考虑风电不确定性的配电网概率潮流获取方法、装置
技术领域
[0001] 本
发明属于含分布式电源的配电网概率潮流计算技术领域，尤其涉及考虑风电不确定性的配电网概率潮流获取方法、装置。
背景技术
[0002] 在
能源紧缺和
全球变暖的形势下，大量分布式电源接入配电网，使得传统配电网演变为多电源的复杂网络，且以风电为主的分布式电源出
力具有随机性、间歇性，这给配电系统的规划运行、经济调度带来不良影响。因此精确地描述风电的不确定性成为一个热
门问题。
[0003] 概率潮流计算可以全面反映不确定性对系统运行状态的影响，是电力系统规划和安全可靠分析的重要工具。其计算方法中的蒙特卡洛模拟法计算
精度高且能得到输出随机变量的概率分布，但需要建立准确的输入变量概率模型。现有的概率模型方法分为参数法和非参数法。而参数法需要提前假定研究对象服从的概率分布，准确性和适用性差；非参数法中核函数的选择、参数的求解具有难度。当系统中包含多个输入随机变量时，需要采用空间变换法或Copula函数分析法处理变量之间的相关性。其中空间变换法只能描述某一种相关性，而Copula函数法对于高维随机变量有很大局限性，且两种方法的计算过程复杂繁琐。
[0004] 总体而言，大部分传统方法先拟合多维随机变量的联合概率分布，而后从中抽样获得多个风机的功率数据。这些方法主要有以下
缺陷：联合概率分布的假设是否合理直接关乎计算结果的准确性，由于实际现场环境复杂多样，找到一个具有广泛适用性并且易于求解参数的联合概率分布十分困难。
[0005] 因此，考虑到这些问题，本发明提供一种考虑风电不确定性的配电网概率潮流计算方法，利用双向生成网络(Bidirectional Generative Adversarial Networks，BIGAN)强大的表达能力，可以找出给定观测数据内部的统计规律，无需概率建模，生成的数据在保证多样性的同时能很好地反映实际发电单元的
时空特性，从而克服传统概率模型准确性差、求解参数复杂以及多维随机变量相关性难以描述的难题，在考虑风电出力不确定性的环境下，更准确地得到概率潮流计算的结果。
发明内容
[0006] 本发明的目的在于克服
现有技术的不足，提供一种考虑风电不确定性的配电网概率潮流计算方法，利用双向生成网络(Bidirectional Generative Adversarial Networks，BIGAN)强大的表达能力，可以找出给定观测数据内部的统计规律，无需概率建模，生成的数据在保证多样性的同时能很好地反映实际发电单元的时空特性，从而克服传统概率模型准确性差、求解参数复杂以及多维随机变量相关性难以描述的难题，在考虑风电出力不确定性的环境下，更准确地得到概率潮流计算的结果。
[0007] 本发明解决其技术问题是采取以下技术方案实现的：
[0008] 考虑风电不确定性的配电网概率潮流获取方法，所述方法包括如下步骤：
[0009] S1、构建双向生成对抗网络的网络结构：所述双向生成对抗网络包括
编码器、生成器、判别器，其中，所述编码器、生成器、判别器的网络结构采用全连接层的
人工神经网络，且全连接层均采用LeakyReLU激活函数；生成器的
输出层使用Tanh函数，判别器的输出层采用Sigmoid激活函数；在判别器的全连接层后添加Dropout层，在所述编码器、生成器、判别器的各层输入前添加分批标准化层；
[0010] S2、对步骤S1中的双向生成对抗网络进行训练；
[0011] S3、双向生成对抗网络训练完成后，截取生成器作为生成模型，输入服从高斯分布的一维随机噪声z，得到二维矩阵，将矩阵数据变换成一维的风电功率曲线，并进行反归一化得到符合原始数据概率分布的风功率数据；
[0012] S4、将
节点负荷及步骤S3中得到的风功率数据输入概率潮流计算模型，采用前推回代法计算
输出节点电压及支路功率。
[0013] 进一步的，所述步骤S2中的双向生成对抗网络的训练方法为：
[0014] S201、训练集数据预处理：获取真实的风功率数据，采用max-min标准化方法，将风功率数据映射到[-1，1]区间，并将一维的风功率数据变换成二维的矩阵数据；
[0015] S202、根据双向生成对抗网络的目标函数进行
迭代训练：在训练过程中，编码器以步骤S201中得到的矩阵数据x为输入，产生样本E(x)，生成器以服从高斯分布的一维随机噪声z为输入，产生样本G(z)，判别器以(x,E(x))和(z,G(z))两组数据作为输入，区分其来自编码器还是生成器；
