[发明专利]一种基于Sparse Autoencoder的电力系统运行方式聚类方法

说明书

本发明公开了一种基于Sparse Autoencoder的电力系统运行方式聚类方法，获取电力系统中的相关数据，然后设置训练参数，隐藏层层数和神经元个数，对相关数据进行Autoencoder模型训练，同时提取出模型的拓扑结构和权值矩阵，进行聚类分析，得出典型场景数目，解码得出各场景中心的原始数据。本发明可以对表征电力系统运行方式的特征向量进行快速选取和降维，为电力系统运行方式特征向量的选取并生成典型运行场景提供一种新思路和方法。同时为神经网络在这一方面的应用开创了一个先例。

技术领域

本发明属于电力系统安全校验、规划运行技术领域，具体涉及一种基于SparseAutoencoder的电力系统运行方式聚类方法。

背景技术

电力系统中使用典型运行方式对于电网的安全运行进行校验有着举足轻重的作用。在规划时期考虑到典型的运行方式并以此进行电力系统的运行校验，可以最大程度的防止电压越限、过负荷等事故的发生，保证电力系统对负荷和用户的持续供电能力。但是随着新能源的不断接入，电力系统的运行随机性大幅度提高，导致运行方式的特征也更加复杂，如何提取运行方式的特征向量生成典型场景变得尤为困难。然而利用传统的PCA方法无法准确地提取特征向量，时间复杂度过高，实用性也大幅度降低。

因此，为保证可靠地提取出表征电力系统运行方式的特征向量以进行典型场景分析，选取合理的特征向量提取方式是亟需认真考虑的问题。

针对上述问题，本发明提出了一种利用Sparse Autoencoder技术提取表征电力系统运行方式的特征向量的方法。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于Sparse Autoencoder的电力系统运行方式聚类方法。

本发明采用以下技术方案：

一种基于Sparse Autoencoder的电力系统运行方式聚类方法，获取电力系统中的相关数据，然后设置训练参数，隐藏层层数和神经元个数，对相关数据进行Autoencoder模型训练，同时提取出模型的拓扑结构和权值矩阵，进行聚类分析，得出典型场景数目，解码得出各场景中心的原始数据。

具体的，相关数据形成n行m列的输入矩阵n为向量，m为样本数量。

进一步的，相关数据包括电力系统内各个节点电压、电压幅值、各个节点的发电机有功功率和无功功率的数据以及电力系统在研究时间范围内的时序负荷数据。

具体的，设置训练参数，隐藏层层数和神经元个数如下：

设置相关参数为α，η与最大迭代次数为初始化训练参数，α是L2正则化方法的系数，η是稀疏正则化的系数；设置隐藏层层数为单层，即l＝1；设置第l隐藏层神经元个数，即最终特征向量维数h_l＝2。

具体的，对相关数据进行Autoencoder模型训练步骤具体如下：

S201、以相关数据形成n行m列的输入矩阵作为输入；

S202、输入可接受的误差e以及训练时间t进行可视化训练，观察误差和训练过程；

S203、提取最底层特征向量features_l，并对features_l进行聚类分析；

S204、找出k类场景中心，进行解码还原得出典型场景原始数据中心，同时还原出全部原始数据

S205、得出所需结果，循环结束。

进一步的，步骤S202中，若还原输入数据后与原始输入数据的欧氏距离大于e，增加迭代次数，重新训练模型；若训练模型时间大于t，即在迭代早期误差达到范围，减小迭代次数，重新训练模型。