CN110867903A - 一种基于深度神经网络的智能电网系统实时最优功率分配方法 - Google Patents

Abstract

一种基于深度神经网络的智能电网系统实时最优功率分配方法，先获取电网的发电参数，以提升发电效率，降低总发电代价为目标，利用基于梯度下降的传统优化方法，确定对于不同总功率需求大小的功率分配策略；根据所使用的基于梯度下降的传统优化方法确定深度神经网络的参数。使用已完备的训练集训练深度神经网络模型直至验证集损失值趋于稳定；实时获取待处理的总功率需求，将其输入到训练好的深度神经网络进行神经网络计算，输出结果为各发电机的发电负载。本发明降低计算资源占用，极大的降低服务时延，提高分配速率。该方法的辨识精度可以满足实际应用的要求，并且训练所需的相关参数可以通过对传统优化方法的计算获得。

Description

一种基于深度神经网络的智能电网系统实时最优功率分配 方法

技术领域

本发明属于电网优化及机器学习领域，具体提供一种基于深度神经网络的智能电网系统实时最优功率分配方法，它能实时计算不同功率需求下的发电机负载分配策略，提高智能电网系统的服务效能。

背景技术

电网系统问题运行与控制是一类重要的优化问题。其本质在于满足供需功率平衡、线路潮流和发电机功率上下限等约束条件的前提下，最大程度提高电网系统的经济性和实时性，降低发电过程中各环节带来的损耗。近年来，电力来源急剧增多，人类对保护环境的重视使得以太阳能和风能为代表的新能源以其可再生性、清洁型等特点得到广泛应用。随着多种新能源的广泛应用，智能电网系统优化的实时性问题日益突出。实时的控制需要极低的时延，这对功率优化分配算法的实时性提出了要求。

目前的传统最优功率分配算法主要有基于梯度下降的最优化算法、基于二分法的最优化算法等。传统最优化算法虽然在计算结果上表现良好，但其通常需要多次迭代，计算复杂度较高，计算时间较长，无法第一时间计算出最优功率分配结果，难以满足智能电网系统实时调度的要求。

发明内容

为了克服现有技术的计算复杂度较高、计算时间较长、无法第一时间计算出最优功率分配结果、难以满足智能电网系统实时调度的要求的不足，本发明提供了一种基于深度神经网络的智能电网系统实时最优功率分配方法，具体地说，先获取电网的发电参数，以提升发电效率，降低总发电代价为目标，利用基于梯度下降的传统优化方法，确定对于不同总功率需求大小的功率分配策略。根据所使用的基于梯度下降的传统优化方法确定深度神经网络的参数。使用已完备的训练集训练深度神经网络模型直至验证集损失值趋于稳定。实时获取待处理的总功率需求，将其输入到训练好的深度神经网络进行神经网络计算，输出结果为各发电机的发电负载。实验结果验证了该方法的有效性。

本发明为解决上述技术问题提供了如下技术方案：

一种基于深度神经网络的智能电网系统实时最优功率分配方法，包括以下步骤：

步骤1)，获取电网系统的发电参数，其中包括各发电机的发电代价函数，发电机负载上下限等；

步骤2)，以提升发电效率，降低总发电代价为目标，在发电机的负载范围内，利用基于梯度下降的传统优化方法，确定对于不同总功率需求大小的功率分配策略；

步骤3),将总功率需求和对应的最优功率分配策略存储为相应智能电网系统深度神经网络模型的训练集；

步骤4)，根据所使用的基于梯度下降的传统优化方法确定深度神经网络的参数包括权重w、偏置b、学习率L、全连接层神经元个数n；

步骤5)，根据已完备的训练集，训练深度神经网络模型，直至训练过程中的验证集损失值趋于稳定；

步骤6)，获取待处理的总功率需求，将其输入到训练好的深度神经网络进行神经网络计算，输出结果为各发电机的发电负载。

进一步，所述步骤2)的过程如下：

2.1)初始化变量，即各发电机的发电负载

2.2)利用梯度下降：

其中i是电网系统中发电机的下标，ζ_l是第l次迭代的步长，▽f_i是各发电机的发电代价函数的一阶导数；

2.3)做上下限限制：

其中

和

分别为各发电机组负载的上限与下限；

2.4)求中间变量：

其中P_d是总功率需求，n是电网系统中发电机的个数；

2.5)求本次迭代结果：

2.6)若当前确定的各发电机负载与上一次确定的各发电机负载之间的差值小于预设的阈值，则判断生成的各发电机负载为对应总功率需求的最优分配策略；否则，返回2.2)继续执行。

再进一步，在训练深度神经网络过程中所用的激活函数为线性整流函数，损失函数为均方误差函数。

本发明提供了一种基于深度神经网络的智能电网系统实时最优功率分配的方法，先获取电网的发电参数，以提升发电效率，降低总发电代价为目标，利用基于梯度下降的传统优化方法，确定对于不同总功率需求大小的功率分配策略。根据所使用的基于梯度下降的传统优化方法确定深度神经网络的参数。使用已完备的训练集训练深度神经网络模型直至验证集损失值趋于稳定。获取待处理的总功率需求，将其输入到训练好的深度神经网络进行神经网络计算，输出结果为各发电机的发电负载。

与现有的传统优化功率分配方法，主要有梯度下降、二分法等方法相比，本发明的有益效果表现在于：降低计算资源占用，极大的降低服务时延，提高分配速率。该方法的辨识精度可以满足实际应用的要求，并且训练所需的相关参数可以通过对传统优化方法的计算获得。

附图说明

图1是本发明深度神经网络模型架构示意图。

图2是本发明深度神经网络模型和基于梯度下降的传统优化方法最优分配策略代价函数对比图。

图3是本发明深度神经网络模型和基于梯度下降的传统优化方法计算时间对比图。

图4是基于深度神经网络的智能电网系统实时最优功率分配方法的流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清晰，下面结合附图和实际实验对本发明的技术方案作进一步描述。

参照图1～图4，一种基于深度神经网络的智能电网系统实时最优功率分配方法，具体地说，先获取电网的发电参数，以提升发电效率，降低总发电代价为目标，利用基于梯度下降的传统优化方法，确定对于不同总功率需求大小的功率分配策略。根据所使用的基于梯度下降的传统优化方法确定深度神经网络的参数。使用已完备的训练集训练深度神经网络模型直至验证集损失值趋于稳定。实时获取待处理的总功率需求，将其输入到训练好的深度神经网络进行神经网络计算，输出结果为各发电机的发电负载。

一种基于深度神经网络的智能电网系统实时最优功率分配的方法，包括以下步骤：

1)获取电网系统的发电参数，其中包括各发电机的发电代价函数，发电机负载上下限等；

2)以提升发电效率，降低总发电代价为目标，在发电机的负载范围内，利用基于梯度下降的传统优化方法，确定对于不同总功率需求大小的功率分配策略；

3)将总功率需求和对应的最优功率分配策略存储为相应智能电网系统深度神经网络模型的训练集；

4)根据所使用的基于梯度下降的传统优化方法确定深度神经网络的参数包括权重w、偏置b、学习率L、全连接层神经元个数n；

5)根据已完备的训练集，训练深度神经网络模型，直至训练过程中的验证集损失值趋于稳定；

6)获取待处理的总功率需求，将其输入到训练好的深度神经网络进行神经网络计算，输出结果为各发电机的发电负载。

进一步，所述步骤2)中，利用基于梯度下降的传统优化方法确定对于不同总功率需求大小的功率分配策略，过程如下：

2.1)初始化变量，即各发电机的发电负载

2.2)利用梯度下降：

其中i是电网系统中发电机的下标，ζ_l是第l次迭代的步长，▽f_i是各发电机的发电代价函数的一阶导数；

2.3)做上下限限制：

其中

和

分别为各发电机组负载的上限与下限；

2.4)求中间变量：

其中P_d是总功率需求，n是电网系统中发电机的个数；

2.5)求本次迭代结果：

2.6)若当前确定的各发电机负载与上一次确定的各发电机负载之间的差值小于预设的阈值，则判断生成的各发电机负载为对应总功率需求的最优分配策略；否则，返回2.2)继续执行。

在训练深度神经网络过程中所用的激活函数为线性整流函数，损失函数为均方误差函数。

从实验结果(图1-3)可以看出，本发明利用深度神经网络代替计算复杂度相对较高的传统优化算法，降低计算资源占用，极大的降低服务时延，提高分配速率。其结果可以满足实际应用的精度与实时性要求。

以上结合附图详细说明和陈述了本发明的实施方式，但并不局限于上述方式。在本领域的技术人员所具备的知识范围内，只要以本发明的构思为基础，还可以做出多种变化和改进。

Claims (3)

1.一种基于深度神经网络的智能电网系统实时最优功率分配方法,其特征在于，所述方法包括以下步骤：

1)获取电网系统的发电参数，其中包括各发电机的发电代价函数，发电机负载上下限等；

2)以提升发电效率，降低总发电代价为目标，在发电机的负载范围内，利用基于梯度下降的传统优化方法，确定对于不同总功率需求大小的功率分配策略；

3)将总功率需求和对应的最优功率分配策略存储为相应智能电网系统深度神经网络模型的训练集；

4)根据所使用的基于梯度下降的传统优化方法确定深度神经网络的参数包括权重w、偏置b、学习率L、全连接层神经元个数n；

5)根据已完备的训练集，训练深度神经网络模型，直至训练过程中的验证集损失值趋于稳定；

6)获取待处理的总功率需求，将其输入到训练好的深度神经网络进行神经网络计算，输出结果为各发电机的发电负载。

2.根据权利要求1所述的基于深度神经网络的智能电网系统实时最优功率分配方法,其特征在于，所述步骤2)的过程如下：

2.1)初始化变量，即各发电机的发电负载

2.2)利用梯度下降：

其中i是电网系统中发电机的下标，ζ_l是第l次迭代的步长，

是各发电机的发电代价函数的一阶导数；

2.3)做上下限限制：

其中P_i ^max和P_i ^min分别为各发电机组负载的上限与下限；

2.4)求中间变量：

其中P_d是总功率需求，n是电网系统中发电机的个数；

2.5)求本次迭代结果：

2.6)若当前确定的各发电机负载与上一次确定的各发电机负载之间的差值小于预设的阈值，则判断生成的各发电机负载为对应总功率需求的最优分配策略；否则，返回2.2)继续执行。

3.根据权利要求1或2所述的基于深度神经网络的智能电网系统实时最优功率分配方法,其特征在于，在训练深度神经网络过程中所用的激活函数为线性整流函数，损失函数为均方误差函数。

Images