CN117875752A - 基于自组织映射决策树的电力***灵活运行域评估方法 - Google Patents
基于自组织映射决策树的电力***灵活运行域评估方法 Download PDFInfo
- Publication number
- CN117875752A CN117875752A CN202311672051.4A CN202311672051A CN117875752A CN 117875752 A CN117875752 A CN 117875752A CN 202311672051 A CN202311672051 A CN 202311672051A CN 117875752 A CN117875752 A CN 117875752A
- Authority
- CN
- China
- Prior art keywords
- unit
- decision tree
- power system
- self
- cost
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003066 decision tree Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 34
- 210000002569 neuron Anatomy 0.000 claims description 36
- 230000009194 climbing Effects 0.000 claims description 24
- 238000013138 pruning Methods 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 20
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 10
- 239000003245 coal Substances 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 8
- 230000001537 neural effect Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 230000001965 increasing effect Effects 0.000 claims description 5
- 239000010410 layer Substances 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 238000013145 classification model Methods 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000010248 power generation Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012887 quadratic function Methods 0.000 claims description 3
- 239000002356 single layer Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000010801 machine learning Methods 0.000 abstract description 3
- 238000004088 simulation Methods 0.000 abstract description 3
- 230000009471 action Effects 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 2
- 230000002860 competitive effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
- H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Mathematical Optimization (AREA)
- Computational Linguistics (AREA)
- Mathematical Analysis (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Power Engineering (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
Abstract
本发明涉及基于自组织映射决策树的电力***灵活运行域评估方法,属于电力***自动化技术领域。本发明应用机器学***。
Description
技术领域
本发明属于电力***自动化技术领域,具体涉及基于自组织映射决策树的电力***灵活运行域评估方法。
背景技术
电力***灵活性是在电力***在其安全稳定运行边界的约束下,快速响应负荷和新能源大幅波动,对可预见或不可预见的功率爬坡事件进行响应的能力。现有技术主要依赖于鲁棒优化技术来求解新能源出力的最大不确定集来定义新能源场站的灵活运行域。但是,对于大规模输电网络,优化模型的维度大幅增长,给求解算法的收敛性和计算速度提出更大的挑战。
因此,现阶段需设计基于自组织映射决策树的电力***灵活运行域评估方法,来解决以上问题。
发明内容
本发明目的在于提供基于自组织映射决策树的电力***灵活运行域评估方法,用于解决上述现有技术中存在的技术问题,应用机器学习技术来挖掘新能源电力***的灵活运行域,通过随机时序仿真生成大量训练数据,利用决策树算法来提取灵活性边界,由于决策树算法具有可解释性,因而其模型展示了目标电力***的灵活运行边界,为支撑高比例新能源电力***的调度运行提供决策支撑。
为实现上述目的,本发明的技术方案是:
基于自组织映射决策树的电力***灵活运行域评估方法,包括以下步骤:
步骤S1、收集历史负荷曲线和风光新能源出力曲线,计算经济调度模型,得到时序运行方式数据集;
步骤S2、以相邻时间点的运行方式作为输入特征,训练构建自组织映射神经网络,得到相邻时间爬坡场景的聚类簇;
步骤S3、设置风光新能源波动范围,通过随机抽样生成实际新能源出力,通过最优潮流计算可调机组出力调整策略,遍历每一种爬坡场景聚类簇中所有数据样本,汇总构成训练数据集;
步骤S4、针对每一个爬坡场景的聚类簇以及对应的数据样本,利用决策树算法训练构建相应的电力***灵活运行域评估模型;
步骤S5、指定电力***当前运行方式和下一时段的预测运行方式,作为输入特征并利用自组织映射神经网络判断所属聚类簇,再调取该聚类簇对应的决策树模型,以决策树模型的***规则作为预测运行方式的灵活运行边界。
进一步的,步骤S1中,经济调度模型如下:
S1-1:目标函数
目标函数为最小化***运行成本,包括发电带来的煤耗成本和机组启停产生的开停机成本:
式中,为机组i的煤耗成本,Pi,t为机组i在时段t的出力,/>为机组i的启动成本,/>为机组i的关停成本;
S1-2:机组的煤耗成本函数可用出力的二次函数表述:
式中,ai,bi,ci分别为机组成本的二次项系数、一次项系数和常数项;
S1-3:***功率平衡等式约束
式中,Pd,t为节点d在时段t的负荷需求,N为机组数,NL为负荷节点数;
S1-4:热备用不等式约束
式中,ui,t为机组i在时段t的启停状态,Pi,max为机组i的最大出力限制,ρ为热备用限制;
S1-5:机组出力不等式约束
ui,tPi,min≤Pi≤ui,tPi,max
式中,Pi,max,Pi,min分别为机组i的最大出力限制与最小出力限制;
S1-6:机组爬坡不等式约束
-Rd≤Pi,t-Pi,t-1≤Ru
式中,Rd,Ru分别为机组的下爬坡速率限制与上爬坡速率限制;
S1-7:机组起停时间约束
式中,TS,TO分别为机组的最小关停时间与最小开机时间;
S1-8:起停费用约束
式中,Hi,Ji分别为机组i的单次启动成本和单次关停成本,为机组i的启动成本,/>为机组i的关停成本;
S1-9:潮流安全不等式约束
Pl,min≤Pl,t≤Pl,max
式中,Pl,max,Pl,min为线路l的潮流安全上下限。
进一步的,步骤S2中,自组织映射神经网络的基本结构是一个单层网络,所有的神经元都处在一个平面上,神经元之间采用特定的排列连接方式;输入层处于平面之外的下方,每个输入端口与SOM网络的所有神经元均有连接,称为前向连接权,前向连接权可通过迭代进行调整;在神经网络的平面上各个神经元采用全连接,称为侧向权连接;
自组织映射神经网络中,记wij为j个输入端口指向第i个神经元的前向权,令wi=(wi1,wi2,…,win)T,则神经元i的输出采用以下方式:
采用欧式距离的目的在于衡量输入向量x与神经元上的前向权向量wi之间的匹配程度,距离越小,则x与wi匹配程度越高;
自组织映射神经网络训练步骤具体包括:
S2-1:对权值进行初始化,将每个wij赋以一个随机初始值;
S2-2:输入训练样本向量x,令迭代次数t=0;
S2-3:计算x与所有前向权向量之间的欧式距离;
di=‖wi(t)-x‖
S2-4:选择获胜神经单元bmu,使得
dbmu={di}
S2-5:调整获胜神经单元上对应的前向连接权wbmu,调整方式按下式进行:
其中α(t)是学习因子,随迭代次数增加而减小,且范围在(0,1),Nbmu(t)为获胜神经元结点的邻域,半径随迭代次数增加而减小;
S2-6:完成权连接值调整后,令t=t+1,回到步骤S2-3,继续进行迭代;
S2-7:重复迭代过程,当达到提前设定的最大迭代次数时停止对训练样本的学习;
S2-8:在网络获得未知的测试样本时,计算输入向量与所有神经元上前向连接权向量的欧式距离,得到获胜神经元并确定样本分类。
进一步的,步骤S4中,针对每一个场景类,以新能源有功出力作为输入特征,以是否满足灵活爬坡需求的0/1标签作为预测目标,构建基于决策树的分类模型;所述决策树是一种以树形数据结构来展示决策规则和分类结果的预测模型,其重点是将看似无序、杂乱的已知数据转化成可以预测未知数据的树状模型;在决策树中,每一条从根结点到叶子结点的路径都代表一条决策的规则,其中每个分支节点代表多个备选方案之间的选择,每个叶节点代表一个决策,其本质代表对象属性与对象值之间的一种映射关系;
决策树的算法训练步骤如下:
步骤41、数据准备:准备一个有标签的训练数据集,且每个数据包含多个特征和对应的目标变量;
步骤42、特征选择:根据选择的特征选择度量指标,在当前数据集上选择最佳的特征作为根节点;选择度量指标可使用信息增益或基尼不纯度;
步骤43、树的构建:根据选择的特征,将数据集划分为不同的子集;每个子集对应一个分支;对每个子集,重复步骤42和步骤43,直到满足终止条件;
步骤44、终止条件:根据不同的需求设置不同的终止条件;
步骤45、递归构建:使用递归的方式对子集进行划分,直到满足终止条件为止;
步骤46、叶子节点处理:当达到终止条件时,将当前节点标记为叶子节点,并将该节点的类别或回归值设置为该节点所包含样本的多数类别或平均值;
步骤47、剪枝:对生成的决策树进行剪枝操作;剪枝通过预剪枝或后剪枝来实现;预剪枝是指在构建树的过程中提前停止***操作,后剪枝是指先构建完整的决策树,然后通过剪枝操作来减小树的复杂度。
一种计算机存储介质,所述存储介质上存储有计算机程序,所述计算机程序被运行时执行如上述的基于自组织映射决策树的电力***灵活运行域评估方法。
与现有技术相比,本发明所具有的有益效果为:
本方案其中一个有益效果在于,本发明应用机器学***。
附图说明
图1为本发明的流程示意图。
图2为本发明的SOM网络训练步骤流程示意图。
图3为本发明的决策树训练流程示意图。
具体实施方式
为了使本发明的目的,技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明,即所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。需要说明的是,术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
而且,术语“包括”,“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程,方法,物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程,方法,物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程,方法,物品或者设备中还存在另外的相同要素。
如图1所示,提出一种基于自组织映射决策树的电力***灵活运行域评估方法,包括以下步骤:
S1:收集历史负荷曲线和风光新能源出力曲线,计算经济调度模型,得到时序运行方式数据集;
S2:以相邻时间点的运行方式作为输入特征,训练构建自组织映射神经网络,得到相邻时间爬坡场景的聚类簇;
S3:设置风光新能源波动范围,通过随机抽样生成实际新能源出力,通过最优潮流计算可调机组出力调整策略,遍历每一种爬坡场景聚类簇中所有数据样本,汇总构成训练数据集;
S4:针对每一个爬坡场景的聚类簇以及对应的数据样本,利用决策树算法训练构建相应的电力***灵活运行域评估模型;
S5:应用时,指定电力***当前运行方式和下一时段的预测运行方式,作为输入特征并利用自组织映射神经网络判断所属聚类簇,再调取该聚类簇对应的决策树模型,以决策树模型的***规则作为所指定预测运行方式的灵活运行边界。
进一步的,所述步骤S1包括:收集历史负荷曲线和风光新能源出力曲线,计算经济调度模型,得到时序运行方式,具体为:
所述经济调度模型如下:
S1-1:目标函数
目标函数为最小化***运行成本,包括发电带来的煤耗成本和机组启停产生的开停机成本:
式中,为机组i的煤耗成本,Pi,t为机组i在时段t的出力,/>为机组i的启动成本,/>为机组i的关停成本。
S1-2:机组的煤耗成本函数可用出力的二次函数表述:
式中,ai,bi,ci分别为机组成本的二次项系数、一次项系数和常数项。
S1-3:***功率平衡等式约束
