CN113489012A - 配电网潮流态势推演方法、平台及设备、存储介质 - Google Patents
配电网潮流态势推演方法、平台及设备、存储介质 Download PDFInfo
- Publication number
- CN113489012A CN113489012A CN202110726656.1A CN202110726656A CN113489012A CN 113489012 A CN113489012 A CN 113489012A CN 202110726656 A CN202110726656 A CN 202110726656A CN 113489012 A CN113489012 A CN 113489012A
- Authority
- CN
- China
- Prior art keywords
- situation
- voltage distribution
- power
- distribution
- parameters
- 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.)
- Withdrawn
Links
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
- H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
- H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
-
- 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
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供配电网潮流态势推演方法,涉及电网智能控制技术领域,尤其涉及配电网潮流态势推演方法、平台及设备、存储介质,包括以下步骤:获取目标电网末端负荷功率;根据所述目标电网末端负荷功率得到动态变量和电压分布参数;将所述动态标量和所述电压分布参数输入态势分布模型;根据态势分布模型,对所述动态变量和所述电压分布参数进行态势预测处理,得到电压分布推演参数。通过对目标电网末端负荷功率计算得到所述目标电网电压分布参数和动态变量,从而借助态势分布模型对所述目标电网电压分布参数和动态变量进行预处理得到电压分布推演参数,可以预测动态配电网潮流分布趋势。
Description
技术领域
本申请涉及电网智能控制技术领域,特别涉及配电网潮流态势推演方法、平台及设备、存储介质。
背景技术
随着发电技术的发展,电能组件成为生产中使用的主要能源,通过发电装置进行电能转换,从而产生足够的电能,并通过配电网将电能传输至不同的用电场景中。通过对配电网系统进行潮流计算,根据给定的电网结构、参数和发电机、负荷等元件的运行条件,确定电力系统各部分稳态运行状态参数的计算,从而对电力系统进行静态或暂态稳定分析,并根据潮流计算结果进行电力系统规划。
然而,配电网潮流计算仅能对静态或暂态稳定的配电网系统进行计算,得出的只是对静态或暂态稳定的配电网系统进行参数表征,而电网中存在不确定的变量,这种计算方式未能考虑电力系统规划过程中的变量,因此现有技术中的计算结果是不够准确的。
发明内容
随着发电技术的发展,通过对配电网系统进行潮流计算,从而对电流系统进行静态或暂态稳定分析,并根据潮流计算结果进行电流系统规划,但现有技术中,配电网潮流计算得出的只是对静态或暂态稳定的配电网系统进行参数表征,这种计算方式未能考虑电流系统规划过程中的变量,计算得出的结果不够准确,针对上述问题提出以下发明内容:
配电网潮流态势推演方法,包括以下步骤:
获取目标电网末端负荷功率;根据所述目标电网末端负荷功率得到动态变量和电压分布参数;将所述动态标量和所述电压分布参数输入态势分布模型;根据态势分布模型对所述动态变量和所述电压分布参数进行态势预测处理,得到电压分布推演参数。
进一步的,根据所述目标电网末端负荷功率得到分布参数,具体还包括以下步骤:
根据目标电网末端负荷功率得到目标电网末端负荷支路电流;
根据末端负荷支路电流进行逐层回代得到电压分布参数。
进一步的,根据目标电网末端负荷支路电流进行逐层回代得到电压分布参数,具体还包括以下步骤:
根据目标电网末端负荷支路电流逐层回代得到至少两个父节点的主级电压分布参数和父节对应的子节点的次级电压参数;
根据主级电压分布参数和次级电压分布参数得到节点电压分布参数;
根据预设收敛值对相邻两个节点电压分布参数进行比较处理,得到收敛比较结果;
根据收敛比较结果和节点电压分布参数得到电压分布参数。
进一步的,根据目标电网末端负荷功率得到动态变量,具体包括:
根据所述目标电网末端负荷功率得到至少两个末端负荷峰值功率;
根据末端负荷峰值功率、预设容限值得到动态变量。
进一步的,所述态势分布模型的建立步骤包括:
接收输入数据;
对所述输入数据进行初步模拟映射,并得到映射数据;
对所述电压分布映射参数进行修正偏置处理,得到电压分布修正偏置数据;
对所述映射数据进行归一化处理,得到最终结果数据。
进一步的,根据态势分布模型对所述动态变量和所述电压分布参数进行态势预测处理,得到电压分布推演参数,具体还包括:
所述模拟神经网络层对所述动态变量和所述电压分布参数进行初步模拟映射,得到电压分布映射参数;
所述修正偏置神经网络层对所述电压分布映射参数进行修正偏置处理,并得到电压分布修正偏置数据;
输出层对电压分布修正偏置数据进行归一化处理,得到电压分布推演参数。
配电网潮流态势推演平台,执行所述的配电网潮流态势推演方法,包括:
态势参数检测单元:检测目标电网末端负荷功率;
态势分布处理单元:根据所述目标电网末端负荷功率得到末端负荷支路电流,并且根据所述末端负荷支路电流进行逐层回代得到电压分布参数;
态势参数处理单元:根据所述目标电网末端负荷功率得到动态变量,并根据态势分布模型对动态变量、电压分布参数进行态势预测处理,得到电压分布推演参数。
进一步的,所述配电网潮流态势推演平台还包括:
用电检测单元:检测目标配电网的实施电压态势参数;
损失计算单元:根据损失函数对实时电压态势参数与电压分布推演参数进行计算处理,得到损失值;
态势反馈单元:根据损失值对态势分布模型的的权值进行调节。
配电网潮流态势推演设备,包括:处理器,其中:
所述处理器执行所述的配电网潮流态势推演方法。
计算机可读存储介质,存储有计算机可执行指令,所述计算机可执行指令用于执行所述的配电网潮流态势推演方法。
本发明提供的配电网潮流态势推演方法、平台及设备、存储介质,通过对目标电网末端负荷功率计算得到所述目标电网电压分布参数和动态变量,从而借助态势分布模型对所述目标电网电压分布参数和动态变量进行预处理得到电压分布推演参数,可以预测动态配电网潮流分布趋势,进而解决现有技术中无法计算动态电网进行准确计算的技术问题。
附图说明
图1为本发明所述配电网潮流态势推演方法步骤流程图;
图2为本发明所述步骤S2中得到电压分布参数的步骤流程图;
图3为本发明所述步骤S2120的详细步骤流程图;
图4为本发明所述步骤S2中得到动态变量的步骤流程图;
图5为本发明所述步骤S4的详细步骤流程图;
图6为本发明所述配电网潮流态势推演平台结构示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本公开的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
本申请提供一种电能态势推演方法,根据电能态势参数生成态势分布模型,并根据态势分布模型对电能分布进行态势推演,从而对对电能进行合理调用,避免局部区域功能不足,如图1所示,配电网潮流态势推演方法,包括以下步骤:
步骤S1、获取目标电网末端负荷功率;
通过对配电网末端阶段的末端负荷功率进行检测,从而得到具体数据,根据末端负荷功率、额定电压计算得到末端负荷支路电流。通过末端负荷支路电流进行逐层回代得到各个节点的电压值,根据各个节点的电压值得到电压分布参数。
步骤S2、根据所述目标电网末端负荷功率得到动态变量和电压分布参数;
进一步地,根据末端负荷功率得到用于表征末端负荷功率变化的动态变量,将动态变量、电压分布参数作为态势分布模型的输入数据,态势分布模型根据输入数据进行态势预测处理,以得到电压分布推演参数。其中,电压分布推演参数用于表征配电网的电压分布的动态变化。
所述步骤S2还包括以下步骤:
如图2所示,步骤S2110、根据目标电网末端负荷功率得到目标电网末端负荷支路电流;
步骤S2120、根据目标电网末端负荷支路电流进行逐层回代得到电压分布参数。
根据末端负荷功率、额定电压计算得到末端负荷支路电流,通过末端负荷支路电流进行逐层回代得到各个节点的电压值,根据各个节点的电压值得到电压分布参数。
如图3所示,步骤S2120中,得到电压分布参数具体还包括以下步骤:
步骤S2121、根据目标电网末端负荷支路电流逐层回代得到至少两个父节点的主级电压分布参数和父节对应的子节点的次级电压参数;
步骤S2122、根据主级电压分布参数和次级电压分布参数得到节点电压分布参数;
步骤S2123、根据预设收敛值对相邻两个节点电压分布参数进行比较处理,得到收敛比较结果;
步骤S2124、根据收敛比较结果和节点电压分布参数得到电压分布参数。
其中,配电网为辐射型网络,根据末端负荷支路电流逐层回代以得到各个节点的电压分布。例如,根据末端负荷支路电流进行逐层回代,以得到至少两个父节点的主级电压分布参数。当得到与父节点对应的主级电压分布参数后,根据主级电压分布参数逐级回代得到子节点对应的次级电压分布参数。
