CN108599172B - 一种基于人工神经网络的输配网全局潮流计算方法 - Google Patents
一种基于人工神经网络的输配网全局潮流计算方法 Download PDFInfo
- Publication number
- CN108599172B CN108599172B CN201810477026.3A CN201810477026A CN108599172B CN 108599172 B CN108599172 B CN 108599172B CN 201810477026 A CN201810477026 A CN 201810477026A CN 108599172 B CN108599172 B CN 108599172B
- Authority
- CN
- China
- Prior art keywords
- power
- distribution network
- network
- transmission
- artificial neural
- 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
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
- H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
- H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected 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
- 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]
Abstract
本发明涉及到一种基于人工神经网络的输配网全局潮流计算方法,利用大量配电网的样本对人工神经网络进行训练，使其能够准确预测输配网边界点处功率，并以此建立以边界点功率预测量与电压幅值为协调变量的全局潮流算法，从而减少配网潮流迭代次数。本发明在常规电网和含分布式电源情况下，能够显著减少配网潮流迭代次数，从而加快潮流收敛速度，适用于当前规模庞大的输配网全局潮流计算。
Description
技术领域
本发明涉及潮流计算方法领域，特别是涉及一种基于人工神经网络法的输配电全局潮流计算方法。
背景技术
潮流计算是电网运行分析和规划管理的基础。随着电网的发展，输电网与配电网之间的耦合关系加强，各级电网互为支撑、相互影响，因此传统的将输电网与配电网割裂开来进行潮流计算的方法已无法满足现代电力系统运行分析和规划管理的需求，必须将输电网和配电网潮流进行统一分析。在实际电网中，配电网的数量巨大，输配网全局潮流计算规模庞大，减少计算量提高收敛速度是现代电网格局下的分析需求。
在现阶段，减少输配网潮流计算的方法主要有将输配网分成主网子系统、配网子系统和边界系统，主网子系统和配网子系统之间通过边界系统进行信息交互，从而实现全网的潮流计算，从降低规模的层面减少了输配网统一潮流计算的计算量。实际的全局电力系统规模及其庞大，其节点数和支路数比相关的发输电系统的大一个甚至几个数量级。另一方面，随着分布式电源的发展，分布式电源给传统的电力系统注入了新的活力。但是，分布式电源的并网会对配电网的网损和电压分布产生重要影响，这将大大增加配电网潮流迭代次数，传统的潮流计算方法已不再适用。输配网全局潮流计算的主要计算量在配电网的潮流计算。每次迭代都需要对配电网进行潮流计算，计算量依然相当可观。因此，减少配电网潮流计算量是减少输配网全局潮流计算量的关键。
近年来，人工神经网络理论在电力系统中的应用被广泛地进行了探索，但用于潮流计算的研究还很少。人工神经网络是20世纪80 年代以来人工智能领域兴起的研究热点。它从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络。人工神经网络的优越性主要体现在以下三点，一是具有自学习功能，二是具有联想存储功能，三是具有高速寻找优化解的能力。因此，将神经计算方法引入大规模电力系统的分析计算，不仅具有重要的理论意义，而且具有广泛地应用前景。因此，面对当前规模庞大且含有大量分布式电源的输配网，开发基于人工神经网络的输配网全局潮流计算方法，能够显著减少配电网潮流迭代次数，加快潮流收敛速度的同时提高计算结果精确度。
发明内容
本发明的目的是提供一种基于人工神经网络的输配网全局潮流计算方法。
为实现上述目的，本发明提供如下技术方案：一种基于人工神经网络的输配网全局潮流计算方法，包括以下步骤：
S1、获取若干个配电网的样本，利用大量配电网的样本对人工神经网络进行训练，使其能够准确预测输配网边界点处功率，提出了基于人工神经网络法的配电网潮流计算方法；
S2、初始化输电网与配电网的支路节点数据，并对输电网与配电网各类数据进行整理统计，按照统一格式对其进行预处理；
