CN113283547A - 一种基于多任务深度学习的最优潮流计算方法 - Google Patents

一种基于多任务深度学习的最优潮流计算方法 Download PDF

Info

Publication number
CN113283547A
CN113283547A CN202110826171.XA CN202110826171A CN113283547A CN 113283547 A CN113283547 A CN 113283547A CN 202110826171 A CN202110826171 A CN 202110826171A CN 113283547 A CN113283547 A CN 113283547A
Authority
CN
China
Prior art keywords
optimal
deep learning
flow calculation
task
cls
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
Application number
CN202110826171.XA
Other languages
English (en)
Other versions
CN113283547B (zh
Inventor
黄刚
廖龙飞
华炜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Lab
Original Assignee
Zhejiang Lab
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Lab filed Critical Zhejiang Lab
Priority to CN202110826171.XA priority Critical patent/CN113283547B/zh
Publication of CN113283547A publication Critical patent/CN113283547A/zh
Priority to PCT/CN2021/116612 priority patent/WO2023000450A1/zh
Application granted granted Critical
Publication of CN113283547B publication Critical patent/CN113283547B/zh
Priority to US17/717,121 priority patent/US11436494B1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • 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
    • 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
    • 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
    • G06N3/09—Supervised learning
    • 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
    • G06N3/096—Transfer learning
    • 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
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
    • 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
    • G06N3/048—Activation functions
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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
    • H02J4/00—Circuit arrangements for mains or distribution networks not specified as ac or dc
    • 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)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及到智能电网领域，提出了一种基于多任务深度学习的最优潮流计算方法，步骤如下：获取电网在某一调度时刻的状态数据，通过采样方式对采集到的数据样本进行扩增，得到训练数据；应用最优化方法获得不同采样状态下的电网调度方案，得到训练数据的标签信息；设计深度学习神经网络模型，对最优潮流计算问题的可行性、最优解分别进行学习，输出可行性判断和最优解预测；基于多任务学习框架，对最优潮流计算问题中的可行性判断与最优解预测两个任务同时训练；根据多任务深度学习模型的输出结果，判断是否存在可行的调度方案，输出最优调度方案或预警信息。本发明不仅能够更高效地求解调度方案，而且能够对不存在可行调度方案的场景进行预警。

