CN109816247B - 关联改造措施与线路重载的电网投资决策建模方法及装置 - Google Patents
关联改造措施与线路重载的电网投资决策建模方法及装置 Download PDFInfo
- Publication number
- CN109816247B CN109816247B CN201910077581.1A CN201910077581A CN109816247B CN 109816247 B CN109816247 B CN 109816247B CN 201910077581 A CN201910077581 A CN 201910077581A CN 109816247 B CN109816247 B CN 109816247B
- Authority
- CN
- China
- Prior art keywords
- distribution network
- power distribution
- line
- neural network
- measures
- 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
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种关联改造措施与线路重载的电网投资决策建模方法及装置,该方法包括以下步骤:利用BP神经网络构建配电网改造措施与线路重载率指标之间的直接映射,训练得到基于BP神经网络的线路重载率评估模型;利用所述线路重载率评估模型计算得到不同配电网改造措施与线路重载率指标二者之间的关联性,以判断出不同配电网改造措施对线路重载率指标的影响程度;利用挖掘到的不同配电网改造措施与线路重载率指标的关联性,根据目标差异,分别以线路重载率指标提升最大为目标,以及以配电网投资额最小为目标两类进行投资决策建模;求解投资决策模型,得到最优决策结果。该方法及装置有利于降低建模的复杂性,提高计算效率。
Description
技术领域
本发明涉及电网建设改造技术领域,特别是一种关联改造措施与线路重载的电网投资决策建模方法及装置。
背景技术
“2015智能电力系统峰会”已提出主动配电网是配电网未来的发展方向。为了有效解决当前供电可靠性不足和提高电能质量,配电网结构已变得越来越复杂,未来配电网的发展将大步向主动配电网迈进。主动配电网具有一定比例的分布式可控资源,且网络拓扑结构灵活,可调性大,具有较为完善的可控可观能力。但随着主动配电网中风电、光伏等分布式能源渗透率增大,其出力的间歇性和波动性给电网的安全运行带来极大影响,因此实现清洁能源的高效利用且灵活控制潮流分布,保证电网运行安全十分必要。传统配电网结构将越来越难以适应分布式电源、储能装置、柔性负荷接入配电网,为保证高电能质量、高运行可靠性、高渗透率清洁能源,实现电网自愈和互动,对配电网结构进行改造,确定配电网优化投资决策也将势在必行。
大数据分析是实现主动配电网的技术支持,利用数据挖掘技术分析主动配电网改造措施与线路重载率的关联性,可通过输入数据直接得到结果,有利于主动配电网的优化投资决策,避免了传统分析方法中进行潮流计算的繁琐与复杂。数据挖掘利用了人工智能和统计分析的优点,基于统计分析方法学,利用计算机强大的计算能力完成相应的功能,如今数据挖掘算法主要有决策树算法、贝叶斯分类算法、神经网络算法等。决策树算法需要创建复杂的树而出现过拟合现象,此外决策树算法的结果可能不稳定,因为很小的数据变化会引起生成完全不同的树。贝叶斯分类算法在属性个数比较多或属性之间相关性较大时分类效果不好。
发明内容
本发明的目的在于提供一种关联改造措施与线路重载的电网投资决策建模方法及装置,该方法及装置有利于降低建模的复杂性,提高计算效率。
为实施上述目的,本发明的技术方案是:一种关联改造措施与线路重载的电网投资决策建模方法,包括以下步骤:
S1:利用BP神经网络的非线性映射能力,使用配电网前期时序模拟数据和已有的配电网在分布式电源出力、节点负荷需求确定的条件下线路的过载率数据作为样本集训练BP神经网络,构建配电网改造措施与线路重载率指标之间的直接映射,得到基于BP神经网络的线路重载率评估模型;
S2:利用训练好的BP神经网络,即所述线路重载率评估模型计算得到不同配电网改造措施与线路重载率指标二者之间的关联性,以判断出不同配电网改造措施对线路重载率指标的影响程度;
S3:基于挖掘到的不同配电网改造措施与线路重载率指标的关联性,根据目标差异,分两类进行投资决策建模:一类是以配电网投资额上限为约束,以线路重载率指标提升最大为目标,建立投资决策模型;另一类是以线路重载率指标提升下限为约束,以配电网投资额最小为目标,建立投资决策模型;
S4:求解投资决策模型,得到配电网改造资源配置的最优决策结果。
进一步地,对BP神经网络进行训练,构建配电网改造措施与线路重载率指标之间的直接映射,包括以下步骤:
(1)获取配电网中长期运行时序模拟数据,初步训练确定BP神经网络各参数的基本解空间;
(2)以分布式电源出力及位置、节点负荷数据作为BP神经网络的输入向量,电压、功率数据作为输出向量,确定BP神经网络模型和学习模式;
(3)输入配电网前期时序模拟数据,计算BP神经网络隐含层与输出层各单元的输入与输出,即完成BP神经网络学习的信息正向传播过程;
(4)计算输出层各神经元的校正误差,完成误差反向传播过程;
(5)采用遗传算法对控制BP神经网络性能的权值与阈值进行调整,优化不同资源配置方案与线路重载率关联规则的收敛速度;
(6)更新学习模式和学习次数;
(7)重复步骤(6),不断训练BP神经网络直到满足截止条件;
(8)对于训练好的BP神经网络,输入不同改造方案下的节点负荷、电压、功率、分布式电源出力及远动装置安装数据,计算得到相应的线路重载率指标结果。
进一步地,以配电网投资额上限为约束,以线路重载率指标提升最大为目标建立的投资决策模型如下所示:
以配电网性能指标,即线路重载率指标提升最大为目标函数:
max({Ii-I|i∈(1,2,…,n)})
其中,I和Ii分别表示改造措施实施前、后配电网的线路重载率指标;
以配电网投资总额、改造措施独立性和改造措施与性能指标关联关系为约束:
Xi∈{0,1}
其中,Xi表示第i种配电网改造措施,Ii表示第i种配电网改造措施对应的线路重载率指标,w和t分别表示BP神经网络输入层到隐含层的权值和阈值,w'和t'分别表示BP神经网络隐含层到输出层的权值和阈值,表示第i种配电网改造措施与线路重载率指标的关联关系,K(Xi)表示第i种配电网改造措施Xi的费用,n表示共有n种配电网改造措施,Kmax表示配电网投资额上限;
以线路重载率指标提升下限为约束,以配电网投资额最小为目标建立的投资决策模型如下所示:
以配电网投资额最小为目标函数:
min({K(Xi)|i∈(1,2,…,n)})
以线路重载率指标提升程度、改造措施独立性和改造措施与性能指标关联关系为约束:
s.t.Ii-I≥ΔIset
Xi∈{0,1}
其中,ΔIset表示线路重载率指标提升下限;上述模型中,以配电网投资额最小为目标,以线路重载率指标提升下限作为约束,其余约束条件与以线路重载率指标提升最大为目标的投资决策模型相同,均是基于配电网改造措施与线路重载率指标的关联规则进行建模。
本发明还提供了一种关联改造措施与线路重载的电网投资决策建模装置,包括:
训练单元,用于利用BP神经网络的非线性映射能力,使用配电网前期时序模拟数据和已有的配电网在分布式电源出力、节点负荷需求确定的条件下线路的过载率数据作为样本集训练BP神经网络,构建配电网改造措施与线路重载率指标之间的直接映射,得到基于BP神经网络的线路重载率评估模型;
计算单元,用于利用训练好的BP神经网络,即所述线路重载率评估模型计算得到不同配电网改造措施与线路重载率指标二者之间的关联性,以判断出不同配电网改造措施对线路重载率指标的影响程度;
建模单元,用于基于挖掘到的不同配电网改造措施与线路重载率指标的关联性,根据目标差异,分两类进行投资决策建模:一类是以配电网投资额上限为约束,以线路重载率指标提升最大为目标,建立投资决策模型;另一类是以线路重载率指标提升下限为约束,以配电网投资额最小为目标,建立投资决策模型;以及
求解单元,用于求解投资决策模型,得到配电网改造资源配置的最优决策结果。
进一步地,所述训练单元对BP神经网络进行训练,构建配电网改造措施与线路重载率指标之间的直接映射,包括以下步骤:
(1)获取配电网中长期运行时序模拟数据,初步训练确定BP神经网络各参数的基本解空间;
(2)以分布式电源出力及位置、节点负荷数据作为BP神经网络的输入向量,电压、功率数据作为输出向量,确定BP神经网络模型和学习模式;
(3)输入配电网前期时序模拟数据,计算BP神经网络隐含层与输出层各单元的输入与输出,即完成BP神经网络学习的信息正向传播过程;
(4)计算输出层各神经元的校正误差,完成误差反向传播过程;
(5)采用遗传算法对控制BP神经网络性能的权值与阈值进行调整,优化不同资源配置方案与线路重载率关联规则的收敛速度;
(6)更新学习模式和学习次数;
(7)重复步骤(6),不断训练BP神经网络直到满足截止条件;
(8)对于训练好的BP神经网络,输入不同改造方案下的节点负荷、电压、功率、分布式电源出力及远动装置安装数据,计算得到相应的线路重载率指标结果。
进一步地,所述建模单元以配电网投资额上限为约束,以线路重载率指标提升最大为目标建立的投资决策模型如下所示:
以配电网性能指标,即线路重载率指标提升最大为目标函数:
max({Ii-I|i∈(1,2,…,n)})
其中,I和Ii分别表示改造措施实施前、后配电网的线路重载率指标;
以配电网投资总额、改造措施独立性和改造措施与性能指标关联关系为约束:
Xi∈{0,1}
其中,Xi表示第i种配电网改造措施,Ii表示第i种配电网改造措施对应的线路重载率指标,w和t分别表示BP神经网络输入层到隐含层的权值和阈值,w'和t'分别表示BP神经网络隐含层到输出层的权值和阈值,表示第i种配电网改造措施与线路重载率指标的关联关系,K(Xi)表示第i种配电网改造措施Xi的费用,n表示共有n种配电网改造措施,Kmax表示配电网投资额上限。
进一步地,所述建模单元以线路重载率指标提升下限为约束,以配电网投资额最小为目标建立的投资决策模型如下所示:
以配电网投资额最小为目标函数:
min({K(Xi)|i∈(1,2,…,n)})
以线路重载率指标提升程度、改造措施独立性和改造措施与性能指标关联关系为约束:
s.t.Ii-I≥ΔIset
Xi∈{0,1}
其中,ΔIset表示线路重载率指标提升下限;上述模型中,以配电网投资额最小为目标,以线路重载率指标提升下限作为约束,其余约束条件与以线路重载率指标提升最大为目标的投资决策模型相同,均是基于配电网改造措施与线路重载率指标的关联规则进行建模。
相较于现有技术,本发明的有益效果是:该方法及装置通过数据挖掘技术找到配电网改造措施与线路重载率之间的关联性规律,在主动配电网投资决策建模时使用训练学习得到的二者之间的关联性神经网络模型替换传统建模时需要的复杂潮流计算。将复杂多样的配电网规划投资配置方案输入到训练后的神经网络模型,可快速准确输出得到各种资源配置措施对线路重载率指标的影响,从而为主动配电网投资规划提供辅助决策。这与传统投资规划中使用潮流计算得到结果相比,本发明为优化投资决策提高了计算效率,避免了进行非线性潮流计算的繁琐。
附图说明
图1是本发明实施例的方法中主动配电网投资决策建模流程示意图。
图2是本发明实施例的方法中基于BP神经网络的线路重载率评估模型示意图。
图3是本发明实施例的方法中BP神经网络的训练流程示意图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步说明。
图1为本发明实施例中主动配电网投资决策建模流程。如图1所示,本发明关联改造措施与线路重载的电网投资决策建模方法,包括以下步骤:
S1:利用BP神经网络的非线性映射能力,使用配电网前期时序模拟数据和已有的配电网在分布式电源出力、节点负荷需求确定的条件下线路的过载率数据作为样本集训练BP神经网络,构建配电网改造措施与线路重载率指标之间的直接映射,得到如图2所示的基于BP神经网络的线路重载率评估模型。
S2:利用训练好的BP神经网络,即所述线路重载率评估模型计算得到不同配电网改造措施与线路重载率指标二者之间的关联性,以判断出不同配电网改造措施对线路重载率指标的影响程度。
S3:利用挖掘到的不同配电网改造措施与线路重载率指标的关联性取代传统潮流计算得到的二者关联性,根据目标差异,分两类进行投资决策建模:一类是以配电网投资额上限为约束,以线路重载率指标提升最大为目标,建立投资决策模型;另一类是以线路重载率指标提升下限为约束,以配电网投资额最小为目标,建立投资决策模型。
其中,以配电网投资额上限为约束,以线路重载率指标提升最大为目标建立的投资决策模型如下所示:
以配电网性能指标,即线路重载率指标提升最大为目标函数:
max({Ii-I|i∈(1,2,…,n)})
其中,I和Ii分别表示改造措施实施前、后配电网的线路重载率指标;
以配电网投资总额、改造措施独立性和改造措施与性能指标关联关系为约束:
Xi∈{0,1}
其中,Xi表示第i种配电网改造措施,Ii表示第i种配电网改造措施对应的线路重载率指标,w和t分别表示BP神经网络输入层到隐含层的权值和阈值,w'和t'分别表示BP神经网络隐含层到输出层的权值和阈值,表示第i种配电网改造措施与线路重载率指标的关联关系,K(Xi)表示第i种配电网改造措施Xi的费用,n表示共有n种配电网改造措施,Kmax表示配电网投资额上限;
以线路重载率指标提升下限为约束,以配电网投资额最小为目标建立的投资决策模型如下所示:
以配电网投资额最小为目标函数:
min({K(Xi)|i∈(1,2,…,n)})
以线路重载率指标提升程度、改造措施独立性和改造措施与性能指标关联关系为约束:
s.t.Ii-I≥ΔIset
Xi∈{0,1}
其中,ΔIset表示线路重载率指标提升下限;上述模型中,以配电网投资额最小为目标,以线路重载率指标提升下限作为约束,其余约束条件与以线路重载率指标提升最大为目标的投资决策模型相同,均是基于配电网改造措施与线路重载率指标的关联规则进行建模。
S4:求解投资决策模型,得到配电网改造资源配置的最优决策结果。
图3为本发明实施例中BP神经网络的训练流程。如图3所示,对BP神经网络进行训练,构建配电网改造措施与线路重载率指标之间的直接映射,从而挖掘出不同配电网改造措施与线路重载率指标之间关联性,包括以下步骤:
(1)获取配电网中长期运行时序模拟数据,初步训练确定BP神经网络各参数的基本解空间;
(2)以分布式电源出力及位置、节点负荷等数据作为BP神经网络的输入向量,电压、功率等数据作为输出向量,确定BP神经网络模型和学习模式;
(3)输入配电网前期时序模拟数据,计算BP神经网络隐含层与输出层各单元的输入与输出,即完成BP神经网络学习的信息正向传播过程;
(4)计算输出层各神经元的校正误差,完成误差反向传播过程;
(5)采用遗传算法对控制BP神经网络性能的权值与阈值进行调整,优化不同资源配置方案与线路重载率关联规则的收敛速度;
(6)更新学习模式和学习次数;
(7)重复步骤(6),不断训练BP神经网络直到满足截止条件(最大学习次数);
(8)对于训练好的BP神经网络,输入不同改造方案下的节点负荷、电压、功率、分布式电源出力及远动装置安装等数据,计算得到相应的线路重载率指标结果。
本发明还提供了一种用于实现上述方法的关联改造措施与线路重载的电网投资决策建模装置,包括:
训练单元,用于利用BP神经网络的非线性映射能力,使用配电网前期时序模拟数据和已有的配电网在分布式电源出力、节点负荷需求确定的条件下线路的过载率数据作为样本集训练BP神经网络,构建配电网改造措施与线路重载率指标之间的直接映射,得到基于BP神经网络的线路重载率评估模型;
计算单元,用于利用训练好的BP神经网络,即所述线路重载率评估模型计算得到不同配电网改造措施与线路重载率指标二者之间的关联性,以判断出不同配电网改造措施对线路重载率指标的影响程度;
建模单元,用于基于挖掘到的不同配电网改造措施与线路重载率指标的关联性,根据目标差异,分两类进行投资决策建模:一类是以配电网投资额上限为约束,以线路重载率指标提升最大为目标,建立投资决策模型;另一类是以线路重载率指标提升下限为约束,以配电网投资额最小为目标,建立投资决策模型;以及
求解单元,用于求解投资决策模型,得到配电网改造资源配置的最优决策结果。
所述训练单元对BP神经网络进行训练,构建配电网改造措施与线路重载率指标之间的直接映射,包括以下步骤:
(1)获取配电网中长期运行时序模拟数据,初步训练确定BP神经网络各参数的基本解空间;
(2)以分布式电源出力及位置、节点负荷数据作为BP神经网络的输入向量,电压、功率数据作为输出向量,确定BP神经网络模型和学习模式;
(3)输入配电网前期时序模拟数据,计算BP神经网络隐含层与输出层各单元的输入与输出,即完成BP神经网络学习的信息正向传播过程;
(4)计算输出层各神经元的校正误差,完成误差反向传播过程;
(5)采用遗传算法对控制BP神经网络性能的权值与阈值进行调整,优化不同资源配置方案与线路重载率关联规则的收敛速度;
(6)更新学习模式和学习次数;
(7)重复步骤(6),不断训练BP神经网络直到满足截止条件;
(8)对于训练好的BP神经网络,输入不同改造方案下的节点负荷、电压、功率、分布式电源出力及远动装置安装数据,计算得到相应的线路重载率指标结果。
所述建模单元以配电网投资额上限为约束,以线路重载率指标提升最大为目标建立的投资决策模型如下所示:
以配电网性能指标,即线路重载率指标提升最大为目标函数:
max({Ii-I|i∈(1,2,…,n)})
其中,I和Ii分别表示改造措施实施前、后配电网的线路重载率指标;
以配电网投资总额、改造措施独立性和改造措施与性能指标关联关系为约束:
Xi∈{0,1}
其中,Xi表示第i种配电网改造措施,Ii表示第i种配电网改造措施对应的线路重载率指标,w和t分别表示BP神经网络输入层到隐含层的权值和阈值,w'和t'分别表示BP神经网络隐含层到输出层的权值和阈值,表示第i种配电网改造措施与线路重载率指标的关联关系,K(Xi)表示第i种配电网改造措施Xi的费用,n表示共有n种配电网改造措施,Kmax表示配电网投资额上限。
所述建模单元以线路重载率指标提升下限为约束,以配电网投资额最小为目标建立的投资决策模型如下所示:
以配电网投资额最小为目标函数:
min({K(Xi)|i∈(1,2,…,n)})
以线路重载率指标提升程度、改造措施独立性和改造措施与性能指标关联关系为约束:
s.t.Ii-I≥ΔIset
Xi∈{0,1}
其中,ΔIset表示线路重载率指标提升下限;上述模型中,以配电网投资额最小为目标,以线路重载率指标提升下限作为约束,其余约束条件与以线路重载率指标提升最大为目标的投资决策模型相同,均是基于配电网改造措施与线路重载率指标的关联规则进行建模。
本发明利用BP神经网络的非线性映射能力构建配电网改造措施与线路重载率之间的直接映射;针对配电网线路重载率与各种预想的改造措施的训练BP神经网络,当配电网改造措施场景发生变化时,该模型能快速估计出该改造措施下的线路重载率值,从而判定不同配电网改造措施对配电网线路重载率的影响程度,作为后期配电网投资决策的关联性约束条件,节省了时域仿真的时间消耗;利用该基于BP神经网络的配电网线路重载率评估模型可以大大提升模型的求解速度,从而快速、有效地制定配电网投资策略。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (4)
1.一种关联改造措施与线路重载的电网投资决策建模方法,其特征在于,包括以下步骤:
S1:利用BP神经网络的非线性映射能力,使用配电网前期时序模拟数据和已有的配电网在分布式电源出力、节点负荷需求确定的条件下线路的过载率数据作为样本集训练BP神经网络,构建配电网改造措施与线路重载率指标之间的直接映射,得到基于BP神经网络的线路重载率评估模型;
S2:利用训练好的BP神经网络,即所述线路重载率评估模型计算得到不同配电网改造措施与线路重载率指标二者之间的关联性,以判断出不同配电网改造措施对线路重载率指标的影响程度;
S3:基于挖掘到的不同配电网改造措施与线路重载率指标的关联性,根据目标差异,分两类进行投资决策建模:一类是以配电网投资额上限为约束,以线路重载率指标提升最大为目标,建立投资决策模型;另一类是以线路重载率指标提升下限为约束,以配电网投资额最小为目标,建立投资决策模型;
S4:求解投资决策模型,得到配电网改造资源配置的最优决策结果;
以配电网投资额上限为约束,以线路重载率指标提升最大为目标建立的投资决策模型如下所示:
以配电网性能指标,即线路重载率指标提升最大为目标函数:
max({Ii-I|i∈(1,2,…,n)})
其中,I和Ii分别表示第i种改造措施实施前、后配电网的线路重载率指标;
以配电网投资总额、改造措施独立性和改造措施与性能指标关联关系为约束:
Xi∈{0,1}
其中,Xi表示第i种配电网改造措施,Ii表示第i种改造措施实施后配电网的线路重载率指标,w和t分别表示BP神经网络输入层到隐含层的权值和阈值,w'和t'分别表示BP神经网络隐含层到输出层的权值和阈值,表示第i种配电网改造措施与线路重载率指标的关联关系,K(Xi)表示第i种配电网改造措施Xi的费用,n表示共有n种配电网改造措施,Kmax表示配电网投资额上限;
以线路重载率指标提升下限为约束,以配电网投资额最小为目标建立的投资决策模型如下所示:
以配电网投资额最小为目标函数:
min({K(Xi)|i∈(1,2,…,n)})
以线路重载率指标提升程度、改造措施独立性和改造措施与性能指标关联关系为约束:
s.t.Ii-I≥ΔIset
Xi∈{0,1}
其中,ΔIset表示线路重载率指标提升下限。
2.根据权利要求1所述的关联改造措施与线路重载的电网投资决策建模方法,其特征在于,对BP神经网络进行训练,构建配电网改造措施与线路重载率指标之间的直接映射,包括以下步骤:
(1)获取配电网中长期运行时序模拟数据,初步训练确定BP神经网络各参数的解空间;
(2)以分布式电源出力及位置、节点负荷数据作为BP神经网络的输入向量,电压、功率数据作为输出向量,确定BP神经网络模型和学习模式;
(3)输入配电网前期时序模拟数据,计算BP神经网络隐含层与输出层各单元的输入与输出,即完成BP神经网络学习的信息正向传播过程;
(4)计算输出层各神经元的校正误差,完成误差反向传播过程;
(5)采用遗传算法对控制BP神经网络性能的权值与阈值进行调整,优化不同资源配置方案与线路重载率关联规则的收敛速度;
(6)更新学习模式和学习次数;
(7)重复步骤(6),不断训练BP神经网络直到满足截止条件;
(8)对于训练好的BP神经网络,输入不同改造方案下的节点负荷、电压、功率、分布式电源出力及远动装置安装数据,计算得到相应的线路重载率指标结果。
3.一种关联改造措施与线路重载的电网投资决策建模装置,其特征在于,包括:
训练单元,用于利用BP神经网络的非线性映射能力,使用配电网前期时序模拟数据和已有的配电网在分布式电源出力、节点负荷需求确定的条件下线路的过载率数据作为样本集训练BP神经网络,构建配电网改造措施与线路重载率指标之间的直接映射,得到基于BP神经网络的线路重载率评估模型;
计算单元,用于利用训练好的BP神经网络,即所述线路重载率评估模型计算得到不同配电网改造措施与线路重载率指标二者之间的关联性,以判断出不同配电网改造措施对线路重载率指标的影响程度;
建模单元,用于基于挖掘到的不同配电网改造措施与线路重载率指标的关联性,根据目标差异,分两类进行投资决策建模:一类是以配电网投资额上限为约束,以线路重载率指标提升最大为目标,建立投资决策模型;另一类是以线路重载率指标提升下限为约束,以配电网投资额最小为目标,建立投资决策模型;以及
求解单元,用于求解投资决策模型,得到配电网改造资源配置的最优决策结果;
所述建模单元以配电网投资额上限为约束,以线路重载率指标提升最大为目标建立的投资决策模型如下所示:
以配电网性能指标,即线路重载率指标提升最大为目标函数:
max({Ii-I|i∈(1,2,…,n)})
其中,I和Ii分别表示第i种改造措施实施前、后配电网的线路重载率指标;
以配电网投资总额、改造措施独立性和改造措施与性能指标关联关系为约束:
Xi∈{0,1}
其中,Xi表示第i种配电网改造措施,Ii表示第i种改造措施实施后配电网的线路重载率指标,w和t分别表示BP神经网络输入层到隐含层的权值和阈值,w'和t'分别表示BP神经网络隐含层到输出层的权值和阈值,表示第i种配电网改造措施与线路重载率指标的关联关系,K(Xi)表示第i种配电网改造措施Xi的费用,n表示共有n种配电网改造措施,Kmax表示配电网投资额上限;
所述建模单元以线路重载率指标提升下限为约束,以配电网投资额最小为目标建立的投资决策模型如下所示:
以配电网投资额最小为目标函数:
min({K(Xi)|i∈(1,2,…,n)})
以线路重载率指标提升程度、改造措施独立性和改造措施与性能指标关联关系为约束:
s.t.Ii-I≥ΔIset
Xi∈{0,1}
其中,ΔIset表示线路重载率指标提升下限。
4.根据权利要求3所述的关联改造措施与线路重载的电网投资决策建模装置,其特征在于,所述训练单元对BP神经网络进行训练,构建配电网改造措施与线路重载率指标之间的直接映射,包括以下步骤:
(1)获取配电网中长期运行时序模拟数据,初步训练确定BP神经网络各参数的解空间;
(2)以分布式电源出力及位置、节点负荷数据作为BP神经网络的输入向量,电压、功率数据作为输出向量,确定BP神经网络模型和学习模式;
(3)输入配电网前期时序模拟数据,计算BP神经网络隐含层与输出层各单元的输入与输出,即完成BP神经网络学习的信息正向传播过程;
(4)计算输出层各神经元的校正误差,完成误差反向传播过程;
(5)采用遗传算法对控制BP神经网络性能的权值与阈值进行调整,优化不同资源配置方案与线路重载率关联规则的收敛速度;
(6)更新学习模式和学习次数;
(7)重复步骤(6),不断训练BP神经网络直到满足截止条件;
(8)对于训练好的BP神经网络,输入不同改造方案下的节点负荷、电压、功率、分布式电源出力及远动装置安装数据,计算得到相应的线路重载率指标结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910077581.1A CN109816247B (zh) | 2019-01-26 | 2019-01-26 | 关联改造措施与线路重载的电网投资决策建模方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910077581.1A CN109816247B (zh) | 2019-01-26 | 2019-01-26 | 关联改造措施与线路重载的电网投资决策建模方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109816247A CN109816247A (zh) | 2019-05-28 |
CN109816247B true CN109816247B (zh) | 2022-07-05 |
Family
ID=66605354
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910077581.1A Active CN109816247B (zh) | 2019-01-26 | 2019-01-26 | 关联改造措施与线路重载的电网投资决策建模方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109816247B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009065817A (ja) * | 2007-09-10 | 2009-03-26 | Kansai Electric Power Co Inc:The | 配電系統の電圧管理方法 |
CN107591799A (zh) * | 2017-08-28 | 2018-01-16 | 贵州电网有限责任公司 | 一种基于最大供电能力的配电网短期规划方法 |
CN108122068A (zh) * | 2017-12-05 | 2018-06-05 | 中国电力科学研究院有限公司 | 一种配电网风险规划方法及系统 |
CN109242221A (zh) * | 2018-11-19 | 2019-01-18 | 国网山东省电力公司经济技术研究院 | 基于电网发展需求与效益评价的配电网投资策略优化方法 |
-
2019
- 2019-01-26 CN CN201910077581.1A patent/CN109816247B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009065817A (ja) * | 2007-09-10 | 2009-03-26 | Kansai Electric Power Co Inc:The | 配電系統の電圧管理方法 |
CN107591799A (zh) * | 2017-08-28 | 2018-01-16 | 贵州电网有限责任公司 | 一种基于最大供电能力的配电网短期规划方法 |
CN108122068A (zh) * | 2017-12-05 | 2018-06-05 | 中国电力科学研究院有限公司 | 一种配电网风险规划方法及系统 |
CN109242221A (zh) * | 2018-11-19 | 2019-01-18 | 国网山东省电力公司经济技术研究院 | 基于电网发展需求与效益评价的配电网投资策略优化方法 |
Non-Patent Citations (1)
Title |
---|
大规模中压配电网可靠性建设改造措施优选模型及求解方法;苏韵掣等;《电网技术》;20170131(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109816247A (zh) | 2019-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11409347B2 (en) | Method, system and storage medium for predicting power load probability density based on deep learning | |
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 | |
CN109002942A (zh) | 一种基于随机神经网络的短期负荷预测方法 | |
CN110212551B (zh) | 基于卷积神经网络的微网无功自动控制方法 | |
CN111062464B (zh) | 一种基于深度学习的电力通信网可靠性预测和保障方法和系统 | |
WO2023134759A1 (zh) | 数据处理方法及装置 | |
CN111461463B (zh) | 一种基于tcn-bp的短期负荷预测方法、系统及设备 | |
CN105138717A (zh) | 一种动态变异粒子群优化神经网络的变压器状态评估方法 | |
CN110837915B (zh) | 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法 | |
CN104682392A (zh) | 计及线路安全约束的省网agc机组动态优化调度方法 | |
CN109886560A (zh) | 配电网改造措施与电压合格率指标关联性挖掘方法及装置 | |
Deng et al. | Distributed electricity load forecasting model mining based on hybrid gene expression programming and cloud computing | |
CN110009181A (zh) | 配电网改造措施与失负荷量指标关联性挖掘方法及装置 | |
CN116843083A (zh) | 基于混合神经网络模型的碳排放预测系统及方法 | |
CN110059938B (zh) | 一种基于关联规则驱动的配电网规划方法 | |
CN110783913A (zh) | 基于群的计及预想事故集最佳电网拓扑在线优化方法 | |
CN109816247B (zh) | 关联改造措施与线路重载的电网投资决策建模方法及装置 | |
CN111864728B (zh) | 一种可重构配电网重要设备识别方法和系统 | |
CN116957262A (zh) | 一种基于三进程耦合的园区综合能源系统的优化调度方法 | |
CN115360768A (zh) | 基于muzero和深度强化学习的电力调度方法、装置及存储介质 | |
CN113421004B (zh) | 输配协同的主动配电网分布式鲁棒扩展规划系统及方法 | |
Sun et al. | Investment Cost Forecasting for Low Carbon Power System Planning Considering Technical Progress and Scale Effect | |
CN114298429A (zh) | 一种配电网动案辅助决策方法、系统、装置和存储介质 | |
CN114759579A (zh) | 一种基于数据驱动的电网有功优化控制系统、方法和介质 | |
CN108510164A (zh) | 一种电力系统内指定地区的外网等值模型在线生成方法 |
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 |