基于可逆神经网络误差监督的线性调度决策建模方法技术

本发明专利技术公开基于可逆神经网络误差监督的线性调度决策建模方法，步骤包括：1)建立基于可逆神经网络的线性OPF模型；2)利用基于逆变换的误差监测策略对基于可逆神经网络的线性OPF模型进行优化，得到基于可逆神经网络的线性最优OPF模型；3)利用基于可逆神经网络的线性最优OPF模型计算电力系统潮流。性最优OPF模型计算电力系统潮流。性最优OPF模型计算电力系统潮流。

【技术实现步骤摘要】
基于可逆神经网络误差监督的线性调度决策建模方法


[0001]本专利技术涉及电力系统最优潮流模型线性化领域，具体是基于可逆神经网络误差监督的线性调度决策建模方法。

技术介绍

[0002]潮流计算是研究电力系统稳态运行情况的一种基本电气计算，根据给定的运行条件和网路结构确定整个系统的运行状态。其基本数学模型是一组高阶非线性方程组，通过不断的迭代来寻求可靠的收敛，并给出最终正确答案。随着电力系统的规模不断扩大，潮流计算方程的复杂度也随着增高，收敛也越发的困难且不能保证给出正确答案。这种情况促使了电力系统的研究人员不断的寻找更加快速且可靠的计算方法。近20多年来，潮流计算的研究仍然非常活跃，但大多是围绕P
‑
Q分解和改进牛顿法进行改进。此外，随着人工智能理论等相关研究的快速发展，一些新的研究方法也开始逐渐被引入潮流计算。
[0003]电力系统最优潮流(optimalpowerflow，OPF)，可以在满足特定的电网运行和安全约束条件下，通过调整系统中可利用的控制手段实现预定目标最优的系统稳定运行状态。OPF能够在保证电力系统安全性的同时尽可能地提高其经济性，这对于实际电力系统的调度、运行和控制有着重要的意义。
[0004]为了满足电力调度对计算效率的要求，OPF模型通常被线性化处理。然而，现有的线性OPF模型通常基于经验数学近似。线性化误差可能相当大，这可能会造成巨大的经济损失。

技术实现思路

[0005]本专利技术的目的是提供基于可逆神经网络误差监督的线性调度决策建模方法，包括以下步骤：
[0006]1)建立基于可逆神经网络的线性OPF模型；
[0007]建立基于可逆神经网络的线性OPF模型的步骤包括：
[0008]1.1)建立原始非线性OPF模型；
[0009]所述原始非线性OPF模型的目标函数如下所示：
[0010][0011]式中，c
g
代表第g台发电机的成本；代表发电机出力；g代表发电机的索引；代表发电机索引集合。
[0012]所述原始非线性OPF模型的约束条件如下所示：
[0013][0014][0015][0016][0017][0018][0019][0020][0021]式中，i,j,g代表起始节点、终止节点、发电机的索引；代表节点、发电机、与节点i相连的节点、与节点i相连的发电机索引集合；c
g
代表第g台发电机的成本；代表发电机有功出力和无功出力；P
iD
、代表节点i的有功功率和无功功率；P
ij
、Q
ij
代表线路ij的有功功率和无功功率；v
i
、v
j
代表起始节点i、终止节点j的电压幅值；g
ij
、b
ij
代表线路ij的导纳；θ
ij
代表起始节点i、终止节点j之间的电压相角差；代表起始节点i 电压幅值的上下限，代表起始支路{ij}电压相角差的上下限，代表起始支路{ij}有功功率的上下限，代表起始支路{ij}无功功率的上下限。
[0022]1.2)建立一般线性潮流方程；
[0023]所述一般线性潮流方程如下所示：
[0024][0025][0026]式中，参数式中，参数代表线路ij的线性有功功率和线性无功功率；代表线路ij的线性有功功率和线性无功功率；代表线路ij有功功率和无功功率的一般函数形式；φ
i
(v
i
)、φ
j
(v
j
) 代表状态变量；φ
i
(v
i,0
)、φ
j
(v
j,0
)代表状态变量初始值。
[0027]1.3)基于原始非线性OPF模型和一般线性潮流方程，建立基于可逆神经网络的线性OPF模型。
[0028]所述基于可逆神经网络的线性OPF模型包括若干可逆神经网络单元；所述可逆神经网络单元在输入和输出之间建立了可逆映射；
[0029]其中，第i个可逆神经网络单元的输入为电压幅值v
i
，输出为状态变量φ
i
(v
i
)；
[0030]第i个可逆神经网络单元的前向数据流φ
i
(v
i
):v
i
→
φ
i
如下所示：
[0031][0032]式中，为状态变量φ
i
的分量；和表示除可逆分量外的余项。
[0033]第i个可逆神经网络单元的逆向数据流φ
i
→
v
i
如下所示：
[0034][0035]式中，η(v)和σ(φ)表示除可逆分量外的余项。
[0036]所述可逆神经网络单元经过了训练，训练步骤包括：
[0037]a)设置可逆神经网络单元的损失函数L(V(H))，即：
[0038][0039]式中，参数V(H)＝(φ1(v1,h1),φ2(v2,h2),...,φ
N
(v
N
,h
N
))
T
；H＝[h
i
]N
×1是可逆神经网络单元的参数向量；P
ij
(x
ij
)、Q
ij
(x
ij
)代表样本x
ij
对应的线路ij的有功功率和无功功率；
[0040]b)基于梯度下降更新参数h
i
，得到：
[0041][0042]式中，γ是学习率，梯度矩阵H
k
、H
k+1
是迭代更新前后的可逆神经网络单元的参数向量；
[0043]其中，梯度可以根据如下链式法则求得：
[0044][0045]式中，梯度矩阵梯度矩阵φ
N
(v
N
)为状态变量；
[0046]其中，梯度矩阵的元素dφ(v
i
,h
i
)/dh
i
如下所示：
[0047]dφ(v
i
,h
i
)/dh
i
＝df
i(n)
{...f
i(2)
[f
i(1)
(v
i
)]}/dh
i
,
ꢀꢀ
(17)
[0048]式中，f
i(l)
是第i个INN的第i层激活函数；
[0049]c)根据参数h
i
计算可逆神经网络单元的损失函数L(V(H))，并判断损失函数L(V(H))是否小于预设损失阈值，若是，则结束训练，否则，返回步骤b)。
[0050]所述基于可逆神经网络的线性OPF模型如下所示：
[0051本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于可逆神经网络误差监督的线性调度决策建模方法，其特征在于，包括以下步骤：1)建立基于可逆神经网络的线性OPF模型；2)利用基于逆变换的误差监测策略对基于可逆神经网络的线性OPF模型进行优化，得到基于可逆神经网络的线性最优OPF模型；3)利用基于可逆神经网络的线性最优OPF模型计算电力系统潮流。2.根据权利要求1所述的基于可逆神经网络误差监督的线性调度决策建模方法，其特征在于，建立基于可逆神经网络的线性OPF模型的步骤包括：1)建立原始非线性OPF模型；2)建立一般线性潮流方程；3)基于原始非线性OPF模型和一般线性潮流方程，建立基于可逆神经网络的线性OPF模型。3.根据权利要求2所述的基于可逆神经网络误差监督的线性调度决策建模方法，其特征在于，所述原始非线性OPF模型的目标函数如下所示：式中，c
g
代表第g台发电机的成本；代表发电机出力；g代表发电机的索引；代表发电机索引集合。4.根据权利要求2所述的基于可逆神经网络误差监督的线性调度决策建模方法，其特征在于，所述原始非线性OPF模型的约束条件如下所示：征在于，所述原始非线性OPF模型的约束条件如下所示：征在于，所述原始非线性OPF模型的约束条件如下所示：征在于，所述原始非线性OPF模型的约束条件如下所示：征在于，所述原始非线性OPF模型的约束条件如下所示：征在于，所述原始非线性OPF模型的约束条件如下所示：征在于，所述原始非线性OPF模型的约束条件如下所示：征在于，所述原始非线性OPF模型的约束条件如下所示：式中，i,j,g代表起始节点、终止节点、发电机的索引；代表节点、与节点i相连的节点、与节点i相连的发电机索引集合；代表发电机有功出力和无功出力；P
iD
、代表节点i的有功功率和无功功率；P
ij
、Q
ij
代表线路ij的有功功率和无功功率；v
i
、v
j
代表起始节点i、终止节点j的电压幅值；g
ij
、b
ij
代表线路ij的导纳；θ
ij
代表起始节点i、终止节点j之间的电压相角差；代表起始节点i电压幅值的上下限，代表起始支路{ij}电压相角差的上下限，代表起始支路{ij}有功功率的上下限，
代表起始支路{ij}无功功率的上下限。5.根据权利要求2所述的基于可逆神经网络误差监督的线性调度决策建模方法，其特征在于，所述一般线性潮流方程如下所示：征在于，所述一般线性潮流方程如下所示：式中，参数式中，参数代表线路ij的线性有功功率和线性无功功率；代表线路ij的线性有功功率和线性无功功率；代表线路ij有功功率和无功功率的一般函数形式；φ
i
(v
i
)、φ
j
(v
j
)代表状态变量；φ
i
(v
i,0
)、φ
j
(v
j,0
)代表状态变量初始值。P
ij
、Q
ij
代表线路ij的有功功率和无功功率。6.根据权利要求1所述的基于可逆神经网络误差监督的线性调度决策建模方法，其特征在于，所述基于可逆神经网络的线性OPF模型包括若干可逆神经网络单元；所述可逆神经网络单元在输入和输出之间建立了可逆映射；其中，第i个可逆神经网络单元的输入为电压幅值v
i
，输出为状态变量φ
i
(v
i
)；第i个可逆神经网络单元的前向数据流φ
i
(v
i
):v
i
→
φ
i
如下所示：式中，为状态变量φ
i
的分量；和表示除可逆分量外的余项。第i个可逆神经网络单元的逆向数据流φ
i
→
v
i
如下所示：式中，输入输出7.根据权利要求6所述的基于可逆神经网络误差监督的线性调度决策建模方法，其特征在于，所述可逆神经网络单元经过了训练，训练步骤包括：1)设置可逆神经网络单元的损失函数L(V(H))，即：式中，参数V(H)＝(φ1(v1,h...

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