[0016] S203、判断判别器是否能正确区分(x,E(x))和(z,G(z))两组数据，若能，则继续训练过程；否则，训练结束。
[0017] 进一步的，所述步骤S202中双向生成对抗网络的目标函数为：
[0018]
[0019] 式中，V(D,E,G)表示双向生成对抗网络的目标函数；G、D和E表示生成器、判别器和编码器；E[·]表示给定随机变量的期望值；x代表真实的风功率数据，服从真实数据分布PX(x)，PX(x)表示x的概率
密度；z代表生成器的输入变量，服从高斯分布PZ(z)，PZ(z)表示z的概率密度；G(z)表示生成器的输出；log表示以10为底的对数操作；D(x,E(x))表示判别器判断(x,E(x))来自于编码器的概率；D(G(z),z)表示判别器判断(z,G(z))来自于生成器的概率。
[0020] 进一步的，所述步骤S4中的概率潮流计算模型为：
[0021]
[0022] 式中，Y是系统节点注入功率，V为节点电压，Z为支路功率；函数f(·)、g(·)是确定性潮流方程。
[0023] 进一步的，所述步骤S4中负荷的随机性用正态分布表示，均值为原始系统参数值，方差是均值的10％。
[0024] 考虑风电不确定性的配电网概率潮流获取装置，包括：
[0025] 双向生成对抗网络的网络结构构建模
块，用于构建包括编码器、生成器、判别器的双向生成对抗网络的网络结构，其中，所述编码器、生成器、判别器的网络结构采用全连接层的人工神经网络，且全连接层均采用LeakyReLU激活函数；生成器的输出层使用Tanh函数，判别器的输出层采用Sigmoid激活函数；在判别器的全连接层后添加Dropout层；在所述编码器、生成器、判别器的各层输入前添加分批标准化层；
[0026] 双向生成对抗网络训练模块，用于对双向生成对抗网络构的网络结构建模块构建的双向生成对抗网络进行训练；
[0027] 风功率数据生成模块，用于双向生成对抗网络训练完成后，截取生成器作为生成模型，输入服从高斯分布的一维随机噪声z，得到二维矩阵，将矩阵数据反变换成一维的风电功率曲线，并进行反归一化得到符合原始数据概率分布的风功率数据；
[0028] 概率潮流计算模块，用于将节点负荷及风功率数据获取模块中得到的风功率数据输入概率潮流计算模型，采用前推回代法计算输出节点电压及支路功率。
[0029] 一种计算设备，包括：
[0030] 一个或多个处理单元；
[0031] 存储单元，用于存储一个或多个程序，
[0032] 其中，当所述一个或多个程序被所述一个或多个处理单元执行，使得所述一个或多个处理单元执行上述的考虑风电不确定性的配电网概率潮流获取方法。
[0033] 一种具有处理器可执行的非易失的程序代码的计算机可读存储介质，所述
计算机程序被处理器执行时实现上述的考虑风电不确定性的配电网概率潮流获取方法的步骤。
[0034] 本发明的优点和积极效果是：
[0035] (1)本发明提出的BIGAN描述风电不确定性的方法无显式概率建模，完全数据驱动，适用于不同的时间和空间下，且产生的样本不仅能精确模拟风电功率的时间相关性、概率分布特性，还能涉及多个风机的空间相关性，解决了传统概率模型的难点和缺陷；
[0036] (2)本发明提出的BIGAN模型易于扩展，不仅可用于描述多个风机的出力，也可用于多个光伏的出力，或者风电和光伏的联合出力；
[0037] (3)本发明采用BIGAN刻画风电不确定性的概率潮流计算方法可以全面给出输出随机变量的数字特征、概率密度和累积概率等结果，与基于原始数据的时序法相比误差小，有较高的计算精度，且潮流计算的次数减少，提高了计算效率，在实际工程中有较高的应用价值。
附图说明
[0038] 以下将结合附图和
实施例来对本发明的技术方案作进一步的详细描述，但是应当知道，这些附图仅是为解释目的而设计的，因此不作为本发明范围的限定。此外，除非特别指出，这些附图仅意在概念性地说明此处描述的结构构造，而不必要依比例进行绘制。
[0039] 图1为本发明实施例提供的考虑风电不确定性的配电网概率潮流获取方法中BIGAN的拓扑结构图；
[0040] 图2为本发明实施例提供的考虑风电不确定性的配电网概率潮流获取方法中BIGAN的网络结构参数示意图；
[0041] 图3为本发明实施例提供的考虑风电不确定性的配电网概率潮流获取方法中判别器准确率变化趋势示意图；
[0042] 图4为本发明实施例提供的考虑风电不确定性的配电网概率潮流获取方法中模拟数据和真实数据的风功率曲线图；
