基于深度学习的概率能量流快速计算方法

考虑新能源日益增长的不确定性,概率能量流在电–气综合能源系统分析中起到关键性作用。概率能量流计算需要求解大量高维非线性方程组。高计算代价和求解时间已成为概率能量流实际工程应用的瓶颈所在。为此,该文提出了利用深度神经网络求解该问题的新方法。该方法借助堆栈降噪自动编码器(stacked denoising auto-encoders,SDAE)的深层堆栈结构以及编码解码过程,建立了基于SDAE的能量流模型,可有效挖掘非线性能量流方程的高阶特征。结合能量流输入输出性质不同、变化范围不一等数值特点,在SDAE模型中引入了修正线性单元(rectifiedlinearunit,ReLU)激活函数与离差标准化方法,可有效提高训练精度与速度。结合蒙特卡洛法抽样出待解样本,使用训练后的SDAE能量流模型,通过数据映射得到抽样样本的能量流结果,在不增加硬件成本的前提下求解概率能量流,求解时间和精度符合在线应用要求。最后,在IEEE14-NGS10电–气综合能源系统中验证了所提方法的有效性。