CN110991741A - 一种基于深度学习的断面约束概率预警方法及系统 - Google Patents
一种基于深度学习的断面约束概率预警方法及系统 Download PDFInfo
- Publication number
- CN110991741A CN110991741A CN201911225315.5A CN201911225315A CN110991741A CN 110991741 A CN110991741 A CN 110991741A CN 201911225315 A CN201911225315 A CN 201911225315A CN 110991741 A CN110991741 A CN 110991741A
- Authority
- CN
- China
- Prior art keywords
- early warning
- constraint
- output value
- electric power
- data
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000013135 deep learning Methods 0.000 title claims abstract description 49
- 238000003062 neural network model Methods 0.000 claims abstract description 29
- 238000010248 power generation Methods 0.000 claims abstract description 22
- 238000011156 evaluation Methods 0.000 claims abstract description 12
- 238000004088 simulation Methods 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 14
- 238000000547 structure data Methods 0.000 claims description 12
- 230000009471 action Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 4
- 239000006185 dispersion Substances 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000012821 model calculation Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 25
- 238000013528 artificial neural network Methods 0.000 description 23
- 238000004590 computer program Methods 0.000 description 11
- 238000000342 Monte Carlo simulation Methods 0.000 description 9
- 238000003860 storage Methods 0.000 description 9
- 230000005611 electricity Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000011541 reaction mixture Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于深度学习的断面约束概率预警方法,步骤包括:获取电力系统的历史运行数据;建立电力市场出清模型;利用基于蒙特卡洛的断面约束评估方法对所述电力市场出清模型进行解算时,利用所述历史运行数据构建并训练至少包括输入层、若干隐藏层和输出层的深度神经网络模型;在所述输入层输入包括发电机出力值和发电成本系数的实时数据进行运算,并通过所述输出层输出机组最优出力值;判断当前机组出力值是否大于等于所述机组最优出力值;若是,则发送预警信息。本发明提供了一种基于深度学习的断面约束概率预警方法及系统,能够降低人工干预程度,同时兼顾计算精度与速度。
Description
技术领域
本发明涉及电力系统及自动化技术领域,尤其是涉及一种基于深度学习的断面约束概率预警方法及系统。
背景技术
随着中国电力市场改革不断深入推进,实时电价已成为必然发展趋势,而节点电价是国内外普遍认同的电力定价方式。节点电价目前主要通过电网逐时刻调度优化结果计算得到,即求解单时段的安全约束经济调度模型(Securityconstrained economicdispatch,SCED)进行市场出清。断面约束通常理解为传输容量约束,断面约束的有效预警能反映海量N-1安全约束对系统运行安全的影响,进而协助调度员在市场出清模型中减少冗余约束,提高模型求解效率。
随着含高比例新能源电力系统的发展以及电力市场化改革的推进,电力系统不确定性激增,SCED模型包含了N-1海量安全约束,导致模型规模庞大,断面约束在规模庞大的N-1安全约束起到的作用很小,SCED模型的求解效率难以应对大规模实际电网实时电价变化。
目前针对如何进行断面约束预警以及断面预警的快速求解问题,存在以下解决方法:调度员凭借个人经验求出最优解,能够减少市场出清模型的求解压力,但仅凭人工经验缺乏科学依据,还会增加人力成本;采用基于蒙特卡洛方法的断面约束预警技术,通过产生大量样本模拟各类不确定性因素对N-1安全约束达界的影响,统计各条约束的达界概率,从而有效评估各条N-1安全约束在不确定性环境下的安全裕度/风险程度。然而,蒙特卡洛方法需要分析大量样本的市场出清结果,其计算负担重,难以满足大规模实际电力系统实时出清的速度要求。
发明内容
针对上述技术问题,本发明提供了一种基于深度学习的断面约束概率预警方法及系统,能够降低人工干预程度,同时兼顾计算精度与速度。
所述技术方案如下:
第一方面,本发明实施例提供了一种基于深度学习的断面约束概率预警方法,步骤包括:
获取电力系统的历史运行数据;所述历史运行数据包括发电机出力值、发电成本系数、电力系统拓扑结构数据;
建立电力市场出清模型;其中,基于发电机出力值和发电成本系数的函数关系构建所述电力市场出清模型的目标函数,以及利用电力系统拓扑结构数据构建所述电力市场出清模型的N-1安全约束的约束条件;
利用基于蒙特卡洛的断面约束评估方法对所述电力市场出清模型进行解算时,利用所述历史运行数据构建并训练至少包括输入层、若干隐藏层和输出层的深度神经网络模型;
在所述输入层输入包括发电机出力值和发电成本系数的实时数据进行运算,并通过所述输出层输出机组最优出力值;
判断当前机组出力值是否大于等于所述机组最优出力值;若是,则发送预警信息。
在本发明第一方面的第一种可能的实现方式中,所述电力市场出清模型的目标函数具体为:
式(1)中,PG为发电机出力;H1和H2为发电成本系数。
在本发明第一方面的第二种可能的实现方式中,所述利用基于蒙特卡洛的断面约束评估方法对所述电力市场出清模型进行解算,包括:
对电力系统的状态变量进行随机抽样以建立模拟样本集;
将所述模拟样本集输入到电力市场出清模型,计算得到所述模拟样本集中每个模拟样本对应的机组最优出力值和电力市场出清模型起作用的最小约束集;
统计所述机组最优出力值和所述最小约束集,得到每个模拟样本对应的N-1安全约束的起作用概率;
根据所述起作用概率,对各线路约束进行降序排列,并将排列靠前的线路约束写入所述最小约束集。
在本发明第一方面的第三种可能的实现方式中,所述的基于深度学习的断面约束概率预警方法,包括计算所述状态变量的概率分布函数f(D)如下所示:
式(6)中,D为状态变量;Dmax和Dmin为状态变量数值的上下限;μ和δ分别表示状态变量的均值和标准差。
在本发明第一方面的第四种可能的实现方式中,利用所述历史运行数据训练所述深度神经网络模型,具体为:
建立包括历史运行数据和模拟样本数据的输入样本集;
将所述输入样本集随机划分为训练样本集、验证样本集和测试样本集;
将所述训练样本集输入到所述深度神经网络模型,对所述深度神经网络模型的参数进行迭代更新;
将所述验证数据集和所述测试数据集输入到所述深度神经网络模型,以判断验证集的测试精度是否下降;若是,则停止迭代;若否,则根据最大迭代次数进行迭代。
在本发明第一方面的第五种可能的实现方式中,利用离差标准化方法对所述输入样本集进行预处理,具体为:
式(10)中,xmin与xmax表示数据x的最小值和最大值;x表示输入样本集中输入数据或输出数据。
在本发明第一方面的第六种可能的实现方式中,当所述输入样本集的参数更新时,根据所述输入样本集中样本的输出特征向量的真值与预测值,求解均方差损失函数。
第二方面,本发明实施例提供了一种基于深度学习的断面约束概率预警系统,包括:
采集模块,用于获取电力系统的历史运行数据;所述历史运行数据包括发电机出力值、发电成本系数、电力系统拓扑结构数据;
模型生成模块,用于建立电力市场出清模型;其中,基于发电机出力值和发电成本系数的函数关系构建所述电力市场出清模型的目标函数,以及利用电力系统拓扑结构数据构建所述电力市场出清模型的N-1安全约束的约束条件;
模型求算模块,用于利用基于蒙特卡洛的断面约束评估方法对所述电力市场出清模型进行解算时,利用所述历史运行数据构建并训练至少包括输入层、若干隐藏层和输出层的深度神经网络模型;
结果输出模块,用于在所述输入层输入包括发电机出力值和发电成本系数的实时数据进行运算,并通过所述输出层输出机组最优出力值;
预警模块,用于判断当前机组出力值是否大于等于所述机组最优出力值;若是,则发送预警信息。
