CN112671043B - 基于Hyperopt-GRU模型的配变运行优化方法 - Google Patents
基于Hyperopt-GRU模型的配变运行优化方法 Download PDFInfo
- Publication number
- CN112671043B CN112671043B CN202110050191.2A CN202110050191A CN112671043B CN 112671043 B CN112671043 B CN 112671043B CN 202110050191 A CN202110050191 A CN 202110050191A CN 112671043 B CN112671043 B CN 112671043B
- Authority
- CN
- China
- Prior art keywords
- distribution transformer
- hyperopt
- gru
- power
- transformer
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000005457 optimization Methods 0.000 title claims abstract description 14
- 230000008901 benefit Effects 0.000 claims abstract description 33
- 230000008569 process Effects 0.000 claims abstract description 29
- 230000008859 change Effects 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims 3
- 238000004364 calculation method Methods 0.000 description 6
- 230000005611 electricity Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
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)
Abstract
本发明属于配电网技术领域,提供了一种基于Hyperopt‑GRU模型的配变运行优化方法,包括基于Hyperopt‑GRU预测模型对变电站进行短期负荷预测,得到变电站的目标日负荷预测功率;基于综合功率经济负载系数以及最佳经济运行区之间的关系,计算出配电变压器组在不同运行方式下的最佳经济运行区间;根据配电变压器组在不同运行方式下的最佳经济运行区间对目标日负荷预测功率进行区间划分,得出待操作区间;在待操作区间内,计算因配电变压器组运行方式改变而带来的节电效益;计算配电变压器投切过程中各类设备产生的等效投切成本;节电效益与投切成本之差为节电利润,以节电利润最大来确定配电变压器的最佳投切时机,以期变电站获取最大的经济效益。
Description
技术领域
本发明属于配电网技术领域,尤其涉及一种基于Hyperopt-GRU模型的配变运行优化方法。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
配电系统是电力系统的重要组成部分,包含着以配电变压器为主的众多电力设备,这些电力设备的损耗大小直接决定着配电网是否处于经济运行状态,其中配电变压器的功率损耗在配电网总的功率损耗中占比最大;因此,配电变压器的经济运行对于降低网损、节约能源具有至关重要的作用。
配电变压器的经济运行技术是指在保障配电变压器安全稳定运行的同时,考虑技术、经济等因素对配电变压器组进行合理的配置,从多种配电变压器运行方式中优选出综合功率损耗最小的运行方式,而对经济运行区的划分是配电变压器经济运行的主要研究重点。目前研究最多的配电变压器经济运行区间划分方法是临界点法,该方法主要通过求解配电变压器在不同运行方式下的负载损耗曲线交点来获取功率临界点,然后将功率临界点左右的时段各视为一个经济运行区间,每个区间内都对应着一种配电变压器功率损耗最小的运行方式;该方法虽然可以对经济运行区间进行简单地划分,但发明人发现,却存在以下两点不足之处:一是改变配电变压器运行方式的临界功率仅是一个点值,给实际的操作带来一定的困难;二是对于实时波动的负载来说,频繁切换运行方式不符合变压器的运行原则。
发明内容
为了解决上述背景技术中存在的配电变压器组长时间处于轻载运行状态的技术问题,本发明提供一种基于Hyperopt-GRU模型的配变运行优化方法,其能够根据短期负荷预测获取的变电站目标日负荷预测功率来科学合理地选择配电变压器的经济运行方式以及确定配电变压器投切的最佳时机,以期使变电站获得最大的经济效益,提高配电变压器的运行效率。
为了实现上述目的,本发明采用如下技术方案:
一种基于Hyperopt-GRU模型的配变运行优化方法,其包括:
基于Hyperopt-GRU预测模型对变电站进行短期负荷预测,得到变电站的目标日负荷预测功率;
基于综合功率经济负载系数以及最佳经济运行区之间的关系,计算出配电变压器组在不同运行方式下的最佳经济运行区间;
根据配电变压器组在不同运行方式下的最佳经济运行区间对目标日负荷预测功率进行区间划分,得出待操作区间;
在待操作区间内,计算因配电变压器组运行方式改变而带来的节电效益;
计算配电变压器投切过程中各类设备产生的等效投切成本;
以目标函数节电利润最大来确定配电变压器的最佳投切时机,以期变电站获取最大的经济效益;其中,节电利润为节电效益与等效投切成本之差。
作为一种实施方式,基于Hyperopt-GRU预测模型对变电站进行短期负荷预测之前,还包括对变电站历史负荷数据进行预处理。
作为一种实施方式,对变电站历史负荷数据进行预处理的方法为改进的非局部平均算法,其利用天气数据来反映历史负荷数据间的非局部相似性,以提高数据预处理结果的准确性和可靠性。
作为一种实施方式,基于Hyperopt-GRU预测模型对变电站进行短期负荷预测的过程为:
将变电站历史负荷数据预处理后输入至训练好的Hyperopt-GRU预测模型中,输出变电站的目标日负荷预测功率;
其中,Hyperopt-GRU预测模型的训练过程为:
将变电站历史负荷数据预处理后输入到初始的GRU短期预测模型中;
利用Hyperopt库实现对初始的GRU短期预测模型的超参数优化,得到优化后的Hyperopt-GRU预测模型。
其中,优化的超参数包括:隐藏层节点数、网络层数和dropout。
作为一种实施方式,待操作区间内因配电变压器组运行方式改变而带来的节电效益为:
式中Δp(t)i是根据负荷预测功率得出相应的两种运行方式下的损耗差,与时间t相关;A(t)i为求积系数,仅与当前时刻的损耗差值有关;i=1,2……n;n为待操作区间内损耗差的个数。
作为一种实施方式,投切过程中考虑设备的等效寿命折损包括:断路器的电寿命和机械寿命、隔离开关的机械寿命。
作为一种实施方式,断路器的电寿命折算方式分为以下三种:
1)当In=1.6kA时,
Is<0.35Isn,Ns1=1.3(Isn/Is)2
Is≥0.35Isn,Ns2=(Isn/Is)2.2
2)当In=2kA时,
Is<0.35Isn,Ns1=1.8(Isn/Is)2
Is≥0.35Isn,Ns2=(Isn/Is)2.3
3)当In=2.5kA时,
Is<0.35Isn,Ns1=1.6(Isn/Is)2.2
Is≥0.35Isn,Ns2=(Isn/Is)2.4
式中,Is为断路器的开断电流;In为断路器的额定电流;Isn为断路器的额定开断电流;Ns1,Ns2为与开断一次额定开断电流产生的电磨损等效的断路器开断电流Is时的开断次数。
作为一种实施方式,待操作区间的确定过程为:
根据变压器运行的最佳经济负载系数,确定配电变压器组在不同运行方式下的最佳负荷区间;
配电变压器组在不同运行方式下的最佳负荷区间存在一个重叠区,即为待操作区间。
作为一种实施方式,根据节电利润的大小来决定是保持当前的运行方式不变,还是进行投切操作换成另一种运行方式:若计算得到的节电利润不大于零,则在待操作区间内保持当前的运行方式不变;若节电利润大于零,则可进行投切操作以获取最大的经济效益。
与现有技术相比,本发明的有益效果是:
(1)在历史负荷数据的预处理过程中,提出了一种改进的非局部平均算法;相较传统基于数理统计的处理方法,所提方法的预处理过程更简便、计算精度更高。
(2)本发明采用基于Hyperopt-GRU的短期负荷预测模型,可以解决深度学习网络模型的超参数选择问题;相较传统的人工选择超参数方法,该模型的参数选择更加科学合理,预测精度高且耗时少。
(3)本发明将配电变压器组不同运行方式下的最佳经济运行区间与临界负荷功率相结合,在避免频繁投切的同时保证了配电变压器的安全高效运行。
(4)本发明以节电利润为目标函数,兼顾投切过程中产生的节电效益和投切成本,两者之差作为变电站最终获得的节电利润;以节电利润最大来确定配电变压器的最佳投切时机,极具工程实用价值。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明实施例的基于Hyperopt-GRU模型的配变运行优化方法流程图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示,本实施例的基于Hyperopt-GRU模型的配变运行优化方法,其具体步骤包括:
