CN114297914A - 一种面向大电网可靠性评估的深度神经网络结果可信性保障方法 - Google Patents
一种面向大电网可靠性评估的深度神经网络结果可信性保障方法 Download PDFInfo
- Publication number
- CN114297914A CN114297914A CN202111524401.3A CN202111524401A CN114297914A CN 114297914 A CN114297914 A CN 114297914A CN 202111524401 A CN202111524401 A CN 202111524401A CN 114297914 A CN114297914 A CN 114297914A
- Authority
- CN
- China
- Prior art keywords
- neural network
- deep neural
- sample
- reliability evaluation
- power grid
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 169
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000011156 evaluation Methods 0.000 title claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000004364 calculation method Methods 0.000 claims abstract description 36
- 238000009826 distribution Methods 0.000 claims abstract description 36
- 238000003062 neural network model Methods 0.000 claims abstract description 12
- 238000013526 transfer learning Methods 0.000 claims abstract description 12
- 238000005206 flow analysis Methods 0.000 claims abstract description 11
- 238000005516 engineering process Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 8
- 108010074864 Factor XI Proteins 0.000 claims description 7
- 238000013210 evaluation model Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 238000012937 correction Methods 0.000 description 5
- 238000013508 migration Methods 0.000 description 4
- 230000005012 migration Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000035699 permeability Effects 0.000 description 3
- 239000004576 sand Substances 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000002940 Newton-Raphson method Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000001617 migratory effect Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于电力系统领域，具体涉及一种面向大电网可靠性评估的深度神经网络结果可信性保障方法，包括根据数据分布情况确定原始场景与新场景下神经网络模型是否需要更新参数；若需要更新参数，则获取新场景的历史数据基于迁移学习技术对深度神经网络进行快速更新；针对完成更新的神经网络模型，当输入待分析样本时，将待检测样本与历史数据进行比较，若该样本与历史数据存在相似性，则将神经网络的预测结果作为该样本潮流分析结果，否则通过纯模型驱动的数值方法对该样本进行潮流分析；本发明实现深度神经网络的快速更新，节省训练样本和训练时间，且可有效判断单个样本分类的可信度，增加单个样本回归计算的鲁棒性。
Description
技术领域
本发明属于电力系统领域，具体涉及一种面向大电网可靠性评估的深度神经网络结果可信性保障方法。
背景技术
大电网可靠性评估是保障电网安全可靠运行的重要工具。随着“双碳”目标的提出，大力发展高比例新能源是支撑“双碳”目标的重要举措。然而，高比例新能源势必为电力系统带来更强的不确定性，严重威胁电网安全可靠性运行。因此，为及时有效地评估电网运行风险，其评估频次将从以往的小时级提升至分钟级甚至秒级。大电网可靠性评估的本质是进行大量的潮流与最优潮流计算，计算负担重。高频计算需求与高额计算负担间的矛盾对大电网可靠性评估提出了新的挑战。对此，学者们提出利用深度神经网络的高精度逼近能力，将计算负担从线上计算转移至线下训练，实现大电网可靠性评估的高精度在线计算。该方法为大电网可靠性评估提供了一条新的思路：将系统运行条件输入深度神经网潮流模块直接得到潮流结果，判断是否有潮流越限的情况，如有则为“问题”样本，否则为“成功”样本，进而将问题样本的系统运行条件输入深度神经网络最优潮流模块，判断是否会进行切负荷，如果是则为“故障”样本，针对故障样本则采用内点法求解最小切负荷潮流模型。然而，上述深度神经网络的高精度计算通常假设工作样本与训练样本服从同一分布，对于复杂多变的电力系统，该假设难以成立，深度神经结算结果可信性难以得到保障。因此，如何评判深度神经网络面向可靠性评估模型的适用性是其在电网推广应用的主要瓶颈之一。
发明内容
针对基于深度神经网络的大电网可靠性评估结果的可信性难以得到保障的问题，本发明提出一种面向大电网可靠性评估的深度神经网络结果可信性保障方法，包括以下步骤：
根据数据分布情况确定原始场景与新场景下神经网络模型是否需要更新参数；
若需要更新参数，则获取新场景的历史数据基于迁移学习技术对深度神经网络进行快速更新；
针对完成更新的神经网络模型，当输入待分析样本时，将待检测样本与历史数据进行比较，若该样本与历史数据存在相似性，则将神经网络的预测结果作为该样本潮流分析结果，否则通过纯模型驱动的数值方法对该样本进行潮流分析。
进一步的，根据原始场景与新场景下的数据分布差异来确定深度神经网络是否需要更新，若两个场景的Jensen-Shannon的值为0则不需要更新，否则需要更新。
进一步的，两个场景的Jensen-Shannon的值表示为：
其中，DJS(Do||De)表示原始场景数据分布Do与新场景数据分布De之间Jensen-Shannon的值；DKL(Do||De)为原始场景数据分布Do与新场景数据分布De之间的散度，表示为
Ω为可靠性评估模型所有输入输出的变量集合。
进一步的，对深度神经网络进行快速更新包括以下步骤：
对原始数据进行预处理；
利用训练好的深度神经网络参数初始化演变场景下新的深度神经网络；
基于输入的原始数据，利用用Rmsprop算法对新深度神经网络的所有参数进行微调训练；
根据epoch的迭代次数达到设定值或者训练过程中满足早停法条件确认是否结束微调训练，若结束训练则完成神经网络的更新。
进一步的，对原始数据进行预处理的过程包括：
其中，vmean和vstd分别是原始数据向量V的平均值和标准偏差。
进一步的，判断样本是否采用神经网络的预测结果作为其潮流分析的过程包括：
将历史数据基于K-均值聚类方法分为k组，计算待分析的样本与各个聚类中心的欧式距离；
将与待分析的样本欧式距离最小的类，并在中找到与待分析的样本欧式距离最小的两个样本作为相似样本；
如果两个最相似的训练样本的训练误差超过设定阈值，则不使用深度神经网络来分析该测试样本而采用纯模型驱动的方法；否则，将使用深度神经网络来分析该样本。
进一步的，深度神经网络处理最优潮流计算过程中，样本通过神经网络模型输出的分类预测结果为一个概率，通过该概率的值判断神经网络模型输出的结果是否可信，并对不可信的样本通过纯模型驱动的数值方法进行潮流分析，则判断样本是否可信的过程为：
其中，
为深度神经网络最优潮流模块的输出。
进一步的，深度神经网络处理潮流计算过程中，在神经网络中引入松弛因子ξ以确保对占比为1-λ的样本不会因为较小的误差e误判存在问题的样本，则松弛因子ξ与误差e和λ的关系表示为：
其中，M为系统潮流参数；M与
分别对应系统潮流参数的上下限；本发明所述的较小的误差e的值根据本领域技术人员经验进行确定，本领域根据实际情况确定误差e在某一个范围的值为较小，本发明不对此值的具体范围作限定。
本发明可广泛应用于基于人工智能的大电网可靠性在线计算，特别适用于基于深度神经网络的潮流回归与优化分类问题，与现有技术相比，本发明具有以下优点：
1.本发明提出的面向可靠性评估的深度神经网络适应性准则可分别针对新场景和单个样本判断是否继续采用深度神经网络进行可靠性评估。针对新场景而言，如果不满足适应性准则，本发明则提出了基于迁移学习的深度神经网络可靠性模型，实现深度神经网络的快速更新，节省训练样本和训练时间。针对单个样本而言，如果不满足适应性准则，则可采用模型驱动的数值求解方法(牛顿法、内点法等)求解可靠性评估模型。
2.本发明提出的面向大电网可靠性评估的深度神经网络输出修正策略，从回归模型与分类模型两方面出发，基于理论推导和规则设计，对计算结果不合理的样本进行预判与修正，所提方法可有效判断单个样本分类的可信度，增加单个样本回归计算的鲁棒性。
附图说明
图1为本发明一种面向大电网可靠性评估的深度神经网络结果可信性保障方法流程图；
图2为本发明查找两个与待检测样本最相似历史样本的示意图；
图3为本发明不同算例间输入变量中Jensen-Shannon散度的最大值示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提出一种面向大电网可靠性评估的深度神经网络结果可信性保障方法，如图1，包括以下步骤：
根据数据分布情况确定原始场景与新场景下神经网络模型是否需要更新参数；
若需要更新参数，则获取新场景的历史数据基于迁移学习技术对深度神经网络进行快速更新；
针对完成更新的神经网络模型，当输入待分析样本时，将待检测样本与历史数据进行比较，若该样本与历史数据存在相似性，则将神经网络的预测结果作为该样本潮流分析结果，否则通过纯模型驱动的数值方法对该样本进行潮流分析。
实施例1
本发明方法的目的是针对基于深度神经网络的大电网可靠性评估结果的可信性难以得到保障的问题，提出面向大电网可靠性评估的深度神经网络安全策略。实现本发明的技术方案包括：
首先，本实施例提出了面向可靠性评估的深度神经网络适应性准则及其快速更新策略，基于样本相似度的量化方法确定误差水平不理想的场景或样本(称为不可信的场景或样本)；
针对不可信的场景，本发明进一步提出基于迁移学习的深度神经网络可靠性模型快速更新策略，实现深度神经网络的快速更新；
对于不可信的样本，可以使用可替代的模型驱动工具。
其次，本实施例提出了面向运行可靠性评估的深度神经网络输出结果修正策略，从理论上推导确定了一个松弛因子以减轻由于深度神经网络较小的回归计算错误而引起线路过载/电压越限等的误判，并提出了“故障”样本分类器输出结果的可信度量化方法。
可靠性评估是考虑给类不确定性对电力系统持续供电能力的影响。可靠性评估的输入通常是各类不确定性的分布，针对不同场景，输入变量的分布不同，深度神经网络的适应性不同，因此，本实施例先判断新场景下神经网络的适应性，对神经网络进行更新；再判断通过输入分布抽样出的单个样本的适应性，确定是否能够使用神经网络的预测结果作为检测结果。具体包括
(一)新场景下对神经网络的快速更新
深度神经网络能够获得良好的效果通常建立在如下假设：测样样本与训练样本服从相同分布。然而，在实际运行中，新场景/演变场景(以下仅称新场景)时常出现，例如负荷需求增长、新能源渗透率增加、传输线路扩建等。新场景下数据分布必定与原始场景的数据分布不一致。根据特征向量维度是否改变，新场景可以分为两类，即与原始场景的数据分布相同以及与原始场景的数据分布不相同，如果与原始场景的数据分布不相同，即特征向量维度不同，必须对深度神经网络进行更新；如果新场景的输入输出维度与原始场景一致，深度神经网络的泛化能力可能使得面向原始场景训练好的深度神经网络在新场景下仍然可用。
在本实施例中，深度神经网络是否更新可以根据原始场景与新场景下的数据分布差异来确定，本实施例根据两个场景数据分布差异根据Jensen-Shannon散度进行评估，如果Jensen-Shannon的值DJS＝0，则说明两个分布一致；如果DJS＝1，则说明两个分布完全不同。两个场景的Jensen-Shannon的值表示为：
其中，DJS(Do||De)表示原始场景数据分布Do与新场景数据分布De之间Jensen-Shannon的值；DKL(Do||De)为原始场景数据分布Do与新场景数据分布De之间的散度，表示为
Do(r)、De(r)分别是指可靠性评估模型所有输入输出的变量集合中数据r对应的原始场景数据分布Do、新场景数据分布De；Ω为可靠性评估模型所有输入输出的变量集合。
将原始场景和新场景各输入变量间Jensen-Shannon散度的最大值用作判定深度神经网络是否需要更新的评判指标，对于任何输入变量，如果DJS的值小于Klimit，则可以使用原始深度神经网络；否则，需要更新深度神经网络，该过程表示为：
Klimit的值是预先给定的。本发明根据经验将Klimit的值设置为0.1。
如果深度神经网络需要进行更新，本实施例给出一种基于迁移学习的深度神经网络可靠性评估模型快速更新方法。迁移学习试图从先前某些任务的“知识”转移到目标任务。迁移学习的定义如下：给定源域Ds和学习任务Ts，目标域DT和对应的学习任务TT，旨在利用Ds和Ts中的知识(其中Ds≠DT，Ts≠TT)帮助对目标—预测函数fT(·)的学习。深度神经网络对源域Ds学习到的知识体现在自身参数的更新。参数迁移学习是迁移学习中最常见的一种技术，其通过提供更好的深度神经网络参数初始化(而不是随机初始化)来提高学习效率，即将面向Ds和Ts的深度神经网络参数直接迁移至面向DT和TT的深度神经网络，这已成功应用于许多任务中。
本发明考虑到训练完备的深度神经网络已经提取了可靠性评估有用的复杂特征，以减少重新收集训练数据和重建深度神经网络的工作量。在实际使用过程中，当拓扑结构的变化如节点、支路新增等，深度神经网络输入、输出层的神经元个数不再一致，对此，本发明采用参数迁移学习进行初始化的思路是：输入输出层对应节点位置的参数直接迁移，对应新增节点的输入或输出神经元，则随机初始化参数。通常，现有迁移学习方法为了避免过拟合问题，固定了原始模型的输入层和隐含层的参数，仅调整输出层对应权重和偏置参数，然而，神经网络的输出是模型中所有参数相互作用的结果，在模型中固定某些参数可能会破坏参数之间的交互。因此，本章选择调整新模型的所有参数，即参数迁移后通过学习算法Rmsprop或Adam对新深度神经网络全参数进行微调，本实施例采用早停法来有效避免过拟合问题。基于迁移学习的深度神经网络快速更新策略总结如下：
步骤一：预处理原始数据，包括：
其中，vmean和vstd分别是向量V的平均值和标准偏差；
