[发明专利]基于深度学习全状态最优反馈的智能发电控制方法及应用

说明书

本发明涉及电力系统日负荷预测技术领域，提供了一种基于深度学习全状态最优反馈的电力系统智能发电控制方法及应用，具体包括如下操作步骤：建立所需进行发电控制的互联电力系统的负荷‑频率控制状态空间模型；对所述状态空间模型求取全状态最优反馈控制解，并获得全状态最优反馈控制下的发电控制系统；选取状态量作为深度神经网络的训练样本；获得深度神经网络模型；对深度神经网络模型的发电控制特性进行测试；测试合格后，对深度神经网络模型封装至智能发电控制器、并应用；本发明结合深度神经网络与最优控制理论，旨在提高电力系统发电控制性能，更迅速、准确地完成功率‑负荷的平衡，增强电力系统的频率稳定性、降低区域间非计划传输功率。

技术领域

本发明涉及电力系统自动发电控制技术领域，具体涉及一种基于深度学习全状态最优反馈的电力系统智能发电控制方法及应用。

背景技术

自动发电控制(automatic generation control，AGC)属于二次调频范畴，是电力系统实现自动调度、监测和保持系统频率的主要途径之一，由配电单元、终端、通信信道、调度计算机、自动控制装置等部分组成。当电力系统负荷产生变化时，由于系统静态特性，将导致一定的频率偏差或其它状态信息变化，AGC将根据检测所得的状态信息对调频电厂进行出力调控，以达到新系统负荷-功率平衡，保持频率稳定。自动发电控制系统框图如图1所示。

智能发电控制(smart generation control，SGC)在自动发电控制的基础上引入了智能算法，从而使发电得到“智能”的控制。SGC中的智能算法以自适应算法或强化学习算法为主，本发明提出的深度学习全状态最优反馈算法属于自适应算法范畴。

目前，较经典的电力系统自动发电控制算法主要包括：比例-积分(proportional-integral，PI)控制、次优控制(sub-optimal control,SOC)、最优控制(optimal control,OC)等三种较常见算法，其中，比例-积分控制算法是当今自动发电控制实际应用中的主流控制方法。

PI控制、次优控制、最优控制这三种控制方法均属于线性控制范畴，应用于自动发电控制时存在有不同的缺陷：

1)在PI发电控制系统中，各区域PI控制器仅对自区域频率偏差或ACE进行采样、仅对自区域功率进行调控，不能充分考虑互联系统中其余区域子系统负荷变化带来的影响，较适用于孤网或联络程度较低的互联电力系统的发电控制。在各区域电网高度并列运行的今天，PI控制不能对除自区域外的系统负荷变化进行有效反馈调控，逐渐展现出较大局限性。并且，比例、积分系数的具体数值一般由调度员进行调节整定，其大小将直接影响PI控制性能，对调整时间、超调量等均有直接影响，因此，根据调度员水平不同，PI控制下的发电控制性能也会有差异，存在较大的不确定性。

2)次优控制：次优控制又叫做输出反馈最优控制，即，仅以系统输出量作为控制反馈量进行发电调控，在次优发电控制系统中，因其控制反馈量较少，控制耦合度较低，其控制闭环下的发电控制系统仅为李雅普诺夫函数约束下的渐进稳定系统，其发电控制信号是一个震荡趋于稳态的过程，系统不是严格稳定的，且性能指标泛函无法达到真正的极小值，其控制效果是受限制的。并且，在实际自动发电控制问题中，渐进稳定对受控的发电机组而言是不利的，震荡衰减在实际系统中将造成较大的电能损耗，连续的正反调切换将加大被控机组的损耗，造成经济损失。

3)最优控制(全状态最优反馈控制)：对性能指标寻求最优一直作为系统的主要控制目标。最优控制的必要条件是系统全状态协同反馈。然而，在实际控制系统中，全状态信息的测取往往是困难，甚至有的状态量是无法测取的，并且，测量的信息量越多，由于各种因素导致的误差也就越大，控制性能可能不增反降。这一问题在互联电力系统中尤其凸显，一方面，由于二次设备误差，各区域电网实时获取其它区域电网的准确状态信息显然是困难的，并且由于区域跨度大，状态信号的传输延时也是较大的，增加了状态信号的不确定性、不准确性。