根据主级电压分布参数、次级电压分布参数得到节点电压分布参数,并根据预设收敛值对相邻两个节点的节点电压分布参数进行比较处理,得到收敛比较结果,以判断当前节点电压分布参数是否收敛。若根据收敛比较结果判断节点电压分布参数逐层回代计算已收敛,则停止逐层回代,并根据节点电压分布参数得到电压分布参数。
可以理解的是,通过对预设收敛至进行适应性调节,以控制逐级回代的迭代次数。
如图4所示,所述步骤S2中,得到动态变量具体还包括以下步骤:
步骤S2210、根据所述目标电网末端负荷功率得到至少两个末端负荷峰值功率;
步骤S2220、根据末端负荷峰值功率、预设容限值得到动态变量。
所述动态标量用于表示末端负荷功率的变化,通过两个末端负荷峰值功率的差值作为末端负荷功率的误差值,根据误差值、预设容限值得到动态变量。其中,预设容限值用于对误差值进行修正,以避免异常的末端负荷峰值功率导致动态变量异常。
若测有多个连续的末端负荷峰值功率,则对多个末端负荷峰值功率进行均值求解,并将末端负荷峰值功率的均值作为末端负荷功率的误差值。
在一些实施例中,可通过连续检测多个末端负荷峰值功率,并将峰值功率最大值、峰值功率最小值的差值作为误差值。
可以理解的是,根据配电网的具体应用环境选择不同的误差值计算方式,以使得动态变量适应于不同的配电网架构。
所述模拟神经网络层对所述动态变量和所述电压分布参数进行初步模拟映射,得到电压分布映射参数;
所述修正偏置神经网络层对所述电压分布映射参数进行修正偏置处理,并得到电压分布修正偏置数据;
输出层对电压分布修正偏置数据进行归一化处理,得到电压分布推演参数。
步骤S3、将所述动态标量和所述电压分布参数输入态势分布模型;
步骤S4、根据态势分布模型对所述动态变量和所述电压分布参数进行态势预测处理,得到电压分布推演参数。
态势分布模型可以为预先训练好的动态神经模型,用于对当前的电压分布参数进行态势预测计算、处理,以得到电压分布推演参数,设计者可根据电压分布推演参数得到动态的配电网潮流分布,以进行合理化的电流系统规划。
如图5所示,步骤S4具体还包括以下步骤:
步骤S410、所述模拟神经网络层对所述动态变量和所述电压分布参数进行初步模拟映射,得到电压分布映射参数;
步骤S420、所述修正偏置神经网络层对所述电压分布映射参数进行修正偏置处理,并得到电压分布修正偏置数据;
步骤S430、输出层对电压分布修正偏置数据进行归一化处理,得到电压分布推演参数。
模拟神经网络层对动态变量、电压分布参数进行初步模拟映射,以得到电压分布映射参数。修正偏置神经网络层对模拟神经网络层输出的电压分布映射参数进行修正偏置处理,以得到修正偏置处理。态势分布模型的输出层对处理后的数据进行批归一化处理,得到电压分布推演参数。
此外,通过对电压分布推演参数进行可视化处理以形成可视化模型,设计者根据可视化模型可直观地观测到电压分布的变化态势。
进一步的,在本申请的一种优选实施例中,所述态势分布模型的建立步骤包括:
接收输入数据;
对所述输入数据进行初步模拟映射,并得到映射数据;
对所述电压分布映射参数进行修正偏置处理,得到电压分布修正偏置数据;
对所述映射数据进行归一化处理,得到最终结果数据。
在一些实施例中,态势分布模型包括:输入层,用于接收输入数据;至少一个模拟神经网络层,与输入层连接,用于对输入数据进行初步模拟映射,并得到映射数据;至少一个修正偏置神经网络层,与模拟神经网络层连接,用于对映射数据进行修正偏置处理,并得到修正偏置数据;输出层,与修正偏置神经网络层连接,用于对修正偏置数据进行批归一化处理,并得到最终结果数据。
输入层将输入数据映射至对应的模拟神经网络层中的神经元中,模拟神经网络层中的神经元对修正偏置网络层中的神经元所输出的映射数据进行修正偏置处理,得到修正偏置数据。输出层接收模拟神经网络层中神经元所输出的修正偏置数据,对修正偏置数据进行批归一化处理,得到对应的最终结果数据。
在一些实施例中,根据数据处理量,对模拟神经网络层、修正偏置神经网络层的数量进行适应调节。可以理解为,以一个模拟神经网络层、修正偏置神经网络层作为网络层单元。通过设置多个级联连接的网络层单元,以构建级联网络层组,从而对输入数据进行多层处理。
即,通过对态势分布模型的输入数据进行逐层映射,以对电压分布参数进行逐层推演,并对推演所产生的数据进行适应性修正。通过设置使得推演处理及修正处理交替进行,以避免输入数据存在异常数据,而导致态势预测精度降低。
通过将动态变量、电压分布参数作为输入层的输入,并初步模拟映射至模拟神经网络层中。
可以理解的是,通过多个连续单位时间内末端负荷功率的变化状态,得到用于表示末端负荷功率变态的动态变量。通过动态变量作为态势预测的推算参数,并以作为电压分布参数的推演基准,从而得到未来一段时间内配电网潮流分布的变化。
其映射方式如下:
在一些实施例中,态势分布模型包括:多个模拟神经网络层。相邻两个模拟神经网络层相互连接,且前一级模拟神经网络层所得到的映射数据作为后一级模拟神经网络层的输入数据。通过多级互联的模拟神经网络层对最初的输入数据进行多级初步模拟映射,以根据权重矩阵W、偏移向量z对动态变量、电压分布参数进行多级模拟映射计算,从而得到最终输出的映射数据。
在修正偏置神经网络层中,每一个修正偏置神经元对映射数据进行修正偏置处理,并输出修正偏置处理。其中,修正偏置神经元对映射数据进行修正偏置处理过程中,其执行如下计算:
其中,x修正偏置神经元的输入数据;f(x)为修正偏置神经元的输出数据。
在实际应用过程中,通过设置至少两个修正偏置神经网络层,且相邻两个修正偏置神经网络层逐级相邻,且前一级修正偏置神经网络层所得到的输出数据作为后一级模拟神经网络层的输入数据,通过级联设置的修正偏置神经网络层对映射数据进行逐级修正偏置,以避免部分来源与映射数据的误差值。
通过输出层对修正偏置数据进行批归一化处理以得到最终结果数据。具体地,
输出的修正偏置数据为x:β={x1,…,xm},最终结果数据为y:yi=BNγ,β(xi)
通过对β={x1,…,xm}进行批处理,以得到批处理数据均值μβ。
可以理解为,通过上述多级互联所形成的神经网络对最初的输入数据进行多次运算处理,以得到最终结果数据。其中,最终结果数据即为所求解的电压分布推演参数。
进一步的,在本申请的一种优选实施例中,如图6所示,本申请还提供配配电网潮流态势推演平台,执行所述的配电网潮流态势推演方法,包括:
态势参数检测单元100:检测目标电网末端负荷功率;
态势分布处理单元200:根据所述目标电网末端负荷功率得到末端负荷支路电流,并且根据所述末端负荷支路电流进行逐层回代得到电压分布参数;
态势参数处理单元300:根据所述目标电网末端负荷功率得到动态变量,并根据态势分布模型对动态变量、电压分布参数进行态势预测处理,得到电压分布推演参数。
所述配电网潮流态势推演平台执行上述实施例中配电网潮流态势推演方法,从而可便捷地获取电压分布推演参数,从而根据电压分布推演参数可得到动态的配电网潮流分布,以进行合理化的电力系统规划。
在一些实施例中,配电网潮流态势推演智能平台,包括:态势参数检测单元100,用于获取末端负荷功率;态势分布处理单元200,用于根据末端负荷功率得到末端负荷支路电流,根据末端负荷支路电流进行逐层回代得到电压分布参数;态势参数处理单元300,用于根据末端负荷功率得到动态变量,并根据态势分布模型对动态变量、电压分布参数进行态势预测处理,得到电压分布推演参数。
态势参数检测单元100可与末端节点的检测装置通信连接,并接收检测装置所生成的末端节点的末端负荷功率。态势分布处理单元200与态势参数检测单元100通信连接,并对来自于态势参数检测单元100的末端负荷功率进行计算处理得到末端负荷支路电流。态势参数处理单元300与态势分布处理单元200通信连接,并对末端负荷支路电流进行逐层回代得到电压分布参数。态势参数处理单元300则根据末端负荷功率计算得到动态变量,并根据态势参数处理单元300中预存的态势分布模型对动态变量、电压分布参数进行态势预测处理,得到电压分布推演参数。
此外,配电网潮流态势推演智能平台还具有可视化显示装置,用于根据电压分布推演参数进行可视化处理,并得到用于动态表征电压分布变化趋势的可视化模型。
使用者根据可视化模型可直观地得到配电网电压分布的变化趋势,并根据变化趋势进行电力系统规划。
进一步的,在本申请的一种优选实施例中,如图6所示,所述配电网潮流态势推演平台还包括:
用电检测单元400:检测目标配电网的实施电压态势参数;
损失计算单元500:根据损失函数对实时电压态势参数与电压分布推演参数进行计算处理,得到损失值;
态势反馈单元600:根据损失值对态势分布模型的的权值进行调节。
为了避免由于实际用户使用习惯或者其他因素所导致的末端负荷功率变化超过阈值范围,而导致电压分布推演参数无法精准地表征配电网各个节点的电压分布。
本申请的配电网潮流态势推演智能平台通过用电检测单元400对配电网的实时电压态势参数进行检测,并且,所述损失计算单元500根据损失函数对实时电压态势参数与电压分布推演参数进行计算处理以得到损失值。通过损失值与损失阈值范围进行比较,以得到对应的损失比较结果,所述态势反馈单元600根据损失比较结果判断当前的态势分布模型中各个分支网络的权值是否需要调整。
若损失值大于损失阈值范围,则根据损失比较结果对权值进行适应性调节。通过对权值对分支网络的权值进行适应性调整,以使得态势分布模型可适用于不同的配电网结果。
进一步的,在本申请的一种优选实施例中,配电网潮流态势推演设备,包括:处理器,其中:
所述处理器执行所述的配电网潮流态势推演方法。
所述处理器可通过总线或者其他方式连接,计算机程序被处理器执行时,实现上述配电网潮流态势推演方法的任意组合实施例。
进一步的,在本申请的一种优选实施例中,计算机可读存储介质,存储有计算机可执行指令,所述计算机可执行指令用于执行所述的配电网潮流态势推演方法。
