CN109412152B - 一种基于深度学习与弹性网正则化的电网网损计算方法 - Google Patents
一种基于深度学习与弹性网正则化的电网网损计算方法 Download PDFInfo
- Publication number
- CN109412152B CN109412152B CN201811329736.8A CN201811329736A CN109412152B CN 109412152 B CN109412152 B CN 109412152B CN 201811329736 A CN201811329736 A CN 201811329736A CN 109412152 B CN109412152 B CN 109412152B
- Authority
- CN
- China
- Prior art keywords
- sample
- power grid
- samples
- measurement
- loss
- 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
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
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于深度学习与弹性网正则化的电网网损计算方法,采用统计法或者基于实时电网模型方法,前者工作量大,计算精度低,尤其是对大电网而言,实现难度较大,后者高度依赖电网自动化水平,如果调度自动化状态估计或者潮流计算合格率偏低,将严重影响其实用程度,加之在目前电网特性的不断改变,不确定性增强,网损计算愈加复杂,相较于这两种传统的网损计算方法,本方法从深度学习视角,利用自编码器技术对历史电网网损样本进行学习训练,从而得到一个网损计算模型,一方面可以实现对未来网损的预测,同时也可以进行不基于模型的网损计算,其样本可来自于实时数据或者仿真模型,大大提高了网损计算的效率和实用化程度。
Description
技术领域
本发明涉及一种基于深度学习与弹性网正则化的电网网损计算方法,属于电力系统运行与分析技术领域。
背景技术
目前,随着电力体制改革的进一步推进,电网经济运行势必引起各级电网运行企业的关注,电网损耗是项重要的关键运行指标,通过分析计算及预测,可促进供电企业运行管理人员掌握电网经济运行情况,提高管理运行水平。
传统的网损计算方法多针对低电压配网,采用形状系数、最大电流法或者人工智能等近似计算方法,这些方法计算模型较简单,不依赖网络详细的运行数据,适合手工计算,但工作量极大,计算结果精度不高,且无法对降网损提供准确的量化决策依据。随着电网规模的不断扩大及管理的不断细化,传统网损计算方法已不能满足电力企业对网损管理的要求。
发明内容
目的:为了克服现有技术中存在的不足,本发明提供一种基于深度学习与弹性网正则化的电网网损计算方法。
技术方案:为解决上述技术问题,本发明采用的技术方案为:
一种基于深度学习与弹性网正则化的电网网损计算方法,包括具体步骤如下:
步骤1:产生注入量测样本;
步骤2:产生静态非注入量测样本;
步骤3:产生静态支路量测样本;
步骤4:产生网损样本,网损样本采用与注入量测相同采样频率产生网损样本;网损样本分别在电网实时调度系统和模拟仿真系统得到学习测试样本,设注入量测样本数目为Npq,静态支路量测样本数目为Nbranch,静态非注入量测样本数目为NNpq;
步骤5:样本处理,对于注入量测样本和静态支路量测样本,需要保持这两者时间断面对齐,如果这两类样本中同一个时刻,有一个样本缺失,则采用中值方法补齐;
步骤6:将样本分成学习样本以及测试样本;
步骤7:确定自编码器模型的参数,自编码器模型的输入节点数量等于注入量测样本类型数、静态支路量测类型数,静态非注入量测类型数三者之和,输出节点对应网损,故输出节点数量为1。
步骤8:利用L1+L2弹性网正则化思想,建立网损计算函数C:
其中,W表示深度学习最后的权矩阵,X为输入变量,取注入量测样本、静态非注入量测样本和静态支路量测样本(X表示所有的输入变量,输入变量包括注入量测样本、静态非注入量测样本和静态支路量测样本),LOSS为系统的电网网损,矩阵W∈Rm×n,Rm×n代表m×n的实数矩阵,矩阵W的一范数为矩阵W的二范数为tr(·)代表矩阵中主对角线上的所有元素之和,λ1>0、λ2>0为正则化因子;
