基于特征降维与分块的输电网概率最优潮流深度学习方法

概率最优潮流需要对非线性最优潮流问题进行重复求解,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辅助预测的最优潮流两阶段求解方法。在第一阶段,提出基于深度神经网络的最优潮流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,进而以最优潮流的结果特征为导向,基于关联性分析和聚类分析挖掘最优潮流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。在第二阶段,利用深度神经网络完成部分关键决策变量的分块映射,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。根据最优潮流两阶段求解方法构建概率最优潮流求解方法。仿真结果表明所提方法在最优潮流、概率最优潮流的求解速度和求解精度上均有较好的表现。