[发明专利]一种感知风险的深度学习驱动的极限传输容量调整方法

说明书

本发明公开了一种感知风险的深度学习驱动的极限传输容量调整方法，包括如下步骤：将极限传输容量预测器嵌入到调整模型中，替代其中最复杂、最耗时的计算部分，得到深度置信网络代理辅助的双层模型；构建基于深度置信网络的预测区间，并根据预测区间覆盖概率、预测区间归一化平均带宽、累计带宽偏差调整预测区间，通过集成学习训练得到最优的预测区间；基于训练后的预测区间得到TTC值落在区间内的概率R，根据概率R评估预防控制失败的风险概率；将概率R引入深度置信网络代理辅助的双层模型的目标函数中，调整极限传输容量值。通过本发明，可以实现调节成本和控制风险的平衡。

技术领域

本发明涉及，具体是一种感知风险的深度学习驱动的极限传输容量调整方法。

背景技术

TTC的预防控制问题不仅仅需要快速感知TTC，也需要在分钟级时间内制定TTC预防性调整策略。有学者提出使用灵敏度技术来调整断面潮流状态，然而对于灵敏度的计算过于粗糙且多预想事故集并未考虑在该研究中。总的来说，目前鲜有针对TTC预防调度的安全经济研究，因此亟需一种新方法以解决此问题。近年来，一些学者提出了一种代理辅助(Surrogate-assisted,SA)的优化策略。该策略使用机器学习的代理规则代替优化模型中存在的高维非线性或者复杂微分方程约束，从而大大降低优化模型求解复杂度，非常适用于TTC的预防控制模型。

基于SA的TTC预防控制技术将为调度员制定电网预防控制策略提供有力支撑，然而一些固有问题仍然需要解决。例如，SA模型中嵌入的机器学习规则无法满足绝对准确，其固有误差有可能导致以经济最优为目标的TTC调控失败，系统依旧处于不稳定运行点。在此方面，已有学者提出解决方案。如有研究提出在控制模型中加入一定裕度，使得系统运行点更加远离临界安全点，然而该方案难以确保调控的经济性，且在实际应用中会导致优化的收敛性降低；亦有学者提出使用集成学习将预测误差以概率进行量化，然而此方案仅针对分类型决策树，对于机器学习方法和回归型问题的兼容性仍有待研究。

发明内容

本发明的目的在于克服现有技术的不足，提供一种感知风险的深度学习驱动的极限传输容量调整方法，包括如下步骤；

步骤一，将极限传输容量预测器嵌入到调整模型中，得到深度置信网络代理辅助的双层模型；

步骤二，构建基于深度置信网络的预测区间，并根据预测区间覆盖概率、预测区间归一化平均带宽、累计带宽偏差调整预测区间，通过集成学习训练得到训练后的预测区间；

步骤三，基于训练后的预测区间得到TTC值落在区间内的概率R，根据概率R评估预防控制失败的风险概率；

步骤四，将概率R引入深度置信网络代理辅助的双层模型的目标函数中，调整极限传输容量值。

进一步的，所述的预测区间构建包括；

设训练样本集以及PI，得到如下公式：

通过预测区间覆盖概率、预测区间归一化平均带宽和累计带宽偏差调整预测区间；其中的预测区间覆盖概率表明训练样本集的目标被预测区间覆盖的概率，采用下式计算：

其中，κ_i是布尔变量，采用下式所示：

预测区间归一化平均带宽用于量化训练目标偏离预测区间的上限或者下限的程度，采用下式计算：

累计带宽偏差采用如下公式计算：

其中，Z是为正则化因子。

进一步的，所述的预测区间训练包括如下过程: