基于深度卷积网络的电网运行方式灵敏度分析方法

本发明涉及一种基于深度卷积网络的电网运行方式灵敏度分析方法，属于电网运行方式分析领域。

背景技术：

1、电网运行方式灵敏度分析是研究与分析一个电网的状态或输出变化对电网参数或周围条件变化的敏感程度的方法。在最优化方法中经常利用灵敏度分析来研究原始数据不准确或发生变化时最优解的稳定性。通过灵敏度分析还可以决定哪些参数对电网有较大的影响。

2、灵敏度分析分为局部灵敏度分析和全局灵敏度分析。局部灵敏度分析只检验单个属性对电网模型的影响程度，全局灵敏度分析检验多个属性对电网模型结果产生的总影响，并分析属性问题的相互作用对电网模型输出的影响。局部灵敏度分析是基于(偏)导数的分析，该方法适用于简单的成本函数，不适用于复杂电网模型，因为多数复杂电网模型目标函数不总连续；全局灵敏度分析通常使用蒙特卡洛技术实现，这种方法使用了一组全局样本来探索设计空间。

3、应用在全局灵敏度分析的蒙特卡洛技术有很大的局限性，它假设参数在定义域内均匀分布，定义区间如果收到脏数据或者离散点的影响，准确率将大大下降，在实际问题中平均分布的假设很难满足，计算准确性难以保证，并且无法处理未知模型。因此决定使用深度学习的方法来对进行全局灵敏度分析，深度学习的方法属于基于回归的方法，原理是通过建立电网输入与输出的近似映射，得到输入因子的标准回归系数作为灵敏度指数。首先通过数据训练电网深度学习模型，再利用其权重信息的反向传播求模型的全局灵敏度。虽然该方法对灵敏度的计算模式类似于局部灵敏度方法中的求导法，但是得益于神经网络的全连接结构，所以求得的结果为全局灵敏度，即包含了电网各个特征之间相互作用的计算结果。特征参数输入，经过全连接层，在输出神经元输出，这个过程中包含了大量的共用权重计算，而这些权重值是由所有样本的所有特征参数训练而得出的，因此用这样求得的灵敏度结果包含了全局信息，更符合全局灵敏度的定义。

技术实现思路

1、针对采用蒙特卡洛方法进行电网运行方式全局灵敏度分析存在局限性的问题，本发明提供一种基于深度卷积网络的电网运行方式灵敏度分析方法。

2、本发明的一种基于深度卷积网络的电网运行方式灵敏度分析方法，包括：

3、s1、对电网系统数据进行初步筛选，得到多组一维的电网运行方式特征数据，将每组一维的电网运行方式特征数据进行填充并随机打乱，得到多组特征数据，计算每两组特征数据的组间相关性，对所述多组特征数据进行组合并补全缺失部分，得到二维的电网运行方式特征数据，组间相关性高的组位于相邻位置；

4、s2、构建神经网络结构，将二维的电网运行方式特征数据作为神经网络结构的输入，输出为断面可用输电能力；

5、s3、利用训练集对神经网络结构进行训练，根据训练完成的神经网络结构的权重计算神经网络结构中各层输入特征对输出的灵敏度值，进而得到神经网络结构的输入对输出的灵敏度值。

6、作为优选，所述神经网络结构包括5个卷积层、6个激活函数、4个池化层、2个全连接层和1个拼接操作；

7、神经网络结构的输入为第一卷积层的输入，第一卷积层的输出经过第一激活函数后同时输入至第二至第五卷积层，第二至第五卷积层的输出分别输入至第二至第五激活函数，第二至第五激活函数的输出分别输入至第一至第四池化层，第一至第四池化层的输出进行拼接操作，拼接操作后的数据输入至第一全连接层，第一全连接层的输出输入至第六激活函数，第六激活函数的输出输入至第二全连接层，第二全连接层的输出为神经网络结构的输出；

8、第一卷积层至第五卷积层的卷积核分别为1×1、1×1、2×2、3×3和4×4。

9、作为优选，所述激活函数为relu激活函数；

10、激活函数的灵敏度值irelu：

11、irelu＝f′relu⊙i′        (1-3)

12、其中，i′表示神经网络结构中在该激活函数之后的结构的灵敏度值，⊙操作表示按矩阵对应位相乘，f′relu为激活函数导数矩阵，再特征值大于0时导数为1，在特征值小于0时导数为0。

13、作为优选，全连接层的灵敏度值iz：

14、

15、其中，w1为全连接层中输入层到隐藏层的特征矩阵，w2为隐藏层到输出层的特征矩阵；和分别表示输入层和隐藏层以及隐藏层和输出层之间的激活函数灵敏度值。

16、作为优选，最大池层的灵敏度imaxpool：

17、

18、其中，i′[u,v]表示神经网络结构中最大池化之后结构的灵敏度值矩阵的第u行第v列的值，l[u,v]为由最大池得到的位置矩阵的第u行第v列的值，最大值的大小为m×n，％表示取余操作。

19、作为优选，卷积层的灵敏度为：

20、

21、其中，表示卷积层中第i个输入通道的第p行第q列的特征值对于输出的灵敏度值，p/s与q/t均表示向下取整，表示对第i个输入通道与第j个输出通道之间的卷积核权重进行180°翻转后的第l1行第l2列的值，l1＝(p-1)％s+1，l2＝(q-1)％t+1，卷积核大小为s×t，c表示输出通道的数量。

22、作为优选，在训练阶段，将二维的电网运行方式特征数据进行标准化后再输入至神经网络结构，数据标准化的灵敏度：

23、

24、其中，表示第k个特征数据标准化的灵敏度，xk表示训练集中所有样本的第k个特征的集合，i′b表示神经网络结构中数据标准化之后结构的灵敏度值。

25、作为优选，每两组特征数据的组间相关性t(x,y)：

26、

27、两组特征数据分别为x＝{x1,x2,…,xa}和y＝{y1,y2,…,yb}，i(xd,yf)为特征xd与特征yd的秩相关系数，i＝1,2,…,a，a表示特征数据组x中特征数据的数量，j＝1,2,…,b，b表示特征数据组y中特征数据的数量。

28、本发明的有益效果，基于深度学习的灵敏度分析方法得益于神经网络的全连接结构，所以求得的结果为全局灵敏度，即包含了各个特征之间相互作用的计算结果。特征参数输入，经过全连接层，在输出神经元输出，这个过程中包含了大量的共用权重计算，而这些权重值是由所有样本的所有特征参数训练而得出的，因此用这样求得的灵敏度结果包含了全局信息，更符合全局灵敏度的定义。

技术特征：

1.基于深度卷积网络的电网运行方式灵敏度分析方法，其特征在于，所述方法包括：

2.根据权利要求1所述的基于深度卷积网络的电网运行方式灵敏度分析方法，其特征在于，所述神经网络结构包括5个卷积层、6个激活函数、4个池化层、2个全连接层和1个拼接操作；

3.根据权利要求1所述的基于深度卷积网络的电网运行方式灵敏度分析方法，其特征在于，所述激活函数为relu激活函数；

4.根据权利要求1所述的基于深度卷积网络的电网运行方式灵敏度分析方法，其特征在于，全连接层的灵敏度值iz：

5.根据权利要求1所述的基于深度卷积网络的电网运行方式灵敏度分析方法，其特征在于，最大池层的灵敏度imaxpool：

6.根据权利要求1所述的基于深度卷积网络的电网运行方式灵敏度分析方法，其特征在于，卷积层的灵敏度为：

7.根据权利要求1所述的基于深度卷积网络的电网运行方式灵敏度分析方法，其特征在于，在训练阶段，将二维的电网运行方式特征数据进行标准化后再输入至神经网络结构，数据标准化的灵敏度：

8.根据权利要求1所述的基于深度卷积网络的电网运行方式灵敏度分析方法，其特征在于，每两组特征数据的组间相关性t(x，y)：

9.一种计算机可读的存储设备，所述存储设备存储有计算机程序，其特征在于，所述计算机程序被执行时实现如权利要求1至8任一所述基于深度卷积网络的电网运行方式灵敏度分析方法。

10.一种基于深度卷积神经网络的电网运行方式灵敏度分析装置，包括存储设备、处理器以及存储在所述存储设备中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序实现如权利要求1至8任一所述基于深度卷积网络的电网运行方式灵敏度分析方法。

技术总结
基于深度卷积网络的电网运行方式灵敏度分析方法，解决了采用蒙特卡洛方法进行电网在电网系统数据中筛选出多组一维的电网运行方式特征数据，每组进行填充并随机打乱，计算每两组特征数据的组间相关性，再组合并补全缺失部分，得到二维的电网运行方式特征数据，组间相关性高的组位于相邻位置；构建神经网络结构，将二维的电网运行方式特征数据作为神经网络结构的输入，输出为断面可用输电能力；利用训练集对神经网络结构进行训练，根据训练完成的神经网络结构的权重计算神经网络结构中各层输入特征对输出的灵敏度值，进而得到神经网络结构的输入对输出的灵敏度值。

技术研发人员：王宏志,郑胜文,刘怀远,陈兴雷,文晶,李文臣,崔勇,顾军
受保护的技术使用者：哈尔滨工业大学
技术研发日：
技术公布日：2024/2/29