CN116796911A - 基于典型场景生成与在线场景匹配的中压配电网优化调控方法及*** - Google Patents
基于典型场景生成与在线场景匹配的中压配电网优化调控方法及*** Download PDFInfo
- Publication number
- CN116796911A CN116796911A CN202311078820.8A CN202311078820A CN116796911A CN 116796911 A CN116796911 A CN 116796911A CN 202311078820 A CN202311078820 A CN 202311078820A CN 116796911 A CN116796911 A CN 116796911A
- Authority
- CN
- China
- Prior art keywords
- scene
- network
- historical
- typical
- voltage
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 171
- 238000005457 optimization Methods 0.000 title claims abstract description 61
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 238000003062 neural network model Methods 0.000 claims abstract description 6
- 238000003064 k means clustering Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 65
- 230000006870 function Effects 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 21
- 239000002245 particle Substances 0.000 claims description 20
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 11
- 230000009471 action Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 238000004146 energy storage Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000033001 locomotion Effects 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000007599 discharging Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 229910052799 carbon Inorganic materials 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000002940 Newton-Raphson method Methods 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Probability & Statistics with Applications (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及中压配电网实时优化调控领域,公开了一种基于典型场景生成与在线场景匹配的中压配电网优化调控方法及***,包括:进行第一次场景分类,设定三种场景类型;对三类场景基于K‑means聚类算法进行第二次场景分类,生成历史典型场景库;对历史场景库中的网损过高场景,基于PSO算法进行网络重构;基于网络重构结果,PSO算法离线生成多目标历史优化策略,形成历史策略库;基于深层神经网络模型进行在线场景匹配;在线场景匹配后,从历史策略库中直接调用匹配策略作为在线状态的实时优化调控方案。本发明决策速度快,大幅提升了实时优化的速度,摆脱了物理模型和参数的限制,能够保证***安全经济低碳运行。
Description
技术领域
本发明涉及中压配电网实时优化调控技术领域,具体涉及一种基于典型场景生成与在线场景匹配的中压配电网优化调控方法及***。
背景技术
随着新型电力***建设的持续推进,电网大范围接入了分布式电源、光伏、电动汽车和储能等设备,虽然改善了能源紧缺,缓解了供电压力,但对配电网的优化调控提出了更复杂的经济安全要求。对于实际的中低压配电网***,全***的实时量测投资成本过高且技术难以实现,电气参数杂散性强,难以构建精确的物理模型,中低压网络通信基础设施不足,缺乏对DG、EV等随机负荷的监控,因此配电网中仅有少数节点接入调度主站,未接入调度主站的节点无法实时上传其运行数据,调度主站无法感知此类节点的实时状态,实时量测节点有限。此外,在实际运行过程中,配电网网络拓扑往往会因网络重构、运维检修、负荷投切等情况发生不定期更改,且由于未配备通信链路,非实时量测节点所在的线路也处于不可观测状态,无法将其开关状态发送给配电管理***。
现有的配电网在线优化调控策略多基于完整的实时量测数据和拓扑信息,通过最优潮流计算获得各类可控资源的调控计划。而对于实时量测数据缺失、拓扑动态变化的***,传统的配电网在线优化调控方法不再适用,最优潮流计算结果精度较低,影响调控策略的效果,给配电网安全运行带来了风险。
