CN112507603B - 基于dnn算法的电力系统鲁棒优化极端场景的识别方法 - Google Patents
基于dnn算法的电力系统鲁棒优化极端场景的识别方法 Download PDFInfo
- Publication number
- CN112507603B CN112507603B CN202011212711.7A CN202011212711A CN112507603B CN 112507603 B CN112507603 B CN 112507603B CN 202011212711 A CN202011212711 A CN 202011212711A CN 112507603 B CN112507603 B CN 112507603B
- Authority
- CN
- China
- Prior art keywords
- layer
- output
- input
- dnn algorithm
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000005457 optimization Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000010248 power generation Methods 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 4
- 210000002569 neuron Anatomy 0.000 claims description 54
- 238000004364 calculation method Methods 0.000 claims description 34
- 230000004913 activation Effects 0.000 claims description 12
- 239000000126 substance Substances 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000001902 propagating effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 26
- 230000008569 process Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000006467 substitution reaction 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Economics (AREA)
- Biophysics (AREA)
- Marketing (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Geometry (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于DNN算法的电力系统鲁棒优化极端场景的识别方法,包括:先构建数据集,再构建DNN算法,然后训练DNN算法,训练DNN算法可以包括:设置参数、数据计算、数据输出、选取代价函数、反向传播和判断是否训练结束,若训练结束,则可以对识别极端场景,利用训练后的DNN算法识别极端场景,其中,数据集用于DNN算法的训练和测试,数据集中的每条数据均包括输入部分和输出部分,其中输入部分由盒式不确定集确定,盒式不确定集包括:m个负荷功率和n个光伏发电出力,输出部分由极端场景的类别确定。根据本发明实施例的基于DNN算法的电力系统鲁棒优化极端场景的识别方法,可以简化求解极端场景的步骤,以提高识别极端场景的效率。
Description
技术领域
本发明涉及电力系统技术领域,尤其是涉及一种基于DNN算法的电力系统鲁棒优化极端场景的识别方法。
背景技术
随着新能源技术的不断发展,风电、光伏等可再生能源大规模并网已经成为一种趋势,可再生能源输出功率存在显著的可变性和不确定性;同时,电力系统负荷预测也存在不确定性。这些不确定性给电力系统调度、规划带来很大的影响。
考虑不确定性问题常常采用鲁棒优化,鲁棒优化需要知道不确定参数的取值范围,选择在“极端场景(最差场景)”下进行优化,以此保证当不确定参数在取值范围内任意变化,最优解都是可行的。极端场景是不确定参数在不确定集中的一种取值,对于盒式不确定集和多面体不确定集,极端场景通常取在边界或顶点。
鲁棒优化中查找极端场景是一个挑战,对于一些简单算例,鲁棒优化的极端场景可以很容易得到,例如考虑负荷、可再生能源发电出力不确定性的简单电力系统,鲁棒优化的极端场景就是所有负荷取上界,可再生能源发电出力取下界。
但如果系统规模大,约束条件复杂的电力系统中,将涉及到非线性、非凸等问题,利用传统方法求解极端场景是通过鲁棒优化自身的迭代求解过程获得,计算繁琐复杂。另外,在大规模的复杂电力系统中,传统方法查找极端场景需要进行鲁棒优化计算,计算时间较长,导致极端场景的识别效率低下。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明的一个目的在于提出一种基于深度神经网络(Deep Neural Network,DNN)算法的电力系统鲁棒优化极端场景的识别方法,所述识别方法,可以简化求解极端场景的步骤,以提高识别极端场景的效率。
根据本发明实施例的基于DNN算法的电力系统鲁棒优化极端场景的识别方法,所述基于DNN算法的电力系统鲁棒优化极端场景的识别方法包括:构建数据集、构建DNN算法、训练DNN算法以及利用训练好的DNN算法识别极端场景。具体地,所述数据集用于DNN算法的训练和测试,所述数据集中的每条数据均包括输入部分和输出部分,其中所述输入部分由盒式不确定集确定,所述盒式不确定集包括:m个负荷功率和n个光伏发电出力,所述输出部分由极端场景的类别确定,DNN算法包括:输入层、隐含层和输出层,所述输入部分的数据从所述输入层输入DNN算法,所述输入层中神经元的数量与所述输入部分中每条输入数据的元素数量相等,所述输出层中神经元的数量与所述极端场景的类别数量相等,所述训练DNN算法包括:设置参数、数据计算、数据输出、选取代价函数、反向传播和判断是否训练结束,其中参数需要设置权重w和偏置b,并设置迭代次数t,所述隐含层对输入其内的数据计算,所述隐含层将计算结果传输至所述输出层,并由所述输出层输出,所述代价函数用于表示DNN算法预测输出值和实际输出值的误差,将所述误差沿所述隐含层至所述输入层的顺序逐层反向传播,并将所述误差分配给所述隐含层和所述输入层中所有神经元,以所述隐含层和所述输入层获得的误差信号为依据调整神经元连接的所述权重w和所述偏置b,判断所述迭代次数t是否到达预设的次数,若是,训练结束,否则,返回至所述数据计算,利用训练后的DNN算法识别所述极端场景。
根据本发明实施例的基于DNN算法的电力系统鲁棒优化极端场景的识别方法,通过训练DNN算法,可以不用求解鲁棒优化问题,而是利用数据集训练出识别模型,模型训练完毕后,DNN算法识别极端场景将避免很多繁琐鲁棒计算,从而可以提高极端场景的识别效率。
另外,根据本发明的基于DNN算法的电力系统鲁棒优化极端场景的识别方法,还可以具有如下附加的技术特征:
在本发明的一些实施例中,所述输入部分中每条输入数据取所述盒式不确定集中每个负荷功率上下界的平均值和每个光伏发电出力上下界的平均值,并用[d1 d2 ... dms1 s2 ... sn]表示,所述输出部分的输出数据用[c,c∈[1,2...k]]表示,其中,k表示所述极端场景的类别数量,则构建的所述数据集表示为:
其中,z表示输入数据的条数。
在一个实施例中,所述隐含层包括多层,每层所述隐含层内设有多个神经元,所述输入层的数据输入至所述隐含层后,多层所述隐含层按照预定顺序对输入其内的数据计算。
可选地,所述隐含层包括:第一层隐含层和第二层隐含层,所述第一层隐含层中任意一个神经元与所述第二层隐含层中任意一个神经元相连,所述第一层隐含层和所述第二层隐含层内均设有6个神经元。
可选地,选取激活函数f,所述第一层隐含层的输出表示为:
所述第二层隐含层的输出表示为:
进一步地,所述激活函数f为relu函数,所述relu函数表示为:
在本发明的一些实施例中,选取激活函数f,所述输出层的输出表示为:
可选地,所述激活函数f为softmax函数,所述softmax函数可将所述输出层中神经元的输出映射到(0,1)区间内。
在本发明的一些实施例中,所述代价函数选取交叉熵函数,所述交叉熵函数表示为:
其中,N代表样本数量,M代表实际类别数量,yic代表0-1变量,若实际类别和样本i类别相同,则取1,否则取0;pic代表样本i属于类别c的预测概率。
在本发明的一些实施例中,向训练后的DNN算法中的所述输入层输入一条数据[d1d2 ... dm s1 s2 ... sn],DNN算法计算后,所述输出层将计算结果传输至所述输出部分,所述输出部分可输出所述极端场景的类别,以得到所述极端场景。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是根据本发明实施例的基于DNN算法的电力系统鲁棒优化极端场景的识别方法的流程图;
图2是根据本发明实施例的基于DNN算法的电力系统鲁棒优化极端场景的识别方法的训练DNN算法的流程图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
随着大数据时代的到来,电力系统负荷预测、可再生能源发电出力预测等技术发展良好,但并未出现利用机器学习识别鲁棒优化极端场景,而机器学习是原理与传统鲁棒优化方法直接查找极端场景的识别方法不同,无需求解优化问题,而是利用数据集训练出识别模型,一旦模型训练完毕,其识别极端场景可以节省很多繁琐的计算,以提高识别效率。
需要说明的是,本申请中鲁棒优化的极端场景指的是不确定参数(负荷和光伏发电出力)的上、下界取值情况,即每个参数取上界或者下界。
下面参考图1-图2描述根据本发明实施例的基于DNN算法的电力系统鲁棒优化极端场景的识别方法。
