一種未來電網(wǎng)調(diào)控策略研究

陶旭嫣，郝德榮，梁中會，張學(xué)清，梁軍

（1.國網(wǎng)山東省電力公司煙臺供電公司，山東煙臺264000；2.山東大學(xué)電氣工程學(xué)院，濟(jì)南250061）

一種未來電網(wǎng)調(diào)控策略研究

陶旭嫣1，郝德榮1，梁中會1，張學(xué)清1，梁軍2

（1.國網(wǎng)山東省電力公司煙臺供電公司，山東煙臺264000；2.山東大學(xué)電氣工程學(xué)院，濟(jì)南250061）

未來電網(wǎng)將廣泛接入可再生能源發(fā)電等新能源電源，會出現(xiàn)電網(wǎng)潮流流向不清晰的問題，提出一種基于學(xué)習(xí)理論的未來電網(wǎng)調(diào)控策略模型。在未來電網(wǎng)全景可觀測的背景下，對采集的電網(wǎng)運(yùn)行過程信息進(jìn)行挖掘，建立了未來電網(wǎng)的一種等值分析模型。利用現(xiàn)代學(xué)習(xí)理論建立具有自學(xué)習(xí)的、考慮時空關(guān)聯(lián)的協(xié)調(diào)調(diào)控策略機(jī)制。最后以某實(shí)際電網(wǎng)運(yùn)行數(shù)據(jù)為算例驗(yàn)證了調(diào)控策略的可行性，為未來電網(wǎng)的運(yùn)行調(diào)控提供有益的思考。

未來電網(wǎng)；極端學(xué)習(xí)機(jī)；相關(guān)性分析；學(xué)習(xí)理論

0 引言

常規(guī)化石能源大量消耗，其碳排放引起的溫室效應(yīng)及霧霾等問題日益引起人們的重視，近年來環(huán)境污染的持續(xù)加劇，加速了人們對尋求可再生能源以替代常規(guī)能源的步伐。為了改善環(huán)境，可再生資源開發(fā)得到重視，其以分布或者集中等各種方式并入電網(wǎng)，引起電網(wǎng)架構(gòu)悄然改變，由于可再生能源例如風(fēng)力發(fā)電、光伏發(fā)電等具有明顯的間歇性、波動性以及隨機(jī)性等特點(diǎn)，造成大量棄風(fēng)棄光，并使現(xiàn)有電網(wǎng)調(diào)控手段面臨著威脅和挑戰(zhàn)。所以，研究智能電網(wǎng)調(diào)控策略對于如何高效地進(jìn)行可再生資源開發(fā)和利用具有重要意義。

文獻(xiàn)［1-3］對含有風(fēng)電場或同時含有風(fēng)光電場的電力系統(tǒng)動態(tài)經(jīng)濟(jì)調(diào)度問題進(jìn)行了研究，通過仿真驗(yàn)證了所提方法的有效性。文獻(xiàn)［4-5］考慮能源環(huán)境效益的含風(fēng)電場的電力系統(tǒng)多目標(biāo)優(yōu)化調(diào)度模型，以便在常規(guī)發(fā)電機(jī)組的經(jīng)濟(jì)性以及能源的環(huán)境經(jīng)濟(jì)效益之間折中取舍。以上大都是通過提高常規(guī)機(jī)組的旋轉(zhuǎn)備用容量來增加電網(wǎng)接納風(fēng)電的能力，這有可能導(dǎo)致資源的浪費(fèi)。文獻(xiàn)［6］提出，為增加風(fēng)電等可再生能源的消納能力，引入電動汽車以建立多時間尺度的電動汽車—風(fēng)電協(xié)同調(diào)度模型，并通過仿真驗(yàn)證了通過合理調(diào)度電動汽車充電可以增加電網(wǎng)風(fēng)電的接納能力。文獻(xiàn)［7］為了消納大規(guī)模風(fēng)電提出了多時間尺度協(xié)調(diào)的有功調(diào)度策略，以應(yīng)對可再生資源并入對電網(wǎng)的影響，其為增加風(fēng)電等可再生資源的接納能力提供了有效的途徑。以上調(diào)度方法都是以某種或者某幾種指標(biāo)最優(yōu)為目標(biāo)，通過考慮各種約束條件以優(yōu)化目標(biāo)函數(shù)來得到調(diào)度方案。實(shí)際上，自然環(huán)境是存在周期性規(guī)律的，人類的社會活動也存在周期性規(guī)律，電力系統(tǒng)作為人類認(rèn)識自然和改造自然的產(chǎn)物，構(gòu)成電力系統(tǒng)的電源、負(fù)荷等各構(gòu)成要素以及寓于其中的變化趨勢或者調(diào)控手段（指具有主動調(diào)節(jié)能力的個體）等也必然存在周期性

規(guī)律；同時調(diào)控電網(wǎng)運(yùn)行的管理者和決策者能應(yīng)對這一周期性規(guī)律波動，并通過交互協(xié)調(diào)具有積累經(jīng)驗(yàn)和形成規(guī)則的能力。因此，利用現(xiàn)代學(xué)習(xí)理論把握這種周期性規(guī)律并對電網(wǎng)進(jìn)行調(diào)控成為可能。

在考慮傳統(tǒng)電網(wǎng)調(diào)度策略的基礎(chǔ)上，提出了一種基于學(xué)習(xí)理論的漸進(jìn)學(xué)習(xí)電網(wǎng)調(diào)控策略，其實(shí)質(zhì)是在挖掘電網(wǎng)運(yùn)行過程化信息規(guī)律基礎(chǔ)上，建立電網(wǎng)等值分析模型，依此演繹具有自學(xué)習(xí)的時空滾動且關(guān)聯(lián)的漸進(jìn)調(diào)控機(jī)制。

1 電網(wǎng)運(yùn)行過程化信息挖掘和等值分析

當(dāng)今電力系統(tǒng)量測手段日益豐富，廠站的數(shù)據(jù)采集與監(jiān)控系統(tǒng)（SCADA）以及同步相量測量技術(shù)（PMU）引導(dǎo)的電網(wǎng)廣域化系統(tǒng)（WAMS）日漸成型［8-9］；同時未來電網(wǎng)中的監(jiān)測、計量手段也更富智能化，因此可實(shí)現(xiàn)電網(wǎng)運(yùn)行狀況的全景化觀測。通過現(xiàn)代電網(wǎng)量測技術(shù)（發(fā)輸電元件錄波、廠站SCADA、WAMS、用戶側(cè)抄表）以各自的標(biāo)準(zhǔn)采集電網(wǎng)構(gòu)成要素的運(yùn)行狀況數(shù)據(jù)，并按時間延續(xù)的過程，周期性地采集信息并存儲，即全景過程化信息，該信息為電網(wǎng)等值分析的基礎(chǔ)。在采集到電網(wǎng)全景過程化運(yùn)行信息的基礎(chǔ)上，對每個個體按照屬性進(jìn)行分類，如發(fā)電機(jī)組、變壓器、輸電線路、負(fù)荷等。視每個個體的運(yùn)行周期為一個過程，對其運(yùn)行狀況和調(diào)控行為進(jìn)行數(shù)據(jù)挖掘，建立拓?fù)浞治鱿碌膹?fù)雜電網(wǎng)等值，并給出對應(yīng)的過程化運(yùn)行規(guī)律。以某電網(wǎng)的運(yùn)行情況為例，即在全網(wǎng)實(shí)時信息數(shù)據(jù)采集的基礎(chǔ)上，得到電網(wǎng)中各構(gòu)成要素的數(shù)據(jù)信息，進(jìn)而可得所關(guān)注節(jié)點(diǎn)或區(qū)域在每個時間點(diǎn)的注入功率信息，實(shí)際上就是在電網(wǎng)數(shù)據(jù)挖掘的基礎(chǔ)上進(jìn)行電網(wǎng)等值的分析。可分為源性等值、負(fù)荷等值和聯(lián)絡(luò)等值等，此處僅以源性等值進(jìn)行分析。

以山東電網(wǎng)某年2月24日至27日實(shí)際采集的數(shù)據(jù)為算例，對采集到的電網(wǎng)實(shí)際運(yùn)行數(shù)據(jù)進(jìn)行挖掘，以得到各個時段電網(wǎng)支路元件的運(yùn)行過程信息，以各源性節(jié)點(diǎn)為例，3日共72個時段部分源性節(jié)點(diǎn)的注入功率信息進(jìn)行分析。

