【技术实现步骤摘要】
本专利技术涉及电力系统自动化，具体为基于深度神经网络的分布式配电网可靠性评估方法。
技术介绍
1、随着能源需求的增长和能源转型的推进，分布式电源已经成为现代配电网的重要组成部分。与此同时，随着工业化程度的提高，人们对电力供应可靠性的要求越来越高。然而由于风力发电、光伏发电等分布式发电的随机性和波动性，特别是在台风和暴雨等极端天气条件下，无法满足电力用户的用电需求，大规模分布式电源的接入使电网安全运行面临巨大挑战。而现有的可靠性分析方法通常需要较长的计算时间，无法及时针对实时变化的情况做出调整。因此，对大规模分布式电源接入的配电网进行可靠性分析具有重大意义。
2、目前，配电网可靠性指标的计算方法主要有四种，分别是经典分析法、模拟法、混合法以及人工智能算法。经典分析方法是基于配电网的结构和运行参数进行定量分析的方法，它通常包括可靠性指标的数学推导和计算，如故障率、平均修复时间、可用性等，此方法需要充分了解配电网的网架结构和参数，通过数学模型和统计理论进行可靠性分析；模拟法则是利用计算机进行仿真模拟，通过生成大量随机样本来评估配电...
【技术保护点】
1.基于深度神经网络的分布式配电网可靠性评估方法，其特征在于，包括：
2.如权利要求1所述的基于深度神经网络的分布式配电网可靠性评估方法，其特征在于：所述风电机组出力模型包括采用ARMA模型对风速进行建模和预测，基于原始风速数据计算风速平均值和风速分布的标准差，并对原始风速数据进行处理，得到标准化的数据，标准化数据与原始风速数据间的关系表示为：
3.如权利要求2所述的基于深度神经网络的分布式配电网可靠性评估方法，其特征在于：所述光伏出力模型包括通过模拟的太阳辐射强度获得光伏发电系统的出力模型，光伏发电系统的出力与太阳辐射强度正相关，函数关系表示
4...
【技术特征摘要】
1.基于深度神经网络的分布式配电网可靠性评估方法，其特征在于，包括：
2.如权利要求1所述的基于深度神经网络的分布式配电网可靠性评估方法，其特征在于：所述风电机组出力模型包括采用arma模型对风速进行建模和预测，基于原始风速数据计算风速平均值和风速分布的标准差，并对原始风速数据进行处理，得到标准化的数据，标准化数据与原始风速数据间的关系表示为：
3.如权利要求2所述的基于深度神经网络的分布式配电网可靠性评估方法，其特征在于：所述光伏出力模型包括通过模拟的太阳辐射强度获得光伏发电系统的出力模型，光伏发电系统的出力与太阳辐射强度正相关，函数关系表示为：
4.如权利要求3所述的基于深度神经网络的分布式配电网可靠性评估方法，其特征在于：所述最大可接受分布式电源容量包括zeno多面体，zeno多面体是一种特殊对称多面体，被定义为有限线段的闵可夫斯基和，表示为：
5.如权利要求4所述的基于深度神经网络的分布式配电网可靠性评估方法，其特征在于：所述最大可接受分布式电源容量还包括构建不确定输入集，设三个分布式电源的预测功率为每个分布式电源的出力都有±30％的不确定性，得到三条有向线段表示为：
6.如权利要求5所述的基于深度神经网络的分布式配电网可靠性评估方法，其特征在于：所述改进的蒙特卡罗方法包括通过数学抽样，获得元件的无故障工作时间ttf和修复时间ttr的抽样形式，表示为：
7.如...
【专利技术属性】
技术研发人员：易辰颖，周杨珺，张炜，周柯，周远超，潘俊涛，黄伟翔，李珊，秦丽文，奉斌，颜丽娟，伍红文，阳浩，许士锦，李林穗，
申请(专利权)人：广西电网有限责任公司电力科学研究院，
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。