因此,针对实时量测缺失和拓扑变化的中压配电网实时优化调控问题,亟需充分发挥源网荷储的灵活调控潜力,研究数据驱动的中压配电网实时优化调控技术,摆脱物理模型的限制,提高优化效率。
发明内容
发明目的:针对现有技术中存在的问题,本发明提供一种基于典型场景生成与在线场景匹配的中压配电网优化调控方法及***,基于场景匹配,从历史策略库中直接调用匹配策略作为在线状态的实时优化调控方案,决策速度快,大幅提升了实时优化的速度,摆脱了物理模型和参数的限制,保证***安全经济低碳运行。
技术方案:本发明提供了一种基于典型场景生成与在线场景匹配的中压配电网优化调控方法,包括如下步骤:
步骤1:根据Newton-Raphson潮流计算算法,利用配电网历史运行数据,基于优化目标进行第一次场景分类,设定三种场景类型,包括网损率过高场景、电压越下限场景、电压越上限场景;
步骤2:针对网损过高、电压越上限和电压越下限三类场景,再分别基于K-means聚类算法进行第二次场景分类,得到若干个典型的电压控制场景和网损优化场景,生成历史典型场景库;
步骤3:针对历史场景库中的网损过高场景,以分段开关和联络开关为控制对象,以降低网损和开关动作次数为目标,基于PSO算法进行网络重构;
步骤4:再基于网络重构结果,以分布式光伏、电动汽车充电站、储能***为关键控制对象,以降低网损和电压波动为目标函数,基于PSO算法离线生成与各个历史场景一一对应的多目标历史优化策略,形成历史策略库;
步骤5:基于深层神经网络模型,与待优化在线状态在历史场景库中的同类历史典型场景进行在线场景匹配;以同类历史典型场景的历史功率和电压数据作为输入,各个历史典型场景的标签为输出,通过部分实时量测数据匹配到与在线状态最为相似的历史场景和潮流信息;
步骤6:进行在线场景匹配后,从历史策略库中直接调用匹配策略作为在线状态的实时优化调控方案。
进一步地,所述步骤1中基于优化目标进行第一次场景分类具体如下:
网损率过高场景的表达式表示为:
;
式中,为***网损率,根据经验值,中压配电网规定总网损率的阈值为10%;P sup为***总供应电能;P loss为***有功网损;/>为配电网所有支路的集合;I ij 和r ij 分别为支路ij的电流和电阻;P ij 和Q ij 分别为支路ij的首端有功功率和无功功率;V i 为首端节点的电压幅值;
***节点电压标幺值的正常范围为[0.95,1.05] p.u.,则电压越下限场景的表达式表示为:
;
式中,V i 为节点i的电压幅值,V low为节点电压下限值;
电压越上限场景的表达式表示为:
;
式中,V up为节点电压上限值。
进一步地,所述步骤3中基于PSO算法进行网络重构具体操作为:
步骤3.1:首先采用有序环网矩阵编码的方式对配电网网络拓扑进行排序:
1)对各条支路进行编号,1表示支路的开关闭合,0表示开关断开;
2)基本环路的个数与联络开关数目相同;
3)依据基本环路列出环网矩阵,环网矩阵的行数为基本环路数,列数为支路数最多的基本环支路,各列中其余环路不存在支路的位置的值为0;
步骤3.2:PSO中粒子的三项特征为位置、速度、适应度,其中,粒子的位置是极值优化问题的解;速度是矢量,包括粒子的速率大小和移动方向;适应度函数是极值优化问题的目标函数,适应值则是如下目标函数的解:
网络重构的目标函数如下:
;
;
式中,P ’ loss为网络重构后的配电网有功网损,N sw为***开关动作次数总和,α和σ为权重系数,设为α=0.1,σ=0.01;
网络重构考虑支路上的开关状态,***有功网损为:
;
式中,s ij 为支路ij上的开关状态,1表示闭合,0表示断开;
***开关动作次数总和为:
;
式中,Y i 和Z j 分别为分段开关和联络开关在重构后的状态,1表示闭合,0表示断开;N se和N in分别为分段开关和联络开关的数目;
PSO在每次迭代时,利用个体极值和群体极值更新粒子的位置和速度,更新公式如下:
;
式中,k为迭代次数;ω为惯性权重;c 1、c 2为学习因子;为数值0~1的随机数;E id 为个体极值;E gd 为种群极值,x id 和v id 分别为第d个粒子的位置和速度。
进一步地,通过改进惯性权重和改进加速因子对PSO算法进行改进:
1)改进惯性权重,在PSO中引入线性递减惯性权重LDW:
;
式中,ω max和ω min分别为ω的最大值和最小值,本文设为0.9和0.4;k为迭代次数,k max为最大迭代次数;
2)改进学习因子,学习因子的时变表达式为:
;
式中,c 1f、c 1h、c 2f、c 2h为恒定常数。
进一步地,所述步骤4中多目标历史优化策略多目标历史优化策略的目标函数如下:
;
式中,α和β为权重系数,设为α=0.1,β=1;V i 为节点i的电压幅值,V up和V low分别为节点电压的上下限,设定节点电压的正常范围为[0.95, 1.05]p.u.;ΔU为***电压偏差量:
;
式中,N bus为配电网的节点总数目;为节点i的额定电压,用标幺值表示为/>。
进一步地,所述步骤4中的分布式光伏、电动汽车充电站、储能***关键控制对象具体如下:
考虑不削减PV有功出力,仅利用PV的无功调节能力进行优化调控,PV的无功调节约束为:
;
式中,P PV,i 和QPV,i 分别为第i个PV节点的有功和无功功率;为第i个PV节点的最小功率因数;/>为配电网所有PV节点的集合;
可控负荷EV充电站的充电模型为:
;
式中,P EV(t)为t时刻EV充电实际功率;为EV充电额定功率;s EV(t)为EV充电状态函数,0表示充满电,1表示未充满;
ES蓄电池的充放电模型为:
;
式中,为t时刻蓄电池中存储的电量;/>为蓄电池自身的能量损耗率;/>和/>分别为蓄电池充电和放电效率;/>分别为t时刻蓄电池充电和放电功率;Δt为时间间隔;/>为蓄电池t时刻的充电状态和放电状态,/>表示蓄电池正在充电。
