CN109858798B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN109858798B CN109858798B CN201910077469.8A CN201910077469A CN109858798B CN 109858798 B CN109858798 B CN 109858798B CN 201910077469 A CN201910077469 A CN 201910077469A CN 109858798 B CN109858798 B CN 109858798B
- Authority
- CN
- China
- Prior art keywords
- power distribution
- distribution network
- voltage
- qualification rate
- neural network
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
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电压指标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电压合格率指标之间的直接映射,训练得到基于BP神经网络的电压合格率评估模型;利用所述电压合格率评估模型计算得到不同配电网改造措施与电压合格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电压合格率指标的影响程度;利用挖掘到的不同配电网改造措施与电压合格率指标的关联性,根据目标差异,分别以电压合格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
本发明涉及涉及电网建设改造技术领域,特别是一种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。
背景技术
随着可再生能源的不断推进发展,以光伏发电为代表的分布式能源作为绿色能源发展主体,大量分散地接入中低压配电网。为有效解决大规模分布式电源并网的消纳问题,主动配电网将成为未来智能电网的主要发展形式。同时越来越多的分布式能源、储能系统、柔性负荷接入配电网中,将会存在大量非线性元件和设备,所有这些都是电压和电流产生谐波的潜在来源,同时分布式能元处理的不确定性,都会对电网安全运行造成不利影响。以上问题,对传统配电网来说,已经难以适应。为保证电网的电能质量、高可靠性运行、以及分布式能源的高渗透率,加快配电网建设已刻不容缓。电压合格率作为配电网改造措施中要解决的重要问题之一,是配电网建设中的关键问题,对配电网的优化投资决策提出了更高的要求与挑战。
为解决配电网的优化投资决策问题,利用主动配电网改造措施与电网电压合格率指标之间的关系,建立精确的投资决策模型至关重要。然而,传统的投资决策建模中的电压合格率分析涉及到电网潮流计算,物理模型的分析过程非常复杂,不利于当前的配电网规划投资决策。而将现有的大数据分析方法应用于两者关联性分析更有利于该问题的解决。常用的大数据关联性挖掘分析方法有关联规则(Apriori)方法、频繁模式增长(FP-Growth)方法、分类回归树方法、神经网络等方法。Apriori方法是一种最有影响的挖掘布尔关联规则频繁项集的算法,但在每一步产生侯选项目集时循环产生的组合过多,没有排除不应该参与组合的元素。FP-Growth方法是一种基于模式增长的频繁模式挖掘算法,避免了大量候选项集的产生,但它的时间和空间效率不够高。分类回归树方法能够有效地降低指标体系的规模,快速简洁地对属性进行选择,得到其重要性程度排序,但当分类回归树划分得太细时,会对噪声数据产生过拟合作用。神经网络方法具有较强的非线性映射能力,高度自学习和自适应能力,以及一定的容错能力。
发明内容
本发明的目的在于提供一种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,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电压指标的电网投资决策建模方法,包括以下步骤:
S1:获取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电压合格率数据;
S2:利用BP神经网络的非线性映射能力,以步骤S1获得的数据作为样本集训练BP神经网络,构建配电网改造措施与电压合格率指标之间的直接映射,得到基于BP神经网络的电压合格率评估模型;
S3:利用训练好的BP神经网络,即所述电压合格率评估模型计算得到不同配电网改造措施与电压合格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电压合格率指标的影响程度;
S4:利用挖掘到的不同配电网改造措施与电压合格率指标的关联性,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,以电压合格率指标提升最大为目标,建立投资决策模型;另一类是以电压合格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;
S5: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电压合格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电压合格率关联规则的收敛速度;
(6)不断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,计算得到相应的电压合格率指标结果。
进一步地,以配电网投资额上限为约束,以电压合格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,即电压合格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、后配电网的电压合格率指标;
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电压合格率指标,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电压合格率指标的关联关系,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;
以电压合格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)})
以电压合格率指标提升程度、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表示电压合格率指标提升下限;上述模型中,以配电网投资额最小为目标,以电压合格率指标提升下限作为约束,其余约束条件与以电压合格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电压合格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电压指标的电网投资决策建模方法,包括:
获取单元,用于获取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电压合格率数据;
训练单元,用于利用BP神经网络的非线性映射能力,以步骤S1获得的数据作为样本集训练BP神经网络,构建配电网改造措施与电压合格率指标之间的直接映射,得到基于BP神经网络的电压合格率评估模型;
计算单元,用于利用训练好的BP神经网络,即所述电压合格率评估模型计算得到不同配电网改造措施与电压合格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电压合格率指标的影响程度;
建模单元,用于基于挖掘到的不同配电网改造措施与电压合格率指标的关联性,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,以电压合格率指标提升最大为目标,建立投资决策模型;另一类是以电压合格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电压合格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电压合格率关联规则的收敛速度;
(6)不断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,计算得到相应的电压合格率指标结果。
进一步地,所述建模单元以配电网投资额上限为约束,以电压合格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,即电压合格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、后配电网的电压合格率指标;
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电压合格率指标,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电压合格率指标的关联关系,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,所述建模单元以电压合格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)})
以电压合格率指标提升程度、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表示电压合格率指标提升下限;上述模型中,以配电网投资额最小为目标,以电压合格率指标提升下限作为约束,其余约束条件与以电压合格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电压合格率指标的关联规则进行建模。
与现有技术相比,本发明的有益效果是:与传统配电网投资决策建模技术相比,本发明所提出的投资决策建模技术,可以将原本涉及到复杂非线性潮流计算的投资决策模型转化为基于数据关联的简单线性配电网投资决策模型,并且可以考虑到复杂多样的配电网改造措施对电压合格率指标的影响,更快速高效地实现配电网的精确投资规划决策。此外,本发明中应用的关联性挖掘技术在发现问题潜在规律和提高计算效率等方面具有较大优势,不仅可以避免复杂的潮流计算过程,并且可以有效地提升计算效率。
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神经网络的电压合格率评估模型示意图。
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电压指标的电网投资决策建模方法,包括以下步骤:
S1:获取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电压合格率数据。
S2:利用BP神经网络的非线性映射能力,以步骤S1获得的数据作为样本集训练BP神经网络,构建配电网改造措施与电压合格率指标之间的直接映射,得到如图2所示的基于BP神经网络的电压合格率评估模型。
S3:利用训练好的BP神经网络,即所述电压合格率评估模型计算得到不同配电网改造措施与电压合格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电压合格率指标的影响程度。
S4:利用挖掘到的不同配电网改造措施与电压合格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,以电压合格率指标提升最大为目标,建立投资决策模型;另一类是以电压合格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,以电压合格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,即电压合格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、后配电网的电压合格率指标;
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电压合格率指标,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电压合格率指标的关联关系,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;
以电压合格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)})
以电压合格率指标提升程度、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表示电压合格率指标提升下限;上述模型中,以配电网投资额最小为目标,以电压合格率指标提升下限作为约束,其余约束条件与以电压合格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电压合格率指标的关联规则进行建模。
S5: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电压合格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电压合格率指标之间关联性,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电压合格率关联规则的收敛速度;
(6)不断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,计算得到相应的电压合格率指标结果。
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电压指标的电网投资决策建模方法,包括:
获取单元,用于获取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电压合格率数据;
训练单元,用于利用BP神经网络的非线性映射能力,以步骤S1获得的数据作为样本集训练BP神经网络,构建配电网改造措施与电压合格率指标之间的直接映射,得到基于BP神经网络的电压合格率评估模型;
计算单元,用于利用训练好的BP神经网络,即所述电压合格率评估模型计算得到不同配电网改造措施与电压合格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电压合格率指标的影响程度;
建模单元,用于基于挖掘到的不同配电网改造措施与电压合格率指标的关联性,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,以电压合格率指标提升最大为目标,建立投资决策模型;另一类是以电压合格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电压合格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电压合格率关联规则的收敛速度;
(6)不断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,计算得到相应的电压合格率指标结果。
所述建模单元以配电网投资额上限为约束,以电压合格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,即电压合格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、后配电网的电压合格率指标;
