CN113141008A - 一种数据驱动的配电网分布式新能源消纳能力评估方法 - Google Patents
一种数据驱动的配电网分布式新能源消纳能力评估方法 Download PDFInfo
- Publication number
- CN113141008A CN113141008A CN202110442818.9A CN202110442818A CN113141008A CN 113141008 A CN113141008 A CN 113141008A CN 202110442818 A CN202110442818 A CN 202110442818A CN 113141008 A CN113141008 A CN 113141008A
- Authority
- CN
- China
- Prior art keywords
- new energy
- distribution network
- power distribution
- data
- maximum
- 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.)
- Granted
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 152
- 238000005265 energy consumption Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000011156 evaluation Methods 0.000 claims abstract description 33
- 238000013210 evaluation model Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000004519 manufacturing process Methods 0.000 claims abstract description 4
- 238000003062 neural network model Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 32
- 238000010521 absorption reaction Methods 0.000 claims description 21
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000004088 simulation Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 11
- 238000011161 development Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000029087 digestion Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 1
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
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
-
- 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
-
- 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
-
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
-
- 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
- Y02E40/70—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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Power Engineering (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种数据驱动的配电网分布式新能源消纳能力评估方法，该方法包括：1)利用电力系统实际生产运行所累计的数据记录；2)建立配电网最大新能源消纳能力评估模型；3)通过求解此模型计算最大新能源出力值作为标签集，进而形成完整数据集；4)建立配电网消纳能力评估的图卷积神经网络模型，并将3)中的数据集处理，使用其训练该深度网络；5)将待求的电网运行方式量化处理，通过训练好的网络可以快速准确计算最大新能源出力值，进而计算得到全年的配电网新能源出力持续曲线和系统最大新能源消纳电量。本发明相比传统的时序仿真方法提升了计算效率，具有应用创新性和工程实用性。
Description
技术领域
本发明属于电力系统新能源消纳技术领域，尤其涉及一种基于数据驱动的配电网分布式新能源消纳能力评估方法。
背景技术
