CN112488367A - 一种基于量子遗传的用户相序降损方法及其系统 - Google Patents
一种基于量子遗传的用户相序降损方法及其系统 Download PDFInfo
- Publication number
- CN112488367A CN112488367A CN202011296023.3A CN202011296023A CN112488367A CN 112488367 A CN112488367 A CN 112488367A CN 202011296023 A CN202011296023 A CN 202011296023A CN 112488367 A CN112488367 A CN 112488367A
- Authority
- CN
- China
- Prior art keywords
- phase sequence
- quantum
- phase
- representing
- user
- 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.)
- Pending
Links
- 238000000819 phase cycle Methods 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000009467 reduction Effects 0.000 title claims abstract description 24
- 239000002096 quantum dot Substances 0.000 claims abstract description 21
- 230000002068 genetic effect Effects 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 35
- 239000011159 matrix material Substances 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 210000000349 chromosome Anatomy 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 10
- 230000005611 electricity Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 8
- 238000012546 transfer Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 abstract description 3
- 230000002411 adverse Effects 0.000 abstract description 2
- 230000006872 improvement Effects 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
-
- 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
- G06N3/045—Combinations of 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy 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
- 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
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Business, Economics & Management (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Public Health (AREA)
- Pure & Applied Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Optimization (AREA)
Abstract
本发明一种基于量子遗传的用户相序降损方法及其系统,属于基于量子遗传的用户相序降损方法技术领域;所要解决的技术问题为:提供一种基于量子遗传的用户相序降损方法的改进;解决上述技术问题采用的技术方案为:通过对历史负荷数据的分析,建立负荷预测模型从而预测当日的负荷预测值,然后利用负荷预测数据,根据配电台区相序接入的特点,采用量子遗传算法,引入量子比特编码和量子旋转门,在迭代过程中进行配电台区的多目标相序优化,获得相序调整的最优解,并通过智能配电设备实现根据最优负荷分配方案进行实时调相的目的,消除人工调相迟滞性的同时降低配电台区的线损和三相不平衡对电网及电气设备造成的不良影响;本发明应用于用户相序降损。
Description
技术领域
本发明一种基于量子遗传的用户相序降损方法及其系统,属于基于量子遗传的用户相序降损方法及其系统技术领域。
背景技术
随着技术的推进,在电力网络中,配电网的数量众多且直接与用户相连,并占有重要地位。现有配电台区采用三相四线制布线,且负荷通过单相并入电网占据主导,而单项接入的负荷在运行时间的差异性和分布不均导致三相缝合不平衡,进而引起中线性电流增大,造成线路损耗和配电能损耗加重的问题。
现有技术中通过调整用户接入配电网相序解决线损问题,主要利用人工调相方式,通过电网员工手动调整三相负荷接入相序进行解决,其人工消耗成本大,且基于试错法进行调相具有不确定性和耗时性,不能达到实时调整的目的。
发明内容
本发明为了克服现有技术中存在的不足,所要解决的技术问题为:提供一种基于量子遗传的用户相序降损方法的改进。
为了解决上述技术问题,本发明采用的技术方案为:一种基于量子遗传的用户相序降损方法,包括如下步骤:
步骤一:获取电力网络系统的历史数据集,并建立负荷曲线模型;
步骤二:构建用于预测负荷数据的神经网络模型,并输出预测结果;
步骤三:根据神经网络输出结果,构建基于遗传算法的相序优化模型;
步骤四:利用自动调相设备,依据相序优化模型输出的最优解进行相序的调整。
所述步骤一具体包括如下步骤:
所述历史数据集具体以配电台区前期采集的实时数据为依据,台区出口电表每隔预设定时间段进行一次数据的采集,每一相一天中共采集预定个时刻点的电流数据,其每相出口电流向量建模为:
I=[I1,I2,…Ii,…,Ib,];
上式中:Ii表示第i个时刻的出口电流,n表示总共预设定数量的时刻点;
对出口电流进行标准化处理,得到用户的负荷曲线系数向量T,T的计算公式如下:
上式中:I表示出口电流,Ii表示第i个时刻的出口电流;
将负荷曲线系数向量T分别与每相用户的日电量相乘,获得用户各时刻点的实际日功率P,P的计算公式如下:
上式中:Pm表示第m个用户的日功率矩阵,由预设定数量n的时刻点组成,M表示台区单向用户总数,Dm表示第m个用户的日用电量,Δt表示预设定的时间尺度;
根据实际日功率P进一步获得用户无功功率为:
上式中:QA,m表示A相用户日无功功率矩阵,QB,m表示B相用户日无功功率矩阵,QC,m表示C相用户日无功功率矩阵,PA,m表示A相第m个用户的日用电量,PB,m表示B相第m个用户的日用电量,PC,m表示C相第m个用户的日用电量,表示阻抗角。
所述步骤二中神经网络模型的构建具体为由输入层、隐含层、承接层、输出层构建的反馈式神经学习网络;
所述神经网络在隐含层中增加承接层作为延时算子,用于记忆前一单元中的输出值,并将处理结果反馈至输入层,所述隐含层中包括用于对结果的方向进行指示标志的非线性状态空间,所述非线性状态空间的计算公式为:
y(t)=g(w3x(k))
x(t)=f(w1xc(t)+w2(u(t-1)))
xc(t)=x(t-1);
上式中:t表示系统的采样时刻,y(t)表示输出节点向量,x表示中间层节点单元向量,u表示输入向量,xc表示反馈状态向量,w1表示承接层到隐含层的连接权值,w2表示输入层到隐含层的连接权值,w3表示隐含层到输出层的连接权值,g(·)表示输出神经元的传递函数,是中间层输出的线性组合,f(·)表示中间层神经元的传递函数;
所述神经网络模型中包括对每一层中的系数误差权值进行修正的系数修正矩阵,所述系数修正矩阵具体采用反向传播的形式,所述述神经网络模型中还包括对结果进行可信度分析的学习指标函数,所述学习指标函数利用平均绝对值函数构建,所述学习指标函数的计算公式为:
所述步骤三中基于遗传算法的相序优化模型的构建步骤为:
步骤3.1:输入待规划的预测数据,对接收到的预测数据进行编码并初始化种群,根据负荷接入相序的状态,采用量子比特编码的方式进行编码,获得配电台区用户接入相序矩阵个体;
步骤3.2:根据目标函数对相序接入的方案进行分析,并得到目标函数值;
步骤3.3:通过量子门旋转角策略计算量子旋转角,更新量子门,并利用迭代的方式从种群中取出一定数量矩阵个体,选取最优的一个进入子代种群,当满足新的种群规模与原种群规模相同时,停止迭代;
步骤3.4:根据接入符合相序的特点,按照交叉概率和变异概率进行交叉和变异操作;
步骤3.5:利用精英选择策略保留优良相序接入矩阵个体,进入下一代中进行迭代;
步骤3.6:输出最优解并作为最合适的调相方案。
所述量子比特编码的方式进一步为:
染色体编码上应用量子比特概率幅表示,表示为0、1两者任意叠加态,量子比特概率幅的状态表示为:
x=α|0>+β|1>
|α|2+|β|2=1;
上式中:α是复数表示|0>的概率幅,β是复数表示|1>的概率幅,|α|2表示量子态观测状态0出现的概率,|β|2表示量子态观测状态1出现的概率。
所述步骤3.2中的目标函数的构建通过将同时满足台区线路损耗最低和调整相序次数最少的情况作为目标函数;
所述台区线路损耗最低通过结合负荷预测数据得到用户调相日当天用电量和出口三相电流线,并求出当前接入相序下的台区理论线损情况,即线路损耗最低函数f1,f1的计算公式如下:
f1=minPLoss;
上式中:Lnum表示配电台区各负荷相序调整的次数。
所述步骤3.3中的量子门旋转角策略具体为:
采用自适应调整旋转门转角策略,通过比较当前量子位并采用最优保留机制保留最优二进制解来确定转角;
其中旋转门的进化采用角度形式表示,其中角度计算基于二进制数,角度的计算公式为:
上式中:e表示二进制数;
旋转门转角的计算公式为:
Δθi=α(θei-θi);
上式中:θei表示当前最优二进制解第i位角度,θi表示量子染色体第i位所对应角度,α表示旋转角的调整系数,α的计算公式为:
上式中:i表示当代种群中的第i个染色体,popsize表示种群的规模,r为常数,s为常数。
一种基于量子遗传的用于相序降损系统,包括用于采集历史实时数据的第一模块、用于预测当日负荷数据的第二模块、用于获取最优相序调整方案的第三模块、用于实现相序调整的第四模块;
所述第一模块将采集的历史实时数据进行分析处理后获得负荷曲线模型,所述第二模块接收第一模块发送的采集到的电力数据,并将处理过后的预测数据传输至第三模块,所述第三模块将预测数据进行分析处理后输出最优解的调相数据至第四模块,所述第四模块根据第三模块获取的最优相序调整方案,采用智能换相装置对相序进行调整。
所述第一模块具体包括信息采集模块与信息反馈模块;
所述信息采集模块包括配电台区涉及的台区出口电表,所述台区出口电表根据预设定的时间段,将数据实时的传输至信息反馈模块;
所述信息反馈模块用于接收信息采集模块传输过来的信息,并对数据进行处理获得负荷曲线模型;
所述信息采集模块采集电力网络系统历史数据为以配电台区前期采集的实时数据为依据。
所述智能换相装置包括换相控制装置和换相执行终端,所述智能换相装置将获得的换相结果发送给换相执行终端,所述换相执行终端接收换相结果后对当前相序进行自动切换。
本发明相对于现有技术具备的有益效果为:本发明通过对历史负荷数据的分析,建立负荷预测模型从而预测当日的负荷预测值,然后利用负荷预测数据,根据配电台区相序接入的特点,采用量子遗传算法,引入量子比特编码和量子旋转门,在迭代过程中进行配电台区的多目标相序优化,获得相序调整的最优解,并通过智能配电设备实现根据最优负荷分配方案进行实时调相的目的,从而消除人工调相迟滞性的同时,降低配电台区的线损和三相不平衡对电网及电气设备造成的不良影响。
附图说明
下面结合附图对本发明做进一步说明:
图1为本发明的方法流程图。
图2为本发明量子遗传实现的流程图。
具体实施方式
如图1和图2所示,本发明一种基于量子遗传的用户相序降损方法,其具体实现步骤如下:
步骤一、获取电力网络系统历史数据集,并建立负荷曲线模型;该步骤以配电台区前期采集的实时数据为依据,并对其进行分析建立相关曲线图,并作为步骤二中所述反馈式神经网络学习的源数据。
