基于DNN算法的电力系统鲁棒优化极端场景的识别方法转让专利
申请号 : CN202011212711.7
文献号 : CN112507603B
文献日 : 2021-08-10
发明人 : 孙宏斌 , 黄杰明 , 唐文俊 , 郭烨
申请人 : 清华大学
摘要 :
权利要求 :
1.一种基于DNN算法的电力系统鲁棒优化极端场景的识别方法,其特征在于,包括:构建数据集,所述数据集用于DNN算法的训练和测试,所述数据集中的每条数据均包括输入部分和输出部分,其中所述输入部分由盒式不确定集确定,所述盒式不确定集包括:m个负荷功率和n个光伏发电出力,所述输出部分由极端场景的类别确定;
构建DNN算法,DNN算法包括:输入层、隐含层和输出层,所述输入部分的数据从所述输入层输入DNN算法,所述输入层中神经元的数量与所述输入部分中每条输入数据的元素数量相等,所述输出层中神经元的数量与所述极端场景的类别数量相等;
训练DNN算法,所述训练DNN算法包括:设置参数,设置权重w和偏置b,并设置迭代次数t;
数据计算,所述隐含层对输入其内的数据计算;
数据输出,所述隐含层将计算结果传输至所述输出层,并由所述输出层输出;
选取代价函数,所述代价函数用于表示DNN算法预测输出值和实际输出值的误差;
反向传播,将所述误差沿所述隐含层至所述输入层的顺序逐层反向传播,并将所述误差分配给所述隐含层和所述输入层中所有神经元,以所述隐含层和所述输入层获得的误差信号为依据调整神经元连接的所述权重w和所述偏置b;
判断是否训练结束,判断所述迭代次数t是否到达预设的次数,若是,训练结束,否则,返回至所述数据计算;
识别极端场景,利用训练后的DNN算法识别所述极端场景。
2.根据权利要求1所述的基于DNN算法的电力系统鲁棒优化极端场景的识别方法,其特征在于,所述输入部分中每条输入数据取所述盒式不确定集中每个负荷功率上下界的平均值和每个光伏发电出力上下界的平均值,并用[d1 d2...dm s1 s2...sn]表示,所述输出部分的输出数据用[c,c∈[1,2...k]]表示,其中,k表示所述极端场景的类别数量,则构建的所述数据集表示为:
其中,z表示输入数据的条数。
3.根据权利要求1所述的基于DNN算法的电力系统鲁棒优化极端场景的识别方法,其特征在于,所述隐含层包括多层,每层所述隐含层内设有多个神经元,所述输入层的数据输入至所述隐含层后,多层所述隐含层按照预定顺序对输入其内的数据计算。
4.根据权利要求3所述的基于DNN算法的电力系统鲁棒优化极端场景的识别方法,其特征在于,所述隐含层包括:第一层隐含层和第二层隐含层,所述第一层隐含层中任意一个神经元与所述第二层隐含层中任意一个神经元相连,所述第一层隐含层和所述第二层隐含层内均设有6个神经元。
5.根据权利要求4所述的基于DNN算法的电力系统鲁棒优化极端场景的识别方法,其特征在于,选取激活函数f,所述第一层隐含层的输出表示为:所述第二层隐含层的输出表示为:
其中, 分别表示所述第一层隐含层中6个神经元的输出, 分别表示所述第二层隐含层中6个神经元的输出。
6.根据权利要求5所述的基于DNN算法的电力系统鲁棒优化极端场景的识别方法,其特征在于,所述激活函数f为relu函数,所述relu函数表示为:
7.根据权利要求1所述的基于DNN算法的电力系统鲁棒优化极端场景的识别方法,其特征在于,选取激活函数f,所述输出层的输出表示为:其中, 分别表示所述输出层中k个神经元的输出。
8.根据权利要求7所述的基于DNN算法的电力系统鲁棒优化极端场景的识别方法,其特征在于,所述激活函数f为softmax函数,所述softmax函数可将所述输出层中神经元的输出映射到(0,1)区间内。
