CN112670996B - 一种基于cnn的gpu并行潮流越限判别方法 - Google Patents

Abstract

本发明公开了一种基于CNN的GPU并行潮流越限判别方法，该方法首先获取电力系统的系统参数、负荷曲线和额定运行状态数据；潮流越限判别数据集数据增强；构建标签；以数据增强后的运行状态数据作为输入，标签作为输出构建用于潮流越限判别的卷积神经网络模型的数据集构建卷积神经网络，将数据集和模型移动至GPU，使用训练数据集并行训练模型的参数；最后获取实际环境中的电力系统运行状态数据，使用训练完成的卷积神经网络模型进行潮流越限判别，并根据判别结果计算模型的判别误差。本发明通过建立并使用GPU并行训练卷积神经网络，得到可进行潮流越限判别的模型，能够在确保判别准确率的前提下加快潮流越限判别。

Description

一种基于CNN的GPU并行潮流越限判别方法

技术领域

本发明属于电网的潮流计算领域，尤其涉及一种基于CNN的GPU并行潮流越限判别方法。

背景技术

潮流计算是电力系统稳态运行分析中最基本和最重要的计算之一，也是电力系统其他分析计算的基础。根据给定的运行条件及系统接线方式确定整个电力系统各部分的运行状态。在电力系统的规划设计和运行方式的研究中，都需要利用潮流计算来定量地分析比较供电方案或运行方式的合理性、可靠性和经济性。潮流计算结果一个重要应用是判别网络中是否有线路发生潮流越限，在传统的潮流越限判别方法中，需要逐条线路进行功率对比，判别是否有线路发生功率越限。但大规模电网的线路数很多，如果遍历所有线路进行判别，计算时间消耗很大，难以满足实时判别的要求。

发明内容

本发明的目的在于针对现有技术的不足，提供一种基于CNN的GPU并行潮流越限判别方法。本发明通过收集电网运行状态数据，并以该运行状态对应的潮流是否发生越限作为标签，训练并构建卷积神经网络(CNN)模型用于判别潮流越限，来提高大规模电网潮流校核的计算速度和效率。

本发明通过以下技术方案来实现，一种基于CNN的GPU并行潮流越限判别方法，包括以下步骤：

步骤(1)：获取电力系统的系统参数、负荷曲线和额定运行状态数据；

所述电力系统的系统参数包括电网的网络拓扑数据、网络参数数据；

网络拓扑数据包括网络的节点数、线路数、不同节点之间的线路连接关系等；

网络参数数据包括系统中各条线路的阻抗、对地导纳和传输功率上限，以及各节点对地导纳、节点类型和节点电压上下限。

所述的运行状态数据包括各节点负荷的有功功率和无功功率，以及各发电机的有功功率和机端电压。

步骤(2)：潮流越限判别数据集数据增强

根据负荷曲线确定电力系统负荷水平，计算各节点负荷的有功功率和无功功率，并使用安全经济调度最优潮流模型计算各发电机的有功功率和机端电压，得到数据增强后的运行状态数据；

步骤(3)：构建标签

根据步骤(2)数据增强后的运行状态数据计算系统潮流，判别是否有节点电压或线路传输功率越限，并将判别结果作为标签；

步骤(4)：以步骤(2)数据增强后的运行状态数据作为输入，标签作为输出构建用于潮流越限判别的卷积神经网络模型的数据集，其中一部分作为训练数据集，另一部分为测试数据集；

