云边协同与电网隐私保护的分布式电源就地电压控制方法技术

一种云边协同与电网隐私保护的分布式电源就地电压控制方法：划分有源配电网各边缘计算装置的所辖区域并输入配电网参数；在云端构建基于图卷积神经网络的配电网代理模型的训练集，并构建基于图卷积神经网络的配电网代理模型，训练后得到配电网代理模型；将训练后的配电网代理模型下发至配网边缘侧的边缘计算装置，作为其配电网子代理模型；依据各配电网子代理模型，整定各区域内分布式电源的就地电压控制曲线参数；更新训练对象构成边缘侧子训练集；更新得到更新后的配电网子代理模型；再次整定各区域内分布式电源的就地电压控制曲线参数，输出就地电压控制曲线整定结果。本发明专利技术充分挖掘海量多源数据信息，提升配电网运行调控智能化水平。调控智能化水平。调控智能化水平。

【技术实现步骤摘要】
云边协同与电网隐私保护的分布式电源就地电压控制方法


[0001]本专利技术涉及一种分布式电源就地电压控制方法。特别是涉及一种云边协同与电网隐私保护的分布式电源就地电压控制方法。

技术介绍

[0002]分布式电源(Distributed Generators,DGs)的大规模、高比例接入实现了配电网能量供给的低碳化，但同时也造成了配电网的电压越限问题，并使配电网的优化与控制方式变得更加复杂。与此同时，随着配用电大数据信息越来越庞杂，配网侧多利益主体的数据以孤岛形式存在，数据集中面临着通信压力和隐私泄露等诸多问题，这加速了配电网运行管理机制的变革。
[0003]通过调度各种无功装置，可以减轻电压越限。由于传统的调节装置(例如，有载分接开关和电容器组)响应速度慢且电压不能连续调节，因此很难进行快速电压控制。分布式电源逆变器的剩余容量可用于电压的连续调节，因此利用DG接口逆变器实现快速电压控制具有巨大潜力。
[0004]对于分布式电源高渗透率接入的配电网，通常采用集中控制的方式，统一调配可控资源，实现系统的全局最优，但这种方法量测数据量本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种云边协同与电网隐私保护的分布式电源就地电压控制方法，其特征在于，包括如下步骤：1)根据选定的有源配电网，划分各边缘计算装置的所辖区域并输入配电网参数，包括配电网的网络拓扑连接关系，分布式电源接入位置、容量及参数；输入配电网N
d
个典型日的历史潮流数据及预测的分布式电源日出力曲线、日负荷出力曲线；设置典型拓扑结构总数N
s
，训练对象的采样总时长ΔT、采样时间间隔Δt；设置基于图卷积神经网络的配电网代理模型参数，包括学习率γ、正则化系数β、完整遍历训练集的次数E；2)依据步骤1)中配电网参数和N
d
个典型日的历史潮流数据，在云端构建基于图卷积神经网络的配电网代理模型的训练集，包括确定训练集中训练对象的个数、各训练对象的组成以及对训练对象进行预处理；在云端构建基于图卷积神经网络的配电网代理模型，并完成基于图卷积神经网络的配电网代理模型的训练，得到训练后的配电网代理模型；3)将训练后的配电网代理模型下发至配网边缘侧的边缘计算装置，作为各边缘计算装置的配电网子代理模型；4)依据各配电网子代理模型，在配电网边缘侧基于预测的分布式电源日出力曲线、日负荷出力曲线和各边缘计算装置所辖区域内的电压、净负荷功率量测信息，以各边缘计算装置所辖区域内的节点电压偏差最小为目标函数，分别整定各区域内分布式电源的就地电压控制曲线参数；5)依据步骤4)中得到的各区域内分布式电源的就地电压控制曲线，基于配电网子代理模型更新训练对象构成边缘侧子训练集；利用联邦学习框架分别更新各边缘侧配电网子代理模型的权重系数，得到更新后的配电网子代理模型；6)依据步骤5)中更新后的配电网子代理模型，再次整定各区域内分布式电源的就地电压控制曲线参数，输出就地电压控制曲线整定结果。2.根据权利要求1所述的云边协同与电网隐私保护的分布式电源就地电压控制方法，其特征在于，步骤1)所述的配电网N
d
个典型日的历史潮流数据，为：在配电网N
d
个典型日中，个典型日分布式电源不参与无功功率调节，个典型日分布式电源以[1.0，1.0]为死区的基础曲线调节无功功率，从而获得配电网N
d
个典型日的历史潮流数据。3.根据权利要求1所述的云边协同与电网隐私保护的分布式电源就地电压控制方法，其特征在于，步骤2)中，所述的训练集中训练对象的个数，是：基于配电网N
d
个典型日的历史潮流数据，并考虑N
s
种典型拓扑结构，来构造基于图卷积神经网络的配电网代理模型的训练集，总计共包含个训练对象。所述的各训练对象的组成，包括：每个训练对象由特征信息矩阵X、拓扑信息矩阵A、标签矩阵Z三个矩阵组成，基于图卷积神经网络的配电网代理模型，以特征信息矩阵X、拓扑信息矩阵A为输入，对标签矩阵Z进行拟合；特征信息矩阵X表示训练对象的输入特征，第n个训练对象的特征信息矩阵X
n
由采样时刻节点注入的净负荷有功功率、净负荷无功功率以及配电网的节点电压值组成，表示为：
式中，表示采样时刻各节点注入的净负荷有功功率构成的列向量，表示采样时刻各节点注入的净负荷无功功率构成的列向量，表示采样时刻配电网的节点电压值构成的列向量，N为配电网节点数；拓扑信息矩阵A表示节点与节点间的连接关系，第n个训练对象的拓扑信息矩阵A
n
表示为：为：式中，为第n个训练对象的拓扑信息矩阵A
n
的第i行第j列元素；标签矩阵Z表示训练对象的输出特征的标签值，第n个训练对象的标签矩阵Z
n
由采样时刻的节点电压控制值组成，表示为：式中，为矩阵的第i行元素，表示第n个训练对象第i个节点输出特征的标签值；N为配电网节点数。4.根据权利要求1所述的云边协同与电网隐私保护的分布式电源就地电压控制方法，其特征在于，步骤2)所述的对训练对象进行预处理，是在进行模型训练前，对训练集中训练对象的特征信息矩阵X和标签矩阵Z中各元素进行预处理；其中对第n个训练对象的特征信息矩阵X
n
进行预处理，预处理公式为：式中，为预处理前第n个训练对象的特征信息矩阵X
n
中第i个节点的第k个输入特征，为预处理后第n个训练对象的特征信息矩阵X
n
中第i个节点的第k个输入特征，为训练对象的特征信息矩阵X中第k个输入特征所有元素的均值，为训练对象的特征信息矩阵X
中第k个输入特征所有元素的方差；对第n个训练对象的标签矩阵Z
n
进行预处理，预处理公式为：式中，为预处理前第n个训练对象的标签矩阵Z
n
中第i个节点输出特征的标签值，为预处理后第n个训练对象的标签矩阵Z
n
中第i个节点输出特征的标签值，μ
Z
为训练对象的标签矩阵Z中输出特征所有元素的均值，δ
Z
为训练对象的标签矩阵Z中输出特征所有元素的方差。5.根据权利要求1所述的云边协同与电网隐私保护的分布式电源就地电压控制方法，其特征在于，步骤2)所述的基于图卷积神经网络的配电网代理模型表示为：其特征在于，步骤2)所述的基于图卷积神经网络的配电网代理模型表示为：式中，H
(l+1)
为配电网代理模型第l+1层隐藏层的输出；H
(l)
为第l层隐藏层的输出；A为拓扑信息矩阵，I
M
为M阶单位矩阵；为对角阵，W
(l)
为第l层的权重矩阵；Y为图卷积神经网络的输出矩阵；H
(k
‑
1)
为最后一层隐藏层的输出；W
(k)
为输出层的权重；σ(
·
)...

【专利技术属性】
技术研发人员：赵金利，张子麒，习伟，李鹏，冀浩然，于浩，蔡田田，邓清唐，陈波，李肖博，
申请(专利权)人：南方电网数字电网研究院有限公司，
类型：发明
国别省市：