9.根据权利要求1所述的基于DNN算法的电力系统鲁棒优化极端场景的识别方法,其特征在于,所述代价函数选取交叉熵函数,所述交叉熵函数表示为:其中,N代表样本数量,M代表实际类别数量,yic代表0‑1变量,若实际类别和样本i类别相同,则取1,否则取0,pic代表样本i属于类别c的预测概率。
10.根据权利要求1所述的基于DNN算法的电力系统鲁棒优化极端场景的识别方法,其特征在于,向训练后的DNN算法中的所述输入层输入一条数据[d1 d2...dm s1 s2...sn],DNN算法计算后,所述输出层将计算结果传输至所述输出部分,所述输出部分可输出所述极端场景的类别,以得到所述极端场景。
说明书 :
基于DNN算法的电力系统鲁棒优化极端场景的识别方法
技术领域
背景技术
不确定性。这些不确定性给电力系统调度、规划带来很大的影响。
变化,最优解都是可行的。极端场景是不确定参数在不确定集中的一种取值,对于盒式不确
定集和多面体不确定集,极端场景通常取在边界或顶点。
的极端场景就是所有负荷取上界,可再生能源发电出力取下界。
外,在大规模的复杂电力系统中,传统方法查找极端场景需要进行鲁棒优化计算,计算时间
较长,导致极端场景的识别效率低下。
发明内容
端场景的识别方法,所述识别方法,可以简化求解极端场景的步骤,以提高识别极端场景的
效率。
训练DNN算法以及利用训练好的DNN算法识别极端场景。具体地,所述数据集用于DNN算法的
训练和测试,所述数据集中的每条数据均包括输入部分和输出部分,其中所述输入部分由
盒式不确定集确定,所述盒式不确定集包括:m个负荷功率和n个光伏发电出力,所述输出部
分由极端场景的类别确定,DNN算法包括:输入层、隐含层和输出层,所述输入部分的数据从
所述输入层输入DNN算法,所述输入层中神经元的数量与所述输入部分中每条输入数据的
元素数量相等,所述输出层中神经元的数量与所述极端场景的类别数量相等,所述训练DNN
算法包括:设置参数、数据计算、数据输出、选取代价函数、反向传播和判断是否训练结束,
其中参数需要设置权重w和偏置b,并设置迭代次数t,所述隐含层对输入其内的数据计算,
所述隐含层将计算结果传输至所述输出层,并由所述输出层输出,所述代价函数用于表示
DNN算法预测输出值和实际输出值的误差,将所述误差沿所述隐含层至所述输入层的顺序
逐层反向传播,并将所述误差分配给所述隐含层和所述输入层中所有神经元,以所述隐含
层和所述输入层获得的误差信号为依据调整神经元连接的所述权重w和所述偏置b,判断所
述迭代次数t是否到达预设的次数,若是,训练结束,否则,返回至所述数据计算,利用训练
后的DNN算法识别所述极端场景。
完毕后,DNN算法识别极端场景将避免很多繁琐鲁棒计算,从而可以提高极端场景的识别效
率。
s1 s2 ... sn]表示,所述输出部分的输出数据用[c,c∈[1,2...k]]表示,其中,k表示所述
极端场景的类别数量,则构建的所述数据集表示为:
算。
层隐含层内均设有6个神经元。
述输出部分可输出所述极端场景的类别,以得到所述极端场景。
附图说明
具体实施方式
图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
或两个以上。
优化方法直接查找极端场景的识别方法不同,无需求解优化问题,而是利用数据集训练出
识别模型,一旦模型训练完毕,其识别极端场景可以节省很多繁琐的计算,以提高识别效
率。
伏发电出力,输出部分由极端场景的类别确定,DNN算法包括:输入层、隐含层和输出层,输
入部分的数据从输入层输入DNN算法,输入层中神经元的数量与输入部分中每条输入数据
的元素数量相等,输出层中神经元的数量与极端场景的类别数量相等。训练DNN算法包括:
设置参数,设置权重w和偏置b,并设置迭代次数t;数据计算,隐含层对输入其内的数据计
算;数据输出,隐含层将计算结果传输至输出层,并由输出层输出;选取代价函数,代价函数
