CN113689024A - 一种基于Boosting感知的深度学习多微网弹性组合决策方法 - Google Patents
一种基于Boosting感知的深度学习多微网弹性组合决策方法 Download PDFInfo
- Publication number
- CN113689024A CN113689024A CN202110619257.5A CN202110619257A CN113689024A CN 113689024 A CN113689024 A CN 113689024A CN 202110619257 A CN202110619257 A CN 202110619257A CN 113689024 A CN113689024 A CN 113689024A
- Authority
- CN
- China
- Prior art keywords
- microgrid
- learning
- node
- load
- boosting
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000008447 perception Effects 0.000 title claims abstract description 20
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- 210000002569 neuron Anatomy 0.000 claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 230000009466 transformation Effects 0.000 claims abstract description 10
- 238000011084 recovery Methods 0.000 claims abstract description 9
- 230000007246 mechanism Effects 0.000 claims abstract description 4
- 238000010248 power generation Methods 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 30
- 239000010410 layer Substances 0.000 claims description 29
- 230000004913 activation Effects 0.000 claims description 16
- 238000003066 decision tree Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 210000004205 output neuron Anatomy 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 238000005286 illumination Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 238000005315 distribution function Methods 0.000 claims description 2
- 239000003814 drug Substances 0.000 claims description 2
- 230000005611 electricity Effects 0.000 claims description 2
- 210000002364 input neuron Anatomy 0.000 claims description 2
- 230000003993 interaction Effects 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 239000002356 single layer Substances 0.000 claims description 2
- 230000003068 static effect Effects 0.000 claims description 2
- 230000008901 benefit Effects 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 241001672018 Cercomela melanura Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
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
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Educational Administration (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种基于Boosting感知的深度学习多微网弹性组合决策方法,涉及Boosting分类器、深度神经网络和考虑运行弹性的多微电网组合运行调度等领域。包括微网组合优化建模、基于NATAF变换的学习样本生成、基于Boosting感知器的深度神经网络学习三个部分,所述微网组合优化建模以重要负荷供电恢复能力作为目标,并为运营商提供备用供电路径;所述基于NATAF变换的学习样本生成,将原始样本扩展到考虑变量相关性的所有可行空间;所述基于Boosting感知器的深度神经网络学习是通过神经元的分层迭代遍历来调整深度神经网络权重,并采用交叉投票机制将二分类感知学习升级为多分类学习。利用本发明提供的算法,实时性高,并对整体弹性进行考虑,适用性不受限制。
Description
技术领域
本发明涉及Boosting分类器、深度神经网络和考虑运行弹性的多微电网组合 运行调度等领域,特别涉及一种基于Boosting感知的深度学习多微网弹性组合决 策方法。
背景技术
由于环境保护的压力与日俱增,能源正从严重依赖电网集中供应的模式逐渐 过渡到大量分布式可再生能源就地消纳的模式。然而,高比例新能源的能源系统 集成对交互式能源管理提出了更高的要求,特别是在紧急情况下的运行恢复与重 构。根据美国国家环境信息中心(NCEI),自1980年以来,美国持续发生了265 次天气和气候灾害。整体损失达到或超过10亿美元(消费物价指数调整至2020 年)。此外,NERC报告称,一些常规输电线路中断已导致大量主要基于逆变器的 可再生能源发电的计划外和广泛损失。
多微电网(MGs)可从分布式资源的协调中受益,被认为是促进可再生能源 消费、降低全球费用和减少随机性的一种有前途的方法。然而,不同分布式能源 系统中可再生能源发电和需求的固有不确定性阻碍了经济的互动运行,尤其是高 分辨率的分布式能源系统。与相邻微网并联运行或与之相互作用会增加级联故障 的风险,需要频繁调整运行模式。
因此,人们越来越关注分布式和可再生能源资源,如多微网,以利用联盟模 式转变中的集成优势。弹性因素有助于避免极端意外情况下的重要载荷(CLs)失 电。许多手段,如黑启动装置,强大的电力网络和备用供应计划,增强了配电系 统的弹性。随着这些硬件的改进,系统冗余的灵活调度也可以极大地增强系统的 恢复能力。这潜在地推动了发展面向弹性的多微网组合(ROMF)运行的方式转变, 以进一步增强系统对环境的适应性。
ROMF调度提供了更新后的微网组网方法和当系统运行模式改变或拓扑结构 受到扰动时的差别供电恢复方法。其首要目标之一是在长期或过渡期内降低系统 运行成本。另一方面,为了保证临界负荷的连续供电,需要考虑恢复性指标。有 学者提出了一种基于层次分析法(AHP)的弹性评估方法。弹性梯形在有些应用 这,通过时间相关的弹性度量来帮助捕获关键系统退化和恢复特性。Choquet积分 提供了一种可用的方法来量化弹性指标并将其整合到目标中。
同时,为了降低突发事件发生的风险,有效的ROMF调度应支持在线决策, 尽快提供接近最优的微网组合运行方案。机器学习技术的发展为在线解决多属性 决策问题提供了一种很有前途的解决方法。
到目前为止,人们对多微网组合的优化调度进行了广泛的研究。有学者提出 了一种合作联盟博弈论方法,以最小的运行成本协调多微网间的能源交易。在重 要负荷供电方面,提出了一种启发式方法来逼近干扰后的微网组合最优策略,与 最优算法相比,该方法加快了优化过程。然而,该方法仍未能在线实现。Kwami等人开发了一个模型来处理辐射状和网状分布系统的恢复过程,只需对输入数据 进行很少的预处理。这些方法只适用于极端停电情况下的重要负荷恢复,而不适 用于常见的绝缘和局部故障处理。根据美国能源部(DOE),53.12%的电力紧急 情况可在6小时内恢复,其中只有部分甩负荷和区域系统分离发生。
因此,本领域的技术人员致力于开发一种可以同时克服以上所有问题。
发明内容
有鉴于现有技术的上述缺陷,本发明所要解决的技术问题是如何保证实时性,同时考虑整体弹性。为实现上述目的,一种基于Boosting感知的深度学习多微网弹性 组合决策方法,包括微网组合优化建模、基于NATAF变换的学习样本生成、基于 Boosting感知器的深度神经网络学习三个部分,所述微网组合优化建模以重要负荷供 电恢复能力作为目标,并为运营商提供备用供电路径;所述基于NATAF变换的学习 样本生成,将原始样本扩展到考虑变量相关性的所有可行空间;所述基于Boosting感 知器的深度神经网络学习是通过神经元的分层迭代遍历和问题的适当缩减来调整深度 神经网络权重;所述微网组合优化建模包括微网的弹性指标体系、微网组合的成本加 弹性目标以及约束。
进一步地,所述微网的弹性指标体系,主要有四个,分别是综合成本(IC)、供 电比(PSR)、路径冗余(PR)、源冗余(SR);所述综合成本的计算如下:
定义Θ是所述微网集合;
所述综合成本包括一个调度周期内所有所述微网的运行成本,描述为
其中Ωi是所述微网i中所有机组的集合;dil∈{0,1}表示所述微网i和所述微网l之间 的物理连接状态;如果dil=1,则所述微网i和所述微网l是连接的;
λt是时间t时的边际成本;其描述如下:
所述供电比的计算如下:
供电比从用电单位的角度衡量负荷满意度;
其中NL为总负荷节点数;
所述路径冗余被定义为所述可调度发电机组和重要负荷之间的路径总数与所述重 要负荷数量之间的比率:
NCL表示所述重要负荷的总数;Npath是所述可调度发电机组和所有所述重要负荷之间的路径总数;
相似可能网络(SPN)定义为无回路的可行路径组合,用于为所述重要负荷供能;将所述SR定义为SPN中所有所述重要负荷的备用容量与额定容量之比:
进一步地,所述微网组合的成本加弹性目标计算如下:
弹性指标集定义为X={X1,X2,…,Xε};
所述弹性指标集X的重要性被视为集X的模糊测度,表示为μ(X);
λ-模糊测度满足以下条件:
其中μ(Xi)表示弹性指标的重要性;
根据边界条件,方程可以改写为
定义:如果h是实值函数,μ是X上的所述模糊测度,则h相对于所述模糊测度 μ的离散Choquet积分为
其中,我们默认0≤h(X1)≤h(X2)≤…≤h(Xε),{x(i),x(i+1),…x(ε)}还有C(ε+1)=0;
