基于深度学习的含风电电力系统实时调度模型研究

于杰 陈新建 朱轶伦 王彬任

摘要：随着风电在电力系统中所占比重持续增加，风电并网下的电力系统优化调度成为当前研究的重点。在现有量测水平下，如何充分利用已有信息，兼顾环境成本，完成电力系统实时调度是当前面临的主要问题。鉴于此，提出了一种基于深度学习的考虑环境经济的实时调度模型，深度神经网络（Deep Neural Network，DNN）訓练过程包括以下几个步骤：首先，在传统优化调度模型中考虑环境经济，计算调度策略和成本作为DNN的输出;然后，根据电网调度输入、输出数据特性，设计DNN各层间不同激活函数，捕捉更广泛的输出;最后，提出一种改进的DNN参数初始化方法，提高了收敛速度。

关键词：实时调度;深度学习;神经网络;风电;调度计划;环境经济

0    引言

随着风电的迅速发展，推动大规模的风电并网可有效缓解用电压力[1-3]。因此，含风电系统中，如何协调传统火电机组出力、减少煤炭资源消耗和环境污染，完成系统实时调度成为当前研究中的重要课题[4-5]。

文献[6]建立调度模型时以污染物排放量最小为目标，然而未考虑系统调度经济性;文献[7-8]在考虑调度经济性的前提下，基于机会约束规划建立考虑风能不确定性的动态调度模型，但遗传算法容易收敛到局部最优解;文献[9]进行电力系统调度计算时考虑了环境成本，但模型未考虑风电的容量备用问题;文献[10]对电网安全影响的敏感性进行了高低排序，来安排风电场发电计划，但含风电系统优化调度模型的约束条件较多，计算时间相对较长。基于以上分析，可发现传统模型方法计算复杂，且无法根据风力变化完成系统实时调度，已无法满足实际运行需求。因此，可以尝试将考虑数据时空关联特性的数据驱动方法运用到实时调度优化计算中。

DNN作为一种最有效的机器学习方法[11-13]，已广泛应用于电力系统预测、分类问题。文献[14-15]应用DNN模型对海量数据进行分析，完成对不确定风能的预测;文献[16]通过DNN模型构造一种风能预报机制，完成了对含风电系统调度计划的完善，但是进行风能预测和给出调度策略时未考虑发电成本和环境经济的影响。鉴于此，本文引入深度学习完成实时调度，且将传统物理模型嵌入到神经网络中，同时在DNN模型训练时，样本数据来源考虑运行成本和环境经济，改进DNN参数初始化方法，提高训练速度和测试性能。离线学习阶段：系统基本信息为DNN输入，模型驱动方法所得调度决策方案和成本为DNN输出;在线应用阶段：根据当前时刻拓扑数据生成快速决策方案。

1    基于深度学习的实时调度模型的建立

1.1    特征向量的选择

本质上，DNN通过量化输入变化对输出的影响来挖掘数据间的非线性特征。因此，将输入特征向量X设计为所有机组和负荷需求的注入功率，输出特征向量Y为调度决策方案和成本。为得到精确度较高的实时调度模型，利用传统模型驱动方法计算得出输出样本完成训练。

考虑到传统火电机组的煤炭资源消耗和环境污染，考虑环境经济的含新能源发电的系统优化目标函数可表示为：

根据以上考虑环境经济的含新能源发电的系统优化目标函数计算相应调度决策和成本作为本文DNN的输出，以此保证该实时调度模型的准确性和全面性。

1.2    基于DNN的实时调度模型结构图

DNN基于反向传播算法从大量训练样本中提取有价值信息，可实现识别和分类功能。本文基于DNN建立实时调度模型，模型设置为全连接层，由输入层、输出层和多个隐藏层构成，其具体结构如图1所示。

1.3    激活函数设计

激活功能对训练过程有着至关重要的影响。与更传统的Sigmoid激活函数相比，整流器线性单元（ReLU）激活函数近年来已得到普及。因此，我们选择ReLU作为激活函数：

为了提高DNN的训练效率，需要对输入、输出数据进行预处理，以消除训练过程中的数值问题和异常样本的不利影响。采用式（8）所示的z-score方法对样本进行标准化：

该方法能有效地处理异常值，只需要历史统计的均值和标准差。此外，它比其他预处理方法（如最小最大法）更好地保持了输入分布的形状。

由式（7）可知，样本输出仅为非负值，但是为得到为负值的输出，在神经网络的最后一层激活函数被设计成线性，其他层的前馈传递函数的激活函数仍设计为ReLU激活函数。因此，本文所提模型的前馈传递函数形式可表示如下：

式中，l表示DNN的层数;n为DNN的总层数;fθl为第l层的传递函数;xl-1为第l层的输入;θ={W，b}为DNN计算过程中的优化参数;Wl和bl为第l层与l-1层间的权重矩阵和偏移向量。

1.4    初始化改进

DNN参数的初始化直接影响训练效率甚至收敛性能。近年来，相关研究可分为两类：增加预训练阶段来初始化DNN以及随机初始化方法。前者需要更多的训练时间，也可能导致DNN陷入局部最优。因此，本文着重研究后一种方法并提出了一种特别适合ReLU的最新随机初始化方法。

本文采用了ReLU函数和线性激活函数，为此提出了一种适应的初始化方法来提高DNN的学习效率。在此，定义yi和zi为第i层的激活向量和参数向量。

1.4.1    正向传播初始化设计

顶层正向传播的激活函数如下所示：

因此，DNN权重参数w被初始化为零均值高斯分布，其标准偏差对公式（16）求取平方根即可，且偏差b被初始化为0。由公式（13）（15）和（16）可以看出，当中层神经元数目相等时，中层权重参数w的初始化可以满足所有条件。因此，在我们的实验中，将每一层中隐藏的神经元数量设置为相同。

2    基于DNN的实时调度策略流程图

本文所提的实时调度模型离线阶段获得考虑环境经济的DNN模型，在线计算阶段输入相应系统拓扑信息和机组发电量，获得符合系统各项约束的調度策略。本文采用的算法流程如图2所示。

3    结论

本文提出了基于深度学习的考虑环境经济的实时调度模型，将DNN模型引入电力系统实时调度中。本文所得结论如下：

（1）本文所提实时调度模型考虑环境经济影响，获得样本数据时考虑环境成本;采用DNN方法完成调度策略计算，表明了深度学习应用于电力系统调度方面的可行性。

（2）本文所提实时调度模型通过对DNN参数初始化、激活函数等的改进，进一步提高了收敛效率，加快了模型训练速度，满足了电力系统实时调度策略的准确性和快速性要求，提高了对实际工程问题的应用能力。

[参考文献]

[1] 张丽英，叶廷路，辛耀中，等.大规模风电接入电网的相关问题及措施[J].中国电机工程学报，2010（25）：1-9.

[2] 席皛，李海燕，孔庆东.风电场投切对地区电网电压的影响[J].电网技术，2008（10）：58-62.

[3] 梁吉，左艺，张玉琢，等.基于可再生能源配额制的风电并网节能经济调度[J].电网技术，2019，43（7）：2528-2534.

[4] 袁铁江，晁勤，吐尔逊·伊不拉音，等.电力市场环境下含风电机组的环境经济调度模型及其仿真[J].电网技术，2009（6）：67-71.

[5] 韩继成.发展风力发电保护环境[J].能源技术，2002（4）：182-183.

[6] 常俊晓，游文霞，肖隆恩.含风电的发电资源优化调度与仿真研究[J].计算机仿真，2015，32（4）：120-123.

[7] 孙元章，吴俊，李国杰，等.基于风速预测和随机规划的含风电场电力系统动态经济调度[J].中国电机工程学报，2009（4）：41-47.

[8] 江岳文，陈冲，温步瀛.含风电场的电力系统机组组合问题随机模拟粒子群算法[J].电工技术学报，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] 郑太一，冯利民，王绍然，等.一种计及电网安全约束的风电优化调度方法[J].电力系统自动化，2010，34（15）：71-74.

[11] 刘建伟，刘媛，罗雄麟.深度学习研究进展[J].计算机应用研究，2014（7）：1921-1930.

[12] 叶琳，杨滢，洪道鉴，等.深度学习在电力系统中的应用研究综述[J].浙江电力，2019，38（5）：83-89.

[13] 程乐峰，余涛，张孝顺，等.机器学习在能源与电力系统领域的应用和展望[J].电力系统自动化，2019，43（1）：15-43.

[14] 潘志刚.基于深度学习网络的风电场功率预测研究及应用[D].上海：上海机电学院，2016.

[15] 王守凯.基于相邻风场大数据的风电短期功率预测研究[D].北京：华北电力大学，2017.

[16] 吴尚阳.一种面向电网调度的风能预报深度学习算法[J].信息系统工程，2015（2）：129.

收稿日期：2020-04-17

作者简介：于杰（1982—），男，浙江台州人，高级工程师，长期从事运行方式管理工作。

陈新建（1980—），男，浙江台州人，高级工程师，长期从事运行方式管理工作。

朱轶伦（1989—），男，浙江台州人，工程师，长期从事运行方式管理工作。