[发明专利]大数据环境下基于深度学习的AGC实时控制策略

说明书

本发明公开了一种大数据环境下基于深度学习的AGC实时控制策略，其包括以下步骤：步骤1，生成优良的混合大数据控制数据集；步骤2，数据预处理；步骤3，使用长短期记忆网络进行AGC控制，进行模型构建，设置网络参数与函数选择，并进行网络的训练；步骤4，根据AGC的控制要求进行控制性能评估。本发明提出了通过深度网络学习多种控制策略离线混合控制得到的优秀控制数据集，来获得蕴藏在控制数据集中的，各个控制策略的优秀控制性能。

技术领域

本发明的实施例涉及电力系统中AGC控制领域，具体而言，涉及一种大数据环境下基于深度学习的AGC实时控制策略。

背景技术

电力系统自动发电控制(Automatic Generation Control,AGC)是实现发电功率和负荷功率平衡，保持电网频率为规定值和联络线交换功率为计划值的重要手段。世界各国大力推动以风电和光伏为代表的可再生能源发展，促进电能生产的清洁化转型，风电和光伏具有随机性、间歇性和难以准确预测等特点，其装机容量的迅速增加已给电力系统安全稳定和经济运行带来了巨大挑战。与此同时，按照国家能源局的统一部署，各地区级电网根据区域的实际情况，分别颁布了适合自己区域的《发电厂并网运行管理实施细则》和《并网发电厂辅助服务管理实施细则》，电网对AGC控制性能的考核和补偿提出新的要求。

国内外许多学者对这一领域进行了研究，并取得了显著成果。已有方法主要可划分为传统控制算法和动态优化控制策略两大类。传统控制算法主要根据已有的偏差进行调节，属于滞后控制，在功率缺额剧烈变化的时候，该类方法可以迅速对缺额部分进行补偿。但因其对环境过于敏感，容易导致机组频繁动作；当环境处于一个较大迟滞环节，滞后控制容易引起区域总调节功率过调、欠调。动态优化控制策略考虑了负荷预测信息和区域控制偏差(Area Control Error,ACE)的变化，通过超短期负荷预测提前对机组进行调整，以经济性或者技术性指标为目标，优化下一周期内各时段的AGC调节功率，但当功率缺额剧烈波动时候，这种方法无法很好地实现短期预测，并且运算和收敛性等原因现阶段也很难将其运用到实际控制中来。

上述两类方法优缺点各异，但在某些工况下可以实现优良控制性能互补，而如何可以综合这些优良的控制特性，以得到一种集大成者的控制策略是一个值得研究的方向。

发明内容

本发明的目的是从电网负荷端考虑AGC控制，提供一种大数据环境下基于深度学习的AGC实时控制策略。

为实现上述发明目的，本发明采用了如下技术方案：一种大数据环境下基于深度学习的AGC实时控制策略，包括如下步骤，

步骤1，生成优良的混合大数据控制数据集，包括：

步骤1.1，数据还原：对年度电网完成AGC指令的执行周期时间进行统计，得到不同AGC下令值区间内对应的执行周期，完成时间的正态分布，并在此基础上根据现行的PI控制策略的原则，对现有的ACE数据进行反向还原计算，得到控制前的ACE数据；

步骤1.2，三种控制策略离线混合控制：第一轮运用基于DFT方法的AGC控制策略，控制完后不合格的考核点其对应的控制周期再由PI控制进行第二轮计算，在第二轮的基础上在进行第三轮的最优控制，经过这三轮控制后，初步得到半年的海量控制数据；

步骤1.3，均衡特性法筛选数据：对于步骤1.2中产生的海量控制数据进行统计，在每天144个考核点中，筛选出至少出现2个经PI控制和2个经最优控制达到合格的天数，共同构成优良的混合大数据控制数据集；

步骤2，数据预处理，包括：

步骤2.1，数据标准化处理：对步骤1的生成优良的混合大数据控制数据集进行处理，连续数据采用零-均值规范化处理，非连续数据采用独热编码处理；