电力管理系统的优化方法及装置制造方法及图纸

本发明专利技术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。本发明专利技术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，本发明专利技术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。PF模型的鲁棒性和精度。PF模型的鲁棒性和精度。

【技术实现步骤摘要】
A.Folly.IEEE Access.Year:2020；
[0031][15]A Data
‑
driven Method for Fast AC Optimal Power Flow Solutions via Deep Reinforcement Learning，
[0032]Yuhao Zhou；Bei Zhang；Chunlei Xu；Tu Lan；Ruisheng Diao；Di Shi；Zhiwei Wang；Wei
‑
Jen Lee.Journal of Modern Power Systems and Clean Energy.Year:2020；
[0033][16]Real
‑
Time Optimal Power Flow:A Lagrangian Based Deep Reinforcement Learning Approach，
[0034]Ziming Yan；Yan Xu.IEEE Transactions on Power Systems.Year:2020；...

【技术保护点】

【技术特征摘要】
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，...

【专利技术属性】
技术研发人员：单联柱，山根宪一郎，
申请(专利权)人：株式会社日立制作所，
类型：发明
国别省市：