将上述训练数据集和卷积神经网络模型移动至GPU后，使用训练数据集并行训练模型的参数，使用测试数据集测试模型的判别准确率和召回率等，并据此调节超参数；

步骤(5)：获取实际环境中的电力系统运行状态数据，使用训练完成的用于潮流越限判别的卷积神经网络模型以获取潮流越限判别结果。

进一步地，所述步骤(2)潮流越限判别数据集数据增强的具体步骤包括：

2.1计算额定运行状态下各节点额定负荷功率占系统总额定负荷功率的比例，具体是：

在电力系统中，系统总负荷随时间按负荷曲线变化，有明显的高峰和低谷，而不同时刻各节点负荷占总负荷的比例基本是不变的，因此按此规律模拟生成训练电力系统运行状态。

设电力系统中共有N个节点，根据各节点额定负荷的有功功率和无功功率计算各节点负荷占总负荷的比例：

其中P_DNi表示第i个节点额定负荷的有功功率，Q_DNi表示第i个节点额定负荷的无功功率，r_PDi表示第i个节点额定负荷的有功功率占系统额定总负荷有功功率的比例，r_QDi表示第i个节点额定负荷无功功率占系统额定总负荷无功功率的比例；

2.2根据负荷曲线确定系统负荷水平的上下限，随机生成当前系统的负荷水平，进而计算各节点负荷有功功率和无功功率，具体是：

根据系统全年的负荷曲线，确定系统总负荷功率与额定负荷功率比值的上限

和下限p，按均匀分布：

随机生成系统的负荷水平p，进而生成各节点负荷有功功率和无功功率：

P_Di＝P_DN×p×(r_PDi+Δr_PDi),i＝1,2,…,N (4)

Q_Di＝Q_DN×p×(r_QDi+Δr_QDi),i＝1,2,…,N (5)

其中P_Di是第i个节点负荷的有功功率，Q_Di是第i个节点负荷的无功功率，P_DN是系统总额定负荷的有功功率，Q_DN是系统总额定负荷的无功功率，Δr_PDi是第i个节点负荷有功功率占系统总负荷有功功率比例的扰动系数，Δr_QDi是第i个节点负荷无功功率占系统总负荷无功功率比例的扰动系数。这两项扰动系数Δr_PDi、Δr_QDi均满足N(0,σ²)的正态分布，其中σ²是设定的扰动系数方差。

2.3根据确保发电机运行的安全性和经济性原则，考虑潮流方程约束、节点约束、线路潮流约束，以系统总发电成本为目标函数构建安全经济调度最优潮流模型，进一步计算得到各发电机的有功功率和机端电压；

系统总发电成本目标函数为

其中C_2i、C_1i和C_0i分别为第i个节点发电机发电成本函数的二次项、一次项和常数项系数，P_Gi是第i个节点发电机的有功功率。

该目标函数反映了系统总发电成本，优化目标是使该成本达到最小。

潮流方程约束为

其中P_Di和Q_Di是步骤2.2生成的第i个节点负荷的有功功率和无功功率，Q_Gi是第i个节点发电机的无功功率，U_i是第i个节点电压，U_j是第j个节点电压，G_ij、B_ij和δ_ij是第i个节点和第j个节点间线路的电导、电纳和相角差。

节点约束可进一步分为各节点发电机有功功率、无功功率约束和各节点电压约束，具体为

其中，

和P_Gi 是第i个节点发电机有功出力的上下限，

和Q_Gi 是第i个节点发电机无功出力的上下限，

和U_i 是第i个节点电压的上下限。

线路潮流约束为

其中，P_ij、Q_ij、

是第i个节点和第j个节点间线路输送的有功、无功和视在功率。

求解该优化模型，可计算得到各发电机的有功功率和各节点电压，根据各发电机所连接的节点，可得各发电机的机端电压。

2.4根据步骤2.2-2.3生成的各节点负荷的有功功率和各节点发电机的有功功率，构建卷积神经网络的输入特征。

各节点的无功功率和有功功率大体上呈正相关，只使用有功功率即可反映该节点的负荷情况；各发电机机端电压标幺值都在1附近，差异并不明显。所以为了降低输入数据的维数，忽略了各节点负荷的无功功率和各发电机的机端电压。因此，最终的特征选取了各节点负荷的有功功率和各发电机的有功功率。

进一步地，步骤(3)具体是使用通过潮流计算求解各节点电压和各线路传输功率，并分别与各节点电压上下限和线路传输功率上限对比，若存在一个节点电压不满足节点电压约束，或存在一条线路传输功率不满足线路潮流约束，视为发生潮流越限，标签

设置为1，否则标签

设置为0。

进一步地，用于潮流越限判别的卷积神经网络(CNN)模型包括输入层、卷积层、池化层、全连接层等。

卷积神经网络(CNN)被认为是第一个真正成功采用多层层次结构网络的具有鲁棒性的深度学方法。他本质上是一个多层感知机，其最突出的特点在于局部连接和共享权值，一方面减少了权值的数量使得网络易于优化，另一方面降低了过拟合的风险。局部连接指利用层间的局部空间相关性将每一层的神经元节点只与和它相近的上层神经元节点连接。共享权值指将卷积层的每一个滤波器重复作用于整个感受野，每一个滤波器的共享相同的参数(权重矩阵和偏置项)。

卷积层是CNN的核心层，采用一定大小的卷积核(即滤波器)以离散卷积的形式作用于输入数据的局部区域来获取数据的局部特征信息。卷积层作为整个网络结构特征提取的重要层，主要有局部感知、权值共享以及多卷积核特性，前两者起到了降维的作用，后者为不同粒度特征的再提取提供了具体操作。卷积层的输出输入神经元间的连接方式为部分连接，以达到局部特征的提取，方便最终将所有局部特征全连接之后实现分类任务；同时卷积层的同层之间权值共享，即对于那些词向量的特征表示一样的神经元节点赋予一样的权值，使其不受空间位置影响从而达到特征的空间不变形，在约模型参数个数的同时还能够使得参数选择导致的复杂度有一定程度的下降。简单理解下来就是输入的向量维度越高，上述优点越明显。对于一般的卷积神经网络结构，每个卷积层只包含一种卷积核。一次卷积操作的表达式如下：

s＝f(w*X+b)

其中，w为权值矩阵，X为选取的输入特征，b为偏置项，f是非线性激活函数。*代表卷积操作。

通常在卷积层中的卷积操作后会紧接着使用激活函数。激活函数模拟了神经元的信息传递过程。生物神经元的信息传递是一种非线性的传递方式，通常会有一个阈值，只有超过某个阈值后，信息才会传递下去。在神经网络模型中用到的激活函数一般包括：sigmoid函数、Relu函数等。在训练过程中采用后者作为激活函数用来加快收敛速度，其表达式如下：

f(x)＝max(0,x)

相比于卷积层主要提取上一层的局部特征信息，池化层是一种非线性的下采样算法。利用某一位置相邻数据的总体统计特征来代替该位置的数据特征，从而实现对数据的降维。在保持数据表示基本不变的情况下，模型可以获得更大范围的特征信息。池化层也是对卷积层的输出进行保留压缩，以卷积层和池化层的相互交替使用来进一步减少参数数量，采用下采样方法来生成子抽样矩阵，可以获得特征的不变形。常用的池化函数有：随机池化函数即按照影响值的大小依概率选择，平均池化函数即取平均值，最大池化函数即取最大值。此处采用最大池化函数，选取最大的特征量保留到下一轮中。

全连接层一般为CNN的最后一层，以卷积层和池化层的输出作为其输入，这样可以既可以学习到局部特征也可以学习到全局特征。全连接层的每个神经元的输出可以表示为：

h_W,b(x)＝f(W^Tx+b)

其中x是神经元的输入，h_W,b(x)是神经元的输出，W是权重，b是偏置项，f是激活函数。本专利最后一层采用全连接的方式，将k-max池化处理后的局部最优特征连接到最后层的输出结点，在N分类任务中设置全连接层的输出节点数为N，并经过softmax函数起到分类的作用。

针对卷积神经网络采用RMSprop算法对网络模型参数优化。RMSprop是一种可以替代传统随机梯度下降过程的一阶优化算法。训练过后使模型在训练集上损失函数最小。

在模型超参数的调整上，首先采用及时停止策略即在连续十次训练后损失函数值变化小于1％后便停止训练。针对超参数调整中最重要的学习率和批样本数量参数，首先依据网络调参经验设定学习率在[0.001,0.01]之间，批样本数量在[1-512]之间。为进一步缩小随机搜索的参数范围，通过固定学习率，试验得到合适的批样本数量区间。然后在合适的学习率和批样本数量范围内，采用相比于网格搜索计算量相对小一些的随机搜索算法搜索得到超参数的最优值。

进一步地，步骤(4)GPU并行训练用于潮流越限判别的卷积神经网络(CNN)模型的方法为：

1)给定需要训练的模型，每块GPU及其相应的显存将分别独立维护一份完整的模型参数。2)在模型训练的任意一次迭代中，给定一个随机小批量，将该批量中的样本划分成k份并分给每块显卡的显存一份。

3)每块GPU将根据相应显存所分到的小批量子集和所维护的模型参数分别计算模型参数的本地梯度。

4)把k块显卡的显存上的本地梯度相加，得到当前的小批量随机梯度。

5)每块GPU都使用这个小批量随机梯度分别更新相应显存所维护的那一份完整的模型参数。

虽然一些高性能CPU具有多核心，但总数一般难以超过两位数，每个核都有足够大的缓存和足够多的数字逻辑运算单元(ALU)，并辅助有很多加速分支判断甚至更复杂的逻辑判断的硬件；GPU的核数远超CPU，被称为众核。每个核拥有的缓存大小相对小，数字逻辑运算单元也少而简单。这从架构差异上导致CPU擅长处理顺序逻辑运算或资源调度，而GPU擅长处理大规模矩阵运算等能够分而治之的数据运算。在深度学习中，神经网络的正向运算与反向梯度传播，本质上是对于大规模矩阵的运算，因此非常适合使用GPU加速。

传统CNN计算主要开销是在卷积、激活函数和池化，针对CNN可以进行GPU矩阵计算的优化，通过拼接输入特征数据和卷积核，扩大矩阵乘法运算规模，以更好地减少串行迭代次数，提升GPU并行运算效率。将卷积操作转换为密集矩阵相乘，并将输入矩阵组装成一定大小的矩阵，这一操作使得内存相对原始输入数据的大小扩大。

相比于单块GPU，多块GPU之间则能够通过批量任务的分解、运算、汇总这一流程，进一步提升并行化水平，提高计算效率。

本发明的另一个目的是提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行上述的方法。

本发明的又一个目的是提供一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现上述的方法。

本发明的有益效果是：本发明通过采样系统负荷水平、求解安全经济调度最优潮流模型生成电力系统运行状态数据，并使用传统潮流计算设置标签，实现了潮流越限判别数据集的数据增强，提高了训练模型的准确性和鲁棒性；使用卷积神经网络进行潮流越限判别，使潮流越限判别的过程变为端到端的过程，取代了传统潮流越限判别中遍历判别各节点电压约束、各线路传输功率约束的过程，加快了大规模电网的潮流越限判别速度，对于提高系统运行的安全性具有重要意义。

附图说明

图1为潮流越限判别模型离线训练与在线判别的流程图。

具体实施方式

下面通过具体实施例，并结合附图，对本发明的具体实施方式作进一步具体说明。

本发明提供一种基于CNN的GPU并行潮流越限判别方法，如图1所示，包括以下步骤：

步骤(1)：获取电力系统的系统参数、负荷曲线和额定运行状态数据；

步骤(2)：潮流越限判别数据集数据增强

根据负荷曲线确定电力系统负荷水平，计算各节点负荷的有功功率和无功功率，并使用安全经济调度最优潮流模型计算各发电机的有功功率和机端电压，得到数据增强后的运行状态数据；

步骤(3)：构建标签

根据步骤(2)数据增强后的运行状态数据计算系统潮流，判别是否有节点电压或线路传输功率越限，并将判别结果作为标签；

步骤(4)：以步骤(2)数据增强后的运行状态数据作为输入，标签作为输出构建用于潮流越限判别的卷积神经网络模型的数据集，其中一部分作为训练数据集，另一部分为测试数据集；

