CN114491388A - 电力系统的数据处理方法、装置、设备和存储介质 - Google Patents

电力系统的数据处理方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN114491388A
CN114491388A CN202210003056.7A CN202210003056A CN114491388A CN 114491388 A CN114491388 A CN 114491388A CN 202210003056 A CN202210003056 A CN 202210003056A CN 114491388 A CN114491388 A CN 114491388A
Authority
CN
China
Prior art keywords
variable
solution
power flow
neural network
network model
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
Application number
CN202210003056.7A
Other languages
English (en)
Inventor
钮孟洋
杨超
杨程
辛焱
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.)
Alibaba China Co Ltd
Original Assignee
Alibaba China Co Ltd
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 Alibaba China Co Ltd filed Critical Alibaba China Co Ltd
Priority to CN202210003056.7A priority Critical patent/CN114491388A/zh
Publication of CN114491388A publication Critical patent/CN114491388A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G06F17/12—Simultaneous equations, e.g. systems of linear equations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Molecular Biology (AREA)
  • Operations Research (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本申请提供一种电力系统的数据处理方法、装置、设备和存储介质，该方法包括：获取当前调度时间观测到的电网状态数据以及预测出的负载节点的负载数据；将所述电网状态数据和所述负载数据输入到设定的神经网络模型中，以获取神经网络模型输出的第一变量的解，第一变量包含于与当前调度时间对应的最优潮流问题中；根据最优潮流问题和第一变量的解生成待求解的潮流方程组，求解潮流方程组以得到第二变量的解。确定最优潮流问题的解由第一变量的解和第二变量的解构成。通过神经网络模型和潮流问题求解器联合来求解最优潮流问题，可以提高最优潮流问题的求解效率。

Description

电力系统的数据处理方法、装置、设备和存储介质
技术领域
本发明涉及电力系统技术领域，尤其涉及一种电力系统的数据处理方法、装置、设备和存储介质。
背景技术
双碳背景下，中国能源行业面临转型，构建以清洁能源为主的新型电力系统势在必行。清洁能源对比传统能源具有更大的波动性、间歇性和不可预测性。新能源的入网以及电力系统规模的日益扩大对电力调度系统的稳定性、实时性提出了更高的要求。
最优潮流计算(Optimal Power Flow，简称OPF)是指当电力系统的结构参数和负荷情况都已给定时，调节可利用的控制变量(如发电机输出功率、可调变压器抽头等)来找到能满足所有运行约束条件的，并使电力系统的某一性能指标(如发电成本或网络损耗)达到最优值的优化过程。实际应用中，可以将通过最优潮流计算来计算的优化问题称为最优潮流问题，由上述定义可知，概括来说，最优潮流问题由一个目标函数以及众多约束条件构成。
目前，可以采用诸如内点法、非线性规划方法等优化方法来对上述优化问题进行求解。
但是，目前这些求解最优潮流问题的方法计算复杂度较高，对上百个节点规模的电网系统通常可秒级计算最优潮流，但是对于更大规模的电网系统，计算效率难以满足实时性要求。
发明内容
本发明实施例提供一种电力系统的数据处理方法、装置、设备和存储介质，用以高效求解最优潮流问题。
第一方面，本发明实施例提供一种电力系统的数据处理方法，所述方法包括：
获取当前调度时间观测到的电网状态数据以及预测出的负载节点的负载数据；
将所述电网状态数据和所述负载数据输入到设定的神经网络模型中，以获取所述神经网络模型输出的第一变量的解，所述第一变量包含于与所述当前调度时间对应的最优潮流问题中；
根据所述最优潮流问题和所述第一变量的解，生成待求解的潮流方程组；
求解所述潮流方程组以得到第二变量的解；
确定所述最优潮流问题的解由所述第一变量的解和所述第二变量的解构成。
第二方面，本发明实施例提供一种电力系统的数据处理装置，所述装置包括：
数据获取模块，用于获取当前调度时间观测到的电网状态数据以及预测出的负载节点的负载数据；
第一求解模块，用于将所述电网状态数据和所述负载数据输入到设定的神经网络模型中，以获取所述神经网络模型输出的第一变量的解，所述第一变量包含于与所述当前调度时间对应的最优潮流问题中；
第二求解模块，用于根据所述最优潮流问题和所述第一变量的解，生成待求解的潮流方程组，求解所述潮流方程组以得到第二变量的解；
结果输出模块，用于确定所述最优潮流问题的解由所述第一变量的解和所述第二变量的解构成。
第三方面，本发明实施例提供一种电子设备，包括：存储器、处理器、通信接口；其中，所述存储器上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器至少可以实现如第一方面所述的电力系统的数据处理方法。
第四方面，本发明实施例提供了一种非暂时性机器可读存储介质，所述非暂时性机器可读存储介质上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器至少可以实现如第一方面所述的电力系统的数据处理方法。
本发明实施例中，可以每隔较短时间间隔进行实时地电网调度，针对当前需要进行的一次调度来说，先获取当前调度时间观测到的电网状态数据以及预测出的负载节点的负载数据，以便结合这些数据构建当前调度时间对应的一个最优潮流问题，比如以电网的整体发电成本最小为优化目标，并加入多个功率平衡、安全约束等约束条件。该最优潮流问题中会包括多个需要求解的变量，比如各个节点的有功功率，电压幅值，等等。为了快速地求解该最优潮流问题，首先将获取的电网状态数据和负载节点的负载数据输入到已经训练好的神经网络模型中，以获取该神经网络模型输出的第一变量的解，第一变量包含于与当前调度时间对应的最优潮流问题中，这里第一变量可能包含一种或多种变量，通过神经网络模型先预测出最优潮流问题中的部分重要变量的解。之后，根据最优潮流问题和第一变量的解，生成待求解的潮流方程组，进而通过比如通用的交流潮流(AC Power Flow，简称AC-PF)求解器来求解该潮流方程组以得到最优潮流问题中剩余变量的解，称为第二变量的解。这样，得到由第一变量的解和第二变量的解的构成最优潮流问题的解，按照这些变量的解对电网进行调度。
在上述方案中，由于通过神经网络模型可以一次直接预测输出最优潮流问题中部分变量的解，之后，通过交流潮流求解器通过较少次数的迭代便可以求解出剩余变量的解，求解速度快，相比于通过传统的交流最优潮流(AC Optimal Power Flow，简称AC-OPF)求解器对最优潮流问题进行求解所需经历若干次迭代，具有更高的效率。而且，使用传统的AC-OPF求解器求解的方式，当电网系统中节点数量增加较多时，计算耗时会明显增加，而采用本发明实施例提供的方案，计算耗时增加不明显。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种电力系统的数据处理方法的流程图；
图2为本发明实施例提供的一种电力系统的数据处理方法的应用示意图；
图3为本发明实施例提供的一种神经网络模型的训练方法的流程图；
图4为本发明实施例提供的一种神经网络模型训练原理的示意图；
图5为本发明实施例提供的一种电力系统的数据处理装置的结构示意图；
图6为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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作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。
下面结合附图对本发明的一些实施方式作详细说明。在各实施例之间不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。另外，下述各方法实施例中的步骤时序仅为一种举例，而非严格限定。
本发明实施例提供的电力系统的数据处理方法可以由一电子设备来执行，该电子设备可以是服务器，也可以是用户终端，该服务器可以是云端的物理服务器或虚拟服务器(虚拟机)。
图1为本发明实施例提供的一种电力系统的数据处理方法的流程图，如图1所示，该方法包括如下步骤：
101、获取当前调度时间观测到的电网状态数据以及预测出的负载节点的负载数据。
102、将所述电网状态数据和所述负载数据输入到设定的神经网络模型中，以获取神经网络模型输出的第一变量的解，第一变量包含于与当前调度时间对应的最优潮流问题中。
103、根据最优潮流问题和第一变量的解，生成待求解的潮流方程组，求解潮流方程组以得到第二变量的解。
104、确定最优潮流问题的解由第一变量的解和第二变量的解构成。
在电力系统中，最优潮流问题实际上是一个多变量的多约束的非线性规划问题，其数学模型一般可以概括为：
优化目标或者说目标函数：min f(u,x)；
约束条件：g(u,x)＝0；h(u,x)≤0。
其中，f为优化的目标函数，可以是电力系统的发电费用函数，电力系统的有功网损，等等。g为等式约束条件，即节点的注入潮流平衡(能量平衡)。h为电力系统的各种安全约束条件，包括节点电压约束、机组节点的有功功率约束、支路潮流约束、可变电容器约束，等等。u和x代表电力系统的输入变量和状态变量，上述第一变量、第二变量即包含在u、x中。
实际应用中，比如以系统的发电费用函数、发电燃料、系统的有功网损、无功补偿的经济效益等作为目标函数，加入节点注入潮流平衡方程作为等式约束(物理约束)，补充节点电压约束、发电机节点的有功、无功功率约束、支路潮流约束、可变电容器约束等系统安全约束，采用非线性规划方法、内点法等来进行相应最优潮流问题的求解。
如前文所述，实际上，最优潮流问题可以由一个目标函数以及若干约束条件构成，而目标函数以及约束条件中会包含很多需要求解的变量，本实施例中，将最优潮流问题中包含的变量划分为两部分：第一变量和第二变量。注意，这里并非限定是两个变量，而是两类或两组变量。
实际应用中，最优潮流问题需要求解的第一变量和第二变量比如包括：机组节点的有功功率、电压幅值、无功功率和电压相角，负载节点的电压幅值和电压相角，平衡节点的有功功率、无功功率。
在实际的输电电网中，可能包括机组节点(也可以称为发电节点)和负载节点(也可以称为用电节点)，甚至还可能包括平衡节点。本发明实施例中，最优潮流问题中需要求解的第一变量和第二变量可以包括上述不同类型节点的功率、电压等状态信息。
另外，实际应用中，电力系统的状态是动态变化的，因此对电力系统的调度也是实时的，通常将调度周期设置为较短的时长，比如五分钟。也就是说，可以每隔五分钟根据当前调度时间的电网状态数据构建出当前调度时间需要求解的最优潮流问题，用以决策出电网系统在下一个调度周期时长内的工作状态，以控制电网中的各节点根据相应的求解结果在下一个调度周期(接下来的五分钟内)工作。
一般的最优潮流问题的构建，需要使用到的电网状态数据比如可以包括：电网系统中各机组节点的相关数据，负载节点的负载数据，电网系统的拓扑结构数据，等等。其中，各机组节点的相关数据比如可以包括：机组节点的最大爬坡速率、最大最小发电能力、开机成本、运行成本，等等。电网系统的拓扑结构数据比如包括各输电线路的有功潮流极限、各节点与线路之间的连接关系，等等。
实际应用中，上述这些电网状态数据中，有些数据是可以观测得到的，而有些可能是预测得到的，比如，负载节点的负载数据是预测出的。针对当前一个调度时间来说，负载节点的负载数据描述的是负载节点在接下来一段时间(一个调度周期的时长内)的负载需求情况，一般地，需要通过某种预测方法得到。在一些实施例中，也可以将当前调度时间观测到的负载节点的负载数据直接作为该预测结果使用，也可以根据负载节点之前或历史同期的负载数据的统计分析结果作为当前调度时刻负载节点的负载数据。负载节点的负载数据可以包括其有功功率和无功功率。
基于此，本发明实施例中，将电网状态数据划分为两种：一种是直接观测到的电网状态数据，一种是需要预测的负载节点的负载数据。
以当前的某个调度时间为例，在收集到此时的电网状态数据(包括观测到的电网状态数据以及预测出的负载节点的负载数据)后，可以基于这些电网状态数据构建出当前调度时间对应的最优潮流问题，构建出的最优潮流问题可以是现有的，本发明实施例介绍的是该最优潮流问题的求解方法，不对构建过程以及构建出的最优潮流问题进行具体限定。
在现有的一些方案中，在构建出最优潮流问题后，可以直接采用已有的一些AC-OPF求解器对该最优潮流问题进行求解，得到其中各个变量的最优解即可。AC-OPF求解器比如通过内点法、牛顿拉夫逊梯度简化法等优化方法对该最优潮流问题进行求解。但是，采用这些方法求解，计算复杂度较高，且不适宜节点规模较大的电网系统，在节点规模很大时，计算效率往往较低，需要过长的计算耗时，从而不能满足电力系统的实时调度需求。
为此，本发明实施例提供了一种结合神经网络模型和AC-PF求解器的求解方案，用以提高求解效率，即使面对节点规模很大的电力系统，也能保证实时地电力调度需求。
其中，神经网络模型比如可以采用深度神经网络(Deep Neural Network，简称DNN)模型。
具体地，在获取到当前调度时间观测到的电网状态数据以及预测出的负载节点的负载数据后，可以将所述电网状态数据和所述负载数据输入到训练好的神经网络模型中，以获取神经网络模型输出的第一变量的解，可以理解的是，第一变量包含于与当前调度时间对应的最优潮流问题中。神经网络模型的训练过程将在后续实施例中进行说明。之后，根据最优潮流问题和其中第一变量的解，生成待求解的潮流方程组。具体地，可以将第一变量的解代入最优潮流问题包括的多个约束条件中，得到由更新后的多个约束条件构成的潮流方程组。采用AC-PF求解器求解该潮流方程组以得到剩余的第二变量的解。这样，最优潮流问题的解由第一变量的解和第二变量的解构成。
其中，这里是使用潮流计算(Power Flow,简称PF)来对潮流方程组进行求解的。所谓潮流计算，是指根据给定的电网结构、参数和发电机、负荷等元件的运行条件，确定电力系统各部分稳态运行状态参数的计算。
这里需要说明的是，上述第一变量和第二变量不能理解为是一个变量和另一个变量，而是应该理解为一类变量和另一类变量。在本发明实施例中，对最优潮流问题中涉及到的若干变量进行分类，分成独立变量(或者说重要变量)和依赖变量(或者说次要变量、从属变量)，其中，依赖变量的解的确定需要依赖于独立变量的解。上述第一变量即为各个独立变量，第二变量即为各个依赖变量。
其中，可选地，第一变量可以包括：机组节点的有功功率和电压幅值。第二变量可以包括：机组节点的无功功率和电压相角，以及负载节点的电压幅值和电压相角。第二变量还可以包括平衡节点的有功功率和无功功率。
AC-PF求解器求解潮流方程组所需要消耗的时间远远低于AC-OPF求解器求解最优潮流问题所需消耗的时间，而且，神经网络模型预测独立变量的耗时也是极短的。因此，针对传统AC-OPF求解速度慢，以及难以应用于大规模电网节点的缺点，本发明实施例给出的方案，在求解的过程中使用了神经网络模型和AC-PF求解器结合的方式，神经网络网络推理预测得到独立变量的解后，由AC-PF求解出剩余的依赖变量，避免了传统的AC-OPF这种非线性求解器的使用，提升了求解速度，且神经网络网络对于大规模电网的预测更具有可扩展性。
上述图1所示实施例的执行过程可以参考图2。
在实际应用中，可选地，在求解出第一变量和第二变量的解，即求解出当前调度时间最优潮流问题的全部变量的解之后，可以在计算设备的界面上显示出这些变量的解，以供电网系统相关的运维人员进行编辑修改，比如，若发现某机组节点的有功功率过高，容易导致节点故障，则可以适当微降该功率值。最终，基于运维人员编辑、确认的变量解，进行电力系统中各个节点在接下来短时间(如上述举例的5分钟)内的调度安排。或者，在求解出当前调度时间最优潮流问题的全部变量的解之后，可以判定此时得到的各变量的解中是否有异常，比如结合历史同期或过去一段历史时间内，不同调度时间求解出的最优潮流问题的变量的解，进行对比分析，如果当前某变量的解相比此前不同调度时间对应的解来说，变化程度超过设定阈值，则认为该变量的解可能异常，此时，可以在界面上显示该变量的解，并提示运维人员确认是否采用该变量的解。
下面对上述神经网络模型的训练过程进行介绍。
图3为本发明实施例提供的一种神经网络模型的训练方法的流程图，如图3所示，该方法包括如下步骤：
301、获取历史调度时间对应的训练数据，训练数据由所述历史调度时间对应的观测到的电网状态数据以及负载节点的负载数据构成。
302、获取与历史调度时间对应的最优潮流问题的多个变量的参考解，参考解由最优潮流问题求解器求出，多个变量包括第三变量和第四变量。
303、将训练数据输入神经网络模型中，以得到神经网络模型输出的第三变量的预测解。
304、根据历史调度时间对应的最优潮流问题和第三变量的解，生成待求解的潮流方程组，求解潮流方程组以得到第四变量的预测解。
305、根据第三变量的预测解和第三变量的参考解，确定第一损失函数值；以及，根据第四变量的预测解和第四变量在潮流方程组中对应的约束方程，确定第二损失函数值。
306、根据第一损失函数值和第二损失函数值，调整神经网络模型的参数。
上述历史调度时间是若干历史调度时间中的一个，实际上，为了将上述神经网络模型训练至收敛，需要使用大量的训练数据，而每一组训练数据即对应于一个历史调度时间。
这里需要说明的是，针对负载节点的负载数据，如上文所述，假设某调度时间为T1，调度周期为五分钟，那么在T1时刻需要获取的负载节点的负载数据表示的是T1+5分钟后的T2时刻负载节点的负载状况，在模型使用阶段即模型推理阶段，假设T1时刻是当前的一个调度时间，那么这个负载数据是未知的，需要预测出来或者直接以当前的T1时刻负载节点的负载数据来代替。但是，在模型训练阶段，由于已经存储有众多历史调度时间电网的全部状态数据信息，假设T1时刻和T2时刻是两个相邻的历史调度时间，那么在使用T1时刻观测到的电网状态数据和负载节点的负载数据作为训练数据时，其中T1时刻负载节点的负载数据可以通过查询已知的T2时刻负载节点的负载数据得知，无需预测。
另外，可以理解的是，在历史调度时间T1，会根据当时的电网状态数据构建待求解的最优潮流问题，并使用传统的AC-OPF求解器求解出该最优潮流问题中各个变量的最优解(即上文中的参考解)。这些变量的参考解与历史调度时间T1收集到的训练数据被对应存储，以备模型训练使用。
可以理解的是，在采用同一种最优潮流问题的定义下，不同历史调度时间对应的最优潮流问题虽然在目标函数、约束条件中包含的相关数值上会有所不同，但是需要求解的变量的种类是相同的。
如上文所述，需要求解的多个变量可以被划分为独立变量和依赖变量，上述第三变量即为各个独立变量，第四变量即为各个依赖变量。
以历史调度时间T1为例，如图4中所示，假设AC-OPF求解器对历史调度时间T1对应的最优潮流问题进行求解后得到的多个变量的解中，将其中独立变量的解表示为S_ref1，将其中依赖变量的解表示为S_ref2。
在将上述历史调度时间T1对应的训练数据输入神经网络模型中，以得到神经网络模型输出的第三变量的预测解，即独立变量的预测解，在图4中表示为S_indep。
之后，在得到第三变量的预测解后，将该预测解代入历史调度时间T1对应的最优潮流问题，得到由更新后的多个约束条件构成的潮流方程组，通过AC-PF求解器对该潮流方程组进行求解，得到第四变量的预测解，在图4中表示为S_dep。其中，第四变量的预测解实际上就是AC-PF求解器实际求得的解，并没有其他预测过程。
为了对神经网络模型进行训练，定义了两种损失函数。
第一损失函数L1用于计算第三变量即独立变量的预测解和参考解之间的偏差程度，第一损失函数可以定义为第三变量的预测解与参考解之间的欧式距离，当然，也可以采用其他距离定义方式。由于独立变量是对于最优潮流问题来说更为重要的变量，因此，模型训练的目的是使得模型预测出的独立变量解与AC-OPF求解器实际求解出的独立变量的参考解一致。
第二损失函数L2是针对依赖变量来定义的，由于依赖变量的重要性低于独立变量，可选地，可以采用与第一损失函数类似的定义方式，将第二损失函数定义为依赖变量的预测解与参考解之间的距离函数，也可以采用其他定义方式。
本实施例中，可选地，第二损失函数可以定义为第四变量即依赖变量的预测解与其对应的物理约束或安全约束之间的惩罚函数，即图4中的安全约束惩罚函数。其中，第四变量对应的物理约束或安全约束，即为在基于历史调度时间T1对应的最优潮流问题生成的潮流方程组中，与第四变量对应的约束方程中所描述的第四变量的取值范围。
从而，具体地，若第四变量的预测解不超过该约束方程中描述的第四变量的取值范围，则确定第二损失函数值为零；若第四变量的预测解超过所述约束方程中描述的第四变量的取值范围，则根据超出程度确定第二损失函数值。比如，在超出该取值范围的情况下，确定第二损失函数值为超出数值，或超出数值的平方，等等。
举例来说，假设第四变量中包括某机组节点的有功功率，在潮流方程中约束该有功功率的取值范围为小于300，通过AC-OPF求解器求解最优潮流问题后得到的参考解假设为280，而通过AC-PF求解器求解潮流方程组得到的预测解假设为290。在该假设情形下，该预测解仍在上述取值范围的约束范围内，所以认为这个解是可以接受的，对应的第二损失函数值为零，即使该预测解与参考解不同。但是，如果假设通过AC-PF求解器求解潮流方程组得到的预测解假设为310，超过了上述取值范围的限制，则可以确定对应的第二损失函数值为：(310-300)2＝100。
如上文所述可知，实际上，独立变量和依赖变量的个数都是多个，本实施例中所说的第一损失函数值和第二损失函数值实际上可以表示为两个向量，向量中的每个元素表示对应变量的损失函数值。
在得到上述两种损失函数值后，可以结合这两个损失函数值来调整神经网络模型的参数。具体地，可以通过如下方式调整神经网络模型的参数：
采用链式求导法则，根据第一损失函数值确定神经网络模型的参数的第一梯度；
采用零阶法或隐函数法，根据第二损失函数值确定神经网络模型的参数的第二梯度；
根据第一梯度和第二梯度调整神经网络模型的参数。
由于第一损失函数是针对神经网络模型预测输出的独立变量的解来定义的，可以直接基于链式求导法则反向传输L1得到神经网络模型参数的第一梯度。但是，由于依赖变量的解并非是神经网络模型直接预测输出的，而是通过AC-PF求解器计算得到的，无法直接采用链式求导法则反向传输L2得到神经网络模型参数的第二梯度，因此，本实施例中，可以采用零阶法来近似估计最小化L2损失时神经网络模型的参数的第二梯度，最终，第一梯度与第二梯度相结合，比如加和或者加权和，以调整模型参数。除了零阶法外，也可以采用隐函数法来计算第二梯度。零阶法和隐函数法都属于现有技术，在此不展开赘述。
本方案在神经网络模型训练过程中，针对不满足物理约束或安全约束的依赖变量值计算惩罚函数，并使用零阶法近似估计最小化惩罚函数对于神经网络参数的梯度值。
以上介绍了神经网络模型训练过程中的一次迭代，通过大量历史调度时间对应的训练数据多次迭代训练，便可以得到收敛的神经网络模型。
在本发明实施例中，针对基于神经网络模型输出的独立变量预测结果计算得到的依赖变量的解，可能无法满足对应的约束条件的问题，在神经网络模型训练过程中，针对不满足约束条件的依赖变量值计算惩罚函数(损失函数)，并使用零阶法近似估计最小化惩罚函数对于神经网络模型参数的梯度值，用以优化神经网络模型，使其与AC-PF的联合求解尽可能满足最优潮流问题中的各约束条件。
以下将详细描述本发明的一个或多个实施例的电力系统的数据处理装置。本领域技术人员可以理解，这些装置均可使用市售的硬件组件通过本方案所教导的步骤进行配置来构成。
图5为本发明实施例提供的一种电力系统的数据处理装置的结构示意图，如图5所示，该装置包括：数据获取模块11、第一求解模块12、第二求解模块13、结果输出模块14。
数据获取模块11，用于获取当前调度时间观测到的电网状态数据以及预测出的负载节点的负载数据。
第一求解模块12，用于将所述电网状态数据和所述负载数据输入到设定的神经网络模型中，以获取所述神经网络模型输出的第一变量的解，所述第一变量包含于与所述当前调度时间对应的最优潮流问题中。
第二求解模块13，用于根据所述最优潮流问题和所述第一变量的解，生成待求解的潮流方程组，求解所述潮流方程组以得到第二变量的解。
结果输出模块14，用于确定所述最优潮流问题的解由所述第一变量的解和所述第二变量的解构成。
可选地，所述第一变量包括：机组节点的有功功率和电压幅值；所述第二变量包括：机组节点的无功功率和电压相角，以及负载节点的电压幅值和电压相角；所述负载数据包括有功功率和无功功率。
可选地，所述最优潮流问题由优化目标和多个约束条件构成；所述第二求解模块13具体用于：将所述第一变量的解代入所述多个约束条件，得到由更新后的多个约束条件构成的潮流方程组。
可选地，所述装置还包括：训练模块，用于获取历史调度时间对应的训练数据，所述训练数据由所述历史调度时间对应的观测到的电网状态数据以及负载节点的负载数据构成；获取与所述历史调度时间对应的最优潮流问题的多个变量的参考解，所述参考解由最优潮流问题求解器求出，所述多个变量包括第三变量和第四变量；将所述训练数据输入所述神经网络模型中，以得到所述神经网络模型输出的所述第三变量的预测解；根据所述历史调度时间对应的最优潮流问题和所述第三变量的解，生成待求解的潮流方程组，求解所述潮流方程组以得到所述第四变量的预测解；根据所述第三变量的预测解和所述第三变量的参考解，确定第一损失函数值；以及，根据所述第四变量的预测解和所述第四变量在所述潮流方程组中对应的约束方程，确定第二损失函数值；根据所述第一损失函数值和所述第二损失函数值，调整所述神经网络模型的参数。
其中，可选地，确定第二损失函数值的过程中，训练模块具体用于：若所述第四变量的预测解不超过所述约束方程中描述的所述第四变量的取值范围，则确定所述第二损失函数值为零；若所述第四变量的预测解超过所述约束方程中描述的所述第四变量的取值范围，则根据超出程度确定所述第二损失函数值。
其中，可选地，调整所述神经网络模型的参数的过程中，训练模块具体用于：采用链式求导法则，根据所述第一损失函数值确定所述神经网络模型的参数的第一梯度；采用零阶法或隐函数法，根据所述第二损失函数值确定所述神经网络模型的参数的第二梯度；根据所述第一梯度和所述第二梯度调整所述神经网络模型的参数。
可选地，所述装置还包括：交互模块，用于在界面上显示所述第一变量的解和所述第二变量的解；接收用户对所述第一变量的解和所述第二变量的解的编辑结果；根据所述编辑结果调控所述电力系统。
在一个可能的设计中，上述图5所示电力系统的数据处理装置的结构可实现为一电子设备。如图6所示，该电子设备可以包括：处理器21、存储器22、通信接口23。其中，存储器22上存储有可执行代码，当所述可执行代码被处理器21执行时，使处理器21至少可以实现如前述实施例中提供的电力系统的数据处理方法。
另外，本发明实施例提供了一种非暂时性机器可读存储介质，所述非暂时性机器可读存储介质上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器至少可以实现如前述实施例中提供的电力系统的数据处理方法。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的网元可以是或者也可以不是物理上分开的。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助加必需的通用硬件平台的方式来实现，当然也可以通过硬件和软件结合的方式来实现。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以计算机产品的形式体现出来，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (11)

1.一种电力系统的数据处理方法，其特征在于，包括：
获取当前调度时间观测到的电网状态数据以及预测出的负载节点的负载数据；
将所述电网状态数据和所述负载数据输入到设定的神经网络模型中，以获取所述神经网络模型输出的第一变量的解，所述第一变量包含于与所述当前调度时间对应的最优潮流问题中；
根据所述最优潮流问题和所述第一变量的解，生成待求解的潮流方程组；
求解所述潮流方程组以得到第二变量的解；
确定所述最优潮流问题的解由所述第一变量的解和所述第二变量的解构成。
2.根据权利要求1所述的方法，其特征在于，所述第一变量包括：机组节点的有功功率和电压幅值；
所述第二变量包括：机组节点的无功功率和电压相角，以及负载节点的电压幅值和电压相角。
3.根据权利要求1所述的方法，其特征在于，所述负载数据包括有功功率和无功功率。
4.根据权利要求1所述的方法，其特征在于，所述最优潮流问题由优化目标和多个约束条件构成；
所述根据所述最优潮流问题和所述第一变量的解，生成潮流方程组，包括：
将所述第一变量的解代入所述多个约束条件，得到由更新后的多个约束条件构成的潮流方程组。
5.根据权利要求1所述的方法，其特征在于，所述神经网络模型的训练步骤包括：
获取历史调度时间对应的训练数据，所述训练数据由所述历史调度时间对应的观测到的电网状态数据以及负载节点的负载数据构成；
获取与所述历史调度时间对应的最优潮流问题的多个变量的参考解，所述参考解由最优潮流问题求解器求出，所述多个变量包括第三变量和第四变量；
将所述训练数据输入所述神经网络模型中，以得到所述神经网络模型输出的所述第三变量的预测解；
根据所述历史调度时间对应的最优潮流问题和所述第三变量的解，生成待求解的潮流方程组，求解所述潮流方程组以得到所述第四变量的预测解；
根据所述第三变量的预测解和所述第三变量的参考解，确定第一损失函数值；以及，根据所述第四变量的预测解和所述第四变量在所述潮流方程组中对应的约束方程，确定第二损失函数值；
根据所述第一损失函数值和所述第二损失函数值，调整所述神经网络模型的参数。
6.根据权利要求5所述的方法，其特征在于，所述根据所述第四变量的预测解和所述第四变量在所述潮流方程组中对应的约束方程，确定第二损失函数值，包括：
若所述第四变量的预测解不超过所述约束方程中描述的所述第四变量的取值范围，则确定所述第二损失函数值为零；
若所述第四变量的预测解超过所述约束方程中描述的所述第四变量的取值范围，则根据超出程度确定所述第二损失函数值。
7.根据权利要求5所述的方法，其特征在于，所述根据所述第一损失函数值和所述第二损失函数值，调整所述神经网络模型的参数，包括：
采用链式求导法则，根据所述第一损失函数值确定所述神经网络模型的参数的第一梯度；
采用零阶法或隐函数法，根据所述第二损失函数值确定所述神经网络模型的参数的第二梯度；
根据所述第一梯度和所述第二梯度调整所述神经网络模型的参数。
8.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在界面上显示所述第一变量的解和所述第二变量的解；
接收用户对所述第一变量的解和所述第二变量的解的编辑结果；
根据所述编辑结果调控所述电力系统。
9.一种电力系统的数据处理装置，其特征在于，包括：
数据获取模块，用于获取当前调度时间观测到的电网状态数据以及预测出的负载节点的负载数据；
第一求解模块，用于将所述电网状态数据和所述负载数据输入到设定的神经网络模型中，以获取所述神经网络模型输出的第一变量的解，所述第一变量包含于与所述当前调度时间对应的最优潮流问题中；
第二求解模块，用于根据所述最优潮流问题和所述第一变量的解，生成待求解的潮流方程组，求解所述潮流方程组以得到第二变量的解；
结果输出模块，用于确定所述最优潮流问题的解由所述第一变量的解和所述第二变量的解构成。
10.一种电子设备，其特征在于，包括：存储器、处理器、通信接口；其中，所述存储器上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如权利要求1至8中任一项所述的电力系统的数据处理方法。
11.一种非暂时性机器可读存储介质，其特征在于，所述非暂时性机器可读存储介质上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如权利要求1至8中任一项所述的电力系统的数据处理方法。
CN202210003056.7A 2022-01-04 2022-01-04 电力系统的数据处理方法、装置、设备和存储介质 Pending CN114491388A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210003056.7A CN114491388A (zh) 2022-01-04 2022-01-04 电力系统的数据处理方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210003056.7A CN114491388A (zh) 2022-01-04 2022-01-04 电力系统的数据处理方法、装置、设备和存储介质

Publications (1)

Publication Number Publication Date
CN114491388A true CN114491388A (zh) 2022-05-13

Family

ID=81509177

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210003056.7A Pending CN114491388A (zh) 2022-01-04 2022-01-04 电力系统的数据处理方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN114491388A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN115081940A (zh) * 2022-07-21 2022-09-20 阿里巴巴达摩院(杭州)科技有限公司 资源调度方法、电力资源分配方法以及装置
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

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113158573A (zh) * 2021-04-29 2021-07-23 广西大学 一种基于深度学习的小水电群区域配网最优潮流获取方法
CN113191485A (zh) * 2021-04-26 2021-07-30 东北大学 一种基于narx神经网络的电力信息网络安全检测系统及方法
CN113378939A (zh) * 2021-06-11 2021-09-10 福州大学 基于物理驱动神经网络的结构数字孪生建模与参数识别法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113191485A (zh) * 2021-04-26 2021-07-30 东北大学 一种基于narx神经网络的电力信息网络安全检测系统及方法
CN113158573A (zh) * 2021-04-29 2021-07-23 广西大学 一种基于深度学习的小水电群区域配网最优潮流获取方法
CN113378939A (zh) * 2021-06-11 2021-09-10 福州大学 基于物理驱动神经网络的结构数字孪生建模与参数识别法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN115081940A (zh) * 2022-07-21 2022-09-20 阿里巴巴达摩院(杭州)科技有限公司 资源调度方法、电力资源分配方法以及装置
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

Similar Documents

Publication Publication Date Title
CN114491388A (zh) 电力系统的数据处理方法、装置、设备和存储介质
Diao et al. Autonomous voltage control for grid operation using deep reinforcement learning
Li et al. Coordinated load frequency control of multi-area integrated energy system using multi-agent deep reinforcement learning
Pan et al. Fractional order fuzzy control of hybrid power system with renewable generation using chaotic PSO
Zhao et al. Unified stochastic and robust unit commitment
Qadrdan et al. Operating strategies for a GB integrated gas and electricity network considering the uncertainty in wind power forecasts
Boring Dynamic human reliability analysis: Benefits and challenges of simulating human performance
CN112163304B (zh) 一种输电网冗余约束识别方法、存储介质及计算设备
Murugan Modified particle swarm optimisation with a novel initialisation for finding optimal solution to the transmission expansion planning problem
CN114066333A (zh) 数据处理方法及装置
CN115882456B (zh) 一种基于大规模电网潮流的电力控制方法及系统
Meng et al. An advanced real-time dispatching strategy for a distributed energy system based on the reinforcement learning algorithm
CN109102146A (zh) 基于多参数线性规划的电力系统风险评估加速方法
CN109858798B (zh) 关联改造措施与电压指标的电网投资决策建模方法及装置
CN104318323A (zh) 一种考虑可靠性约束机组组合问题的快速调度方法
CN115481856A (zh) 考虑综合需求响应的综合能源系统多尺度调度方法及系统
Tian et al. Application of improved whale optimization algorithm in parameter identification of hydraulic turbine at no-load
CN115564193A (zh) 智能配电网多维度综合效益评估方法及系统、存储介质
Rao et al. Multi-objective adaptive clonal selection algorithm for solving optimal power flow problem with load uncertainty
Li et al. Multiagent deep meta reinforcement learning for sea computing-based energy management of interconnected grids considering renewable energy sources in sustainable cities
CN115906601A (zh) 电力管理系统的优化方法及装置
CN117767433A (zh) 基于数字孪生的实时县域能源互联网调度方法及系统
CN117557047A (zh) 一种基于深度强化学习的配电设备运维优化方法及系统
Hose et al. Approximate non-linear model predictive control with safety-augmented neural networks
Gu et al. A hybrid Univariate Marginal Distribution Algorithm for dynamic economic dispatch of units considering valve‐point effects and ramp rates

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