S3、通过步骤S1中训练好的人工神经网络对配电网潮流进行预测，预估配电网根节点的有功与无功功率，并将根节点功率传递给输电网边界点；
S4、进行输电网潮流计算；
S5、判断输电网边界点功率是否满足收敛条件，若不满足，则更新边界点电压幅值，重复步骤S3；若满足，进行步骤S6；
S6、将边界点电压传递给配电网根节点；
S7、初始化配电网各节点电压，利用前推回代法进行各配电网潮流计算，得到配电网潮流分布；
S8、输出输配网全局潮流计算结果。
优选的，所述步骤S1中利用配电网的样本对人工神经网络进行训练包括以下步骤：
（1）将各配电网的首端电压、配电网总负荷、总阻抗、配电网负荷中不同功率因数分段的占比，轻、重负荷占比等数据进行整理和统计的数据作为人工神经网络的输入量；
（2）将配电网中分布式电源的接入类型、向配电网输入的有功功率与无功功率、接入位置作为人工神经网络的输入量，其中分布式电源的接入类型根据其接入的节点类型分类；
（3）将根节点的总功率作为人工神经网络的输出量；
（4）对若干个配电网样本进行潮流计算，得到其根节点功率，整理上述配电网样本中（1）~（3）的输入量，对神经网络进行训练，这样在进行配电网潮流计算时，可不必进行配电网潮流的多次迭代计算，直接用训练好的人工神经网络对配电网根节点的功率进行预估，从而提高了计算速度。
优选的，所述步骤S5中，由人工神经网络法预估配电网根节点功率，将根节点功率传递给边界点进行输电网潮流迭代，得到边界点电压，从而更新输入量根节点电压，而其他输入量在后面的人工神经网络法进行预估时保持不变。
优选的，在采用人工神经网络输配网潮流计算边界点功率收敛之后，所述步骤S7中的配电网潮流计算与步骤S4、S8中的输电网潮流计算采用传统的输配网全局潮流计算模型：
其中，输电网潮流计算数学模型为：
边界点潮流计算的数学模型为：
配电网潮流计算数学模型为：
式中，CM、CB分别为输电网、边界节点集合，CMi、Cbi为第i个配电网节点集合、边界点集合,S i 为节点i的注入功率；
配电网根节点功率采用人工神经网络法进行预测之后，无需进行配电网潮流计算，输配网全局潮流计算模型只含输电网系统潮流计算模型与边界系统潮流计算模型，输电网潮流计算模型不变，配电网潮流根节点结果由人工神经网络法预估后，边界点潮流计算的数学模型变为：
式中S fit 为第i个配电网根节点处人工神经网络法预测功率。
与现有技术相比，本发明的有益之处是：
本发明提出了一种考虑分布式电源的基于人工神经网络法的输配网全局潮流计算方法，解决了传统输配网全局潮流计算计算量大的问题，同时具有很高的计算速度和很好的计算精度。采用传统的输配网全局潮流计算模型和配电网人工神经网络潮流模型两种计算模型进行潮流计算，改善了单一模型计算量大的问题。该方法在常规电网和含分布式电源情况下，能够显著减少配电网潮流迭代次数，加快潮流收敛速度，适用于当前规模庞大的输配网全局潮流计算。
附图说明
下面结合附图对本发明进一步说明。
图1为本发明的基于人工神经网络法的输配网全局潮流计算方法流程图；
图2为人工神经网络拓扑结构；
图3为输配网全局结构图；
图4为传统主从分裂法与本发明中全网潮流算法迭代示意图。
具体实施方式
下面结合附图及具体实施方式对本发明进行详细描述：
请参考图1、图2和图3为本发明提供的一种基于人工神经网络的输配网全局潮流计算方法，包括以下步骤：
S1、获取大量配电网的样本，利用大量配电网的样本对人工神经网络进行训练，使其能够准确预测输配网边界点处功率；
利用配电网的样本对人工神经网络进行训练包括以下步骤：
（1）将各配电网的首端电压（初始电压为1pu）、配电网总负荷、总阻抗、配电网负荷中不同功率因数分段的占比（例如可分为三段：小于0.8,0.8~0.95和0.95以上），轻、重负荷占比等数据进行整理和统计等数据作为人工神经网络的输入量；
（2）将配电网中分布式电源的接入类型、向配电网输入的有功功率与无功功率、接入位置作为人工神经网络的输入量，其中分布式电源的接入类型根据其接入的节点类型分类，PI节点记为F1、PQ(V)节点记为F2、PQ节点记为F3、PV节点记为F4，具体分类方式如表1所示：
表1
（3）将根节点的总功率作为人工神经网络的输出量；
（4）对配电网样本进行潮流计算，得到其根节点功率，整理上述配电网样本中（1）~（3）的输入量，对神经网络进行训练，这样在进行配电网潮流计算时，可不必进行配电网潮流的多次迭代计算，直接用训练好的人工神经网络对配电网根节点的功率进行预估，从而提高了计算速度；
S2、初始化输电网和配电网支路和节点数据，按照统一格式对其进行预处理，将线路阻抗和节点负荷等数据标幺化，对节点进行编号；
S3、通过步骤S1中训练好的人工神经网络对配电网潮流进行预测，预估配电网根节点的有功与无功功率，并将根节点功率传递给输电网边界点；
S4、利用牛顿-拉夫逊法进行输电网潮流计算，输电网潮流计算采用传统的输配网全局潮流计算模型；
S5、判断输电网边界点功率是否满足收敛条件，若不满足，则更新边界点电压幅值，重复步骤S3；若满足，进行步骤S6；
S6、将边界点电压传递给配电网根节点；
S7、初始化配电网各节点电压，利用前推回代法进行各配电网潮流计算，配电网潮流计算采用传统的输配网全局潮流计算模型，得到配电网潮流分布；
S8、输出输配网全局潮流计算结果，其中输电网潮流计算采用传统的输配网全局潮流计算模型。
配电网根节点功率采用人工神经网络法进行预测之后，无需进行配电网潮流计算，输配网全局潮流计算模型只含输电网系统潮流计算模型与边界系统潮流计算模型，输电网潮流计算模型不变；配电网潮流根节点结果由人工神经网络法预估后，边界点潮流计算的数学模型变为：
式中S fit 为第i个配电网根节点处人工神经网络法预测功率。
传统主从分裂法在主从迭代计算的过程中，边界点功率和电压会不断波动，因此需要反复进行输、配电网的潮流迭代，通过边界点进行输、配电网的电压、功率的协调，不断缩小波动值，直至相邻两次主从迭代边界点电压和功率波动值，小于所要求的精度。每次主从迭代都需要进行输电网和配电网的子迭代，潮流计算量很大。而通过人工神经网络预测配电网根节点功率，并将预估功率作为边界点的广义负荷进行输电网潮流计算，此时没有进行配电网潮流计算，直接通过人工神经网络法求出边界点功率，从而进行输电网潮流计算，输电网潮流计算得到边界点电压，进而更新人工神经网络输入层数据，得到新的边界点功率，如此反复迭代，从而使得边界点电压功率波动不断减小，直至满足收敛条件。
如图4所示，其中SBS为边界点功率，UB为边界点电压，图中虚线框中为潮流计算循环体，可见，与传统主从分裂法相比，本发明所提的全网潮流算法减少了输配网信息交互，直接通过人工神经网络预估边界点信息，无需每次边界点功率传递都进行配电网潮流迭代计算，只需在潮流收敛之后，根据边界点电压求解配电网潮流，配电网只进行了1次迭代。而输配网全局潮流计算的中，配电网的节点数比输电网高一个甚至几个数量级，输配网潮流计算的计算量主要是进行配电网潮流计算，因此，本发明的方法通过减少配电网潮流计算次数，从而显著减少输配网全局潮流计算量。
下面构造了以IEEE39节点系统为输电网系统(电压等级为100kV)，在其节点4至节点39接入IEEE118节点作为配电网系统(电压等级为10kV)这个全局潮流计算系统。分别应用传统主从迭代算法和基于人工神经网络的输配网全局潮流计算方法进行计算，设定收敛精度为10E-5，功率基准值取100MVA。表2给出了两种方法下结果的误差值、计算迭代次数和计算耗时。其中max|ΔV|与max|ΔSB|分别表示进行潮流计算时，节点电压差值的最大值和边界点功率差值的最大值。
表 2计算结果对比
由表2数据可知，基于人工神经网络算法的全局计算，边界点电压和功率准确匹配，潮流能够可靠收敛。在潮流计算速度方面，人工神经网络法在训练网络用时16.5s，之后可用训练好的人工神经网络对配电网根节点处功率进行预估。本发明的方法虽然少了增加了输电网潮流迭代次数，但是配电网迭代次数大大减少，而配电网节点数远大于输电网，输配网全局潮流计算的主要时间是用于配电网电潮流迭代，因此，本发明方法能够加快潮流收敛。在输配网全局潮流计算上，本发明方法总计用时37.7s，传统主从迭代用时120.5s，潮流计算时间减少68%，本发明方法潮流计算速度提升效果明显。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (3)
1.一种基于人工神经网络的输配网全局潮流计算方法，其特征在于，包括以下步骤：
S1、获取若干个配电网的样本，利用配电网的样本对人工神经网络进行训练；
S2、初始化输电网与配电网的支路节点数据，并对输电网与配电网各类数据进行整理统计；
S3、通过步骤S1中训练好的人工神经网络对配电网潮流进行预测，预估配电网根节点的有功与无功功率，并将根节点功率传递给输电网边界点；
S4、进行输电网潮流计算；
S5、判断输电网边界点功率是否满足收敛条件，若不满足，则更新边界点电压幅值，重复步骤S3；若满足，进行步骤S6；
S6、将边界点电压传递给配电网根节点；
S7、初始化配电网各节点电压，利用前推回代法进行各配电网潮流计算，得到配电网潮流分布；
S8、输出输配网全局潮流计算结果；
在采用人工神经网络输配网潮流计算边界点功率收敛之后，所述步骤S7中的配电网潮流计算与步骤S4、S8中的输电网潮流计算采用传统的输配网全局潮流计算模型：
其中，输电网潮流计算数学模型为：
边界点潮流计算的数学模型为：
配电网潮流计算数学模型为：
式中，CM、CB分别为输电网、边界节点集合，CMi、CBi为第i个配电网节点集合、边界点集合；Si为节点i的注入功率。
2.根据权利要求1所述的基于人工神经网络的输配网全局潮流计算方法，其特征在于：所述步骤S1中利用配电网的样本对人工神经网络进行训练包括以下步骤：
(1)将各配电网的首端电压、配电网总负荷、总阻抗、配电网负荷中不同功率因数分段的占比，轻、重负荷占比数据进行整理和统计的数据作为人工神经网络的输入量；
(2)将配电网中分布式电源的接入类型、向配电网输入的有功功率与无功功率、接入位置作为人工神经网络的输入量，其中分布式电源的接入类型根据其接入的节点类型分类；
(3)将根节点的总功率作为人工神经网络的输出量；
(4)对若干个配电网样本进行潮流计算，得到其根节点功率，整理上述配电网样本中(1)～(3)的输入量，对神经网络进行训练。
3.根据权利要求1或2所述的基于人工神经网络的输配网全局潮流计算方法，其特征在于：所述步骤S5中，由人工神经网络法预估配电网根节点功率，将根节点功率传递给边界点进行输电网潮流迭代，得到边界点电压，从而更新输入量根节点电压，而其他输入量在后面的人工神经网络法进行预估时保持不变。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810477026.3A CN108599172B (zh) | 2018-05-18 | 2018-05-18 | 一种基于人工神经网络的输配网全局潮流计算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810477026.3A CN108599172B (zh) | 2018-05-18 | 2018-05-18 | 一种基于人工神经网络的输配网全局潮流计算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108599172A CN108599172A (zh) | 2018-09-28 |
| CN108599172B true CN108599172B (zh) | 2021-07-30 |
Family
ID=63631822
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810477026.3A Active CN108599172B (zh) | 2018-05-18 | 2018-05-18 | 一种基于人工神经网络的输配网全局潮流计算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108599172B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109560547A (zh) * | 2019-01-15 | 2019-04-02 | 广东电网有限责任公司 | 一种考虑输配协同的主动配电网n-1安全评估方法 |
| CN109787228B (zh) * | 2019-02-14 | 2022-07-12 | 国网江西省电力有限公司电力科学研究院 | 一种数据驱动的配电网合环条件判定方法 |
| CN110829434B (zh) * | 2019-09-30 | 2021-04-06 | 重庆大学 | 一种提高深度神经网络潮流模型扩展性的方法 |
| CN111079351B (zh) * | 2020-01-19 | 2024-02-06 | 天津大学 | 考虑风电不确定性的配电网概率潮流获取方法、装置 |
| CN112270100B (zh) * | 2020-11-05 | 2022-09-06 | 国网江苏省电力有限公司电力科学研究院 | 一种基于迭代效率权重的输配电网络潮流计算方法 |
| CN112271734B (zh) * | 2020-11-05 | 2022-09-06 | 国网江苏省电力有限公司电力科学研究院 | 一种基于电路耦合器的多电力网络潮流计算方法 |
| CN112800567A (zh) * | 2021-03-09 | 2021-05-14 | 广州汇通国信科技有限公司 | 一种基于人工神经网络电力数据诊断的治理方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106487003A (zh) * | 2016-05-10 | 2017-03-08 | 国网江苏省电力公司南京供电公司 | 一种主配网故障恢复优化调度的方法 |
| CN107666149A (zh) * | 2017-10-23 | 2018-02-06 | 珠海许继芝电网自动化有限公司 | 一种中压配电网线损计算方法 |
-
2018
- 2018-05-18 CN CN201810477026.3A patent/CN108599172B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106487003A (zh) * | 2016-05-10 | 2017-03-08 | 国网江苏省电力公司南京供电公司 | 一种主配网故障恢复优化调度的方法 |
| CN107666149A (zh) * | 2017-10-23 | 2018-02-06 | 珠海许继芝电网自动化有限公司 | 一种中压配电网线损计算方法 |
Non-Patent Citations (1)
| Title |
|---|
| 光伏发电系统的功率预测与接入影响研究;陈高;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20180115;第1-78页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108599172A (zh) | 2018-09-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108599172B (zh) | 一种基于人工神经网络的输配网全局潮流计算方法 | |
| CN108846517B (zh) | 一种分位数概率性短期电力负荷预测集成方法 | |
| CN111783953B (zh) | 一种基于优化lstm网络的24点电力负荷值7日预测方法 | |
| CN109214708B (zh) | 基于交叉熵理论优化支持向量机的电力系统风险评估方法 | |
| CN107104442B (zh) | 计及参数模糊性的含风电场电力系统概率潮流计算方法 | |
| CN111401755B (zh) | 基于马尔科夫链的多新能源出力场景生成方法、装置及系统 | |
| CN105844294A (zh) | 一种基于fcm聚类算法的用电行为分析方法 | |
| Sun et al. | Research and application of parallel normal cloud mutation shuffled frog leaping algorithm in cascade reservoirs optimal operation | |
| CN106649479A (zh) | 一种基于概率图的变压器状态关联规则挖掘方法 | |
| CN109858798B (zh) | 关联改造措施与电压指标的电网投资决策建模方法及装置 | |
| CN111415068A (zh) | 基于改造措施与失负荷量指标关联性的配电决策建模方法 | |
| CN112865089A (zh) | 一种改进的主动配电网大规模场景分析方法 | |
| CN113887141A (zh) | 一种基于联邦学习的微电网群运行策略进化方法 | |
| CN107276093B (zh) | 基于场景削减的电力系统概率潮流计算方法 | |
| CN110675276B (zh) | 一种用于直流输电系统反演下垂控制的方法及系统 | |
| CN109459609B (zh) | 一种基于人工神经网络的分布式电源频率检测方法 | |
| CN107918920B (zh) | 多光伏电站的出力关联性分析方法 | |
| CN113536685B (zh) | 一种基于神经网络外推的风速概率模型的建模方法 | |
| CN115173421A (zh) | 一种基于渐进拉丁超立方采样的概率最优潮流计算方法 | |
| Wang et al. | Distribution network state estimation based on attention-enhanced recurrent neural network pseudo-measurement modeling | |
| Hu et al. | A short-term wind speed forecasting model based on improved QPSO optimizing LSSVM | |
| Tran et al. | A new grid search algorithm based on XGBoost model for load forecasting | |
| Liu et al. | Intelligent voltage prediction of active distribution network with high proportion of distributed photovoltaics | |
| Chen et al. | Short-Term Photovoltaic Power Prediction Algorithm Based on Improved BP Neural Network | |
| Zhu et al. | Short-term Wind power Prediction Model Based on Cuckoo Algorithm and BP neural Network |
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 |