一种以线损最小为优化目标的智能无功补偿方法技术

本发明专利技术涉及一种以线损最小为优化目标的智能无功补偿方法，通过对原有电力相关数据进行清洗，获得多条时序数据，建立无功补偿时序数据集；以CNN神经网络和LSTM网络为核心构建CNN

【技术实现步骤摘要】
一种以线损最小为优化目标的智能无功补偿方法


[0001]本专利技术属于时间序列预测、深度学习及无功补偿
，具体涉及 一种以线损最小为优化目标的智能无功补偿方法。

技术介绍

[0002]无功补偿设备是配电网不可或缺的重要组成部分，在日常运行中常通 过投、切电容器的方法调整电压。无功补偿能够保持网络无功平衡，提高 电网的功率因数，降低供电变压器及输送线路的损耗，提高供电效率，改 善供电环境。合理的选择补偿装置，可以做到最大限度的减少电网的损耗， 使电网质量提高。反之，如选择或使用不当，可造成供电系统线损增大、 电压波动、谐波增大等诸多问题。研究表明，当补偿至功率因数接近为1 时，线损最小，若再继续加大电容量，则线损又会增大。目前通过电网改 造和无功补偿设备的应用，线损率逐年下降，但总体依然偏高。
[0003]现有采用的无功补偿方法主要是在电网运行中，根据获得的电网信息 数据，进行实时补偿，如CN113922386 A一种智能无功补偿方法，以及 CN109921433 A一种高压智能无功补偿系统及其补偿方法，虽然能够实现 无功补偿，但是成本高，准确率低。

技术实现思路

[0004]针对上述现有技术中存在的不足，本专利技术提供了一种以线损最小为优 化目标的智能无功补偿方法，其以线损最小为优化目标，实现对最佳无功 功率补偿值的预测。
[0005]针对有功功率和线损数据的特征，本专利技术采用以CNN及LSTM网络为核 心的深度学习模型架构对数据进行预测，并在精准预测出有功功率和线损 的基础上迭代优化，得到使线损最小的无功功率补偿值。实验结果表明： 关联高纬度历史数据，基于CNN
‑
LSTM深度学习模型预测有功功率P和线损 ΔP，并在此基础上迭代优化得到使线损最小的无功功率补偿值，理论线损 率降低明显。本专利技术提出的方法对在电网中降低线损率有着很好的性能和 推广应用前景，该方法可在后续的研究中持续优化，并投入实际应用。
[0006]为实现上述目的，本专利技术具体地技术方案如下：
[0007]一种以线损最小为优化目标的智能无功补偿方法，无功补偿方法包括 如下步骤：
[0008]步骤一：通过对原有电力相关数据进行清洗，获得多条时序数据，建 立无功补偿时序数据集；
[0009]步骤二：构建CNN
‑
LSTM深度学习模型；
[0010]以CNN神经网络和LSTM网络为核心构建CNN
‑
LSTM深度学习模型，通 过CNN神经网络在无功补偿时序数据集中提取原始时间序列的特征信息， 特征信息带有反应有功功率及线损变化的相关数据特征；LSTM网络根据CNN 神经网络提取的特征信息对有功功率和线损进行预测；
[0011]步骤三：基于CNN
‑
LSTM深度学习模型进行训练与测试，绘制预测的有 功功率P和线损ΔP的训练集和测试集，根据训练集和测试集显示的预测的 有功功率P和线损ΔP趋
势，预测出有功功率P和线损ΔP；
[0012]步骤四：计算线损最小的无功功率补偿值；
[0013]在精准预测的有功功率P和线损ΔP基础上通过迭代优化得到使线损最 小的无功功率补偿值。
[0014]进一步地，在步骤二中构建CNN
‑
LSTM深度学习模型的架构，用于时间 序列的预测，架构包括CNN神经网络、LSTM网络和AR模型；CNN神经网络 采用卷积神经网络；LSTM网络采用长短期记忆网络；AR模型为线性自回归 模型；
[0015]LSTM网络的预测层基于长短期记忆网络，同时结合当前日期和过去几 天历史数据，提取输入数据的短期特征和长期特征，并基于短期特征和长 期特征对有功功率P和线损ΔP进行精准预测。
[0016]进一步地，卷积神经网络包括卷积层和池化层；CNN神经网络通过对无 功补偿时序数据集中的数据进行多次卷积层与池化层的堆叠后提取出特征 信息。
[0017]进一步地，长短期记忆网络通过在隐含层中添加遗忘门、输入门、输 出门，用以挖掘时间序列中信息的时序依从关系。
[0018]进一步地，采用CNN
‑
LSTM深度学习模型架构进行数据预测，包括如下 步骤：
[0019]步骤2.11、将卷积神经网络设置在LSTM网络模型的顶层，通过卷积层 提取时间维度上的短期模式以及原始时间序列的特征信息；X为模型输入的 线损率、输入电量、输出电量、售电量、损失电量列向量，卷积核向下平 移运动，经过卷积运算后得到b；
[0020]步骤2.12、采用最大池化方式得到特征图谱d；
[0021]步骤2.13、多个卷积层和池化层交替连接,逐层提取输入信息,堆叠后 得到特征信息d
′
；
[0022]步骤2.14、将特征信息d
′
输入LSTM网络，LSTM网络在隐含层中设有 记忆单元,(t
‑
1)时刻的隐含层信息通过隐含层的记忆单元H和C分别传递 到t时刻的隐含层神经元中；
[0023]步骤2.15、CNN
‑
LSTM深度学习模型架构对某时刻有功功率P和线损ΔP 的最终预测分解为线性部分和非线性部分，非线性部分为CNN神经网络的 预测结果，线性部分由AR模型输出。
[0024]进一步地，LSTM网络采用门控制机制进行精准预测，包括选择性遗忘 阶段、选择性记忆阶段和预测阶段，LSTM网络的各部分均称为细胞。
[0025]进一步地，LSTM网络算法具体如下：
[0026]步骤2.21、对步骤2.1传入的(t
‑
1)时刻LSTM细胞的隐含层信息C
t
‑1利 用遗忘门σ
f
滤除无关信息保留有用信息，其中，σ
f
表示sigmod函数；
[0027]步骤2.22、基于记忆门σ
i
提取当前状态参数特征信息；
[0028]步骤2.23、基于细胞状态，确定输出的值。
[0029]进一步地，在步骤四中，计算线损最小的无功功率补偿值步骤如下：
[0030]步骤4.1、根据受约束的非线性优化目标函数公式进行受约束优化；
[0031]受约束的非线性优化目标函数公式为：
[0032][0033]其中Q
*
为使得线损最小的无功功率补偿值，ΔP为线损，P为有功功率， Q为无功功
率，定义为反应线路特征的线路常数；
[0034]步骤4.2、在初步预测得到有功功率P和线损ΔP的基础上，根据季节 性历史数据统计分析，定义反应线路特征的线路常数取约束条件 预测出下一时段使得线损最小的无功功率补偿值。
[0035]进一步地，在步骤一中通过对时序数据进行标准化、归一化处理完成 数据的清洗。
[0036]进一步地，在步骤一中对时序数据的清洗步骤如下：
[0037]步骤1.1：对多个时序数据的参数值进行标准化处理；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种以线损最小为优化目标的智能无功补偿方法，其特征在于，无功补偿方法包括如下步骤：步骤一：通过对原有电力相关数据进行清洗，获得多条时序数据，建立无功补偿时序数据集；步骤二：构建CNN
‑
LSTM深度学习模型；以CNN神经网络和LSTM网络为核心构建CNN
‑
LSTM深度学习模型，通过CNN神经网络在无功补偿时序数据集中提取原始时间序列的特征信息，特征信息带有反应有功功率及线损变化的相关数据特征；LSTM网络根据CNN神经网络提取的特征信息对有功功率和线损进行预测；步骤三：基于CNN
‑
LSTM深度学习模型进行训练与测试，绘制预测的有功功率P和线损ΔP的训练集和测试集，根据训练集和测试集显示的预测的有功功率P和线损ΔP趋势，预测出有功功率P和线损ΔP；步骤四：计算线损最小的无功功率补偿值；在精准预测的有功功率P和线损ΔP基础上通过迭代优化得到使线损最小的无功功率补偿值。2.根据权利要求1所述的以线损最小为优化目标的智能无功补偿方法，其特征在于其特征在于，在步骤二中构建CNN
‑
LSTM深度学习模型的架构，用于时间序列的预测，架构包括CNN神经网络、LSTM网络和AR模型；CNN神经网络采用卷积神经网络；LSTM网络采用长短期记忆网络；AR模型为线性自回归模型；LSTM网络的预测层基于长短期记忆网络，同时结合当前日期和过去几天历史数据，提取输入数据的短期特征和长期特征，并基于短期特征和长期特征对有功功率P和线损ΔP进行精准预测。3.根据权利要求2所述的以线损最小为优化目标的智能无功补偿方法，其特征在于，卷积神经网络包括卷积层和池化层；CNN神经网络通过对无功补偿时序数据集中的数据进行多次卷积层与池化层的堆叠后提取出特征信息。4.根据权利要求2所述的以线损最小为优化目标的智能无功补偿方法，其特征在于，长短期记忆网络通过在隐含层中添加遗忘门、输入门、输出门，用以挖掘时间序列中信息的时序依从关系。5.根据权利要求2所述的以线损最小为优化目标的智能无功补偿方法，其特征在于，采用CNN
‑
LSTM深度学习模型架构进行数据预测，包括如下步骤：步骤2.11、将卷积神经网络设置在LSTM网络模型的顶层，通过卷积层提取时间维度上的短期模式以及原始时间序列的特征信息；X为模型输入的线损率、输入电量、输出电量、售电量、损失电量列向量，卷积核向下平移运动，经过卷积运算后得到b；步骤2.12、采用最大池化方式得到特征图谱d；步骤2.13、多个卷积层和池化层交替连接,逐层提取输入信息,堆叠后得到特征信息d
′
；步骤2.14、将特征信息d
′
输入LSTM网络，LSTM网络在隐含层中设有记忆单元,(t
‑
1)时刻的隐含层信息通过隐含层的记忆单元H和C分别传递到t时刻的隐含层神经元中；步骤2.15、CNN
‑
LSTM深度学习模型架构对某时刻有功功率P和线损ΔP的最终预测分解
为线性部分和非线性部分，非线性部分为CNN神...

【专利技术属性】
技术研发人员：尚文，仝小琴，赵锐，马飞，白静波，夏彦，彭柳，马江海，
申请(专利权)人：国网山西省电力公司大同供电公司，
类型：发明
国别省市：