The invention discloses a method for calculating network loss based on in-depth learning and elastic network regularization, which adopts statistical method or real-time network model method. The former has large workload and low calculation accuracy, especially for large power grids, and the latter is highly dependent on the level of grid automation, if the qualification rate of dispatching automation state estimation or power flow calculation is low. Comparing with the two traditional methods of calculating network loss, this method uses self-encoder technology to train historical network loss samples from the perspective of in-depth learning, so as to obtain a network loss calculation model. On the one hand, it can realize the future. At the same time, loss prediction can also be carried out without model-based loss calculation. Its samples can come from real-time data or simulation model, which greatly improves the efficiency and practicality of loss calculation.
【技术实现步骤摘要】
一种基于深度学习与弹性网正则化的电网网损计算方法
本专利技术涉及一种基于深度学习与弹性网正则化的电网网损计算方法,属于电力系统运行与分析
技术介绍
目前,随着电力体制改革的进一步推进,电网经济运行势必引起各级电网运行企业的关注,电网损耗是项重要的关键运行指标,通过分析计算及预测,可促进供电企业运行管理人员掌握电网经济运行情况,提高管理运行水平。传统的网损计算方法多针对低电压配网,采用形状系数、最大电流法或者人工智能等近似计算方法,这些方法计算模型较简单,不依赖网络详细的运行数据,适合手工计算,但工作量极大,计算结果精度不高,且无法对降网损提供准确的量化决策依据。随着电网规模的不断扩大及管理的不断细化,传统网损计算方法已不能满足电力企业对网损管理的要求。
技术实现思路
目的:为了克服现有技术中存在的不足,本专利技术提供一种基于深度学习与弹性网正则化的电网网损计算方法。技术方案:为解决上述技术问题,本专利技术采用的技术方案为:一种基于深度学习与弹性网正则化的电网网损计算方法,包括具体步骤如下:步骤1:产生注入量测样本;步骤2:产生静态非注入量测样本;步骤3:产生静态支路量测样本;步骤4:产生网损样本,网损样本采用与注入量测相同采样频率产生网损样本;网损样本分别在电网实时调度系统和模拟仿真系统得到学习测试样本,设注入量测样本数目为Npq,静态支路量测样本数目为Nbranch,静态非注入量测样本数目为NNpq;步骤5:样本处理,对于注入量测样本和静态支路量测样本,需要保持这两者时间断面对齐,如果这两类样本中同一个时刻,有一个样本缺失,则采用中值方法补齐;步骤 ...
【技术保护点】
1.一种基于深度学习与弹性网正则化的电网网损计算方法,其特征在于:包括具体步骤如下:步骤1:产生注入量测样本;步骤2:产生静态非注入量测样本;步骤3:产生静态支路量测样本;步骤4:产生网损样本,网损样本采用与注入量测相同采样频率产生网损样本;网损样本分别在电网实时调度系统和模拟仿真系统得到学习测试样本,设注入量测样本数目为Npq,静态支路量测样本数目为Nbranch,静态非注入量测样本数目为NNpq;步骤5:样本处理,对于注入量测样本和静态支路量测样本,需要保持这两者时间断面对齐,如果这两类样本中同一个时刻,有一个样本缺失,则采用中值方法补齐;步骤6:将样本分成学习样本以及测试样本;步骤7:确定自编码器模型的参数,自编码器模型的输入节点数量等于注入量测样本类型数、静态支路量测类型数,静态非注入量测类型数三者之和,输出节点对应网损,故输出节点数量为1;步骤8:利用L1+L2弹性网正则化思想,建立网损计算函数C:
【技术特征摘要】
1.一种基于深度学习与弹性网正则化的电网网损计算方法,其特征在于:包括具体步骤如下:步骤1:产生注入量测样本;步骤2:产生静态非注入量测样本;步骤3:产生静态支路量测样本;步骤4:产生网损样本,网损样本采用与注入量测相同采样频率产生网损样本;网损样本分别在电网实时调度系统和模拟仿真系统得到学习测试样本,设注入量测样本数目为Npq,静态支路量测样本数目为Nbranch,静态非注入量测样本数目为NNpq;步骤5:样本处理,对于注入量测样本和静态支路量测样本,需要保持这两者时间断面对齐,如果这两类样本中同一个时刻,有一个样本缺失,则采用中值方法补齐;步骤6:将样本分成学习样本以及测试样本;步骤7:确定自编码器模型的参数,自编码器模型的输入节点数量等于注入量测样本类型数、静态支路量测类型数,静态非注入量测类型数三者之和,输出节点对应网损,故输出节点数量为1;步骤8:利用L1+L2弹性网正则化思想,建立网损计算函数C:其中,W表示深度学习最后的权矩阵,X为输入变量,取注入量测样本、静态非注入量测样本和静态支路量测样本(X表示所有的输入变量,输入变量包括注入量测样本、静态非注入量测样本和静态支路量测样本),LOSS为系统的电网网损,矩阵W∈Rm×n,Rm×n代表m×n的实数矩阵,矩阵W的一范数为矩阵W的二范数为tr(·)代表矩阵中主对角线上的所有元素之和,λ1>0、λ2>0为正则化因子;步骤9:利用学习样本,训练自编码器模型,得到权重W,代入网损计算函数;步骤10:将测试样本作为输入变量代入步骤9中的网损计算函数进行测试,得到测试网损,如果测试网损与测试样本中网损的误差小于10-2,则训练结束,否则回到步骤9;步骤11:将实时数据作为输入变量代入步骤10确定的网损计算函数计算实时电网网损。2.根据权...
【专利技术属性】
技术研发人员:陈天华,杨洛,杜磊,陈建华,徐陆飞,
申请(专利权)人:国电南瑞科技股份有限公司,国电南瑞南京控制系统有限公司,
类型:发明
国别省市:江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。