基于深度学习的SCOPF快速计算方法及装置与流程

基于深度学习的scopf快速计算方法及装置
技术领域
1.本技术涉及潮流计算技术领域，特别涉及一种基于深度学习的scopf快速计算方法及装置。


背景技术：

2.近年来，随着逐渐增多的可再生能源、储能设备和灵活负荷接入电网，如何保障电力系统的安全经济运行成为了一个具有挑战性的问题。因此，高效求解考虑安全约束的最优潮流(security
‑
constrained optimal power flow，scopf)具有重要意义。
3.如果考虑直流模型，scopf可被视为凸优化问题，可以使用商用软件直接求解。然而，由于scopf中不等式约束的数量随着系统规模的增大快速增加，直接求解具有大量约束的scopf会耗费很多时间甚至遇到内存溢出问题，难以满足越来越严格的实时调度需求。在实际应用中，人们经常使用一种迭代方法，通过不断求解简化的scopf和安全分析直到找出最优解。通常来说，迭代法要优于直接法，但它依然存在稳定性不高、系统阻塞情况下性能严重下降等缺陷。
4.人工智能技术的高速发展使其成为了解决电力系统中很多运行、规划问题的实用工具。运用人工智能技术高效地求解最优潮流类问题已成为一个热门的研究方向，其中基于机器学习的方法最为普遍。
5.针对快速求解最优潮流类问题，学者们主要提出了模型驱动和数据驱动两类方法。
6.对于模型驱动类方法，它的主要思路是通过探究scopf模型的分析特性将模型中冗余的不等式约束筛除。过往研究表明，scopf中大部分的不等式约束是冗余的，从模型中移出它们不影响最终的求解结果。因此，通过利用支路开断分布因子、本德斯分解等方法先找出冗余约束，再求解简化的scopf模型是一类有效解法。模型驱动方法筛选冗余约束的难度往往与直接求解问题相近，并且在完成求解之前难以准确找出模型中的活跃约束。
7.数据驱动方法不依赖复杂的scopf模型，能够满足实时求解的需要，是目前广泛应用的一类方法。具体而言，学者们经常利用机器学习直接预测问题的最优解或者先预测活跃约束集之后求解简化模型。对于直接预测最优解，通常是使用系统状态和调度结果的历史数据进行机器学习，学习其中的内在联系，之后通过直接预测结果代替求解模型。这种方法计算速度很快，但需要后续处理措施来应对结果的不可行、非最优问题。对于预测最优潮流问题中的活跃约束集，则是首先学习系统工况与不等式约束之间的映射，然后通过预测不等式约束中的活跃部分缩小模型规模，最后求解高度简化的模型便可以在很短时间内实现。这种方法对预测结果的准确性要求很高，一旦预测的活跃约束集不正确，则会额外需要较长的时间弥补其中的错误。
8.通过机器学习预测最优潮流问题中的不等式约束的活跃情况，进而简化和加快其计算过程。具体的机器学习方法主要有统计学习、深度学习等。深度学习通过人工神经网络(artificial neural network，ann)分析样本数据，发掘系统状况与活跃约束集的内在联
系，能够在保证高准确度的条件下快速预测约束的活跃状态，但其在scopf快速求解领域的应用还较少且不完善。


技术实现要素：

9.本技术旨在至少在一定程度上解决相关技术中的技术问题之一。
10.为此，本技术的一个目的在于提出一种基于深度学习的scopf快速计算方法，该方法通过深度学习预测活跃约束集简化求解模型，并结合了传统迭代方法中的安全检测部分用以保证所得结果的最优性。
11.本技术的另一个目的在于提出一种基于深度学习的scopf快速计算装置。
12.为达到上述目的，本技术一方面实施例提出了一种基于深度学习的scopf快速计算方法，包括以下步骤：
13.获取电力系统的当前运行数据；
14.对所述当前运行数据进行预处理，得到处理后的运行数据；以及
15.基于所述处理后的运行数据，利用预先训练的dnn(deep neural network，深度神经网络)模型预测所有的活跃约束，再通过门槛函数进行筛选得到活跃约束集，基于所述活跃约束集学习进行scopf实时计算。
