CN110867903B - 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
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 Download PDFInfo
- Publication number
- CN110867903B CN110867903B CN201911178016.0A CN201911178016A CN110867903B CN 110867903 B CN110867903 B CN 110867903B CN 201911178016 A CN201911178016 A CN 201911178016A CN 110867903 B CN110867903 B CN 110867903B
- Authority
- CN
- China
- Prior art keywords
- neural network
- deep neural
- grid system
- generator
- power
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 39
- 238000005457 optimization Methods 0.000 claims abstract description 26
- 238000010248 power generation Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000003062 neural network model Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000012795 verification Methods 0.000 claims abstract description 7
- 230000009467 reduction Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
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
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机负载。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，所述发电参数包括各发电机的发电代价函数和发电机负载上下限；
步骤2)，以提升发电效率，降低总发电代价为目标，在发电机负载范围内，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机负载。
进一步，所述步骤2)的过程如下：
2.1)初始化变量，即各发电机的发电机负载
2.2)利用梯度下降：
其中i是电网系统中发电机的下标，ζl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Pi max和Pi min分别为各发电机负载的上限与下限；
2.4)求中间变量：
其中Pd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机负载。
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机负载。
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机负载。
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，即各发电机的发电机负载
2.2)利用梯度下降：
其中i是电网系统中发电机的下标，ζl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Pi max和Pi min分别为各发电机负载的上限与下限；
2.4)求中间变量：
其中Pd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，所述发电参数包括各发电机的发电代价函数和发电机负载上下限；
2)以提升发电效率，降低总发电代价为目标，在发电机负载范围内，利用基于梯度下降的传统优化方法，确定对应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，所述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机负载。
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，即各发电机的发电机负载
2.2)利用梯度下降：
其中i是电网系统中发电机的下标，ζl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Pi max和Pi min分别为各发电机负载的上限与下限；
2.4)求中间变量：
其中Pd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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911178016.0A CN110867903B (zh) | 2019-11-27 | 2019-11-27 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911178016.0A CN110867903B (zh) | 2019-11-27 | 2019-11-27 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110867903A CN110867903A (zh) | 2020-03-06 |
| CN110867903B true CN110867903B (zh) | 2021-05-18 |
Family
ID=69656870
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911178016.0A Active CN110867903B (zh) | 2019-11-27 | 2019-11-27 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110867903B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111682593B (zh) * | 2020-05-29 | 2023-04-18 | 黑龙江苑博信息技术有限公司 | 基于神经网络模型状态观测器的火电机组协调优化方法 |
| CN112465289B (zh) * | 2020-10-10 | 2024-04-19 | 浙江工业大学 | 一种基于集成神经网络的智能电网经济调度方法 |
| CN112601246A (zh) * | 2020-12-08 | 2021-04-02 | 齐鲁工业大学 | 一种多节点协作无线视觉传感器网络中的最优功率分配算法 |
| CN112865140B (zh) * | 2021-03-10 | 2022-09-30 | 华中科技大学 | 一种针对能源系统阻尼的量化分析方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109066805A (zh) * | 2018-07-18 | 2018-12-21 | 合肥工业大学 | 一种跨区互联电网发输电系统动态调度优化方法 |
| CN110213814A (zh) * | 2019-07-04 | 2019-09-06 | 电子科技大学 | 一种基于深度神经网络的分布式功率分配方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201520784A (zh) * | 2013-11-29 | 2015-06-01 | Inst Information Industry | 再生能源發電量預測系統及方法以及供電配置系統 |
| CN108604310B (zh) * | 2015-12-31 | 2022-07-26 | 威拓股份有限公司 | 用于使用神经网络架构来控制分配系统的方法、控制器和系统 |
-
2019
- 2019-11-27 CN CN201911178016.0A patent/CN110867903B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109066805A (zh) * | 2018-07-18 | 2018-12-21 | 合肥工业大学 | 一种跨区互联电网发输电系统动态调度优化方法 |
| CN110213814A (zh) * | 2019-07-04 | 2019-09-06 | 电子科技大学 | 一种基于深度神经网络的分布式功率分配方法 |
Non-Patent Citations (2)
| Title |
|---|
| Hierarchical Decentralized Optimization;Fanghong Guo;《IEEE Transactions in Industrial Informatics》;20170905;第14卷(第2期);全文 * |
| 基于功率预测法的波浪发电系统功率平滑策略;潘一夫;《计算机仿真》;20181215;第35卷(第12期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110867903A (zh) | 2020-03-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110867903B (zh) | 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 | |
| CN107301472B (zh) | 基于场景分析法和电压调节策略的分布式光伏规划方法 | |
| CN108471143A (zh) | 基于正负反馈粒子群算法的微电网多能源调度优化方法 | |
| CN108242807B (zh) | 一种考虑多维安全约束的含光伏配电网重构方法 | |
| CN110620397B (zh) | 一种高比例可再生能源电力系统的调峰平衡评估方法 | |
| CN105207253A (zh) | 考虑风电及频率不确定性的agc随机动态优化调度方法 | |
| CN113783224A (zh) | 一种考虑多种分布式能源运行的配电网双层优化规划方法 | |
| Rao et al. | Optimum allocation and sizing of distributed generations based on clonal selection algorithm for loss reduction and technical benefit of energy savings | |
| CN104299173A (zh) | 一种适用于多种能源接入的鲁棒优化日前调度方法 | |
| CN109523097A (zh) | 一种改进遗传算法的多微电网优化调度方法 | |
| CN113937825A (zh) | 一种基于E-C-Kmeans聚类和SOP优化的DG双层优化配置方法 | |
| CN113255138A (zh) | 一种电力系统负荷分配优化方法 | |
| CN112966855A (zh) | 考虑风电不确定性的电-气耦合能源配网协调优化方法 | |
| CN108110769A (zh) | 基于灰狼算法的主动配电网电压协调控制策略 | |
| CN110084430A (zh) | 一种考虑时空特性设计分布式光伏出力预测模型的方法 | |
| Yang et al. | Storage-transmission joint planning method to deal with insufficient flexibility and transmission congestion | |
| CN108616119B (zh) | 基于区域性分时电价理论降低配电网网损的方法 | |
| CN115239028B (zh) | 综合能源调度方法、装置、设备及存储介质 | |
| CN109213104B (zh) | 基于启发式动态规划的储能系统的调度方法及调度系统 | |
| CN114865649A (zh) | 一种风光储一体化场站无功调节方法、装置及电子设备 | |
| CN111242436B (zh) | 一种基于分布式机器学习的智能电网实时经济调度方法 | |
| CN110717694B (zh) | 基于新能源消纳期望值的储能配置随机决策方法及装置 | |
| CN113705911A (zh) | 一种基于灰狼算法的热电负荷经济性优化分配方法 | |
| CN105305933B (zh) | 光伏电站控制系统及光电外送控制方法和调峰控制方法 | |
| CN115528687B (zh) | 一种有限成本约束下的电力系统柔性响应能力优化方法 |
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 |