CN111525587B - 一种基于无功负荷态势的电网无功电压控制方法及系统 - Google Patents
一种基于无功负荷态势的电网无功电压控制方法及系统 Download PDFInfo
- Publication number
- CN111525587B CN111525587B CN202010252929.9A CN202010252929A CN111525587B CN 111525587 B CN111525587 B CN 111525587B CN 202010252929 A CN202010252929 A CN 202010252929A CN 111525587 B CN111525587 B CN 111525587B
- Authority
- CN
- China
- Prior art keywords
- power grid
- reactive
- data
- power
- value
- 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
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
- H02J3/16—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by adjustment of reactive power
-
- 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]
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/30—Reactive power compensation
Abstract
本发明提供一种基于无功负荷态势的电网无功电压控制方法及系统:获取无功分区后的负荷预测数据;将负荷预测数据和预先采集的电网状态数据输入到预先构建的Q‑Learning模型进行深度强化学习得到对应的样本数据;将样本数据和采集的电网状态数据输入预先构建的深度卷积神经网络模型得到预测数据对应的电网运行特征值控制电网无功电压;Q‑Learning模型将电网状态数据中上一时刻的数据通过双重Q‑Learning计算Q值得到当前时刻电网状态数据并将当前时刻电网状态数据作为样本数据;深度卷积神经网络模型将样本数据通过卷积运算并进行降维处理得到电网运行特征值;电网状态数据包括电网的结构数据和电网运行设备的数据;采用深度卷积神经网络模型提取电网运行特征提升了算法效率。
Description
技术领域
本发明属于电网无功电压控制领域,涉及一种基于无功负荷态势的电网无功电压控制方法及系统。
背景技术
目前自动电压控制大都基于当前时间断面进行决策,但系统电压受新能源和负荷侧影响容易快速、频繁波动,故传统单断面控制方式无法实现多时间尺度上,特性各异无功调节设备的协调控制,一方面导致设备的频繁动作,并没有有效降低并网点以及系统电压无功波动率,另一方面还造成因为追求电压目标将导致动作迅速的SVC/SVG 经常近限运行,导致电网动态无功储备不足,严重恶化了系统的电压无功态势,无法应对潜在的扰动,给电网安全稳定运行造成了巨大威胁。
另外,传统电压无功分析均采用基于模型的方法,其分析范式是考虑系统物理约束,利用物理原理建立数学模型,然后进行数值计算,其结果依赖于一定的假设和简化,基于模型的方法很难处理电网源-荷侧的不确定性,同时也忽略了电力系统与外部因素间存在的高维、时变、强非线性的耦合关联关系,且由于非电力因素之外系统状态不能完全观测,造成计算存在较大的保守性与粗糙性,同时,一旦如果假设条件发生了变化,则决策缺乏主动适应和调整能力。另一方面,随着电网规模扩大、量测手段和信息通信技术的不断完善,电网的基础与运行数据近年来出现爆炸性增长,并逐渐呈现出海量、复杂、处理逻辑复杂、存储周期长、计算频度高等大数据特征。
发明内容
针对现有的传统电压无功分析结果依赖于一定的假设和简化,基于模型的方法很难处理电网源-荷侧的不确定性,同时也忽略了电力系统与外部因素间存在的耦合关联关系,决策缺乏主动适应和调整能力的不足,本发明提供了一种基于无功负荷态势的电网无功电压控制方法及系统,具体包括:
一种基于无功负荷态势的电网无功电压控制方法,包括:
获取无功分区后的负荷预测数据;
将所述负荷预测数据和预先采集的电网状态数据输入到预先构建的Q-Learning模型,进行深度强化学习,得到对应的样本数据;
将所述样本数据和预先采集的电网状态数据输入预先构建的深度卷积神经网络模型得到所述预测数据对应的电网运行特征值控制电网无功电压;
其中,所述Q-Learning模型用于将电网状态数据中上一时刻的数据通过双重Q-Learning计算Q值得到当前时刻电网状态数据,并将所述当前时刻电网状态数据作为样本数据;
所述深度卷积神经网络模型用于将所述样本数据通过卷积运算并进行降维处理得到电网运行特征值;
所述电网状态数据,包括:电网的结构数据和电网运行设备的数据;所述电网运行设备的数据包括:电网节点注入功率的功率因数和节点无功电压;
所述负荷预测数据,包括:无功分区的有功负荷、无功负荷。
优选的,所述无功分区,包括:
基于带权值的电网拓扑矩阵计算节点电气距离;所述权值为节点之间的电抗;
基于所述电气距离采用k-shape的无功聚类算法获得无功分区。
优选的,所述基于所述电气距离采用k-shape的无功聚类算法获得无功分区,包括:
设定无功分区的数量,将所述数量设为聚类数,初始化聚类中心;
基于电气距离矩阵的特征值与特征向量计算各聚类中心的距离;
基于所述距离对所述无功分区进行相似性量度并提取分区特征得到无功分区。
优选的,所述基于所述距离对所述无功分区进行相似性量度并提取分区特征,包括:
基于所述距离对所述无功分区进行相似性量度;
基于所述相似性量度,进行分区特征的聚类指标计算。
优选的,所述无功分区后的负荷数据的预测,包括:
基于各无功分区,将气象天气数据、无功分区历史有功负荷和无功负荷输入所述LSTM神经网络;
利用所述LSTM神经网络并结合注意力权重的分配,预测得到无功分区的有功负荷、无功负荷。
优选的,所述注意力权重的计算式如下:
优选的,所述将所述负荷预测数据和预先采集的电网状态数据输入到预先构建的Q-Learning模型,进行深度强化学习,得到对应的样本数据,包括:
对上一时刻的所述电网节点注入功率的功率因数和节点无功电压进行电气指标合格状态的判定,并将不符合电气指标状态的电网节点注入功率的功率因数和无功电压进行分类;
基于上一时刻的所述不符合电气指标状态的电网节点注入功率的功率因数和节点无功电压的变化和电网设备动作,在Q-Learning 模型中进行计算,得到Q值;采用贪婪策略,对所述Q值进行强化学习;
采用双重Q-Learning算法对经强化学习的Q值进行计算得到当前时刻电网状态数据作为所述样本数据;
其中所述分类,包括:电压越上限、电压越下限、变压器高压绕组功率因数越上限和变压器高压绕组功率因数越下限。
优选的,所述Q值的计算式如下所示:
优选的,所述采用贪婪策略,对所述Q值进行强化学习,计算式如下:
优选的,所述样本数据的计算式如下;
优选的,所述将所述样本数据和预先采集的电网状态数据输入预先构建的深度卷积神经网络模型得到所述预测数据对应的电网运行特征值控制电网无功电压,包括:
对所述样本数据和预先采集的电网状态数据进行卷积运算,输出电网运行特征值并将所述输出电网运行特征值作为下层的输入;
提供修正线性单元激活所述输出电网运行特征值;
将激活的所述输出电网运行特征值划分为多个不重叠区域,并取得各区域数值的最大值或平均值以二维数据输出,并将所述二维数据展开为电网运行特征的一维数据控制电网无功电压。
优选的,所述将所述样本数据和电网状态数据输入预先构建的深度卷积神经网络模型之前,包括:
利用箱线图法对所述样本数据进行异常值的检测和处理,并利用min-max标准化对所述样本数据进行归一化处理。
基于同一构思,本发明提供了一种基于无功负荷态势的电网无功电压控制系统,包括:获取模块、样本数据模块和特征值模块;
所述获取模块,用于获取无功分区后的负荷预测数据;
所述样本数据模块,用于将所述负荷预测数据和预先采集的电网状态数据输入到预先构建的Q-Learning模型,进行深度强化学习,得到对应的样本数据;
所述特征值模块,用于将所述样本数据和预先采集的电网状态数据输入预先构建的深度卷积神经网络模型得到所述预测数据对应的电网运行特征值控制电网无功电压;其中,所述电网状态数据,包括:电网的结构数据和电网运行设备的数据;所述电网运行设备的数据包括:电网节点注入功率的功率因数和节点无功电压;
所述负荷预测数据,包括:无功分区的有功负荷、无功负荷。
优选的,所述获取模块,包括:预测输入子模块和预测负荷子模块;
所述预测输入子模块,基于各无功分区,将气象天气数据、无功分区历史有功负荷和无功负荷输入所述LSTM神经网络;
所述预测负荷子模块,用于利用所述LSTM神经网络并结合注意力权重的分配,预测得到无功分区的有功负荷、无功负荷。
优选的,所述样本数据模块,包括:指标判定子模块、Q值计算子模块、强化学习子模块和双重Q-Learning子模块;
所述指标判定子模块,用于对上一时刻的所述电网节点注入功率的功率因数和节点无功电压进行电气指标合格状态的判定,并将不符合电气指标状态的电网节点注入功率的功率因数和无功电压进行分类;
所述强化学习子模块,基于上一时刻的所述不符合电气指标状态的电网节点注入功率的功率因数和节点无功电压的变化和电网设备动作,在Q-Learning 模型中进行计算,得到Q值;采用贪婪策略,对所述Q值进行强化学习;
所述双重Q-Learning子模块,采用双重Q-Learning算法对经强化学习的Q值进行计算得到当前时刻电网状态数据作为所述样本数据;
其中所述分类,包括:电压越上限、电压越下限、变压器高压绕组功率因数越上限和变压器高压绕组功率因数越下限。
优选的,所述特征值模块,包括:卷积运算子模块、激活子模块和一维特征值子模块;
所述卷积运算子模块,用于对所述样本数据和预先采集的电网状态数据进行卷积运算,输出电网运行特征值并将所述输出电网运行特征值作为下层的输入;
所述激活子模块,用于提供修正线性单元激活所述输出电网运行特征值;
所述一维特征值子模块,用于将激活的所述输出电网运行特征值划分为多个不重叠区域,并取得各区域数值的最大值或平均值以二维数据输出,并将所述二维数据展开为电网运行特征的一维数据控制电网无功电压。
优选的,所述的系统,还包括:分区模块、处理模块和采集模块;
所述分区模块,用于对电网进行无功分区;
所述处理模块,用于利用箱线图法对所述样本数据进行异常值的检测和处理,并利用min-max标准化对所述样本数据进行归一化处理;
所述采集模块,用于采集电网状态数据。
优选的,所述分区模块,包括:电气距离子模块和无功分区子模块;
所述电气距离子模块,基于带权值的电网拓扑矩阵计算节点电气距离;所述权值为节点之间的电抗;
所述无功分区子模块,用于基于所述电气距离采用k-shape的无功聚类算法获得无功分区。
与现有技术相比,本发明的有益效果为:
1、本发明提供了一种基于无功负荷态势的电网无功电压控制方法,包括:获取无功分区后的负荷预测数据;
将所述负荷预测数据和预先采集的电网状态数据输入到预先构建的Q-Learning模型,进行深度强化学习,得到对应的样本数据;
将所述样本数据和预先采集的电网状态数据输入预先构建的深度卷积神经网络模型得到所述预测数据对应的电网运行特征值控制电网无功电压;其中,所述Q-Learning模型用于将电网状态数据中上一时刻的数据通过双重Q-Learning计算Q值得到当前时刻电网状态数据,并将所述当前时刻电网状态数据作为样本数据;所述深度卷积神经网络模型用于将所述样本数据通过卷积运算并进行降维处理得到电网运行特征值;所述电网状态数据,包括:电网的结构数据和电网运行设备的数据;所述电网运行设备的数据包括:电网节点注入功率的功率因数和节点无功电压;所述负荷预测数据,包括:无功分区的有功负荷、无功负荷;采用深度卷积神经网络模型提取了电网运行特征,为控制电网无功电压提升了算法效率;
2、本发明提供的一种基于无功负荷态势的电网无功电压控制方法及系统,
基于带权值的拓扑矩阵和k-shape聚类实现无功的自适应分区,能适应无功本身具有的局域性和分散性,实现了无功分层分区平衡和就地平衡,为进行电网无功电压控制提供了基础;
3、本发明提供的一种基于无功负荷态势的电网无功电压控制方法及系统,利用Attention机制的LSTM神经网络预测各分区内无功负荷,将无功电压控制由被动触发式控制转变为长时间尺度的主动预见性控制;
4、本发明提供的一种基于无功负荷态势的电网无功电压控制方法及系统,采用双重Q-Learning模型计算Q值,解决了传统方法容易过高估计动作的Q值,影响深度强化学习结果准确度的问题。
附图说明
图1为本发明提供的方法流程图;
图2为本发明实施例提供的LSTM-Attention网络模型;
图3为本发明实施例提供的基于无功负荷态势的电网无功电压控制流程图;
图4为本发明提供的系统结构图。
具体实施方式
结合附图对本发明的实施例作进一步说明。
实施例1:
本发明提供了一种基于无功负荷态势的电网无功电压控制方法,所提技术方案主要分为三部分。第一部分基于带权值的拓扑矩阵和k-shape聚类实现无功的自适应分区;第二部分利用基于Attention的LSTM网络模型预测有功和无功负荷;第三部分依据电网运行环境信息,通过深度强化学习方法得到无功电压控制策略结合图1的方法流程图进行介绍,具体步骤包括:
步骤1:获取无功分区后的负荷预测数据;
步骤2:将所述负荷预测数据和预先采集的电网状态数据输入到预先构建的Q-Learning模型,进行深度强化学习,得到对应的样本数据;
步骤3:将所述样本数据和预先采集的电网状态数据输入预先构建的深度卷积神经网络模型得到所述预测数据对应的电网运行特征值控制电网无功电压;
其中,步骤1:获取无功分区后的负荷预测数据,具体包括:
1. 基于带权值的拓扑矩阵和k-shape聚类实现无功的自适应分区
1.1 基于带权值的拓扑矩阵的电气距离计算
在电力系统中,节点阻抗矩阵中的物理信息能反映节点之间的电气耦合关系,同
时其虚部可以间接反映出无功与电压之间的关联程度,电网的拓扑结构也可以由节点导纳
矩阵很好地反映出来。基于上述分析,本发明采用带权值的拓扑矩阵来构建电网简化模
型,其权值为节点之间电抗。拓扑矩阵定义为:
1.2 基于k-shape的无功聚类算法
式中:值范围为0~2,其中0代表分区无功分区特征向量完全相似。本方法
利用距离对无功分区进行相似性量度,并将其作为之后类簇划分的依据。为完全
相似的无功分区特征向量不发生相对位移时其对应的互相关系数值。为互相关
序列。,其长度为2m-1。
利用式(4)提取分区特征,即每分区聚类中心。其中向量中的每个元素代表一个特征;所述特征包括:无功分区的有功负荷、无功负荷、电压以及无功负荷的功率因数和无功电压。
步骤2:将所述负荷预测数据和预先采集的电网状态数据输入到预先构建的Q-Learning模型,进行深度强化学习,得到对应的样本数据,具体包括:
2. 基于Attention机制的LSTM网络模型的有功和无功负荷模型
本发明对LSTM模型进行改进,首先通过一个LSTM网络处理输入序列,实现高层次的特征学习;随后通过合理分配注意力权重,实现记忆单元求解,最后通过一个全连接层实现对有功和无功负荷的预测(负荷预测数据)。LSTM-Attention模型如图2所示。
图2中,x<t>表示输入序列,y<t>表示输出结果,a<t>表示LSTM层各个神经元学习到的输入序列x<t>的特征,w<k,t>为Attention层中给各个特征分配的注意力权重,表示第t个特征对结果y<k>的影响,也是t时刻y在a<t>上的注意力。得到的其中注意力权重w<k,t>计算公式为:
3.基于Q-Learning的强化学习过程
预测无功分区的有功负荷、无功负荷和预先采集的电网状态数据(电网的结构数据和电网运行设备的数据;所述电网运行设备的数据包括:电网节点注入功率的功率因数和节点无功电压)输入Q-Learning模型,对于无功电压优化控制问题,环境状态即电网的运行状态,可由地区电网中待考核的电气量表示,此处选择节点注入功率的功率因数与节点电压幅值为状态量。定义无功电压控制的可行动作集为:当电网处于某状态s时,能够使s过渡到更优状态sʹ的动作策略的集合,不断迭代。根据地区电网无功电压在线控制规程,只有当某一环境状态中含有不合格指标时,电网才会进行无功电压控制设备的调节。根据现场运行要求,将需进行无功电压优化调节的不合格电气指标分为四类:电压越上限、电压越下限、变压器高压绕组功率因数越上限和变压器高压绕组功率因数越下限。用电力系统的时间断面来替换数学方法的状态,得到样本数据;Q-Learning模型将电网状态数据中上一时刻的数据通过双重Q-Learning计算Q值得到当前时刻电网状态数据,并将所述当前时刻电网状态数据作为样本数据;
Q-Learning的值函数满足式(12):
式中:为目标优化函数;表示采用动作a系统由状态s转移到状态
的回报的集合;表示采用动作a系统由状态s转移到状态的概率的集合;为下一状态所能 得到的最大回报。状态s表示了不符合电气指标的功率
因数和无功电压。状态为电力系统的时间断面。Q值是电压无功控制的目标,比如网损和节
点电压的越限值,将负荷预测数据和预先采集的电网状态数据中的不符合电气指标状态的
电网节点注入功率的功率因数和节点无功电压的变化和电网设备动作输入Q-Learning 模
型中进行计算,得到Q值;其中所述电网状态数据,包括:电网的结构数据和电网运行设备的
数据;所述电网运行设备的数据包括:电网节点注入功率的功率因数和节点无功电压;
Q-Learning直接关系到强化学习的最终效果,对于强化学习的学习能力有重要的作用。Q-Learning直接影响强化学习利用现有知识和探索新知识的性能,一般可采用贪婪策略,如式(8):
Q-Learning方法的算法模型是一个多层神经网络。训练过程中从同一网络利用相同的Q值选择动作和评估动作,这种情况下容易过高估计动作的Q值。利用双重Q-Learning解决上述问题,对Q值进行计算得到样本数据,式(7)改写为式(9):
步骤3:将所述样本数据和预先采集的电网状态数据输入预先构建的深度卷积神经网络模型得到所述预测数据对应的电网运行特征值控制电网无功电压,具体包括:
4. 基于深度强化学习的电网电压无功控制策略
4.1 基于深度卷积神经网络模型的电网运行特征提取
输入样本数据预先采集的电网状态数据,从负荷态势入手分析电网无功电压控制策略需对电网不同运行方式都具有良好的适用性。选取有效特征,能够提升算法效率,对于算法性能有重要影响。深度学习模型主要用于对数据前期处理,使得高价值密度的信息作为强化学习的输入数据,以提高训练效率。利用深度卷积神经网络,分析提取样本数据特征。卷积神经网络对于数据特征提取有良好的效果。传统神经网络输入采用全连接方式,这种方式对于输入信息比较多的场景效率较差,需训练的参数较多。卷积神经网络通过权值共享和池化等方法有效降低算法的复杂度,并有效提取特征(深化学习)。
卷积层
卷积层的主要作用是将卷积核与上层输入数据卷积运算,输出的特征值作为下层的输入。
激活函数层
在卷积层后加入激活函数层,为神经元引入非线性因素,使神经网络能够应用于非线性模型中。在深度神经网络中,使用修正线性单元(rectified linear unit,ReLU)作为神经元的激活函数。
池化层
池化层的主要作用是将输入数据划分为多个不重叠区域,并取各区域数值的最大值(最大池化)或平均值(平均池化),可剔除非关键特征样本来减少参数数量,进而提高训练效率和估算精度。
全连接层
全连接层的主要作用是将经过卷积层、池化层的二维输出数据展开为一维数据,进而得到关键特征与电压无功数值之间的映射关系。
电网各元件之间耦合关系紧密,相互影响较大,分析过程中应尽可能保留电网信息。因此特征选择过程中,深度卷积神经网络略去池化过程,只进行卷积计算,保证电网信息完整性。卷积核数量采用倍数递增的方式选取,最终采用相量形式表征输入信息特征,相量中每一个元素代表一个特征。基于一维数据控制电网无功电压。
附图3中步骤1描述的是采集输入样本数据,本方法使用甘肃省某地区2018年7月1日至12月31日的实际运行数据作为样本,按照5分钟为单位进行采样,每天有288个时间点。在实际运行过程中,负荷变化会受到气候条件、节假日等客观因素的影响。因此本方法采集此时间段内每天的风速、湿度、气压、天气类型等作为影响负荷因素之一,并对日期进行处理,也将节假日、星期列入影响因素。
附图3中步骤2是对所有输入数据进行预处理。本方法首先使用箱线图法对异常值进行检测和处理,避免异常值影响模型训练效果;再使用min-max标准化对数据进行归一化处,将不同量纲和单位的数据,约束到[0,1]之间。
构建LSTM-Attention网络模型,本方法所提模型中LSTM层包含64个神经元,Attention层作为LSTM层的接口,通过合理分配注意力全中庭实现记忆单元求解,最后通过一个全连接Dense层输出预测结果。
附图3中步骤3描述的是,基于电网拓扑模型解决计算矩阵,获得计算矩阵除零外最小的特征值对应特征向量,组成低维度矩阵E。利用基于k-shape算法进行距离聚类,获得无功分区。
附图3中步骤4描述的是,为了避免Q值估计过高给计算结果带来的不确定性,结合双重Q网络构建算法模型。
附图3中步骤5描述的是,根据前文所提深度卷积神经网络,分析提取样本数据特征。特征选择过程中,深度卷积神经网络略去池化过程,只进行卷积计算,保证电网信息完整性。
附图3中步骤6描述的是,卷积核数量采用倍数递增的方式选取,最终采用相量形式表征输入信息特征,相量中每一个元素代表一个特征。
附图3中步骤7描述的是,根据特征来控制无功电压。
实施例2:
基于同一构思本发明提供了一种基于无功负荷态势的电网无功电压控制系统结合图4的系统结构图进行介绍,包括:获取模块、样本数据模块和特征值模块;
所述获取模块,用于获取无功分区后的负荷预测数据;
所述样本数据模块,用于将所述负荷预测数据和预先采集的电网状态数据输入到预先构建的Q-Learning模型,进行深度强化学习,得到对应的样本数据;
所述特征值模块,用于将所述样本数据和预先采集的电网状态数据输入预先构建的深度卷积神经网络模型得到所述预测数据对应的电网运行特征值控制电网无功电压;
其中,所述Q-Learning模型用于将电网状态数据中上一时刻的数据通过双重Q-Learning计算Q值得到当前时刻电网状态数据,并将所述当前时刻电网状态数据作为样本数据;
所述深度卷积神经网络模型用于将所述样本数据通过卷积运算并进行降维处理得到电网运行特征值;
所述电网状态数据,包括:电网的结构数据和电网运行设备的数据;所述电网运行设备的数据包括:电网节点注入功率的功率因数和节点无功电压;
所述负荷预测数据,包括:无功分区的有功负荷、无功负荷。
所述获取模块,包括:预测输入子模块和预测负荷子模块;
所述预测输入子模块,基于各无功分区,将气象天气数据、无功分区历史有功负荷和无功负荷输入所述LSTM神经网络;
所述预测负荷子模块,用于利用所述LSTM神经网络并结合注意力权重的分配,预测得到无功分区的有功负荷、无功负荷。
所述样本数据模块,包括:指标判定子模块、Q值计算子模块、强化学习子模块和双重Q-Learning子模块;
所述指标判定子模块,用于对上一时刻的所述电网节点注入功率的功率因数和节点无功电压进行电气指标合格状态的判定,并将不符合电气指标状态的电网节点注入功率的功率因数和无功电压进行分类;
所述强化学习子模块,基于上一时刻的所述不符合电气指标状态的电网节点注入功率的功率因数和节点无功电压的变化和电网设备动作,在Q-Learning 模型中进行计算,得到Q值;采用贪婪策略,对所述Q值进行强化学习;
所述双重Q-Learning子模块,采用双重Q-Learning算法对经强化学习的Q值进行计算得到当前时刻电网状态数据作为所述样本数据;
其中所述分类,包括:电压越上限、电压越下限、变压器高压绕组功率因数越上限和变压器高压绕组功率因数越下限。
所述特征值模块,包括:卷积运算子模块、激活子模块和一维特征值子模块;
所述卷积运算子模块,用于对所述样本数据和预先采集的电网状态数据进行卷积运算,输出电网运行特征值并将所述输出电网运行特征值作为下层的输入;
所述激活子模块,用于提供修正线性单元激活所述输出电网运行特征值;
所述一维特征值子模块,用于将激活的所述输出电网运行特征值划分为多个不重叠区域,并取得各区域数值的最大值或平均值以二维数据输出,并将所述二维数据展开为电网运行特征的一维数据控制电网无功电压。
所述的系统,还包括:分区模块、处理模块和采集模块;
所述分区模块,用于对电网进行无功分区;
所述处理模块,用于利用箱线图法对所述样本数据进行异常值的检测和处理,并利用min-max标准化对所述样本数据进行归一化处理;
所述采集模块,用于采集电网状态数据。
所述分区模块,包括:电气距离子模块和无功分区子模块;
所述电气距离子模块,基于带权值的电网拓扑矩阵计算节点电气距离;所述权值为节点之间的电抗;
所述无功分区子模块,用于基于所述电气距离采用k-shape的无功聚类算法获得无功分区。
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。
以上仅为本发明的实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均包含在申请待批的本发明的权利要求范围之内。
Claims (14)
1.一种基于无功负荷态势的电网无功电压控制方法,其特征在于,包括:
获取无功分区后的负荷预测数据;
将所述负荷预测数据和预先采集的电网状态数据输入到预先构建的Q-Learning模型,进行深度强化学习,得到对应的样本数据;
将所述样本数据和预先采集的电网状态数据输入预先构建的深度卷积神经网络模型得到所述预测数据对应的电网运行特征值控制电网无功电压;
所述深度卷积神经网络模型用于将所述样本数据通过卷积运算并进行降维处理得到电网运行特征值;
所述电网状态数据,包括:电网的结构数据和电网运行设备的数据;所述电网运行设备的数据包括:电网节点注入功率的功率因数和节点无功电压;
所述负荷预测数据,包括:无功分区的有功负荷、无功负荷;
所述将所述负荷预测数据和预先采集的电网状态数据输入到预先构建的Q-Learning模型,进行深度强化学习,得到对应的样本数据,包括:
对上一时刻的所述电网节点注入功率的功率因数和节点无功电压进行电气指标合格状态的判定,并将不符合电气指标状态的电网节点注入功率的功率因数和无功电压进行分类;
基于上一时刻的所述不符合电气指标状态的电网节点注入功率的功率因数和节点无功电压的变化和电网设备动作,在Q-Learning 模型中进行计算,得到Q值;采用贪婪策略,对所述Q值进行强化学习;
采用双重Q-Learning算法对经强化学习的Q值进行计算得到当前时刻电网状态数据作为所述样本数据;
其中所述分类,包括:电压越上限、电压越下限、变压器高压绕组功率因数越上限和变压器高压绕组功率因数越下限;
所述将所述样本数据和预先采集的电网状态数据输入预先构建的深度卷积神经网络模型得到所述预测数据对应的电网运行特征值控制电网无功电压,包括:
对所述样本数据和预先采集的电网状态数据进行卷积运算,输出电网运行特征值并将所述输出电网运行特征值作为下层的输入;
提供修正线性单元激活所述输出电网运行特征值;
将激活的所述输出电网运行特征值划分为多个不重叠区域,并取得各区域数值的最大值或平均值以二维数据输出,并将所述二维数据展开为电网运行特征的一维数据控制电网无功电压。
2.如权利要求1所述的方法,其特征在于,所述无功分区,包括:
基于带权值的电网拓扑矩阵计算节点电气距离;所述权值为节点之间的电抗;
基于所述电气距离采用k-shape的无功聚类算法获得无功分区。
3.如权利要求2所述的方法,其特征在于,所述基于所述电气距离采用k-shape的无功聚类算法获得无功分区,包括:
设定无功分区的数量,将所述数量设为聚类数,初始化聚类中心;
基于电气距离矩阵的特征值与特征向量计算各聚类中心的距离;
基于所述距离对所述无功分区进行相似性量度并提取分区特征得到无功分区。
4.如权利要求3所述的方法,其特征在于,所述基于所述距离对所述无功分区进行相似性量度并提取分区特征,包括:
基于所述距离对所述无功分区进行相似性量度;
基于所述相似性量度,进行分区特征的聚类指标计算。
5.如权利要求3所述的方法,其特征在于,所述无功分区后的负荷数据的预测,包括:
基于各无功分区,将气象天气数据、无功分区历史有功负荷和无功负荷输入LSTM神经网络;
利用所述LSTM神经网络并结合注意力权重的分配,预测得到无功分区的有功负荷、无功负荷。
10.如权利要求9所述的方法,其特征在于,所述将所述样本数据和电网状态数据输入预先构建的深度卷积神经网络模型之前,包括:
利用箱线图法对所述样本数据进行异常值的检测和处理,并利用min-max标准化对所述样本数据进行归一化处理。
11.一种基于无功负荷态势的电网无功电压控制系统,其特征在于,包括:获取模块、样本数据模块和特征值模块;
所述获取模块,用于获取无功分区后的负荷预测数据;
所述样本数据模块,用于将所述负荷预测数据和预先采集的电网状态数据输入到预先构建的Q-Learning模型,进行深度强化学习,得到对应的样本数据;
所述特征值模块,用于将所述样本数据和预先采集的电网状态数据输入预先构建的深度卷积神经网络模型得到所述预测数据对应的电网运行特征值控制电网无功电压;
其中,所述电网状态数据,包括:电网的结构数据和电网运行设备的数据;所述电网运行设备的数据包括:电网节点注入功率的功率因数和节点无功电压;
所述负荷预测数据,包括:无功分区的有功负荷、无功负荷;
所述样本数据模块,包括:指标判定子模块、Q值计算子模块、强化学习子模块和双重Q-Learning子模块;
所述指标判定子模块,用于对上一时刻的所述电网节点注入功率的功率因数和节点无功电压进行电气指标合格状态的判定,并将不符合电气指标状态的电网节点注入功率的功率因数和无功电压进行分类;
所述强化学习子模块,基于上一时刻的所述不符合电气指标状态的电网节点注入功率的功率因数和节点无功电压的变化和电网设备动作,在Q-Learning 模型中进行计算,得到Q值;采用贪婪策略,对所述Q值进行强化学习;
所述双重Q-Learning子模块,采用双重Q-Learning算法对经强化学习的Q值进行计算得到当前时刻电网状态数据作为所述样本数据;
其中所述分类,包括:电压越上限、电压越下限、变压器高压绕组功率因数越上限和变压器高压绕组功率因数越下限;
所述特征值模块,包括:卷积运算子模块、激活子模块和一维特征值子模块;
所述卷积运算子模块,用于对所述样本数据和预先采集的电网状态数据进行卷积运算,输出电网运行特征值并将所述输出电网运行特征值作为下层的输入;
所述激活子模块,用于提供修正线性单元激活所述输出电网运行特征值;
所述一维特征值子模块,用于将激活的所述输出电网运行特征值划分为多个不重叠区域,并取得各区域数值的最大值或平均值以二维数据输出,并将所述二维数据展开为电网运行特征的一维数据控制电网无功电压。
12.如权利要求11所述的系统,其特征在于,所述获取模块,包括:预测输入子模块和预测负荷子模块;
所述预测输入子模块,基于各无功分区,将气象天气数据、无功分区历史有功负荷和无功负荷输入LSTM神经网络;
所述预测负荷子模块,用于利用所述LSTM神经网络并结合注意力权重的分配,预测得到无功分区的有功负荷、无功负荷。
13.如权利要求11所述的系统,其特征在于,还包括:分区模块、处理模块和采集模块;
所述分区模块,用于对电网进行无功分区;
所述处理模块,用于利用箱线图法对所述样本数据进行异常值的检测和处理,并利用min-max标准化对所述样本数据进行归一化处理;
所述采集模块,用于采集电网状态数据。
14.如权利要求13所述的系统,其特征在于,所述分区模块,包括:电气距离子模块和无功分区子模块;
所述电气距离子模块,基于带权值的电网拓扑矩阵计算节点电气距离;所述权值为节点之间的电抗;
所述无功分区子模块,用于基于所述电气距离采用k-shape的无功聚类算法获得无功分区。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010252929.9A CN111525587B (zh) | 2020-04-01 | 2020-04-01 | 一种基于无功负荷态势的电网无功电压控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010252929.9A CN111525587B (zh) | 2020-04-01 | 2020-04-01 | 一种基于无功负荷态势的电网无功电压控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111525587A CN111525587A (zh) | 2020-08-11 |
CN111525587B true CN111525587B (zh) | 2022-10-25 |
Family
ID=71910460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010252929.9A Active CN111525587B (zh) | 2020-04-01 | 2020-04-01 | 一种基于无功负荷态势的电网无功电压控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111525587B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101651B (zh) * | 2020-09-08 | 2023-11-14 | 中电科蓝天科技股份有限公司 | 电能源网络协调控制方法、系统及信息数据处理终端 |
CN112613666B (zh) * | 2020-12-26 | 2023-02-14 | 福建维力能源科技有限公司 | 一种基于图卷积神经网络和迁移学习的电网负荷预测方法 |
CN112865118B (zh) * | 2021-01-19 | 2022-09-02 | 河海大学 | 一种用于电网动态无功储备需求计算的深度学习模型生成方法 |
CN113783186B (zh) * | 2021-08-23 | 2023-04-18 | 电子科技大学 | 一种考虑配电网拓扑结构变化的电压预测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0519501A2 (en) * | 1991-06-20 | 1992-12-23 | Mitsubishi Denki Kabushiki Kaisha | A control method using neural networks and a voltage/reactive power controller for a power system |
CN101106274A (zh) * | 2007-08-23 | 2008-01-16 | 上海交通大学 | 地区电网无功电压自动控制系统 |
JP2012244897A (ja) * | 2011-05-13 | 2012-12-10 | Fujitsu Ltd | 短期電力負荷を予測する方法及び装置 |
CN103208036A (zh) * | 2013-04-25 | 2013-07-17 | 国家电网公司 | 一种基于电力用户数据的短期负荷预测方法 |
CN106228314A (zh) * | 2016-08-11 | 2016-12-14 | 电子科技大学 | 基于深度增强学习的工作流调度方法 |
CN106602576A (zh) * | 2017-03-03 | 2017-04-26 | 国家电网公司 | 基于静态无功电压补偿的电压无功控制系统及控制方法 |
CN108520472A (zh) * | 2018-02-28 | 2018-09-11 | 北京邮电大学 | 一种处理电力系统数据的方法、装置及电子设备 |
CN109325613A (zh) * | 2018-08-23 | 2019-02-12 | 东北大学 | 用平行序贯极限学习机对静态电压稳定裕度在线预测方法 |
CN109359693A (zh) * | 2018-10-24 | 2019-02-19 | 国网上海市电力公司 | 一种电能质量扰动分类方法 |
-
2020
- 2020-04-01 CN CN202010252929.9A patent/CN111525587B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0519501A2 (en) * | 1991-06-20 | 1992-12-23 | Mitsubishi Denki Kabushiki Kaisha | A control method using neural networks and a voltage/reactive power controller for a power system |
CN101106274A (zh) * | 2007-08-23 | 2008-01-16 | 上海交通大学 | 地区电网无功电压自动控制系统 |
JP2012244897A (ja) * | 2011-05-13 | 2012-12-10 | Fujitsu Ltd | 短期電力負荷を予測する方法及び装置 |
CN103208036A (zh) * | 2013-04-25 | 2013-07-17 | 国家电网公司 | 一种基于电力用户数据的短期负荷预测方法 |
CN106228314A (zh) * | 2016-08-11 | 2016-12-14 | 电子科技大学 | 基于深度增强学习的工作流调度方法 |
CN106602576A (zh) * | 2017-03-03 | 2017-04-26 | 国家电网公司 | 基于静态无功电压补偿的电压无功控制系统及控制方法 |
CN108520472A (zh) * | 2018-02-28 | 2018-09-11 | 北京邮电大学 | 一种处理电力系统数据的方法、装置及电子设备 |
CN109325613A (zh) * | 2018-08-23 | 2019-02-12 | 东北大学 | 用平行序贯极限学习机对静态电压稳定裕度在线预测方法 |
CN109359693A (zh) * | 2018-10-24 | 2019-02-19 | 国网上海市电力公司 | 一种电能质量扰动分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111525587A (zh) | 2020-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111525587B (zh) | 一种基于无功负荷态势的电网无功电压控制方法及系统 | |
CN108022001B (zh) | 基于pca和分位数回归森林的短期负荷概率密度预测方法 | |
CN107591844B (zh) | 考虑节点注入功率不确定性的主动配电网鲁棒重构方法 | |
CN109934386B (zh) | 热电联供系统热负荷预测方法 | |
CN107274067B (zh) | 一种配电变压器过载风险评估方法 | |
CN110163429A (zh) | 一种基于相似日优化筛选的短期负荷预测方法 | |
CN110969290A (zh) | 一种基于深度学习的径流概率预测方法及系统 | |
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 | |
CN115270965A (zh) | 一种配电网线路故障预测方法和装置 | |
CN109066651B (zh) | 风电-负荷场景的极限传输功率的计算方法 | |
CN112434848A (zh) | 基于深度信念网络的非线性加权组合风电功率预测方法 | |
CN114065649A (zh) | 一种配电变压器顶层油温短期预测方法及预测系统 | |
CN112288157A (zh) | 一种基于模糊聚类与深度强化学习的风电场功率预测方法 | |
CN111680712A (zh) | 基于日内相似时刻的变压器油温预测方法、装置及系统 | |
CN113298318A (zh) | 一种新型的配电变压器重过载预测方法 | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
CN116415732A (zh) | 一种基于改进arnn的用户侧电力负荷数据处理方法 | |
CN115481788B (zh) | 相变储能系统负荷预测方法及系统 | |
Cheng et al. | Reactive Power Load Forecasting based on K-means Clustering and Random Forest Algorithm | |
Liu et al. | Analysis and prediction of power distribution network loss based on machine learning | |
Yong et al. | Short-term building load forecasting based on similar day selection and LSTM network | |
Liu et al. | Short-Term Power Load Forecasting via Recurrent Neural Network with Similar Day Selection | |
CN114169226A (zh) | 短期电力负荷预测方法、计算机设备以及存储介质 | |
CN114254828A (zh) | 一种基于混合卷积特征提取器和gru的电力负荷预测方法 | |
Bin et al. | A short-term power load forecasting method based on eemd-abgru |
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 |