[发明专利]一种基于极限迁移学习的电力系统经济调度分散Q方法

说明书

本发明公开了一种基于极限迁移学习的电力系统经济调度分散Q方法。该基于极限迁移学习的电力系统经济调度分散Q方法，本发明提出的基于极限迁移学习的电力系统经济调度分散Q方法，既可以解决含汽轮机阀点效应的非凸经济调度问题，又能够进行分散式优化计算，适应当今分散式经济调度的要求，且该方法通过采用极限迁移学习的机制，能够对分散Q方法的初始矩阵进行修正，使得算法的收敛速度大大提高。

技术领域

本发明涉及电力系统经济调度技术领域，具体为一种基于极限迁移学习的电力系统经济调度分散Q方法。

背景技术

现代社会中，节能减排越来越受到人们的重视，我国政府非常重视节能，供电企业也应当响应国家政策。而经济调度研究的是如何在额定负荷下达到机组发电功率最优组合，其最终目的就是研究如何减少系统发电成本。

但电力系统传统的经济调度方式都是集中式的。集中式调度通常不灵活且收敛速度缓慢，它需要复杂的通信网络收集全局信息和一个强大的中央控制器来处理大量数据，无法满足区域隐私和独立控制的需求，且无法及时在间歇性和不确定性的可再生能源的剧烈变化中做出响应。在未来智能电网的快速发展下，集中式调度必定难以为继，分散式经济调度应运而生。

但是优化算法方面，传统的人工智能算法，如GA算法、ABC算法、PSO算法都是集中式的，经典优化方法，如牛顿法、内点法等却无法解决含汽轮机的非凸函数的优化问题。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种基于极限迁移学习的电力系统经济调度分散Q方法，解决了传统的人工智能算法，如GA算法、ABC算法、PSO算法都是集中式的，经典优化方法，如牛顿法、内点法等却无法解决含汽轮机的非凸函数的优化问题的问题。

(二)技术方案

为实现上述目的，本发明提供如下技术方案：一种基于极限迁移学习的电力系统经济调度分散Q方法，包括以下步骤：

S1、由发电机的发电成本参数及约束条件确定经济调度模型，确立以最小化系统的发电成本作为适应度函数；

S2、建立由调度中心做协调，各发电机独自做分散式计算的分散式经济调度框架，发电机的输出有功功率作为优化变量，将变量和变量变化动作均进行二进制编码，并把其储存在传统Q学习算法的Q矩阵中，并确定各变量产生种群的大小；

S3、选取典型日的日负荷曲线作为准优化目标；

各发电机分别利用种群进行寻优；

计算每个个体的目标函数；

计算分散Q方法的奖励函数；

更新变量的Q矩阵；

S4、各发电机分别给调度中心上传优化结果，调度中心评估此次优化结果的优劣，若优化结果比上一次差，则驳回此次结果，并保留上次优化策略；否则，完全采用此次优化策略；

S5、判断是否达到最大迭代次数，若达到最大迭代次数，则结束计算并输出调度中心收集的优化策略结果和优化后各变量的Q矩阵；否则，返回利用种群进行寻优的步骤；

S6、迭代结束后，对记录的准优化后的Q矩阵进行极限迁移学习，得到修正后的Q矩阵；

S7、将修正Q矩阵作为新的优化初始矩阵，再次利用分散Q方法进行新目标的分散式经济调度优化计算，并输出寻优结果。

优选的，所述发电机的约束条件包括：发电机有功输出功率的上下限约束，系统的功率平衡约束。

优选的，所述系统优化目标为系统发电成本最低。