Description

一种基于多任务深度学习的最优潮流计算方法
技术领域
本发明涉及到智能电网领域和人工智能领域，具体为一种基于多任务深度学习的最优潮流计算方法。
背景技术
最优潮流计算问题是电力系统运行的核心问题，支撑着电力系统的各种应用，包括经济调度、机组组合、需求响应以及可靠性评估等。在遵循物理约束的前提下，电力系统通过求解最优潮流计算能够实现最优的发电调度。最优潮流计算作为一个数学规划问题，常见形式包括直流最优潮流计算、交流最优潮流计算，传统的求解方法是基于最优化理论的数值算法，例如梯度法、牛顿法、内点法等。一般而言，使用传统方法能够较好地获取最优解，满足一般电力系统需求；然而，由于基于最优化理论的数值算法的时间复杂度往往较高，计算过程耗时长，很难满足大型电力系统需求，并且无法保证求解的实时性。如何保证最优潮流计算求解效果的同时减小求解过程花费的时间，是目前智能电网领域关心的主要问题之一。
发明内容
本发明目的是为了解决智能电网领域中存在的上述技术问题，提出了一种基于多任务深度学习的最优潮流计算方法。
实现本发明的技术方案为：
一种基于多任务深度学习的最优潮流计算方法，包含以下步骤：
步骤1、获取电网在某一调度时刻的状态数据，通过采样方式对采集到的数据样本进行扩增，得到训练数据；
步骤2、应用最优化方法获得不同采样状态下的电网调度方案，得到训练数据的标签信息；
步骤3、设计深度学习神经网络模型，对最优潮流计算问题的可行性、最优解分别进行学习，输出可行性判断和最优解预测；
步骤4、基于多任务学习框架，对最优潮流计算问题中的可行性判断与最优解预测两个任务同时训练，得到训练后的多任务深度学习模型；
步骤5、根据多任务深度学习模型的输出结果，判断是否存在可行的电网调度方案，输出电网最优调度方案或预警信息。
进一步的，所述步骤1具体如下：
在步骤1.1中，采集电网在某一调度时刻的状态数据，包含系统中的节点数量N bus ， 发电机数量N gen ，线路数量N branch ，节点i与节点j间的电抗x ij ，以及负载功率
Figure DEST_PATH_IMAGE001
，
Figure DEST_PATH_IMAGE002
为对应节点i的负载功率；
在步骤1.2中，对采集到的节点负载功率
Figure 69958DEST_PATH_IMAGE002
分别进行采样扩增，得到样本
Figure DEST_PATH_IMAGE003
；经过上述采样扩增过程n次，得到训练样本
Figure DEST_PATH_IMAGE004
。
进一步的，所述采样方式以节点负载功率
Figure 846153DEST_PATH_IMAGE002
为中心进行均匀采样，如下所示：
Figure DEST_PATH_IMAGE005
其中
Figure DEST_PATH_IMAGE006
为节点i的采样参数。
进一步的，所述步骤2具体如下：
把采样样本
Figure DEST_PATH_IMAGE007
作为输入，通过基于最优化方法的传统最优潮流求解器，输出对 应的可行性标志
Figure DEST_PATH_IMAGE008
与调度方案
Figure DEST_PATH_IMAGE009
；对每一个训练样本重 复上述过程，得到所有训练数据对应的标签信息
Figure DEST_PATH_IMAGE010
与
Figure DEST_PATH_IMAGE011
。
进一步的，所述步骤3具体如下：
首先对训练数据的输入
Figure DEST_PATH_IMAGE012
和输出
Figure DEST_PATH_IMAGE013
做预处理，得到预处理后的训练数据输 入
Figure DEST_PATH_IMAGE014
以及输出
Figure DEST_PATH_IMAGE015
；
然后将
Figure 704519DEST_PATH_IMAGE014
输入到如下深度学习神经网络中：
Figure DEST_PATH_IMAGE016
h i =Ф(W i h i-1 +b i )
其中h 0 代表神经网络模型的原始输入，h i 代表模型的第i个隐藏层输出，W i 是第i个隐藏层的权重，b i 是第i个隐藏层的偏差，Ф(·)是激活函数；
针对最优潮流计算问题的可行性，设计如下输出层进行学习：
F G =ψ cls (W l cls h l-1 +b l cls )
其中，ψ cls 为激活函数，F G 为可行性标志的预测值，h l-1 是最后一个隐藏层输出，W l cls 是分类问题的输出层权重，b l cls 是分类问题的输出层偏差；
针对最优潮流计算问题的最优解，设计如下输出层进行学习：
P G =ψ reg (W l reg h l-1 +b l reg )
其中，ψ reg 为激活函数，P G 为调度方案的预测值，h l-1 是最后一个隐藏层输出，W l reg 是回归问题的输出层权重，b l reg 是回归问题的输出层偏差。
进一步的，所述步骤4具体如下：
设置分类任务，通过损失函数衡量可行性标志的预测值F G 与真实值
Figure DEST_PATH_IMAGE017
的差异：
Figure DEST_PATH_IMAGE018
其中L cls 是分类任务的损失函数；
设置回归任务，通过损失函数衡量调度方案的预测值P G 与真实值
Figure DEST_PATH_IMAGE019
的差异：
Figure DEST_PATH_IMAGE020
其中L reg 是分类任务的损失函数；
通过加权求和的方式，得到多任务深度学习模型的训练损失：
loss=ω cls ·loss cls +ω reg ·loss reg
其中，ω cls 、ω reg 分别为分类任务损失、回归任务损失的权重。
进一步的，所述步骤5具体如下：
给定电网在任一调度时刻的状态数据，多任务深度学习模型输出可行性标志的预测值f G 、最优解的预测值p G ；通过预测值f G 判断预测值p G 是否有效，若有效，输出的最优解预测值p G ，作为最优调度方案，指导电网的调度运行；若无效，舍弃预测值p G ，并输出预警信息提示电网无法在当前系统状态下正常运行。
与现有技术相比，本发明具体如下优点：
（1）在本发明中，针对传统最优化方法在求解最优潮流计算问题时耗时长等问题，创新性地提出了一种基于多任务深度学习的最优潮流计算方法，使用神经网络模型替代传统方法对最优潮流计算问题进行建模，得到的神经网络模型能够快速地对最优潮流计算问题进行求解，更好地满足大型电力系统的需求。
（2）在本发明中，为了保证模型对最优潮流计算问题求解结果的有效性和可行性，设计了多任务的训练框架对神经网络模型进行训练。设计回归任务以实现最优调度方案的输出，设计分类任务对方案可行性进行判断，最终使训练得到的模型不仅能够准确求解最优潮流问题，而且可以预警无最优解情况。
附图说明
图 1 为本发明实施例基于多任务深度学习的最优潮流计算方法的流程图。
具体实施方式
下面结合附图和实施例对本发明进行详细描述。应当理解，所描述的实施例仅属于本发明中的一部分，并不是全部实施例，所以实现本发明不应被阐述实施例所限制，而应该借助这些实施例进一步理解本发明的内容本质，能更好地服务于本领域的技术人员。
如图1所示，本发明的基于多任务深度学习的最优潮流计算方法，包含以下步骤：
步骤1、获取电网在某一调度时刻的状态数据，通过采样方式对采集到的数据样本进行扩增，得到训练数据。
在步骤1.1中，采集电网在某一调度时刻的状态数据，具体包含系统中的节点数量N bus ，发电机数量N gen ，线路数量N branch ，节点i与节点j间的电抗x ij ，以及负载功率
Figure 81204DEST_PATH_IMAGE001
，
Figure 161155DEST_PATH_IMAGE002
为对应节点i的负载功率。具体是以节点负载功率
Figure 514776DEST_PATH_IMAGE002
为中心进行均匀采样，如下所示：
Figure 47389DEST_PATH_IMAGE005
其中
Figure DEST_PATH_IMAGE021
为节点i的采样参数。
本实施例采集了IEEE 30节点电网在某一时刻的调度数据，其中具体包含系统中 的节点数量N bus =30，发电机数量N gen =6，线路数量N branch =41，节点i与节点j间的电抗x ij ，以及 负载功率
Figure DEST_PATH_IMAGE022
。
在步骤1.2中，对采集到的节点负载功率
Figure DEST_PATH_IMAGE023
分别进行采样扩增，得到样本
Figure DEST_PATH_IMAGE024
；经过上述采样扩增过程n次，得到训练样本
