[发明专利]一种基于分布式机器学习的智能电网实时经济调度方法

权利要求书

1.一种基于分布式机器学习的智能电网实时经济调度方法，其特征在于，所述方法包括以下步骤：

1)获取电网系统的发电参数，其中包括系统中各发电机的发电代价函数和发电机负载上下限；

2)各分布式发电机与相邻的分布式发电机交换电压信息，通过动态平均一致性算法得到全网平均功率需求，以实现各分布式发电机功率需求的精确分配；

3)以提升发电效率，降低总发电代价为目标，在发电机的负载范围内，利用基于梯度下降的传统优化方法，确定对应不同平均功率需求大小的功率分配策略；

4)将全网平均功率需求和对应的最优功率分配策略存储为相应智能电网系统实时经济调度模型的训练集；

5)确定分布式深度神经网络的参数包括权重w、偏置b、学习率L、全连接层神经元个数n；

6)根据已完备的训练集与深度神经网络参数，为不同的发电机训练不同的深度神经网络模型，直至训练过程中的验证集损失值趋于稳定；

7)利用6)训练完备的分布式深度神经网络模型，将实时获取的平均功率需求输入分布式神经网络模型，输出结果为本地发电机的对应近似发电负载；

8)利用7)的近似发电负载，通过平衡发电和需求BGD算法，微调结果，使其满足供需等式以及发电机不等式要求；

所述步骤2)的过程如下：

2.1)选择参考信号r_i(t)并计算参考信号的变化值Δr_i(t)：

Δr_i(t)＝r_i(t)-r_i(t-h) (1)

2.2)由动态平均一致性算法得到全网平均功率需求x_i(t+h)：

其中a_ij(t)是在t时刻各发电机组成的发电网络的邻接矩阵中的系数，x_i(t)是在t时刻分配给i号发电机的功率需求，Δr_i(t)是参考信号的变化值。

2.根据权利要求1所述的基于分布式机器学习的智能电网实时经济调度方法,其特征在于，所述步骤6)为不同的发电机训练不同的深度神经网络模型的过程中所用的激活函数为ReLU函数，损失函数为均方误差函数，优化器为Adam优化器。

3.根据权利要求1所述的基于分布式机器学习的智能电网实时经济调度方法,其特征在于，所述步骤8)中的BGD算法过程如下：

8.1)对于第i个分布式发电机，将本地负载记为L_i，本地发电输出记为O_i，定义Δ_i为本地功率供需误差的估计值，每个代理都能通过以下公式检测供需误差的平均值：

其中是步长常量，Δ_i[0]＝L_i-O_i；

8.2)随着n→∞，Δ_i[n]会无限接近于平均值：

8.3)每个代理通过反复计算提出一个功率输出P_i：

P_i＝O_i+sign(δ)max{|δ|,s} (5)

以及

直到发电量和需求量平衡，也就是δ＝0，s表示最小步长。