[发明专利]一种机组经济调度优化方法

说明书

本发明公开了一种机组经济调度优化方法，属于电力机组经济调度信息与控制技术领域。本发明包括以下步骤：步骤一：根据负荷需求利用收缩因子粒子群算法优化得出所有机组出力；步骤二：将可调节设备参数作为输入，输入到深度强化学习网络中，深度强化学习得到的输出计算新的成本；步骤三：按照新的成本和负荷要求重新规划机组输出。本发明组合了粒子群算法（PSO）和深度强化学习（DRL），粒子群算法有参数少，易实现，寻找全局最优等特点，在机组调度优化问题上有着普遍的应用。深度强化学习多应用于离散问题求解最优组合。

技术领域

本发明属于电力机组经济调度信息与控制技术领域，尤其与一种基于粒子群算法和深度强化学习相结合的算法的机组经济调度优化方法有关。

背景技术

电力机组经济调度是电力系统运行中的重要环节，由于其多约束，非线性和高维度的特点，一直成为学术学者的研究对象。机组经济调度优化的意义对电力系统不仅仅是提高工作运行效率，更大大提升了电力企业的综合效益，减小了环境影响，使用人工智能手段实现系统自动化和智能化。电力经济调度可以理解为：在保证满足电力生产的前提下，安全且充分调度各机组的发电生产，使得发电成本最低。

目前有很多关于机组经济优化问题的研究，比如遗传算法，蚁群算法，粒子群算法，神经网络，强化学习以及各种不同算法相融合产生的算法。随着电力系统的发展，机组经济调度复杂程度增加，在原有的机组经济优化的问题中添加了不同的约束，如机组启停时间成本，机组爬坡消耗成本等等。然而，所有研究中只是在原有系统中优化了机组调度，但无法进一步优化所需燃煤量，各个子系统的参数调节也无法优化。

发明内容

针对上述背景技术存在的问题，本发明旨在提供一种基于粒子群算法和深度强化学习相结合的算法的机组经济调度优化方法。

为此，本发明采用以下技术方案：一种机组经济调度优化方法，其特征是包括以下步骤：

步骤一：根据负荷需求利用收缩因子粒子群算法优化得出所有机组出力；

步骤二：将可调节设备参数作为输入，输入到深度强化学习网络中，深度强化学习得到的输出计算新的成本；

步骤三：按照新的成本和负荷要求重新规划机组输出。

步骤一中收缩因子粒子群算法参数具体设置：粒子数为80，惯性权重，学习因子, 粒子最大速度为1，迭代次数为1532次，适应值函数为：，其中 为各机组能耗系数；

粒子位置和速度更新公式如下所示：

,其中k表示迭代步数，为收缩因子，pbest为粒子历史中最优位置，gbest为全部粒子中最优位置，rand()为随机函数取值范围是[0,1]；

步骤一中利用PSO算法根据负荷要求优化各个机组出力；根据以下公式利用优化后的各机组出力计算出燃煤量：

其中B为锅炉燃烧量(t/h)，N为机组输出功率(MW)，为燃煤收到基低位发热量(kJ/kg)，29271为标煤低位发热量(kJ/kg)，为发电标煤耗(g/kWh)；

将燃煤量除以负荷需求得出每度电的煤耗量；

步骤二中深度强化学习参数设置：使用fixed Q-network 和经验回放技术实现深度强化学习。其中fixed Q-network中的评估网络和目标网络均为5层隐藏层，每层为20个神经元，每5步替换目标网络的参数，激活函数为；学习率为0.01，设置为0.9，奖励衰减值为0.9，记忆存储为500, 奖励规则为若高于负荷要求则为+1，若低于负荷要求则为-1，若满足负荷要求则为0，迭代次数为300次。输入层为观测值（Observation），动作（Action）为二次风挡板开度a，磨煤机速度b，皮带转速c，给水量阀门开度d，给水泵功率e