基于深度神经网络的电力调度稳定控制方法

路智斌

（国网湖南省电力有限公司永州供电分公司，湖南 永州 425000）

0 引 言

在我国电力消费规模不断增大的背景下，为保障电力调度的稳定与安全，在现有控制技术的基础上，通过研究人员的大量研究，提出了一系列的电力调度实时控制方法。例如，采用随机模型对电力指标进行预报，以达到对调度工作进行控制的目的[1]。针对电源波动、不确定等特性，采用随机建模的方式，对负载响应特性进行分析，并在此基础上进行全局优化，从而实现电网的精确调度[2]。除此之外，针对不同电厂的供电特点，建立能够反映其工作状态的约束模型，并结合调度系统的操作逻辑，通过调整供电功率，实现对电源的实时控制。但目前，现有的电力调度控制方法在实际应用中还存在着不稳定的问题。电力调度的稳定性是指电力系统调度过程中，在受到扰动后能够继续保持运行的能力[3]。

电力调度主要从功率、电压以及频率3 个方面得以具体体现。电力运行若出现不稳定的情况，则会造成供电服务的质量下降，同时伴随着发电机跳闸、系统解列，甚至造成电网崩溃，严重威胁到整个电力行业的可持续发展。近几年，在世界范围内，电力调度失稳事故也频繁发生。对此，为提高电力调度的安全性和稳定性，本文结合深度神经网络，开展对电力调度稳定控制方法的设计研究。

1 引入自适应广域阻尼控制器

为实现对电力调度的稳定控制，确保电力调动稳定性，引入自适应广域阻尼控制器，以克服通信延迟，为后续的稳态控制奠定基础[4]。针对电力调度过程中产生的低频振荡问题，建立一个自回归滑动平均函数，其表达式为

式中：A(d-1)、B(d-1) 和C(d-1)均表示后移因子d-1控制下的多项式；p(t)表示电力调度过程中电力系统的发电输出；k表示通信时延；q(t)表示电力调度过程中电力系统的发电输入；I(t)表示白噪声。针对上述建立的自回归滑动平均函数，结合递归最小二乘法，对其进行优化，并得到

式中：βT(t)表示参数矢量转换矩阵；ψ(t)表示电力调度稳定控制量测量矢量。根据式（2）完成对引入的自适应广域阻尼控制器的运行数据识别。根据识别结果，完成对惯性时间常数的设定。引入的自适应广域阻尼控制器的基本结构如图1 所示。

图1 引入自适应广域阻尼控制器基本结构

图1 中，H1表示确认电源指示；H2表示实际出力；H'表示上限；H''表示下限。通过对以上各参数的设定，产生一种识别方式[5]。结合额外输入的时延环节作用在电力系统上，根据输出功率的约束控制行为，实现对电力调度的稳定控制。

2 基于深度神经网络的稳定控制模型建立与训练

在完成对自适应广域阻尼控制器的引入后，结合深度神经网络，构建电力调度稳定控制模型。深度神经网络是一种具备监督模式的机器学习，利用该网络对模型进行训练前，利用随机数初始化深度神经网络的所有权重[6]。训练阶段，其经历的基本步骤如下：第一步，从样本集中选择样本，并将其输入到卷积神经网络（Convolutional Neural Network，CNN）；第二步，由CNN 从输入层中提取特征，并将其导入到隐含层，再经过层层筛选和变换，最后得到相应的输出结果，根据上述操作，完成前馈训练，得到权重和阈值所需的梯度和神经网络每一层的权重[7]；第三步，计算得出输出值与实际值的误差[8]；第四步，通过对误差的极小化处理，得到修正系数，通过该系数对权值矩阵和阈值进行修正，实现向后传播训练的过程[9]。上述步骤可以用公式表示为

式中：Δj(l)表示修正系数；表示梯度；wij表示权重。根据上述操作，向前或向后往复。当误差能够控制在精度条件范围内后，跳出循环，并将此时得到的权值和阈值保存，以此得到完成训练的深度神经网络。在上述训练过程中，误差可以利用均方误差或KL 散度的方式得到，将其作为目标函数。其中，均方误差（Mean Squared Error，MSE）的表达式为

式中：E表示误差值；rj表示期望输出数值；aj(L)表示在深度神经网络中第L层的第j个神经元数值。基于深度神经网络稳定控制模型的运行条件是，必须拥有充足的数据量，且数据准确，在此基础上才能够保证控制的精度能够满足电力调度的稳定要求[10]。因此，对于上述构建的基于深度神经网络的稳定控制模型而言，在制作样本时，必须要得到电力系统中的应急控制量。这一参数可以通过采集电力系统的真实历史数据或进行模拟来获得。尽管来自真实电网的样本数据具有很高的准确性，但其真实频率不稳定事件的发生概率很低，很难在一定程度上满足深度学习的训练需求。如果想要单纯地用仿真方法来获取电力系统在某一扰动下的紧急控制量，就必须要反复尝试多种控制措施，并进行多次时域仿真，才能得到控制效果更好的控制方案。这个过程会花费很长的时间，而利用上述深度学习网络所使用的样本数一般都是数以万计，因此按照这个方法所花费的精力也会成倍增加。为此，本文采用动态时域模拟与基于模型的线性分析技术，通过对电力系统的动态时域模拟，获取系统在扰动前后与稳态时刻的特性信息，并将其转化为线性模型，对其进行解析与求解，从而获得所需要的直流应急电力支援量与切载量，并将其作为样本的输出信息，从而提高样本产生的效率与数量。

3 电力调度实时稳定控制发电

在实际进行对电力调度的稳定控制时，可将其控制分为3 种方式，分别为离线决策方式、在线决策方式以及实时决策方式。其中，实时决策对于应对紧急情况更加有效，且更符合实际所需。在完成对稳定控制模型的建立后，对电力调度进行实时稳定控制发电。将上述模型输入到自适应广域阻尼控制器中，同时在控制器中增加对干扰电力调度稳定参数的识别功能。在电力调度实时稳定控制发电时，需要对频率稳定进行实时控制。当检测到扰动时，将扰动前后的广域测量系统（Wide Area Measurement System，WAMS）实时数据与扰动后的稳态频率控制目标一起输入控制模型，通过其内部运算，同时输出扰动后稳态频率的在线预测，并给出该状态下的最优紧急控制方案，其中包括紧急直流功率支援量和切负载量。若稳态频率满足安全稳定要求，则无须控制，对应的紧急直流功率支援量和切负载量输出为0。通过对负荷的预测，实现对控制器控制效果的强化。在强化的过程中，为了确保合理性，需要设置一个约束条件，即

式中：μ表示电力负荷爬坡速率；t0表示稳定周期；Δt表示扰动周期。然后，将式（6）的计算结果与实际数据相结合，设定攀爬速度的期望指数。具体公式为

式中：Δβ1表示负荷变化平均值；m表示常数；Y1表示在某一时间段内，在第i分钟时的超短期负荷预测结果；Y2表示一个时间段的超短期负荷预测结果。自适应的偏置值调整可以根据负荷变化平均值和调整系数之间的乘积确定。

4 对比实验

4.1 实验准备

通过本文上述论述，在电力调度稳定控制中引入深度神经网络，提出了一种全新的电力调度稳定控制方法。为了验证该方法在实际应用中是否能够解决现有控制方法在应用中出现的问题，设计如下对比实验研究。

选择将基于深度神经网络的控制方法作为实验组，将基于人工智能技术的控制方法作为对照A 组，将基于网络切片的控制方法作为对照B 组。将3 种控制方法引入到相同条件的运行环境，获取某市电力公司的电力调度发电数据，选择将其中具备典型特征的机电参数作为实验数据，以该电力系统中的2 台机电设备为主要控制对象，将其在控制前的机电特征参数记录如表1 所示。

表1 电力调度稳定控制前机电设备特征参数记录表

在得到上述各项数据后，分别利用3 种控制方法对其进行控制，并结合控制后得到的机电设备各项特征参数，按照相应的公式完成对实部稳定概率和阻尼比稳定概率的计算。其中，实部稳定概率的计算公式为

式中：δ表示实部稳定概率；A表示奇异系数；Δx表示实部稳定控制偏差值；Fr0表示实部特征参数；Fr表示稳定状态下机电设备实部特征参数标准值。阻尼比稳定概率的计算公式为

式中：η表示阻尼比稳定概率；Δy表示阻尼比控制偏差值；Fr1表示阻尼比特征参数。根据式（7）和式（8）完成对3 种控制方法应用下2 台机电设备的实部稳定概率δ和阻尼比稳定概率η的计算。其中，δ和η的取值范围均为0 ～1，取值越接近0，则说明稳定概率越低，控制效果越不理想，对应控制方法越不具备应用可行性；取值越接近1，则说明稳定概率越高，控制效果越理想，对应控制方法越具备实际应用可行性。

4.2 实验结果对比分析

结合上述实验准备内容，完成此次对比实验，并将根据上述实部稳定概率和阻尼比稳定概率计算公式计算得出的结果记录如表2 所示。

表2 3 种方法控制后机电设备稳定概率记录表

结合表2 中的数据对3 种控制方法的应用效果进行分析，实验组控制方法针对2 台不同的机电设备，其实部稳定概率和阻尼比稳定概率均能够控制在0.950 以上，而对照A 组和对照B 组控制方法针对2台不同的机电设备，其实部稳定概率和阻尼比稳定概率只能够控制在0.600 ～0.750，明显低于实验组控制方法。因此，通过上述得出的实验结果可以证明，本文设计的控制方法能够实现对电力调度更稳定的控制，从而促进整个电力系统运行稳定性和安全性的提高。将本文设计的基于深度神经网络的控制方法应用到实际，可以为电力企业的供电服务质量提升提供更有利条件。

5 结 论

本文设计的控制方法利用深度神经网络实现了对电力调度稳定控制方法应用性能的进一步强化。在深度神经网络的支撑下，控制方法的功能发挥到最大。由于研究时间有限，在对新控制方法的应用性能进行验证时，没有考虑到控制效率的问题。因此，在后续的研究中，还将进一步针对新控制方法的控制效率进行验证，并结合验证结果对控制方法进行不断优化，为电力调度工作的运行提供更有利的安全和稳定条件。