Figure DEST_PATH_IMAGE025
。
本实施例使用均匀采样对采集到的IEEE 30节点电网状态数据进行样本扩增，在 本实施例中，通过
Figure 403546DEST_PATH_IMAGE021
值取为0.5，可以采样得到样本
Figure DEST_PATH_IMAGE026
。再 重复上述采样过程10000次，最终得到训练样本
Figure DEST_PATH_IMAGE027
。
步骤2、应用最优化方法获得不同采样状态下的电网调度方案，得到训练数据的标 签信息。具体是：把采样样本
Figure 400321DEST_PATH_IMAGE007
作为输入，通过基于最优化方法的传统最优潮流求解器， 输出对应的可行性标志
Figure DEST_PATH_IMAGE028
与调度方案
Figure DEST_PATH_IMAGE029
。对每一个训练 样本重复上述过程，得到所有训练数据对应的标签信息
Figure DEST_PATH_IMAGE030
与
Figure DEST_PATH_IMAGE031
。当
Figure DEST_PATH_IMAGE032
时，表示当前状态不存在可行解；当
Figure DEST_PATH_IMAGE033
时，表示当前状态存在可行解；
Figure DEST_PATH_IMAGE034
是内点法求解得到的调度方案，当
Figure 347679DEST_PATH_IMAGE033
时（有可行解时），
Figure 367588DEST_PATH_IMAGE034
为非全零向量；当
Figure DEST_PATH_IMAGE035
时（无可行解时），
Figure 166917DEST_PATH_IMAGE034
为全零向量。
本实施例中对每一个训练样本重复上述求解过程，得到所有训练数据对应的标签
Figure DEST_PATH_IMAGE036
与
Figure DEST_PATH_IMAGE037
。
步骤3、设计深度学习神经网络模型，对最优潮流计算问题的可行性、最优解分别进行学习，输出可行性判断和最优解预测。
首先对训练数据的输入
Figure 254084DEST_PATH_IMAGE012
和输出
Figure 215086DEST_PATH_IMAGE013
做预处理，得到预处理后的训练数据输 入
Figure 987870DEST_PATH_IMAGE014
以及输出
Figure DEST_PATH_IMAGE038
。
然后将
Figure DEST_PATH_IMAGE039
输入到如下深度学习神经网络中：
Figure 325311DEST_PATH_IMAGE016
h i =Ф(W i h i-1 +b i )
其中h 0 代表神经网络模型的原始输入，h i 代表模型的第i个隐藏层输出，W i 是第i个隐藏层的权重，b i 是第i个隐藏层的偏差，Ф(·)是激活函数。
针对最优潮流计算问题的可行性，设计如下输出层进行学习：
F G =ψ cls (W l cls h l-1 +b l cls )
其中，ψ cls 为激活函数，F G 为可行性标志的预测值，h l-1 是最后一个隐藏层输出，W l cls 是分类问题的输出层权重，b l cls 是分类问题的输出层偏差。
针对最优潮流计算问题的最优解，设计如下输出层进行学习：
P G =ψ reg (W l reg h l-1 +b l reg )
其中，ψ reg 为激活函数，P G 为调度方案的预测值，h l-1 是最后一个隐藏层输出，W l reg 是回归问题的输出层权重，b l reg 是回归问题的输出层偏差。
在本实施例为了减小由于训练数据幅值范围对结果造成的影响，对训练数据的输 入
Figure DEST_PATH_IMAGE040
和输出
Figure DEST_PATH_IMAGE041
做归一化处理，使得其幅值在0与1之间，归一化之后的训练数据输入为
Figure 296678DEST_PATH_IMAGE014
，输出为
Figure 664467DEST_PATH_IMAGE015
。
然后将
Figure 924547DEST_PATH_IMAGE039
输入到深度学习神经网络模型中，模型结构如下所示：
Figure 268941DEST_PATH_IMAGE016