[0043] 图5为本发明实施例提供的考虑风电不确定性的配电网概率潮流获取方法中模拟数据和真实数据的自相关系数图；
[0044] 图6为本发明实施例提供的考虑风电不确定性的配电网概率潮流获取方法中模拟数据和真实数据的概率分布图；
[0045] 图7为本发明实施例提供的考虑风电不确定性的配电网概率潮流获取方法中模拟数据和真实数据皮尔逊系数矩阵差的绝对值示意图；
[0046] 图8为本发明实施例提供的修正后的IEEE 33节点系统示意图；
[0047] 图9为本发明实施例提供的各个节点的电压均值图；
[0048] 图10为本发明实施例提供的节点18的电压概率密度图；
[0049] 图11为本发明实施例提供的节点18的累积概率示意图；
[0050] 图12为本发明实施例提供的有功损耗的概率密度示意图；
[0051] 图13为本发明实施例提供的有功损耗的累积概率示意图；
[0052] 图14为本发明实施例提供的无功损耗的概率密度示意图；
[0053] 图15为本发明实施例提供的无功损耗的累积概率示意图。
具体实施方式
[0054] 首先，需要说明的是，以下将以示例方式来具体说明本发明的具体结构、特点和优点等，然而所有的描述仅是用来进行说明的，而不应将其理解为对本发明形成任何限制。此外，在本文所提及各实施例中予以描述或隐含的任意单个技术特征，仍然可在这些技术特征(或其等同物)之间继续进行任意组合或删减，从而获得可能未在本文中直接提及的本发明的更多其他实施例。
[0055] 需要说明的是，在不冲突的情况下，本
申请中的实施例及实施例中的特征可以相互组合。
[0056] 下面结合图1-15具体说明本发明
[0057] 实施例1
[0058] 如图1-15所示，考虑风电不确定性的配电网概率潮流获取方法，所述方法包括如下步骤：
[0059] S1、构建双向生成对抗网络的网络结构：双向生成对抗网络包括编码器、生成器、判别器，其中，所述编码器、生成器、判别器的网络结构采用全连接层的人工神经网络，且全连接层均采用LeakyReLU激活函数；生成器的输出层使用Tanh函数，判别器的输出层采用Sigmoid激活函数；在判别器的全连接层后添加Dropout层。在各层输入前添加分批标准化层。本实施例中BIGAN的拓扑结构如图1所示，编码器、生成器、判别器的具体网络结构如图2所示，其中LeakyReLU激活函数的alpha是0.2；Dropout层数值为0.25；分批标准化层中动量momentum为0.8；
[0060] S2、对步骤S1中的双向生成对抗网络进行训练，训练方法为：
[0061] S201、训练集数据预处理：获取训练样本的风功率数据，本实施例以美国某地区相邻的9个风
电机组从2012年1月1日到2012年12月31日的实际数据为仿真数据，随机选取90％的数据作为训练集，剩下10％的数据作为测试集。训练样本包括9个风电机组的功率，数据
采样间隔是10min，每个风机包括144个数据，因此每个样本一天有1296个数据点，将这
1296个点重塑为36×36的矩阵作为训练集。采用max-min标准化方法，将风功率数据映射到[-1，1]区间，并将一维的风功率数据变成二维的矩阵数据；
[0062] S202、根据双向生成对抗网络的目标函数进行迭代训练：在训练过程中，编码器以步骤S201中得到的矩阵数据x为输入，产生样本E(x)，生成器以服从高斯分布的一维随机噪声z为输入，产生样本G(z)，判别器以(x,E(x))和(z,G(z))两组数据作为输入，区分其来自编码器还是生成器；
[0063] 其中，双向生成对抗网络的目标函数为：
[0064]
[0065] 式中，V(D,E,G)表示双向生成对抗网络的目标函数；G、D和E表示生成器、判别器和编码器；E[·]表示给定随机变量的期望值；x代表真实的风功率数据，服从真实数据分布PX(x)，PX(x)表示x的概率密度；z代表生成器的输入变量，服从高斯分布PZ(z)，PZ(z)表示z的概率密度；G(z)表示生成器的输出；log表示以10为底的对数操作；D(x,E(x))表示判别器判断(x,E(x))来自于编码器的概率；D(G(z),z)表示判别器判断(z,G(z))来自于生成器的概率；
[0066] S203、判断判别器是否能准确区分(x,E(x))和(z,G(z))两组数据，若能，则继续训练过程；否则，训练结束。理想状态下，生成器生成足以“以假乱真”的G(z)，编码器生成类似高斯分布的样本E(x)，对于判别器而言，无法判定区分(x,E(x))和(z,G(z))，即D(x,E(x))＝D(G(z),z)＝0.5。
[0067] 需要说明的是，训练的批梯度下降(mini-batch)大小为32，优化器选用Adam，学习率设定为0.0002；
[0068] 图3为判别器的准确率随迭代次数变化的曲线，从中发现：在训练初期，由于网络参数没有训练好，编码器生成的
特征向量与高斯分布有很大不同，同时生成器产生的风功率和真实数据有较大偏差，因此判别器很容易区分输入数据对的来源，准确率较高。随着迭代次数的增加，判别器的准确率逐渐下降，最终在0.5上、下范围
波动，这说明在训练后期，编码器将真实数据转换成高斯分布，而生成器将服从高斯分布的随机噪声转换成真实数据，产生的风功率曲线和真实曲线高度相似，导致判别器难以区分，达到纳什均衡。
[0069] S3、双向生成对抗网络训练完成后，截取生成器作为生成模型，输入服从高斯分布的一维随机噪声z，得到二维矩阵，将矩阵数据变换成一维的风电功率曲线，并进行反归一化得到符合原始数据概率分布的风功率数据；
[0070] 训练好双向生成对抗网络后，输入100组维度为10的服从高斯分布的随机数可得到100组风功率样本。计算生成的风功率曲线和测试集中真实风功率曲线之间的欧式距离，并选出距离最小的真实曲线和模拟曲线以及对应的自相关系数如图4、5所示，从图4、5的功率曲线中可以看出：尽管测试集不参与训练，生成器却能模拟出和测试集相似的风功率曲线，这说明所提方法能够产生符合实际情况的数据。另外，从自相关函数可以看出，模拟风功率曲线较好地还原了真实风功率曲线的时间相关性。
[0071] 在风功率短期特性被验证后，分析风电机组出力的长期特性，对366组真实数据和100组生成数据的概率分布进行统计分析，如图6所示。图6说明相比于传统方法，BIGAN生成的数据较好拟合了真实风功率的概率分布，BIGAN学习到了真实数据之间的分布规律。以上风功率的短期特性、自相关系数、概率分布都是对一个风电机组的验证，但仿真数据对象是相邻9个风电机组，它们的出力具有空间相关性，所以选用皮尔逊系数对BIGAN生成数据的相关性进行验证，图7展示了真实和模拟的9个风机皮尔逊系数矩阵差的绝对值；从图中可以发现：皮尔逊系数之差不大于0.086，这说明生成对抗网络在模拟多个风电机组功率的同时，还能很好地捕获风电机组之间的相关性。
[0072] 综合上述分析，BIGAN模型能同时刻画风功率的时间相关性、概率分布特性，以及多个风电机组的空间相关性，整个过程无需人工干预，完全数据驱动。与传统概率模型相比，产生的风功率数据更能代表实际运行状况，且学习风功率特征所需的时间大幅缩短。
[0073] S4、将节点负荷及步骤S3中得到的风功率数据输入概率潮流计算模型，采用前推回代法计算输出节点电压及支路功率；
[0074] 进一步的，所述步骤S4中的概率潮流计算模型为：
[0075]
[0076] 式中，Y是系统节点注入功率，V为节点电压，Z为支路功率；函数f(·)、g(·)是确定性潮流方程。
[0077] 进一步的，所述步骤S4中负荷的随机性用正态分布表示，均值为原始系统参数值，方差是均值的10％。
[0078] 作为举例，采用IEEE 33节点系统作为概率潮流计算的算例，其拓扑结构如图8所示；其中节点1为
馈线根节点，UN＝12.66kV；从BIGAN生成的9个风电机组数据中选择前4个接入测试系统进行概率潮流计算，在节点10、13、15、31接入风机WT1、WT2、WT3、WT4，各风机采用恒功率因数控制，功率因数为0.9；IEEE 33节点总负荷为3715+j2300kVA，各节点负荷服从正态分布，均值为原始系统参数值，方差是均值的10％。
[0079] 以BIGAN生成的100*144个样本和服从正态分布的负荷样本为输入随机变量，进行1400次前推回代确定性潮流计算，然后统计分析输出随机变量的均值、概率分布和累积概率。以上方法记为“本文方法”。以366*144个历史风功率数据为输入进行52704次潮流计算，然后对输出随机变量进行统计，简称“时序法”。将时序法作为参考标准，检验本文方法的计算精度。