将上述训练数据集和卷积神经网络模型移动至GPU，使用训练数据集并行训练模型的参数；

步骤(5)：获取实际环境中的电力系统运行状态数据，使用训练完成的用于潮流越限判别的卷积神经网络模型以获取潮流越限判别结果。

实施结果

为验证所提出方法的有效性，在IEEE标准系统case9241中，对比基于传统潮流计算的越限判别和基于不同机器学习模型的潮流越限判别的准确度和速度。根据发明内容中所描述的训练数据生成流程，生成5000组样本数据，同时调节系统负荷水平的上下限，保证发生潮流越限的样本数据和不发生潮流越限的样本数据数量相当。将样本数据分为训练数据和测试数据，其中训练数据占比80％，测试数据占比20％。表1展示了模型参数调优和预测阈值调整后，传统潮流计算方法和不同模型在测试集的越限判别准确率和计算速度。

表1潮流越限判别训练、校核、预测时间效率对比

比较传统潮流计算方法和机器学习模型的计算速度，可以发现基于机器学习模型的潮流越限判别速度比传统潮流计算方法快3个数量级左右。同时可以看出在CPU中运行时，传统机器学习模型的训练和单次评估时间都比神经网络模型更短，而将神经网络模型放入GPU中训练和评估时，计算速度显著快于各机器学习模型在CPU中运行。

比较不同机器学习模型的判别准确率，其共同点在于在测试集上的判别准确率都高于90％，说明机器学习模型在潮流越限判别上具有较高的精度。还可以看出传统机器学习模型在训练集的准确率高于神经网络模型，而在测试集中准确率低于神经网络模型。这说明神经网络模型不容易发生过拟合，且具有更好的泛化能力。同时，可以看到同样的模型放在CPU和GPU中训练，其训练集和测试集准确率基本接近。

综合上述分析，GPU并行加速训练的CNN模型在综合考虑准确率和计算速度后具有明显的优势。

Claims (7)

1.一种基于CNN的GPU并行潮流越限判别方法，其特征在于，包括步骤：

步骤(1)：获取电力系统的系统参数、负荷曲线和额定运行状态数据；

步骤(2)：潮流越限判别数据集数据增强

根据负荷曲线确定电力系统负荷水平，计算各节点负荷的有功功率和无功功率，并使用安全经济调度最优潮流模型计算各发电机的有功功率和机端电压，得到数据增强后的运行状态数据；具体步骤包括：

2.1计算额定运行状态下各节点额定负荷功率占系统总额定负荷功率的比例，具体是：

设电力系统中共有N个节点，根据各节点额定负荷的有功功率和无功功率计算各节点负荷占总负荷的比例：

其中P_DNi表示第i个节点额定负荷的有功功率，Q_DNi表示第i个节点额定负荷的无功功率，r_PDi表示第i个节点额定负荷的有功功率占系统额定总负荷有功功率的比例，r_QDi表示第i个节点额定负荷无功功率占系统额定总负荷无功功率的比例；

2.2根据负荷曲线确定系统负荷水平的上下限，随机生成当前系统的负荷水平，进而计算各节点负荷有功功率和无功功率，具体是：

根据系统全年的负荷曲线，确定系统总负荷功率与额定负荷功率比值的上限

和下限p，按均匀分布：

随机生成系统的负荷水平p，进而生成各节点负荷有功功率和无功功率：

P_Di＝P_DN×p×(r_PDi+Δr_PDi),i＝1,2,…,N (4)

Q_Di＝Q_DN×p×(r_QDi+Δr_QDi),i＝1,2,…,N (5)

其中P_Di是第i个节点负荷的有功功率，Q_Di是第i个节点负荷的无功功率，P_DN是系统总额定负荷的有功功率，Q_DN是系统总额定负荷的无功功率，Δr_PDi是第i个节点负荷有功功率占系统总负荷有功功率比例的扰动系数，Δr_QDi是第i个节点负荷无功功率占系统总负荷无功功率比例的扰动系数；

