CN108304623B - 一种基于堆栈降噪自动编码器的概率潮流在线计算方法 - Google Patents
一种基于堆栈降噪自动编码器的概率潮流在线计算方法 Download PDFInfo
- Publication number
- CN108304623B CN108304623B CN201810033776.1A CN201810033776A CN108304623B CN 108304623 B CN108304623 B CN 108304623B CN 201810033776 A CN201810033776 A CN 201810033776A CN 108304623 B CN108304623 B CN 108304623B
- Authority
- CN
- China
- Prior art keywords
- layer
- dae
- power flow
- sdae
- vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 45
- 230000009467 reduction Effects 0.000 title claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 132
- 238000000034 method Methods 0.000 claims abstract description 97
- 239000013598 vector Substances 0.000 claims description 138
- 239000011159 matrix material Substances 0.000 claims description 78
- 230000006870 function Effects 0.000 claims description 55
- 230000008859 change Effects 0.000 claims description 28
- 210000002569 neuron Anatomy 0.000 claims description 24
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 150000001875 compounds Chemical class 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 9
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 230000007797 corrosion Effects 0.000 claims description 7
- 238000005260 corrosion Methods 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000005286 illumination Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 3
- 230000003628 erosive effect Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 14
- 238000009966 trimming Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000005530 etching Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000007430 reference method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于堆栈降噪自动编码器的概率潮流在线计算方法,主要包括以下步骤:1)建立SDAE概率潮流模型。2)获取所述SDAE概率潮流模型的训练样本。3)初始化所述SDAE概率潮流模型。4)对所述SDAE概率潮流模型进行训练,从而得到训练后的SDAE概率潮流模型。5)获取计算样本。6)将步骤5得到的计算样本数据一次性输入步骤4中训练完成的SDAE概率潮流模型中,得到所述训练目标,从而判断所有训练样本的潮流可解性;计算可解样本的潮流值。7)统计概率潮流指标。本发明可广泛应用于电力系统的概率潮流在线计算,特别适用于新能源高比例接入导致电力系统不确定性增强的情况。
Description
技术领域
本发明涉及电力系统及其自动化领域,具体是一种基于堆栈降噪自动编码器的概率潮流在线计算方法。
背景技术
电力系统本质上运行在不确定的环境当中。概率潮流可计及不确定性因素的影响,获取系统状态变量的概率特征,并用于电力系统规划和运行等方面。近年来,由于光伏、风电等可再生能源渗透率越来越高,电力系统不确定性激增。为了满足电力系统运行调度的要求,在线概率潮流计算的需求愈发迫切。
目前,概率潮流求解方法主要有解析法和模拟法。解析法(卷积法、点估计法、一次二阶矩法等)虽然计算量较小,但忽略了潮流不可解情况。同时,随着输入随机变量的增多,会造成输出变量数字特征精度损失。模拟法以MCS法为基础,计算结果精确,可以作为验证其他方法的参考,但需要大量抽样系统状态,从而导致计算时间较长。因此,研究人员一直在寻求改进方法以减少MCS法计算概率潮流的计算时间。
目前针对MCS法计算概率潮流的改进主要分为改进抽样方法和改进潮流计算方法。改进抽样方法包括重要抽样法、拉丁超立方采样法、拟蒙特卡洛法等,可有效减少模拟样本数,相应的理论研究已较为成熟,但依然难以在线应用。改进潮流计算方法主要分为改进迭代算法和非迭代算法。改进迭代算法大多基于牛顿法,如快速解耦法、拟牛顿法等,一定程度上加快了潮流求解的速度,但仍然需要迭代计算,因此难以用于在线分析。改进非迭代算法,如直流潮流算法、传统神经网络算法等,已经展现出在线计算的能力,但其存在潮流计算精度不高等缺点。综上所述,亟需研究一种兼顾计算精度和速度的概率潮流在线算法。
发明内容
本发明的目的是解决现有技术中存在的问题。
为实现本发明目的而采用的技术方案是这样的,一种基于堆栈降噪自动编码器的概率潮流在线计算方法,主要包括以下步骤:
1)建立SDAE概率潮流模型。
进一步建立SDAE潮流模型的主要步骤如下:
