一种统一时间尺度有功实时经济调控松弛深度学习方法与流程

本发明属于电力系统发电调度与控制领域，涉及一种替代传统多时间尺度的调度与控制方法，适用于电力系统的发电调度与控制。

背景技术：

目前电力系统中的发电问题被分解为三个时间尺度的问题，即实时的一次调频、4秒尺度的二次调频和15分钟以及一天时间尺度的三次调频。其中一次调频为发电机的自动调节，为有差调节。而二次调频依赖于自动发电控制算法和发电指令分配算法进行实时调节，三次调频则由机组组合和经济调度共同完成。

目前这种分时间尺度的调度与控制方式是解耦的，即不同时间尺度用不同的算法进行调度与控制。然而，最终机组出力却只有一个时间尺度，因此，目前基于时间尺度的发电控制策略存在以下缺点：

(1)时间尺度越大则调度越粗糙，依靠小时间尺度的调度不断进行修正，因此多时间尺度的优化调度算法之间存在协同问题，存在时间尺度大的调度和时间尺度小的调度指令相反的问题，也存在发电指令反调次数较多的问题；

(2)多时间尺度的配合本身存在一定的问题，各个调度以各自的目标函数为准，而非以统一的目标为准，存在多时间尺度调度难以配合的问题；

(3)多时间尺度的调度以短期的目标为准，以各自的时间尺度为准，可能在某段时间内为最优的调度，但从更长的时间尺度来看，并非最优的调度。

如何设计统一时间尺度的高效发电调度与控制算法，并同时满足多时间的目标最优，取消以多时间尺度调度算法结合的调度发电方式，已成为电力系统发电调度领域迫切需要解决的问题。为解决目前分时间尺度的调度算法中存在的问题，提出一种兼顾“机组组合+经济调度+发电控制+发电指令分配”一体化的统一时间尺度的发电调度与控制框架，并命名为实时经济发电调度控制框架。此框架不同于已有的经济自动发电控制框架，经济自动发电控制框架未考虑机组组合的调度情况。并且现有的实时发电调度是日前节能发电调度计划与实时控制的协调方式，即将机组组合问题与经济调度问题进行了一定的协调，但未进一步考虑时间尺度更小的自动发电控制问题。实时经济发电调度控制框架也不同于已有的智能发电控制框架，智能发电控制框架是基于博弈论的智能控制算法框架，是一种考虑整个系统的自动发电控制问题的控制框架。

目前深度学习算法，特别是深度学习算法与强化学习算法、蒙特卡罗树搜索算法结合的算法在围棋方面的应用受到了诸多学者的关注，深度学习能学习数据的输入和输出关系，并且速度较快，因此能被应用于电力系统的发电调度问题中，来解决控制策略对系统的认知问题。

技术实现要素：

本发明提出一种统一时间尺度有功实时经济调控松弛深度学习方法。该方法与传统发电调度与控制框架不同，实时经济发电调度控制框架是同时考虑“机组组合+经济调度+自动发电控制+发电功率分配”的框架。

松弛深度学习算法：同时考虑“机组组合+经济调度+自动发电控制+机组功率分配”的统一时间尺度的一体化算法。基于松弛深度学习算法所设计的控制器以频率偏差δf和区域控制误差作为输入，以对机组的发电指令作为输出，无需其他的调度指令。传统发电调度与控制和本发明中的统一时间尺度对比如下表所示。

松弛深度学习算法中设计了两个深度学习的网络(dnn1和dnn2)。深度神经网络过程依赖于受限波尔兹曼机，将多个受限波尔兹曼机堆叠，在训练深度神经网络时，采用无监督的逐层贪心训练方法(逐层进行训练)。在离线训练完成之后，可采用有监督的学习对网络进行边训练边利用。在假定所有可见和隐含单元均为二值变量(只能取0或1)，即m,n,vm,kn∈{0,1}。基于能量定义的受限波尔兹曼机系统的能量定义为