2 電網(wǎng)運(yùn)行數(shù)據(jù)信息的相關(guān)性分析

由于在正常工作日每個節(jié)點(diǎn)的注入功率都具有較強(qiáng)的日相似特性，為了定量地評價這種相似性，采用相關(guān)函數(shù)來度量。

相關(guān)函數(shù)值rk是反映變量x（t，k）及其下一周期x（t，k+T）間線性相關(guān)性的函數(shù)［11］，如式（1）～（4）所示。當(dāng)k取T，2T，…，mT（m為正整數(shù)）時，rk表示在不同周期的相關(guān)函數(shù)值。當(dāng)相關(guān)性函數(shù)值相差不大時，可認(rèn)為在一段時間內(nèi)，各周期數(shù)值具有較強(qiáng)的相關(guān)性，且越接近于1，相關(guān)性越強(qiáng)。如果相關(guān)函數(shù)出現(xiàn)了負(fù)值，說明其不具有相關(guān)性。由于每日共24個時段，所以注入功率的周期T為24。對每個節(jié)點(diǎn)的注入功率進(jìn)行相關(guān)性分析，計算結(jié)果如表1所示。

表1 部分節(jié)點(diǎn)注入功率的日周期相關(guān)性分析

從表1可以看出，各個節(jié)點(diǎn)在相鄰的兩個日周期的相關(guān)函數(shù)值均為正值，且接近于1，說明各節(jié)點(diǎn)的注入功率變化情況具有較強(qiáng)的日相似特性，這與本文假設(shè)工作日下的電網(wǎng)運(yùn)行情況具有相似特性是一致的，因此驗(yàn)證了電網(wǎng)的運(yùn)行過程確實(shí)具有日周期性規(guī)律，從而為建立漸進(jìn)學(xué)習(xí)型的未來電網(wǎng)調(diào)控理論提供了理論基礎(chǔ)。

3 漸進(jìn)學(xué)習(xí)型的電網(wǎng)調(diào)控

在構(gòu)建電網(wǎng)等值分析模型的基礎(chǔ)上，建立具有自學(xué)習(xí)的、時空滾動且關(guān)聯(lián)的調(diào)控機(jī)制。采用極端學(xué)習(xí)機(jī)（ELM）理論建立漸進(jìn)學(xué)習(xí)的電網(wǎng)調(diào)控模型。由于支持向量機(jī)的訓(xùn)練為二次規(guī)劃過程，文獻(xiàn)［12］非線性輸入變量從低維空間映射到高維特征空間進(jìn)行某種運(yùn)算，在映射的過程中會引起空間維數(shù)增加，為了降低計算規(guī)模需要采用核函數(shù)理論來簡化計算，

訓(xùn)練復(fù)雜且占用時間較長。ELM作為一種新型的前饋神經(jīng)網(wǎng)絡(luò)，已被證明具有優(yōu)良的預(yù)測性能［13-14］，其具有訓(xùn)練時間短，算法簡單，在學(xué)習(xí)理論領(lǐng)域得到了廣泛的應(yīng)用。

3.1 ELM

極端學(xué)習(xí)機(jī)是一種新型的前饋神經(jīng)網(wǎng)絡(luò)，其表示如下［15］：

式中：xk為輸入向量；Win為連接輸入節(jié)點(diǎn)和隱層節(jié)點(diǎn)的輸入權(quán)值；b隱含層偏置；Ok為網(wǎng)絡(luò)輸出；ω為連接隱含層與輸出層的輸出權(quán)值；f為隱含層激活函數(shù)，一般取為Sigmoid函數(shù)；N為樣本數(shù)［18］。

在訓(xùn)練開始時，Win和b隨機(jī)生成并保持不變，僅需訓(xùn)練確定輸出權(quán)值ω。假設(shè)單隱層前饋網(wǎng)絡(luò)以零誤差逼近訓(xùn)練樣本，即。

則存在Win、b和ω使式（6）成立

由于ELM在某些情況進(jìn)行訓(xùn)練，如訓(xùn)練樣本數(shù)小于隱層節(jié)點(diǎn)數(shù)等可能會導(dǎo)致ELM的自相關(guān)矩陣出現(xiàn)奇異，導(dǎo)致常規(guī)的偽逆算法不再適用，采用嶺回歸方法以求解輸出權(quán)值向量［16-17］，其主要思路是：