1.1)将电力系统中新能源节点的有功功率、新能源节点的无功功率、负荷节点的有功功率和负荷节点的无功功率作为所述SDAE潮流模型的原始输入X。
式中,qD为以随机映射为方式的腐蚀过程,即随机选取一定数量的原始输入X置零。X为所述SDAE潮流模型的原始输入。
编码函数fθ如下所示:
fθ=s(x)=1/(1+e-x)。 (2)
中间层Y的输出如下所示:
式中,W为编码器的权值。W是一个dy×dx维的矩阵。b为编码器的偏置。b是一个dy维的向量。dx为输入层向量的维度。dy为中间层向量的维度。
1.3)中间层输出Y通过解码器的解码函数gθ′得到输出层Z的输出,从而建立DAE模型。
编码函数gθ′如下所示:
gθ′=s(x')=1/(1+e-x')。 (4)
式中,x'指代中间层输出Y。
输出层Z的输出如下所示:
Z=gθ′(Y)=s(W′Y+b′) 。 (5)
其中,W′为解码器权值。W′是一个dx×dy维的矩阵。b′为解码器偏置。b′是一个dx维的向量。dx为输入层向量的维度。dy为中间层向量的维度。
1.4)将n层所述DAE模型逐层堆叠。下层DAE模型的中间层作为上层DAE模型的输入层,从而得到SDAE概率潮流模型。
SDAE概率潮流模型的输出Yt如下所示:
2)通过实时监测电力系统、对电力系统进行仿真和实验的方法获取所述SDAE概率潮流模型的训练样本,记录所有训练样本的潮流值,并标记潮流不可解的训练样本。
3)初始化所述SDAE概率潮流模型。初始化所述SDAE概率潮流模型主要包括数据预处理和确定DAE潮流模型参数。
数据预处理:根据DAE潮流模型超参数的确定练样本数据量,将训练样本输入和训练样本输出分成q个批量。使用最大最小法对训练样本输入和训练样本输出进行归一化处理。
确定DAE潮流模型参数:根据系统的规模和复杂程度设定SDAE潮流模型的层数l和每层神经元的个数。
4)确定训练目标,即权值矩阵与偏移向量参数θ={W,b}。采用所述训练样本数据,基于步骤3)中的初始化SDAE概率潮流模型,对所述SDAE概率潮流模型进行训练,从而得到训练后的SDAE概率潮流模型。训练过程主要包括对所述SDAE概率潮流模型进行无监督预训练和对所述SDAE概率潮流模型进行有监督微调。
4.1)对所述SDAE概率潮流模型进行无监督预训练的主要步骤如下:
4.1.1)将交叉熵函数LH(x,z)作为损失函数。交叉熵函数LH(x,z)如下所示:
式中,xk为第l层DAE输入层的输入。zk为第l层DAE输出层的输出。d是输入层向量和输出层向量的维度。k是输入层向量和输出层向量的编号;
式中,d是x和z的维度。Xl为第l层DAE输入层的输入,也是第l-1层DAE输出层的输出Yl-1。Zl是第l层DAE输出层的输出。W为编码器的权值。W是一个dy×dx维的矩阵。b为编码器的偏置。b是一个dy维的向量。dx为输入层向量的维度。dy为中间层向量的维度。
4.1.3)构建SDAE潮流模型无监督预训练参数更新公式。参数更新公式分别如下所示:
式中,是第T次参数更新后,第l-1层DAE中间层的第j个神经元到第l层DAE中间层的第i个神经元的权值。η是神经网络的学习速率。r和r+m分别是此批量的起始样本序号。m是此批量样本数量。W为预训练得到的第l层DAE权值矩阵。W是一个dy×dx维的矩阵。b为预训练得到的第l层DAE偏移向量。b是一个dy维的向量。dx为输入层向量的维度。dy为中间层向量的维度。
式中,是第T次参数更新后,第l层DAE中间层的第i个神经元的偏移量。η是神经网络的学习速率。r和r+m分别是此批量的起始样本序号,m是此批量样本数量。W为预训练得到的第l层DAE权值矩阵。W是一个dy×dx维的矩阵。b为预训练得到的第l层DAE偏移向量。b是一个dy维的向量。dx为输入层向量的维度。dy为中间层向量的维度。
W(l,T+1)=W(l,T)+ΔW(l,T)+p×dW(l,T-1)。 (11)
式中,W(l,T)为第l层DAE第T次参数更新后的权值矩阵。ΔW(l,T)为第l层DAE第T次参数更新时,权值矩阵的改变量。dW(l,T-1)是第T次参数更新时W(l,T-1)相对于W(l,T-2)的改变量。p为动量因子。
b(l,T+1)=b(l,T)+Δb(l,T)+p×db(l,T-1)。 (12)
式中,b(l,T)为第l层DAE第T次参数更新后的权值矩阵与偏移向量。Δb(l,T)为第l层DAE第T次参数更新时偏移向量的改变量。db(l,T-1)是第T次参数更新时b(l,T-1)相对于b(l,T-2)的改变量。p为动量因子。
4.1.4)根据参数更新公式,得到最优编码参数:
θ={W,b}。 (13)
式中,W为预训练得到的第l层DAE权值矩阵。W是一个dy×dx维的矩阵。b为预训练得到的第l层DAE偏移向量。b是一个dy维的向量。dx为输入层向量的维度。dy为中间层向量的维度。
4.2)对SDAE潮流模型进行有监督微调的主要步骤如下:
4.2.1)将上述无监督预训练求得的每层DAE的最优编码参数θ={W,b}作为有监督微调的初始编码参数。
argθminJ(W',b')=argθminLH(Yt,y)。 (14)
式中,LH为损失函数。W'为微调得到的第l层DAE权值矩阵。W'是一个dy×dx维的矩阵。b'是微调得到的第l层DAE偏移向量。b'是一个dy维的向量。dx为输入层向量的维度。dy为中间层向量的维度。y为训练样本输出。Yt为SDAE潮流模型顶层输出。
4.2.3)构建SDAE潮流模型无监督预训练参数更新公式。参数更新公式分别如下所示:
式中,是第T次参数更新后,第l-1层DAE中间层的第j个神经元到第l层DAE中间层的第i个神经元的权值。η是神经网络的学习速率。r和r+m分别是此批量的起始样本序号。m是此批量样本数量。W'是微调得到的第l层DAE权值矩阵。W'是一个dy×dx维的矩阵。b'是微调得到的第l层DAE偏移向量。b是一个dy维的向量。dx为输入层向量的维度。dy为中间层向量的维度。
式中,是第T次参数更新后,第l层DAE中间层的第i个神经元的偏移量。η是神经网络的学习速率。r和r+m分别是此批量的起始样本序号,m是此批量样本数量。W'是微调得到的第l层DAE权值矩阵。W'是一个dy×dx维的矩阵。b'是微调得到的第l层DAE偏移向量。b是一个dy维的向量。dx为输入层向量的维度。dy为中间层向量的维度。
W(l,T+1)=W(l,T)+ΔW(l,T)+p×dW(l,T-1)。 (17)
式中,W(l,T)为第l层DAE第T次参数更新后的权值矩阵。ΔW(l,T)为第l层DAE第T次参数更新时,权值矩阵的改变量。dW(l,T-1)是第T次参数更新时W(l,T-1)相对于W(l,T-2)的改变量。p为动量因子。
b(l,T+1)=b(l,T)+Δb(l,T)+p×db(l,T-1)。 (18)
式中,b(l,T)为第l层DAE第T次参数更新后的权值矩阵与偏移向量。Δb(l,T)为第l层DAE第T次参数更新时偏移向量的改变量。db(l,T-1)是第T次参数更新时b(l,T-1)相对于b(l,T-2)的改变量。p为动量因子。
4.2.4)利用参数更新公式(15)至参数更新公式(18),求解公式(14),并得到SDAE潮流模型最优编码参数:
θ'={W',b'}。 (19)
式中,W'为微调得到的第l层DAE权值矩阵。b'为微调得到的第l层DAE偏移向量。
4.2.5)将无监督预训练训练阶段求得的SDAE潮流模型最优编码参数θ={W,b}代入公式(2),得到编码函数将有监督微调训练阶段求得的SDAE潮流模型最优编码参数θ'={W',b'}代入公式(2),得到编码函数
5)采用蒙特卡洛法(MCS法)或改进MCS法对待计算概率潮流的电力系统的随机变量进行抽样,从而获取计算样本。所述随机变量主要包括待计算概率潮流的电力系统的风速、光照辐射度和负荷。
6)将步骤5)得到的计算样本数据一次性输入步骤4)中训练完成的SDAE概率潮流模型中,得到所述训练目标,从而判断所有训练样本的潮流可解性。计算可解样本的潮流值。
7)统计概率潮流指标。所述概率潮流指标主要包括训练后的BP神经网络潮流模型输出变量的均值、方差和概率分布。输出变量主要包括电力系统所有节点的电压幅值和相角、各支路有功功率和无功功率。
本发明的技术效果是毋庸置疑的。本发明提出了基于SDAE的潮流模型及其训练方法,基于SDAE对非线性潮流方程的强大逼近能力,引入了交叉熵函数、小批量梯度下降法和动量学习率快速精确求解模型最优参数。训练后的SDAE潮流模型可判断电力系统潮流可解性,并准确、非迭代地求解潮流。
本发明提出了基于SDAE并结合MCS法的概率潮流在线算法。通过MCS法抽样出待解样本,使用SDAE潮流模型一次性判断所有抽样样本的潮流可解性并求解潮流值,从而实现概率潮流的高精度在线计算。本发明针对现有概率潮流求解方法忽略了潮流不可解情况,并且随着输入随机变量的增多会造成输出变量数字特征精度损失的问题,提出了一种兼顾计算精度和速度的概率潮流在线算法。在此基础上,进一步引入交叉熵函数、小批量梯度下降法和动量学习率,提出一种基于SDAE并结合MCS法的混合概率潮流在线算法(SPPF),使用SDAE潮流模型一次性判断所有抽样样本的潮流可解性并求解潮流值,从而实现概率潮流的高精度在线计算。最后,通过算例仿真分析SDAE潮流模型可解性、计算精度和计算性能,验证了所提方法的正确性和有效性。
本发明可广泛应用于电力系统的概率潮流在线计算,特别适用于新能源高比例接入导致电力系统不确定性增强的情况。
附图说明
图1为DAE逻辑与结构图;
图2为SDAE概率潮流模型结构图;
图3为牛顿法和SDAE法节点1电压幅值概率密度对比图;
图4为牛顿法和SDAE法节点1电压幅值概率密度对比图;
图5为牛顿法和SDAE法节点1电压幅值概率密度对比图;
图6为牛顿法和SDAE法节点1电压幅值概率密度对比图。
具体实施方式
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。
实施例1:
参见图1和图2,一种基于堆栈降噪自动编码器的概率潮流在线计算方法,主要包括以下步骤:
1)建立SDAE概率潮流模型。
进一步。建立SDAE潮流模型的主要步骤如下:
1.1)将电力系统中新能源节点的有功功率、新能源节点的无功功率、负荷节点的有功功率和负荷节点的无功功率作为所述SDAE潮流模型的原始输入X。
式中,qD为以随机映射为方式的腐蚀过程,即随机选取一定数量的原始输入X置零。X为所述SDAE潮流模型的原始输入。
编码函数fθ如下所示:
fθ=s(x)=1/(1+e-x)。 (2)
中间层Y的输出如下所示:
式中,W为编码器的权值。W是一个dy×dx维的矩阵。b为编码器的偏置。b是一个dy维的向量。dx为输入层向量的维度。dy为中间层向量的维度。
1.3)中间层输出Y通过解码器的解码函数gθ′得到输出层Z的输出,从而建立DAE模型。
编码函数gθ′如下所示:
gθ′=s(x')=1/(1+e-x')。 (4)
式中,x'指代中间层输出Y。
输出层Z的输出如下所示:
Z=gθ′(Y)=s(W′Y+b′)。 (5)
其中,W′为解码器权值。W′是一个dx×dy维的矩阵。b′为解码器偏置。b′是一个dx维的向量。dx为输入层向量的维度。dy为中间层向量的维度。
1.4)将n层所述DAE模型逐层堆叠。下层DAE模型的中间层作为上层DAE模型的输入层,从而得到SDAE概率潮流模型。
值得注意的是,DAE输出层Z并不参与SDAE的数据流通,在图2中以矩形边框标注。SDAE的思想就是将多个DAE堆叠在一起形成一个深度的架构.需要注意的是,只有在训练的时候才会对输入进行腐蚀(加噪),一旦训练完成,就不需要再进行腐蚀。
SDAE通过连续的编码过程不断提取输入数据X的高维特征,最终得到输出Yt。SDAE概率潮流模型的输出Yt如下所示:
优选的,SDAE模型可以挖掘非线性潮流方程高阶特征,将确定性潮流方程输入输出的函数关系由SDAE潮流模型代替。对其输入潮流样本即可快速判断潮流可解性以及输出具体潮流值。此外,还可以使用SDAE潮流模型在线计算概率潮流。
2)通过实时监测电力系统、对电力系统进行仿真和实验的方法获取所述SDAE概率潮流模型的训练样本,记录所有训练样本的潮流值,并标记潮流不可解的训练样本。
3)初始化所述SDAE概率潮流模型。初始化所述SDAE概率潮流模型主要包括数据预处理和确定DAE潮流模型参数。
数据预处理:根据DAE潮流模型参数的确定练样本数据量,将训练样本输入和训练样本输出分成q个批量。使用最大最小法对训练样本输入和训练样本输出进行归一化处理。q>0。
确定DAE潮流模型参数:根据系统的规模和复杂程度设定SDAE潮流模型的层数l和每层神经元的个数。
4)确定训练目标,即权值矩阵与偏移向量参数θ={W,b}。采用所述训练样本数据,基于步骤3)中的初始化SDAE概率潮流模型,对所述SDAE概率潮流模型进行训练,从而得到训练后的SDAE概率潮流模型。训练过程主要包括对所述SDAE概率潮流模型进行无监督预训练和对所述SDAE概率潮流模型进行有监督微调。
