[发明专利]一种广域量测环境下聚合电网调控方法及存储设备

权利要求书

1.一种广域量测环境下聚合电网调控方法，其特征在于，包括如下步骤：

通过观测函数观测聚合电网电参数判断所述聚合电网是否处于安全状态；

若所述聚合电网不处于安全状态，则调用调控函数对聚合电网进行调控；

所述聚合电网电参数包括：输电线路的载流和电压；

所述“通过观测函数观测聚合电网电参数判断所述聚合电网是否处于安全状态”前，还包括步骤：

获取电网历史经验库：

设实时安全经济调度的前5分钟时刻为t，已知网络拓扑分析结果TP_t、机组组合UC_t、机组i的成本函数f_i、机组i有功出力上限和下限机组i运行的爬坡上限UR_i和下限DR_i、输电线路l允许的有功功率传输上限和下限该信息是实时安全经济调度实施前的已知信息，记为A_t：

其中，NG表示发电机总数，L表示输电线路总数；

设通过超短期负荷预测得到超前t时刻5分钟各节点负荷为则经过实时安全经济调度计算得到各个机组的最优分配基值经济分配因子发电机成本数值记为B_t：

其中，N表示节点总数；

将实时安全经济调度制定的决策提交执行后，预测负荷与实际负荷的偏差，以及负荷的随机扰动由AGC软件调节，设在t+Δt时刻，其中Δt＝5分钟，观测到电网的实际运行状态信息C_t+Δt：

其中，分别表示t+Δt时刻节点j的有功负荷、发电机节点i的有功输出、输电线路l的有功功率、输电线路l的有功损耗；

A_t、B_t和C_t+Δt是实时安全经济调度和AGC的一次实施过程所获得的，是实时安全经济调度与AGC实施的一次经验；

根据所述电网历史经验库计算得观测函数：

最优决策获得的发电机i有功输出为经济分配因子为设在t+Δt时刻负荷总扰动量为t+Δt时刻发电机i有功输出为：

由于实际负荷与预测负荷的误差以及发电机限值、爬坡速度的影响，t+Δt时刻的实际观测值与t+Δt时刻发电机i有功输出最优决策具有一定的偏差：

同时，输电线路l上的实际有功传输P_l^t+Δt存在越限：

ΔP_l^t＝P_l^t+Δt-P_l^max；

和ΔP_l^t的偏差主要是由负荷预测偏差导致的，是调控重要的经验，称为观测函数：

A_t、B_t、C_t+Δt和D_t+Δt都属于在线调度与控制过程中的一次经验，汇总为：E_t＝{A_t B_t C_t+ΔtD_t+Δt}；

随着时间t的推移，不断地记录E_t，就形成在线调度与控制的经验库：

E＝{E_t-nΔt E_t-(n-1)Δt…E_t}；

通过深度学习法计算得调控函数；

所述“通过深度学习法计算得调控函数”，还包括步骤：

获取所述电网历史经验库中的部分数据作为长短期记忆网络的训练数据，训练得长短期记忆网络权值，进而计算得调控函数，推演未来的在线调度与控制。

2.一种存储设备，其中存储有指令集，其特征在于，所述指令集用于执行：

通过观测函数观测聚合电网电参数判断所述聚合电网是否处于安全状态；

若所述聚合电网不处于安全状态，则调用调控函数对聚合电网进行调控；

所述聚合电网电参数包括：输电线路的载流和电压；

所述指令集还用于执行：

所述“通过观测函数观测聚合电网电参数判断所述聚合电网是否处于安全状态”前，还包括步骤：

获取电网历史经验库：

设实时安全经济调度的前5分钟时刻为t，已知网络拓扑分析结果TP_t、机组组合UC_t、机组i的成本函数f_i、机组i有功出力上限和下限机组i运行的爬坡上限UR_i和下限DR_i、输电线路l允许的有功功率传输上限和下限该信息是实时安全经济调度实施前的已知信息，记为A_t：

其中，NG表示发电机总数，L表示输电线路总数；

设通过超短期负荷预测得到超前t时刻5分钟各节点负荷为则经过实时安全经济调度计算得到各个机组的最优分配基值经济分配因子发电机成本数值记为B_t：

其中，N表示节点总数；

将实时安全经济调度制定的决策提交执行后，预测负荷与实际负荷的偏差，以及负荷的随机扰动由AGC软件调节，设在t+Δt时刻，其中Δt＝5分钟，观测到电网的实际运行状态信息C_t+Δt：

其中，分别表示t+Δt时刻节点j的有功负荷、发电机节点i的有功输出、输电线路l的有功功率、输电线路l的有功损耗；

A_t、B_t和C_t+Δt是实时安全经济调度和AGC的一次实施过程所获得的，是实时安全经济调度与AGC实施的一次经验；

根据所述电网历史经验库计算得观测函数：

最优决策获得的发电机i有功输出为经济分配因子为设在t+Δt时刻负荷总扰动量为t+Δt时刻发电机i有功输出为：

由于实际负荷与预测负荷的误差以及发电机限值、爬坡速度的影响，t+Δt时刻的实际观测值与t+Δt时刻发电机i有功输出最优决策具有一定的偏差：

同时，输电线路l上的实际有功传输P_l^t+Δt存在越限：

ΔP_l^t＝P_l^t+Δt-P_l^max；

和ΔP_l^t的偏差主要是由负荷预测偏差导致的，是调控重要的经验，称为观测函数：

A_t、B_t、C_t+Δt和D_t+Δt都属于在线调度与控制过程中的一次经验，汇总为：E_t＝{A_t B_t C_t+ΔtD_t+Δt}；

随着时间t的推移，不断地记录E_t，就形成在线调度与控制的经验库：

E＝{E_t-nΔt E_t-(n-1)Δt…E_t}；

通过深度学习法计算得调控函数；

所述指令集还用于执行：

所述“通过深度学习法计算得调控函数”，还包括步骤：

获取所述电网历史经验库中的部分数据作为长短期记忆网络的训练数据，训练得长短期记忆网络权值，进而计算得调控函数，推演未来的在线调度与控制。