【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 ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。