进一步地,多目标历史策略的目标函数还需要满足控制变量约束,包括PV无功调节约束以及ES约束,同时还需要满足***安全运行约束:
;
式中,P ij 和Q ij 分别为支路ij的有功和无功功率;S ij,max 为支路ij的最大允许容量。
进一步地,所述步骤5中基于深层神经网络模型,与待优化在线状态在历史场景库中的同类历史典型场景进行在线场景匹配,具体如下:
采用六层深层神经网络进行场景匹配,对于训练集,以同类历史典型场景的历史功率和电压数据作为输入:
;
式中,V、P、Q为M×N bus的矩阵,依次是各个历史典型场景的节点电压、注入有功和无功,M为历史典型场景数目,N bus为配电网节点数目;
训练集的输出为各个历史典型场景的标签,设为历史典型场景的编号:
;
式中,矩阵Y为M个历史典型场景的匹配度,每一行的数值为行数对应编号的场景在M个历史典型场景中的匹配度,各行最大值所在列为该行数对应编号的场景所匹配到的历史典型场景的编号;
定义测试集的输入为待优化在线状态的实时量测数据:
;
式中,为M’×N ob的矩阵,M’为待优化在线状态的数目,N ob为实时量测节点数目;
测试集的输出定义为:
;
式中,Y'为M’个待优化在线状态在M个历史典型场景中的匹配结果;
隐藏层通过把输入数据的特征抽象到其他维度空间中,表现输入数据更抽象化的特征,以便更好地进行线性划分,DNN各层之间的函数关系如下:
;
式中,A为某层神经网络的输入,B为该层神经网络的输出;ω和b分别为权重和阈值,初始参数常为随机值;激活层采用ReLU函数,在输出层之后添加Softmax层,对输出结果进行归一化处理。
进一步地,对Softmax层进行改进:
;
式中,c是一个常量,c=max(y ni ),在指数上减去常量不影响最终结果;
在Softmax层采用交叉熵损失计算结果的优劣度:
;
式中,S n ’为Softmax层第n行的输出最优值,即该行的最大概率值,若,则有;
反向传播采用梯度下降算法,将Softmax层的输出作为起点,计算各层的权重修正量Δω和阈值修正量Δb,同时引入了正则化惩罚项:
;
式中,reg为正则化惩罚项参数;
最后,采用学习率ε进行更新权重和阈值:
。
本发明还公开一种基于典型场景生成与在线场景匹配的中压配电网优化调控***,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述计算机程序被加载至处理器时执行上述一种基于典型场景生成与在线场景匹配的中压配电网优化调控方法的步骤。
有益效果:本发明采用数据驱动的方式,利用配电网的运行数据生成历史场景库,充分考虑了配电网接入PV、EV等随机负荷的运行场景的特性。本发明的历史典型场景库生成方法,在匹配前先对待优化在线状态进行场景分类,提高了场景匹配的速度和精度。本发明的计及网络重构的多目标历史策略库生成方法,将关键控制对象和优化策略储存在历史策略库中,充分挖掘了源网荷储的灵活调控潜力,通过源网荷储协调优化有效降低了网络损耗和电压波动。本发明的基于深度学习技术的在线场景匹配方法,匹配精度高、速度快,通过部分实时量测数据,为待优化在线状态快速精确地匹配到最为相似的历史场景和潮流信息。场景匹配后,从历史策略库中直接调用匹配策略作为在线状态的实时优化调控方案,决策速度快,大幅提升了实时优化的速度,摆脱了物理模型和参数的限制,保证***安全经济低碳运行。
附图说明
图1为本发明配电网历史典型场景库流程图;
图2为本发明实施例IEEE 33节点配电网的有序环网结构图;
图3为本发明改进粒子群算法的流程图;
图4为本发明六层深层神经网络结构图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
本发明公开了一种基于典型场景生成与在线场景匹配的中压配电网优化调控方法及***,参见图1至图4,主要包括如下方面:
a) 基于数据驱动的方式,利用配电网历史运行数据,即节点电压、注入有功功率和无功功率等历史信息,离线构建历史场景库。
b) 配电网历史典型场景库,在场景匹配之前先对配电网历史场景库中大量的历史运行场景进行缩减,建立历史典型场景库。
首先,根据Newton-Raphson法计算电力潮流进行第一次场景分类,判断不同场景的优化目标,包括网损优化和电压控制两大类目标,进行第一次场景分类,设定了三种场景类型,分类是场景类型1-网损率过高场景,场景类型2-电压越下限场景,场景类型3-电压越上限场景。
场景类型1的表达式可表示为:
(1)
(2)
(3)
式中,为***网损率,根据经验值,中压配电网规定总网损率的阈值为10%;P sup为***总供应电能;P loss为***有功网损;/>为配电网所有支路的集合;I ij 和r ij 分别为支路ij的电流和电阻;P ij 和Q ij 分别为支路ij的首端有功功率和无功功率;V i 为首端节点的电压幅值。
***节点电压标幺值的正常范围为[0.95,1.05] p.u.,则则场景类型2的表达式表示为:
(4)
式中,V i 为节点i的电压幅值,V low为节点电压下限值。
场景类型3的表达式表示为:
(5)
式中,V up为节点电压上限值。
接下来,针对网损过高、电压越上限和电压越下限这三类场景,再分别基于K-means聚类算法进行第二次场景分类,将具有相同运行特性的场景归为同种典型场景,通过两次场景分类得到若干个典型的电压控制场景和网损优化场景,生成历史典型场景库。
c) 首先,针对历史场景库中的网损过高场景,以分段开关和联络开关为控制对象,以降低网损和开关动作次数为目标,基于改进PSO进行网络重构,提高***运行的经济性,再基于网络重构结果,以分布式光伏、电动汽车充电站、储能***为关键控制对象,以降低网损和电压波动为目标函数,基于改进PSO离线生成与各个历史场景一一对应的多目标历史优化策略,形成历史策略库。包括如下:
