科研之友
微信
新浪微博
Facebook
分享链接
摘要
概率最优潮流(POPF)需要对非线性最优潮流(OPF)问题进行重复求解，计算量较大，从而限制了其应用。提出一种基于特征降维、分块和深度神经网络(DNN)辅助预测的OPF两阶段求解方法。针对第一阶段，提出基于DNN的OPF部分关键决策变量的优先辨识策略，以解决深度学习中因特征维度过高而导致的数值湮没问题，进而以OPF的结果特征为导向，基于关联性分析和聚类分析挖掘OPF输入与输出特征的关联性匹配度，并构建样本数据的分块特征库，以降低学习难度。针对第二阶段，基于样本数据的分块特征库，利用DNN完成部分关键决策变量的分块映射求取，进而基于潮流模型恢复剩余状态变量，并对计算结果不收敛、不满足约束的情况进行修正，以恢复可行性。根据OPF两阶段求解方法构建POPF的求解策略。仿真结果表明所提方法在OPF、POPF的求解速度和求解精度上均有较好的表现。
- 单位