4.1)对所述SDAE概率潮流模型进行无监督预训练的主要步骤如下:
4.1.1)将交叉熵函数LH(x,z)作为损失函数。交叉熵函数LH(x,z)如下所示:
式中,xk为第l层DAE输入层的输入。zk为第l层DAE输出层的输出。d是输入层向量和输出层向量的维度。k是输入层向量和输出层向量的编号。
式中,d是x和z的维度。Xl为第l层DAE输入层的输入,也是第l-1层DAE输出层的输出Yl-1。Zl是第l层DAE输出层的输出。W为预训练得到的第l层DAE权值矩阵。W是一个dy×dx维的矩阵。b为预训练得到的第l层DAE偏移向量。b是一个dy维的向量。dx为输入层向量的维度。dy为中间层向量的维度。
4.1.3)构建SDAE潮流模型无监督预训练参数更新公式。参数更新公式分别如下所示:
式中,是第T次参数更新后,第l-1层DAE中间层的第j个神经元到第l层DAE中间层的第i个神经元的权值。η是神经网络的学习速率。r和r+m分别是此批量的起始样本序号。m是此批量样本数量。W为预训练得到的第l层DAE权值矩阵。W是一个dy×dx维的矩阵。b为预训练得到的第l层DAE偏移向量。b是一个dy维的向量。dx为输入层向量的维度。dy为中间层向量的维度。
式中,是第T次参数更新后,第l层DAE中间层的第i个神经元的偏移量。η是神经网络的学习速率。r和r+m分别是此批量的起始样本序号,m是此批量样本数量。W为预训练得到的第l层DAE权值矩阵。W是一个dy×dx维的矩阵。b为预训练得到的第l层DAE偏移向量。b是一个dy维的向量。dx为输入层向量的维度。dy为中间层向量的维度。
W(l,T+1)=W(l,T)+ΔW(l,T)+p×dW(l,T-1)。 (11)
式中,W(l,T)为第l层DAE第T次参数更新后的权值矩阵。ΔW(l,T)为第l层DAE第T次参数更新时,权值矩阵的改变量。dW(l,T-1)是第T次参数更新时W(l,T-1)相对于W(l,T-2)的改变量。p为动量因子。
b(l,T+1)=b(l,T)+Δb(l,T)+p×db(l,T-1)。 (12)
式中,b(l,T)为第l层DAE第T次参数更新后的权值矩阵与偏移向量。Δb(l,T)为第l层DAE第T次参数更新时偏移向量的改变量。db(l,T-1)是第T次参数更新时b(l,T-1)相对于b(l,T-2)的改变量。p为动量因子。
4.1.4)根据参数更新公式,得到最优编码参数:
θ={W,b}。 (13)
式中,W为预训练得到的第l层DAE权值矩阵。W是一个dy×dx维的矩阵。b为预训练得到的第l层DAE偏移向量。b是一个dy维的向量。dx为输入层向量的维度。dy为中间层向量的维度。
4.2)对SDAE潮流模型进行有监督微调的主要步骤如下:
4.2.1)将上述无监督预训练求得的每层DAE的最优编码参数θ={W,b}作为有监督微调的初始编码参数。
argθminJ(W',b')=argθminLH(Yt,y)。 (14)
式中,LH为损失函数。W'为微调得到的第l层DAE权值矩阵。W'是一个dy×dx维的矩阵。b'是微调得到的第l层DAE偏移向量。b'是一个dy维的向量。dx为输入层向量的维度。dy为中间层向量的维度。y为训练样本输出。Yt为SDAE潮流模型顶层输出。
4.2.3)构建SDAE潮流模型无监督预训练参数更新公式。参数更新公式分别如下所示:
式中,是第T次参数更新后,第l-1层DAE中间层的第j个神经元到第l层DAE中间层的第i个神经元的权值。η是神经网络的学习速率。r和r+m分别是此批量的起始样本序号。m是此批量样本数量。W'是微调得到的第l层DAE权值矩阵。W'是一个dy×dx维的矩阵。b'是微调得到的第l层DAE偏移向量。b是一个dy维的向量。dx为输入层向量的维度。dy为中间层向量的维度。
式中,是第T次参数更新后,第l层DAE中间层的第i个神经元的偏移量。η是神经网络的学习速率。r和r+m分别是此批量的起始样本序号,m是此批量样本数量。W'是微调得到的第l层DAE权值矩阵。W'是一个dy×dx维的矩阵。b'是微调得到的第l层DAE偏移向量。b是一个dy维的向量。dx为输入层向量的维度。dy为中间层向量的维度。
W(l,T+1)=W(l,T)+ΔW(l,T)+p×dW(l,T-1)。 (17)
式中,W(l,T)为第l层DAE第T次参数更新后的权值矩阵。ΔW(l,T)为第l层DAE第T次参数更新时,权值矩阵的改变量。dW(l,T-1)是第T次参数更新时W(l,T-1)相对于W(l,T-2)的改变量。p为动量因子。
b(l,T+1)=b(l,T)+Δb(l,T)+p×db(l,T-1)。 (18)
式中,b(l,T)为第l层DAE第T次参数更新后的权值矩阵与偏移向量。Δb(l,T)为第l层DAE第T次参数更新时偏移向量的改变量。db(l,T-1)是第T次参数更新时b(l,T-1)相对于b(l,T-2)的改变量。p为动量因子。
4.2.4)利用参数更新公式(15)至参数更新公式(18),求解公式(14),并得到SDAE潮流模型最优编码参数:
θ'={W',b'}。 (19)
式中,W'为微调得到的第l层DAE权值矩阵。b'为微调得到的第l层DAE偏移向量。
4.2.5)将无监督预训练训练阶段求得的SDAE潮流模型最优编码参数θ={W,b}代入公式(2),得到编码函数将有监督微调训练阶段求得的SDAE潮流模型最优编码参数θ'={W',b'}代入公式(2),得到编码函数
5)采用蒙特卡洛法(MCS法)或改进MCS法对待计算概率潮流的电力系统的随机变量进行抽样,从而获取计算样本。所述随机变量主要包括待计算概率潮流的电力系统的风速、光照辐射度和负荷。
进一步,MCS法通过随机抽样技术抽取随机变量的样本序列,将随机样本和具体变量相结合,模拟实际的随机过程,利用统计方法或多项式拟合等方法获得响应量的概率分布和统计特征。MCS法具有理论简单,随机性好,精确度高,容易计算非线性极限状态方程和非正态随机变量情况等优点。
6)将步骤5)得到的计算样本数据一次性输入步骤4)中训练完成的SDAE概率潮流模型中,得到所述训练目标,从而判断所有训练样本的潮流可解性。计算可解样本的潮流值。
7)统计概率潮流指标。所述概率潮流指标主要包括训练后的BP神经网络潮流模型输出变量的均值、方差和概率分布。输出变量主要包括电力系统所有节点的电压幅值和相角、各支路有功功率和无功功率。
实施例2:
参见图3至图6,一种利用基于堆栈降噪自动编码器的概率潮流在线计算方法对电力系统概率潮流进行计算的实验,主要包括以下步骤:
1)建立SDAE概率潮流模型;
2)通过实时监测电力系统、对电力系统进行仿真和实验的方法获取所述SDAE概率潮流模型的训练样本,记录所有训练样本的潮流值,并标记潮流不可解的训练样本;
本实施例中系统的基础数据参见IEEE39标准系统,假设各节点负荷的随机特性均服从正态分布,其标准差为各节点负荷期望值的10%;风速服从两参数威布尔分布,尺度参数为2.016,形状参数为5.089。对于IEEE39节点系统,在母线17、18和19上引入光伏发电站,在母线23、24和25上引入风电场。光伏发电站的形状参数、最大功率和风电场的切入风速、额定风速、切出风速和最大功率参数等参见表1。
表1光伏发电站和风电场相关参数
其次,使用蒙特卡洛法(MCS)或改进蒙特卡洛法对上述随机变量进行5万次抽样,且此处抽样样本与训练样本不同,引入新能源的IEEE39节点测试系统的新能源节点的有功功率和无功功率以及负荷节点有功功率和无功功率如表2所示:
表2 IEEE39节点测试系统负荷与新能源节点注入有功功率和无功功率表
所有新能源节点和负荷节点的有功功率和无功功率作为SDAE潮流模型训练样本输入X。根据输入样本X和SDAE潮流模型,计算得到潮流可解性标签、节点电压和支路有功无功作为训练样本输出y。
对于IEEE39节点系统,计算得到输出见表3。
表3 IEEE39节点测试系统
3)初始化所述SDAE概率潮流模型;初始化所述SDAE概率潮流模型主要包括数据预训练和SDAE潮流模型参数的确定。
使用最大最小法对训练样本输入和训练样本输出进行归一化处理;通过公式(1)腐蚀训练样本输入X,并在训练样本输出y中添加(0,1)矩阵作为可解性标签。其中,0表示不可解,1表示可解。然后,根据训练样本数据量,将训练样本输入和训练样本输出分成数个批量,并根据系统的规模和复杂程度设定SDAE潮流模型的层数l和每层神经元的个数。根据系统的规模和复杂程度设定SDAE潮流模型的层数l和每层神经元的个数。在本实施例中,训练样本输入和训练样本输入分成1000个小批量。SDAE潮流模型的层数l为6,每层神经元的个数可为78、200、200、200、200、172,学习速率初始为0.8,在150次迭代后学习速率衰减为0.1,动量因子为0.5。
4)确定训练目标,即权值矩阵与偏移向量参数θ={W,b};采用所述训练样本数据,基于步骤3)中的初始化SDAE概率潮流模型,对所述SDAE概率潮流模型进行训练,从而得到训练后的SDAE概率潮流模型;训练过程主要包括对所述SDAE概率潮流模型进行无监督预训练和对所述SDAE概率潮流模型进行有监督微调;
4.1)SDAE潮流模型无监督预训练
首先,使用交叉熵函数,并结合训练样本输入X,构建第一层DAE的损失函数;然后,使用引入动量学习率的小批量梯度下降算法,构建参数更新公式,迭代求解第一层DAE的最优编码参数;之后,由得到第一层DAE的中间层输出,作为第二层DAE的输入,相同方法构建交叉熵损失函数,以此类推,自底至顶逐层求解每层DAE的最优编码参数θ={W,b},作为下阶段有监督微调的初始编码参数。
以第一层DAE为例,本实施例中得到的最优编码参数,即预训练得到的权值矩阵W参数与偏移向量b参数。
第一层DAE预训练得到的最优权值矩阵W参数表如表4所示:
表4第一层DAE最优权值矩阵W参数表第一层DAE预训练得到的最优偏移向量b参数表如表5所示:
表5第一层DAE最优偏移向量b参数表
4.2)SDAE潮流模型有监督微调
使用交叉熵函数,并结合训练样本输入和训练样本输出,构建SDAE潮流模型的损失函数;然后,依然使用引入动量学习率的小批量梯度下降算法,构建参数更新公式,从而迭代求解SDAE潮流模型的所有最优编码参数θ'={W',b'}。至此,SDAE潮流模型训练完成。
以第一层DAE为例,本实施例中得到的最优编码参数,即权值矩阵W参数与偏移向量b参数。
第一层微调得到的DAE最优权值矩阵W'参数表如表6所示:
表6第一层DAE最优权值矩阵W'参数表第一层DAE微调得到的最优偏移向量b'参数表如表7所示:
表7第一层DAE最优偏移向量b'参数表
5)采用MCS法或改进MCS法对待计算概率潮流的电力系统的随机变量进行抽样,从而获取计算样本;所述随机变量主要包括待计算概率潮流的电力系统的风速、光照辐射度和负荷;
本发明采用MCS法对所研究系统的风速、光伏功率、负荷等随机变量进行抽样,获取足够数量的样本,MCS法抽样次数N为50000。
6)将步骤5)得到的计算样本数据一次性输入步骤4)中训练完成的SDAE概率潮流模型中,得到所述训练目标,从而判断所有训练样本的潮流可解性;计算可解样本的潮流值;
7)统计概率潮流指标;所述概率潮流指标主要包括训练后的BP神经网络潮流模型输出变量的均值、方差和概率分布;输出变量主要包括电力系统所有节点的电压幅值和相角、各支路有功功率和无功功率。
以节点1电压幅值、节点13电压幅值、支路1有功功率与无功功率为例,对比本专利概率潮流计算结果与牛顿法计算结果见表8,并作本专利方法与传统蒙特卡洛法求得所列随机变量的概率密度曲线,见图3。
表8牛顿法概率潮流计算与本文方法概率潮流计算结果对比
从表8可见,SPFF法求得节点1电压幅值、节点13电压幅值、支路1有功与支路无功功率的均值与参考值的误差分别为0.00%、0.00%、0.01%、0.01%,标准差与参考值的误差分别为0.00%、0.00%、0.62%、0.59%,误差均较小,因此SPPF方法能以高精度计算含有新能源系统的概率潮流。
本实施例的仿真结果如下:
I)SDAE潮流模型可解性判别验证
本节以牛顿法作为参考方法,并设定电力系统若50次迭代后仍不收敛则潮流无解。为了验证SDAE潮流模型可解性判别正确率,不断提高算例1负荷水平,由SDAE潮流模型判断样本的潮流可解性,其正确率见表9。
表9 SDAE潮流模型潮流可解性正确率表
由表9可知,随负荷水平不断提高,系统不可解情形增多。当负荷水平分别为100%、115%、125%时,由牛顿法(NR)计算得到的潮流可解概率分别为100.00%、99.99%、61.78%时;由SDAE潮流模型(SDAE)判断的潮流可解概率分别为100.00%、99.98%、61.95%,可解性判断正确率达到100.00%、99.98%、99.59%。由此可知,SDAE潮流模型在不同负荷水平下均能保持较高精度以判别潮流可解性。
II)SDAE潮流模型计算精度分析
