[发明专利]基于DNN算法的电力系统鲁棒优化极端场景的识别方法

说明书

本发明公开了一种基于DNN算法的电力系统鲁棒优化极端场景的识别方法，包括：先构建数据集，再构建DNN算法，然后训练DNN算法，训练DNN算法可以包括：设置参数、数据计算、数据输出、选取代价函数、反向传播和判断是否训练结束，若训练结束，则可以对识别极端场景，利用训练后的DNN算法识别极端场景，其中，数据集用于DNN算法的训练和测试，数据集中的每条数据均包括输入部分和输出部分，其中输入部分由盒式不确定集确定，盒式不确定集包括：m个负荷功率和n个光伏发电出力，输出部分由极端场景的类别确定。根据本发明实施例的基于DNN算法的电力系统鲁棒优化极端场景的识别方法，可以简化求解极端场景的步骤，以提高识别极端场景的效率。

技术领域

本发明涉及电力系统技术领域，尤其是涉及一种基于DNN算法的电力系统鲁棒优化极端场景的识别方法。

背景技术

随着新能源技术的不断发展，风电、光伏等可再生能源大规模并网已经成为一种趋势，可再生能源输出功率存在显著的可变性和不确定性；同时，电力系统负荷预测也存在不确定性。这些不确定性给电力系统调度、规划带来很大的影响。

考虑不确定性问题常常采用鲁棒优化，鲁棒优化需要知道不确定参数的取值范围，选择在“极端场景(最差场景)”下进行优化，以此保证当不确定参数在取值范围内任意变化，最优解都是可行的。极端场景是不确定参数在不确定集中的一种取值，对于盒式不确定集和多面体不确定集，极端场景通常取在边界或顶点。

鲁棒优化中查找极端场景是一个挑战，对于一些简单算例，鲁棒优化的极端场景可以很容易得到，例如考虑负荷、可再生能源发电出力不确定性的简单电力系统，鲁棒优化的极端场景就是所有负荷取上界，可再生能源发电出力取下界。

但如果系统规模大，约束条件复杂的电力系统中，将涉及到非线性、非凸等问题，利用传统方法求解极端场景是通过鲁棒优化自身的迭代求解过程获得，计算繁琐复杂。另外，在大规模的复杂电力系统中，传统方法查找极端场景需要进行鲁棒优化计算，计算时间较长，导致极端场景的识别效率低下。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明的一个目的在于提出一种基于深度神经网络(Deep Neural Network，DNN)算法的电力系统鲁棒优化极端场景的识别方法，所述识别方法，可以简化求解极端场景的步骤，以提高识别极端场景的效率。

根据本发明实施例的基于DNN算法的电力系统鲁棒优化极端场景的识别方法，所述基于DNN算法的电力系统鲁棒优化极端场景的识别方法包括：构建数据集、构建DNN算法、训练DNN算法以及利用训练好的DNN算法识别极端场景。具体地，所述数据集用于DNN算法的训练和测试，所述数据集中的每条数据均包括输入部分和输出部分，其中所述输入部分由盒式不确定集确定，所述盒式不确定集包括：m个负荷功率和n个光伏发电出力，所述输出部分由极端场景的类别确定，DNN算法包括：输入层、隐含层和输出层，所述输入部分的数据从所述输入层输入DNN算法，所述输入层中神经元的数量与所述输入部分中每条输入数据的元素数量相等，所述输出层中神经元的数量与所述极端场景的类别数量相等，所述训练DNN算法包括：设置参数、数据计算、数据输出、选取代价函数、反向传播和判断是否训练结束，其中参数需要设置权重w和偏置b，并设置迭代次数t，所述隐含层对输入其内的数据计算，所述隐含层将计算结果传输至所述输出层，并由所述输出层输出，所述代价函数用于表示DNN算法预测输出值和实际输出值的误差，将所述误差沿所述隐含层至所述输入层的顺序逐层反向传播，并将所述误差分配给所述隐含层和所述输入层中所有神经元，以所述隐含层和所述输入层获得的误差信号为依据调整神经元连接的所述权重w和所述偏置b，判断所述迭代次数t是否到达预设的次数，若是，训练结束，否则，返回至所述数据计算，利用训练后的DNN算法识别所述极端场景。

根据本发明实施例的基于DNN算法的电力系统鲁棒优化极端场景的识别方法，通过训练DNN算法，可以不用求解鲁棒优化问题，而是利用数据集训练出识别模型，模型训练完毕后，DNN算法识别极端场景将避免很多繁琐鲁棒计算，从而可以提高极端场景的识别效率。