CN110766301B - 基于narx神经网络的交直流电网自治能力评估方法 - Google Patents

基于narx神经网络的交直流电网自治能力评估方法 Download PDF

Info

Publication number
CN110766301B
CN110766301B CN201910970200.2A CN201910970200A CN110766301B CN 110766301 B CN110766301 B CN 110766301B CN 201910970200 A CN201910970200 A CN 201910970200A CN 110766301 B CN110766301 B CN 110766301B
Authority
CN
China
Prior art keywords
evaluation
power grid
index
neural network
training
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
Application number
CN201910970200.2A
Other languages
English (en)
Other versions
CN110766301A (zh
Inventor
柳伟
朱肖镕
李娜
阮思洁
杨镇宁
张俊芳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN201910970200.2A priority Critical patent/CN110766301B/zh
Publication of CN110766301A publication Critical patent/CN110766301A/zh
Application granted granted Critical
Publication of CN110766301B publication Critical patent/CN110766301B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • 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

Abstract

本发明提供了一种基于NARX神经网络的交直流电网自治能力评估方法，从源网荷储角度，提取训练交直流电网数据的分项评估指标；根据分项评估指标，确定原始评价矩阵及参考数列；使用熵值法，确定各分项评估指标的客观权重；根据原始评价矩阵、参考数列和客观权重，确定训练电网数据的综合灰关联度；根据分项评估指标和综合灰关联度，训练NARX神经网络的评估模型；基于训练的NARX神经网络的评估模型，评估交直流电网自治能力等级。本发明比传统方法选取的指标特征更具全局性，评估精度更高。

