一种基于深度学习储能电池参与的电网快速调频控制方法专利检索-玻尔兹曼机人工神经网络机器学习人工智能人工智能专利检索查询-专利查询网

一种基于 深度学习储能电池参与的电网快速调频控制方法

阅读：1022发布：2020-05-14

专利汇可以提供一种基于深度学习储能电池参与的电网快速调频控制方法专利检索，专利查询，专利分析的服务。并且一种基于深度学习储能电池参与的电网快速调频控制方法，包括以下步骤：第一步：从电网中读取频率并且建立起DBN网络，根据建立包含N个RBM的DBN模型，并把其内部所有神经元的权重和偏置都置为0；第二步：并在已知输入的情况下，完成对DBN网络的训练，通过对比散度法来完成训练，并更新权重；第三步：完成DBN的训练后，建立起一个结构相同的神经网络，并把DBN训练所得权重和偏置赋予神经网络，再利用BP 算法调整神经网络的参数；第四步：考虑电池负荷状态SOC，以防止电池过冲或者过放，同时根据第三步所得的数据确定储能系统增减功率的数量，并判断频率差值是否接受。本发明能进行有效地调控从而完成对电网频率的调整。，下面是一种基于深度学习储能电池参与的电网快速调频控制方法专利的具体信息内容。

权利要求

1.一种基于深度学习储能电池参与的电网快速调频控制方法，其特征在于，所述方法包括以下步骤：
第一步：首先从电网中读取频率并且建立起DBN网络，根据设计需要判断输入与输出的关系，建立包含N个RBM的DBN模型，并把其内部所有神经元的权重和偏置都置为0；
第二步：并在已知输入的情况下，可以完成对DBN网络的训练，这个训练过程是先单独的训练每个RBM，再建立去RBM的连接，根据多次的尝试，设定训练数据的各项参数，即RBM迭代次数和学习速率，根据以上参数可以完成对单个RBM的训练，通过对比散度法来完成训练，选取一批数据进行训练，在选择数据时使用吉布斯抽样，并更新权重；
第三步：完成DBN的训练后，建立起一个结构相同的神经网络，并把DBN训练所得权重和偏置赋予神经网络，再利用BP 算法调整神经网络的参数，经此BP神经网络训练优化得到可用于调频的神经网络模型；
第四步：考虑电池负荷状态SOC，以防止电池过冲或者过放，同时根据第三步所得的数据确定储能系统增减功率的数量，并判断频率差值是否接受。
2.如权利要求1所述的基于深度学习储能电池参与的电网快速调频控制方法，其特征在于，所述第二步中，把训练数据的各项参数设定如下：每个RBM迭代次数为10次；每5组数据为一批进行训练；学习速率为0.00005。
3.如权利要求1或2所述的基于深度学习储能电池参与的电网快速调频控制方法，其特征在于，所述第一步中，RBM模型包括可视层和隐层，可视层v和隐层内h部神经元分别独立，是一种基于统计学建立的神经网络，其中的神经元只有0和1两种状态即分别为激活和未激活两种；
向量v表示可见层，共有n和可见单元，表示可视单元中第i个单元的状态，向量h表示隐藏层，共有m个隐藏单元，则表示隐藏单元中第j个单元的状态，那么此时一个受限玻尔兹曼机所具有的能量为：
其中的θ＝{Wij,ai,bj}是受限玻尔兹曼机的参数，Wij表示的是可见单元与隐藏层之间的权重，ai，bj分别表示可见曾和隐藏层的偏置；
根据能量公式计算得到可见层和隐藏层(v,h)的联合分布律:
其中Z(θ)的作用是归一化，其公式为:
在此基础上，计算出边缘分布，概率论也称为似然函数
因为其层内都是独立的，在已知输出层的情况下，得到隐藏层第j个隐藏单元的激活概率：
其中为激活函数sigmoid；
反之在已知隐藏层的情况下，也可以反向求得可见层第i个可见单元的激活概率为：
4.如权利要求1或2所述的基于深度学习储能电池参与的电网快速调频控制方法，其特征在于，所述DBN模型是多层受限玻尔兹曼机RBM堆叠形成，在通过单独训练每个受限玻尔兹曼机后，DBN就可以完成数据的特征提取工作，再运用运算简单，逻辑清晰的BP网络进行参数调整，完成准确有效的深度置信网络。

说明书全文

一种基于深度学习储能电池参与的电网快速调频控制方法

技术领域

[0001] 本发明涉及一种电网调频控制方法。

背景技术

[0002] 频率是电力系统重要的运行参数之一，频率的稳定对于电力系统的安全稳定运行具有十分重要的意义。当系统增减负荷而影响频率时，需要相应的增加或减少出力来达到与负荷的平衡才能保证电网的正常运行。风电等间歇式电源并网运行时具有波动性和不确定性，大规模接入电网后会引起电网的频率波动，电网调频压力变得十分严峻。当大规模风电的电网在运行时发生冲击性负荷扰动时，风电本身机组可以当做零惯性，严峻的调频工作就要由传统电力系统机组承担。风电发电机功率的波动性让传统调频机组必须频繁的参与调频工作来响应电网频率的变化。这不仅使传统机组期间磨损，寿命缩减，还大大影响了发电的品质。

[0003] 一般在动态过程中起到调节作用的是一次调频，需要考虑发电机，汽轮机和电网之间的相互作用，才能达到电力系统对一次调频快速性的要求。而通过调频机组火电厂的负荷调整来实现调频是二次调频的主要方式，将偏离值调回系统需要的稳定值，再加上传统电力系统的机组在启动和停机时具有非常大的惯性，增加了传统电机的损坏风险。所以传统的调频机组的调频工作质量和灵活性等方面都不能满足我国目前日益增长的新能源发电容量的增加和对电能质量要求的逐渐提高。而储能电池作为一种有效的调节手段逐渐地应用到电网调频中，我国的储能电池研究也在稳步发展，有南方电网深圳宝清储能站，风北镇储能电站，张北风光储基地和江苏无锡南都电源储能系统等。但是决大多数储能系统还不能当做商用或当做主要调频方式，在调控方面还有很多可以优化的空间。

[0004] 经典的控制方法(PID)在处理多能源并网以及负载扰动等复杂度高的信息时会出现建模复杂，控制能力不足等特点，而深度学习作为一种新兴的机器学习模型，可以处理庞大且复杂的数据组，对于以后智能电网的发展而日益负杂的数据指标参数调控具有重要意义。

发明内容

[0005] 为了克服已有技术的不足，本发明提供一种基于深度学习储能电池参与的电网快速调频控制方法，基于深度学习储能系统参与的调频控制策略，对突然改变负载时引起电网频率波动，以及考虑soc充足和不充足的两种情况能进行有效地调控从而完成对电网频率的调整。

[0006] 本发明解决其技术问题所采用的技术方案是：

[0007] 一种基于深度学习储能电池参与的电网快速调频控制方法，包括以下步骤：

[0008] 第一步：首先从电网中读取频率并且建立起DBN网络，根据设计需要判断输入与输出的关系，建立包含N个RBM的DBN模型，并把其内部所有神经元的权重和偏置都置为0；

[0009] 第二步：并在已知输入的情况下，可以完成对DBN网络的训练，这个训练过程是先单独的训练每个RBM，再建立去RBM的连接。根据多次的尝试，设定训练数据的各项参数，即RBM迭代次数和学习速率，根据以上参数可以完成对单个RBM的训练，通过对比散度法来完成训练，选取一批数据进行训练，在选择数据时使用吉布斯抽样，并更新权重；

[0010] 第三步：完成DBN的训练后，建立起一个结构相同的神经网络，并把DBN训练所得权重和偏置赋予神经网络，再利用BP 算法调整神经网络的参数，经此BP神经网络训练优化得到可用于调频的神经网络模型；

[0011] 第四步：考虑电池负荷状态SOC，以防止电池过冲或者过放，同时根据第三步所得的数据确定储能系统增减功率的数量，并判断频率差值是否接受。

[0012] 进一步，所述第二步中，把训练数据的各项参数设定如下：每个RBM迭代次数为10次；每5组数据为一批进行训练；学习速率为0.00005。

[0013] 所述第一步中，RBM模型包括可视层和隐层，可视层v和隐层内h部神经元分别独立，是一种基于统计学建立的神经网络，其中的神经元只有0和1两种状态即分别为激活和未激活两种；

[0014] 向量v表示可见层，共有n和可见单元，表示可视单元中第i个单元的状态。向量h表示隐藏层，共有m个隐藏单元，则表示隐藏单元中第j个单元的状态，那么此时一个受限玻尔兹曼机所具有的能量为：

[0015]

[0016] 其中的θ＝{Wij,ai,bj}是受限玻尔兹曼机的参数，Wij表示的是可见单元与隐藏层之间的权重，ai，bj分别表示可见曾和隐藏层的偏置；

[0017] 根据能量公式计算得到可见层和隐藏层(v,h)的联合分布律:

[0018]

[0019] 其中Z(θ)的作用是归一化，其公式为:

[0020]

[0021] 在此基础上，计算出边缘分布，概率论也称为似然函数

[0022]

[0023] 因为其层内都是独立的，在已知输出层的情况下，得到隐藏层第j个隐藏单元的激活概率：

[0024]

[0025] 其中为激活函数sigmoid。

[0026] 反之在已知隐藏层的情况下，也可以反向求得可见层第i个可见单元的激活概率为：

[0027]

[0028] 进一步，所述DBN模型是多层受限玻尔兹曼机RBM堆叠形成，在通过单独训练每个受限玻尔兹曼机后，DBN就可以完成数据的特征提取工作，再运用运算简单，逻辑清晰的BP网络进行参数调整，完成准确有效的深度置信网络。

[0029] 由上述可得，在RBM模型中只需要给出输入层就可以求得各个隐藏层的随机样本，即可以提取输入数据的特征并且给出初始化参数。但在实际操作中存在计算复杂，迭代次数多等问题，应用对比散度法可使计算过程大大简化，实现了RBM的可操作化。此时把隐藏层的层数增加到我们需要的数目，就可以得到深度置信网络DBN。

[0030] 本发明的有益效果主要表现在：对突然改变负载时引起电网频率波动，以及考虑soc充足和不充足的两种情况能进行有效地调控从而完成对电网频率的调整。附图说明

[0031] 图1是RBM模型的示意图。

[0032] 图2是DBN模型的示意图。

[0033] 图3是基于深度学习储能电池参与的电网快速调频控制方法的流程图。

具体实施方式

[0034] 下面结合附图对本发明作进一步描述。

[0035] 参照图1～图3，一种基于深度学习储能电池参与的电网快速调频控制方法，包括以下步骤：

[0036] 第一步：首先从电网中读取频率并且建立起DBN网络，根据设计需要判断输入与输出的关系，建立包含N个RBM的DBN模型，并把其内部所有神经元的权重和偏置都置为0；

[0037] 第二步：并在已知输入的情况下，可以完成对DBN网络的训练，这个训练过程是先单独的训练每个RBM，再建立去RBM的连接，根据多次的尝试，设定训练数据的各项参数，即RBM迭代次数和学习速率，根据以上参数可以完成对单个RBM的训练，通过对比散度法来完成训练，选取一批数据进行训练，在选择数据时使用吉布斯抽样，并更新权重；

[0038] 第三步：完成DBN的训练后，建立起一个结构相同的神经网络，并把DBN训练所得权重和偏置赋予神经网络，再利用BP算法调整神经网络的参数，经此BP神经网络训练优化得到可用于调频的神经网络模型；

[0039] 第四步：考虑电池负荷状态SOC，以防止电池过冲或者过放，同时根据第三步所得的数据确定储能系统增减功率的数量，并判断频率差值是否接受。

[0040] 进一步，所述第二步中，把训练数据的各项参数设定如下：每个RBM迭代次数为10次；每5组数据为一批进行训练；学习速率为0.00005。

[0041] 所述第一步中，RBM模型包括可视层和隐层，可视层v和隐层内h部神经元分别独立，是一种基于统计学建立的神经网络，其中的神经元只有0和1两种状态即分别为激活和未激活两种；

[0042] 向量v表示可见层，共有n和可见单元，表示可视单元中第i个单元的状态。向量h表示隐藏层，共有m个隐藏单元，则表示隐藏单元中第j个单元的状态，那么此时一个受限玻尔兹曼机所具有的能量为：

[0043]

[0044] 其中的θ＝{Wij,ai,bj}是受限玻尔兹曼机的参数，Wij表示的是可见单元与隐藏层之间的权重，ai，bj分别表示可见曾和隐藏层的偏置；

[0045] 根据能量公式计算得到可见层和隐藏层(v,h)的联合分布律:

[0046]

[0047] 其中Z(θ)的作用是归一化，其公式为:

[0048]

[0049] 在此基础上，计算出边缘分布，概率论也称为似然函数

[0050]

[0051] 因为其层内都是独立的，在已知输出层的情况下，得到隐藏层第j个隐藏单元的激活概率：

[0052]

[0053] 其中为激活函数sigmoid。

[0054] 反之在已知隐藏层的情况下，也可以反向求得可见层第i个可见单元的激活概率为：

[0055]

[0056] 进一步，所述DBN起源于人工神经网络，其模型是多层受限玻尔兹曼机RBM堆叠形成。DBN严格意义上说是一个概率生成模型，模型中的神经元参数并不具有准确运算的能力，而是建立一个可见层和输出层之间联合分布如图1所示。在通过单独训练每个受限玻尔兹曼机后，DBN就可以完成数据的特征提取工作。再运用运算简单，逻辑清晰的BP网络进行参数调整，很容易能达到收敛，完成准确有效的深度置信网络。

[0057] 本实施例中，深度学习模型采用深度置信网络DBN，DBN可以用于回归预测。在一边的电力系统中功频关系可以用一条曲线表示，当有大量的失调频率和需要的功率数据组时，深度学习可以完成回归预测。即当输入一个失调频率时，可预测出此时需要的功率数值。

标题	发布/更新时间	阅读量
氧化锌压敏电阻微观特性模拟优化计算模型	2020-05-12	11
一种复合材料薄膜三维多相同步生长的模拟方法及系统	2020-05-16	627
一种基于低场磁共振T2弛豫的磁纳米粒子温度计算方法	2020-05-12	567
基于改进的层次分析法评价生猪养殖工艺的方法	2020-05-13	47
多源无标签数据学习建模的传动系统性能退化评估方法	2020-05-08	703
基于分布式光纤拉曼传感系统的双路高精度温度解调方法	2020-05-11	849
一种基于二次建模的说话人识别方法	2020-05-11	183
一种物联网边缘节点安全的神经网络监测模型	2020-05-11	52
一种湿式双离合变速器离合器摩擦片公差分析方法	2020-05-16	583
基于径向基函数神经网络的气体标志物检测方法及应用	2020-05-16	587

一种基于深度学习储能电池参与的电网快速调频控制方法

一种基于深度学习储能电池参与的电网快速调频控制方法

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：