[發(fā)明專(zhuān)利]一種基于深度神經(jīng)網(wǎng)絡(luò)的智能電網(wǎng)系統(tǒng)實(shí)時(shí)最優(yōu)功率分配方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201911178016.0
• 申請(qǐng)日: 2019-11-27
• 公開(kāi)（公告）號(hào): CN110867903B
• 公開(kāi)（公告）日: 2021-05-18
• 發(fā)明（設(shè)計(jì)）人: 郭方洪;徐博文;張文安;張丹;俞立
• 申請(qǐng)（專(zhuān)利權(quán)）人: 浙江工業(yè)大學(xué)
• 主分類(lèi)號(hào): H02J3/46
• 分類(lèi)號(hào): H02J3/46
• 代理公司: 杭州斯可睿專(zhuān)利事務(wù)所有限公司 33241
• 代理人: 王利強(qiáng)

1.一種基于深度神經(jīng)網(wǎng)絡(luò)的智能電網(wǎng)系統(tǒng)實(shí)時(shí)最優(yōu)功率分配方法,其特征在于，所述方法包括以下步驟：

1)獲取電網(wǎng)系統(tǒng)的發(fā)電參數(shù)，所述發(fā)電參數(shù)包括各發(fā)電機(jī)的發(fā)電代價(jià)函數(shù)和發(fā)電機(jī)負(fù)載上下限；

2)以提升發(fā)電效率，降低總發(fā)電代價(jià)為目標(biāo)，在發(fā)電機(jī)負(fù)載范圍內(nèi)，利用基于梯度下降的傳統(tǒng)優(yōu)化方法，確定對(duì)應(yīng)于不同總功率需求大小的功率分配策略；

3)將總功率需求和對(duì)應(yīng)的最優(yōu)功率分配策略存儲(chǔ)為相應(yīng)智能電網(wǎng)系統(tǒng)深度神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練集；

4)根據(jù)所使用的基于梯度下降的傳統(tǒng)優(yōu)化方法確定深度神經(jīng)網(wǎng)絡(luò)的參數(shù)，所述深度神經(jīng)網(wǎng)絡(luò)的參數(shù)包括權(quán)重w、偏置b、學(xué)習(xí)率L、全連接層神經(jīng)元個(gè)數(shù)n；

5)根據(jù)已完備的訓(xùn)練集，訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)模型，直至訓(xùn)練過(guò)程中的驗(yàn)證集損失值趨于穩(wěn)定；

6)獲取待處理的總功率需求，將其輸入到訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)進(jìn)行神經(jīng)網(wǎng)絡(luò)計(jì)算，輸出結(jié)果為各發(fā)電機(jī)的發(fā)電機(jī)負(fù)載。

2.根據(jù)權(quán)利要求1所述的基于深度神經(jīng)網(wǎng)絡(luò)的智能電網(wǎng)系統(tǒng)實(shí)時(shí)最優(yōu)功率分配方法,其特征在于，所述步驟2)的過(guò)程如下：

2.1)初始化變量，即各發(fā)電機(jī)的發(fā)電機(jī)負(fù)載

2.2)利用梯度下降：

其中i是電網(wǎng)系統(tǒng)中發(fā)電機(jī)的下標(biāo)，ζ_l是第l次迭代的步長(zhǎng)，是各發(fā)電機(jī)的發(fā)電代價(jià)函數(shù)的一階導(dǎo)數(shù)；

2.3)做上下限限制：

其中P_i^max和P_i^min分別為各發(fā)電機(jī)負(fù)載的上限與下限；

2.4)求中間變量：

其中P_d是總功率需求，n是電網(wǎng)系統(tǒng)中發(fā)電機(jī)的個(gè)數(shù)；

2.5)求本次迭代結(jié)果：

2.6)若當(dāng)前確定的各發(fā)電機(jī)負(fù)載與上一次確定的各發(fā)電機(jī)負(fù)載之間的差值小于預(yù)設(shè)的閾值，則判斷生成的各發(fā)電機(jī)負(fù)載為對(duì)應(yīng)總功率需求的最優(yōu)分配策略；否則，返回2.2)繼續(xù)執(zhí)行。

3.根據(jù)權(quán)利要求1或2所述的基于深度神經(jīng)網(wǎng)絡(luò)的智能電網(wǎng)系統(tǒng)實(shí)時(shí)最優(yōu)功率分配方法,其特征在于，在訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)過(guò)程中所用的激活函數(shù)為線(xiàn)性整流函數(shù)，損失函數(shù)為均方誤差函數(shù)。