实时拥堵控制使用级联LSTM深度神经网络用于放松管制的电力市场

科学领域:

• 电气工程 电气工程
• 电力系统工程 电力系统工程
• 人工智能的人工智能

背景情况:

• 在放松管制的电力市场中,输电线路拥堵是一个日益严重的问题,破坏了竞争平衡.
• 传统的拥堵管理方法在实时应用中通常是计算效率低下的.
• 独立系统运营商需要有效的工具来缓解拥堵并确保市场稳定.

研究的目的:

• 为实时拥堵管理 (CM) 提出一种新的混合深度神经网络 (DNN) 方法.
• 为了减少电力市场拥堵控制的计算时间.
• 提高发电重新调度的效率和准确性,以缓解拥堵.

主要方法:

• 开发了一种混合深度神经网络 (DNN) 模型,包括三个级联的长短期记忆 (LSTM) 模块.
• 该LSTM-DNN系统连续预测拥堵状态,违规功率和调整的活性功率以进行发电重新调度.
• 该模型是使用灰狼优化 (GWO) 算法生成的数据进行训练的.

主要成果:

• 拟议的混合LSTM-DNN方法在管理拥堵方面实现了约98%的准确性.
• 该系统展示了实时拥堵控制的快速解决方案.
• 在IEEE 30总线系统上进行评估,该方法在缓解拥堵方面非常有效.

结论:

• 混合LSTM-DNN模型为在放松管制的电力市场中实时拥堵管理提供了高效和准确的解决方案.
• 与传统的进化算法相比,这种方法显著减少了计算时间.
• 拟议的方法通过有效减轻输电线路拥堵,确保电力市场的正常运行.