基于深度学习的含不确定性N-1安全校核方法
阅读：620发布：2020-05-12
专利汇可以提供基于深度学习的含不确定性N-1安全校核方法专利检索，专利查询，专利分析的服务。并且本 发明 公开了基于 深度学习 的含不确定性N-1安全校核方法，主要步骤为：1)获取电 力 网络数据，并建立输入 特征向量 集Xin；2)对特征向量进行预处理，并划分为训练集和验证集；3)建立的 深度神经网络 直流潮流模型；4)利用训练集和验证集对深度神经网络直流潮流模型进行训练；5)以电力网络实时数据建立测试集，并输入到训练后的深度神经网络直流潮流模型中，得到潮流输出特征向量Yout；6)对输出特征向量Yout＝[θi,Pij]进行安全性验证。本发明可广泛应用于不确定性场景的N-1安全校核在线分析，能够获得与传统直流潮流求解方法获得不相上下的校核 精度 ，并提高近百倍的分析速度。，下面是基于深度学习的含不确定性N-1安全校核方法专利的具体信息内容。
1.基于深度学习的含不确定性N-1安全校核方法，其特征在于，主要包括以下步骤：
1)获取电力网络数据，并建立输入特征向量集Xin。
2)对特征向量进行预处理，并划分为训练集和验证集；
3)建立的深度神经网络直流潮流模型；
4)利用训练集和验证集对深度神经网络直流潮流模型进行训练；
5)以电力网络实时数据建立测试集，并输入到训练后的深度神经网络直流潮流模型中，得到潮流输出特征向量Yout；
6)对输出特征向量Yout＝[θi,Pij]进行安全性验证。
2.根据权利要求1所述的基于深度学习的含不确定性N-1安全校核方法，其特征在于，所述电力网络数据包括电力网络拓扑结构和各节点源荷数据。
3.根据权利要求1或2所述的基于深度学习的含不确定性N-1安全校核方法，其特征在于，输入特征向量集Xin＝[Pi,△Pij]和输出特征向量Yout＝[θi,Pij]；其中，Pi为连续特征向量，表示新能源节点注入有功功率总和；θi为节点相角，Pij为各支路的有功潮流；△Pij为离散特征向量，表示支路开断前后各支路的有功功率之差；
支路开断前后各支路的有功功率之差△Pij如下所示：
式中， 为支路开断前各支路有功功率； 为支路开断后各支路有功功率；支路开断前后各支路的有功功率之差△Pij的维度为nbranch；nbranch为系统支路数。
4.根据权利要求1所述的基于深度学习的含不确定性N-1安全校核方法，其特征在于：
数据预处理方法为化归一化；
归一化公式如下：
式中，xμ为样本均值，xδ为样本标准差；x为输入样本，即特征向量；x*为归一化后的数据；数据x*均值为0，方差为1。
5.根据权利要求1所述的基于深度学习的含不确定性N-1安全校核方法，其特征在于，深度神经网络直流潮流模型如下所示：
式中， 为第l层神经元的前馈传递函数；l＝1,2,…,n，n为神经网络层数；θ＝{W,b}为深度神经网络待优化参数；
第l层神经元的前馈传递函数 如下所示：
式中，Xl-1为第l层神经元的输入；Wl和bl为第l层神经元与第l-1层神经元间的权重矩阵和偏移向量；s为激活函数。
6.根据权利要求1所述的基于深度学习的含不确定性N-1安全校核方法，其特征在于，激活函数s如下所示：
7.根据权利要求1所述的基于深度学习的含不确定性N-1安全校核方法，其特征在于，对深度神经网络直流潮流模型进行训练的主要步骤如下：
1)将训练集输入到深度神经网络直流潮流模型中；
2)随机初始化深度神经网络直流潮流模型待优化参数θ；
3)利用RMSProp算法对深度神经网络参数进行第t次更新，即：
式中，▽θL为均方差损失函数对θ的偏导；⊙为哈密顿乘子；η为学习率；ε为常数；r为累积平方梯度；ρ为衰减速率；t为迭代次数；t初始值为1；
4)将验证集输入到深度神经网络直流潮流模型中，判断验证集的测试精度是否下降，若是，则停止迭代，若否，则判断迭代次数t>tmax是否成立，若是，则停止迭代，若否，则返回步骤2；tmax为最大迭代次数。
8.根据权利要求1所述的基于深度学习的含不确定性N-1安全校核方法，其特征在于，对输出特征向量Yout＝[θi,Pij]进行安全性验证的方法为：判断支路的有功潮流Pij>Pmax是否成立，若成立，则判断支路ij过载，若不成立，则支路ij处于安全状态。
基于深度学习的含不确定性N-1安全校核方法
技术领域
背景技术
[0002] 电力系统本质上运行在不确定的环境当中。N-1安全校核是保证系统安全的重要分析工具。近年来，由于光伏、风电等可再生能源渗透率越来越高，而风光等新能源具有随机性、间歇性，其大规模接入给电力系统带来了更多不确定性。为应对日益增长的不确定性对电力系统运行的影响，N-1安全校核除计及支路开断外还需考虑新能源波动等不确定性场景，这导致N-1安全校核面临新的计算挑战。
[0003] 目前，N-1安全校核一般采用直流潮流模型计算。直流潮流模型很好避免了避免交流潮流模型带来的计算不收敛和增加经济调度、机组组合等模型的复杂度等问题，但对于需要考虑新能源不确定性场景的N-1安全校核，假设需要考虑M个风电场，且每个风电场拥有10个不确定性场景，那么N-1安全校核需要进行N×10M次潮流计算，其计算负担较传统N-1安全校核将呈指数增长。因此，学者一直在寻求改进方法以提高N-1安全校核的速度。
[0004] 目前针对加快N-1安全校核速度的研究主要通过模型推导的方式进行场景缩减。一些研究通过建立优化模型削减场景数目，主要包括建立混合整数线性规划与两级规划模型、通过三级过滤方法减少校核场景数、利用迭代边界与连续修剪的方法进行场景缩减以及利用GPU加速电网连通性判断等。在考虑新能源不确定性、电力系统多时段问题等情况下，虽然采用上述方法能有效缩减场景数、加快单个场景的校核速度，但N-1安全分析需要校核的场景数依然庞大，其计算效率仍需进一步提升。综上所述，亟需研究一种高效的N-1安全校核方法。
发明内容
[0005] 本发明的目的是解决现有技术中存在的问题。
[0006] 为实现本发明目的而采用的技术方案是这样的，基于深度学习的含不确定性N-1安全校核方法，主要包括以下步骤：
[0007] 1)获取电力网络数据，并建立输入特征向量集Xin。
[0008] 进一步，所述电力网络数据包括电力网络拓扑结构和各节点源荷数据。
[0009] 进一步，输入特征向量集Xin＝[Pi,△Pij]和输出特征向量Yout＝[θi,Pij]。其中，Pi为连续特征向量，表示新能源节点注入有功功率总和。θi为节点相角，Pij为各支路的有功潮流。△Pij为离散特征向量，表示支路开断前后各支路的有功功率之差。
[0010] 支路开断前后各支路的有功功率之差△Pij如下所示：
[0011]
[0012] 式中， 为支路开断前各支路有功功率。 为支路开断后各支路有功功率。支路开断前后各支路的有功功率之差△Pij的维度为nbranch。nbranch为系统支路数。
[0013] 2)对特征向量进行预处理，并划分为训练集和验证集。
[0014] 数据预处理方法为化归一化。
[0015] 归一化公式如下：
[0016]
[0017] 式中，xμ为样本均值，xδ为样本标准差。x为输入样本，即特征向量。x*为归一化后的数据。数据x*均值为0，方差为1。
[0019] 深度神经网络直流潮流模型如下所示：
[0020]
[0021] 式中， 为第l层神经元的前馈传递函数。l＝1,2,…,n，n为神经网络层数。θ＝{W,b}为深度神经网络待优化参数。
[0022] 第l层神经元的前馈传递函数 如下所示：
[0023]
[0024] 式中，Xl-1为第l层神经元的输入。Wl和bl为第l层神经元与第l-1层神经元间的权重矩阵和偏移向量。s为激活函数。
[0025] 激活函数s如下所示：
[0026]
[0027] 4)利用训练集和验证集对深度神经网络直流潮流模型进行训练。
[0028] 对深度神经网络直流潮流模型进行训练的主要步骤如下：
[0029] 4.1)将训练集输入到深度神经网络直流潮流模型中。
[0030] 4.2)随机初始化深度神经网络直流潮流模型待优化参数θ。
[0032]
[0033] 式中，η为学习率。ε为常数。r为累积平方梯度。▽θL为均方差损失函数对θ的偏导。ρ为衰减速率。t为迭代次数。t初始值为1。
