[发明专利]一种自适应宽度动态规划智能发电控制方法

说明书

本发明提供一种自适应宽度动态规划智能发电控制方法，该方法将自适应动态规划算法中的神经网络替换为机器学习领域中的宽度神经网络，并且在其中添加宽度模型预测网络，能够同时完成传统模式下“自动发电控制算法+指令优化分配算法”共同完成的工作。所提自适应宽度动态规划智能发电控制方法具有有效性、可行性与强鲁棒性，能在正常情况、“即插即用”启停机情况、通讯故障情况、全天扰动仿真情况、变拓扑结构的孤岛配网情况和变参数模型的仿真中获得最优控制性能。

技术领域

本发明属于孤岛配电网的电力系统智能发电控制领域，传统模式下由“自动发电控制算法+指令优化分配算法”共同完成的工作。

背景技术

随着人类不断提高可再生新能源的利用率，分布式电源(如小水电、风电、光伏发电、生物质发电及电动汽车)不断地接入到配电网络，配电网的供电模式已经开始发生逆转，从主网络被动接收电能的配电网络向主动供电配电网络逐渐过渡，配电网络在分布式电源的支撑下独立运行的能力不断提高。一方面，电网可接入分布式电源的多样化以及间歇性新能源随机性的增大导致配电网络的电能质量控制更加困难。另一方面，当输电网络发生严重故障时，智能主动配电网的发展要求配电网能够主动解列为孤岛小配电网自主稳定运行。近年来，如何有效提高含有各种新能源的孤岛配电网的稳定控制水平已成为国内外电力工作人员所关注的技术难题。

对于由许多新能源组成的微电网的频率控制问题，目前国内外学者研究的算法一般可分为两类。一种是自动发电控制算法，如传统的比例积分微分算法、滑模控制、自抗扰控制算法、分数阶比例积分微分算法、模糊控制、强化学习系列的Q学习算法、Q(λ)学习算法、R(λ)学习等，此类算法一般使用整个微电网作为单个区域来计算发电指令，然后再由固定比例分配给各可控的微电源。另一类算法为优化算法，如经典的遗传算法、二次规划算法、灰狼算法、粒子群算法、飞蛾扑火算法、鲸鱼优化算法、蚁狮算法、蜻蜓算法、群搜索算法、鸡群搜索算法、正弦余弦算法等，这些算法通常使用经典的比例积分微分控制算法作为发电控制指令算法。然后，使用这种优化算法将发电指令分配给各个微电源，并且通常以最小的发电成本为目标。这两种算法具有一定的优势，例如，控制算法与优化算法分离，可以分别设计不同的算法，但是两种算法如何协同工作也存在问题。控制算法使用频率偏差最小作为控制目标，而优化分配算法以发电成本最小为优化目标，两者的综合作用可能使得频率偏差增大且发电成本增加，从而导致发电控制性能较差，甚至会因为算法的精度提高导致计算时间超过了发电指令允许的最长时间。

针对上述自动发电控制算法与优化分配算法两者结合使用的缺点，本发明设计了一种“一体式”的控制算法，并命名为自适应宽度动态规划算法。

发明内容

本发明提供一种自适应宽度动态规划智能发电控制方法。可扩展的宽度学习方法可以应用于孤岛配电网中新能源的加入和退出。可扩展的宽度学习方法与动态可扩展网络不同：(i)可扩展的宽度学习方法可适应动态输出的数量；(ii)动态可扩展网络用于提高网络容量。

可扩展的宽度学习方法是基于宽度神经网络的算法，宽度神经网络系统的能量可以描述为如下公式(1)，

其中，W_mn是宽度神经网络中的权重；v_m和k_n是第m个可见单元和第n个隐含单元；和μ_n分别是第m个可见单元和第n个隐含单元的偏移量；M和N分别是可见单元和隐含单元的数量。

联合概率分布计算如下公式(2)，

其中，是归一化函数。

隐含单元的激活概率计算如下公式(3)，

其中，σ(x)定义为S形激活函数

可见单元的激活概率如下公式(4)，