本发明属于电网优化及机器学习领域，具体提供一种基于分布式机器学习的智能电网实时经济调度方法，它不仅能利用分布式系统相对更高的经济性、安全性、灵活性、扩展性等优点，还能凭借比传统优化算法更快的速度实时计算不同全网平均功率需求下的电网经济调度策略，极大的提高了电力系统的服务效能。
背景技术：
电力系统的实时控制是一类重要的优化问题。其本质在于满足供需功率平衡、线路潮流和发电机功率上下限等约束条件的前提下，以最快的速度最大程度提高电网系统的经济性。在大型的、复杂的电力调度问题中，分布式经济调度系统凭借其更经济、更安全、更灵活、更扩展的优点，逐渐取代传统集中式经济调度系统方法，成为业界的研究与实践热点。
机器学习作为一门多领域交叉学科，早在上世纪五十年代就已有学者开始相关研究。许多机器学习方法如svm、随机森林等在工业、商业等领域均取得了良好的效果。深度神经网络作为一种机器学习方法，由于其对大数据的适应性，顺应了时代的整体发展趋势，具有可观的发展与应用前景。在电网优化领域，传统的优化算法往往需要大量迭代，难以满足电力系统实时调度的要求。
技术实现要素：
为了克服现有技术难以满足分布式电力系统快速经济调度要求的不足，本发明基于分布式机器学习的智能电网实时经济调度方法，以“建立经验库”到“微调”的关键思想为基础，利用深度神经网络和微调算法，不仅有效满足分布式电力系统经济调度的要求，同时也大大提高了系统经济调度的速度。
本发明为解决上述技术问题提供了如下技术方案：
一种基于分布式机器学习的智能电网实时经济调度方法，包括以下步骤：
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；
步骤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；
步骤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；
步骤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实时经济调度模型的训练集；
步骤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；
步骤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；
步骤7)，利用步骤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。
进一步，所述步骤2)的过程如下：
2.1)选择参考信号ri(t)并计算参考信号的变化值δri(t)：
δri(t)＝ri(t)-ri(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xi(t h)：
其中aij(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，xi(t)是在t时刻分配给i号发电机的功率需求，δri(t)是参考信号的变化值。
再进一步，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。
再进一步，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li，本地发电输出记为oi。定义δi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
8.2)随着n→∞，δi[n]会无限接近于真正的平均值：
8.3)每个代理通过反复计算提出一个可能的功率输出pi：
pi＝oi 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。
本发明的技术构思为：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。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。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，以此为训练集，为不同的发电机训练不同的深度神经网络模型。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发电负载。最后通过算法微调使结果满足条件的限制。主要思想：利用“经验库”实现数量级的算法加速，最后“微调”结果使其为最优解。
本发明的有益效果为：满足分布式电力系统快速经济调度要求。
附图说明
图1是本发明基于动态平均一致性算法的计算效果图。
图2是本发明基于分布式机器学习的智能电网实时经济调度方法示意图。
图3是本发明中分布式深度神经网络与传统优化算法的计算速度对比图。
图4是本发明中分布式深度神经网络与集中式深度神经网络的计算速度对比图。
图5是本发明中基于分布式机器学习的智能电网实时经济调度方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清晰，下面结合附图和实际实验对本发明的技术方案作进一步描述。
参照图1～图5，一种基于分布式机器学习的智能电网实时经济调度方法，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。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。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，以此为训练集，为不同的发电机训练不同的深度神经网络模型。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发电负载。
一种基于分布式机器学习的智能电网实时经济调度方法，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。
进一步，所述步骤2)的过程如下：
2.1)选择参考信号ri(t)并计算参考信号的变化值δri(t)：
δri(t)＝ri(t)-ri(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xi(t h)：
其中aij(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，xi(t)是在t时刻分配给i号发电机的功率需求，δri(t)是参考信号的变化值。
再进一步，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。
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li，本地发电输出记为oi。定义δi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
8.2)随着n→∞，δi[n]会无限接近于真正的平均值：
8.3)每个代理通过反复计算提出一个可能的功率输出pi：
pi＝oi 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。
从实验结果(图2～图5)可以看出，本发明利用分布式机器学习的智能电网实时经济调度方法代替传统调度算法，极大的降低计算资源占用，有效降低信息泄露风险，其结果可以满足实际分布式智能电网系统实时经济调度要求。
以上结合附图详细说明和陈述了本发明的实施方式，但并不局限于上述方式。在本领域的技术人员所具备的知识范围内，只要以本发明的构思为基础，还可以做出多种变化和改进。
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。
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2)的过程如下：
2.1)选择参考信号ri(t)并计算参考信号的变化值δri(t)：
δri(t)＝ri(t)-ri(t-h)xi＝(xi1,...,xis)(1)
2.2)由动态平均一致性算法得到全网平均功率需求xi(t h)：
其中aij(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，xi(t)是在t时刻分配给i号发电机的功率需求，δri(t)是参考信号的变化值。
3.根据权利要求1或2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。
4.根据权利要求1或2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li，本地发电输出记为oi。定义δi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
8.2)随着n→∞，δi[n]会无限接近于真正的平均值：
8.3)每个代理通过反复计算提出一个可能的功率输出pi：
pi＝oi 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。
技术总结