[发明专利]一种基于深度神经网络的智能电网系统实时最优功率分配方法

说明书

一种基于深度神经网络的智能电网系统实时最优功率分配方法，先获取电网的发电参数，以提升发电效率，降低总发电代价为目标，利用基于梯度下降的传统优化方法，确定对于不同总功率需求大小的功率分配策略；根据所使用的基于梯度下降的传统优化方法确定深度神经网络的参数。使用已完备的训练集训练深度神经网络模型直至验证集损失值趋于稳定；实时获取待处理的总功率需求，将其输入到训练好的深度神经网络进行神经网络计算，输出结果为各发电机的发电负载。本发明降低计算资源占用，极大的降低服务时延，提高分配速率。该方法的辨识精度可以满足实际应用的要求，并且训练所需的相关参数可以通过对传统优化方法的计算获得。

技术领域

本发明属于电网优化及机器学习领域，具体提供一种基于深度神经网络的智能电网系统实时最优功率分配方法，它能实时计算不同功率需求下的发电机负载分配策略，提高智能电网系统的服务效能。

背景技术

电网系统问题运行与控制是一类重要的优化问题。其本质在于满足供需功率平衡、线路潮流和发电机功率上下限等约束条件的前提下，最大程度提高电网系统的经济性和实时性，降低发电过程中各环节带来的损耗。近年来，电力来源急剧增多，人类对保护环境的重视使得以太阳能和风能为代表的新能源以其可再生性、清洁型等特点得到广泛应用。随着多种新能源的广泛应用，智能电网系统优化的实时性问题日益突出。实时的控制需要极低的时延，这对功率优化分配算法的实时性提出了要求。

目前的传统最优功率分配算法主要有基于梯度下降的最优化算法、基于二分法的最优化算法等。传统最优化算法虽然在计算结果上表现良好，但其通常需要多次迭代，计算复杂度较高，计算时间较长，无法第一时间计算出最优功率分配结果，难以满足智能电网系统实时调度的要求。

发明内容

为了克服现有技术的计算复杂度较高、计算时间较长、无法第一时间计算出最优功率分配结果、难以满足智能电网系统实时调度的要求的不足，本发明提供了一种基于深度神经网络的智能电网系统实时最优功率分配方法，具体地说，先获取电网的发电参数，以提升发电效率，降低总发电代价为目标，利用基于梯度下降的传统优化方法，确定对于不同总功率需求大小的功率分配策略。根据所使用的基于梯度下降的传统优化方法确定深度神经网络的参数。使用已完备的训练集训练深度神经网络模型直至验证集损失值趋于稳定。实时获取待处理的总功率需求，将其输入到训练好的深度神经网络进行神经网络计算，输出结果为各发电机的发电机负载。实验结果验证了该方法的有效性。

本发明为解决上述技术问题提供了如下技术方案：

一种基于深度神经网络的智能电网系统实时最优功率分配方法，包括以下步骤：

步骤1)，获取电网系统的发电参数，所述发电参数包括各发电机的发电代价函数和发电机负载上下限；

步骤2)，以提升发电效率，降低总发电代价为目标，在发电机负载范围内，利用基于梯度下降的传统优化方法，确定对于不同总功率需求大小的功率分配策略；

步骤3),将总功率需求和对应的最优功率分配策略存储为相应智能电网系统深度神经网络模型的训练集；

步骤4)，根据所使用的基于梯度下降的传统优化方法确定深度神经网络的参数包括权重w、偏置b、学习率L、全连接层神经元个数n；

步骤5)，根据已完备的训练集，训练深度神经网络模型，直至训练过程中的验证集损失值趋于稳定；

步骤6)，获取待处理的总功率需求，将其输入到训练好的深度神经网络进行神经网络计算，输出结果为各发电机的发电机负载。

进一步，所述步骤2)的过程如下：

2.1)初始化变量，即各发电机的发电机负载

2.2)利用梯度下降：