版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報或認(rèn)領(lǐng)
文檔簡介
研究背景
基態(tài)下的電網(wǎng)前瞻調(diào)度模型
適應(yīng)不確定場景的遷移強(qiáng)化學(xué)習(xí)決策
結(jié)語
1.1新能源裝機(jī)容量不斷增長
中國風(fēng)電、光伏累計裝機(jī)容量(萬千瓦)
風(fēng)電裝機(jī)光伏裝機(jī)
1.2人工智能技術(shù)蓬勃發(fā)展
人工智能方興未艾,已在圖像識別、自然語
言處理、自動駕駛、醫(yī)療影像、語言搜索等
領(lǐng)域得到應(yīng)用
A深度、強(qiáng)化學(xué)習(xí)等人工智能技術(shù)正悄然向傳
edurekal
統(tǒng)能源行業(yè)進(jìn)軍,已在可再生能源預(yù)測、負(fù)
荷預(yù)測等領(lǐng)域得到應(yīng)用
>如何與優(yōu)化調(diào)度相結(jié)合?
1.3人工智能技術(shù)支撐電網(wǎng)優(yōu)化調(diào)度
傳統(tǒng)電網(wǎng)調(diào)度面臨的挑戰(zhàn)
?源荷雙側(cè)不確定性,加劇了短時優(yōu)化決策的難度
?電網(wǎng)調(diào)度對象數(shù)量急劇增加所帶來的復(fù)雜度,對優(yōu)化決策的效率提出了挑戰(zhàn)
■隨機(jī)多運行場景下,電網(wǎng)調(diào)度智能化水平有待進(jìn)一步提升
口人工智能技術(shù)對優(yōu)化調(diào)度的影響
v自適應(yīng)性:挖運彳攢據(jù)內(nèi)在規(guī)律,留心寸數(shù)學(xué)解析模型構(gòu)建的俅賴
v智能性:敏捷地、自適應(yīng)及通用化地完成從數(shù)據(jù)變化到統(tǒng)計模型參數(shù)改變的過程
V快速性:可離線地擬合逼近、泛化調(diào)度決策流程中輸入輸出的映射關(guān)系,無需在線
解析并迭代優(yōu)化
提綱
研究背景
基態(tài)下的電網(wǎng)前瞻調(diào)度模型
適應(yīng)不確定場景的遷移強(qiáng)化學(xué)習(xí)決策
結(jié)語
6
2.1多時段滾動電網(wǎng)前瞻調(diào)度模型
口包含目標(biāo)函數(shù)、決策變量、約束條件的安全約束經(jīng)濟(jì)調(diào)度(SCED)及安全約束機(jī)組組合
前瞻窗口t+i對
應(yīng)預(yù)測負(fù)荷:
前瞻窗口t+2對
應(yīng)預(yù)測負(fù)荷:
8:008:158:308:459:009:159:309:4510:0010:1510:3010:4511:0011:1511:3011:4512:0012:1512:3012:4513:00
7
2.1多時段滾動電網(wǎng)前瞻調(diào)度模型
口目標(biāo)函數(shù)、輸入量、決策變量、約束條件
輸入量節(jié)點負(fù)荷圖}+新能源出力預(yù)測邛?,…,喈’)
決策變量機(jī)組有功出力邛,={吧,…,窗}
孕/-I
目標(biāo)函數(shù)發(fā)電+啟停成本最小minC(僅7+4(或」)+c,+C,+C:
Mlr?0
個限4吧+廳叫Vr
,=1▲=!
斤;甘丁斤~\
244Vi,r心嚴(yán)碎
機(jī)組出力上下限^4WrJeGi
約4Q::sQfg,Vij
4一成七右丁z+旬-《一;;)+廳n-G
束
丁=0
片'-憶"N工…+^-(/:,-/;;'卜嚴(yán)一(I-/;;')
條新能源出力
/mt=
低方Y(jié)'"/F&+嚴(yán)E(心工)+嚴(yán)E(I_/[J
件
-4瘵-咪4丁也1.V/.Z>Lr=II片:「尼2-/:,./,**,+中-3/:,“T,,卜始2(”4J
m41-螳44?皿*I.V?,r=1,./-I
S咒:Y'SW=1.V/.r=1.....r-lscuc
線路潮流約束P:,=7^t7<LV/.r
限"4v;,4VLzArSCED
00
2.2基于深度強(qiáng)化學(xué)習(xí)的電網(wǎng)前瞻調(diào)度模型
狀態(tài)輸入空間、動作輸出空間、獎勵函數(shù)的設(shè)計標(biāo)
準(zhǔn)L=[Z,ZZ
狀態(tài)StateS,=[L],L,…,L,A]--------------------------------化
處
理
珈乍ActionA.=[ao,a{,..,a,-]
過a/=[air,a2...,av]
5
獎勵Rewardr=r^程*=gG,(嚴(yán)4-嚴(yán)川)+(嚴(yán)皿+嚴(yán)b)]
—t
主線獎勵函數(shù)(發(fā)電成本最?。┮?-之(塔)'+〃喀川,
4-1r*0
點,=W|££'(max{喑-V'R,0}+maxqj-琛,。})
r-0i-l
比=叼$七地聯(lián)磔'-"iQ+max0f-媼0}
十
r?0
懲r.|A-
罰r;=嗎£2.(max(陰'-/?「&())+maxt-^A/-陰'.0})
項r=4T
fpm
r=0j,sl''十£
r==wS£(maxM』-vL,0}+maxW)-%r,0})
7Hi-l
2.3深度強(qiáng)化學(xué)習(xí)算法的選擇
□改進(jìn)深度確定性策略梯度算法(DeepDeterministicPolicyGradient,DDPG)
LsyerLwuipm
在傳統(tǒng)DDPG算法的基礎(chǔ)上增設(shè)“良好經(jīng)驗存儲
池”使智能體向滿足安全約束的方向探索,從而縮短神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu):
訓(xùn)練探索時間。全連接神經(jīng)網(wǎng)絡(luò)
環(huán)境般經(jīng)驗
(suauTi,Si+i,done)InnutOutnut
存儲池LayerHiddenLayersLayer
at批次采樣
(SuTt,St+1)VV
batch__size*(sj,ai,r,Si+l)采用的兩種激活函數(shù):
尹”(st)relu
優(yōu)
優(yōu)
2-
化
化
器
器L
-30123
tanh
TargetActor
io
2.4多時段滾動前瞻調(diào)度智能體訓(xùn)練方式的設(shè)計
口多時段滾動前瞻調(diào)度智能體訓(xùn)練框架
11
2.4多時段滾動前瞻調(diào)度智能體訓(xùn)練方式的設(shè)計
智能體訓(xùn)練方式的設(shè)計
狀態(tài)
根據(jù)智能體訓(xùn)練方式不同,可分為:多時段拆分
state1state2stateT
多時段聯(lián)合優(yōu)化訓(xùn)練方式(僅適用于
小規(guī)模系統(tǒng),一般收斂時間較長)神經(jīng)網(wǎng)絡(luò)
輸入:(節(jié)點數(shù)+機(jī)組數(shù))*T;輸入:節(jié)點數(shù)+機(jī)組數(shù);
多時段解耦優(yōu)化訓(xùn)練方式(適用于輸出:機(jī)組數(shù)*T輸出:機(jī)組數(shù)
大規(guī)模系統(tǒng),縮短訓(xùn)練收斂時間)
action1actionT
輸出動作
12
2.4多時段滾動前瞻調(diào)度智能體訓(xùn)練方式的設(shè)計
神經(jīng)網(wǎng)絡(luò)參數(shù)的初始化-預(yù)訓(xùn)練環(huán)節(jié)
環(huán)境?般經(jīng)驗
(sa,r,S+done)存儲池
Qt批次采樣
(Sp,Tt,Sl+l)V
采用歷史調(diào)度數(shù)據(jù)進(jìn)行深度土batch_size*(si,aj,r,Si+1)
兀(st)
學(xué)習(xí),以初始化以及優(yōu)優(yōu)
Actor化
化
器
Critic網(wǎng)絡(luò)參數(shù),使之更加合理,器
從而提高價值網(wǎng)絡(luò)的精度、
CriticTargetCritic
智能體探索到可行解的概率。
初始化網(wǎng)絡(luò)參數(shù)
歷史調(diào)度經(jīng)驗
2.5融合模型驅(qū)動的多時段前瞻調(diào)度智能體訓(xùn)練
□融合物理模型的不平衡量分配
為了解決大規(guī)模系統(tǒng)復(fù)雜度增加的問題,在網(wǎng)絡(luò)參數(shù)預(yù)訓(xùn)練的基礎(chǔ)上,研究數(shù)據(jù)與模型聯(lián)合驅(qū)動的方法,
提出機(jī)組越限量與系統(tǒng)不平衡量分配的環(huán)節(jié):機(jī)組的有功功率及爬坡越限的功率調(diào)節(jié)、系統(tǒng)不平衡有功功率的
2.5融合模型驅(qū)動的多時段前瞻調(diào)度智能體訓(xùn)練
□智能體與環(huán)境交互示意圖
節(jié)點負(fù)荷、上一個窗口機(jī)組出力組成的State
DDPG:,DDPG正式訓(xùn)練
Actor
前瞻窗口內(nèi)機(jī)組出力JT/
獎勵
不平衡量分配/賽數(shù)RewardR|~舊利
//更新盒蟹_而蠹業(yè)"
/強(qiáng)化學(xué)習(xí)\/采樣
'網(wǎng)絡(luò)、/Batch1
5—采樣數(shù)據(jù)
市IJ/電網(wǎng)運行環(huán)境
/DDPG正式訓(xùn)練
\'-------£預(yù)訓(xùn)練、’」
而露經(jīng)過不平衡量分配過后開始前
的前瞻窗口機(jī)組出力〉歷史0PF調(diào)度
經(jīng)驗
2.6算例分析
□測試系統(tǒng):IEEE-30節(jié)點系統(tǒng)
系統(tǒng)基本參數(shù)
類別名稱節(jié)點總數(shù)M)us機(jī)組數(shù)量Ncen支路數(shù)量NZme
IEEE3030641
機(jī)組發(fā)電成本
發(fā)
電
成
本
美
元
010203040506070
機(jī)組有功出力八僧
16
2.6算例分析
機(jī)組前瞻調(diào)度結(jié)果
有
功
功
率
QE
/WMd
訓(xùn)練時長與成本分析
離線訓(xùn)練時間在線決策時間與OPF成本對比
IEEE3030h5s+0.031%
數(shù)據(jù)集規(guī)模n天1天11天
提綱
研究背景
2基態(tài)下的電網(wǎng)前瞻調(diào)度模型
3適應(yīng)不確定場景的遷移強(qiáng)化學(xué)習(xí)決策
結(jié)語
18
3.1多運行場景下前瞻調(diào)度智能體的遷移架構(gòu)
同時應(yīng)對負(fù)荷、新能源等邊界條件變化與網(wǎng)絡(luò)拓?fù)渥兓?/p>
電網(wǎng)前瞧調(diào)度智能體
19
3J多運行場景下前瞻調(diào)度智能體的遷移架構(gòu)
□多拗景下的i翔馳J
交互
源智能體
遷移
模擬基態(tài)時不同負(fù)荷水平及新能
源出力情況、故障態(tài)時不同線路開智能體1智能體2智能體N
交互交互相交互
斷場景并對其進(jìn)行聚類。
運行場景1
完成對相應(yīng)類別場景下基于遷移
智能體1,1智能體1.2
強(qiáng)化學(xué)習(xí)的智能體訓(xùn)練,從而構(gòu)建
歸類到王單態(tài)時聚類故障運彳蜴景IJ故障運行場景1,2故障運彳鐲景1,n
適應(yīng)多運行場景的前瞻調(diào)度模型的1......N運行場景
It故障態(tài)時運行
場景1的聚類
遷移強(qiáng)化學(xué)習(xí)架構(gòu)。電網(wǎng)正常態(tài)時多運行場景電網(wǎng)故障態(tài)時運行場景1
歸類結(jié)果
電網(wǎng)故障態(tài)時多運行場景電網(wǎng)故障態(tài)時運行場景N
3.2場景數(shù)據(jù)集構(gòu)建及特征相似度分析
□場景特征相似度度量及聚類
針對電網(wǎng)運行的海量場景,量化前瞻調(diào)度場景的特征相似度,通過聚類降低調(diào)度決策復(fù)雜度,提高效率。
基于調(diào)度計劃結(jié)果,實現(xiàn)場景特征相似度度量及場景聚類。
特
特
特
制
提
征
征
征
定
調(diào)度場景1調(diào)度結(jié)果1取特征矩陣1
典型場景1
向
矩
相
優(yōu)
關(guān)
量
陣
似
化
調(diào)度場景2?調(diào)度結(jié)果2鍵特征矩陣2
的
的
度
調(diào)
特典型場景2
降
相
的
度
征
維
似
聚
策
矩
度
類
略
陣
調(diào)度場景N*調(diào)度結(jié)果N特征矩陣N
KYYv特征降維處理:
地分分析法PCA
YnYX2YUV
oNhnNItNn
PiP2Piv
>NhrpNhpNn
nniv空間距離相似度
PfP?R
P7P°PK-means聚類
J線路故障:節(jié)點導(dǎo)納矩陣中對應(yīng)元素置為0
V新增線路:修改節(jié)點導(dǎo)納矩陣中對應(yīng)元素至新值
21
3.3前瞻調(diào)度智能體的遷移訓(xùn)練
□智能體的遷移訓(xùn)練步驟
引入遷移學(xué)習(xí)的目的是找到新增拓?fù)溥\行方式與原有拓?fù)涞南嗨菩?,運用現(xiàn)有知識更快地學(xué)習(xí)新場景下
的知識。其步驟分為:
構(gòu)造源模型:針對電網(wǎng)正常拓?fù)湎碌倪\行場景,訓(xùn)練智能體源模型。
模型遷移:使用源模型在拓?fù)涓淖兦樾蜗逻M(jìn)行訓(xùn)練,使模型快速適應(yīng)新場景。
深度強(qiáng)化學(xué)習(xí)算法
交互
電網(wǎng)正常
運行場景智能體
I神經(jīng)網(wǎng)絡(luò)模型遷移
遷移學(xué)習(xí)
交互
聚類故障L.
場景N智能體N
22
3.4離線訓(xùn)練與在線決策機(jī)制
□前瞻調(diào)度智能體離線訓(xùn)練與在線決策架構(gòu)
在線決策階段,針對各類拓?fù)渥兓倪\行場景,基于特征處理與場景歸類的方法對應(yīng)到相應(yīng)遷移智能體
并通過增加新未知故障場景對應(yīng)的遷移智能體提升電網(wǎng)前瞻調(diào)度巡航路徑的場景包容性。
特原始數(shù)據(jù)集
征
處
特征提取
理
與
特征選擇
場
景
處理后場景特征數(shù)據(jù)集X
歸
十
類
遷移智能體對應(yīng)場景特征
C,+—argmin,|x-|i
23
3.5算例分析
測試系統(tǒng):SG126系統(tǒng)
系統(tǒng)基本參數(shù)(其中新能源電站18座)
類別名稱節(jié)點總數(shù)NBus^LMMNGen支路數(shù)量NL
SG12612654185
AM
話艙被8機(jī),15958新能源機(jī)組
機(jī)組發(fā)電成本火七裝機(jī):5328U火電機(jī)組
69?3.?
大方式負(fù)荷總加:3687M
---gen=0.069663*x2+26.2438*x+31.67
—喀n=0.010875*x、2+12.8875*x+6.78I-r>,r區(qū)域二
---gen=0.0128*x-2+17.82*X+10.15
---陰n=0.003*x~2+10.76*x+32.96新能源裝機(jī):3805
發(fā)—gen=0.00240l*x'2+12.3299*x+28.0火電裝機(jī):2483
電---8^n=0.0044*x'2+13.29*x+39.06找機(jī):2863V
大方式負(fù)荷總加:M00M
成-gen=0.01059*X*2+8,3391*X+64.16
斗?
本一gen=0.045923*x*2+15.4708*X+74.33
一gen=0.028302*x'2+37.6968*x+17.95
-gen=0.009774*x'2+22.9423*X+58.81
元
區(qū)域三
區(qū)域一新能額裝機(jī):100網(wǎng)
火電裝機(jī):2570
總裝機(jī):2670?1
新能源裝機(jī):1U5M
&方式《荷BE:1193
火電裝機(jī):275MK
IMb1502Ml350總裝機(jī):1390X6
大方式負(fù)行總加:1Q94*
機(jī)組有功出力/\w
24
3.5算例分析
負(fù)荷數(shù)據(jù)
節(jié)900000
點
負(fù)
荷800000
有
功
700000
功
率
/
M
W600000
500000
650100150200250300350
------------------------------------------------1時間間隔/24h-------------------------------------------
離線訓(xùn)練環(huán)節(jié)采用的負(fù)荷數(shù)據(jù)集為2019年10月后延一年的數(shù)據(jù)(綠色曲線);在線測試環(huán)節(jié)采用
的負(fù)荷數(shù)據(jù)集為2020年10月后的數(shù)據(jù)(藍(lán)色曲線)。橫坐標(biāo)對應(yīng)天數(shù),時間間隔為24小時;縱坐標(biāo)
為對應(yīng)的負(fù)荷(單位:MW)O
25
3.5算例分析
新能源預(yù)測數(shù)據(jù)
新
能
源300000
機(jī)
組250000
最
200000
大
有150000
功
功100000
率
/50000
M
W
0-
050100150200250300350
---------------------------------時間間隔/24h-----------------------------------------
SG126系統(tǒng)的訓(xùn)練集與測試集對應(yīng)的新能源機(jī)組預(yù)測最大有功出力。橫坐標(biāo)對應(yīng)天數(shù),時間間
隔為24小時;縱坐標(biāo)為對應(yīng)的新能源預(yù)測(單位:MW)o
26
3.5算例分析
運行場景聚類-基態(tài)
K簇類別個數(shù)的選擇:3
基態(tài)運行時訓(xùn)練集場景的映射特征集表4000
場景/天特征1特征2特征3特征4特征5
M'w6.792-7.3171.8239.1373.469
Mi23.1665.1390.3412.3902.635
Ml
9.7950.061-8.1801.5870.720
、亡9-2.765-6.7500.4633.8712.487
34579
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 人人文庫網(wǎng)僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 強(qiáng)化品牌傳播的工作總結(jié)計劃
- 員工滿意度調(diào)查方案計劃
- 2024年高效PDC鉆頭項目發(fā)展計劃
- 數(shù)字化時代的教學(xué)創(chuàng)新計劃
- 城市規(guī)劃設(shè)計承攬合同三篇
- 2024年輸注延長管合作協(xié)議書
- 2024年休閑專用車及其零附件項目發(fā)展計劃
- 2024-2025學(xué)年高中英語版必修第一冊北師版 Unit 2 Section Ⅳ LESSON 3 RUNNING AND FITNESS
- 2023-2024學(xué)年湖北省咸寧市通城縣四校聯(lián)考九年級(上)第一次月考化學(xué)試卷(10月份)
- 2021年浙江臺州中考滿分作文《此心光明亦復(fù)何言》
- 2024春新教材高中地理 1.2 地球公轉(zhuǎn)教案 湘教版選擇性必修1
- 2024年物業(yè)管理師(高級)考前必刷必練題庫500題(含真題、必會題)
- 弘揚教育家精神的學(xué)校行動
- 貴州2024年中國農(nóng)業(yè)銀行貴州省分行春季招聘155人筆試歷年典型考題及考點附答案解析
- 2024年安徽省中考數(shù)學(xué)真題試卷及答案解析
- 2024年人教版初一歷史上冊期中考試卷(附答案)
- 2024年國防知識學(xué)習(xí)測試考試競賽題庫及答案
- 家政保姆三方合同
- 數(shù)字金融營銷 課件 趙占波 第1-7章:數(shù)字金融營銷概論-數(shù)字金融產(chǎn)品的營銷策略
- 小學(xué)語文六年級上冊第三單元作業(yè)設(shè)計
- DZ∕T 0334-2020 石油天然氣探明儲量報告編寫規(guī)范(正式版)
評論
0/150
提交評論