买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：河海大学

摘要：本发明公开了一种基于深度学习辅助的直流配电网分布鲁棒优化调度方法，该方法首先构建直流配电网基于场景的分布鲁棒优化调度物理模型，反复改变输入的光伏出力、负荷、范数置信度，采用列与约束生成算法迭代求解获得光伏出力的最差概率分布，记录每一次的输入以及对应的最差概率分布作为输出为后续的深度学习提供数据支撑；其次，以光伏出力、负荷、范数置信度为输入，光伏出力的最差概率分布为输出构建深度神经网络模型；基于训练好的神经网络预测实时输入的光伏出力、负荷、范数置信度所对应输出的光伏出力最差概率分布，将原始分布鲁棒模型转化为最差概率分布下的单层随机规划模型并进行求解，获取等效的分布鲁棒调度策略。

主权项：1.一种基于深度学习辅助的直流配电网分布鲁棒优化调度方法，其特征在于，该方法包括如下步骤：步骤1，构建直流配电网基于场景的分布鲁棒优化调度物理模型，反复改变输入的光伏出力、负荷、范数置信度，采用列与约束生成算法迭代求解获得光伏出力的最差概率分布，记录每一次的输入以及对应的最差概率分布；步骤2，以光伏出力、负荷、范数置信度为输入，光伏出力的最差概率分布为输出构建深度神经网络模型；步骤3，基于训练好的神经网络预测实时输入的光伏出力、负荷、范数置信度所对应输出的光伏出力的最差概率分布，将原始分布鲁棒模型转化为光伏出力的最差概率分布下的单层随机规划模型并进行求解，获取等效的分布鲁棒调度策略；所述步骤1中，构建直流配电网基于场景的分布鲁棒优化调度物理模型，反复改变输入的光伏出力、负荷、范数置信度，采用列与约束生成算法迭代求解获得光伏出力的最差概率分布，记录每一次的输入以及对应的最差概率分布，模型如下：以直流配电网在光伏出力的最差概率分布下运行的成本最小为目标： 式中，f1x为第一阶段调度成本，f2yk为第k场景下的第二阶段调度成本，pk为各个场景的概率值，K为筛选得到的典型场景数，光伏出力的最差概率分布指的是使第二阶段的调度成本最大的光伏出力概率分布，其中： 式中，t为调度时刻，T为总的调度时段；i表示节点；Ωsub为上级电网集合，表示上级电网分时购电价格，Δt为相邻调度时段间隔，为上级电网的购电功率；ΩESS为储能装置集合，表示储能充放电的成本系数，分别为储能的充电和放电功率；NPV为光伏机组数量，表示弃光惩罚的成本系数，表示的是第k个场景下的弃光功率；Nbus为总节点数，η表示切负荷惩罚倍数，Pi,t,k,cut表示的是第k个场景下的切负荷功率；为第一阶段调度变量，表示第二阶段调度变量；运行约束：直流潮流约束，储能装置运行约束，光伏机组运行约束，上级电网购电约束，系统安全约束，切负荷约束，综合范数约束；1直流潮流约束 式中，ΩDC为直流节点集合，BDC为直流支路集合；Pi,t为节点i的有功注入功率，vi,t为节点i电压幅值的平方；Pij,t为支路ij的有功功率，lij,t为流过支路ij的电流的平方，rij为直流支路电阻；Fi为以节点i为首端点的支路的末端节点集合，Ti为以节点i为末端节点的支路的首端节点集合；表示光伏注入节点i的有功功率，为节点i的弃光功率；分别表示节点i上储能的充放电功率；表示节点i本身的负荷功率，Pi,t,cut表示节点i的切负荷功率；2储能装置运行约束储能包含充放电状态约束，充放电功率约束，储电容量约束以及日允许充放电状态改变次数，储能模型如下： 式中，和是储能充放电状态变量，为0-1变量，或表示储能充电或放电，反之，或表示储能不充电或不放电，式1-10表明充放电不能同时进行；是充放电功率最大值；是储能的储电容量，其中，分别为其上下限；α，β分别为充放电效率；λmax为日允许状态改变最大次数；3光伏机组约束 式中，为光伏机组最大出力；4上级电网购电约束 式中，为上级电网最大购电功率；5系统安全约束直流配电系统需保证电压、电流在规定范围内运行，约束如下： 式中，vi,min，vi,max分别为节点电压平方的最小、最大值；lij,min，lij,miax分别为流过支路ij的电流平方的最小、最大值；6切负荷约束 7综合范数约束以初始概率分布为中心，1-范数和∞-范数为约束条件的不确定概率分布集合，不确定概率分布集合Ω见式1-21； 式中，θ1、θ∞分别为1-范数和∞-范数允许的概率偏差限值，pk0为初始概率值，参数θ1，θ∞的计算方式如下： 式中，M为历史总场景数；α1，α∞为1-范数和∞-范数不确定概率置信度；综上所述，基于场景的分布鲁棒模型的通用形式表达如下： Cyk≤c1-26Gx+Hyk＝g1-27||Qyk+P||2≤qTyk+p1-28式中，x*为第一阶段调度变量的最优解，sk是由1-范数和∞-范数共同约束下的不确定概率分布集合，Ux*,sk是由第一阶段调度变量最优解和范数约束下不确定概率分布集合所构成的可行域；A，B，C，G，H，Q，P，a，b，c，g，qT，p均为约束对应的系数矩阵，式1-25表示第一阶段变量的相关约束，对应式1-8-1-14、1-17；式1-26表示第二阶段变量的相关约束，对应式1-15、1-16、1-18-1-20；式1-27表示第一阶段和第二阶段变量的耦合约束，对应式1-4、1-6、1-7；式1-28表示支路潮流二阶锥松弛约束，对应式1-5；采用列与约束生成算法求解分布鲁棒物理模型，其将模型分解为主问题和子问题迭代求解，主问题在子问题识别的光伏出力的最差概率分布下求解满足所有约束条件的最优一阶段调度决策，提供模型的下界值LB，主问题如下： 式中，ψ为替代第二阶段调度成本的辅助变量，m为迭代次数，为经过m次迭代之后第k个场景下的第二阶段调度变量，为代入主问题的最差概率分布；子问题是在主问题求解获取的一阶段调度策略下，识别光伏出力的最差的概率分布，提供给主问题进一步迭代计算，并提供模型的上界值UB，子问题如下： 由于子问题1-35-1-38中内层优化的一阶段调度变量及各典型光伏场景的出力均已知，内外层优化变量在约束中无耦合，进一步拆分为式1-39和式1-40的两个模型单独求解； 式中，是由式1-39所求得的第二阶段调度变量最优值；选取N个月的光伏和负荷数据，在GAMS平台调用GUROBI求解器进行求解，记录物理模型的光伏出力、负荷、范数置信度作为输入和光伏出力的最差概率分布作为输出；所述步骤2中，以光伏出力，负荷，范数置信度为输入，光伏出力的最差概率分布为输出构建深度神经网络模型，具体过程如下：以光伏出力、负荷和范数置信度为输入，光伏出力的最差概率分布为输出，如下： O＝pk,k＝1,2...K1-42式中，I表示输入，O表示输出；采用ReLU函数作为深度学习模型的非线性激活函数，ReLU函数表达如下：fx＝maxx,01-43式中，x表示输入值，fx表示激活函数的输出；从输入到输出的映射采用如下方式表达：I＝u01-44 O＝ω|Z|+1Tu|Z|+ρ|Z|+11-47式中，rz和uz分别为隐藏层z的线性映射和激活函数的输出，u0表示激活函数的初始输出；Z表示隐藏层集合，z∈Z；参数Wz，ρz和ω|Z|+1，ρ|Z|+1是需要通过训练学习的权重和偏差；T表示转置；输出为概率分布，具有以下限制：0≤O≤11-48采用Adam算法对深度学习模型进行训练，具体过程为在前向传播中计算输入的乘积和对应的权重，利用激活函数作用于这些乘积的总和，通过在神经网络的反向传播中回传相关误差，计算损失函数以及对于各个参数的梯度，更新权重参数W和偏置参数ρ，实现模型的训练；选用均方误差MSE作为损失函数，公式如下： 式中，yi表示实际值，表示预测值；n表示总样本数；Adam算法的权重更新公式如下所示： 式中，为待更新的参数变量；δ为学习率；μ为平滑参数，分别为经过误差修正后的梯度带权平均值和梯度带权有偏方差；利用式1-41-1-50，实现深度学习模型的构建。

全文数据：

权利要求：

百度查询： 河海大学 一种基于深度学习辅助的直流配电网分布鲁棒优化调度方法