[发明专利]基于BP神经网络的概率潮流在线计算方法

说明书

本发明公开了一种基于BP神经网络的概率潮流在线计算方法，主要包括以下步骤：1)建立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。3)获取训练样本数据。4)确定训练目标。采用所述训练样本数据，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)获取计算样本。6)将步骤3得到的训练样本数据一次性输入步骤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，从而判断所有训练样本的潮流可解性；计算可解样本的潮流值。7)统计概率潮流指标。本发明可广泛应用于电力系统的概率潮流在线计算，特别适用于新能源高比例接入导致电力系统不确定性增强的情况。

技术领域

本发明涉及电力系统及其自动化领域，具体是一种基于BP神经网络的概率潮流在线计算方法。

背景技术

电力系统本质上运行在不确定的环境当中。概率潮流可计及不确定性因素的影响，获取系统状态变量的概率特征，并用于电力系统规划和运行等方面。近年来，由于光伏、风电等可再生能源渗透率越来越高，电力系统不确定性激增。为了满足电力系统运行调度的要求，在线概率潮流计算的需求愈发迫切。

目前，概率潮流求解方法主要有解析法和模拟法。解析法(卷积法、点估计法、一次二阶矩法等)通常计算量较小，但忽略了潮流不可解情况，并且随着输入随机变量的增多会造成输出变量数字特征精度损失。模拟法以MCS法为基础，计算结果精确并作为验证其他方法的参考，但需要大量抽样系统状态，从而计算时间较长。因此，学者一直在寻求改进方法以减少MCS法计算概率潮流的计算时间。

目前针对MCS法计算概率潮流的改进主要分为改进抽样方法和改进潮流计算方法。改进抽样方法包括重要抽样法、拉丁超立方采样法、拟蒙特卡洛法等，可有效减少模拟样本数，相应的理论研究已较为成熟，但依然难以在线应用。改进潮流计算方法主要分为改进迭代算法和非迭代算法。改进迭代算法大多基于牛顿法，如快速解耦法、拟牛顿法等，一定程度上加快了潮流求解的速度，但仍然需要迭代计算，因此难以用于在线分析。

发明内容

本发明的目的是解决现有技术中存在的问题。

为实现本发明目的而采用的技术方案是这样的，一种基于BP神经网络的概率潮流在线计算方法，主要包括以下步骤：

1)建立BP神经网络潮流模型。

进一步，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。

2)初始化BP神经网络潮流模型的基本参数，主要包括：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。所述训练样本数据主要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}。

所述BP神经网络潮流模型的训练目标，即权值矩阵与偏移向量参数θ＝{W,b}的最优值如下所示：

式中，W表示输入层至隐含层的权值矩阵。为归一化后的输入。b表示输入层至隐含层的偏移向量。

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，得到所述训练目标，从而得到训练后的BP神经网络潮流模型。