h i =ReLU(W i h i-1 +b i )
其中h 0 代表神经网络模型的原始输入，h i 代表模型的第i个隐藏层输出，W i 是第i个隐藏层的权重，b i 是第i个隐藏层的偏差，ReLU(·)是激活函数。本实施例中使用的神经网络层数为4层。
针对最优潮流计算问题的可行性，神经网络模型输出层输出可行性标志的预测值F G ：
F G =argmax(Softmax(W l cls h l-1 +b l cls ))
其中，Softmax输出问题可行、不可行的概率值，argmax基于上述概率值返回可行性标志的预测值F G ，取值为0或者1。
针对最优潮流计算问题的最优解，神经网络模型输出层输出预测结果P G ：
P G =Sigmoid(W l reg h l-1 +b l reg )
其中，P G 是(0,1)范围内的数值，即最优解
Figure 298077DEST_PATH_IMAGE019
的预测值。
步骤4、基于多任务学习框架，对最优潮流计算问题中的可行性判断与最优解预测两个任务同时训练，得到训练好的多任务深度学习模型；具体如下：
设置分类任务，通过损失函数衡量可行性标志的预测值F G 与真实值
Figure 335303DEST_PATH_IMAGE017
的差异， 如下：
Figure 817100DEST_PATH_IMAGE018
其中L cls 是分类任务的损失函数。
设置回归任务，通过损失函数衡量调度方案的预测值P G 与真实值
Figure 965185DEST_PATH_IMAGE019
的差异，如 下：
Figure 848827DEST_PATH_IMAGE020
其中L reg 是分类任务的损失函数。
通过加权求和的方式，得到多任务深度学习模型的训练损失，如下所示：
loss=ω cls ·loss cls +ω reg ·loss reg
其中，ω cls 、ω reg 分别为分类任务损失、回归任务损失的权重。多任务深度学习模型通过不断优化上述损失函数值，实现同时学习可行性判断和最优解预测。
本实施例设置两个训练任务，对步骤3中的神经网络模型进行训练。
设置分类任务，分类类别为2类，类别0代表不可行，类别1代表可行，通过使用交叉 熵损失函数最小化模型可行性标志的预测值F G 与真实值
Figure DEST_PATH_IMAGE042
的差异，具体如下：
Figure DEST_PATH_IMAGE043
设置回归任务，通过使用均方误差损失函数最小化模型预测最优解P G 与真实值
Figure 620736DEST_PATH_IMAGE019
的差异，具体如下：
Figure DEST_PATH_IMAGE044
通过加权求和的方式，得到多任务深度学习模型的训练损失，如下所示：
loss=ω cls ·loss cls +ω reg ·loss reg
其中，ω cls 、ω reg 分别为分类任务损失、回归任务损失的权重，在本实施例中，取ω cls 值为0.1，取ω reg 值均为1。神经网络模型通过不断优化上述损失函数值，继而实现同时学习可行性判断和最优解预测两个任务。
神经网络模型使用上述多任务学习框架，在训练集
Figure 855408DEST_PATH_IMAGE014
以及其对应标签
Figure DEST_PATH_IMAGE045
、
Figure 72763DEST_PATH_IMAGE042
上进行训练，设置batch_size为128、学习率为0.001，并设置迭代次数为200次。
步骤5、根据多任务深度学习模型的输出结果，判断是否存在可行的调度方案，输出最优调度方案或预警信息。通过步骤4得到训练好的多任务深度学习模型，进行部署使用。在模型使用过程中，给定电网在任一调度时刻的状态数据，模型将输出可行性标志的预测值f G 、最优解的预测值p G 。通过预测值f G 判断预测值p G 是否有效，若有效，输出的最优解预测值p G ，作为最优调度方案，指导电网的调度运行；若无效，舍弃预测值p G ，并输出预警信息提示电网无法在当前系统状态下正常运行。
在本实施例中，当f G =1时，所输出的最优解预测值p G 即为最优调度方案，可指导电网的调度运行；当f G =0时，所输出的最优解预测值p G 不具有实际意义，f G =0即作为预警信息提示电网无法在当前系统状态下正常运行。

