一种基于深度学习的含风电电力系统实时调度模型的制作方法

本发明涉及电力系统相关技术领域，尤其涉及一种基于深度学习的含风电电力系统实时调度模型。

背景技术：

随着风电的迅速发展，大规模的风电并网可有效缓解用电压力。然而，含风电系统中，如何协调传统火电机组出力、减少煤炭资源消耗和环境污染，完成当前系统实时调度是当前研究中的重要课题。

当前针对含风电系统的调度计算方法中，多采用的模型方法。然而传统含风电系统优化调度模型的约束条件较多，计算时间相对较长，计算复杂；采用遗传算法完成考虑风能不确定性的动态调度模型求取容易收敛到局部最优解。以上问题均无法根据风力变化完成系统实时调度，已无法满足实际运行需求。考虑到深度神经网络作为一种最有效的机器学习方法，并已广泛应用于电力系统预测、分类问题中，因此，急需将考虑数据时空关联特性的数据驱动方法运用到实时调度优化计算中，对实际工程进行指导。

技术实现要素：

本发明的目的是为了解决现有技术存在的问题，而提出的一种基于深度学习的含风电电力系统实时调度模型。

一种基于深度学习的含风电电力系统实时调度模型，包括以下步骤：

步骤1，根据系统拓扑结构获得当前时刻风力发电机组、火力发电机组发电量；

步骤2，将当前时刻风力发电机组、火力发电机组数据代入已训练完成的基于深度神经网络的实时调度模型；其中，基于深度神经网络的实时调度模型训练过程如下：

以不同时刻系统拓扑信息及发电量数据为实时调度模型输入，以考虑传统火电机组的煤炭资源消耗和环境污染、风力发电机组备用等费用最小为优化目标，计算相应调度决策和成本，作为实时调度模型的输出；

其中，优化目标函数可表示为：

式(1)中表示火力发电机组购电成本、cef定义为火力发电机组环境污染成本、表示风力发电机组购电成本、cwr表示风力电发电机组的备用成本；其中ng表示系统中火力发电组数，nw表示系统中风力发电组数；

系统各项约束为：

式中：表征发电机节点的初始出力，表征节点初始负荷，gij、bij分别表征导纳矩阵中对应元素的实部和虚部；ui、uj分别表示表示节点i、j的电压幅值，θij＝θi-θj表示节点i和节点j之间的电压相角差，i、j为各需要调节切点所在线路的首末端节点，ui、θi分别表征节点i的电压幅值和相角的上、下限值；pij分别表征线路i-j功率上、下限值；pgi、qgi、分别表征发电机节点有功和无功出力上、下限；

设计深度神经网络模型激活函数：该深度神经网络最后一层激活函数被设计成线性，其他层的前馈传递函数的激活函数设计为relu激活函数，则提前馈传递函数形式可表示如下：

式中，l表示深度神经网络的层数，n为深度神经网络的总层数，为第l层的传递函数，x^l-1为第l层的输入，θ＝{w，b}为深度神经网络计算过程中的优化参数，w^l和b^l为第l层与l-1层间的权重矩阵和偏移向量；

深度神经网络模型初始化参数改进：

正向传播初始化设计：

顶层正向传播的激活函数如下所示：

zi＝wiyi+bi，yi＝ri(zi-1)(7)

假设yi、zi是相互独立的，设wi-1在0附近有一个对称分布，bi-1＝0，zi-1的平均值为零，并且具有对称分布；由于yi是由relu函数得到的，则有：

上述公式正确初始化的充分条件为：

因此，得出：

反向传播初始化设计：

对于反向传播过程，相应求偏导得：

式中，上标t表示矩阵转置；同正向传播相同，假设r′、相互独立，考虑梯度不是指数大或小的一个充分条件，有：

由公式(10)和(12)对正、反向传播中wi方差的求取，平衡需求得：

则，深度神经网络权重参数w被初始化为零均值高斯分布，其标准偏差对公式(13)求取平方根即可，且偏差b被初始化为0；

将确认的输入数据、输出数据，激活函数、初始数据完成深度神经网络模型离线训练；

步骤3根据深度神经网络模型计算结果得到实时调度策略：

在线计算时，将实时数据代入训练好的实时调度模型，获得当前时刻调度计划及相应成本。

步骤4，判断该调度结果是否满足系统各项约束要求：如果符合，则输出调度计划及相应成本；若不符合，则返回重新计算。

本发明的有益效果在于：

(1)本发明基于dnn模型获取电力系统调度策略，充分发挥数据驱动的优越性。dnn可以根据海量历史数据进行训练和学习，只需离线训练时花费时间，在线应用阶段便可快速给出调度策略，可有效应对实时调度问题，给予决策者实时调度方案，更有效保障系统安全稳定运行；

