CN113689024B - 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

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

一种基于Boosting感知的深度学习多微网弹性组合决策方法

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。

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：

定义第i个所述微网的实时成本为由三部分组成：可调发电成本与邻居的交互电力结算和用户支付；

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Ω_i是所述微网i中所有机组的集合；d_il∈{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d_il＝1，则所述微网i和所述微网l是连接的；

p_t是实时电价；表示j节点上的负荷；表示所述微网i的实时交互功率；

具体地说，所述可调发电成本可写为

其中为可调度机组n的实时可调度发电量，{a_n,i,b_n,i,c_n,i}为所述微网i中所述可调度机组n的等值成本系数集；

λ_t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N_L为总负荷节点数；

表示第j个节点的有功功率需求；

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：

N_CL表示所述重要负荷的总数；N_path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：

上标c表示所述重要负荷；表示第c个所述重要负荷的实时备用容量；表示第c个所述重要负荷的实时功率。

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,L,X_e}；

由于我们有X_i∩X_j＝φ和

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(X_i)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(X_ε),{x_(i),x_(i+1),…x_(ε)}还有C_(ε+1)＝0；

h(X_i)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＝{d_il,s_j,c_jm,u_ij},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；η_i是放电或充电效率；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；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)＝{a_il}表示图的相关矩阵，a_il＝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u_ij∈{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u_ij＝1，因此，依赖于所述负荷节点的约束可以描述为

其中是所有所述负荷节点的集合；

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G_i和B_i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θ_i(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，c_jm∈{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

其中是线路(j,m)上的一组节点集；

(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u_ij＝1，与负载和节点j相关的开关应闭合，s_j∈{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

u_ij≥s_j

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

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的线性关系，该模型显著降低了抽样维数，

其中是节点j的预测日光伏发电量曲线，是节点j的日典型光伏发电量曲线，G^PV是光伏节点集；

(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N_WT和N_L，输入随机变量数等于风力机和负载节点N_dim＝N_WT+N_L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；

假设由N_dim变量组成的样本向量为对于随机变量S_g，S_g的累积分布函数可以描述为

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；

为了探索区域风力发电和负荷之间的相关性，使用Nataf理论将S重新计算为标准正态分布向量

其中Φ是标准正态分布的累积分布函数，假设和是Z和S的相关系数矩阵，和可以相互转换；

Cholesky分解去除了随机变量样本之间的相关性，由于R_Z是一个对称正定矩阵，可以用Cholesky分解R_Z＝LL^T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R_Z相同，然后，通过Nataf逆变换得到任意分布的随机样本；

假设N_WL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N_ζ的每个样本合并为一个系统样本，其中z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＝N_ζ×N_WL。

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；

基本分类器可以建模为映射x_a→{-1,+1}，假设是特征集，上标表示样本a，其样本分类为F_a∈{-1,+1}；

为便于分析，假设第b层样品a的特征为L，表示阈值的偏差项权重，等于-1，上标和下标分别表示层号和特征号，为了清晰地表示所述DNN，对于所述神经元k，是第b层中第q个输入特征的权重；

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,…,I_Q]，第1层为K个隐藏神经元[H₁,H₂,…,H_K]，第2层为一个输出神经元O；

这里设计了所述隐藏神经元来学习第一层的权值，所述隐藏神经元H_k的学习机制可以用以下方程来描述：

其中f₁是第1层的激活函数，是所述隐藏神经元H_k的输出；

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H_r的学习过程可以被描述为：

所述隐藏神经元H_r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：

由于该学习任务的维度较高，二叉决策树需要大量的基本分类器因此，将所述输出神经元的学习问题转化为感知器，进一步将训练对(x_a,F_a)转化为新的训练对(Y_a,F_a)，其中

假设表示神经元在应用激活函数之前的线性输出，Sigmoid函数的泰勒级数可写为如下形式：

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：

将单节点决策学习者τ作为只有一个因素的决策树，对于所述决策树可由定义在的线性组合W_τ确定，其中J_τ是区分两类的阈值，等价的所述决策树可以描述如下：

s_τ(x_a)＝-[W_τ·(x_a)^T-J_τ]

是通过结合样本x_a和阈值得到的；

相应地，权重向量表示为s_τ(x_a)表示学习者τ的决策结果，可以在齐次坐标上表示；

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；

用所述决策树代替基本分类器，结合算法操作，最终的所述决策树可以描述为

其中a_t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a_t，因此，DNN学习中的两阶段学习等价于学习基本分类器的权值和计算总错误率a_t。

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 (1)

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；

所述微网的弹性指标体系有四个，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：

定义第i个所述微网的实时成本为由三部分组成：可调发电成本与邻居的交互电力结算和用户支付；

定义Θ是微网集合；

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Ω_i是微网i中所有机组的集合；d_il∈{0,1}表示所述微网i和微网l之间的物理连接状态；如果d_il＝1，则所述微网i和所述微网l是连接的；

p_t是实时电价；表示j节点上的负荷；表示所述微网i的实时交互功率；

具体地说，所述可调发电成本写为

其中为可调度机组n的实时可调度发电量，{a_n,i,b_n,i,c_n,i}为所述微网i中所述可调度机组n的等值成本系数集,是的平方；

λ_t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N_L为总节点数；

表示第j个节点的有功功率需求；

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：

N_CL表示所述重要负荷的总数；N_path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：

上标c表示所述重要负荷；表示第c个所述重要负荷的实时备用容量；表示第c个所述重要负荷的实时功率；

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,···,X_ε}；

由于其中i≠j，有X_i∩X_j＝Φ和

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(X_i)表示弹性指标的重要性；

根据边界条件，方程改写为

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，默认0≤h(X₁)≤h(X₂)≤…≤h(X_ε),{x_(i),x_(i+1),…x_(ε)}还有C_(ε+1)＝0；

h(X_i)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＝{d_il,s_j,c_jm,u_ij},i∈Θ,j∈Ξ；

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

由于光伏发电由光照决定，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，

其中是节点j的预测日光伏发电量曲线，是节点j的日典型光伏发电量曲线，G^PV是光伏节点集；

(2)风电和负荷概率模型

分别将风机数量和所述节点定义为N_WT和N_L，输入随机变量数等于风力机和负载节点N_dim＝N_WT+N_L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；

假设由N_dim变量组成的样本向量为对于随机变量S_g，S_g的累积分布函数描述为

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；

为了探索区域风力发电和负荷之间的相关性，使用Nataf理论将S重新计算为标准正态分布向量

其中Φ是标准正态分布的累积分布函数，假设和是Z和S的相关系数矩阵，和相互转换；

Cholesky分解去除了随机变量样本之间的相关性，由于R_Z是一个对称正定矩阵，用Cholesky分解R_Z＝LL^T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R_Z相同，然后，通过Nataf逆变换得到任意分布的随机样本；

假设N_WL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N_ξ的每个样本合并为一个系统样本，其中z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＝N_ξ×N_WL；

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深度神经网络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；

分类器建模为映射x_a→{-1,+1}，假设是特征集，上标表示样本a，其样本分类为F_a∈{-1,+1}；

为便于分析，假设第b层样本a的特征为 表示阈值的偏差项权重，等于-1，上标和下标分别表示层号和特征号，为了清晰地表示所述DNN，对于所述神经元k，是第b层中第q个输入特征的权重；

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,…,I_Q]，第1层为K个隐藏神经元[H₁,H₂,…,H_K]，第2层为一个输出神经元O；

这里设计了所述隐藏神经元来学习第一层的权值，所述隐藏神经元H_k的学习机制用以下方程来描述：

其中f₁是第1层的激活函数；

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H_r的学习过程被描述为：

所述隐藏神经元H_r的学习过程被重新描述为：

所述激活函数线性化计算过程：

将所述输出神经元的学习问题转化为感知器，进一步将训练对(x_a,F_a)转化为新的训练对(Y_a,F_a)，其中

假设表示神经元在应用激活函数之前的线性输出，Sigmoid函数的泰勒级数写为如下形式：

tanh激活函数的泰勒级数线性化为：

分段函数用连续逼近函数来估计，Relu函数由线性分段函数表示，或由Softplus函数估计：

激活函数的泰勒级数表示为：

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；

所述基于Boosting的分类器计算过程：

将单节点决策决策者τ作为只有一个因素的决策树，对于所述决策树由定义在的线性组合W_τ确定，其中J_τ是区分两类的阈值，等价的所述决策树描述如下：

s_τ(x_a)＝-[W_τ·(x_a)^T-J_τ]

是通过结合样本x_a和阈值得到的；

相应地，权重向量表示为s_τ(x_a)表示决策者τ的决策结果，在齐次坐标上表示为；

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分类器，根据权重分布，由选定的分类器线性组合而成完整分类器；

用所述决策树代替分类器，结合算法操作，最终的所述决策树描述为

其中α_τ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分类器，所述输出神经元O近似于最终决策树，所述隐藏神经元r的权值，即即为分类器的权值此外，第二层所述隐藏神经元r的权重正好对应于现有训练集的总错误率α_τ，因此，DNN学习中的两阶段学习等价于分类器h_t的权值和计算现有训练集的总错误率α_τ。