步骤9:利用学习样本,训练自编码器模型,得到权重W,代入网损计算函数;
步骤10:将测试样本作为输入变量代入步骤9中的网损计算函数进行测试,得到测试网损,如果测试网损与测试样本中网损的误差小于10-2,则训练结束,否则回到步骤9;
步骤11:将实时数据作为输入变量代入步骤10确定的网损计算函数计算实时电网网损。
作为优选方案,所述注入量测样本来源于两个途径:1、电网实时调度系统,通常在每个实际运行的系统中,存有连续断面的注入功率,时间分辨率为5分钟,得到不同时段的数据学习测试样本;2、模拟仿真系统,对于和实时系统具有同样拓扑的仿真模型,每隔5min采集一组样本,并进行连续潮流计算,得到多组系统网损与节点有功无功的数据学习测试样本。
作为优选方案,所述静态非注入量测样本包括:电网线路长度、线路配电变压器总容量。
作为优选方案,所述静态支路量测样本采用与注入量测相同采样频率产生流经线路两端的电流,有功,无功。
作为优选方案,所述采用中值方法补齐:设t时刻,某样本如支路量测S(t)缺失,则采用补齐,其中,S(t+1)表示支路量测S在t+1时刻值,S(t-1)表示支路量测S在t-1时刻值,S为支路的电流、电压、有功、无功。
作为优选方案,所述步骤9中训练自编码器模型采用逐层贪婪训练法进行训练,获取栈式自编码神经网络参数;
按照从前向后的顺序执行每一层自编码器的编码步骤:
a(l)=f(z(l))
z(l+1)=W(l)a(l)+b(l)
其中,上标l为深度学习中第l层隐含层,a(l)是第l层的激活值,f(·)为激活函数,本专利选择Sigmoid函数,W(l)为第l层隐含层的权重矩阵,b(l)为第l层隐含层的偏置向量,z(l)、z(l+1)分别为第l层、第l+1层隐含层的输出。
有益效果:本发明提供的一种基于深度学习与弹性网正则化的电网网损计算方法,从深度学习视角,利用自编码器技术对历史电网网损样本进行学习训练,从而得到一个网损计算模型,一方面可以实现对未来网损的预测,同时也可以进行不基于模型的网损计算,其样本可来自于实时数据或者仿真模型,大大提高了网损计算的效率和实用化程度。
具体实施方式
电力传输损耗和节点注入有功和无功的大小密切相关,根据潮流平衡方程,电力系统网损大小为:
上式中:Vi表示节点i的电压幅值、Vj表示节点j的电压幅值;j∈i表示有支路连接于节点i与节点j之间;θij表示节点i和j的电压相角差;Gij表示连接于节点i和j之间的支路的电导;n表示系统节点数目。
分析可知,ΔPloss是母线电压与相角的函数,且电压和相位是有功和无功的函数,需要对电网进行状态估计和潮流计算才能得到,但在电力系统中,尤其是地区电网中,状态估计和潮流计算的可用率不高,导致网损计算无法得出结果,这也是依赖于模型的网损计算的缺陷所在。
自编码器是一种分布式特征学习方法,其主要思想是采用多个递进的训练层提取数据的本质特征,克服浅层训练结构难以有效反映出数据的复杂特征的不足。自编码器算法结构中,每个训练层是对上一层的深化,逐步挖掘出输入数据的特征,自编码器算法采用多层结构,可以对原始的混沌信息进行多次训练,逐步提取信息,最终获得数据的本质特征。
一种基于深度学习与弹性网正则化的电网网损计算方法,网损是系统有功注入,无功注入的函数,本发明的目的在于利用自编码器网络进行网损计算,提高网损计算的精度和效率,具体步骤如下:
步骤1:产生注入量测样本;
所述注入量测样本来源于两个途径:1、电网实时调度系统,通常在每个实际运行的系统中,存有连续断面的注入功率(时间分辨率为5分钟),得到不同时段的数据学习测试样本;2、模拟仿真系统,对于和实时系统具有同样拓扑的仿真模型,每隔5min采集一组样本,并进行连续潮流计算,得到多组系统网损与节点有功无功的数据学习测试样本。
步骤2:产生静态非注入量测样本,静态非注入量测样本包括:电网线路长度、线路配电变压器总容量。
步骤3:产生静态支路量测样本,静态支路量测样本采用与注入量测相同采样频率产生流经线路两端的电流,有功,无功。
步骤4:产生网损样本,网损样本采用与注入量测相同采样频率产生网损样本;网损样本分别在电网实时调度系统和模拟仿真系统得到学习测试样本,设注入量测样本数目为Npq,静态支路量测样本数目为Nbranch,静态非注入量测样本数目为NNpq。
步骤5:样本处理,对于注入量测样本和静态支路量测样本,需要保持这两者时间断面对齐,如果这两类样本中同一个时刻,有一个样本缺失,则采用中值方法补齐:
步骤6:将样本分成学习样本以及测试样本。
步骤7:确定自编码器模型的参数,自编码器模型的输入节点数量等于注入量测样本类型数、静态支路量测类型数,静态非注入量测类型数三者之和,输出节点对应网损,故输出节点数量为1。
步骤8:利用L1+L2弹性网正则化思想,建立网损计算函数C:
其中,W表示深度学习最后的权矩阵,X为输入变量,取注入量测样本、静态非注入量测样本和静态支路量测样本(X表示所有的输入变量,输入变量包括注入量测样本、静态非注入量测样本和静态支路量测样本),LOSS为系统的电网网损,矩阵W∈Rm×n,Rm×n代表m×n的实数矩阵,矩阵W的一范数为矩阵W的二范数为tr(·)代表矩阵中主对角线上的所有元素之和,λ1>0、λ2>0为正则化因子。
我们希望基于自编码器的网损计算模型具有以下特点:
1)模型应具有稳定性;
2)尽量避免假设检验中出现的偏差;
3)尽可能控制算法的复杂度;
4)能够筛选和剔除非主导影响因素。
由输入样本X与输出网损LOSS实现对网损的计算,若采用无偏估计(保留弱影响或无影响变量),虽然能保证模型的准确性,但从判决函数的观点来看,会相应降低模型的稳定性与估计精确度估计标准差变大。因而就实际工程应用与分析精度的需求而言,采用有偏估计对各输入随机变量进行非主导影响因素筛选和回归分析是更为合适的方法。故本专利采用L1+L2弹性网回归分析和特征选择,实现网损非主导影响源剔除和主导影响因素影响量化。
步骤9:利用学习样本,训练自编码器模型,得到权重W,代入网损计算函数;
由于自编码器是前一层自编码器的输出作为其后一层自编码器的输入。采用逐层贪婪训练法进行训练,获取栈式自编码神经网络参数。
按照从前向后的顺序执行每一层自编码器的编码步骤:
a(l)=f(z(l))
z(l+1)=W(l)a(l)+b(l)
其中,上标l为深度学习中第l层隐含层,a(l)是第l层的激活值,f(·)为激活函数,本专利选择Sigmoid函数,W(l)为第l层隐含层的权重矩阵,b(l)为第l层隐含层的偏置向量,z(l)、z(l+1)分别为第l层、第l+1层隐含层的输出。
步骤10:将测试样本作为输入变量代入步骤9中的网损计算函数进行测试,得到测试网损,如果测试网损与测试样本中网损的误差小于10-2,则训练结束,否则回到步骤9。
步骤11:将实时数据作为输入变量代入步骤10确定的网损计算函数计算实时电网网损。
以上所述仅是本发明的优选实施方式,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,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (2)
1.一种基于深度学习与弹性网正则化的电网网损计算方法,其特征在于:包括具体步骤如下:
步骤1:产生注入量测样本;所述注入量测样本来源于两个途径:1、电网实时调度系统,在每个实际运行的系统中,存有连续断面的注入功率,时间分辨率为5分钟,得到不同时段的数据学习测试样本;2、模拟仿真系统,对于和实际运行的系统具有同样拓扑的仿真模型,每隔5min采集一组样本,并进行连续潮流计算,得到多组系统网损与节点有功无功的数据学习测试样本;
步骤2:产生静态非注入量测样本;所述静态非注入量测样本包括:电网线路长度、线路配电变压器总容量;
步骤3:产生静态支路量测样本;所述静态支路量测样本采用与注入量测样本相同采样频率产生流经线路两端的电流,有功,无功;
步骤4:产生网损样本,网损样本采用与注入量测样本相同采样频率产生网损样本;网损样本分别在电网实时调度系统和模拟仿真系统得到学习测试样本,设注入量测样本数目为Npq,静态支路量测样本数目为Nbranch,静态非注入量测样本数目为NNpq;
步骤5:样本处理,对于注入量测样本和静态支路量测样本,需要保持这两者时间断面对齐,如果这两类样本中同一个时刻,有一个样本缺失,则采用中值方法补齐;
步骤6:将样本分成学习样本以及测试样本;
步骤7:确定自编码器模型的参数,自编码器模型的输入节点数量等于注入量测样本类型数、静态支路量测类型数、静态非注入量测类型数三者之和,输出节点对应网损,故输出节点数量为1;
步骤8:利用L1+L2弹性网正则化思想,建立网损计算函数C:
其中,W表示深度学习最后的权矩阵,X为输入变量,取注入量测样本、静态非注入量测样本和静态支路量测样本,LOSS为系统的电网网损,矩阵W∈Rm×n,Rm×n代表m×n的实数矩阵,矩阵W的一范数为矩阵W的二范数为tr(·)代表矩阵中主对角线上的所有元素之和,λ1>0、λ2>0为正则化因子;
