CN113422371A - 一种基于图卷积神经网络的分布式电源就地电压控制方法 - Google Patents

一种基于图卷积神经网络的分布式电源就地电压控制方法 Download PDF

Info

Publication number
CN113422371A
CN113422371A CN202110839908.1A CN202110839908A CN113422371A CN 113422371 A CN113422371 A CN 113422371A CN 202110839908 A CN202110839908 A CN 202110839908A CN 113422371 A CN113422371 A CN 113422371A
Authority
CN
China
Prior art keywords
distribution network
power distribution
training
power supply
neural network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110839908.1A
Other languages
English (en)
Other versions
CN113422371B (zh
Inventor
赵金利
张子麒
习伟
李鹏
冀浩然
于浩
蔡田田
邓清唐
陈波
李肖博
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
Southern Power Grid Digital Grid Research Institute Co Ltd
Original Assignee
Tianjin University
Southern Power Grid Digital Grid Research Institute Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tianjin University, Southern Power Grid Digital Grid Research Institute Co Ltd filed Critical Tianjin University
Priority to CN202110839908.1A priority Critical patent/CN113422371B/zh
Publication of CN113422371A publication Critical patent/CN113422371A/zh
Application granted granted Critical
Publication of CN113422371B publication Critical patent/CN113422371B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/16—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by adjustment of reactive power
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

一种基于图卷积神经网络的分布式电源就地电压控制方法，根据选定的有源配电网，划分各边缘计算装置的所辖区域并输入配电网参数；依据配电网参数和典型日的历史潮流数据，在云端构建基于图卷积神经网络的配电网代理模型的训练集，构建基于图卷积神经网络的配电网代理模型，训练后得到配电网代理模型；将训练后的配电网代理模型下发至配网边缘侧的边缘计算装置，作为各边缘计算装置的配电网子代理模型；依据各配电网子代理模型，整定各区域内分布式电源的就地电压控制曲线参数；输出就地电压控制曲线整定结果。本发明充分挖掘海量多源数据信息，提升配电网运行调控智能化水平，有效解决整定Q‑V曲线过程中准确的全网参数难以获取的问题。

Description

一种基于图卷积神经网络的分布式电源就地电压控制方法
技术领域
本发明涉及一种分布式电源就地电压控制方法。特别是涉及一种基于图卷积神经网络的分布式电源就地电压控制方法。
背景技术
分布式电源(Distributed Generators,DGs)的大规模、高比例接入实现了配电网能量供给的低碳化，但同时也造成了配电网的电压越限问题，并使配电网的优化与控制方式变得更加复杂。与此同时，随着配用电大数据信息越来越庞杂，配网侧多利益主体的数据以孤岛形式存在，数据集中面临着通信压力和隐私泄露等诸多问题，这加速了配电网运行管理机制的变革。
通过调度各种无功装置，可以减轻电压越限。由于传统的调节装置(例如，有载分接开关和电容器组)响应速度慢且电压不能连续调节，因此很难进行快速电压控制。分布式电源逆变器的剩余容量可用于电压的连续调节，因此利用DG接口逆变器实现快速电压控制具有巨大潜力。
对于分布式电源高渗透率接入的配电网，通常采用集中控制的方式，统一调配可控资源，实现***的全局最优，但这种方法量测数据量大、通讯负担重。为了降低了通讯数据量，分布式控制方式利用对配电网的合理分区，通过相邻区域间交互边界信息，实现***运行的整体优化，但这种方法区域控制器之间仍需进行大量的信息通信，并需要多次迭代过程才能确定最终的优化方案。与集中控制方式和分布式控制方式相比，就地控制方式只需利用本地信息即可完成本地可调资源的控制，其响应速度快，投资成本低，通讯数据量小。利用Q-V曲线进行就地控制可以实现对分布式电源不确定出力的快速响应，具有很好的鲁棒性。当前研究大多通过求解基于全网参数和准确预测数据的优化模型的方式整定Q-V曲线，而在配电网实际运行中，很难获得准确的网络参数。同时，配电网运行状态随分布式电源出力的变化而变化，使得模型的抗干扰能力变差，这从一定程度上降低了就地控制的优势。
信息和通信技术的快速发展提高了配电网的数字化水平。利用配电网的数据采集和监视装置可以测量和获取大量异构的操作数据。如何充分挖掘海量多源数据信息，成为提升配电网运行调控智能化水平的关键。数据驱动技术作为一种无需精确模型，仅基于历史数据来实现最佳控制的方法逐渐引起人们的广泛关注。人工智能作为数据驱动技术的一个分支对收集到的历史数据进行分析学习，从中提炼出有价值的信息，用于指导配电网的运行。图卷积神经网络(Graph Convolutional Neural Networks,GCN)是一种新兴的可以处理非欧空间结构的多层图像数据处理框架，近几年在计算机视觉、化工领域等多领域有很多的应用案例。
发明内容
本发明所要解决的技术问题是，提供一种能够充分挖掘海量多源数据信息，提升配电网运行调控智能化水平的基于图卷积神经网络的分布式电源就地电压控制方法。
本发明所采用的技术方案是：一种基于图卷积神经网络的分布式电源就地电压控制方法，包括如下步骤：
1)根据选定的有源配电网，划分各边缘计算装置的所辖区域并输入配电网参数，包括配电网的网络拓扑连接关系，分布式电源接入位置、容量及参数；输入配电网Nd个典型日的历史潮流数据及预测的分布式电源日出力曲线、日负荷出力曲线；设置典型拓扑结构总数Ns，训练对象的采样总时长ΔT、采样时间间隔Δt；设置基于图卷积神经网络的配电网代理模型参数，包括学习率γ、正则化系数β、完整遍历训练集的次数E；
2)依据步骤1)中配电网参数和Nd个典型日的历史潮流数据，在云端构建基于图卷积神经网络的配电网代理模型的训练集，包括确定训练集中训练对象的个数、各训练对象的组成以及对训练对象进行预处理；在云端构建基于图卷积神经网络的配电网代理模型，并完成基于图卷积神经网络的配电网代理模型的训练，得到训练后的配电网代理模型；
3)将训练后的配电网代理模型下发至配网边缘侧的边缘计算装置，作为各边缘计算装置的配电网子代理模型；
4)依据各配电网子代理模型，在配电网边缘侧基于预测的分布式电源日出力曲线、日负荷出力曲线和各边缘计算装置所辖区域内的电压、净负荷功率量测信息，以各边缘计算装置所辖区域内的节点电压偏差最小为目标函数，分别整定各区域内分布式电源的就地电压控制曲线参数；
5)输出步骤4)中就地电压控制曲线整定结果。
本发明的一种基于图卷积神经网络的分布式电源就地电压控制方法，立足于解决配电网网络参数不可知或不准确情况下的分布式电源就地控制策略计算问题，构造基于图卷积神经网络的配电网代理模型用于模拟配电网的动态特性，以有源配电网区内电压偏差最小为目标函数整定分布式电源的就地控制曲线参数，得到分布式电源就地电压无功控制策略。本方法充分挖掘海量多源数据信息，提升配电网运行调控智能化水平，有效解决整定Q-V曲线过程中准确的全网参数难以获取的问题。
附图说明
图1是本发明一种基于图卷积神经网络的分布式电源就地电压控制方法的流程图；
图2是修改后的IEEE 33节点配电网算例结构图；
图3是预测的分布式电源、负荷出力曲线；
图4是方案I和方案II的***电压极值分布对比图；
图5是方案II和方案III的***电压极值分布对比图。
具体实施方式
下面结合实施例和附图对本发明的一种基于图卷积神经网络的分布式电源就地电压控制方法做出详细说明。
本发明的一种基于图卷积神经网络的分布式电源就地电压控制方法，如图1所示，包括如下步骤：
1)根据选定的有源配电网，划分各边缘计算装置的所辖区域并输入配电网参数，包括配电网的网络拓扑连接关系，分布式电源接入位置、容量及参数；输入配电网Nd个典型日的历史潮流数据及预测的分布式电源日出力曲线、日负荷出力曲线；设置典型拓扑结构总数Ns，训练对象的采样总时长ΔT、采样时间间隔Δt；设置基于图卷积神经网络的配电网代理模型参数，包括学习率γ、正则化系数β、完整遍历训练集的次数E；其中，
(1)所述的配电网Nd个典型日的历史潮流数据，为：在配电网Nd个典型日中，
Figure BDA0003174461830000031
个典型日分布式电源不参与无功功率调节，
Figure BDA0003174461830000032
个典型日分布式电源以[1.0,1.0]为死区的基础曲线调节无功功率，从而获得配电网Nd个典型日的历史潮流数据。
对于本实施例，修改后的IEEE 33节点配电网算例结构如图2所示，首先输入配电网络拓扑连接关系，分布式电源接入位置、容量及参数，预测的分布式电源、负荷出力曲线以及配电网的历史潮流数据，详细参数见表1和表2。
表1 IEEE 33节点算例负荷接入位置及功率
Figure BDA0003174461830000033
表2 IEEE 33节点算例线路参数
Figure BDA0003174461830000034
Figure BDA0003174461830000041
节点9、节点10、节点11、节点18、节点20、节点21、节点23、节点24、节点25、节点31、节点32和节点33分别接入一组光伏***，容量均为0.18MVA；节点15、节点16、节点17、节点22、节点29和节点30分别接入一组风机，容量均为0.36MVA；预测的分布式电源、负荷出力曲线如图3所示；各节点电压幅值(标幺值)的安全运行上下限分别为1.10和0.90；设置典型日个数Nd＝200，拓扑结构总数Ns＝2，训练对象的采样总时长ΔT＝24h、采样时间间隔Δt＝5min。
2)依据步骤1)中配电网参数和Nd个典型日的历史潮流数据，在云端构建基于图卷积神经网络的配电网代理模型的训练集，包括确定训练集中训练对象的个数、各训练对象的组成以及对训练对象进行预处理；在云端构建基于图卷积神经网络的配电网代理模型，并完成基于图卷积神经网络的配电网代理模型的训练，得到训练后的配电网代理模型；其中，
(1)所述的训练集中训练对象的个数，是基于配电网Nd个典型日的历史潮流数据，并考虑Ns种典型拓扑结构，来构造基于图卷积神经网络的配电网代理模型的训练集，总计共包含
Figure BDA0003174461830000042
个训练对象。
(2)所述的各训练对象的组成，包括：
每个训练对象由特征信息矩阵X、拓扑信息矩阵A、标签矩阵Z三个矩阵组成，基于图卷积神经网络的配电网代理模型以特征信息矩阵X、拓扑信息矩阵A为输入，对标签矩阵Z进行拟合；
特征信息矩阵X表示训练对象的输入特征，第n个训练对象的特征信息矩阵Xn由采样时刻节点注入的净负荷有功功率、净负荷无功功率以及配电网的节点电压值组成，表示为：
Figure BDA0003174461830000043
式中，
Figure BDA0003174461830000051
表示采样时刻各节点注入的净负荷有功功率构成的列向量，
Figure BDA0003174461830000052
表示采样时刻各节点注入的净负荷无功功率构成的列向量，
Figure BDA0003174461830000053
表示采样时刻配电网的节点电压值构成的列向量，N为配电网节点数；
拓扑信息矩阵A表示节点与节点间的连接关系，第n个训练对象的拓扑信息矩阵An表示为：
Figure BDA0003174461830000054
Figure BDA0003174461830000055
式中，
Figure BDA0003174461830000056
为第n个训练对象的拓扑信息矩阵An的第i行第j列元素；
标签矩阵Z表示训练对象的输出特征的标签值，第n个训练对象的标签矩阵Zn由采样时刻的节点电压控制值组成，表示为：
Figure BDA0003174461830000057
式中，
Figure BDA0003174461830000058
为矩阵的第i行元素，表示第n个训练对象第i个节点输出特征的标签值；N为配电网节点数。
(3)所述的对训练对象进行预处理，是在进行模型训练前，对训练集中训练对象的特征信息矩阵X和标签矩阵Z中各元素进行预处理；其中
对第n个训练对象的特征信息矩阵Xn进行预处理，预处理公式为：
Figure BDA0003174461830000059
式中，
Figure BDA00031744618300000510
为预处理前第n个训练对象的特征信息矩阵Xn中第i个节点的第k个输入特征，
Figure BDA00031744618300000511
为预处理后第n个训练对象的特征信息矩阵Xn中第i个节点的第k个输入特征，
Figure BDA00031744618300000512
为训练对象的特征信息矩阵X中第k个输入特征所有元素的均值，
Figure BDA00031744618300000513
为训练对象的特征信息矩阵X中第k个输入特征所有元素的方差；
对第n个训练对象的标签矩阵Zn进行预处理，预处理公式为：
Figure BDA00031744618300000514
式中，
Figure BDA00031744618300000515
为预处理前第n个训练对象的标签矩阵Zn中第i个节点输出特征的标签值，
Figure BDA00031744618300000516
为预处理后第n个训练对象的标签矩阵Zn中第i个节点输出特征的标签值，μZ为训练对象的标签矩阵Z中输出特征所有元素的均值，δZ为训练对象的标签矩阵Z中输出特征所有元素的方差。
(4)所述的基于图卷积神经网络的配电网代理模型表示为：
Figure BDA00031744618300000517
Figure BDA0003174461830000061
式中，H(l+1)为配电网代理模型第l+1层隐藏层的输出；H(l)为第l层隐藏层的输出；A为拓扑信息矩阵，
Figure BDA0003174461830000062
IM为M阶单位矩阵；
Figure BDA0003174461830000063
为对角阵，
Figure BDA0003174461830000064
W(l)为第l层的权重矩阵；Y为图卷积神经网络的输出矩阵；H(k-1)为最后一层隐藏层的输出；W(k)为输出层的权重；σ(·)为非线性激活函数，表示为：
σ(x)＝LeakyReLU(x,α)＝max(0,x)+α×min(0,x) (9)
式中，α为负斜率；F(·)为输出层函数，F(·)＝1(·)；
基于图卷积神经网络的配电网代理模型以损失函数最小为目标函数，以批梯度下降算法为训练方式，训练过程表示为：
Figure BDA0003174461830000065
Figure BDA0003174461830000066
式中，
Figure BDA0003174461830000067
为基于图卷积神经网络的配电网代理模型在权重系数为ω时的损失函数；Yin为第n个训练对象的输出矩阵Yn中第i个节点输出特征的拟合值；
Figure BDA0003174461830000069
为预处理后第n个训练对象的标签矩阵Zn中第i个节点输出特征的标签值；NT为训练对象数，N为配电网节点数；ω为基于图卷积神经网络的配电网代理模型当前的权重系数，ωl为基于图卷积神经网络的配电网代理模型的第l个权重系数，γ为学习率。
3)将训练后的配电网代理模型下发至配网边缘侧的边缘计算装置，作为各边缘计算装置的配电网子代理模型。
4)依据各配电网子代理模型，在配电网边缘侧基于预测的分布式电源日出力曲线、日负荷出力曲线和各边缘计算装置所辖区域内的电压、净负荷功率量测信息，以各边缘计算装置所辖区域内的节点电压偏差最小为目标函数，分别整定各区域内分布式电源的就地电压控制曲线参数。其中，
(4.1)所述的分布式电源的就地电压控制曲线，采用如下公式得到：
Figure BDA00031744618300000610
式中，Vt，i为t时段节点i的电压幅值，g(Vt,i)为分布式电源就地电压无功控制策略的表达式，g(Vt,i)存在调节死区[Vi q,min,Vi q,max]，Vi q,min和Vi q,max分别为就地电压无功控制策略的电压调节死区的最小值和最大值，也是分布式电源的就地电压控制曲线参数，在调节死区内分布式电源发出的无功功率为0。
(4.2)所述的以各边缘计算装置所辖区域内的节点电压偏差最小为目标函数，表示为：
Figure BDA0003174461830000071
或
Figure BDA0003174461830000072
式中，f为节点电压偏差，Nt为时间断面数，Na为第a个边缘计算装置所辖区域内的节点总数；Vt,i为t时段节点i的电压幅值；
Figure BDA0003174461830000073
为最大电压阈值，
Figure BDA0003174461830000074
为最小电压阈值，当Vt,i不在期望电压区间
Figure BDA0003174461830000075
时，目标函数用来减小电压偏差。
(4.3)所述的整定各区域内分布式电源的就地电压控制曲线参数，包括：
(4.3.1)选取分布式电源电压调节死区上下限Vi q,min和Vi q,max为[0.9,1.1]上满足约束条件的点，死区上下限的约束条件表示为：
Figure BDA0003174461830000076
(4.3.2)基于死区上下限Vi q,min和Vi q,max和区域内的配电网量测信息，更新特征信息矩阵得到更新后的特征信息矩阵X′；
(4.3.3)将更新后的特征信息矩阵X′输入配电网子代理模型，得到对应于该死区上下限的区域内***电压分布，并计算节点电压偏差，公式如下：
Figure BDA0003174461830000077
或
Figure BDA0003174461830000078
式中，Nt为时间断面数，Na为第a个边缘计算装置所辖区域内的节点总数；Vt,i为t时段节点i的电压幅值；
Figure BDA0003174461830000079
为最大电压阈值，
Figure BDA00031744618300000710
为最小电压阈值，当Vt,i不在期望电压区间
Figure BDA00031744618300000711
时，目标函数用来减小电压偏差。
(4.3.4)扫描各死区上下限组合，将具有最小节点电压偏差的死区上下限组合作为最优解输出，即为区域内分布式电源的就地电压控制曲线参数。
5)输出步骤4)中就地电压控制曲线整定结果。
为充分验证本发明一种基于图卷积神经网络的分布式电源就地电压控制方法的先进性，本实施例中，采取如下三种方案进行对比分析：
方案I：不对分布式电源无功出力进行优化，获得配电网的初始运行状态；
方案II：采用本发明方法分区整定分布式电源就地电压控制曲线，并对分布式电源出力进行优化；
方案III：采用集中式优化方法分区整定分布式电源就地电压控制曲线，并对分布式电源出力进行优化。
方案I、方案II和方案III的优化结果对比见表3，方案I和方案II的***电压极值分布对比见图4，方案II和方案III的***电压极值分布对比见图5。
表3不同控制策略下的仿真结果比较
Figure BDA00031744618300000712
Figure BDA0003174461830000081
执行优化计算的计算机硬件环境为Intel(R)Core(TM)i7-9750H CPU，主频为2.60GHz，内存为16GB；软件环境为Windows 10操作***。
由方案I和II对比可以看出，当不使用控制手段时，分布式电源的接入会导致***电压剧烈波动。采用本发明的一种基于图卷积神经网络的分布式电源就地电压控制策略计算方法对分布式电源出力进行优化后，各分布式电源实时快速调整无功补偿，当节点电压较低时，分布式电源通过发出无功功率支撑电压；当节点电压较高时，分布式电源通过吸收无功功率降低电压，使***电压维持在一个安全运行水平。
由方案II和III对比可以看出，利用本发明的一种基于图卷积神经网络的分布式电源就地电压控制方法分区对分布式电源出力进行优化所得结果略差于采用集中式整定方法分区整定的优化结果；但相较于集中式整定方法，本发明的一种基于图卷积神经网络的分布式电源就地电压控制方法有效的避免了优化过程中配电网网络参数不可知或不准确的问题。

Claims (9)

1.一种基于图卷积神经网络的分布式电源就地电压控制方法，其特征在于，包括如下步骤：
1)根据选定的有源配电网，划分各边缘计算装置的所辖区域并输入配电网参数，包括配电网的网络拓扑连接关系，分布式电源接入位置、容量及参数；输入配电网Nd个典型日的历史潮流数据及预测的分布式电源日出力曲线、日负荷出力曲线；设置典型拓扑结构总数Ns，训练对象的采样总时长ΔT、采样时间间隔Δt；设置基于图卷积神经网络的配电网代理模型参数，包括学习率γ、正则化系数β、完整遍历训练集的次数E；
2)依据步骤1)中配电网参数和Nd个典型日的历史潮流数据，在云端构建基于图卷积神经网络的配电网代理模型的训练集，包括确定训练集中训练对象的个数、各训练对象的组成以及对训练对象进行预处理；在云端构建基于图卷积神经网络的配电网代理模型，并完成基于图卷积神经网络的配电网代理模型的训练，得到训练后的配电网代理模型；
3)将训练后的配电网代理模型下发至配网边缘侧的边缘计算装置，作为各边缘计算装置的配电网子代理模型；
4)依据各配电网子代理模型，在配电网边缘侧基于预测的分布式电源日出力曲线、日负荷出力曲线和各边缘计算装置所辖区域内的电压、净负荷功率量测信息，以各边缘计算装置所辖区域内的节点电压偏差最小为目标函数，分别整定各区域内分布式电源的就地电压控制曲线参数；
5)输出步骤4)中就地电压控制曲线整定结果。
2.根据权利要求1所述的一种基于图卷积神经网络的分布式电源就地电压控制方法，其特征在于，步骤1)所述的配电网Nd个典型日的历史潮流数据，为：
在配电网Nd个典型日中，
Figure FDA0003174461820000011
个典型日分布式电源不参与无功功率调节，
Figure FDA0003174461820000012
个典型日分布式电源以[1.0，1.0]为死区的基础曲线调节无功功率，从而获得配电网Nd个典型日的历史潮流数据。
3.根据权利要求1所述的一种基于图卷积神经网络的分布式电源就地电压控制方法，其特征在于，步骤2)所述的训练集中训练对象的个数，是基于配电网Nd个典型日的历史潮流数据，并考虑Ns种典型拓扑结构，来构造基于图卷积神经网络的配电网代理模型的训练集，总计共包含
Figure FDA0003174461820000013
个训练对象。
4.根据权利要求1所述的一种基于图卷积神经网络的分布式电源就地电压控制方法，其特征在于，步骤2)所述的各训练对象的组成，包括：
每个训练对象由特征信息矩阵X、拓扑信息矩阵A、标签矩阵Z三个矩阵组成，基于图卷积神经网络的配电网代理模型以特征信息矩阵X、拓扑信息矩阵A为输入，对标签矩阵Z进行拟合；
特征信息矩阵X表示训练对象的输入特征，第n个训练对象的特征信息矩阵Xn由采样时刻节点注入的净负荷有功功率、净负荷无功功率以及配电网的节点电压值组成，表示为：
Figure FDA0003174461820000021
式中，
Figure FDA0003174461820000022
表示采样时刻各节点注入的净负荷有功功率构成的列向量，
Figure FDA0003174461820000023
表示采样时刻各节点注入的净负荷无功功率构成的列向量，
Figure FDA0003174461820000024
表示采样时刻配电网的节点电压值构成的列向量，N为配电网节点数；
拓扑信息矩阵A表示节点与节点间的连接关系，第n个训练对象的拓扑信息矩阵An表示为：
Figure FDA0003174461820000025
Figure FDA0003174461820000026
式中，
Figure FDA0003174461820000027
为第n个训练对象的拓扑信息矩阵An的第i行第j列元素；
标签矩阵Z表示训练对象的输出特征的标签值，第n个训练对象的标签矩阵Zn由采样时刻的节点电压控制值组成，表示为：
Figure FDA0003174461820000028
式中，
Figure FDA0003174461820000029
为矩阵的第i行元素，表示第n个训练对象第i个节点输出特征的标签值；N为配电网节点数。
5.根据权利要求1所述的一种基于图卷积神经网络的分布式电源就地电压控制方法，其特征在于，步骤2)所述的对训练对象进行预处理，是在进行模型训练前，对训练集中训练对象的特征信息矩阵X和标签矩阵Z中各元素进行预处理；其中
对第n个训练对象的特征信息矩阵Xn进行预处理，预处理公式为：
Figure FDA00031744618200000210
式中，
Figure FDA00031744618200000211
为预处理前第n个训练对象的特征信息矩阵Xn中第i个节点的第k个输入特征，
Figure FDA00031744618200000212
为预处理后第n个训练对象的特征信息矩阵Xn中第i个节点的第k个输入特征，
Figure FDA00031744618200000213
为训练对象的特征信息矩阵X中第k个输入特征所有元素的均值，
Figure FDA00031744618200000214
为训练对象的特征信息矩阵X中第k个输入特征所有元素的方差；
对第n个训练对象的标签矩阵Zn进行预处理，预处理公式为：
Figure FDA0003174461820000031
式中，
Figure FDA0003174461820000032
为预处理前第n个训练对象的标签矩阵Zn中第i个节点输出特征的标签值，
Figure FDA0003174461820000033
为预处理后第n个训练对象的标签矩阵Zn中第i个节点输出特征的标签值，μZ为训练对象的标签矩阵Z中输出特征所有元素的均值，δZ为训练对象的标签矩阵Z中输出特征所有元素的方差。
6.根据权利要求1所述的一种基于图卷积神经网络的分布式电源就地电压控制方法，其特征在于，步骤2)所述的基于图卷积神经网络的配电网代理模型表示为：
Figure FDA0003174461820000034
Figure FDA0003174461820000035
式中，H(l+1)为配电网代理模型第l+1层隐藏层的输出；H(l)为第l层隐藏层的输出；A为拓扑信息矩阵，
Figure FDA0003174461820000036
IM为M阶单位矩阵；
Figure FDA0003174461820000037
为对角阵，
Figure FDA0003174461820000038
W(l)为第l层的权重矩阵；Y为图卷积神经网络的输出矩阵；H(k-1)为最后一层隐藏层的输出；W(k)为输出层的权重；σ(·)为非线性激活函数，表示为：
σ(x)＝LeakyReLU(x，α)＝max(0，x)+α×min(0，x) (9)
式中，α为负斜率；F(·)为输出层函数，F(·)＝1(·)；
基于图卷积神经网络的配电网代理模型以损失函数最小为目标函数，以批梯度下降算法为训练方式，训练过程表示为：
Figure FDA0003174461820000039
Figure FDA00031744618200000310
式中，
Figure FDA00031744618200000311
为基于图卷积神经网络的配电网代理模型在权重系数为ω时的损失函数；
Figure FDA00031744618200000312
为第n个训练对象的输出矩阵Yn中第i个节点输出特征的拟合值；
Figure FDA00031744618200000313
为预处理后第n个训练对象的标签矩阵Zn中第i个节点输出特征的标签值；NT为训练对象数，N为配电网节点数；ω为基于图卷积神经网络的配电网代理模型当前的权重系数，ωl为基于图卷积神经网络的配电网代理模型的第l个权重系数，γ为学习率。
7.根据权利要求1所述的一种基于图卷积神经网络的分布式电源就地电压控制方法，其特征在于，步骤4)所述的分布式电源的就地电压控制曲线，采用如下公式得到：
Figure FDA0003174461820000041
式中，Vt,i为t时段节点i的电压幅值，g(Vt,i)为分布式电源就地电压无功控制策略的表达式，g(Vt,i)存在调节死区[Vi q,min,Vi q,max]，Vi q,min和Vi q,max分别为就地电压无功控制策略的电压调节死区的最小值和最大值，也是分布式电源的就地电压控制曲线参数，在调节死区内分布式电源发出的无功功率为0。
8.根据权利要求1所述的一种基于图卷积神经网络的分布式电源就地电压控制方法，其特征在于，步骤4)所述的以各边缘计算装置所辖区域内的节点电压偏差最小为目标函数，表示为：
Figure FDA0003174461820000042
式中，f为节点电压偏差，Nt为时间断面数，Na为第a个边缘计算装置所辖区域内的节点总数；Vt，i为t时段节点i的电压幅值；
Figure FDA0003174461820000043
为最大电压阈值，
Figure FDA0003174461820000044
为最小电压阈值，当Vt，i不在期望电压区间
Figure FDA0003174461820000045
时，目标函数用来减小电压偏差。
9.根据权利要求1所述的一种基于图卷积神经网络的分布式电源就地电压控制方法，其特征在于，步骤4)所述的整定各区域内分布式电源的就地电压控制曲线参数，包括：
(4.1)选取分布式电源电压调节死区上下限Vi q,min和Vi q,max为[0.9,1.1]上满足约束条件的点，死区上下限的约束条件表示为：
Figure FDA0003174461820000046
(4.2)基于死区上下限Vi q,min和Vi q,max和区域内的配电网量测信息，更新特征信息矩阵得到更新后的特征信息矩阵X′；
(4.3)将更新后的特征信息矩阵X′输入配电网子代理模型，得到对应于该死区上下限的区域内***电压分布，并计算节点电压偏差，公式如下：
Figure FDA0003174461820000047
式中，Nt为时间断面数，Na为第a个边缘计算装置所辖区域内的节点总数；Vt,i为t时段节点i的电压幅值；
Figure FDA0003174461820000048
为最大电压阈值，
Figure FDA0003174461820000049
为最小电压阈值，当Vt,i不在期望电压区间
Figure FDA0003174461820000051
时，目标函数用来减小电压偏差。
(4.4)扫描各死区上下限组合，将具有最小节点电压偏差的死区上下限组合作为最优解输出，即为区域内分布式电源的就地电压控制曲线参数。
CN202110839908.1A 2021-07-22 2021-07-22 一种基于图卷积神经网络的分布式电源就地电压控制方法 Active CN113422371B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110839908.1A CN113422371B (zh) 2021-07-22 2021-07-22 一种基于图卷积神经网络的分布式电源就地电压控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110839908.1A CN113422371B (zh) 2021-07-22 2021-07-22 一种基于图卷积神经网络的分布式电源就地电压控制方法

Publications (2)

Publication Number Publication Date
CN113422371A true CN113422371A (zh) 2021-09-21
CN113422371B CN113422371B (zh) 2022-05-20

Family

ID=77718199

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110839908.1A Active CN113422371B (zh) 2021-07-22 2021-07-22 一种基于图卷积神经网络的分布式电源就地电压控制方法

Country Status (1)

Country Link
CN (1) CN113422371B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114597970A (zh) * 2022-03-18 2022-06-07 合肥工业大学 一种基于图卷积网络的主动配电网分区方法
CN116667369A (zh) * 2023-08-01 2023-08-29 国网山西省电力公司晋城供电公司 一种基于图卷积神经网络的分布式光伏电压控制方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106972539A (zh) * 2017-05-13 2017-07-21 天津大学 一种基于锥规划的分布式电源就地电压控制策略整定方法
CN111541685A (zh) * 2020-04-20 2020-08-14 南京大学 一种基于网络结构学习的边缘云异常检测方法
CN112651436A (zh) * 2020-12-23 2021-04-13 深圳市安软科技股份有限公司 一种基于权重不确定的图卷积神经网络的优化方法、装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106972539A (zh) * 2017-05-13 2017-07-21 天津大学 一种基于锥规划的分布式电源就地电压控制策略整定方法
CN111541685A (zh) * 2020-04-20 2020-08-14 南京大学 一种基于网络结构学习的边缘云异常检测方法
CN112651436A (zh) * 2020-12-23 2021-04-13 深圳市安软科技股份有限公司 一种基于权重不确定的图卷积神经网络的优化方法、装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
AIDONG XU: "Graph-Based Time Series Edge Anomaly Detection in Smart Grid", 《IEEE》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114597970A (zh) * 2022-03-18 2022-06-07 合肥工业大学 一种基于图卷积网络的主动配电网分区方法
CN114597970B (zh) * 2022-03-18 2024-03-08 合肥工业大学 一种基于图卷积网络的主动配电网分区方法
CN116667369A (zh) * 2023-08-01 2023-08-29 国网山西省电力公司晋城供电公司 一种基于图卷积神经网络的分布式光伏电压控制方法
CN116667369B (zh) * 2023-08-01 2023-10-31 国网山西省电力公司晋城供电公司 一种基于图卷积神经网络的分布式光伏电压控制方法

Also Published As

Publication number Publication date
CN113422371B (zh) 2022-05-20

Similar Documents

Publication Publication Date Title
CN113471982B (zh) 云边协同与电网隐私保护的分布式电源就地电压控制方法
CN110535146B (zh) 基于深度确定策略梯度强化学习的电力***无功优化方法
CN108846517B (zh) 一种分位数概率性短期电力负荷预测集成方法
CN112564098B (zh) 基于时间卷积神经网络的高比例光伏配电网电压预测方法
CN113363998B (zh) 一种基于多智能体深度强化学习的配电网电压控制方法
CN113422371B (zh) 一种基于图卷积神经网络的分布式电源就地电压控制方法
CN110070228B (zh) 一种神经元分支进化的bp神经网络风速预测方法
CN110889535B (zh) 一种基于卷积循环神经网络的风电场内多点位风速预测方法
CN107609667B (zh) 基于Box_cox变换和UFCNN的供热负荷预测方法及***
CN111384726A (zh) 一种高渗透率光伏配电网分区调压方法
CN109242136A (zh) 一种微电网风电功率混沌遗传-bp神经网络预测方法
CN111799808B (zh) 基于多智能体深度强化学习的电压分布式控制方法及***
CN111525587A (zh) 一种基于无功负荷态势的电网无功电压控制方法及***
CN111832838A (zh) 一种短期风力发电输出功率的预测方法
CN115313403A (zh) 一种基于深度强化学习算法的实时电压调控方法
CN113872213B (zh) 一种配电网电压自主优化控制方法及装置
CN115149542A (zh) 基于多智能体强化学习的分布式电源自适应电压控制方法
CN112052985B (zh) 一种基于lightgbm的中短期低电压预测方法
CN113887794A (zh) 一种配电网无功优化的方法及装置
CN117172097A (zh) 基于云边协同与多智能体深度学习的配电网调度运行方法
CN108767867B (zh) 基于元模型的分布式电源就地电压无功控制策略求解方法
CN116565877A (zh) 基于谱聚类分析的电压自动分区控制方法
CN114039366B (zh) 一种基于孔雀优化算法的电网二次调频控制方法及装置
CN115793456A (zh) 基于轻量型灵敏度的配电网边缘侧多模态自适应控制方法
CN116054179A (zh) 一种基于事件触发的电力***无功趋优控制***及方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant