Adaptive Learning Dispatching Model Based on Long Short-term Memory Network with Internal Input Update

MENG Fei; SHAN Lianfei; LU Feng; ZHU Zixin; ZHANG Yue; ZHANG Pei

doi:10.7500/AEPS20220114005

您当前的位置：

首页 >

文章列表页 >

Adaptive Learning Dispatching Model Based on Long Short-term Memory Network with Internal Input Update

Basic Research | 更新时间：2025-06-16

- Adaptive Learning Dispatching Model Based on Long Short-term Memory Network with Internal Input Update
- Automation of Electric Power Systems Vol. 46, Issue 24, Pages: 26-35(2022)
- 作者机构：
  
  1.国网宁夏电力有限公司调度控制中心,宁夏回族自治区银川市 750001
  2.南瑞集团有限公司(国网电力科学研究院有限公司),江苏省南京市 211106
  3.北京科东电力控制系统有限责任公司,北京市 100192
  4.北京交通大学电气工程学院,北京市100044
- 作者简介：
- 基金信息：
- DOI：10.7500/AEPS20220114005
  CLC：
- Received：14 January 2022，
  
  Revised：2022-06-12，
  
  Published Online：07 September 2022，
  
  Published：25 December 2022
- 稿件说明：
移动端阅览
蒙飞,单连飞,卢峰等.基于输入更新长短期记忆网络的调度自适应学习模型[J].电力系统自动化,2022,46(24):26-35.

MENG Fei,SHAN Lianfei,LU Feng,et al.Adaptive Learning Dispatching Model Based on Long Short-term Memory Network with Internal Input Update[J].Automation of Electric Power Systems,2022,46(24):26-35.
蒙飞,单连飞,卢峰等.基于输入更新长短期记忆网络的调度自适应学习模型[J].电力系统自动化,2022,46(24):26-35. DOI： 10.7500/AEPS20220114005.

MENG Fei,SHAN Lianfei,LU Feng,et al.Adaptive Learning Dispatching Model Based on Long Short-term Memory Network with Internal Input Update[J].Automation of Electric Power Systems,2022,46(24):26-35. DOI： 10.7500/AEPS20220114005.

摘要

新能源机组大量接入电力系统和负荷快速变化引入了不确定性。为此，提出了一种基于海量历史数据，利用深度学习方式求解考虑不确定性的实时调度问题的新思路。首先，利用负荷矩阵相关性分析确定面向各调度时刻的训练样本集的基本结构；其次，基于美国PJM电力市场提出的完美调度理念，生成学习模型的训练目标，并构建各自适应学习模型的差异化训练样本集；然后，提出基于输入更新的长短期记忆(LSTM-IIU)网络，构成面向各调度时刻的实时调度自适应学习模型；最后，以WSCC 9节点和IEEE 118节点标准算例验证所提方法的可行性和适用性。与基于非线性优化理论得到的调度方案相比，文中方法能更好地对完美调度方案进行学习，提升考虑不确定性的调度能力。

Abstract

The uncertainty is caused by the integration of large numbers of renewable energy units into power system and the rapid charge of load. Therefore

a new idea is proposed to solve the real-time dispatching problem considering the uncertainty by using the deep learning method based on massive historical data. Firstly

the load matrix correlation analysis is used to determine the basic structure of the training sample set for each dispatching instant. Secondly

based on the perfect dispatching theory proposed by the PJM electricity market in USA

the training objectives of the learning model are generated

and the differentiated training sample set of each adaptive learning model is constructed. Then

an long short-term memory network with internal input update (LSTM-IIU) is proposed to form a real-time adaptive learning dispatching model for each dispatching instant. Finally

the feasibility and applicability of the proposed method are verified by the standard WSCC 9-bus and IEEE 118-bus examples. Compared with the dispatching scheme based on the nonlinear optimization theory

the proposed method can better learn the perfect dispatching scheme and improve the dispatching ability considering uncertainty.

关键词

Keywords

references

LIN J ， MAGNAGO F H . Electricity markets： theories and applications ［M］. Hoboken， USA ： John Wiley & Sons Inc ， 2017 .

BARCELO W R ， RASTGOUFARD P . Dynamic economic dispatch using the extended security constrained economic dispatch algorithm ［J］. IEEE Transactions on Power Systems ， 1997 ， 12 （ 2 ）： 961 - 967 .

HETZER J ， YU D C ， BHATTARAI K . An economic dispatch model incorporating wind power ［J］. IEEE Transactions on Energy Conversion ， 2008 ， 23 （ 2 ）： 603 - 611 .

ZHANG Z S ， SUN Y Z ， GAO D W ， et al . A versatile probability distribution model for wind power forecast errors and its application in economic dispatch ［J］. IEEE Transactions on Power Systems ， 2013 ， 28 （ 3 ）： 3114 - 3125 .

冉晓洪，苗世洪，刘阳升，等 . 考虑风光荷联合作用下的电力系统经济调度建模［J］. 中国电机工程学报， 2014 ， 34 （ 16 ）： 2552 - 2560 .

RAN Xiaohong ， MIAO Shihong ， LIU Yangsheng ， et al . Modeling of economic dispatch of power system considering joint effect of wind power， solar energy and load ［J］. Proceedings of the CSEE ， 2014 ， 34 （ 16 ）： 2552 - 2560 .

LI M S ， JI T Y ， WU Q H ， et al . Economic dispatch with ramp constraints concerning wind power uncertainty ［C］// 2014 IEEE PES General Meeting ， July 27-31 ， 2014 ， National Harbor， USA ： 1 - 5 .

陈海焱，陈金富，段献忠 . 含风电场电力系统经济调度的模糊建模及优化算法［J］. 电力系统自动化， 2006 ， 30 （ 2 ）： 22 - 26 .

CHEN Haiyan ， CHEN Jinfu ， DUAN Xianzhong . Fuzzy modeling and optimization algorithm on dynamic economic dispatch in wind power integrated system ［J］. Automation of Electric Power Systems ， 2006 ， 30 （ 2 ）： 22 - 26 .

刘德伟，郭剑波，黄越辉，等 . 基于风电功率概率预测和运行风险约束的含风电场电力系统动态经济调度［J］. 中国电机工程学报， 2013 ， 33 （ 16 ）： 9 - 15 .

LIU Dewei ， GUO Jianbo ， HUANG Yuehui ， et al . Dynamic economic dispatch of wind integrated power system based on wind power probabilistic forecasting and operation risk constraints ［J］. Proceedings of the CSEE ， 2013 ， 33 （ 16 ）： 9 - 15 .

ZHANG H F ， YUE D ， XIE X P . Robust optimization for dynamic economic dispatch under wind power uncertainty with different levels of uncertainty budget ［J］. IEEE Access ， 2016 ， 4 ： 7633 - 7644 .

RODRIGUES DE ASSIS J N ， MACHADO-COELHO T M ， LUÍS SOARES G ， et al . Robust evolutionary optimization algorithm for multi-objective environmental/economic dispatch problem with uncertainties ［C］// 2018 IEEE Congress on Evolutionary Computation ， July 8-13 ， 2018 ， Rio de Janeiro， Brazil ： 1 - 6 .

王淑云，娄素华，吴耀武，等 . 计及火电机组深度调峰成本的大规模风电并网鲁棒优化调度［J］. 电力系统自动化， 2020 ， 44 （ 1 ）： 118 - 125 .

WANG Shuyun ， LOU Suhua ， WU Yaowu ， et al . Robust optimal dispatch of large-scale wind power integration considering deep peak regulation cost of thermal power units ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 1 ）： 118 - 125 .

彭刘阳，孙元章，徐箭，等 . 基于深度强化学习的自适应不确定性经济调度［J］. 电力系统自动化， 2020 ， 44 （ 9 ）： 33 - 42 .

PENG Liuyang ， SUN Yuanzhang ， XU Jian ， et al . Self-adaptive uncertainty economic dispatch based on deep reinforcement learning ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 9 ）： 33 - 42 .

杨挺，赵黎媛，刘亚闯，等 . 基于深度强化学习的综合能源系统动态经济调度［J］. 电力系统自动化， 2021 ， 45 （ 5 ）： 39 - 47 .

YANG Ting ， ZHAO Liyuan ， LIU Yachuang ， et al . Dynamic economic dispatch for integrated energy system based on deep reinforcement learning ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 5 ）： 39 - 47 .

陈海东，蒙飞，张越，等 . 基于生成对抗模仿学习的电力系统动态经济调度［J/OL］. 电网技术： 1 - 9 ［ 2022-02-25 ］. http：//10.13335/j.1000-3673.pst.2021.1998 http://10.13335/j.1000-3673.pst.2021.1998 .

CHEN Haidong ， MENG Fei ， ZHANG Yue ， et al . Dynamic economic dispatch of power system based on generative confrontation imitation learning ［J/OL］. Power System Technology ： 1 - 9 ［ 2022-02-25 ］. http：//10.13335/j.1000-3673.pst.2021.1998 http://10.13335/j.1000-3673.pst.2021.1998 .

YANG Y ， YANG Z F ， YU J ， et al . Fast economic dispatch in smart grids using deep learning： an active constraint screening approach ［J］. IEEE Internet of Things Journal ， 2020 ， 7 （ 11 ）： 11030 - 11040 .

聂欢欢，张家琦，陈颖，等 . 基于双层强化学习方法的多能园区实时经济调度［J］. 电网技术， 2021 ， 45 （ 4 ）： 1330 - 1336 .

NIE Huanhuan ， ZHANG Jiaqi ， CHEN Ying ， et al . Real-time economic dispatch of community integrated energy system based on a double-layer reinforcement learning method ［J］. Power System Technology ， 2021 ， 45 （ 4 ）： 1330 - 1336 .

GISIN B ， GU Q ， MITSCHE J V ， et al . “Perfect dispatch”—as the measure of PJM real time grid operational performance ［C］// IEEE PES General Meeting ， July 25-29 ， 2010 ， Providence， USA ： 1 - 8 .

OTT A L . Evolution of computing requirements in the PJM market： past and future ［C］// IEEE PES General Meeting ， July 25-29 ， 2010 ， Minneapolis， USA ： 1 - 4 .

OTT A L . Development of smart dispatch tools in the PJM market ［C］// 2011 IEEE Power and Energy Society General Meeting ， July 24-28 ， 2011 ， Detroit， USA ： 1 - 3 .

纪德洋，金锋，冬雷，等 . 基于皮尔逊相关系数的光伏电站数据修复［J］. 中国电机工程学报， 2022 ， 42 （ 4 ）： 1514 - 1523 .

JI Deyang ， JIN Feng ， DONG Lei ， et al . Data repairing of photovoltaic power plant based on Pearson correlation coefficient ［J］. Proceedings of the CSEE ， 2022 ， 42 （ 4 ）： 1514 - 1523 .

郭瑞鹏，边麟龙，宋少群，等 . 安全约束最优潮流的实用模型及故障态约束缩减方法［J］. 电力系统自动化， 2018 ， 42 （ 13 ）： 161 - 168 .

GUO Ruipeng ， BIAN Linlong ， SONG Shaoqun ， et al . Practical model of security constrained optimal power flow and reduction methods for contingency constraints ［J］. Automation of Electric Power Systems ， 2018 ， 42 （ 13 ）： 161 - 168 .

TAN P N ， STEINBACH M ， KUMAR V . Introduction to data mining ［M］. New York， USA ： Addison-Wesley ， 2005 .

RUMELHART D E ， HINTON G E ， WILLIAMS R J . Learning representations by back-propagating errors ［J］. Nature ， 1986 ， 323 （ 6088 ）： 533 - 536 .

GRAVES A . Supervised sequence labelling with recurrent neural networks ［M］. Berlin， Germany ： Springer ， 2012 .

HOCHREITER S ， SCHMIDHUBER J . Long short-term memory ［J］. Neural Computation ， 1997 ， 9 （ 8 ）： 1735 - 1780 .

GOODFELLOW I ， BENGIO Y ， COURVILLE A . Deep learning ［M］. Cambridge， USA ： The MIT Press ， 2016 .

SAK H ， SENIOR A ， BEAUFAYS F . Long short-term memory recurrent neural network architectures for large scale acoustic modeling ［C］// 15th Annual Conference of the International Speech Communication Association ， September 14-18 ， 2014 ， Singapore ： 338 - 342 .

苏向敬，周汶鑫，李超杰，等 . 基于双重注意力LSTM神经网络的可解释海上风电出力预测［J］. 电力系统自动化， 2022 ， 46 （ 7 ）： 141 - 151 .

SU Xiangjing ， ZHOU Wenxin ， LI Chaojie ， et al . Interpretable offshore wind power output forecasting based on long short-term memory neural network with dual-stage attention ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 7 ）： 141 - 151 .

葛磊蛟，赵康，孙永辉，等 . 基于孪生网络和长短时记忆网络结合的配电网短期负荷预测［J］. 电力系统自动化， 2021 ， 45 （ 23 ）： 41 - 50 .

GE Leijiao ， ZHAO Kang ， SUN Yonghui ， et al . Short-term load forecasting of distribution network based on combination of Siamese network and long short-term memory network ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 23 ）： 41 - 50 .

杨龙，吴红斌，丁明，等 . 新能源电网中考虑特征选择的Bi-LSTM网络短期负荷预测［J］. 电力系统自动化， 2021 ， 45 （ 3 ）： 166 - 173 .

YANG Long ， WU Hongbin ， DING Ming ， et al . Short-term load forecasting in renewable energy grid based on bi-directional long short-term memory network considering feature selection ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 3 ）： 166 - 173 .

赵晋泉，夏雪，徐春雷，等 . 新一代人工智能技术在电力系统调度运行中的应用评述［J］. 电力系统自动化， 2020 ， 44 （ 24 ）： 1 - 10 .

ZHAO Jinquan ， XIA Xue ， XU Chunlei ， et al . Review on application of new generation artificial intelligence technology in power system dispatching and operation ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 24 ）： 1 - 10 .

鲁卓欣，徐潇源，严正，等 . 不确定性环境下数据驱动的电力系统优化调度方法综述［J］. 电力系统自动化， 2020 ， 44 （ 21 ）： 172 - 183 .

LU Zhuoxin ， XU Xiaoyuan ， YAN Zheng ， et al . Overview on data-driven optimal scheduling methods of power system in uncertain environment ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 21 ）： 172 - 183 .

孟祥飞 . 基于机器学习的电力系统静态电压稳定评估及实时经济调度研究［D］. 北京：北京交通大学， 2021 .

MENG Xiangfei . Research on power system static voltage stability assessment and real-time economic dispatch based on machine learning ［D］. Beijing ： Beijing Jiaotong University ， 2021 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Review of Data-driven Condition Monitoring and Fault Diagnosis Technologies for Wind Turbines

Probability Prediction Based Risk Assessment and Proactive Regulation and Control Strategy for Static Operation Safety of Power Grid

Research and Prospect for Data-driven Estimation and Prediction of Solar Radiation

Related Author

LONG Huan

YANG Ting

XU Shaohui

GU Wei

Hao XU

Xinxiong JIANG

Zhicheng LIU

Yaokun ZOU

Related Institution

School of Electrical Engineering, Southeast University

Extra-high Voltage Branch of State Grid Jiangsu Electric Power Co., Ltd.

Central China Branch of State Grid Corporation of China

School of Electrical Engineering and Automation, Wuhan University

College of Energy and Electrical Engineering, Hohai University

⁰