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

本发明专利技术公开了一种基于深度学习与弹性网正则化的电网网损计算方法，采用统计法或者基于实时电网模型方法，前者工作量大，计算精度低，尤其是对大电网而言，实现难度较大，后者高度依赖电网自动化水平，如果调度自动化状态估计或者潮流计算合格率偏低，将严重影响其实用程度，加之在目前电网特性的不断改变，不确定性增强，网损计算愈加复杂，相较于这两种传统的网损计算方法，本方法从深度学习视角，利用自编码器技术对历史电网网损样本进行学习训练，从而得到一个网损计算模型，一方面可以实现对未来网损的预测，同时也可以进行不基于模型的网损计算，其样本可来自于实时数据或者仿真模型，大大提高了网损计算的效率和实用化程度。

A Power Network Loss Calculation Method Based on Deep Learning and Elastic Network Regularization

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。作为优选方案，所述注入量测样本来源于两个途径：1、电网实时调度系统，通常在每个实际运行的系统中，存有连续断面的注入功率，时间分辨率为5分钟，得到不同时段的数据学习测试样本；2、模拟仿真系统，对于和实时系统具有同样拓扑的仿真模型，每隔5min采集一组样本，并进行连续潮流计算，得到多组系统网损与节点有功无功的数据学习测试样本。作为优选方案，所述静态非注入量测样本包括：电网线路长度、线路配电变压器总容量。作为优选方案，所述静态支路量测样本采用与注入量测相同采样频率产生流经线路两端的电流，有功，无功。作为优选方案，所述采用中值方法补齐：设t时刻，某样本如支路量测S(t)缺失，则采用补齐，其中，S(t+1)表示支路量测S在t+1时刻值，S(t-1)表示支路量测S在t-1时刻值,S为支路的电流、电压、有功、无功。作为优选方案，所述步骤9中训练自编码器模型采用逐层贪婪训练法进行训练，获取栈式自编码神经网络参数；按照从前向后的顺序执行每一层自编码器的编码步骤：a(l)＝f(z(l))z(l+1)＝W(l)a(l)+b(l)其中，上标l为深度学习中第l层隐含层，a(l)是第l层的激活值，f(·)为激活函数，本专利选择Sigmoid函数，W(l)为第l层隐含层的权重矩阵，b(l)为第l层隐含层的偏置向量，z(l)、z(l+1)分别为第l层、第l+1层隐含层的输出。有益效果：本专利技术提供的一种基于深度学习与弹性网正则化的电网网损计算方法，从深度学习视角，利用自编码器技术对历史电网网损样本进行学习训练，从而得到一个网损计算模型，一方面可以实现对未来网损的预测，同时也可以进行不基于模型的网损计算，其样本可来自于实时数据或者仿真模型，大大提高了网损计算的效率和实用化程度。具体实施方式电力传输损耗和节点注入有功和无功的大小密切相关，根据潮流平衡方程，电力系统网损大小为：上式中：Vi表示节点i的电压幅值、Vj表示节点j的电压幅值；j∈i表示有支路连接于节点i与节点j之间；θij表示节点i和j的电压相角差；Gij表示连接于节点i和j之间的支路的电导；n表示系统节点数目。分析可知，ΔPloss是母线电压与相角的函数，且电压和相位是有功和无功的函数，需要对电网进行状态估计和潮流计算才能得到，但在电力系统中，尤其是地区电网中，状态估计和潮流计算的可用率不高，导致网损计算无法得出结果，这也是依赖于模型的网损计算的缺陷所在。自编码器是一种分布式特征学习方法，其主要思想是采用多个递进的训练层提取数据的本质特征，克服浅层训练结构难以有效反映出数据的复杂特征的不足。自编码器算法结构中，每个训练层是对上一层的深化，逐步挖掘出输入数据的特征，自编码器算法采用多层结构，可以对原始的混沌信息进行多次训练，逐步提取信息，最终获得数据的本质特征。一种基于深度学习与弹性网正则化的电网网损计算方法，网损是系统有功注入，无功注入的函数，本专利技术的目的在于利用自编码器网络进行网损计算，提高网损计算的精度和效率，具体步骤如下：步骤1：产生注入量测样本；所述注入量测样本来源于两个途径：1、电网实时调度系统，通常在每个实际运行的系统中，存有连续断面的注入功率(时间分辨率为5分钟)，得到不同时段的数据学习测试样本；2、模拟仿真系统，对于和实时系统具有同样拓扑的仿真模型，每隔5min采集一组样本，并进行连续潮流计算，得到多组系统网损与节点有功无功的数据学习测试样本。步骤2：产生静态非注入量测样本，静态非注入量测样本包括：电网线路长度、线路配电变压器总容量。步骤3：产生静态支路量测样本，静态支路量测样本采用与注入量测相同采样频率产生流经线路两端的电流，有功，无功。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：设t时刻，某样本如支路量测S(t)缺失，则采用补齐，这里S(t+1)表示支路量测S在t+1时刻值，S(t-1)表示支路量测S在t-1时刻值,S为支路的电流、电压、有功、无功。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本文档来自技高网...

【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