式中,Pd,t为节点d在时段t的负荷需求,N为机组数,NL为负荷节点数。
S1-4:热备用不等式约束
式中,ui,t为机组i在时段t的启停状态,Pi,max为机组i的最大出力限制,ρ为热备用限制。
S1-5:机组出力不等式约束
ui,tPi,min≤Pi≤ui,tPi,max
式中,Pi,max,Pi,min分别为机组i的最大出力限制与最小出力限制。
S1-6:机组爬坡不等式约束
-Rd≤Pi,t-Pi,t-1≤Ru
式中,Rd,Ru分别为机组的下爬坡速率限制与上爬坡速率限制。
S1-7:机组起停时间约束
式中,TS,TO分别为机组的最小关停时间与最小开机时间。
S1-8:起停费用约束
式中,Hi,Ji分别为机组i的单次启动成本和单次关停成本,为机组i的启动成本,/>为机组i的关停成本。
S1-9:潮流安全不等式约束
Pl,min≤Pl,t≤Pl,max
式中,Pl,max,Pl,min为线路l的潮流安全上下限。
上式中,各变量定义如下:
进一步的,所述步骤S2包括:以相邻时间点的运行方式作为输入特征,训练构建自组织映射神经网络,得到相邻时间爬坡场景的聚类簇,具体为:
所述自组织映射神经网络(Self-Organized Map,SOM)的基本结构是一个单层网络,所有的神经元都处在一个平面上,神经元之间可以采用特定的排列连接方式,如按照矩形或六边形进行排列。输入层处于平面之外的下方,每个输入端口与SOM网络的所有神经元均有连接,称为前向连接权,前向连接权可以通过迭代进行调整。在神经网络的平面上各个神经元采用全连接,称为侧向权连接,从而网络中可以构成侧抑制并引起网络中的竞争行为。
SOM网络中,记wij为j个输入端口指向第i个神经元的前向权,令wi=(wi1,wi2,…,win)T,则神经元i的输出可以采用以下方式:
采用欧式距离的目的在于衡量输入向量x与神经元上的前向权向量wi之间的匹配程度,距离越小,则x与wi匹配程度越高。
SOM网络通过训练与学习过程,将输入样本的所有特征信息记忆在网络的前向权连接向量中,学习完成后,单个神经元只对某一类输入样本更敏感,神经元分布在竞争层中,在网络的工作阶段神经元的相对位置都不改变,输入样本之间的距离非常小的情况下,这些样本所对应的最佳匹配神经元在竞争层的位置也很接近,神经元上记忆的模式向量形成较为固定的聚类,一个聚类通常不对应一个神经元。SOM网络中聚类之间具有相邻关系,相邻的聚类比非相邻的聚类间的相关性更高,有利于对聚类结果的解释和可视化。但SOM本身也具有一定的局限性,首先SOM需要提前选择网络参数,在网络学习过程中缺乏具体的目标函数,一般是设定一个训练的最大迭代次数,此外由于随机初始化权值,SOM网络不能保证收敛。
如图2所示,所述SOM网络训练步骤具体包括:
S2-1:对权值进行初始化,将每个wij赋以一个较小的随机初始值;
S2-2:输入训练样本向量x,令迭代次数t=0;
S2-3:计算x与所有前向权向量之间的欧式距离;
di=‖wi(t)-x‖
S2-4:选择获胜神经单元bmu(best matching unit),使得
dbmu={di}
S2-5:调整获胜神经单元上对应的前向连接权wbmu,调整方式按下式进行:
其中α(t)是学习因子,随迭代次数增加而减小,且范围在(0,1),Nbmu(t)为获胜神经元结点的邻域,半径随迭代次数增加而减小;
S2-6:完成权连接值调整后,令t=t+1,回到步骤S2-3,继续进行迭代;
S2-7:重复迭代过程,当达到提前设定的最大迭代次数时停止对训练样本的学习。
S2-8:在网络获得未知的测试样本时,计算输入向量与所有神经元上前向连接权向量的欧式距离,得到获胜神经元并确定样本分类。
进一步的,所述步骤S3包括:设置风光新能源波动范围,通过随机抽样生成实际新能源出力,通过最优潮流计算可调机组出力调整策略,遍历每一种爬坡场景聚类簇中所有数据样本,汇总构成训练数据集。
进一步的,所述步骤S4包括:针对每一个爬坡场景的聚类簇以及对应的数据样本,利用决策树算法训练构建相应的电力***灵活运行域评估模型,具体为:
针对每一个场景类,以新能源有功出力作为输入特征,以是否满足灵活爬坡需求的0/1标签作为预测目标,构建基于决策树的分类模型。所述的决策树(Decision Tree)是一种以树形数据结构来展示决策规则和分类结果的预测模型,其重点是将看似无序、杂乱的已知数据转化成可以预测未知数据的树状模型。在决策树中,每一条从根结点(对最终分类结果贡献最大的属性)到叶子结点(最终分类结果)的路径都代表一条决策的规则,其中每个分支节点代表多个备选方案之间的选择,每个叶节点代表一个决策,其本质代表着对象属性与对象值之间的一种映射关系。作为一种监督学习算法,决策树主要用于分类问题,适用于分类和连续输入和输出变量,是归纳推理的最广泛使用和实用的方法之一,决策树可从给定的例子中学习和训练数据,并预测不可见的情况。
决策树的算法训练流程图见图3,具体步骤如下,:
步骤1:数据准备:准备一个有标签的训练数据集,且每个数据包含了其多个特征和对应的目标变量(类别或连续值)。
步骤2:特征选择:根据选择的特征选择度量指标,在当前数据集上选择最佳的特征作为根节点。选择度量指标可以使用信息增益、基尼不纯度等。
步骤3:树的构建:根据选择的特征,将数据集划分为不同的子集。每个子集对应一个分支。对每个子集,重复步骤2和步骤3,直到满足终止条件。
步骤4:终止条件:可以根据不同的需求设置不同的终止条件。常见的终止条件有:达到最大深度、节点上样本数量小于某个阈值、节点上样本属于同一类别等。
步骤5:递归构建:使用递归的方式对子集进行进一步的划分,直到满足终止条件为止。
步骤6:叶子节点处理:当达到终止条件时,将当前节点标记为叶子节点,并将该节点的类别或回归值设置为该节点所包含样本的多数类别或平均值。
步骤7:剪枝:为了避免过拟合,可以对生成的决策树进行剪枝操作。剪枝可以通过预剪枝或后剪枝来实现。预剪枝是指在构建树的过程中提前停止***操作,而后剪枝是指先构建完整的决策树,然后通过剪枝操作来减小树的复杂度。
根据上述步骤,最终可生成完整的决策树模型,如图3所示。
进一步的,所述步骤S5包括:应用时,指定电力***当前运行方式和下一时段的预测运行方式,作为输入特征并利用自组织映射神经网络判断所属聚类簇,再调取该聚类簇对应的决策树模型,以决策树模型的***规则作为所指定预测运行方式的灵活运行边界。
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (5)
1.基于自组织映射决策树的电力***灵活运行域评估方法,其特征在于,包括以下步骤:
步骤S1、收集历史负荷曲线和风光新能源出力曲线,计算经济调度模型,得到时序运行方式数据集;
步骤S2、以相邻时间点的运行方式作为输入特征,训练构建自组织映射神经网络,得到相邻时间爬坡场景的聚类簇;
步骤S3、设置风光新能源波动范围,通过随机抽样生成实际新能源出力,通过最优潮流计算可调机组出力调整策略,遍历每一种爬坡场景聚类簇中所有数据样本,汇总构成训练数据集;
步骤S4、针对每一个爬坡场景的聚类簇以及对应的数据样本,利用决策树算法训练构建相应的电力***灵活运行域评估模型;
步骤S5、指定电力***当前运行方式和下一时段的预测运行方式,作为输入特征并利用自组织映射神经网络判断所属聚类簇,再调取该聚类簇对应的决策树模型,以决策树模型的***规则作为预测运行方式的灵活运行边界。
2.根据权利要求1所述的基于自组织映射决策树的电力***灵活运行域评估方法,其特征在于,步骤S1中,经济调度模型如下:
S1-1:目标函数
目标函数为最小化***运行成本,包括发电带来的煤耗成本和机组启停产生的开停机成本:
式中,为机组i的煤耗成本,Pi,t为机组i在时段t的出力,/>为机组i的启动成本,/>为机组i的关停成本;
S1-2:机组的煤耗成本函数可用出力的二次函数表述:
式中,ai,bi,ci分别为机组成本的二次项系数、一次项系数和常数项;
S1-3:***功率平衡等式约束
式中,Pd,t为节点d在时段t的负荷需求,N为机组数,NL为负荷节点数;
S1-4:热备用不等式约束
式中,ui,t为机组i在时段t的启停状态,Pi,max为机组i的最大出力限制,ρ为热备用限制;
S1-5:机组出力不等式约束
ui,tPi,min≤Pi≤ui,tPi,max
式中,Pi,max,Pi,min分别为机组i的最大出力限制与最小出力限制;
S1-6:机组爬坡不等式约束
-Rd≤Pi,t-Pi,t-1≤Ru
式中,Rd,Ru分别为机组的下爬坡速率限制与上爬坡速率限制;
S1-7:机组起停时间约束
式中,TS,TO分别为机组的最小关停时间与最小开机时间;
S1-8:起停费用约束
式中,Hi,Ji分别为机组i的单次启动成本和单次关停成本,为机组i的启动成本,/>为机组i的关停成本;
S1-9:潮流安全不等式约束
Pl,min≤Pl,t≤Pl,max
式中,Pl,max,Pl,min为线路l的潮流安全上下限。
3.根据权利要求2所述的基于自组织映射决策树的电力***灵活运行域评估方法,其特征在于,步骤S2中,自组织映射神经网络的基本结构是一个单层网络,所有的神经元都处在一个平面上,神经元之间采用特定的排列连接方式;输入层处于平面之外的下方,每个输入端口与SOM网络的所有神经元均有连接,称为前向连接权,前向连接权可通过迭代进行调整;在神经网络的平面上各个神经元采用全连接,称为侧向权连接;
自组织映射神经网络中,记wij为j个输入端口指向第i个神经元的前向权,令wi=(wi1,wi2,…,win)T,则神经元i的输出采用以下方式:
采用欧式距离的目的在于衡量输入向量x与神经元上的前向权向量wi之间的匹配程度,距离越小,则x与wi匹配程度越高;
自组织映射神经网络训练步骤具体包括:
S2-1:对权值进行初始化,将每个wij赋以一个随机初始值;
S2-2:输入训练样本向量x,令迭代次数t=0;
S2-3:计算x与所有前向权向量之间的欧式距离;
di=‖wi(t)-x‖
S2-4:选择获胜神经单元bmu,使得
dbmu={di}
S2-5:调整获胜神经单元上对应的前向连接权wbmu,调整方式按下式进行:
其中α(t)是学习因子,随迭代次数增加而减小,且范围在(0,1),Nbmu(t)为获胜神经元结点的邻域,半径随迭代次数增加而减小;
S2-6:完成权连接值调整后,令t=t+1,回到步骤S2-3,继续进行迭代;
S2-7:重复迭代过程,当达到提前设定的最大迭代次数时停止对训练样本的学习;
S2-8:在网络获得未知的测试样本时,计算输入向量与所有神经元上前向连接权向量的欧式距离,得到获胜神经元并确定样本分类。
4.根据权利要求3所述的基于自组织映射决策树的电力***灵活运行域评估方法,其特征在于,步骤S4中,针对每一个场景类,以新能源有功出力作为输入特征,以是否满足灵活爬坡需求的0/1标签作为预测目标,构建基于决策树的分类模型;所述决策树是一种以树形数据结构来展示决策规则和分类结果的预测模型,其重点是将看似无序、杂乱的已知数据转化成可以预测未知数据的树状模型;在决策树中,每一条从根结点到叶子结点的路径都代表一条决策的规则,其中每个分支节点代表多个备选方案之间的选择,每个叶节点代表一个决策,其本质代表对象属性与对象值之间的一种映射关系;
决策树的算法训练步骤如下:
步骤41、数据准备:准备一个有标签的训练数据集,且每个数据包含多个特征和对应的目标变量;
步骤42、特征选择:根据选择的特征选择度量指标,在当前数据集上选择最佳的特征作为根节点;选择度量指标可使用信息增益或基尼不纯度;
步骤43、树的构建:根据选择的特征,将数据集划分为不同的子集;每个子集对应一个分支;对每个子集,重复步骤42和步骤43,直到满足终止条件;
步骤44、终止条件:根据不同的需求设置不同的终止条件;
步骤45、递归构建:使用递归的方式对子集进行划分,直到满足终止条件为止;
步骤46、叶子节点处理:当达到终止条件时,将当前节点标记为叶子节点,并将该节点的类别或回归值设置为该节点所包含样本的多数类别或平均值;
步骤47、剪枝:对生成的决策树进行剪枝操作;剪枝通过预剪枝或后剪枝来实现;预剪枝是指在构建树的过程中提前停止***操作,后剪枝是指先构建完整的决策树,然后通过剪枝操作来减小树的复杂度。
5.一种计算机存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被运行时执行如权利要求1-4任一项所述的基于自组织映射决策树的电力***灵活运行域评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311672051.4A CN117875752A (zh) | 2023-12-06 | 2023-12-06 | 基于自组织映射决策树的电力***灵活运行域评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311672051.4A CN117875752A (zh) | 2023-12-06 | 2023-12-06 | 基于自组织映射决策树的电力***灵活运行域评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117875752A true CN117875752A (zh) | 2024-04-12 |
Family
ID=90593632
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311672051.4A Pending CN117875752A (zh) | 2023-12-06 | 2023-12-06 | 基于自组织映射决策树的电力***灵活运行域评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117875752A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118094398A (zh) * | 2024-04-26 | 2024-05-28 | 深圳市云之声科技有限公司 | 一种基于物联网的电源评估方法 |
-
2023
