(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110848072.1 (22)申请日 2021.07.27 (65)同一申请的已公布的文献号 申请公布号 CN 113553768 A (43)申请公布日 2021.10.26 (73)专利权人 天津大学 地址 300072 天津市南 开区卫津路9 2号 (72)发明人 侯恺　董紫珩　贾宏杰　余晓丹　 穆云飞　 (74)专利代理 机构 天津市北洋 有限责任专利代 理事务所 12 201 代理人 李林娟 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06Q 50/06(2012.01) G06F 111/10(2020.01) G06F 119/02(2020.01) (56)对比文件 CN 108304623 A,2018.07.20 Xu X等.A rel iability assessment approach for the urban energy system and its application in energy hub plan ning. 《Power & Energy Society General Me eting. IEEE》 .2016, 王越.区域综合能源系统可靠性评估及优化 配置方法研究. 《中国优秀硕士学位 论文全文数 据库 (工程科技 Ⅱ辑)》 .2020, 审查员 原野 (54)发明名称 模型数据混合驱动 的电网可靠性快速计算 方法及装置 (57)摘要 本发明公开了一种模型数据混合驱动 的电 网可靠性快速计算方法及装置， 方法包括： 在预 抽样阶段， 使用最优潮流建模计算每一状态的可 靠性指标， 用于为改进的SDA E网络训练提供标签 与数据样本； 在实际抽样阶段， 使用训练完毕的 改进的SDAE网络进行从系统运行状态到可靠性 指标的直接映射， 对改进的SDAE网络模型的噪声 添加环节加以改进， 使之适应于电力系统潮流数 据的变化波动， 形成了基于深度学习的数据驱 动； 以深度堆叠的SDA E神经网络挖掘 系统中的潮 流特征， 建立系统运行状态参数与最小负荷削减 之间的映射 关系， 实现以最小负荷削减量为目标 的最优潮流计算。 装置包括： 处理器和存储器。 本 发明的求 解时间和精度符合在线应用要求。 权利要求书1页 说明书12页 附图3页 CN 113553768 B 2022.04.01 CN 113553768 B 1.一种模型 数据混合驱动的电网可靠性快速计算方法， 其特 征在于， 所述方法包括： 在预抽样阶段， 使用最优潮流建模计算每一状态的可靠性指标， 用于为改进 的SDAE网 络训练提供 标签与数据样本； 在实际抽样阶段， 使用训练完毕的改进的SDAE网络进行从系统运行状态到可靠性指标 的直接映射， 对改进的SDAE网络模型的噪声添加环节加以改进， 使之适应于电力系统潮流 数据的变化波动， 形成了基于深度学习的数据驱动； 以深度堆叠的SDAE神经网络挖掘系统中的潮流特征， 建立系统运行状态参数与最小负 荷削减之间的映射关系， 实现以最小负荷削减量 为目标的最优潮流计算； 其中， 所述改进的S DAE网络为： Yl＝hl(hl‑1(hl‑2(…h1(X⊙(1+α )·sg(A))))) 其中， X是原始输入矩阵， A是与X同维度的矩阵； h表示输入层与 隐藏层之间的编码关 系； sg()是类符号 函数； α 为噪声相对水平， 即所 添扰动与数值之比； 其中， 所述对改进的S DAE网络模型的噪声添加环 节加以改进具体为： 其中， i表示第i个样本， 表示经过噪声腐蚀后的输入样本， Ai是与xi同维度的向量； 其中， 所述方法将发电量和需求 量组成输入数据， 每条总线的负载损失作为网络 输出； 训练数据集的输入输出 数据基于历史数据构建或模型驱动法模拟来获取： Xi＝[Pi1,Qi1,Pi2,Qi2,...,Pin,Qin,PGi1,PGi2,...,PGim] Yi＝[LCi1,LCi2,...,LCin] 其中， Pik和Qik是第i个样本中第k个节点的有功和无功负载需求， PGij表示第j个发电机 节点产生的功率； n和m分别表示节点 数目和发电机节点的数量， LCin为第i个样本中n节点的 负荷损失。 2.一种模型数据混合驱动的电网可靠性快速计算装置， 其特征在于， 所述装置包括： 处 理器和存储器， 所述存储器中存储有程序指令， 所述处理器调用存储器中存储的程序指令 以使装置执 行权利要求1所述的方法步骤。 3.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质存储有计算机程 序， 所述计算机程序包括程序指令， 所述程序指令被处理器执行时使所述处理器执行权利 要求1所述的方法步骤。权　利　要　求　书 1/1 页 2 CN 113553768 B 2模型数据混合驱动的电网可靠性快速计算方 法及装置 技术领域 [0001]本发明涉及电力系统领域， 尤其涉及一种针对不确定性的源荷水平产生的海量随 机场景下， 依靠模型 ‑数据混合驱动的方法进行电网可靠性快速计算的方法及装置。 可靠性 的计算旨在衡量电力系统持续供电的能力， 是电力系统规划的关键环节， 为电力系统的规 划提供设计参 考。 背景技术 [0002]可再生能源在电力系统中的高渗透率减轻了碳排放。 另一方面， 它无可避免地为 可靠性计算带来了需要额外 分析的海量系统状态， 数据驱动的研究方法应运而生。 然而， 针 对电网可靠性计算任务， 在数据驱动的模型训练阶段缺少相 应的历史数据作为支持， 因此 有赖于建立模型的评估方法为 其提供最基本的样本数据。 [0003]可靠性计算方法可分为状态选择、 状态分析和指标汇总三部分过程。 传统的方法 在前两个过程存在其内在的局限性： 1、 状态空间中对指标计算起主导作用的失败状态的比 例较低； 2、 状态分析 过程计算繁琐。 [0004]起主导作用的故障状态是指， 根据这些状态求得的结果对可靠性指标有主要影响 的状态[1]。 所有系统状态形成的状态空间可分为成功状态与失败状态两大类， 其中失败状 态可以进一步分为主导失败状态和非主导状态。 现代电力系统的高可靠性要求以及设备的 进步使得系统元件 可靠性不断提升， 使用蒙特卡洛法(MCS)进 行状态抽样， 获得的状态之中 对于可靠性指标起作用的状态占比较低。 而对于所抽取 的状态只有经过状态分析过程， 它 们才能够被归类为成功状态或失败状态， 因此在经过耗时的分析过程之后， 大多数状态对 指标的贡献很小。 第二个 问题源于迭代式的方法求解最优功率流(OPF)算法为获得给定状 态的最小负荷削减量， 计算 量很大。 [0005]关于上述问题， 数据驱动技术在分类和回归任务中具有强大的能力， 决定了其在 状态选取和状态分析过程的适用性。 数据驱动的分类任务能够根据负荷损失特征对于主导 可靠性指标变化的状态进行预分类， 有助于计算过程关注主要的故障状态， 而不必在非主 导状态下耗费计算资源。 数据驱动的回归任务作为OPF求解的替代方法， 旨在获得系统状态 数据和最佳负荷削减之 间的精确映射关系， 这种端到端的矩阵直接映射计算相比于逐一进 行状态分析的传统OPF 方法运算更快。 [0006]由此， 可以从上述讨论中自然得出数据驱动的可靠性计算方法的定义： 使用机器 学习和其他先进技术来加速状态选择或状态分析过程， 最终使在线应用成为可能[2]。 与模 型驱动的方法不同， 在训练过程中， 变量之 间的关系隐含在神经网络的参数之中。 应用训练 后的神经网络仅仅需要进 行一次前向传播， 因此数据驱动的方法在计算速度上将优于任何 其他基于模型 的方法。 数据驱动方法的独特优势在于其特征提取能力， 这一点在深度学习 方法中尤其凸显 。 [0007]在过去的20年里， 数据驱动方法在电力系统的众多领域呈现出不断发展的趋势， 包括系统可靠性计算[3]和电力系统概率潮流[4]。 特别是， 神经网络由于其对元件故 障的诊说　明　书 1/12 页 3 CN 113553768 B 3