【技术实现步骤摘要】
考虑风电不确定性的配电网概率潮流获取方法、装置
本专利技术属于含分布式电源的配电网概率潮流计算
，尤其涉及考虑风电不确定性的配电网概率潮流获取方法、装置。
技术介绍
在能源紧缺和全球变暖的形势下，大量分布式电源接入配电网，使得传统配电网演变为多电源的复杂网络，且以风电为主的分布式电源出力具有随机性、间歇性，这给配电系统的规划运行、经济调度带来不良影响。因此精确地描述风电的不确定性成为一个热门问题。概率潮流计算可以全面反映不确定性对系统运行状态的影响，是电力系统规划和安全可靠分析的重要工具。其计算方法中的蒙特卡洛模拟法计算精度高且能得到输出随机变量的概率分布，但需要建立准确的输入变量概率模型。现有的概率模型方法分为参数法和非参数法。而参数法需要提前假定研究对象服从的概率分布，准确性和适用性差；非参数法中核函数的选择、参数的求解具有难度。当系统中包含多个输入随机变量时，需要采用空间变换法或Copula函数分析法处理变量之间的相关性。其中空间变换法只能描述某一种相关性，而Copula函数法对于高维随机变量有很大局限性...
【技术保护点】
1.考虑风电不确定性的配电网概率潮流获取方法，其特征在于：所述方法包括如下步骤：/nS1、构建双向生成对抗网络的网络结构：所述双向生成对抗网络包括编码器、生成器、判别器，其中，所述编码器、生成器、判别器的网络结构采用全连接层的人工神经网络，且全连接层均采用LeakyReLU激活函数；生成器的输出层使用Tanh函数，判别器的输出层采用Sigmoid激活函数；在判别器的全连接层后添加Dropout层，在所述编码器、生成器、判别器的各层输入前添加分批标准化层；/nS2、对步骤S1中的双向生成对抗网络进行训练；/nS3、双向生成对抗网络训练完成后，截取生成器作为生成模型，输入服从高...
【技术特征摘要】
1.考虑风电不确定性的配电网概率潮流获取方法，其特征在于：所述方法包括如下步骤：
S1、构建双向生成对抗网络的网络结构：所述双向生成对抗网络包括编码器、生成器、判别器，其中，所述编码器、生成器、判别器的网络结构采用全连接层的人工神经网络，且全连接层均采用LeakyReLU激活函数；生成器的输出层使用Tanh函数，判别器的输出层采用Sigmoid激活函数；在判别器的全连接层后添加Dropout层，在所述编码器、生成器、判别器的各层输入前添加分批标准化层；
S2、对步骤S1中的双向生成对抗网络进行训练；
S3、双向生成对抗网络训练完成后，截取生成器作为生成模型，输入服从高斯分布的一维随机噪声z，得到二维矩阵，将矩阵数据变换成一维的风电功率曲线，并进行反归一化得到符合原始数据概率分布的风功率数据；
S4、将节点负荷及步骤S3中得到的风功率数据输入概率潮流计算模型，采用前推回代法计算输出节点电压及支路功率。
2.根据权利要求1所述的考虑风电不确定性的配电网概率潮流获取方法，其特征在于：所述步骤S2中的双向生成对抗网络的训练方法为：
S201、训练集数据预处理：获取真实的风功率数据，采用max-min标准化方法，将风功率数据映射到[-1，1]区间，并将一维的风功率数据变换成二维的矩阵数据；
S202、根据双向生成对抗网络的目标函数进行迭代训练：在训练过程中，编码器以步骤S201中得到的矩阵数据x为输入，产生样本E(x)，生成器以服从高斯分布的一维随机噪声z为输入，产生样本G(z)，判别器以(x,E(x))和(z,G(z))两组数据作为输入，区分其来自编码器还是生成器；
S203、判断判别器是否能正确区分(x,E(x))和(z,G(z))两组数据，若能，则继续训练过程；否则，训练结束。
3.根据权利要求2所述的考虑风电不确定性的配电网概率潮流获取方法，其特征在于：所述步骤S202中双向生成对抗网络的目标函数为：
式中，V(D,E,G)表示双向生成对抗网络的目标函数；G、D和E表示生成器、判别器和编码器；E[·]表示给定随机变量的期望值；x代表真实的风功率数据，服从真实数据分布PX(x)，PX(x)表示x的概率密度；z代表生成器的输入变量，服从高斯分布PZ(z)，PZ(z)表示z的概率密度；G...
【专利技术属性】
技术研发人员：王守相，白洁，赵倩宇，廖文龙，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12
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。