h(Xi)是指标具体的取值;
因此,所述微网组合的成本加弹性目标描述为
其中Ψ={dil,sj,cjm,uij},i∈Θ,j∈Ξ是决策变量集。
进一步地,所述约束包括最优调度约束、连接约束、节点关联约束、节点连接约束、开关联通约束、负荷供能约束;
(1)最优调度约束
功率平衡约束是所有微网必须同时满足的全局约束:
除了所述全局约束外,每个所述微网都有一些单独的约束,对于i∈Θ,有
其中为所述微网i实时可再生能源发电量,以实时可再生资源为界;是所述微网i中储能的实时充电状态(SOC);ηi是放电或充电效率;△E i,分别是放 电和充电的下界和上界;表示可调度生成的下界和上界;E i,分别是最小和 最大SOC;
(2)连接约束
(3)节点关联约束
定义辅助二元变量uij∈{0,1};
判断有缺电风险的负荷节点j是否属于所述微网i∈Θ,如果所述微网i负责所 述负荷节点j,则有uij=1,因此,依赖于所述负荷节点的约束可以描述为
对于安装在某个微网中的发电节点或电池节点,此类节点肯定属于该微网且不可更改从属;等式约束如下所示:
其中Gi和Bi是微网i的发电机和电池组;
(4)节点连接约束
配电网的拓扑结构通常是一个径向树,其中一个节点只有当其父节点也属于所述微网i时也才属于所述微网i;假设θi(j)是关于所述微网i的节点j的父节点,有
(5)开关联通约束
如果线路(j,m)属于同一个所述微网,则该线路上的开关应处于闭合状态, cjm∈{0,1}是线路(j,m)的开关状态;值为1表示节点j和节点m之间的线路已连接, 而值为0表示节点j和节点m之间的开关被断开;因此,节点-之路约束可以表示为
(6)负荷供能约束
如果节点j处的负载由所述微网i供电即uij=1,与负载和节点j相关的开关应闭合,sj∈{0,1}是一个二进制决策变量,值为0表示节点j中的负荷被供电,值为 1表示节点j中的负荷不被供电;因此,约束可以描述为
uij≥sj
进一步地,所述基于NATAF变换的学习样本生成的计算,给出了光伏发电、 风力发电和负荷的概率模型;
(1)光伏发电概率模型
(2)风电和负荷概率模型
分别将风机数量和所述负荷节点定义为NWT和NL,输入随机变量数等于风力机 和负载节点Ndim=NWT+NL之和,Nataf变换在给定输入变量概率分布时重建联合分 布,默认输入是风力和负荷的概率分布;
Nataf理论和Cholesky分解考虑了相关性,将非正态随机变量转化为独立的标 准正态随机变量;
Cholesky分解去除了随机变量样本之间的相关性,由于RZ是一个对称正定矩 阵,可以用Cholesky分解RZ=LLT来描述,L是实的非奇异下三角矩阵,Z*是一 个独立的标准正态随机向量:
Z*的相关系数实际上与RZ相同,然后,通过Nataf逆变换得到任意分布的随 机样本;
假设NWL是风力发电和负荷的样本数,在光伏发电、风力发电和负荷数据生成 之后,将风力发电、负荷和光伏发电Nζ的每个样本合并为一个系统样本,其中ζ在 [0,1]上均匀分布,利用该方法生成学习样本,样本维数为N=Nζ×NWL。
进一步地,所述基于Boosting感知器的深度神经网络学习包括三部分,分别是 两层前馈神经网络、激活函数线性化、基于Boosting的分类学习器;所述两层前 馈神经网络计算过程:
该分类器将单层感知器扩展到具有线性神经元的DNN,利用所述神经元的逐 层迭代遍历来调整所述DNN的连接权值;
因此,所述两层前馈神经网络由三层组成,第0层为Q个输入神经元 [I1,I2,…,IQ],第1层为K个隐藏神经元[H1,H2,…,HK],第2层为一个输出神经元O;
第a个样本的单个输出O的计算公式为:
其中f2表示第2层的所述激活函数;
因此,保持所述DNN的其余部分不变,所述隐藏神经元Hr的学习过程可以 被描述为:
所述隐藏神经元Hr的学习过程被重新描述为:
进一步地,所述激活函数线性化计算过程:
tanh激活函数的泰勒级数线性化为:
分段函数可以用连续逼近函数来估计,例如,Relu函数可由线性分段函数表 示,或由Softplus函数估计:
一般地,激活函数的泰勒级数表示可以统一为:
引入非线性激活函数,将原始输入特征推广到所有小于或等于σ的级数,并 应用于后续的DNN感知器。
进一步地,所述基于Boosting的分类学习器计算过程:
sτ(xa)=-[Wτ·(xa)T-Jτ]
Boosting方法通过学习训练示例,选择几个具有自适应权重分布的基本学习 器,根据权重分布,由选定的学习器线性组合而成完整学习器;
其中αt是现有训练集的总错误率;
DNN学习正是Boosting感知器的映射,在此映射中,所述隐藏神经元等价于 基本分类器,所述输出神经元O近似于最终决策树,具体地说,所述隐藏神经元 r的权值,即可以看作是基本分类器的权值此外,第二层所述隐藏神经 元r的权重正好对应于错误率ατ,因此,DNN学习中的两阶段学习等价于学习 基本分类器hτ的权值和计算总错误率ατ。
进一步地,所述Boosting感知器的二分类DNN学习算法可以总结如下:
进一步地,所述Boosting感知器的多分类DNN学习算法可以总结如下:
多分类学习后,样本可以按照以下步骤进行分类:
与现有技术相比,本发明具有如下的有益效果:
提出的微网组合调度兼顾了运行经济性和系统弹性,在线调整微网组合方案并提供了过渡模式,以提高紧急情况下的弹性。
基于Nataf理论和Cholesky分解,提出的样本生成方案充分挖掘了RES生成和负载之间的内在联系,避免了求解联合概率分布的困难。
证明了深度神经网络(DNN)学习中的两阶段学习等价于学习基本分类器的权值。提出的基于Boosting的DNN通过神经元的分层迭代遍历来调整DNN的权值,并通过Boosting感知方法学习一系列基本分类器。
基于训练好的DNN,面向弹性的微网组合调度可以在线实现,无需初始化即可快速给出近似最优的组合方案,从而大大降低了应急风险和运行成本。
以下对本发明的构思、具体结构及产生的技术效果作进一步说明,以充分地了解本发明的目的、特征和效果。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普 通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些 都属于本发明的保护范围。
本发明主要有三部分组成:
(一)、由调度中心建立面向弹性目标的多微网组合运行优化模型;
(二)、基于Nataf理论对历史数据进行相关性分析,由小样本的历史数据生 成大样本的训练样本;
(三)通过基于Boosting感知的DNN多分类器,学习样本,由新能源预测和 负荷等输入信息确定最优的多微网组网方案。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并 不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可 以任意相互组合。
Claims (10)
1.一种基于Boosting感知的深度学习多微网弹性组合决策方法,包括微网组合优化建模、基于NATAF变换的学习样本生成、基于Boosting感知器的深度神经网络学习三个部分,所述微网组合优化建模以重要负荷供电恢复能力作为目标,并为运营商提供备用供电路径;所述基于NATAF变换生成学习样本,将原始样本扩展到考虑变量相关性的所有可行空间;所述基于Boosting感知器原理设计双层前馈深度神经网络,通过神经元的分层迭代遍历调整深度神经网络权重,采用交叉投票机制将二分类感知学习升级为多分类学习;所述微网组合优化建模包括微网的弹性指标体系、微网组合的成本加弹性目标以及约束。
2.如权利要求1所述的一种基于Boosting感知的深度学习多微网弹性组合决策方法,其特征在于,所述微网的弹性指标体系,主要有四个,分别是综合成本(IC)、供电比(PSR)、路径冗余(PR)、源冗余(SR);所述综合成本的计算如下:
定义Θ是所述微网集合;
所述综合成本包括一个调度周期内所有所述微网的运行成本,描述为
其中Ωi是所述微网i中所有机组的集合;dil∈{0,1}表示所述微网i和所述微网l之间的物理连接状态;如果dil=1,则所述微网i和所述微网l是连接的;
λ是时间t时的边际成本;其描述如下:
所述供电比的计算如下:
供电比从用电单位的角度衡量负荷满意度;
其中NL为总负荷节点数;
所述路径冗余被定义为所述可调度发电机组和重要负荷之间的路径总数与所述重要负荷数量之间的比率:
NCL表示所述重要负荷的总数;Npath是所述可调度发电机组和所有所述重要负荷之间的路径总数;
相似可能网络(SPN)定义为无回路的可行路径组合,用于为所述重要负荷供能;将所述SR定义为SPN中所有所述重要负荷的备用容量与额定容量之比:
3.如权利要求2所述的一种基于Boosting感知的深度学习多微网弹性组合决策方法,其特征在于,所述微网组合的成本加弹性目标计算如下:
弹性指标集定义为X={X1,X2,…,Xε};
所述弹性指标集X的重要性被视为集X的模糊测度,表示为μ(X);
λ-模糊测度满足以下条件:
其中μ(Xi)表示弹性指标的重要性;
根据边界条件,方程可以改写为
定义:如果h是实值函数,μ是X上的所述模糊测度,则h相对于所述模糊测度μ的离散Choquet积分为
其中,我们默认0≤h(X1)≤h(X2)≤…≤h(Xε),{x(i),x(i+1),…x(ε)}还有C(ε+1)=0;
h(Xi)是指标具体的取值;
因此,所述微网组合的成本加弹性目标描述为
其中Ψ={dil,sj,cjm,uij},i∈Θ,j∈Ξ是决策变量集。
4.如权利要求3所述的一种基于Boosting感知的深度学习多微网弹性组合决策方法,其特征在于,所述约束包括最优调度约束、连接约束、节点关联约束、节点连接约束、开关联通约束、负荷供能约束;
(1)最优调度约束
功率平衡约束是所有微网必须同时满足的全局约束:
除了所述全局约束外,每个所述微网都有一些单独的约束,对于i∈Θ,有
其中为所述微网i实时可再生能源发电量,以实时可再生资源为界;是所述微网i中储能的实时充电状态(SOC);ηi是放电或充电效率;ΔE i,分别是放电和充电的下界和上界;表示可调度生成的下界和上界;E i,分别是最小和最大SOC;
(2)连接约束
多微网系统的静态图可以定义为G,A(G)={ail}表示图的相关矩阵,ail=1表示所述微网i和所述微网l之间存在连接,微网连接性约束可以如下所示
(3)节点关联约束
定义辅助二元变量uij∈{0,1};
判断有缺电风险的负荷节点j是否属于所述微网i∈Θ,如果所述微网i负责所述负荷节点j,则有uij=1,因此,依赖于所述负荷节点的约束可以描述为
对于安装在某个微网中的发电节点或电池节点,此类节点肯定属于该微网且不可更改从属;等式约束如下所示:
其中Gi和Bi是微网i的发电机和电池组;
(4)节点连接约束
配电网的拓扑结构通常是一个径向树,其中一个节点只有当其父节点也属于所述微网i时也才属于所述微网i;假设θi(j)是关于所述微网i的节点j的父节点,有
(5)开关联通约束
如果线路(j,m)属于同一个所述微网,则该线路上的开关应处于闭合状态,cjm∈{0,1}是线路(j,m)的开关状态;值为1表示节点j和节点m之间的线路已连接,而值为0表示节点j和节点m之间的开关被断开;因此,节点-之路约束可以表示为
(6)负荷供能约束
如果节点j处的负载由所述微网i供电即uij=1,与负载和节点j相关的开关应闭合,sj∈{0,1}是一个二进制决策变量,值为0表示节点j中的负荷被供电,值为1表示节点j中的负荷不被供电;因此,约束可以描述为
uij≥sj。
5.如权利要求4所述的一种基于Boosting感知的深度学习多微网弹性组合决策方法,其特征在于,所述基于NATAF变换的学习样本生成的计算,给出了光伏发电、风力发电和负荷的概率模型;
(1)光伏发电概率模型
由于光伏发电主要由光照决定,光伏发电形状有其独特的模式,且易于预测,为了简化学习空间,在最大光伏发电量分布的基础上,定义了光伏发电量与光照强度l的线性关系,该模型显著降低了抽样维数,
(2)风电和负荷概率模型
分别将风机数量和所述负荷节点定义为NWT和NL,输入随机变量数等于风力机和负载节点Ndim=NWT+NL之和,Nataf变换在给定输入变量概率分布时重建联合分布,默认输入是风力和负荷的概率分布;
Nataf理论和Cholesky分解考虑了相关性,将非正态随机变量转化为独立的标准正态随机变量;
Cholesky分解去除了随机变量样本之间的相关性,由于RZ是一个对称正定矩阵,可以用Cholesky分解RZ=LLT来描述,L是实的非奇异下三角矩阵,Z*是一个独立的标准正态随机向量:
Z*的相关系数实际上与RZ相同,然后,通过Nataf逆变换得到任意分布的随机样本;
假设NWL是风力发电和负荷的样本数,在光伏发电、风力发电和负荷数据生成之后,将风力发电、负荷和光伏发电Nζ的每个样本合并为一个系统样本,其中ζ在[0,1]上均匀分布,利用该方法生成学习样本,样本维数为N=Nζ×NWL。
6.如权利要求5所述的一种基于Boosting感知的深度学习多微网弹性组合决策方法,其特征在于,所述基于Boosting感知器的深度神经网络学习包括三部分,分别是两层前馈神经网络、激活函数线性化、基于Boosting的分类学习器;所述两层前馈神经网络计算过程:
该分类器将单层感知器扩展到具有线性神经元的DNN,利用所述神经元的逐层迭代遍历来调整所述DNN的连接权值;
因此,所述两层前馈神经网络由三层组成,第0层为Q个输入神经元[I1,I2,…,IQ],第1层为K个隐藏神经元[H1,H2,…,HK],第2层为一个输出神经元O;
第a个样本的单个输出O的计算公式为:
其中f2表示第2层的所述激活函数;
因此,保持所述DNN的其余部分不变,所述隐藏神经元Hr的学习过程可以被描述为:
所述隐藏神经元Hr的学习过程被重新描述为:
7.如权利要求6所述的一种基于Boosting感知的深度学习多微网弹性组合决策方法,其特征在于,所述激活函数线性化计算过程:
tanh激活函数的泰勒级数线性化为:
分段函数可以用连续逼近函数来估计,例如,Relu函数可由线性分段函数表示,或由Softplus函数估计:
一般地,激活函数的泰勒级数表示可以统一为:
引入非线性激活函数,将原始输入特征推广到所有小于或等于σ的级数,并应用于后续的DNN感知器。
8.如权利要求7所述的一种基于Boosting感知的深度学习多微网弹性组合决策方法,其特征在于,所述基于Boosting的分类学习器计算过程:
sτ(xa)=-[Wτ·(xa)T-Jτ]
Boosting方法通过学习训练示例,选择几个具有自适应权重分布的基本学习器,根据权重分布,由选定的学习器线性组合而成完整学习器;
其中αt是现有训练集的总错误率;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110619257.5A CN113689024A (zh) | 2021-06-03 | 2021-06-03 | 一种基于Boosting感知的深度学习多微网弹性组合决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110619257.5A CN113689024A (zh) | 2021-06-03 | 2021-06-03 | 一种基于Boosting感知的深度学习多微网弹性组合决策方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113689024A true CN113689024A (zh) | 2021-11-23 |
Family
ID=78576440
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110619257.5A Pending CN113689024A (zh) | 2021-06-03 | 2021-06-03 | 一种基于Boosting感知的深度学习多微网弹性组合决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113689024A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114172840A (zh) * | 2022-01-17 | 2022-03-11 | 河海大学 | 一种基于图论和深度强化学习的多微网系统能量路由方法 |
CN117522080A (zh) * | 2024-01-02 | 2024-02-06 | 国网湖北省电力有限公司经济技术研究院 | 输电工程进度安全与造价的联动优化方法、系统及设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170310241A1 (en) * | 2014-09-12 | 2017-10-26 | The Regents Of The University Of California | Hybrid boosting converters |
CN108197629A (zh) * | 2017-12-30 | 2018-06-22 | 北京工业大学 | 一种基于标签相关性约束张量分解的多模态医学影像特征提取方法 |
WO2020041903A1 (en) * | 2018-08-30 | 2020-03-05 | Uti Limited Partnership | Nano/micro-grid power distribution system |
US20200143460A1 (en) * | 2018-11-02 | 2020-05-07 | University-Industry Cooperation Group Of Kyung-Hee University | System of management of energy trading and method of the same |
CN112117760A (zh) * | 2020-08-13 | 2020-12-22 | 国网浙江省电力有限公司台州供电公司 | 基于双q值网络深度强化学习的微电网能量调度方法 |
CN112651112A (zh) * | 2020-12-17 | 2021-04-13 | 湖南大学 | 互联微网电能交易和系统运行协同决策方法、系统及设备 |
-
2021
- 2021-06-03 CN CN202110619257.5A patent/CN113689024A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170310241A1 (en) * | 2014-09-12 | 2017-10-26 | The Regents Of The University Of California | Hybrid boosting converters |
CN108197629A (zh) * | 2017-12-30 | 2018-06-22 | 北京工业大学 | 一种基于标签相关性约束张量分解的多模态医学影像特征提取方法 |
WO2020041903A1 (en) * | 2018-08-30 | 2020-03-05 | Uti Limited Partnership | Nano/micro-grid power distribution system |
US20200143460A1 (en) * | 2018-11-02 | 2020-05-07 | University-Industry Cooperation Group Of Kyung-Hee University | System of management of energy trading and method of the same |
CN112117760A (zh) * | 2020-08-13 | 2020-12-22 | 国网浙江省电力有限公司台州供电公司 | 基于双q值网络深度强化学习的微电网能量调度方法 |
CN112651112A (zh) * | 2020-12-17 | 2021-04-13 | 湖南大学 | 互联微网电能交易和系统运行协同决策方法、系统及设备 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114172840A (zh) * | 2022-01-17 | 2022-03-11 | 河海大学 | 一种基于图论和深度强化学习的多微网系统能量路由方法 |
CN117522080A (zh) * | 2024-01-02 | 2024-02-06 | 国网湖北省电力有限公司经济技术研究院 | 输电工程进度安全与造价的联动优化方法、系统及设备 |
CN117522080B (zh) * | 2024-01-02 | 2024-04-09 | 国网湖北省电力有限公司经济技术研究院 | 输电工程进度安全与造价的联动优化方法、系统及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shi et al. | Artificial intelligence techniques for stability analysis and control in smart grids: Methodologies, applications, challenges and future directions | |
Duchesne et al. | Recent developments in machine learning for energy systems reliability management | |
Wen et al. | Optimal load dispatch of community microgrid with deep learning based solar power and load forecasting | |
Wang et al. | Research and application of a hybrid forecasting framework based on multi-objective optimization for electrical power system | |
Gaviria et al. | Machine learning in photovoltaic systems: A review | |
Hong et al. | Hour-ahead wind power and speed forecasting using simultaneous perturbation stochastic approximation (SPSA) algorithm and neural network with fuzzy inputs | |
Trivedi et al. | Implementation of artificial intelligence techniques in microgrid control environment: Current progress and future scopes | |
Mellit et al. | Artificial intelligence techniques for sizing photovoltaic systems: A review | |
Kyriakarakos et al. | A fuzzy cognitive maps–petri nets energy management system for autonomous polygeneration microgrids | |
Cao et al. | Model-free voltage control of active distribution system with PVs using surrogate model-based deep reinforcement learning | |
Alavi et al. | Forecast-based consensus control for DC microgrids using distributed long short-term memory deep learning models | |
CN113689024A (zh) | 一种基于Boosting感知的深度学习多微网弹性组合决策方法 | |
He | Toward a smart grid: Integration of computational intelligence into power grid | |
El Bourakadi et al. | Intelligent energy management for micro-grid based on deep learning LSTM prediction model and fuzzy decision-making | |
Chen et al. | An innovative method-based CEEMDAN–IGWO–GRU hybrid algorithm for short-term load forecasting | |
Li et al. | Online PV smart inverter coordination using deep deterministic policy gradient | |
Xing et al. | Real-time optimal scheduling for active distribution networks: A graph reinforcement learning method | |
Li et al. | Optimal storage sizing of energy storage for peak shaving in presence of uncertainties in distributed energy management systems | |
Kadir et al. | Reinforcement-Learning-Based Proactive Control for Enabling Power Grid Resilience to Wildfire | |
Esfetanaj et al. | The use of hybrid neural networks, wavelet transform and heuristic algorithm of WIPSO in smart grids to improve short-term prediction of load, solar power, and wind energy | |
Zhao et al. | Self-attention generative adversarial network enhanced learning method for resilient defense of networked microgrids against sequential events | |
Liu et al. | Varying condition scopf optimization based on deep learning and knowledge graph | |
Gautam et al. | Post-Disaster Microgrid Formation for Enhanced Distribution System Resilience | |
Vogt et al. | Prediction of residual power peaks in industrial microgrids using artificial neural networks | |
EL KHAOUAT¹ et al. | A systematic literature review on prediction models in microgrids |
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 |