一种基于多任务深度学习的最优潮流计算方法

摘要

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。

说明书

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

在步骤1.2中，对采集到的节点负载功率

进一步的，所述采样方式以节点负载功率

其中

进一步的，所述步骤2具体如下：

把采样样本

进一步的，所述步骤3具体如下：

首先对训练数据的输入

然后将

其中

针对最优潮流计算问题的可行性，设计如下输出层进行学习：

其中，ψ

针对最优潮流计算问题的最优解，设计如下输出层进行学习：

其中，ψ

进一步的，所述步骤4具体如下：

设置分类任务，通过损失函数衡量可行性标志的预测值

其中

设置回归任务，通过损失函数衡量调度方案的预测值

其中

通过加权求和的方式，得到多任务深度学习模型的训练损失：

其中，

进一步的，所述步骤5具体如下：

给定电网在任一调度时刻的状态数据，多任务深度学习模型输出可行性标志的预测值

与现有技术相比，本发明具体如下优点：

（1）在本发明中，针对传统最优化方法在求解最优潮流计算问题时耗时长等问题，创新性地提出了一种基于多任务深度学习的最优潮流计算方法，使用神经网络模型替代传统方法对最优潮流计算问题进行建模，得到的神经网络模型能够快速地对最优潮流计算问题进行求解，更好地满足大型电力系统的需求。

（2）在本发明中，为了保证模型对最优潮流计算问题求解结果的有效性和可行性，设计了多任务的训练框架对神经网络模型进行训练。设计回归任务以实现最优调度方案的输出，设计分类任务对方案可行性进行判断，最终使训练得到的模型不仅能够准确求解最优潮流问题，而且可以预警无最优解情况。

附图说明

图 1 为本发明实施例基于多任务深度学习的最优潮流计算方法的流程图。

具体实施方式

下面结合附图和实施例对本发明进行详细描述。应当理解，所描述的实施例仅属于本发明中的一部分，并不是全部实施例，所以实现本发明不应被阐述实施例所限制，而应该借助这些实施例进一步理解本发明的内容本质，能更好地服务于本领域的技术人员。

如图1所示，本发明的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。

在步骤1.1中，采集电网在某一调度时刻的状态数据，具体包含系统中的节点数量

其中

本实施例采集了IEEE 30节点电网在某一时刻的调度数据，其中具体包含系统中 的节点数量

在步骤1.2中，对采集到的节点负载功率

本实施例使用均匀采样对采集到的IEEE 30节点电网状态数据进行样本扩增，在 本实施例中，通过

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。具体是：把采样样本

本实施例中对每一个训练样本重复上述求解过程，得到所有训练数据对应的标签

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。

首先对训练数据的输入

然后将

其中

针对最优潮流计算问题的可行性，设计如下输出层进行学习：

其中，ψ

针对最优潮流计算问题的最优解，设计如下输出层进行学习：

其中，ψ

在本实施例为了减小由于训练数据幅值范围对结果造成的影响，对训练数据的输 入

然后将

其中

针对最优潮流计算问题的可行性，神经网络模型输出层输出可行性标志的预测值

其中，Softmax输出问题可行、不可行的概率值，argmax基于上述概率值返回可行性标志的预测值

针对最优潮流计算问题的最优解，神经网络模型输出层输出预测结果

其中，

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，得到训练好的多任务深度学习模型；具体如下：

设置分类任务，通过损失函数衡量可行性标志的预测值

其中

设置回归任务，通过损失函数衡量调度方案的预测值

其中

通过加权求和的方式，得到多任务深度学习模型的训练损失，如下所示：

其中，

本实施例设置两个训练任务，对步骤3中的神经网络模型进行训练。

设置分类任务，分类类别为2类，类别0代表不可行，类别1代表可行，通过使用交叉 熵损失函数最小化模型可行性标志的预测值

设置回归任务，通过使用均方误差损失函数最小化模型预测最优解

通过加权求和的方式，得到多任务深度学习模型的训练损失，如下所示：

其中，

神经网络模型使用上述多任务学习框架，在训练集

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调度方案，输出最优调度方案或预警信息。通过步骤4得到训练好的多任务深度学习模型，进行部署使用。在模型使用过程中，给定电网在任一调度时刻的状态数据，模型将输出可行性标志的预测值

在本实施例中，当