一种径向基神经网络潮流计算方法及系统技术方案

本发明专利技术公开了一种径向基神经网络潮流计算方法及系统，包括：采集电力系统的历史运行数据并进行归一化处理；基于归一化处理后的数据构建径向基神经网络模型；采用粒子群算法对所述径向基神经网络模型进行训练；利用训练好的径向基神经网络模型对电力系统进行潮流计算测试

【技术实现步骤摘要】
一种径向基神经网络潮流计算方法及系统


[0001]本专利技术涉及电力系统潮流计算的
，尤其涉及一种径向基神经网络潮流计算方法及系统
。

技术介绍

[0002]随着电力系统的飞速发展，可再生能源增长迅速，分布式发电
、
柔性负荷
、
电力电子器件等大规模接入电力系统，电力系统的功率波动变得更加复杂
。
传统基于模型驱动的潮流计算方法难以适用电力系统的快速发展，特别是对于拓扑关系和网络参数未知的电力系统，模型驱动的潮流计算不再适用
。
电力系统中接入大量测量设备，电压
、
电流
、
相角
、
有功功率
、
无功功率获取变得容量，基于数据驱动的潮流计算方法具有更好的应用前景
。
[0003]现有的数据驱动潮流计算方法，输入与输出之间通常为线性映射关系
。
线性潮流方法虽然计算速度快，但无法准确地模拟电力系统的非线性特性，对于精确的潮流计算和系统分析可能不够准确
。
为解决上述问题，通过分析系统的历史电气数据，采用数据驱动的方法学习电力系统的动态特征和规律，建立非线性映射关系，从而预测未来的潮流情况，因此，本专利技术提出一种基于粒子群算法参数寻优的径向基神经网络潮流计算方法
。

