【技术实现步骤摘要】
一种基于深度学习的电力系统无功电压控制方法及系统
本专利技术属于电力系统控制领域，尤其是一种基于深度学习的电力系统无功电压控制方法及系统。
技术介绍
随着风电、光伏等分布式能源在电网中的占比逐年增大，由于其输出波动性和随机性，以及局部高密度并网的特点，往往造成局部电网无功电压运行状况短时间内发生大幅变化。以中国某一风电场为例，该风电场运行数据中曾出现过220kV母线电压在10s内平均波动超过6kV，2s内最大波动超过5kV的严重情况。这些由分布式能源接入带来的无功电压快速波动问题无疑都对传统无功电压控制带来了严峻的挑战。当前针对分布式能源集中接入地区的无功电压快速控制研究主要集中于各类无功补偿设备之间的协调控制，以达到利用电容器、电抗器等静态无功设备进行粗调，利用SVG、SVC或借助于分布式能源自身无功调节能力等静态无功源进行快速精调的控制目的。从基于新型方法代替原有无功电压控制方法，以减少单次计算时间及提升控制频次的角度提升电力系统无功电压控制时效性的研究十分稀少。近年来，各类AI技术在图像语音识别、自动驾驶等领域...
【技术保护点】
1.一种基于深度学习的电力系统无功电压控制方法，其特征在于：包括以下步骤，/n步骤1，基于无功电压控制方法生成对应各类运行场景下的数据样本，/n数据样本输入变量包括上级AVC系统下发关口无功运行区间指令[Q
【技术特征摘要】
1.一种基于深度学习的电力系统无功电压控制方法，其特征在于：包括以下步骤，
步骤1，基于无功电压控制方法生成对应各类运行场景下的数据样本，
数据样本输入变量包括上级AVC系统下发关口无功运行区间指令[Qpccmin，Qpccmax]，电源节点有功出力PG、无功出力QG，以及负荷节点有功负荷PL、无功负荷QL；数据样本输出变量则为各无功补偿设备实时控制指令；
所述无功电压控制方法采用的无功优化模型如下，
其中，F为无功优化总目标，ΔVad为电压偏离指标，Qpcc为关口无功指标，ΔV为所有节点电压越限平方和，ΔQpcc为关口无功越限量；γ1、γ2为权重因子；λ1和λ2分别为系统节点电压和关口无功越限惩罚系数；
N为系统节点数，Vi为节点i的电压，Vimax及Vimin分别为节点i电压运行上下限；
步骤2，调用ICNN深度学习方法基于训练样本进行深度学习训练，训练完成后，再基于测试样本进行深度学习模型拟合效果测试；
步骤3，基于样本平均误差指标δmean及最大单样本误差指标δmax评估当前生成的深度学习模型是否已适用于实际控制，其中δmean用于评估深度学习网络整体拟合效果，δmax用于判断拟合结果中是否出现极大偏差场景；
步骤4，当深度学习模型通过步骤3指标评估后，将其运用于实时在线计算；如以下公式所示，在单次计算过程中，只需实时接收当前运行场景对应模型输入变量各项参数，完成深度学习单次前向计算得到各无功设备控制指令，
(Ccontinuous,Cdiscrete)＝Forward(PG,QG,PL,QL)
式中，Ccontinuous与Cdiscrete分别为连续型、离散型无功补偿设备控制指令，Forward()为深度学习模型前向计算过程。
2.根据权利要求1所述基于深度学习的电力系统无功电压控制方法，其特征在于：步骤1中，所述运行场景由改进拉丁超立方采样方法得到，实现过程包括以下流程，
1)基于拉丁超立方理论生成m个初始样本的输入变量，代表初始的各类运行场景，其中m为预设参数；
2)分别计算每个初始样本的输入变量对其他样本输入变量的欧式距离Lij，并分别记录每个样本的最小及次小欧式距离Li_min1、Li_min2；
3)对所有样本的最小欧式距离进行比较，确定最小欧式距离Lmin对应样本xI与xJ，比较两样本的次小欧式距离LI_min2与LJ_min2，较小值对应样本即为当前变异优先级最高样本xmutation；
4)对变异优先级最高样本xmutation进行变异操作，计算变异后该样本对其他样本最小欧式距离Lmutation_min1；
5)若Lmutation_min1小于预先设定的最小欧式距离指标Lminvalue，则表明此次变异操作成功；反之则重复步骤4)，直至满足最小欧式距离指标要求再进入步骤6)；
6)重复步骤2)-5)，共计完成m/5次变异操作后，输出最终样本的输入变量，即无功电压控制各类运行场景。
3.根据权利要求2所述基于深度学习的电力系统无功电压控制方法，其特征在于：步骤1)中，基于基本拉丁超立方理论生成初始样本输入变量的流程如下，
1.1)设单样本输入变量维数为nI，共需生成m个样本；对于输入变量第i维，将相应累计分布函数Fi(x)在y轴方向上均分成m个相同的...
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。