Claims (7)

1.一种基于多任务深度学习的最优潮流计算方法，其特征在于，包含以下步骤：
步骤1、获取电网在某一调度时刻的状态数据，通过采样方式对采集到的数据样本进行扩增，得到训练数据；
步骤2、应用最优化方法获得不同采样状态下的电网调度方案，得到训练数据的标签信息；
步骤3、设计深度学习神经网络模型，对最优潮流计算问题的可行性、最优解分别进行学习，输出可行性判断和最优解预测；
步骤4、基于多任务学习框架，对最优潮流计算问题中的可行性判断与最优解预测两个任务同时训练，得到训练后的多任务深度学习模型；
步骤5、根据多任务深度学习模型的输出结果，判断是否存在可行的电网调度方案，输出电网最优调度方案或预警信息。
2.根据权利要求1所述的一种基于多任务深度学习的最优潮流计算方法，其特征在于，所述步骤1具体如下：
在步骤1.1中，采集电网在某一调度时刻的状态数据，包含系统中的节点数量N bus ，发电 机数量N gen ，线路数量N branch ，节点i与节点j间的电抗x ij ，以及负载功率
Figure 103878DEST_PATH_IMAGE001
，
Figure 389366DEST_PATH_IMAGE002
为对应节点i的负载功率；
在步骤1.2中，对采集到的节点负载功率
Figure 657536DEST_PATH_IMAGE002
分别进行采样扩增，得到样本
Figure 728392DEST_PATH_IMAGE003
；经过上述采样扩增过程n次，得到训练样本
Figure 689394DEST_PATH_IMAGE004
。
3.根据权利要求2所述的一种基于多任务深度学习的最优潮流计算方法，其特征在于， 所述采样方式以节点负载功率
Figure 462178DEST_PATH_IMAGE005
为中心进行均匀采样，如下所示：
Figure 284772DEST_PATH_IMAGE006
其中
Figure 459401DEST_PATH_IMAGE007
为节点i的采样参数。
4.根据权利要求2或3所述的一种基于多任务深度学习的最优潮流计算方法，其特征在于，所述步骤2具体如下：
把采样样本
Figure 591305DEST_PATH_IMAGE008
作为输入，通过基于最优化方法的传统最优潮流求解器，输出对应的 可行性标志
Figure 602118DEST_PATH_IMAGE009
与调度方案
Figure 212091DEST_PATH_IMAGE010
；对每一个训练样本重复上 述过程，得到所有训练数据对应的标签信息
Figure 506806DEST_PATH_IMAGE011
与
Figure 544032DEST_PATH_IMAGE012
。
5.根据权利要求4所述的一种基于多任务深度学习的最优潮流计算方法，其特征在于，所述步骤3具体如下：
首先对训练数据的输入
Figure 39211DEST_PATH_IMAGE013
和输出
Figure 718454DEST_PATH_IMAGE014
做预处理，得到预处理后的训练数据输入
Figure 602096DEST_PATH_IMAGE015
以及输出
Figure 826535DEST_PATH_IMAGE016
；
然后将
Figure 61208DEST_PATH_IMAGE015
输入到如下深度学习神经网络中：
Figure 12983DEST_PATH_IMAGE017
h i =Ф(W i h i-1 +b i )
其中h 0 代表神经网络模型的原始输入，h i 代表模型的第i个隐藏层输出，W i 是第i个隐藏层的权重，b i 是第i个隐藏层的偏差，Ф(·)是激活函数；
针对最优潮流计算问题的可行性，设计如下输出层进行学习：
F G =ψ cls (W l cls h l-1 +b l cls )
其中，ψ cls 为激活函数，F G 为可行性标志的预测值，h l-1 是最后一个隐藏层输出，W l cls 是分类问题的输出层权重，b l cls 是分类问题的输出层偏差；
针对最优潮流计算问题的最优解，设计如下输出层进行学习：
P G =ψ reg (W l reg h l-1 +b l reg )
其中，ψ reg 为激活函数，P G 为调度方案的预测值，h l-1 是最后一个隐藏层输出，W l reg 是回归问题的输出层权重，b l reg 是回归问题的输出层偏差。
6.根据权利要求5所述的一种基于多任务深度学习的最优潮流计算方法，其特征在于，所述步骤4具体如下：
设置分类任务，通过损失函数衡量可行性标志的预测值F G 与真实值
Figure 33023DEST_PATH_IMAGE018
的差异：
Figure 412052DEST_PATH_IMAGE019
其中L cls 是分类任务的损失函数；
设置回归任务，通过损失函数衡量调度方案的预测值P G 与真实值
Figure 868441DEST_PATH_IMAGE020
的差异：
Figure 889486DEST_PATH_IMAGE021
其中L reg 是分类任务的损失函数；
通过加权求和的方式，得到多任务深度学习模型的训练损失：
loss=ω cls ·loss cls +ω reg ·loss reg
其中，ω cls 、ω reg 分别为分类任务损失、回归任务损失的权重。
7.根据权利要求6所述的一种基于多任务深度学习的最优潮流计算方法，其特征在于，所述步骤5具体如下：
给定电网在任一调度时刻的状态数据，多任务深度学习模型输出可行性标志的预测值f G 、最优解的预测值p G ；通过预测值f G 判断预测值p G 是否有效，若有效，输出的最优解预测值p G ，作为最优调度方案，指导电网的调度运行；若无效，舍弃预测值p G ，并输出预警信息提示电网无法在当前系统状态下正常运行。
CN202110826171.XA 2021-07-21 2021-07-21 一种基于多任务深度学习的最优潮流计算方法 Active CN113283547B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202110826171.XA CN113283547B (zh) 2021-07-21 2021-07-21 一种基于多任务深度学习的最优潮流计算方法
PCT/CN2021/116612 WO2023000450A1 (zh) 2021-07-21 2021-09-06 一种基于多任务深度学习的最优潮流计算方法
US17/717,121 US11436494B1 (en) 2021-07-21 2022-04-10 Optimal power flow computation method based on multi-task deep learning

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110826171.XA CN113283547B (zh) 2021-07-21 2021-07-21 一种基于多任务深度学习的最优潮流计算方法

Publications (2)

Publication Number Publication Date
CN113283547A true CN113283547A (zh) 2021-08-20
CN113283547B CN113283547B (zh) 2021-11-23

Family

ID=77286868

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110826171.XA Active CN113283547B (zh) 2021-07-21 2021-07-21 一种基于多任务深度学习的最优潮流计算方法

Country Status (3)

Country Link
US (1) US11436494B1 (zh)
CN (1) CN113283547B (zh)
WO (1) WO2023000450A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115201615A (zh) * 2022-09-15 2022-10-18 之江实验室 基于物理约束神经网络的非侵入式负荷监测方法及装置
WO2023000450A1 (zh) * 2021-07-21 2023-01-26 之江实验室 一种基于多任务深度学习的最优潮流计算方法
CN116154779A (zh) * 2023-04-23 2023-05-23 之江实验室 一种基于预训练模型的最优潮流计算方法和装置

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117335414B (zh) * 2023-11-24 2024-02-27 杭州鸿晟电力设计咨询有限公司 一种电力系统交流最优潮流决策方法、装置、设备及介质
CN118409848B (zh) * 2024-07-03 2024-09-13 通号通信信息集团有限公司 一种云计算工作流调度方法、系统、处理设备及介质
CN118467142A (zh) * 2024-07-11 2024-08-09 安徽思高智能科技有限公司 针对软件自动化rpa工作流的进程保活调度方法及设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2712873A1 (en) * 2010-08-18 2012-02-18 Suresh Patel Method of artificial neural network loadflow computation for electrical power system
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
CN111667090A (zh) * 2020-03-25 2020-09-15 国网天津市电力公司 一种基于深度置信网络与权值共享的负荷预测方法
CN113032152A (zh) * 2021-04-02 2021-06-25 北京百度网讯科技有限公司 用于深度学习框架的调度方法、调度装置、电子设备、存储介质和程序产品

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113283547B (zh) * 2021-07-21 2021-11-23 之江实验室 一种基于多任务深度学习的最优潮流计算方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2712873A1 (en) * 2010-08-18 2012-02-18 Suresh Patel Method of artificial neural network loadflow computation for electrical power system
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
CN111667090A (zh) * 2020-03-25 2020-09-15 国网天津市电力公司 一种基于深度置信网络与权值共享的负荷预测方法
CN113032152A (zh) * 2021-04-02 2021-06-25 北京百度网讯科技有限公司 用于深度学习框架的调度方法、调度装置、电子设备、存储介质和程序产品

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023000450A1 (zh) * 2021-07-21 2023-01-26 之江实验室 一种基于多任务深度学习的最优潮流计算方法
CN115201615A (zh) * 2022-09-15 2022-10-18 之江实验室 基于物理约束神经网络的非侵入式负荷监测方法及装置
CN115201615B (zh) * 2022-09-15 2022-12-20 之江实验室 基于物理约束神经网络的非侵入式负荷监测方法及装置
CN116154779A (zh) * 2023-04-23 2023-05-23 之江实验室 一种基于预训练模型的最优潮流计算方法和装置

Also Published As

Publication number Publication date
US11436494B1 (en) 2022-09-06
CN113283547B (zh) 2021-11-23
WO2023000450A1 (zh) 2023-01-26

Similar Documents

Publication Publication Date Title
CN113283547B (zh) 一种基于多任务深度学习的最优潮流计算方法
CN111639815B (zh) 一种多模型融合预测电网缺陷物资的方法及系统
CN109784692B (zh) 一种基于深度学习的快速安全约束经济调度方法
CN106777606A (zh) 一种风电机组齿轮箱故障预测诊断算法
Huang et al. Machine fault detection for intelligent self-driving networks
CN111292195A (zh) 风险账户的识别方法及装置
CN106022521A (zh) 基于Hadoop架构的分布式BP神经网络的短期负荷预测方法
CN110807554A (zh) 基于风电/光伏经典场景集的生成方法及系统
Li et al. Short-term electricity consumption prediction for buildings using data-driven swarm intelligence based ensemble model
US20210124982A1 (en) Method for rating a state of a three-dimensional test object, and corresponding rating system
CN106156805A (zh) 一种样本标签缺失数据的分类器训练方法
CN112836876B (zh) 一种基于深度学习的配电网线路负荷预测方法
CN112763215B (zh) 一种基于模块化联邦深度学习的多工况在线故障诊断方法
Chen A hybrid SOM-BPN approach to lot output time prediction in a wafer fab
WO2020228568A1 (zh) 训练光伏电站发电量预测模型的方法、光伏电站发电量预测方法和装置、训练系统和预测系统及存储介质
CN117689278A (zh) 施工质量智能管理系统及方法
CN114387121A (zh) 一种电力仓储物资供应的协同优化调度方法及系统
Liu et al. An RBF neural network based on improved black widow optimization algorithm for classification and regression problems
CN117011609A (zh) 纺织品加工进度自动跟踪系统及其方法
CN116566061A (zh) 一种并网逆变器系统稳定性在线监测方法及系统
CN115841580A (zh) 一种基于标记分布的轴承剩余使用寿命预测方法
CN112598186B (zh) 一种基于改进的lstm-mlp的小型发电机故障预测方法
Huy et al. Short-term load forecasting in power system using CNN-LSTM neural network
Nazarov et al. Machine Learning Price Prediction on Green Building Prices
Kou et al. Machine learning based models for fault detection in automatic meter reading systems

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