S101:基于Hyperopt-GRU预测模型对变电站进行短期负荷预测,得到变电站的目标日负荷预测功率。
具体地,(1)对变电站的历史负荷数据进行预处理;
1)异常值检测。设历史负荷数据序列为x(i,n),其中i=1,2,...,96表示一天中的96个数据采集时刻点,n=1,2…N表示共N天负荷数据,按照从小到大的顺序将历史负荷数据划分为分别含有25%负荷数据的4个不同序列,其中划分不同序列的临界点称为四分位数。
上式中S1、S2、S3分别为第25%位数、第50%位数、第75%位数;n代表历史负荷数据的个数。
如若(n+1)不能整除4,则四分位数位置的计算结果中包含有小数,此时,将与其位置相邻的两个整数位置上对应的负荷数据加权即可得到相应的四分位数,权重的大小与两个整数项到四分位数位置的距离成反比,且两个权重之和为1。
最后计算dS=S3-S1,将历史负荷数据中小于S1-1.5dS,或者大于S3+1.5dS的数据均称为异常值。
2)缺失值填补。在对历史负荷序列进行异常值判断后,采用改进的非局部平均法引入完整的天气序列作为辅助信息,对异常值进行修正以及对缺失的历史数据进行补充;具体实现思路如下:
经典的图像去噪方法非局部均值滤波法主要利用图像中涉及的冗余信息计算待处理像素点与整个图像中其它像素点间的相似度进行图像去噪处理。基于上述思想,此处对非局部均值算法进行了适当改进:在电力负荷历史数据的预处理过程中引入完整的天气序列来确定非局部平均算法中的权重,即利用天气信息来确定历史负荷数据间的相似性。
使用改进后的非局部均值算法对历史负荷数据进行去噪处理。改进后的非局部均值算法中假设含有噪声数据的历史负荷序列为x={x(i)|i∈l},其对应的原始真实负荷序列为y={y(i)|i∈l},噪声数据为z={z(i)|i∈l},且满足x(i)=y(i)+z(i),i∈l,l为历史负荷序列的长度。改进的非局部均值算法是根据含有噪声的序列x(i)中所有负荷数据的相似度进行加权平均,进而得到真实负荷序列y(i)的估计值即/>式中w(i,j)表示权重,其大小取决于历史负荷数据x(i)和x(j)之间的相似程度。改进的非局部均值算法根据各个历史负荷数据对应的天气信息之间的相似度重新定义了领域,因此可以根据两个历史负荷数据x(i)和x(j)邻域的相似程度来确定加权平均时的权重,且领域的相似度越高赋予的权重越大。实际计算中,一般用欧氏空间距离||x(ni)-x(nj)||2 2来表征x(i)和x(j)邻域的相似性,x(ni)和x(nj)分别表示x(i)和x(j)的邻域。
由于待处理的历史负荷序列与天气状况之间存在着密切的相关性,所以改进非局部均值算法的权重来源于天气序列,利用天气数据来反映历史负荷数据间的非局部相似性,提高了预处理结果的准确性和可靠性。
(2)基于Hyperopt-GRU预测模型对变电站进行短期负荷预测,得到变电站的目标日负荷预测功率。
在具体实施中,基于Hyperopt-GRU预测模型对变电站进行短期负荷预测的过程为:将变电站预处理后的历史负荷数据输入至训练好的Hyperopt-GRU预测模型中,输出变电站的目标日负荷预测功率。
Hyperopt-GRU预测模型的训练过程为:
1)将变电站预处理后的历史负荷数据输入到初始的GRU短期预测模型中;其中,GRU预测模型的公式表达如下:
zt=σ(Wz·[ht-1,xt])
rt=σ(Wr·[ht-1,xt])
式中,xt为当前步的输入,ht-1为网络中上一个时间步的隐藏层状态,[,]用来连接两个向量,zt和rt分别为网络的更新门和重置门,表示当前时间步隐藏状态中的候选向量,ht为网络中当前时间步的隐藏层状态,Wz和Wr分别为更新门和重置门的权重,W表示模型的权重,σ和tanh表示激活函数。
2)利用Hyperopt库实现对初始的GRU短期预测模型的超参数优化,得到训练好的Hyperopt-GRU预测模型。
Hyperopt库可以用于寻求实数、离散变量以及条件维度等搜索空间的最优值,因而采用Hyperopt库对GRU预测模型中的超参数进行寻优。目前Hyperopt已实现的搜索算法包含以下两种:Tree-structured Parzen Estimator(TPE)以及随机搜索。相较于随机搜索算法,TPE算法具有搜索速度快等优点,此处在Hyperopt库中选用TPE算法对GRU预测模型中的隐藏层节点数、网络层数和dropout进行优化;在确定好要优化的超参数后,利用预处理后的历史数据对神经网络进行训练,把训练好的神经网络在验证集上获得最优值作为最终要优化的目标函数,然后选定目标日,利用优化好的神经网络进行短期负荷预测,得到目标日负荷预测功率。
S102:基于综合功率经济负载系数以及最佳经济运行区之间的关系,计算出配电变压器组在不同运行方式下的最佳经济运行区间。
具体地,国家标准GB/T13462-92中规定:单台变压器运行时,其最佳经济运行区上限对应的负载系数为βJ1=0.75。利用最佳运行区的负载系数上限,可推导出与负载系数为0.75情况下综合功率损耗率相同时对应的最佳运行区下限值βJ2=1.333βjz 2,βjz为变压器的综合功率经济负载系数,其计算式为:式中ΔpOZ为变压器的空载损耗,ΔpKZ为变压器的短路损耗。
(1)由上所述,可得到单台配电变压器运行时的最佳经济运行区间:1.333βjz 2SN≤S1≤0.75SN;
(2)至于并列运行的两台同参数配电变压器,其最佳经济运行区的划分可依照1台配电变压器运行时的划分方法,即令两台同参数配电变压器并列运行时的效率等于额定负载情况下单台配电变压器的运行效率;因而可得到投运两台同参数的配电变压器时对应的最佳经济运行区:2.666βjz 2SN≤S2≤1.5SN。
S103:根据配电变压器组在不同运行方式下的最佳经济运行区间对目标日负荷预测功率进行区间划分,得出待操作区间。
在具体实施中,待操作区间的确定过程为:根据配电变压器运行的最佳经济负载系数,确定配电变压器组在不同运行方式下的最佳负荷区间;配电变压器组在不同运行方式下的最佳负荷区间存在一个重叠区,即为待操作区间。
通过对配电变压器数据的分析得出:一般单台配电变压器的综合功率经济负载系数βjz的计算值为0.25-0.55。令单台配电变压器最佳经济运行区间的上限值等于两台并列运行的最佳经济运行区间下限值时,即令2.666βjz 2SN=0.75SN,可得βjz=0.53;由上述计算结果可以看出,在绝大多数情况下,两种运行方式下的最佳经济运行区间存在一个重叠区域,将此区域称为待操作区间,待操作区间内两种方式下的配电变压器均运行在最佳经济状态。对具有两台同参数配电变压器的变电站而言,其配电变压器组运行方式的安排方案如下表1所示。
表1配电变压器运行方式示意表
S104:在待操作区间内,计算因配电变压器组运行方式改变而带来的节电效益。
(1)计算配电变压器组在不同运行方式下的临界负荷功率,具体过程为:
分别计算配电变压器组不同运行方式下的综合损耗,将不同组合方式下的综合损耗联立求解得到临界负荷功率。
在具体实施中,当切换配电变压器组的不同运行方式时,其临界功率的确定如下:
n台同参数双绕组配电变压器并列运行的总损耗为:
式中ΔpOZ为配电变压器空载损耗;ΔpKZ为配电变压器短路损耗;为配电变压器的负载率;S为配电变压器的负载视在功率;SN为配电变压器的额定容量。
考虑分别投运n台、(n-1)台配电变压器两种情况下配电变压器组产生的综合功率损耗,当两种不同运行方式下产生的综合功率损耗相等时,即可得切换两种运行方式的临界功率:
上式说明:当负荷功率S<SC时,投入(n-1)台配电变压器并列运行的总损耗较小;当负荷功率S>SC时,投入n台配电变压器并列运行可实现配电变压器的总损耗达到最小。利用上式可得单台运行和两台同参数配电变压器并列运行时的临界负荷功率:根据βjz的计算值可知SC位于待操作区间内,因而在待操作区间内执行投切操作会带来一定的节电效益。
(2)计算待操作区间内的节电效益,具体过程为:
节电效益为待操作区间内由于配电变压器经济运行方式改变而减少的综合损耗与售电价的乘积,具体表达形式为:
X(t)=K*J(t)
式中K为目标日的售电价;J(t)代表待操作区间内配电变压器组改变运行方式节省的电能;其中,式中Δp(t)i是根据负荷预测功率得出相应的两种运行方式下的损耗差,与时间t相关;A(t)i为求积系数,仅与当前时刻的损耗差值有关;i=1,2……n(n为待操作区间内损耗差的个数)。
S105:计算配电变压器投切过程中各类设备产生的等效投切成本。
经济运行方式下,投切成本主要考虑的是投切过程中由于开关的电磁暂态过程引起的一系列设备寿命的折损。投切成本可视为配电变压器在投切过程中对各类设备造成的寿命折损;投切过程中考虑设备的等效寿命折损包括但不限于:断路器的电寿命和机械寿命、隔离开关的机械寿命。各类设备开断一次的等效投切成本计算方法如下:式中ΔR表示设备开断一次的等效成本,B表示设备的总成本,C表示设备当前状况下的开断总次数。
(1)对于断路器的寿命折损计算分为下面两种情况:
(a)空载配电变压器的切除过程:根据倒闸操作的要求,配电变压器负荷侧的断路器因开断正常情况下的工作电流而损失1次电寿命;对于配电变压器电源侧的断路器而言,只需开断一个数值近似为零的励磁电流,因而考虑仅损失1次机械寿命。
(b)空载配电变压器的合闸过程:同样根据倒闸操作的要求,配电变压器电源侧的断路器因承受来自配电变压器的励磁冲击电流而折损1次电寿命;而配电变压器负荷侧的断路器不存在相同的情况,仅考虑损失1次机械寿命。
(2)不同情况下断路器电寿命的折算方式:
2.1)当In=1.6kA时,
Is<0.35Isn,Ns1=1.3(Isn/Is)2
Is≥0.35Isn,Ns2=(Isn/Is)2.2
2.2)当In=2kA时,
Is<0.35Isn,Ns1=1.8(Isn/Is)2
Is≥0.35Isn,Ns2=(Isn/Is)2.3
2.3)当In=2.5kA时,
Is<0.35Isn,Ns1=1.6(Isn/Is)2.2
Is≥0.35Isn,Ns2=(Isn/Is)2.4
上式中,Is为断路器的开断电流;In为断路器的额定电流;Isn为断路器的额定开断电流;Ns1,Ns2为与开断一次额定开断电流产生的电磨损等效的断路器开断电流Is时的开断次数。
S106:以目标函数节电利润最大来确定投切配电变压器的最佳时机,以期变电站获得最大的经济效益;其中,节电利润为节电效益与投切成本之差。
在待操作区间内,以节电利润作为目标函数的具体方法为:节电利润=节电效益-投切成本;
计算待操作区间内的节电利润并判断是否进行投切操作:
根据得到待操作区间内的节电效益和投切成本,计算两者之差得到节电利润,即
R=X-T
上式中R为节电利润;X为节电效益;T为投切产生的等效投切成本。
根据节电利润的大小来判断当前的经济运行方式是否安全、经济,从而决定是保持原运行方式还是进行投切操作:
若计算得到的节电利润不大于零,则保持当前的运行方式不变;若节电利润大于零,则可进行投切操作以获取最大的经济效益。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于Hyperopt-GRU模型的配变运行优化方法,其特征在于,包括:
基于Hyperopt-GRU预测模型对变电站进行短期负荷预测,得到变电站的目标日负荷预测功率;
基于综合功率经济负载系数以及最佳经济运行区之间的关系,计算出配电变压器组在不同运行方式下的最佳经济运行区间;
根据配电变压器组在不同运行方式下的最佳经济运行区间对目标日负荷预测功率进行区间划分,得出待操作区间;
在待操作区间内,计算因配电变压器组运行方式改变而带来的节电效益;
计算配电变压器投切过程中各类设备产生的等效投切成本;
以目标函数节电利润最大来确定配电变压器的最佳投切时机,以期变电站获取最大的经济效益;其中,节电利润为节电效益与等效投切成本之差;
基于Hyperopt-GRU预测模型对变电站进行短期负荷预测的过程为:
将变电站历史负荷数据预处理后输入至训练好的Hyperopt-GRU预测模型中,输出变电站的目标日负荷预测功率;
其中,Hyperopt-GRU预测模型的训练过程为:
将变电站历史负荷数据预处理后输入到初始的GRU 短期预测模型中;
利用Hyperopt库实现对初始的GRU 短期预测模型的超参数优化,得到优化后的Hyperopt-GRU预测模型。
2.如权利要求1所述的基于Hyperopt-GRU模型的配变运行优化方法,其特征在于,对变电站历史负荷数据进行预处理的方法为改进的非局部平均算法,其利用天气数据来反映历史负荷数据间的非局部相似性,以提高数据预处理结果的准确性和可靠性。
3.如权利要求1所述的基于Hyperopt-GRU模型的配变运行优化方法,其特征在于,优化的超参数包括:隐藏层节点数、网络层数和dropout。
4.如权利要求1所述的基于Hyperopt-GRU模型的配变运行优化方法,其特征在于,待操作区间内因配电变压器组运行方式改变而带来的节电效益为:
式中是根据负荷预测功率得出相应的两种运行方式下的损耗差,与时间t相关;为求积系数,仅与当前时刻的损耗差值有关;i=1,2……n;n为待操作区间内损耗差的个数。
5.如权利要求1所述的基于Hyperopt-GRU模型的配变运行优化方法,其特征在于,投切成本视为配电变压器在投切过程中对各类设备造成的寿命折损,投切过程中考虑设备的等效寿命折损包括断路器的电寿命和机械寿命、隔离开关的机械寿命;其中,断路器的电寿命折算方式分为以下三种:
1)当时,
2)当时,
3)当时,
式中,为断路器的开断电流;/>为断路器的额定电流;/>为断路器的额定开断电流;,/>为与开断一次额定开断电流产生的电磨损等效的断路器开断电流/>时的开断次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110050191.2A CN112671043B (zh) | 2021-01-14 | 2021-01-14 | 基于Hyperopt-GRU模型的配变运行优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110050191.2A CN112671043B (zh) | 2021-01-14 | 2021-01-14 | 基于Hyperopt-GRU模型的配变运行优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112671043A CN112671043A (zh) | 2021-04-16 |
CN112671043B true CN112671043B (zh) | 2023-12-12 |
Family
ID=75415214
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110050191.2A Active CN112671043B (zh) | 2021-01-14 | 2021-01-14 | 基于Hyperopt-GRU模型的配变运行优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112671043B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116908674B (zh) * | 2023-09-12 | 2023-11-28 | 川开电气有限公司 | 一种断路器剩余寿命监测和预测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1788521A1 (en) * | 2005-08-24 | 2007-05-23 | Siemens LTDA. | Method for calculating the economic profitability of power transformers and method for the optimization of the economic profitability of power transformers |
CN108090556A (zh) * | 2017-12-22 | 2018-05-29 | 国网江西省电力有限公司电力科学研究院 | 一种配电变压器热评估方法 |
CN108921335A (zh) * | 2018-06-15 | 2018-11-30 | 山东大学 | 基于短期负荷预测的智能箱式变电站运行组合优化方法 |
CN109242180A (zh) * | 2018-08-31 | 2019-01-18 | 合肥工业大学 | 中长期电力负荷预测方法和系统 |
CN109802430A (zh) * | 2018-12-29 | 2019-05-24 | 上海电力学院 | 一种基于LSTM-Attention网络的风电电网控制方法 |
CN111667098A (zh) * | 2020-05-14 | 2020-09-15 | 湖北工业大学 | 一种基于多模型组合优化的风力电站输出功率预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109462231B (zh) * | 2018-11-15 | 2020-09-01 | 合肥工业大学 | 居民微电网的负荷优化调度方法、系统和存储介质 |
-
2021
- 2021-01-14 CN CN202110050191.2A patent/CN112671043B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1788521A1 (en) * | 2005-08-24 | 2007-05-23 | Siemens LTDA. | Method for calculating the economic profitability of power transformers and method for the optimization of the economic profitability of power transformers |
CN108090556A (zh) * | 2017-12-22 | 2018-05-29 | 国网江西省电力有限公司电力科学研究院 | 一种配电变压器热评估方法 |
CN108921335A (zh) * | 2018-06-15 | 2018-11-30 | 山东大学 | 基于短期负荷预测的智能箱式变电站运行组合优化方法 |
CN109242180A (zh) * | 2018-08-31 | 2019-01-18 | 合肥工业大学 | 中长期电力负荷预测方法和系统 |
CN109802430A (zh) * | 2018-12-29 | 2019-05-24 | 上海电力学院 | 一种基于LSTM-Attention网络的风电电网控制方法 |
CN111667098A (zh) * | 2020-05-14 | 2020-09-15 | 湖北工业大学 | 一种基于多模型组合优化的风力电站输出功率预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112671043A (zh) | 2021-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110571807B (zh) | 极端自然灾害下计及储能配置韧性配电网规划方法及系统 | |
CN107516170B (zh) | 一种基于设备故障概率和电网运行风险的差异自愈控制方法 | |
Chen et al. | Energy loss reduction by critical switches | |
Chen | Quantitative decision-making model for distribution system restoration | |
CN109861211B (zh) | 一种基于数据驱动的配电网动态重构方法 | |
CN112671043B (zh) | 基于Hyperopt-GRU模型的配变运行优化方法 | |
CN110676844B (zh) | 一种智能配电网负荷转移方法及装置 | |
CN110783913B (zh) | 基于群的计及预想事故集最佳电网拓扑在线优化方法 | |
Shuvo et al. | Predictive maintenance for increasing EV charging load in distribution power system | |
CN114881516A (zh) | 一种基于电力物联网多源数据融合的设备状态评估方法 | |
CN108921335A (zh) | 基于短期负荷预测的智能箱式变电站运行组合优化方法 | |
CN111832836B (zh) | 一种计及负荷用电特性的配电网重构方法及系统 | |
CN113468745A (zh) | 一种基于历史故障的配电网可靠性快速评估方法及系统 | |
CN117526344A (zh) | 一种配电网无功电压控制优化方法及系统 | |
Wang et al. | Optimized rolling grey model for electricity consumption and power generation prediction of China | |
CN111799781B (zh) | 一种电力系统分析及处理的方法及装置 | |
Teng et al. | Value-based distribution feeder automation planning | |
Deb et al. | An intelligent load shedding scheme for the micro-grid in shipboard power system using probabilistic methods | |
CN114254470A (zh) | 一种配电网可靠性提升方法、装置及存储介质 | |
CN108879662B (zh) | 一种基于安全效能成本的配电网顺序控制改造决策方法 | |
CN107294099B (zh) | 一种考虑联络通道开关状态的220kV电网分区优化方法 | |
CN117913827B (zh) | 一种计及触发功能的复杂配电网的优化方法 | |
CN117878926B (zh) | 一种韧性电网的监测预警和应急处理方法和系统 | |
Xiao et al. | Research on Short-term Prediction Method of Substation Bus-bar’s Voltage Trend Based on Multidimensional Time Series Data Mining | |
Bahrami | Machine Learning (ML) for Extreme Weather Power Outage Forecasting in Power Distribution Networks |
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 |