一种考虑数据隐私安全的电力系统潮流计算方法技术方案

本发明专利技术提供一种考虑数据隐私安全的电力系统潮流计算方法，包括如下步骤：步骤S1，中心协调者server构建基于ResNet的潮流计算模型；步骤S2，将模型分发到各客户端client处，客户端client包含本地模型和本地数据集，客户端client使用本地数据集对模型进行训练；步骤S3，将各地数据集训练模型参数整合，更新全局模型参数，返回步骤S2；步骤S4，判断是否达到规定训练次数，是则停止迭代，得到潮流计算全局模型，否则返回步骤S2；步骤S5，将潮流数据输入模型得到各节点的电压幅值与相角。本发明专利技术通过联邦学习的分布式训练，降低了通信成本和本地存储以及计算成本；在大数据时代，联邦学习可有效解决数据孤岛问题，避免本地数据的直接传输，保证数据安全。保证数据安全。保证数据安全。

【技术实现步骤摘要】
一种考虑数据隐私安全的电力系统潮流计算方法


[0001]本专利技术属于机器学习、电网应用领域，具体是一种考虑数据隐私安全的电力系统潮流计算方法。

技术介绍

[0002]潮流计算是根据给定的运行条件和网络结构来确定整个系统的运行状态，如母线电压(幅值相位角)、网络损耗等。潮流计算结果对现代电力系统的运行具有重要意义，对系统的稳定运行和故障分析起着重要的作用。在能源互联网的新形势下，潮流计算所涉及的电网结构变得越来越复杂，这点不仅体现在电网规模的扩大上，还体现在网络联通程度的不断提高上，这些为潮流计算带来新的机遇与挑战。一方面，传统潮流计算方法已不能完全适用于当前电力系统；另一方面，这些问题的出现也促进了潮流计算的不断发展。
[0003]牛顿
‑
拉夫逊法是目前电力系统最常用的潮流计算方法，该方法核心思想是把非线性方程式的求解过程变成反复地对相应的线性方程组进行求解的过程。其迭代次数与网络规模基本无关，具有良好的收敛可靠性等优点，但每次迭代过程中均需重新形成并计算修正方程组，导致整体运算时间长。并且牛顿
‑
拉夫逊法还存在初值的选择问题，若是初值选择不当，可能导致算法无法收敛或者收敛到一个无法运行的节点上。随着泛在电力物联网、信息技术等的不断发展，数据驱动的方法为解决潮流计算问题提供了新的研究方向。现有数据驱动方法的核心思路是利用机器学习方法学习潮流输入与输出之间的映射关系，无需迭代，速度快。
[0004]近年来，随着潮流计算涉及的电网结构变得越来越复杂，电网规模扩大，网络的联通程度也在不断提高。这时使用传统的传统计算方法存在快速性和准确性问题。深度学习凭借其优越的性能在各个领域都得到了广泛的应用，因此它也被引入电力系统用于解决潮流计算问题。其中，ResNet网络对恒等映射有着较强的学习能力。想要训练一个性能较好的深度神经网络模型需要大量的数据，集中式训练的方法存在很多的问题，首先，电力系统间进行数据传递存在安全性问题；其次，集中式模型训练的方式难以满足应用实时性的要求；随着电网结构复杂化，集中式训练对计算资源的要求也越来越高。联邦学习是一种训练数据去中心化的人工智能框架，它不需要进行数据的直接传递，只需要传递模型之间的参数，保护的数据的隐私。
[0005]传统的潮流计算方法将所有潮流数据传递到一个中心点进行统一计算，在数据传输过程中有数据泄露的风险，如何在同时保证数据可用性和安全性的统一是现今还在研究的课题。

技术实现思路

[0006]针对上述现有技术的不足，本专利技术提供一种考虑数据隐私安全的电力系统潮流计算方法，降低了通信成本和本地存储以及计算成本；避免本地数据的直接传输，保证数据安全。
[0007]本专利技术提供的技术方案：一种考虑数据隐私安全的电力系统潮流计算方法，该方法包括局部模型的训练和更新局部模型的全局聚合。每个本地设备使用本地数据集构建自己的模型，在完成训练后，每个设备的模型被一个全局系统传输与聚合，形成全局模型。再将该全局模型替代所有本地模型，本地设备根据新的模型重新训练，直到获得所需模型。一种考虑数据隐私安全的电力系统潮流计算方法，其特征在于，包括如下步骤：
[0008]步骤S1，中心协调者server构建基于ResNet的潮流计算模型；
[0009]步骤S2，将模型分发到各客户端client处，客户端client包含本地模型和本地数据集，客户端client使用本地数据集对模型进行训练，本地模型学习函数为
[0010][v,θ]＝f(P1,P2,Q,V1,V2,θ,G,B)
[0011]其中表示P1,Q表示PQ节点的有功功率及无功功率，P2，V1表示PV节点的有功功率及电压幅值，V1，θ表示平衡节点的电压幅值及电压相角，G，B表示电网节点导纳矩阵中的元素，v，θ表示每个节点的电压幅值与相角；
[0012]步骤S3，将各地数据集训练模型参数整合，更新全局模型参数，返回步骤S2；
[0013]步骤S4，判断是否达到规定训练次数，是则停止迭代，得到潮流计算全局模型，否则返回步骤S2；
[0014]步骤S5，将潮流数据输入模型得到各节点的电压幅值与相角。
[0015]所述步骤S2具体操作如下，将中心协调者server构建的模型分发至各客户端client，从数据集中选取一定数量的样本作为训练样本集，设置初始学习率，将训练样本集中数据输入模型，计算目标值与真实值的损失函数，采用最能体现拟合效果的均方差函数作为损失函数；
[0016][0017]其中，d表示y和y的维度，y为训练真值，y为计算值，m为样本个数；
[0018]每个模型训练10个epoch。
[0019]所述步骤S3具体操作如下，将训练得到梯度参数传输到中央协调者server，中央协调者server拥有初始模型，进行全局参数的整合，执行FedSGD生成全局模型梯度参数，更新全局模型梯度参数。
[0020]所述步骤S4具体操作如下，判断是否循环5次，是则输出全局模型，否则返回步骤S2。
[0021]所述本地数据集的输入参数包括PQ节点的有功功率及无功功率，PV节点的有功功率及电压幅值，平衡节点的电压幅值及电压角度，以及电网节点导纳矩阵中的元素。
[0022]本专利技术的有益效果和特点是：
①
基于数据驱动的深度学习方法函数逼近能力强，在线计算速度快；
②
满足不同拓扑结构的电力系统潮流计算。
③
联邦学习的分布式训练，降低了通信成本和本地存储以及计算成本；
④
在大数据时代，联邦学习可有效解决数据孤岛问题，避免本地数据的直接传输，保证数据安全。
附图说明
[0023]图1是基于联邦学习深度学习的潮流计算方法的训练过程流程图。
[0024]图2是ResNet的残差学习模块。
具体实施方式
[0025]为了更加清晰地阐述本专利技术的目的、技术方案和有益效果，以下结合附图和具体实施例进行详细描述。应理解本专利技术的具体实施方式不限于这里的示例描述。
[0026]如图1和图2所示，该基于联邦学习的潮流计算方法的输入为PQ节点的有功功率及无功功率，PV节点的有功功率及电压幅值，平衡节点的电压幅值及电压角度，以及电网节点导纳矩阵中的元素，输出为每个节点的电压幅值与相角。以6节点系统为例。对于该6节点网络，节点1是平衡节点，标幺化后电压幅度为1p.u.，角度为0
°
，节点2
‑
3为PV节点，节点4
‑
6为PQ节点。电网的节点参数如表1所示，电网的线路参数如表2所示。
[0027]表1电网的节点参数
[0028][0029]表2电网的线路参数
[0030][0031]电网节点的导纳可以根据阻抗计算，输入数据为矩阵输出数据为矩阵输出结果如表3所示。
[0032]表3计算结果
[0033][0034]该方法包括训练模式和计算模式。包括如本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种考虑数据隐私安全的电力系统潮流计算方法，其特征在于，包括如下步骤：步骤S1，中心协调者server构建基于ResNet的潮流计算模型；步骤S2，将模型分发到各客户端client处，客户端client包含本地模型和本地数据集，客户端client使用本地数据集对模型进行训练，本地模型学习函数为[v,θ]＝f(P1,P2,Q,V1,V2,θ,G,B)其中表示P1,Q表示PQ节点的有功功率及无功功率，P2，V1表示PV节点的有功功率及电压幅值，V1，θ表示平衡节点的电压幅值及电压相角，G，B表示电网节点导纳矩阵中的元素，v，θ表示每个节点的电压幅值与相角；步骤S3，将各地数据集训练模型参数整合，更新全局模型参数，返回步骤S2；步骤S4，判断是否达到规定训练次数，是则停止迭代，得到潮流计算全局模型，否则返回步骤S2；步骤S5，将潮流数据输入模型得到各节点的电压幅值与相角。2.根据权利要求1所述的考虑数据隐私安全的电力系统潮流计算方法，其特征在于，所述步骤S2具体操作如下，将中心协调者server构建的模型分发至各客户端c...

【专利技术属性】
技术研发人员：王逸兮，周正，田猛，廖荣涛，李磊，叶宇轩，王晟玮，胡欢君，李想，张剑，宁昊，董亮，刘芬，郭岳，罗弦，张岱，陈家璘，冯浩，张成，查志勇，龙霏，徐焕，
申请(专利权)人：武汉大学，
类型：发明
国别省市：