基于机器学习的自动发电控制系统的功率分配方法及装置制造方法及图纸

本发明专利技术涉及基于机器学习的自动发电控制系统的功率分配方法及装置，包括：获取自动发电控制系统所需的调节功率以及电化学储能电站参数；将所述自动发电控制系统所需的调节功率以及电化学储能电站参数输入至预先训练的深度神经网络模型，获取预先训练的深度神经网络模型输出的电化学储能电站的功率调节指令值和发电机组的功率调节指令值；利用所述电化学储能电站的功率调节指令值和发电机组的功率调节指令值调节电化学储能电站的发电功率和发电机组的发电功率；本发明专利技术提供的技术方案提高了自动发电控制系统的功率分配效率，具有极大的推广价值。

【技术实现步骤摘要】
基于机器学习的自动发电控制系统的功率分配方法及装置
本专利技术涉及电力系统
，具体涉及基于机器学习的自动发电控制系统的功率分配方法及装置。
技术介绍
随着储能技术的不断发展，储能电站优秀的瞬时充放电能力使得其并入电网可以极大地抑制电网波动从而提高电网系统的动态特性为电网的稳定运行奠定基础；相较于传统的储能技术，电化学储能技术的调节范围广、响应速度快、调节时间短、选址灵活，具有大规模发展的潜质。储能系统接入配电网中，不仅可以作为一个电源，在电网负荷较高的时候放电输送功率满足负荷缓解电网的压力，还可以作为一个负载，在电网负荷处于谷底的时候吸收多余的电量进行存储。目前，国内外针对于自动发电控制系统的总调节功率的分配主要是考虑收益的最大化、储能电站寿命最长等目标函数，然后通过优化算法进行优化调度；但是常见的优化算法都存在参数调整困难、不易收敛、求解速度慢、容易陷入局部最优解等问题；因此，提供一种快速、高效的自动发电控制系统的功率分配方法成为亟需解决的问题。
技术实现思路
针对现有技术的不足，本专利技术的目的是提供了基于机器学习的自动发电控制系统的功率分配方法及装置，该方法及装置将自动发电控制系统所需的调节功率以及电化学储能电站参数输入至预先训练的深度神经网络模型，获取调节电化学储能电站的发电功率和发电机组的发电功率的电化学储能电站的功率调节指令值和发电机组的功率调节指令值，提高了自动发电控制系统的功率分配效率。本专利技术的目的是采用下述技术方案实现的：本专利技术提供基于机器学习的自动发电控制系统的功率分配方法，其改进之处在于，包括：获取自动发电控制系统所需的调节功率以及电化学储能电站参数；将所述自动发电控制系统所需的调节功率以及电化学储能电站参数输入至预先训练的深度神经网络模型，获取预先训练的深度神经网络模型输出的电化学储能电站的功率调节指令值和发电机组的功率调节指令值；利用所述电化学储能电站的功率调节指令值和发电机组的功率调节指令值调节电化学储能电站的发电功率和发电机组的发电功率。优选的，所述获取自动发电控制系统所需的调节功率以及电化学储能电站参数，包括：利用定频率定交换功率控制法获取自动发电控制系统所需的调节功率；其中，所述电化学储能电站参数包括：充/放电效率、最大充/放电功率、荷电状态上/下限值、荷电状态值以及额定容量。进一步的，所述利用定频率定交换功率控制法获取自动发电控制系统所需的调节功率，包括：按下式确定自动发电控制系统所需的调节功率ΔP：ΔP＝ΔPtie+B*Δf式中，B为自动发电控制系统的频率偏差系数；其中，按下式确定联络线交换功率偏差ΔPtie：ΔPtie＝Pactual-Pplan式中，Pactual为联络线交换功率的实际值，Pplan为联络线交换功率的设定值；按下式确定电网系统的频率偏差Δf：Δf＝factual-fplan式中，factual为电网系统频率的实际值，fplan为电网系统频率的设定值。优选的，所述预先训练的深度神经网络模型的训练过程包括：步骤(1)初始化h＝1，迭代次数t＝1，并随机初始化深度神经网络模型的参数；步骤(2)将第h个样本数据集中的自动发电控制系统所需的调节功率的历史数据、电化学储能电站的参数的历史数据输入至深度神经网络模型，利用前向传播算法获取深度神经网络模型输出的迭代次数为t时对应的电化学储能电站和发电机组的发电功率预测值；步骤(3)利用损失函数计算所述迭代次数为t时对应的电化学储能电站和发电机组的发电功率预测值与第h个样本数据集中的电化学储能电站发电机组的发电功率的历史数据的误差值α；步骤(4)判断t是否超出深度神经网络模型预设的学习次数T，若是，则将迭代次数为t时对应的深度神经网络模型作为预先训练的深度神经网络模型并输出，否则执行步骤(5)步骤(5)判断α是否小于深度神经网络模型预设的误差阈值，若是则将迭代次数为t时对应的深度神经网络模型作为预先训练的深度神经网络模型并输出，否则执行步骤(6)；步骤(6)利用反向传播算法更新深度神经网络模型的权重参数，并令h＝h+1，t＝t+1，返回步骤(2)。进一步的，所述步骤(6)包括：按下式更新迭代次数为t+1时深度神经网络模型的权重参数wt+1：wt+1＝wt+Δw式中，wt为迭代次数为t时深度神经网络模型的权重参数，Δw为深度神经网络模型的权重参数修正值。本专利技术提供基于机器学习的自动发电控制系统的功率分配装置，其改进之处在于，包括：获取模块，用于获取自动发电控制系统所需的调节功率以及电化学储能电站参数；输入模块，用于将所述自动发电控制系统所需的调节功率以及电化学储能电站参数输入至预先训练的深度神经网络模型，获取预先训练的深度神经网络模型输出的电化学储能电站的功率调节指令值和发电机组的功率调节指令值；调节模块，用于利用所述电化学储能电站的功率调节指令值和发电机组的功率调节指令值调节电化学储能电站的发电功率和发电机组的发电功率。优选的，所述获取模块，具体用于：利用定频率定交换功率控制法获取自动发电控制系统所需的调节功率；其中，所述电化学储能电站参数包括：充/放电效率、最大充/放电功率、荷电状态上/下限值、荷电状态值以及额定容量。进一步的，所述利用定频率定交换功率控制法获取自动发电控制系统所需的调节功率，包括：按下式确定自动发电控制系统所需的调节功率ΔP：ΔP＝ΔPtie+B*Δf式中，B为自动发电控制系统的频率偏差系数；其中，按下式确定联络线交换功率偏差ΔPtie：ΔPtie＝Pactual-Pplan式中，Pactual为联络线交换功率的实际值，Pplan为联络线交换功率的设定值；按下式确定电网系统的频率偏差Δf：Δf＝factual-fplan式中，factual为电网系统频率的实际值，fplan为电网系统频率的设定值。优选的，所述预先训练的深度神经网络模型的训练过程包括：初始化单元，用于初始化h＝1，迭代次数t＝1，并随机初始化深度神经网络模型的参数；训练单元，用于将第h个样本数据集中的自动发电控制系统所需的调节功率的历史数据、电化学储能电站的参数的历史数据输入至深度神经网络模型，利用前向传播算法获取深度神经网络模型输出的迭代次数为t时对应的电化学储能电站和发电机组的发电功率预测值；计算单元，用于利用损失函数计算所述迭代次数为t时对应的电化学储能电站和发电机组的发电功率预测值与第h个样本数据集中的电化学储能电站发电机组的发电功率的历史数据的误差值α；第一判断单元，用于判断t是否超出深度神经网络模型预设的学习次数T，若是，则将迭代次数为t时对应的深度神经网络模型作为预先训练的深度神经网络模型并输出，否则执行第一判断单元；第二判断单本文档来自技高网...