用于表示DNN算法预测输出值和实际输出值的误差;反向传播,将误差沿隐含层至输入层的
顺序逐层反向传播,并将误差分配给隐含层和输入层中所有神经元,以隐含层和输入层获
得的误差信号为依据调整神经元连接的权重w和偏置b;判断是否训练结束,判断迭代次数t
是否到达预设的次数,若是,训练结束,否则,返回至数据计算;利用训练后的DNN算法识别
极端场景。
高识别的效率。其中,m和n为变量,其具体数据这里不限制。
输入部分的数据可以一一对应地输入至输入层。另外,输入至输入部分的特征向量可以取
盒式不确定集中每个不确定变量上下界的平均值。
分接受数据并计算后,可以输出极端场景的类别。
中,数据集的输入部分将数据输入至DNN算法的输入层,输入层将数据输出至隐含层,隐含
层进行极端,然后输出至输出层,输出层朝输出部分输出极端场景的类别,将输出的极端场
景与实际的极端进行比较,判断DNN算法计算的极端场景是否正确,并多次迭代计算和训
练。
迭代次数t可以为1000,也可以为500,还可以为2000等,不作限制。
济调度方案;考虑传输线线路参数的不确定性,提出一种鲁棒优化方法解决最优无功功率
分配问题;针对存在节点净注入功率不确定性的安全约束机组组合(Security‑
Constrained Unit Commitment,SCUC)问题,提出一种两阶段的自适应鲁棒机组组合模型。
电与天然气系统相结合的OPF问题;利用鲁棒核密度估计方法从大数据中提取风电的分布
信息,并将该信息合并到数据驱动的不确定集中。
找极端场景需要进行繁琐的鲁棒优化计算,使得识别效率低下。
在每层隐含层进行计算,每层隐含层均计算后可以将计算结果输送至输出层,然后输出层
再输出,另外,输出层中神经元的数量与隐含层的神经元数量可以不相等,输出层输出结果
后可以利用代价函数技术误差,然后将误差反向传播,即误差朝隐含层、输入层传播,以使
各层的神经元可以根据误差信号调整权重w和偏置b。对迭代次数t判断是否达到预定值,若
是则训练结束,否则需要回到数据计算步骤,然后再重复之前的步骤进行运算。
完毕后,DNN算法识别极端场景将避免很多繁琐鲁棒计算,从而可以提高极端场景的识别效
率。
表示,输出部分的输出数据用[c,c∈[1,2...k]]表示,其中,k表示极端场景的类别数量,则
构建的数据集表示为:
设有多层隐含层,使得输入层数据引人隐含层后可以经过多个隐含层进行计算,以提高识
别的精度。其中,通过在每层隐含层中设有多个神经元,可以考虑多个参数进行计算。
神经元,也就是说,第一层隐含层中6个神经元会与第二层隐含层中的每个神经元相连,通
过设有两层隐含层且每层隐含层中设有6个神经元,可以提高计算效率,且满足实际需要。
值总和为1,输出值最大的结果为预测结果(计算结果),在输出部分中可以根据输出层输入
的结果输出极端场景的类别。其中,在输出部分通过softmax函数可以将方便地处理分类问
题的所属哪个类别的情形。
经元,各层的神经元获得误差后可以以获取的误差信号为依据进行调整权重w和偏置b,以
降低误差并提高准确率。调整权重w和偏置b后可以再次输入数据进行训练,并得出误差,通
过多次训练,并调整权重w和偏置b,以减少实际值与预测值之间的差距。
出极端场景的类别,以得到极端场景。
在鲁棒优化过程中的繁琐计算。此外,利用训练好的深度神经网络模型可以快速识别鲁棒
优化的极端场景,也可以将不确定性问题转为一个确定性问题,避免大规模复杂系统中应
用鲁棒优化造成计算时间长的问题,有利于在线应用。
的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同
的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实
施例或示例中以合适的方式结合。
发明的范围由权利要求及其等同物限定。