买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜上海交通大学申请的专利一种基于Boosting感知的深度学习多微网弹性组合决策方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN113689024B 。

龙图腾网通过国家知识产权局官网在2025-03-28发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202110619257.5，技术领域涉及：G06Q10/04；该发明授权一种基于Boosting感知的深度学习多微网弹性组合决策方法是由郝然;艾芊设计研发完成，并于2021-06-03向国家知识产权局提交的专利申请。

本一种基于Boosting感知的深度学习多微网弹性组合决策方法在说明书摘要公布了：本发明提供了一种基于Boosting感知的深度学习多微网弹性组合决策方法，涉及Boosting分类器、深度神经网络和考虑运行弹性的多微电网组合运行调度等领域。包括微网组合优化建模、基于NATAF变换的学习样本生成、基于Boosting感知器的深度神经网络学习三个部分，所述微网组合优化建模以重要负荷供电恢复能力作为目标，并为运营商提供备用供电路径；所述基于NATAF变换的学习样本生成，将原始样本扩展到考虑变量相关性的所有可行空间；所述基于Boosting感知器的深度神经网络学习是通过神经元的分层迭代遍历来调整深度神经网络权重，并采用交叉投票机制将二分类感知学习升级为多分类学习。利用本发明提供的算法，实时性高，并对整体弹性进行考虑，适用性不受限制。