存储器可作为本申请所述计算机刻度存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序,此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,read-onlymemory)、随机存取存储器(RAM,random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.配电网潮流态势推演方法,其特征在于,包括以下步骤:
获取目标电网末端负荷功率;
根据所述目标电网末端负荷功率得到动态变量和电压分布参数;
将所述动态标量和所述电压分布参数输入态势分布模型;
根据态势分布模型,对所述动态变量和所述电压分布参数进行态势预测处理,得到电压分布推演参数。
2.根据权利要求1所述的配电网潮流态势推演方法,其特征在于,根据所述目标电网末端负荷功率得到分布参数,具体还包括以下步骤:
根据目标电网末端负荷功率得到目标电网末端负荷支路电流;
根据目标电网末端负荷支路电流进行逐层回代得到电压分布参数。
3.根据权利要求2所述的配电网潮流态势推演方法,其特征在于,根据末端负荷支路电流进行逐层回代得到电压分布参数,具体还包括以下步骤:
根据目标电网末端负荷支路电流逐层回代得到至少两个父节点的主级电压分布参数和父节对应的子节点的次级电压参数;
根据主级电压分布参数和次级电压分布参数得到节点电压分布参数;
根据预设收敛值对相邻两个节点电压分布参数进行比较处理,得到收敛比较结果;
根据收敛比较结果和节点电压分布参数得到电压分布参数。
4.根据权利要求1所述的配电网潮流态势推演方法,其特征在于,根据目标电网末端负荷功率得到动态变量,具体包括:
根据所述目标电网末端负荷功率得到至少两个末端负荷峰值功率;
根据末端负荷峰值功率、预设容限值得到动态变量。
5.根据权利要求1所述的配电网潮流态势推演方法,其特征在于,所述态势分布模型的建立步骤包括:
接收输入数据;
对所述输入数据进行初步模拟映射,并得到映射数据;
对所述电压分布映射参数进行修正偏置处理,得到电压分布修正偏置数据;
对所述映射数据进行归一化处理,得到最终结果数据。
6.根据权利要求5所述的配电网潮流态势推演方法,其特征在于,根据态势分布模型对所述动态变量和所述电压分布参数进行态势预测处理,得到电压分布推演参数,具体还包括:
对所述动态变量和所述电压分布参数进行初步模拟映射,得到电压分布映射参数;
对所述电压分布映射参数进行修正偏置处理,并得到电压分布修正偏置数据;
对电压分布修正偏置数据进行归一化处理,得到电压分布推演参数。
7.配电网潮流态势推演平台,其特征在于,执行权利要求1至6任一项所述的配电网潮流态势推演方法,包括:
态势参数检测单元:检测目标电网末端负荷功率;
态势分布处理单元:根据所述目标电网末端负荷功率得到末端负荷支路电流,并且根据所述末端负荷支路电流进行逐层回代得到电压分布参数;
态势参数处理单元:根据所述目标电网末端负荷功率得到动态变量,并根据态势分布模型对动态变量、电压分布参数进行态势预测处理,得到电压分布推演参数。
8.根据权利要求7所述的配电网潮流态势推演平台,其特征在于,所述配电网潮流态势推演平台还包括:
用电检测单元:检测目标配电网的实施电压态势参数;
损失计算单元:根据损失函数对实时电压态势参数与电压分布推演参数进行计算处理,得到损失值;
态势反馈单元:根据损失值对态势分布模型的的权值进行调节。
9.配电网潮流态势推演设备,其特征在于,包括:处理器,其中:
所述处理器执行权利要求1至6任一项所述的配电网潮流态势推演方法。
10.计算机可读存储介质,存储有计算机可执行指令,所述计算机可执行指令用于执行权利要求1至6任一项所述的配电网潮流态势推演方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110726656.1A CN113489012A (zh) | 2021-06-29 | 2021-06-29 | 配电网潮流态势推演方法、平台及设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110726656.1A CN113489012A (zh) | 2021-06-29 | 2021-06-29 | 配电网潮流态势推演方法、平台及设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113489012A true CN113489012A (zh) | 2021-10-08 |
Family
ID=77936755
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110726656.1A Withdrawn CN113489012A (zh) | 2021-06-29 | 2021-06-29 | 配电网潮流态势推演方法、平台及设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113489012A (zh) |