步骤二：利用训练好的深度神经网络参数初始化演变场景下新的深度神经网络；
步骤三：对演变场景下深度神经网络参数进行微调，即根据输入特征向量X与输出特征向量Yn，利用Rmsprop算法对新深度神经网络的所有参数进行微调；
步骤四：根据epoch的迭代次数达到设定值或者训练过程中满足早停法条件为判断步骤三停止训练的条件。
该方法简单而有效，并可以有效利用训练完备的深度神经网络的参数信息。
(二)单个样本的适应性
即使深度神经网络可以适用于某个场景，但由于超参数设置、训练算法难以保证全局最优性等原因，深度神经网络不能完全挖掘训练数据中蕴藏的所有知识，导致仍有少量样本不可避免地会出现计算误差较大的情况。因此，检测出该样本并避免采用深度神经网络对其进行分析对进一步提高数据驱动的可靠性评估精度至关重要。从本质上讲，深度神经网络在训练过程中通过学习输出对输入的敏感度来挖掘数据间的潜在联系。因此，非常相近的输入通常对应于深度神经网络相近的输出。
本发明提出了面向样本的深度神经网络适应性准则，以确定是否利用深度神经网络来分析某一个样本。具体而言，对于要计算的测试样本，如果两个最相似的训练样本的训练误差不令人满意，则不使用深度神经网络来分析该测试样本而采用纯模型驱动的方法；否则，将使用深度神经网络来分析该样本。查找两个最接近的训练样本的方法如图2，具体包括以下步骤：
为了避免与所有训练样本间进行比较，提高查找效率，本发明基于K均值聚类方法将训练样本分为K组，图2中将历史数据划分为4个组，每个组中五角星表示每个组中准确率高的样本，×表示每个组中准确率低的样本，图中方块的符号表示待检测的样本。
计算待分析的测试样本与各个聚类中心间的欧式距离，确定欧式距离最小的组，例如，在图2所示情况下待测样本与第3组数据的距离中心最近。
在最近的组中依次比较直到找到两个最相似的训练样本。本章使用欧氏距离来量化最近组中的训练样本与待分析样本间的距离，表示为：
DEuclidean(Xtrain,Xcal)＝||Xtrain,i-Xcal||
其中，Xtrain与Xcal为数据预处理后的输入特征向量，分别是属于训练样本和待分析的工作样本。根据选出的两个历史数据样本的训练误差与设定误差阈值进行比较，如果训练误差比设定误差阈值小则认为可以利用该深度神经网络对待测样本进行相关潮流计算。
基于深度神经网络的可靠性模型的输出包括回归结果与分类结果，针对分类结果，深度神经网络对某一个样本进行预测分类时，即最优潮流计算，输出的是一个数值，该值必然与真实标签(0或1)之间存在一定偏差。因此，为了判断该样本属于可靠性评估中的哪一类别样本时，通常需要给定一个阈值来确定，如超过该阈值为一类，不超过为另一类。偏差(深度神经网络输出和真实标签间的偏差)是一种量化深度神经网络逼近真实标签程度的简单方法。对此，本发明使用偏差来估计深度神经网络输出的可信度，表示为：
上述公式将深度神经网络输出划分为两个等级即可信的与不可信的。对于可信的结果，直接采用深度神经网络的判别结果，对于结果不可信的样本应通过纯模型驱动的数值方法进行潮流分析(如潮流计算、最小切负荷计算)。
基于深度神经网络的可靠性模型的输出为回归结果时，即潮流回归计算，对于输入模型的可信的样本，在基于深度神经网络的可靠性评估中，会利用深度神经网络逼近电力系统潮流计算，通过其回归结果来判断是否有电压越限、线路过载等系统问题，进而判别处出问题样本。本发明在系统运行极限上引入一个极小的松弛因子ξ使深度神经网络回归结果更具鲁棒性，从而避免因较小的回归误差e而错误判断问题样本。下面的理论建立了松弛因子ξ值，回归误差e和λ间的关系。该关系可以帮助确定ξ的值，以确保对占比为1-λ的样本不会因为较小的误差e而误判问题样本，表示为：
其中，M是系统潮流参数，包括支路功率、电压幅值等，这些参数即本发明样本，M与
分别对应于系统潮流的上下限。
进行上述参数调整后，当E(e2)较小时，深度神经网络回归误差小于
的概率大于1-λ，即若
因此，若需：
则可有
P{|e|＜ξ}＝1-P{|e|≥ξ}≥1-λ
从上式可以看出P{|e|≥ξ}不可能大于1，因此ξ值会大于E(e2)的值，当E(e2)较大时ξ必定不小，则对避免深度神经网络因微小计算误差导致误判丧失了意义，因此，只有当E(e2)较小时本发明所推公式才有实际应用价值。
实施例2
本实施例中采用IEEE RTS-79系统，IEEE RTS-96系统及其修改算例来验证本发明方法的有效性。算例信息如下：
算例1：IEEE RTS-79系统。假定负荷曲线服从正态分布，其标准偏差为期望值的10％，IEEE RTS-79系统的历史年度峰值负荷为期望值。
算例2：EEE RTS-96系统。在此系统中，三个IEEE RTS 79系统通过六条传输线连接。
算例3：修改的IEEE RTS-79系统。可再生能源的渗透率为20％。
算例4：修改的IEEE RTS-96系统。可再生能源的渗透率为20％。
算例5：修改的IEEE RTS-79系统。可再生能源的渗透率为25％。
算例6：修改的IEEE RTS-79系统。在算例1中添加了一条从母线节点1到母线节点5的新支路。
算例7：修改的IEEE RTS-79系统。在算例1中同时添加了一条母线和两条新线路。
蒙特卡洛法的收敛条件是当方差系数α小于5％或抽样样本数达到100000个。蒙特卡洛法结合牛顿-拉夫逊法与内点法求解的可靠性结果为精确解。深度神经网络的超参数详见0。以下指标用于量化潮流计算的准确性。Pvm是指电压幅值绝对误差超过0.001p.u的比例。Pva是指电压相角绝对误差超过0.01rad的比例。Ppf/Pqt指流入/流出支路有功功率绝对误差超过5MW的比例。M_VM，M_VA，M_PF和M_PT对应于上述Pvm，Pva，Ppf和Pqt这几个变量的均方根误差。
分类器的精度通常通过以下指标进行衡量：
其中，TP＝True Pos，即真正类；FN＝False Negative，即假负类；TN＝TrueNegative，即真负类；FP＝False Positive，即假正类；sensitivity为召回度；specificity为特异度。
训练样本可以通过工程实际运行数据进行收集或者通过仿真模拟获得，本发明基于牛顿法和内点法分别求解潮流方程和最小切负荷模型获得训练样本。其中运行条件作为深度神经网络潮流模块与深度神经网络最优潮流分类模块的输入特征向量。深度神经网络潮流回归模块的输出特征向量为电力系统潮流分布，包括支路功率和电压幅值等。深度神经网络最优潮流分类模块的输出特征为标志向量0或1，代表最优潮流是否会切负荷。针对算1-算例4，深度神经网络智能模块的超参数如表1所示。
表1不同算例下不同深度神经网络智能模块的超参数
图3为不同算例间输入变量间Jensen-Shannon散度的最大值，表2列出了直接使用原始场景的深度神经网络对新场景进行计算的性能分析。如图3所示，算例1和算例3间以及算例1和算例5间的最大Jensen-Shannon散度值分别为0.4213和0.4438，这些值远大于0.1，说明两两算例间的数据分布差异较大，如果直接使用算例1的深度神经网络，则将导致算例3和算例5的准确性大大降低3。与之不同的是算例3和算例5间的最大Jensen-Shannon散度值是0.0321，小于0.1，说明两者的数据分布差异较小。因此，由算例3的深度神经网络直接对算例5计算得到的可靠性指标仍能满足精度要求，g-mean大于97％，LOLP和EENS的相对误差分别不大于2.62％和1.95％。
表2直接采用原始场景的深度神经网络对新场景进行计算的性能
针对算例6与算例7两个新场景，由于其导致深度神经网络特征向量维度改变，所以必须进行更新。表3为采用深度神经网络更新策略后的算例6与算例7的性能分析。根据本发明提出的基于迁移学习的深度神经网络快速更新策略，仅仅采用1000个训练样本，算例6与算例7各自的总更新时间均不超过10秒，更新后计算所得可靠性指标的相对误差小于5％，具有较高的准确性。因此，对于不再适用的深度神经网络，可以借助深度神经网络已经学习到的可靠性评估“知识”，快速更新深度神经网络，不用从头学习，可有效节约深度神经网络的训练样本量和训练时间。
表3采用深度神经网络更新策略后的算例6与算例7的性能分析
表4为算例1-算例4中面向单个样本的深度神经网络适应性准则有效性验证结果，通过欧式距离衡量与测试样本最相近的两个训练样本，如果训练样本误差水平高则认为该工作样本为不可信的样本，不采用深度网络进行分析，提高工作样本的计算准确度。从表4可以看出在所有算例下不可信样本的总数相较于上万的工作样本总数都很小，皆不超过243个。此外，在所有不可信样本中，约有30.7％-78.8％的样本采用深度神经网络进行分析会得到错误的分类结论。由此可见，所提面向单个样本的适应性准则仅以很小的计算负担为代价，就可有效地检测到深度神经网络计算误差大的样本，显著提高计算精度。
表4算例1-算例4下面向单个样本的深度神经网络适应性准则有效性验证
表5为在算例1-算例4中深度神经网络使用松弛因子的计算性能。本发明设计λ等于10％，根据公式计算得到松弛因子ξ值。通过计算得深度神经网络回归模型分类问题样本的结果具体如表5所示。对比未采用松弛因子的深度神经网络分类结果，即为λ等于0时。从表5中可以发现，在算例1、2、4中，深度神经网络回归结果判断问题样本皆未因为微小计算误差而误判，因此采用松弛因子前后ACC与SEN两个指标的精度并未改变。在算例2中，松弛因子有效避免了因为深度神经网络的微小计算误差导致误分类的情况，将ACC从99.13％提升为99.45％，SEN从99.82％升为100％。
表5在算例1-算例4中深度神经网络使用松弛因子的计算性能
表6是在算例1-算例4中深度神经网络采用所提安全分类方法的计算性能。通过深度神经网络预测值与预定义分类标签的偏差大小来量化深度神经网络分类结果是否可信，不可信的样本称为不可信的样本。从表6中可以看到，所提方法在算例1-算例4中辨识出的不可信样本从几十到几百甚至几千不等。在潮流回归模块中，采用深度神经网络进行分析会导致错误结果的比例在40％左右，而在最优潮流模块中，所占的比例达到80％以上甚至97.5％。由此可见，所提方法在牺牲较小计算代价下，确实能有效预测出深度神经网络计算不准确的样本，提高后续分析的计算精度。特别地，相比潮流分类模块，所提方法在最优潮流智能分类模块中优势更加突出。
表6在算例1-算例4中深度神经网络采用所提安全分类方法的计算性能
综上所述，本发明提出了一种面向大电网可靠性评估的深度神经网络安全策略，相比于现有数据驱动的可靠性评估方法，本发明首次考虑了深度神经网络的弱解释性，并提出了应对策略，有效保障数据驱动的可靠性评估结果可信性。首先，本发明提出的面向可靠性评估的深度神经网络适应性准则可分别针对新场景和单个样本判断是否可采用深度神经网络进行可靠性评估。针对新场景不满足适应性准则，本发明则提出了基于迁移学习的深度神经网络可靠性模型，实现深度神经网络的快速更新，节省训练样本和训练时间。此外，本发明还从回归模型与分类模型两方面出发，提出了面向大电网可靠性评估的深度神经网络输出修正策略，基于理论推导和规则设计，对计算结果不合理的样本进行预判与修正，所提方法可有效判断单个样本分类的可信度，进一步增加计算结果的可信性。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种面向大电网可靠性评估的深度神经网络结果可信性保障方法，其特征在于，包括以下步骤：
根据数据分布情况确定原始场景与新场景下神经网络模型是否需要更新参数；
若需要更新参数，则获取新场景的历史数据基于迁移学习技术对深度神经网络进行快速更新；
针对完成更新的神经网络模型，当输入待分析样本时，将待检测样本与历史数据进行比较，若该样本与历史数据存在相似性，则将神经网络的预测结果作为该样本潮流分析结果，否则通过纯模型驱动的数值方法对该样本进行潮流分析。
2.根据权利要求1所述的一种面向大电网可靠性评估的深度神经网络结果可信性保障方法，其特征在于，根据原始场景与新场景下的数据分布差异来确定深度神经网络是否需要更新，若两个场景的Jensen-Shannon的值为0则不需要更新，否则需要更新。
3.根据权利要求2所述的一种面向大电网可靠性评估的深度神经网络结果可信性保障方法，其特征在于，两个场景的Jensen-Shannon的值表示为：
其中，DJS(Do||De)表示原始场景数据分布Do与新场景数据分布De之间Jensen-Shannon的值；DKL(Do||De)为原始场景数据分布Do与新场景数据分布De之间的散度，表示为
Ω为可靠性评估模型所有输入输出的变量集合。
4.根据权利要求1所述的一种面向大电网可靠性评估的深度神经网络结果可信性保障方法，其特征在于，对深度神经网络进行快速更新包括以下步骤：
对原始数据进行预处理；
利用训练好的深度神经网络参数初始化演变场景下新的深度神经网络；
基于输入的原始数据，利用Rmsprop算法对新深度神经网络的所有参数进行微调训练；
根据epoch的迭代次数达到设定值或者训练过程中满足早停法条件确认是否结束微调训练，若结束训练则完成神经网络的更新。
5.根据权利要求4所述的一种面向大电网可靠性评估的深度神经网络结果可信性保障方法，其特征在于，对原始数据进行预处理的过程包括：
其中，vmean和vstd分别是原始数据向量V的平均值和标准偏差。
6.根据权利要求1所述的一种面向大电网可靠性评估的深度神经网络结果可信性保障方法，其特征在于，判断样本是否采用神经网络的预测结果作为其潮流分析的过程包括：
将历史数据基于K-均值聚类方法分为k组，计算待分析的样本与各个聚类中心的欧式距离；
将与待分析的样本欧式距离最小的类，并在中找到与待分析的样本欧式距离最小的两个样本作为相似样本；
如果两个最相似的训练样本的训练误差超过设定阈值，则不使用深度神经网络来分析该测试样本而采用纯模型驱动的方法；否则，将使用深度神经网络来分析该样本。
7.根据权利要求1～6所述的一种面向大电网可靠性评估的深度神经网络结果可信性保障方法，其特征在于，深度神经网络处理最优潮流计算过程中，样本通过神经网络模型输出的分类预测结果为一个概率，通过该概率的值判断神经网络模型输出的结果是否可信，并对不可信的样本通过纯模型驱动的数值方法进行潮流分析，则判断样本是否可信的过程为：
其中，
为深度神经网络最优潮流模块的输出。
8.根据权利要求1～6所述的任一一种面向大电网可靠性评估的深度神经网络结果可信性保障方法，其特征在于，深度神经网络处理潮流计算过程中，在神经网络中引入松弛因子ξ以确保对占比为1-λ的样本不会因为较小的误差e误判存在问题的样本，则松弛因子ξ与误差e和λ的关系表示为：
其中，M为系统潮流参数；M与
分别对应系统潮流参数的上下限。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111524401.3A CN114297914A (zh) | 2021-12-14 | 2021-12-14 | 一种面向大电网可靠性评估的深度神经网络结果可信性保障方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111524401.3A CN114297914A (zh) | 2021-12-14 | 2021-12-14 | 一种面向大电网可靠性评估的深度神经网络结果可信性保障方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114297914A true CN114297914A (zh) | 2022-04-08 |
Family
ID=80967955
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111524401.3A Pending CN114297914A (zh) | 2021-12-14 | 2021-12-14 | 一种面向大电网可靠性评估的深度神经网络结果可信性保障方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114297914A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114675975A (zh) * | 2022-05-24 | 2022-06-28 | 新华三人工智能科技有限公司 | 一种基于强化学习的作业调度方法、装置及设备 |
| CN115021269A (zh) * | 2022-06-27 | 2022-09-06 | 广西大学 | 基于数据驱动的两阶段最优潮流求解方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109242150A (zh) * | 2018-08-15 | 2019-01-18 | 中国南方电网有限责任公司超高压输电公司南宁监控中心 | 一种电网可靠性预测方法 |
| CN110336270A (zh) * | 2019-04-22 | 2019-10-15 | 清华大学 | 一种电力系统暂态稳定预测模型的更新方法 |
| CN110929989A (zh) * | 2019-10-29 | 2020-03-27 | 重庆大学 | 基于深度学习的含不确定性n-1安全校核方法 |
| CN112701679A (zh) * | 2020-12-18 | 2021-04-23 | 厦门大学 | 基于模型-数据混合驱动的主动配电网短期可靠性评估方法 |
| CN113553768A (zh) * | 2021-07-27 | 2021-10-26 | 天津大学 | 模型数据混合驱动的电网可靠性快速计算方法及装置 |
-
2021
- 2021-12-14 CN CN202111524401.3A patent/CN114297914A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109242150A (zh) * | 2018-08-15 | 2019-01-18 | 中国南方电网有限责任公司超高压输电公司南宁监控中心 | 一种电网可靠性预测方法 |
| CN110336270A (zh) * | 2019-04-22 | 2019-10-15 | 清华大学 | 一种电力系统暂态稳定预测模型的更新方法 |
| CN110929989A (zh) * | 2019-10-29 | 2020-03-27 | 重庆大学 | 基于深度学习的含不确定性n-1安全校核方法 |
| CN112701679A (zh) * | 2020-12-18 | 2021-04-23 | 厦门大学 | 基于模型-数据混合驱动的主动配电网短期可靠性评估方法 |
| CN113553768A (zh) * | 2021-07-27 | 2021-10-26 | 天津大学 | 模型数据混合驱动的电网可靠性快速计算方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| DAWEI FANG ET AL.: "Distributed Deep Reinforcement Learning for Renewable Energy Accommodation Assessment With Communication Uncertainty in Internet of Energy", 《IEEE INTERNET OF THINGS JOURNAL》, vol. 8, no. 10, 22 December 2020 (2020-12-22), pages 8559 - 8567, XP011853308, DOI: 10.1109/JIOT.2020.3046622 * |
| 杨燕: "基于深度神经网络的电力系统潮流分析快速算法及其应用研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》, no. 9, 15 September 2022 (2022-09-15), pages 042 - 37 * |
| 马冀等: "基于深度学习的智能电网通信网可靠性评估方法", 《电力信息与通信技术》, vol. 19, no. 10, 25 October 2021 (2021-10-25), pages 73 - 76 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114675975A (zh) * | 2022-05-24 | 2022-06-28 | 新华三人工智能科技有限公司 | 一种基于强化学习的作业调度方法、装置及设备 |
| CN114675975B (zh) * | 2022-05-24 | 2022-09-30 | 新华三人工智能科技有限公司 | 一种基于强化学习的作业调度方法、装置及设备 |
