基于物理模型的概率潮流深度学习计算方法技术

本发明专利技术公开了基于物理模型的概率潮流深度学习计算方法，主要步骤为：1)获取电力系统数据；2)建立概率潮流分析深度神经网络的损失函数，并对深度神经网络的编码参数θ进行更新；3)利用深度神经网络对电力系统概率潮流进行深度学习；4)建立概率潮流深度学习计算模型；本发明专利技术通过结合数据驱动技术与电力领域物理机制，解决了求解概率潮流时所面临的巨大计算成本和计算精度难以平衡问题。

Probabilistic Power Flow Deep Learning Method Based on Physical Model

【技术实现步骤摘要】
基于物理模型的概率潮流深度学习计算方法
本专利技术涉及电力系统及其自动化领域，具体是基于物理模型的概率潮流深度学习计算方法。
技术介绍
近年来，可再生能源发电在全球范围内迅速发展。不可忽视的是，随着间歇性的可再生能源大量接入，电力系统的不确定性急剧增加。不确定性的激增会对电力系统各部门产生重大影响，威胁电网的安全稳定运行。概率潮流是电力系统不确定性分析的重要工具，它可以充分考虑各种随机因素，为电力系统规划和运行提供全面而重要的参考信息。然而，概率潮流涉及大量的高维复杂非线性方程，现有的求解算法难以有效平衡概率潮流的计算成本和计算精度。因此，概率潮流高效求解已成为高比例可再生能源电力系统中的紧迫问题。
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，基于物理模型的概率潮流深度学习计算方法，主要包括以下步骤：1)获取电力系统数据。电力系统数据主要包括风速、光伏功率和负荷。2)建立概率潮流分析深度神经网络的损失函数，并对深度神经网络的编码参数θ和参数r进行更新。建立概率潮流分析深度神经网络的损失函数的主要步骤如下：2.1)确定目标函数loss，即：式中，m为每个训练轮次的训练样本数。L为层数。Yout是电力系统概率潮流的输出特征向量。Xin是电力系统概率潮流的输入特征向量。表示第一层编码函数。表示第L层编码函数。loss表示损失函数。其中，当i＝1，2，3…，L-1时，第i层编码函数如下所示：式中，Ri为第i层神经元的激活函数。权重矩阵wi为ni+1×ni矩阵。偏向量bi为ni+1维向量。ni为第ith层中神经元的数量。X为编码函数的输入。当i＝L时，第i层编码函数如下所示：式中，RL为第L层神经元的激活函数。权重矩阵wL为nL+1×nL矩阵。偏向量bL为nL+1维向量。nL为第Lth层中神经元的数量。当i＝1，2，3…，L-1时，第i层激活函数Ri如下所示：式中，x为神经元的输入，即电力系统的输入数据。当i＝L时，第i层激活函数Ri如下所示：Ri(x)＝RL(x)＝x。(5)2.2)对电力系统概率潮流的输入数据和输出数据进行预处理，即：vout表示预处理后的电力系统概率潮流的输入数据或输出数据向量。v表示电力系统概率潮流的原始输入数据或输出数据向量。vmean和vstd分别为向量v的平均值和标准差。2.3)基于目标函数loss，对深度神经网络的参数θ进行更新，即：式中，为目标函数loss在tth变化时对θ变量的偏导数。⊙是哈密顿算子。r为衰减因子。ρ和ε为常数。η是神经网络的学习速率。3)利用深度神经网络对电力系统概率潮流进行深度学习。利用深度神经网络对电力系统概率潮流进行深度学习的主要步骤如下：3.1)确定电力系统概率潮流，即建立电力系统概率潮流无功功率方程和有功功率方程。其中，电力系统中第ith总线到第jth总线的支路有功功率Pij如下所示：Pij＝Gij(Vi2-ViVjcosθij)-BijViVjsinθij。(8)式中，Vi是母线i的电压幅度。θij母线i和母线j之间的电压相位角差。Gij和Bij分别是第ith个总线和第jth个总线之间的电导和电纳。Vj是母线j的电压幅度。电力系统中第ith总线到第jth总线的支路无功功率Qij如下所示：Qij＝-Bij(Vi2-ViVjcosθij)-GijViVjsinθij。(9)3.2)以电力系统节点电压作为输出向量，确定训练目标lossnew，即：式中，为电力系统支路有功功率方程。为电力系统支路无功功率方程。lossnew为更新后的损失函数。电力系统支路有功功率方程如下所示：式中，为归一化后的有功功率。Pout为标准化的电力系统支路有功功率。||*||表示范数。式中，为归一化后的有功功率。Qout为标准化的电力系统支路有功功率。3.3)利用反向传播更新权重w，即：w(i,T+1)＝w(i,T)-Δw(i,T)。(13)式中，Δw(i,T)为第Tth个参数更新时，从第ith层到第i+1th层的权重矩阵的改变量。w(i,T)为第Tth个参数更新时，从第ith层到第i+1th层的权重。w(i,T+1)为第(T+1)th个参数更新时，从第ith层到第i+1th层的权重。第Tth个参数更新时，从第ith层到第i+1th层的权重矩阵的改变量Δw(i,T)如下所示：式中，R(i,T)为第Tth次权重迭代更新时，学习率衰减变量。R(i,T)＝ρ*R(i,T-1)+(1-ρ)*dw(i,T)⊙dw(i,T)。(15)式中，dw(i,T)为权重改变量。R(i,T-1)为第(T-1)th次权重迭代更新时，学习率衰减变量。权重改变量dw(i,T)如下所示：式中，r是本批次中初始样本的序列号，m是本批次的样本大小。k为任意样本序列。3.4)利用反向传播更新偏置b，即：b(i,T+1)＝b(i,T)-Δb(i,T)。(17)式中，Δb(i,T)为第Tth个参数更新时，从第ith层到第i+1th层的偏置矩阵的改变量。b(i,T)为第Tth个参数更新时，从第ith层到第i+1th层的偏置。b(i,T+1)为第(T+1)th个参数更新时，从第ith层到第i+1th层的偏置。第Tth个参数更新时，从第ith层到第i+1th层的偏置矩阵的改变量Δb(i,T)如下所示：式中，R′(i,T)为第Tth次偏置迭代更新时，学习率衰减变量。R′(i,T)＝ρ*R′(i,T-1)+(1-ρ)*db(i,T)⊙db(i,T)。(19)式中，db(i,T)为偏置改变量。R′(i,T-1)为第T-1th次偏置迭代更新时，学习率衰减变量。偏置改变量db(i,T)如下所示：3.5)确定原始损失函数loss和更新后的损失函数lossnew的差异方程d(L)如下所示：d(L)＝d1+d2+d3。(21)式中，d1、d2、d3为差异方程。d(i)＝d(i+1)wi,T-1⊙max(0,yi)。(22)式中，yi为深度神经网络输出数据。w(i,T-1)为第(T-1)th个参数更新时，从第ith层到第i+1th层的权重。权重改变量dw(i,T)如下所示：dw(i,T)＝d(i)Tyi/m。(23)式中，是深度神经网络的输出。Y是的反标准化值。式中，Y是概率潮流的输出向量。是深度神经网络的输出；Y是的反标准化值。P为电力系统有功功率。为深度神经网络对电力系统有功功率的估计值。Q为电力系统无功功率。为深度神经网络对电力系统无功功率的估计值。差异方程d2和差异方程d3对深度神经网络的输出特征向量的贡献权重分别如下所示：式中，dθ[L]、d1,θ、d2,θ、和d3,θ表示为dθ[L]、差异方程d1、差异方程d2和差异方程d3中电压相角输出向量。dv[L]、d1,v、d2,v、和d3,v表示为dv[L]、差异方程d1、差异方程d2和差异方程d3中电压幅值输出向量。d[L]为差异方程d2和差异方程d3的总贡献权重。dθ[L]表示差异方程d2和差异方程d3对深度神经网络的电压相角输出向量的贡献权重。dv[L]表示差异方程d2和差异方程d3对深度神经网络的电压幅值输出向量的贡献权重。其中，经验值α和经验值β分别如下所示：式中，max是返回最大值的函数，abs是返回绝对值的函数。4)本文档来自技高网...

【技术保护点】
1.基于物理模型的概率潮流深度学习计算方法，其特征在于，主要包括以下步骤：1)获取所述电力系统数据；2)建立概率潮流分析深度神经网络的损失函数，并对深度神经网络的参数θ进行更新。3)利用深度神经网络对电力系统概率潮流进行深度学习；4)建立概率潮流深度学习计算模型；5)利用概率潮流深度学习计算模型计算待测电力系统的概率潮流。

【技术特征摘要】
1.基于物理模型的概率潮流深度学习计算方法，其特征在于，主要包括以下步骤：1)获取所述电力系统数据；2)建立概率潮流分析深度神经网络的损失函数，并对深度神经网络的参数θ进行更新。3)利用深度神经网络对电力系统概率潮流进行深度学习；4)建立概率潮流深度学习计算模型；5)利用概率潮流深度学习计算模型计算待测电力系统的概率潮流。2.根据权利要求1所述的基于物理模型的概率潮流深度学习计算方法，其特征在于，建立概率潮流分析深度神经网络的损失函数的主要步骤如下：1)确定目标函数loss，即：式中，m为每个训练轮次的训练样本数；L为层数；Yout是电力系统概率潮流的输出特征向量；Xin是电力系统概率潮流的输入特征向量；表示第一层编码函数；表示第L层编码函数；loss表示损失函数；其中，当i＝1，2，3…，L-1时，第i层编码函数如下所示：式中，Ri为第i层神经元的激活函数；权重矩阵wi为ni+1×ni矩阵；偏向量bi为ni+1维向量；ni为第ith层中神经元的数量；X为编码函数的输入；当i＝L时，第i层编码函数如下所示：式中，RL为第L层神经元的激活函数；权重矩阵wL为nL+1×nL矩阵；偏向量bL为nL+1维向量；nL为第Lth层中神经元的数量；当i＝1，2，3…，L-1时，第i层激活函数Ri如下所示：式中，x为神经元的输入，即电力系统的输入数据；当i＝L时，第i层激活函数Ri如下所示：Ri(x)＝RL(x)＝x；(5)2)对电力系统概率潮流的输入数据和输出数据进行预处理，即：式中，vout表示预处理后的电力系统概率潮流的输入数据或输出数据向量；v表示电力系统概率潮流的原始输入数据或输出数据向量；vmean和vstd分别为向量v的平均值和标准差；3)基于目标函数loss，对深度神经网络参数θ进行更新，即：式中，为目标函数loss在tth变化时对θ变量的偏导数；⊙是哈密顿算子；r为衰减因子；ρ和ε为常数；η是神经网络的学习速率。3.根据权利要求1所述的基于物理模型的概率潮流深度学习计算方法，其特征在于，利用深度神经网络对电力系统概率潮流进行深度学习的主要步骤如下：1)确定电力系统概率潮流，即建立电力系统概率潮流无功功率方程和有功功率方程；其中，电力系统中第ith总线到第jth总线的支路有功功率Pij如下所示：Pij＝Gij(Vi2-ViVjcosθij)-BijViVjsinθij；(8)式中，Vi是母线i的电压幅度；θij母线i和母线j之间的电压相位角差；Gij和Bij分别是第ith个总线和第jth个总线之间的电导和电纳；Vj是母线j的电压幅度；电力系统中第ith总线到第jth总线的支路无功功率Qij如下所示：Qij＝-Bij(Vi2-ViVjcosθij)-GijViVjsinθij；(9)2)以电力系统节点电压作为输出向量，确定训练目标lossnew，即：式中，为电力系统支路有功功率方程；为电力系统支路无功功率方程；lossnew为更新后的损失函数；电力系统支路有功功率方程如下所示：式中，为深度神经网络对Pout的估计值；Pout为标准化的电力系统支路有功功率；||*||表示范数；式中，为深度神经网络对Qout的估计值；Qout为标准化后的电力系统支路无功功率；3)利用反向传播更新权重w，即：w(i,T+1)＝w(i,T)-Δw(i,T)；(13)式中，Δw(i,T)为第Tth个参数更新时，从第ith层到第i+1th层的权重矩阵的改变量；w(i,T)为第Tth个参数更新时，从第ith层到第i+1th层的权重；w(i,T+1)为第(T+1)th个参数更新时，从第ith层到第i+1th层的权重；第Tth个参数更新时，从第ith层到第i+1th层的权重矩阵的改变量Δw(i,T)如下所示：式中，R(i,T)为第Tth次权重迭代更新时，学习率衰减变量；R(i,T)＝ρ*R(i,T-1)+(1-ρ)*dw(i,T)⊙dw(i,T)；(15)式中，dw(i,T)...

【专利技术属性】
技术研发人员：余娟，杨燕，杨知方，向明旭，代伟，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆,50