CN113987940B - 基于elm集成在线学习的电力系统潮流数据驱动回归方法 - Google Patents

Abstract

本发明提供了一种基于ELM集成在线学习的电力系统潮流数据驱动回归方法，属于基于数据驱动的新能源电力系统潮流计算技术领域。解决了新能源大规模接入下电网潮流计算依赖于系统准确模型及参数，需要多次迭代获取潮流运算结果，系统拓扑结构和模型参数不准确、潮流迭代求解时耗性的问题。其技术方案为：通过大量潮流时序断面数据构建出基于ELM集成在线学习的电力系统潮流映射模型。本发明的有益效果为：本发明能够实现含有新能源配电网系统不依赖电网元件模型和参数系统潮流快速求解，进行系统运行潮流状态的快速感知，适用于对含新能源电网功率波动频繁场景下电网运行状态的分析。

Description

基于ELM集成在线学习的电力系统潮流数据驱动回归方法

技术领域

本发明涉及基于数据驱动的新能源电力系统潮流计算技术领域，具体涉及一种基于极限学习机(Extreme Learning Machine，ELM)集成在线学习的电力系统潮流数据驱动回归方法。

背景技术

为促进能源体系健康发展，以新能源为主体的新型电力系统将成为未来电网的主要形态。随着新能源装机容量的快速增长及广泛并网，导致系统功率波动更加复杂多样，需要快速求解系统潮流、明确系统运行状态，避免发生安全运行事故。

传统潮流计算依赖于系统准确模型及参数，且需要进行多次迭代获取潮流运算结果，系统拓扑结构和模型参数的不准确、潮流迭代求解的时耗性，均使得传统潮流计算结果无法满足新能源大规模接入下电网发展需求。

电力系统中的传统潮流计算是依据系统拓扑结构和网络参数，基于基尔霍夫定律构建节点功率非线性方程，并应用牛顿-拉夫逊(Newton-Raphson)等迭代方法进行求解。节点功率方程表示如下：

其中，U_i为i节点的电压向量；U_j为j节点的电压向量；G_ij和B_ij分别为节点导纳矩阵(i，j)位置的实部和虚部，P_i，Q_i分别为i节点注入的有功和无功功率，n表示系统节点总数。

因此，传统潮流在计算过程中需要在确定的模型和参数的前提下，包括确定的拓扑参数、支路的导纳参数以及节点注入功率参数，通过假设初始值进行迭代计算至收敛，以获取系统节点的电压和相位，系统模型和参数的准确性以及初始值的选取均影响最终潮流结果的精准度，并且迭代过程存在中计算量大、计算耗时等问题。

目前，在电网量测装置的普遍应用下，电网已初步发展成为信息物理系统，具备充足可供分析的量测断面历史及实时数据，为破解传统潮流计算中存在的相关问题提供了新的视角。为解决新能源大规模接入下电网潮流计算存在的问题，基于潮流历史断面和实时数据，本发明提出基于ELM集成在线学习的电力系统潮流数据驱动回归方法。

发明内容

本发明的目的在于提供一种基于ELM集成在线学习的电力系统潮流数据驱动回归方法，解决了新能源大规模接入下电网潮流计算依赖于系统准确模型及参数，需要多次迭代获取潮流运算结果，系统拓扑结构和模型参数不准确、潮流迭代求解时耗性的问题，实现了含有新能源配电网系统不依赖电网元件模型和参数的系统潮流快速求解，进行系统运行潮流状态快速感知。

本发明的思想为：本发明提供的一种基于ELM集成在线学习的电力系统潮流数据驱动回归方法，通过大量潮流时序断面数据构建出基于ELM集成在线学习的电力系统潮流映射模型，能够不依赖电网模型和参数，在给定系统节点有功和无功功率信息下，不进行迭代快速给出潮流计算结果；实现含有新能源配电网系统不依赖电网元件模型和参数的系统潮流快速求解，进行系统运行潮流状态的快速感知，适用于对含新能源电网功率波动频繁场景下电网运行状态的分析。

本发明是通过如下措施实现的：一种基于ELM集成在线学习的电力系统潮流数据驱动回归方法，具体包括以下步骤：

(1)、潮流时序断面数据，得到用于训练的潮流断面样本集；

(2)、确定集成学习ELM数目，给定用于集成学习的集成规模；

(3)、ELM参数初始化，用于确定各ELM输入权重和偏置项参数；

(4)、ELM时序在线学习，基于递归算法进行在线输出权重更新；

(5)、确定各ELM输出，各ELM输出节点电压和相角的潮流结果；

(6)、合成各ELM输出，用于得到最终的集成学习模型。

作为本发明提供的一种基于ELM集成在线学习的电力系统潮流数据驱动回归方法进一步优化方案，所述步骤(1)中，收集不同负荷水平下系统潮流时序断面数据，包括由所有节点有功功率、无功功率电压和相位(P、Q、V、θ)构成的向量集合。

其中，样本表示为(X_i，t_i)，X_i表示由节点(P、Q)构成的第i个样本的输入向量，t_i表示由节点(V、θ)构成的第i个样本的输出向量。

作为本发明提供的一种基于ELM集成在线学习的电力系统潮流数据驱动回归方法进一步优化方案，所述步骤(2)中，给定用于集成学习的集成规模，根据基于数据驱动潮流回归问题的规模，确定用于集成的ELM数目。

作为本发明提供的一种基于ELM集成在线学习的电力系统潮流数据驱动回归方法进一步优化方案，所述步骤(3)中，对于步骤(2)确定的数个ELM进行初始化，在给定区间内[30 90]随机选取隐含层神经元数目，形成多样化ELM集合，随机初始化各ELM的输入权重W_i和偏置b_i，完成所有ELM初始化。

作为本发明提供的一种基于ELM集成在线学习的电力系统潮流数据驱动回归方法进一步优化方案，所述步骤(4)中，具体方法为：

(4-1)、ELM在初始训练样本上进行训练，在给定输入权重W_i，偏置b_i，m个输出的N₀个初始训练样本，对于一个有L个隐层节点ELM，可表达为：

式中：β_i为输出权重，以矩阵形式表示为

H₀β₀＝T₀ (2)

式中：

根据广义逆的计算方法，可以计算出β₀

式中：

确定初始β₀后，带入式(1)即可得到基于初始训练数据的ELM潮流回归模型，同时对于300个ELM进行上述操作初始化训练，便可得到每个ELM的潮流回归模型。

(4-2)、基于时序潮流数据的在线学习，随着电力系统运行状态的实时变化，时序潮流断面数据不断获取，针对新来的样本数据进行快速学习，得到新的输出权重β₀考虑新获取潮流断面构成的样本为则输出权重β₁可表示为：

式中：H₁是样本数据N₁对应的隐层节点的输出，T₁为样本数据N₁对应的输出向量；

令则有：

将β₁表示成β₀，F₁，H₁和T₁的表达式：

由此，可进一步得到权重更新的递推公式：

式中，k表示第k次训练过程；

(4-3)、更新每个ELM输出权重β，得到更新后的每个ELM潮流回归模型。

作为本发明提供的一种基于ELM集成在线学习的电力系统潮流数据驱动回归方法进一步优化方案，所述步骤(5)中，确定各ELM输出节点电压和相角的潮流结果，并通过更新后每个ELM潮流回归模型，输入测试样本总输入向量(P，Q)，得到每个ELM输出的节点电压和相位的回归结果。

作为本发明提供的一种基于ELM集成在线学习的电力系统潮流数据驱动回归方法进一步优化方案，所述步骤(6)中，通过合成各ELM输出，用得到最终的节点电压和相位的回归结果，完成最终的集成学习模型，合成方式表示为：

式中，Output(i)表示第i个ELM输出的节点电压和相位向量，Output表示合成后输出的节点电压和相位向量。

与现有技术相比，本发明的有益效果为：

(1)、本发明通过大量潮流时序断面数据构建出基于ELM集成在线学习的电力系统潮流映射模型，能够不依赖电网模型和参数，在给定系统节点有功和无功功率信息下，不进行迭代快速给出潮流计算结果，进行电网运行状态的准确感知，适用于对含新能源电网功率波动频繁场景下电网运行状态的分析。

(2)、本发明构建出的基于ELM集成在线学习的电力系统潮流映射模型，运用ELM在线学习的方法，可以将实时的电力系统潮流参数添加入潮流断面数据中，以达到逐步完善学习效果的目的，使映射模型对电压状态的感知越来越精确。

(3)、本发明构建出的基于ELM集成在线学习的电力系统潮流映射模型，运用集成学习ELM的方法，减少了单次ELM学习中随机权重和随机偏置导致的学习效果参差化，增强了映射模型对电压状态感知的准确性。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

图1为本发明基于ELM集成在线学习的电力系统潮流数据驱动回归方法的整体流程图。

图2为本发明中ELM原理框图。

图3为本发明中含分布式电源接入的IEEE33节点系统接线图。

图4为本发明中0.90倍初始负荷水平下潮流结果对比图。

图5为本发明中0.95倍初始负荷水平下潮流结果对比图。

图6为本发明中1.00倍初始负荷水平下潮流结果对比图。

图7为本发明中1.05倍初始负荷水平下潮流结果对比图。

图8为本发明中1.10倍初始负荷水平下潮流结果对比图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。当然，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

实施例

参见图1至图8，本发明提供其技术方案为，一种基于ELM集成在线学习的电力系统潮流数据驱动回归方法，具体按照以下步骤实施：

步骤(1)潮流时序断面数据，得到用于训练的潮流断面样本集。

收集不同负荷水平下系统潮流时序断面数据，包括由所有节点有功功率、无功功率电压和相位(P、Q、V、θ)构成的向量集合，样本表示为(X_i，t_i)，X_i表示由节点(P、Q)构成的第i个样本的输入向量，t_i表示由节点(V、θ)构成的第i个样本的输出向量。

步骤(2)确定集成学习ELM数目，给定用于集成学习的集成规模。

根据基于数据驱动潮流回归问题的规模，确定用于集成的ELM数目M，M取值为300，使得多ELM合成的潮流回归结果更为准确和可靠。

步骤(3)ELM参数初始化，用于确定各ELM输入权重和偏置项参数。

ELM是一种具备快速学习能力的单隐层神经网络，其结构如图2所示。对于300个ELM进行初始化，包括：在给定区间内[30 90]随机选取隐含层神经元数目，形成多样化ELM集合，随机初始化各ELM的输入权重W_i和偏置b_i，完成所有ELM初始化。

步骤(4)ELM时序在线学习，基于递归算法进行在线输出权重更新。

步骤(4-1)，ELM在初始训练样本上进行训练，在给定输入权重W_i，偏置b_i，m个输出的N₀个初始训练样本，对于一个有L个隐层节点ELM，可表达为：

式中:β_i为输出权重，以矩阵形式表示为

H₀β₀＝T₀ (2)

式中：

根据广义逆的计算方法，可以计算出β₀

式中：

确定初始β₀后，带入式(1)即可得到基于初始训练数据的ELM潮流回归模型，同时对于300个ELM进行上述操作初始化训练，便可得到每个ELM的潮流回归模型。

步骤(4-2)基于时序潮流数据的在线学习。随着电力系统运行状态的实时变化，时序潮流断面数据不断获取，针对新来的样本数据进行快速学习，得到新的输出权重β₀考虑新获取潮流断面构成的样本为则输出权重β₁可表示为：

式中：H₁是样本数据N₁对应的隐层节点的输出，T₁为样本数据N₁对应的输出向量。

令则有：

将β₁表示成β₀，F₁，H₁和T₁的表达式：

由此，可进一步得到权重更新的递推公式：

式中，k表示第k次训练过程。

步骤(4-3)，更新每个ELM输出权重β，得到更新后的每个ELM潮流回归模型。

步骤(5)确定各ELM输出，各ELM输出节点电压和相角的潮流结果

通过更新后每个ELM潮流回归模型，输入测试样本总输入向量(P，Q)，得到每个ELM输出的节点电压和相位的回归结果。

步骤(6)合成各ELM输出，用于得到最终的集成学习模型

通过合成各ELM输出得到最终的节点电压和相位的回归结果，合成方式表示为：

式中，Output(i)表示第i个ELM输出的节点电压和相位向量，Output表示合成后输出的节点电压和相位向量。

图3提供了含有分布式电源接入的IEEE-33节点系统，其中分布式电源接入节点为2、3、6、9、13、18、22、25和30，该系统用于本发明的测试与验证。

通过节点功率随机扰动设置，生成大量用于训练的潮流断面数据集，并设置不同负荷水平用于验证集成ELM在线学习的潮流回归模型的预测精度。

图4至图8反应了在不同初始负荷水平下(0.90倍、0.95倍、1.00倍、1.05倍和1.10倍)基于集成ELM在线学习的潮流回归模型的节点电压和相位的回归结果和真实值对比关系。由图4至图8可以看出，基于集成ELM在线学习的潮流回归模型的节点电压和相位的回归结果与真实值非常接近，充分体现了所提方法的准确性和有效性。同时，表1给出了所提方法的均方根误差(RMSE)，由表1可以看出，在不同负荷水平下，所提方法的均方根误差普遍在10^-4数量级上，具有较小的回归误差。

表1集成ELM在线学习回归模型的均方根误差(RMSE)

表2给出了所提方法潮流计算的平均用时和传统牛顿-拉夫逊方法的潮流计算的平均用时，从表2中可以看出所提方法显著缩短了潮流计算用时。

表2不同方法时间对比

综上所述，基于集成ELM在线学习的潮流回归模型潮流计算结果基本与牛顿-拉夫逊潮流计算结果相一致，且该所提方法无需电网模型与参数，具有快速潮流计算能力，适用于新能源主体新型电力系统发展背景，具有重大的应用潜力。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种基于ELM集成在线学习的电力系统潮流数据驱动回归方法，其特征在于，包括以下步骤：

(1)、潮流时序断面数据，得到用于训练的潮流断面样本集；

(2)、确定集成学习ELM数目，给定用于集成学习的集成规模；

(3)、ELM参数初始化，用于确定各ELM输入权重和偏置项参数；

(4)、ELM时序在线学习，基于递归算法进行在线输出权重更新；

(5)、确定各ELM输出，各ELM输出节点电压和相角的潮流结果；

(6)、合成各ELM输出，用于得到最终的集成学习模型；

所述步骤(1)中，收集不同负荷水平下系统潮流时序断面数据，包括由所有节点有功功率、无功功率电压和相位(P、Q、V、θ)构成的向量集合；

其中，样本表示为(X_i，t _i)，X_i表示由节点(P、Q)构成的第i个样本的输入向量，t_i表示由节点(V、θ)构成的第i个样本的输出向量；

所述步骤(2)中，确定集成学习ELM数目，给定用于集成学习的集成规模，根据基于数据驱动潮流回归问题的规模，确定用于集成的ELM数目；

所述步骤(3)中，对于步骤(2)确定的数个ELM进行初始化，用于确定各ELM输入权重和偏置项参数，在给定区间[30 90]内随机选取隐含层神经元数目，形成多样化ELM集合，随机初始化各ELM的输入权重W_i和偏置b_i，完成所有ELM初始化；

所述步骤(4)中，具体方法为：

(4-1)、ELM在初始训练样本上进行训练，在给定输入权重W_i，偏置b_i，m个输出的N₀个初始训练样本，对于一个有L个隐层节点ELM，表达为：

式中：β_i为输出权重，以矩阵形式表示为

H₀β₀＝T₀(2)

式中：

根据广义逆的计算方法，计算出β₀

式中：

确定初始β₀后，带入式(1)得到基于初始训练数据的ELM潮流回归模型，同时对于300个ELM进行初始化训练，得到每个ELM的潮流回归模型；

(4-2)、基于时序潮流数据的在线学习，随着电力系统运行状态的实时变化，时序潮流断面数据不断获取，针对新来的样本数据进行快速学习，得到新的输出权重β₀，新获取潮流断面构成的样本为N₁，则输出权重β₁表示为：

式中：H₁是样本数据N₁对应的隐层节点的输出，T₁为样本数据N₁对应的输出向量；

令则有：

将β₁表示成β₀，F₁，H₁和T₁的表达式：

由此，进一步得到权重更新的递推公式：

式中，k表示第k次训练过程；

(4-3)、更新每个ELM输出权重β，得到更新后的每个ELM潮流回归模型；

所述步骤(5)中，确定各ELM输出节点电压和相角的潮流结果，并通过更新后每个ELM潮流回归模型，输入测试样本总输入向量(P，Q)，得到每个ELM输出的节点电压和相位的回归结果；

所述步骤(6)中，通过合成各ELM输出，得到最终的节点电压和相位的回归结果，完成最终的集成学习模型，合成方式表示为：

式中，Output(i)表示第i个ELM输出的节点电压和相位向量，Output表示合成后输出的节点电压和相位向量。