[发明专利]一种基于集成神经网络的智能电网经济调度方法

说明书

一种基于集成神经网络的智能电网经济调度方法，获取电网系统的发电参数，包括系统中各发电机的发电代价函数和发电机负载上下限；使用已有的最佳非凸优化算法来产生一个大型数据集；利用当前数据集构建一个深度神经网络，命名为EDNet，通过反向传播技术学习数据集中的数据使得网络的输出逐渐逼近数据集中的输出部分；使用微调算法微调EDNet的输出，得到严格满足问题约束的最优解；利用Adaboost.R2算法作为训练策略依次训练出M个EDNet，将这M个EDNet并行排列形成E²DNet；M个最优解中拥有最小发电代价的解被选为整个集成网络的最优解。将训练完备的E²DNet投入使用，在线处理智能电网的经济调度问题。

技术领域

本发明属于集成学习、深度学习、电网优化的交叉领域，具体提供一种基于集成神经网络的智能电网经济调度方法，它不仅能利用深度学习的学习能力强、泛化性能好、单次前向传播速度快等优点，还利用了集成学习的优势，进一步提高了求解的精确性，使其具有卓越的优化能力，能够解决智能电网中复杂的经济调度问题，极大的提高了智能电网的服务能力。

背景技术

实时经济调度(又称最优功率分配)是智能电网中一类重要的优化问题，旨在满足本地发电机发电约束、供需平衡约束的前提下最小化总发电代价，即在保证电网正常工作的前提下最大化其经济性。由于实际的电网中阀点效应、多燃料选择等非线性因素的存在，使得智能电网的经济调度问题一直是一个极具挑战性的难题。

从求解精确性的角度来说，传统的启发式算法，例如遗传算法、蚁群算法，解的质量相对较低，难以满足电力系统的精度要求。

从求解稳定性的角度来说，由于其内含的随机策略(例如遗传算法中的轮盘赌策略)以及算法本身的部分特征参数大小(例如差分进化算法中的差分变异概率、交叉率概率)难以确定，导致多次求解所得出的解是不同的，质量参差不齐，无法保证其良好的稳定性。

从求解实时性的角度来说，一方面，启发式算法基于种群的优化机制和迭代的运行方式大大提高了其计算代价和计算时间，考虑到如今智能电网中可再生能源供给量和网络负载在短时间内可能发生大幅波动的特点，启发式算法应被认为难以承担实时调度的工作任务。另一方面，启发式算法由于对真实电网场景中相关计算软/硬件要求较高，因此应被认为不符合应当今智能电网“经济性”的趋势。

发明内容

为了克服现有技术难以满足智能电网的实时经济调度要求的不足，本发明基于集成神经网络的智能电网经济调度方法，以深度学习技术为核心，以集成网络为整体框架，结合二进制编码特征提取手段和微调算法，不仅有效满足智能电网的经济调度的精确性要求，同时也大大提高了求解的效率，实现了数量级的加速。

本发明为解决上述技术问题提供了如下技术方案：

一种基于集成神经网络的智能电网经济调度方法，所述方法包括以下步骤：

步骤1)，获取电网系统的发电参数，包括系统中各发电机的发电代价函数和发电机负载上下限；

步骤2)，使用已有的最佳非凸优化算法来产生一个大型数据集；

步骤3)，利用当前数据集，构建一个深度神经网络，命名为EDNet，通过反向传播技术学习数据集中的数据使得网络的输出逐渐逼近数据集中的输出部分；

步骤4)，使用微调算法微调3)中给出的伪最优解，得到严格满足问题约束的最优解；

步骤5)，利用Adaboost.R2算法作为训练策略，依次训练出M个EDNet，将这M个EDNet 并行排列，M个最优解中拥有最小发电代价的解被选为整个集成网络的最优解。这样的集成网络被命名为E²DNet。

步骤6)，将训练完备的E²DNet投入使用，在线处理智能电网的经济调度问题。