[發明專利]一種基于深度神經網絡的智能電網系統實時最優功率分配方法

有效

• 申請號: 201911178016.0
• 申請日: 2019-11-27
• 公開（公告）號: CN110867903B
• 公開（公告）日: 2021-05-18
• 發明（設計）人: 郭方洪;徐博文;張文安;張丹;俞立
• 申請（專利權）人: 浙江工業大學
• 主分類號: H02J3/46
• 分類號: H02J3/46
• 代理公司: 杭州斯可睿專利事務所有限公司 33241
• 代理人: 王利強

一種基于深度神經網絡的智能電網系統實時最優功率分配方法，先獲取電網的發電參數，以提升發電效率，降低總發電代價為目標，利用基于梯度下降的傳統優化方法，確定對于不同總功率需求大小的功率分配策略；根據所使用的基于梯度下降的傳統優化方法確定深度神經網絡的參數。使用已完備的訓練集訓練深度神經網絡模型直至驗證集損失值趨于穩定；實時獲取待處理的總功率需求，將其輸入到訓練好的深度神經網絡進行神經網絡計算，輸出結果為各發電機的發電負載。本發明降低計算資源占用，極大的降低服務時延，提高分配速率。該方法的辨識精度可以滿足實際應用的要求，并且訓練所需的相關參數可以通過對傳統優化方法的計算獲得。

技術領域

本發明屬于電網優化及機器學習領域，具體提供一種基于深度神經網絡的智能電網系統實時最優功率分配方法，它能實時計算不同功率需求下的發電機負載分配策略，提高智能電網系統的服務效能。

背景技術

電網系統問題運行與控制是一類重要的優化問題。其本質在于滿足供需功率平衡、線路潮流和發電機功率上下限等約束條件的前提下，最大程度提高電網系統的經濟性和實時性，降低發電過程中各環節帶來的損耗。近年來，電力來源急劇增多，人類對保護環境的重視使得以太陽能和風能為代表的新能源以其可再生性、清潔型等特點得到廣泛應用。隨著多種新能源的廣泛應用，智能電網系統優化的實時性問題日益突出。實時的控制需要極低的時延，這對功率優化分配算法的實時性提出了要求。

目前的傳統最優功率分配算法主要有基于梯度下降的最優化算法、基于二分法的最優化算法等。傳統最優化算法雖然在計算結果上表現良好，但其通常需要多次迭代，計算復雜度較高，計算時間較長，無法第一時間計算出最優功率分配結果，難以滿足智能電網系統實時調度的要求。

發明內容

為了克服現有技術的計算復雜度較高、計算時間較長、無法第一時間計算出最優功率分配結果、難以滿足智能電網系統實時調度的要求的不足，本發明提供了一種基于深度神經網絡的智能電網系統實時最優功率分配方法，具體地說，先獲取電網的發電參數，以提升發電效率，降低總發電代價為目標，利用基于梯度下降的傳統優化方法，確定對于不同總功率需求大小的功率分配策略。根據所使用的基于梯度下降的傳統優化方法確定深度神經網絡的參數。使用已完備的訓練集訓練深度神經網絡模型直至驗證集損失值趨于穩定。實時獲取待處理的總功率需求，將其輸入到訓練好的深度神經網絡進行神經網絡計算，輸出結果為各發電機的發電機負載。實驗結果驗證了該方法的有效性。

本發明為解決上述技術問題提供了如下技術方案：

一種基于深度神經網絡的智能電網系統實時最優功率分配方法，包括以下步驟：

步驟1)，獲取電網系統的發電參數，所述發電參數包括各發電機的發電代價函數和發電機負載上下限；

步驟2)，以提升發電效率，降低總發電代價為目標，在發電機負載范圍內，利用基于梯度下降的傳統優化方法，確定對于不同總功率需求大小的功率分配策略；

步驟3),將總功率需求和對應的最優功率分配策略存儲為相應智能電網系統深度神經網絡模型的訓練集；

步驟4)，根據所使用的基于梯度下降的傳統優化方法確定深度神經網絡的參數包括權重w、偏置b、學習率L、全連接層神經元個數n；

步驟5)，根據已完備的訓練集，訓練深度神經網絡模型，直至訓練過程中的驗證集損失值趨于穩定；

步驟6)，獲取待處理的總功率需求，將其輸入到訓練好的深度神經網絡進行神經網絡計算，輸出結果為各發電機的發電機負載。

進一步，所述步驟2)的過程如下：

2.1)初始化變量，即各發電機的發電機負載

2.2)利用梯度下降：