基于电网专家策略模仿学习的新型电力系统实时调度

随着可再生能源的大规模并网,电网运行逐渐表现出高阶不确定性的新特征,给系统安全稳定运行带来严峻挑战。基于模型驱动的传统实时调度方法需占用大量计算资源,而近几年受到广泛关注的强化学习(reinforcement learning,RL)方法由于处理高维复杂电网状态信息,存在训练速度缓慢等问题。为此,该文提出一种可用于电网实时调度的电网专家策略模仿学习方法(gridexpertstrategyimitationlearning,GESIL)。该方法首先基于图论思想建立了电网模型,其次设计了考虑电网安全运行和电力平衡控制的电网专家策略,然后利用模仿学习融合专家策略与所建模型,获得可用于电网调度决策的GESIL智能体。该文在高比例新能源占比的IEEE118节点修正模型中对比了GESIL、传统调度方法和RL方法。分析结果表明,GESIL可更加稳定高效地计算出电网运行优化方案和电力平衡控制策略,显著提升调度决策的优化效果和计算速度。     

基于生成对抗网络和模型迁移的电力系统典型运行方式样本生成

典型运行方式是电力系统运行方式编制的重要基础。由于电力系统的高维度、非线性和不确定性,制定运行方式时往往面临组合爆炸难题,运方人员难以根据实际需要生成所需的典型运行方式,例如：使某个待研究断面安全裕度低的运行方式,因而面临生成所需类型样本难度大、生成效率低的问题。为此,该文首次提出结合生成对抗网络与模型迁移的典型运行方式样本生成方法,仅需少量数据和少量微调即可高效地得到具有高性能的典型运行方式生成模型。首先,设计了面向运行方式生成的生成对抗网络模型,通过基础模型充分学习到不同类型的运行方式样本的共性特征;在此基础上,提出适用于生成对抗网络的模型迁移训练方法,使参数微调后得到的目标模型可以有针对性地生成大量所需的典型运行方式样本。所提方法以输电断面安全裕度为研究主题,在新英格兰10机39节点系统上进行了验证,结果表明,所提方法能根据实际需求生成任意指定安全裕度的运行方式样本,有效解决运行方式制定中所需特定类型样本不足的难题,为后续运行方式分析提供坚实的数据支撑。     

强化组合式生成对抗网络

近年来通过在生成对抗网络中加入条件标签,控制生成图像的类别或属性已经取得很大进展,但是生成图像的类别或属性的准确性有待提高。为此,在生成对抗网络的判别器中加入了强化学习,通过上一次的分类结果去指导当前的分类。另外为了让生成的细粒度图像更加逼真,使用注意力机制在只增加少量的计算损失下让图像有全局感受野,将多属性的星型生成对抗网络与自注意力生成对抗网络组合后的生成图像的质量较高。 强化组合式生成对抗网络的最大均差达到0.036 93,最近邻指标效果较优,能自动化较准确地生成指定了某些属性的艺术图像,实验生成的图片也能用来解决缺乏数据的问题。     

基于深度强化学习的综合能源系统动态经济调度

综合能源系统的优化调度对于实现系统的多能互补和经济运行具有重要意义.然而,系统中可再生能源的间歇性以及用户用能需求的不确定性造成了系统中供需双方的随机波动,传统的调度方法难以准确地适应实际环境的动态变化.针对这一问题,提出了一种考虑可再生能源和负荷时变特性的综合能源系统动态经济调度方法.首先对综合能源系统动态经济调度问...     

电力系统动态环境经济调度建模与求解

建立了耦合动态经济调度(dynamic economic dispatch,DED)和环境经济调度(economic emission dispatch,EED)的电力系统动态环境经济调度(dynamic economic emissiondispatch,DEED)模型.DEED为多变量、非线性、强约束、多目标优化问题,国内外研究者通过将其转化为单目标或根据时间划分将其转化为一系列静态调度问题进行简化,但该类方法存在无法保证全局最优或计算效率低下问题.为此将非支配排序机制应用于差分进化算法中,并引入二次选择和随机替换操作克服早熟收敛,同时嵌入动态约束处理方法,提出带有动态约束处理的改进多目标差分进化算法用于求解DEED问题.算例结果验证了所提方法的有效性.     

基于双层强化学习方法的多能园区实时经济调度

综合能源系统(integrated energy system,IES)中复杂的能量耦合关系、可再生能源出力和负荷等因素的不确定性,给IES的实时调度带来了诸多挑战.鉴于此,提出了一种双层强化学习(reinforcement learning,RL)模型以实现IES的实时经济调度.该模型上层是一个RL智能体,下层为优化...     

基于条件生成对抗网络的风电功率极端场景生成

针对风电功率不确定的电力系统调度和规划问题,提出了一种极端场景生成框架。首先,采用迭代方式对历史数据集的分布进行转移,解决了历史数据集中极端样本不足的问题。其次,根据风电功率特征定义不同的极端度量,并对风电功率场景设置不同的极端度量范围,实现不同极端度量范围下的可控生成,增强场景生成的可解释性。然后,通过条件生成对抗网络实现极端场景的可控场景。最后基于风电功率实时数据进行验证。结果表明：所设计的框架不需要复杂的概率建模和采样过程,同时可以捕捉到不同极端情况下的随机特性和动态特性。所提出的方案生成场景的极端度量值准确率在90%以上,能够在可控的极端度量范围以及误差范围内有效生成场景。     

基于循环生成对抗网络的增强罗兰信号生成

在信号生成算法中,需要大量标记信号样本用于网络训练,但通常携带电文信息标记的信号难以批量获取。针对此问题本文提出一种基于循环生成对抗网络和迁移学习的方法,实现了无需大量信号及对应电文作为标记的增强罗兰信号生成,并使用迁移学习在少量实测信号情况下快速生成。循环生成对抗网络的结构包括两个生成器和两个判别器,利用无需一一对应的增强罗兰信号和电文数据集,使生成器学习到两个数据集之间的相互转换关系,实现输入电文数据可以生成与之相对应的增强罗兰信号,并且针对增强罗兰信号的特性,使用一维卷积、残差网络、自注意力机制对网络模型进行改进。实验证实,生成信号与实测数据的均方误差为0.015 3,平均皮尔逊相关系数为0.984 3,且所含电文信息准确率为99.02%。本文在PSK、ASK、FSK数据集上验证了算法,实验结果表明生成的信号满足预期,为未知参数的信号调制和解调提供一种新的思路。     

基于迁移学习与Wasserstein生成对抗网络的静态电压稳定临界样本生成方法

静态电压稳定临界点在研究极限状态电力系统的传统分析方法与数据驱动方法中都有重要意义.电网新形势下,多次调用逐点法获取极限数据不再现实.提出一种基于深度学习的生成模型,用于静态电压稳定临界样本生成.首先,注意到临界样本是一种特殊的潮流样本,以非联络节点的电压作为样本的特征参量,可以解决样本的潮流不收敛与联络节点注入功率非...     

生成对抗网络 GAN 的发展与最新应用

近年来,生成式对抗网络(generative adversarial nets, GAN)迅速发展,已经成为当前机器学习领域的主要研究方向之一。GAN来源于零和博弈的思想,其生成器和鉴别器对抗学习,获取给定样本的数据分布,生成新的样本数据。对GAN模型在图片生成、异常样本检测和定位、文字生成图片以及图片超分辨率等多方面进行了大量的调查研究,并在这些GAN的应用所取得的实质性进展进行了系统的阐述。对GAN的提出背景与研究意义、理论模型与改进结构,以及其主要应用领域进行了总结。通过对GAN在各方面的应用分析,对GAN的不足以及未来发展方向进行综述。     

基于生成对抗网络的数字图像修复技术

针对破损区域面积大的图像,在现有的图像修复方法中,往往会产生与周围区域不一致的扭曲结构或模糊的纹理。随着深度学习的发展和应用,基于生成对抗网络的方法,通过调节可用数据来生成缺失的内容。对于一个数据集,先将数据集中的样本解析成概率分布中的样本点,利用生成对抗网络快速生成出大量伪造图像,通过搜索最接近的已损坏图像的编码,然后这个编码通过生成模型来推断缺失内容。在此基础上,结合了语义损失函数和感知损失函数,并通过改进激活函数Sigmoid函数扩大了不饱和区域,解决了梯度易消失的问题。通过实验表明,方法成功的预测了图像中大面积缺失区域的信息,并实现了照片的真实感,比先前的方法产生更清晰更连贯的结果。     

基于双生成器生成对抗网络的电力系统暂态稳定评估方法

当前采用深度学习网络实现电力系统暂态稳定评估,由于样本多样性不足,抗干扰性差等问题导致评估算法的分类性能受到很大的影响.针对上述问题提出了一种基于双生成器生成对抗网络(double generator LSTM-generative adversarial network,DGL-GAN)的暂态稳定评估方法.DGL-G...     

生成对抗网络及其在电力系统中的应用综述EI北大核心CSCD

随着电力系统的迅猛发展,如何高效利用海量、多源、多维的电力数据,是当前电力行业面临的重要技术问题之一。相对于传统机器学习算法,深度学习具有较强的数据降维能力、非线性拟合能力和特征提取能力。生成对抗网络(generative adversarial network,GAN)作为一类深度学习模型,能够很好地实现电力数据样本的增强与生成。该文首先介绍GAN的基本原理,分析其优势与劣势;此后从网络结构与目标函数的角度出发,分别介绍在电力系统中应用较为广泛的4种GAN衍生模型,进而对GAN在电力系统中的应用现状进行详细的综述,归纳每个应用场景所采用的GAN模型及其特点;最后,总结GAN在电力系统中进一步深入应用所要解决的问题,并展望未来的应用前景。     

基于生成对抗网络的小样本数据生成技术研究

基于数据驱动的深度学习技术成为新一代智能电网的应用趋势,该技术对电网中有标注训练数据的量级提出更高的要求。为了获取更多有标注的智能电网样本数据,文章提出了一种基于改进的生成对抗网络（generative adversarial network,GAN）的训练样本生成算法。该方法通过交替训练改进GAN的生成模型与判别模型,无需先验知识的指导,自主学习原始样本的分布规律,生成新的数据样本。然后采用人工神经网络作为基础分类器,计算样本分类的准确率,检验生成样本的有效性。实验表明,改进GAN模型可以有效学习样本的分布规律,提升谐波分类的准确率,该方法同时具有良好的抗噪性和泛化性,对深度学习技术在智能电网中的深入发展具有重要意义。     

基于深度强化学习的自适应不确定性经济调度

当风电、光伏等间歇性电源大规模接入电力系统时,为应对其出力的不确定性,电力系统经济调度模型需建立在对不确定性建模的基础上,建模精确度将直接影响调度结果的精确度。但当系统同时包含风电、光伏和负荷复杂的不确定性时,对系统整体不确定性进行精确建模显得尤为困难。针对这一问题,引入深度强化学习中深度确定性策略梯度算法,避免对复杂的不确定性进行建模,利用其与环境交互、根据反馈学习改进策略的机制,自适应不确定性的变化。为确保算法适用性,进行了模型泛化方法的设计,针对算法稳定性问题进行了感知-学习比例调整和改进经验回放的机制设计。算例结果表明,所提方法能在自适应系统不确定性的基础上,实现任意场景下的电力系统动态经济调度。     

基于MO-APSO的含风电场电力系统动态环境经济调度

为综合考虑碳排放权交易对风火联供模式的影响,基于节能减排、发电效益、机组运行3个方面约束条件,引入碳排放权交易成本函数,构建了考虑发电成本、碳交易成本、环境成本的风火联供系统多目标动态环境经济调度(DEED)模型。提出一种多目标自适应粒子群优化(MO-APSO)算法求解该DEED问题。根据寻优过程中粒子当前的适应度函数值,对惯性权重及学习因子进行自适应修正,进一步改善早熟的缺陷,增强全局搜索能力。含风电场的10机电力系统仿真结果表明:所提方法能同时优化成本和排放这2个冲突的目标,且获得了比其他算法更为宽广和均匀的Pareto前沿,有效降低了联供系统的碳排放量及综合运行成本。     

一种实用的电力系统在线动态经济调度模型

电力系统中的动态经济调度问题是时间上和空间上相关联的一个复杂的最优决策问题。对于一个实际运行的电力系统,如果研究周期内没有整体资源的限制,在某时刻的决策状态是否整体最优仅仅取决于未来有限的时期,此决策问题在空间上和时间上的关联强弱与这个时期长短(称为前瞻时间)关系密切。研究某时刻决策状态是否整体最优与前瞻时间的关系是核心。基于这一思想,研究前瞻时间变化对动态优化调度结果的影响,确定从可行解到最优解的前瞻时间变化范围,达到在线动态经济调度。     

基于绿色证书交易机制的含风电场电力系统动态环境经济调度

为了促进风电消纳以及提高电力系统的经济性,构建基于绿色证书交易机制的含风电场电力系统多目标动态环境经济调度（DEED）模型,提出一种基于反向学习混沌搜索的OLCS-MOEA/D算法的DEED调度求解方法。首先,采用广义反向学习初始化种群提高种群多样性,并引入基于Logistic映射的混沌搜索算法以增强算法局部搜索能力。然后,为了验证算法的性能,采用标准测试函数F1—F7进行测试,同时将该算法对模型进行求解,获得了比其他算法范围更广和分布均匀的Pareto解集前沿。最后,对基于绿色证书交易机制的动态环境经济调度与传统动态环境经济调度进行结果对比分析,通过仿真算例验证该模型和算法的有效性和优越性。     

电力系统动态经济调度优化问题的膜计算方法

将膜计算方法用于求解电力系统动态经济调度优化问题。首先利用二次罚函数将多约束经济调度问题转化为无约束优化问题,对于膜计算的3个基本要素——膜内对象、膜结构和进化规则,该方法以各发电机组24时段的出力值作为膜内对象;采用具有嵌套结构的类细胞膜型膜结构,包含并行基本膜和拟高尔基体膜;在基本膜内执行交叉规则、变异规则、修正规则和保留规则,拟高尔基体被激活后执行移位规则、提取规则和目标导向规则。通过膜内对象不断进化择优,从而实现对动态经济调度问题的求解。基于IEEE 39和IEEE 118节点测试系统的算例,表明该文所提方法能够有效求解电力系统动态经济调度优化问题,与遗传算法和粒子群算法相比,该方法的计算结果和稳定性均更优,具有很好的应用前景。