基于深度學習的含風電電力系統(tǒng)實時調(diào)度模型研究

于杰 陳新建 朱軼倫 王彬任

摘要：隨著風電在電力系統(tǒng)中所占比重持續(xù)增加，風電并網(wǎng)下的電力系統(tǒng)優(yōu)化調(diào)度成為當前研究的重點。在現(xiàn)有量測水平下，如何充分利用已有信息，兼顧環(huán)境成本，完成電力系統(tǒng)實時調(diào)度是當前面臨的主要問題。鑒于此，提出了一種基于深度學習的考慮環(huán)境經(jīng)濟的實時調(diào)度模型，深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network，DNN）訓練過程包括以下幾個步驟：首先，在傳統(tǒng)優(yōu)化調(diào)度模型中考慮環(huán)境經(jīng)濟，計算調(diào)度策略和成本作為DNN的輸出;然后，根據(jù)電網(wǎng)調(diào)度輸入、輸出數(shù)據(jù)特性，設(shè)計DNN各層間不同激活函數(shù)，捕捉更廣泛的輸出;最后，提出一種改進的DNN參數(shù)初始化方法，提高了收斂速度。

關(guān)鍵詞：實時調(diào)度;深度學習;神經(jīng)網(wǎng)絡(luò);風電;調(diào)度計劃;環(huán)境經(jīng)濟

0? ? 引言

隨著風電的迅速發(fā)展，推動大規(guī)模的風電并網(wǎng)可有效緩解用電壓力[1-3]。因此，含風電系統(tǒng)中，如何協(xié)調(diào)傳統(tǒng)火電機組出力、減少煤炭資源消耗和環(huán)境污染，完成系統(tǒng)實時調(diào)度成為當前研究中的重要課題[4-5]。

文獻[6]建立調(diào)度模型時以污染物排放量最小為目標，然而未考慮系統(tǒng)調(diào)度經(jīng)濟性;文獻[7-8]在考慮調(diào)度經(jīng)濟性的前提下，基于機會約束規(guī)劃建立考慮風能不確定性的動態(tài)調(diào)度模型，但遺傳算法容易收斂到局部最優(yōu)解;文獻[9]進行電力系統(tǒng)調(diào)度計算時考慮了環(huán)境成本，但模型未考慮風電的容量備用問題;文獻[10]對電網(wǎng)安全影響的敏感性進行了高低排序，來安排風電場發(fā)電計劃，但含風電系統(tǒng)優(yōu)化調(diào)度模型的約束條件較多，計算時間相對較長。基于以上分析，可發(fā)現(xiàn)傳統(tǒng)模型方法計算復(fù)雜，且無法根據(jù)風力變化完成系統(tǒng)實時調(diào)度，已無法滿足實際運行需求。因此，可以嘗試將考慮數(shù)據(jù)時空關(guān)聯(lián)特性的數(shù)據(jù)驅(qū)動方法運用到實時調(diào)度優(yōu)化計算中。

DNN作為一種最有效的機器學習方法[11-13]，已廣泛應(yīng)用于電力系統(tǒng)預(yù)測、分類問題。文獻[14-15]應(yīng)用DNN模型對海量數(shù)據(jù)進行分析，完成對不確定風能的預(yù)測;文獻[16]通過DNN模型構(gòu)造一種風能預(yù)報機制，完成了對含風電系統(tǒng)調(diào)度計劃的完善，但是進行風能預(yù)測和給出調(diào)度策略時未考慮發(fā)電成本和環(huán)境經(jīng)濟的影響。鑒于此，本文引入深度學習完成實時調(diào)度，且將傳統(tǒng)物理模型嵌入到神經(jīng)網(wǎng)絡(luò)中，同時在DNN模型訓練時，樣本數(shù)據(jù)來源考慮運行成本和環(huán)境經(jīng)濟，改進DNN參數(shù)初始化方法，提高訓練速度和測試性能。離線學習階段：系統(tǒng)基本信息為DNN輸入，模型驅(qū)動方法所得調(diào)度決策方案和成本為DNN輸出;在線應(yīng)用階段：根據(jù)當前時刻拓撲數(shù)據(jù)生成快速決策方案。

1? ? 基于深度學習的實時調(diào)度模型的建立

1.1? ? 特征向量的選擇

本質(zhì)上，DNN通過量化輸入變化對輸出的影響來挖掘數(shù)據(jù)間的非線性特征。因此，將輸入特征向量X設(shè)計為所有機組和負荷需求的注入功率，輸出特征向量Y為調(diào)度決策方案和成本。為得到精確度較高的實時調(diào)度模型，利用傳統(tǒng)模型驅(qū)動方法計算得出輸出樣本完成訓練。

考慮到傳統(tǒng)火電機組的煤炭資源消耗和環(huán)境污染，考慮環(huán)境經(jīng)濟的含新能源發(fā)電的系統(tǒng)優(yōu)化目標函數(shù)可表示為：

根據(jù)以上考慮環(huán)境經(jīng)濟的含新能源發(fā)電的系統(tǒng)優(yōu)化目標函數(shù)計算相應(yīng)調(diào)度決策和成本作為本文DNN的輸出，以此保證該實時調(diào)度模型的準確性和全面性。

1.2? ? 基于DNN的實時調(diào)度模型結(jié)構(gòu)圖

DNN基于反向傳播算法從大量訓練樣本中提取有價值信息，可實現(xiàn)識別和分類功能。本文基于DNN建立實時調(diào)度模型，模型設(shè)置為全連接層，由輸入層、輸出層和多個隱藏層構(gòu)成，其具體結(jié)構(gòu)如圖1所示。

1.3? ? 激活函數(shù)設(shè)計

激活功能對訓練過程有著至關(guān)重要的影響。與更傳統(tǒng)的Sigmoid激活函數(shù)相比，整流器線性單元（ReLU）激活函數(shù)近年來已得到普及。因此，我們選擇ReLU作為激活函數(shù)：

為了提高DNN的訓練效率，需要對輸入、輸出數(shù)據(jù)進行預(yù)處理，以消除訓練過程中的數(shù)值問題和異常樣本的不利影響。采用式（8）所示的z-score方法對樣本進行標準化：

該方法能有效地處理異常值，只需要歷史統(tǒng)計的均值和標準差。此外，它比其他預(yù)處理方法（如最小最大法）更好地保持了輸入分布的形狀。

由式（7）可知，樣本輸出僅為非負值，但是為得到為負值的輸出，在神經(jīng)網(wǎng)絡(luò)的最后一層激活函數(shù)被設(shè)計成線性，其他層的前饋傳遞函數(shù)的激活函數(shù)仍設(shè)計為ReLU激活函數(shù)。因此，本文所提模型的前饋傳遞函數(shù)形式可表示如下：

式中，l表示DNN的層數(shù);n為DNN的總層數(shù);fθl為第l層的傳遞函數(shù);xl-1為第l層的輸入;θ={W，b}為DNN計算過程中的優(yōu)化參數(shù);Wl和bl為第l層與l-1層間的權(quán)重矩陣和偏移向量。

1.4? ? 初始化改進

DNN參數(shù)的初始化直接影響訓練效率甚至收斂性能。近年來，相關(guān)研究可分為兩類：增加預(yù)訓練階段來初始化DNN以及隨機初始化方法。前者需要更多的訓練時間，也可能導致DNN陷入局部最優(yōu)。因此，本文著重研究后一種方法并提出了一種特別適合ReLU的最新隨機初始化方法。

本文采用了ReLU函數(shù)和線性激活函數(shù)，為此提出了一種適應(yīng)的初始化方法來提高DNN的學習效率。在此，定義yi和zi為第i層的激活向量和參數(shù)向量。

1.4.1? ? 正向傳播初始化設(shè)計

頂層正向傳播的激活函數(shù)如下所示：

因此，DNN權(quán)重參數(shù)w被初始化為零均值高斯分布，其標準偏差對公式（16）求取平方根即可，且偏差b被初始化為0。由公式（13）（15）和（16）可以看出，當中層神經(jīng)元數(shù)目相等時，中層權(quán)重參數(shù)w的初始化可以滿足所有條件。因此，在我們的實驗中，將每一層中隱藏的神經(jīng)元數(shù)量設(shè)置為相同。

2? ? 基于DNN的實時調(diào)度策略流程圖

本文所提的實時調(diào)度模型離線階段獲得考慮環(huán)境經(jīng)濟的DNN模型，在線計算階段輸入相應(yīng)系統(tǒng)拓撲信息和機組發(fā)電量，獲得符合系統(tǒng)各項約束的調(diào)度策略。本文采用的算法流程如圖2所示。

3? ? 結(jié)論

本文提出了基于深度學習的考慮環(huán)境經(jīng)濟的實時調(diào)度模型，將DNN模型引入電力系統(tǒng)實時調(diào)度中。本文所得結(jié)論如下：

（1）本文所提實時調(diào)度模型考慮環(huán)境經(jīng)濟影響，獲得樣本數(shù)據(jù)時考慮環(huán)境成本;采用DNN方法完成調(diào)度策略計算，表明了深度學習應(yīng)用于電力系統(tǒng)調(diào)度方面的可行性。

（2）本文所提實時調(diào)度模型通過對DNN參數(shù)初始化、激活函數(shù)等的改進，進一步提高了收斂效率，加快了模型訓練速度，滿足了電力系統(tǒng)實時調(diào)度策略的準確性和快速性要求，提高了對實際工程問題的應(yīng)用能力。

[參考文獻]

[1] 張麗英，葉廷路，辛耀中，等.大規(guī)模風電接入電網(wǎng)的相關(guān)問題及措施[J].中國電機工程學報，2010（25）：1-9.

[2] 席皛，李海燕，孔慶東.風電場投切對地區(qū)電網(wǎng)電壓的影響[J].電網(wǎng)技術(shù)，2008（10）：58-62.

[3] 梁吉，左藝，張玉琢，等.基于可再生能源配額制的風電并網(wǎng)節(jié)能經(jīng)濟調(diào)度[J].電網(wǎng)技術(shù)，2019，43（7）：2528-2534.

[4] 袁鐵江，晁勤，吐爾遜·伊不拉音，等.電力市場環(huán)境下含風電機組的環(huán)境經(jīng)濟調(diào)度模型及其仿真[J].電網(wǎng)技術(shù)，2009（6）：67-71.

[5] 韓繼成.發(fā)展風力發(fā)電保護環(huán)境[J].能源技術(shù)，2002（4）：182-183.

[6] 常俊曉，游文霞，肖隆恩.含風電的發(fā)電資源優(yōu)化調(diào)度與仿真研究[J].計算機仿真，2015，32（4）：120-123.

[7] 孫元章，吳俊，李國杰，等.基于風速預(yù)測和隨機規(guī)劃的含風電場電力系統(tǒng)動態(tài)經(jīng)濟調(diào)度[J].中國電機工程學報，2009（4）：41-47.

[8] 江岳文，陳沖，溫步瀛.含風電場的電力系統(tǒng)機組組合問題隨機模擬粒子群算法[J].電工技術(shù)學報，2009（6）：129-137.

[9] MAHDAD B，BOUKTIR T，SRAIRI K.Fuzzy controlled genetic algorithm for environmental/economic dispatch with shunt FACTS devices[J].IEEE Trans-actions on Energy Conversion，1997，12（2）：148-155.

[10] 鄭太一，馮利民，王紹然，等.一種計及電網(wǎng)安全約束的風電優(yōu)化調(diào)度方法[J].電力系統(tǒng)自動化，2010，34（15）：71-74.

[11] 劉建偉，劉媛，羅雄麟.深度學習研究進展[J].計算機應(yīng)用研究，2014（7）：1921-1930.

[12] 葉琳，楊瀅，洪道鑒，等.深度學習在電力系統(tǒng)中的應(yīng)用研究綜述[J].浙江電力，2019，38（5）：83-89.

[13] 程樂峰，余濤，張孝順，等.機器學習在能源與電力系統(tǒng)領(lǐng)域的應(yīng)用和展望[J].電力系統(tǒng)自動化，2019，43（1）：15-43.

[14] 潘志剛.基于深度學習網(wǎng)絡(luò)的風電場功率預(yù)測研究及應(yīng)用[D].上海：上海機電學院，2016.

[15] 王守凱.基于相鄰風場大數(shù)據(jù)的風電短期功率預(yù)測研究[D].北京：華北電力大學，2017.

[16] 吳尚陽.一種面向電網(wǎng)調(diào)度的風能預(yù)報深度學習算法[J].信息系統(tǒng)工程，2015（2）：129.

收稿日期：2020-04-17

作者簡介：于杰（1982—），男，浙江臺州人，高級工程師，長期從事運行方式管理工作。

陳新建（1980—），男，浙江臺州人，高級工程師，長期從事運行方式管理工作。

朱軼倫（1989—），男，浙江臺州人，工程師，長期從事運行方式管理工作。