-
2021
- 2021-06-29 CN CN202110726656.1A patent/CN113489012A/zh not_active Withdrawn
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zheng et al. | A novel equivalent model of active distribution networks based on LSTM | |
Karg et al. | Deep learning-based embedded mixed-integer model predictive control | |
CN106684885B (zh) | 基于多场景分析的风电机组配电网无功优化方法 | |
CN107330573B (zh) | 一种光伏系统关键设备的状态评估方法及装置 | |
Al-Masri et al. | Simulation of an adaptive artificial neural network for power system security enhancement including control action | |
Jamshidi et al. | Neuro-fuzzy system identification for remaining useful life of electrolytic capacitors | |
Lotfi et al. | Constraint-guided deep neural network for solving optimal power flow | |
CN110096730B (zh) | 一种电网电压快速评估方法及系统 | |
CN112270439A (zh) | 超短期风电功率预测方法、装置、电子设备及存储介质 | |
Sajan et al. | Genetic algorithm based artificial neural network model for voltage stability monitoring | |
CN116914751A (zh) | 一种智能配电控制系统 | |
CN107069708B (zh) | 一种基于极限学习机的输电网线路有功安全校正方法 | |
CN111784203A (zh) | 适用于发电机组参与的电力现货市场风险模拟分析方法 | |
JP2019045944A (ja) | 機械学習装置及び機械学習方法 | |
CN108879691B (zh) | 一种大规模连续潮流计算的方法及装置 | |
CN111127242A (zh) | 一种基于小样本数据的电力系统可靠性动态实时评估方法 | |
CN113489012A (zh) | 配电网潮流态势推演方法、平台及设备、存储介质 | |
Razmi et al. | Neural network based on a genetic algorithm for power system loading margin estimation | |
CN111144572A (zh) | 一种基于树形贝叶斯网络的配电网灾情推断方法及系统 | |
Aparaschivei et al. | Load flow estimaton in electrical systems using artificial neural networks | |
CN112103949B (zh) | 电网扰动稳定控制方法及装置、电子设备及存储介质 | |
CN113904384B (zh) | 一种基于梯度提升机的电网暂态稳定协调控制方法及系统 | |
Wu et al. | Fast dc optimal power flow based on deep convolutional neural network | |
Guevara et al. | Identification of weak buses for proper placement of reactive compensation through sensitivity analysis using a neural network surrogate model | |
CN114595888A (zh) | 一种烟草制丝生产线的工艺控制参数的预测方法及装置 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20211008 |
|
WW01 | Invention patent application withdrawn after publication |