(1)有序环网矩阵编码,网络重构方法首先采用有序环网矩阵编码的方式对配电网网络拓扑进行排序:
1)对各条支路进行编号,1表示支路的开关闭合,0表示开关断开。
2)基本环路的个数与联络开关数目相同。
3)依据基本环路列出环网矩阵。环网矩阵的行数为基本环路数,列数为支路数最多的基本环支路,各列中其余环路不存在支路的位置的值为0。
以IEEE 33节点配电网为例,如图2所示,支路B33、B34、B35、B36、B37是联络线支路,其余支路上是分段开关,故基本环路为5条,IEEE 33节点配电网的有序环网矩阵为:
(6)
(2)改进粒子群算法
PSO中粒子的三项特征为位置、速度、适应度。其中,粒子的位置是极值优化问题的解;速度是矢量,包括粒子的速率大小和移动方向;适应度函数是极值优化问题的目标函数,适应值则是该目标函数的解。PSO在每次迭代时,利用个体极值和群体极值更新粒子的位置和速度,更新公式如下:
(7)
(8)
式中,k为迭代次数;ω为惯性权重;c 1、c 2为学习因子;为数值0~1的随机数;E id 为个体极值;E gd 为种群极值,x id 和v id 分别为第d个粒子的位置和速度。
针对PSO易陷入局部最优、搜索精度低的缺点,通过改进惯性权重和改进加速因子,提高搜索效率。
1)改进惯性权重
PSO中的参数惯性权重ω可保持粒子运动惯性,使粒子具备开发新搜索范围的能力,即均衡全局与局部搜索的能力。初期引入较大的惯性权重,增强搜索分析能力,随着迭代次数的增多,权重因子逐渐减小,增强分析结果能力,从而提高了搜索效率。为此,在PSO中引入线性递减惯性权重LDW:
(9)
式中,ω max和ω min分别为ω的最大值和最小值,本文设为0.9和0.4;k为迭代次数,k max为最大迭代次数。
2)改进学习因子
根据实验分析得知,随时间变化的学习因子的效果更好,即初期c 1较大、c 2较小,有益于增强全局搜索能力,不易陷入局部最优,随着迭代次数的增多,c 1逐渐减小、c 2逐渐增大,将增强局部搜索能力,使得中后期的粒子更易收敛于全局最优。学习因子的时变表达式为:
(10)
式中,c 1f、c 1h、c 2f、c 2h为恒定常数。按经验取值为c 1f=1.5、c 1h=0.7、c 2f=2.5、c 2h=0.5。
(3)目标函数及约束条件
网络重构需考虑支路上的开关状态,***有功网损为:
(11)
式中,P ’ loss为网络重构后的配电网有功网损,s ij 为支路ij上的开关状态,1表示闭合,0表示断开。
***开关动作次数总和为:
(12)
式中,Y i 和Z j 分别为分段开关和联络开关在重构后的状态,1表示闭合,0表示断开;N se和N in分别为分段开关和联络开关的数目。
针对配电网历史场景库中的网损过高场景,采用有序环网矩阵编码的方式对网络拓扑进行排序,基于改进PSO算法进行网络重构,以联络开关、分段开关为控制对象,以降低有功网损和开关动作次数为目标,提高***运行的经济性。网络重构的目标函数如下:
(13)
(14)
式中,P ’ loss为网络重构后的配电网有功网损,N sw为***开关动作次数总和,α和σ为权重系数,设为α=0.1,σ=0.01。
对于采用网络重构方法进行网损优化后的历史场景以及电压越限场景,还需基于网络重构的结果进一步电压控制,减小电压波动、消除电压越限,提高配电网电压质量。因此,基于网络重构的结果,采用改进PSO算法,以PV、EV、ES为关键控制对象,以最小化***有功网损和电压波动为目标,综合考虑网损水平和消除电压越限的经济安全约束条件,离线生成与历史场景一一对应的历史优化策略,得到多目标历史策略库,并将关键控制对象和优化策略储存在历史策略库中。多目标历史优化策略的目标函数如下:
(15)
(16)
式中,α和β为权重系数,本文设为α=0.1,β=1。V i 为节点i的电压幅值,V up和V low分别为节点电压的上下限,设定节点电压的正常范围为[0.95, 1.05]p.u.;ΔU为***电压偏差量:
(17)
式中,N bus为配电网的节点总数目;为节点i的额定电压,用标幺值表示为/>。
下面简要介绍各关键对象的调控模型,包括PV、EV、ES:
配电网中的PV既具备有功调节能力又具备无功调节能力,为确保完全消纳光伏发电,本文考虑不削减PV有功出力,仅利用PV的无功调节能力进行优化调控。PV的无功调节约束为:
(18)
式中,P PV,i 和QPV,i 分别为第i个PV节点的有功和无功功率;为第i个PV节点的最小功率因数;/>为配电网所有PV节点的集合。
考虑EV广泛接入,本文中的可控负荷以EV充电站为例进行研究。EV充电站的充电模型为:
(19)
式中,P EV(t)为t时刻EV充电实际功率;为EV充电额定功率;s EV(t)为EV充电状态函数,0表示充满电,1表示未充满。
ES中的蓄电池因容量大、成本低的优势得到了广泛应用。ES蓄电池的充放电模型为:
(20)
(21)
式中,为t时刻蓄电池中存储的电量;/>为蓄电池自身的能量损耗率;/>和/>分别为蓄电池充电和放电效率;/>分别为t时刻蓄电池充电和放电功率;Δt为时间间隔;/>为蓄电池t时刻的充电状态和放电状态,/>表示蓄电池正在充电。
多目标历史策略的目标函数(15)除需要满足约束式(16)以外,还需要满足控制变量约束,包括PV约束,如式(18)所示,以及ES约束,如式(21)所示。同时,还需要满足***安全运行约束:
(22)
式中,P ij 和Q ij 分别为支路ij的有功和无功功率;S ij,max 为支路ij的最大允许容量。
d) 基于深层神经网络模型,与待优化在线状态在历史场景库中的同类历史典型场景进行在线场景匹配,通过部分实时量测数据即可快速匹配到与在线状态最为相似的历史场景和潮流信息。
本发明实施例采用六层深层神经网络(Deep Neural Network,DNN)进行场景匹配,对于训练集,以同类历史典型场景的历史功率和电压数据作为输入:
(23)
式中,V、P、Q为M×N bus的矩阵,依次是各个历史典型场景的节点电压、注入有功和无功,M为历史典型场景数目,N bus为配电网节点数目。
训练集的输出为各个历史典型场景的标签,设为历史典型场景的编号:
(24)
式中,矩阵Y为M个历史典型场景的匹配度,每一行的数值为行数对应编号的场景在M个历史典型场景中的匹配度,各行最大值所在列为该行数对应编号的场景所匹配到的历史典型场景的编号。
定义测试集的输入为待优化在线状态的实时量测数据:
(25)
式中,为M’×N ob的矩阵,M’为待优化在线状态的数目,N ob为实时量测节点数目。
测试集的输出定义为:
(26)
式中,Y'为M’个待优化在线状态在M个历史典型场景中的匹配结果。
隐藏层通过把输入数据的特征抽象到其他维度空间中,表现输入数据更抽象化的特征,以便更好地进行线性划分,DNN各层之间的函数关系如下:
(27)
式中,A为某层神经网络的输入,B为该层神经网络的输出;ω和b分别为权重和阈值,初始参数常为随机值;激活层采用ReLU函数,在输出层之后添加Softmax层,对输出结果进行归一化处理。
由于ReLU函数精确性高,本文的激活层采用ReLU函数:
(28)
为使输出结果更为直观,需在输出层之后添加Softmax层,对输出结果进行归一化处理,转换为概率值,以便更容易查找到概率最大值的分类结果。Softmax层计算公式如下:
(29)
(30)
式中,n,i,j∈[1,M],e=2.7182…。在本文的场景匹配问题中,由于i>1000,在计算机编程中e 1000会被识别为无穷大值,导致后续计算无法继续,现对式(29)进行改进:
(31)
式中,c是一个常量,c=max(y ni ),在指数上减去常量不影响最终结果。
在Softmax层采用交叉熵损失计算结果的优劣度:
(32)
式中,S n ’为Softmax层第n行的输出最优值,即该行的最大概率值,若,则有。
反向传播采用梯度下降算法,将Softmax层的输出作为起点,计算各层的权重修正量Δω和阈值修正量Δb,同时,为了避免权重结果集中化而引入了正则化惩罚项:
(33)
式中,reg为正则化惩罚项参数。
最后,采用学习率ε进行更新权重和阈值:
(34)。
e) 在匹配后,从历史策略库中直接调用匹配策略作为在线状态的实时优化调控方案,保证***安全经济低碳运行。
本发明针对上述的基于典型场景生成与在线场景匹配的中压配电网优化调控,本发明公开了一种基于典型场景生成与在线场景匹配的中压配电网优化调控***,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,计算机程序被加载至处理器时执行上述一种基于典型场景生成与在线场景匹配的中压配电网优化调控方法的步骤。
上述实施方式只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于典型场景生成与在线场景匹配的中压配电网优化调控方法,其特征在于,包括如下步骤:
步骤1:根据Newton-Raphson潮流计算算法,利用配电网历史运行数据,基于优化目标进行第一次场景分类,设定三种场景类型,包括网损率过高场景、电压越下限场景、电压越上限场景;
步骤2:针对网损过高、电压越上限和电压越下限三类场景,再分别基于K-means聚类算法进行第二次场景分类,得到若干个典型的电压控制场景和网损优化场景,生成历史典型场景库;
步骤3:针对历史场景库中的网损过高场景,以分段开关和联络开关为控制对象,以降低网损和开关动作次数为目标,基于PSO算法进行网络重构;
步骤4:再基于网络重构结果,以分布式光伏、电动汽车充电站、储能***为关键控制对象,以降低网损和电压波动为目标函数,基于PSO算法离线生成与各个历史场景一一对应的多目标历史优化策略,形成历史策略库;
步骤5:基于深层神经网络模型,与待优化在线状态在历史场景库中的同类历史典型场景进行在线场景匹配;以同类历史典型场景的历史功率和电压数据作为输入,各个历史典型场景的标签为输出,通过部分实时量测数据匹配到与在线状态最为相似的历史场景和潮流信息;
步骤6:进行在线场景匹配后,从历史策略库中直接调用匹配策略作为在线状态的实时优化调控方案。
2.根据权利要求1所述的基于典型场景生成与在线场景匹配的中压配电网优化调控方法,其特征在于,所述步骤1中基于优化目标进行第一次场景分类具体如下:
网损率过高场景的表达式表示为:
;
式中,为***网损率,根据经验值,中压配电网规定总网损率的阈值为10%;P sup为***总供应电能;P loss为***有功网损;/>为配电网所有支路的集合;I ij 和r ij 分别为支路ij的电流和电阻;P ij 和Q ij 分别为支路ij的首端有功功率和无功功率;V i 为首端节点的电压幅值;
***节点电压标幺值的正常范围为[0.95,1.05] p.u.,则电压越下限场景的表达式表示为:
;
式中,V i 为节点i的电压幅值,V low为节点电压下限值;
电压越上限场景的表达式表示为:
;
式中,V up为节点电压上限值。
3.根据权利要求1所述的基于典型场景生成与在线场景匹配的中压配电网优化调控方法,其特征在于,所述步骤3中基于PSO算法进行网络重构具体操作为:
步骤3.1:首先采用有序环网矩阵编码的方式对配电网网络拓扑进行排序:
1)对各条支路进行编号,1表示支路的开关闭合,0表示开关断开;
2)基本环路的个数与联络开关数目相同;
3)依据基本环路列出环网矩阵,环网矩阵的行数为基本环路数,列数为支路数最多的基本环支路,各列中其余环路不存在支路的位置的值为0;
步骤3.2:PSO中粒子的三项特征为位置、速度、适应度,其中,粒子的位置是极值优化问题的解;速度是矢量,包括粒子的速率大小和移动方向;适应度函数是极值优化问题的目标函数,适应值则是如下目标函数的解:
网络重构的目标函数如下:
;
;
式中,P ’ loss为网络重构后的配电网有功网损,N sw为***开关动作次数总和,α和σ为权重系数,设为α=0.1,σ=0.01;
网络重构考虑支路上的开关状态,***有功网损为:
;
式中,s ij 为支路ij上的开关状态,1表示闭合,0表示断开;
***开关动作次数总和为:
;
式中,Y i 和Z j 分别为分段开关和联络开关在重构后的状态,1表示闭合,0表示断开;N se和N in分别为分段开关和联络开关的数目;
PSO在每次迭代时,利用个体极值和群体极值更新粒子的位置和速度,更新公式如下:
;
式中,k为迭代次数;ω为惯性权重;c 1、c 2为学习因子;为数值0~1的随机数;E id 为个体极值;E gd 为种群极值,x id 和v id 分别为第d个粒子的位置和速度。
4.根据权利要求3所述的基于典型场景生成与在线场景匹配的中压配电网优化调控方法,其特征在于,通过改进惯性权重和改进加速因子对PSO算法进行改进:
1)改进惯性权重,在PSO中引入线性递减惯性权重LDW:
;
式中,ω max和ω min分别为ω的最大值和最小值,设为0.9和0.4;k为迭代次数,k max为最大迭代次数;
2)改进学习因子,学习因子的时变表达式为:
;
式中,c 1f、c 1h、c 2f、c 2h为恒定常数。
5.根据权利要求4所述的基于典型场景生成与在线场景匹配的中压配电网优化调控方法,其特征在于,所述步骤4中多目标历史优化策略多目标历史优化策略的目标函数如下:
;
式中,α和β为权重系数,设为α=0.1,β=1;V i 为节点i的电压幅值,V up和V low分别为节点电压的上下限,设定节点电压的正常范围为[0.95, 1.05]p.u.;ΔU为***电压偏差量:
;
式中,N bus为配电网的节点总数目;为节点i的额定电压,用标幺值表示为/>。
6.根据权利要求5所述的基于典型场景生成与在线场景匹配的中压配电网优化调控方法,其特征在于,所述步骤4中的分布式光伏、电动汽车充电站、储能***关键控制对象具体如下:
考虑不削减PV有功出力,仅利用PV的无功调节能力进行优化调控,PV的无功调节约束为:
;
式中,P PV,i 和QPV,i 分别为第i个PV节点的有功和无功功率;为第i个PV节点的最小功率因数;/>为配电网所有PV节点的集合;
可控负荷EV充电站的充电模型为:
;
式中,P EV(t)为t时刻EV充电实际功率;为EV充电额定功率;s EV(t)为EV充电状态函数,0表示充满电,1表示未充满;
ES蓄电池的充放电模型为:
;
式中,为t时刻蓄电池中存储的电量;/>为蓄电池自身的能量损耗率;/>和分别为蓄电池充电和放电效率;/>分别为t时刻蓄电池充电和放电功率;Δt为时间间隔;/>为蓄电池t时刻的充电状态和放电状态,/>表示蓄电池正在充电。
7.根据权利要求6所述的基于典型场景生成与在线场景匹配的中压配电网优化调控方法,其特征在于,多目标历史策略的目标函数还需要满足控制变量约束,包括PV无功调节约束以及ES约束,同时还需要满足***安全运行约束:
;
式中,P ij 和Q ij 分别为支路ij的有功和无功功率;S ij,max 为支路ij的最大允许容量。
8.根据权利要求1所述的基于典型场景生成与在线场景匹配的中压配电网优化调控方法,其特征在于,所述步骤5中基于深层神经网络模型,与待优化在线状态在历史场景库中的同类历史典型场景进行在线场景匹配,具体如下:
采用六层深层神经网络进行场景匹配,对于训练集,以同类历史典型场景的历史功率和电压数据作为输入:
;
式中,V、P、Q为M×N bus的矩阵,依次是各个历史典型场景的节点电压、注入有功和无功,M为历史典型场景数目,N bus为配电网节点数目;
训练集的输出为各个历史典型场景的标签,设为历史典型场景的编号:
;
式中,矩阵Y为M个历史典型场景的匹配度,每一行的数值为行数对应编号的场景在M个历史典型场景中的匹配度,各行最大值所在列为该行数对应编号的场景所匹配到的历史典型场景的编号;
定义测试集的输入为待优化在线状态的实时量测数据:
;
式中,为M’×N ob的矩阵,M’为待优化在线状态的数目,N ob为实时量测节点数目;
测试集的输出定义为:
;
式中,Y'为M’个待优化在线状态在M个历史典型场景中的匹配结果;
隐藏层通过把输入数据的特征抽象到其他维度空间中,表现输入数据更抽象化的特征,以便更好地进行线性划分,DNN各层之间的函数关系如下:
;
式中,A为某层神经网络的输入,B为该层神经网络的输出;ω和b分别为权重和阈值,初始参数常为随机值;激活层采用ReLU函数,在输出层之后添加Softmax层,对输出结果进行归一化处理。
9.根据权利要求8所述的基于典型场景生成与在线场景匹配的中压配电网优化调控方法,其特征在于,对Softmax层进行改进:
;
式中,c是一个常量,c=max(y ni ),在指数上减去常量不影响最终结果;
在Softmax层采用交叉熵损失计算结果的优劣度:
;
式中,S n ’为Softmax层第n行的输出最优值,即该行的最大概率值,若,则有;
反向传播采用梯度下降算法,将Softmax层的输出作为起点,计算各层的权重修正量Δω和阈值修正量Δb,同时引入了正则化惩罚项:
;
式中,reg为正则化惩罚项参数;
最后,采用学习率ε进行更新权重和阈值:
。
10.一种基于典型场景生成与在线场景匹配的中压配电网优化调控***,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述计算机程序被加载至处理器时执行权利要求1-9 任一项所述的一种基于典型场景生成与在线场景匹配的中压配电网优化调控方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311078820.8A CN116796911A (zh) | 2023-08-25 | 2023-08-25 | 基于典型场景生成与在线场景匹配的中压配电网优化调控方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311078820.8A CN116796911A (zh) | 2023-08-25 | 2023-08-25 | 基于典型场景生成与在线场景匹配的中压配电网优化调控方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116796911A true CN116796911A (zh) | 2023-09-22 |
Family
ID=88040018
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311078820.8A Pending CN116796911A (zh) | 2023-08-25 | 2023-08-25 | 基于典型场景生成与在线场景匹配的中压配电网优化调控方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116796911A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117056645A (zh) * | 2023-10-12 | 2023-11-14 | 广东电网有限责任公司 | 一种基于配电网线损的数据处理方法、装置、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109120017A (zh) * | 2017-06-22 | 2019-01-01 | 南京理工大学 | 一种基于改进粒子群算法的电力***无功优化方法 |
CN112488374A (zh) * | 2020-11-24 | 2021-03-12 | 国网江苏省电力有限公司经济技术研究院 | 一种基于时序生产模拟的广义需求响应优化配比研究方法 |
CN114583696A (zh) * | 2022-03-11 | 2022-06-03 | 国网江苏省电力有限公司电力科学研究院 | 基于bp神经网络和场景匹配的配电网无功优化方法及*** |
CN115860379A (zh) * | 2022-11-28 | 2023-03-28 | 国网电动汽车服务(天津)有限公司 | 基于转换经济目标的电动汽车日前调度策略及*** |
CN116227320A (zh) * | 2022-12-05 | 2023-06-06 | 三峡大学 | 一种基于lstm-ipso的双馈风机控制参数辨识方法 |
-
2023
- 2023-08-25 CN CN202311078820.8A patent/CN116796911A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109120017A (zh) * | 2017-06-22 | 2019-01-01 | 南京理工大学 | 一种基于改进粒子群算法的电力***无功优化方法 |
CN112488374A (zh) * | 2020-11-24 | 2021-03-12 | 国网江苏省电力有限公司经济技术研究院 | 一种基于时序生产模拟的广义需求响应优化配比研究方法 |
CN114583696A (zh) * | 2022-03-11 | 2022-06-03 | 国网江苏省电力有限公司电力科学研究院 | 基于bp神经网络和场景匹配的配电网无功优化方法及*** |
CN115860379A (zh) * | 2022-11-28 | 2023-03-28 | 国网电动汽车服务(天津)有限公司 | 基于转换经济目标的电动汽车日前调度策略及*** |
CN116227320A (zh) * | 2022-12-05 | 2023-06-06 | 三峡大学 | 一种基于lstm-ipso的双馈风机控制参数辨识方法 |
Non-Patent Citations (1)
Title |
---|
潘欢等: "基于改进量子粒子群算法的配电网络优化重构", 《电测与仪表》, vol. 55, no. 18, pages 31 - 36 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117056645A (zh) * | 2023-10-12 | 2023-11-14 | 广东电网有限责任公司 | 一种基于配电网线损的数据处理方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Electric vehicle charging management based on deep reinforcement learning | |
Xu et al. | A soft actor-critic-based energy management strategy for electric vehicles with hybrid energy storage systems | |
CN111179121B (zh) | 基于专家***与深度逆向强化学习的电网紧急控制方法 | |
An et al. | Short-term wind power prediction based on particle swarm optimization-extreme learning machine model combined with AdaBoost algorithm | |
Zhai et al. | A novel predictive energy management strategy for electric vehicles based on velocity prediction | |
Yang et al. | A reinforcement learning-based energy management strategy for fuel cell hybrid vehicle considering real-time velocity prediction | |
CN110866633B (zh) | 一种基于svr支持向量回归的微电网超短期负荷预测方法 | |
CN113794199B (zh) | 一种考虑电力市场波动的风电储能***最大收益优化方法 | |
CN110175707A (zh) | 基于数据继承思想的电力***暂态频率预测模型更新方法 | |
CN116796911A (zh) | 基于典型场景生成与在线场景匹配的中压配电网优化调控方法及*** | |
CN112418496B (zh) | 一种基于深度学习的配电台区储能配置方法 | |
CN116523327A (zh) | 一种基于强化学习的配电网运行策略智能生成方法及设备 | |
Zhang et al. | Deep reinforcement learning for load shedding against short-term voltage instability in large power systems | |
Elamine et al. | Multi-agent system based on fuzzy control and prediction using NN for smart microgrid energy management | |
Zhang et al. | A data-driven method for power system transient instability mode identification based on knowledge discovery and XGBoost algorithm | |
Yin et al. | Quantum-inspired distributed policy-value optimization learning with advanced environmental forecasting for real-time generation control in novel power systems | |
Fu et al. | A spatial forecasting method for photovoltaic power generation combined of improved similar historical days and dynamic weights allocation | |
Tang et al. | Multi-objective coordination optimisation method for DGs and EVs in distribution networks | |
Niu et al. | A novel social-environmental-economic dispatch model for thermal/wind power generation and application | |
Cheng et al. | Short-term load forecasting method for low voltage users based on deep belief neural network | |
Zhang et al. | A hybrid forecasting model based on modified bat algorithm and ELM: a case study for wind speed forecasting | |
Zhang et al. | Estimation of State of Charge and State of Health of Marine Lithium Battery based on BP Neural Network | |
Chen et al. | Load Regulation Method of Interaction Between Electric Vehicle and Power Grid Based on LSTM | |
Yang et al. | Offshore Wind Power Prediction Based on Variational Mode Decomposition and Long Short Term Memory Networks | |
Kumar et al. | Conceptual Implementation of LSTM-Improved LA Based Smart Electric Vehicle Battery Management System |
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 |