一种基于模型信息辅助深度学习校正交流潮流的方法技术

一种基于模型信息辅助深度学习校正交流潮流的方法，包括以下步骤：1)根据电力系统运行过程中的潮流模型，得到节点注入功率变化引起节点电压变化的灵敏度矩阵；2)根据潮流模型得到系统的灵敏度矩阵，使用聚类算法根据矩阵信息对电力网络进行区域划分；3)获取电力系统在不同负载和不同故障情况下的数据，应用优化的方法获得在当前状态下的电网调度方案，作为数据的标签信息；4)根据划分之后的数据集，对数据集进行预训练和特征提取，根据获取的数据特征构建多深度神经网络模型并对模型进行训练和调优；本发明专利技术将电力系统模型与深度学习相结合，在电力系统发生故障问题时，可以快速、高效的得到大型电力网络的近似最优解。效的得到大型电力网络的近似最优解。效的得到大型电力网络的近似最优解。

【技术实现步骤摘要】
一种基于模型信息辅助深度学习校正交流潮流的方法


[0001]本专利技术属于人工智能和电力系统
，特别涉及一种基于模型信息辅助深度学习校正交流潮流的方法。

技术介绍

[0002]最优潮流(OPF)是一个复杂非线性规划问题。它通常被定义为在满足物理和安全约束的情况下，寻找电力系统运行中最经济高效的调度。它是现实电网中的基本工具。由于非凸性，找到满足时间要求的OPF精确解是一项挑战。另一方面，当电力系统发生意外或极端事件时，系统操作员必须实时采取纠正措施，以便系统有希望地进入稳定状态。在纠正措施中应用OPF是很有必要的。然而，一个主要的障碍是获得求解OPF的计算负担。目前，DC或者线性化OPF在许多应用中得到了应用。然而，在准确性方面，尤其是在解决方案可行性和约束安全性方面，都不如AC OPF。
[0003]新兴的深度学习为一些非线性规划问题的求解提供了有效的工具。它可以通过训练神经网络来表达极其复杂的变量关系，并且在精度可接受的情况下可以实现几个数量级的加速度。然而，完全依赖深度学习也会导致一些问题需要解决。当系统较大时，训练速度慢、精度差和过拟合是严重的问题。因此，为了克服上述所说的问题，需要将物理模型与数据驱动的方式结合起来，改进深度神经网络的训练方式，提高深度神经网络逼近的准确性。

技术实现思路

[0004]为了克服上述现有技术的缺陷，本专利技术的目的在于提供一种基于模型信息辅助深度学习校正交流潮流的方法，以实现在电力系统发生断线等故障时，能够快速准确的计算出电力系统各变量的近似最优值，从而减少电力网络的安全问题和线路损耗。
[0005]为了实现上述目的，本专利技术采用的技术方案是：
[0006]一种基于模型信息辅助深度学习校正交流潮流的方法，包括如下步骤：
[0007](1)、根据电力系统运行过程中的潮流模型，得到节点注入功率与电压幅值、相角的灵敏度矩阵；
[0008](2)、根据潮流模型得到系统的灵敏度矩阵，使用聚类算法根据矩阵信息对电力网络进行区域划分；
[0009](3)、获取电力系统在不同负载和不同断线情况下的运行数据，利用分区结果将数据集划分为多个子数据集；
[0010](4)、根据划分之后的数据集，对数据集进行预训练和特征提取，根据获取的数据特征构建多深度神经网络模型的训练、调优、保存及测试。
[0011]所述步骤(1)具体包含：
[0012]电力系统潮流模型，方程表达式如下：
[0013][0014]式中，V表示电压幅值，θ电压相角，P为节点有功功率和Q为无功功率，G和B为系统的导纳矩阵的实部和虚部。
[0015]对其采用简化形式表达如下：
[0016][0017]其中，x为状态变量，u为控制变量，y表示支路的功率。
[0018]设定系统的稳定运行点为(x0,u0)，系统受到干扰后系统的稳态运行点变为(x0+Δx,u0+Δu)，在(x0,u0)处将式(2)展开得到，
[0019][0020]所以，
[0021][0022]其中，S
xu
，S
yu
表示u变化引起x与y变化的灵敏度矩阵。
[0023]进一步得到：
[0024][0025]其中，S
xy
，S
uy
表示y变化引起x与u变化的灵敏度矩阵。
[0026]所述步骤(2)具体包含如下：
[0027](201)灵敏度矩阵表示如下：
[0028][0029]其中，N表示系统的节点数；
[0030](202)利用k
‑
means算法对电网进行分区的目标函数定义如下式(7)，其中，γ
ij
∈(0,1)表示节点i属于区域j,μ
j
表示第j个聚类中心，D
k
表示区域的个数。
[0031][0032][0033]所述步骤(3)获取的运行数据，具体包括：电力系统运行过程中的负载、电压幅值、发电机出力和出现的断线故障信息，即Data＝[P
d
,Q
d
,ξ],
[0034]其中，P
d
为系统的有功负载，Q
d
为系统的无功负载，ξ为系统的故障信息。
[0035]所述步骤(4)深度神经网络模型的训练过程具体包含以下步骤：
[0036](401)、基于堆栈去噪自动编码器对划分之后的数据集进行预训练、去噪和特征提取；
[0037](402)、基于获取的数据特征参数，构建深层神经网络训练模型，初始化每一层网络的权重值，偏置值，分组数据大小，权重惩罚因子大小；
[0038](403)、训练过程中隐含层的激活函数选用relu激活函数，采用droupout层抑制训练过程中的过拟合现象；
[0039](404)、深度神经网络训练过程中的损失函数定义如下：
[0040][0041]其中，C
P
，C
Q
，C
V
，C
θ
为自定义系数，P
g
为发电实际有功出力，为发电机有功出力预测值；
[0042](405)、使用衰减学习率和多次调参优化后，保存训练模型，进行测试与评价。
[0043]所述的步骤(402)具体为：基于堆栈自动编码器的预训练包含编码过程和解码过程，训练完成后，舍弃解码过程的训练参数，利用编码过程的训练参数保留，训练过程的损失函数定义为：
[0044][0045]其中，m是输入数据维度，h是SDAE的输出值，W，b分别为权重和偏置，y是实际的输入数据，λ是防止过拟合的权重参数，n
t
是层数，s
t
和s
t+1
为输入输出层节点数。
[0046]本专利技术的有益效果在于：
[0047]本专利技术提供了了一种基于模型信息辅助深度学习交流潮流的方法，考虑电力系统本身是一种拥有众多节点和支路的网状结构的特点，通过电力系统稳定运行中节点注入功率的变化引起节点电压和相角的变化，得到系统的灵敏度矩阵，它从侧面反应出了节点之间关联程度，借助于K
‑
means等聚类的方法根据灵敏度矩阵对电力系统进行分区，从而将一个较大的电力系统，化为多个较小的，变量数较少的子系统；对系统进行分区之后，结合非线性映射能力较强的深度神经网络与多智能体的思想，训练多个深度神经网络映射每个子区域中的变量，进而得到近似整个系统的解；通过这种方式不仅提高了深度神经网络的准确率，也减少了神经网络模型的训练时间。
附图说明
[0048]图1是本专利技术提出的一种基于模型信息辅助深度学习校正交流潮流的方法的框架图。
[0049]图2是本专利技术的数据集收集流程图。
[0050]图3是本专利技术的网络结构和模型训练过程图。
[0051]图4是本专利技术的多区域划分训练结构图。
具体实施方式
...

【技术保护点】

【技术特征摘要】
1.一种基于模型信息辅助深度学习校正交流潮流的方法，其特征在于，包括如下步骤：(1)、根据电力系统运行过程中的潮流模型，得到节点注入功率与电压幅值、相角的灵敏度矩阵；(2)、根据潮流模型得到系统的灵敏度矩阵，使用聚类算法根据矩阵信息对电力网络进行区域划分；(3)、获取电力系统在不同负载和不同断线情况下的运行数据，利用分区结果将数据集划分为多个子数据集；(4)、根据划分之后的数据集，对数据集进行预训练和特征提取，根据获取的数据特征构建多深度神经网络模型的训练、调优、保存及测试。2.根据权利要求1所述的一种基于模型信息辅助深度学习校正交流潮流的方法，其特征在于，所述步骤(1)具体包含：电力系统潮流模型，方程表达式如下：式中，V表示电压幅值，θ电压相角，P为节点有功功率和Q为无功功率，G和B为系统的导纳矩阵的实部和虚部；对其采用简化形式表达如下：其中，x为状态变量，u为控制变量，y表示支路的功率；设定系统的稳定运行点为(x0,u0)，系统受到干扰后系统的稳态运行点变为(x0+Δx,u0+Δu)，在(x0,u0)处将式(2)展开得到，所以，其中，S
xu
，S
yu
表示u变化引起x与y变化的灵敏度矩阵；进一步得到：其中，S
xy
，S
uy
表示y变化引起x与u变化的灵敏度矩阵。
3.根据权利要求1所述的一种基于模型信息辅助深度学习校正交流潮流的方法，其特征在于，所述步骤(2)具体包含如下：(201)灵敏度矩阵表示如下：其中，N表示系统的节点数；(202)利用k
‑
means算法对电网进行分区的目标函数定义如下式(7)，其中，γ
ij
∈(0,1)表示节点i属于区域j,μ
j
表示第j个聚类中心，D
k
表示区域的个数；表示区域的个数；4.根据权利要求1所述的一种基于模型信息辅助...

【专利技术属性】
技术研发人员：叶洪兴，翟亚东，
申请(专利权)人：四川数字经济产业发展研究院，
类型：发明
国别省市：