其中数据的采集为对台区出口电表每隔预设定时间段进行一次数据的采集,其中每一相一天中共采集预定个时刻点的电流数据。以A相为例,其每相出口电流向量建模为:
IA=[I1,I2,…Ii,…,In,]
其中,Ii表示第i个时刻的出口电流,n表示总共预设定数量的时刻点;同理可获得B相、C相对应的出口电流向量IB和IC。
接着对出口电流进行标准化处理,得到所需建立负荷曲线的系数向量T,即:
其中,I表示出口电流,Ii表示第i个时刻的出口电流;将负荷曲线系数向量T分别与每相用户的日电量相乘,进而获得用户各时刻点的实际日功率P,即:
m=1,2,…,M
其中,Pm表示第m个用户的日功率矩阵,由预设定数量n的时刻点组成,M表示台区单向用户总数,Dm表示第m个用户的日用电量,Δt表示预设定的时间尺度;进一步获得用户在三相方面的无功功率:
其中,QA,m表示A相用户日无功功率矩阵,QB,m表示B相用户日无功功率矩阵,QC,m表示C相用户日无功功率矩阵,PA,m表示A相第m个用户的日用电量,PB,m表示B相第m个用户的日用电量,PC,m表示C相第m个用户的日用电量,表示阻抗角。
步骤二、构建用于预测负荷数据的神经网络模型,并输出预测结果;首先通过接收到的历史实时负荷数据,并借助当天实时获得的负荷数据通过误差值的比较,利用进行模型中权值的数值优化,进而获得能准确预测负荷数据的网络模型。其中,构建的神经网络模型由输入层、隐含层、承接层、输出层构成,进一步在隐含层中增加承接层作为延时算子,用于记忆前一单元中的输出值,并将处理结果反馈至输入层,其中非线性状态空间表达式为:
y(t)=g(w3x(k))
x(t)=f(w1xc(t)+w2(u(t-1)))
xc(t)=x(t-1)
其中,t表示系统的采样时刻,y(t)表示输出节点向量,x表示中间层节点单元向量,u表示输入向量,xc表示反馈状态向量,w1表示承接层到隐含层的连接权值,w2表示输入层到隐含层的连接权值,w3表示隐含层到输出层的连接权值,g(·)表示输出神经元的传递函数,是中间层输出的线性组合,f(·)表示中间层神经元的传递函数。
对于误差权值的修正采用反向传播的形式,其中利用平均绝对值函数进行学习指标函数的建立,即:
步骤三、根据神经网络输出结果,构建基于遗传算法的相序优化模型;该步骤首先,通过输入待规划的预测数据,对接收到的预测数据进行编码并初始化种群,并根据负荷接入相序的状态,采用量子比特编码的方式进行编码,进而获得配电台区用户接入相序矩阵个体;其次,根据目标函数对相序接入的方案进行分析,并得到目标函数值;再次通过量子门旋转角策略计算量子旋转角,从而更新量子门,并利用迭代的方式从种群中取出一定数量矩阵个体,选取最优的一个进入子代种群,当满足新的种群规模与原种群规模相同时,停止迭代;再次,根据接入符合相序的特点,按照交叉概率和变异概率进行交叉和变异操作;从次,利用精英选择策略保留优良相序接入矩阵个体,进入下一代中进行迭代;最后,输出最优解并作为最合适的调相方案。
量子比特形式除了包含传统遗传算法的染色体1和0之外,还可以表示两种状态的任意线性组合,使得种群的多样性最大化。其量子比特编码的方式进一步为:染色体编码上应用量子比特概率幅表示,并可以表示为0、1两者任意叠加态,其状态表示为:
X=α|0>+β|1>
|α|2+|β|2=1
其中,α是复数表示|0>的概率幅,β是复数表示|1>的概率幅,|α|2表示量子态观测状态0出现的概率,|β|2表示量子态观测状态1出现的概率。
以满足台区线路损耗最低和调整相序次数最少两者为目标函数,并以此作为调相的依据。线路损耗最低为结合负荷预测数据得到用户调相日当天用电量和出口三相电流线,并求出当前接入相序下的台区理论线损情况,即线路损耗最低函数f1为:
f1=minPLoss
其中,PLoss表示台区线损;所述调整相序次数最少,其中配电台区个负荷的相序调整次数为相序变化矩阵中不为0的个数,进一步调整相序次数最少目标函数为:
f2=minLnum
其中,Lnum表示配电台区各负荷相序调整的次数。量子门旋转角策略进一步采用自适应调整旋转门转角策略,通过比较当前量子位并采用最优保留机制保留最优二进制解来确定转角;其中量子旋转门策略,决定了量子遗传算法的性能,具体为:
其中,θi表示旋转角度,则量子比特值更新过程进一步为:
其中,e表示二进制数,旋转门转角通过下式表示:
Δθi=α(θei-θi)
其中,θei表示当前最优二进制解第i位角度,θi表示量子染色体第i位所对应角度,α表示旋转角的调整系数,具体为:
其中,i表示当代种群中的第i个染色体,popsize表示种群的规模,r为常数用于表示避免因种群规模较大使得部分个体值过小,s为常数用于从整体上调节α的值,从而控制收敛速度。
步骤四、利用自动调相设备,依据相序优化模型输出的最优解进行相序的调整,该步骤进一步为通过接收步骤三选取出的最优相序调整方案,通过换相装置将获得的换相结果发送给换相执行终端,然后换相执行终端接收换相结果后,对当前相序进行自动切换。
基于上述所述一种基于量子遗传的用户相序降损方法进一步提出实现上述方法的一种基于量子遗传的用户相序降损系统,包含以下模块:
用于采集历史实时数据的第一模块;该模块进一步包括信息采集模块与信息反馈模块。信息采集模块中含有配电台区出口电表,并通过该电表收集需要的电力数据。其中台区出口电表作用进一步为根据预设定的时间段,将数据实时的传输至信息反馈模块,并利用信息反馈模块中的数据处理部分实现对数据的分析,从而获得负荷曲线模型。
用于预测当日负荷数据的第二模块;该模块中实现数据的预测在于预测当日出口电量数据的反馈式神经网络的建立。所述反馈式神经网络接收采集到的电力数据,并将处理过后预测数据传输至第三模块,其中所述反馈式神经网络进一步由输入、隐含层、承接层、输出层组成;其中所述反馈式神经网络在隐含层中增加承接层作为延时算子,用于记忆前一单元中的输出值,并将处理结果反馈至输入层。
用于获取最优相序调整方案的第三模块;该模块进一步为根据遗传算法选取最优的相序调整方案。首先,输入待规划的预测数据,对接收到的预测数据进行编码并初始化种群,根据负荷接入相序的状态,采用量子比特编码的方式进行编码,进而获得配电台区用户接入相序矩阵个体;其次,根据目标函数对相序接入的方案进行分析,并得到目标函数值;再次通过量子门旋转角策略计算量子旋转角,从而更新量子门,并利用迭代的方式从种群中取出一定数量矩阵个体,选取最优的一个进入子代种群,当满足新的种群规模与原种群规模相同时,停止迭代;再次,根据接入符合相序的特点,按照交叉概率和变异概率进行交叉和变异操作;从次,利用精英选择策略保留优良相序接入矩阵个体,进入下一代中进行迭代;最后,输出最优解并作为最合适的调相方案。
用于实现相序调整的第四模块,该模块进一步根据第三模块获取的最优相序调整方案,采用智能换相装置对相序进行调整;其中所述智能换相装置有换相控制装置和换相执行终端组成,换相装置将获得的换相结果发送给换相执行终端,换相执行终端接收换相结果后对当前相序进行自动切换。
关于本发明具体结构需要说明的是,本发明采用的各部件模块相互之间的连接关系是确定的、可实现的,除实施例中特殊说明的以外,其特定的连接关系可以带来相应的技术效果,并基于不依赖相应软件程序执行的前提下,解决本发明提出的技术问题,本发明中出现的部件、模块、具体元器件的型号、连接方式除具体说明的以外,均属于本领域技术人员在申请日前可以获取到的已公开专利、已公开的期刊论文、或公知常识等现有技术,无需赘述,使得本案提供的技术方案是清楚、完整、可实现的,并能根据该技术手段重现或获得相应的实体产品。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种基于量子遗传的用户相序降损方法,其特征在于:包括如下步骤:
步骤一:获取电力网络系统的历史数据集,并建立负荷曲线模型;
步骤二:构建用于预测负荷数据的神经网络模型,并输出预测结果;
步骤三:根据神经网络输出结果,构建基于遗传算法的相序优化模型;
步骤四:利用自动调相设备,依据相序优化模型输出的最优解进行相序的调整。
2.根据权利要求1所述的一种基于量子遗传的用户相序降损方法,其特征在于:所述步骤一具体包括如下步骤:
所述历史数据集具体以配电台区前期采集的实时数据为依据,台区出口电表每隔预设定时间段进行一次数据的采集,每一相一天中共采集预定个时刻点的电流数据,其每相出口电流向量建模为:
I=[I1,I2,…Ii,…,In,];
上式中:Ii表示第i个时刻的出口电流,n表示总共预设定数量的时刻点;
对出口电流进行标准化处理,得到用户的负荷曲线系数向量T,T的计算公式如下:
上式中:I表示出口电流,Ii表示第i个时刻的出口电流;
将负荷曲线系数向量T分别与每相用户的日电量相乘,获得用户各时刻点的实际日功率P,P的计算公式如下:
上式中:Pm表示第m个用户的日功率矩阵,由预设定数量n的时刻点组成,M表示台区单向用户总数,Dm表示第m个用户的日用电量,Δt表示预设定的时间尺度;
根据实际日功率P进一步获得用户无功功率为:
3.根据权利要求2所述的一种基于量子遗传的用户相序降损方法,其特征在于:所述步骤二中神经网络模型的构建具体为由输入层、隐含层、承接层、输出层构建的反馈式神经学习网络;
所述神经网络在隐含层中增加承接层作为延时算子,用于记忆前一单元中的输出值,并将处理结果反馈至输入层,所述隐含层中包括用于对结果的方向进行指示标志的非线性状态空间,所述非线性状态空间的计算公式为:
y(t)=g(w3x(k))
x(t)=f(w1xc(t)+w2(u(t-1)))
xc(t)=x(t-1);
上式中:t表示系统的采样时刻,y(t)表示输出节点向量,x表示中间层节点单元向量,u表示输入向量,xc表示反馈状态向量,w1表示承接层到隐含层的连接权值,w2表示输入层到隐含层的连接权值,w3表示隐含层到输出层的连接权值,g(·)表示输出神经元的传递函数,是中间层输出的线性组合,f(·)表示中间层神经元的传递函数;
所述神经网络模型中包括对每一层中的系数误差权值进行修正的系数修正矩阵,所述系数修正矩阵具体采用反向传播的形式,所述述神经网络模型中还包括对结果进行可信度分析的学习指标函数,所述学习指标函数利用平均绝对值函数构建,所述学习指标函数的计算公式为:
4.根据权利要求3所述的一种基于量子遗传的用户相序降损方法,其特征在于:所述步骤三中基于遗传算法的相序优化模型的构建步骤为:
步骤3.1:输入待规划的预测数据,对接收到的预测数据进行编码并初始化种群,根据负荷接入相序的状态,采用量子比特编码的方式进行编码,获得配电台区用户接入相序矩阵个体;
步骤3.2:根据目标函数对相序接入的方案进行分析,并得到目标函数值;
步骤3.3:通过量子门旋转角策略计算量子旋转角,更新量子门,并利用迭代的方式从种群中取出一定数量矩阵个体,选取最优的一个进入子代种群,当满足新的种群规模与原种群规模相同时,停止迭代;
步骤3.4:根据接入符合相序的特点,按照交叉概率和变异概率进行交叉和变异操作;
步骤3.5:利用精英选择策略保留优良相序接入矩阵个体,进入下一代中进行迭代;
步骤3.6:输出最优解并作为最合适的调相方案。
5.根据权利要求4所述的一种基于量子遗传的用户相序降损方法,其特征在于:所述量子比特编码的方式进一步为:
染色体编码上应用量子比特概率幅表示,表示为0、1两者任意叠加态,量子比特概率幅的状态表示为:
x=α|0>+β|1>
|α|2+|β|2=1;
上式中:α是复数表示|0>的概率幅,β是复数表示|1>的概率幅,|α|2表示量子态观测状态0出现的概率,|β|2表示量子态观测状态1出现的概率。
6.根据权利要求5所述的一种基于量子遗传的用户相序降损方法,其特征在于:所述步骤3.2中的目标函数的构建通过将同时满足台区线路损耗最低和调整相序次数最少的情况作为目标函数;
所述台区线路损耗最低通过结合负荷预测数据得到用户调相日当天用电量和出口三相电流线,并求出当前接入相序下的台区理论线损情况,即线路损耗最低函数f1,f1的计算公式如下:
f1=minPLoss;
上式中:Lnum表示配电台区各负荷相序调整的次数。
8.一种基于量子遗传的用于相序降损系统,其特征在于:包括用于采集历史实时数据的第一模块、用于预测当日负荷数据的第二模块、用于获取最优相序调整方案的第三模块、用于实现相序调整的第四模块;
所述第一模块将采集的历史实时数据进行分析处理后获得负荷曲线模型,所述第二模块接收第一模块发送的采集到的电力数据,并将处理过后的预测数据传输至第三模块,所述第三模块将预测数据进行分析处理后输出最优解的调相数据至第四模块,所述第四模块根据第三模块获取的最优相序调整方案,采用智能换相装置对相序进行调整。
9.根据权利要求8所述的一种基于量子遗传的用于相序降损系统,其特征在于:所述第一模块具体包括信息采集模块与信息反馈模块;
所述信息采集模块包括配电台区涉及的台区出口电表,所述台区出口电表根据预设定的时间段,将数据实时的传输至信息反馈模块;
所述信息反馈模块用于接收信息采集模块传输过来的信息,并对数据进行处理获得负荷曲线模型;
所述信息采集模块采集电力网络系统历史数据为以配电台区前期采集的实时数据为依据。
10.根据权利要求9所述的一种基于量子遗传的用于相序降损系统,其特征在于:所述智能换相装置包括换相控制装置和换相执行终端,所述智能换相装置将获得的换相结果发送给换相执行终端,所述换相执行终端接收换相结果后对当前相序进行自动切换。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011296023.3A CN112488367A (zh) | 2020-11-18 | 2020-11-18 | 一种基于量子遗传的用户相序降损方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011296023.3A CN112488367A (zh) | 2020-11-18 | 2020-11-18 | 一种基于量子遗传的用户相序降损方法及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112488367A true CN112488367A (zh) | 2021-03-12 |
Family
ID=74931856
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011296023.3A Pending CN112488367A (zh) | 2020-11-18 | 2020-11-18 | 一种基于量子遗传的用户相序降损方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112488367A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115378001A (zh) * | 2022-10-25 | 2022-11-22 | 南昌科晨电力试验研究有限公司 | 一种基于负荷周期性的低压配电网人工调相方法及系统 |
CN118017698A (zh) * | 2024-04-09 | 2024-05-10 | 河北雄安亿晶云科技有限公司 | 一种用电终端监测系统、方法、电子设备及存储介质 |
CN118017698B (zh) * | 2024-04-09 | 2024-07-02 | 河北雄安亿晶云科技有限公司 | 一种用电终端监测系统、方法、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105305442A (zh) * | 2015-11-30 | 2016-02-03 | 河海大学常州校区 | 基于量子遗传算法的多目标智能配电网自愈恢复方法 |
WO2019041857A1 (zh) * | 2017-09-04 | 2019-03-07 | 东南大学 | 一种基于场景分析的含分布式电源配电网运行状态预测方法 |
CN109861254A (zh) * | 2018-12-25 | 2019-06-07 | 国网北京市电力公司 | 负荷接入微电网的实现方法及装置 |
CN110942173A (zh) * | 2019-10-15 | 2020-03-31 | 合肥工业大学 | 一种基于负荷预测和相序优化的配电台区节能降损方法 |
-
2020
- 2020-11-18 CN CN202011296023.3A patent/CN112488367A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105305442A (zh) * | 2015-11-30 | 2016-02-03 | 河海大学常州校区 | 基于量子遗传算法的多目标智能配电网自愈恢复方法 |
WO2019041857A1 (zh) * | 2017-09-04 | 2019-03-07 | 东南大学 | 一种基于场景分析的含分布式电源配电网运行状态预测方法 |
CN109861254A (zh) * | 2018-12-25 | 2019-06-07 | 国网北京市电力公司 | 负荷接入微电网的实现方法及装置 |
CN110942173A (zh) * | 2019-10-15 | 2020-03-31 | 合肥工业大学 | 一种基于负荷预测和相序优化的配电台区节能降损方法 |
Non-Patent Citations (3)
Title |
---|
周建平;林韩;温步瀛;: "改进量子遗传算法在输电网规划中的应用", 电力系统保护与控制, no. 19, pages 96 - 97 * |
程启明;黄山;张强;褚思远;杨小龙;: "微电网三相负荷不平衡的量子遗传优化算法研究", 电机与控制应用, no. 05, pages 60 - 66 * |
韩平平 等: "基于负荷预测和非支配排序遗传算法的人工相序优化方法", 电力系统自动化, pages 112 - 115 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115378001A (zh) * | 2022-10-25 | 2022-11-22 | 南昌科晨电力试验研究有限公司 | 一种基于负荷周期性的低压配电网人工调相方法及系统 |
CN118017698A (zh) * | 2024-04-09 | 2024-05-10 | 河北雄安亿晶云科技有限公司 | 一种用电终端监测系统、方法、电子设备及存储介质 |
CN118017698B (zh) * | 2024-04-09 | 2024-07-02 | 河北雄安亿晶云科技有限公司 | 一种用电终端监测系统、方法、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106099984B (zh) | 一种数据驱动的主动配电网分布式电源最大容量评估方法 | |
CN113363998B (zh) | 一种基于多智能体深度强化学习的配电网电压控制方法 | |
CN110783925A (zh) | 一种两级部署的电网调控模型中心控制系统及方法 | |
CN113471982B (zh) | 云边协同与电网隐私保护的分布式电源就地电压控制方法 | |
CN110212551B (zh) | 基于卷积神经网络的微网无功自动控制方法 | |
CN113988481B (zh) | 一种基于动态矩阵预测控制的风功率预测方法 | |
CN112101669A (zh) | 一种基于改进极限学习机与分位数回归的光伏功率区间预测方法 | |
CN112819189A (zh) | 一种基于历史预测值的风力出力预测方法 | |
CN114970362A (zh) | 一种多能源结构下的电网负荷调度预测方法及系统 | |
CN114444660A (zh) | 基于注意力机制和lstm的短期电力负荷预测方法 | |
CN116799780A (zh) | 一种配电网分布式光伏承载力评估方法、系统及评估终端 | |
CN112488367A (zh) | 一种基于量子遗传的用户相序降损方法及其系统 | |
CN115567404A (zh) | 一种电力网络数字潮流流量预测方法 | |
CN115313403A (zh) | 一种基于深度强化学习算法的实时电压调控方法 | |
CN113422371B (zh) | 一种基于图卷积神经网络的分布式电源就地电压控制方法 | |
CN111159640A (zh) | 适用于网格预报的小雨消空方法、消空系统、电子设备及存储介质 | |
CN114429248A (zh) | 一种变压器视在功率预测方法 | |
CN112923435B (zh) | 一种基于人工智能和优化算法的集中供热二次侧调控方法 | |
CN113888202A (zh) | 一种电价预测模型的训练方法及应用方法 | |
CN113541165A (zh) | 一种基于负荷预测的三相不平衡智能换相方法 | |
CN110148936B (zh) | 有源配电网中柔性多状态开关与分布式电源的协调规划方法 | |
CN110874672A (zh) | 基于量子遗传算法的farima模型电力负荷预测方法 | |
CN116722561A (zh) | 一种无功功率补偿系统 | |
CN116822719A (zh) | 一种配电网的多目标规划方法及装置 | |
CN115800330A (zh) | 配电台区三相负荷自动调节装置的优化配置及调度方法 |
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 |