随着社会经济的发展，环境污染问题和化石燃料的日渐枯竭已经成为掣肘人类可持续发展的两个元凶。发展清洁的可再生新源是解决环境问题和能源制约问题的有效解决方法之一，也是人类社会实现可持续发展的必经之路。现阶段，新能源发电在国内外都备受重视，随着技术进步和各国政府的支持，新能源发电装机容量在过去十年内迎来了迅猛发展。
目前我国新能源发展阶段已经从补充能源向规模替代转变，大量分布式风、光新能源涌入配电网，使配电网的运行不确定性更强，随机功率扰动严重。同时，新能源在给全社会带来显著效益的同时，自身的消纳问题也日益严峻，成为制约未来新能源发展与利用的主要因素之一。在新能源消纳能力评估研究的初始阶段，新能源消纳能力评估主要服务于电力系统规划，用于确定新能源最大装机容量。利用制约因素法进行评估较为简单，但由于仅考虑某一制约因素的影响，该评估方法得到的结果不具有一般性，且仅能反映系统整体的消纳能力，无法对区域电网及节点的消纳能力进行量化，不能全面地反映新能源消纳能力。
基于蒙特卡洛模拟法的消纳能力评估方法通过大量采样计算模拟系统不同运行状态下的消纳能力，评估结果精度较高，但配电网拓扑结构发生变化时，使用蒙特卡洛模拟法的整体建模计算效率较低。还有研究基于卷积法对消纳能力进行评估，该方法可以实现快速评估，但评估结果仅能反映系统整体的消纳水平，不能全面评估系统消纳水平。
随着现代深度学习技术的发展，网络层数进一步加深，非线性拟合及特征提取能力进一步增强，而且对于已经训练完成的评估网络，可以快速完成对全新输入数据的评估结果进行预测，尤其在系统规模较大时大大节省了计算时间。而且，应对现有采用时序蒙特卡洛新能源系统实际数据不足的情况，还可以利用条件生成对抗网络对相应数据进行生成，以满足后续消纳能力评估网络的训练需求。因此，利用上述特点，研究一种数据驱动图卷积神经网络的配电网新能源消纳能力评估方法尤为重要。
发明内容
为了解决现有技术中存在的问题，本发明的目的在于提供一种基于数据驱动的配电网分布式新能源消纳能力评估方法。
为了实现上述目的，本发明采用的技术方案是：一种数据驱动的配电网分布式新能源消纳能力评估方法，包括以下步骤：
步骤1)利用电力系统实际生产运行所积累的数据记录，提取含分布式新能源配电网的运行数据作为配电网运行方式—消纳能力数据集的样本集；
步骤2)建立配电网最大新能源消纳能力评估模型，并针对评估模型给出新能源出力持续曲线和新能源最大消纳电量指标；
步骤3)通过求解配电网最大新能源消纳能力评估模型计算每小时运行方式下对应的最大新能源出力，作为配电网运行方式—消纳能力数据集的标签集，进而形成完整的数据集；
步骤4)建立配电网消纳能力评估的图卷积神经网络模型，并将步骤3)中得到的配电网运行方式—消纳能力数据集进行处理，使用处理后的数据集训练深度图卷积神经网络；
步骤5)将待求的电网运行方式量化处理，送入步骤4)已经训练好的深度图卷积神经网络，快速计算每小时最大消纳电量，并累积算得全年的新能源出力持续曲线和新能源最大消纳电量。
进一步的，提取电网运行监测系统中的数据，形成由线路开关状态、分布式新能源机组出力、节点负荷功率等组成的数据向量，建立配电网运行方式样本集。
进一步的，配电网最大新能源消纳能力评估模型以最大风电光伏出力之和为目标，以考虑配电网络重构的潮流约束，分布式新能源机组出力约束、功率平衡约束、运行安全约束为约束条件，寻找满足运行约束的最优解，最优解时对应的最大新能源出力作为配电网运行方式—消纳能力数据集的标签集，与配电网运行方式样本集对应整合得到完整的数据集。
进一步的，通过时序运行方式样本输入配电网最大消纳能力评估模型的求解结果，计算新能源消纳能力的评估指标；评估指标包括配电网新能源出力持续曲线和配电网最大新能源消纳电量，配电网新能源出力持续曲线由最大新能源出力序列由大至小排序形成；配电网最大新能源消纳电量由配电网新能源出力持续曲线对坐标轴求积分得到。
进一步的，建立配电网新能源消纳能力评估的深度图卷积神经网络，考虑配电网最大消纳能力评估模型的输入输出及系统本身的运行特点，深度图卷积神经网络的输入图数据由二元组G＝(X,A)描述，X为描述各个节点特征的特征矩阵，A为描述节点拓扑结构的邻接矩阵；对N个节点的配电网，由各个节点拓扑连接关系可得N×N维的邻接矩阵A，所述特征矩阵的在节点维度包含4个特征，分别是节点类型、负荷预测、风电容量限制和光伏容量限制，特征矩阵维度为4×N；将特征矩阵X和邻接矩阵A作min-max归一化处理后作为输入。
进一步的，将特征矩阵X和邻接矩阵A作为输入，首先经过2个图卷积层；第一层为图结构卷积层，第二层为节点卷积层，2个图卷积层的输出提取得配电网络拓扑结构和节点信息的特征，之后采用平坦层将其拉直后送入3个全连接层，神经元数递减，最后一层输出对应新能源最大出力，维度为1×16，采用二进制编码。
进一步的，所述步骤4)中对配电网运行方式—消纳能力数据集进行的处理包括进行清洗，划分训练集、验证集、测试集。
进一步的，训练深度图卷积神经网络时，对完整的数据集进行清洗，剔除异常个体；
随机取70％的数据作为训练集，取15％数据作为验证集，剩余15％作为测试集；
同时对数据集中样本变量作映射至[0,1]区间的标准化；对数据集中的标签，即每小时最大新能源出力十进制—二进制编码方法进行编码；
所述GCN网络模型使用Keras框架编写，采用GPU加速训练深度图卷积神经网络。
进一步的，当需要对某一待评估的新能源配电系统的消纳能力进行评估时，将样本集中的样本参数作min-max归一化，使其满足配网消纳能力评估GCN网络的处理要求；
此时提取步骤4训练好的网络，将上述参数输入即可快速计算得出维度为1×16的二进制编码最大新能源出力，通过解码换算得到3位有效数字的配网最大新能源出力。
进一步的，将一年365天配网运行样本集按小时分别输入评估网络，对输出的8760组小时最大新能源出力持续序列合并再重新排序即得一年8760小时配电网新能源出力持续曲线，计算曲线与坐标轴围成的面积，得到全年最大配电网新能源消纳电量。
与现有技术相比，本发明至少以下有益效果，本发明通过配电网最大新能源消纳能力评估模型的求解和大量含分布式新能源机组的配电网运行数据驱动配电网消纳能力评估的深度图卷积神经网络训练，为快速计算评估配电系统新能源消纳能力提供一种方法，本发明通过对含分布式新能源配电网运行数据的收集和处理，再由最大消纳能力模型计算对应的新能源消纳量，形成配电网运行方式—消纳能力数据集，该数据集不仅适用于本发明中的评估方法，也为使用其他监督学习方法评估配电网新能源消纳能力提供了方便可用的数据集。发明中用以评估消纳能力的图卷积神经网络可以充分考虑配电网拓扑特点及变化，进而充分提取待评估配电网络的特征，可快速准确评估新场景下的分布式配电网对新能源的消纳能力。
本发明通过训练好的网络可以快速准确计算最大新能源出力值，进而计算得到全年的配电网新能源出力持续曲线和系统最大新能源消纳电量，相比传统的时序仿真方法提升了计算效率，具有应用创新性和工程实用性，有良好的市场应用前景。
附图说明
图1为配电网新能源出力持续曲线示意图；
图2为数据驱动的配电网新能源消纳能力评估主要流程；
图3为年新能源出力持续曲线；
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
如图2所示，本发明数据驱动的配电网分布式新能源消纳能力评估方法及具体包括以下步骤：
1)利用电力系统实际生产运行所积累的海量数据记录，提取含分布式新能源配电网的运行数据作为配电网运行方式—消纳能力数据集的样本集。步骤1)中，通过电网运行监测设备取得大量电力系统运行方式数据，并对每个运行方式关键属性数据进行提取建立配电网运行方式数据集。
2)建立配电网最大新能源消纳能力评估模型，并针对此模型给出新能源出力持续曲线和新能源最大消纳电量作为指标。
步骤2)中，具体包括以下步骤：配电网最大新能源消纳能力评估模型以最大风电光伏出力之和为目标，以考虑配电网络重构的潮流约束，分布式新能源机组出力约束、功率平衡约束、运行安全约束为约束条件，寻找满足运行约束的最优解，最优解时对应的最大新能源出力作为配电网运行方式—消纳能力数据集的标签集。接着建立新能源消纳能力的评估指标。指标包括：配电网新能源出力持续曲线，该指标由最大新能源出力序列由大至小排序形成。配电网最大新能源消纳电量，该指标由配电网新能源出力持续曲线对坐标轴求积分得到。
3)通过求解配电网最大新能源消纳能力评估模型计算每小时运行方式下对应的新能源消纳量，作为配电网运行方式—消纳能力数据集标签集，进而形成完整的数据集。
步骤3)中，针对步骤1)的运行方式数据样本集和步骤2)求解得到的标签集，将其对应整合得到完整的配电网运行方式—消纳能力数据集。对完整的数据集进行清洗，剔除异常个体。按0.7：0.15：0.15比例划分训练集、验证集、测试集的比例。同时对数据集中样本变量作映射至[0,1]区间的标准化；再对数据集中的标签，即最大新能源出力以含三位有效数字科学计数法十进制—16位二进制编码方法进行编码。完成上述步骤的数据集待输入GCN网络。
4)建立配电网消纳能力评估的图卷积神经网络模型，并将步骤3)中得到的配电网运行方式—消纳能力数据集进一步处理，使用其训练该深度网络。
步骤4)中，建立配电网新能源消纳能力评估的图卷积神经网络，考虑上述配电网最大消纳能力评估模型的输入输出及系统本身的运行特点。GCN网络的输入图数据由二元组G＝(X,A)描述，X为描述各个节点特征的特征矩阵，A为描述节点拓扑结构的邻接矩阵。将X、A输入，首先经过2个图卷积层。第一层为图结构卷积层，第二层为节点卷积层，两个图卷积层的输出提取得配电网络拓扑结构和节点信息的特征，之后采用平坦层将其拉直后送入3个全连接层，神经元数递减，最后一层输出对应新能源最大出力，是维度为1×16的二进制编码。在训练网络过程中，调整优化器类型和参数，调整批样本数和迭代次数，以获得较好的训练效果。
5)将待求的电网运行方式量化处理，送入步骤4)已经训练好的深度图卷积神经网络，快速计算每小时消纳电量，并由此累积算得全年的新能源出力持续曲线和新能源最大消纳电量。
步骤5)中，将待求配电网运行方式数据集按网络输入结构规格化处理，调用已经训练完成的评估网络，将一年365天配网运行样本集按小时分别输入评估网络，对输出的8760组小时最大新能源出力持续序列合并再重新排序即得一年8760小时配电网新能源出力持续曲线，该曲线与坐标轴围成的面积即为全年最大配电网新能源消纳电量。
在本发明的某一优选实施例中，数据驱动的配电网分布式新能源消纳能力评估方法包括：
1、电力系统运行方式数据收集
目前电网采用一系列运行监测系统，对电网运行实时全景监控，如数据采集与监视控制系统(SCADA)、能量管理系统(EMS)、广域测量系统(WAMS)等。这些自动化系统随着电网运行产生大量数据，这些数据包括电网实时运行状态、设备状态、故障信息等电网运行数据。
提取以上数据，形成由线路开关状态、分布式新能源机组处理、节点负荷功率等组成的数据向量，建立配电网运行方式数据集，对应每个运行方式的数据，由对应时刻电力数据中关键属性数据项组成。
以上数据作为配电网运行方式—消纳能力数据集的样本。
2、获得配电网运行方式—消纳能力数据集的标签
1)考虑配电网重构的最大消纳能力模型
最大消纳能力模型的目标函数为分布式新能源接入节点总的出力最大，其目标函数为：
其中，SDG,i,t为i节点分布式新能源机组在t时段的实际出力，nDG为新能源法电机组总数；
约束包括：
(1)考虑配电网络重构的潮流约束
其中，考虑配电网络拓扑变化，Cij(t)为t时刻i-j支路的连通状况，0为断开而1为连通，Pij(t)为t时刻支路i-j上流过的有功功率，PL,i(t)为t时刻节点i的有功负荷PW,i(t)和PPV,i(t)分别为t时刻节点i上的风电和光伏功率；同理，Qij(t)为t时刻支路i-j上流过的有功功率，QL,i(t)为t时刻节点i的有功负荷QW,i(t)和QPV,i(t)分别为t时刻节点i上的风电和光伏功率。
Pij(t)＝GijUi 2(t)-GijUi(t)Uj(t)cosθij(t)-BijUi(t)Uj(t)sinθij(t) (4)
Qij(t)＝-BijUi 2(t)+BijUi(t)Uj(t)cosθij(t)-GijUi(t)Uj(t)sinθij(t) (5)
再综合以上两式，即得到配电网潮流的等式约束。
(2)新能源机组出力约束
新能源机组的出力约束如上两式所示，其中，
和
分别为风电机组和光伏机组的可用功率，其本质为随机变量，具体数值取决于气象条件和新能源机组功率曲线。
(3)功率平衡约束
调节前后，配电网受电功率平衡为：
PD(t)＝PL(t)-PW(t)-PPV(t) (8)
PD(t)-PG(t)＝PR(t)+PESS(t)+PS,W(t)+PS,PV(t) (9)
式中，PD(t)为调节前受电功率，PL(t)为t时刻负荷功率，PW(t)为t时刻风电的输出功率，PPV(t)为t时刻光伏的输出功率；
PR(t)为配电网重构功率；PESS(t)为t时刻储能充放电功率，PW(t)为t时刻弃风功率，PPV(t)为t时刻弃光功率值。而PG(t)为调节后受电功率，其值为：
上式中，PG up和PG down分别为配电网受电功率峰谷上下限。
运行安全约束：
配电网运行安全包括各时段节点电压和线路载流量两方面的约束，具体如下：
其中，Ui,min和Ui,max分别是节点电压的最小、最大限值，Iij,max是支路电流的最大限值；θij是节点i与j之间的相角差，Gij和Bij分别是节点i与j之间的电导和电纳。
2)获得配电网运行方式—消纳能力数据集标签
利用电力系统运行方式数据收集中获得的配电网运行数据，通过配网最大新能源消纳能力评估模型计算不同小时运行方式下的最大新能源消纳电量，评估模型是非线性规化模型，对每个样本点取遗传算法20次结果平均值作为标签。
3)配电网新能源消纳能力评估指标
以下两个指标均可由配电网运行方式—消纳能力数据集的标签进一步求得。
(1)配电网新能源出力持续曲线
将每个小时的分布式新能源出力序列按由大到小重新排序即得到新能源出力持续曲线，如图1所示。
(2)配电网最大新能源消纳电量
电量与出力的关系为：
其中E为消纳新能源电量，Pr为新能源出力，T为总小时数。由指标(1)的出力持续曲线对坐标轴的积分即其面积易求得新能源消纳电量。
3、配电网新能源消纳能力评估的图卷积神经网络
图卷积神经网络(Graph Convolutional Network，GCN)相较普通的CNN更擅于在考虑网络拓扑结构的情况下提取复杂图数据结构的特征，故这里使用GCN作为特征提取器预测配电网分布式新能源消纳能力。
GCN的输入图数据可以顶集V和边集E组成的二元组G＝(V,E)描述，将配电网数据作为输入时，二元组为G＝(X,A)，X为描述各个节点特征的特征矩阵，A为描述节点拓扑结构的邻接矩阵。对N个节点的配网，由各个节点拓扑连接关系可得N×N维的邻接矩阵A，而特征矩阵的在节点维度包含节点类型、负荷预测、风电容量限制、光伏容量限制共4个特征，故特征矩阵维度为4×N。
将以上的特征矩阵X和邻接矩阵A作标准化处理后作为输入。为充分提取其特征，首先经过2个图卷积层。第一层为图结构卷积层，考虑配电网拓扑变化有限且防止2层图卷积中特征丢失，不采用池化操作，该层传播公式为：
上式中，采用ELU函数作为激活函数，ELU函数是一种改进的ReLU激活函数，表达式如下：
其中D为顶点度矩阵，是对角矩阵对角元素的值为各节点的度。而对矩阵
有：
其中I是单位矩阵；A本身包含了图中每个节点与相邻节点的连接信息,加上I之后,
运算操作时既包含节点自身的信息还包含邻接节点的信息。W1和b1是第一个图卷积层的卷积核和偏置。
图结构卷积层输出H(1)作为输入送入第二层，该层为节点卷积层，采用ReLU激活函数，传播公式为：
上式中，W2和b2是第二个卷积层的卷积核和偏置，其余与式(13)相同。
H(2)作为图卷积层的输出已提取得配电网络图的特征，采用平坦层将其拉直后送入3个全连接层，神经元数递减，最后一层输出维度为1×16。其中第一个全连接层采用ELU函数激活，其余两层采用ReLU函数激活，第一个全连接层与后两层的传播公式分别如下：
H(4)＝ELU(H(3)W3+b3) (17)
H(i+1)＝ReLU(H(i)Wi+1+bi+1)，i＝4,5 (18)
Y＝H(6) (19)
上面两式中的W和b分别为全连接层的权重矩阵和偏置。
网络最终输出Y即为前述最大消纳能力模型求得的最大新能源出力。考虑单个十进制数作为输出难以足够精确，此处使用科学计数法的二进制编码作为输出，输出共16位二进制数，由于每4位二进制数可以完全表达1位10进制数，前12位编码为最高位是100的3位十进制有效数字，后4位二进制数代表科学计数法表示时10的乘方数。
误差反向传播时使用RMSE均方根误差作为损失函数，训练时的优化器选择Adam优化器。
若以IEEE57节点配电系统为例，可得整个网络结构如下表所示：
表1IEEE57节点配电系统GCN最大消纳能力评估网络示例
4、数据驱动的新能源消纳能力评估
根据1中通过监测设备获得的配网运行数据，结合负荷预测，初步获得配电网新能源消纳能力评估数据集的样本。再由2中的考虑重构的配电网最大消纳能力模型求解对样本计算得到标签，进而形成完整的数据集。
对完整的数据集进行清洗，剔除异常个体。将随机取70％的数据作为训练集，取15％数据作为验证集，剩余15％作为测试集。同时为防止图卷积网络预测精度不高和RMSE损失函数难以收敛等问题，对数据集中样本变量作映射至[0,1]区间的标准化：
其中，x*为标准化处理后的变量值，xi为标准化处理前的变量值，ximin为变量同类型最小值，ximax为变量同类型最大值。。
对数据集中的标签，即最大消纳量(以每小时计)，按照3中的十进制——二进制编码方法进行编码。
按照3作为参考设置配电网新能源消纳能力评估GCN网络的具体结构及参数，依据配电系统特点和节点数目调整Graph_Conv层和Dense层个数，一般Graph_Conv层1-3层为宜，Dense层数不超过4层。其余卷积核参数神经元参数等参考3的示例调整。
可使用Tensorflow.Keras框架编写上述网络模型，调用GPU进行CUDA并行加速训练网络。训练GCN网络时，亦可参考3的示例可调整优化器类型和参数，调整批样本数和迭代次数，以获得较好的结果。
当需要对某一待评估的新能源配电系统的消纳能力进行评估时，需要考虑其自身特点，按照前述方法将样本参数标准化处理，使其满足配网消纳能力评估GCN网络的处理要求。此时提取之前已经训练好的网络，将上述参数输入即可快速计算得出维度为1×16的二进制编码最大新能源消纳量，通过解码易于换算得到3位有效数字的配网最大新能源出力。
对上述新能源消纳量按由大到小排列成为序列得到如图1所示的日新能源出力持续序列。
将一年365天配网运行样本集按小时分别输入评估网络，对输出的8760组小时新能源出力持续序列合并再重新排序即得一年8760小时配电网新能源出力持续曲线，如图3所示，该曲线与坐标轴围成的面积极易计算，为全年最大配电网新能源消纳电量。
Claims (10)
1.一种数据驱动的配电网分布式新能源消纳能力评估方法，其特征在于：包括以下步骤：
步骤1)利用电力系统实际生产运行所积累的数据记录，提取含分布式新能源配电网的运行数据作为配电网运行方式—消纳能力数据集的样本集；
步骤2)建立配电网最大新能源消纳能力评估模型，并针对评估模型给出新能源出力持续曲线和新能源最大消纳电量指标；
步骤3)通过求解配电网最大新能源消纳能力评估模型计算每小时运行方式下对应的最大新能源出力，作为配电网运行方式—消纳能力数据集的标签集，进而形成完整的数据集；
步骤4)建立配电网消纳能力评估的图卷积神经网络模型，并将步骤3)中得到的配电网运行方式—消纳能力数据集进行处理，使用处理后的数据集训练深度图卷积神经网络；
步骤5)将待求的电网运行方式量化处理，送入步骤4)已经训练好的深度图卷积神经网络，快速计算每小时最大消纳电量，并累积算得全年的新能源出力持续曲线和新能源最大消纳电量。
2.根据权利要求1所述的一种数据驱动的配电网分布式新能源消纳能力评估方法，其特征在于：提取电网运行监测系统中的数据，形成由线路开关状态、分布式新能源机组出力、节点负荷功率等组成的数据向量，建立配电网运行方式样本集。
3.根据权利要求2所述的一种数据驱动的配电网分布式新能源消纳能力评估方法，其特征在于：配电网最大新能源消纳能力评估模型以最大风电光伏出力之和为目标，以考虑配电网络重构的潮流约束，分布式新能源机组出力约束、功率平衡约束、运行安全约束为约束条件，寻找满足运行约束的最优解，最优解时对应的最大新能源出力作为配电网运行方式—消纳能力数据集的标签集，与配电网运行方式样本集对应整合得到完整的数据集。
4.根据权利要求1所述的一种数据驱动的配电网分布式新能源消纳能力评估方法，其特征在于：通过时序运行方式样本输入配电网最大消纳能力评估模型的求解结果，计算新能源消纳能力的评估指标；评估指标包括配电网新能源出力持续曲线和配电网最大新能源消纳电量，配电网新能源出力持续曲线由最大新能源出力序列由大至小排序形成；配电网最大新能源消纳电量由配电网新能源出力持续曲线对坐标轴求积分得到。
5.根据权利要求1所述的一种数据驱动的配电网分布式新能源消纳能力评估方法，其特征在于：建立配电网新能源消纳能力评估的深度图卷积神经网络，深度图卷积神经网络的输入图数据由二元组G＝(X,A)描述，X为描述各个节点特征的特征矩阵，A为描述节点拓扑结构的邻接矩阵；对N个节点的配电网，由各个节点拓扑连接关系可得N×N维的邻接矩阵A，所述特征矩阵的在节点维度包含4个特征，分别是节点类型、负荷预测、风电容量限制和光伏容量限制，特征矩阵维度为4×N；将特征矩阵X和邻接矩阵A作min-max归一化处理后作为输入。
6.根据权利要求5所述的一种数据驱动的配电网分布式新能源消纳能力评估方法，其特征在于：将特征矩阵X和邻接矩阵A作为输入，首先经过2个图卷积层；第一层为图结构卷积层，第二层为节点卷积层，2个图卷积层的输出提取得配电网络拓扑结构和节点信息的特征，之后采用平坦层将其拉直后送入3个全连接层，神经元数递减，最后一层输出对应新能源最大出力，维度为1×16，采用二进制编码。
7.根据权利要求1所述的一种数据驱动的配电网分布式新能源消纳能力评估方法，其特征在于：所述步骤4)中对配电网运行方式—消纳能力数据集进行的处理包括进行清洗，划分训练集、验证集、测试集。
8.根据权利要求7所述的一种数据驱动的配电网分布式新能源消纳能力评估方法，其特征在于：训练深度图卷积神经网络时，对完整的数据集进行清洗，剔除异常个体；
随机取70％的数据作为训练集，取15％数据作为验证集，剩余15％作为测试集；
同时对数据集中样本变量作映射至[0,1]区间的标准化；对数据集中的标签，即每小时最大新能源出力十进制—二进制编码方法进行编码；
所述GCN网络模型使用Keras框架编写，采用GPU加速训练深度图卷积神经网络。
9.根据权利要求2所述的一种数据驱动的配电网分布式新能源消纳能力评估方法，其特征在于：当需要对某一待评估的新能源配电系统的消纳能力进行评估时，将样本集中的样本参数作min-max归一化，使其满足配网消纳能力评估GCN网络的处理要求；
此时提取步骤4训练好的网络，将上述参数输入即可快速计算得出维度为1×16的二进制编码最大新能源出力，通过解码得到3位有效数字的配网最大新能源出力。
10.根据权利要求1所述的一种数据驱动的配电网分布式新能源消纳能力评估方法，其特征在于：将一年365天配网运行样本集按小时分别输入评估网络，对输出的8760组小时最大新能源出力持续序列合并再重新排序即得一年8760小时配电网新能源出力持续曲线，计算曲线与坐标轴围成的面积，得到全年最大配电网新能源消纳电量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110442818.9A CN113141008B (zh) | 2021-04-23 | 2021-04-23 | 一种数据驱动的配电网分布式新能源消纳能力评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110442818.9A CN113141008B (zh) | 2021-04-23 | 2021-04-23 | 一种数据驱动的配电网分布式新能源消纳能力评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113141008A true CN113141008A (zh) | 2021-07-20 |
| CN113141008B CN113141008B (zh) | 2023-06-13 |
Family
ID=76812268
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110442818.9A Active CN113141008B (zh) | 2021-04-23 | 2021-04-23 | 一种数据驱动的配电网分布式新能源消纳能力评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113141008B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113537821A (zh) * | 2021-07-30 | 2021-10-22 | 深圳供电局有限公司 | 一种电力系统状态的快速评估方法及系统 |
| CN113762625A (zh) * | 2021-09-09 | 2021-12-07 | 国网山东省电力公司经济技术研究院 | 一种基于图卷积网络的配电网状态评估方法和系统 |
| CN115169234A (zh) * | 2022-07-17 | 2022-10-11 | 无锡格策电气有限公司 | 一种基于大数据分析的电力网络可靠性评估方法 |
| CN116167289A (zh) * | 2023-04-26 | 2023-05-26 | 南方电网数字电网研究院有限公司 | 电网运行场景生成方法、装置、计算机设备和存储介质 |
| CN117556369A (zh) * | 2024-01-12 | 2024-02-13 | 南京信息工程大学 | 一种动态生成的残差图卷积神经网络的窃电检测方法及系统 |
| CN118071210A (zh) * | 2024-04-17 | 2024-05-24 | 成都理工大学 | 一种结合cnn和ppm的生态环境脆弱性评估方法 |
| CN118214077A (zh) * | 2024-05-14 | 2024-06-18 | 国网浙江省电力有限公司 | 一种基于消纳能力评估的并网规划方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107785935A (zh) * | 2017-12-07 | 2018-03-09 | 太原理工大学 | 计及风险及机组组合的电网风电消纳能力评估方法 |
| CN109449919A (zh) * | 2018-09-27 | 2019-03-08 | 中国电力科学研究院有限公司 | 一种非侵入式用电负荷分析方法及装置 |
| CN109861305A (zh) * | 2019-01-31 | 2019-06-07 | 东南大学 | 一种结合模型预测控制的输配协同经济调度方法 |
| US20200151289A1 (en) * | 2018-11-09 | 2020-05-14 | Nvidia Corp. | Deep learning based identification of difficult to test nodes |
| CN112421631A (zh) * | 2021-01-25 | 2021-02-26 | 中国电力科学研究院有限公司 | 一种新能源消纳能力评估方法和系统 |
-
2021
- 2021-04-23 CN CN202110442818.9A patent/CN113141008B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107785935A (zh) * | 2017-12-07 | 2018-03-09 | 太原理工大学 | 计及风险及机组组合的电网风电消纳能力评估方法 |
| CN109449919A (zh) * | 2018-09-27 | 2019-03-08 | 中国电力科学研究院有限公司 | 一种非侵入式用电负荷分析方法及装置 |
| US20200151289A1 (en) * | 2018-11-09 | 2020-05-14 | Nvidia Corp. | Deep learning based identification of difficult to test nodes |
| CN109861305A (zh) * | 2019-01-31 | 2019-06-07 | 东南大学 | 一种结合模型预测控制的输配协同经济调度方法 |
| CN112421631A (zh) * | 2021-01-25 | 2021-02-26 | 中国电力科学研究院有限公司 | 一种新能源消纳能力评估方法和系统 |
Non-Patent Citations (2)
| Title |
|---|
| MING LIANG ET AL.: "FeederGAN: Synthetic Feeder Generation via Deep Graph Adversarial Nets", 《IEEE TRANSACTIONS ON SMART GRID》 * |
| 吕政权等: "基于GRU-CNN的综合能源网络安全攻击检测方法", 《华电技术》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113537821A (zh) * | 2021-07-30 | 2021-10-22 | 深圳供电局有限公司 | 一种电力系统状态的快速评估方法及系统 |
| CN113762625A (zh) * | 2021-09-09 | 2021-12-07 | 国网山东省电力公司经济技术研究院 | 一种基于图卷积网络的配电网状态评估方法和系统 |
| CN113762625B (zh) * | 2021-09-09 | 2024-09-06 | 国网山东省电力公司经济技术研究院 | 一种基于图卷积网络的配电网状态评估方法和系统 |
| CN115169234A (zh) * | 2022-07-17 | 2022-10-11 | 无锡格策电气有限公司 | 一种基于大数据分析的电力网络可靠性评估方法 |
| CN115169234B (zh) * | 2022-07-17 | 2023-09-15 | 无锡格策电气有限公司 | 一种基于大数据分析的电力网络可靠性评估方法 |
| CN116167289A (zh) * | 2023-04-26 | 2023-05-26 | 南方电网数字电网研究院有限公司 | 电网运行场景生成方法、装置、计算机设备和存储介质 |
| CN116167289B (zh) * | 2023-04-26 | 2023-09-15 | 南方电网数字电网研究院有限公司 | 电网运行场景生成方法、装置、计算机设备和存储介质 |
| CN117556369A (zh) * | 2024-01-12 | 2024-02-13 | 南京信息工程大学 | 一种动态生成的残差图卷积神经网络的窃电检测方法及系统 |
| CN117556369B (zh) * | 2024-01-12 | 2024-04-19 | 南京信息工程大学 | 一种动态生成的残差图卷积神经网络的窃电检测方法及系统 |
| CN118071210A (zh) * | 2024-04-17 | 2024-05-24 | 成都理工大学 | 一种结合cnn和ppm的生态环境脆弱性评估方法 |
| CN118214077A (zh) * | 2024-05-14 | 2024-06-18 | 国网浙江省电力有限公司 | 一种基于消纳能力评估的并网规划方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113141008B (zh) | 2023-06-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113141008B (zh) | 一种数据驱动的配电网分布式新能源消纳能力评估方法 | |
| CN103324980B (zh) | 一种风电场风速预测方法 | |
| CN106295899B (zh) | 基于遗传算法与支持向量分位数回归的风电功率概率密度预测方法 | |
| CN110580543A (zh) | 一种基于深度信念网络的电力负荷预测方法及系统 | |
| CN111080032A (zh) | 一种基于Transformer结构的负荷预测方法 | |
| CN111880044B (zh) | 一种含分布式电源配电网在线故障定位方法 | |
| CN111027775A (zh) | 基于长短期记忆网络的梯级水电站发电量预测方法 | |
| CN110909911B (zh) | 考虑时空相关性的多维时序数据的聚合方法 | |
| CN102478584B (zh) | 基于小波分析的风电场风速预测方法及系统 | |
| CN108717579B (zh) | 一种短期风电功率区间预测方法 | |
| CN111313403B (zh) | 一种基于马尔可夫随机场的低压配电系统网络拓扑识别方法 | |
| CN102129511A (zh) | 一种基于matlab的风电场短期风速预测系统 | |
| CN111654392A (zh) | 基于互信息的低压配电网拓扑识别方法及系统 | |
| CN115065078A (zh) | 微网环境下储能容量配置方法及系统 | |
| CN103886223B (zh) | 功率预测方法和系统 | |
| CN115965150A (zh) | 一种基于权重分配的电力负荷预测方法 | |
| CN116596129A (zh) | 一种电动汽车充电场站短期负荷预测模型构建方法 | |
| CN115965125A (zh) | 一种基于深度学习的电力负荷预测方法 | |
| CN115796915A (zh) | 一种面向电力交易市场的电价预测方法及系统 | |
| CN116384572A (zh) | 基于多维门控循环单元的序列到序列电力负荷预测方法 | |
| CN108694475A (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
| CN114036845B (zh) | 一种风电场群模型构建方法 | |
| CN114662922B (zh) | 考虑光伏不确定性的居民需求响应潜力评估方法及系统 | |
| CN113312779B (zh) | 一种低碳型柔性配电网高满意度动态综合规划方法 | |
| CN114444955A (zh) | 综合能源用关键参数数据挖掘及长期配置预测方法及系统 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240510 Address after: No. 669, Aerospace Middle Road, National Civil Aerospace Industry Base, Xi'an City, Shaanxi Province 710199 Patentee after: Electric Power Research Institute of State Grid Shaanxi Electric Power Co.,Ltd. Country or region after: China Patentee after: XI'AN JIAOTONG University Patentee after: STATE GRID CORPORATION OF CHINA Address before: No.669, Hangtian Middle Road, Chang'an District, Xi'an City, Shaanxi Province Patentee before: STATE GRID SHAANXI ELECTRIC POWER Research Institute Country or region before: China Patentee before: XI'AN JIAOTONG University Patentee before: STATE GRID CORPORATION OF CHINA |