[0034] 4.4)将验证集输入到深度神经网络直流潮流模型中，判断验证集的测试精度是否下降，若是，则停止迭代，若否，则判断迭代次数t>tmax是否成立，若是，则停止迭代，若否，则返回步骤2。tmax为最大迭代次数。
[0035] 5)以电力网络实时数据建立测试集，并输入到训练后的深度神经网络直流潮流模型中，得到潮流输出特征向量Yout。
[0036] 6)对输出特征向量Yout＝[θi,Pij]进行安全性验证。
[0037] 对输出特征向量Yout＝[θi,Pij]进行安全性验证的方法为：判断支路的有功潮流Pij>Pmax是否成立，若成立，则判断支路ij过载，若不成立，则支路ij处于安全状态。
[0038] 本发明的技术效果是毋庸置疑的。本发明设计的特征向量能够有效涵盖N-1安全校核所具备的新能源、负荷连续型变化特征及拓扑结构变化特征。经样本训练后得到的直流潮流模型能够有效的来挖掘直流潮流方程输入输出间的复杂特征，可以直接对所有待校核的不确定场景进行潮流计算，为过载线路的确定以及运行方案的安全设计提供了技术支撑。
[0039] 本发明设计的适用于N-1安全校核的深度学习策略，从数据预处理方法、激活函数出发，采用z-score标准化方法来对潮流样本进行归一化预处理，结合ReLU激活函数与线性函数作为深度神经网络的激活函数以有效提取潮流特征，选择RMSProp学习算法就可以对深度神经网络直流潮流模型进行训练，有效地实现了最优参数θ的获取。
[0041] 图1为基于深度神经网络的直流潮流模型；
[0042] 图2为M1、M2、M3在算例1中的收敛速度对比；
[0043] 图3为M1与M3在算例2中的收敛速度对比；
[0044] 图4为M1与M5在算例1中的损失函数下降过程；
[0045] 图5为M1与M5在算例2中的损失函数下降过程。
具体实施方式
[0046] 下面结合实施例对本发明作进一步说明，但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本发明的保护范围内。
[0047] 实施例1：
[0048] 参见图1，基于深度学习的含不确定性N-1安全校核方法，主要包括以下步骤：
[0049] 1)获取电力网络数据，并建立输入特征向量集Xin。
[0050] 进一步，所述电力网络数据包括电力网络拓扑结构和各节点源荷数据。
[0051] 进一步，输入特征向量集Xin＝[Pi,△Pij]和输出特征向量Yout＝[θi,Pij]。其中，Pi为连续特征向量，表示新能源节点注入有功功率总和。θi为节点相角，Pij为各支路的有功潮流。△Pij为离散特征向量，表示支路开断前后各支路的有功功率之差。
[0052] 支路开断前后各支路的有功功率之差△Pij如下所示：
[0053]
[0054] 式中， 为支路开断前各支路有功功率。 为支路开断后各支路有功功率。支路开断前后各支路的有功功率之差△Pij的维度为nbranch。nbranch为系统支路数。在计算△Pij时，各节点负荷取为负荷均值，新能源出力取为额定值。该向量的维度为nbranch(其中，nbranch为系统支路数)，随系统规模的增大仅线性增长，同时不同拓扑之间各支路的有功功率之差均发生变化，因而不存在拓扑信息被淹没的问题，其值的大小还有效刻画了支路开断对各支路的影响程度，使得该向量有效地涵盖了拓扑结构变化对电力系统潮流的重要影响。
[0055] 值得注意的是，特征向量是深度神经网络进行函数拟合的物质基础。为建立深度神经网络直流潮流模型，使其能够有效提取考虑新能源不确定性场景的N-1安全校核特征，样本的输入特征向量中应涵盖N-1安全校核所具备的新能源、负荷连续型变化性特征及拓扑结构变化特征。
[0056] 针对连续型变化特征，本发明选取各连续型变量(新能源、负荷等)的节点注入有功功率总和作为输入特征向量。节点注入功率能有效反应新能源与负荷的波动，并且其维度仅为系统节点数。
[0057] 针对离散型变化特征，表示拓扑结构的常规方法包括导纳矩阵以及表示支路状态的0-1向量(支路断开用0表示，支路闭合用1表示)。导纳矩阵能够反映支路开断情况及节点关联关系，然而，将导纳矩阵作为特征向量时，其维度将随系统规模的增大而平方增长。虽然表示支路状态的0-1向量的维度随系统规模的增大仅线性增长，但其只能反映各支路的开断情况。而且以上两种方法都存在拓扑信息被淹没的问题，因而深度神经网络也难以有效提取支路开断对电力系统潮流的重要影响。对此，本发明提出以支路开断前后各支路的有功功率之差△Pij作为表示拓扑结构的特征向量
