[发明专利]一种面向大电网可靠性评估的深度神经网络结果可信性保障方法

说明书

本发明属于电力系统领域，具体涉及一种面向大电网可靠性评估的深度神经网络结果可信性保障方法，包括根据数据分布情况确定原始场景与新场景下神经网络模型是否需要更新参数；若需要更新参数，则获取新场景的历史数据基于迁移学习技术对深度神经网络进行快速更新；针对完成更新的神经网络模型，当输入待分析样本时，将待检测样本与历史数据进行比较，若该样本与历史数据存在相似性，则将神经网络的预测结果作为该样本潮流分析结果，否则通过纯模型驱动的数值方法对该样本进行潮流分析；本发明实现深度神经网络的快速更新，节省训练样本和训练时间，且可有效判断单个样本分类的可信度，增加单个样本回归计算的鲁棒性。

技术领域

本发明属于电力系统领域，具体涉及一种面向大电网可靠性评估的深度神经网络结果可信性保障方法。

背景技术

大电网可靠性评估是保障电网安全可靠运行的重要工具。随着“双碳”目标的提出，大力发展高比例新能源是支撑“双碳”目标的重要举措。然而，高比例新能源势必为电力系统带来更强的不确定性，严重威胁电网安全可靠性运行。因此，为及时有效地评估电网运行风险，其评估频次将从以往的小时级提升至分钟级甚至秒级。大电网可靠性评估的本质是进行大量的潮流与最优潮流计算，计算负担重。高频计算需求与高额计算负担间的矛盾对大电网可靠性评估提出了新的挑战。对此，学者们提出利用深度神经网络的高精度逼近能力，将计算负担从线上计算转移至线下训练，实现大电网可靠性评估的高精度在线计算。该方法为大电网可靠性评估提供了一条新的思路：将系统运行条件输入深度神经网潮流模块直接得到潮流结果，判断是否有潮流越限的情况，如有则为“问题”样本，否则为“成功”样本，进而将问题样本的系统运行条件输入深度神经网络最优潮流模块，判断是否会进行切负荷，如果是则为“故障”样本，针对故障样本则采用内点法求解最小切负荷潮流模型。然而，上述深度神经网络的高精度计算通常假设工作样本与训练样本服从同一分布，对于复杂多变的电力系统，该假设难以成立，深度神经结算结果可信性难以得到保障。因此，如何评判深度神经网络面向可靠性评估模型的适用性是其在电网推广应用的主要瓶颈之一。

发明内容

针对基于深度神经网络的大电网可靠性评估结果的可信性难以得到保障的问题，本发明提出一种面向大电网可靠性评估的深度神经网络结果可信性保障方法，包括以下步骤：

根据数据分布情况确定原始场景与新场景下神经网络模型是否需要更新参数；

若需要更新参数，则获取新场景的历史数据基于迁移学习技术对深度神经网络进行快速更新；

针对完成更新的神经网络模型，当输入待分析样本时，将待检测样本与历史数据进行比较，若该样本与历史数据存在相似性，则将神经网络的预测结果作为该样本潮流分析结果，否则通过纯模型驱动的数值方法对该样本进行潮流分析。

进一步的，根据原始场景与新场景下的数据分布差异来确定深度神经网络是否需要更新，若两个场景的Jensen-Shannon的值为0则不需要更新，否则需要更新。

进一步的，两个场景的Jensen-Shannon的值表示为：

其中，D_JS(D_o||D_e)表示原始场景数据分布D_o与新场景数据分布D_e之间Jensen-Shannon的值；D_KL(D_o||D_e)为原始场景数据分布D_o与新场景数据分布D_e之间的散度，表示为Ω为可靠性评估模型所有输入输出的变量集合。

进一步的，对深度神经网络进行快速更新包括以下步骤：

对原始数据进行预处理；

利用训练好的深度神经网络参数初始化演变场景下新的深度神经网络；