式中，wmn为连接权重；vm和kn分别为可见元和隐含元；和μn分别为可见元m和隐含元n的偏置。此时的(v,k)的联合概率分布为

式中，归一化因子(配分函数)为受限波尔兹曼机的层间有连接，层内无连接的结构决定了各个隐元的激活条件是独立的。其激活概率为

式中，sigmoid激活函数为

各个可见元的激活概率为

动作的概率转换为

式中，rp为动作概率因子。而概率的状态转换为

式中，rs为概率的状态转换因子。

松弛深度学习算法与深度学习均有着数据依赖的特点，即松弛深度学习算法对系统的表征能力需要被训练。而训练的数据一方面可由传统的发电调度与控制算法产生，但在传统算法产生的数据中，较少含有系统状态非常不理想的数据。从另外一方面，为尽可能地表征系统特征，训练中使用到的数据需特地产生。

本发明提出的松弛深度学习算法具有以下优点：

(1)与“机组组合+经济调度+自动发电控制+发电功率分配”传统组合式算法对比，松弛深度学习算法能有效地解决电力系统发电控制中的调度与控制问题；

(2)松弛深度学习算法能不断地对动态系统进行学习，并预测系统的状态，同时输出多个动作值，对系统进行实时控制；

(3)松弛深度学习算法能同时输出多个动作值，且能满足发电调度与控制问题中多种机组约束。

附图说明

图1是本发明方法的松弛深度学习算法流程图。

图2是本发明方法的松弛深度学习算法样本产生示意图。

图3是本发明方法的松弛深度学习算法步骤图。

具体实施方式

本发明提出的一种统一时间尺度有功实时经济调控松弛深度学习方法结合附图详细说明如下：

图1是本发明方法的松弛深度学习算法流程图。图1松弛深度学习算法中设计了两个深度学习的网络，分别用来预测系统的频率偏差(图中的“dnn1”)和发电指令的分配(图中的“dnn2”)。通过当前状态的频率偏差δf和区域控制误差ace与动作的输入，通过dnn1的预测，输出区域i的总发电功率指令。这些指令之后通过松弛算子进行松弛，并判断松弛前后的误差，若误差较大则调整松弛算子，再经过dnn2的预测之后进行松弛，最后输出给各个发电机组。

图2是本发明方法的松弛深度学习算法样本产生示意图。松弛深度学习算法与深度学习均有着数据依赖的特点，即松弛深度学习算法对系统的表征能力需要被训练，而训练的数据一方面可由传统的发电调度与控制算法产生。但在传统算法产生的数据中，较少含有系统状态非常不理想的数据。另外一方面，为尽可能地表征系统特征，训练中使用到的数据需特地产生。产生训练数据的过程如图2所示。训练的样本可由在线和离线两部分组成。在线样本由在线运行过程产生，离线样本则通过覆盖状态空间的动作值作为输入并仿真而产生。针对发电调度与控制问题，状态可设置为频率偏差δf、区域控制误差ace和成本。

图3是本发明方法的松弛深度学习算法步骤图。利用经过离线训练的深度神经网络与松弛算子进行计算，能免去长时间尺度的“机组组合”和“经济调度”的调度。在统一时间尺度的框架下，虽然通过深度神经网络计算出的发电指令能满足系统对有功平衡的要求，但不一定能满足自动发电控制机组的约束。此后，将通过深度神经网络计算出的发电指令通过松弛操作进行约束从而满足自动发电控制机组的约束要求。然而，通过松弛操作后的发电指令与原深度神经网络输出的指令有差异。为弥补发电指令通过松弛操作前后的差异，将对松弛算子进行调整，重新分配各个机组的发电指令，使发电指令的总和接近于原深度神经网络计算的发电指令输出的总和。松弛前发电指令为δpgj′，松弛后发电指令为δpgj，利用松弛算子rrj对发电指令的调节为

图1和图3中的dnn1与dnn2类型相同，但其输入与输出的变量不同。且能看出dnn1的输入为δfi、ei和a，输出为δfi,(t+1)′；dnn2的输入为δfi,(t+1)′，输出为δpi,j。图中e可设定为机组最大出力的倍数，即经过松弛操作后的发电指令总和与原深度神经网络计算出的发电指令总和的差值，在实际应用中可将e设定为