基于卷积神经网络的微网无功自动控制方法技术

本发明专利技术提出一种基于卷积神经网络的微网无功自动控制方法，其运用SCADA采集微网系统实时运行数据，生成二维功率矩阵数据；并利用最优潮流计算该二维功率矩阵数据对应的无功装置的最佳无功功率，作为其标签值；训练卷积神经网络模型，使其能够根据系统运行数据确定各无功装置的最佳无功功率。本发明专利技术利用是二维卷积运算稀疏交互、权值共享和等变表示的特点，建立卷积神经网络模型并进行模型训练，实现对微网运行状态进行自动特征提取，从而确定各无功装置的最佳无功功率，同时兼顾微网运行时的电压偏差和网损，具有良好的经济性和安全性。

Microgrid Reactive Power Automatic Control Method Based on Convolutional Neural Network

【技术实现步骤摘要】
基于卷积神经网络的微网无功自动控制方法
本专利技术涉及电力系统无功自动控制领域，特别是涉及一种基于卷积神经网络的微网无功自动控制方法。
技术介绍
随着分布式电源技术的逐渐成熟和商用化项目的不断推进，微网系统作为分布式电源高效管理和灵活控制的重要技术平台得到了大力发展和建设。但风光出力的波动性、间歇性和不可控性使得微网系统运行状态复杂多变，难以精确预测。因此作为保障微网系统稳定经济运行手段之一，无功自动控制策略成为了目前研究热点之一。目前微网无功控制方法研究均集中在传统控制方法上，包括集中式控制方式和分布式协调控制方式。前者指调度中心根据系统整体运行工况，对各变电站的主变压器分接头位置和各无功补偿设备进行统一控制，目前常用的方法有9区图法。后者各无功装置根据局部电压大小，独立调节自身运行状态，提高电压质量。但上述控制策略均侧重于微网运行的安全性和电能质量，即保障电压偏差在合理范围内，而未考虑网损。此外还有基于最优潮流的无功控制策略，即建立考虑网损和电压偏差的多目标函数，根据系统运行状态，利用智能优化算法求解无功装置最佳无功功率。但智能优化算法求解时间偏长，且易陷入局部最优，不适合于无功实时控制，多用于日前调度和实时调度。考虑到卷积神经网络方法无须针对数据集建立复杂的数学模型，能够基于输入数据快速得到计算结果，计算速度快，精度高，本专利技术提出了一种基于卷积神经网络的微网无功自动控制方法，根据SCADA采集到的微网实时运行数据，进行无功协调控制，降低网损和电压偏差，提高系统运行经济性和安全性。
技术实现思路
本专利技术的目的在于提供一种基于卷积神经网络技术的微网无功控制方法，有效降低微网网损和电压偏差。其将SCADA采集到的各支路功率和节点功率作为输入，避免对系统进行建模和优化过程，直接得出各无功装置最佳无功出力。所述方法包括以下步骤：步骤1、利用SCADA采集微网系统实时运行数据，并转化成二维功率矩阵，将所述实时运行数据分为训练集和测试集；步骤2、基于最优潮流计算各二维功率矩阵对应的输出值，即无功装置最佳无功功率值；步骤3、对所述二维功率矩阵进行高斯归一化；将所述各无功装置最佳无功功率值转换为其相对自身容量的百分值；步骤4、构建包括输入层、卷积层、池化层、批标准化、全连接层和sigmod层的卷积神经网络回归模型，用于微网无功自动控制，其中所述输入层对输入二维功率矩阵进行数据的归一化处理。步骤5、利用所述训练集进行模型训练，并基于所述测试集评估模型效果；步骤6、利用训练完成的卷积神经网络模型对微网系统进行无功自动控制。进一步，所述训练集和测试集的数据量为4：1。进一步，所述二维功率矩阵为所述卷积神经网络的输入数据。进一步，所述卷积神经网络的输出为所述各无功装置无功功率百分值。进一步，所述卷积神经网络模型中卷积层共9层，卷积层1卷积核为1×1，其他均为3×3。进一步，所述卷积神经网络模型中的各卷积块的结构顺序依次为批标准化、非线性激活和除卷积层1之外的卷积。进一步，所述卷积神经网络的全连接层为3层，所述sigmod层为所述卷积神经网络的最后一层。进一步，所述sigmod层激活函数为sigmod，最后一个全连接层无激活函数，其它层激活函数均为relu。附图说明图1为本专利技术的一种基于卷积神经网络的微网无功自动控制方法中的系统结构图；图2为本专利技术的一种基于卷积神经网络的微网无功自动控制方法中使用的卷积神经网络结构图；图3为附图1的卷积神经网络的卷积块内部结构图；图4为本专利技术一种基于卷积神经网络的微网无功自动控制方法流程图。具体实施方式下面结合实施例和附图对本专利技术进行详细的说明。本专利技术提出一种基于卷积神经网络的微网无功自动控制方法，如附图1所示，将scada系统采集到的电压、电流等数据通过输入信息流传输给无功控制中心，无功控制中心利用卷网神经网络计算无功装置的最佳无功功率，并通过输出控制流发出指令对无功装置进行调整。该控制模型建立包括以下步骤：步骤1：数据采集卷积神经网络的输入为微网系统的实时运行数据，包括各支路有功/无功功率和各节点有功/无功功率，并以二维功率矩阵进行表示，如式(1)所示。其中：式中，n为微网系统节点数目；当i≠j时，Pij、Qij为节点i向节点j传输的有功功率和无功功率。当i＝j时，Pii和Qii分别为节点i的有功功率和无功功率，若为正，则表示输出功率，否则为注入功率。因此利用SCADA采集微网各时刻运行数据，并转换成二维功率矩阵。将所有数据按4：1分为训练集和测试集。步骤2：数据标签生成卷积神经网络模型的训练类型为监督学习，即通过已有的训练样本(即已知数据以及其对应的输出)训练得到最优模型。因此仅有二维功率矩阵数据无法完成模型训练，还需要标注各数据对应的输出值。本专利技术中各二维功率矩阵数据对应的输出值为无功装置最佳无功功率值，表示形式如式(3)所示。式中，m为无功装置数目；yi为第i个无功装置无功功率。SCADA仅能采集微网运行时的各支路和节点的功率数据，生成二维功率矩阵作为神经网络的输入数据。其对应的标注值，即无功装置的最佳无功功率需要进行最优潮流求解。为此本专利技术需建立最优潮流模型，确定各二维功率矩阵对应的无功装置最佳无功功率大小，如式(4)所示：式中，Ploss为微网的网损；UN为微网系统额定电压；Ui为节点i实际电压，λ1、λ2为权重系数。运用智能优化算法对式(4)进行最优潮流求解，即可得到各二维功率矩阵对应的输出Y，即各无功装置最优无功功率。步骤3数据预处理由于各支路/节点功率大小不同，且相互之间差异往往较大。因此若直接输入神经网络，则会造成某些较小的功率值被忽略。因此输入数据集二维功率矩阵需要运用高斯分布进行归一化，如式(5)所示。式中，μ为二维功率矩阵的平均值；δ为二维功率矩阵的标准差。由于各无功装置容量不同，因此若卷积神经网络输出为无功装置的最佳无功功率值，则训练时神经网络的损失函数大小受无功装置容量影响，难以有效评估。为此本专利技术中设计输出为各无功装置无功功率百分值，如式(6)所示。式中，yi为无功装置i的实际最佳无功功率值；yi,N为无功装置i的容量；为无功装置i的最佳无功功率相对于容量额百分值。步骤4：建立卷积神经网络本专利技术所利用的卷积神经网络模型包括卷积层、池化层、全连接层和sigmod层，具体结构见附图2和附图3。其中卷积层有9层，其中第1层卷积核大小为1×1，其他各层均为3×3，每层卷积步长均为1，各卷积层的特征层数目分别为64、64、64、128、128、256、256、512、512。为了消除过拟合，卷积层引入了批标准化(batchnormalization)。除卷积层1外，其他卷积层、批标准化和非线性激活函数组成卷积块，如附图2所示，组成顺序依次为批标准化、非线性激活和卷积(BN-RELU-CONV)。全连接层共3层，各层节点数目分别为2048、4096和n(n为微网无功装置数目)，除了最后一个全连接层和sigmod层外，其它层激活函数均为relu，sigmod层激活函数为sigmod，最后一个全连接层无激活函数。定义卷积神经网络的损失函数为式(7)：式中，Yi'为神经网络模型输出的第i个无功装置最佳无功功率百分值；为实际第i个无功装置最佳无功功率百分值。步骤五：训练本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的微网无功自动控制方法，其特征在于：包括以下步骤：步骤1、利用SCADA采集微网系统实时运行数据，并转化成二维功率矩阵，将所述实时运行数据分为训练集和测试集；步骤2、基于最优潮流计算各二维功率矩阵对应的输出值，即无功装置最佳无功功率值；步骤3、对所述二维功率矩阵进行高斯归一化；将所述各无功装置最佳无功功率值转换为其相对自身容量的百分值；步骤4、构建包括输入层、卷积层、池化层、批标准化、全连接层和sigmod层的卷积神经网络回归模型，用于微网无功自动控制，其中所述输入层对输入二维功率矩阵进行数据的归一化处理；步骤5、利用所述训练集进行模型训练，并基于所述测试集评估模型效果；步骤6、利用训练完成的卷积神经网络模型对微网系统进行无功自动控制。

【技术特征摘要】
1.一种基于卷积神经网络的微网无功自动控制方法，其特征在于：包括以下步骤：步骤1、利用SCADA采集微网系统实时运行数据，并转化成二维功率矩阵，将所述实时运行数据分为训练集和测试集；步骤2、基于最优潮流计算各二维功率矩阵对应的输出值，即无功装置最佳无功功率值；步骤3、对所述二维功率矩阵进行高斯归一化；将所述各无功装置最佳无功功率值转换为其相对自身容量的百分值；步骤4、构建包括输入层、卷积层、池化层、批标准化、全连接层和sigmod层的卷积神经网络回归模型，用于微网无功自动控制，其中所述输入层对输入二维功率矩阵进行数据的归一化处理；步骤5、利用所述训练集进行模型训练，并基于所述测试集评估模型效果；步骤6、利用训练完成的卷积神经网络模型对微网系统进行无功自动控制。2.根据权利要求1所述的一种基于卷积神经网络的微网无功自动控制方法，其特征在于：所述训练集和测试集的数据量为4：1。3.根据权利要求1所述的一种基于卷积神经网络的微网无功自动控制方法，其特...

【专利技术属性】
技术研发人员：华亮亮，黄伟，葛良军，刘明昌，
申请(专利权)人：国网内蒙古东部电力有限公司通辽供电公司，华北电力大学，
类型：发明
国别省市：内蒙古,15