步骤9:利用学习样本,训练自编码器模型,得到权矩阵W,代入网损计算函数;所述步骤9中训练自编码器模型采用逐层贪婪训练法进行训练,获取栈式自编码神经网络参数;
按照从前向后的顺序执行每一层自编码器的编码步骤:
a(l)=f(z(l))
z(l+1)=W(l)a(l)+b(l)
其中,上标l为深度学习中第l层隐含层,a(l)是第l层的激活值,f(·)为激活函数,选择Sigmoid函数,W(l)为第l层隐含层的权重矩阵,b(l)为第l层隐含层的偏置向量,z(l)、z(l+1)分别为第l层、第l+1层隐含层的输出;
步骤10:将测试样本作为输入变量代入步骤9中的网损计算函数进行测试,得到测试网损,如果测试网损与测试样本中网损的误差小于10-2,则训练结束,否则回到步骤9;
步骤11:将实时数据作为输入变量代入步骤10确定的网损计算函数计算实时电网网损。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811329736.8A CN109412152B (zh) | 2018-11-08 | 2018-11-08 | 一种基于深度学习与弹性网正则化的电网网损计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811329736.8A CN109412152B (zh) | 2018-11-08 | 2018-11-08 | 一种基于深度学习与弹性网正则化的电网网损计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109412152A CN109412152A (zh) | 2019-03-01 |
CN109412152B true CN109412152B (zh) | 2022-06-17 |
Family
ID=65472652
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811329736.8A Active CN109412152B (zh) | 2018-11-08 | 2018-11-08 | 一种基于深度学习与弹性网正则化的电网网损计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109412152B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109995031B (zh) * | 2019-05-05 | 2020-07-17 | 重庆大学 | 基于物理模型的概率潮流深度学习计算方法 |
CN112087055B (zh) * | 2020-09-09 | 2024-05-10 | 青岛鼎信通讯股份有限公司 | 一种应用于低压台区电表网络的拓扑识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012161378A1 (ko) * | 2011-05-25 | 2012-11-29 | (주)파워이십일 | 배전 시스템의 상태추정 방법 |
CN105070293A (zh) * | 2015-08-31 | 2015-11-18 | 武汉大学 | 基于深度神经网络的音频带宽扩展编码解码方法及装置 |
CN108694467A (zh) * | 2018-05-22 | 2018-10-23 | 中国电力科学研究院有限公司 | 一种对配电网线损率进行预测的方法及系统 |
-
2018
- 2018-11-08 CN CN201811329736.8A patent/CN109412152B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012161378A1 (ko) * | 2011-05-25 | 2012-11-29 | (주)파워이십일 | 배전 시스템의 상태추정 방법 |
CN105070293A (zh) * | 2015-08-31 | 2015-11-18 | 武汉大学 | 基于深度神经网络的音频带宽扩展编码解码方法及装置 |
CN108694467A (zh) * | 2018-05-22 | 2018-10-23 | 中国电力科学研究院有限公司 | 一种对配电网线损率进行预测的方法及系统 |
Non-Patent Citations (3)
Title |
---|
Dynamically pre-trained deep recurrent neural networks using environmental monitoring data for predicting PM2.5;Bun Theang Ong 等;《Neural Comput & Applic》;20150626;第1553-1566页 * |
人工神经网络在电力系统网损计算中的应用;韩富春 等;《太原理工大学学报》;20041130;第35卷(第6期);第664-666页 * |
基于深度置信网络的电力系统暂态稳定评估方法;朱乔木 等;《中国电机工程学报》;20180205;第38卷(第3期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109412152A (zh) | 2019-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li | Evaluating mean life of power system equipment with limited end-of-life failure data | |
CN107292502B (zh) | 一种配电网可靠性评估方法 | |
CN108446794A (zh) | 一种基于多个卷积神经网络结合架构深度学习预测方法 | |
WO2022021726A1 (zh) | 一种基于pmu的电力系统状态估计性能评价方法 | |
CN110417011A (zh) | 一种基于互信息与迭代随机森林的在线动态安全评估方法 | |
CN111178585A (zh) | 基于多算法模型融合的故障接报量预测方法 | |
CN109412152B (zh) | 一种基于深度学习与弹性网正则化的电网网损计算方法 | |
CN113536509B (zh) | 一种基于图卷积网络的微电网拓扑辨识方法 | |
CN108596407B (zh) | 一种基于曼哈顿距离和无迹卡尔曼滤波的微电网日常综合负荷短时预测方法 | |
CN109214565A (zh) | 一种适用于大电网分区调度的子区域系统负荷预测方法 | |
CN114006370A (zh) | 一种电力系统暂态稳定分析评估方法及系统 | |
CN116663419A (zh) | 一种基于优化的Elman神经网络的无传感器设备故障预测方法 | |
CN109540089B (zh) | 一种基于贝叶斯-克里金模型的桥面高程拟合方法 | |
CN110675276B (zh) | 一种用于直流输电系统反演下垂控制的方法及系统 | |
CN115879833B (zh) | 考虑灾害响应和恢复的双层配电网韧性评估方法及系统 | |
CN109886316B (zh) | 基于云系相似度权重分配的变压器状态参量组合预测方法 | |
CN116307773A (zh) | 一种变电站二次设备可靠性估计方法 | |
CN113627655B (zh) | 一种配电网灾前故障场景模拟预测方法及装置 | |
CN115359197A (zh) | 一种基于空间自相关神经网络的地质曲面重构方法 | |
CN109472072B (zh) | 基于河流模拟的季节性河流与地下水间相互作用预测方法 | |
Wang et al. | An alternative method for estimating wind-power capacity credit based on reliability evaluation using intelligent search | |
CN109376494A (zh) | 一种基于电力系统的概率潮流确定方法及系统 | |
CN113488989B (zh) | 一种基于流计算的局部混合线性状态估计方法 | |
CN113592565B (zh) | 一种电力系统节点重要度预测方法 | |
CN108258683A (zh) | 配电网变压器容量使用情况预测方法 |
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 |