一种基于堆栈降噪自动编码器的概率潮流在线计算方法技术

本发明专利技术公开了一种基于堆栈降噪自动编码器的概率潮流在线计算方法，主要包括以下步骤：1)建立SDAE概率潮流模型。2)获取所述SDAE概率潮流模型的训练样本。3)初始化所述SDAE概率潮流模型。4)对所述SDAE概率潮流模型进行训练，从而得到训练后的SDAE概率潮流模型。5)获取计算样本。6)将步骤5得到的计算样本数据一次性输入步骤4中训练完成的SDAE概率潮流模型中，得到所述训练目标，从而判断所有训练样本的潮流可解性；计算可解样本的潮流值。7)统计概率潮流指标。本发明专利技术可广泛应用于电力系统的概率潮流在线计算，特别适用于新能源高比例接入导致电力系统不确定性增强的情况。

A probabilistic power flow online calculation method based on stack noise reduction automatic encoder

The invention discloses an online calculation method of probabilistic power flow based on stack noise reduction automatic encoder, which mainly includes the following steps: 1) establishing the SDAE probability flow model. 2) obtain the training samples of the SDAE probabilistic load flow model. 3) initialize the SDAE probabilistic power flow model. 4) training the SDAE probabilistic load flow model to get the SDAE probabilistic power flow model after training. 5) get the calculated sample. 6) in step 5, the calculated sample data is used in step 4 to train the SDAE probabilistic power flow model, and the training target is obtained to determine the solvability of all the training samples, and to calculate the flow values of the solvable samples. 7) statistical probability flow index. The invention can be widely used in the on-line calculation of power system's probability power flow, and is especially suitable for the situation that the power system uncertainty is enhanced by the high proportion of new energy.

【技术实现步骤摘要】
一种基于堆栈降噪自动编码器的概率潮流在线计算方法
本专利技术涉及电力系统及其自动化领域，具体是一种基于堆栈降噪自动编码器的概率潮流在线计算方法。
技术介绍
电力系统本质上运行在不确定的环境当中。概率潮流可计及不确定性因素的影响，获取系统状态变量的概率特征，并用于电力系统规划和运行等方面。近年来，由于光伏、风电等可再生能源渗透率越来越高，电力系统不确定性激增。为了满足电力系统运行调度的要求，在线概率潮流计算的需求愈发迫切。目前，概率潮流求解方法主要有解析法和模拟法。解析法(卷积法、点估计法、一次二阶矩法等)虽然计算量较小，但忽略了潮流不可解情况。同时，随着输入随机变量的增多，会造成输出变量数字特征精度损失。模拟法以MCS法为基础，计算结果精确，可以作为验证其他方法的参考，但需要大量抽样系统状态，从而导致计算时间较长。因此，研究人员一直在寻求改进方法以减少MCS法计算概率潮流的计算时间。目前针对MCS法计算概率潮流的改进主要分为改进抽样方法和改进潮流计算方法。改进抽样方法包括重要抽样法、拉丁超立方采样法、拟蒙特卡洛法等，可有效减少模拟样本数，相应的理论研究已较为成熟，但依然难以在线应用。改进潮流计算方法主要分为改进迭代算法和非迭代算法。改进迭代算法大多基于牛顿法，如快速解耦法、拟牛顿法等，一定程度上加快了潮流求解的速度，但仍然需要迭代计算，因此难以用于在线分析。改进非迭代算法，如直流潮流算法、传统神经网络算法等，已经展现出在线计算的能力，但其存在潮流计算精度不高等缺点。综上所述，亟需研究一种兼顾计算精度和速度的概率潮流在线算法。
技术实现思路
本专利技术的目的是解决现有技术中存在的问题。为实现本专利技术目的而采用的技术方案是这样的，一种基于堆栈降噪自动编码器的概率潮流在线计算方法，主要包括以下步骤：1)建立SDAE概率潮流模型。进一步。建立SDAE潮流模型的主要步骤如下：1.1)将电力系统中新能源节点的有功功率、新能源节点的无功功率、负荷节点的有功功率和负荷节点的无功功率作为所述SDAE潮流模型的原始输入X。以随机映射的方式腐蚀原始输入X，从而得到局部受腐蚀的输入腐蚀公式如下所示：式中，qD为以随机映射为方式的腐蚀过程，即随机选取一定数量的原始输入X置零。X为所述SDAE潮流模型的原始输入。1.2)受腐蚀的输入利用编码器的编码函数fθ得到中间层输出Y。编码函数fθ如下所示：fθ＝s(x)＝1/(1+e-x)。(2)式中，x指代受腐蚀的输入中间层Y的输出如下所示：式中，W为编码器的权值。W是一个dy×dx维的矩阵。b为编码器的偏置。b是一个dy维的向量。dx为输入层向量的维度。dy为中间层向量的维度。1.3)中间层输出Y通过解码器的解码函数gθ′得到输出层Z的输出，从而建立DAE模型。编码函数gθ′如下所示：gθ′＝s(x')＝1/(1+e-x')。(4)式中，x'指代中间层输出Y。输出层Z的输出如下所示：Z＝gθ′(Y)＝s(W′Y+b′)。(5)其中，W′为解码器权值。W′是一个dx×dy维的矩阵。b′为解码器偏置。b′是一个dx维的向量。dx为输入层向量的维度。dy为中间层向量的维度。1.4)将n层所述DAE模型逐层堆叠。下层DAE模型的中间层作为上层DAE模型的输入层，从而得到SDAE概率潮流模型。SDAE概率潮流模型的输出Yt如下所示：式中，为第l层DAE的编码函数。l＝1,2,…,n。n为SDAE中DAE的个数。qD(X)为DAE模型腐蚀后的输入。为SDAE概率潮流模型顶层的编码函数。2)通过实时监测电力系统、对电力系统进行仿真和实验的方法获取所述SDAE概率潮流模型的训练样本，记录所有训练样本的潮流值，并标记潮流不可解的训练样本。3)初始化所述SDAE概率潮流模型。初始化所述SDAE概率潮流模型主要包括数据预处理和确定DAE潮流模型参数。数据预处理：根据DAE潮流模型超参数的确定练样本数据量，将训练样本输入和训练样本输出分成q个批量。使用最大最小法对训练样本输入和训练样本输出进行归一化处理。确定DAE潮流模型参数：根据系统的规模和复杂程度设定SDAE潮流模型的层数l和每层神经元的个数。4)确定训练目标，即权值矩阵与偏移向量参数θ＝{W,b}。采用所述训练样本数据，基于步骤3中的初始化SDAE概率潮流模型，对所述SDAE概率潮流模型进行训练，从而得到训练后的SDAE概率潮流模型。训练过程主要包括对所述SDAE概率潮流模型进行无监督预训练和对所述SDAE概率潮流模型进行有监督微调。4.1)对所述SDAE概率潮流模型进行无监督预训练的主要步骤如下：4.1.1)将交叉熵函数LH(x,z)作为损失函数。交叉熵函数LH(x,z)如下所示：式中，xk为第l层DAE输入层的输入。zk为第l层DAE输出层的输出。d是输入层向量和输出层向量的维度。k是输入层向量和输出层向量的编号；4.1.2)确定最优化目标函数最优化目标函数如下所示：式中，d是x和z的维度。Xl为第l层DAE输入层的输入，也是第l-1层DAE输出层的输出Yl-1。Zl是第l层DAE输出层的输出。W为编码器的权值。W是一个dy×dx维的矩阵。b为编码器的偏置。b是一个dy维的向量。dx为输入层向量的维度。dy为中间层向量的维度。4.1.3)构建SDAE潮流模型无监督预训练参数更新公式。参数更新公式分别如下所示：式中，是第T次参数更新后，第l-1层DAE中间层的第j个神经元到第l层DAE中间层的第i个神经元的权值。η是神经网络的学习速率。r和r+m分别是此批量的起始样本序号。m是此批量样本数量。W为预训练得到的第l层DAE权值矩阵。W是一个dy×dx维的矩阵。b为预训练得到的第l层DAE偏移向量。b是一个dy维的向量。dx为输入层向量的维度。dy为中间层向量的维度。式中，是第T次参数更新后，第l层DAE中间层的第i个神经元的偏移量。η是神经网络的学习速率。r和r+m分别是此批量的起始样本序号，m是此批量样本数量。W为预训练得到的第l层DAE权值矩阵。W是一个dy×dx维的矩阵。b为预训练得到的第l层DAE偏移向量。b是一个dy维的向量。dx为输入层向量的维度。dy为中间层向量的维度。W(l,T+1)＝W(l,T)+ΔW(l,T)+p×dW(l,T-1)。(11)式中，W(l,T)为第l层DAE第T次参数更新后的权值矩阵。ΔW(l,T)为第l层DAE第T次参数更新时，权值矩阵的改变量。dW(l,T-1)是第T次参数更新时W(l,T-1)相对于W(l,T-2)的改变量。p为动量因子。b(l,T+1)＝b(l,T)+Δb(l,T)+p×db(l,T-1)。(12)式中，b(l,T)为第l层DAE第T次参数更新后的权值矩阵与偏移向量。Δb(l,T)为第l层DAE第T次参数更新时偏移向量的改变量。db(l,T-1)是第T次参数更新时b(l,T-1)相对于b(l,T-2)的改变量。p为动量因子。4.1.4)根据参数更新公式，得到最优编码参数：θ＝{W,b}。(13)式中，W为预训练得到的第l层DAE权值矩阵。W是一个dy×dx维的矩阵。b为预训练得到的第l层DAE偏移向量。b是一个dy维的向量。dx为输入层向量的维度。dy为中间层向量的维度。4.2)对SDAE潮流本文档来自技高网...

【技术保护点】
1.一种基于堆栈降噪自动编码器的概率潮流在线计算方法，其特征在于，主要包括以下步骤：1)建立所述SDAE概率潮流模型；2)通过实时监测电力系统、对电力系统进行仿真和实验的方法获取所述SDAE概率潮流模型的训练样本，记录所有训练样本的潮流值，并标记潮流不可解的训练样本；3)初始化所述SDAE概率潮流模型。3)确定训练目标，即权值矩阵与偏移向量参数θ＝{W,b}；采用所述训练样本数据，基于步骤3中的初始化SDAE概率潮流模型，对所述SDAE概率潮流模型进行训练，从而得到训练后的SDAE概率潮流模型；训练过程主要包括对所述SDAE概率潮流模型进行无监督预训练和对所述SDAE概率潮流模型进行有监督微调；5)采用蒙特卡洛法(MCS法)或改进MCS法对待计算概率潮流的电力系统的随机变量进行抽样，从而获取计算样本；所述随机变量主要包括待计算概率潮流的电力系统的风速、光照辐射度和负荷；6)将步骤5得到的计算样本数据一次性输入步骤4中训练完成的SDAE概率潮流模型中，得到所述训练目标，从而判断所有训练样本的潮流可解性；计算可解样本的潮流值；7)统计概率潮流指标；所述概率潮流指标主要包括训练后的BP神经网络潮流模型输出变量的均值、方差和概率分布；输出变量主要包括电力系统所有节点的电压幅值和相角、各支路有功功率和无功功率。...

【技术特征摘要】
1.一种基于堆栈降噪自动编码器的概率潮流在线计算方法，其特征在于，主要包括以下步骤：1)建立所述SDAE概率潮流模型；2)通过实时监测电力系统、对电力系统进行仿真和实验的方法获取所述SDAE概率潮流模型的训练样本，记录所有训练样本的潮流值，并标记潮流不可解的训练样本；3)初始化所述SDAE概率潮流模型。3)确定训练目标，即权值矩阵与偏移向量参数θ＝{W,b}；采用所述训练样本数据，基于步骤3中的初始化SDAE概率潮流模型，对所述SDAE概率潮流模型进行训练，从而得到训练后的SDAE概率潮流模型；训练过程主要包括对所述SDAE概率潮流模型进行无监督预训练和对所述SDAE概率潮流模型进行有监督微调；5)采用蒙特卡洛法(MCS法)或改进MCS法对待计算概率潮流的电力系统的随机变量进行抽样，从而获取计算样本；所述随机变量主要包括待计算概率潮流的电力系统的风速、光照辐射度和负荷；6)将步骤5得到的计算样本数据一次性输入步骤4中训练完成的SDAE概率潮流模型中，得到所述训练目标，从而判断所有训练样本的潮流可解性；计算可解样本的潮流值；7)统计概率潮流指标；所述概率潮流指标主要包括训练后的BP神经网络潮流模型输出变量的均值、方差和概率分布；输出变量主要包括电力系统所有节点的电压幅值和相角、各支路有功功率和无功功率。2.根据权利要求1所述的一种基于堆栈降噪自动编码器的概率潮流在线计算方法，其特征在于：建立SDAE潮流模型的主要步骤如下：1)将电力系统中新能源节点的有功功率、新能源节点的无功功率、负荷节点的有功功率和负荷节点的无功功率作为所述SDAE潮流模型的原始输入X；以随机映射的方式腐蚀原始输入X，从而得到局部受腐蚀的输入腐蚀公式如下所示：式中，qD为以随机映射为方式的腐蚀过程，即随机选取一定数量的原始输入X置零；X为所述SDAE潮流模型的原始输入；2)受腐蚀的输入利用编码器的编码函数fθ得到中间层输出Y；编码函数fθ如下所示：fθ＝s(x)＝1/(1+e-x)；(2)式中，x指代受腐蚀的输入中间层Y的输出如下所示：式中，W为编码器的权值；W是一个dy×dx维的矩阵；b为编码器的偏置；b是一个dy维的向量；dx为输入层向量的维度；dy为中间层向量的维度；3)中间层输出Y通过解码器的解码函数gθ′得到输出层Z的输出，从而建立DAE模型；编码函数gθ′如下所示：gθ′＝s(x')＝1/(1+e-x')；(4)式中，x'指代中间层输出Y；输出层Z的输出如下所示：Z＝gθ′(Y)＝s(W′Y+b′)；(5)其中，W′为解码器权值；W′是一个dx×dy维的矩阵；b′为解码器偏置；b′是一个dx维的向量；dx为输入层向量的维度；dy为中间层向量的维度；4)将n层所述DAE模型逐层堆叠；下层DAE模型的中间层作为上层DAE模型的输入层，从而得到SDAE概率潮流模型；SDAE概率潮流模型的输出Yt如下所示：式中，为第l层DAE的编码函数；l＝1,2,…,n；n为SDAE中DAE的个数；qD(X)为DAE模型腐蚀后的输入；为SDAE概率潮流模型顶层的编码函数。3.根据权利要求1所述的一种基于堆栈降噪自动编码器的概率潮流在线计算方法，其特征在于：对所述SDAE概率潮流模型进行无监督预训练的主要步骤如下：1)将交叉熵函数LH(x,z)作为损失函数；交叉熵函数LH(x,z)如下所示：式中，xk为第l层DAE输入层的输入；zk为第l层DAE输出层的输出；d是输入层向量和输出层向量的维度；k是输入层向量和输出层向量的编号；2)确定最优化目标函数最优化目标函数如下所示：式中，d是x和z的维度；Xl为第l层DAE输入层的输入，也是第l-1层DAE输出层的输出Yl-1；Zl是第l层DAE输出层的输出；W为预训练得到的第l层DAE权值矩阵；W是一个dy×dx维的矩阵；b为预训练得到的第l层DAE偏移向量；b是一个dy维的向量；dx为输入层向量的维度；dy为中间层向量的维度；3)构建SDAE潮流模型无监督预训练参数更新公式；参数更新公式分别如下所示：式中，是第T次参数更新后，第l-1层DAE中间层的第j个神经元到第l层DAE中间层的第i个神经元的权值；η是神经网络的学习速率；r和r+m分别是此批量的起始样本序号；m是此批量样本数量；W为预训练得到的第l层DAE权值矩阵；W是一个dy×dx维的矩阵；b为预训练得到的第l层DAE偏移向量；b是一个dy维的向量；dx为输入层向量的维度；dy为中间层向量的维度；式中，是第T次参数更新后，第l层DAE中间层的第i个神经元的偏移量；η是神经网络的学习速率；r和r+m分别是此批量的起始样本序号，m是此批量样本数量；W为预训练得到的第l层DAE权值矩...

【专利技术属性】
技术研发人员：余娟，严梓铭，任鹏凌，郭林，杨燕，向明旭，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆,50