[0058] 2)对特征向量进行预处理，并划分为训练集和验证集。
[0059] 数据预处理方法为化归一化。
[0060] 考虑了支路断线引起的拓扑结构变化，潮流样本中存在少量偏离样本均值的数据点。例如，当某一支路断开时，该支路有功为0MW，而其余大部分情况下，该支路的有功仍在均值附近。min-max方法是利用样本中的最小值和最大值来执行归一化的，而因为偏离的数据点会影响max或min值，导致min-max方法易受少量偏离的数据点的影响。z-score方法是利用样本整体信息，即样本均值和样本标准差，来执行归一化，受偏离的数据点的影响较小，在消除数值问题的同时能更好地保存数据分布特点，故本发明选用以下归一化方法：
[0061]
[0062] 式中，xμ为样本均值，xδ为样本标准差。x为输入样本，即特征向量。x*为归一化后的数据。数据x*均值为0，方差为1。
[0063] 3)建立的深度神经网络直流潮流模型。
[0064] 深度神经网络直流潮流模型如下所示：
[0065]
[0066] 式中， 为第l层神经元的前馈传递函数。l＝1,2,…,n，n为神经网络层数。θ＝{W,b}为深度神经网络待优化参数。W表示权重，b表示偏移。
[0067] 第l层神经元的前馈传递函数 如下所示：
[0068]
[0069] 式中，Xl-1为第l层神经元的输入。Wl和bl为第l层神经元与第l-1层神经元间的权重矩阵和偏移向量。s为激活函数。
[0070] 激活函数s如下所示：
[0071]
[0072] 本实施例中，顶层前馈传递函数的激活函数设计为线性函数，其他层的激活函数为ReLU激活函数(线性整流函数，Rectified Linear Unit)。
[0073] 4)利用训练集和验证集对深度神经网络直流潮流模型进行训练。
[0074] 对深度神经网络直流潮流模型进行训练的主要步骤如下：
[0075] 4.1)将训练集输入到深度神经网络直流潮流模型中。
[0076] 4.2)随机初始化深度神经网络直流潮流模型待优化参数θ。
[0077] 4.3)利用RMSProp算法(Root Mean Square Prop，深度学习优化算法)对深度神经网络参数进行第t次更新，即：
[0078]
[0079] 式中，η为学习率。ε为常数。r为累积平方梯度。▽θL为均方差损失函数对θ的偏导。ρ为衰减速率。t为迭代次数。t初始值为1。
[0080] 4.4)将验证集输入到深度神经网络直流潮流模型中，判断验证集的测试精度是否下降，若是，则停止迭代，若否，则判断迭代次数t>tmax是否成立，若是，则停止迭代，若否，则返回步骤2。tmax为最大迭代次数。
[0081] 5)以电力网络实时数据建立测试集，并输入到训练后的深度神经网络直流潮流模型中，得到潮流输出特征向量Yout。
[0082] 6)对输出特征向量Yout＝[θi,Pij]进行安全性验证。
[0083] 对输出特征向量Yout＝[θi,Pij]进行安全性验证的方法为：判断支路的有功潮流Pij>Pmax是否成立，若成立，则判断支路ij过载，若不成立，则支路ij处于安全状态。
[0084] 实施例2：
[0085] 基于深度学习的含不确定性N-1安全校核方法，主要包括以下步骤：
[0086] 1)获取电力网络数据，并建立输入特征向量集Xin。
[0087] 2)对特征向量进行预处理，并划分为训练集和验证集。
[0088] 3)建立的深度神经网络直流潮流模型。
[0089] 4)利用训练集和验证集对深度神经网络直流潮流模型进行训练。
[0090] 5)以电力网络实时数据建立测试集，并输入到训练后的深度神经网络直流潮流模型中，得到潮流输出特征向量Yout。
[0091] 6)对输出特征向量Yout＝[θi,Pij]进行安全性验证。、
[0092] 实施例3：
[0093] 基于深度学习的含不确定性N-1安全校核方法，主要步骤见实施例2，其中，深度神经网络直流潮流模型如下所示：
[0094]
[0095] 式中， 为第l层神经元的前馈传递函数。l＝1,2,…,n，n为神经网络层数。θ＝{W,b}为深度神经网络待优化参数。
[0096] 第l层神经元的前馈传递函数 如下所示：
[0097]
[0098] 式中，Xl-1为第l层神经元的输入。Wl和bl为第l层神经元与第l-1层神经元间的权重矩阵和偏移向量。s为激活函数。
[0099] 激活函数s如下所示：
[0100]
[0101] 实施例4：
[0102] 基于深度学习的含不确定性N-1安全校核方法，主要步骤见实施例2，其中，对深度神经网络直流潮流模型进行训练的主要步骤如下：
[0103] 1)将训练集输入到深度神经网络直流潮流模型中。
[0104] 2)随机初始化深度神经网络直流潮流模型待优化参数θ。
[0105] 3)利用RMSProp算法对深度神经网络参数进行第t次更新，即：
[0106]
[0107] 式中，η为学习率。ε为常数。r为累积平方梯度。▽θL为均方差损失函数对θ的偏导。ρ为衰减速率。t为迭代次数。t初始值为1。通常设置ρ＝0.99,η＝0.001,ε＝1×10-8。
[0108] 4)将验证集输入到深度神经网络直流潮流模型中，判断验证集的测试精度是否下降，若是，则停止迭代，若否，则判断迭代次数t>tmax是否成立，若是，则停止迭代，若否，则返回步骤2。tmax为最大迭代次数。
[0109] 实施例5：
[0110] 验证基于深度学习的含不确定性N-1安全校核方法的实验，主要包括以下步骤：
[0111] 1)搭建系统：在IEEE 30节点系统中，本发明在节点5和12上引入了容量为10MW的光伏发电站，在节点10、15和27上引入了容量为16MW的风电场，新能源渗透率为20％。在IEEE 118节点系统中，本发明在节点13、14、16和23上引入了容量为250MW的光伏发电站，在母线59、80和90上引入了容量为330MW的风电场，新能源渗透率为20％。其中，风速服从两参数Weibull分布，尺度参数为2.016，形状参数为5.089，最大功率为16MW,切入风速、额定风速、切出风速分别3.5m/s、15m/s、25m/s。光照强度服从Beta分布，最大功率为20MW，Beta分布的α与β分别是2.06与2.5。负荷服从正态分布，均值为标准测试系统给定值，标准差为均值的10％。
[0112] 2)构建不同对比算例，分别如下：
[0113] 算例1：IEEE 30节点系统，新能源渗透率20％，负荷标准差为均值的10％。
[0114] 算例2：IEEE 118节点系统，新能源渗透率20％，负荷标准差为均值的10％。
[0116] M0：直流潮流，作为验证标准。
[0118] M2：以导纳矩阵作为拓扑结构特征向量的SDAE潮流模型。
[0119] M3：以表示支路状态的0-1向量作为拓扑结构特征向量的FDNN潮流模型。
[0120] M4：采用min-max归一化方法的M1。
[0121] M5：激活函数仅采用ReLU的M1。
[0122] 3)本发明按源荷分布、线路依次故障进行抽样产生样本并进行测试，针对不同算例，本发明采用的深度神经网络直流潮流模型参数具体如表1所示。本发明所有算例均在Intel(R)Core(TM)i7-9700K CPU@3.70GHz 32GB RAM的硬件环境下测试。
[0123] 为了对比不同方法的性能，本发明设计了如下指标：Pva电压相角绝对误差超过0.01rad的概率、Ppf支路有功绝对误差超过1MW的概率。
[0124] 表1不同算例下M1的参数设置
[0125] 算例 隐含层结构 训练样本数 验证样本数 测试样本数算例1 [100 100 100] 20000 10000 10000
算例2 [500 500 500] 50000 10000 10000
算例2 [500 500 500] 50000 10000 10000
[0126] 4)拓扑结构特征向量对结果的影响
[0127] 本节拟验证采用本发明所提特征向量的M1在相同的迭代次数(200次)下，较采用导纳矩阵的M2和采用0-1向量的M3计算潮流精度更高且训练收敛速度更快。
[0128] 在精度方面，三种方法M1-M3求得的绝对误差大于设定值的概率对比于表2。由表2可知，所提方法M1在算例1和算例2中计算结果绝对误差大于设定值的概率均小于5％。M2方法(将导纳矩阵作为表征拓扑结构的特征向量)虽能在算例1中获得较好的计算精度，而随着系统规模的增加，的输入特征向量呈指数级增长，其在算例2中表征拓扑结构的向量维度达到27848，超出了所用硬件环境的计算成本,无法进行训练。M3方法采用0-1向量作为表征拓扑结构的特征向量，其变化量少易被其他大量变化信息淹没，从而导致深度神经网络不能有效地挖掘算例2的潮流特征，在算例2的计算结果中，支路有功超过1MW的概率超过了16％。由此可见，采用所提特征向量的M1具有比M2、M3更高的模型精度。
[0129] 表2 M1、M2、M3的潮流计算精度比较
[0130]
[0131] 在收敛速度方面，算例1、算例2中M1、M2、M3在训练时的损失函数下降曲线分别如图2、图3所示。由图2可见，对于算例1，由于系统规模较小，M1、M2、M3三种方法皆能很好地挖掘算例1的潮流特征，三者的收敛速度相当。由图3可见，对于算例2，M1的收敛速度较M3有较大提高，训练结束时，M1、M3的损失函数分别为0.122和0.359，M1较M3的损失函数降低了66.0％。因此，综合而言，M1较M2、M3具有更快的收敛速度。
[0132] 5)归一化方法对结果的影响
[0133] 在收敛条件下(满足早停法或迭代次数不超过迭代阈值1000)，采用本发明所设计的z-score标准化方法M1与采用min-max标准化方法的M4计算直流潮流的精度结果如表3所示。由表1可知，对于算例1、算例2，M1计算结果中绝对误差大于设定值的概率均小于M4。其中，对于算例1，M1的计算结果中，绝对误差大于设定值的概率均在0.3％以下。而M4的计算结果中，电压相角的绝对误差大于设定值的概率为3.5％，而支路有功的绝对误差大于设定值的概率均超过了14％。对于算例2，M1的计算结果中，绝对误差大于设定值的概率均在1.9％以下。而M2的计算结果中，电压相角以及支路有功的绝对误差大于设定值的概率均超过了69％。由此可见，M1所采用的z-score标准化方法更适合处理考虑了拓扑结构变化的潮流样本。
[0134] 表3 M1和M4的潮流计算精度比较
[0135]
[0136] 6)激活函数对结果的影响
[0137] 图4、图5分别展示了算例1、算例2中采用M1与M5训练时的损失函数下降曲线。从图中可以看出，无论在算例1还是算例2中采用所设计的激活函数M1较仅采用ReLU激活函数的M5都能收敛到更低的损失函数。在算例1中，采用M1与M5方法进行训练都在达到迭代阈值后收敛，损失函数值分别降到0.747和11.694。可见，本发明所提方法M1较M5能有效降低损失函数值93.6％。在算例2中，M1在达到迭代阈值1000后收敛，M5在迭代到425次时满足早停法收敛条件停止训练。训练收敛后的M1与M5分将算例2的损失函数降到0.033和27.575，本发明所提方法同样体现出了明显的优势，较M5能有效降低损失函数值99.9％。由此可知，本发明将最后一层损失函数设计为线性函数能使深度神经网络捕捉更宽泛的输出，从而更好地匹配数据预处理方法有效挖掘潮流特征。
[0138] 7)基于深度学习技术的N-1安全校核性能分析
[0139] 本节从计算精度与计算速度两方面分析基于深度学习技术的N-1安全校核性能。其中，深度神经网络的训练收敛条件是满足早停法或迭代次数不超过迭代阈值1000。假设算例1每个新能源场站有4个待校验场景，算例2中每个新能源场站有3个待校验场景。则算例1与算例2分别需校验41986和406782个场景。
[0140] 采用训练完毕的深度神经网络直流潮流模型直接映射所有待校验场景的潮流并根据结果进行支路越限判断。本发明以待校验场景的所有节点相角平均计算误差、支路功率平均计算误差以及支路越限判断准确率(校核准确率)来评判本发明所提方法的计算精度。另外，指的注意的是，由于IEEE 118节点系统没有支路功率阈值，因此本发明采用波士顿118节点系统的支路功率阈值代替。采用所提方法M1计算N-1安全校核的统计结果如表4所示。从表4中，可以看到，M1在算例1和算例2中的节点相角平均计算误差分别为-1.0×10-5rad和3.9×10-5rad，M1在算例1和算例2中的支路功率平均计算误差分别为-1.7×10-3MW和2.1×10-3MW。由本发明所提方法进行N-1安全校核的准确率在两个算例中都能达到
99.9％以上。由此可见，本发明所提方法对潮流计算的拟合精度高，N-1安全校核准确率能有效满足工业应用需求。
99.9％以上。由此可见，本发明所提方法对潮流计算的拟合精度高，N-1安全校核准确率能有效满足工业应用需求。
[0141] 表4 M1安全校核精度分析
[0142] 算例 Mean_Pij(MW) Mean_θ(rad) 校核准确率算例1 -1.7×10-3 -1.0×10-5 99.96％
算例2 2.1×10-3 3.9×10-5 99.99％
算例2 2.1×10-3 3.9×10-5 99.99％
[0143] 表5为本发明所提方法M1与工业界目前采用的方法M0计算安全校核的时间对比。从表中可以看到，本发明所提方法在两个算例中都能极大地缩短计算时间。其中，在算例1中，本发明所提方法仅需要0.12秒，而采用工业界方法M0需要64.16秒，本发明所提方法能将计算速度提高535倍。在算例2中，本发明所提方法也在计算速度方面显示了明显的优势。
采用M1和M0计算N-1安全校核的计算时间分别为8.50秒与820.09秒，采用本发明所提方法的N-1校核速度教工业界方法提高96倍。因此，本发明所提方法在保证高校核准确率下，能近百倍地提高N-1安全校核速度。值得注意的是，随着新能源场站的增加、考虑多时段等问题，工业界求解方法的计算时间将成倍增长，本发明所提方法的优势将愈加明显。
采用M1和M0计算N-1安全校核的计算时间分别为8.50秒与820.09秒，采用本发明所提方法的N-1校核速度教工业界方法提高96倍。因此，本发明所提方法在保证高校核准确率下，能近百倍地提高N-1安全校核速度。值得注意的是，随着新能源场站的增加、考虑多时段等问题，工业界求解方法的计算时间将成倍增长，本发明所提方法的优势将愈加明显。
[0144] 表5 M0与M1计算N-1安全校核速度对比
[0145]
[0146] 本发明从特征向量构造及学习策略设计两方面入手，提出了基于深度学习技术的N-1快速校核方法。将节点注入功率与支路开断前后的支路功率差构造为表征源荷、拓扑结构变化的输入特征向量，使得深度神经网络能有效提取源荷、拓扑结构变化对潮流的重要影响。此外，在分析常规数据预处理方法和激活函数的数学特性后，采用z-score标准化方法来对潮流样本进行归一化预处理；进而结合ReLU激活函数与线性函数作为深度神经网络的激活函数以有效提取潮流特征，从而形成一套适用于N-1校核的深度神经网络学习策略。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种机制砂厂淤泥的处理方法 | 2020-05-12 | 273 |
| 一种基于数据流虚拟资产在线异常发现的方法 | 2020-05-14 | 184 |
| 一种新型的在线水质分析系统及其实现方法 | 2020-05-08 | 753 |
| 一种荒漠植物霸王的微卫星分子标记及其应用 | 2020-05-11 | 366 |
| 一种生物质综合利用系统及方法 | 2020-05-14 | 1003 |
| 基于多主体技术的光纤光栅变压器多参量智能监测系统 | 2020-05-14 | 226 |
| 基于DS证据理论的海洋水质数据在线分析评价方法 | 2020-05-11 | 821 |
| 一种保护CEMS在线分析仪表的预处理装置 | 2020-05-11 | 415 |
| 一种pH在线分析仪 | 2020-05-11 | 294 |
| PM2.5浓度检测装置 | 2020-05-11 | 723 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