[发明专利]一种基于多任务深度学习的最优潮流计算方法

说明书

本发明涉及到智能电网领域，提出了一种基于多任务深度学习的最优潮流计算方法，步骤如下：获取电网在某一调度时刻的状态数据，通过采样方式对采集到的数据样本进行扩增，得到训练数据；应用最优化方法获得不同采样状态下的电网调度方案，得到训练数据的标签信息；设计深度学习神经网络模型，对最优潮流计算问题的可行性、最优解分别进行学习，输出可行性判断和最优解预测；基于多任务学习框架，对最优潮流计算问题中的可行性判断与最优解预测两个任务同时训练；根据多任务深度学习模型的输出结果，判断是否存在可行的调度方案，输出最优调度方案或预警信息。本发明不仅能够更高效地求解调度方案，而且能够对不存在可行调度方案的场景进行预警。

技术领域

本发明涉及到智能电网领域和人工智能领域，具体为一种基于多任务深度学习的最优潮流计算方法。

背景技术

最优潮流计算问题是电力系统运行的核心问题，支撑着电力系统的各种应用，包括经济调度、机组组合、需求响应以及可靠性评估等。在遵循物理约束的前提下，电力系统通过求解最优潮流计算能够实现最优的发电调度。最优潮流计算作为一个数学规划问题，常见形式包括直流最优潮流计算、交流最优潮流计算，传统的求解方法是基于最优化理论的数值算法，例如梯度法、牛顿法、内点法等。一般而言，使用传统方法能够较好地获取最优解，满足一般电力系统需求；然而，由于基于最优化理论的数值算法的时间复杂度往往较高，计算过程耗时长，很难满足大型电力系统需求，并且无法保证求解的实时性。如何保证最优潮流计算求解效果的同时减小求解过程花费的时间，是目前智能电网领域关心的主要问题之一。

发明内容

本发明目的是为了解决智能电网领域中存在的上述技术问题，提出了一种基于多任务深度学习的最优潮流计算方法。

实现本发明的技术方案为：

一种基于多任务深度学习的最优潮流计算方法，包含以下步骤：

步骤1、获取电网在某一调度时刻的状态数据，通过采样方式对采集到的数据样本进行扩增，得到训练数据；

步骤2、应用最优化方法获得不同采样状态下的电网调度方案，得到训练数据的标签信息；

步骤3、设计深度学习神经网络模型，对最优潮流计算问题的可行性、最优解分别进行学习，输出可行性判断和最优解预测；

步骤4、基于多任务学习框架，对最优潮流计算问题中的可行性判断与最优解预测两个任务同时训练，得到训练后的多任务深度学习模型；

步骤5、根据多任务深度学习模型的输出结果，判断是否存在可行的电网调度方案，输出电网最优调度方案或预警信息。

进一步的，所述步骤1具体如下：

在步骤1.1中，采集电网在某一调度时刻的状态数据，包含系统中的节点数量N_bus，发电机数量N_gen，线路数量N_branch，节点i与节点j间的电抗x_ij，以及负载功率，为对应节点i的负载功率；

在步骤1.2中，对采集到的节点负载功率分别进行采样扩增，得到样本；经过上述采样扩增过程n次，得到训练样本。

进一步的，所述采样方式以节点负载功率为中心进行均匀采样，如下所示：

其中为节点i的采样参数。