基于深度学习的概率性电网潮流快速计算方法

摘要

cqvip:高压直流输电技术能将大规模的清洁能源远距离输送,同时电网没有同步稳定问题和无功电压调节困难的约束,因此在全世界范围内具有广泛的发展前景。概率性电力潮流(PPF)在电力系统分析中起着至关重要的作用。但是由于电网潮流在传输中由于大的计算量,而导致消耗较大。传统的电网潮流计算方法对环境要求较高,时而不稳定,给PPF的实现带来了很大挑战。提出了一种基于模型的深度学习方法来克服计算的挑战。采用深度神经网络(DNN)逼近电力潮流计算,根据物理潮流方程进行训练,来提高学习能力。将分支流作为惩罚项加入到DNN的目标函数中,提高了DNN的逼近精度,简化了反向传播过程中使用的梯度,加快了训练速度,提高了算法的收敛速度。仿真结果验证了该方法的有效性和准确性。