【技术保护点】
1.基于机器学习的自动发电控制系统的功率分配方法，其特征在于，所述方法包括：/n获取自动发电控制系统所需的调节功率以及电化学储能电站参数；/n将所述自动发电控制系统所需的调节功率以及电化学储能电站参数输入至预先训练的深度神经网络模型，获取预先训练的深度神经网络模型输出的电化学储能电站的功率调节指令值和发电机组的功率调节指令值；/n利用所述电化学储能电站的功率调节指令值和发电机组的功率调节指令值调节电化学储能电站的发电功率和发电机组的发电功率。/n

【技术特征摘要】
1.基于机器学习的自动发电控制系统的功率分配方法，其特征在于，所述方法包括：
获取自动发电控制系统所需的调节功率以及电化学储能电站参数；
将所述自动发电控制系统所需的调节功率以及电化学储能电站参数输入至预先训练的深度神经网络模型，获取预先训练的深度神经网络模型输出的电化学储能电站的功率调节指令值和发电机组的功率调节指令值；
利用所述电化学储能电站的功率调节指令值和发电机组的功率调节指令值调节电化学储能电站的发电功率和发电机组的发电功率。


2.如权利要求1所述的方法，其特征在于，所述获取自动发电控制系统所需的调节功率以及电化学储能电站参数，包括：
利用定频率定交换功率控制法获取自动发电控制系统所需的调节功率；
其中，所述电化学储能电站参数包括：充/放电效率、最大充/放电功率、荷电状态上/下限值、荷电状态值以及额定容量。


3.如权利要求2所述的方法，其特征在于，所述利用定频率定交换功率控制法获取自动发电控制系统所需的调节功率，包括：
按下式确定自动发电控制系统所需的调节功率ΔP：
ΔP＝ΔPtie+B*Δf
式中，B为自动发电控制系统的频率偏差系数；
其中，按下式确定联络线交换功率偏差ΔPtie：
ΔPtie＝Pactual-Pplan
式中，Pactual为联络线交换功率的实际值，Pplan为联络线交换功率的设定值；
按下式确定电网系统的频率偏差Δf：
Δf＝factual-fplan
式中，factual为电网系统频率的实际值，fplan为电网系统频率的设定值。


4.如权利要求1所述的方法，其特征在于，所述预先训练的深度神经网络模型的训练过程包括：
步骤(1)初始化h＝1，迭代次数t＝1，并随机初始化深度神经网络模型的参数；
步骤(2)将第h个样本数据集中的自动发电控制系统所需的调节功率的历史数据、电化学储能电站的参数的历史数据输入至深度神经网络模型，利用前向传播算法获取深度神经网络模型输出的迭代次数为t时对应的电化学储能电站和发电机组的发电功率预测值；
步骤(3)利用损失函数计算所述迭代次数为t时对应的电化学储能电站和发电机组的发电功率预测值与第h个样本数据集中的电化学储能电站发电机组的发电功率的历史数据的误差值α；
步骤(4)判断t是否超出深度神经网络模型预设的学习次数T，若是，则将迭代次数为t时对应的深度神经网络模型作为预先训练的深度神经网络模型并输出，否则执行步骤(5)；
步骤(5)判断α是否小于深度神经网络模型预设的误差阈值，若是则将迭代次数为t时对应的深度神经网络模型作为预先训练的深度神经网络模型并输出，否则执行步骤(6)；
步骤(6)利用反向传播算法更新深度神经网络模型的权重参数，并令h＝h+1，t＝t+1，返回步骤(2)。


5.如权利要求4所述的方法，其特征在于，所述步骤(6)包括：
按下式更新迭代次数为t+1时深度神经网络模型的权重参数wt+1：
wt+1＝wt+Δw
式中，wt为迭代次数为t时深度神经网络模型的权重参数，Δw为深度神经网络模型的权重参数修正值。


6.基...

【专利技术属性】
技术研发人员：王德顺，李延和，薛金花，杨立滨，陶以彬，李春来，崔红芬，张海宁，周晨，李正曦，冯鑫振，
申请(专利权)人：中国电力科学研究院有限公司，国网青海省电力公司，国网青海省电力公司经济技术研究院，
类型：发明
国别省市：江苏;32