一种机组经济调度优化方法技术

本发明专利技术公开了一种机组经济调度优化方法，属于电力机组经济调度信息与控制技术领域。本发明专利技术包括以下步骤：步骤一：根据负荷需求利用收缩因子粒子群算法优化得出所有机组出力；步骤二：将可调节设备参数作为输入，输入到深度强化学习网络中，深度强化学习得到的输出计算新的成本；步骤三：按照新的成本和负荷要求重新规划机组输出。本发明专利技术组合了粒子群算法（PSO）和深度强化学习（DRL），粒子群算法有参数少，易实现，寻找全局最优等特点，在机组调度优化问题上有着普遍的应用。深度强化学习多应用于离散问题求解最优组合。

【技术实现步骤摘要】
一种机组经济调度优化方法
本专利技术属于电力机组经济调度信息与控制
，尤其与一种基于粒子群算法和深度强化学习相结合的算法的机组经济调度优化方法有关。
技术介绍
电力机组经济调度是电力系统运行中的重要环节，由于其多约束，非线性和高维度的特点，一直成为学术学者的研究对象。机组经济调度优化的意义对电力系统不仅仅是提高工作运行效率，更大大提升了电力企业的综合效益，减小了环境影响，使用人工智能手段实现系统自动化和智能化。电力经济调度可以理解为：在保证满足电力生产的前提下，安全且充分调度各机组的发电生产，使得发电成本最低。目前有很多关于机组经济优化问题的研究，比如遗传算法，蚁群算法，粒子群算法，神经网络，强化学习以及各种不同算法相融合产生的算法。随着电力系统的发展，机组经济调度复杂程度增加，在原有的机组经济优化的问题中添加了不同的约束，如机组启停时间成本，机组爬坡消耗成本等等。然而，所有研究中只是在原有系统中优化了机组调度，但无法进一步优化所需燃煤量，各个子系统的参数调节也无法优化。
技术实现思路
针对上述
技术介绍
存在的问题，本专利技术旨在提供一种基于粒子群算法和深度强化学习相结合的算法的机组经济调度优化方法。为此，本专利技术采用以下技术方案：一种机组经济调度优化方法，其特征是包括以下步骤：步骤一：根据负荷需求利用收缩因子粒子群算法优化得出所有机组出力；步骤二：将可调节设备参数作为输入，输入到深度强化学习网络中，深度强化学习得到的输出计算新的成本；步骤三：按照新的成本和负荷要求重新规划机组输出。步骤一中收缩因子粒子群算法参数具体设置：粒子数为80，惯性权重，学习因子,粒子最大速度为1，迭代次数为1532次，适应值函数为：，其中为各机组能耗系数；粒子位置和速度更新公式如下所示：,其中k表示迭代步数，为收缩因子，pbest为粒子历史中最优位置，gbest为全部粒子中最优位置，rand()为随机函数取值范围是[0,1]；步骤一中利用PSO算法根据负荷要求优化各个机组出力；根据以下公式利用优化后的各机组出力计算出燃煤量：其中B为锅炉燃烧量(t/h)，N为机组输出功率(MW)，为燃煤收到基低位发热量(kJ/kg)，29271为标煤低位发热量(kJ/kg)，为发电标煤耗(g/kWh)；将燃煤量除以负荷需求得出每度电的煤耗量；步骤二中深度强化学习参数设置：使用fixedQ-network和经验回放技术实现深度强化学习。其中fixedQ-network中的评估网络和目标网络均为5层隐藏层，每层为20个神经元，每5步替换目标网络的参数，激活函数为；学习率为0.01，设置为0.9，奖励衰减值为0.9，记忆存储为500,奖励规则为若高于负荷要求则为+1，若低于负荷要求则为-1，若满足负荷要求则为0，迭代次数为300次。输入层为观测值（Observation），动作（Action）为二次风挡板开度a，磨煤机速度b，皮带转速c，给水量阀门开度d，给水泵功率e步骤三中根据新的燃煤成本和原有的负荷要求重新利用PSO算法规划机组出力，算法结束。本专利技术可以达到以下有益效果：1、本专利技术组合了粒子群算法（PSO）和深度强化学习（DRL），粒子群算法有参数少，易实现，寻找全局最优等特点，在机组调度优化问题上有着普遍的应用。深度强化学习多应用于离散问题求解最优组合。2、本专利技术利用收缩因子粒子群算法优化得出所有机组出力，从而可以根据负荷要求多机组的调度优化。通过根据负荷要求，以实际节煤量为目的，在现有系统基础上优化各个设备的参数，从而实现以最少的煤产出最多的电。附图说明图1为本专利技术的优化方法模型示意图。图2为本专利技术的深度强化学习参数观测表示意图。具体实施方式下面结合附图对本专利技术的具体实施方式进行详细描述。如图1-图2所示，本专利技术一种机组经济调度优化方法，包括以下步骤：步骤一：根据负荷需求利用收缩因子粒子群算法优化得出所有机组出力；步骤一中收缩因子粒子群算法参数具体设置：粒子数为80，惯性权重，学习因子,粒子最大速度为1，迭代次数为1532次，适应值函数为：，其中为各机组能耗系数；粒子位置和速度更新公式如下所示：,其中k表示迭代步数，为收缩因子，pbest为粒子历史中最优位置，gbest为全部粒子中最优位置，rand()为随机函数取值范围是[0,1]；利用PSO算法根据负荷要求优化各个机组出力；根据以下公式利用优化后的各机组出力计算出燃煤量：其中B为锅炉燃烧量(t/h)，N为机组输出功率(MW)，为燃煤收到基低位发热量(kJ/kg)，29271为标煤低位发热量(kJ/kg)，为发电标煤耗(g/kWh)；将燃煤量除以负荷需求得出每度电的煤耗量；步骤二：将可调节设备参数作为输入，输入到深度强化学习网络中，深度强化学习得到的输出计算新的成本；步骤二中深度强化学习参数设置：使用fixedQ-network和经验回放技术实现深度强化学习。其中fixedQ-network中的评估网络和目标网络均为5层隐藏层，每层为20个神经元，每5步替换目标网络的参数，激活函数为；学习率为0.01，设置为0.9，奖励衰减值为0.9，记忆存储为500,奖励规则为若高于负荷要求则为+1，若低于负荷要求则为-1，若满足负荷要求则为0，迭代次数为300次。输入层为观测值（Observation），动作（Action）为二次风挡板开度a，磨煤机速度b，皮带转速c，给水量阀门开度d，给水泵功率e。步骤三：按照新的成本和负荷要求重新规划机组输出，根据新的燃煤成本和原有的负荷要求重新利用PSO算法规划机组出力，算法结束。以上显示和描述了本专利技术的基本原理和主要特征和本专利技术的优点。本行业的技术人员应该了解，本专利技术不受上述实施例的限制，上述实施例和说明书中描述的只是说明本专利技术的原理，在不脱离本专利技术精神和范围的前提下，本专利技术还会有各种变化和改进，这些变化和改进都落入要求保护的本专利技术范围内。本专利技术要求保护范围由所附的权利要求书及其等效物界定。本文档来自技高网...

【技术保护点】
1.一种机组经济调度优化方法，其特征在于包括以下步骤：/n步骤一：根据负荷需求利用收缩因子粒子群算法优化得出所有机组出力；/n收缩因子粒子群算法参数具体设置：粒子数为80，惯性权重

【技术特征摘要】
1.一种机组经济调度优化方法，其特征在于包括以下步骤：
步骤一：根据负荷需求利用收缩因子粒子群算法优化得出所有机组出力；
收缩因子粒子群算法参数具体设置：粒子数为80，惯性权重，学习因子,粒子最大速度为1，迭代次数为1532次，适应值函数为：，其中为各机组能耗系数；
粒子位置和速度更新公式如下所示：

,其中k表示迭代步数，为收缩因子，pbest为粒子历史中最优位置，gbest为全部粒子中最优位置，rand()为随机函数取值范围是[0,1]；
步骤二：将可调节设备参数作为输入，输入到深度强化学习网络中，深度强化学习得到的输出计算新的成本；
利用PSO算法根据负荷要求优化各个机组出力；根据以下公式利用优化后的各机组出力计算出燃煤量：



其中B为锅炉燃烧量(t/h)，N为机组输出功率(MW)，为燃煤收到基低位发热量(kJ/kg)，29271为标煤低位发热量(kJ/kg)，为发电标煤耗(g/kWh)；
将燃煤量除以负荷...

【专利技术属性】
技术研发人员：戴桂兰，
申请(专利权)人：杭州止距智能技术有限公司，
类型：发明
国别省市：浙江;33