| CN115021269A (zh) * | 2022-06-27 | 2022-09-06 | 广西大学 | 基于数据驱动的两阶段最优潮流求解方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108536971B (zh) | 一种基于贝叶斯模型的结构损伤识别方法 | |
| CN111079342B (zh) | 一种基于在线岩体等级分类的tbm掘进性能预测方法 | |
| US9779361B2 (en) | Method for learning exemplars for anomaly detection | |
| CN114297914A (zh) | 一种面向大电网可靠性评估的深度神经网络结果可信性保障方法 | |
| CN103730006A (zh) | 一种短时交通流量的组合预测方法 | |
| Zhu et al. | Dimensionality reduce-based for remaining useful life prediction of machining tools with multisensor fusion | |
| CN111882041A (zh) | 一种基于改进rnn神经网络的电网攻击检测方法及装置 | |
| Kazemi et al. | A hybrid method for estimating the process change point using support vector machine and fuzzy statistical clustering | |
| CN111447217A (zh) | 一种稀疏编码下的基于htm的流数据异常检测方法及系统 | |
| Liu et al. | Gauss process based approach for application on landslide displacement analysis and prediction | |
| CN114912640A (zh) | 基于深度学习的发电机组的异常模式检测方法及系统 | |
| Mohsin | Investigating the use of an adaptive neuro-fuzzy inference system in software development effort estimation | |
| Jin et al. | Varying-scale HCA-DBSCAN-based anomaly detection method for multi-dimensional energy data in steel industry | |
| CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
| CN113343123A (zh) | 一种生成对抗多关系图网络的训练方法和检测方法 | |
| Hassan et al. | Model for phishing websites classification using artificial neural network | |
| Jiang et al. | Multi-objective optimal placement of sensors based on quantitative evaluation of fault diagnosability | |
| CN117171702A (zh) | 一种基于深度学习的多模态电网故障检测方法和系统 | |
| CN112418522A (zh) | 一种基于三支集成预测模型的工业加热炉钢温预测方法 | |
| CN116680639A (zh) | 一种基于深度学习的深海潜水器传感器数据的异常检测方法 | |
| Colas-Marquez et al. | Data mining and modelling of Charpy impact energy for alloy steels using fuzzy rough sets | |
| Nooralishahi et al. | Semi-supervised topo-Bayesian ARTMAP for noisy data | |
| Gharehchopog et al. | Approach of software cost estimation with hybrid of imperialist competitive and artificial neural network algorithms | |
| Singh et al. | Choquet fuzzy integral based verification of handwritten signatures | |
| Vavra et al. | EVALUATION OF DATA PREPROCESSING TECHNIQUES FOR ANOMALY DETECTION SYSTEMS IN INDUSTRIAL CONTROL SYSTEM. |
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 |