16.为达到上述目的，本技术另一方面实施例提出了一种基于深度学习的scopf快速计算装置，包括：
17.获取模块，用于获取电力系统的当前运行数据；
18.处理模块，用于对所述当前运行数据进行预处理，得到处理后的运行数据；以及
19.计算模块，用于基于所述处理后的运行数据，利用预先训练的dnn模型预测所有的活跃约束，再通过门槛函数进行筛选得到活跃约束集，基于所述活跃约束集学习进行scopf实时计算。
20.本技术实施例的基于深度学习的scopf快速计算方法及装置，具有以下有益效果：
21.1)设计了衡量不等式约束活跃程度的活跃可能性函数，能够提供较多信息，使深度学习模型具有更好的可解释性。
22.2)深度学习模型能够准确预测活跃可能性函数，进而预测活跃约束集，基于此提出的scopf求解方法计算速度快。
23.本技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。
附图说明
24.本技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
25.图1为根据本技术一个实施例的基于深度学习的scopf快速计算方法流程图；
26.图2为根据本技术一个实施例的深度学习的scopf快速计算方法的框架图；
27.图3为根据本技术一个实施例dnn模型结构示意图；
28.图4为根据本技术一个实施例基于深度学习的scopf快速计算装置结构示意图。
具体实施方式
29.下面详细描述本技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本技术，而不能理解为对本技术的限制。
30.相关技术的主要问题在于直接把不等式约束活跃与否设为训练、学习的结果，将寻找活跃约束集的任务视为一个分类问题。对于大规模scopf问题，只采用简单的分类方法容易使分类结果出现较大误差，进而导致计算结果并非最优或者需要耗费额外时间采取补救措施。
31.此外，在简单分类方法的预测结果中，只显示出了约束活跃与否的两种可能，缺乏可解释性，调度员难以理解这些约束是否活跃的原因。只观察分类的结果，也容易忽略电网运行中的一些有用信息，如当前系统状态下某非活跃约束距离活跃有多远，让人难以判断当前系统的安全状况和应对风险的能力。
32.对于现有的深度学习类方法，它们不一定适用于考虑求解高不确定性和大量紧急情况的scopf，也少有探究系统状态改变对预测准确性和计算效率的影响。
33.本技术提出的基于深度学习的活跃约束集预测方法设计了合适的训练标签，将预测活跃约束先转化为回归问题，再通过门槛参数筛选活跃约束，可以有效地解决这两个问题。
34.下面参照附图描述根据本技术实施例提出的基于深度学习的scopf快速计算方法及装置。
35.首先将参照附图描述根据本技术实施例提出的基于深度学习的scopf快速计算方法。
36.图1为根据本技术一个实施例的基于深度学习的scopf快速计算方法流程图。
37.如图1所示，该基于深度学习的scopf快速计算方法包括以下步骤：
38.在步骤s1中，获取电力系统的当前运行数据。
39.在步骤s2中，对当前运行数据进行预处理，得到处理后的运行数据。
40.在步骤s3中，基于处理后的运行数据，利用预先训练的dnn模型预测所有的活跃约束，再通过门槛函数进行筛选得到活跃约束集，基于活跃约束集学习进行scopf实时计算。
41.进一步地，在本技术的实施例中，预先训练的dnn模型包括：获取电力系统运行的历史数据；由历史数据处理得到训练集的同时，对历史数据进行蒙特卡洛采样，并处理得到模拟样本；利用历史数据和模拟样本训练深度神经网络得到预测活跃约束的dnn模型。
42.进一步地，在本技术的实施例中，dnn模型，包括：利用活跃可能性函数计算传输线容量约束在故障状态下的活跃程度，其中，活跃可能性函数为：
[0043][0044]
其中，f’max
为故障下传输线的容量约束，p
i,c
表示第c种故障下第i条传输线的潮流，p
b
是有功功率基准值，λ
i,c
表示第c种故障下第i条传输线的容量约束的对偶乘子，c(g*)
