摘要
近年来随着电力系统规模不断扩大、能源形势发生巨大变化，需要对现有自动发电控制（AutomaticGenerationControl，AGC）策略进行优化改进。目前实际中电网AGC主要采用闭环比例积分控制，即PI控制。但随着电力系统的快速发展，传统PI控制已无法满足电网对调频系统的要求。基于此背景，本文提出一种基于深度森林（DeepForest）算法的自动发电控制策略，通过学习融合了PI控制和DFT控制特性的优良数据集，该策略能在每个考核时段内自行选择效果更优的控制器作为控制策略来计算生成区域总调节功率，进而对区域控制偏差ACE进行调控。仿真结果表明，该策略能以较低的下令次数实现AGC实时调节，性能要优于任何一种被学习的策略。论文的主要工作如下： （1）融合不同AGC控制策略特性生成优良控制数据集：深度学习的方法需要足够数据的支撑，使得模型能在各个考核时段内自行选择性能更优的控制器作为控制策略来调节区域控制偏差，充分发挥不同控制策略在各自优势工况下的性能，将PI控制和DFT控制策略两者的特性很好地融合，以得到优秀控制数据集。 （2）深度学习的新视角：提出了一种基于深度森林算法的自动发电控制策略，该策略基于深度学习的方法，使用大量且丰富的ACE数据，直接构建已知输入量和总调节指令（输出）的映射关系，而不需要研究与自动发电控制相关的内在机理。实验证明此策略在应对多种电网运行工况时的适用性更好，解决了AGC建模控制方法复杂、可能不收敛的问题。 （3）由常规AGC控制策略引申出深度森林策略控制流程：简化常规AGC控制流程，深度森林控制策略将AGC控制分为两个步骤，即：判断机组是否动作和计算准确的区域总调节功率。AGC控制策略深度学习模型中包含着一个三分类网络和两个回归网络，由此形成了基于深度森林的AGC实时控制策略。 （4）改进深度森林模型：建立了SMOTE+改进级联森林模型。针对数据集类别不平衡现象，采用过采样中的SMOTE方法对训练分类模型的数据集进行处理，用以提高分类准确率。在原始深度森林算法的基础上，在级联森林中引入优良预测性能的XGBoost、AdaBoost和LGBM基学习器，以增加学习器的多样性，提高模型的泛化性能和预测准确率。结果表明改进后的深度森林算法分类模型准确率提升了6.0%，F1提高了5.2%，回归模型的R2值分别提高了8.7%和7.7%。且时间消耗较原始深度森林算法显著降低，性能优于原始深度森林算法。
NETL