如图1-图2所示,根据本发明实施例的基于DNN算法的电力系统鲁棒优化极端场景的识别方法包括:构建数据集、构建DNN算法、训练DNN算法和识别极端场景。
具体地,数据集用于DNN算法的训练和测试,数据集中的每条数据均包括输入部分和输出部分,其中输入部分由盒式不确定集确定,盒式不确定集包括:m个负荷功率和n个光伏发电出力,输出部分由极端场景的类别确定,DNN算法包括:输入层、隐含层和输出层,输入部分的数据从输入层输入DNN算法,输入层中神经元的数量与输入部分中每条输入数据的元素数量相等,输出层中神经元的数量与极端场景的类别数量相等。训练DNN算法包括:设置参数,设置权重w和偏置b,并设置迭代次数t;数据计算,隐含层对输入其内的数据计算;数据输出,隐含层将计算结果传输至输出层,并由输出层输出;选取代价函数,代价函数用于表示DNN算法预测输出值和实际输出值的误差;反向传播,将误差沿隐含层至输入层的顺序逐层反向传播,并将误差分配给隐含层和输入层中所有神经元,以隐含层和输入层获得的误差信号为依据调整神经元连接的权重w和偏置b;判断是否训练结束,判断迭代次数t是否到达预设的次数,若是,训练结束,否则,返回至数据计算;利用训练后的DNN算法识别极端场景。
通过将盒式不确定集包括:m个负荷功率和n个光伏发电出力,使得DNN算法可以基于电力系统进行训练,从而使得训练后的DNN算法可以识别极端场景的类别,同时还可以提高识别的效率。其中,m和n为变量,其具体数据这里不限制。
DNN算法的输入层中神经元的数量与输入部分中每条输入数据的元素数量相等,也就是说,输入部分的神经元的数量为m+n个,输入层的神经元的数量也为m+n个,从而使得输入部分的数据可以一一对应地输入至输入层。另外,输入至输入部分的特征向量可以取盒式不确定集中每个不确定变量上下界的平均值。
此外,输出部分由极端场景的类别确定,输出层中神经元的数量与极端场景的类别数量相等,由此,输出层中不同种类的神经元朝输出部分的各神经元输出数据,而输出部分接受数据并计算后,可以输出极端场景的类别。
通过根据已知数据训练DNN算法,以使DNN算法可以预测未来的极端场景,其中,在训练DNN算法过程中,输入数据和极端场景的类别已知,可以将历史已经数据输入数据集中,数据集的输入部分将数据输入至DNN算法的输入层,输入层将数据输出至隐含层,隐含层进行极端,然后输出至输出层,输出层朝输出部分输出极端场景的类别,将输出的极端场景与实际的极端进行比较,判断DNN算法计算的极端场景是否正确,并多次迭代计算和训练。
其中,判断迭代次数t是否到达预设的次数,若是,训练结束,则算法可以用于识别极端场景的类别,否则,返回至数据计算继续训练。迭代次数t可以根据实际进行设置,例如迭代次数t可以为1000,也可以为500,还可以为2000等,不作限制。
需要说明的是,鲁棒优化在电力系统中的应用:考虑负荷消耗和可再生能源发电预测误差的不确定性,为带有高比例分布式能源和柔性负荷的并网微电网提出一种鲁棒经济调度方案;考虑传输线线路参数的不确定性,提出一种鲁棒优化方法解决最优无功功率分配问题;针对存在节点净注入功率不确定性的安全约束机组组合(Security-Constrained Unit Commitment,SCUC)问题,提出一种两阶段的自适应鲁棒机组组合模型。
机器学习在电力系统鲁棒优化中的应用:利用数据驱动的方法来构建更具体的不确定集,将其应用于带风电的最优潮流(Optimal Power Flow,OPF)问题、交流OPF问题、风电与天然气系统相结合的OPF问题;利用鲁棒核密度估计方法从大数据中提取风电的分布信息,并将该信息合并到数据驱动的不确定集中。
相较于现有技术,本发明将DNN算法运用于识别电力系统鲁棒优化的极端场景。在系统规模大,约束条件复杂的电力系统中,将涉及到非线性、非凸等问题,利用传统方法查找极端场景需要进行繁琐的鲁棒优化计算,使得识别效率低下。
例如图2所示,在训练DNN算法过程中,对算法的参数设置后,可以朝输入层中输入特征向量,该特征向量包括电力系统中负载和光伏发电出力,数据传输至隐含层内后需要在每层隐含层进行计算,每层隐含层均计算后可以将计算结果输送至输出层,然后输出层再输出,另外,输出层中神经元的数量与隐含层的神经元数量可以不相等,输出层输出结果后可以利用代价函数技术误差,然后将误差反向传播,即误差朝隐含层、输入层传播,以使各层的神经元可以根据误差信号调整权重w和偏置b。对迭代次数t判断是否达到预定值,若是则训练结束,否则需要回到数据计算步骤,然后再重复之前的步骤进行运算。
根据本发明实施例的基于DNN算法的电力系统鲁棒优化极端场景的识别方法,通过训练DNN算法,可以不用求解鲁棒优化问题,而是利用数据集训练出识别模型,模型训练完毕后,DNN算法识别极端场景将避免很多繁琐鲁棒计算,从而可以提高极端场景的识别效率。
在本发明的一些实施例中,输入部分中每条输入数据取盒式不确定集中每个负荷功率上下界的平均值和每个光伏发电出力上下界的平均值,并用[d1 d2...dm s1 s2...sn]表示,输出部分的输出数据用[c,c∈[1,2...k]]表示,其中,k表示极端场景的类别数量,则构建的数据集表示为:
