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】
本申请涉及电力系统安全分析领域,尤其涉及一种电力系统输电断面传输极限估计值的确定方法及系统。
技术介绍
1、电力系统是一个大型、复杂、实时、高维、高非线性的系统。随着电网的快速发展,如何保证电网的安全、稳定和经济运行对运营商提出了更高的挑战。输电断面传输极限是输电断面在特定安全约束下可传输的最大有功功率,是电力系统运行过程中运行人员关注的一大重点。
2、为实现输电断面传输极限的自动评估,中国专利公开号cn103065060b针对失稳机群和稳定机群的识别结果不断调整出力方案,计算得到输电断面暂态稳定极限,该方法具有准确性高的优点,但是由于涉及到复杂的暂态稳定计算,难以保证在线应用的时效性。随着高性能计算技术的突飞猛进,研究者开始关注采用人工智能方法进行输电断面传输极限的计算。中国专利公开号cn112632846a提出一种基于神经网络的电力系统输电断面传输极限的概率分布预测方法,但该方法能够实现概率分布的有效拟合。公开号cn113592151a提出基于两阶段聚类的电力系统输电断面邻域精细规则生成方法,能够提高模型的准确性。然而,已有方法未考虑不同运行场景下评估误差存在影响的差异性。一般来说,对于电力系统输电断面潮流处在传输极限附近的运行场景,极限计算误差应当尽可能小,避免由于误差导致运行人员决策错误。此外,已有方法往往采用单一的人工智能模型,评估准确性仍存在较大的提升空间。
技术实现思路
1、本申请提供一种电力系统输电断面传输极限估计值的确定方法及系统,以至少解决现有技术中
2、本申请第一方面实施例提出一种电力系统输电断面传输极限估计值的确定方法,所述方法包括:
3、获取电力系统历史时段各运行场景下的潮流数据和输电断面传输极限数据;
4、根据所述历史时段各运行场景下的潮流数据和输电断面传输极限数据对初始的深度神经网络模型进行训练,得到多个训练好的深度神经网络模型及各所述模型的权重;
5、获取电力系统当前时刻的潮流数据,并对所述潮流数据进行归一化处理,然后从所述归一化处理后的潮流数据中多次选取特征数据构成各数据集;
6、将各所述数据集分别输入其对应的预先训练好的深度神经网络模型中,得到各所述数据集对应的标准化后的输电断面传输极限的初始估计值,并对所述标准化后的输电断面传输极限的初始估计值进行反标准化处理;
7、根据各所述数据集对应的反标准化后的输电断面传输极限的初始估计值和各预先训练好的深度神经网络模型的权重确定所述电力系统输电断面传输极限估计值。
8、优选的,所述根据所述历史时段各运行场景下的潮流数据和输电断面传输极限对初始的深度神经网络模型进行训练,得到多个训练好的深度神经网络模型及各所述模型的权重,包括:
9、基于电力系统历史时段各运行场景下的潮流数据和输电断面传输极限数据构建初始样本集,并对所述初始样本集进行预处理,得到预处理后的样本集;
10、根据所述预处理后的样本集确定所述预处理后的样本集中各运行场景的第一指标、归一化后的潮流数据的第一指标;
11、基于所述各运行场景的第一指标、归一化后的潮流数据的第一指标和预处理后的样本集对多个初始的深度神经网络模型进行训练,得到多个训练好的深度神经网络模型;
12、分别确定各训练好的深度神经网络模型的准确率向量和总体准确率;
13、根据所述各训练好的深度神经网络模型的准确率向量分别确定各训练好的深度神经网络模型的相关性指标;
14、根据各训练好的深度神经网络模型的相关性指标、总体准确率确定各训练好的深度神经网络模型的权重。
15、进一步的,所述潮流数据包括:输电断面的传输极限、各发电机的有功功率、各发电机的无功功率、各发电机的转子角度、各发电机的机端电压、各负荷的有功功率、各负荷的无功功率、各输电线路的有功功率。
16、进一步的,所述对所述初始样本集进行预处理包括:
17、对初始样本集中的各潮流数据进行归一化处理,并利用z-score标准化方法对输电断面传输极限数据进行预处理。
18、进一步的,所述各运行场景的第一指标的计算式如下:
19、
20、式中,dk为第k个运行场景的第一指标,sk为第k个运行场景的安全裕度;
21、所述归一化后的潮流数据的第一指标的计算式如下:
22、
23、式中,fj为第j个归一化后的潮流数据的第一指标,pj为第j个归一化后的潮流数据与预处理后的输电断面传输极限数据之间的皮尔逊相关系数绝对值的排序编号,ij为第j个归一化后的潮流数据与预处理后的输电断面传输极限数据之间的最大信息系数的排序编号,n为电力系统中发电机的台数,u为电力系统中负荷的台数,m为电力系统中输电线路的条数。
24、进一步的,所述各训练好的深度神经网络模型的准确率向量的计算式如下:
25、ja=(ra1,ra2,…,rak…,rak)
26、式中,ja为第a个训练好的深度神经网络模型的准确率向量,rak为第a个训练好的深度神经网络模型对第k个运行场景下输电断面的传输极限计算准确率,k为运行场景的总数;
27、所述各训练好的深度神经网络模型的总体准确率的计算式如下:
28、
29、式中,va为第a个训练好的深度神经网络模型的总体准确率。
30、进一步的,所述各训练好的深度神经网络模型的相关性指标的计算式如下:
31、
32、式中,ρa为第a个训练好的深度神经网络模型的相关性指标,amax为训练好的深度神经网络模型的总个数,cov(ja,jo)为第a个训练好的深度神经网络模型的准确率向量ja与第o个训练好的深度神经网络模型的准确率向量jo的协方差,σ(ja)为准确率向量ja的方差,σ(jo)为准确率向量jo的方差。
33、进一步的,所述各训练好的深度神经网络模型的权重的计算式如下:
34、wa=γ1×ρa+γ1×va
35、式中,wa为第a个训练好的深度神经网络模型的权重,γ1为相关性指标所占权重,γ2为总体准确率所占权重,其中γ1+γ2=1。
36、进一步的,所述电力系统输电断面传输极限估计值的计算式如下:
37、
38、式中,ttc为电力系统输电断面传输极限估计值,fa为第a个训练好的深度神经网络模型输出的反标准化后的输电断面传输极限的初始估计值。
39、本申请第二方面实施例提出一种电力系统输电断面传输极限估计值的确定系统,包括:
40、第一获取模块,用于获取电力系统历史时段各运行场景下的潮流数据和输电断面传输极限数据;
41、训练模块,用于根据所述历史时段各运行场景下的潮流数据和输电断面传输极限数据对初始的深度神经网络模型进行训练,得到多个训练本文档来自技高网...
【技术保护点】
1.一种电力系统输电断面传输极限估计值的确定方法,其特征在于,所述方法包括:
2.如权利要求1所述的方法,其特征在于,所述根据所述历史时段各运行场景下的潮流数据和输电断面传输极限对初始的深度神经网络模型进行训练,得到多个训练好的深度神经网络模型及各所述模型的权重,包括:
3.如权利要求2所述的方法,其特征在于,所述潮流数据包括:输电断面的传输极限、各发电机的有功功率、各发电机的无功功率、各发电机的转子角度、各发电机的机端电压、各负荷的有功功率、各负荷的无功功率、各输电线路的有功功率。
4.如权利要求2所述的方法,其特征在于,所述对所述初始样本集进行预处理包括:
5.如权利要求4所述的方法,其特征在于,所述各运行场景的第一指标的计算式如下:
6.如权利要求5所述的方法,其特征在于,所述各训练好的深度神经网络模型的准确率向量的计算式如下:
7.如权利要求6所述的方法,其特征在于,所述各训练好的深度神经网络模型的相关性指标的计算式如下:
8.如权利要求7所述的方法,其特征在于,所述各训练好的深度神经网络
9.如权利要求8所述的方法,其特征在于,所述电力系统输电断面传输极限估计值的计算式如下:
10.一种电力系统输电断面传输极限估计值的确定系统,其特征在于,所述系统包括:
...【技术特征摘要】
1.一种电力系统输电断面传输极限估计值的确定方法,其特征在于,所述方法包括:
2.如权利要求1所述的方法,其特征在于,所述根据所述历史时段各运行场景下的潮流数据和输电断面传输极限对初始的深度神经网络模型进行训练,得到多个训练好的深度神经网络模型及各所述模型的权重,包括:
3.如权利要求2所述的方法,其特征在于,所述潮流数据包括:输电断面的传输极限、各发电机的有功功率、各发电机的无功功率、各发电机的转子角度、各发电机的机端电压、各负荷的有功功率、各负荷的无功功率、各输电线路的有功功率。
4.如权利要求2所述的方法,其特征在于,所述对所述初始样本集进行预处理包括:
【专利技术属性】
技术研发人员:郭庆来,孙宏斌,周艳真,王彬,吴文传,
申请(专利权)人:清华大学,
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。