CN115051360A - 集成式知识迁移的电力系统运行风险在线计算方法与装置 - Google Patents

集成式知识迁移的电力系统运行风险在线计算方法与装置 Download PDF

Info

Publication number
CN115051360A
CN115051360A CN202210822249.5A CN202210822249A CN115051360A CN 115051360 A CN115051360 A CN 115051360A CN 202210822249 A CN202210822249 A CN 202210822249A CN 115051360 A CN115051360 A CN 115051360A
Authority
CN
China
Prior art keywords
power system
neural network
risk
state
training
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
CN202210822249.5A
Other languages
English (en)
Inventor
侯恺
董紫珩
贾宏杰
余晓丹
穆云飞
朱乐为
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.)
Tianjin University
Original Assignee
Tianjin University
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 Tianjin University filed Critical Tianjin University
Priority to CN202210822249.5A priority Critical patent/CN115051360A/zh
Publication of CN115051360A publication Critical patent/CN115051360A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/001—Methods to deal with contingencies, e.g. abnormalities, faults or failures
    • H02J3/0012—Contingency detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种集成式知识迁移的电力系统运行风险在线计算方法及装置，方法包括：1)离线训练初始神经网络；2)监测设备返回电力系统当前的线路故障信息以及拓扑信息；3)判断电力系统是否有断线故障，若有断线故障，则证明系统发生了拓扑变化，需要采取步骤4)措施使神经网络适应当前的拓扑状态；否则，执行步骤5)；4)基于集成式知识迁移对步骤1)获得的初始神经网络进行改造，并应用改造后的神经网络，进入步骤5)；5)在线应用改造后的神经网络计算当前运行状态下风险，若某节点负荷损失的预测量超过设定的标准，运行调度人员为对应位置安排紧急供电车或其他可移动供电装置。装置包括：处理器和存储器。本发明能够持续保持对电力系统风险的更新与监视，更好地控制电力系统的运行风险水平。

Description

集成式知识迁移的电力系统运行风险在线计算方法与装置
技术领域
本发明涉及电力系统风险控制领域，尤其涉及一种集成式知识迁移的电力系统运行风险在线计算方法与装置。
背景技术
为了控制电力系统的运行风险水平并实时快速反馈风险控制策略的控制效果，在线快速计算运行风险是不可或缺的关键。运行风险的计算过程可分为状态抽样、状态分析和指标汇总三个阶段。对于系统风险计算与风险控制研究也针对这三个阶段提出改进，分为基于模型驱动的和基于数据驱动的两类。
模型驱动法是目前主流思路。它在系统状态抽样阶段通常采用蒙特卡洛模拟法和状态枚举法，但二者均需对大量系统故障状态进行分析计算，才能得到满足精度要求的风险指标，其计算效率偏低；因此结合了重要抽样概念并产生了基于群的算法[1]、基于信息熵[2]的一系列改进方式；在状态分析阶段，提出了基于拉格朗日乘子[3]、影子价格[4]的方法决策最优负荷削减；为了可靠性指标的更早收敛，提出了影响增量法[5]、方差缩减[6]等技术。国内外对模型驱动的电力系统风险计算与风险控制技术已有了深入讨论，但现有方法难以快速处理大规模的系统状态集，难以满足在线应用的实时性要求。
数据驱动法是伴随电力系统信息化发展的新兴方式，数据驱动法是一种公认的具有在线应用前景的计算方法。利用机器学习等先进技术手段来加速状态选择或状态评估过程进而实现在线应用。它在系统状态生成阶段利用层次分析法[7]-[8]关联环境要素可在一定程度上完善元件短期故障建模，提升抽样的准确性。但层次分析法根本上还是对主观判断的量化，不能避免人工谬误。因此在状态生成阶段避免人工介入，主要借助机器学习状态分类加速抽样过程。其中，探索起步较早的是支持向量机(Support Vector Machine,SVM)与蒙特卡洛模拟相结合的方法。SVM与拉丁超立方抽样法结合计算可靠性能突破系统规模的限制[9]。这些早期成果在进行可靠性分析上缺少对于线路容量等运行工况的考虑，对此产生了不同的解决方式[10-12]。Rocco教授首先利用局部状态空间进行了将机器学习运用到动态可靠性计算的尝试[10]。文献[11,12]考虑了系统的状态变化，利用机器学习分类的方法近似计算双状态系统和多状态系统的概率型可靠性指标；文献[13]则考虑时序特征建立深度信念纳入网络中，继而利用网络预测电网设备关联复用模式，具有考虑级联故障的潜力。上述研究大多关注利用电力数据进行状态分类，输出的是在0-1范围内的概率数据，只适合计算状态概率类指标，如负荷损失概率(Loss of Load Probability,LOLP)等。为更全面反映可靠性，需要从多个侧面建立指标体系。除概率指标外，期望负荷削减(Expected DemandNot Supplied,EDNS)等期望型指标快速计算需要研究者更加深入的研究。
在加速状态分析方面，结合使用数据驱动算法不仅能充分利用能源数据获取更为精确的电力系统量化信息。传统方法将安全边界作为系统最优潮流的约束保证安全运行求解系统承载负荷能力，在状态分析阶段借助数据驱动则能够免于对系统最优潮流进行耗时的迭代求解，节省状态分析的时间。文献[14]以元件可靠性参数为输入，使用改进的反向传播(Back Propagation,BP)算法训练人工神经网路得到实际提供的电能并以此确定负荷削减策略；类似地，文献[15,16]提出用深层网络建立概率能量流与最优潮流模型，精准挖掘非线性能流方程的高阶特征，而不必用相对耗时的迭代式求解算法；文献[17]进一步结合了最优潮流(Optimal Power Flow,OPF)物理模型的先验知识降低了训练难度与预测误差。从强化学习的角度，文献[18]为响应间歇性可再生能源的变化，设计了基于拉格朗日的深度强化学习算法的实时最优潮流计算方法。文献[19]考虑系统不确定性使用基于深度强化学习方法用于动态计算电能传输能力。现有的数据驱动技术为系统运行状态(包括电能出力与需求)与可靠性指标上建立了回归模型并不断改善精度。但在系统发生结构性故障或维修停运的时候，原有的负荷削减(Load Curtailment,LC)求解器不能适应拓扑结构变化。系统拓扑、线路选型等改变后必须重新训练，针对数量庞大的潜在运行场景而言，不断进行网络的重新训练和分别存储，所耗费的大量计算时间和存储空间都限制了实际应用。
设备故障和检修以及可再生能源出力变化和负荷需求的波动都会引起源荷与拓扑的变化，进而影响电力系统的可靠运行。这种频繁的状态异动对于运行风险计算与跟踪提出了更高的要求，实现快速而准确的风险计算对于系统安全可靠的运行至关重要。
尽管近年来基于数据驱动的风险计算模型在速度上取得了很大突破，但由于其耗时的训练过程，现有方法都不能快速适应于电力系统的拓扑变化，这给电力系统的安全运行带来了隐患，降低了电力系统的安全性。
参考文献
[1]M.R Gholami,S.H Hoseini,M.M Taheri.Assessment of power compositesystem annualized reliability indices based on improved particle swarmoptimization and comparative study between the behaviour of GA and PSO[C].2008IEEE 2nd International Power and Energy Conference,2008:1609-1612.
[2]Liu XR,Wang H,Sun QY,et al.Research on fault scenario predictionand resilience enhancement strategy of active distribution network under icedisaster[J].Electrical Power and Energy Systems,2022；135:107478.
[3]Liu ZY,Hou K,Jia HJ,et al.A Lagrange Multiplier Based StateEnumeration Reliability Assessment for Power Systems With Multiple Types ofLoads and Renewable Generations.IEEE Transactions on Power Systems 2021；36(4):3260-3270,2021.
[4]Hou K,Tang PT,Liu ZY,Jia HJ,Zhu LW.Reliability assessment of powersystems with high renewable energy penetration using shadow price and impactincrement methods.Front Energy Res 2021；9:635071,2021.
[5]Hou K,Jia HJ,Li X,et al.Impact-increment based decoupledreliability assessment approach for composite generation and transmissionsystems.IET Gener.Transmiss.Distrib.,2018；12(3):586-595.
[6]L.Pinto,M.Pereira.A variance reduction technique to thereliability analysis of ageneration/transmission system.SAE 2003WorldCongress&Exhibition.1991；2:892-895.
[7]Xin ZL,Chen L,Yang YJ,et al.Application of AHP-DEA model incomprehensive evaluation of distribution network planning reliability[C].2019IEEE Sustainable Power and Energy Conference(iSPEC),2019:290–294
[8]V.Naseri,B.Kashanizadeh,F.Varposhti.Online operational budgetingof electricity distribution network based on integration strategic andoperational planning by Swot&AHP methods[C].2018Electrical Power DistributionConference(EPDC),2018:63–68.
[9]梁志远.基于改进蒙特卡洛和LSSVM的电网风险评估算法[D].武汉大学,2018.
[10]C.M.Rocco S and J.A.Moreno.System reliability evaluation usingMonte Carlo&support vector machine[C].Annual Reliability and MaintainabilitySymposium,Tampa,FL,USA.2003:482-486.
[11]Muselli M.Empirical models based on machine learning techniquesfor determining approximate reliability expressions[J].ReliabilityEngineering&System Safety 2004:83(3)；301-309.
[12]Muselli M.Approximate multi-state reliability expressions using anew machine learning technique[J].Reliability Engineering&System Safety 2005；89(3),261-270.
[13]Cai BP,Kong XD,Liu YH,et al.Application of Bayesian Networks inReliability Evaluation[J].IEEE Transactions on Industrial Informatics,2019；15(4):2146-2157.
[14]谢开贵,周家启.基于ANN削减负荷的发输电组合系统风险评估[J].电力系统自动化,2002(22):31-33+44.
[15]Yang Y,Yang ZF,Yu J,Zhang BS,Zhang YQ,and Yu HX.Fast Calculationof Probabilistic Power Flow:A Model-based Deep Learning Approach[J].IEEETransactions on Smart Grid2020；11(3):2235-2244.
[16]Z.Dong,K.Hou,X.Yu,et al.“Data-driven Power System ReliabilityEvaluation Based on Stacked Denoising Auto-encoders,”Energy Reports,2022,vol.8,no.1,pp:920-927.
[17]Lei XY,Yang XF,Yu J,Zhao JB,Gao Q,Yu HX.Data-Driven Optimal PowerFlow:APhysics-Informed Machine Learning Approach[J].IEEE Transactions onPower Systems 2021；36(1):346-354.
[18]Yan,Ziming,Xu,Yan.Real-Time Optimal Power Flow:A Lagrangian BasedDeep Reinforcement Learning Approach.IEEE TRANSACTIONS ON POWER SYSTEMS.2020,vol.35,no.4,pp.3270-3273.
[19]Wang,Tianjing,Tang,Yong.Transfer-Reinforcement-Learning-Basedrescheduling of differential power grids considering security constraints,APPLIED ENERGY.Vol.306Part B,2022,Article 118121.
[20]Canada AESO power system yearly load curve.(Accessed on:Dec.15,2021).URL http://www.aeso.ca/assets/Uploads/PlanningRegions-Nov26-PRINT.pdf
发明内容
本发明提供了一种集成式知识迁移的电力系统运行风险在线计算方法与装置，本发明根据电力系统实际运行中的拓扑变化进行自适应性更新，避免因训练全新网络的耗时过程，实现数据驱动模型随电网拓扑的快速改造，从而更及时地投入风险在线计算的工作中；因此本发明能够持续保持对电力系统风险的更新与监视，从而更好地控制电力系统的运行风险水平，详见下文描述：
第一方面、一种集成式知识迁移的电力系统运行风险在线计算方法，所述方法包括：
1)离线训练初始神经网络；
2)监测设备返回电力系统当前的线路故障信息以及拓扑信息；
3)判断电力系统是否有断线故障，若有断线故障，则证明系统发生了拓扑变化，需要采取步骤4)措施使神经网络适应当前的拓扑状态；；否则，执行步骤5)；
4)基于集成式知识迁移对步骤1)获得的初始神经网络进行改造，并应用改造后的神经网络，进入步骤5)；
5)在线应用改造后的神经网络计算当前运行状态下风险，若某节点负荷损失的预测量超过设定的标准，运行调度人员为对应位置安排紧急供电车或其他可移动供电装置。
其中，所述方法将电力系统的运行场景结构分为源荷波动和拓扑结构变化的两部分，运行风险指标的求解方式为：
Figure BDA0003744999440000051
Figure BDA0003744999440000052
其中，sA表示涉及拓扑变化的电力系统状态，sB表示涉及源荷波动的电力系统状态；s(A,B)表示同时涉及拓扑变化和源荷波动的电力系统状态；P(sB|sA)表示拓扑变化发生情况下再发生源荷波动的条件概率；EDNS表示期望负荷缺供指标；
Figure BDA0003744999440000053
表示状态s(A,B)的节点负荷削减向量；P(sA)表示状态sA的概率；
Figure BDA0003744999440000054
表示时刻t可能发生的拓扑变化集合；
Figure BDA0003744999440000055
表示时刻t可能发生的拓扑变化与源荷波动的状态集合；LOLP表示负荷损失概率指标；
Figure BDA0003744999440000056
是状态s(A,B)的节点负荷损失标志位。
进一步地，所述运行场景为源荷波动时，在任意迁移域上，使用不同超参数的模型将共同参与最终结果的预测，每一堆栈降噪自动编码器网络的输出结果被视为叠加层的输入，并以最小化综合预测误差为目标用于叠加层的训练。
其中，所述运行场景为拓扑结构变化时，根据电力系统拓扑变化前后的映射变动特征，设计知识迁移训练；
所述知识迁移用于建立原始空间到新域空间的映射函数：
ft:Ys→Yt
其中，Yt，Ys分别表示迁移域和源域的标签量空间。
进一步地，所述对初始神经网络进行改造具体为：
改变用于微调训练的超参数r，对同一拓扑k获得表现性能不同的神经网络；
在获得的多个求解器之上设置附加层并训练附加层，以不同的神经网络输出作为附加层的输入，通过有监督学习训练附加层的权重等参数，实现多个神经网络的共同参与最优弃载决策。
其中，所述训练附加层为：
Figure BDA0003744999440000061
Figure BDA0003744999440000062
其中，ωj是第j个神经网络的输出对应的权重；a是学习率；ε近似于0的极小值；mj τ,vj τ是对历史梯度值ωj的一阶矩、二阶矩；τ是迭代次数；β1,β2分别为一阶矩、二阶矩计算的参数；
Figure BDA0003744999440000063
是由权值ωτ-1计算的最终预测值。
第二方面、一种集成式知识迁移的电力系统运行风险在线计算装置，其特征在于，所述装置包括：处理器和存储器，所述存储器中存储有程序指令，所述处理器调用存储器中存储的程序指令以使装置执行第一方面中的任一项所述的方法步骤。
第三方面、一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时使所述处理器执行第一方面中的任一项所述的方法步骤。
本发明提供的技术方案的有益效果是：
1、本发明能够在线监视电力系统的运行风险，基于一种数据挖掘的方式提炼能源数据的价值信息，无需建立电力系统的精细模型，仅借助仿真或历史运行数据，即可实现对于电力系统运行风险的快速计算；
2、本发明能够考虑电力系统拓扑变化的情况，相比其他快速计算运行风险的装置能适应更多样的电力系统运行场景；
3、本发明能提供精确到电力系统内部节点级别的风险信息，能以可视化的形式直观反馈电力系统的风险分布情况，及时对风险存在的场合进行检修和检测，降低了电力系统的故障率，提高了电力系统的运行安全性，满足了实际应用中的需要；
4、本发明能够可视化展示电力系统各个用能节点的风险，且本发明的风险计算用时不足1秒，满足节点风险的实时更新与直观展示的需要，便于运行人员及时发现与定位风险所在。
附图说明
图1为用于快速求解负荷削减的自编码器网络的结构示意图；
图2为本发明的源域与迁移域任务的示意图；
图3为系统在不同运行场景下的运行风险指标示意图；
图4为节点风险可视化示意图；
图5为集成式知识迁移的电力系统运行风险在线计算方法的流程图；
图6为集成式知识迁移的电力系统运行风险在线计算装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。
实施例1
为了解决背景技术中存在的问题，本发明实施例提出了一种分层处理电力系统故障的方式，并基于集成式知识迁移的技术加快计算过程以实现对电力系统运行风险的实时监控。本发明实施例同时将电力系统源荷波动与拓扑结构特点为风险，快速计算建立负荷削减(Load curtailment,LC)快速求解器，提出了一种集成式的深度知识迁移训练的方法更新神经网络使其适应新的电网拓扑结构，并在此基础上建立了运行风险在线计算装置。
其中，初始神经网络是针对完整电力系统的潮流特征并基于文献[17]的编码器网络建立的，用以计算伴随电力系统发电量与用电量两方面波动的运行风险，知识迁移训练承担的主要任务是部分改变编码器网络中的参数使其适应新型电力系统拓扑结构下的源荷波动与风险指标之间的隐性映射关系，通过这样的方式，初始神经网络中的大部分知识得以保留并在拓扑结构变化后的电力系统中能够发挥作用。此外，本发明实施例还结合了集成学习机制与知识迁移训练，从而弱化了迁移效果对超参数的依赖性，进而提高精度。离线训练完成后，所建立的模型将利用关键量测信息针对当前时刻的电力系统状态进行风险计算。最后，能够直观地得到电力系统供能薄弱点的风险信息与地理信息以采取针对性改善措施。
针对源荷波动变化，基于自动编码器结构的深层神经网络承担特征挖掘与映射构建任务，而对于拓扑结构更新后的全新拓扑特征，则在原始堆栈降噪自动编码器所建立的映射基础上结合知识迁移训练和集成学习的技术建立新的神经网络。
风险计算主要计算电力系统在可能面临的各种运行场景下的持续供能能力，运行风险则关注于短期内可能出现的运行场景，其中，影响因素包括：负荷水平的波动、元件失效、发电机出力变化等，这些改变可能导致电力系统运行越过安全域故而需要采取必要的负荷削减措施。
为了快速确定最优弃载量，本发明实施例基于所建立的LC快速求解器，无需为求解最优潮流建立电力系统的精确模型，影响运行结果的隐含的安全性约束将包含在历史数据和仿真信息内，可为功率分布、安全性约束、设备运行上下限约束、及其引起的负荷削减之间的内在关联建立拟合关系，不同于传统的模型解析法，本发明实施例将运行场景结构分为源荷波动和拓扑结构变化的两部分，其运行风险指标的求解方式相应变化为：
Figure BDA0003744999440000081
Figure BDA0003744999440000082
其中，sA表示涉及拓扑变化的电力系统状态，sB表示涉及源荷波动的电力系统状态；s(A,B)表示同时涉及拓扑变化和源荷波动的电力系统状态；P(sB|sA)表示拓扑变化发生情况下再发生源荷波动的条件概率；EDNS表示期望负荷缺供指标；
Figure BDA0003744999440000083
表示状态s(A,B)的节点负荷削减向量；P(sA)表示状态sA的概率；
Figure BDA0003744999440000084
表示时刻t可能发生的拓扑变化集合；
Figure BDA0003744999440000085
表示时刻t可能发生的拓扑变化与源荷波动的状态集合；LOLP表示负荷损失概率指标；
Figure BDA0003744999440000086
是状态s(A,B)的节点负荷损失标志位。
在只涉及源荷波动的场景中，最优潮流模型包含的约束和潮流方程相同，其功率注入和最小负荷削减量之间存在着明显的非线性非凸关系，因此基于自编码器来为这一隐性函数建立映射模型并计算负荷削减，其深层网络结构如图1所示。
其中，神经网络基于自编码器神经网络能够自主挖掘和刻画捕捉高阶特征，具有不断递进的数据编码/解码过程，可表示为：
Zl＝hl(hl-1(hl-2(···h1(X)))) (3)
Zj＝hj(Xj)＝s(WjXj+bj) (4)
Figure BDA0003744999440000087
其中，s(～)代表激活函数；hj(～)表示第j层输入输出关系的映射函数，即编码函数，Wj与bj分别表示网络层内部的权重和偏；l为层数；X,是输入向量，Z是编码层输出的隐式特征向量，b'j表示解码层的偏，Xj表示第j层的输入特征向量，Zj表示第j层的输出向量，gj表示第j层的解码函数，T表示转置运算，Yj表示第j层的解码层输出向量，
Figure BDA0003744999440000093
表示第j层的重构特征向量，hl表示第l层的编码函数。
而对于涉及拓扑变化的场景，本发明实施例根据电力系统拓扑变化前后的映射变动特征，设计了知识迁移训练，通过再利用先前知识在适应拓扑变化中占据先机。电力系统拓扑变化前后的映射变动特征产生的根本原因在于其功率分布特征和原始系统差异显著，导致基于堆栈降噪自动编码器建立的原始求解器可能在新的场景下无法为功率供需建立准确的映射关系。拓扑变化前后的映射变动特征表现为：对于实际电力系统，当电力系统因为支路发生故障停运或检修停运而导致系统拓扑结构变化的情况，数据驱动模型的输入对应的特征空间不变，而神经网络的输出特征空间则发生了远离零点的搬移，即输入特征仍然处于电源容量与峰值负荷所形成的区间内，输出的负荷削减量的特征空间值域相较完整拓扑情况更高。电力系统拓扑结构变化前后的最优潮流模型中的约束条件高度重合，为知识迁移提供了相似性前提。因此，针对这一问题，本发明实施例采用通过调整原始函数映射实现知识迁移，从而使得原有的快速计算方式能适应新的电力系统拓扑结构。
元件故障和检修会导致电力系统拓扑结构的改变，因此将给负荷削减和功率注入之间的隐性关系带来改变。因此，源域和目标域特征数据分布相同而标签数据空间有差异，知识迁移的主要任务是建立原始空间到新域空间的映射函数：
ft:Ys→Yt (6)
其中，Yt,，Ys分别表示迁移域和源域的标签量空间。对于电力系统，将完整无损的电力系统结构看作源域，拓扑变化后的电力系统作为迁移域：
Figure BDA0003744999440000091
Figure BDA0003744999440000092
其中，Xs，Xt分别代表源域与迁移域输入特征的空间，,Ys Yt分别代表迁移域与源域的输出特征的空间；P(Y|X)表示在Y发生的情况下X出现的条件概率。基于自编码器网络建立初始负荷削减求解器可以作为源域的学习任务，迁移域的学习任务则是建立相应输出空间的映射函数，从而对原有求解器进行调整，如图2所示。
既有知识从源域到目标域的迁移与运用，实现了高阶特征在其他相似领域的复用。利用知识迁移更新后的编码器来预测最优弃载能够满足新拓扑结构下的最优潮流约束，并使得新拓扑结构下关于负荷损失的预测误差最小。
然而，为每一个迁移域选取合适的超参数依然是一项难题，为提升迁移模型在众多拓扑变化后系统上的综合表现，本发明实施例进一步设计了集成学习的策略。在任意迁移域上，使用不同超参数的模型将共同参与最终结果的预测。每一个堆栈降噪自动编码器(SDAE)网络的输出结果被视为叠加层的输入，并以最小化综合预测误差为目标用于叠加层的训练。
图5为本发明的方法操作流程图，分为三个阶段：数据准备、模型训练与在线应用。前两个环节都是离线进行，环节1的离线工作主要包括系统仿真积累状态与数据处理，环节2的主要分为源域与迁移域的训练。
步骤1：数据准备；
子步骤1：蒙特卡洛模拟电力系统的运行状态并积累数据。
通过蒙特卡洛模法对电力系统源侧的发电机出力、网侧的输电线路故障进行状态模拟，考虑时间模拟可再生能源出力的波动与负荷需求的波动，建立了仿真数据库补充历史数据的不足。
子步骤2：根据子步骤1所得的仿真数据库建立数据仓库。数据仓库由维度表和事实数据表分隔，其中拓扑数据用作分类基础(维度表)，电力系统的供需信息用于填充事实数据表数据。
事实数据表以数值类型存储，其数据项数量随着状态累积而增长。例如，“无线路故障的系统0：00时每个节点的发电量记录在阵列G中，每个节点的负载需求记录在阵列L中”。可以提取的维度信息是“无断线故障”，而事实信息是分别对应于发电和用电的矩阵G和L。
子步骤3：数据筛选。对原始事实数据表中用于训练的数据，选择具有和不具有负载损失的相等数量的状态，形成类平衡训练数据集。
步骤2：离线训练初始神经网络；
通过“预训练-微调”的两阶段过程，训练SDAE网络进行训练获得初始神经网络，并在本发明装置中应用初始神经网络。训练初始神经网络过程中的参数更新，以权值矩阵为例表示如下。
Figure BDA0003744999440000101
Wi，Wi’分别为第i层神经元参数更新前与更新后的权值矩阵，T表示矩阵转置运算，Yl,T为网络第i层的目标值，Yl,P为第l层的实际输出，W(i)为第i层权重，Yi为第i层输出，||Yl,T-Yl||2表示第l层实际输出与目标值之间的欧式距离的平方，max(0,Yi)表示对Yi中负值元素置零的结果，l为求解器网络层的数量，r为学习率。
步骤3：监测设备返回电力系统当前的线路故障信息以及拓扑信息；
步骤4：判断电力系统是否有断线故障，若有断线故障，则发生拓扑变化，执行步骤5；否则，系统拓扑结构完整，在本发明装置中继续应用初始神经网络并执行步骤6；
步骤5：基于集成式知识迁移对步骤2获得的初始神经网络进行改造，并应用改造后的神经网络，进入步骤6。
其中，步骤5分为如下子步骤：
子步骤1：迁移域的知识迁移训练。迁移域从源域继承SDAE模型的编码器层，只需重新微调即可。神经网络的迁移过程可以表示如公式(10)，用公式(9)进行神经网络迁移后的微调训练。
Wi k＝Wi,bi k＝bi,i＝1,2,…l-1 (10)
其中，Wi，Wi k分别为初始神经网络与针对拓扑结构k生成的第k个神经网络中的第i层神经元权重参数，bi，bi k分别为初始神经网络与针对拓扑结构k生成的第k个神经网络中的第i层神经元偏置参数。
子步骤2：改变用于微调训练的超参数r，重复子步骤2，对同一拓扑k获得表现性能不同的神经网络。
子步骤3：在子步骤2获得的多个求解器之上设置附加层并使用公式(11)-(12)训练附加层。以不同的神经网络输出作为附加层的输入，通过有监督学习训练附加层的权重等参数，从而实现多个神经网络的共同参与最优弃载决策。
Figure BDA0003744999440000111
Figure BDA0003744999440000112
Figure BDA0003744999440000113
Figure BDA0003744999440000121
ωj是第j个神经网络的输出对应的权重；a是学习率；ε近似于0的极小值；mj τ,vj τ是对历史梯度值ωj的一阶矩、二阶矩；τ是迭代次数；β1,β2分别为一阶矩、二阶矩计算的参数；
Figure BDA0003744999440000122
是由权值ωτ-1计算的最终预测值；YT是当前拓扑结构下的目标输出量；
Figure BDA0003744999440000123
Figure BDA0003744999440000124
是残差向量的二范数的平方。
步骤6：在线应用神经网络计算当前运行状态下风险。
根据当前电力系统的拓扑状态和基于当前状态的故障概率，应用蒙特卡洛法生成潜在场景集，使用上一步骤所返回的神经网络批量计算场景集的负荷削减量(LC)，之后对所得的负荷削减量求期望值即可得到风险值。
步骤7：风险可视化
根据步骤6的风险值，并结合电力系统的地理位置信息，绘制风险分布图。如图4所示，电力系统存在风险的节点位置处将显示相应的负荷损失预测情况。如果系统风险在允许范围内，则不产生告警信号；如果某节点负荷损失的预测量超过设定的标准，运行调度人员可以为该位置安排紧急供电车或其他可移动供电装置。
实施例2
下面结合具体的实验对实施例1中的方案进行进一步地介绍，详见下文描述：
该方法与装置在IEEE-RTS79系统上进行测试。该电力系统包括了24个节点、32台发电机组、38条支路，峰值负荷分别为2850MW。其中，38条支路包括：5台变压器支路、1条电缆支路和32条输电支路组成。
预期的期望负荷缺供(EDNS)和负荷损失概率(LOLP)被用来计算电力系统风险的指标。对于传统方法每次增加1个状态直到EDNS指标的变异系数达到5％，对于其余方法每次增加10000个状态方便批次处理，并以EDNS的10％为标准判定电力系统的运行状态是否属于有负荷削减状态，进而确定上表中的LOLP指标。表中对比的五种方法均使用同样的状态集进行计算。
表1计算系统风险的方法对比
Figure BDA0003744999440000125
Figure BDA0003744999440000131
表1对比了本发明与其他技术方法在计算性能方面的对比。表格给出的数值表明，重新训练SDAE模型或者借助独热编码的训练耗时过长或准确性不够理想。本发明实施例平衡了电力系统的运行风险计算的速度与精度，综合表现优于其他方法。
表2(原RTS 79系统)多类型故障运行状态表
Figure BDA0003744999440000132
表2验证了本发明实施例应对电力系统各类故障的有效性，以7个不同类型的故障场景作为实施例展示本发明的应用效果：
场景1：N-1故障场景，支路4发生断线故障，计及原rts79电力系统常规发电机运行状态以及负荷波动的不确定性。
场景2：N-1故障场景，考虑23节点上的发电机故障，计及系统常规发电机运行状态以及负荷波动的不确定性。在元件运行状态确定的情况下计及风电出力的随机性及负荷水平波动。
场景3-4：N-2/N-k故障场景，更多的发电机与支路故障，计及发电系统元件运行状态不确定性及负荷水平波动性。
图3和图4表明，本发明运行风险计算方法与装置使电力从业者不仅可以获悉电力系统的风险指标，而且能掌握每个负荷节点的风险水平。图5是节点风险信息与地理信息可视化效果，表明通过本发明能够直观地得到系统供能薄弱点的风险信息与地理信息，有利于相关运行和维护人员采取针对性改善措施。
本发明实施例的计算机硬件配置包括Intel Core i5-6500CPU，8G内存，操作系统为windows10，仿真软件为MATLAB2021a，传统OPF计算最优负荷削减时利用matpower工具包进行计算。
算例所使用的数据集设置情况如下：源域数据集规模为40000，迁移域数据集规模为2000。训练基于SDAE的神经网络的超参数如下：隐藏层数为3，每层分别有250，200，250个神经元。知识迁移训练阶段所使用的5组不同的训练用的超参数设置情况如表3所示，其中学习率的选择与训练批次的大小和更新代数适配。
表3知识迁移训练阶段的超参数设置
Figure BDA0003744999440000141
为了获取表征电力系统运行状态与相应运行风险信息的训练样本集XS,train,XT,train、目标输出的表示最优负荷削减的标签数据集YS,YT，需要首先通过蒙特卡洛模拟出一段时间内电力系统运行可能的状态集合，并用传统最优潮流计算模型求解各故障状态的负荷损失量作为样本的目标输出；
随后，对所建立的数据集按照源、网、荷数据来源加以解构并建立数据库。其中，以源荷数据作为事实表数据，以网侧数据作为维度表头并分类填入对应拓扑结构的事实表数据；
其次，从维度表信息选出对应完整拓扑的数据表作为电力系统的源域训练样本，其余数据表均为迁移域数据，使用(3)-(5)的公式进行源域的初始神经网络的训练；
之后，在每一个迁移域中对原始的神经网络进行知识迁移训练，具体过程是先用不同超参数在原始求解器基础上只进行微调训练，而后有监督训练叠加层参数以实现多个更新的求解器的群体决策；
最后，将离线训练好的求解器存入模型库，根据实时监测的电力系统的拓扑结构信息，从而为电力系统运行风险的动态计算更新选定相应求解器，并时刻监控其运行风险。
实施例3
一种集成式知识迁移的电力系统运行风险在线计算装置，参见图6，该装置包括：处理器1和存储器2，存储器2中存储有程序指令，处理器1调用存储器2中存储的程序指令以使装置执行实施例中的以下方法步骤：
1)离线训练初始神经网络；
2)监测设备返回电力系统当前的线路故障信息以及拓扑信息；
3)判断电力系统是否有断线故障，若有断线故障，则证明系统发生了拓扑变化，需要采取步骤4)措施使神经网络适应当前的拓扑状态；；否则，执行步骤5)；
4)基于集成式知识迁移对步骤1)获得的初始神经网络进行改造，并应用改造后的神经网络，进入步骤5)；
5)在线应用改造后的神经网络计算当前运行状态下风险，若某节点负荷损失的预测量超过设定的标准，运行调度人员为对应位置安排紧急供电车或其他可移动供电装置。
其中，将电力系统的运行场景结构分为源荷波动和拓扑结构变化的两部分，运行风险指标的求解方式为：
Figure BDA0003744999440000151
Figure BDA0003744999440000152
其中，sA表示涉及拓扑变化的电力系统状态，sB表示涉及源荷波动的电力系统状态；s(A,B)表示同时涉及拓扑变化和源荷波动的电力系统状态；P(sB|sA)表示拓扑变化发生情况下再发生源荷波动的条件概率；EDNS表示期望负荷缺供指标；
Figure BDA0003744999440000153
表示状态s(A,B)的节点负荷削减向量；P(sA)表示状态sA的概率；
Figure BDA0003744999440000154
表示时刻t可能发生的拓扑变化集合；
Figure BDA0003744999440000155
表示时刻t可能发生的拓扑变化与源荷波动的状态集合；LOLP表示负荷损失概率指标；
Figure BDA0003744999440000156
是状态s(A,B)的节点负荷损失标志位。
进一步地，运行场景为源荷波动时，在任意迁移域上，使用不同超参数的模型将共同参与最终结果的预测，每一堆栈降噪自动编码器网络的输出结果被视为叠加层的输入，并以最小化综合预测误差为目标用于叠加层的训练。
其中，运行场景为拓扑结构变化时，根据电力系统拓扑变化前后的映射变动特征，设计知识迁移训练；
知识迁移用于建立原始空间到新域空间的映射函数：
ft:Ys→Yt
其中，Yt，Ys分别表示迁移域和源域的标签量空间。
进一步地，对初始神经网络进行改造具体为：
改变用于微调训练的超参数r，对同一拓扑k获得表现性能不同的神经网络；
在获得的多个求解器之上设置附加层并训练附加层，以不同的神经网络输出作为附加层的输入，通过有监督学习训练附加层的权重等参数，实现多个神经网络的共同参与最优弃载决策。
其中，训练附加层为：
Figure BDA0003744999440000161
Figure BDA0003744999440000162
其中，ωj是第j个神经网络的输出对应的权重；a是学习率；ε近似于0的极小值；mj τ,vj τ是对历史梯度值ωj的一阶矩、二阶矩；τ是迭代次数；β1,β2分别为一阶矩、二阶矩计算的参数；
Figure BDA0003744999440000163
是由权值ωτ-1计算的最终预测值。
基于同一发明构思，本发明实施例还提供了一种计算机可读存储介质，存储介质包括存储的程序，在程序运行时控制存储介质所在的设备执行上述实施例中的方法步骤。
该计算机可读存储介质包括但不限于快闪存储器、硬盘、固态硬盘等。
这里需要指出的是，以上实施例中的可读存储介质描述是与实施例中的方法描述相对应的，本发明实施例在此不做赘述。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例的流程或功能。
计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者通过计算机可读存储介质进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质或者半导体介质等。
本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要能完成上述功能的器件均可。
本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
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 (8)

1.一种集成式知识迁移的电力系统运行风险在线计算方法，其特征在于，所述方法包括：
1)离线训练初始神经网络；
2)监测设备返回电力系统当前的线路故障信息以及拓扑信息；
3)判断电力系统是否有断线故障，若有断线故障，则证明系统发生了拓扑变化，需要采取步骤4)措施使神经网络适应当前的拓扑状态；否则，执行步骤5)；
4)基于集成式知识迁移对步骤1)获得的初始神经网络进行改造，并应用改造后的神经网络，进入步骤5)；
5)在线应用改造后的神经网络计算当前运行状态下风险，若某节点负荷损失的预测量超过设定的标准，运行调度人员为对应位置安排紧急供电车或其他可移动供电装置。
2.根据权利要求1所述的一种集成式知识迁移的电力系统运行风险在线计算方法，其特征在于，所述方法将电力系统的运行场景结构分为源荷波动和拓扑结构变化的两部分，运行风险指标的求解方式为：
Figure FDA0003744999430000011
Figure FDA0003744999430000012
其中，sA表示涉及拓扑变化的电力系统状态，sB表示涉及源荷波动的电力系统状态；s(A,B)表示同时涉及拓扑变化和源荷波动的电力系统状态；P(sB|sA)表示拓扑变化发生情况下再发生源荷波动的条件概率；EDNS表示期望负荷缺供指标；
Figure FDA0003744999430000013
表示状态s(A,B)的节点负荷削减向量；P(sA)表示状态sA的概率；
Figure FDA0003744999430000016
表示时刻t可能发生的拓扑变化集合；
Figure FDA0003744999430000014
表示时刻t可能发生的拓扑变化与源荷波动的状态集合；LOLP表示负荷损失概率指标；
Figure FDA0003744999430000015
是状态s(A,B)的节点负荷损失标志位。
3.根据权利要求2所述的一种集成式知识迁移的电力系统运行风险在线计算方法，其特征在于，所述运行场景为源荷波动时，在任意迁移域上，使用不同超参数的模型将共同参与最终结果的预测，每一堆栈降噪自动编码器网络的输出结果被视为叠加层的输入，并以最小化综合预测误差为目标用于叠加层的训练。
4.根据权利要求2所述的一种集成式知识迁移的电力系统运行风险在线计算方法，其特征在于，所述运行场景为拓扑结构变化时，根据电力系统拓扑变化前后的映射变动特征，设计知识迁移训练；
所述知识迁移用于建立原始空间到新域空间的映射函数：
ft:Ys→Yt
其中，Yt，Ys分别表示迁移域和源域的标签量空间。
5.根据权利要求4所述的一种集成式知识迁移的电力系统运行风险在线计算方法，其特征在于，所述对初始神经网络进行改造具体为：
改变用于微调训练的超参数r，对同一拓扑k获得表现性能不同的神经网络；
在获得的多个求解器之上设置附加层并训练附加层，以不同的神经网络输出作为附加层的输入，通过有监督学习训练附加层的权重等参数，实现多个神经网络的共同参与最优弃载决策。
6.根据权利要求5所述的一种集成式知识迁移的电力系统运行风险在线计算方法，其特征在于，所述训练附加层为：
Figure FDA0003744999430000021
Figure FDA0003744999430000022
其中，ωj是第j个神经网络的输出对应的权重；a是学习率；ε近似于0的极小值；mj τ,vj τ是对历史梯度值ωj的一阶矩、二阶矩；τ是迭代次数；β1,β2分别为一阶矩、二阶矩计算的参数；
Figure FDA0003744999430000023
是由权值ωτ-1计算的最终预测值。
7.一种集成式知识迁移的电力系统运行风险在线计算装置，其特征在于，所述装置包括：处理器和存储器，所述存储器中存储有程序指令，所述处理器调用存储器中存储的程序指令以使装置执行权利要求1-6中的任一项所述的方法步骤。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时使所述处理器执行权利要求1-6中的任一项所述的方法步骤。
CN202210822249.5A 2022-07-13 2022-07-13 集成式知识迁移的电力系统运行风险在线计算方法与装置 Pending CN115051360A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210822249.5A CN115051360A (zh) 2022-07-13 2022-07-13 集成式知识迁移的电力系统运行风险在线计算方法与装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210822249.5A CN115051360A (zh) 2022-07-13 2022-07-13 集成式知识迁移的电力系统运行风险在线计算方法与装置

