[发明专利]一种快速对抗深度置信网络的分布式多目标优化加速方法

说明书

本发明提出一种快速对抗深度置信网络的分布式多目标优化加速方法，该方法包括了生成式对抗网络的样本数据生成方法和基于深度置信网络的调度优化决策加速方法。首先，通过纳什博弈帕累托多目标优化方法，综合考虑低成本、低碳排放和高舒适度三个目标进行优化。然后，通过生成式对抗网络生成大量样本数据，为深度置信网络的调度优化决策提供数据支持。最后，通过已完成预学习的深度置信网络实现群体智能决策，从而实现信息‑物理‑社会融合能源系统(微元网)的整体最优调度。本发明所提的方法，考虑了能源的社会性，实现了多目标优化的最佳折中，可以利用有限的信息生成大量的数据以辅助决策过程，达到加速优化过程的效果。

技术领域

本发明属于电力系统最优调度与控制决策领域，涉及一种基于人工智能技术的多目标优化加速方法，适用于电力系统的优化调度。

背景技术

现如今分布式可再生能源发电技术发展迅速，以风能和光伏为代表的可再生能源发电系统的大量接入，给传统电网带来了极大的挑战。一直以来，电力系统的调度控制体系是集控式的，即通过输电运营商和配电运营商对电力系统进行层次性管理。这种管理模式对只有传统发电厂的电力系统是有效的，然而当大量的出力大小不确定和波动大的分布式电源接入后，这种响应速度慢的调度控制体系就难以实现功率的合理分配。近年来，微电网技术得到了广泛的研究和发展，微电网是将分布式电源、负荷和储能系统组合为一个可控的整体，它既可以工作在并网模式，为主网提供频率支撑或电压支撑；也可以工作在并网模式，保证内部配电线路的电压稳定和内部负荷的用电需求，通过集控式的优化调度方法可以满足功率的平衡。但是随着系统的规模扩大，这种集中能源管理系统要从各个部分收集大量的数据，进行大规模的计算，得出的结果往往难以满足要求，同时随着物联网技术的发展和电力市场改革的深入，人类社会信息对电力系统的影响进一步加深。

因此，在调度控制时就需要考虑社会因素的影响，从而导致了优化目标个数增多。同时，随着电网拓扑结构的复杂度上升和样本数据容量的增加，传统的多目标优化方法迭代求解过程将会非常缓慢。

发明内容

本发明所提的一种快速对抗深度置信网络的分布式多目标优化加速方法，该方法包括了利用生成式对抗网络的样本数据生成方法和基于深度置信网络的调度优化决策加速方法。首先，通过纳什博弈帕累托多目标优化方法，综合考虑低成本、低碳排放和高舒适度三个目标进行优化。然后，利用生成式对抗网络生成大量样本数据，为深度置信网络的调度优化决策提供数据支持，通过已完成预学习的深度置信网络实现群体智能决策，从而实现信息-物理-社会融合能源系统(微元网)的整体最优调度。

为了协调成本、碳排放和用户舒适度三者之间的关系，本发明采用多目标优化模型。提出的三个目标函数分别如下：

1)发电成本最小：

式中，n和m分别为微元网中火电机组和水电机组的数量；P_thi、P_hyi、P_w和P_pv分别为火电、水电、风电和光伏所发出的有功功率；C_thi(P_thi)、C_hyi(P_hyi)、C_w(P_w)和C_pv(P_pv)分别为火电、水电、风电和光伏的发电成本。

2)碳排放量最小：

式中，α_i、β_i和γ_i分别为火电机组的碳排放系数；P_thi为火电机组的出力。

3)用户舒适度最高：