CN106451434B - 一种基于神经网络算法的配电网电压确定方法及装置 - Google Patents
一种基于神经网络算法的配电网电压确定方法及装置 Download PDFInfo
- Publication number
- CN106451434B CN106451434B CN201610957254.1A CN201610957254A CN106451434B CN 106451434 B CN106451434 B CN 106451434B CN 201610957254 A CN201610957254 A CN 201610957254A CN 106451434 B CN106451434 B CN 106451434B
- Authority
- CN
- China
- Prior art keywords
- point
- family
- family point
- connecing
- connect
- 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.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims description 33
- 238000001914 filtration Methods 0.000 claims description 21
- 238000012216 screening Methods 0.000 claims description 7
- 230000001537 neural effect Effects 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 description 18
- 230000006870 function Effects 0.000 description 10
- 230000005611 electricity Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- QHGVXILFMXYDRS-UHFFFAOYSA-N pyraclofos Chemical compound C1=C(OP(=O)(OCC)SCCC)C=NN1C1=CC=C(Cl)C=C1 QHGVXILFMXYDRS-UHFFFAOYSA-N 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于神经网络算法的配电网电压确定方法及装置,方法包括:确定待确定配电网的主干线,并设置各个接户点的身份信息;将每个接户点下的全部用户的负荷等效为本接户点的集中负荷,并计算节点负荷矩;将每个已知接户点对应的用户的最低电压值作为本接户点的电压值;筛选出已知接户点中符合要求的接户点;以目标接户点的节点负荷矩作为样本输入值,以目标接户点的电压值作为样本输出值,对预先设置的神经网络进行训练;将待测接户点的节点负荷矩输入至训练得到的神经网络以得到待测接户点的最低电压预测值。因此,以少量的数据与神经网络算法进行结合,从而实现各接户点的最低电压预测,为全面的掌握电压分布提供有效的数据支持。
Description
技术领域
本发明涉及电力技术领域,特别是涉及一种基于神经网络算法的配电网电压确定方法及装置。
背景技术
社会经济飞速发展的情况下,居民用电的负荷水平不断上升,对电能质量的要求也越来越严格。发电厂及电网公司供电不仅需要满足不断上升的负荷要求,还需要达到高质量的供电,减少用户因电能质量问题引发的投诉。电能质量,特别是电压质量的优劣是关系民生的重要问题,也直接关系到电力系统的安全、经济运行和电气设备的使用寿命。《供电营业规则》中要求,10kV及以下三相供电的用户受电端供电电压允许偏差范围为额定值的7%;220V单相供电电压允许偏差为额定值的+7%、-10%。在当前社会愈发重视供电服务水平的大环境下,配电网作为直接面向用户的电力系统终端,对电能质量,尤其是电压质量的管理也越发严格。对于复杂而广泛的配电台区而言,其首端接于上级供电系统,电压质量一般是合格的。然而,一些配电台区由于规划不合理,供电半径过大,加之各类大功率电器的普及等各种因素,出现末端电压跌落严重的情况。低电压会严重影响用户用电设备的正常工作,且对用电设备的性能和寿命造成很大损害,引发用户的频繁投诉。
为了对配电台区低电压状况提出有针对性的治理措施,必须首先掌握用户低压分布情况。掌握用户低电压状况最好的方法是直接采集用户端电压。目前,全国大多数省份安装的智能电表除日常抄表功能外,已经具备了远程召测用户电压的功能,召测用户电压。将其与用户的地理信息等数据结合,就容易获得配电台区用户电压的分布情况。但是受采集系统的限制,电网公司每日可以采集的用户数量十分有限,远远不能实现用户端电压检测的全覆盖。
按照传统的潮流计算理论,可以根据首末端节点的电压、用户功率、线路信息进行潮流计算,从而得到每个节点精确的电压值。然而在工程应用中,只能召测到用户的用电量信息,节点功率分布无法获得,在没有完整的潮流分布情况下,因此,传统的潮流计算无法实现。
发明内容
本发明的目的是提供一种基于神经网络算法的配电网电压确定方法及装置,用于实现对待确定配电网上各个接户点的电压预测。
为解决上述技术问题,本发明提供一种基于神经网络算法的配电网电压确定方法,包括:
S10:按照拓扑参数确定待确定配电网的主干线,并设置所述主干线上各个接户点的身份信息;
S11:将每个接户点下的全部用户的负荷等效为本接户点的集中负荷,并计算各个接户点的节点负荷矩;
S12:将每个已知接户点对应的用户的最低电压值作为本接户点的电压值;
S13:通过预定筛选条件筛选出已知接户点中符合要求的接户点作为目标接户点;
S14:以所述目标接户点的节点负荷矩作为样本输入值,以所述目标接户点的电压值作为样本输出值,对预先设置的神经网络进行训练,直到神经网络的输入-输出特性符合预定训练条件为止;
S15:将待测接户点的节点负荷矩输入至训练得到的神经网络以得到所述待测接户点的最低电压预测值。
优选地,在步骤S13和步骤S14之间还包括:
S20:判断当前目标接户点的数量是否达到预定数目;
其中,如果是,则进入步骤S14。
优选地,所述预定数目为4个。
优选地,所述身份信息为接户点的编号,编号为8位数字,前5位为接户点所在线路的编号,第6位和第7位为接户点在支路上的顺序编号,第8位为接户点包含的分支数目。
其中,所述主干线的包含的支路不超过5级。
优选地,所述预定筛选条件包括:
若一个接户点的电压值大于该接户点上一级的接户点的电压值,且差值超出允许范围,则该接户点不符合要求;
若一个接户点的电压值大于首端接户点的电压值,则该接户点不符合要求。
优选地,所述预定训练条件为样本值与输出值的误差函数小于0.65×10-3;
其中,所述误差函数为所有的样本值与对应的输出值的差值的平方的加权和,权值为当前神经网络的设定的权值。
优选地,所述预定训练条件为训练次数达到预定次数。
优选地,所述预定次数为5000次。
优选地,还包括:将所述待测接户点的最低电压预测值进行存储。
为解决上述技术问题,本发明提供一种基于神经网络算法的配电网电压确定装置,包括:
设置单元,用于按照拓扑参数确定待确定配电网的主干线,并设置所述主干线上各个接户点的身份信息;
节点负荷矩计算单元,用于将每个接户点下的全部用户的负荷等效为本接户点的集中负荷,并计算各个接户点的节点负荷矩;
获取单元,用于将每个已知接户点对应的用户的最低电压值作为本接户点的电压值;
筛选单元,用于通过预定筛选条件筛选出已知接户点中符合要求的接户点作为目标接户点;
神经网络训练单元,用于以所述目标接户点的节点负荷矩作为样本值,以所述目标接户点的电压值作为输出值,对预先设置的神经网络进行训练,直到神经网络的输入-输出特性符合预定训练条件为止;
输入单元,用于将待测接户点的节点负荷矩输入至训练得到的神经网络以得到所述待测接户点的最低电压预测值。
本发明所提供的基于神经网络算法的配电网电压确定方法,包括按照拓扑参数确定待确定配电网的主干线,并设置主干线上各个接户点的身份信息;将每个接户点下的全部用户的负荷等效为本接户点的集中负荷,并计算各个接户点的节点负荷矩;将每个已知接户点对应的用户的最低电压值作为本接户点的电压值;通过预定筛选条件筛选出已知接户点中符合要求的接户点作为目标接户点;以目标接户点的节点负荷矩作为样本输入值,以目标接户点的电压值作为样本输出值,对预先设置的神经网络进行训练,直到神经网络的输入-输出特性符合预定训练条件为止;将待测接户点的节点负荷矩输入至训练得到的神经网络以得到待测接户点的最低电压预测值。由此可见,本方法可以以少量的数据与神经网络算法进行结合,从而实现对待确定配电网的各个接户点的最低电压预测。为电力公司能够较为全面的掌握台区的电压分布,进而进行更细一步的电压检测或电压治理提供有效的数据支持。此外,本发明还提供一种基于神经网络算法的配电网电压确定装置,效果如上所述。
附图说明
为了更清楚地说明本发明实施例,下面将对实施例中所需要使用的附图做简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的一种基于神经网络算法的配电网电压确定方法的流程图;
图2为本发明实施例提供的一种待确定配电网对应的主干线的示意图;
图3为本发明实施例提供的表1对应的实际样本值与神经网络输出值之间的对比图;
图4为本发明实施例提供的表1对应的实际电压值与预测值之间的对比图;
图5为本发明实施例提供的一种基于神经网络算法的配电网电压确定装置的结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下,所获得的所有其他实施例,都属于本发明保护范围。
本发明的核心是提供一种基于神经网络算法的配电网电压确定方法及装置,用于实现对待确定配电网上各个接户点的电压预测。
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。
图1为本发明提供的一种基于神经网络算法的配电网电压确定方法的流程图。如图1所示,包括:
S10:按照拓扑参数确定待确定配电网的主干线,并设置主干线上各个接户点的身份信息。
需要说明的是,本文中的主干线指的是待确定配电网中由各个接户点构成的线路。图2为本发明实施例提供的一种待确定配电网对应的主干线的示意图。如图2所示,主干线上有11个接户点,图中最上方是首端电源节点,为了方便后续将计算结果与各个接户点对应,在具体实施中需要设置各个接户点的身份信息。这里的身份信息是每个接户点的唯一识别特征,可以理解的是,身份信息如何设置可以有多种方式,但是如果按照配电网的拓扑参数进行设置,可以更加方便区分,因此,作为优选地实施方式,身份信息为接户点的编号,编号为8位数字,前5位为接户点所在线路的编号,第6位和第7位为接户点在所在支路上的的顺序编号,第8位为接户点包含的分支数目。其中,主干线的包含的支路不超过5级。
编号规则如下:对于配电台区的主干线,往往不会有冗多的分支,本例以不超过五级支路的主干线的拓扑为例。该编号中,第1至5位是该接户点所在线路的编号,第6至7位反映的是该接户点是所在支路上的第几个接户点(最大为99),第8位反映的是该接户点向后包含了n个分支(n表示该节点有n个分支,n为0或n≥2当n为0时表示该接户点不包含分支)。
例如,接户点编号为“12200020”时,表示该接户点所在线路编号为“12200”,是所在支路的第2个接户点,不含分支。线路编号“12200”的含义是“1.2.2”,表示沿第1条主干线路向下的第2条支路的第2条分支。
可以理解的是,上述编号方式可以有效反映出台区的拓扑信息,另外,主干线包含的支路等级不超过5级只是一种具体的实施方式,并不代表只有这一种方式。
S11:将每个接户点下的全部用户的负荷等效为本接户点的集中负荷,并计算各个接户点的节点负荷矩。
每个接户点下有包含有若干个用户,本实施例中,需要将每个接户点下的全部用户的负荷等效为本接户点的集中负荷。每个用户的负荷可以为历史用电量信息,例如前一天的用电量。在一种具体实施中,例如对于接户点1来说,该接户点下包含了10个用户,将10个用户的负荷等效为该接户点的集中负荷,则得到了该接户点的负荷,进一步得到线路负荷矩,最终得到节点负荷矩。负荷矩、线路负荷矩与节点负荷矩的具体计算方式如下:
线路负荷矩:流过线路的功率与线路长度的乘积。由于在本发明算法的应用中,无法获知用户精确的有功功率和无功功率,因此以用户的用电量代替功率,则一段线路的线路负荷矩为:M2=W×L;
节点负荷矩:从首端电源节点到某个接户点间经过的所有线路的“线路负荷矩”之和为该接户点的节点负荷矩(从首接户点到该接户点的其他分支负荷均等效为该线路的集中负荷),接户点负荷矩与该接户点的电压数值正相关。
S12:将每个已知接户点对应的用户的最低电压值作为本接户点的电压值。
在具体实施中,对于全部的接户点,并不是能够召测到每个接户点对应的用户的电压值,例如主干线上有100个接户点,但是只有50个接户点下有已知的用户电压值,因此,这50个接户点就是本实施例中的已知接户点,且并非已知接户点下的所有用户电压都已知,只有部分已知,但选取其最低电压值作为该已知接户点的电压值,而另外的50个接户点由于其下没有已知用户电压而成为待测接户点,即通过已知接户点的信息预测未知接户(待测接户点)点的信息。需要指出的是,这里的召测的“接户点”包括了三相,将三相的同一位置视为同一个节点,每个节点(即接户点)均有多名用户接入,各用户接入了哪一相并不知道。而本算法的目的在于找出可能存在低压用户的节点,因此,将每个接户点处可能出现的“最低电压值”作为预测的目标。对于已知接户点来说,能够获取每个接户点下的部分用户的电压值,例如对于接户点10来说,有10个用户,其中五个用户的电压值是已知的,从这里面选取最低的作为接户点10的电压值。
S13:通过预定筛选条件筛选出已知接户点中符合要求的接户点作为目标接户点。
在具体实施中,需要对已知接户点进行筛选,筛选的目的是将一些明显有缺陷的接户点进行剔除,使得参与神经网络训练的接户点都是符合要求,具有代表性。对于预定筛选条件的设置可以根据实际情况设定,本发明中下文以两种具体实施方式进行说明,这里暂不赘述。需要说明的是,本文中的目标接户点就是已知接户点中符合预定筛选条件的接户点。
S14:以目标接户点的节点负荷矩作为样本输入值,以目标接户点的电压值作为样本输出值,对预先设置的神经网络进行训练,直到神经网络的输入-输出特性符合预定训练条件为止。
可以理解的是,要进行样本的训练,需要预先根据待确定配电网建立神经网络模型,本实施例不再赘述。本实施例中,将目标接户点的节点负荷矩作为样本输入值,以目标接户点的电压值作为样本输出值对神经网络进行训练。可以理解的是,训练的次数过多会降低确定电压值的速度,因此,本实施例中,当输入-输出特性符合预定训练条件就可以停止训练。预定训练条件可以根据实际情况设定。
S15:将待测接户点的节点负荷矩输入至训练得到的神经网络以得到待测接户点的最低电压预测值。
在步骤S14中已经训练好神经网络,这时候就可以将待测接户点的节点负荷矩输入到训练好的神经网络,从而得到待测接户点的最低电压预测值。由于各个用户是分布在各个接户点下,因此,对接户点的最低电压进行了预测,则对应的用户的最低电压也相当于得到了预测。
本发明实施例提供的基于神经网络算法的配电网电压确定方法,包括按照拓扑参数确定待确定配电网的主干线,并设置主干线上各个接户点的身份信息;将每个接户点下的全部用户的负荷等效为本接户点的集中负荷,并计算各个接户点的节点负荷矩;将每个已知接户点对应的用户的最低电压值作为本接户点的电压值;通过预定筛选条件筛选出已知接户点中符合要求的接户点作为目标接户点;以目标接户点的节点负荷矩作为样本值,以目标接户点的电压值作为输出值,对预先设置的神经网络进行训练,直到神经网络的输入-输出特性符合预定训练条件为止;将待测接户点的节点负荷矩输入至训练得到的神经网络以得到待测接户点的最低电压预测值。由此可见,本方法可以以少量的数据与神经网络算法进行结合,从而实现对待确定配电网的各个接户点的最低电压预测。为电力公司能够较为全面的掌握台区的电压分布,进而进行更细一步的电压检测或电压治理提供有效的数据支持。
在上述实施例的基础上,作为优选地实施方式,在步骤S13和步骤S14之间还包括:
S20:判断当前目标接户点的数量是否达到预定数目;
其中,如果是,则进入步骤S14。
可以理解的是,如果目标接户点的数量太少的话,则最后的待测接户点的预测值的准确性就会降低。因此,本实施例中在进行步骤S14之前,首选判断目标接户点的数量,如果目标接户点的数量低于4个,则不满足要求,如果目标接户点的数量大于或等于4个,就可以执行步骤S14。
在其它实施例中,还可以根据主干线上接户点的数量与已知接户点的数量的比例进行判断,例如判断目标接户点的数量与主干线上接户点的数量的比例是否大于10%,如果是,则进行步骤S14。
在上述实施例的基础上,作为优选地实施方式,预定数目为4个。
可以理解的是,预定数目可以根据实际情况设定,并不代表只是4个。本实施例之所以选择4个,是通过具体的实例得到的。
作为优选地实施方式,预定筛选条件包括:
若一个接户点的电压值大于该接户点上一级的接户点的电压值,且差值超出允许范围,则该接户点不符合要求;
若一个接户点的电压值大于首端接户点的电压值,则该接户点不符合要求。
在具体实施中,对于接线混乱的配电台区,三相线路中往往只有一相的低电压情况较严重,大多数“最低电压值”都会出现在这一相。例如,在负荷高峰期首端出现不平衡状态,发生不平衡现象出现在A相,则可以预测后续的用户的最低电压也是出现在A相。对于任一相线路,从首端到末端,节点电压值必然是递减的,然而,有一部分接户点,其下面所有用户都未接在低电压最严重的一相,造成该接户点的召测电压最低值突增。例如,若一个接户点的电压值大于该接户点上一级的接户点的电压值,且差值超出允许范围,则该接户点不符合要求;或者若一个接户点的电压值大于首端接户点的电压值,则该接户点不符合要求,所以上述两种情况的接户点就会在筛选过程中剔除。
作为优选地实施方式,预定训练条件为样本值与输出值的误差函数小于0.65×10-3;其中,误差函数为所有的样本值与对应的输出值的差值的平方的加权和,权值为当前神经网络的设定的权值。
可以理解的是,将样本值与输出值的误差函数小于0.65×10-3作为预定训练条件只是众多实施方式中的一种,还可以是其它数值。另外,数值设置的越小,则预测的结果越精确,但是增大了训练的次数。
作为另外一种优选地实施方式,预定训练条件为训练次数达到预定次数。
作为优选地实施方式,预定次数为5000次。
可以理解的是,将预定次数设置为5000次只是众多实施方式中的一种,还可以是其它数值。
作为优选地实施方式,还包括:将待测接户点的最低电压预测值进行存储。
为了方便后续查看和统计,本实施例中,将待测接户点的最低电压预测值进行存储。
为了验证上述实施例提供的方法的有效性,本发明对某一台区进行了仿真实验。该台区可简化为三条主干线的供电拓扑。该台区在用电高峰期首端发生严重三相不平衡,最低电压位于A相,其电压值为206伏,接户点信息如表1所示。
表1
编号 | 47401 | 47402 | 47403 | 47404 | 47405 | 47407 | 50397 | 50400 |
负荷矩 | 23.636 | 28.064 | 32.091 | 35.558 | 40.966 | 46.297 | 47.755 | 48.74 |
最低电压 | 194.7 | 192 | 204.8 | 201.9 | 176.8 | 174.7 | 178 | 185.4 |
编号 | 50401 | 40171 | 40172 | 40173 | 42032 | 42033 | 42034 | 45634 |
负荷矩 | 48.91 | 25.582 | 29.505 | 32.661 | 33.123 | 34.393 | 34.72 | 33.727 |
最低电压 | 201.1 | 192.3 | 190.0 | 186.6 | 210.8 | 184.1 | 181.2 | 186.8 |
根据电压变化趋势,基本可以确定编号为47401、47402、47405、47407、40171、40172、40173、42033、42034、45634的接户点中低电压最严重的那一户接入了A相,这些接户点为已知接户点。在实际应用中,通过设置筛选条件,可以采用MATLAB代码完成,经过筛选后,选择编号为40171、40172、40173、42033、45634、47405、50397的接户点作为训练样本,预测其它所有接户点的电压,并选择节点47401、47402、47407、42034来验证方法的预测效果。图3为本发明实施例提供的表1对应的实际样本值与神经网络输出值之间的对比图。如图3所示,神经网络的拟合效果较好。图4为本发明实施例提供的表1对应的实际电压值与预测值之间的对比图。如图4所示,本方法能较准确地预测未知的接户点的电压值,具有较好的泛化能力。其中,图3中横坐标的编号与表1中编号为40171、40172、40173、42033、45634、47405、50397的对应,图4中横坐标的编号与表1中的47401、47402、47407、42034对应。
图5为本发明实施例提供的一种基于神经网络算法的配电网电压确定装置的结构图。如图5所示,包括:
设置单元10,用于按照拓扑参数确定待确定配电网的主干线,并设置主干线上各个接户点的身份信息;
节点负荷矩计算单元11,用于将每个接户点下的全部用户的负荷等效为本接户点的集中负荷,并计算各个接户点的节点负荷矩;
获取单元12,用于将每个已知接户点对应的用户的最低电压值作为本接户点的电压值;
筛选单元13,用于通过预定筛选条件筛选出已知接户点中符合要求的接户点作为目标接户点;
神经网络训练单元14,用于以目标接户点的节点负荷矩作为样本输入值,以目标接户点的电压值作为样本输出值,对预先设置的神经网络进行训练,直到神经网络的输入-输出特性符合预定训练条件为止;
输入单元15,用于将待测接户点的节点负荷矩输入至训练得到的神经网络以得到待测接户点的最低电压预测值。
以上对本发明所提供的基于神经网络算法的配电网电压确定方法及装置进行了详细介绍。说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
Claims (8)
1.一种基于神经网络算法的配电网电压确定方法,其特征在于,包括:
S10:按照拓扑参数确定待确定配电网的主干线,并设置所述主干线上各个接户点的身份信息;
S11:将每个接户点下的全部用户的负荷等效为本接户点的集中负荷,并计算各个接户点的节点负荷矩;
S12:将每个已知接户点对应的用户的最低电压值作为本接户点的电压值;
S13:通过预定筛选条件筛选出已知接户点中符合要求的接户点作为目标接户点;
S14:以所述目标接户点的节点负荷矩作为样本输入值,以所述目标接户点的电压值作为样本输出值,对预先设置的神经网络进行训练,直到神经网络的输入-输出特性符合预定训练条件为止;
S15:将待测接户点的节点负荷矩输入至训练得到的神经网络以得到所述待测接户点的最低电压预测值;
在步骤S13和步骤S14之间还包括:S20:判断当前目标接户点的数量是否达到预定数目或判断目标接户点的数量与主干线上接户点的数量的比例是否大于10%;
其中,如果是,则进入步骤S14;
其中,所述预定筛选条件包括:
若一个接户点的电压值大于该接户点上一级的接户点的电压值,且差值超出允许范围,则该接户点不符合要求;
若一个接户点的电压值大于首端接户点的电压值,则该接户点不符合要求。
2.根据权利要求1所述的方法,其特征在于,所述预定数目为4个。
3.根据权利要求1所述的方法,其特征在于,所述身份信息为接户点的编号,编号为8位数字,前5位为接户点所在线路的编号,第6位和第7位为接户点在支路上的顺序编号,第8位为接户点包含的分支数目;
其中,所述主干线的包含的支路不超过5级。
4.根据权利要求1所述的方法,其特征在于,所述预定训练条件为样本值与输出值的误差函数小于0.65×10-3;
其中,所述误差函数为所有的样本值与对应的输出值的差值的平方的加权和,权值为当前神经网络的设定的权值。
5.根据权利要求1所述的方法,其特征在于,所述预定训练条件为训练次数达到预定次数。
6.根据权利要求5所述的方法,其特征在于,所述预定次数为5000次。
7.根据权利要求1至6任意一项所述的方法,其特征在于,还包括:将所述待测接户点的最低电压预测值进行存储。
8.一种基于神经网络算法的配电网电压确定装置,其特征在于,包括:
设置单元,用于按照拓扑参数确定待确定配电网的主干线,并设置所述主干线上各个接户点的身份信息;
节点负荷矩计算单元,用于将每个接户点下的全部用户的负荷等效为本接户点的集中负荷,并计算各个接户点的节点负荷矩;
获取单元,用于将每个已知接户点对应的用户的最低电压值作为本接户点的电压值;
筛选单元,用于通过预定筛选条件筛选出已知接户点中符合要求的接户点作为目标接户点;
神经网络训练单元,用于以所述目标接户点的节点负荷矩作为样本输入值,以所述目标接户点的电压值作为样本输出值,对预先设置的神经网络进行训练,直到神经网络的输入-输出特性符合预定训练条件为止;
输入单元,用于将待测接户点的节点负荷矩输入至训练得到的神经网络以得到所述待测接户点的最低电压预测值;
其中,所述预定筛选条件包括:
若一个接户点的电压值大于该接户点上一级的接户点的电压值,且差值超出允许范围,则该接户点不符合要求;
若一个接户点的电压值大于首端接户点的电压值,则该接户点不符合要求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610957254.1A CN106451434B (zh) | 2016-11-03 | 2016-11-03 | 一种基于神经网络算法的配电网电压确定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610957254.1A CN106451434B (zh) | 2016-11-03 | 2016-11-03 | 一种基于神经网络算法的配电网电压确定方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106451434A CN106451434A (zh) | 2017-02-22 |
CN106451434B true CN106451434B (zh) | 2019-04-02 |
Family
ID=58180764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610957254.1A Active CN106451434B (zh) | 2016-11-03 | 2016-11-03 | 一种基于神经网络算法的配电网电压确定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106451434B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109217305A (zh) * | 2018-10-18 | 2019-01-15 | 国网安徽省电力有限公司经济技术研究院 | 一种配电网台区电压快速估算方法 |
CN111025081B (zh) * | 2019-11-07 | 2022-07-08 | 广州南方电力集团科技发展有限公司 | 一种配电台区的居民电压监测方法 |
CN111784026B (zh) * | 2020-05-28 | 2022-08-23 | 国网信通亿力科技有限责任公司 | 基于云边端协同感知的变电站电气设备全方位体检系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101888087A (zh) * | 2010-05-21 | 2010-11-17 | 深圳市科陆电子科技股份有限公司 | 一种在配网终端中实现分布式超短期区域负荷预测的方法 |
CN102969710A (zh) * | 2012-11-07 | 2013-03-13 | 中国电力科学研究院 | 一种不完全信息下的配电网节点负荷虚拟量测方法 |
CN104732295A (zh) * | 2015-03-31 | 2015-06-24 | 国家电网公司 | 一种基于大数据技术的电力负荷预测模型 |
CN105375461A (zh) * | 2015-07-10 | 2016-03-02 | 华北电力大学(保定) | 基于预测技术的主动配电网供电能力实时评估方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3825172B2 (ja) * | 1998-04-06 | 2006-09-20 | 関西電力株式会社 | 配電系統制御システムのための潮流計算装置 |
-
2016
- 2016-11-03 CN CN201610957254.1A patent/CN106451434B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101888087A (zh) * | 2010-05-21 | 2010-11-17 | 深圳市科陆电子科技股份有限公司 | 一种在配网终端中实现分布式超短期区域负荷预测的方法 |
CN102969710A (zh) * | 2012-11-07 | 2013-03-13 | 中国电力科学研究院 | 一种不完全信息下的配电网节点负荷虚拟量测方法 |
CN104732295A (zh) * | 2015-03-31 | 2015-06-24 | 国家电网公司 | 一种基于大数据技术的电力负荷预测模型 |
CN105375461A (zh) * | 2015-07-10 | 2016-03-02 | 华北电力大学(保定) | 基于预测技术的主动配电网供电能力实时评估方法 |
Non-Patent Citations (3)
Title |
---|
低压电网的数学优化方法;袁建普等;《农村电气化》;20051231(第12期);12-14 |
基于神经网络法的配电网状态估计;李清政等;《河北建筑科技学院学报》;20060930;第23卷(第3期);83-86 |
基于蚁群算法的配电网络结构优化技术;郭又华;《四川大学硕士学位论文》;20061231;44-54 |
Also Published As
Publication number | Publication date |
---|---|
CN106451434A (zh) | 2017-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101789598B (zh) | 一种电力系统负荷的建模方法 | |
CN101958544B (zh) | 电力配电线路线损率计算系统及方法 | |
Shen et al. | A voltage sag index considering compatibility between equipment and supply | |
CN106249193B (zh) | 一种充电站的充电桩电能计量误差校验的方法和系统 | |
CN105356461B (zh) | 一种低压电网负荷不平衡治理项目碳减排量的核算方法 | |
CN106451434B (zh) | 一种基于神经网络算法的配电网电压确定方法及装置 | |
CN106329516A (zh) | 一种基于典型场景识别的配电网动态重构方法 | |
CN110489783B (zh) | 一种基于qrnn的低压台区线损率合理范围估计方法 | |
AU2013201595A1 (en) | Method and apparatus for harmonic state estimation in power system | |
CN108520362A (zh) | 一种农村智能电网水平的综合评价方法 | |
CN111142032B (zh) | 电池电量的确定方法、装置、设备和存储介质 | |
CN102253269A (zh) | 基于云计算的电力实时数据一体化处理系统及设计方法 | |
CN106655152A (zh) | 一种基于ami量测特性的配电网状态估计方法 | |
CN106022641A (zh) | 一种变电站负荷特性的在线分析系统和方法 | |
CN107944680A (zh) | 一种基于智能电能表的变电站电能量平衡监测方法 | |
CN106355298A (zh) | 一种智能电能表可靠性预计云服务平台 | |
CN105552885B (zh) | 一种提高配电网状态估计可观测性的方法及其系统 | |
CN103887792A (zh) | 一种含分布式电源的低压配电网建模方法 | |
CN111027886A (zh) | 一种考虑单位成本效用的低电压治理方案的评估方法 | |
Guo et al. | Traffic forecasting for mobile networks with multiplicative seasonal ARIMA models | |
CN111931342B (zh) | 一种基于台区电能质量引起额外线损的评估方法 | |
CN110070230A (zh) | 一种局部电网机组窝电量评估计算方法、装置及存储介质 | |
CN108229786B (zh) | 电网投资分配处理方法及装置 | |
CN106066415A (zh) | 用于检测供电网络中的欺诈的方法 | |
CN115796711A (zh) | 配电线路降损的辅助决策方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |