System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及电网潮流评估,尤其涉及一种适用于信号缺失情况下有源配电网潮流评估方法。
技术介绍
1、近年来,世界许多国家相继制定了绿色能源政策,计划新增更多的可再生能源接入到新型电力系统并网发电,主要包括通过高压侧变电站连接的集中式新能源场站和接入至中低压配电网的分布式光伏发电资源。由于在配电网中缺乏安装测量装置,且分布式可再生能源渗透率越来越高,其强不确定性对配电网规划和运行带来了诸多安全问题。
2、配电网络潮流分析是了解配电网运行安全及风险的基础;然而,它通常需要配电网系统的完整信息以建立潮流计算所需模型,包括电源(柴油发电机、光伏板等)、线路、变压器、负荷和控制器等。传统用于配电网潮流计算方法主要包括前推回代法、改进牛顿法、隐式高斯法和回路阻抗法等。但由于这些方法的潮流方程都是非线性的,涉及到多次迭代过程,因此计算效率不高,难以满足配电网实时运行和快速分析的需求。
3、目前,随着计算机技术、数学算法和代数求解器等计算技术的快速发展,当前主流有源配网潮流分析方法有线性潮流(lpf)分析方法、非线性潮流方程式近似解。在实际应用中具有严重缺陷,有源配电网信息缺失会影响上述潮流分析方法的可执行性。例如,一种在中国专利文献上公开的“一种主动配电网谐波潮流分析方法”,其公告号cn103972886a,包含以下内容,首先,根据主动配电网中非线性负荷和分布式电源(dg)的特点,分析非线性负荷和dg并网接口电力电子装置的工作特性及其注入系统各次谐波电流的含量;然后,通过计算主动配电网基波潮流得出非线性负荷和dg并网的
技术实现思路
1、本专利技术主要解决现有技术有源配网信息缺失情况下传统机理模型无法求解的问题;提供一种基于深度神经网络的有源配电网系统潮流评估方法,通过自适应深度神经网络(dnn)训练机器学习模型和自动超参数调优程序构建有源配电网潮流评估模型,有效解决实际应用中的有源配电网信息缺失问题,实现有源配电网潮流的快速评估。
2、本专利技术的上述技术问题主要是通过下述技术方案得以解决的:
3、包括以下步骤:
4、s1:从历史测量数据或仿真推演中采集样本,构建样本库;
5、s2:训练dnn模型,构建dnn模型数据输入特征向量时,考虑潜在的缺失测量数据,通过自动超参数调优过程来获得用于训练dnn模型的最佳参数集;
6、s3:评估输出的dnn模型性能,若达标,则为最终模型;否则,返回步骤s2训练。
7、通过自适应深度神经网络(dnn)训练机器学习模型和自动超参数调优程序构建有源配电网潮流评估模型,有效解决实际应用中的有源配电网信息缺失问题,实现有源配电网潮流的快速评估。
8、作为优选,所述的样本包括历史数据样本和仿真样本;
9、历史数据样本为从智能电表和配电自动化系统中安装的测量设备中收集的时间跨度为数月或数年的样本;
10、仿真样本为使用配电网仿真技术来推演生成具有代表性的配电网数据的样本。
11、获得配电网中大量有代表性数据,可以描述主动配电网中功率分布及影响规律。实际上,并不是配电网络所有节点都安装量测装置。因此,必要时可以使用高精度配电网仿真技术来推演生成具有代表性的配电网数据。
12、作为优选,仿真推演包括
13、对于给定配电网基态模型,对每个配电网中用电负荷、光伏、线路开关、有载调压变压器分接头设置和控制器状态的变化进行模拟,以表征配电网日常运行模式和控制动作;
14、当所有变化都应用于配电系统中,能够进行交流潮流计算得到收敛的潮流解时,保存该样本。
15、使用高精度配电网仿真技术来推演生成具有代表性的配电网数据,补充无法采集到的配网数据。
16、作为优选,所述的构建样本库包括:
17、从配电网各种类型设备中采集包括负荷、分布式光伏和控制器的特征;
18、分别构建负荷特征、光伏特性和控制器特征的表格;
19、将所有的特征值形成一维的特征向量表示:
20、特征= [p负荷, q负荷, p光伏, q光伏, cs, ot, ls]
21、其中,p负荷和q负荷分别表示有功负荷和无功负荷;
22、p光伏和q光伏分别表示光伏有功功率和无功功率;
23、cs、ot、ls分别表示电容器状态、oltc的分接头位置和线路状态。
24、为了训练有效且准确的dnn模型来解决配电系统中的潮流评估问题,数据特征的选取起着至关重要的作用。特征包含足够的信息作为输入,以训练准确的dnn模型来评估配电网络中所有节点的电压幅值和相角。
25、作为优选,获取所有节点电压幅值vm和电压相角va;
26、vm=[v1,v2,v3,…,vx]
27、va=[θ1,θ2,θ3,…,θx]
28、分别构建电压幅值估计样本和电压相角估计样本;
29、样本的输入为特征向量,样本的输出为vm或va。
30、作为优选,将样本数据库进一步分为训练集、验证集和测试集。
31、作为优选,针对电压幅值标签和电压相角标签分别训练两个独立的dnn模型。以获得更好的潮流评估精度。
32、作为优选,采用超参数自适应调优过程训练dnn模型;训练过程为:
33、循环训练m个不同参数组合的dnn模型{dnn1, dnn2, ..., dnnm};
34、在验证集上测试其性能,得到性能最好的dnn模型dnnbest;
35、在未知的测试集上测试性能最佳的dnn模型dnnbest的性能,以验证潮流解的精度;
36、若精度达标,则该模型为最终的模型输出dnnfinal;否则,选择不同范围的超参数来重复训练过程,直到获得满意的性能或达到指定的最大调优迭代次数。为了获得最佳性能,使用超参数自适应调优过程。
37、本专利技术的有益效果是:
38、通过自适应深度神经网络(dnn)训练机器学习模型和自动超参数调优程序构建有源配电网潮流评估模型,有效解决实际应用中的有源配电网信息缺失问题,实现有源配电网潮流的快速评估。
本文档来自技高网...【技术保护点】
1.一种基于深度神经网络的有源配电网系统潮流评估方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于深度神经网络的有源配电网系统潮流评估方法,其特征在于,所述的样本包括历史数据样本和仿真样本;
3.根据权利要求1或2所述的一种基于深度神经网络的有源配电网系统潮流评估方法,其特征在于,仿真推演包括
4.根据权利要求3所述的一种基于深度神经网络的有源配电网系统潮流评估方法,其特征在于,所述的构建样本库包括:
5.根据权利要求4所述的一种基于深度神经网络的有源配电网系统潮流评估方法,其特征在于,获取所有节点电压幅值Vm和电压相角Va;
6.根据权利要求4或5所述的一种基于深度神经网络的有源配电网系统潮流评估方法,其特征在于,将样本数据库进一步分为训练集、验证集和测试集。
7.根据权利要求1或5所述的一种基于深度神经网络的有源配电网系统潮流评估方法,其特征在于,针对电压幅值标签和电压相角标签分别训练两个独立的DNN模型。
8.根据权利要求7所述的一种基于深度神经网络的有源配电网系统潮流评估方
...【技术特征摘要】
1.一种基于深度神经网络的有源配电网系统潮流评估方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于深度神经网络的有源配电网系统潮流评估方法,其特征在于,所述的样本包括历史数据样本和仿真样本;
3.根据权利要求1或2所述的一种基于深度神经网络的有源配电网系统潮流评估方法,其特征在于,仿真推演包括
4.根据权利要求3所述的一种基于深度神经网络的有源配电网系统潮流评估方法,其特征在于,所述的构建样本库包括:
5.根据权利要求4所述的一种基于深度神经网络的有源配电网系统潮...
【专利技术属性】
技术研发人员:吴至复,应鸿,张海春,斯琴卓娅,肖龙海,褚明华,施海峰,朱新,周池,钱伟杰,袁国珍,许晓敏,刁瑞盛,
申请(专利权)人:国网浙江省电力有限公司嘉兴供电公司,
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。