本节为了验证SDAE潮流模型计算潮流的总体精度,由牛顿法和本发明所提的SPFF方法计算所有样本的潮流。对于5万组测试样本,SDAE模型所得计算结果与牛顿法计算结果对比见表10。并统计SDAE潮流模型的平均绝对误差、SDAE潮流模型误差超过1%的概率见表11。
表10 SDAE模型所得潮流结果与牛顿法结果对比
表11 SDAE潮流模型所得潮流结果相对牛顿法的误差
由表10、表11可知,将SDAE模型用于潮流计算时,节点1电压幅值、节点13电压幅值、支路46有功功率和无功功率误差超过1%的概率分别为0.00%、0.00%、0.00%和2.18%。因此,本文构建的SDAE潮流模型具有较高的潮流计算精度,同时具有良好的鲁棒性。
从实验结果可知:本发明所提出的基于SDAE并结合MCS法的概率潮流在线算法(SPPF),能够成功实现潮流非迭代计算与可解性判别,具有高计算精度和高鲁棒性,并且其计算所得概率潮流的均值、标准差和概率密度分布均与基于牛顿法的MCS法计算结果良好吻合,同时较牛顿法大幅度减少了计算时间,实现了概率潮流高精度在线计算。
Claims (4)
1.一种基于堆栈降噪自动编码器的概率潮流在线计算方法,其特征在于,主要包括以下步骤:
1)建立SDAE概率潮流模型;
建立SDAE潮流模型的主要步骤如下:
1.1)将电力系统中新能源节点的有功功率、新能源节点的无功功率、负荷节点的有功功率和负荷节点的无功功率作为所述SDAE潮流模型的原始输入X;
式中,qD为以随机映射为方式的腐蚀过程,即随机选取一定数量的原始输入X置零;X为所述SDAE潮流模型的原始输入;
编码函数fθ如下所示:
fθ=s(x)=1/(1+e-x); (2)
中间层输出Y如下所示:
式中,W为编码器的权值;W是一个dy×dx维的矩阵;b为编码器的偏置;b是一个dy维的向量;dx为输入层向量的维度;dy为中间层向量的维度;
1.3)中间层输出Y通过解码器的解码函数gθ′得到输出层Z的输出,从而建立DAE模型;
解码函数gθ′如下所示:
gθ′=s(x')=1/(1+e-x'); (4)
式中,x'指代中间层输出Y;
输出层Z的输出如下所示:
Z=gθ′(Y)=s(W′Y+b′); (5)
其中,W′为解码器权值;W′是一个dx×dy维的矩阵;b′为解码器偏置;b′是一个dx维的向量;dx为输入层向量的维度;dy为中间层向量的维度;
1.4)将n层所述DAE模型逐层堆叠;下层DAE模型的中间层作为上层DAE模型的输入层,从而得到SDAE概率潮流模型;
SDAE概率潮流模型的输出Yt如下所示:
2)通过实时监测电力系统、对电力系统进行仿真和实验的方法获取所述SDAE概率潮流模型的训练样本,记录所有训练样本的潮流值,并标记潮流不可解的训练样本;
3)初始化所述SDAE概率潮流模型;
4)确定训练目标,即权值矩阵与偏移向量参数θ={W,b};采用所述训练样本数据,基于步骤3)中的初始化SDAE概率潮流模型,对所述SDAE概率潮流模型进行训练,从而得到训练后的SDAE概率潮流模型;训练过程主要包括对所述SDAE概率潮流模型进行无监督预训练和对所述SDAE概率潮流模型进行有监督微调;
5)采用蒙特卡洛法,即MCS法,或改进MCS法对待计算概率潮流的电力系统的随机变量进行抽样,从而获取计算样本;所述随机变量主要包括待计算概率潮流的电力系统的风速、光照辐射度和负荷;
6)将步骤5)得到的计算样本数据一次性输入步骤4)中训练完成的SDAE概率潮流模型中,得到所述训练目标,从而判断所有训练样本的潮流可解性;计算可解样本的潮流值;
7)统计概率潮流指标;所述概率潮流指标主要包括训练后的BP神经网络潮流模型输出变量的均值、方差和概率分布;输出变量主要包括电力系统所有节点的电压幅值和相角、各支路有功功率和无功功率。
2.根据权利要求1所述的一种基于堆栈降噪自动编码器的概率潮流在线计算方法,其特征在于:对所述SDAE概率潮流模型进行无监督预训练的主要步骤如下:
1)将交叉熵函数LH(x,z)作为损失函数;交叉熵函数LH(x,z)如下所示:
式中,xk为第l层DAE输入层的输入;zk为第l层DAE输出层的输出;d是输入层向量和输出层向量的维度;k是输入层向量和输出层向量的编号;
式中,d是x和z的维度;Xl为第l层DAE输入层的输入,也是第l-1层DAE输出层的输出Yl-1;Zl是第l层DAE输出层的输出;W为预训练得到的第l层DAE权值矩阵;W是一个dy×dx维的矩阵;b为预训练得到的第l层DAE偏移向量;b是一个dy维的向量;dx为输入层向量的维度;dy为中间层向量的维度;
3)构建SDAE潮流模型无监督预训练参数更新公式;参数更新公式分别如下所示:
式中,是第T次参数更新后,第l-1层DAE中间层的第j个神经元到第l层DAE中间层的第i个神经元的权值;η是神经网络的学习速率;r和r+m分别是此批量的起始样本序号;m是此批量样本数量;W为预训练得到的第l层DAE权值矩阵;W是一个dy×dx维的矩阵;b为预训练得到的第l层DAE偏移向量;b是一个dy维的向量;dx为输入层向量的维度;dy为中间层向量的维度;
式中,是第T次参数更新后,第l层DAE中间层的第i个神经元的偏移量;η是神经网络的学习速率;r和r+m分别是此批量的起始样本序号,m是此批量样本数量;W为预训练得到的第l层DAE权值矩阵;W是一个dy×dx维的矩阵;b为预训练得到的第l层DAE偏移向量;b是一个dy维的向量;dx为输入层向量的维度;dy为中间层向量的维度;
W(l,T+1)=W(l,T)+ΔW(l,T)+p×dW(l,T-1); (11)
式中,W(l,T)为第l层DAE第T次参数更新后的权值矩阵;ΔW(l,T)为第l层DAE第T次参数更新时,权值矩阵的改变量;dW(l,T-1)是第T次参数更新时W(l,T-1)相对于W(l,T-2)的改变量;p为动量因子;
b(l,T+1)=b(l,T)+Δb(l,T)+p×db(l,T-1); (12)
式中,b(l,T)为第l层DAE第T次参数更新后的偏移向量;Δb(l,T)为第l层DAE第T次参数更新时偏移向量的改变量;db(l,T-1)是第T次参数更新时b(l,T-1)相对于b(l,T-2)的改变量;p为动量因子;
4)根据参数更新公式,得到最优编码参数:
θ={W,b}; (13)
式中,W为预训练得到的第l层DAE权值矩阵;W是一个dy×dx维的矩阵;b为预训练得到的第l层DAE偏移向量;b是一个dy维的向量;dx为输入层向量的维度;dy为中间层向量的维度。
