基于深度学习的配电台区分布式光伏消纳能力评估方法技术

本发明专利技术公开了基于深度学习的配电台区分布式光伏消纳能力评估方法包括：通过模糊C均值聚类算法对配电台区进行分类；建立深度学习模型，对所述学习模型进行训练；进行批量数据测试。本发明专利技术提供的基于深度学习的配电台区分布式光伏消纳能力评估方法通过深度学习模型评估光伏消纳能力，从而来配置光伏设备，保障电网安全稳定运行，可以节省大量台区详细建模分析工作量，高效准确地对台区进行光伏消纳能力评估。力评估。力评估。

【技术实现步骤摘要】
基于深度学习的配电台区分布式光伏消纳能力评估方法


[0001]本专利技术涉及配电网运行与控制
，具体为基于深度学习的配电台区分布式光伏消纳能力评估方法。

技术介绍

[0002]随着全球气候变化对人类社会构成重大威胁，各国政府对全球气候变化已经达成了共识，世界各国将“双碳”上升为国家战略，制定具体措施减少温室气体排放以减轻气候变化。实现能源转型是实现双碳目标的重要环节，通过大幅提升光伏等可再生能源的发电量占比，来实现电力行业的脱碳减碳。整县光伏的推动，光伏渗透率也随之激增。但当光伏渗透率过高，并消纳不足时，可能会出现功率倒送，造成电压越限、网损过高等问题，从而造成电力系统安全运行风险增加。
[0003]对配电台区进行光伏消纳能力评估，是电网安全运行的保障。检测系统电压是否越限，设备是否过载，网损、三相不平衡度是否都在规定的允许范围内，若都满足要求，则说明消纳充足。若某一时刻存在无法满足所有指标要求，则说明消纳不充足。传统的评估方法是通过对配电台区详细建模，对四季典型日24小时进行潮流计算，获得台区的节点电压分布、支路功率分布、网损、三相不平衡度，判断电压、网损等是否在评估指标内。但对于该方法，农村电网配电台区众多，若对一个市进行评估，潮流计算量非常庞大。并且低压层台区的拓扑复杂，线路参数数据获取困难，量测点有限，获取数据需要消耗大量的人力和物力，评估效果相对较差。
[0004]因此，亟待开发一种基于深度学习的配电台区分布式光伏消纳能力评估方法，通过深度学习算法解决处理数据困难等问题，高效准确的进行台区分布式光伏消纳能力评估。

技术实现思路

[0005]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0006]鉴于上述存在的问题，提出了本专利技术。
[0007]因此，本专利技术解决的技术问题是：通过对配电台区进行详细建模，选取四季典型日潮流计算来进行消纳能力评估的传统方法，存在着获取低压台区拓扑复杂，线路等数据获取困难，处理数据耗费多的问题。
[0008]为解决上述技术问题，本专利技术提供如下技术方案：基于深度学习的配电台区分布式光伏消纳能力评估方法，包括：
[0009]通过模糊C均值聚类算法对配电台区进行分类；
[0010]建立深度学习模型，对所述学习模型进行训练；
[0011]进行批量数据测试。
[0012]作为本专利技术所述的基于深度学习的配电台区分布式光伏消纳能力评估方法的优选方案，其中：所述分类的指标包括配变容量、负载率、负荷性质、光伏渗透率、导线截面、供电半径。
[0013]作为本专利技术所述的基于深度学习的配电台区分布式光伏消纳能力评估方法的优选方案，其中：所述模糊C均值聚类算法，表示为：
[0014][0015]其中，U为隶属度矩阵；P为聚类中心；U
i,k
为隶属函数；d
i,k
为第i类中的样本与第i类典型样本之间的距离；J
m
(U,P)为各类中样本与典型样本的误差平方和；m为加权指数；n为数据个数；c为聚类中心数；k表示第k个数据；i表示第i个聚类中心。
[0016]作为本专利技术所述的基于深度学习的配电台区分布式光伏消纳能力评估方法的优选方案，其中：所述模糊C均值聚类算法还包括：
[0017]所述隶属函数U
i,k
，表示为：
[0018][0019]其中，d
j,k
为第j类中的样本与第j类典型样本之间的距离；
[0020]模糊C均值聚类算法的聚类准则为取J
m
(U,P)的极小值，极值的约束条件为
[0021]作为本专利技术所述的基于深度学习的配电台区分布式光伏消纳能力评估方法的优选方案，其中：所述深度学习模型为SAE
‑
SDC概率预测模型，包括：
[0022]当所有光伏消纳能力评估指标满足要求时，输出量为1；
[0023]当存在光伏消纳能力评估指标不满足要求时，输出量为0。
[0024]作为本专利技术所述的基于深度学习的配电台区分布式光伏消纳能力评估方法的优选方案，其中：对所述学习模型进行训练包括：
[0025]初始化SAE
‑
SDC预测模型各层的连接权重和偏置项，偏置项b的初始值均为0，各层连接权重W的初始值服从均匀分布，表示为：
[0026][0027]其中，n
l
为第l层结点个数；n
l+1
为第l+1层结点个数；
[0028]逐层训练SAE的参数，训练完一层的参数后，以该层的输出作为下层的输入来训练下层的参数，更新方程为：
[0029]W
ji,l
＝W
ji,l
‑
αΔW
ji,l
[0030]b
i,l
＝b
i,l
‑
αΔb
i,l
[0031]其中，W
ji,l
为输入层第j结点到编码层第i结点的连接权重；α为学习率；b
i,l
为第l层的偏置项；ΔW
ji,l
为W
ji,l
的修正项；Δb
i,l
为b
i,l
的修正项；
[0032][0033][0034]其中，C
sparse
为误差损失函数；N为样本数；a
j,l
(k)表示第k个编码结果；λ为权重衰减参数；δ
i,l+1(k)
为第k个样本作为输入时第l+1个稀疏自编码器中结点i的误差表达式；
[0035]所述误差表达式δ
i,l+1(k)
，表示为：
[0036][0037]其中，y
i
(k)为第k个样本作为输入时结点i的输出；c为稀疏自编码器的总个数；σ为激活函数，ρ为稀疏性参数，z为预测值与实际值之间的残差；为第k个样本结点i的平均活跃度；β为稀疏惩罚项的权重；j表示SAE第j个稀疏自编码器。
[0038]作为本专利技术所述的基于深度学习的配电台区分布式光伏消纳能力评估方法的优选方案，其中：所述SAE
‑
SDC预测模型的误差代价函数C
SAE
‑
SDC
，表示为：
[0039][0040]其中，表示处于输出层k状态的概率；n
c+1
表示微调过程中稀疏自编码器个数c+1，n
l
‑1表示微调过程中结点个数。
[0041]第二方面，本专利技术还提供了基于深度学习的配电台区分布式光伏消纳能力评估方法的装置，包括，
[0042]采集分类模块，采集配电台区的分类指标，通过模糊C均值聚类方法将特性相似的台区聚类到一簇，提取本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的配电台区分布式光伏消纳能力评估方法，其特征在于，包括：通过模糊C均值聚类算法对配电台区进行分类；建立深度学习模型，对所述学习模型进行训练；进行批量数据测试。2.如权利要求1所述的基于深度学习的配电台区分布式光伏消纳能力评估方法，其特征在于：所述分类的指标包括配变容量、负载率、负荷性质、光伏渗透率、导线截面、供电半径。3.如权利要求2所述的基于深度学习的配电台区分布式光伏消纳能力评估方法，其特征在于：所述模糊C均值聚类算法，表示为：征在于：所述模糊C均值聚类算法，表示为：其中，U为隶属度矩阵；P为聚类中心；U
i,k
为隶属函数；d
i,k
为第i类中的样本与第i类典型样本之间的距离；J
m
(U,P)为各类中样本与典型样本的误差平方和；m为加权指数；n为数据个数；c为聚类中心数；k表示第k个数据；i表示第i个聚类中心。4.如权利要求3所述的基于深度学习的配电台区分布式光伏消纳能力评估方法，其特征在于：所述模糊C均值聚类算法还包括：所述隶属函数U
i,k
，表示为：其中，d
j,k
为第j类中的样本与第j类典型样本之间的距离；模糊C均值聚类算法的聚类准则为取J
m
(U,P)的极小值，极值的约束条件为5.如权利要求4所述的基于深度学习的配电台区分布式光伏消纳能力评估方法，其特征在于：所述深度学习模型为SAE
‑
SDC概率预测模型，包括：当所有光伏消纳能力评估指标满足要求时，输出量为1；当存在光伏消纳能力评估指标不满足要求时，输出量为0。6.如权利要求5所述的基于深度学习的配电台区分布式光伏消纳能力评估方法，其特征在于：对所述学习模型进行训练包括：初始化SAE
‑
SDC预测模型各层的连接权重和偏置项，偏置项b的初始值均为0，各层连接权重W的初始值服从均匀分布，表示为：其中，n
l
为第l层结点个数；n
l+1
为第l+1层结点个数；
逐层训练SAE的参数，训练完一层的参数后，以该层的输出作为下层的输入来训练下层的参数，更新方程为：W
ji,l
＝W
ji,l
‑
αΔW
ji,l
b
i,l
＝b
i,l
‑
αΔb
i,l
其中，W
ji,l
为输入层第j结点到编码层第i结点的连接权重；α为学...

【专利技术属性】
技术研发人员：宋子宏，蔡永翔，李巍，王扬，白浩，付宇，刘通，肖小兵，贺墨琳，刘安茳，要若天，李跃，郑友卓，文贤馗，谈竹奎，方阳，
申请(专利权)人：贵州电网有限责任公司，
类型：发明
国别省市：