(2)深度神经网络具有强大的学习能力，根据不同拓扑和应用场景添加相应样本进行补充训练即可适用于其他不同工况场景，因此本发明方法具有很强的适用性；

(3)当今电力系统有较多新能源接入，本发明考虑到传统火力发电的发电成本、火力机组对环境影响成本、风电投运的安装运行成本、风电不确定性带来的风力备用成本等，保障获得的调度策略考更具经济性、更加考虑环境成本和环境影响，符合当今社会绿色发展的宗旨。

附图说明

图1基于深度神经网络的实时调度模型结构图。

图2考虑环境经济的含风电电力系统实时调度流程图。

具体实施方式

下面详细描述本发明的实施方式，所述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。为使本发明实现的技术手段、创作特征、达成目的与功效易于了解，下面结合具体实施方式，进一步阐述本发明：

实施例1

如图一所示，本发明包含以下步骤：

步骤1，根据系统拓扑结构获得当前时刻风力发电机组、火力发电机组发电量；

步骤2，将当前时刻风力发电机组、火力发电机组数据代入已训练完成的基于深度神经网络的实时调度模型；其中，基于深度神经网络的实时调度模型训练过程如下：

以不同时刻系统拓扑信息及发电量数据为实时调度模型输入，以考虑传统火电机组的煤炭资源消耗和环境污染、风力发电机组备用等费用最小为优化目标，计算相应调度决策和成本，作为实时调度模型的输出；

其中，优化目标函数可表示为：

式(1)中表示火力发电机组购电成本、cef定义为火力发电机组环境污染成本、表示风力发电机组购电成本、cwr表示风力电发电机组的备用成本；其中ng表示系统中火力发电组数，nw表示系统中风力发电组数。

其中，式(1)中火力发电机组购电成本可表示为：

式中，ai、bi、ci表示火电发电机组成本特征系数，pgi为第i台火力发电机的发电量；

式(1)中火力发电机组环境污染成本cef可表示为：

式中，μi表示火力发电机组环境污染成本系数，万元/t；αi、βi、χi、δi、εi为第i台火力发电机组的环境污染特性指数，将各机组单位时间内排放污染物折合成排放的氮化物重量表示；

式(1)中风力发电机组购电成本可表示为：

式中，ηwj表示风力发电机组成本系数，万元/pu；pwj为第j台风力发电机组的实际发电量；

式(1)中，风力电发电机组的备用成本cwr可表示为：

式中，pwpj表示第j台风力发电机组的计划发电量，ξwj表示风力发电备用成本系数，万元/pu；且ξwj与发电量之间关系表示为：

系统各项约束为：

式中：表征发电机节点的初始出力，表征节点初始负荷，gij、bij分别表征导纳矩阵中对应元素的实部和虚部；ui、uj分别表示表示节点i、j的电压幅值，θij＝θi-θj表示节点i和节点j之间的电压相角差，i、j为各需要调节切点所在线路的首末端节点，ui、θi分别表征节点i的电压幅值和相角的上、下限值；pij分别表征线路i-j功率上、下限值；pgi、qgi、分别表征发电机节点有功和无功出力上、下限；

设计深度神经网络模型激活函数：该深度神经网络最后一层激活函数被设计成线性，其他层的前馈传递函数的激活函数设计为relu激活函数，则提前馈传递函数形式可表示如下：

式中，l表示深度神经网络的层数，n为深度神经网络的总层数，为第l层的传递函数，x^l-1为第l层的输入，θ＝{w，b}为深度神经网络计算过程中的优化参数，w^l和b^l为第l层与l-1层间的权重矩阵和偏移向量；

深度神经网络模型初始化参数改进：

正向传播初始化设计：

顶层正向传播的激活函数如下所示：

zi＝wiyi+bi，yi＝ri(zi-1)(7)

假设yi、zi是相互独立的，设wi-1在0附近有一个对称分布，bi-1＝0，zi-1的平均值为零，并且具有对称分布；由于yi是由relu函数得到的，则有：

上述公式正确初始化的充分条件为：

因此，得出：

反向传播初始化设计：

对于反向传播过程，相应求偏导得：

式中，上标t表示矩阵转置；同正向传播相同，假设r′、相互独立，考虑梯度不是指数大或小的一个充分条件，有：

由公式(10)和(12)对正、反向传播中wi方差的求取，平衡需求得：

则，深度神经网络权重参数w被初始化为零均值高斯分布，其标准偏差对公式(13)求取平方根即可，且偏差b被初始化为0；

将确认的输入数据、输出数据，激活函数、初始数据完成深度神经网络模型离线训练；

步骤3根据深度神经网络模型计算结果得到实时调度策略：

在线计算时，将实时数据代入训练好的实时调度模型，获得当前时刻调度计划及相应成本。

步骤4，判断该调度结果是否满足系统各项约束要求：如果符合，则输出调度计划及相应成本；若不符合，则返回重新计算。

以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。