第三方面,本发明实施例提供了一种基于深度学习的断面约束概率预警设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的基于深度学习的断面约束概率预警方法。
第四方面,本发明实施例提供了一种基于深度学习的断面约束概率预警方法存储介质,所述基于深度学习的断面约束概率预警方法存储介质用于存储一个或多个计算机程序,所述一个或多个计算机程序包括程序代码,当所述计算机程序在计算机上运行时,所述程序代码用于执行上述基于深度学习的断面约束概率预警方法。
相比于现有技术,本发明具有如下有益效果:
本发明提供一种基于深度学习的断面约束概率预警方法及系统,所述基于深度学习的断面约束概率预警方法,通过获取电力系统的历史运行数据,利用计算机系统快速、准确处理数据,符合电力系统的实际运行情况而且有效考虑到新能源、负荷、电厂报价等各类不确定性因素对系统运行安全的影响,降低人工干预程度;利用基于蒙特卡洛的断面约束评估方法对所述电力市场出清模型进行解算,有效评估断面约束的安全裕度/风险程度。在此基础上,考虑到蒙特卡洛法需要求解大量样本而存在计算负担大的问题,本发明利用深度神经网络模型处理海量样本,通过函数映射的方式直接求解出所有蒙特卡洛法产生的市场出清场景最优的机组出力,从而实现断面约束预警及电力市场出清模型的快速求解,进而保证较高的计算精度同时实现秒级计算,相比现有技术提高上万倍计算速度。
附图说明
图1是本发明实施例中的一种基于深度学习的断面约束概率预警方法的步骤流程图;
图2是本发明实施例中的一种基于深度学习的断面约束概率预警方法的运行过程示意图;
图3是本发明实施例中的一种基于深度学习的断面约束概率预警方法的线路载荷量为L(8,5,112)的概率密度曲线图;
图4是本发明实施例中的一种基于深度学习的断面约束概率预警方法的线路载荷量为L(38,65,112)的概率密度曲线图;
图5是本发明实施例中的一种基于深度学习的断面约束概率预警方法的线路载荷量为L(68,69,112)的概率密度曲线图;
图6是本发明实施例中的一种基于深度学习的断面约束概率预警方法的深层神经网络结构示意图;
图7是本发明实施例中的一种基于深度学习的断面约束概率预警方法的利用深度神经网络计算的预测值与真值对比的机组最优出力概率密度曲线图;
图8是本发明实施例中的一种基于深度学习的断面约束概率预警方法的利用深度神经网络计算的线路载荷量为L(8,5,112)的预测值与真值对比的概率密度曲线图;
图9是本发明实施例中的一种基于深度学习的断面约束概率预警方法的利用深度神经网络计算的线路载荷量为L(38,65,112)的预测值与真值对比的概率密度曲线图;
图10是本发明实施例中的一种基于深度学习的断面约束概率预警方法的利用深度神经网络计算的线路载荷量为L(68,69,112)的预测值与真值对比的概率密度曲线图;
图11是本发明实施例中的一种基于深度学习的断面约束概率预警系统的模块架构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参见图1,本发明提供一种示例性实施例,一种基于深度学习的断面约束概率预警方法,步骤包括:
S101、获取电力系统的历史运行数据;所述历史运行数据包括发电机出力值、发电成本系数、电力系统拓扑结构数据;其中,所述电力系统历史运行数据包括负荷数据、风速、实时单位电量成本和电力系统拓扑结构。其中新能源的负荷功率为负。
S102、建立电力市场出清模型;其中,基于发电机出力值和发电成本系数的函数关系构建所述电力市场出清模型的目标函数,以及利用电力系统拓扑结构数据构建所述电力市场出清模型的N-1安全约束的约束条件;
所述电力市场出清模型的目标函数具体为:
式(1)中,PG为发电机出力;H1和H2为发电成本系数。
所述电力市场出清模型的约束条件,包括:
电力系统平衡约束如下所示:
eGPG=eDPD (2)
式(2)中,eG和eD是全为1的向量;PD为负荷功率。
发电机出力上下限约束如下所示:
N-1安全约束如下所示:
式(5)中,Si,j,c为支路功率转移部分因子。
S103、利用基于蒙特卡洛的断面约束评估方法对所述电力市场出清模型进行解算时,利用所述历史运行数据构建并训练至少包括输入层、若干隐藏层和输出层的深度神经网络模型;
S104、在所述输入层输入包括发电机出力值和发电成本系数的实时数据进行运算,并通过所述输出层输出机组最优出力值;
S105、判断当前机组出力值是否大于等于所述机组最优出力值;若是,则发送预警信息。
在具体实施例中,搭建接入新能源的IEEE118标准测试系统,系统中引入了装机容量为1000MW与1040MW的光伏电站与风电场,新能源渗透率达20%。风速、光伏出力、电厂报价、负荷的随机波动服从正态分布,均值分别为10m/s。520MW,IEEE标准算例的给定值,标准差为均值的5%。
本发明采用的深度神经网络拥有3层隐含层,每层有500个神经元,训练样本数为5万,测试样本为1万个。
本发明所有算例均可在InterlCore(TM)i8-8700K CPU@3.70GHz、32GB RAM的硬件环境下测试。其中,通过Yalmip使得Matlab调用Gurobi求解器。计算工作不需花费大量计算资源。
本发明实施例的所述基于深度学习的断面约束概率预警方法,通过获取电力系统的历史运行数据,利用计算机系统快速、准确处理数据,符合电力系统的实际运行情况而且有效考虑到新能源、负荷、电厂报价等各类不确定性因素对系统运行安全的影响,降低人工干预程度;利用基于蒙特卡洛的断面约束评估方法对所述电力市场出清模型进行解算,有效评估断面约束的安全裕度/风险程度。在此基础上,考虑到蒙特卡洛法需要求解大量样本而存在计算负担大的问题,本发明利用深度神经网络模型处理海量样本,通过函数映射的方式直接求解出所有蒙特卡洛法产生的市场出清场景最优的机组出力,从而实现断面约束预警及电力市场出清模型的快速求解,进而保证较高的计算精度同时实现秒级计算,相比现有技术提高上万倍计算速度。
请参见图2,本发明提供一种优选的实施例,基于所述基于深度学习的断面约束概率预警方法,提出一种基于蒙特卡洛的断面约束评估方法对所述电力市场出清模型进行解算方法,步骤包括:
对电力系统的状态变量进行随机抽样以建立模拟样本集;其中,所述状态变量包括风速、光伏电站出力、单位电量成本和负荷需求。
其中,还包括:
计算所述状态变量的概率分布函数f(D)如下所示:
式(6)中,D为状态变量。Dmax和Dmin为状态变量数值的上下限。μ和δ分别表示状态变量的均值和标准差。
将模拟样本集输入到电力市场出清模型中,利用二次规划算法分别计算得到每个模拟样本对应的机组最优出力和电力市场出清模型起作用的最小约束集;
统计每个模拟样本对应的机组最优出力和电力市场出清模型起作用的最小约束集,得到每个模拟样本对应的N-1安全约束起作用概率Pa,即:
式中,xi为第i条线路约束系数。s为模拟样本集中元素个数。
线路约束系数xi如下所示:
根据N-1安全约束起作用概率Pa大小,对各线路约束进行降序排列,并将前g个线路约束写入电力市场出清模型起作用的最小约束集中。
可以理解的是,单个N-1安全约束的起作用概率为该线路的风险程度。其中,概率值Pa越大说明该线路越限风险越大。通过概率值大小,将各线路约束进行排序,根据出清模型规模和调度员历史经验,可按线路越限风险排序确定加入的起作用约束集。此外,所述方法可以作为线路的薄弱程度指标,为指导电网建设和改造提供依据,如果在运行调度中某条线路越限风险长期处于较高值,可以考虑对该条线路进行改造。
请参见图3至5,由于所研究系统中线路较多,本发明选取特定场景c下的线路(i,j)约束即L(i,j,c)进行分析。具体地,本发明实施例选取了L(8,5,112)、L(38,65,112)和L(68,69,112)。蒙特卡洛法收敛判据为方差系数<1%或最大抽样次数K>10000。根据本发明所述方法得到L(8,5,112)、L(38,65,112)和L(68,69,112)载荷量的概率密度曲线如图3至图5所示,其越限概率如表1所示。从表1中可以分析出三条约束的越限风险排序为:L(8,5,112)>L(38,65,112)>L(68,69,112)。本实施例依据该越限风险排名优先选择风险大的约束加入模型中。
表1-断面约束越限概率
线路 | L<sub>(8,5,112)</sub> | L<sub>(38,65,112)</sub> | L<sub>(68,69,112)</sub> |
越限概率 | 50.73% | 38.42% | 0.99% |
请参见图6,所述深度神经网络模型用于断面约束快速预警,包括输入层、若干层隐藏层和输出层。所述深度神经网络模型具体为:
Y=fn(...f2(W2f1(W1X+b1))+b2) (9)
式(9)中,f为激活函数。n为神经网络层数。权值Wi为di+1×di维的矩阵。偏置bi为di+1维的向量。di是第i层神经网络的神经元个数。
其中,激活函数f(h)=max(0,h)。输入特征向量X=[Pi,H1,H2],Pi为节点注入功率。输出特征向量Y=[PG]。
在本发明实施例中,利用深度神经网络挖掘系统运行条件(随机变量)与市场出清结果间的复杂关系,由函数映射的形式直接求解出所有模拟样本的出清结果,从而既保留蒙特卡洛法高精度处理各类不确定性的优点又解决了计算负担大的问题。发明提出的基于深度学习的断面约束快速预警,利用深度神经网络对大批量模拟样本的市场出清模型进行求解。深度神经网络本质上是通过最小二乘的思路拟合市场出清模型输入输出间的函数关系。由于深度神经网络的深层结构和其优秀的万能逼近性能,其往往能够对绝大多数的模拟样本进行高精度的市场出清结果预测,即使存在少部分预测精度不高的样本,其对统计指标的影响也可忽略不计。
本发明提供一种优选的实施例,基于所述基于深度学习的断面约束概率预警方法,所述利用所述历史运行数据训练所述深度神经网络模型,具体为:
建立包括所述历史运行数据和所述模拟样本数据的输入样本集;
利用离差标准化方法对输入样本集进行预处理,即:
式(10)中,xmin与xmax表示数据x的最小值和最大值。x表示输入样本集中输入数据或输出数据。
将预处理后的输入样本集随机划分为训练样本集、验证样本集和测试样本集;
将所述训练样本集输入到所述深度神经网络模型,对所述深度神经网络模型的参数进行迭代更新,其中,参数θ={W,b}:
式(11)中,为均方差损失函数在深度神经网络第t次参数更新时对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。为梯度向量。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。
将所述验证数据集和所述测试数据集输入到所述深度神经网络模型,以判断验证集的测试精度是否下降;若是,则停止迭代;若否,则根据最大迭代次数进行迭代。
具体地,将验证数据集和测试数据集输入到面向断面约束预警的深度神经网络模型中,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,则继续进行迭代。tmax为最大迭代次数。
迭代结束后,将测试数据集输入到面向断面约束预警的深度神经网络模型中,完成面向断面约束预警的深度神经网络模型的测试。
所述基于深度学习的断面约束概率预警方法,还包括:
当所述输入样本集的参数更新时,根据所述输入样本集中样本的输出特征向量的真值与预测值,求解均方差损失函数。
具体实施例为,构建均方差损失函数Loss,即:
请参见图7,实线和虚线分别是机组最优出力真值和预测值,可以看到由于所述方法对机组最优出力的高精度计算,深度神经网络计算出的机组最优出力概率分布图几乎和真值重合。本发明所提快速预警方法的关键在于深度神经网络对机组最优出力的高精度预测,从而有效辨识起作用约束。表2展示深度神经网络计算最优发电机出力的计算精度结果。从表中可以看到深度神经网路对新的运行条件能高精度地预测出机组最优出力,其平均绝对计算误差为0.45MW,绝对误差超过5MW与2MW的概率分别小于0.6%与4.5%。
表2-深度神经网络计算机组最优出力的精度分析
平均绝对误差 | 绝对误差>5MW的概率 | 绝对误差>2MW的概率 |
0.45MW | 0.59% | 4.44% |
请参见图8至10,基于深度神经网络对机组最优出力的高精度预测,进一步得到采用深度神经网络计算得到的L(8,5,112)、L(38,65,112)和L(68,69,112)载荷量概率密度分布曲线与其真实概率密度分布曲线的对比结果,如图8至图10所示。从图中可以看到,所述方法得到的概率密度曲线与真值拟合度高。因此,利用深度神经网络能够保持计算的高精度并实现断面约束预警。
利用本实施例,计算1万个市场出清场景下机组最优出力的消耗时间,计算时间仅需0.17秒,而基于工业界方法求解蒙特卡洛法产生的一万个市场出清场景为14502.08秒,本发明所提方法的计算速度较工业界方法提高了85306倍。
综上,本发明所提基于深度神经网络的快速预警算法能有效兼顾计算精度与速度,具有较好的计算性能,有利于考虑不确定性的实时电价在实际工业中推广应用。
请参见图11,本发明提供一种示例性实施例,一种基于深度学习的断面约束概率预警系统,包括:
采集模块201,用于获取电力系统的历史运行数据;所述历史运行数据包括发电机出力值、发电成本系数、电力系统拓扑结构数据;
模型生成模块202,用于建立电力市场出清模型;其中,基于发电机出力值和发电成本系数的函数关系构建所述电力市场出清模型的目标函数,以及利用电力系统拓扑结构数据构建所述电力市场出清模型的N-1安全约束的约束条件;
模型求算模块203,用于利用基于蒙特卡洛的断面约束评估方法对所述电力市场出清模型进行解算时,利用所述历史运行数据构建并训练至少包括输入层、若干隐藏层和输出层的深度神经网络模型;
结果输出模块204,用于在所述输入层输入包括发电机出力值和发电成本系数的实时数据进行运算,并通过所述输出层输出机组最优出力值;
预警模块205,用于判断当前机组出力值是否大于等于所述机组最优出力值;若是,则发送预警信息。
所述的基于深度学习的断面约束概率预警系统,还包括:
抽样模块,用于对电力系统的状态变量进行随机抽样以建立模拟样本集;
计算模块,用于将所述模拟样本集输入到电力市场出清模型,计算得到所述模拟样本集中每个模拟样本对应的机组最优出力值和电力市场出清模型起作用的最小约束集;
概率计算模块,用于统计所述机组最优出力值和所述最小约束集,得到每个模拟样本对应的N-1安全约束的起作用概率;
写入模块,用于根据所述起作用概率,对各线路约束进行降序排列,并将排列靠前的线路约束写入所述最小约束集。
所述的基于深度学习的断面约束概率预警系统,包括:
样本集生成模块,用于建立包括历史运行数据和模拟样本数据的输入样本集;还用于利用离差标准化方法对所述输入样本集进行预处理,具体为:
式(10)中,xmin与xmax表示数据x的最小值和最大值;x表示输入样本集中输入数据或输出数据。
分类模块,用于将所述输入样本集随机划分为训练样本集、验证样本集和测试样本集;
模型更新模块,用于将所述训练样本集输入到所述深度神经网络模型,对所述深度神经网络模型的参数进行迭代更新;
还用于当所述输入样本集的参数更新时,根据所述输入样本集中样本的输出特征向量的真值与预测值,求解均方差损失函数。
测试模块,用于将所述验证数据集和所述测试数据集输入到所述深度神经网络模型,以判断验证集的测试精度是否下降;若是,则停止迭代;若否,则根据最大迭代次数进行迭代。
本发明提供一种示例性实施例,一种基于深度学习的断面约束概率预警设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的基于深度学习的断面约束概率预警方法。
本发明提供一种示例性实施例,一种基于深度学习的断面约束概率预警方法存储介质,所述基于深度学习的断面约束概率预警方法存储介质用于存储一个或多个计算机程序,所述一个或多个计算机程序包括程序代码,当所述计算机程序在计算机上运行时,所述程序代码用于执行上述基于深度学习的断面约束概率预警方法。
本申请实施例的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质的更具体的示例至少(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式只读存储器(CDROM)。另外,计算机可读存储介质甚至可以是可在其上打印程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
Claims (8)
1.一种基于深度学习的断面约束概率预警方法,其特征在于,步骤包括:
获取电力系统的历史运行数据;所述历史运行数据包括发电机出力值、发电成本系数、电力系统拓扑结构数据;
建立电力市场出清模型;其中,基于发电机出力值和发电成本系数的函数关系构建所述电力市场出清模型的目标函数,以及利用电力系统拓扑结构数据构建所述电力市场出清模型的N-1安全约束的约束条件;
利用基于蒙特卡洛的断面约束评估方法对所述电力市场出清模型进行解算时,利用所述历史运行数据构建并训练至少包括输入层、若干隐藏层和输出层的深度神经网络模型;
在所述输入层输入包括发电机出力值和发电成本系数的实时数据进行运算,并通过所述输出层输出机组最优出力值;
判断当前机组出力值是否大于等于所述机组最优出力值;若是,则发送预警信息。
3.如权利要求1所述的基于深度学习的断面约束概率预警方法,其特征在于,所述利用基于蒙特卡洛的断面约束评估方法对所述电力市场出清模型进行解算,包括:
对电力系统的状态变量进行随机抽样以建立模拟样本集;
将所述模拟样本集输入到电力市场出清模型,计算得到所述模拟样本集中每个模拟样本对应的机组最优出力值和电力市场出清模型起作用的最小约束集;
统计所述机组最优出力值和所述最小约束集,得到每个模拟样本对应的N-1安全约束的起作用概率;
根据所述起作用概率,对各线路约束进行降序排列,并将排列靠前的线路约束写入所述最小约束集。
5.如权利要求3所述的基于深度学习的断面约束概率预警方法,其特征在于,利用所述历史运行数据训练所述深度神经网络模型,具体为:
建立包括历史运行数据和模拟样本数据的输入样本集;
将所述输入样本集随机划分为训练样本集、验证样本集和测试样本集;
将所述训练样本集输入到所述深度神经网络模型,对所述深度神经网络模型的参数进行迭代更新;
将所述验证数据集和所述测试数据集输入到所述深度神经网络模型,以判断验证集的测试精度是否下降;若是,则停止迭代;若否,则根据最大迭代次数进行迭代。
7.如权利要求5所述的基于深度学习的断面约束概率预警方法,其特征在于,当所述输入样本集的参数更新时,根据所述输入样本集中样本的输出特征向量的真值与预测值,求解均方差损失函数。
8.一种基于深度学习的断面约束概率预警系统,其特征在于,包括:
采集模块,用于获取电力系统的历史运行数据;所述历史运行数据包括发电机出力值、发电成本系数、电力系统拓扑结构数据;
模型生成模块,用于建立电力市场出清模型;其中,基于发电机出力值和发电成本系数的函数关系构建所述电力市场出清模型的目标函数,以及利用电力系统拓扑结构数据构建所述电力市场出清模型的N-1安全约束的约束条件;
模型求算模块,用于利用基于蒙特卡洛的断面约束评估方法对所述电力市场出清模型进行解算时,利用所述历史运行数据构建并训练至少包括输入层、若干隐藏层和输出层的深度神经网络模型;
结果输出模块,用于在所述输入层输入包括发电机出力值和发电成本系数的实时数据进行运算,并通过所述输出层输出机组最优出力值;
预警模块,用于判断当前机组出力值是否大于等于所述机组最优出力值;若是,则发送预警信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911225315.5A CN110991741B (zh) | 2019-12-02 | 2019-12-02 | 一种基于深度学习的断面约束概率预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911225315.5A CN110991741B (zh) | 2019-12-02 | 2019-12-02 | 一种基于深度学习的断面约束概率预警方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110991741A true CN110991741A (zh) | 2020-04-10 |
CN110991741B CN110991741B (zh) | 2022-07-12 |
Family
ID=70089847
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911225315.5A Active CN110991741B (zh) | 2019-12-02 | 2019-12-02 | 一种基于深度学习的断面约束概率预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110991741B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112529614A (zh) * | 2020-11-27 | 2021-03-19 | 国网湖北省电力有限公司 | 电力市场出清流程的建立方法及系统 |
CN112632846A (zh) * | 2020-11-13 | 2021-04-09 | 国网浙江省电力有限公司绍兴供电公司 | 一种电力系统输电断面极限概率评估方法及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108683192A (zh) * | 2018-06-27 | 2018-10-19 | 广东电网有限责任公司 | 一种电力现货市场的出清方法、系统、设备及存储介质 |
CN108921601A (zh) * | 2018-06-20 | 2018-11-30 | 浙江大学 | 一种基于神经网络的电力现货市场辅助交易方法 |
CN109117951A (zh) * | 2018-01-15 | 2019-01-01 | 重庆大学 | 基于bp神经网络的概率潮流在线计算方法 |
CN109784692A (zh) * | 2018-12-29 | 2019-05-21 | 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 |
CN110287233A (zh) * | 2019-06-18 | 2019-09-27 | 华北电力大学 | 一种基于深度学习神经网络的系统异常预警方法 |
-
2019
- 2019-12-02 CN CN201911225315.5A patent/CN110991741B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109117951A (zh) * | 2018-01-15 | 2019-01-01 | 重庆大学 | 基于bp神经网络的概率潮流在线计算方法 |
CN108921601A (zh) * | 2018-06-20 | 2018-11-30 | 浙江大学 | 一种基于神经网络的电力现货市场辅助交易方法 |
CN108683192A (zh) * | 2018-06-27 | 2018-10-19 | 广东电网有限责任公司 | 一种电力现货市场的出清方法、系统、设备及存储介质 |
CN109784692A (zh) * | 2018-12-29 | 2019-05-21 | 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 |
CN110287233A (zh) * | 2019-06-18 | 2019-09-27 | 华北电力大学 | 一种基于深度学习神经网络的系统异常预警方法 |
Non-Patent Citations (3)
Title |
---|
ÁLINSON S. XAVIER ET AL.: "Learning to Solve Large-Scale Security-Constrained Unit Commitment Problems", 《ARXIV》 * |
史静 等: "基于长短期记忆神经网络的配电网负荷预测方法研究", 《电网技术》 * |
张昆 等: "南方区域电力现货市场技术支持系统:出清功能部分", 《南方电网技术》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112632846A (zh) * | 2020-11-13 | 2021-04-09 | 国网浙江省电力有限公司绍兴供电公司 | 一种电力系统输电断面极限概率评估方法及电子设备 |
CN112632846B (zh) * | 2020-11-13 | 2023-10-24 | 国网浙江省电力有限公司绍兴供电公司 | 一种电力系统输电断面极限概率评估方法及电子设备 |
CN112529614A (zh) * | 2020-11-27 | 2021-03-19 | 国网湖北省电力有限公司 | 电力市场出清流程的建立方法及系统 |
CN112529614B (zh) * | 2020-11-27 | 2023-10-24 | 国网湖北省电力有限公司 | 电力市场出清流程的建立方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110991741B (zh) | 2022-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112699913B (zh) | 一种台区户变关系异常诊断方法及装置 | |
Xiang et al. | Probabilistic power flow with topology changes based on deep neural network | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN110991741B (zh) | 一种基于深度学习的断面约束概率预警方法及系统 | |
CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
CN115618732A (zh) | 核反应堆数字孪生关键参数自主优化数据反演方法 | |
Sun et al. | Probabilistic available transfer capability assessment in power systems with wind power integration | |
CN110956304A (zh) | 一种基于ga-rbm的分布式光伏发电量短期预测方法 | |
CN113328467B (zh) | 一种概率电压稳定性评估方法、系统、终端设备及介质 | |
CN112287605B (zh) | 一种基于图卷积网络加速的潮流校核方法 | |
CN114118401A (zh) | 基于神经网络的配电网络流量预测方法、系统、装置及存储介质 | |
CN110717623B (zh) | 融合多种天气状况的光伏发电功率预测方法及装置、设备 | |
CN113222263A (zh) | 一种基于长短期记忆神经网络的光伏发电功率预测方法 | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
CN112232570A (zh) | 一种正向有功总电量预测方法、装置及可读存储介质 | |
Xiang et al. | Improved Gaussian mixture model based probabilistic power flow of wind integrated power system | |
CN111061708A (zh) | 一种基于lstm神经网络的电能量预测与修复方法 | |
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 | |
Xin et al. | Short-term load forecasting for electric vehicle charging stations based on time series distance measuring | |
CN115828441A (zh) | 基于条件生成对抗网络的风机出力场景生成和缩减方法 | |
Duan et al. | High performance computing (hpc) for advanced power system studies | |
CN113609456A (zh) | 电动汽车光伏充电站可靠性分析方法、系统、介质、终端 | |
Le et al. | Probabilistic assessment of power systems with renewable energy sources based on an improved analytical approach | |
Jianli et al. | Wind power forecasting by using artificial neural networks and Grubbs criterion | |
CN113822470B (zh) | 计及新能源场站出力不确定性的出力数据生成方法及系统 |
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 |