2.3根据确保发电机运行的安全性和经济性原则，考虑潮流方程约束、节点约束、线路潮流约束，以系统总发电成本为目标函数构建安全经济调度最优潮流模型，进一步计算得到各发电机的有功功率和机端电压；

系统总发电成本目标函数为

其中C_2i、C_1i和C_0i分别为第i个节点发电机发电成本函数的二次项、一次项和常数项系数，P_Gi是第i个节点发电机的有功功率；

潮流方程约束为

其中P_Di和Q_Di是步骤2.2生成的第i个节点负荷的有功功率和无功功率，Q_Gi是第i个节点发电机的无功功率，U_i是第i个节点电压，U_j是第j个节点电压，G_ij、B_ij和δ_ij是第i个节点和第j个节点间线路的电导、电纳和相角差；

节点约束可进一步分为各节点发电机有功功率、无功功率约束和各节点电压约束，具体为

其中，

和P_Gi 是第i个节点发电机有功出力的上下限，

和Q_Gi 是第i个节点发电机无功出力的上下限，

和U_i 是第i个节点电压的上下限；

线路潮流约束为

其中，P_ij、Q_ij、

是第i个节点和第j个节点间线路输送的有功、无功和视在功率；

2.4根据步骤2.2-2.3生成的各节点负荷的有功功率和各节点发电机的有功功率，构建卷积神经网络的输入特征；

步骤(3)：构建标签

根据步骤(2)数据增强后的运行状态数据计算系统潮流，判别是否有节点电压或线路传输功率越限，并将判别结果作为标签；

步骤(4)：以步骤(2)数据增强后的运行状态数据作为输入，标签作为输出构建用于潮流越限判别的卷积神经网络模型的数据集，其中一部分作为训练数据集，另一部分为测试数据集；

将上述训练数据集和卷积神经网络模型移动至GPU，使用训练数据集并行训练模型的参数；

步骤(5)：获取实际环境中的电力系统运行状态数据，使用训练完成的用于潮流越限判别的卷积神经网络模型以获取潮流越限判别结果。

2.根据权利要求1所述的一种基于CNN的GPU并行潮流越限判别方法，其特征在于：所述电力系统的系统参数包括电网的网络拓扑数据、网络参数数据；

网络拓扑数据包括网络的节点数、线路数、不同节点之间的线路连接关系等；

网络参数数据包括系统中各条线路的阻抗、对地导纳和传输功率上限，以及各节点对地导纳、节点类型和节点电压上下限；

所述的运行状态数据包括各节点负荷的有功功率和无功功率，以及各发电机的有功功率和机端电压。

3.根据权利要求1所述的一种基于CNN的GPU并行潮流越限判别方法，其特征在于步骤(3)具体是使用通过潮流计算求解各节点电压和各线路传输功率，并分别与各节点电压上下限和线路传输功率上限对比，若存在一个节点电压不满足节点电压约束，或存在一条线路传输功率不满足线路潮流约束，视为发生潮流越限，标签

设置为1，否则标签

设置为0。

4.根据权利要求1所述的一种基于CNN的GPU并行潮流越限判别方法，其特征在于用于潮流越限判别的卷积神经网络(CNN)模型包括输入层、卷积层、池化层、全连接层。

5.根据权利要求1-4任一所述的一种基于CNN的GPU并行潮流越限判别方法，其特征在于步骤(4)GPU并行训练用于潮流越限判别的卷积神经网络(CNN)模型的方法为：

1)给定需要训练的模型，每块GPU及其相应的显存将分别独立维护一份完整的模型参数；2)在模型训练的任意一次迭代中，给定一个随机小批量，将该批量中的样本划分成k份并分给每块显卡的显存一份；

3)每块GPU将根据相应显存所分到的小批量子集和所维护的模型参数分别计算模型参数的本地梯度；

4)把k块显卡的显存上的本地梯度相加，得到当前的小批量随机梯度；

5)每块GPU都使用这个小批量随机梯度分别更新相应显存所维护的那一份完整的模型参数。

6.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-4中任一项所述的方法。

7.一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求1-4中任一项所述的方法。

Images