由式（6）知可以轉(zhuǎn)化為如下的優(yōu)化問題

式中：C為正則項(xiàng)系數(shù)。

基于KKT條件可以表示為

式中：αi為Lagrange乘子。

由文獻(xiàn)［12-18］可推得

可見，ELM與支持向量機(jī)（SVM）一樣都是將原始訓(xùn)練數(shù)據(jù)映射到某一高維特征空間，但是ELM的特征空間是可知的而SVM是未知的，從而導(dǎo)致了SVM嚴(yán)重依賴核函數(shù)，ELM則完全獨(dú)立于核函數(shù)，是一種無核機(jī)學(xué)習(xí)方法，且經(jīng)過原始嶺回歸改進(jìn)算法的訓(xùn)練速度比原ELM以及LSSVM訓(xùn)練更方便快捷，不僅不會出現(xiàn)自相關(guān)矩陣奇異的現(xiàn)象，而且具有較好的算法穩(wěn)定性。

3.2 漸進(jìn)學(xué)習(xí)的電網(wǎng)調(diào)控思路

目前傳統(tǒng)的調(diào)度方式主要采用日前調(diào)度計劃和自動發(fā)電控制（AGC）等兩個尺度的調(diào)度模式［7］，由于兩個時間尺度時間跨度大，已無法適應(yīng)未來電網(wǎng)的發(fā)展要求。同時風(fēng)電機(jī)組、光發(fā)電等可再生資源由于受自身運(yùn)行特性和發(fā)電不確定性影響，難以像水電、火電等常規(guī)機(jī)組一樣進(jìn)行功率調(diào)節(jié)，而將可再生能源納入?yún)^(qū)域電網(wǎng)的有功調(diào)度和控制框架［19-21］，就可以很好地實(shí)行分布與集中的調(diào)控策略。實(shí)現(xiàn)時空關(guān)聯(lián)的漸進(jìn)學(xué)習(xí)調(diào)控策略，分為空間上和時間上協(xié)調(diào)關(guān)系：空間協(xié)調(diào)是指集中調(diào)控與局部自治相協(xié)調(diào)的協(xié)調(diào)策略，實(shí)質(zhì)體現(xiàn)的是集中與分布的關(guān)聯(lián)關(guān)系；時間協(xié)調(diào)是指聚合節(jié)點(diǎn)在多時間尺度上進(jìn)行多時間級之間的協(xié)調(diào)控制，實(shí)質(zhì)體現(xiàn)了時域關(guān)聯(lián)的關(guān)系。采用文獻(xiàn)［7］提出的多時間尺度分級策略，即把調(diào)控分解為4個階段：日前計劃、滾動計劃、實(shí)時計劃以及AGC等。

日前計劃。由于該時間段有充足的時間進(jìn)行調(diào)度方案的制定，所以可以利用最小二乘SVM在對以前的大量歷史數(shù)據(jù)進(jìn)行學(xué)習(xí)的基礎(chǔ)上，做出未來日24個時段的調(diào)度計劃。其在采用式（9）做出第t+1時刻的調(diào)度計劃后將其加入歷史數(shù)據(jù)中，這樣不斷地進(jìn)行回歸即可得到未來24個時段的有功調(diào)度方案。

滾動計劃。以日前計劃為基礎(chǔ)，60 min為周期的滾動計劃也是利用極端學(xué)習(xí)機(jī)對下一時段的計劃進(jìn)行回歸，不停修正剩余時段的日前計劃，同時利用最新得到的實(shí)時數(shù)據(jù)加入到原24點(diǎn)的ELM進(jìn)行訓(xùn)練，使模型總是朝著更為準(zhǔn)確的方向改進(jìn)。

實(shí)時計劃。與滾動計劃類似，但是以15 min為周期的計劃，其以每天96點(diǎn)的數(shù)據(jù)進(jìn)行回歸學(xué)習(xí)，不停修正剩余時段的滾動計劃，在得到最新的實(shí)時數(shù)據(jù)后再送入96點(diǎn)的極端學(xué)習(xí)機(jī)進(jìn)行實(shí)時更新訓(xùn)練，改進(jìn)模型的回歸性能。

AGC。AGC主要負(fù)責(zé)校正控制。調(diào)度秒級的AGC源性聚合節(jié)點(diǎn)，并使頻率和聯(lián)絡(luò)線功率滿足CPS考核指標(biāo)［7］，可以與實(shí)時計劃不斷地協(xié)調(diào)配合。

圖1給出了漸進(jìn)學(xué)習(xí)的時空關(guān)聯(lián)電網(wǎng)調(diào)控策略體系，由學(xué)習(xí)理論貫穿其中，并由空間和時間兩大體系構(gòu)成?？臻g協(xié)調(diào)由集中與分布的調(diào)控構(gòu)成，分布調(diào)控主要是基于就地的智能調(diào)控，而集中調(diào)控主要是

基于同步時鐘的高度自動化全局調(diào)控，實(shí)質(zhì)體現(xiàn)的是集中與分布的關(guān)聯(lián)關(guān)系；而時間協(xié)調(diào)由日前計劃、實(shí)時計劃、滾動計劃以及AGC的調(diào)控構(gòu)成?？臻g與時間協(xié)調(diào)是交互的關(guān)系，二者共同構(gòu)成了漸進(jìn)學(xué)習(xí)的電網(wǎng)調(diào)控體系。

圖1 電網(wǎng)調(diào)控體系

4 算例分析

以山東電網(wǎng)某年2月25日至27日的每個時段實(shí)時運(yùn)行數(shù)據(jù)為算例檢驗(yàn)該電網(wǎng)聚合調(diào)控策略的可行性。山東電網(wǎng)500 kV節(jié)點(diǎn)共25個，500節(jié)點(diǎn)的區(qū)域分布如圖2所示。山東電網(wǎng)大部分負(fù)荷位于東部，而電源主要位于西部，具有典型的“西電東輸”特征。其中1、6、45、46以及48號母線等均為源性節(jié)點(diǎn)，取46號源性節(jié)點(diǎn)為例來驗(yàn)證漸進(jìn)學(xué)習(xí)的電網(wǎng)調(diào)控策略的可行性。

首先在電網(wǎng)等值分析的基礎(chǔ)上，得到每個節(jié)點(diǎn)的實(shí)際注入功率。取46號源性節(jié)點(diǎn)的25和26日的注入功率數(shù)據(jù)對24點(diǎn)的ELM進(jìn)行學(xué)習(xí)訓(xùn)練。其中輸入向量維數(shù)為7，第1項(xiàng)為待訓(xùn)練時刻的全網(wǎng)總負(fù)荷，2～7項(xiàng)為待訓(xùn)練時刻之前6個時刻的源性節(jié)點(diǎn)的實(shí)際注入功率值。通過反復(fù)驗(yàn)證隱層節(jié)點(diǎn)數(shù)和正則項(xiàng)系數(shù)C取為240和54.2。訓(xùn)練完畢之后，以27日00∶00的500 kV節(jié)點(diǎn)總的負(fù)荷注入功率以及26日18∶00—24∶00時的山東電網(wǎng)46號節(jié)點(diǎn)注入功率為輸入向量，輸入到極端學(xué)習(xí)機(jī)得到27日00∶00計劃功率，再把得到的功率加入到歷史數(shù)據(jù)中去，不斷地進(jìn)行功率回歸就可得到27日24個時段的日前計劃功率曲線，日計劃功率曲線與27日實(shí)際的發(fā)出功率曲線如圖3所示。滾動計劃有兩種方案：一種稱為原始滾動計劃，即保持之前日計劃訓(xùn)練好的ELM模型不變，分別把23日每一時段實(shí)際的注入功率加入歷史數(shù)據(jù)回歸得到24個時段的滾動計劃；另一種稱為漸進(jìn)學(xué)習(xí)的滾動計劃，即將每一時段實(shí)際的注入功率加入樣本集之前進(jìn)行KKT條件判斷，如果新增實(shí)際數(shù)據(jù)滿足KKT條件，說明原日計劃ELM模型仍可以很好地擬合數(shù)據(jù)，不必將其送入模型訓(xùn)練。若不能滿足KKT條件，則需將其送入原模型進(jìn)行訓(xùn)練后再繼續(xù)回歸下一個時段的注入功率。兩種方案的曲線如圖3所示。

圖2 電網(wǎng)節(jié)點(diǎn)接線示意

表2 各調(diào)度計劃誤差指標(biāo)

圖3 各調(diào)度計劃曲線

從圖3可以看出，從日計劃曲線、原始滾動計劃以及漸進(jìn)學(xué)習(xí)的滾動計劃曲線可以看出，滾動計劃曲線明顯比原始的日計劃曲線更接近實(shí)際的運(yùn)行情況，而且具有漸進(jìn)學(xué)習(xí)調(diào)節(jié)功能的滾動計劃比原始滾動計劃更接近實(shí)際情況，說明了漸進(jìn)學(xué)習(xí)的電網(wǎng)調(diào)控策略是可行的。而漸進(jìn)學(xué)習(xí)的滾動計劃與實(shí)際的運(yùn)行誤差則可由實(shí)時計劃和AGC聯(lián)合協(xié)調(diào)解決。3種計劃曲線與實(shí)際的運(yùn)行曲線的偏離程度采用絕對平均誤差Emae和均方根誤差Ermse進(jìn)行衡量，對比結(jié)果如表2所示。從表2知，漸進(jìn)學(xué)習(xí)的滾動計劃與

實(shí)際值絕對平均誤差和均方根誤差最小，分別為3.11%和4.85%，其余的誤差再由實(shí)時計劃和AGC聯(lián)合平滑解決。綜上所述，所提出的調(diào)控策略可有效解決可再生資源接入未來電網(wǎng)出現(xiàn)的問題，可為未來電網(wǎng)的調(diào)控提供了新的有效的研究和解決思路。

5 結(jié)語

針對未來可再生能源發(fā)電等廣泛接入電網(wǎng)引起電網(wǎng)潮流流向不清晰的問題，在考慮傳統(tǒng)電網(wǎng)調(diào)度策略的基礎(chǔ)上，提出了一種漸進(jìn)學(xué)習(xí)的未來電網(wǎng)調(diào)控策略。其在電網(wǎng)全景可觀測的前提下，通過對電網(wǎng)全景過程化運(yùn)行的信息規(guī)律挖掘，進(jìn)行電網(wǎng)等值分析的基礎(chǔ)上建立了漸進(jìn)學(xué)習(xí)的電網(wǎng)調(diào)控策略。其與傳統(tǒng)電網(wǎng)調(diào)控手段是兼容的，并能在漸進(jìn)學(xué)習(xí)中不斷改進(jìn)，體現(xiàn)了智能化，為電網(wǎng)的調(diào)控提供了新的有益參考。

［1］孫元章，吳俊，李國杰.基于風(fēng)速預(yù)測和隨機(jī)規(guī)劃的含風(fēng)電場電力系統(tǒng)動態(tài)經(jīng)濟(jì)調(diào)度［J］.中國電機(jī)工程學(xué)報，2009，29（4）：41-47.

［2］YANG H，LU L，ZHOU W.A novel optimization sizing model for hybrid solar wind power generation system［J］.Solar Energy，2007，81（1）：76-84.

［3］LIANG R H，LIAO Jianliao.A fuzzy-optimization approach for generation scheduling with wind and solar energy systems［J］. IEEE Trans on Power Systems，2007，22（4）：1 665-1 674.

［4］邱威，張建華，劉念.含大型風(fēng)電場的環(huán)境經(jīng)濟(jì)調(diào)度模型與解法［J］.中國電機(jī)工程學(xué)報，2011，31（19）：8-16.

［5］陳道君，龔慶武，張茂林，等.考慮能源環(huán)境效益的含風(fēng)電場多目標(biāo)優(yōu)化調(diào)度［J］.中國電機(jī)工程學(xué)報，2011，31（13）：10-17.

［6］于大洋，宋曙光，張波，等.區(qū)域電網(wǎng)電動汽車充電與風(fēng)電協(xié)同調(diào)度的分析［J］.電力系統(tǒng)自動化，2011，35（14）：2 429.

［7］張伯明，吳文傳，鄭太一，等.消納大規(guī)模風(fēng)電的多時間尺度協(xié)調(diào)的有功調(diào)度系統(tǒng)設(shè)計［J］.電力系統(tǒng)自動化，2011，35（1）：1-6.

［8］劉新東，江全元，曹一家.N-1條件下不失去可觀測性的PMU優(yōu)化配置方法［J］.中國電機(jī)工程學(xué)報，2009，29（10）：47-51.

［9］Askounis D T，Kalfaoglou E.The Greek EMS-SCADA：From the Contractor to the User［J］.IEEE Transactions on Power Systems，2000，15（4）：1 423-1 427.

［10］梁軍，贠志皓，任姝霏，等.小波變換的二抽取環(huán)節(jié)對行波測距精度的影響［J］.電力自動化設(shè)備，2006，26（10）：28-31.

［11］周云龍，張學(xué)清，孫斌.應(yīng)用電導(dǎo)探針技術(shù)識別氣液兩相流流行方法及電導(dǎo)波動信號噪聲的辨識［J］.傳感技術(shù)學(xué)報，2008，21（10）：1 708-1 712.

［12］HUANG G B，ZHU Q Y，SIEW C K.Extreme learning machine：Theory and application［J］.Neurocomputing，2006，70（1-3）：489-501.

［13］HUANG G B，DING X J，ZHOU H M.Optimization method based extreme learning machine for classification［J］. Neurocomputing，2010，74：155-163.

［14］HUANG G B，ZHOU H M，DING X J，et al.Extreme learning machine for regression and multiclass classification［J］.IEEE Trans.On System，Man and Cybernetics-Part B：Cybernetics，2012，42（2）：513-529

［15］袁琦，周衛(wèi)東，李淑芳，等.基于ELM和近似熵的腦電信號檢測方法［J］.儀器儀表學(xué)報，2012，33（3）：514-519.

［16］HOERL A E，KENNARD R W.Ridge regression：Biased esti mation for nonorthogonal problems［J］.Technometrics，1970，12（1），55-67.

［17］HUANG N E，SHEN Z，LONG S R.The empirical mode decomposition and the Hilbert spectrum for nonlinear and nonstationary time series analysis［J］.Proceedings of The Royal Society Soc Lond.，1998，454（1971）：903-995.

［18］張學(xué)清，梁軍，張熙，等.基于樣本熵和極端學(xué)習(xí)機(jī)的超短期風(fēng)電功率組合預(yù)測模型［J］.中國電機(jī)工程學(xué)報，2013，33（25）：33-40.

［19］李智，韓學(xué)山，韓力，等.地區(qū)電網(wǎng)風(fēng)電場功率超短期預(yù)測方法［J］.電力系統(tǒng)自動化，2010，34（7）：90-94.

［20］LIANG R H，LIAO Jianliao.A fuzzy-optimization approach for generation scheduling with wind and solar energy systems［J］. IEEE Trans.on Power Systems，2007，22（4）：1 665-1 674.

［21］高宗和，滕賢亮，張小白.適應(yīng)大規(guī)模風(fēng)電接入的互聯(lián)電網(wǎng)有功調(diào)度與控制方案［J］.電力系統(tǒng)自動化，2010，34（17）：37-41，96.

Study on One Control Strategy of the Future Power Grids

TAO Xuyan1，HAO Derong1，LIANG Zhonghui1，ZHANG Xueqing1，LIANG Jun2
（1.State Grid Yantai Power Supply Company，Yantai 264000，China；2.School of Electrical Engineering，Shandong University，Jinan 250061，China）

In order to solve the problem of the ambiguity on power flow caused by the wide access of renewable power，a control strategy model for future power grids based on learning theory was proposed.Under the background of the panoramic observation of the future power grid，the equivalent model of power grid was established by mining the operation process information of power grids.Thereby，the coordination mechanism of control strategy with self-learning and space time correlation was constructed by using modern learning theory.Finally，the feasibility of the proposed control strategy was identified by taking a real operation data example of power grids，which provided effective

to the running and the controlling of the future power grids.

future power grid；extreme learning machine；correlation analysis association；learning theory

TM73

A

1007－9904（2016）10－0007－05

2016-04-22

陶旭嫣（1967），女，高級工程師，主要研究方向?yàn)殡娏ο到y(tǒng)運(yùn)行與控制；

郝德榮（1969），男，高級技師，主要研究方向?yàn)殡娏ο到y(tǒng)運(yùn)行與控制；

梁中會（1969），男，高級工程師，主要研究方向?yàn)殡娏ο到y(tǒng)運(yùn)行與控制；

張學(xué)清（1982），男，博士，工程師，主要研究方向?yàn)殡娏ο到y(tǒng)運(yùn)行與控制；

梁軍（1956），男，教授，博士生導(dǎo)師，主要研究方向?yàn)殡娏ο到y(tǒng)運(yùn)行與控制。