考虑潮流特征的改进极限学习机快速概率潮流计算方法技术

本发明专利技术公开了考虑潮流特征的改进极限学习机快速概率潮流计算方法，主要步骤为：1)获取电力网络基本数据。2)基于电力网络基本数据，建立映射关系f：P

A fast probabilistic power flow calculation method based on improved limit learning machine considering power flow characteristics

【技术实现步骤摘要】
考虑潮流特征的改进极限学习机快速概率潮流计算方法
本专利技术涉及电力系统及其自动化领域，具体是考虑潮流特征的改进极限学习机快速概率潮流计算方法。
技术介绍
源、荷不确定性的日益增长使概率潮流(ProbabilisticPowerFlow，PPF)成为电力系统规划、运行和可靠性评估等分析的重要工具。PPF计算主要分为模拟法、解析法、近似法。模拟法求解大量高维复杂非线性潮流样本以保证状态量统计分析的准确性，但计算速度不足。解析法对输入随机变量间的关系卷积计算得到状态量概率分布，近似法利用输入随机变量的数字特征近似描述状态量统计特性，均旨在回避大规模抽样，计算速度快，但难以保证准确性。现有方法无法兼顾PPF的高精度和快速度需求。神经网络能线下学习输入与输出间的映射关系，线上快速计算，有望取代高精度模拟法对大量样本的耗时求解过程，实现高精度和快速度兼顾。神经网络中的深度学习算法拟合能力强，但存在网络参数调节规模大、耗时长、缺乏引导等问题。而另一种极限学习机(ExtremeLearningMachine，ELM)算法调节参数少、实施高效。然而ELM应用于PPF计算还需克服浅层结构提取特征能力有限，隐藏层参数随机生成引起误差上升等问题。
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，考虑潮流特征的改进极限学习机快速概率潮流计算方法，主要包括以下步骤：1)获取电力网络基本数据。进一步，所述电力网络基本数据主要包括电力网络节点有功功率、无功功率、电压幅值、电压相角、支路有功功率和无功功率。2)基于电力网络基本数据，建立映射关系f：Pi，Qi→Ui，θi。其中，Pi、Qi分别表示节点i注入的有功功率和无功功率。Ui、θi分别表示节点i的电压幅值和电压相角。3)对映射关系进行分解，并建立极限学习机神经网络。进一步，建立极限学习机神经网络的主要步骤如下：3.1)将映射关系f：Pi，Qi→Ui，θi分解为映射关系f1：Pi，Qi→Pij，Qij和映射关系f2：Pij，Qij→Ui，θi。3.2)基于映射关系f1：Pi，Qi→Pij，Qij，建立第一阶段极限学习机神经网络。其中，输入层为节点i注入的有功功率Pi和节点i注入的无功功率Qi。隐含层包括具有极限学习机稀疏自编码器的无监督层、具有极限学习机原始算法的有监督层和具有误差修正模块的有监督层。输出层为线路ij的支路有功功率Pij和线路ij的支路无功功率Qij。节点i注入的有功功率Pi和节点i注入的无功功率Qi如下所示：式中，n表示电力网络中的节点数，i，j表示节点的编号，j∈i表示节点j需与节点i相连，且包括j＝i。θij＝θi-θj表示节点j与节点i的电压相角差。Gij、Bij分别表示电导和电纳。3.3)基于映射关系f2：Pij，Qij→Ui，θi，建立第二阶段极限学习机神经网络。其中，输入层为线路ij的支路有功功率Pij和线路ij的支路无功功率Qij。隐含层包括具有极限学习机稀疏自编码器的无监督层、具有极限学习机原始算法的有监督层和具有误差修正模块的有监督层。输出层为节点i的电压相角θi和节点i的电压幅值Ui的平方Ti。其中，线路ij的支路有功功率Pij和线路ij的支路无功功率Qij如下所示：4)优化极限学习机神经网络的隐藏层参数，从而建立改进极限学习机神经网络。进一步，优化极限学习机神经网络的隐藏层参数的主要步骤如下：4.1)在具有误差修正模块的有监督层中，随机产生服从正态分布的参数a和参数b，并建立优化变量其中，μa、μb分别表示参数a和参数b的均值，分别表示参数a和参数b的方差。4.2)建立隐含层输出表达式，即：式中，x表示隐含层输入数据。g(·)表示激活函数。H＝g(a·x+b)表示特征映射矩阵。a表示隐藏层输入权重。b表示输入偏差。β表示输出权重。λ为惩罚因子。4.3)建立目标函数，即：4.4)将公式4带入公式3中，计算得到优化变量Vopt，即：4.5)基于优化变量Vopt，对隐含层输入数据进行修正，得到隐含层输出数据。5)将电力网络基本数据输入到改进极限学习机神经网络中，计算得到电力网络概率潮流。本专利技术的技术效果是毋庸置疑的。本专利技术取代了高精度模拟法PPF计算中对大规模高维复杂非线性潮流方程的耗时求解过程，从而兼顾PPF计算对精度与速度的工程实际需求。因此，本专利技术具有以下效果：1)通过对潮流特征分解降阶降低了ELM对PPF算法的拟合难度。2)利用误差修正模式提高了ELM对PPF计算的拟合能力。3)通过优化求解ELM隐藏层参数最优生成方式提高了ELM对PPF计算的拟合效果。附图说明图1为潮流特征分解降阶示意图；图2为误差修正模式；图3为FLM神经网络整体结构。具体实施方式下面结合实施例对本专利技术作进一步说明，但不应该理解为本专利技术上述主题范围仅限于下述实施例。在不脱离本专利技术上述技术思想的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本专利技术的保护范围内。实施例1：参见图1至图3，考虑潮流特征的改进极限学习机快速概率潮流计算方法，主要包括以下步骤：1)获取电力网络基本数据。进一步，所述电力网络基本数据主要包括电力网络节点有功功率、无功功率、电压幅值、电压相角、支路有功功率和无功功率。2)基于电力网络基本数据，建立映射关系f：Pi，Qi→Ui，θi。其中，Pi、Qi分别表示节点i注入的有功功率和无功功率。Ui、θi分别表示节点i的电压幅值和电压相角。3)对映射关系进行分解，并建立极限学习机神经网络。进一步，建立极限学习机神经网络的主要步骤如下：3.1)将映射关系f：Pi，Qi→Ui，θi分解为映射关系f1：Pi，Qi→Pij，Qij和映射关系f2：Pij，Qij→Ui，θi。3.2)基于映射关系f1：Pi，Qi→Pij，Qij，建立第一阶段极限学习机神经网络。其中，输入层为节点i注入的有功功率Pi和节点i注入的无功功率Qi。隐含层包括具有极限学习机稀疏自编码器的无监督层、具有极限学习机原始算法的有监督层和具有误差修正模块的有监督层。输出层为线路ij的支路有功功率Pij和线路ij的支路无功功率Qij。节点i注入的有功功率Pi和节点i注入的无功功率Qi如下所示：式中，n表示电力网络中的节点数，i，j表示节点的编号，j∈i表示节点j需与节点i相连，且包括j＝i。θij＝θi-θj表示节点j与节点i的电压相角差。Gij、Bij分别表示电导和电纳。Uj、θj分别表示节点j的电压幅值和电压相角。3.3)基于映射关系f2：Pij，Qij→Ui，θi，建立第二阶段极限学习机神经网络。其中，输入层为线路ij的支路本文档来自技高网...

【技术保护点】
1.考虑潮流特征的改进极限学习机快速概率潮流计算方法，其特征在于，主要包括以下步骤：/n1)获取所述电力网络基本数据；/n2)基于电力网络基本数据，建立映射关系f：P

【技术特征摘要】
1.考虑潮流特征的改进极限学习机快速概率潮流计算方法，其特征在于，主要包括以下步骤：
1)获取所述电力网络基本数据；
2)基于电力网络基本数据，建立映射关系f：Pi，Qi→Ui，θi；其中，Pi、Qi分别表示节点i注入的有功功率和无功功率；Ui、θi分别表示节点i的电压幅值和电压相角。
3)对映射关系进行分解，并建立极限学习机神经网络；
4)优化极限学习机神经网络的隐藏层参数，从而建立改进极限学习机神经网络；
5)将电力网络基本数据输入到改进极限学习机神经网络中，计算得到电力网络概率潮流。


2.根据权利要求1所述的考虑潮流特征的改进极限学习机快速概率潮流计算方法，其特征在于：所述电力网络基本数据主要包括电力网络节点有功功率、无功功率、电压幅值、电压相角、支路有功功率和无功功率。


3.根据权利要求1或2所述的考虑潮流特征的改进极限学习机快速概率潮流计算方法，其特征在于：建立极限学习机神经网络的主要步骤如下：
1)将映射关系f：Pi，Qi→Ui，θi分解为映射关系f1：Pi，Qi→Pij，Qij和映射关系f2：Pij，Qij→Ui，θi；
2)基于映射关系f1：Pi，Qi→Pij，Qij，建立第一阶段极限学习机神经网络；其中，输入层为节点i注入的有功功率Pi和节点i注入的无功功率Qi；隐含层包括具有极限学习机稀疏自编码器的无监督层、具有极限学习机原始算法的有监督层和具有误差修正模块的有监督层；输出层为线路ij的支路有功功率Pij和线路ij的支路无功功率Qij；
节点i注入的有功功率Pi和节点i注入的无功功率Qi如下所示：

<...

【专利技术属性】
技术研发人员：余娟，高倩，杨知方，代伟，雷星雨，余红欣，王洪彬，
申请(专利权)人：重庆大学，国网重庆市电力公司电力科学研究院，国家电网有限公司，
类型：发明
国别省市：重庆;50