一种配电网自优化自学习无功优化控制方法技术

本发明专利技术提供了一种配电网自优化自学习无功优化控制方法，包括：步骤1，建立优化算法，优化算法用于对样本优化计算控制功能，并得到优化结果；步骤2，建立智能算法，智能算法将步骤1得到的优化结果作为前期样本，并添加上时间，然后对带有时间的前期样本进行自主学习和预测控制；步骤3，建立混合算法，混合算法用于判定智能算法是否可用，当智能算法能够拟合出优化算法的结果，使用智能算法对配电网进行快速的带有预测性控制，并采用优化算法进行事中监控。本发明专利技术方法能够提高控制的快速性，并且具有预测控制的效果。

A self optimizing and self learning reactive power optimal control method for distribution network

【技术实现步骤摘要】
一种配电网自优化自学习无功优化控制方法
本专利技术涉及一种配电网自优化自学习无功优化控制方法。
技术介绍
具有分布式电源的配电网络越来越普遍，其无功优化问题是通过对系统中的控制变量进行优化配置，可以减小系统网络有功损耗，提高电能质量。从数学上来讲，配电网无功优化本质上是多目标、多约束、多变量的电力系统规划问题。目前，这种问题的解决方式都是用类似于遗传算法、粒子群算法等优化算法得出最优的结果，这种解决可以很好的寻找出网络各个控制参数的最优值，可以得到最佳的结果。但是它也存在以下两个缺点：一是它的计算速度慢，按照文献中的计算过程而言，一次优化计算的时间需要按分钟为单位，然后再一个节拍一个节拍的控制，再反馈，再优化，再控制，整个达到稳定效果的控制时间多则达到半小时为单位。二是它是事后优化，不带有预测功能，但是一些例如村级单位、矿井单位的电网中，其每天相同时间的各个器件的输入输出往往是常年基本相似的，是具有预测的基础条件的。
技术实现思路
专利技术目的：本专利技术所要解决的技术问题是针对现有技术的不足，提供一种配电网自优化自本文档来自技高网...

【技术保护点】
1.一种配电网自优化自学习无功优化控制方法，其特征在于，包括如下步骤：/n步骤1，建立优化算法，优化算法用于对样本优化计算控制功能，并得到优化结果；/n步骤2，建立智能算法，智能算法将步骤1得到的优化结果作为前期样本，并添加上时间，然后对带有时间的前期样本进行自主学习和预测控制；/n步骤3，建立混合算法，混合算法用于判定智能算法是否可用，当智能算法能够拟合出优化算法的结果，使用智能算法对配电网进行快速的带有预测性控制，并采用优化算法进行事中监控。/n

【技术特征摘要】
1.一种配电网自优化自学习无功优化控制方法，其特征在于，包括如下步骤：
步骤1，建立优化算法，优化算法用于对样本优化计算控制功能，并得到优化结果；
步骤2，建立智能算法，智能算法将步骤1得到的优化结果作为前期样本，并添加上时间，然后对带有时间的前期样本进行自主学习和预测控制；
步骤3，建立混合算法，混合算法用于判定智能算法是否可用，当智能算法能够拟合出优化算法的结果，使用智能算法对配电网进行快速的带有预测性控制，并采用优化算法进行事中监控。


2.根据权利要求1所述的方法，其特征在于，步骤1包括如下步骤：
步骤1-1，建立优化算法的输入输出，优化算法的输入参数包括线损、无功设备操作费用、分布式电源浪费、电源偏差；输出参数是控制变量，包括控制设备工作状态，具体包括OLTC与电容器的分接头位置、无功补偿装置投入的编号、开关状态、分布式电源有功功率和配电网状态变量；
步骤1-2，对优化算法进行求解。


3.根据权利要求2所述的方法，其特征在于，步骤1-2包括：
建立整个配电网从当前t＝1到t＝T时刻整个过程的运行状态，以此建立如下综合最优目标函数F：
F＝Argmin[floss，fcost，fwaste，fvd]，(1)
式(1)中，符号Argmin表示最小化，floss是线损函数；fcost是无功设备操作费用函数；fwaste是分布式电源浪费函数；fvd是电源偏差指标函数。


4.根据权利要求3所述的方法，其特征在于，所述线损函数floss表达式为：



式(2)中，Nb是支路节点集合；i，j分别表示支路首节点和末节点；Ui和Uj分别表示节点i的电压和节点j的电压；Gi，j和θi，j分别表示节点i和j的互电导、节点i和j的相位差；
无功设备操作费用包括OLTC投切费用、并联电容器投切费用、SVC无功补偿出力费用和SVG无功补偿出力费用，设定同种类型的无功调节设备型号一致，则无功设备操作费用函数表达式为：






式(3)中，Nsap、Ncap、Nsvc、Nsvg分别表示OLTC、电容器、SVC、SVG的数量；
l，m，n，vg分别表示OLTC、电容器、SVC、SVG的编号；
Ctap、Ccap、Csvc、Csvg分别表示OLTC投切一次的费用、电容器投切一次的费用、SVC单位补偿容量费用SVG单位补偿容量费用；

是t时刻、l节点的OLTC的闭合档位；

是t时刻、m节点的电容器的闭合档位；

是t时刻、n节点的SVC的无功补偿容量；

是t时刻、vg节点的SVG的无功补偿容量；
分布式电源浪费函数表达式为：



式(4)中，NDG是分布式电源的数量；ge是分布式电源的编号；是t时刻、ge节点的分布式电源最大有功出力；是t时刻、ge节点的分布式电源有功出力；
电压偏差指标函数表达式为：



式(5)中，Nbus是配电网的节点总数；是配电网节点i的电压基准值；Ui是配电网节点i的电压实际采样值。


5.根据权利要求4所述的方法，其特征在于，步骤2包括：
步骤2-1，将步骤1得到的优化结果和人工操作的样本，添加上时间，形成样本库，将样本库中的值进行归一化；
智能算法的输入参数包括线损、无功设备操作费用、分布式电源浪费、电源偏差、真实的年月日时分秒的时间；输出参数是控制变量，包括控制设备工作状态，具体包括OLTC与电容器的分接头位置、无功补偿装置投入的编号、开关状态、分布式电源有功功率和配电网状态变量；建立在线极限学习机的智能算法的输入输出；
步骤2-2，采用在线顺序极限学习机对智能算法进行求解。


6.根据权利要求5所述的方法，其特征在于，步骤2-2包括如下步骤：
步骤2-2-1，初始化在线顺序极限学习机，设置结构：
在线顺序极限学习机输入层中，细胞的个数为5个，分别对应的是线损、无功设备操作费用、分布式电源浪费、电源偏差、真实的年月日时分秒的时间参数；
在线顺序极限学习机的输出层中，细胞的个数为所有控制设备工作状态的个数，即OLTC与电容器的分接头位置、无功补偿装置投入的编号、开关状态、分布式电源有功功率和配电网状态变量的个数；
在线顺序极限学习机的中间层中，细胞的个数为输入层细胞个数和输出层细胞个数之和；
步骤2-2-2，对在线顺序极限学习进行训练。


7.根据权利要求6所述的方法，其特征在于，步骤2-2-2包括如下步骤：
步骤2-2-2-1，进行初始训练学习：将已有的步骤2-1中获得N0个初始样本(Xi，ti)输入到未经训练的在线顺序极限学习机中，其中其中Xi为输入参数，即包括线损、无功设备操作费用、分布式电源浪费、电源偏差、真实的年月日时分秒的时间；ti为输出参数，即控制设备工作状态，具体包括OLTC与电容器的分接头位置、无功补偿装置投入的编号、开关状态、分布式电源有功功率和配电网状态变量；Xi、ti、xin、tim中i代表的是第i个样本，即在1～N0个样本之间的编号，中代表的是输入参数的个数总和，总共有5个输入，xi1代表的是线损、xi2代表的是无功设备操作费用、xi3代表的是分布式电源浪费、xi4代表的是电源偏差、xi5代表的是真实的年月日时分秒的时间参数，所以为5；中代表的是输出参数的个数总和，即OLTC与电容器的分接头位置、无功补偿装置投入的编号、开关状态、分布式电源有功功率和配电网状态变量的总和；分别代表的是维度为的实数空间；
随机初始化输入权重ai和输入偏置其中是输入参数的个数总和，即Xi的参数个数；
计算隐层的输出矩阵H0：



其中，中，g()表示的是激活函数，是输入权重，输入偏置，XN0是输入；
计算输出第一次学习结果的在线极限学习机的输出权重β(0)：



其中，T0＝[t1，…，tN0]′；Ho是指第一次学习时，初始样本所有的输入样本Xi条件下，在线极限学习机的中间层细胞的输出；此刻输入样本Xi在输出层的期望的输出应是T0；tN0代表的就是第N0个初始样本(Xi，ti)的应有的输出，即第N0个样本的OLTC与电容器的分接头位置、无功补偿装置投入的编号、开关状态、分布式电源有功功率和配电网状态变量；
步骤2-2-2-2，当Sn＞N0+1时，其中Sn为现有样本总数，即在第一次获得N0个样本后，由于系统不断运行，样本还在不断增加，开始在线学习，在线学习过程为：
设定每一批新样本的个数为Ni，计算其...

【专利技术属性】
技术研发人员：陈楠，汪政，吕游，徐俊杰，
申请(专利权)人：南京富尔登科技发展有限公司，
类型：发明
国别省市：江苏;32