一种基于深度学习网络的中压线路合环电流估算与风险评估方法技术

本发明专利技术公开了一种基于深度学习网络的中压线路合环电流估算与风险评估方法，包括采集获取电网结构参数，发电和负荷水平数据，分布式电源出力数据，相关合环馈线电流历史数据等，构造神经网络输入输出数据，对该神经网络模型进行训练，进而考虑实时负荷预测值，分布式电源出力预测值，对预期边界条件下的中压线路合环电流进行预测和风险评估。本发明专利技术能增强对于新型配电网馈线建模复杂性和边界条件随机性、不确定性的适应性，提高估算准确性，提升估算效率，填补风险分级缺失，增加合环操作时段推荐功能。段推荐功能。段推荐功能。

A method for loop closing current estimation and risk assessment of medium voltage lines based on deep learning network

【技术实现步骤摘要】
一种基于深度学习网络的中压线路合环电流估算与风险评估方法


[0001]本专利技术属于智能电网和数字电网领域，具体涉及一种基于深度学习网络的中压线路合环电流估算与风险评估方法。

技术介绍

[0002]配电网是电力系统在发、输、配、用环节中最接近用户也是最重要的一个系统。近年来，为减少用户停电时间，提高供电可靠性，减少直接和间接的社会经济损失，我国城镇区域绝大多数中压线路或馈线都采用了双端电源供电。传统配电网采用的“闭环设计、开环运行、短时停电的开环转供”的供电方式也正在发展为“闭环设计、开环运行，不停电的合环转供”的供电方式。“短时停电的开环转供”方式即先将线路电源侧开关断开,再合上联络开关将它投运到另一个电源供电,即操作过程中要有短时的停电。“不停电的合环转供”方式，即当某个母线、开关或馈线需要检修或者发生故障时，该母线、开关或馈线上的多电源供电的负荷通过10kV或20kV中压馈线合环操作进行转移，将负荷转移到与之相连的其他母线或馈线上，从而实现不停电倒负荷操作。然而，在执行10kV或20kV中压馈线合环操作过程时，其一，如果合环前合环点两端母本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习网络的中压线路合环电流估算与风险评估方法，包括如下步骤：(1)数据采集：在数据采集与监视控制系统中获取历史数据，涉及配电网调度部输电线路和变压器等电网结构参数和运行方式数据，市场部和生产技术部等电力用户和电网运行数据，发电和负荷水平数据、分布式能源出力、相关合环馈线电流历史数据；(2)数据预处理：对历史数据进行数据清洗，包括删除异常值，通过插值方法填充缺省值，并将数据进行归一化转换到0～1的范围区间，去除数据的单位限制，将其转化为无量纲的纯数值；(3)神经网络训练、生成：通过时间错位的方法处理清洗后的数据，形成训练数据，生成适应模型结构的输入格式，调节网络的输入层，隐藏层，全连接层，以及卷积步长，卷积核等网络结构参数，已达到更优预测结果，设计基于卷积神经网络和长短期记忆网络的深度学习模型实现合环电流预测模型的训练，生成其预测模型；(4)合环边界条件确定：包括运行人员选择待合环的线路，指定中压线路合环计划操作时间范围，针对该计划操作时间范围开展负荷预测，和分布式电源出力数据预测，确定期望时间段的高压和中压配电网运行方式；(5)合环电流概率预测：首先利用步骤(3)训练好的预测模型开展合环电流预测；其次采用分位数回归预测得到合环电流不同分位数条件下预测值；最后采用核密度估计得到待测合环电流的概率密度分布以及合环电流概率累计分布曲线，根据合环电流概率分布曲线计算合环安全性评估指标；(6)输出结果与展示：将合环电流与馈线最大容许载流量以及电流保护整定值进行比较，综合分析合环操作各风险指标，最终得到合环操作风险量化值。2.如权利要求1所述的一种基于深度学习网络的中压线路合环电流估算与风险评估的方法，其中步骤(2)中填充缺省值通过以下计算式实现：式中：t表示缺省数据的时刻，单位：min；i表示小于t时刻的最近有值时刻，单位：min；j表示大于t时刻的最近有值时刻，单位：min；k
t
表示待填充的t时刻的缺省值；k
i
表示i时刻的数据值；k
j
表示j时刻的数据值；k
t
、k
i
、k
j
表示的数据值可以是电压、电流、有功功率，无功功率等，单位分别为kV，A，kW，kVar等。3.如权利要求1所述的一种基于深度学习网络的中压线路合环电流估算与风险评估的方法，其中步骤(2)中数据进行归一化转换到0～1的范围区间，去除数据的单位限制，将其转化为无量纲的纯数值的计算式如下：式中：k表示归一化输出值，单位为无量纲；k
org
表示待处理数据值；k
min
、k
max
分别表示待处理数据值所在特征中的最小、最大值；k
org
、k
min
、k
max
表示的数据值可以是电压、电流、有功功率，无功功率等，单位分别为kV，A，kW，kVar。4.如权利要求1所述的一种基于深度学习网络的中压线路合环电流估算与风险评估的方法，其中步骤(3)中基于CNN和LSTM的深度学习模型由输入层、CNN层、池化层、LSTM层、全
Percentage Error，MAPE)，其计算式如下：Error，MAPE)，其计算式如下：Error，MAPE)，其计算式如下：式中：N表示测试样本个数i为序号；Y
i
表示预测合环电流值；y
i
表示实际合环电流值；Y
i
和y
i
变量的单位均为无量纲；(f)检查预测精度指标是否满足误差要求，如果预测精度较差继续返回调节模型的网络参数，结构参数以达到更准确的预测结果，确定模型的最优参数；其二、不同分位数条件下合环电流预测，步骤如下：利用上述得到的训练模型，更换其损失函数如式(3)，进行不同分位数条件下合环电流预测值，其合环电流概率预测评价指标采用可靠性指标(由PICP代表)以及敏锐性指标(由PINAW代表)，其计算式如下：a)可靠性指标a)可靠性指标b)敏锐性指标R＝maxY
iα
‑
minY
iα
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)式中：N表示合环电流预测样本数，i为序号；λ
i
表示合环电流预测值属于置信区间的个数；Y
Li
表示合环电流概率预测置信下界；Y
Ui
表示合环电流概率预测置信上界；R表示不同分位数下合环电流预测宽度；maxY
iα
，minY
iα
分别表示i时刻分位数预测的最大值与最小值；Y
Li、
Y
Ui、

【专利技术属性】
技术研发人员：韩松，罗勇，荣娜，张靖，何宇，
申请(专利权)人：贵州大学，
类型：发明
国别省市：