基于深度学习方法的电-气互联系统最优潮流全线性模型技术方案

本发明专利技术公开了基于深度学习方法的电‑气互联系统最优潮流全线性模型，主要步骤为：1)建立电‑气互联系统，并获取所述电‑气互联系统的基础数据。2)建立基于深度学习的天然气线性模型。3)基于所述天然气线性模型，建立电‑气互联系统最优潮流全线性模型。本发明专利技术提供了一种基于深度学习方法的电‑气互联系统最优潮流全线性模型，对天然气管道模型进行了一段线性化，相比于传统的分段线性模型，本发明专利技术所提方法可以极大地提高计算效率。

【技术实现步骤摘要】
基于深度学习方法的电-气互联系统最优潮流全线性模型
本专利技术涉及电力系统经济优化计算领域，具体是基于深度学习方法的电-气互联系统最优潮流全线性模型。
技术介绍
随着电力系统与天然气系统之间的耦合关系日益增强，多能源系统的经济优化运行已成为一个主要研究问题。最优潮流(OPF)计算对于促进多能源系统的安全和经济运行至关重要，同时OPF在可靠性分析、能源管理和定价方面发挥着重要作用，OPF求解器的改进每年可为多能源系统节省数十亿美元。但由于能量流模型的非线性决定了OPF模型的非凸性，致使多能源系统的OPF问题难以求解，当前的非线性求解器不能保证OPF问题的收敛性或全局最优性。在实际电力系统中，比如日前和实时调度，OPF模型必须是凸模型才能保证收敛性和计算效率的问题。通常有两种基本方法可以保证OPF问题的收敛：1)凸松弛方法；2)能量流模型线性化。凸松弛方法能将能量流模型的某些部分从等式转换为不等式，在一定条件下，凸松弛具有可证明的紧密最优性间隙，并且在某些情况下，可以找到全局最优解。但是，如果前提条件不成立，凸松弛方法很难重新构建新的可行域。相比之下，能量流模型线性化广泛用于工业，尤其是电力系统，线性OPF模型可确保收敛并且定价方便。直流潮流的OPF方法作为潮流模型的理想近似，验证了P-θ之间的准线性关系，广泛用于大多数电力行业领域。而在天然气系统中，与具有“单段”线性近似的电力系统潮流模型不同，通常采用分段线性技术来构建线性流量模型。电力系统潮流模型线性化与天然气流量模型线性化的关键区别在于状态变量的范围差异：电力系统中支路两端的电压角差异相对较小(通常小于0.5弧度或30度)，而天然气管道两端之间的气压差可能要大得多(高达530000psi2)，因此，在传统的天然气线性化方法中必须将状态变量分成许多段来控制线性化误差。然而，线性化分段数的增加导致OPF模型中整数变量的数量增加，这将增加相当大的计算负担。
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，基于深度学习方法的电-气互联系统最优潮流全线性模型，主要包括以下步骤：1)建立电-气互联系统，并获取所述电-气互联系统的基础数据。所述电-气互联系统的基础数据为电-气互联系统的电负荷和气负荷。2)建立基于深度学习的天然气线性模型。建立基于深度学习的天然气线性模型的主要步骤如下：2.1)建立天然气非线性流量模型，即：式中，Fmn为节点m到节点n的天然气管道流量。Kmn为稳态条件下的管道威茅斯系数。πm和πn分别为节点m和节点n的气压。smn为符号函数。t为天然气管道两端之间的气压差。其中，符号函数smn取值如下所示：天然气管道两端之间的气压差t如下所示：2.2)建立深度神经网络，即堆栈降噪自动编码器SDAE。所述堆栈降噪自动编码器SDAE由n个降噪自动编码器DAE逐层堆栈而成。其中，第l个降噪自动编码器DAE的输入层记为Yl-1，中间层记为Yl，输出层记为Zl。中间层Yl如下所示：式中，表示编码函数。R为激活函数。θ为编码参数，θ＝{Wl,bl}。Wl为编码函数的权重。bl为编码函数的偏置。其中，激活函数R如下所示：式中，x为神经元的输入，即电-气互联系统的负荷数据。输出层Zl如下所示：式中，表示解码函数。θ'为解码参数。θ'＝{Wl',b′l}。Wl'为解码函数的权重。b′l为解码函数的偏置。2.3)将负荷输入到堆栈降噪自动编码器SDAE中，从而得到输出t。2.4)利用无监督预训练和有监督微调对输出t进行调整，得到深度学习的预测结果t*。2.5)基于预测结果t*，选取线性区间[tmin,tmax]。选取线性区间[tmin,tmax]的主要步骤如下：2.5.1)计算线性区间的下限tmin，即：tmin＝c1t*。(7)式中，c1为常数。c1<1。tmax＝c2t*。(8)2.5.2)计算线性区间的上限tmax，即：式中，c2为常数。c2>1。2.6)基于深度学习的天然气线性模型如下所示：式中，，是节点m到节点n的天然气管道流量。tmin和tmax是线性区间的上下限。kmn是斜率。bmn是截距。其中，斜率kmn如下所示：式中，tmin为线性区间的下限。tmax为线性区间的上限。截距bmn如下所示：3)基于所述天然气线性模型，建立电-气互联系统最优潮流全线性模型。建立电-气互联系统最优潮流全线性模型的主要步骤如下：3.1)建立目标函数，即：式中，Cep,i是电的单价。Cgp,i是天然气的单价。M是惩罚因子。ε-r和是平衡变量。下标r代表了网络中的天然气管道数量。minf为最小总能源成本。总能源成本包括电力成本和天然气成本。PG,i是非燃气机组的有功输出。FG,m是气源注入量。3.2)设置约束条件，主要步骤如下：3.2.1)设置电力系统约束，主要包括电功率平衡约束、燃气机组的有功功率约束、非燃气机组的有功功率约束和输电线路约束。电功率平衡约束如下所示：PG,i+PGAS,i-PD,i-(θi-θj)/xij＝0,i＝1,2,...,Ne。(13)式中，PGAS,i是燃气机组的有功输出。PD,i是有功负荷。θi是节点i的电压相角。θj是节点j的电压相角。xij是支路电抗。Ne是电力系统节点个数。燃气机组的有功功率约束如下所示：式中，是燃气机组的有功输出下限。是燃气机组的有功输出上限。非燃气机组的有功功率约束如下所示：式中，是非燃气机组的有功功率下限。是非燃气机组的有功功率上限。输电线路约束如下所示：式中，Bf是用来计算支路传输功率向量的矩阵。和分别是支路传输功率的下限和上限。Nr是支路数量。3.2.2)设置天然气系统约束，主要包括天然气流量平衡约束、天然气管道两端之间的气压差t约束、气源约束、节点气压约束和压缩机约束。天然气流量平衡约束如下所示：式中，FGAS,m是燃气机组的天然气消耗量。FD,m是气负荷。Nm是天然气节点数量。天然气管道两端之间的气压差t约束如下所示：气源约束如下所示：式中，是气源注入量下限。是气源注入量上限。节点气压约束如下所示：式中，是节点m气压下限。是节点m气压上限。压缩机约束如下所示：πn≤Γc·πm,m＝1,2,...,Nm。(21)式中，Γc是压缩机的压缩比。3.2.3)设置耦合元件约束，即：FGAS,h＝PGAS,h/(ηGAS,hGHV),h＝1,2,...,Nb。(22)式中，ηGAS,h是燃气机组的转换效率。GHV是高热值。Nb是燃气机组的数量。本专利技术的技术效果是毋庸置疑的。本专利技术提供了一种基于深度学习方法的电-气互联系统最优潮流全线性模型，对天然气管道模型进行了一段线性化，相比于传统的分段线性模型，本专利技术所提方法可以极大地提高计算效率。附图说明图1为传统天然气分段线性模型图；图2为基于深度学习方法的电-气互联系统最优潮流全线性模型的天然气管道一段线性模型；图3为SDAE的逻辑结构图；图4为天然气网络中的典型环状网络；图5为天然气网络中的典型树状网络；图6为NGS14节点网络图；图7为NGS10节点网络图；图8为传统天然气分段线性与基于电-气互联系统最优潮流全线性模型的一段线性模型的t值比较；图9为M1和M2模型的归一化天然气管道流量。具体实施方式下面结合实施例本文档来自技高网...

【技术保护点】
1.基于深度学习方法的电‑气互联系统最优潮流全线性模型，其特征在于，主要包括以下步骤：1)建立所述电‑气互联系统，并获取所述电‑气互联系统的基础数据；2)建立基于深度学习的天然气线性模型。3)基于所述天然气线性模型，建立电‑气互联系统最优潮流全线性模型。

【技术特征摘要】
1.基于深度学习方法的电-气互联系统最优潮流全线性模型，其特征在于，主要包括以下步骤：1)建立所述电-气互联系统，并获取所述电-气互联系统的基础数据；2)建立基于深度学习的天然气线性模型。3)基于所述天然气线性模型，建立电-气互联系统最优潮流全线性模型。2.根据权利要求1所述的基于深度学习方法的电-气互联系统最优潮流全线性模型，其特征在于：所述电-气互联系统的基础数据为电-气互联系统的电负荷和气负荷。3.根据权利要求1所述的基于深度学习方法的电-气互联系统最优潮流全线性模型，其特征在于，建立基于深度学习的天然气线性模型的主要步骤如下：1)建立天然气非线性流量模型，即：式中，Fmn为节点m到节点n的天然气管道流量；Kmn为稳态条件下的管道威茅斯系数；smn为符号函数；t为天然气管道两端之间的气压差；其中，符号函数smn取值如下所示：式中，πm和πn分别为节点m和节点n的气压；天然气管道两端之间的气压差t如下所示：2)建立深度神经网络，即堆栈降噪自动编码器SDAE；所述堆栈降噪自动编码器SDAE由n个降噪自动编码器DAE逐层堆栈而成；其中，第l个降噪自动编码器DAE的输入层记为Yl-1，中间层记为Yl，输出层记为Zl；中间层Yl如下所示：式中，表示编码函数；R为激活函数；θ为编码参数，θ＝{Wl,bl}；Wl为编码函数的权重；bl为编码函数的偏置；其中，激活函数R如下所示：式中，x为神经元的输入，即电-气互联系统的负荷数据；输出层Zl如下所示：式中，表示解码函数；θ'为解码参数；θ'＝{Wl',bl'}；Wl'为解码函数的权重；bl'为解码函数的偏置；3)将电负荷和气负荷输入到堆栈降噪自动编码器SDAE中，从而得到输出t；4)利用无监督预训练和有监督微调对输出t进行调整，得到深度学习的预测结果t*；5)基于预测结果t*，选取线性区间[tmin,tmax]；6)基于深度学习的天然气线性模型如下所示：式中，，是节点m到节点n的天然气管道流量；tmin和tmax是线性区间的上下限；kmn是斜率；bmn是截距；其中，斜率kmn如下所示：式中，tmin为线性区间的下限；tmax为线性区间的上限；截距bmn如下所示：4.根据权利要求2所述的基于深度学习方法的电-气互联系统最优潮流全线性模型，其特征在于，选取线性区间[tmin,tmax]的主要步骤如下：1)计算线性区间的下限...

【专利技术属性】
技术研发人员：杨知方，郭林，余娟，代伟，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