基于数据驱动的两阶段最优潮流求解方法技术

本发明专利技术公开基于数据驱动的两阶段最优潮流求解方法，包括以下步骤：1)获取电力系统基本数据；2)建立深度神经网络和最优潮流求解模型；3)将电力系统基本数据输入到最优潮流求解模型中，得到最优潮流求解模型的输入变量X；4)将输入变量X输入到最优潮流求解模型中，得到电力系统的潮流计算结果；判断潮流计算结果是否收敛，若不收敛，则修正电力系统基本数据，并返回步骤3)。本发明专利技术在保证求解精度的同时大幅提高了最优潮流、概率最优潮流的求解速度，同时增加了对输出结果的再修正过程，以保证生成结果的可行性。结果的可行性。结果的可行性。

【技术实现步骤摘要】
基于数据驱动的两阶段最优潮流求解方法


[0001]本专利技术涉及人工智能技术在电力系统领域，具体是基于数据驱动的两阶段最优潮流求解方法。

技术介绍

[0002]OPF(Optimal Power Flow，最优潮流)通过调整电力系统中的可控设备，在满足节点功率平衡、安全约束前提下，实现目标最优，是市场清算、网络优化、电压控制、发电调度等的基础，其本质是一个非线性、非凸的复杂优化问题。随着能源危机和国家“双碳战略”的推进，含高比例新能源的电力系统已成为电网发展的必然趋势。然而风光等分布式电源具有随机性、间歇性，其大规模接入给电力系统带来了更多不确定性，进一步加大了需要实时计算的网络调度、需要反复计算的概率最优潮流等的计算负担。因此，寻找一种兼顾精度和速度的最优潮流求解方法成为必要。
[0003]近年来，随着人工智能的快速发展和大量运行数据的积累，数据驱动方法在最优潮流求解问题上得到了广泛应用，并取得了较好效果。有学者提出基于堆栈式极限学习机将最优潮流问题分解为先求支路潮流再求节点电压最后求发电机出力的多个求解阶段，并在每阶段进行偏差修正，取得了较好效果，但此方法的求解结果不具有潮流平衡性，并且求解结果的可行性得不到保证。有学者将深度学习和潮流计算相结合，先进行PV节点电压预测，再进行潮流求解，此方法虽保证了电力系统的潮流平衡性，但潮流分析不全面，不可完整满足电力系统最优潮流的求解需求。
[0004]总的来说，得益于DNN对非线性函数的无限逼近能力和极快的运算速度，采用数据驱动的方来求解最优潮流，可在保证求解精度的情况下大幅提高的求解速度。但其在学习效率和结果可行性方面仍有提升空间。在学习效率方面，针对海量、大波动的数据样本，其学习负担大大加重，上述方法缺乏对数据集的特征提取、特征降维，存在数值湮没风险、网络学习负担；在结果可行性保障方面，现在研究鲜有报到。

技术实现思路

[0005]本专利技术的目的是提供基于数据驱动的两阶段最优潮流求解方法，包括以下步骤：
[0006]1)获取电力系统基本数据；
[0007]2)建立深度神经网络和最优潮流求解模型；
[0008]所述深度神经网络包括n+1层堆叠的神经元，深度神经网络输入、第n层网络的输出、深度神经网络输出分别记为X
in
、Y
n
、Z
out
；
[0009]其中，第n层网络输出和第n
‑
1层输出的函数关系f(Y
n
‑1)如下所示：
[0010]f(Y
n
‑1)＝S
n
‑1(W
n
‑1Y
n
‑1+b
n
‑1)
ꢀꢀꢀ
(1)
[0011]式中，W
n
‑1、b
n
‑1分别表示第n
‑
1层的权重和偏置；S
n
‑1为第n
‑
1层的激活函数；
[0012]深度神经网络输入X
in
和深度神经网络输出Z
out
的函数关系如下所示：
[0013]Z
out
＝f
n+1
(...f1(X
in
))
ꢀꢀꢀ
(2)
[0014]式中，f
n+1
表示第n+1层输出和第n层输出的函数关系。
[0015]建立深度神经网络的步骤包括：
[0016]a)获取历史电力系统基本数据，并将历史电力系统基本数据分为训练集和测试集；
[0017]b)基于关联性分析理论生成表征深度神经网络输入输出匹配关系的关联变量组信息；
[0018]c)对输出数据进行聚类，得到若干类别模块；
[0019]对输出数据进行聚类的方法包括K
‑
means算法；
[0020]K
‑
means算法的聚类目标E如下所示：
[0021][0022]式中，μ
i
为类别C
i
的质心，E为聚类目标，Y
i
为类别C
i
的最小化平方误差；k为数据簇数量。
[0023]利用K
‑
means算法对输出数据进行聚类的步骤包括：
[0024]I)随机选取K个样本空间中的点作为K个初始聚类中心；
[0025]II)分别计算样本空间中的其他点到K个聚类中心的距离，并将各自归类到距其最近的一个类中；
[0026]III)对整个样本集遍历完成后，利用各个类中的样本均值对原聚类中心进行更新；
[0027]IV)重复步骤II)至步骤III)，直至聚类中心不再变化，得到k个数据簇，记为{C1,C2,
…
,C
k
}；
[0028]其中，数据簇C
i
的质心μ
i
如下所示：
[0029][0030]式中，μ
i
为类别C
i
的质心，E为聚类目标，Y为最小化平方误差。
[0031]d)对输入数据和输出数据进行匹配，得到对应关系Ω；
[0032]e)基于对应关系Ω，确定与每类输出数据对应的输入量；
[0033]f)对每一模块数据中的输入数据求均值，得到各模块中心值center
i
，记为关联聚类中心；
[0034]g)基于关联变量组信息，将测试集进行关联变量组匹配，并在各组内求出负荷变量到该组各关联聚类中心的距离，之后按照距离最近原则进行模块划分，以完成对测试集所属模块的归类；
[0035]h)利用带有类别属性的训练集和测试集对深度神经网络进行训练和测试。
[0036]最优潮流求解模型的目标函数如下所示：
[0037]min C(P
g
)
ꢀꢀꢀ
(5)
[0038]式中，C表示发电机的发电成本函数；P
g
表示发电机有功出力向量。
[0039]最优潮流求解模型的约束条件如下所示：
[0040]s.t.F
P
(P
g
,P
d
,V,θ)＝0
ꢀꢀꢀ
(6)
[0041]F
Q
(Q
g
,Q
d
,V,θ)＝0
ꢀꢀꢀ
(7)
[0042]L(P
g
,Q
g
,P
d
,Q
d
,V,θ)≤0
ꢀꢀꢀ
(8)
[0043]式中，P
g
、Q
g
、P
d
、Q
d
、V、θ分别表示发电机有功出力向量、无功出力向量、有功负荷向量、无功负荷向量、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于数据驱动的两阶段最优潮流求解方法，其特征在于，包括以下步骤：1)获取所述电力系统基本数据。2)建立深度神经网络和最优潮流求解模型。3)将电力系统基本数据输入到最优潮流求解模型中，得到最优潮流求解模型的输入变量X；4)将输入变量X输入到最优潮流求解模型中，得到电力系统的潮流计算结果；判断潮流计算结果是否收敛，若不收敛，则修正电力系统基本数据，并返回步骤3)。2.根据权利要求1所述的基于数据驱动的两阶段最优潮流求解方法，其特征在于，所述深度神经网络包括n+1层堆叠的神经元，深度神经网络输入、第n层网络的输出、深度神经网络输出分别记为X
in
、Y
n
、Z
out
；其中，第n层网络输出和第n
‑
1层输出的函数关系f(Y
n
‑1)如下所示：f(Y
n
‑1)＝S
n
‑1(W
n
‑1Y
n
‑1+b
n
‑1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)式中，W
n
‑1、b
n
‑1分别表示第n
‑
1层的权重和偏置；S
n
‑1为第n
‑
1层的激活函数；深度神经网络输入X
in
和深度神经网络输出Z
out
的函数关系如下所示：Z
out
＝f
n+1
(...f1(X
in
))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)式中，f
n+1
表示第n+1层输出和第n层输出的函数关系。3.根据权利要求1所述的基于数据驱动的两阶段最优潮流求解方法，其特征在于，建立深度神经网络的步骤包括：1)获取历史电力系统基本数据，并将历史电力系统基本数据分为训练集和测试集；2)基于关联性分析理论生成表征深度神经网络输入输出匹配关系的关联变量组信息；3)对输出数据进行聚类，得到若干类别模块；4)对输入数据和输出数据进行匹配，得到对应关系Ω；5)基于对应关系Ω，确定与每类输出数据对应的输入量；6)对每一模块数据中的输入数据求均值，得到各模块中心值center
i
，记为关联聚类中心；7)基于关联变量组信息，将测试集进行关联变量组匹配，并在各组内求出负荷变量到该组各关联聚类中心的距离，之后按照距离最近原则进行模块划分，以完成对测试集所属模块的归类；8)利用带有类别属性的训练集和测试集对深度神经网络进行训练和测试。4.根据权利要求3所述的基于数据驱动的两阶段最优潮流求解方法，其特征在于，对输出数据进行聚类的方法包括K
‑
means算法；K
‑
means算法的聚类目标E如下所示：式中，μ
i
为类别C
i
的质心，E为聚类目标，Y
i
为类别C
i
的最小化平方误差；k为数据簇数量。利用K
‑
means算法对输出数据进行聚类的步骤包括：1)随机选取K个样本空间中的点作为K个初始聚类中心；2)分别计算样本空间中的其他点到K个聚类中心的距离，并将各自归类到距其最近的
一个类中；3)对整个样本集遍历完成后，利用各个类中的样本均值对原聚类中心进行更新；4)重复步骤2)至步骤3)，直至聚类中心不再变化，得到k个数据簇，记为{C1,C2,
…
,C
k
}；其中，数据簇C
i
的质心μ
i
如下所示：式中，μ
i
为类别C
i
的质心，E为聚类目标，Y为最小化平方误差。5.根据权利要求1所述的基于数据驱动的两阶段最优潮流求解方法，其特征在于，所述输入变量X包括发电机的有功出力P
g
...

【专利技术属性】
技术研发人员：代伟，郭苏杭，王泽宇，赵子巍，石博臣，武新章，张冬冬，
申请(专利权)人：广西大学，
类型：发明
国别省市：