其中,z表示输入数据的条数,即输入数据集的进行训练的数量。
在一个实施例中,隐含层包括多层,每层隐含层内设有多个神经元,输入层的数据输入至隐含层后,多层隐含层按照预定顺序对输入其内的数据计算,由此,通过在隐含层中设有多层隐含层,使得输入层数据引人隐含层后可以经过多个隐含层进行计算,以提高识别的精度。其中,通过在每层隐含层中设有多个神经元,可以考虑多个参数进行计算。
可选地,隐含层包括:第一层隐含层和第二层隐含层,第一层隐含层中任意一个神经元与第二层隐含层中任意一个神经元相连,第一层隐含层和第二层隐含层内均设有6个神经元,也就是说,第一层隐含层中6个神经元会与第二层隐含层中的每个神经元相连,通过设有两层隐含层且每层隐含层中设有6个神经元,可以提高计算效率,且满足实际需要。
可以理解的是,设有多层隐含层可以提高计算精度,但计算时间会增加,训练容易陷入局部极小点而得不到最优点,也是训练时出现“过拟合”的内在原因。
可选地,选取激活函数f,第一层隐含层的输出表示为:
第二层隐含层的输出表示为:
在一个实施例中,激活函数f为线性整流函数(Rectified Linear Unit,relu),relu函数表示为:
即当输入数据的条数z小于或等于0时,结果为0,z大于0时,则relu(z)=z。
在本发明的一些实施例中,选取激活函数f,输出层的输出表示为:
输出层中神经元将数据输出至输出部分,以使输出部分可以输出DNN算法识别的极端场景的类别。
可选地,激活函数f为softmax函数,softmax函数可将输出层中神经元的输出映射到(0,1)区间内,也就是说,输出层中每个神经元输出的数在0~1之间,且所有神经元输出值总和为1,输出值最大的结果为预测结果(计算结果),在输出部分中可以根据输出层输入的结果输出极端场景的类别。其中,在输出部分通过softmax函数可以将方便地处理分类问题的所属哪个类别的情形。
在本发明的一些实施例中,代价函数选取交叉熵函数,交叉熵函数表示为:
其中,N代表样本数量,M代表实际类别数量,yic代表0-1变量,若实际类别和样本i类别相同,则取1,否则取0,pic代表样本i属于类别c的预测概率。
由此,代价函数通过计算出实际输出值与预测输出值的误差,然后将此误差通过第二层隐含层、第一层隐含层和输入层的顺序逐层反向传播,并将误差分配给各层所有神经元,各层的神经元获得误差后可以以获取的误差信号为依据进行调整权重w和偏置b,以降低误差并提高准确率。调整权重w和偏置b后可以再次输入数据进行训练,并得出误差,通过多次训练,并调整权重w和偏置b,以减少实际值与预测值之间的差距。
在本发明的一些实施例中,向训练后的DNN算法中的输入层输入一条数据[d1 d2... dm s1 s2 ... sn],DNN算法计算后,输出层将计算结果传输至输出部分,输出部分可输出极端场景的类别,以得到极端场景。
由此,通过使用训练好的DNN算法,并使DNN算法可以识别电力系统鲁棒优化的极端场景,避免了现有技术中查找极端场景时需要进行鲁棒优化的计算过程,从而可以避免在鲁棒优化过程中的繁琐计算。此外,利用训练好的深度神经网络模型可以快速识别鲁棒优化的极端场景,也可以将不确定性问题转为一个确定性问题,避免大规模复杂系统中应用鲁棒优化造成计算时间长的问题,有利于在线应用。
根据本发明实施例的基于DNN算法的电力系统鲁棒优化极端场景的识别方法的其他构成以及操作对于本领域普通技术人员而言都是已知的,这里不再详细描述。
在本说明书的描述中,参考术语“一些实施例”、“可选地”、“进一步地”或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (10)
1.一种基于DNN算法的电力系统鲁棒优化极端场景的识别方法,其特征在于,包括:
构建数据集,所述数据集用于DNN算法的训练和测试,所述数据集中的每条数据均包括输入部分和输出部分,其中所述输入部分由盒式不确定集确定,所述盒式不确定集包括:m个负荷功率和n个光伏发电出力,所述输出部分由极端场景的类别确定;
构建DNN算法,DNN算法包括:输入层、隐含层和输出层,所述输入部分的数据从所述输入层输入DNN算法,所述输入层中神经元的数量与所述输入部分中每条输入数据的元素数量相等,所述输出层中神经元的数量与所述极端场景的类别数量相等;
训练DNN算法,所述训练DNN算法包括:
设置参数,设置权重w和偏置b,并设置迭代次数t;
数据计算,所述隐含层对输入其内的数据计算;
数据输出,所述隐含层将计算结果传输至所述输出层,并由所述输出层输出;
选取代价函数,所述代价函数用于表示DNN算法预测输出值和实际输出值的误差;
反向传播,将所述误差沿所述隐含层至所述输入层的顺序逐层反向传播,并将所述误差分配给所述隐含层和所述输入层中所有神经元,以所述隐含层和所述输入层获得的误差信号为依据调整神经元连接的所述权重w和所述偏置b;
判断是否训练结束,判断所述迭代次数t是否到达预设的次数,若是,训练结束,否则,返回至所述数据计算;
识别极端场景,利用训练后的DNN算法识别所述极端场景。
3.根据权利要求1所述的基于DNN算法的电力系统鲁棒优化极端场景的识别方法,其特征在于,所述隐含层包括多层,每层所述隐含层内设有多个神经元,所述输入层的数据输入至所述隐含层后,多层所述隐含层按照预定顺序对输入其内的数据计算。
4.根据权利要求3所述的基于DNN算法的电力系统鲁棒优化极端场景的识别方法,其特征在于,所述隐含层包括:第一层隐含层和第二层隐含层,所述第一层隐含层中任意一个神经元与所述第二层隐含层中任意一个神经元相连,所述第一层隐含层和所述第二层隐含层内均设有6个神经元。
8.根据权利要求7所述的基于DNN算法的电力系统鲁棒优化极端场景的识别方法,其特征在于,所述激活函数f为softmax函数,所述softmax函数可将所述输出层中神经元的输出映射到(0,1)区间内。
10.根据权利要求1所述的基于DNN算法的电力系统鲁棒优化极端场景的识别方法,其特征在于,向训练后的DNN算法中的所述输入层输入一条数据[d1 d2...dm s1 s2...sn],DNN算法计算后,所述输出层将计算结果传输至所述输出部分,所述输出部分可输出所述极端场景的类别,以得到所述极端场景。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011212711.7A CN112507603B (zh) | 2020-11-03 | 2020-11-03 | 基于dnn算法的电力系统鲁棒优化极端场景的识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011212711.7A CN112507603B (zh) | 2020-11-03 | 2020-11-03 | 基于dnn算法的电力系统鲁棒优化极端场景的识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112507603A CN112507603A (zh) | 2021-03-16 |
CN112507603B true CN112507603B (zh) | 2021-08-10 |
Family
ID=74955313
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011212711.7A Active CN112507603B (zh) | 2020-11-03 | 2020-11-03 | 基于dnn算法的电力系统鲁棒优化极端场景的识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112507603B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111553587A (zh) * | 2020-04-26 | 2020-08-18 | 中国电力科学研究院有限公司 | 一种基于对抗学习模型的新能源场景生成方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2172887A3 (en) * | 2008-09-30 | 2011-11-09 | Rockwell Automation Technologies, Inc. | System and method for dynamic multi-objective optimization of machine selection, integration and utilization |
US20130159045A1 (en) * | 2011-12-14 | 2013-06-20 | International Business Machines Corporation | Robust inventory management in multi-stage inventory networks with demand shocks |
CN111711184B (zh) * | 2020-05-25 | 2022-02-11 | 国网青海省电力公司 | 一种基于最坏场景辨识的电力系统鲁棒经济调度方法 |
CN111709672B (zh) * | 2020-07-20 | 2023-04-18 | 国网黑龙江省电力有限公司 | 基于场景和深度强化学习的虚拟电厂经济调度方法 |
-
2020
- 2020-11-03 CN CN202011212711.7A patent/CN112507603B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111553587A (zh) * | 2020-04-26 | 2020-08-18 | 中国电力科学研究院有限公司 | 一种基于对抗学习模型的新能源场景生成方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112507603A (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Osório et al. | Short-term wind power forecasting using adaptive neuro-fuzzy inference system combined with evolutionary particle swarm optimization, wavelet transform and mutual information | |
CN112186743B (zh) | 一种基于深度强化学习的动态电力系统经济调度方法 | |
Capizzi et al. | Advanced and adaptive dispatch for smart grids by means of predictive models | |
CN103049798B (zh) | 一种应用于光伏发电系统的短期发电功率预测方法 | |
Eom et al. | Feature-selective ensemble learning-based long-term regional PV generation forecasting | |
CN104217258B (zh) | 一种电力负荷条件密度预测方法 | |
CN107730044A (zh) | 一种可再生能源发电和负荷的混合预测方法 | |
CN110837915B (zh) | 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法 | |
CN113537580B (zh) | 一种基于自适应图学习的公共交通客流预测方法及系统 | |
CN112947672B (zh) | 一种光伏电池最大功率点跟踪方法及装置 | |
Yi et al. | Intelligent prediction of transmission line project cost based on least squares support vector machine optimized by particle swarm optimization | |
CN112215428A (zh) | 基于误差修正和模糊逻辑的光伏发电功率预测方法及系统 | |
Li et al. | Short-term electricity consumption prediction for buildings using data-driven swarm intelligence based ensemble model | |
CN105512755A (zh) | 一种基于分解的多目标分布估计优化方法 | |
CN115907122A (zh) | 区域电动汽车充电负荷预测方法 | |
Wei et al. | An ensemble multi-step forecasting model for ship roll motion under different external conditions: A case study on the South China Sea | |
Souabi et al. | Data-driven prediction models of photovoltaic energy for smart grid applications | |
Han et al. | A Hybrid BPNN-GARF-SVR PredictionModel Based on EEMD for Ship Motion. | |
CN111506868B (zh) | 一种基于hht权值优化的超短期风速预测方法 | |
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 | |
CN112507603B (zh) | 基于dnn算法的电力系统鲁棒优化极端场景的识别方法 | |
CN114372634B (zh) | 基于神经网络不平衡优化的短期风电功率预测方法及系统 | |
Zuo | Integrated forecasting models based on LSTM and TCN for short-term electricity load forecasting | |
Rajkumar et al. | Weather forecasting using fuzzy neural network (FNN) and hierarchy particle swarm optimization algorithm (HPSO) | |
Cao et al. | Research On Regional Traffic Flow Prediction Based On MGCN-WOALSTM |
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 |