到最新解决方案。
306表示根据208的定义，计算雅可比矩阵。
307表示判断最新解决方案是否满足210中定义的OPF的约束条件和收敛标准。若满足210中定义的OPF的约束条件和收敛标准，则将最新解决方案中的决策变量作为控制命令308输出到电网101中的分布式能源设备并结束迭代计算过程；若不满足210中定义的OPF的约束条件或收敛标准，则返回303，并开始下一次的迭代计算。
基于以上的各个实施例，本发明实施例提供的电力管理系统的优化方法，如图5所示，包括：
步骤501，将从电网中采集的训练数据，输入至机器学习模型，识别所述电网的潮流模型，其中，所述机器学习模型为前馈人工神经网络。
这里，所述训练数据中的输入数据包括：从所述电网多个预设位置点采集到的状态数据，所述状态数据包括电流、电压和功率中的一种或多种；所述训练数据中的输出数据至少包括所述电网中的预设薄弱位置点的电流或电压。
进一步的，所述训练数据中的输入数据还可以包括：环境信息、来自主电网的调度命令和电网切换命令中的至少一种；其中，所述环境信息包括空气温度、湿度、降水量、风速和太阳辐射信息中的一种或多种。
步骤502，获得最优潮流模型中决策变量的初始解，将所述初始解作为最优潮流模型的当前解决方案进入迭代计算过程。
这里，所述最优潮流模型的输入包括：定价信息、硬件容量、电网规范和可控性范围。可选的，所述最优潮流模型的输入还包括：预测负载、分布式能源设备的预测功率、来自主电网的调度命令和电网切换命令中的至少一种。
对应于图2所示的实施例，所述最优潮流模型的目标函数为：主电网的购电成本减去电网客户中的电力销售收入和分布式能源设备的激励；所述最优潮流模型的约束条件包括：硬件容量及安全操作的限制条件；电网规范的限制条件，包括被监测位置的线路功率和电流限制；以及，分布式能源设备的可控性范围的限制；所述最优潮流模型的决策变量包括：电网中具有可控性的分布式能源设备的功率。
对应于图2所示的实施例，所述最优潮流模型的目标函数为：主电网的购电成本减去电网客户中的电力销售收入和分布式能源设备的激励，并加上碳排放成本和硬件老化成本；所述最优潮流模型的约束条件包括：硬件容量及安全操作的限制条件；电网规范的限制条件，包括被监测位置的线路功率和电流限制；分布式能源设备的可控性范围的限制；以及，主电网的调度命令的限制；所述最优潮流模型的决策变量包括：电网中具有可控性的分布式能源设备的功率。
其中，所述迭代计算过程如图6所示，包括：
步骤a，利用上一次迭代计算得到的所述最优潮流模型的目标函数的输出结果相对于决策变量的梯度信息，对当前解决方案进行更新，获得更新后的解决方案。
这里，在进行首次迭代计算时，并不存在上一次迭代计算得到的目标函数的输出结果，此时可以将最近一次测量得到的各个决策变量的测量结果作为所述更新后的解决方案，或者，将各个决策变量对应的分布式能源设备的标称功率作为所述更新后的解决方案，然后进入步骤b。
所述梯度信息为所述最优潮流模型的目标函数的每个输出值相对于各个决策变量的雅可比矩阵，在步骤a中，计算所述雅可比矩阵，并利用所述雅可比矩阵，按照所述目标函数的输出值的下降方向，对当前解决方案进行更新，获得更新后的解决方案。
在计算雅可比矩阵时，可以利用复合函数偏导数的链式法则，将所述雅可比矩阵转换成包含有所述潮流模型的计算方程，利用所述计算方程，计算所述雅可比矩阵，本发明实施例不需要多次迭代计算，就可以得到雅可比矩阵，能够方便的计算得到用于OPF计算的梯度信息。
步骤b，将更新后的解决方案输入至所述潮流模型，获得所述潮流模型的输出结果。
步骤c，将所述潮流模型的输出结果作为输入，进行所述最优潮流模型的目标函数的计算，获得所述最优潮流模型的最新解决方案，并判断是否满足所述最优潮流模型的约束条件和收敛标准。
步骤d，在不满足所述最优潮流模型的约束条件或收敛标准的情况下，将所述最新解决方案作为当前解决方案，返回所述步骤a进行下一次迭代计算。
步骤e，在满足所述最优潮流模型的约束条件和收敛标准的情况下，结束迭代计算过程，并将所述最新解决方案中的决策变量作为控制命令输出至所述电网。