- 2023-12-06 CN CN202311672051.4A patent/CN117875752A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118094398A (zh) * | 2024-04-26 | 2024-05-28 | 深圳市云之声科技有限公司 | 一种基于物联网的电源评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230080737A1 (en) | Federated Learning-Based Regional Photovoltaic Power Probabilistic Forecasting Method and Coordinated Control System | |
JP5888640B2 (ja) | 太陽光発電予測装置、太陽光発電予測方法及び太陽光発電予測プログラム | |
Jung et al. | Prediction of building energy consumption using an improved real coded genetic algorithm based least squares support vector machine approach | |
CN109886473B (zh) | 一种考虑下游生态的流域风光水***多目标优化调度方法 | |
Uzlu et al. | Estimates of hydroelectric generation using neural networks with the artificial bee colony algorithm for Turkey | |
CN111144663B (zh) | 计及出力波动过程的海上风电场超短期风功率预测方法 | |
CN106251001A (zh) | 一种基于改进模糊聚类算法的光伏功率预测方法 | |
CN114792156B (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和*** | |
CN105447509A (zh) | 一种光伏发电***的短期功率预测方法 | |
CN102270309A (zh) | 一种基于集成学习的短期电力负荷预测方法 | |
CN104636801A (zh) | 一种基于优化bp神经网络的预测输电线路可听噪声方法 | |
Wani et al. | Cluster based approach for mining patterns to predict wind speed | |
CN116014722A (zh) | 基于季节分解和卷积网络的次日光伏发电预测方法及*** | |
CN116341717A (zh) | 一种基于误差补偿的风速预测方法 | |
CN116826710A (zh) | 基于负荷预测的削峰策略推荐方法、装置及存储介质 | |
CN109886488B (zh) | 考虑风速时滞性的分散式风电场分层混合短期预测方法 | |
CN108694475B (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
Huang et al. | Short-term load forecasting based on a hybrid neural network and phase space reconstruction | |
Shen et al. | Short-term load forecasting of power system based on similar day method and PSO-DBN | |
CN117196019B (zh) | 基于改进自适应遗传算法的新安江模型参数率定方法 | |
CN116559975A (zh) | 一种基于多元时间序列图神经网络的多步长气象预测方法 | |
CN117875752A (zh) | 基于自组织映射决策树的电力***灵活运行域评估方法 | |
CN110059871A (zh) | 光伏发电功率预测方法 | |
Yang et al. | Multistep wind speed forecasting using a novel model hybridizing singular spectrum analysis, modified intelligent optimization, and rolling elman neural network | |
CN116089847B (zh) | 基于协方差代理的分布式可调资源聚类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |