基于BP神经网络和场景匹配的配电网无功优化方法及系统技术方案

本发明专利技术公开了配电网优化调控技术领域的一种基于BP神经网络和场景匹配的配电网无功优化方法及系统，所述方法包括：根据设定的分类规则，对待优化场景分类；将分类后的待优化场景与建立的历史场景库进行场景匹配，获得对应的关键控制对象和调控策略。本发明专利技术通过直接利用配电网的运行大数据生成历史场景库，充分考虑了接入随机负荷的配电网无功优化和电压管理问题中运行场景的特性，将待优化场景与建立的历史场景库进行场景匹配，获得对应的关键控制对象和调控策略，能够在不依赖配网模型和参数的情况下，实现对接入了随机负荷的配电网进行无功优化和电压管理，提高了电压质量和供电可靠性。电可靠性。电可靠性。

【技术实现步骤摘要】
基于BP神经网络和场景匹配的配电网无功优化方法及系统


[0001]本专利技术属于配电网优化调控
，具体涉及一种基于BP神经网络和场景匹配的配电网无功优化方法及系统。

技术介绍

[0002]电力需求的持续增长、传统能源的短缺以及电力市场的开放正驱动配电网朝着高效、灵活、智能和可持续方式发展。为适应技术发展，配电网规模化接入分布式光伏(PV)、储能系统和电动汽车(EV)充电站，大大提高了配电网的低碳性和智能性。随之带来的是电网特性的日趋复杂，光伏发电具有较强的随机性和波动性，极易导致配电网馈线潮流反向，出现电压越限等电压质量降低问题，影响网络的供电可靠性；同时，目前配电网仍然存在可再生能源消纳能力不足、一次网架薄弱、自动化水平不高、调度方式落后等问题。

技术实现思路

[0003]为解决现有技术中的不足，本专利技术提供一种基于BP神经网络和场景匹配的配电网无功优化方法及系统，能够在不依赖配网模型和参数的情况下，实现对接入了随机负荷的配电网进行无功优化和电压管理，提高了电压质量和供电可靠性。
[0004]为达到上述目的，本专利技术所采用的技术方案是：
[0005]第一方面，提供一种配电网无功优化方法，包括：根据设定的分类规则，对待优化场景分类；将分类后的待优化场景与建立的历史场景库进行场景匹配，获得对应的关键控制对象和调控策略。
[0006]进一步地，所述历史场景库的建立方法，包括：根据配电网运行历史数据建立历史场景库，所述历史场景库至少包括三种类型的优化目标：避免电压越上限、避免电压越下限和降低网损；在所述历史场景库的基础上，以分布式光伏、储能装置、电动汽车充电桩为调控对象，以电压偏差最小化和网损最小化为优化目标，基于多目标粒子群优化算法生成历史策略库并储存关键控制对象及其调控策略。
[0007]进一步地，无功优化的目标函数为光伏出力(P
PV
,Q
PV
)、储能容量(P
S
,Q
S
)和电动汽车充电站功率(P
EV
,Q
EV
)的函数：
[0008]min F(P
PV
,Q
PV
,P
S
,Q
S
,P
EV
,Q
EV
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)。
[0009]进一步地，所述设定的分类规则，包括：根据历史场景库中的三种类型的优化目标，将待优化场景分为三类：采用牛顿
‑
拉夫森算法计算潮流，有功网损率高的场景定义为场景类型一，有功功率网损率η
ΔP
为：
[0010][0011]其中，ΔP为配电网有功损耗，N
p
为节点总数目，为节点k的有功负荷功率；电压
越下限的场景为场景类型二，表达公式如下：
[0012]U
k
＜U
l
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0013]其中，U
k
为节点k的电压，U
l
为电压下限；电压越上限的场景为场景类型三，表达公式如下：
[0014]U
k
＞U
u
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0015]其中，U
k
为节点k的电压，U
u
为电压上限。
[0016]进一步地，采用基于三层BP神经网络的智能场景匹配方法，将分类后的待优化场景与建立的历史场景库进行场景匹配，包括：定义向量X＝(x1,x2,...,x
M
)
m
为BP神经网络的输入层，表示M个历史场景，每个场景包含m节点的负荷数据；向量Y＝(y1,y2,...,y
N
)
n
为输出层，表示待优化的N个运行场景，每个场景包含n个节点的负荷数据；向量H＝(h1,h2,...,h
P
)
p
为隐藏层，表示隐藏层的层数为P，每层包含p个元素；权重W和阈值b表征BP神经网络各层之间联系的紧密程度；从输入层到隐藏层的关系表示如下：
[0017]H＝f(XW
MP
+b
P
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0018]其中，权重W
MP
为M
×
P的矩阵；阈值b
P
为1
×
P的向量；f为传输函数，采用具有可微性的logsig函数；从隐藏层到输出层的关系表示如下：
[0019]Y＝f(HW
PN
+b
N
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0020]其中，W
PN
表示M
×
P的权重矩阵，b
N
表示1
×
P的阈值向量。
[0021]进一步地，采用激活函数ReLU，为隐藏层的矩阵计算结果增加非线性，ReLU函数的表达式如下：
[0022][0023]进一步地，采用softmax函数对输出层的输出结果进行归一化，使最终输出为概率值，Softmax函数的表达式如下：
[0024][0025]其中，exp(x)为指数函数e
x
(e＝2.7182
…
)，式(9)表示当输出层有N个神经元时，计算第k个神经元的输出概率值S
k
。
[0026]进一步地，在softmax层之后，计算输出概率值S
k
的对数的负值来求取交叉熵损失：
[0027][0028]其中，表示损失越小，则分类结果越精确；根据链式法则，采用梯度下降算法实现反向传播过程，更新权值和阈值；反向传播以softmax层的结果为起点，计算dW、db；引入正则化惩罚项对dW进行修改：
[0029]dW＝dW+reg
·
W
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0030]其中，矩阵W表示权重，分散性可表示为最终被更新的权重和阈值为：
[0031][0032]其中，ε为学习率，W为权重，b为阈值。
[0033]进一步地，构建节点负荷匹配准确率和系统负荷匹配准确率两项评价指标评估匹配效果，构建有功网损降低率和系统电压偏差率两项评价指标评估无功优化效果，其中，节点k的负荷匹配准确率E
k
为：
[0034][0035]其中，L
k
为节点k的负荷实际值，是节点k的负荷匹配值；系统负荷匹配准确率A为：
[0036]A＝(1
‑
RMSE)
×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方法，其特征在于，包括：根据设定的分类规则，对待优化场景分类；将分类后的待优化场景与建立的历史场景库进行场景匹配，获得对应的关键控制对象和调控策略。2.根据权利要求1所述的配电网无功优化方法，其特征在于，所述历史场景库的建立方法，包括：根据配电网运行历史数据建立历史场景库，所述历史场景库包括三种类型的优化目标：避免电压越上限、避免电压越下限和降低网损；在所述历史场景库的基础上，以分布式光伏、储能装置、电动汽车充电桩为调控对象，以电压偏差最小化和网损最小化为优化目标，基于多目标粒子群优化算法生成历史策略库并储存关键控制对象及其调控策略。3.根据权利要求2所述的配电网无功优化方法，其特征在于，无功优化的目标函数为光伏出力(P
PV
,Q
PV
)、储能容量(P
S
,Q
S
)和电动汽车充电站功率(P
EV
,Q
EV
)的函数：min F(P
PV
,Q
PV
,P
S
,Q
S
,P
EV
,Q
EV
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)。4.根据权利要求2所述的配电网无功优化方法，其特征在于，所述设定的分类规则，包括：根据历史场景库中的三种类型的优化目标，将待优化场景分为三类：采用牛顿
‑
拉夫森算法计算潮流，有功网损率高的场景定义为场景类型一，有功功率网损率η
ΔP
为：其中，ΔP为配电网有功损耗，N
p
为节点总数目，为节点k的有功负荷功率；电压越下限的场景为场景类型二，表达公式如下：U
k
＜U
l
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)其中，U
k
为节点k的电压，U
l
为电压下限；电压越上限的场景为场景类型三，表达公式如下：U
k
＞U
u
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)其中，U
k
为节点k的电压，U
u
为电压上限。5.根据权利要求4所述的配电网无功优化方法，其特征在于，采用基于三层BP神经网络的智能场景匹配方法，将分类后的待优化实时场景与建立的历史场景库进行场景匹配，包括：定义向量X＝(x1,x2,...,x
M
)
m
为BP神经网络的输入层，表示M个历史场景，每个场景包含m节点的负荷数据；向量Y＝(y1,y2,...,y
N
)
n
为输出层，表示待优化的N个运行场景，每个场景包含n个节点的负荷数据；向量H＝(h1,h2,...,h
P
)
p
为隐藏层，表示隐藏层的层数为P，每层包含p个元素；权重W和阈值b表征BP神经网络各层之间联系的紧密程度；从输入层到隐藏层的关系表示如下：H＝f(XW
MP
+b<...

【专利技术属性】
技术研发人员：卜强生，吕朋蓬，窦晓波，周旭峰，易文飞，罗飞，张潼，郑明忠，张海波，刘志仁，叶志刚，余航，
申请(专利权)人：东南大学国网江苏省电力有限公司南京中大智能科技有限公司江苏省电力试验研究院有限公司，
类型：发明
国别省市：