从以上所述可以看出，本发明实施例不需要多次迭代，即可计算得到用于OPF计算的梯度信息(雅可比矩阵)，并利用梯度信息来提高OPF运算的性能和速度，从而减少了OPF计算的运算量，提高计算效率。另外，本发明实施例采用机器学习模型建模PF模型，可以采用更多种类的输入数据作为机器学习的训练数据，从而能够提高PF模型的鲁棒性和精度。
请参参照图7，本发明实施例还提供了一种电力管理系统的优化装置，该电力管理系统的优化装置相当于图1和图2中的120，如图7所示，该装置包括：
潮流模型识别模块701，用于将从电网中采集的训练数据，输入至机器学习模型，识别所述电网的潮流模型，其中，所述机器学习模型为前馈人工神经网络；
迭代处理模块702，用于获得最优潮流模型中决策变量的初始解，将所述初始解作为最优潮流模型的当前解决方案进入迭代计算过程，所述迭代计算过程包括：
步骤a，利用上一次迭代计算得到的所述最优潮流模型的目标函数的输出结果相对于决策变量的梯度信息，对当前解决方案进行更新，获得更新后的解决方案；
步骤b，将更新后的解决方案输入至所述潮流模型，获得所述潮流模型的输出结果；
步骤c，将所述潮流模型的输出结果作为输入，进行所述最优潮流模型的目标函数的计算，获得所述最优潮流模型的最新解决方案，并判断是否满足所述最优潮流模型的约束条件和收敛标准；
步骤d，在不满足所述最优潮流模型的约束条件或收敛标准的情况下，将所述最新解决方案作为当前解决方案，返回所述步骤a进行下一次迭代计算；
步骤e，在满足所述最优潮流模型的约束条件和收敛标准的情况下，结束迭代计算过程，并将所述最新解决方案中的决策变量作为控制命令输出至所述电网。
可选的，在所述步骤a中，若当前迭代计算为所述迭代计算过程中的首次迭代计算，则直接将所述电网中分布式能源设备的标称功率，作为更新后的解决方案并进入步骤b。
可选的，所述梯度信息为所述最优潮流模型的目标函数的每个输出值相对于各个决策变量的雅可比矩阵，在所述步骤a中，计算所述雅可比矩阵，并利用所述雅可比矩阵，按照所述目标函数的输出值的下降方向，对当前解决方案进行更新，获得更新后的解决方案。
可选的，利用复合函数偏导数的链式法则，将所述雅可比矩阵转换成包含有所述潮流模型的计算方程，利用所述计算方程，计算所述雅可比矩阵。
可选的，所述训练数据中的输入数据包括：从所述电网多个预设位置点采集到的状态数据，所述状态数据包括电流、电压和功率中的一种或多种；所述训练数据中的输出数据至少包括所述电网中的预设薄弱位置点的电流或电压。
可选的，所述训练数据中的输入数据还包括：环境信息、来自主电网的调度命令和电网切换命令中的至少一种；其中，所述环境信息包括空气温度、湿度、降水量、风速和太阳辐射信息中的一种或多种。
可选的，所述最优潮流模型的输入包括：定价信息、硬件容量、电网规范和可控性范围。
可选的，所述最优潮流模型的输入还包括：预测负载、分布式能源设备的预测功率、来自主电网的调度命令和电网切换命令中的至少一种。
可选的，所述最优潮流模型的目标函数为：主电网的购电成本加上分布式能源设备的激励，并减去电网客户中的电力销售收入；所述最优潮流模型的约束条件包括：硬件容量及安全操作的限制条件；电网规范的限制条件，包括被监测位置的线路功率和电流限制；以及，分布式能源设备的可控性范围的限制；所述最优潮流模型的决策变量包括：电网中具有可控性的分布式能源设备的功率。
可选的，所述最优潮流模型的目标函数为：主电网的购电成本加上分布式能源设备的激励、碳排放成本和硬件老化成本，并减去电网客户中的电力销售收入；所述最优潮流模型的约束条件包括：硬件容量及安全操作的限制条件；电网规范的限制条件，包括被监测位置的线路功率和电流限制；分布式能源设备的可控性范围的限制；以及，主电网的调度命令的限制；所述最优潮流模型的决策变量包括：电网中具有可控性的分布式能源设备的功率。
请参考图8，本发明实施例提供了电力管理系统的优化装置800的又一结构示意图，包括：处理器801、收发机802、存储器803和总线接口，其中：
在本发明实施例中，电力管理系统的优化装置800还包括：存储在存储器上803并可在处理器801上运行的程序，所述程序被处理器801执行时实现如下步骤：
将从电网中采集的训练数据，输入至机器学习模型，识别所述电网的潮流模型，其中，所述机器学习模型为前馈人工神经网络；
获得最优潮流模型中决策变量的初始解，将所述初始解作为最优潮流模型的当前解决方案进入迭代计算过程，所述迭代计算过程包括：
步骤a，利用上一次迭代计算得到的所述最优潮流模型的目标函数的输出结果相对于决策变量的梯度信息，对当前解决方案进行更新，获得更新后的解决方案；
步骤b，将更新后的解决方案输入至所述潮流模型，获得所述潮流模型的输出结果；
步骤c，将所述潮流模型的输出结果作为输入，进行所述最优潮流模型的目标函数的计算，获得所述最优潮流模型的最新解决方案，并判断是否满足所述最优潮流模型的约束条件和收敛标准；
步骤d，在不满足所述最优潮流模型的约束条件或收敛标准的情况下，将所述最新解决方案作为当前解决方案，返回所述步骤a进行下一次迭代计算；
步骤e，在满足所述最优潮流模型的约束条件和收敛标准的情况下，结束迭代计算过程，并将所述最新解决方案中的决策变量作为控制命令输出至所述电网。
可理解的，本发明实施例中，所述计算机程序被处理器801执行时可实现以上的电力管理系统的优化方法各个实施例的过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
在图8中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器801代表的一个或多个处理器和存储器803代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。收发机802可以是多个元件，即包括发送机和接收机，提供用于在传输介质上与各种其他装置通信的单元。
处理器801负责管理总线架构和通常的处理，存储器803可以存储处理器801在执行操作时所使用的数据。
需要说明的是，该实施例中的终端是与上述图3所示的方法对应的设备，上述各实施例中的实现方式均适用于该终端的实施例中，也能达到相同的技术效果。该设备中，收发机802与存储器803，以及收发机802与处理器801均可以通过总线接口通讯连接，处理器801的功能也可以由收发机802实现，收发机802的功能也可以由处理器801实现。在此需要说明的是，本发明实施例提供的上述设备，能够实现上述方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
在本发明的一些实施例中，还提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现以下步骤：
将从电网中采集的训练数据，输入至机器学习模型，识别所述电网的潮流模型，其中，所述机器学习模型为前馈人工神经网络；
获得最优潮流模型中决策变量的初始解，将所述初始解作为最优潮流模型的当前解决方案进入迭代计算过程，所述迭代计算过程包括：
步骤a，利用上一次迭代计算得到的所述最优潮流模型的目标函数的输出结果相对于决策变量的梯度信息，对当前解决方案进行更新，获得更新后的解决方案；
步骤b，将更新后的解决方案输入至所述潮流模型，获得所述潮流模型的输出结果；
步骤c，将所述潮流模型的输出结果作为输入，进行所述最优潮流模型的目标函数的计算，获得所述最优潮流模型的最新解决方案，并判断是否满足所述最优潮流模型的约束条件和收敛标准；
步骤d，在不满足所述最优潮流模型的约束条件或收敛标准的情况下，将所述最新解决方案作为当前解决方案，返回所述步骤a进行下一次迭代计算；
步骤e，在满足所述最优潮流模型的约束条件和收敛标准的情况下，结束迭代计算过程，并将所述最新解决方案中的决策变量作为控制命令输出至所述电网。
该程序被处理器执行时能实现上述电力管理系统的优化方法中的所有实现方式，且能达到相同的技术效果，为避免重复，此处不再赘述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，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发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (11)

1.一种电力管理系统的优化方法，其特征在于，包括：
将从电网中采集的训练数据，输入至机器学习模型，识别所述电网的潮流模型，其中，所述机器学习模型为前馈人工神经网络；
获得最优潮流模型中决策变量的初始解，将所述初始解作为最优潮流模型)的当前解决方案进入迭代计算过程，所述迭代计算过程包括：
步骤a，利用上一次迭代计算得到的所述最优潮流模型的目标函数的输出结果相对于决策变量的梯度信息，对当前解决方案进行更新，获得更新后的解决方案；
步骤b，将更新后的解决方案输入至所述潮流模型，获得所述潮流模型的输出结果；
步骤c，将所述潮流模型的输出结果作为输入，进行所述最优潮流模型的目标函数的计算，获得所述最优潮流模型的最新解决方案，并判断是否满足所述最优潮流模型的约束条件和收敛标准；
步骤d，在不满足所述最优潮流模型的约束条件或收敛标准的情况下，将所述最新解决方案作为当前解决方案，返回所述步骤a进行下一次迭代计算；
步骤e，在满足所述最优潮流模型的约束条件和收敛标准的情况下，结束迭代计算过程，并将所述最新解决方案中的决策变量作为控制命令输出至所述电网。
2.如权利要求1所述的方法，其特征在于，在所述步骤a中，若当前迭代计算为所述迭代计算过程中的首次迭代计算，则直接将所述电网中分布式能源设备的标称功率，作为更新后的解决方案并进入步骤b。
3.如权利要求1所述的方法，其特征在于，所述梯度信息为所述最优潮流模型的目标函数的每个输出值相对于各个决策变量的雅可比矩阵，在所述步骤a中，计算所述雅可比矩阵，并利用所述雅可比矩阵，按照所述目标函数的输出值的下降方向，对当前解决方案进行更新，获得更新后的解决方案。
4.如权利要求3所述的方法，其特征在于，
利用复合函数偏导数的链式法则，将所述雅可比矩阵转换成包含有所述潮流模型的计算方程，利用所述计算方程，计算所述雅可比矩阵。
5.如权利要求1所述的方法，其特征在于，
所述训练数据中的输入数据包括：从所述电网多个预设位置点采集到的状态数据，所述状态数据包括电流、电压和功率中的一种或多种；
所述训练数据中的输出数据至少包括所述电网中的预设薄弱位置点的电流或电压。
6.如权利要求5所述的方法，其特征在于，
所述训练数据中的输入数据还包括：环境信息、来自主电网的调度命令和电网切换命令中的至少一种；其中，所述环境信息包括空气温度、湿度、降水量、风速和太阳辐射信息中的一种或多种。
7.如权利要求1所述的方法，其特征在于，
所述最优潮流模型的输入包括：定价信息、硬件容量、电网规范和可控性范围。
8.如权利要求7所述的方法，其特征在于，
所述最优潮流模型的输入还包括：预测负载、分布式能源设备的预测功率、来自主电网的调度命令和电网切换命令中的至少一种。
9.如权利要求1所述的方法，其特征在于，
所述最优潮流模型的目标函数为：主电网的购电成本加上分布式能源设备的激励，并减去电网客户中的电力销售收入；
所述最优潮流模型的约束条件包括：硬件容量及安全操作的限制条件；电网规范的限制条件，包括被监测位置的线路功率和电流限制；以及，分布式能源设备的可控性范围的限制；
所述最优潮流模型的决策变量包括：电网中具有可控性的分布式能源设备的功率。
10.如权利要求1所述的方法，其特征在于，
所述最优潮流模型的目标函数为：主电网的购电成本加上分布式能源设备的激励、碳排放成本和硬件老化成本，并减去电网客户中的电力销售收入；
所述最优潮流模型的约束条件包括：硬件容量及安全操作的限制条件；电网规范的限制条件，包括被监测位置的线路功率和电流限制；分布式能源设备的可控性范围的限制；以及，主电网的调度命令的限制；
所述最优潮流模型的决策变量包括：电网中具有可控性的分布式能源设备的功率。
11.一种电力管理系统的优化装置，其特征在于，包括：
潮流模型识别模块，用于将从电网中采集的训练数据，输入至机器学习模型，识别所述电网的潮流模型，其中，所述机器学习模型为前馈人工神经网络；
迭代处理模块，用于获得最优潮流模型中决策变量的初始解，将所述初始解作为最优潮流模型的当前解决方案进入迭代计算过程，所述迭代计算过程包括：
步骤a，利用上一次迭代计算得到的所述最优潮流模型的目标函数的输出结果相对于决策变量的梯度信息，对当前解决方案进行更新，获得更新后的解决方案；
步骤b，将更新后的解决方案输入至所述潮流模型，获得所述潮流模型的输出结果；
步骤c，将所述潮流模型的输出结果作为输入，进行所述最优潮流模型的目标函数的计算，获得所述最优潮流模型的最新解决方案，并判断是否满足所述最优潮流模型的约束条件和收敛标准；
步骤d，在不满足所述最优潮流模型的约束条件或收敛标准的情况下，将所述最新解决方案作为当前解决方案，返回所述步骤a进行下一次迭代计算；
步骤e，在满足所述最优潮流模型的约束条件和收敛标准的情况下，结束迭代计算过程，并将所述最新解决方案中的决策变量作为控制命令输出至所述电网。
CN202111151583.4A 2021-09-29 2021-09-29 电力管理系统的优化方法及装置 Pending CN115906601A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202111151583.4A CN115906601A (zh) 2021-09-29 2021-09-29 电力管理系统的优化方法及装置
PCT/CN2022/114152 WO2023051101A1 (zh) 2021-09-29 2022-08-23 电力管理系统的优化方法及装置
JP2024505384A JP2024528087A (ja) 2021-09-29 2022-08-23 電力管理システムの最適化方法及び装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111151583.4A CN115906601A (zh) 2021-09-29 2021-09-29 电力管理系统的优化方法及装置

Publications (1)

Publication Number Publication Date
CN115906601A true CN115906601A (zh) 2023-04-04

Family

ID=85732192

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111151583.4A Pending CN115906601A (zh) 2021-09-29 2021-09-29 电力管理系统的优化方法及装置

Country Status (3)

Country Link
JP (1) JP2024528087A (zh)
CN (1) CN115906601A (zh)
WO (1) WO2023051101A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117081088A (zh) * 2023-10-16 2023-11-17 国网浙江省电力有限公司宁波供电公司 电网负荷调度控制方法、装置、计算机设备及存储介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117895658B (zh) * 2024-03-13 2024-07-26 国网山东省电力公司诸城市供电公司 一种智能微电网数据解析平台

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103324828B (zh) * 2013-04-27 2016-08-31 国家电网公司 基于运行方式灵敏度的电力系统低频振荡辅助决策方法
EP3718026B1 (en) * 2017-12-01 2023-11-29 1QB Information Technologies Inc. Systems and methods for stochastic optimization of a robust inference problem
CN108493939A (zh) * 2018-03-06 2018-09-04 国网江西省电力有限公司电力科学研究院 一种基于最优潮流的空调负荷优化调度方法
CN110336285B (zh) * 2019-06-21 2023-06-02 东华大学 电力系统最优经济潮流计算方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117081088A (zh) * 2023-10-16 2023-11-17 国网浙江省电力有限公司宁波供电公司 电网负荷调度控制方法、装置、计算机设备及存储介质
CN117081088B (zh) * 2023-10-16 2024-04-02 国网浙江省电力有限公司宁波供电公司 电网负荷调度控制方法、装置、计算机设备及存储介质

Also Published As

Publication number Publication date
JP2024528087A (ja) 2024-07-26
WO2023051101A1 (zh) 2023-04-06

Similar Documents

Publication Publication Date Title
Mohammed et al. Available transfer capability calculation methods: A comprehensive review
Yu et al. Stochastic optimal relaxed automatic generation control in non-markov environment based on multi-step $ Q (\lambda) $ learning
EP2362977B1 (en) Voltage regulation optimization
EP2394347B1 (en) Integrated voltage and var optimization process for a distribution system
Xu et al. Extreme learning machine-based predictor for real-time frequency stability assessment of electric power systems
Ghadimi et al. PSO based fuzzy stochastic long-term model for deployment of distributed energy resources in distribution systems with several objectives
Mahdavi et al. Integrated generation-transmission expansion planning considering power system reliability and optimal maintenance activities
Qiu et al. A risk-based approach to multi-stage probabilistic transmission network planning
Canizes et al. Hybrid fuzzy Monte Carlo technique for reliability assessment in transmission power systems
WO2023051101A1 (zh) 电力管理系统的优化方法及装置
Abdollahzadeh et al. Optimal design of a multi-state system with uncertainty in supplier selection
Han et al. Multi‐objective robust dynamic VAR planning in power transmission girds for improving short‐term voltage stability under uncertainties
CN115943536A (zh) 用于为控制器生成决策逻辑的方法和计算机系统
EP3411812A1 (en) Common rank approximation in distribution grid probabilistic simulation
Pan et al. Reliability-constrained economic dispatch with analytical formulation of operational risk evaluation
CN114629125B (zh) 柔性软开关优化配置方法、系统、电子设备、存储介质
CN111200283B (zh) 一种多微电网系统优化控制方法
Eickmann et al. Security-constrained optimization framework for large-scale power systems including post-contingency remedial actions and inter-temporal constraints
CN117154727B (zh) 电力系统可靠性控制方法及系统
Khajouei et al. Multi‐criteria decision‐making approach for optimal and probabilistic planning of passive harmonic filters in harmonically polluted industrial network with photovoltaic resources
CN114548828A (zh) 一种分布式光伏电源的选址和定容方法、装置及设备
Li et al. Node Vulnerability-Aware co-deployment of D-PMUs and FTUs for active distribution networks
Yu et al. Fast security and risk constrained probabilistic unit commitment method using triangular approximate distribution model of wind generators
CN117277446B (zh) 多目标配电网规划方法及系统
Zhang et al. Robust integrated optimization of active distribution network based on system risk index

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