【技术实现步骤摘要】
分布式光伏接入的配电网重构方法、系统及存储介质
[0001]本申请涉及配电和物联网领域，具体地涉及一种分布式光伏接入的配电网重构方法、一种分布式光伏接入的配电网重构系统、以及一种计算机可读存储介质。
技术介绍
[0002]能源结构持续优化带来的低碳转型成效显著。然而，大规模高渗透间歇性分布式光伏接入配电网，也给电网的安全稳定运行带来了隐患。一方面，分布式电源出力具有较强的波动性和间隙性，并且呈现反调峰特性；另一方面，由于分布式电源的接入，配电网具有多电源、潮流多流向等特点，原辐射型配电网的运行方式难以适应。同时，由于大规模分布式光伏接入带来的强波动性，以及台区内负荷日益增加的不确定性，导致低压配电相间存在严重的不平衡问题，使得台区分散式就地自治运行技术的实现存在较大困难。
[0003]在低压配电网的相间不平衡优化问题治理方面，目前的措施包括对配电网络进行动态重构。动态重构即根据配网运行过程中负荷变化和配网运行约束条件，对配网进行整体动态优化。由于动态重构能够考虑负荷曲线的变化和开关的操作成本，更加符合工程实际的需要，...
【技术保护点】
【技术特征摘要】
1.一种分布式光伏接入的配电网重构方法，其特征在于，包括：从收集的分布式光伏接入的配电网的运行状态量中选取关键状态量；基于选取的关键状态量进行模型训练，建立配电网时序模型；在确定分布式光伏接入的配电网中存在电网状态波动时，基于迁移学习算法对配电网时序模型进行自适应调整；根据配电网时序模型输出的对应分布式光伏和电网负荷的时序数据进行配电网重构。2.根据权利要求1所述的分布式光伏接入的配电网重构方法，其特征在于，从收集的分布式光伏接入的配电网的运行状态量中选取关键状态量，包括：对配电网的运行状态量进行二元模糊量化处理得到状态量属性集合；确定配网状态记录库中各状态量对于状态量属性集合的隶属度，从该隶属度中选取多项组成第一模糊集；计算第一模糊集的模糊支持度，以及计算第一模糊集与其状态共同构成的第二模糊集的模糊支持度；计算第二模糊集的模糊支持度的置信度；根据第二模糊集的模糊支持度的置信度确定关键状态量。3.根据权利要求2所述的分布式光伏接入的配电网重构方法，其特征在于，根据第二模糊集的模糊支持度的置信度确定关键状态量，包括：若模糊支持度的置信度大于预设的最小置信度，则第一模糊集与配电网状态具有关联性，确定第一模糊集中的状态量为关键状态量。4.根据权利要求2所述的分布式光伏接入的配电网重构方法，其特征在于，从收集的分布式光伏接入的配电网的运行状态量中选取关键状态量，还包括：提取所有的关键状态量构成关键状态量集合。5.根据权利要求1所述的分布式光伏接入的配电网重构方法，其特征在于，基于迁移学习算法对配电网时序模型进行自适应调整，包括：将配电网在不同工况下的关键状态量作为原始样本集，采用加权随机采样方式从原始样本集提取特征构建训练集和测试集；基于训练集和测试集，采用KNN算法得到初始分类器模型；基于辅助训练集计算初始分类器模型的误差率；根据初始分类器模型的误差率设置分类器的权重参数和目标权重调整参数；在迭代过程中，根据分类器权重参数和目标权重调整参数更新权重，直到完成N次迭代得到新的训练集；利用新的训练集对配电网时序模型进行自适应调整。6.根据权利要求5所述的分布式光伏接入的配电网重构方法，其特征在于，采用加权随机采样方式从原始样本集提取特征构建训练集和测试集，包括：根据初始化权重计算抽样概率，根据抽样概率对原始样本集进行随机抽样得到子样本集；将迭代过程中更新的权重赋予所述子样本集，根据更新的权重对所述子样本集进行随机抽样得到新的子样本集，将新的子样本集作为训练集。7.根据权利要求5所述的分布式光伏接入的配电网重构方法，其特征在于，基于训练集
和测试集，采用KNN算法得到初始分类器模型，包括：将训练集平均划分为p个片区，并行计算训练集的p个片区中向量与测试集中向量之间的欧式距离，每个片区均挑选出k个最小的欧式距离，在p
×
k个欧式距离中挑选出最小的k个欧式距离，得到初始分类器模型。8.根据权利要求5所述的分布式光伏接入的配电网重构方法，其特征在于，初始分类器模型的误差率的计算公式为：；其中，t为时间，i为序号，n为辅助训练集的样本数量，m为原始样本集的样本数量，x
i
为数据集的第i个数据，h
t
(x
i
)为初始分类器模型h
t
对x
i
得到的学习标识，c(x
i
)为样本数据x
i
真实所属的类别。9.根据权利要求5所述的分布式光伏接...
【专利技术属性】
技术研发人员：霍超，张冀川，林佳颖，郭屾，张港红，郑利斌，
申请(专利权)人：北京智芯微电子科技有限公司，
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。