基于CPSS平行系统懒惰强化学习算法的实时发电调控

为解决电力系统中存在的多种时间尺度下经济调度和发电控制的协同问题，即长时间尺度下优化，短时间尺度下优化和实时控制的问题，本文提出了一种统一时间尺度的实时经济发电调度和控制框架，并为该框架提出了懒惰强化学习方法（Lazy reinforcement learning，LRL）.该方法将懒惰控制器引入以人工社会——计算实验——平行执行和社会系统为基础的强化学习中，使得机组组合，经济调度，自动发电控制和发电命令调配的问题有机结合在一起，取代过去传统的发电控制框架.为了减少仿真所需的真实时间，平行系统包含多个虚拟系统和一个真实系统.仿真实验比较了懒惰学习算法，松弛人工网络以及4608种组合常规发电控制算法在IEEE新英格兰10机39节点仿真系统的控制效果.实验表明，懒惰强化学习方法的控制效果最优.仿真结果验证了懒惰强化学习方法在基于ACP和社会系统的REG框架下具有有效性和可行性.     

基于深度Q学习的强鲁棒性智能发电控制器设计

在现代互联大电网背景下,研究了多区域强鲁棒性的智能发电控制策略。在Q学习的架构下,将深度神经网络的预测机制作为强化学习的动作选择机制,提出了一种具有强鲁棒性的深度Q学习算法,设计了基于该算法的智能发电控制器。针对智能电网下的智能发电控制问题,在多智能体系统的框架下采用所提深度Q学习算法进行控制,并与传统的PID、Q学习和Q(λ)算法进行对比。在IEEE标准2区域和以南方电网4区域为背景的仿真模型(采用了23 328种不同模型参数)中进行数值仿真,仿真结果验证了所提深度Q学习算法的可行性和有效性,也验证了所设计控制器的强鲁棒性。     

多区域并行协同的多目标分布式帕累托最优潮流算法

在开放电力市场的环境下,各区域电网合作与利益博弈共存,区域电网之间的信息保密问题显得愈发重要。现有的帕累托最优潮流求解方法均属于集中式算法,在优化时需要获知全网的信息,无法满足高私密性以及高可靠性的要求。在该背景下,寻求一种去中心化的分布式优化方法以保障系统内各区域电网的信息安全显得尤为重要。基于此,文中提出了一种多区域并行协同的多目标分布式帕累托最优潮流求解算法。该算法以法线边界交叉法为基础,将整个系统的多目标潮流优化问题分解为与多个子区域对应的子优化问题。每个子区域采用独立的优化器完成子问题的优化,区域之间仅交换联络线上的边界变量以及虚拟目标因子进行全局调整,不断逼近原问题的帕累托最优解集。IEEE 118节点算例仿真结果表明:所提算法可在有效实现多目标帕累托最优潮流分布式并行求解的同时,还可提高求解精度和减小计算内存,从而适用于在开放电力市场背景下各区域电网合作与利益博弈共存的运营模式。     

基于变频信号注入原理的防带地线合闸检测装置设计

针对10 k V及以下电压等级配电网线路检修或改造过程中临时挂接地线检测问题,研究一种变频信号注入检测方法,并开发基于DSP2812的防带地线合闸检测装置,装置生成变频电压检测信号,并不断注入到检测回路中,回路由装置、线路、接地线和大地等构成,检测回路的三相电压、电流信号不断被采样,经调理后输入至CPU进行综合判断分析,从而对线路是否存在三相接地线、两相接地线、单相接地线和无接地线情况进行有效检测,并对线路相间短路情况进行识别。装置基于模块化设计,采用高速数据处理芯片,利用FFT算法分别求解基波和谐波成分,不仅可有效判断出有用信号,还可以判断线路中感应信号的强弱,现场试验表明其在技术上可有效避免"带地线合闸"这一恶性事故,有一定的参考价值。     

人工情感Q学习的互联电网自动发电控制算法

对互联电网中自动发电控制AGC中控制策略进行改进,设计了人工智能中的人工心理学和人工智能中的机器学习结合的控制策略.分别对Q学习算法和Q(λ)学习算法进行改进,设计了具有人工情感的智能体.提出了人工情感Q学习算法和人工情感Q(λ)学习算法.且将人工情感分别作用于Q学习算法和Q(λ)学习算法中的输出动作、学习率和奖励函数.最后在IEEE标准两区域和南方电网四区域的互联电网Simulink模型中进行数值仿真.绘制并统计了控制性能指标、区域控制误差和频率偏差的值.从仿真结果看,所提人工情感Q学习算法和人工情感Q(λ)学习算法控制效果优于原有Q学习算法、Q(λ)学习算法、R(λ)算法、Sarsa算法、Sarsa(λ)算法和PID控制算法,该数值仿真结果验证了所提算法的可行性和有效性.     

机器学习在能源与电力系统领域的应用和展望

新一代人工智能(AI)近年来成为国内外研究的热点,其中的典型代表机器学习(ML)作为一个算法范畴,通过分析和学习大量已有或生成数据形成预测和判断以做出最佳决策。中国的新一代AI正处于快速发展的关键期,目前已在能源与电力系统中得到初步应用。基于此,文中以新一代AI中的ML为代表,重点综述了强化学习、深度学习、迁移学习、平行学习、混合学习、对抗学习和集成学习等7种代表性ML在能源与电力系统调度优化和控制决策等方面的应用。最后,对未来ML的发展进行了思考与展望。     

基于深度自适应动态规划的孤岛主动配电网发电控制与优化一体化算法

随着多种分布式新能源的并网,如风电与光伏发电、生物质能发电、储能与电动汽车等,传统情况下孤岛配电网的发电控制方法已很难达到高品质频率稳定控制的要求.为解决此问题,本文提出了一种新颖的深度自适应动态规划算法.该算法将自适应动态规划算法中的神经网络替换为机器学习领域中的深度神经网络,并在其中添加深度模型预测网络.所提算法能一次性完成传统模式下"发电控制算法+指令优化分配算法"共同完成的工作.最后,为验证深度自适应动态规划算法的鲁棒性,设计了多种配电网的仿真实验,即正常情况、"即插即用"启停机情况、通讯故障情况、全天扰动仿真情况、变拓扑结构的孤岛配网情况和变参数模型的仿真,设置的总仿真时长达25年.仿真结果验证了所设计的深度自适应动态规划算法有效性、可行性与强鲁棒性.     

基于快速排序绝对值特性全连接分类器的轴承故障诊断

工业生产中的机械设备故障是一个反复出现的问题。一个微小的故障会对机械设备造成不可逆转的损伤。严重的机械设备故障会导致企业生产部门停产，进而导致企业的经济效益下降。提供准确及时地故障诊断能最大程度避免轴承故障的出现。提出一种快速排序绝对值特性全连接分类器(fast sorted absolute feature Fully-connected classifier, FSAFCC)用于轴承的故障识别。FSAFCC有两个部分。FSAFCC第1部分是数据预处理部分。数据预处理部分是对采集到的原始信号进行随机时刻截取、取绝对值和排序的操作。FSAFCC的第2部分是利用全连接分类器进行轴承的故障分类。FSAFCC在数据预处理部分只需要进行取绝对值和重新排序的计算；FSAFCC的数据预处理部分计算步骤简单，而且计算量很小，所以FSAFCC的运算速度很快。FSAFCC方法在美国西储大学轴承故障数据集，轴向柱塞液压泵数据集和自吸离心泵数据集中进行实验，实验结果表明，FSAFCC的方法在轴承故障诊断领域不但有着很高的准确度，而且所用时间很短。