一种非线性特征空间降阶的数据驱动潮流计算方法及系统与流程
本发明涉及电力系统及其自动化,尤其是涉及一种非线性特征空间降阶的数据驱动潮流计算方法及系统。
背景技术:
1、潮流计算与最优潮流计算是电力系统安全分析的基础,广泛应用于稳定性分析、经济调度和市场出清等重要场景。然而,在新型电力系统中,高比例可再生能源的接入带来了显著的不确定性,使得潮流和最优潮流计算更加频繁和复杂。传统的电力潮流和最优潮流计算具有高度非线性,极大地增大了计算负担。虽然现有的线性化方法(如基于泰勒展开的潮流方程一般化线性化方法)能显著提升单次潮流和最优潮流计算速度,但在面对大规模重复计算场景时仍存在显著瓶颈。
2、为此,现有研究提出了基于数据驱动的神经网络计算方法。其旨在通过神经网络学习潮流和最优潮流的求解映射关系,能够实现毫秒级计算。如专利cn115021269b公开的一种基于数据驱动的两阶段最优潮流求解方法,采用基于深度神经网络的两阶段最优潮流求解方法,通过聚类分析和关联性分析理论对数据进行处理,构建模块化特征库,利用dnn进行预测和潮流重构,并通过潮流修正保证结果的可行性。然而,神经网络在非线性映射方面的学习能力受限于其激活函数的数量。现有的数据驱动方法通常依赖于冗余神经元、非线性特征解耦、物理模型引到训练、或者采用功能更强大的神经网络架构,促进其学习非线性特征。这些方法虽在一定程度上提升了神经网络的计算精度,但无法从根本上克服由于潮流计算方程的非线性导致的欠拟合和过拟合问题。
3、综上所述,亟需一种降阶非线性特征空间的电力系统潮流分析方法,以解决神经网络由于潮流方程非线性引起的拟合问题,进而为复杂电力系统的线性化研究提供一种可靠的数据驱动解决思路。
技术实现思路
1、本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种非线性特征空间降阶的数据驱动潮流计算方法及系统,通过神经网络利用单变量非线性变换函数对输入和输出特征进行转化,从而使得其本身能够自主挖掘最有效的非线性降阶策略,以提升潮流分析神经网络的收敛性和计算的精确性。
2、本发明的目的可以通过以下技术方案来实现:
3、一种非线性特征空间降阶的数据驱动潮流计算方法,该方法通过一经训练的神经网络模型进行电力系统潮流计算,其中,
4、所述神经网络模型采用非线性特征空间降阶的神经网络模型,该非线性特征空间降阶的神经网络模型包括含有可训练非线性变换函数的输入层和含有可训练非线性变换函数的输出层。
5、进一步地,所述非线性变换函数采用b样条函数。
6、进一步地,所述含有可训练非线性变换函数的输入层中,各输入特征的单变量函数表示为:
7、
8、其中,表示第
i个输入特征的单变量函数,是可训练系数,
k是样条基函数的数量,和是可训练的缩放权重,是第
k个b样条基函数,是原始输入特征。
9、进一步地,所述含有可训练非线性变换函数的输出层中,各输出特征的单变量函数表示为:
10、
11、其中,表示第
i个输出特征的单变量函数,是可训练系数,
k是样条基函数的数量,和是可训练的缩放权重,是第
k个b样条基函数,是隐含层特征。
12、进一步地,所述非线性特征空间降阶的神经网络模型的优化过程包括:
13、获取海量电力系统状态,构建潮流与最优潮流模型,使用求解器计算标签,,获得数据驱动潮流分析的样本集;
14、使用所述样本集训练非线性特征空间降阶的神经网络模型,获取所述可训练非线性变换函数中可训练参数的最优值。
15、进一步地,对于电力系统运行典型场景,对各类随机因素进行抽样,获得所述海量电力系统状态。
16、进一步地,所述随机因素包括负荷波动、新能源出力变化、常规机组随机停运、输电线路随机故障、储能系统充放电不确定性中的多个。
17、进一步地,所述神经网络模型采用全连接神经网络、卷积神经网络或图卷积神经网络。
18、本发明还提供一种计算机可读存储介质,包括供电子设备的一个或多个处理器执行的一个或多个程序,所述一个或多个程序包括用于执行如上所述非线性特征空间降阶的数据驱动潮流计算方法的指令。
19、本发明还提供一种非线性特征空间降阶的数据驱动潮流计算系统,包括一个或多个处理器、存储器和被存储在存储器中的一个或多个程序,所述一个或多个程序包括用于执行如上所述非线性特征空间降阶的数据驱动潮流计算方法的指令。
20、与现有技术相比,本发明具有以下有益效果:
21、本发明在输入层和输出层引入可训练的单变量函数,从而降低潮流计算于最优潮流计算中的非线性程度,神经网络的学习重心集中于轻度非线性特征空间上,训练难度更为简单,有效提升了模型的学习能力,加快计算速度。本发明所提方法可为新型电力系统中大量的潮流计算需求提供一种可靠的解决方案,具备广阔的市场前景与显著的社会经济效应。
1.一种非线性特征空间降阶的数据驱动潮流计算方法,其特征在于,该方法通过一经训练的神经网络模型进行电力系统潮流计算,其中,
2.根据权利要求1所述的非线性特征空间降阶的数据驱动潮流计算方法,其特征在于,所述非线性变换函数采用b样条函数。
3.根据权利要求2所述的非线性特征空间降阶的数据驱动潮流计算方法,其特征在于,所述含有可训练非线性变换函数的输入层中,各输入特征的单变量函数表示为:
4.根据权利要求2所述的非线性特征空间降阶的数据驱动潮流计算方法,其特征在于,所述含有可训练非线性变换函数的输出层中,各输出特征的单变量函数表示为:
5.根据权利要求1所述的非线性特征空间降阶的数据驱动潮流计算方法,其特征在于,所述非线性特征空间降阶的神经网络模型的优化过程包括:
6.根据权利要求5所述的非线性特征空间降阶的数据驱动潮流计算方法,其特征在于,对于电力系统运行典型场景,对各类随机因素进行抽样,获得所述海量电力系统状态。
7.根据权利要求6所述的非线性特征空间降阶的数据驱动潮流计算方法,其特征在于,所述随机因素包括负荷波动、新能源出力变化、常规机组随机停运、输电线路随机故障、储能系统充放电不确定性中的多个。
8.根据权利要求1所述的非线性特征空间降阶的数据驱动潮流计算方法,其特征在于,所述神经网络模型采用全连接神经网络、卷积神经网络或图卷积神经网络。
9.一种计算机可读存储介质,其特征在于,包括供电子设备的一个或多个处理器执行的一个或多个程序,所述一个或多个程序包括用于执行如权利要求1-8任一所述非线性特征空间降阶的数据驱动潮流计算方法的指令。
10.一种非线性特征空间降阶的数据驱动潮流计算系统,其特征在于,包括一个或多个处理器、存储器和被存储在存储器中的一个或多个程序,所述一个或多个程序包括用于执行如权利要求1-8任一所述非线性特征空间降阶的数据驱动潮流计算方法的指令。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com