[发明专利]基于BP神经网络的概率潮流在线计算方法

权利要求书

1.一种基于BP神经网络的概率潮流在线计算方法，其特征在于，包括以下步骤：

1)建立所述BP神经网络潮流模型；

2)初始化BP神经网络潮流模型的基本参数，包括：输入层到隐含层的权重W_ij、隐含层到输出层的权重W_je和学习速率η；

3)获取训练样本数据；所述训练样本数据包括电力系统的风速、光照辐射度和负荷；

4)确定训练目标，即权值矩阵与偏移向量参数θ＝{W,b}；采用所述训练样本数据，基于步骤2)中的初始化BP神经网络潮流模型的基本参数和训练目标，对所述BP神经网络潮流模型进行训练，从而得到训练后的BP神经网络潮流模型；

5)采用蒙特卡洛法或改进蒙特卡洛法对待计算概率潮流的电力系统的随机变量进行抽样，从而获取计算样本；所述随机变量包括待计算概率潮流的电力系统的风速、光照辐射度和负荷；

6)将步骤5)得到的计算样本一次性输入步骤4)中训练完成的BP神经网络潮流模型中，得到所述训练目标，从而判断所有计算样本的潮流可解性；计算可解样本的潮流值；

7)统计概率潮流指标；所述概率潮流指标包括训练后的BP神经网络潮流模型输出变量的均值、方差和概率分布；输出变量包括电力系统所有节点的电压幅值和相角、各支路有功和无功功率。

2.根据权利要求1所述的一种基于BP神经网络的概率潮流在线计算方法，其特征在于：所述BP神经网络潮流模型包括输入层、隐含层和输出层；

输入层的神经元个数设为n；任意输入层神经元记为x_i，i＝1、2…n；

隐含层的神经元个数为1；

输出层的神经元个数设为m；任意输出层神经元记为d_e,e＝1、2…m；

n和m的取值由电力系统的规模和复杂程度决定。

3.根据权利要求1所述的一种基于BP神经网络的概率潮流在线计算方法，其特征在于：对所述BP神经网络潮流模型进行训练的步骤如下：

I)所述BP神经网络潮流模型的输入X包括电力系统的能源节点和负荷节点的有功功率和无功功率；所述BP神经网络潮流模型的输出y包括潮流可解性、节点电压、支路有功功率和支路无功功率；

利用最大最小法对输入X进行预处理；对经过预处理的输入X进行归一化处理，把归一化处理后的输入作为BP神经网络结构的输入参数；

利用最大最小法对输出Y预处理；对经过预处理的参数量进行归一化处理；归一化处理后的输出为训练的目标输出；

II)利用前向传播计算BP神经网络潮流模型输入层、隐含层和输出层的输出，输出为归一化量纲下表征可解性置信度与潮流归一化估计值的[0,1]区间上的变量；

III)由链式法则求得残差

式中，为输入层第l层的神经元的输出；i为任意神经元；为输入层顶层的神经元i的输出；y_i为输出层神经元的期望输出值；

式中，为第l层的神经元的输出，即激活度；j为任意神经元；为输入层和隐含层之间的权重值；为输入层第l+1层的残差；s_l为第l层的神经元个数；

所需损失函数采用平方差函数，如下所示：

式中，e为输出层的任意层；m为输出层的总层数；y_i为输出层神经元的期望输出值；d_e为输出层的任意神经元；

IV)通过求得的残差计算出损失函数J对于各网络参数的偏导数；

式中，为输入层和隐含层之间的权重值；为输入层第l+1层的残差；为输入层第l层的神经元的输出，即激活度；

式中，为顶层神经元将误差反向传播到的第l层神经元所得的误差项；J为损失函数；为输入层第l+1层的残差；W表示输入层至隐含层的权值矩阵；b表示输入层至隐含层的偏移向量；

V)利用小批量梯度下降算法，并结合学习速率衰减，构建参数更新公式，从而迭代求解所述BP神经网络潮流模型的所有最优参数θ＝{W,b}；

在每次迭代中，利用小批量梯度下降算法计算出权值改变量，如下所示：

式中，为输入层和隐含层之间的权重值；η是BP神经网络潮流模型的学习速率；r是起始样本序号；m是样本数量；i为当前训练样本；W表示输入层至隐含层的权值矩阵；b表示输入层至隐含层的偏移向量；J为损失函数；

利用衰减学习率对迭代后的学习速率η进行调整；调整方法如下所示：

其中，η是BP神经网络潮流模型的学习速率；η₀是BP神经网络潮流模型学习速率的初始值；γ为衰减因子；γ1；T是当前的迭代次数；C是常数；

构建参数更新公式(8)和参数更新公式(9)，如下所示：

W^(l,T+1)＝W^(l,T)+ΔW^(l,T)+p×dW^(l,T-1) (8)

式中，W^(l,T)为第l层第T次参数更新后的权值矩阵；ΔW^(l,T)为第l层第T次参数更新时，小批量梯度下降法引起的权值矩阵的改变量；dW^(l,T-1)为第T次参数更新时W^(l,T-1)相对于W^(l,T-2)的改变量；p为动量因子；T为当前的迭代次数；p×dW^(l,T-1)为动量学习率；

b^(l,T+1)＝b^(l,T)+Δb^(l,T)+p×db^(l,T-1) (9)

式中，b^(l,T)为第l层DAE第T次参数更新后的偏移向量；Δb^(l,T)为第l层DAE第T次参数更新时，小批量梯度下降法引起的偏移向量的改变量；db^(l,T-1)为第T次参数更新时b^(l,T-1)相对于b^(l,T-2)的改变量；p为动量因子；T为当前的迭代次数；p×db^(l,T-1)为动量学习率；

IV)根据参数更新公式(9)和公式(10)，完成训练，得到训练后的BP神经网络潮流模型。