[0080] 图9是各节点电压的均值，由图可见，本文方法得到的各节点电压的均值与时序法计算的结果几乎重合，误差非常小。表1给出了节点18电压的均值、标准差以及越下限概率(以最大允许电压偏移7％为标准)。由表1可知，本文方法相比于时序法，电压均值的相对误差小于0.06％，标准差的相对误差小于3.92％，越下限概率的相对误差小于1.94％，可见本文方法的计算精度较高；为进一步观察节点18电压的概率分布，图10、11给出了电压幅值的概率密度和累积概率，由图可知，本文方法得到的节点18电压上下限以及波动变化和时序方法的计算结果非常吻合。
[0081] 表1
[0082] 电压均值/p.u. 电压标准差/p.u. 电压越下限概率时序法 0.9322 0.0153 0.514
本文方法 0.9328 0.0147 0.504
相对误差 0.06％ 3.92％ 1.94％
[0083] 概率潮流计算的输出除了节点电压还有各支路的有功功率、
无功功率，为验证本文方法的计算精度，对有功损耗、无功损耗的数字特征、概率分布和累积概率进行对比。表2给出了网络损耗的数字特征，由表可知，有功损耗均值的相对误差小于0.65％，标准差的相对误差小于2.78％；无功损耗均值的相对误差小于0.98％，标准差的相对误差小于4％，网络损耗是系统所有支路损耗的加和，所以每条支路功率的相对误差会更小。图12、13为有功损耗的概率密度和累积概率，图14、15为无功损耗的概率密度和累积概率，从图中可以得出，本文方法计算得到的输出随机变量与时序法计算结果非常一致，计算精度较高。
[0084] 表2
[0085]
[0086] 综合上述分析，本文方法进行概率潮流的计算结果在数字特征、概率分布以及累积概率方面与时序法计算结果非常一致，计算精度较高，且减少了潮流计算的次数，节省了计算时间。
[0087] 采用双向生成对抗网络描述风电不确定性的配电网概率潮流计算方法，包括：
[0088] 双向生成对抗网络的网络结构构建模块，用于构建包括编码器、生成器、判别器的双向生成对抗网络的网络结构，其中，所述编码器、生成器、判别器的网络结构采用全连接层的人工神经网络，且全连接层均采用LeakyReLU激活函数；生成器的输出层使用Tanh函数，判别器的输出层采用Sigmoid激活函数；在判别器的全连接层后添加Dropout层；在各层输入前添加分批标准化层；
[0089] 双向生成对抗网络训练模块，用于对双向生成对抗网络的网络结构构建模块构建的双向生成对抗网络进行训练；
[0090] 风功率数据生成模块，用于双向生成对抗网络训练完成后，截取生成器作为生成模型，输入服从高斯分布的一维随机噪声z，得到二维矩阵，将矩阵数据反变换成一维的风电功率曲线，并进行反归一化得到符合原始数据概率分布的风功率数据；
[0091] 概率潮流计算模块，用于将节点负荷及风功率数据获取模块中得到的风功率数据输入概率潮流计算模型，采用前推回代法计算输出节点电压及支路功率。
[0092] 一种计算设备，包括：
[0093] 一个或多个处理单元；
[0094] 存储单元，用于存储一个或多个程序，
[0095] 其中，当所述一个或多个程序被所述一个或多个处理单元执行，使得所述一个或多个处理单元执行上述的考虑风电不确定性的配电网概率潮流获取方法；需要说明的是，计算设备可包括但不仅限于处理单元、存储单元；本领域技术人员可以理解，计算设备包括处理单元、存储单元并不构成对计算设备的限定，可以包括更多的部件，或者组合某些部件，或者不同的部件，例如计算设备还可以包括输入输出设备、网络接入设备、总线等。
[0096] 一种具有处理器可执行的非易失的程序代码的计算机可读存储介质，所述计算机程序被处理器执行时实现上述的考虑风电不确定性的配电网概率潮流获取方法；需要说明的是，可读存储介质例如可以是，但不限于，电、磁、光、电磁、红外线、或
半导体的系统、装置或器件，或者任意以上的组合；可读介质上包含的程序可以用任何适当的介质传输，包括，但不限于无线、有线、光缆，RF等等，或者上述的任意合适的组合。例如，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java，C++等，还包括常规的过程式程序设计语言，诸如C语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的
软件包执行，或者完全在远程计算设备或
服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
[0097] 以上实施例对本发明进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的
专利涵盖范围之内。
