【技术实现步骤摘要】
本专利技术涉及电力系统智能控制，即基于深度时序聚合的新型电力系统典型运行场景提取方法。
技术介绍
1、在现有技术中，电源出力波动周期缩短至分钟级，负荷变化也并非仅依照预测曲线，将受到电力市场价格波动引导，即电力系统运行场景的变化加快了，使得系统功率瞬时平衡难度显著增加。而传统电力调度模式中运行场景变化周期是15-30分钟，周期内调度自动化系统将辅助调度员对当前运行场景进行状态识别(数据采集与监视控制、状态估计)，安全评估(静态、动态)和经济运行(自动发电控制、自动电压控制等)。两者时间尺度的矛盾暴露了当前调度模式精细程度无法满足新型电力系统快速变化的运行形态。同时，对新能源及柔性负荷等多源不确定性的应对能力决定着未来新能源并网比例及能源消纳率。因此，掌控海量调度运行数据的变化规律与关键特征，并探究新型电力系统典型运行场景提取方法具有重要战略意义。
2、近年来，现有技术围绕未来新型电力系统源荷不确定性和低碳目标对调控运行带来的新挑战，分别从系统运行场景分析、调度模式提取及调度模型构建多角度开展了深入研究。有技术指出未来高比例新能源接入电力系统调度控制应统筹全网可调可控资源，采用统一决策、分散控制的多级协同调度新模式，以适应源网荷多环节的灵活变化。相关专利技术结合传统聚类、特征提取和藤结构方法，提出了一种可再生能源下数据驱动的系统调度运行场景生成架构。有专利技术采用k-均值(k-means)聚类的方法从电网运行随机场景中提取极端调度场景进行分析，对风/光能源参与下的电力系统优化运行具有重要意义。有技术将聚类分析和图论方法
3、综上所述，该领域已有了一定的研究成果，且基于电力系统历史运行断面的数据驱动方法正在成为一种主流趋势。然而由于以下三个方面的不足，在实际电力系统日内调度计划中依然由经验丰富的调度员基于全信息决策。这种人力依赖极大限制了电力系统调控智能化推进和高比例新能源接入形态下调度决策的最优化。其缺点是：①现有成果缺少高比例可再生能源等新因素接入下电力系统典型运行场景及其变化规律的研究。数据样本空间大多局限于传统电网形态或低比例新能源接入阶段，导致提取的运行场景在新型电力系统形态下适用性不足。②传统电网典型运行场景提取主要依赖于实际运行经验和人力因素，在调度目标繁多(传统发电机组、新能源机组、储能、可调负荷等)的多重不确定环境下，对整个区域电力系统进行全局有效分析能力不足。③现有电网运行断面信息提取方法大多遵从特征变量筛选+传统聚类算法的数学范式，并且两者之间不存在交互。这不但导致完整的调度员历史调度经验被破坏，而且无法对长时间尺度的系统运行断面进行聚类分析。
4、本专利技术针对新型电力系统运行场景复杂多变、调度目标繁多导致调度方案应变能力不足的问题，提出一种基于深度时序聚合的新型电力系统典型运行场景提取方法。
技术实现思路
1、本专利技术的目的是针对上述不足而提供一种基于深度时序聚合的新型电力系统典型运行场景提取方法。首先，以vgg16为基模型，保留其前13层卷积层，并引入全局最大池化层(global max pool，gmp)替代其末端的全连接层，构建了系统运行断面图的vgg13_gmp特征提取模型；然后，以软聚类的高斯混合模型为约束，提出了基于特征迭代聚合的典型运行场景生成算法，实现典型运行场景的精细化生成，预先掌握典型运行规律，辅助调度人员积极响应运行场景动态变化，高效制定区域电力系统日内调度方案。
2、本专利技术的技术解决方案是：基于深度时序聚合的新型电力系统典型运行场景提取方法，其特征在于它包括以下步骤：
3、一、电力系统运行断面图的vgg13_gmp特征提取模型
4、1)构建运行断面图像数据集：使用基于格拉姆角求和场的电力系统运行断面图生成算法将一维断面数据转换为三维特征图像。
5、2)模型输入初始化：网络输入层图像尺寸限定为224×224×3，初始设置resize()函数，将运行断面图像进行尺寸微调。
6、3)执行vgg13_gmp网络训练：使用步骤1)生成的数据集进行模型特征提取训练。在网络训练过程中，共经历13次卷积、5次池化。计算前后特征图尺寸变化均通过公式(2)、(3)获得。
7、
8、式中nin表示卷积计算前输入像素值；padding表示卷积层边缘的填充大小；strideconv表示卷积核移动步步长；kernel_size表示卷积核的大小；nout表示卷积计算后特征图像素值。
9、池化操作一方面压缩了输入的特征图，简化卷积网络计算的复杂度；另一方面保持了特征的旋转、平移及伸缩不变性。
10、
11、式中pin表示池化计算前输入特征图的尺寸；filter_size表示滤波器的大小；stridepool表示滤波器移动步长；pout表示池化计算后输出特征图的大小，实现对卷积层输入图像的下采样。
12、二、基于特征迭代聚合的典型运行场景生成算法
13、算法假设每种典型运行场景所包含的运行断面服从单独的多元高斯分布，整体运行断面数据集s＝(s1,s2,…,st)t服从k个多元高斯分布的混合。即运行场景si的分布可表示为公式(4)所示：
14、
15、式中wk为第k个高斯分量的权重，即某个运行断面属于第k个类的概率，总权重之和等于1；n(·|μ,σ)表示以均值为μ、协方差矩阵为σ的高斯分布。通过最大化p(si)的似然函数可以迭代求解出w,μ,σ：
16、
17、公式(5)中通过给对数似然函数添加负号将其转化为gmm聚类损失。
18、vgg13_gmp深度神经网络将运行场景si映射为特征zi＝fω(si)。在公式(12)基础上，基于高斯混合模型的深度聚类算法的损失函数定义为：
19、
20、从概率图模型的角度可以将zi视为新的隐变量，期望通过该隐变量更准确的推断原数据的分布。该目标对应的优化问题通过期望最大化算法(expectation-maximizationalgorithm,em)进行求解。优化参数包含θ＝{ω,w,μ,σ}，ω为隐变量zi映射模型参数，w,μ,σ为gmm参数。
21、step1：初始化θ。其中ω使用预训练本文档来自技高网...
【技术保护点】
1.基于深度时序聚合的新型电力系统典型运行场景提取方法，其特征在于它包括以下步骤：
【技术特征摘要】
1.基于深度时序聚合的新型电力系统典型运行...
【专利技术属性】
技术研发人员：曲朝阳，张振明，曲楠，单庆玉，董运昌，王蕾，曹杰，奚洋，杨红柳，赵裴钰，官明帅，刘学，乔雪婧，
申请(专利权)人：东北电力大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。