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电压合格率指标,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电压合格率指标的关联关系,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。
所述建模单元以电压合格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)})
以电压合格率指标提升程度、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表示电压合格率指标提升下限;上述模型中,以配电网投资额最小为目标,以电压合格率指标提升下限作为约束,其余约束条件与以电压合格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电压合格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电压合格率之间的直接映射;针对配电网电压合格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电压合格率值,从而判定不同配电网改造措施对配电网电压合格率的影响程度,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神经网络的配电网电压合格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电压指标的电网投资决策建模方法,其特征在于,包括以下步骤:
S1:获取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电压合格率数据;
S2:利用BP神经网络的非线性映射能力,以步骤S1获得的数据作为样本集训练BP神经网络,构建配电网改造措施与电压合格率指标之间的直接映射,得到基于BP神经网络的电压合格率评估模型;
S3:利用训练好的BP神经网络,即所述电压合格率评估模型计算得到不同配电网改造措施与电压合格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电压合格率指标的影响程度;
S4:基于挖掘到的不同配电网改造措施与电压合格率指标的关联性,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,以电压合格率指标提升最大为目标,建立投资决策模型;另一类是以电压合格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;
S5: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,以电压合格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,即电压合格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、后配电网的电压合格率指标;
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电压合格率指标,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电压合格率指标的关联关系,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;
以电压合格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)})
以电压合格率指标提升程度、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表示电压合格率指标提升下限。
2.根据权利要求1所述的关联改造措施与电压指标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电压合格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电压合格率关联规则的收敛速度;
(6)不断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,计算得到相应的电压合格率指标结果。
3.一种关联改造措施与电压指标的电网投资决策建模装置,其特征在于,包括:
获取单元,用于获取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电压合格率数据;
训练单元,用于利用BP神经网络的非线性映射能力,以步骤S1获得的数据作为样本集训练BP神经网络,构建配电网改造措施与电压合格率指标之间的直接映射,得到基于BP神经网络的电压合格率评估模型;
计算单元,用于利用训练好的BP神经网络,即所述电压合格率评估模型计算得到不同配电网改造措施与电压合格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电压合格率指标的影响程度;
建模单元,用于基于挖掘到的不同配电网改造措施与电压合格率指标的关联性,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,以电压合格率指标提升最大为目标,建立投资决策模型;另一类是以电压合格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,以电压合格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,即电压合格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、后配电网的电压合格率指标;
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电压合格率指标,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电压合格率指标的关联关系,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;
所述建模单元以电压合格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)})
以电压合格率指标提升程度、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表示电压合格率指标提升下限。
4.根据权利要求3所述的关联改造措施与电压指标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电压合格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电压合格率关联规则的收敛速度;
(6)不断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,计算得到相应的电压合格率指标结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910077469.8A CN109858798B (zh) | 2019-01-26 | 2019-01-26 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910077469.8A CN109858798B (zh) | 2019-01-26 | 2019-01-26 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109858798A CN109858798A (zh) | 2019-06-07 |
CN109858798B true CN109858798B (zh) | 2022-07-05 |
Family
ID=66896328
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910077469.8A Active CN109858798B (zh) | 2019-01-26 | 2019-01-26 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109858798B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178634A (zh) * | 2019-12-31 | 2020-05-19 | 国网经济技术研究院有限公司 | 一种配电网建设改造方案选定方法及系统 |
CN111598294A (zh) * | 2020-04-13 | 2020-08-28 | 国网江西省电力有限公司电力科学研究院 | 一种基于改进型教学优化的主动配电网重构算法和装置 |
CN113393051B (zh) * | 2021-06-30 | 2023-07-18 | 四川大学 | 基于深度迁移学习的配电网投资决策方法 |
CN114037151B (zh) * | 2021-11-09 | 2022-07-12 | 南方电网能源发展研究院有限责任公司 | 中低压配电网投资配置优化方法、装置和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102097805A (zh) * | 2010-12-20 | 2011-06-15 | 重庆电力科学试验研究院 | 一种用于城乡配电网综合节能降损技术的优化决策方法 |
CN102915472A (zh) * | 2012-10-30 | 2013-02-06 | 南京软核科技有限公司 | 基于基因修复混沌遗传算法的配电网综合优化规划方法 |
CN102930482A (zh) * | 2012-11-30 | 2013-02-13 | 河北省电力公司电力科学研究院 | 一种县域配电网投资效果评估方法 |
CN104218588A (zh) * | 2014-08-14 | 2014-12-17 | 广东电网公司电力科学研究院 | 一种配电网供电电压智能分析和辅助决策方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8775996B2 (en) * | 2012-11-19 | 2014-07-08 | International Business Machines Corporation | Direct current circuit analysis based clock network design |
-
2019
- 2019-01-26 CN CN201910077469.8A patent/CN109858798B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102097805A (zh) * | 2010-12-20 | 2011-06-15 | 重庆电力科学试验研究院 | 一种用于城乡配电网综合节能降损技术的优化决策方法 |
CN102915472A (zh) * | 2012-10-30 | 2013-02-06 | 南京软核科技有限公司 | 基于基因修复混沌遗传算法的配电网综合优化规划方法 |
CN102930482A (zh) * | 2012-11-30 | 2013-02-13 | 河北省电力公司电力科学研究院 | 一种县域配电网投资效果评估方法 |
CN104218588A (zh) * | 2014-08-14 | 2014-12-17 | 广东电网公司电力科学研究院 | 一种配电网供电电压智能分析和辅助决策方法 |
Non-Patent Citations (1)
Title |
---|
配电网建设项目投资优化模型及其应用;茹铭;《企业改革与管理》;20160831(第16期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109858798A (zh) | 2019-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Wang et al. | Photovoltaic cell parameter estimation based on improved equilibrium optimizer algorithm | |
CN109871995B (zh) | Spark框架下分布式深度学习的量子优化调参方法 | |
Smith et al. | Evolutionary multi-objective generation of recurrent neural network ensembles for time series prediction | |
CN111461463B (zh) | 一种基于tcn-bp的短期负荷预测方法、系统及设备 | |
CN111182564B (zh) | 一种基于lstm神经网络的无线链路质量预测方法 | |
CN109818775A (zh) | 基于自适应微分进化算法优化小波神经网络的短期网络流量预测方法 | |
CN112491094B (zh) | 一种混合驱动的微电网能量管理方法、系统及装置 | |
CN110048456A (zh) | 一种基于大规模风电接入输电网的源网联合规划方法 | |
CN104408518A (zh) | 基于粒子群优化算法的神经网络学习优化方法 | |
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 | |
CN105631528A (zh) | 一种基于nsga-ii和近似动态规划的多目标动态最优潮流求解方法 | |
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 | |
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 | |
CN116843083A (zh) | 基于混合神经网络模型的碳排放预测系统及方法 | |
Wang et al. | Transmission network dynamic planning based on a double deep-Q network with deep ResNet | |
CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
CN111192158A (zh) | 一种基于深度学习的变电站日负荷曲线相似度匹配方法 | |
CN115528750B (zh) | 一种面向电网安全稳定的数据模型混合驱动机组组合方法 | |
CN116739289A (zh) | 一种流域防洪工程体系多目标智能调度方法 | |
CN111724277A (zh) | 一种新能源与多元负荷价值匹配方法及系统 | |
CN109902870A (zh) | 基于AdaBoost回归树模型的电网投资预测方法 | |
Li et al. | A novel damped conformable fractional grey Bernoulli model and its applications in energy prediction with uncertainties | |
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 | |
Liu et al. | Bi-objective Pareto optimization for clustering-based hierarchical power control in a large-scale PV power plant |
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 |