基于深度學習的含風電電力系統實時調度模型研究

于杰 陳新建 朱軼倫 王彬任

摘要：隨著風電在電力系統中所占比重持續增加，風電并網下的電力系統優化調度成為當前研究的重點。在現有量測水平下，如何充分利用已有信息，兼顧環境成本，完成電力系統實時調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境經濟的實時調度模型，深度神經網絡（Deep Neural Network，DNN）訓練過程包括以下幾個步驟：首先，在傳統優化調度模型中考慮環境經濟，計算調度策略和成本作為DNN的輸出;然后，根據電網調度輸入、輸出數據特性，設計DNN各層間不同激活函數，捕捉更廣泛的輸出;最后，提出一種改進的DNN參數初始化方法，提高了收斂速度。

關鍵詞：實時調度;深度學習;神經網絡;風電;調度計劃;環境經濟

0? ? 引言

隨著風電的迅速發展，推動大規模的風電并網可有效緩解用電壓力[1-3]。因此，含風電系統中，如何協調傳統火電機組出力、減少煤炭資源消耗和環境污染，完成系統實時調度成為當前研究中的重要課題[4-5]。

文獻[6]建立調度模型時以污染物排放量最小為目標，然而未考慮系統調度經濟性;文獻[7-8]在考慮調度經濟性的前提下，基于機會約束規劃建立考慮風能不確定性的動態調度模型，但遺傳算法容易收斂到局部最優解;文獻[9]進行電力系統調度計算時考慮了環境成本，但模型未考慮風電的容量備用問題;文獻[10]對電網安全影響的敏感性進行了高低排序，來安排風電場發電計劃，但含風電系統優化調度模型的約束條件較多，計算時間相對較長?；谝陨戏治?，可發現傳統模型方法計算復雜，且無法根據風力變化完成系統實時調度，已無法滿足實際運行需求。因此，可以嘗試將考慮數據時空關聯特性的數據驅動方法運用到實時調度優化計算中。

DNN作為一種最有效的機器學習方法[11-13]，已廣泛應用于電力系統預測、分類問題。文獻[14-15]應用DNN模型對海量數據進行分析，完成對不確定風能的預測;文獻[16]通過DNN模型構造一種風能預報機制，完成了對含風電系統調度計劃的完善，但是進行風能預測和給出調度策略時未考慮發電成本和環境經濟的影響。鑒于此，本文引入深度學習完成實時調度，且將傳統物理模型嵌入到神經網絡中，同時在DNN模型訓練時，樣本數據來源考慮運行成本和環境經濟，改進DNN參數初始化方法，提高訓練速度和測試性能。離線學習階段：系統基本信息為DNN輸入，模型驅動方法所得調度決策方案和成本為DNN輸出;在線應用階段：根據當前時刻拓撲數據生成快速決策方案。

1? ? 基于深度學習的實時調度模型的建立

1.1? ? 特征向量的選擇

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

考慮到傳統火電機組的煤炭資源消耗和環境污染，考慮環境經濟的含新能源發電的系統優化目標函數可表示為：

根據以上考慮環境經濟的含新能源發電的系統優化目標函數計算相應調度決策和成本作為本文DNN的輸出，以此保證該實時調度模型的準確性和全面性。

1.2? ? 基于DNN的實時調度模型結構圖

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

1.3? ? 激活函數設計

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

為了提高DNN的訓練效率，需要對輸入、輸出數據進行預處理，以消除訓練過程中的數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，只需要歷史統計的均值和標準差。此外，它比其他預處理方法（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，在神經網絡的最后一層激活函數被設計成線性，其他層的前饋傳遞函數的激活函數仍設計為ReLU激活函數。因此，本文所提模型的前饋傳遞函數形式可表示如下：

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

1.4? ? 初始化改進

DNN參數的初始化直接影響訓練效率甚至收斂性能。近年來，相關研究可分為兩類：增加預訓練階段來初始化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。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函數和線性激活函數，為此提出了一種適應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向量。

1.4.1? ? 正向傳播初始化設計

頂層正向傳播的激活函數如下所示：

因此，DNN權重參數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，當中層神經元數目相等時，中層權重參數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元數量設置為相同。

2? ? 基于DNN的實時調度策略流程圖

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

3? ? 結論

本文提出了基于深度學習的考慮環境經濟的實時調度模型，將DNN模型引入電力系統實時調度中。本文所得結論如下：

（1）本文所提實時調度模型考慮環境經濟影響，獲得樣本數據時考慮環境成本;采用DNN方法完成調度策略計算，表明了深度學習應用于電力系統調度方面的可行性。

（2）本文所提實時調度模型通過對DNN參數初始化、激活函數等的改進，進一步提高了收斂效率，加快了模型訓練速度，滿足了電力系統實時調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用能力。

[參考文獻]

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

[2] 席皛，李海燕，孔慶東.風電場投切對地區電網電壓的影響[J].電網技術，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節能經濟調度[J].電網技術，2019，43（7）：2528-2534.

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

[5] 韓繼成.發展風力發電保護環境[J].能源技術，2002（4）：182-183.

[6] ?？?，游文霞，肖隆恩.含風電的發電資源優化調度與仿真研究[J].計算機仿真，2015，32（4）：120-123.

[7] 孫元章，吳俊，李國杰，等.基于風速預測和隨機規劃的含風電場電力系統動態經濟調度[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機組組合問題隨機模擬粒子群算法[J].電工技術學報，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.一種計及電網安全約束的風電優化調度方法[J].電力系統自動化，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中的應用研究綜述[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領域的應用和展望[J].電力系統自動化，2019，43（1）：15-43.

[14] 潘志剛.基于深度學習網絡的風電場功率預測研究及應用[D].上海：上海機電學院，2016.

[15] 王守凱.基于相鄰風場大數據的風電短期功率預測研究[D].北京：華北電力大學，2017.

[16] 吳尚陽.一種面向電網調度的風能預報深度學習算法[J].信息系統工程，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。