Description

基于NARX神经网络的交直流电网自治能力评估方法
技术领域
本发明涉及交直流混合电网运行能力评估领域，具体涉及一种基于NARX神经网络的交直流电网自治能力评估方法。
背景技术
交直流配电系统是为各类用户承载分布式电源、交直流负荷、储能的重要平台，是推动智能电网建设、解决能源危机的关键环节。而国内外频繁的大停电事故表明，大型交直流电网故障难以杜绝，当孤网出现时，电网需要维持自身稳定、自治运行，否则会造成巨大的经济损失，引发严重的社会后果。因此，急需对于交直流电网自治能力的评估方法。传统的电网自治能力评估方法一般利用局部自治区域供蓄能力指标，量化描述局部自治区域消耗储存与提供电能的能力，缺乏对网源荷储协调以及整个电网相互作用的理解。为了给我国交直流配电网的建设提供参考，需要建立一个涵盖交直流配电网特点的评价体系。
发明内容
本发明的目的在于提供一种基于NARX神经网络的交直流电网自治能力评估方法。
实现本发明目的的技术解决方案为：一种基于NARX神经网络的交直流电网自治能力评估方法，包括如下步骤：
步骤1、从源网荷储角度，提取训练交直流电网数据的分项评估指标；
步骤2、根据分项评估指标，确定原始评价矩阵及参考数列；
步骤3、使用熵值法，确定各分项评估指标的客观权重；
步骤4、根据原始评价矩阵、参考数列和客观权重，确定训练电网数据的综合灰关联度；
步骤5、根据分项评估指标和综合灰关联度，训练NARX神经网络的评估模型；
步骤6、基于训练的NARX神经网络的评估模型，评估交直流电网自治能力等级。
本发明与现有技术相比，其显著优点为：1)本发明从源网荷储协调角度出发制定交直流电网自治运行能力指标体系，比多从局部角度研究入手的传统方法更具全局性；2)本发明基于改进的灰关联度分析法制定权重，采用NARX神经网络处理时序数据，建立模型，比传统方法更加精确。
附图说明
图1是本发明基于NARX神经网络的交直流电网自治能力评估方法的流程图。
图2是一种交直流输电仿真模型的示意图。
图3是神经网络模型的R值结果图。
具体实施方式
下面结合附图和具体实施例，进一步说明本发明方案。
如图1所示，基于NARX神经网络的交直流电网自治能力评估方法，包括如下步骤：
步骤1、从源网荷储角度，提取训练交直流电网数据的分项评估指标；
本发明综合考虑了源网荷储四个方面电网的协调运行能力，建立交直流输电系统协调运行能力评估指标体系如表1所示，供后续模型训练。
表1交直流输电系统协调运行能力评估指标体系
Figure BDA0002231793990000021
具体描述如下：
(1)从源的角度制定指标
直流容载比RASL：
Figure BDA0002231793990000022
式中，CAS是DG在直流电网中的容量，CAL是直流电网中的负荷容量。
交流容载比RDSL：
Figure BDA0002231793990000023
式中，CDS是DG在直流电网中的容量，CDL是直流电网中的负荷容量。
(2)从网的角度制定指标
系统互动运行备用容量比RIR为：
Figure BDA0002231793990000024
式中，CIR为交直流网络中系统互动运行备用容量，CS为系统总容量。
(3)从负荷的角度制定指标
可控负荷比RCL为：
Figure BDA0002231793990000031
式中，CCL为网络中的可控负荷容量，CL为系统总负荷容量。
(4)从储能的角度制定指标
电动汽车储能比RSEV为：
Figure BDA0002231793990000032
式中，CSEV为网络中电动汽车储能量。
电池储能比RSB为：
Figure BDA0002231793990000033
式中，CSB为网络中电池储能量。
步骤2、根据训练电网数据的分项评估指标，确定原始评价矩阵及参考数列；
设共有m个时刻的训练交直流电网对象，每个对象对应n个评估指标，则构建原始评价矩阵为：
Figure BDA0002231793990000034
式中，xij表示第i个对象的第j个指标；
从原始评价矩阵选择各指标的最优值即最大值，构成参考数列X0＝(x00,x01,...,x0j,...,x0n)。
步骤3、根据电网数据使用熵值法确定各分项评估指标的客观权重；
在有m个评价时间对象，n个评价指标的评估问题中，第i个评价指标的熵值定义为：
Figure BDA0002231793990000035
式中fij为第i个评价指标下第j个评价对象的比重，当fij＝0时，fij lnfij＝0；
第i个评价指标的熵权定义为：
Figure BDA0002231793990000041
且满足条件：
Figure BDA0002231793990000042
由此计算得出的W＝{ω1,ω2,...,ωn}便是利用熵值法确定的各项指标的客观权重值。
步骤4、根据原始评价矩阵、参考数列和客观权重，确定训练电网数据的综合灰关联度；
步骤4.1、计算原始评价矩阵的每行向量和参考数列的差值的绝对值，得到评估绝对差矩阵，记为[Δk]：
[Δk]＝(Xk-X0)，k＝1,2,...,n 式(9)
式中，Xk表示第k个对象的行向量；
步骤4.2、对绝对差值矩阵进行变换，计算训练样本与标准样本间的关联系数；
Figure BDA0002231793990000043
式中，m表示评价时间对象个数，n表示评价指标个数，ξij表示关联系数，ρ为分辨系数，根据数据序列的平稳性，通过动态取值的方式选取，具体方法为：
设
Figure BDA0002231793990000044
则
Figure BDA0002231793990000045
又ρ＝{ρ(1),ρ(2),...,ρ(n)}，则：
当
Figure BDA0002231793990000046
时，取ρ(k)＝1.5ε(k)；
当
Figure BDA0002231793990000047
时，取ρ(k)＝2ε(k)；
当
Figure BDA0002231793990000048
时，取ρ(k)＝0.9；
当ε(k)＝0时，则ρ(k)随意取值。
步骤4.3、根据各指标的客观权重和关联系数，计算训练电网数据相对标准样本的综合灰关联度Φi：
Figure BDA0002231793990000049
式中，i＝2,3,…,m；j＝1,2,…,n，ωj为第j个指标的权重；Φi表示时刻i的待评样本与标准样本的综合灰关联度，m表示训练交直流电网对象的个数，n表示每个对象对应的评估指标个数。
步骤5、根据训练电网数据的分项评估指标和综合灰关联度，训练NARX神经网络的评估模型；
步骤6、提取待测交直流电网数据的分项评估指标，基于训练的NARX神经网络的评估模型，获取待测交直流电网的综合灰关联度，评估交直流电网自治能力等级，综合灰关联度在[1,0.75)之间的评估结果定为优良，[0.75,0.5)为中等，[0.5,0.25)为合格，[1,075)为不合格。
实施例
为了验证本发明方案的有效性，根据某地区交直流电网结构，如附图2所示，进行如下仿真实验，图中AC distribution network表示交流配电网，DC distributionnetwork表示直流配电网。
提取交直流电网数据的分项评估指标，如表2所示：
表2评估指标
Figure BDA0002231793990000051
选取5601个数据进行训练，选取1200个数据进行验证，选取1200个数据进行测试，将8项指标作为输入，改进灰关联度x9作为输出。将数据输入NARX神经网络中进行训练，网络训练方法选用Levenberg-Marquardt算法，隐层神经元个数设置为10个，时延设置为2。训练结果如表3及图3所示。
表3训练结果
结果 目标值 均方差 R值
训练 5601 1.64875e-7 9.95394e-1
验证 1200 1.76231e-7 9.94900e-1
测试 1200 1.47825e-7 9.95913e-1
表中均方差接近于0，R值接近于1，可以看出网络具有良好的拟合效果，所以该模型的训练比较理想。
选取1s、2s、3s、4s，4组典型时间的样本进行评估，将综合灰关联度在[1,0.75)之间的评估结果定为优良，[0.75,0.5)为中等，[0.5,0.25)为合格，[1,075)为不合格，评估结果如表4所示。
表4典型样本评估结果
Figure BDA0002231793990000061

Claims (5)

1.基于NARX神经网络的交直流电网自治能力评估方法，其特征在于，包括如下步骤：
步骤1、从源网荷储角度，提取训练交直流电网数据的分项评估指标；
步骤2、根据分项评估指标，确定原始评价矩阵及参考数列；
步骤3、使用熵值法，确定各分项评估指标的客观权重；
步骤4、根据原始评价矩阵、参考数列和客观权重，确定训练电网数据的综合灰关联度；
步骤5、根据分项评估指标和综合灰关联度，训练NARX神经网络的评估模型；
步骤6、基于训练的NARX神经网络的评估模型，评估交直流电网自治能力等级；
步骤1中，提取的交直流电网数据的分项评估指标包括：
(1)从源的角度制定指标
直流容载比RASL：
Figure FDA0003688893060000011
式中，CAS是DG在直流电网中的容量，CAL是直流电网中的负荷容量；
交流容载比RDSL：
Figure FDA0003688893060000012
式中，CDS是DG在直流电网中的容量，CDL是直流电网中的负荷容量；
(2)从网的角度制定指标
系统互动运行备用容量比RIR为：
Figure FDA0003688893060000013
式中，CIR为交直流网络中系统互动运行备用容量，CS为系统总容量；
(3)从负荷的角度制定指标
可控负荷比RCL为：
Figure FDA0003688893060000014
式中，CCL为网络中的可控负荷容量，CL为系统总负荷容量；
(4)从储能的角度制定指标
电动汽车储能比RSEV为：
Figure FDA0003688893060000015
式中，CSEV为网络中电动汽车储能量；
电池储能比RSB为：
Figure FDA0003688893060000021
式中，CSB为网络中电池储能量。
2.根据权利要求1所述的基于NARX神经网络的交直流电网自治能力评估方法，其特征在于，步骤2中，确定原始评价矩阵及参考数列的而具体方法为：
设共有m个时刻的训练交直流电网数据对象，每个对象对应n个评估指标，则构建原始评价矩阵为：
Figure FDA0003688893060000022
式中，xij表示第i个对象的第j个指标；
从原始评价矩阵选择各指标的最优值即最大值，构成参考数列X0＝(x00,x01,...,x0j,...,x0n)。
3.根据权利要求1所述的基于NARX神经网络的交直流电网自治能力评估方法，其特征在于，步骤3中，对训练交直流电网数据使用熵值法确定各分项评估指标的客观权重，具体方法为：
在有m个评价时间对象，n个评价指标的评估问题中，第i个评价指标的熵值定义为：
Figure FDA0003688893060000023
式中fij为第i个评价指标下第j个评价对象的比重，当fij＝0时，fij ln fij＝0；
第i个评价指标的熵权定义为：
Figure FDA0003688893060000024
且满足条件：
Figure FDA0003688893060000025
由此计算得出的W＝{ω1,ω2,...,ωn}便是利用熵值法确定的各项指标的客观权重值。
4.根据权利要求1所述的基于NARX神经网络的交直流电网自治能力评估方法，其特征在于，步骤4中，确定指标的综合灰关联度的具体方法为：
步骤4.1、计算原始评价矩阵的每行向量和参考数列的差值的绝对值，得到评估绝对差矩阵，记为[Δk]：
[Δk]＝(Xk-X0)，k＝1,2,...n 式(9)
式中，Xk代表第k行评价对象；
步骤4.2、对绝对差值矩阵进行变换，计算训练样本与标准样本间的关联系数；
Figure FDA0003688893060000031
式中，m表示评价时间对象个数，n表示评价指标个数，ξij表示关联系数，ρ为分辨系数；
步骤4.3、根据各指标的客观权重和关联系数，计算训练电网数据相对标准样本的综合灰关联度Φi：
Figure FDA0003688893060000032
式中，i＝2,3,…,m；j＝1,2,…,n，ωj为第j个指标的权重；Φi表示时刻i的待评样本与标准样本的综合灰关联度，m表示交直流电网时间对象的个数，n表示每个对象对应的评估指标个数。
5.根据权利要求4所述的基于NARX神经网络的交直流电网自治能力评估方法，其特征在于，步骤4.2中，分辨系数ρ根据数据序列的平稳性，通过动态取值的方式选取，具体方法为：
设
Figure FDA0003688893060000033
则
Figure FDA0003688893060000034
又ρ＝{ρ(1),ρ(2),...,ρ(n)}，则：
当
Figure FDA0003688893060000035
时，取ρ(k)＝1.5ε(k)；
当
Figure FDA0003688893060000036
时，取ρ(k)＝2ε(k)；
当
Figure FDA0003688893060000037
时，取ρ(k)＝0.9；
当ε(k)＝0时，则ρ(k)随意取值。
CN201910970200.2A 2019-10-12 2019-10-12 基于narx神经网络的交直流电网自治能力评估方法 Active CN110766301B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910970200.2A CN110766301B (zh) 2019-10-12 2019-10-12 基于narx神经网络的交直流电网自治能力评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910970200.2A CN110766301B (zh) 2019-10-12 2019-10-12 基于narx神经网络的交直流电网自治能力评估方法

Publications (2)

Publication Number Publication Date
CN110766301A CN110766301A (zh) 2020-02-07
CN110766301B true CN110766301B (zh) 2022-08-16

Family

ID=69331679

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910970200.2A Active CN110766301B (zh) 2019-10-12 2019-10-12 基于narx神经网络的交直流电网自治能力评估方法

Country Status (1)

Country Link
CN (1) CN110766301B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112531689B (zh) * 2020-11-26 2022-06-10 国网湖南省电力有限公司 受端电力系统的源网荷储协调控制能力评估方法和设备
CN117714300A (zh) * 2022-09-08 2024-03-15 华为技术有限公司 一种运维网络自治等级的评估方法、装置及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106709626A (zh) * 2016-11-14 2017-05-24 国家电网公司 一种基于贝叶斯网络的电网发展动态综合评价方法
WO2018157691A1 (zh) * 2017-02-28 2018-09-07 国网江苏省电力公司常州供电公司 有源配电网的安全性量化方法
CN109409770A (zh) * 2018-11-13 2019-03-01 国家电网有限公司 一种基于神经网络的农村电网智能水平评价方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106709626A (zh) * 2016-11-14 2017-05-24 国家电网公司 一种基于贝叶斯网络的电网发展动态综合评价方法
WO2018157691A1 (zh) * 2017-02-28 2018-09-07 国网江苏省电力公司常州供电公司 有源配电网的安全性量化方法
CN109409770A (zh) * 2018-11-13 2019-03-01 国家电网有限公司 一种基于神经网络的农村电网智能水平评价方法

Also Published As

Publication number Publication date
CN110766301A (zh) 2020-02-07

Similar Documents

Publication Publication Date Title
CN102496069B (zh) 基于模糊层次分析法的电缆多状态安全运行评估方法
CN110909983B (zh) 一种主动配电网电能质量多维评估方法
CN107274067B (zh) 一种配电变压器过载风险评估方法
CN110766301B (zh) 基于narx神经网络的交直流电网自治能力评估方法
CN107576920A (zh) 一种基于模糊多属性评价的卫星电源健康度计算方法
CN104537432B (zh) 基于证据推理的电力系统多目标优化调度的决策方法
CN112115648B (zh) 一种基于改进深度学习方法的变压器顶层油温预测方法
CN106339779A (zh) 一种配电网中分布式电源配置方案评价方法
CN113805064A (zh) 基于深度学习的锂离子电池组健康状态预测方法
CN111563682A (zh) 一种配电自动化设备测试评价方法
CN107832982A (zh) 一种基于大数据旅游出行评估模型区域适旅指数计算方法
CN109993430A (zh) 一种基于双向灰色关联分析的充电设备性能评估方法
CN113205260A (zh) 一种基于数字孪生的电动汽车充电桩健康状态评估方法
CN106651168B (zh) 一种评估电铁对电网影响的方法及装置
CN112990627B (zh) 电能质量评估方法
CN114139940A (zh) 一种基于组合赋权-云模型的广义需求侧资源网荷互动水平评估方法
CN107229766A (zh) 一种车用电机驱动系统综合性能评价方法
CN112149976B (zh) 一种基于人工智能的电网精准投资项目决策方法
CN111932081B (zh) 一种电力信息系统运行状态评估方法及系统
CN111476502A (zh) 一种基于多层感知机的中压配电网线损区间计算方法及系统
CN105488734A (zh) 基于全生命周期的电能计量装置质量评估方法及系统
CN116068303A (zh) 一种基于数据驱动的专用变压器私自增容在线监测方法
CN109657967A (zh) 一种输电网规划方案评价指标权重的确认方法及系统
CN111062538B (zh) 空间负荷预测中确定元胞负荷合理最大值的ceemd方法
CN113256083A (zh) 一种输电线路选址选线模型的评价方法

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