用神经网络和交叉熵采样的风电电力系统可靠性估测方法技术方案

本发明专利技术公开了一种用神经网络和交叉熵采样的风电电力系统可靠性估测方法。利用历史风电数据，对电力系统网络模型进行训练，对风电场风速的概率分布进行估计；对高斯随机噪声进行采样，将采样后的高斯随机噪声通过电力系统网络模型的生成网络处理输出风速，通过求解计算电力不足时间概率和电力不足期望的两个可靠性参数，实现对含风电场电力系统的高效可靠性估测。本发明专利技术在考虑多个风电场风速大小的空间相关性的前提下，对风电场风速的概率分布进行估测，并实现高效的系统状态采样和可靠性估测。

Reliability estimation method of wind power system based on neural network and cross entropy sampling

【技术实现步骤摘要】
用神经网络和交叉熵采样的风电电力系统可靠性估测方法
本专利技术属于电力系统领域的一种电力数据估测方法，具体是涉及一种用神经网络和交叉熵采样的风电电力系统可靠性估测方法。
技术介绍
由于风电具有很强的随机性和不稳定性，其接入将会对电力系统的供需平衡造成扰动，从而影响电力系统的可靠性。因此对含风电场的电力系统的可靠性估测具有重要意义。目前对含风电场的电力系统的可靠性估测，主流的方法是用蒙特卡洛法对电力系统运行的状态进行采样，并计算对应的可靠性参数。但是该方法存在的问题是，对于高可靠性系统，蒙特卡洛法需要通过大量的采样以达到收敛，对计算资源的要求很高。因此，现有技术中针对含风电场的电力系统缺少了有效的可靠性估测，也缺少了能根据准确的可靠性结果进行稳定提高。
技术实现思路
为了解决
技术介绍
中存在的问题，本专利技术目的在于提供了一种用神经网络和交叉熵采样的风电电力系统可靠性估测方法，在考虑多个风电场风速大小的空间相关性的前提下，对风电场风速的概率分布进行估测，并实现高效的系统状态采样和可靠性估测。本专利技术考虑的电力系本文档来自技高网...

【技术保护点】
1.一种用神经网络和交叉熵采样的风电电力系统可靠性估测方法，其特征在于方法包括以下步骤：/n1)利用历史风电数据，对电力系统网络模型进行训练，对风电场风速的概率分布进行估计；/n2)对高斯随机噪声进行采样，将采样后的高斯随机噪声通过电力系统网络模型的生成网络处理输出风速，通过求解计算电力不足时间概率和电力不足期望的两个可靠性参数，实现对含风电场电力系统的高效可靠性估测。/n

【技术特征摘要】
1.一种用神经网络和交叉熵采样的风电电力系统可靠性估测方法，其特征在于方法包括以下步骤：
1)利用历史风电数据，对电力系统网络模型进行训练，对风电场风速的概率分布进行估计；
2)对高斯随机噪声进行采样，将采样后的高斯随机噪声通过电力系统网络模型的生成网络处理输出风速，通过求解计算电力不足时间概率和电力不足期望的两个可靠性参数，实现对含风电场电力系统的高效可靠性估测。


2.根据权利要求1所述的一种用神经网络和交叉熵采样的风电电力系统可靠性估测方法，其特征在于：所述1)具体为：
1.1)建立电力系统网络模型，电力系统网络模型是由生成网络和判别网络的两部分连接构成；以历史风速数据集W＝{S1,S2,…,Sn}作为电力系统网络模型的训练数据集，Si表示i时刻的风速矢量，NW为风电场的总数，为第i时刻第j个风电场的风速；
1.2)从历史风速数据集W中随机采样k组数据{S(1),S(2),…,S(k)}，同时随机生成k组高斯随机噪声{V(1),V(2),…,V(k)}；
1.3)利用梯度上升法进行判别网络的训练：



θD+γDgD→θD(2)
其中，D(x；θD)是判别网络的输出，表示输入数据x来自历史风速数据集W的概率，θD为判别网络的网络权重；G(V(j)；θG)是生成网络的输出，θG为生成网络的网络权重；γD为判别网络的学习率；输入数据x为判别网络的输入/生成网络的输出，向左箭头表示赋值，gD表示判别网络的梯度，表示对θD的求导计算；
1.4)再次随机生成k组高斯随机噪声{V(1),V(2),…,V(k)}；
1.5)利用梯度下降法进行生成网络的训练：



θG←θG-γGgG(4)
其中，γG为生成网络的学习率，gG表示生成网络的梯度，表示对θG的求导计算；
1.6)不断重复上述步骤1.2)～1.5)进行迭代处理，如果已达到最大迭代次数，则结束训练，否则返回步骤2)开始下一次迭代训练。
1.7)训练获得了训练后的电力系统网络模型。


3.根据权利要求1所述的一种用神经网络和交叉...

【专利技术属性】
技术研发人员：叶承晋，庄欣然，丁一，宋永华，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33