本发明授权一种基于Boosting感知的深度学习多微网弹性组合决策方法在权利要求书中公布了：1.一种基于Boosting感知的深度学习多微网弹性组合决策方法，包括微网组合优化建模、基于Nataf变换的学习样本生成、基于Boosting感知器的深度神经网络学习三个部分，所述微网组合优化建模以重要负荷供电恢复能力作为目标，并为运营商提供备用供电路径；所述基于Nataf变换生成学习样本，将原始样本扩展到考虑变量相关性的所有可行空间；所述基于Boosting感知器原理设计双层前馈深度神经网络，通过神经元的分层迭代遍历调整深度神经网络权重，采用交叉投票机制将二分类感知学习升级为多分类学习；所述微网组合优化建模包括微网的弹性指标体系、微网组合的成本加弹性目标以及约束；所述微网的弹性指标体系有四个，分别是综合成本IC、供电比PSR、路径冗余PR、源冗余SR；所述综合成本的计算如下：定义第i个所述微网的实时成本为由三部分组成：可调发电成本与邻居的交互电力结算和用户支付；定义Θ是微网集合；所述综合成本包括一个调度周期内所有所述微网的运行成本，描述为 其中Ωi是微网i中所有机组的集合；dil∈{0,1}表示所述微网i和微网l之间的物理连接状态；如果dil＝1，则所述微网i和所述微网l是连接的；pt是实时电价；表示j节点上的负荷；表示所述微网i的实时交互功率；具体地说，所述可调发电成本写为 其中为可调度机组n的实时可调度发电量，{an,i,bn,i,cn,i}为所述微网i中所述可调度机组n的等值成本系数集,是的平方；λt是时间t时的边际成本；其描述如下： 所述供电比的计算如下：供电比从用电单位的角度衡量负荷满意度； 其中NL为总节点数； 表示第j个节点的有功功率需求；所述路径冗余被定义为所述可调度发电机组和重要负荷之间的路径总数与所述重要负荷数量之间的比率： NCL表示所述重要负荷的总数；Npath是所述可调度发电机组和所有所述重要负荷之间的路径总数；相似可能网络SPN定义为无回路的可行路径组合，用于为所述重要负荷供能；将所述SR定义为SPN中所有所述重要负荷的备用容量与额定容量之比： 上标c表示所述重要负荷；表示第c个所述重要负荷的实时备用容量；表示第c个所述重要负荷的实时功率；所述微网组合的成本加弹性目标计算如下：弹性指标集定义为X＝{X1,X2,···,Xε}；由于其中i≠j，有Xi∩Xj＝Φ和所述弹性指标集X的重要性被视为集X的模糊测度，表示为μX；λ-模糊测度满足以下条件： 其中μXi表示弹性指标的重要性；根据边界条件，方程改写为 定义：如果h是实值函数，μ是X上的所述模糊测度，则h相对于所述模糊测度μ的离散Choquet积分为 其中，默认0≤hX1≤hX2≤…≤hXε,{xi,xi+1,…xε}还有Cε+1＝0；hXi是指标具体的取值；因此，所述微网组合的成本加弹性目标描述为 其中Ψ＝{dil,sj,cjm,uij},i∈Θ,j∈Ξ；所述基于Nataf变换的学习样本生成的计算，给出了光伏发电、风力发电和负荷的概率模型；1光伏发电概率模型由于光伏发电由光照决定，且易于预测，为了简化学习空间，在最大光伏发电量分布的基础上，定义了光伏发电量与光照强度l的线性关系， 其中是节点j的预测日光伏发电量曲线，是节点j的日典型光伏发电量曲线，GPV是光伏节点集；2风电和负荷概率模型分别将风机数量和所述节点定义为NWT和NL，输入随机变量数等于风力机和负载节点Ndim＝NWT+NL之和，Nataf变换在给定输入变量概率分布时重建联合分布，默认输入是风力和负荷的概率分布；假设由Ndim变量组成的样本向量为对于随机变量Sg，Sg的累积分布函数描述为 Nataf理论和Cholesky分解考虑了相关性，将非正态随机变量转化为独立的标准正态随机变量；为了探索区域风力发电和负荷之间的相关性，使用Nataf理论将S重新计算为标准正态分布向量 其中Φ是标准正态分布的累积分布函数，假设和是Z和S的相关系数矩阵，和相互转换；Cholesky分解去除了随机变量样本之间的相关性，由于RZ是一个对称正定矩阵，用Cholesky分解RZ＝LLT来描述，L是实的非奇异下三角矩阵，Z*是一个独立的标准正态随机向量： Z*的相关系数实际上与RZ相同，然后，通过Nataf逆变换得到任意分布的随机样本；假设NWL是风力发电和负荷的样本数，在光伏发电、风力发电和负荷数据生成之后，将风力发电、负荷和光伏发电Nξ的每个样本合并为一个系统样本，其中z在[0,1]上均匀分布，利用该方法生成学习样本，样本维数为N＝Nξ×NWL；所述基于Boosting感知器的深度神经网络学习包括三部分，分别是两层前馈神经网络、激活函数线性化、基于Boosting的分类器；所述两层前馈神经网络计算过程：该分类器将单层感知器扩展到具有线性神经元的深度神经网络DNN，利用所述神经元的逐层迭代遍历来调整所述DNN的连接权值；分类器建模为映射xa→{-1,+1}，假设是特征集，上标表示样本a，其样本分类为Fa∈{-1,+1}；为便于分析，假设第b层样本a的特征为表示阈值的偏差项权重，等于-1，上标和下标分别表示层号和特征号，为了清晰地表示所述DNN，对于所述神经元k，是第b层中第q个输入特征的权重；因此，所述两层前馈神经网络由三层组成，第0层为Q个输入神经元[I1,I2,…,IQ]，第1层为K个隐藏神经元[H1,H2,…,HK]，第2层为一个输出神经元O；这里设计了所述隐藏神经元来学习第一层的权值，所述隐藏神经元Hk的学习机制用以下方程来描述： 其中f1是第1层的激活函数；第a个样本的单个输出O的计算公式为： 其中f2表示第2层的所述激活函数；因此，保持所述DNN的其余部分不变，所述隐藏神经元Hr的学习过程被描述为： 所述隐藏神经元Hr的学习过程被重新描述为： 所述激活函数线性化计算过程：将所述输出神经元的学习问题转化为感知器，进一步将训练对xa,Fa转化为新的训练对Ya,Fa，其中假设表示神经元在应用激活函数之前的线性输出，Sigmoid函数的泰勒级数写为如下形式： tanh激活函数的泰勒级数线性化为： 分段函数用连续逼近函数来估计，Relu函数由线性分段函数表示，或由Softplus函数估计： 激活函数的泰勒级数表示为： 引入非线性激活函数，将原始输入特征推广到所有小于或等于σ的级数，并应用于后续的DNN感知器；所述基于Boosting的分类器计算过程：将单节点决策决策者τ作为只有一个因素的决策树，对于所述决策树由定义在的线性组合Wτ确定，其中Jτ是区分两类的阈值，等价的所述决策树描述如下：sτxa＝-[Wτ·xaT-Jτ] 是通过结合样本xa和阈值得到的；相应地，权重向量表示为sτxa表示决策者τ的决策结果，在齐次坐标上表示为； Boosting方法通过学习训练示例，选择几个具有自适应权重分布的分类器，根据权重分布，由选定的分类器线性组合而成完整分类器；用所述决策树代替分类器，结合算法操作，最终的所述决策树描述为 其中ατ是现有训练集的总错误率；DNN学习正是Boosting感知器的映射，在此映射中，所述隐藏神经元等价于分类器，所述输出神经元O近似于最终决策树，所述隐藏神经元r的权值，即即为分类器的权值此外，第二层所述隐藏神经元r的权重正好对应于现有训练集的总错误率ατ，因此，DNN学习中的两阶段学习等价于分类器ht的权值和计算现有训练集的总错误率ατ。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人上海交通大学，其通讯地址为：200240 上海市闵行区东川路800号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。