技术摘要：
本发明公开了一种大数据环境下基于深度学习的AGC实时控制策略，其包括以下步骤：步骤1，生成优良的混合大数据控制数据集；步骤2，数据预处理；步骤3，使用长短期记忆网络进行AGC控制，进行模型构建，设置网络参数与函数选择，并进行网络的训练；步骤4，根据AGC的控制要  全部
背景技术：
电力系统自动发电控制(Automatic  Generation  Control,AGC)是实现发电功率 和负荷功率平衡，保持电网频率为规定值和联络线交换功率为计划值的重要手段。世界各 国大力推动以风电和光伏为代表的可再生能源发展，促进电能生产的清洁化转型，风电和 光伏具有随机性、间歇性和难以准确预测等特点，其装机容量的迅速增加已给电力系统安 全稳定和经济运行带来了巨大挑战。与此同时，按照国家能源局的统一部署，各地区级电网 根据区域的实际情况，分别颁布了适合自己区域的《发电厂并网运行管理实施细则》和《并 网发电厂辅助服务管理实施细则》，电网对AGC控制性能的考核和补偿提出新的要求。 国内外许多学者对这一领域进行了研究，并取得了显著成果。已有方法主要可划 分为传统控制算法和动态优化控制策略两大类。传统控制算法主要根据已有的偏差进行调 节，属于滞后控制，在功率缺额剧烈变化的时候，该类方法可以迅速对缺额部分进行补偿。 但因其对环境过于敏感，容易导致机组频繁动作；当环境处于一个较大迟滞环节，滞后控制 容易引起区域总调节功率过调、欠调。动态优化控制策略考虑了负荷预测信息和区域控制 偏差(Area  Control  Error,ACE)的变化，通过超短期负荷预测提前对机组进行调整，以经 济性或者技术性指标为目标，优化下一周期内各时段的AGC调节功率，但当功率缺额剧烈波 动时候，这种方法无法很好地实现短期预测，并且运算和收敛性等原因现阶段也很难将其 运用到实际控制中来。 上述两类方法优缺点各异，但在某些工况下可以实现优良控制性能互补，而如何 可以综合这些优良的控制特性，以得到一种集大成者的控制策略是一个值得研究的方向。
技术实现要素：
本发明的目的是从电网负荷端考虑AGC控制，提供一种大数据环境下基于深度学 习的AGC实时控制策略。 为实现上述发明目的，本发明采用了如下技术方案：一种大数据环境下基于深度 学习的AGC实时控制策略，包括如下步骤， 步骤1，生成优良的混合大数据控制数据集，包括： 步骤1.1，数据还原：对年度电网完成AGC指令的执行周期时间进行统计，得到不同 AGC下令值区间内对应的执行周期，完成时间的正态分布，并在此基础上根据现行的PI控制 策略的原则，对现有的ACE数据进行反向还原计算，得到控制前的ACE数据； 步骤1.2，三种控制策略离线混合控制：第一轮运用基于DFT方法的AGC控制策略， 控制完后不合格的考核点其对应的控制周期再由PI控制进行第二轮计算，在第二轮的基础 上在进行第三轮的最优控制，经过这三轮控制后，初步得到半年的海量控制数据； 4 CN 111555363 A 说　明　书 2/8 页 步骤1.3，均衡特性法筛选数据：对于步骤1.2中产生的海量控制数据进行统计，在 每天144个考核点中，筛选出至少出现2个经PI控制和2个经最优控制达到合格的天数，共同 构成优良的混合大数据控制数据集； 步骤2，数据预处理，包括： 步骤2.1，数据标准化处理：对步骤1的生成优良的混合大数据控制数据集进行处 理，连续数据采用零-均值规范化处理，非连续数据采用独热编码处理； 步骤2.2，转换成有监督学习数据集：通过滑块窗口采样方法选择符合条件的数 据，并对选择出来的数据加以叠加生成三维数据，然后将标准化处理过后的多变量时间序 列数据集转化成能输入LSTM网络的有监督学习数据集； 步骤3，使用LSTM网络进行AGC控制，包括： 步骤3.1，网络模型构建：用一个三分类网络来确定当前AGC机组是否要进入加减 速操作，用两个回归网络分别计算加减速状态时的总调节功率； 步骤3.2，LSTM网络参数设置与函数选择：对三个LSTM网络，三分类网络选择三层 LSTM网络，Softmax函数作为输出层激活函数，交叉熵损失函数作为目标函数；两个回归网 络选择两层LSTM网络，均方误差函数作为目标函数； 步骤3.3，LSTM网络训练：分别将三个不同的数据集输入到对应的LSTM网络中进行 训练，当网络出现过拟合的现象时停止训练，保存网络参数，共训练出三个LSTM网络； 步骤4，根据AGC的控制要求进行控制性能评估： 用训练完成的三个LSTM网络组成基于LSTM网络的AGC实时控制策略，并从日均合 格点数、下令次数和正负调节量等AGC控制指标将基于LSTM网络的AGC实时控制策略与PI控 制和基于DFT方法的AGC控制策略的控制结果进行全面的对比。 与现有技术相比，本发明的大数据环境下基于深度学习的AGC实时控制策略的优 势在于： 1、通过三种能够互补的AGC控制策略混合离线控制得到海量的优良据控制数据 集，即，采用PI控制、基于DFT方法和最优控制的AGC控制策略在离线状态下，第一轮运用基 于DFT方法的AGC控制策略，控制完后不合格的考核点其对应的控制周期再由PI控制进行第 二轮计算，在第二轮的基础上在进行第三轮的最优控制，经过这三轮AGC控制以后，初步得 到半年的控制数据。 2、通过均衡特性法从初步得到半年的大数据控制数据中，筛选能同时很好体现三 种控制策略特性的天数组成控制数据集，让生产的数据集中更好地体现反映稀有控制特性 的数据 3、训练出三个深度学习神经网络(LSTM网络)来替代每个步骤中具体的分类判断 和回归计算环节。 4、可以有效、准确地控制联络线上的功率偏差。 附图说明 为了更清楚地说明本发明实施例的技术方案，下面将对实施例或相关技术描述中 所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅涉及本发明的一些 实施例，并非对本发明的限制。 5 CN 111555363 A 说　明　书 3/8 页 图1是对比一般AGC控制流程和基于LSTM的AGC控制流程。 图2是滑动窗口采样。 图3是基于LSTM的AGC控制流程。 图4是LSTM网络控制每10min下令次数。 图5是三种方法全天下令情况。