![](/__local/8/59/69/AAA174D37D4D3E08068F57810D8_D70B5D2E_1DBE.png)
学位论文简介
本文围绕大规模电力数据分析需求,开展深度学习及深度强化学习相关技术进行深入研究,主要工作和创新点如下:
(1) 提出了一种面向不确定电力系统潮流分析的卷积神经网络-双向长短时网络融合(CNN-BILSTM) 模型。电力系统是源-发电机不确定系统,电网环境和电力需求的不确定性威胁着电力系统的可靠、经济运行。深入讨论了实际电力系统的不确定性特征,定义电力系统源负荷变化的数据驱动潮流模型。基于此,构建一种卷积神经网络-双向长短时网络融合模型,通过卷积神经网络有效提取负荷变化的低维特征,基于双向长短时网络进行不确定性周期模式的识别,实现不确定电力系统中潮流的准确预测。而且,设计堆栈降噪自动编码器来智能识别稀疏性约束,在保证精度的前提下大大提高模型计算效率。仿真及真实数据实验表明,所提出的CNN-BILSTM模型能够有效、准确地预测发电量和用电需求不确定的电力系统中的潮流。
(2) 探讨了面向动态需求感知电网智能定价的深度强化学习(DRL) 模型。传统的电网定价方法往往基于固定的价格策略或简单的市场模型,无法充分考虑到用户的动态需求和电力市场的实时情况,导致电力系统运行效率低下和资源浪费。针对电力市场动态需求感知的智能定价问题,提出了基于深度强化学习的新型解决方案,构建基于DRL 的动态需求感知模型,通过学习历史用户行为和市场信息,实现对电力需求的准确预测和感知。设计一种实时优化调整机制,根据市场变化和用户需求的动态调整,及时更新定价策略,提高了定价的灵活性和响应速度。通过仿真实验和实际应用验证,验证了所提出的深度强化学习模型在动态需求感知电网智能定价方面的有效性和性能优势。
(3) 研究了面向微电网系统中储能的无模型强化学习(MFRL) 模型。随着可再生能源的快速发展和微电网系统的兴起,储能技术在微电网系统中的作用越来越重要。传统的储能控制方法往往需要建立复杂的物理模型,但由于微电网系统的复杂性和不确定性,模型建立过程中存在着诸多困难和误差,限制了储能系统的性能和稳定性。提出了针对微电网系统中储能的无模型强化学习控制策略设计方法,通过与环境的交互学习,实现对储能系统的智能控制和优化。引入了实时适应性调节机制,使MFRL 模型能够及时响应微电网系统中的动态变化和不确定性,提高了系统的稳定性和可靠性。对比实验验证了所提出的MFRL 模型在微电网系统中储能控制方面的有效性和性能优势,为实际应用提供了可靠的理论和技术支持。
(4) 研究了面向异常用电行为检测的对抗训练自动编码器模型。电力用户异常用电行为造成的非技术性损失严重影响了电力企业的收益和供电质量。为了帮助电力公司提高用电稽查效率,规范用户用电行为,提出一种高低阶时间特征双对抗训练自动编码器模型并应用在用电异常检测中。采用无监督学习的深度学习模型,针对时序数据的特性,对USAD模型进行了改进,设计一种高低级时空特征双重对抗训练的自动编码器模型。该模型在USAD的基础上增加了一个额外的“鉴别器”,其目的是进一步加强USAD中AE1对数据的重构能力。同时,引入了LSTM网络作为自编码器结构,这样可以为两个“鉴别器”分别提供不同层级的时序特征,从而提升了模型捕捉时序数据中复杂时间相关性的能力。这种方法能够有效地应对不同规律的异常用电数据,显著提高了模型对异常行为检测的准确率。
本文工作不仅具有一定的理论价值,丰富了电力数据分析方面的研究内容,而且解决电力市场动态定价问题方面具有重要的理论和实际意义,为电力系统的智能化和资源优化提供了新的思路和方法。
主要学术成果
[1] Chao Tang, Yunchuan Qin, Fan Wu, Zhuo Tang. Dynamic Demand-aware Power Grid Intelligent Pricing Algorithm Based on Deep Reinforcement Learning. IEEE Access, 2024. (第一作者, SCI 2区,In Press,影响因子: 3.9);
[2] Chao Tang, Yufeng Zhang, Fan Wu, Zhuo Tang. An Improved CNN-BILSTM Model for Power Load Analysis in Uncertain Power Systems.Energies. 2024; 17(10):2312.(第一作者, SCI 3区,影响因子: 3.2)
[3] Chao Tang, Yunchuan Qin, Yumeng Liu, Huilong Pi, and Zhuo Tang. An Efficient Method for Detecting Abnormal Electricity Behavior. Energies 2024, 17(11), 2502; (第一作者, SCI 3区,影响因子: 3.2);