Publications (1)

Publication Number Publication Date
CN115051360A true CN115051360A (zh) 2022-09-13

Family

ID=83166052

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210822249.5A Pending CN115051360A (zh) 2022-07-13 2022-07-13 集成式知识迁移的电力系统运行风险在线计算方法与装置

Country Status (1)

Country Link
CN (1) CN115051360A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115545347A (zh) * 2022-11-15 2022-12-30 贵州电网有限责任公司 基于大数据分析的电力系统风险预测系统及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115545347A (zh) * 2022-11-15 2022-12-30 贵州电网有限责任公司 基于大数据分析的电力系统风险预测系统及方法
CN115545347B (zh) * 2022-11-15 2023-07-28 贵州电网有限责任公司 基于大数据分析的电力系统风险预测系统及方法

Similar Documents

Publication Publication Date Title
Shuai et al. Stochastic optimization of economic dispatch for microgrid based on approximate dynamic programming
US20200119556A1 (en) Autonomous Voltage Control for Power System Using Deep Reinforcement Learning Considering N-1 Contingency
Hua et al. Review of distributed control and optimization in energy internet: From traditional methods to artificial intelligence‐based methods
Moradi et al. Attributes of big data analytics for data-driven decision making in cyber-physical power systems
Tao et al. A human-machine reinforcement learning method for cooperative energy management
Bessa Future trends for big data application in power systems
Cheng et al. Exploration and exploitation of new knowledge emergence to improve the collective intelligent decision-making level of web-of-cells with cyber-physical-social systems based on complex network modeling
Huo et al. Integrating learning and explicit model predictive control for unit commitment in microgrids
Yang et al. Optimization method of power equipment maintenance plan decision-making based on deep reinforcement learning
Yang et al. Network-constrained transactive control for multi-microgrids-based distribution networks with soft open points
CN115051360A (zh) 集成式知识迁移的电力系统运行风险在线计算方法与装置
Liu et al. Guest editorial: Special issue on data-analytics for stability analysis, control, and situational awareness of power system with high-penetration of renewable energy
Wang et al. Transmission network dynamic planning based on a double deep-Q network with deep ResNet
CN116245033B (zh) 人工智能驱动的电力系统分析方法及智能软件平台
Li et al. Reliability modeling and assessment for integrated energy system: a review of the research status and future prospects
Zhang et al. Operation state assessment of wind power system based on pso+ ahp—fce
Hua Power quality prediction of active distribution network based on CNN-LSTM deep learning model
Li et al. Multiagent deep meta reinforcement learning for sea computing-based energy management of interconnected grids considering renewable energy sources in sustainable cities
Sun et al. Reliability prediction of distribution network based on PCA-GA-BP neural network
Liu et al. Bi-objective Pareto optimization for clustering-based hierarchical power control in a large-scale PV power plant
Li et al. Demonstration and validation of the digital twin technology for a regional multi-energy system
Keyan et al. Anomaly detection method of distribution network line loss based on hybrid clustering and LSTM
Fan et al. Load frequency control strategy for islanded multimicrogrids with V2G dependent on learning‐based model predictive control
Wang et al. Microgrid Cyber-physical modeling and Channel Fault Analysis
Shi et al. Application of Artificial Intelligence and Its Interpretability Analysis in Power Grid Dispatch and Control

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