基于条件生成对抗网络的配电网分布鲁棒优化调度方法技术

本发明专利技术公开一种基于条件生成对抗网络的配电网分布鲁棒优化调度方法，实现了数据生成技术和分布鲁棒优化方法的有机结合；该方法构建了一种基于

【技术实现步骤摘要】
基于条件生成对抗网络的配电网分布鲁棒优化调度方法


[0001]本专利技术涉及新型配电系统运行调度领域，具体是一种基于条件生成对抗网络的配电网分布鲁棒优化调度方法
。

技术介绍

[0002]随着低碳电网建设的深入，电力系统所呈现的“双高”特性愈发显著
。
其中，以风
、
光为代表的新能源出力所固有的不确定性，使系统运行变得愈发复杂多变，对日前调度计划制定的合理性提出更高要求
。
[0003]传统的配电网日前调度方案主要基于日前新能源出力预测值，采用确定性模型优化求解，其决策结果具有局限性，尤其当实际新能源出力波动较大时，甚至无法保证系统运行的安全性
。
[0004]而在常用的不确定优化方法中，随机优化方法由于难以准确描述不确定变量真实概率分布，其结果的合理性无法得到有效保证，鲁棒优化方法由于只考虑最恶劣场景，求解结果过于保守，而分布鲁棒优化方法通过寻找不确定变量的最恶劣概率分布进行优化求解，可以较好地平衡结果的经济性和鲁棒性，被广泛应用于电力系统优化调度
。
同时，考虑到基于生成式网络的数据生成技术逐渐成熟，其可以充分学习数据样本间的分布规律，生成符合特定概率分布特征的数据
。
[0005]因此，本专利技术提出一种基于条件生成对抗网络的配电网分布鲁棒优化调度方法，利用
C
‑
WGAN
‑
GP
和
GMM
聚类得到更符合实际分布特征的日前风
、
光出力典型场景，并以此为基础构建分布鲁棒模型的不确定概率集，进而提出基于数据驱动分布鲁棒模型的主动配电网日前优化调度方法
。

技术实现思路

[0006]本专利技术提供了一种基于条件生成对抗网络的配电网分布鲁棒优化调度方法，本专利技术是采用如下技术方案实现的：
[0007]步骤1：输入算例系统如下参数：基准功率
、
基准电压
、
支路及节点参数，开关参数，可投切电容器组参数及接入位置，储能装置参数及接入位置，分布式光伏
、
风机安装容量及接入位置
。
[0008]步骤2：根据分布式光伏
、
风机出力的历史预测数据和历史实测数据，对
C
‑
WGAN
‑
GP
模型进行训练
。
[0009]步骤3：基于分布式光伏
、
风机出力日前预测值，利用步骤2训练完成的
C
‑
WGAN
‑
GP
模型生成
N
组日前风
、
光出力联合场景
。
[0010]步骤4：采用
GMM
方法对步骤3生成的
N
组日前风
、
光出力场景进行聚类，得到可表征不同预测误差程度的
N
s
组典型场景
。
[0011]步骤5：为有效应对风
、
光出力不确定性对日前优化调度方案的影响，将步骤4得到的
N
s
组典型场景概率分布作为分布鲁棒不确定概率集中的初始概率分布，并构建基于数据
驱动分布鲁棒的主动配电网日前优化调度模型，实现数据生成技术和分布鲁棒优化方法的有机结合
。
[0012]步骤6：采用
C&CG
算法将步骤5所建立的数据驱动分布鲁棒优化模型解耦为主问题和子问题，进行交替迭代求解
。
其中，主问题求解得到模型下界值，子问题求解得到模型上界值
。
[0013]步骤7：检验模型上下界差值是否满足预设的容许误差
。
若满足，则迭代收敛并得到日前优化调度方案；否则，重复步骤6中主
、
子问题交替迭代过程，直至满足收敛条件
。
[0014]有益效果
[0015]本专利技术提供了一种基于条件生成对抗网络的配电网分布鲁棒优化调度方法，实现了数据生成技术和分布鲁棒优化方法的有机结合
。
该方法构建了一种基于
Wasserstein
距离和梯度惩罚的条件生成对抗网络模型
(C
‑
WGAN
‑
GP)
，通过学习历史预测数据与历史实测数据间的误差分布规律，以风
、
光出力的日前预测值作为条件信息指导模型训练，生成更符合实际分布特征的风
、
光出力联合场景，并利用高斯混合模型
(GMM)
聚类得到的典型场景构建分布鲁棒优化模型的不确定概率集，进而提出基于改进条件生成对抗网络的主动配电网分布鲁棒日前优化调度方法
。
本专利技术，与目前已有的日前优化调度方法相比，能够在保证鲁棒性的前提下，进一步提升日前调度方案的经济性和应对新能源出力不确定的适应能力，本专利技术所提方法可进一步降低了日前调度方案的保守性，在有效应对新能源出力不确定性的同时，保证了电力系统运行的经济性和可靠性
。
附图说明
[0016]图1是本专利技术所涉及的一种基于改进条件生成对抗网络的主动配电网分布鲁棒日前优化调度算法流程图；
[0017]图2是本专利技术所涉及的
C
‑
WGAN
‑
GP
模型输入数据拼接重构方法示意图；
[0018]图3是本专利技术所涉及的用于风
、
光出力联合场景生成的
C
‑
WGAN
‑
GP
模型结构图
。
具体实施方式
[0019]1.
步骤2中所涉及的
C
‑
WGAN
‑
GP
模型训练如下：
[0020](1)
训练数据集构建
[0021]已知调度中心记录各日风
、
光出力预测数据和实测数据的时间尺度为
1h
，且各日风
、
光出力预测数据均对应1组与之等序列长度的随机噪声向量，记风电出力历史预测数据向量和历史实测数据向量分别为和光伏出力历史预测数据向量和历史实测数据向量分别为和随机噪声向量为
z。
将各日风
、
光出力历史预测数据作为条件信息，分别与对应的随机噪声向量
z
进行纵向拼接，结果记作二维向量和考虑到风
、
光出力具有相关性特征，将
U
pv
和
U
wt
再进行空间横向拼接，结果记作三维张量
U
G
，并作为生成器
G
的输入，具体拼接重构过程如图2所示
。
同理，将各日风
、
光出力历史预测数据分别与对应的历史实测数据进行纵本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于条件生成对抗网络的配电网分布鲁棒优化调度方法，其特征在于：采用
C
‑
WGAN
‑
GP
模型生成日前风
、
光出力联合场景，并利用
GMM
聚类得到的典型场景构建分布鲁棒不确定概率集，进而提出基于改进条件生成对抗网络的主动配电网分布鲁棒日前优化调度方法，具体步骤如下：步骤1：输入算例系统如下参数：基准功率
、
基准电压
、
支路及节点参数，开关参数，可投切电容器组参数及接入位置，储能装置参数及接入位置，分布式光伏
、
风机安装容量及接入位置；步骤2：根据分布式光伏
、
风机出力的历史预测数据和历史实测数据，对
C
‑
WGAN
‑
GP
模型进行训练；步骤3：基于分布式光伏
、
风机出力日前预测值，利用步骤2训练完成的
C
‑
WGAN
‑
GP
模型生成
N
组日前风
、
光出力联合场景；步骤4：采用
GMM
方法对步骤3生成的
N
组日前风
、
光出力场景进行聚类，得到可表征不同预测误差程度的
N
s
组典型场景；步骤5：为有效应对风
、
光出力不确定性对日前优化调度方案的影响，将步骤4得到的
N
s
组典型场景概率分布作为分布鲁棒不确定概率集中的初始概率分布，并构建基于数据驱动分布鲁棒的主动配电网日前优化调度模型，实现数据生成技术和分布鲁棒优化方法的有机结合；步骤6：采用
C&CG
算法将步骤5所建立的数据驱动分布鲁棒优化模型解耦为主问题和子问题，进行交替迭代求解
。
其中，主问题求解得到模型下界值，子问题求解得到模型上界值；步骤7：检验模型上下界差值是否满足预设的容许误差
。
若满足，则迭代收敛并得到日前优化调度方案；否则，重复步骤6中主
、
子问题交替迭代过程，直至满足收敛条件
。2.
根据权利要求1所述的基于条件生成对抗网络的配电网分布鲁棒优化调度方法，其特征在于：步骤2中
C
‑
WGAN
‑
GP
模型的构建及训练，具体内容如下：
(1)
训练数据集构建：已知调度中心记录各日风
、
光出力预测数据和实测数据的时间尺度为
1h
，且各日风
、
光出力预测数据均对应1组与之等序列长度的随机噪声向量，记风电出力历史预测数据向量和历史实测数据向量分别为和光伏出力历史预测数据向量和历史实测数据向量分别为和随机噪声向量为
z
；将各日风
、
光出力历史预测数据作为条件信息，分别与对应的随机噪声向量
z
进行纵向拼接，结果记作二维向量和考虑到风
、
光出力具有相关性特征，将
U
pv
和
U
wt
再进行空间横向拼接，结果记作三维张量
U
G
，并作为生成器
G
的输入；将各日风
、
光出力历史预测数据分别与对应的历史实测数据进行纵向拼接，结果记作二维向量和再将
V
pv
和
V
wt
进行空间横向拼接，结果记作三维张量
V
D
，并作为判别器
D
的输入；
(2)C
‑
WGAN
‑
GP
模型构建：
C
‑
WGAN
‑
GP
模型由生成器
G
和判别器
D
两部分构成，
C
‑
WGAN
‑
GP
模型在生成器
G
和判别器
D
的损失函数构建方面，如下所示：
Loss
G
＝
‑
E
x'
～
P(x')
[D(x'|c)] (1)
式中，
Loss
G
和
Loss
D
分布表示生成器
G
和判别器
D
的损失函数；
x
表示真实数据；
x'
表示由生成器
G
生成的样本数据；表示在真实数据
x
和生成样本数据
x'
连线上的随机取样值；
c
表示条件信息；
E
x'
～
P'
(
·
)
表示生成样本数据
x'
分布的期望值；
E
x
～
P
(
·
)
表示真实数据
x
分布的期望值；
D(
·
)
表示判别器函数；表示引入的梯度惩罚项；生成器
G
和判别器
D
的网络结构及参数如下：生成器
G
采用三维卷积神经网络，共由3层构成；第
1、2
层结构完全相同，均由
3D
卷积层
‑
正则化层
‑
激活函数层依次构成，其中，
3D
卷积层中卷积核尺寸均为3×3×3，卷积核数量分别为
32
和
64
，步长参数均为1，填充参数均为1；正则化层参数分别为
32
和
64
；激活函数均选择参数为
0.2
的
LeakyReLU
函数；第3层由
3D
卷积层
‑
激活函数层依次构成；其中，
3D
卷积层中卷积核尺寸为3×4×3，卷积核数量为1，步长参数为1，填充参数为1；激活函数选择
Tanh
，输出所生成的场景样本；判别器
D
采用三维卷积神经网络，共由4层构成；第
1、2、3
层结构完全相同，均由
3D
卷积层
‑
正则化层
‑
激活函数层依次构成；其中，
3D
卷积层中卷积核尺寸均为3×3×3，卷积核数量分别为
32
，
64
，
16
，步长参数均为1，填充参数均为1；正则化层参数分别为
32
，
64
和
16
；激活函数层均选择参数为
0.2
的
LeakyReLU
函数；第4层由全连接层构成，输出判别结果的概率值；
(3)C
‑
WGAN
‑
GP
模型训练：本发明所构建的
C
‑
WGAN
‑
GP
模型的训练步骤如下：步骤1：将风
、
光出力历史预测数据和历史实测数据和归一化处理，并将归一化后的数据按照
(1)
中所述方法构建训练数据集，得到重构后的三维张量
U
G
和
V
D
；步骤2：将
U
G
作为生成器
G
的输入，输出为生成场景样本，记作
G(U
G
)
；步骤3：按照
(1)
中所述方法将归一化后的风
、
光历史预测数据与生成场景样本
G(U
G
)
进行拼接，得到重构后的三维张量
W
D
；步骤4：将
W
D
和
V
D
共同作为判别器
D
的输入，输出为判别结果概率值；步骤5：计算生成器
G
和判别器
D
的损失函数值，并采用
RMSProp
优化算法对生成器
G
和判别器
D
的网络参数进行更新；步骤6：达到设定最大训练轮数后，训练结束
。
提取已训练完成的
C
‑
WGAN
‑
GP
中的生成器
G
作为场景生成模型，输入风
、
光出力日前预测数据与
N
组随机噪声向量，即可输出
N
组风
、
光出力场景样本，构建日前风
、
光出力场景集
。3.
根据权利要求1所述的基于条件生成对抗网络的配电网分布鲁棒优化调度方法，其特征在于：步骤5中数据驱动分布鲁棒模型不确定概率集的构建和主动配电网分布鲁棒日前优化调度模型的构建，具体内容如下：
(1)
构建数据驱动分布鲁棒模型不确定概率集：基于
C
‑
WGAN
‑
GP
生成的日前风
、
光联合场景，采用
GMM
聚类得到可表征不同预测误差程度的典型场景，以此构建分布鲁棒模型的初始不确定概率集，并采用1‑
范数和
∞
‑
范数对概
率集的置信区间进行综合约束
。
基于综合范数约束的不确定概率集
Ω
s
如下：如下：式中，
p
s
为不确定概率集中第
s
个典型场景的概率值；为不确定概率集中第
s
...

【专利技术属性】
技术研发人员：魏炜，王禹东，季文文，黄盼，
申请(专利权)人：天津大学，
类型：发明
国别省市：