CN112348384B - 基于数据驱动的配电网规划方案可靠性快速评估方法 - Google Patents
基于数据驱动的配电网规划方案可靠性快速评估方法 Download PDFInfo
- Publication number
- CN112348384B CN112348384B CN202011270449.1A CN202011270449A CN112348384B CN 112348384 B CN112348384 B CN 112348384B CN 202011270449 A CN202011270449 A CN 202011270449A CN 112348384 B CN112348384 B CN 112348384B
- Authority
- CN
- China
- Prior art keywords
- distribution network
- reliability
- power distribution
- investment
- data
- 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
-
- 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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
本发明涉及配电网规划技术领域,目的是提供基于数据驱动的配电网规划方案可靠性快速评估方法,获取多种因故障造成停电的行为通过Matlab仿真平台进行蒙特卡洛仿真,其中设备故障的概率取自厂家的出厂标定值,出厂标定值还包括有负荷数据和故障数据,通过将待规划区域的负荷数据和故障数据作为输入发送至训练好的配电网可靠性计算模型,执行步骤2;步骤2:在OpenDSS中输入待规划区域的给定条件,计算给定条件下的配电网可靠性指标,执行步骤3;步骤3:通过配电网可靠性计算模型输出待规划区域的投资方案。
Description
技术领域
本发明涉及配电网技术领域,具体涉及基于数据驱动的配电网规划方案可靠性快速评估方法。
背景技术
配电网由于支路与节点繁多,网络拓扑相较于输电网更加复杂,因而更容易发生故障。配电网规划方案的可靠性情况是选择规划方案的重要依据之一,因此需要以这种能够快速计算配网规划方案可靠性的参数。目前,用于配网可靠性评估的方法主要有蒙特卡洛模拟法和故障后果模拟分析法。其中,蒙特卡洛模拟法的计算难度不受系统规模的影响,但计算时间长且准确率不高。故障后果分析法的可靠性计算结果具有较高的准确度,但对系统参数完整情况的要求高,且计算复杂度受系统规模影响较大。因此,上述两个方法均且难以实现对配网规划方案的可靠性的快速评估。
发明内容
本发明的目的在于克服现有技术的不足,提供基于数据驱动的配电网规划方案可靠性快速评估方法,神经网络计算挖掘到的投资方案-配电网可靠性关联关系,有利于实现快速准确的投资方案-电网可靠性计算。
本发明的目的是通过以下技术方案来实现的:基于数据驱动的配电网规划方案可靠性快速评估方法,包括下列步骤:
步骤1:获取多种因故障造成停电的行为通过Matlab仿真平台进行蒙特卡洛仿真,其中设备故障的概率取自厂家的出厂标定值,出厂标定值还包括有负荷数据和故障数据,通过将待规划区域的负荷数据和故障数据作为输入发送至训练好的配电网可靠性计算模型,执行步骤2;
步骤2:在OpenDSS中输入待规划区域的给定条件,计算给定条件下的配电网可靠性指标,执行步骤3;
步骤3:通过配电网可靠性计算模型输出待规划区域的投资方案,结束。
优选的,所述配电网可靠性计算模型的训练过程包括下列步骤:
步骤21:利用枚举法列举多个投资方案作为样本进行处理,得到投资方案可靠性样本数据,执行步骤2;
步骤22:通过BP神经网络对投资方案可靠性样本数据进行学习,执行步骤23;
步骤23:使得不同的输入能够匹配对应的投资方案。
优选的,所述步骤22中,BP神经网络的输入层包含有投资的元素、新安装的设备、节点的负荷电量和DG分布式电源出力,BP神经网络的输出层为可靠性指标,BP神经网络的输出层具体包括有停电时间、停电次数和缺供电量。
优选的,BP神经网络的隐含层数为3,神经元数为35。
优选的,在OpenDSS软件中,输入要计算的待规划区域中给定条件的配电网参数文件,将参数文件保存为dss格式,参数文件包括有系统的网架结构,线路的长度与类型,配置的保护装置的位置及其控制策略。
优选的,通过Matlab仿真平台生成负荷数据,故障装置的时间数据,通过matlab的DSSText.Command指令实现故障和负荷数据的动态计算。
优选的,所述步骤21中,投资方案中的投资元素包含有线路、配变、开关、线路、重合器和熔断器,根据投资元素确定投资行为编号,其中,投资行为为线路扩容、新增线路、线路延长。
本发明的有益效果是:
(1)能够快速匹配出最适合待研究区域的配电网规划方案。
附图说明
图1为本发明基于数据驱动的配电网规划方案可靠性快速评估方法的流程图;
图2为本发明的神经网络训练的原理图;
图3为本发明的仿真平台上13节点网架示意图。
具体实施方式
下面结合本发明的附图1~3,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例均落入到本发明的保护范围。
在本发明的描述中,需要理解的是,术语“逆时针”、“顺时针”“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
实施例1:
如图1所示,基于数据驱动的配电网规划方案可靠性快速评估方法,包括下列步骤:
步骤1:获取多种因故障造成停电的行为通过Matlab仿真平台进行蒙特卡洛仿真,其中设备故障的概率取自厂家的出厂标定值,出厂标定值还包括有负荷数据和故障数据,通过将待规划区域的负荷数据和故障数据作为输入发送至训练好的配电网可靠性计算模型,执行步骤2;
步骤2:在OpenDSS中输入待规划区域的给定条件,计算给定条件下的配电网可靠性指标,执行步骤3;
步骤3:通过配电网可靠性计算模型输出待规划区域的投资方案,结束。
值得说明的是,所述配电网可靠性计算模型的训练过程包括下列步骤:
步骤21:利用枚举法列举多个投资方案作为样本进行处理,得到投资方案可靠性样本数据,执行步骤2;
步骤22:通过BP神经网络对投资方案可靠性样本数据进行学习,执行步骤23;
步骤23:使得不同的输入能够匹配对应的投资方案。
值得说明的是,所述步骤22中,BP神经网络的输入层包含有投资的元素、新安装的设备、节点的负荷电量和DG分布式电源出力,BP神经网络的输出层为可靠性指标,BP神经网络的输出层具体包括有停电时间、停电次数和缺供电量。
值得说明的是,BP神经网络的隐含层数为3,神经元数为35。
值得说明的是,在OpenDSS软件中,输入要计算的待规划区域中给定条件的配电网参数文件,将参数文件保存为dss格式,参数文件包括有系统的网架结构,线路的长度与类型,配置的保护装置的位置及其控制策略。
值得说明的是,通过Matlab仿真平台生成负荷数据,故障装置的时间数据,通过matlab的DSSText.Command指令实现故障和负荷数据的动态计算。
值得说明的是,所述步骤21中,投资方案中的投资元素包含有线路、配变、开关、线路、重合器和熔断器,根据投资元素确定投资行为编号,其中,投资行为为线路扩容、新增线路、线路延长。
实施例2:
在实施例1的基础上,进一步的。
步骤1.通过OpenDSS软件计算给定条件下的配电网的可靠性指标。
步骤2.利用Matlab对故障造成停电的行为进行蒙特卡洛仿真,其中,设备的故障概率来源于厂家的出厂给的标定值。同时也生成不同时间的负荷数据。负荷数据与故障数据的组合,形成故障时的负荷数据。
步骤3.利用OpenDSS软件,对故障下的网架结构与负荷数据进行配电网可靠性计算。
步骤4.利用枚举法生成海量配电网投资方案,以其作为样本,生成海量投资方案-电网可靠性样本数据,
步骤5.利用BP神经网络对投资方案-电网可靠性样本数据进行学习,从而实现快速准确的投资方案-电网可靠性计算。
具体包括有,步骤1.在OpenDSS软件中,录入需要计算的配电网系统的参数。其中系统参数包括,系统的网架结构,线路的长度与类型,配置的保护装置的位置及其控制策略等,并保存成.dss格式,计算输入网架的配电网的可靠性指标。
步骤2.利用Matlab对故障造成停电的行为进行蒙特卡洛仿真。系统中内置了配变、开关、线路、重合器、熔断器等元件的模型,基于厂家的出厂标定的设备的故障概率,生成相应的故障数据。同时也生成不同时间的配网用户侧的用电情况数据,即负荷数据。负荷数据与故障数据的组合,形成故障时的负荷数据。
步骤3.搭建Matlab-OpenDSS仿真平台,其数据流如图1所示。明确OpenDSS的输入变量为系统模型与信息,其中包含网架结构,保护装置信息,负荷信息,故障时间等信息,存入.dss文件中。在Matlab仿真平台,生成负荷数据,故障装置的时间数据,通过matlab的DSSText.Command指令实现故障和负荷数据的动态计算。在OpenDSS环境计算完可靠性指标后,在Matlab环境中对指标进行处理,最后输出可靠性计算指标。
请参照图2,步骤4,利用枚举法生成海量配电网投资方案。首先,明确可投资元素,包含:线路,配变,开关,线路,重合器,熔断器等。然后,明确可投资元素的行为,以线路为例进行介绍,确定投资的线路编号,线路的投资行为线路扩容/新增线路/线路延长。其次,不同可投资元素及其投资行为进行随机组合,从而生成海量的投资方案。将投资方案在步骤3)所搭建的平台进行可靠性计算,形成海量投资方案-电网可靠性样本数据;
步骤5,.明确BP神经网络的输入层包含:投资的元素,新安装的设备,节点的负荷电量,DG(Distributed Generator)分布式电源出力等。输出层则为可靠性指标,包含停电时间,停电次数以及缺供电量。利用步骤4)生成的投资方案-电网可靠性计算样本,对“投资方案-电网可靠性样本”数据进行学习,从而实现快速准确的投资方案-电网可靠性计算。其中,BP神经网络的隐含层数为3,神经元数为35。
值得说明的是,请参照图3,采用IEEE 13节点的配网标准系统进行测试,如图3所示。其中包含了三个电压等级,115kV,4.16kV,480V。OpenDSS系统中内置了配变、开关、线路、重合器、熔断器等元件的模型,可以更好地对配电网的可靠性进行计算。每户都算为4-6kVA,可以通过客户数量计算出系统总负荷。围绕线路升级,熔断器等的装置的配置,生成了200种不同的设备投资方案,对不同投资方案的可靠性指标利用所搭建的OpenDSS-Matlab平台进行计算。不同规划方案的可靠性计算结果如表1所示。随着投资不断增加,表中所示的三种可靠性指标均存在明显的效果提升。其中,系统平均停电次数明显减少;系统平均停电时间也明显减少;系统缺供总电量也明显减少。
表1不同投资方案的配电网可靠性计算结果
方案编号 | 系统停电次数 | 系统停电时间(小时/年) | 系统缺供总电量(kW·h) |
方案1 | 1.9 | 7.8 | 8592.6 |
方案2 | 1.75 | 7.2 | 8565.6 |
方案3 | 1.8 | 7.4 | 8266.3 |
方案4 | 1.71 | 6.8 | 8365.6 |
方案5 | 1.65 | 6.9 | 8186.9 |
方案6 | 1.58 | 6.5 | 8080.1 |
方案7 | 1.6 | 6.5 | 8105.5 |
方案8 | 1.56 | 6.4 | 7996.5 |
方案9 | 1.43 | 6.1 | 7590.3 |
方案10 | 1.45 | 6.2 | 7680.2 |
综上所述,本实施例的工作原理为神经网络计算挖掘到的投资方案-配电网可靠性关联关系,有利于实现快速准确的投资方案-电网可靠性计算。
Claims (6)
1.基于数据驱动的配电网规划方案可靠性快速评估方法,其特征在于,包括下列步骤:
步骤1:获取多种因故障造成停电的行为通过Matlab仿真平台进行蒙特卡洛仿真,其中设备故障的概率取自厂家的出厂标定值,出厂标定值还包括有负荷数据和故障数据,通过将待规划区域的负荷数据和故障数据作为输入发送至训练好的配电网可靠性计算模型,执行步骤2;
步骤2:在OpenDSS中输入待规划区域的给定条件,计算给定条件下的配电网可靠性指标,执行步骤3;
步骤3:通过配电网可靠性计算模型输出待规划区域的投资方案,结束;
所述配电网可靠性计算模型的训练过程包括下列步骤:
步骤21:利用枚举法列举多个投资方案作为样本进行处理,得到投资方案可靠性样本数据,执行步骤2;
步骤22:通过BP神经网络对投资方案可靠性样本数据进行学习,执行步骤23;
步骤23:使得不同的输入能够匹配对应的投资方案。
2.根据权利要求1所述的基于数据驱动的配电网规划方案可靠性快速评估方法,其特征在于,所述步骤22中,BP神经网络的输入层包含有投资的元素、新安装的设备、节点的负荷电量和DG分布式电源出力,BP神经网络的输出层为可靠性指标,BP神经网络的输出层具体包括有停电时间、停电次数和缺供电量。
3.根据权利要求2所述的基于数据驱动的配电网规划方案可靠性快速评估方法,其特征在于,BP神经网络的隐含层数为3,神经元数为35。
4.根据权利要求2所述的基于数据驱动的配电网规划方案可靠性快速评估方法,其特征在于,在OpenDSS软件中,输入要计算的待规划区域中给定条件的配电网参数文件,将参数文件保存为dss格式,参数文件包括有系统的网架结构,线路的长度与类型,配置的保护装置的位置及其控制策略。
5.根据权利要求2所述的基于数据驱动的配电网规划方案可靠性快速评估方法,其特征在于,通过Matlab仿真平台生成负荷数据,故障装置的时间数据,通过matlab的DSSText.Command指令实现故障和负荷数据的动态计算。
6.根据权利要求2所述的基于数据驱动的配电网规划方案可靠性快速评估方法,其特征在于,所述步骤21中,投资方案中的投资元素包含有线路、配变、开关、线路、重合器和熔断器,根据投资元素确定投资行为编号,其中,投资行为为线路扩容、新增线路、线路延长。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011270449.1A CN112348384B (zh) | 2020-11-13 | 2020-11-13 | 基于数据驱动的配电网规划方案可靠性快速评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011270449.1A CN112348384B (zh) | 2020-11-13 | 2020-11-13 | 基于数据驱动的配电网规划方案可靠性快速评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112348384A CN112348384A (zh) | 2021-02-09 |
CN112348384B true CN112348384B (zh) | 2023-04-25 |
Family
ID=74363712
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011270449.1A Active CN112348384B (zh) | 2020-11-13 | 2020-11-13 | 基于数据驱动的配电网规划方案可靠性快速评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112348384B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11966989B2 (en) * | 2020-03-23 | 2024-04-23 | Xendee Corporation | Robust and fast design of microgrids, der systems, and other energy systems using staged hybrid investment planning |
CN115879833B (zh) * | 2023-03-02 | 2023-06-16 | 国网山东省电力公司威海供电公司 | 考虑灾害响应和恢复的双层配电网韧性评估方法及系统 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8756047B2 (en) * | 2010-09-27 | 2014-06-17 | Sureshchandra B Patel | Method of artificial nueral network loadflow computation for electrical power system |
CN103746402B (zh) * | 2013-12-13 | 2016-08-17 | 国家电网公司 | 一种接入风储互补微网的配电网可靠性评估方法 |
CN104732349A (zh) * | 2015-03-30 | 2015-06-24 | 国家电网公司 | 一种电网规划方法 |
US10444806B2 (en) * | 2015-09-24 | 2019-10-15 | Causam Energy, Inc. | Systems and methods for aggregation and integration of distributed grid elements inputs for providing an interactive electric power grid geographic visualization |
US11816540B2 (en) * | 2017-11-06 | 2023-11-14 | Xendee Corporation | Artificial intelligence microgrid and distributed energy resources planning platform |
CN108733919A (zh) * | 2018-05-18 | 2018-11-02 | 国网山东省电力公司菏泽供电公司 | 基于VBA和OpenDSS的配电网仿真分析方法及系统 |
CN109546659B (zh) * | 2018-10-19 | 2022-04-19 | 北京交通大学 | 基于随机矩阵和智能场景匹配的配电网无功优化方法 |
CN109858663A (zh) * | 2018-11-19 | 2019-06-07 | 中国农业大学 | 基于bp神经网络的配电网故障停电影响因素敏感度分析 |
CN111859621B (zh) * | 2020-06-18 | 2023-06-02 | 国网河北省电力有限公司雄安新区供电公司 | 基于蒙特卡洛方法的主网和配网的网架可靠性协同评估法 |
-
2020
- 2020-11-13 CN CN202011270449.1A patent/CN112348384B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112348384A (zh) | 2021-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112348384B (zh) | 基于数据驱动的配电网规划方案可靠性快速评估方法 | |
Díaz et al. | Wind power scenario generation through state-space specifications for uncertainty analysis of wind power plants | |
CN103440497B (zh) | 一种gis绝缘缺陷局部放电图谱模式识别方法 | |
CN105071771A (zh) | 一种基于神经网络的分布式光伏系统故障诊断方法 | |
CN112491096B (zh) | 一种用于生成电网仿真分析算例的方法及系统 | |
CN112070413B (zh) | 一种基于小样本条件下牵引供电系统的可靠性研究方法 | |
CN104716646A (zh) | 一种基于注入电流的节点耦合度分析方法 | |
Soleymani et al. | A combination method for modeling wind power plants in power systems reliability evaluation | |
CN106228459A (zh) | 基于蒙特卡洛的等值可靠性评估方法 | |
CN111415059A (zh) | 一种实用模型机构建及在线应用方法 | |
CN112287540A (zh) | 一种风电场接入电网的电磁暂态联合仿真方法 | |
CN114006413A (zh) | 一种基于图神经网络的电力系统暂态稳定控制方法及系统 | |
CN103311925B (zh) | 一种复杂电网自组织临界状态的辨识方法 | |
CN114139377A (zh) | 一种电力系统建模方法、系统、可读存储介质及服务器 | |
CN106384000A (zh) | 一种评估变电站主接线对发输电系统可靠性影响的方法 | |
CN112103950B (zh) | 一种基于改进gn分裂算法的电网分区方法 | |
CN108233356B (zh) | 一种光伏逆变器控制器一致性评估方法及其评估平台 | |
CN116660679A (zh) | 一种基于网络拓扑的配电网故障分析方法 | |
CN105322541A (zh) | 一种变电站仿真潮流计算方法 | |
Montenegro et al. | An iterative method for detecting and localizing islands within sparse matrixes using DSSim-RT | |
Wei et al. | Online distribution system topology monitoring with limited smart meter communication | |
CN107959287A (zh) | 一种两个电压等级电网生长演化模型的构建方法 | |
CN106571622A (zh) | 一种基于遍历算法和元件层级的配电网可靠性评估方法 | |
Hiry et al. | Automated time series based grid extension planning using a coupled agent based simulation and genetic algorithm approach | |
CN105514983A (zh) | 一种基于统计综合法和故障拟合法的负荷模型构建方法 |
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 |