一种基于模型信息辅助深度学习校正交流潮流的方法与流程

1.本发明属于人工智能和电力系统技术领域，特别涉及一种基于模型信息辅助深度学习校正交流潮流的方法。


背景技术：

2.最优潮流(opf)是一个复杂非线性规划问题。它通常被定义为在满足物理和安全约束的情况下，寻找电力系统运行中最经济高效的调度。它是现实电网中的基本工具。由于非凸性，找到满足时间要求的opf精确解是一项挑战。另一方面，当电力系统发生意外或极端事件时，系统操作员必须实时采取纠正措施，以便系统有希望地进入稳定状态。在纠正措施中应用opf是很有必要的。然而，一个主要的障碍是获得求解opf的计算负担。目前，dc或者线性化opf在许多应用中得到了应用。然而，在准确性方面，尤其是在解决方案可行性和约束安全性方面，都不如ac opf。
3.新兴的深度学习为一些非线性规划问题的求解提供了有效的工具。它可以通过训练神经网络来表达极其复杂的变量关系，并且在精度可接受的情况下可以实现几个数量级的加速度。然而，完全依赖深度学习也会导致一些问题需要解决。当系统较大时，训练速度慢、精度差和过拟合是严重的问题。因此，为了克服上述所说的问题，需要将物理模型与数据驱动的方式结合起来，改进深度神经网络的训练方式，提高深度神经网络逼近的准确性。


技术实现要素：

4.为了克服上述现有技术的缺陷，本发明的目的在于提供一种基于模型信息辅助深度学习校正交流潮流的方法，以实现在电力系统发生断线等故障时，能够快速准确的计算出电力系统各变量的近似最优值，从而减少电力网络的安全问题和线路损耗。
5.为了实现上述目的，本发明采用的技术方案是：
6.一种基于模型信息辅助深度学习校正交流潮流的方法，包括如下步骤：
7.(1)、根据电力系统运行过程中的潮流模型，得到节点注入功率与电压幅值、相角的灵敏度矩阵；
8.(2)、根据潮流模型得到系统的灵敏度矩阵，使用聚类算法根据矩阵信息对电力网络进行区域划分；
9.(3)、获取电力系统在不同负载和不同断线情况下的运行数据，利用分区结果将数据集划分为多个子数据集；
10.(4)、根据划分之后的数据集，对数据集进行预训练和特征提取，根据获取的数据特征构建多深度神经网络模型的训练、调优、保存及测试。
11.所述步骤(1)具体包含：
12.电力系统潮流模型，方程表达式如下：
[0013][0014]
式中，v表示电压幅值，θ电压相角，p为节点有功功率和q为无功功率，g和b为系统的导纳矩阵的实部和虚部。
[0015]
对其采用简化形式表达如下：
[0016][0017]
其中，x为状态变量，u为控制变量，y表示支路的功率。
[0018]
设定系统的稳定运行点为(x0,u0)，系统受到干扰后系统的稳态运行点变为(x0+δx,u0+δu)，在(x0,u0)处将式(2)展开得到，
[0019][0020]
所以，
[0021][0022]
其中，s
xu
，s
yu
表示u变化引起x与y变化的灵敏度矩阵。
[0023]
进一步得到：
[0024][0025]
其中，s
xy
，s
uy
表示y变化引起x与u变化的灵敏度矩阵。
[0026]
所述步骤(2)具体包含如下：
[0027]
(201)灵敏度矩阵表示如下：
[0028][0029]
其中，n表示系统的节点数；
[0030]
(202)利用k-means算法对电网进行分区的目标函数定义如下式(7)，其中，γ
ij
∈(0,1)表示节点i属于区域j,μj表示第j个聚类中心，dk表示区域的个数。
[0031][0032]
[0033]
所述步骤(3)获取的运行数据，具体包括：电力系统运行过程中的负载、电压幅值、发电机出力和出现的断线故障信息，即data＝[pd,qd,ξ],
[0034]
其中，pd为系统的有功负载，qd为系统的无功负载，ξ为系统的故障信息。
[0035]
所述步骤(4)深度神经网络模型的训练过程具体包含以下步骤：
[0036]
(401)、基于堆栈去噪自动编码器对划分之后的数据集进行预训练、去噪和特征提取；
[0037]
(402)、基于获取的数据特征参数，构建深层神经网络训练模型，初始化每一层网络的权重值，偏置值，分组数据大小，权重惩罚因子大小；
[0038]
(403)、训练过程中隐含层的激活函数选用relu激活函数，采用droupout层抑制训练过程中的过拟合现象；
[0039]
(404)、深度神经网络训练过程中的损失函数定义如下：
[0040][0041]
其中，c
p
，cq，cv，c
θ
为自定义系数，pg为发电实际有功出力，为发电机有功出力预测值；
[0042]
(405)、使用衰减学习率和多次调参优化后，保存训练模型，进行测试与评价。
[0043]
所述的步骤(402)具体为：基于堆栈自动编码器的预训练包含编码过程和解码过程，训练完成后，舍弃解码过程的训练参数，利用编码过程的训练参数保留，训练过程的损失函数定义为：
[0044][0045]
其中，m是输入数据维度，h是sdae的输出值，w，b分别为权重和偏置，y是实际的输入数据，λ是防止过拟合的权重参数，n
t
是层数，s
t
和s
t+1
为输入输出层节点数。
[0046]
本发明的有益效果在于：
[0047]
本发明提供了了一种基于模型信息辅助深度学习交流潮流的方法，考虑电力系统本身是一种拥有众多节点和支路的网状结构的特点，通过电力系统稳定运行中节点注入功率的变化引起节点电压和相角的变化，得到系统的灵敏度矩阵，它从侧面反应出了节点之间关联程度，借助于k-means等聚类的方法根据灵敏度矩阵对电力系统进行分区，从而将一个较大的电力系统，化为多个较小的，变量数较少的子系统；对系统进行分区之后，结合非线性映射能力较强的深度神经网络与多智能体的思想，训练多个深度神经网络映射每个子区域中的变量，进而得到近似整个系统的解；通过这种方式不仅提高了深度神经网络的准确率，也减少了神经网络模型的训练时间。
附图说明
[0048]
图1是本发明提出的一种基于模型信息辅助深度学习校正交流潮流的方法的框架图。
[0049]
图2是本发明的数据集收集流程图。
[0050]
图3是本发明的网络结构和模型训练过程图。
[0051]
图4是本发明的多区域划分训练结构图。
具体实施方式
[0052]
本发明提出的一种基于模型信息辅助深度学习校正交流潮流的方法，其流程框图如图1所示，具体包含两个阶段：
[0053]
第一个阶段为根据电力系统网络稳态潮流模型得到系统的节点注入功率与节点电压的灵敏度矩阵，利用k-means等聚类算法对电力网络进行区域划分的过程；即：
[0054]
(1)、根据电力系统运行过程中的潮流模型，得到节点注入功率变化引起节点电压变化的灵敏度矩阵；
[0055]
(2)、根据模型得到系统的灵敏度矩阵，使用聚类算法根据矩阵信息对电力网络进行区域划分；
[0056]
第二阶段为根据第一阶段区域划分的结果，将大的电力系统分为多个子系统，建立多深度神经网络训练模型，通过收集每个子区域中的数据，并基于堆栈去噪自动编码器进行预训练和特征提取，然后对深度神经网络模型进行调参和训练，输出结果，即：
[0057]
(3)、获取电力系统在不同负载和不同断线情况下的运行数据，利用分区结果将数据集划分为多个子数据集；
[0058]
(4)、根据划分之后的数据集，对数据集进行预训练和特征提取，根据获取的数据特征构建多深度神经网络模型的训练、调优、保存及测试。
[0059]
第一阶段的详细执行过程如下：
[0060]
电力系统潮流方程表达式如下：
[0061][0062]
式中，v表示电压幅值，θ电压相角，p为节点有功功率和q为无功功率，g和b为系统的导纳矩阵的实部和虚部。
[0063]
对其采用简化形式表达如下：
[0064][0065]
其中，x为状态变量，u为控制变量，y表示支路的功率。
[0066]
设定系统的稳定运行点为(x0,u0)，系统受到干扰后系统的稳态运行点变为(x0+δx,u0+δu)，在(x0,u0)处将式(2)展开得到，
[0067][0068]
所以，
[0069][0070]
其中，s
xu
，s
yu
表示u变化引起x与y变化的灵敏度矩阵。
[0071]
进一步得到：
[0072][0073]
其中，s
xy
，s
uy
表示y变化引起x与u变化的灵敏度矩阵。
[0074]
所以可以得到系统的灵敏度矩阵s＝s
xy
+s
uy
，结合k-means等聚类算法，网络区域划分过程如下：
[0075]
(1)、对矩阵s中的元素进行预处理，主要进行标准化，异常点过滤；
[0076]
(2)、根据式(6)计算dk个区域中心，记为μ
1(0)
,μ
2(0)
,...,μ
j(0)
,...,μ
k(0)
；
[0077][0078]
(3)、随机初始化参数γ
ij0
∈(0,1),i∈n,j∈dk，表示第i个节点属于区域j；
[0079]
(4)、定义目标函数如下：
[0080][0081]
(5)、令t＝1,2,...为迭代步数，重复如下过程直到j收敛：
[0082]
更新聚类中心μj：
[0083][0084]
第二阶段的具体包含如下：
[0085]
第二阶段主要有数据集的收集和多深度神经网络模型的训练。本发明提供了一种数据集的收集方式，具体如图2，其主要内容包括获得负载的额定值，设置负载的上界与下界，主要保证系统的负载在可运行的区间内，获得系统发生故障的信息，故障信息包括线路断开、负载脱落等情况；然后采集在出现某种故障之后系统在不同的负载水平下的运行情况，记录系统的节点电压、发电机的出力等数据，与先前获得的故障信息一起组成数据集；按照比例将数据集划分为训练集与测试集，其中训练集占比在80％左右。
[0086]
深度神经网络的训练过程，如图3所示，其步骤包括：
[0087]
(1)先采用堆叠去噪自动编码器进行预训练和特征提取，如图3的中的预训练过程；inputs层到hidden2的部分为编码部分，和hidden2到ouputs1之间的部分为解码部分，激活函数选择为sigmoid函数；为了防止训练中出现过拟合的现象，训练过程中对网络的权重引入惩罚项，所以定义训练中的网络损失函数为：
[0088][0089]
其中，m是输入数据维度，h是sdae的输出值，w，b分别为权重和偏置，y是实际的输入数据，λ是防止过拟合的权重参数，n
t
是层数，s
t
和s
t+1
为输入输出层节点数；采用随机梯度下降法更新网络权重参数。
[0090]
(2)预训练完成后，将预训练过程的网络参数用于初始化深度神经网络的权重参数值，如图3中copy parameters过程所示。
[0091]
(3)深度神经网络如图3中右半部分所示，由p1和p2两部分组成，p1部分输出电压幅值和相角值，p2部分输出发电机有功功率、无功功率以及成本值，模型的结构如下所示：
[0092]hp1
＝f(...f(w
p1
x+b
p1
))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0093]hp2
＝f(...f(w
p2
(x+h
p1
)+b
p2
))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0094]
其中，激活函数f(
·
)为relu函数，x为网络输入，h
p1
为p1部分输出值，h
p2
为p2部分输出值，w
p1
为p1部分网络参数，w
p2
为p2部分网络参数，b
p1
和b
p1
为偏置参数。
[0095]
(4)深度神经网络训练过程中，使用dropout策略避免过拟合，每一层神经元的保留概率在0.8左右，定义训练过程中的损失函数如下：
[0096][0097]
(5)深度神经网络模型训练，经过多次调参优化后，保存模型，进行测试与评价，具体措施如下：
[0098]
(a)基于模型的训练时长和模型收敛的稳定性，经过多次实验，确定bathch size为128。
[0099]
(b)使用衰减学习率，初始学习率α设定为0.01，以尽快收敛至局部最优，衰减率d设定为0.0002，计算公式如下所示：
[0100][0101]
其中，α为学习率，batches为当前batch的个数。
[0102]
(c)设置不同的参数优化更新方式，通过多次实验的准确性对比，选择adam优化器进行网络参数更新。
[0103]
(6)在经过调参和优化后得到最优性能模型，保存模型，进行准确率测试和评价。
[0104]
(7)根据每个子区域神经网络输出的结果，将结果进行组合，就可以得到系统的近似最优解，如图4所示。