CN113300379B - 一种基于深度学习的电力系统无功电压控制方法及系统 - Google Patents

Abstract

本发明涉及一种基于深度学习的电力系统无功电压控制方法及系统，包括基于无功电压控制方法生成对应各类运行场景下的数据样本；调用ICNN深度学习方法基于训练样本进行深度学习训练，训练完成后，再基于测试样本进行深度学习模型拟合效果测试；基于样本平均误差指标及最大单样本误差指标评估当前生成的深度学习模型是否已适用于实际控制；当深度学习模型通过指标评估后运用于实时在线计算，在单次计算过程中，实时接收当前运行场景对应模型输入变量各项参数，完成深度学习单次前向计算得到各无功设备控制指令。本发明能够大幅提升无功电压控制时效性，能够针对大规模分布式能源接入后带来的局部电网无功电压波动做出更为快速的响应。

Description

一种基于深度学习的电力系统无功电压控制方法及系统

技术领域

本发明属于电力系统控制领域，尤其是一种基于深度学习的电力系统无功电压控制方法及系统。

背景技术

随着风电、光伏等分布式能源在电网中的占比逐年增大，由于其输出波动性和随机性，以及局部高密度并网的特点，往往造成局部电网无功电压运行状况短时间内发生大幅变化。以中国某一风电场为例，该风电场运行数据中曾出现过220kV母线电压在10s内平均波动超过6kV，2s内最大波动超过5kV的严重情况。这些由分布式能源接入带来的无功电压快速波动问题无疑都对传统无功电压控制带来了严峻的挑战。

当前针对分布式能源集中接入地区的无功电压快速控制研究主要集中于各类无功补偿设备之间的协调控制，以达到利用电容器、电抗器等静态无功设备进行粗调，利用SVG、SVC或借助于分布式能源自身无功调节能力等静态无功源进行快速精调的控制目的。从基于新型方法代替原有无功电压控制方法，以减少单次计算时间及提升控制频次的角度提升电力系统无功电压控制时效性的研究十分稀少。近年来，各类AI技术在图像语音识别、自动驾驶等领域大获成功，其对各类复杂问题的强适应性也同样引起了电力系统学者的广泛关注。在无功电压控制方面，学者们主要运用强化学习方法引导智能体针对不同运行场景选择奖励函数最高的无功设备控制策略。但强化学习本质上仍是一种寻优方法，有学者已经证明即便使用完全相同的超参数及强化学习算法，仅因随机种子设置的不同，强化学习方法在不同时间解决同一任务时也会出现性能不一的情况，即存在寻优结果不稳定的缺点。因此，针对研究的不足，寻找一种能够大幅减少单次计算时间、不消耗大量在线计算资源、计算结果稳定，同时又能够满足原有传统方法控制效果的新型方法以替代传统无功电压控制方法，对于解决分布式能源接入带来的无功电压问题是很有必要的。

发明内容

本发明主要是解决现有技术所存在的技术问题，提出一种基于深度学习的电力系统无功电压控制方法，将深度学习方法与传统无功电压控制方法相结合，利用深度学习方法对由传统方法在各类运行场景下生成的数据样本进行训练，得到能够最大化复刻传统无功电压方法控制效果的深度学习模型，用于拟合电力系统实时状态与无功设备控制指令之间的非线性复杂关系。当深度学习模型确定后，将传统方法定时在线无功优化计算替代为简单重复的深度学习前向计算过程，可极大缩短单次在线计算时间，提升无功电压控制频次，同时大幅缓解主站系统运行压力。

本发明的上述技术问题主要是通过下述技术方案得以解决的：

一种基于深度学习的电力系统无功电压控制方法，包括以下步骤，

步骤1，基于无功电压控制方法生成对应各类运行场景下的数据样本，

数据样本输入变量包括上级AVC系统下发关口无功运行区间指令[Q_pccmin，Q_pccmax]，电源节点有功出力P_G、无功出力Q_G，以及负荷节点有功负荷P_L、无功负荷Q_L；数据样本输出变量则为各无功补偿设备实时控制指令；

所述无功电压控制方法采用的无功优化模型如下，

其中，F为无功优化总目标，ΔV_ad为电压偏离指标，Q_pcc为关口无功指标，ΔV为所有节点电压越限平方和，ΔQ_pcc为关口无功越限量；γ₁、γ₂为权重因子；λ₁和λ₂分别为系统节点电压和关口无功越限惩罚系数；

N为系统节点数，V_i为节点i的电压，V_imax及V_imin分别为节点i电压运行上下限；

步骤2，调用ICNN深度学习方法基于训练样本进行深度学习训练，训练完成后，再基于测试样本进行深度学习模型拟合效果测试；

步骤3，基于样本平均误差指标δ_mean及最大单样本误差指标δ_max评估当前生成的深度学习模型是否已适用于实际控制，其中δ_mean用于评估深度学习网络整体拟合效果，δ_max用于判断拟合结果中是否出现极大偏差场景；

步骤4，当深度学习模型通过步骤3指标评估后，将其运用于实时在线计算；如以下公式所示，在单次计算过程中，只需实时接收当前运行场景对应模型输入变量各项参数，完成深度学习单次前向计算得到各无功设备控制指令，

(C_continuous,C_discrete)＝Forward(P_G,Q_G,P_L,Q_L)

式中，C_continuous与C_discrete分别为连续型、离散型无功补偿设备控制指令，Forward()为深度学习模型前向计算过程。

而且，步骤1中，所述运行场景由改进拉丁超立方采样方法得到，实现过程包括以下流程，

1)基于拉丁超立方理论生成m个初始样本的输入变量，代表初始的各类运行场景，其中m为预设参数；

2)分别计算每个初始样本的输入变量对其他样本输入变量的欧式距离L_ij，并分别记录每个样本的最小及次小欧式距离L_{i_min1}、L_{i_min2}；

3)对所有样本的最小欧式距离进行比较，确定最小欧式距离L_min对应样本x_I与x_J，比较两样本的次小欧式距离L_{I_min2}与L_{J_min2}，较小值对应样本即为当前变异优先级最高样本x_mutation；

4)对变异优先级最高样本x_mutation进行变异操作，计算变异后该样本对其他样本最小欧式距离L_{mutation_min1}；

5)若L_{mutation_min1}小于预先设定的最小欧式距离指标L_minvalue，则表明此次变异操作成功；反之则重复步骤4)，直至满足最小欧式距离指标要求再进入步骤6)；

6)重复步骤2)-5)，共计完成m/5次变异操作后，输出最终样本的输入变量，即无功电压控制各类运行场景。

而且，步骤1)中，基于基本拉丁超立方理论生成初始样本输入变量的流程如下，

1.1)设单样本输入变量维数为n_I，共需生成m个样本；对于输入变量第i维，将相应累计分布函数F_i(x)在y轴方向上均分成m个相同的区间；

1.2)在y轴m个区间内分别随机取值，得到m个不同区间内的数值

其中，

为第k个区间内的累计分布函数随机值；

1.3)基于

分别对累计分布函数取反函数

对应得到m个第i维变量采样值，

1.4)对样本输入变量各维重复以上步骤，得到n_I×m的数据集合，再从集合中每行随机取数，得到n_I个数据即可作为一个样本输入变量，重复m次即可得到m个初始样本的输入变量。

而且，步骤2中，采用L2型损失函数用于直观反映深度学习模型拟合效果，同时简化输出层反向传播求导计算。

另一方面，本发明提供一种基于深度学习的电力系统无功电压控制系统，用于实现如上所述的一种基于深度学习的电力系统无功电压控制方法。

而且，包括以下模块，

第一模块，用于基于无功电压控制方法生成对应各类运行场景下的数据样本，

数据样本输入变量包括上级AVC系统下发关口无功运行区间指令[Q_pccmin，Q_pccmax]，电源节点有功出力P_G、无功出力Q_G，以及负荷节点有功负荷P_L、无功负荷Q_L；数据样本输出变量则为各无功补偿设备实时控制指令；

所述无功电压控制方法采用的无功优化模型如下，

其中，F为无功优化总目标，ΔV_ad为电压偏离指标，Q_pcc为关口无功指标，ΔV为所有节点电压越限平方和，ΔQ_pcc为关口无功越限量；γ₁、γ₂为权重因子；λ₁和λ₂分别为系统节点电压和关口无功越限惩罚系数；

N为系统节点数，V_i为节点i的电压，V_imax及V_imin分别为节点i电压运行上下限；

第二模块，用于调用ICNN深度学习方法基于训练样本进行深度学习训练，训练完成后，再基于测试样本进行深度学习模型拟合效果测试；

第三模块，用于基于样本平均误差指标δ_mean及最大单样本误差指标δ_max评估当前生成的深度学习模型是否已适用于实际控制，其中δ_mean用于评估深度学习网络整体拟合效果，δ_max用于判断拟合结果中是否出现极大偏差场景；

第四模块，用于当深度学习模型通过第三模块指标评估后，将其运用于实时在线计算；如以下公式所示，在单次计算过程中，只需实时接收当前运行场景对应模型输入变量各项参数，完成深度学习单次前向计算得到各无功设备控制指令，

(C_continuous,C_discrete)＝Forward(P_G,Q_G,P_L,Q_L)

式中，C_continuous与C_discrete分别为连续型、离散型无功补偿设备控制指令，Forward()为深度学习模型前向计算过程。

或者，包括处理器和存储器，存储器用于存储程序指令，处理器用于调用存储器中的存储指令执行如上所述的一种基于深度学习的电力系统无功电压控制方法。

或者，包括可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序执行时，实现如上所述的一种基于深度学习的电力系统无功电压控制方法。

因此，本发明具有如下优点：1)大幅提升无功电压控制时效性。由于单次在线分析计算被替换为运算过程极为简单的深度学习前向传播过程(耗时为ms级)，无需进行传统无功优化计算所需的迭代及潮流计算步骤，在数据采集/下发速率满足要求的基础上，无功电压计算/控制频次可大幅提升，真正意义上趋近于“实时采集，实时控制”的理想控制状态，能够针对大规模分布式能源接入后带来的局部电网无功电压波动做出更为快速的响应。2)大幅缓解系统运行压力。由于深度学习模型采用离线训练方式，且一旦训练完成通过评估后，在网架结构不发生变化时深度学习模型参数不再改变，每次在线计算只需基于确定的深度学习模型完成单次前向计算即可得出各无功设备控制指令，故对主站系统计算及存储资源要求大幅降低。

附图说明

图1是本发明实施例的处理流程图。

图2是本发明实施例中的电气接线图。

图3是基于原始拉丁超立方采样方法的采样分布图。

图4是本发明实施例改进拉丁超立方采样方法针对某二维变量的采样分布图。

图5是基于本发明方法控制结果及基于传统方法的参考控制结果，针对某三维变量形成的三维空间散点分布对比图。

具体实施方式

下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。

如图1所示，本发明实施例提供的一种基于深度学习的电力系统无功电压控制方法包括以下步骤：

步骤1，基于传统无功电压控制方法生成对应各类运行场景下的数据样本，其中运行场景由改进拉丁超立方采样方法得到。数据样本输入变量包括：上级AVC系统下发关口无功运行区间指令[Q_pccmin，Q_pccmax]，电源节点有功出力P_G、无功出力Q_G，负荷节点有功负荷P_L、无功负荷Q_L。数据样本输出变量则为各无功补偿设备实时控制指令。其中，AVC系统是电网使用的自动电压控制系统。获取的样本可划分为训练样本集和测试样本集。

传统无功电压控制方法采用的传统方法无功优化模型为

第一式中，F为无功优化总目标，minF表示优化目标是使F最小；第1项中ΔV_ad为电压偏离指标，第2项中Q_pcc为关口无功指标，第3、4项分别为系统节点电压和关口无功越限的罚函数，其中ΔV为所有节点电压越限平方和，ΔQ_pcc为关口无功越限量；γ₁、γ₂为权重因子；λ₁和λ₂分别为系统节点电压和关口无功越限惩罚系数；

第二式中，N为系统节点数，V_i为节点i的电压，V_imax及V_imin分别为节点i电压运行上下限，max()表示括号内数据的最大项。

步骤1中所述改进拉丁超立方采样方法具体流程为：

1)基于拉丁超立方理论生成m个初始样本的输入变量，即初始的各类运行场景，其中m为预设参数。

2)按照下式分别计算每个初始样本的输入变量对其他样本输入变量的欧式距离L_ij，并分别记录每个样本的最小及次小欧式距离L_{i_min1}、L_{i_min2}。

其中，n_I为样本输入变量维数，x_{i_k}、x_{j_k}分别为第i、j个样本输入变量第k维数值。

3)对所有样本的最小欧式距离进行比较，确定最小欧式距离L_min对应样本x_I与x_J，比较两样本的次小欧式距离L_{I_min2}与L_{J_min2}，较小值对应样本即为当前变异优先级最高样本x_mutation。

4)按照下式对变异优先级最高样本x_mutation进行变异操作，再次计算变异后该样本对其他样本最小欧式距离L_{mutation_min1}。

x_{mutation_k}＝rand[0,1]×(x_{i_k_max}-x_{i_k_min})

其中，x_{mutation_k}为变异样本第k维变量，rand[0,1]为0到1之间的随机数，x_{i_k_max}、x_{i_k_min}分别为变异样本第k维变量上、下限。

5)若L_{mutation_min1}小于预先设定的最小欧式距离指标L_minvalue，则表明此次变异操作成功；反之则重复步骤4)，直至满足最小欧式距离指标要求再进入步骤6)。

6)重复步骤2)-5)，共计完成m/5次变异操作后，输出最终样本的输入变量，即无功电压控制各类运行场景。

其中步骤1)所述基于基本拉丁超立方理论生成初始样本输入变量的具体流程为：

1.1)设单样本输入变量维数为n_I，共需生成m个样本。对于输入变量第i维，将其累计分布函数F_i(x)在y轴方向上均分成m个相同的区间。

1.2)在y轴m个区间内分别随机取值，得到m个不同区间内的数值

其中，

为第k个区间内的累计分布函数随机值。

1.3)基于

分别对累计分布函数取反函数

对应得到m个该维变量采样值。

1.4)对样本输入变量各维重复以上步骤，得到n_I×m的数据集合，再从集合中每行随机取数，得到n_I个数据即可作为一个样本输入变量，重复m次即可得到m个初始样本的输入变量。

在本实施例中，采用广东省某实际海岛电网为例，如图2所示，该海岛电网主要由一个枢纽变电站、两个风电场、一个海水抽水蓄能电站及三个岛屿(记为岛屿1、岛屿2、岛屿3)负荷构成，其中上级电网经线路1和线路2接入枢纽变电站，枢纽变电站两台主变容量均为110MVA，低压侧两段母线分别配置有23Mvar SVG，记为SVG1、SVG2；风电场1、2均为装机容量为50MW的双馈风机风电场，记为风电场1、风电场2；海水抽水蓄能电站装机容量为20MW，记为海蓄机组。枢纽变电站的输出分别经线路3接入风电场1，经线路4接入岛屿1，经线路5接入风电场1，经线路6接入岛屿2，从线路6经线路7接入岛屿3，从线路6经线路8接入海蓄机组。

本例中无功补偿设备包括SVG1、SVG2及抽蓄机组无功出力。数据样本包括训练本及测试样本，其中训练样本数为5000，测试样本数为100；样本输入变量包括上级AVC系统下发关口无功指令，风电场1、2的有功、无功出力，海蓄机组有功、无功出力，岛屿1、2、3的有功、无功负荷。样本输出变量为各无功补偿设备(SVG1、SVG2及抽蓄机组)的无功控制指令。

在本实施例中，所有节点电压允许运行区间为[0.97,1.07]。

步骤2，调用ICNN深度学习方法基于步骤1生成的训练样本进行深度学习训练，训练完成后，再基于步骤1生成的测试样本进行深度学习模型拟合效果测试。

ICNN是在DNN基础上通过增加输入向量至各隐藏层的直连操作而增强深度学习模型表达能力的改进深度学习方法，本发明采用该方法进行深度学习模型训练。

根据以下公式所述步骤2中采用ICNN深度学习方法训练的深度学习模型各层表达式为：

式中，Z^[l]为本层线性输出，A^[l]、A^[l-1]为本层及上一层非线性输出，W^[l]、b^[l]为本层权重及偏置参数，X为本层输入，g^[l]为本层激活函数，

为ICNN增加输入向量至各隐藏层直连操作所对应的权重参数。

在本实施例中，ICNN输入层X即为步骤1生成数据样本输入变量。，隐藏层数设置为3，每层的节点数设置为50，输出层的A^[l]即为步骤1生成数据样本输出变量，即为各无功补偿设备实时控制指令。

采用基于以下公式的L2型损失函数用于直观反映深度学习模型拟合效果，同时尽量简化输出层反向传播求导计算。

式中，J为损失函数，m为数据样本数目，n为输出层变量维数，A_ij为第i个数据样本输入ICNN网络后得到输出层A^[l]的第j维变量；y_ij为第i个数据样本输出变量的第j维变量。

步骤3，基于样本平均误差指标δ_mean及最大单样本误差指标δ_max评估当前生成深度学习模型是否已适用于实际控制，其中δ_mean用于评估深度学习网络整体拟合效果，δ_max用于判断拟合结果中是否出现极大偏差场景。

根据公式所述步骤3深度学习模型评估指标为：

在本实施例中，样本平均误差指标δ_mean设定为0.02，最大单样本误差指标δ_max设定为0.05。

步骤4，当深度学习模型通过步骤3指标评估后，即可将其运用于实时在线计算。在单次计算过程中，只需实时接收当前运行场景对应模型输入变量各项参数，完成深度学习单次前向计算即可得到各无功设备控制指令。

(C_continuous,C_discrete)＝Forward(P_G,Q_G,P_L,Q_L)

式中，C_continuous与C_discrete分别为连续型、离散型无功补偿设备控制指令，Forward()为深度学习模型前向计算过程。

在本实施例中，运用C++软件进行基于传统无功电压方法的数据样本采样程序编写，运用python软件进行深度学习模型训练程序编写。图3为基于本发明提出方法训练生成的测试样本控制结果及基于传统方法生成的参考控制结果针对某三维变量形成的三维空间散点分布对比图。训练样本及测试样本两项误差指标δ_mean及δ_max统计见表1。基于本发明提出方法及传统方法单次计算时间统计见表2。

表1 训练样本及测试样本误差指标统计

表2 基于本文方法及传统方法单次计算时间统计

对图3中可以看出，采用原始拉丁超立方采样方法个采样仍然出现了较多的样本聚集现象，同时存在较多未进行采样的空白区域。从图4中可以看出，采用本发明提出的改进拉丁超立方采样方法能够使得样本在变量可行域内均匀分布，基于最小欧式距离指标的变异操作能够完全消除样本聚集现象，从而杜绝“采样浪费”，实现所有采样样本最大化利用。

从图5中可以看出，针对测试样本，由本发明提出方法及传统方法绘制出的三维散点几乎都是以成对重合方式分布的，表1中统计的测试样本平均误差指标δ_mean数值非常小，满足设定误差范围，由于测试样本对于由训练样本训练生成的深度学习模型来说属于“未知且随机的群体”，证明深度学习模型已完全拟合出电力系统实时状态与无功设备调节指令之间非线性复杂关系。同时从表1中可知，训练样本及测试样本单样本最大误差指标δ_max数值均满足设定误差范围，表明训练样本及测试样本中均未出现某个样本控制误差极大的情况，排除了本文方法应用于实际场景时出现偶然性较大偏差的情况。由表2数据可知，在基于训练样本完成深度学习网络训练后，采用深度学习方法单次计算时间大幅缩短，可减少至传统方法单次计算时间的1/15714。

具体实施时，本发明技术方案提出的方法可由本领域技术人员采用计算机软件技术实现自动运行流程，实现方法的系统装置例如存储本发明技术方案相应计算机程序的计算机可读存储介质以及包括运行相应计算机程序的计算机设备，也应当在本发明的保护范围内。

在一些可能的实施例中，提供一种基于深度学习的电力系统无功电压控制系统，包括以下模块，

第一模块，用于基于无功电压控制方法生成对应各类运行场景下的数据样本，

数据样本输入变量包括上级AVC系统下发关口无功运行区间指令[Q_pccmin，Q_pccmax]，电源节点有功出力P_G、无功出力Q_G，以及负荷节点有功负荷P_L、无功负荷Q_L；数据样本输出变量则为各无功补偿设备实时控制指令；

所述无功电压控制方法采用的无功优化模型如下，

其中，F为无功优化总目标，ΔV_ad为电压偏离指标，Q_pcc为关口无功指标，ΔV为所有节点电压越限平方和，ΔQ_pcc为关口无功越限量；γ₁、γ₂为权重因子；λ₁和λ₂分别为系统节点电压和关口无功越限惩罚系数；

N为系统节点数，V_i为节点i的电压，V_imax及V_imin分别为节点i电压运行上下限；

第二模块，用于调用ICNN深度学习方法基于训练样本进行深度学习训练，训练完成后，再基于测试样本进行深度学习模型拟合效果测试；

第三模块，用于基于样本平均误差指标δ_mean及最大单样本误差指标δ_max评估当前生成的深度学习模型是否已适用于实际控制，其中δ_mean用于评估深度学习网络整体拟合效果，δ_max用于判断拟合结果中是否出现极大偏差场景；

第四模块，用于当深度学习模型通过第三模块指标评估后，将其运用于实时在线计算；如以下公式所示，在单次计算过程中，只需实时接收当前运行场景对应模型输入变量各项参数，完成深度学习单次前向计算得到各无功设备控制指令，

(C_continuous,C_discrete)＝Forward(P_G,Q_G,P_L,Q_L)

式中，C_continuous与C_discrete分别为连续型、离散型无功补偿设备控制指令，Forward()为深度学习模型前向计算过程。

在一些可能的实施例中，提供一种基于深度学习的电力系统无功电压控制系统，包括处理器和存储器，存储器用于存储程序指令，处理器用于调用存储器中的存储指令执行如上所述的一种基于深度学习的电力系统无功电压控制方法。

在一些可能的实施例中，提供一种基于深度学习的电力系统无功电压控制系统，包括可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序执行时，实现如上所述的一种基于深度学习的电力系统无功电压控制方法。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (7)

1.一种基于深度学习的电力系统无功电压控制方法，其特征在于：包括以下步骤，

步骤1，基于无功电压控制方法生成对应各类运行场景下的数据样本，

数据样本输入变量包括上级AVC系统下发关口无功运行区间指令[Q_pccmin，Q_pccmax]，电源节点有功出力P_G、无功出力Q_G，以及负荷节点有功负荷P_L、无功负荷Q_L；数据样本输出变量则为各无功补偿设备实时控制指令；

所述无功电压控制方法采用的无功优化模型如下，

其中，F为无功优化总目标，ΔV_ad为电压偏离指标，Q_pcc为关口无功指标，ΔV为所有节点电压越限平方和，ΔQ_pcc为关口无功越限量；γ₁、γ₂为权重因子；λ₁和λ₂分别为系统节点电压和关口无功越限惩罚系数；

N为系统节点数，V_i为节点i的电压，V_imax及V_imin分别为节点i电压运行上下限；

步骤2，调用ICNN深度学习方法基于训练样本进行深度学习训练，训练完成后，再基于测试样本进行深度学习模型拟合效果测试；

步骤3，基于样本平均误差指标δ_mean及最大单样本误差指标δ_max评估当前生成的深度学习模型是否已适用于实际控制，其中δ_mean用于评估深度学习网络整体拟合效果，δ_max用于判断拟合结果中是否出现极大偏差场景；

步骤4，当深度学习模型通过步骤3指标评估后，将其运用于实时在线计算；如以下公式所示，在单次计算过程中，只需实时接收当前运行场景对应模型输入变量各项参数，完成深度学习单次前向计算得到各无功设备控制指令，

(C_continuous,C_discrete)＝Forward(P_G,Q_G,P_L,Q_L)

式中，C_continuous与C_discrete分别为连续型、离散型无功补偿设备控制指令，Forward( )为深度学习模型前向计算过程；

步骤1中，所述运行场景由改进拉丁超立方采样方法得到，实现过程包括以下流程，

1)基于拉丁超立方理论生成m个初始样本的输入变量，代表初始的各类运行场景，其中m为预设参数；

2)分别计算每个初始样本的输入变量对其他样本输入变量的欧式距离L_ij，并分别记录每个样本的最小及次小欧式距离L_{i_min1}、L_{i_min2}；

3)对所有样本的最小欧式距离进行比较，确定最小欧式距离L_min对应样本x_I与x_J，比较两样本的次小欧式距离L_{I_min2}与L_{J_min2}，较小值对应样本即为当前变异优先级最高样本x_mutation；

4)对变异优先级最高样本x_mutation进行变异操作，计算变异后该样本对其他样本最小欧式距离L_{mutation_min1}；

5)若L_{mutation_min1}大于预先设定的最小欧式距离指标L_minvalue，则表明此次变异操作成功；反之则重复步骤4)，直至满足最小欧式距离指标要求再进入步骤6)；

6)重复步骤2)-5)，共计完成m/5次变异操作后，输出最终样本的输入变量，即无功电压控制各类运行场景。

2.根据权利要求1所述基于深度学习的电力系统无功电压控制方法，其特征在于：步骤1)中，基于基本拉丁超立方理论生成初始样本输入变量的流程如下，

1.1)设单样本输入变量维数为n_I，共需生成m个样本；对于输入变量第i维，将相应累计分布函数F_i(x)在y轴方向上均分成m个相同的区间；

1.2)在y轴m个区间内分别随机取值，得到m个不同区间内的数值

其中，

为第k个区间内的累计分布函数随机值；

1.3)基于

分别对累计分布函数取反函数

对应得到m个第i维变量采样值，

1.4)对样本输入变量各维重复以上步骤，得到n_I×m的数据集合，再从集合中每行随机取数，得到n_I个数据即可作为一个样本输入变量，重复m次即可得到m个初始样本的输入变量。

3.根据权利要求1或2所述基于深度学习的电力系统无功电压控制方法，其特征在于：步骤2中，采用L2型损失函数用于直观反映深度学习模型拟合效果，同时简化输出层反向传播求导计算。

4.一种基于深度学习的电力系统无功电压控制系统，其特征在于：用于实现如权利要求1-3任一项所述的一种基于深度学习的电力系统无功电压控制方法。

5.根据权利要求4所述基于深度学习的电力系统无功电压控制系统，其特征在于：包括以下模块，

第一模块，用于基于无功电压控制方法生成对应各类运行场景下的数据样本，

数据样本输入变量包括上级AVC系统下发关口无功运行区间指令[Q_pccmin，Q_pccmax]，电源节点有功出力P_G、无功出力Q_G，以及负荷节点有功负荷P_L、无功负荷Q_L；数据样本输出变量则为各无功补偿设备实时控制指令；

所述无功电压控制方法采用的无功优化模型如下，

其中，F为无功优化总目标，ΔV_ad为电压偏离指标，Q_pcc为关口无功指标，ΔV为所有节点电压越限平方和，ΔQ_pcc为关口无功越限量；γ₁、γ₂为权重因子；λ₁和λ₂分别为系统节点电压和关口无功越限惩罚系数；

N为系统节点数，V_i为节点i的电压，V_imax及V_imin分别为节点i电压运行上下限；

第二模块，用于调用ICNN深度学习方法基于训练样本进行深度学习训练，训练完成后，再基于测试样本进行深度学习模型拟合效果测试；

第三模块，用于基于样本平均误差指标δ_mean及最大单样本误差指标δ_max评估当前生成的深度学习模型是否已适用于实际控制，其中δ_mean用于评估深度学习网络整体拟合效果，δ_max用于判断拟合结果中是否出现极大偏差场景；

第四模块，用于当深度学习模型通过第三模块指标评估后，将其运用于实时在线计算；如以下公式所示，在单次计算过程中，只需实时接收当前运行场景对应模型输入变量各项参数，完成深度学习单次前向计算得到各无功设备控制指令，

(C_continuous,C_discrete)＝Forward(P_G,Q_G,P_L,Q_L)

式中，C_continuous与C_discrete分别为连续型、离散型无功补偿设备控制指令，Forward()为深度学习模型前向计算过程。

6.根据权利要求4所述基于深度学习的电力系统无功电压控制系统，其特征在于：包括处理器和存储器，存储器用于存储程序指令，处理器用于调用存储器中的存储指令执行如权利要求1-3任一项所述的一种基于深度学习的电力系统无功电压控制方法。

7.根据权利要求4所述基于深度学习的电力系统无功电压控制系统，其特征在于：包括可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序执行时，实现如权利要求1-3任一项所述的一种基于深度学习的电力系统无功电压控制方法。

Images