技术实现思路

[0004]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
。
[0005]鉴于上述现有存在的问题，提出了本专利技术
。
[0006]因此，本专利技术目的是提供一种径向基神经网络潮流计算方法及系统，解决传统基于模型驱动的潮流计算方法难以适用拓扑关系和网络参数未知电力系统的问题
。
[0007]为解决上述技术问题，本专利技术提供如下技术方案：
[0008]第一方面，本专利技术实施例提供了一种径向基神经网络潮流计算方法，包括：
[0009]采集电力系统的历史运行数据并进行归一化处理；
[0010]基于归一化处理后的数据构建径向基神经网络模型；
[0011]采用粒子群算法对所述径向基神经网络模型进行训练；
[0012]利用训练好的径向基神经网络模型对电力系统进行潮流计算测试
。
[0013]作为本专利技术所述的一种径向基神经网络潮流计算方法，其中：采集电力系统的历史运行数据包括由安装在
PQ
节点
、PV
节点和平衡节点的测量装置测得的所有电压
、
相角
、
有功功率和无功功率数据
。
[0014]作为本专利技术所述的一种径向基神经网络潮流计算方法，其中：所述径向基神经网络模型包括，
[0015]输入层，包含
PQ
节点有功功率和无功功率，
PV
节点的有功功率和电压幅值，平衡节点的电压幅值和电压相角；
[0016]隐藏层，包含的神经元数如下所示：
[0017][0018]其中，
p
为隐藏层神经元数量，
m
为输入层神经元数量，
n
为输出层神经元数量，
a
为1～
10
的随机数；
[0019]输出层包括
PQ
节点的电压幅值和电压相角，
PV
节点的无功功率和电压相角
。
[0020]作为本专利技术所述的一种径向基神经网络潮流计算方法，其中：还包括，
[0021]所述径向基神经网络模型采用的径向基函数为高斯核函数，具体公式如下所示：
[0022][0023]其中，
x1和
x2为输入样本，
||x1
‑
x2||
为样本之间的欧氏距离，
σ
为高斯核函数的带宽参数
。
[0024]作为本专利技术所述的一种径向基神经网络潮流计算方法，其中：采用粒子群算法对径向基神经网络模型进行训练包括，
[0025]初始化粒子群，设置粒子群种群规模为
M
，迭代次数为
K
，惯性权重为
w
，学习因子为
c1
和
c2
，初始化粒子群的速度为
v
和位置为
x
；
[0026]计算每个粒子的初始适应度如下：
[0027][0028]其中，
i
＝
1,2,3
…
N
，表示输出的维数，
y
i
为模型输出值，为实际值；
[0029]将初始适应值作为当前每个粒子的个体最优值，并将各适应值对应的位置作为每个粒子的个体最优值所在的位置；
[0030]将最佳初始适应值作为当前种群全局最优值，并将最佳适应值对应的位置作为当前种群全局最优值所在的位置
。
[0031]作为本专利技术所述的一种径向基神经网络潮流计算方法，其中：还包括，
[0032]更新粒子位置和速度，根据粒子的当前位置
、
速度和群体信息进行更新；
[0033]通过以下调整规则对更新的粒子种群进行调整：
[0034][0035]其中，
v
max
,v
min
分别为速度的最大值和最小值；
[0036]计算更新后粒子的适应度；
[0037]比较当前每个粒子的适应度值是否比历史个体最优值更佳；
[0038]若更佳，则将当前粒子适应度值作为粒子的个体最优值，其对应的位置作为每个粒子的个体最优值所在的位置；
[0039]反之，则不代替历史粒子的个体最优值，仍以历史粒子的个体最优值为准；
[0040]比较当前种群全局最优值是否比历史种群全局最优值更佳；
[0041]若更佳，则将当前种群全局最优值代替历史种群全局最优值，其对应的位置作为种群全局最优值所在的位置；
[0042]反之，则不代替历史种群全局最优值，仍以历史种群全局最优值为准；
[0043]重复更新粒子位置和速度至比较当前每个粒子的适应度值以及当前种群全局最优值的步骤，直到满足设定的最大迭代次数为止；
[0044]输出粒子群的全局最优值和其对应的位置；
[0045]根据最优输出结果，获得最优的径向基神经网络的权值和阈值，建立最优参数的径向基神经网络模型
。
[0046]作为本专利技术所述的一种径向基神经网络潮流计算方法，其中：利用训练好的径向基神经网络模型对电力系统进行潮流计算测试包括，
[0047]采集当前时刻的系统的
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种径向基神经网络潮流计算方法，其特征在于：包括，采集电力系统的历史运行数据并进行归一化处理；基于归一化处理后的数据构建径向基神经网络模型；采用粒子群算法对所述径向基神经网络模型进行训练；利用训练好的径向基神经网络模型对电力系统进行潮流计算测试
。2.
如权利要求1所述的径向基神经网络潮流计算方法，其特征在于：采集电力系统的历史运行数据包括由安装在
PQ
节点
、PV
节点和平衡节点的测量装置测得的所有电压
、
相角
、
有功功率和无功功率数据
。3.
如权利要求1所述的径向基神经网络潮流计算方法，其特征在于：所述径向基神经网络模型包括，输入层，包含
PQ
节点有功功率和无功功率，
PV
节点的有功功率和电压幅值，平衡节点的电压幅值和电压相角；隐藏层，包含的神经元数如下所示：其中，
p
为隐藏层神经元数量，
m
为输入层神经元数量，
n
为输出层神经元数量，
a
为1～
10
的随机数；输出层包括
PQ
节点的电压幅值和电压相角，
PV
节点的无功功率和电压相角
。4.
如权利要求1～3任一所述的径向基神经网络潮流计算方法，其特征在于：还包括，所述径向基神经网络模型采用的径向基函数为高斯核函数，具体公式如下所示：其中，
x1和
x2为输入样本，
||x1
‑
x2||
为样本之间的欧氏距离，
σ
为高斯核函数的带宽参数
。5.
如权利要求1～4任一所述的径向基神经网络潮流计算方法，其特征在于：采用粒子群算法对径向基神经网络模型进行训练包括，初始化粒子群，设置粒子群种群规模为
M
，迭代次数为
K
，惯性权重为
w
，学习因子为
c1
和
c2
，初始化粒子群的速度为
v
和位置为
x
；计算每个粒子的初始适应度如下：其中，
i
＝
1,2,3
…
N
，表示输出的维数，
y
i
为模型输出值，为实际值；将初始适应值作为当前每个粒子的个体最优值，并将各适应值对应的位置作为每个粒子的个体最优值所在的位置；将最佳初始适应值作为当前种群全局最优值，并将最佳适应值对应的位置作为当前种群全局最优值所...

【专利技术属性】
技术研发人员：王剑，韩忠修，孔德全，张星，韩润，温传新，何锐，张韶华，何玉鹏，徐文斌，詹国红，王颖，石春虎，云阳，孙厚涛，
申请(专利权)人：国网宁夏电力有限公司国电南瑞南京控制系统有限公司，
类型：发明
国别省市：