一种配电网无功优化的方法及装置制造方法及图纸

本发明专利技术公开了一种配电网无功优化的方法及装置，所述方法包括以下步骤：将配电网的历史负荷、拓扑数据以及对应的历史无功优化策略输入改进的CNN网络进行特征提取；特征提取后的配电网数据中历史负荷、拓扑数据作为DBN网络的输入，对应的历史无功优化策略作为DBN网络的输出，训练DBN网络，直到达到预设的迭代次数或者网络损耗不变的时候停止训练得到无功优化模型；将实时获取的历史负荷、拓扑数据输入无功优化模型，得出实时的无功优化策略，利用实时的无功优化策略对配电网进行无功优化；本发明专利技术的优点在于：配电网无功优化过程的计算时间短以及精度高。时间短以及精度高。时间短以及精度高。

【技术实现步骤摘要】
一种配电网无功优化的方法及装置


[0001]本专利技术涉及配电网无功优化领域，更具体涉及一种配电网无功优化的方法及装置。

技术介绍

[0002]大规模分布式电源并入传统配电网对其拓扑结构、运行状态以及控制方法等带来了很大的挑战。为解决分布式电源并网对配电网带来的负面影响。用于改善电网运行状态的电力设备数量逐步增加。配电网无功优化指电力系统安全稳定的前提之下通过调节负荷节点的有功以及无功功率、变压器分接头变比、负荷节点的无功补偿容量等方式使得配电网的电压波动和有功损耗达到最小的过程。
[0003]传统的无功优化求解方法均需要利用配电网物理模型并将其简化，通过策略迭代的方法找寻最优解。例如中国专利公开号CN110729740A，提供配电网无功优化方法、装置、计算机设备及可读存储介质，该方法包括：获取配电网系统的无功优化模型，根据所述无功优化模型，将所述配电网系统网损优化函数以及离散无功设备动作损失优化函数，转化为所述配电网无功优化对应的马尔科夫决策过程，以状态价值为目标，求解所述马尔科夫决策过程，得到所述离散无功调节设备的配置信息，并根据所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种配电网无功优化的方法，其特征在于，所述方法包括以下步骤：步骤一：将配电网的历史负荷、拓扑数据以及对应的历史无功优化策略输入改进的CNN网络进行特征提取；所述改进的CNN网络包括3个卷积层、3个池化层以及1个全连接层，按照卷积
‑
池化
‑
卷积
‑
池化
‑
卷积
‑
池化
‑
全连接层的方式连接；步骤二：特征提取后的配电网数据中历史负荷、拓扑数据作为DBN网络的输入，对应的历史无功优化策略作为DBN网络的输出，设置网络参数，通过粒子群优化算法不断更新DBN网络连接权重，训练DBN网络，直到达到预设的迭代次数或者网络损耗不变的时候停止训练得到无功优化模型；步骤三：将实时获取的历史负荷、拓扑数据输入无功优化模型，通过已经训练好的无功优化模型，得出实时的无功优化策略，利用实时的无功优化策略对配电网进行无功优化。2.根据权利要求1所述的一种配电网无功优化的方法，其特征在于，所述步骤一包括：将配电网的连接节点关系矩阵结合配电网历史负荷数据形成混合特征矩阵A；通过公式B＝A+I对混合特征矩阵进行预处理得到邻阶矩阵B，其中A表示配电网的连接节点关系矩阵，I表示单位矩阵；对邻阶矩阵B通过公式进行规范化得到更新后的混合特征矩阵，其中D为对角矩阵；将更新后的混合特征矩阵输入改进的CNN网络进行特征提取。3.根据权利要求1所述的一种配电网无功优化的方法，其特征在于，所述步骤一中改进的CNN网络中一个卷积层和一个池化层作为单层卷积神经网络，通过错误率最小试选法选出每个单层卷积神经网络中卷积层以及池化层的卷积核大小。4.根据权利要求3所述的一种配电网无功优化的方法，其特征在于，所述错误率最小试选法包括：在单层卷积神经网络中先固定卷积核尺寸大小计算改进的CNN网络的错误率，然后不断调整卷积核大小，每一次调整卷积核大小的时候计算改进的CNN网络的错误率，在改进的CNN网络的错误率最小的时候或者达到预设的错误率值的时候停止卷积核大小的调整，将当前得到的卷积核大小作为最终确定的单层卷积神经网络的卷积核大小。5.根据权利要求1所述的一种配电网无功优化的方法，其特征在于，所述DBN网络包括顺次级联的多个RBM网络和一个BP神经网络。6.根据权利要求1所述的一种配电网无功优化的方法，其特征在于，所述通过粒子群优化算法不断更新DBN网络连接权重包括：步骤201：设置多组DBN网络连接权重，并且将设置的每组DBN网络连接权重作为一个粒子的粒子值；步骤202：对粒子群各参数进行设置，即粒子的群体规模、学习因子...

【专利技术属性】
技术研发人员：丁津津，张倩，谢民，高博，叶远波，孙辉，邵庆祝，张峰，汪勋婷，陈凡，于洋，俞斌，张骏，
申请(专利权)人：安徽大学国网安徽省电力有限公司，
类型：发明
国别省市：