是最优的总发电成本，1
t
·
g*表示了发电机的总出力。
[0045]
为了利用dnn学习从系统状态到活跃可能性函数的映射，需要电力系统运行的历史数据作为训练的原始数据，并进行一些处理。同时，为了获得充足的样本训练神经网络，还通过在历史数据的基础上进行蒙特卡洛采样来生成模拟样本，并采取同样的预处理措施。
[0046]
将系统状态转化为标准形式(例如节点负荷、可再生能源发电量转化为标幺值)作为深度神经网络的输入特征。
[0047]
为了解决相关技术中预测准确性不高、可解释性不强等问题，本技术的实施例提出了一种活跃可能性函数，用以定量描述scopf模型中不等式约束的活跃情况。它可以反映出非活跃约束距离活跃有多远，活跃约束的紧致程度等信息，有助于工作人员理解当前状态下系统的安全性，并使预测历史数据中从未出现过的活跃约束成为可能。使用活跃可能性函数而非约束活跃与否作为神经网络的训练标签，在完成训练并对新系统状态下的活跃可能性函数做出预测后，再使用门槛参数预测出活跃约束集。门槛参数的设置有助于我们探究不同种类预测误差对scopf求解速度等方面的影响，进而通过选择合适的门槛参数减小预测误差的影响，缩短scopf的平均计算时间。得到活跃约束集后，便可以求解简化模型获取最优解。由于神经网络误差小，设置了合理的门槛参数，大多数情况下简化模型的解即是最优的，极少数情况下也只需要付出较小代价纠正求解模型，进而得到最优解。
[0048]
如图2所示，展示了本技术实施例的主要思路，在首次求解优化问题前通过dnn预测出所有的活跃约束，之后通过在较少迭代次数内求解简化的scopf模型来达到加快计算速度的目的。
[0049]
为了定量地描述和分析传输线容量约束在故障状态下的活跃程度，提出了活跃可能性函数。它将展示这些约束在最优潮流中的一些细节信息，而不是仅仅体现约束是否活跃。定义第c种故障下第i条传输线的容量约束的活跃可能性函数为：
[0050][0051]
其中，f’max
为故障下传输线的容量约束，p
i,c
表示第c种故障下第i条传输线的潮流。p
b
是有功功率基准值并且通常取100mw。λ
i,c
表示第c种故障下第i条传输线的容量约束的对偶乘子。c(g*)是最优的总发电成本而1
t
·
g*表示了发电机的总出力。当我们得到scopf求解的历史结果后，f
i,c
就可以被快速计算出来。
[0052]
如果某约束是非活跃的(p
i,c
<f’max
)，它的活跃可能性为相关支路容量约束与潮流之间的差别的相反数。如果某约束是活跃的(p
i,c
＝f’max
)，它的活跃可能性则为其对偶乘子的值除以发动机的平均发电成本。
[0053]
对于非活跃约束，其f
i,c
为负值；而对于活跃约束，其f
i,c
则为正值。f
i,c
的增加便意味着相关约束有更大的概率在scopf模型中处于活跃状态，因此其f
i,c
被称为活跃可能性函数。活跃可能性函数有助于系统操作员理解传输线在故障情况下的状态。此外，将活跃可能性函数设为监督学习的输出标签使得此深度学习方法可以将那些在历史数据中从未出现
过的活跃约束预测出来。
[0054]
为了减轻求解scopf的计算负担，设计了dnn用以学习不同系统状态和其对应的活跃约束直接的内在联系，dnn模型的训练可以根据历史数据离线进行。在离线训练足够充分后，便可以利用深度学习模型在线预测活跃约束集，进而实现scopf实时计算。具体而言，在预测出活跃约束集a1之后，就用a1代替了考虑所有紧急情况的不等式约束集，使得需要求解的scopf模型大大简化。在求解完成后，进行安全检测(因选用了n
‑
1传输线故障作为故障集，因此具体的措施为n
‑
1分析)以判断可行性。如果出现约束越限导致不可行问题，会将这些越限约束添加进scopf模型并再次求解。通过不断地求解scopf模型和安全检测直到没有越限的约束出现，就得到了问题的最优解。事实上，由于dnn预测结果的准确性很高，大多数情况都不需要迭代，而在极少数因预测误差而需要迭代时，迭代次数和添加的约束数量也都很少。因此，该方法可以实现快速求解scopf。
[0055]
因为前馈神经网络能够高准确度地近似连续映射，本技术的实施例采用了一种全连接形式的前馈神经网络来学习系统状态与活跃可能性函数之间的关系，并在之后将神经网络的输出结果分为两类以预测活跃约束集。
[0056]
由于传输线容量约束的规模随着传输线数量以二次函数的形式增长，如果将所有约束的活跃可能性函数设为输出标签，dnn模型将会十分庞大。如此大规模的dnn会使其训练变得困难，也会增加它进行在线预测的时间，进而导致此方法计算效率下降。因此，为了简化dnn模型的结构，仅选取曾在历史数据中出现活跃情况或接近活跃(即历史活跃可能性大于某一值，本技术实施例的方案取
‑
0.01)的关键约束作为dnn训练的标签。
[0057]
dnn模型的具体结构如图3所示。考虑一个k层(包含输入和输出层)的前馈神经网络，其模型可以表示为：
[0058][0059]
其中g为激活函数，w为权重矩阵，x为输入向量，而b表示偏差值。
[0060]
为了在训练中避免出现梯度消失的情况，我们选用线性整流函数(rectified linear unit，relu)作为每个隐藏层的激活函数，它可以表示为：
[0061]
g(x)＝max(x,0)
[0062]
根据过往文献，为了确保dnn能够准确拟合特征与标签的关系，隐藏层的神经元数必须多于输入特征的维数(在本技术方案中即为系统状态参数的种类数)。在此基础上，通过调整神经网络的隐藏层数目和神经元数，以获得一个预测精度高、训练和预测速度较快的dnn模型。
[0063]
在得到活跃可能性函数的预测结果后，我们通过门槛参数将它们分为两类：
[0064][0065]
其中a
i,c
表示相应的约束活跃与否，是活跃可能性函数f
i,c
的预测值，ε是门槛参数。
[0066]
如果a
i,c
＝1，对应约束被预测在scopf中是活跃的；否则，对应约束被预测为非活跃的。对于门槛参数，我们可以简单地设其为0，也可以取其为正数以避免过多地将非活跃约束预测为活跃，或者取其为负数以减少预测活跃约束遗漏的情况。我们通过探究不同的
门槛参数对scopf在线计算效率的影响，可以找到它的合适取值，减小预测误差对计算效率的影响。
[0067]
由于dnn模型被用于多标签回归问题，均方误差(mean square error，mse)可作为合适的损失函数用以指导神经网络训练：
[0068][0069]
其中和y
j
分别表示相应活跃可能性函数f
i,c
的预测值和实际值，m是关键约束的数量。
[0070]
通过不断调整权重矩阵w和偏差值b的方式训练神经网络模型，目标是最小化损失函数mse并使其收敛。选择了自适应矩估计(adaptive moment estimation，adam)作为dnn的学习算法，它可以自适应地改变学习率，是一种方便、高效的学习算法。训练过程中20％的样本被设置为验证集，初始学习率设为10
‑4，批量数据集大小设为128。节点的净负荷是一类关键的dnn输入特征，通过标准差定为10％的正态采样来获取它的模拟数据。此外，为了探究因负荷增长而导致电力系统阻塞对所提出算法的影响，还将采样均值从1倍默认负荷逐渐增长到2倍。
[0071]
要将模拟数据用于dnn训练，除了进行蒙特卡洛采样之外，还需要完成对应scopf的计算以获得活跃可能性函数。而使用直接法或者传统迭代方法求解scopf会出现耗时长或不稳定的问题，因此只有在生成前1/4的训练样本时会采用这两种方法。此后会用这些样本训练出一个早期的dnn，并使用它来求解scopf以获取剩余3/4的训练样本。即使是未充分训练的早期dnn，也具有较高的预测准确性，能够以快于直接法和传统迭代法的速度获取dnn训练样本。
[0072]
根据本技术实施例提出的基于深度学习的scopf快速计算方法，通过活跃可能性函数能够定量描述传输线容量约束在scopf中的活跃状态，为工作人员评估系统安全性提供了更多信息，以此作为训练标签和预测结果的dnn模型具有较好的可解释性。基于活跃可能性函数而设计的dnn模型能够高准确度地预测scopf的活跃约束集，门槛参数的合理选择使得预测误差的影响减小，由此，可以高效地求解scopf。仿真结果表明，本技术实施例的基于深度学习的scopf计算方法明显快于直接法和传统迭代法，受负荷情况的影响小，在电力系统出现阻塞时具有更大的优势。
[0073]
其次参照附图描述根据本技术实施例提出的基于深度学习的scopf快速计算装置。
[0074]
图4为根据本技术一个实施例的基于深度学习的scopf快速计算装置结构示意图。
[0075]
如图4所示，该基于深度学习的scopf快速计算装置包括：获取模块100、处理模块200和计算模块300。
[0076]
获取模块100，用于获取电力系统的当前运行数据。处理模块200，用于对当前运行数据进行预处理，得到处理后的运行数据。计算模块300，用于基于处理后的运行数据，利用预先训练的dnn模型预测所有的活跃约束，再通过门槛函数进行筛选得到活跃约束集，基于活跃约束集学习进行scopf实时计算。
[0077]
进一步地，在本技术的一个实施例中，scopf快速计算装置还包括：
[0078]
训练模块，用于获取电力系统运行的历史数据，由历史数据处理得到训练集的同
时，对历史数据进行蒙特卡洛采样，并处理得到模拟样本，利用历史数据和模拟样本训练深度神经网络得到预测活跃约束的dnn模型。
[0079]
进一步地，在本技术的一个实施例中，利用历史数据和模拟样本训练深度神经网络，包括：
[0080]
利用均方误差作为损失函数，以指导深度神经网络训练，其中，损失函数的计算公式为：
[0081][0082]
其中，和y
j
分别表示相应活跃可能性函数f
i,c
的预测值和实际值，m是关键约束的数量。
[0083]
进一步地，在本技术的一个实施例中，dnn模型，包括：利用活跃可能性函数计算传输线容量约束在故障状态下的活跃程度，其中，活跃可能性函数为：
[0084][0085]
其中，f’max
为故障下传输线的容量约束，p
i,c
表示第c种故障下第i条传输线的潮流，p
b
是有功功率基准值，λ
i,c
表示第c种故障下第i条传输线的容量约束的对偶乘子，c(g*)是最优的总发电成本，1
t
·
g*表示了发电机的总出力。
[0086]
进一步地，在本技术的一个实施例中，dnn模型为：
[0087][0088]
其中，g为激活函数，w为权重矩阵，x为输入向量，b为偏差值。
[0089]
需要说明的是，前述对方法实施例的解释说明也适用于该实施例的装置，此处不再赘述。
[0090]
根据本技术实施例提出的基于深度学习的scopf快速计算装置，通过活跃可能性函数能够定量描述传输线容量约束在scopf中的活跃状态，为工作人员评估系统安全性提供了更多信息，以此作为训练标签和预测结果的dnn模型具有较好的可解释性。基于活跃可能性函数而设计的dnn模型能够高准确度地预测scopf的活跃约束集，门槛参数的合理选择使得预测误差的影响减小，由此，可以高效地求解scopf。仿真结果表明，本技术实施例的基于深度学习的scopf计算方法明显快于直接法和传统迭代法，受负荷情况的影响小，在电力系统出现阻塞时具有更大的优势。
[0091]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本技术的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0092]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特
点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0093]
尽管上面已经示出和描述了本技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本技术的限制，本领域的普通技术人员在本技术的范围内可以对上述实施例进行变化、修改、替换和变型。