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技术

本发明专利技术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

【技术实现步骤摘要】
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


[0001]本专利技术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。

技术介绍

[0002]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。
[0003]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。

技术实现思路

[0004]本专利技术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。
[0005]为了协调成本、碳排放和用户舒适度三者之间的关系，本专利技术采用多目标优化模型。提出的三个目标函数分别如下：
[0006]1)发电成本最小：
[0007][0008]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。
[0009]2)碳排放量最小：
[0010][0011]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。
[0012]3)用户舒适度最高：
[0013][0014]式中，N为微元网中用户的数量；v(i)和g(i)为惩罚函数；T
r
和T
w
分别为当前室温和水温；f
r
和f
w
分别为当前室温和水温与用户期望室温和水温差的平方，计算公式如下：
[0015]f
r
(T
r
(i))＝(T
r
(i)-E
r
(i))2ꢀꢀꢀ
(4)
[0016]f
w
(T
w
(i))＝(T
w
(i)-E
w
(i))2ꢀꢀꢀ
(5)
[0017]式中，E
r
和E
w
分别为用户期望室温和水温。
[0018]等式和不等式约束可由下式表示：
[0019][0020]式中，P
loss
为总有功损耗；P
load
为总有功负荷；Q
thi
、Q
hyi
、Q
w
和Q
pv
分别为火电、水电、风电和光伏所发出的无功功率；Q
loss
为总无功损耗；Q
load
为总无功负荷；P
G
和Q
G
分别代表各个类型发电机的有功和无功出力；P
G,min
和P
G,max
分别为有功出力的最小和最大值；Q
G,min
和Q
G,max
分别为无功出力的最小值和最大值；V
j
为节点j的电压；V
j,min
和V
j,max
分别为节点j的最小电压和最大电压；S
i
为线路传输功率；S
i,max
为线路最大传输功率；T
r,max
和T
w,max
分别为最高室温和最高水温。
[0021]本专利技术采用帕累托多目标优化方法，可以用如下数学式来表示优化过程：
[0022]MinF
i
(X)，i＝1,2,...,M
obj
ꢀꢀꢀ
(7)
[0023]式中，F
i
是第i个目标函数；X为决策向量；M
obj
为目标函数的个数，本专利技术中M
obj
＝3。
[0024]约束条件：
[0025][0026]式中，M
ineq
为不等式约束的个数；M
eq
为等式约束的个数；M
dv
为决策向量的个数；g
i
(X)为不等式约束的表达式；h
i
(X)为等式约束的表达式；L
i
和U
i
分别为第i个决策向量X
i
的最小值和最大值。帕累托多目标优化最终是得到一组优化解而不是一个最优解，如果解向量X
a
优于解向量X
b
(如式(9)所示)，则解向量X
b
即可被解向量X
a
覆盖或支配。
[0027][0028]任何不受其它解支配的解则称为非支配解，在整个搜索空间中都不能被覆盖或被支配的解就是帕累托最优解，将这些解映射到目标空间的适应度向量为帕累托前沿，可表示为：
[0029][0030]式中，PF为帕累托前沿；X
*
为一组帕累托最优解。
[0031]将所有满足约束条件的多个初始可行解定义为多个原始人类个体，纳什博弈帕累托多目标优化方法的每个循环周期内部落都要经历部落划分、部落繁衍和部落迁徙三个阶段，不断地逼近最佳“栖息本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种快速对抗深度置信网络的分布式多目标优化加速方法，其特征在于，该方法提出了优化加速方法和样本数据生成方法，即基于深度置信网络的调度优化决策加速方法和利用生成式对抗网络的样本数据生成方法；同时提出了纳什博弈帕累托多目标优化方法，该方法在使用过程中的主要步骤为：(1)提出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，将该过程得到的结果用来训练深度置信网络；(2)利用生成式对抗网络，生成海量虚拟场景，构成深度置信网络的样本数据产生系统；(3)将所有样本数据输入已完成预学习的深度置信网络中，即通过已完成网络参数θ学习的深度置信网络得到初步最优解X
pr
；(4)在初步最优解X
pr
附近选取样本数据，再次利用纳什博弈帕累托多目标优化方法，实现微元网的快速调度优化决策。2.如权利要求1所述的快速对抗深度置信网络的分布式多目标优化加速方法，其特征在于，所述步骤(1)中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：式中，N为微元网中用户的数量，v(i)和g(i)为惩罚函数，T
r
和T
w
分别为当前室温和当前水温，f
r
和f
w
分别为当前室温和水温与用户期望室温差和水温差的平方，计算公式如下：f
r
(T
r
(i))＝(T
r
(i)-E
r
(i))2f
w
(T
w
(i))＝(T
w
(i)-E
w
(i))2式中，E
r
和E
w
分别为用户期望室温和期望水温；等式和不等式约束可由下式表示：
式中，P
loss
为总有功损耗，P
load
为总有功负荷，Q
thi
、Q
hyi
、Q
w
和Q
pv
分别为火电、水电、风电和光伏所发出的无功功率，Q
loss
为总无功损耗，Q
load
为总无功负荷，P
G
和Q
G
分别代表各个类型发电机的有功和无功出力，P
G,min
和P
G,max
分别为有功出力的最小值和最大值，Q
G,min
和Q
G,max
分别为无功出力的最小值和最大值，V
j
为节点j的电压，V
j,min
和V
j,max
分别为节点j的最小电压和最大电压，S
i
为线路传输功率，S
i,max
为线路最大传输功率，T
r,max
和T
w,max
分别为最高室温和最高水温；本发明采用帕累托多目标优化方法，可以用如下数学式来表示优化过程：MinF
i
(X)，i＝1,2,...,M
obj
式中，F
i
为第i个目标函数；X为决策向量；M
obj
为目标函数的个数，本发明中，M
obj
＝3；约束条件：式中，M
ineq
为不等式约束的个数，M
eq
为等式约束的个数，M
dv
为决策向量的个数，g
i
(X)为不等式约束的表达式，h
i
(X)为等式约束的表达式，L
i
和U
i
分别为第i个决策向量X
i
的最小值和最大值；帕累托多目标优化最终是得到一组优化解而不是一个最优解，如果解向量X
a
优于解向量X
b
，则解向量X
b
即可被解向量X
a
覆盖或支配，如下式；在整个搜索空间中都不能被覆盖或被支配的解即为帕累托最优解，将这些解映射到目标空间的适应度向量为帕累托前沿，可表示为：式中，PF为帕累托前沿，X
*
为一组帕累托最优解；纳什博弈帕累...

【专利技术属性】
技术研发人员：殷林飞，徐紫东，高放，
申请(专利权)人：广西大学，
类型：发明
国别省市：