3.根据权利要求1所述的一种基于堆栈降噪自动编码器的概率潮流在线计算方法,其特征在于:对SDAE潮流模型进行有监督微调的主要步骤如下:
1)将上述无监督预训练求得的每层DAE的最优编码参数θ={W,b}作为有监督微调的初始编码参数;
argθminJ(W',b')=argθminLH(Yt,y); (14)
式中,LH为损失函数;W'为微调得到的第l层DAE权值矩阵;W'是一个dy×dx维的矩阵;b'是微调得到的第l层DAE偏移向量;b'是一个dy维的向量;dx为输入层向量的维度;dy为中间层向量的维度;y为训练样本输出;Yt为SDAE潮流模型顶层输出;
3)构建SDAE潮流模型无监督预训练参数更新公式;参数更新公式分别如下所示:
式中,是第T次参数更新后,第l-1层DAE中间层的第j个神经元到第l层DAE中间层的第i个神经元的权值;η是神经网络的学习速率;r和r+m分别是此批量的起始样本序号;m是此批量样本数量;W'是微调得到的第l层DAE权值矩阵;W'是一个dy×dx维的矩阵;b'是微调得到的第l层DAE偏移向量;b'是一个dy维的向量;dx为输入层向量的维度;dy为中间层向量的维度;
式中,是第T次参数更新后,第l层DAE中间层的第i个神经元的偏移量;η是神经网络的学习速率;r和r+m分别是此批量的起始样本序号,m是此批量样本数量;W'是微调得到的第l层DAE权值矩阵;W'是一个dy×dx维的矩阵;b'是微调得到的第l层DAE偏移向量;b'是一个dy维的向量;dx为输入层向量的维度;dy为中间层向量的维度;
W(l,T+1)=W(l,T)+ΔW(l,T)+p×dW(l,T-1); (17)
式中,W(l,T)为第l层DAE第T次参数更新后的权值矩阵;ΔW(l,T)为第l层DAE第T次参数更新时,权值矩阵的改变量;dW(l,T-1)是第T次参数更新时W(l,T-1)相对于W(l,T-2)的改变量;p为动量因子;
b(l,T+1)=b(l,T)+Δb(l,T)+p×db(l,T-1); (18)
式中,b(l,T)为第l层DAE第T次参数更新后的权值矩阵与偏移向量;Δb(l,T)为第l层DAE第T次参数更新时偏移向量的改变量;db(l,T-1)是第T次参数更新时b(l,T-1)相对于b(l,T-2)的改变量;p为动量因子;
4)利用参数更新公式(15)至参数更新公式(18),求解公式(14),并得到SDAE潮流模型最优编码参数:
θ'={W',b'}; (19)
式中,W'为微调得到的第l层DAE权值矩阵;b'为微调得到的第l层DAE偏移向量;
5)将无监督预训练训练阶段求得的SDAE潮流模型最优编码参数θ={W,b}代入公式(2),得到编码函数将有监督微调训练阶段求得的SDAE潮流模型最优编码参数θ'={W',b'}代入公式(2),得到编码函数
4.根据权利要求1所述的一种基于堆栈降噪自动编码器的概率潮流在线计算方法,其特征在于:初始化所述SDAE概率潮流模型主要包括数据预处理和确定DAE潮流模型参数;
数据预处理:根据DAE潮流模型的参数确定训练样本数据量,将训练样本输入和训练样本输出分成q个批量;使用最大最小法对训练样本输入和训练样本输出进行归一化处理;
确定DAE潮流模型参数:根据系统的规模和复杂程度设定SDAE潮流模型的层数l和每层神经元的个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810033776.1A CN108304623B (zh) | 2018-01-15 | 2018-01-15 | 一种基于堆栈降噪自动编码器的概率潮流在线计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810033776.1A CN108304623B (zh) | 2018-01-15 | 2018-01-15 | 一种基于堆栈降噪自动编码器的概率潮流在线计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108304623A CN108304623A (zh) | 2018-07-20 |
CN108304623B true CN108304623B (zh) | 2021-05-04 |
Family
ID=62869081
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810033776.1A Expired - Fee Related CN108304623B (zh) | 2018-01-15 | 2018-01-15 | 一种基于堆栈降噪自动编码器的概率潮流在线计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108304623B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109323754B (zh) * | 2018-08-31 | 2022-04-12 | 南京理工大学 | 一种列车车轮多边形故障诊断检测方法 |
CN109494747B (zh) * | 2018-11-09 | 2021-09-28 | 杭州电子科技大学 | 一种基于交替梯度算法的电网概率潮流计算方法 |
CN109412161B (zh) * | 2018-12-18 | 2022-09-09 | 国网重庆市电力公司电力科学研究院 | 一种电力系统概率潮流计算方法及系统 |
CN109599872B (zh) * | 2018-12-29 | 2022-11-08 | 重庆大学 | 基于堆栈降噪自动编码器的电力系统概率潮流计算方法 |
CN109784692B (zh) * | 2018-12-29 | 2020-11-24 | 重庆大学 | 一种基于深度学习的快速安全约束经济调度方法 |
CN110009529B (zh) * | 2019-04-15 | 2021-04-16 | 湖南大学 | 一种基于堆栈降噪自动编码器的暂态频率获取方法 |
CN110110434B (zh) * | 2019-05-05 | 2020-10-16 | 重庆大学 | 一种概率潮流深度神经网络计算的初始化方法 |
CN109995031B (zh) * | 2019-05-05 | 2020-07-17 | 重庆大学 | 基于物理模型的概率潮流深度学习计算方法 |
CN110829434B (zh) * | 2019-09-30 | 2021-04-06 | 重庆大学 | 一种提高深度神经网络潮流模型扩展性的方法 |
CN110751108B (zh) * | 2019-10-23 | 2022-10-14 | 武汉理工大学 | 一种地铁分布式振动信号相似度确定方法 |
CN111950765B (zh) * | 2020-07-06 | 2024-04-19 | 四川大川云能科技有限公司 | 一种基于堆叠降噪自编码器的概率性暂态稳定预测方法 |
CN111930926B (zh) * | 2020-08-05 | 2023-08-29 | 南宁师范大学 | 结合评论文本挖掘的个性化推荐算法 |
CN112069639B (zh) * | 2020-09-09 | 2023-09-12 | 国网山东省电力公司威海供电公司 | 一种电力系统网架规划方法及系统 |
CN113553768B (zh) * | 2021-07-27 | 2022-04-01 | 天津大学 | 模型数据混合驱动的电网可靠性快速计算方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007215354A (ja) * | 2006-02-10 | 2007-08-23 | Meiji Univ | 電力負荷予測方法、及び電力負荷予測処理プログラム |
CN101414366A (zh) * | 2008-10-22 | 2009-04-22 | 西安交通大学 | 基于改进极端学习机方法的电力系统短期负荷预测方法 |
-
2018
- 2018-01-15 CN CN201810033776.1A patent/CN108304623B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007215354A (ja) * | 2006-02-10 | 2007-08-23 | Meiji Univ | 電力負荷予測方法、及び電力負荷予測処理プログラム |
CN101414366A (zh) * | 2008-10-22 | 2009-04-22 | 西安交通大学 | 基于改进极端学习机方法的电力系统短期负荷预测方法 |
Non-Patent Citations (2)
Title |
---|
Probabilistic Optimal Power Flow Considering Correlations of Wind Speeds Following Different Distributions;Yiming Li等;《IEEE TRANSACTIONS ON POWER SYSTEMS》;20140731;第29卷(第4期);第1847-1854页 * |
考虑光伏和负荷相关性的概率潮流计算;任洲洋等;《电工技术学报》;20151231;第30卷(第24期);第181-187页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108304623A (zh) | 2018-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108304623B (zh) | 一种基于堆栈降噪自动编码器的概率潮流在线计算方法 | |
CN109117951B (zh) | 基于bp神经网络的概率潮流在线计算方法 | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN108336739B (zh) | 一种基于rbf神经网络的概率潮流在线计算方法 | |
CN108734391B (zh) | 基于堆栈降噪自动编码器的电-气综合能源系统概率能流量计算方法 | |
CN109599872B (zh) | 基于堆栈降噪自动编码器的电力系统概率潮流计算方法 | |
CN109088407B (zh) | 基于深度信念网络伪量测建模的配电网状态估计方法 | |
CN110443724B (zh) | 一种基于深度学习的电力系统快速状态估计方法 | |
CN110910004A (zh) | 一种多重不确定性的水库调度规则提取方法及系统 | |
CN109412161B (zh) | 一种电力系统概率潮流计算方法及系统 | |
CN112632794B (zh) | 基于交叉熵参数子集模拟优化的电网可靠性评估方法 | |
CN113344288B (zh) | 梯级水电站群水位预测方法、装置及计算机可读存储介质 | |
CN115275991A (zh) | 一种基于iemd-ta-lstm模型的主动配电网运行态势预测方法 | |
CN111415010A (zh) | 一种基于贝叶斯神经网络的风电机组参数辨识方法 | |
CN111506868B (zh) | 一种基于hht权值优化的超短期风速预测方法 | |
Chen et al. | Research on wind power prediction method based on convolutional neural network and genetic algorithm | |
CN111080001A (zh) | 一种应用于风电场风速的深度神经网络预测方法 | |
Xing et al. | Comparative study of reformed neural network based short‐term wind power forecasting models | |
CN116702937A (zh) | 一种基于K-means均值聚类及优化BP神经网络的光伏出力日前预测方法 | |
CN111062516A (zh) | 一种基于gmdh多变量处理的风机出力预测的方法 | |
Xu et al. | Short-term wind speed prediction based on GRU | |
CN113095547A (zh) | 一种基于gra-lstm-ice模型的短期风功率预测方法 | |
CN116307139A (zh) | 一种优化与改进极限学习机的风电功率超短期预测方法 | |
CN114819107B (zh) | 基于深度学习的混合数据同化方法 | |
CN115935819A (zh) | 一种短期风电功率预测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210504 |