CN113708390B - 配电台区三相不平衡治理的智能设备实时控制方法及系统 - Google Patents

Abstract

本发明公开了一种配电台区三相不平衡治理的智能设备实时控制方法及系统。本发明的方法为：将台区内的负荷分布作为输入，利用改进后的粒子群算法生成台区内智能设备在不同负荷分布下的最优控制策略作为训练集；之后根据各类智能设备是否能够进行连续调节将其划分为两类，对于各台能够连续调节的设备，将负荷作为输入，设备发出的无功功率作为输出，使用Lasso回归生成单台连续设备的控制模型；其他无法连续调节的设备，则利用卷积神经网络挖掘台区负荷与设备动作状态间的非线性关系，形成相应控制模型，两者结合可在台区负荷变化时控制各类设备实时响应消除可能出现的三相不平衡、线损上升等问题，保障台区安全稳定运行。

Description

配电台区三相不平衡治理的智能设备实时控制方法及系统

技术领域

本发明涉及配电台区治理领域，具体地说是一种配电台区三相不平衡治理的智能设备实时控制方法及系统。

背景技术

我国配电台区采用三相四线制线路向用户供电，台区中大多数为单相负荷，剩余少数为三相负荷。由于台区用户接线随机性大、单相负荷分配不均等现象的存在，使得配电台区常常存在三相不平衡问题。相较于三相三线制线路，三相四线制线路中由于中性线的存在，当台区中存在三相不平衡现象时，中性线上将会产生电流使得台区网损进一步增大，进而影响整个系统内部的电能质量，在用电高峰期时尤为严重。同时三相不平衡现象还会引起包括台区配电变压器运行温度升高、变压器使用寿命减少、用户侧用电设备无法正常使用等问题。因此配电台区三相不平衡治理方面的研究具有重要意义。

传统的配电台区三相不平衡治理方法包括以加装无功补偿设备或人工换相为主。无功补偿设备虽然能够在一定程度上缓解三相不平衡现象，但在轻载时易发生过补偿现象，同时无法从根本上改变负荷分布不均的问题；人工换相则由于成本较高以及换相时影响用户供电因此较难普及。目前随着智能换相开关的出现，台区的三相不平衡治理问题有了新的解决思路，当台区三相不平衡度过高时，换相开关依靠相关控制策略可以使单相负荷在a、b、c三相中瞬时切换实现负荷的均匀分配。目前换相开关的控制策略已有多种方法实现，如启发式算法、数学解析法等等，但这些方法均存在随着换相开关按照数量增多求解时间剧增的问题，同时也没有考虑与台区中配置的其他治理设备的协同。

综上所述，目前的配电台区三相不平衡治理方法存在着台区内部治理设备数量较大时控制策略制定所需时间较长以及未能考虑台区内部所有设备协同导致无法从全局角度实现最优化治理效果的问题。

发明内容

针对上述现有技术存在的缺陷，本发明提供一种用于配电台区三相不平衡治理的智能设备实时控制方法及系统，其用于解决现有台区三相不平衡治理技术中存在的内部治理设备数量较大时控制策略制定所需时间较长以及未能考虑台区内部所有设备协同导致无法从全局角度实现最优化治理效果的问题。

为实现上述目的，本发明采用的一种技术方案为：配电台区三相不平衡治理的智能设备实时控制方法，其包括以下步骤：

S1:获取配电台区内N个节点下三相负荷的历史数据或通过仿真生成能够充分反映台区运行特性的足够数量的三相负荷数据

S2:对步骤S1中获得的台区内N个节点下的三相负荷数据，利用改进粒子群算法制定不同负荷分布下的台区各智能控制设备的最优控制策略，形成用于后续机器学习使用的样本集；

S3:将样本集划分为训练集及测试集，同时依据各智能控制设备是否连续可调将其分为连续可调设备及离散可调设备两类；

S4:对于各台连续可调设备，将样本集中各节点三相负荷分布作为输入，单台设备对应时刻发出无功功率作为输出，构建Lasso回归模型，设定模型超参数；利用训练集对Lasso回归模型进行有监督训练，若通过测试集检验则得到单台连续可调设备的最优控制模型，否则重复训练步骤直至满足要求；

S5:对于各台离散可调设备，将样本集中各节点三相负荷分布作为输入，单台设备对应时刻动作状态作为输出，构建卷积神经网络模型，设定网络中各层参数；利用训练集对模型进行有监督分类训练，若通过测试集检验则得到单台离散可调设备的最优控制模型，否则重复训练步骤直至满足要求；

S6:整合训练得到的台区内所有智能控制设备的最优控制模型，将其配置于一配电台区控制终端中，根据台区内实时负荷分布，各最优控制模型输出对应设备的最优控制策略实现台区的在线治理。

本发明将台区内的负荷分布作为输入，利用改进后的粒子群算法生成台区内智能设备在不同负荷分布下的最优控制策略作为训练集；之后根据各类智能设备是否能够进行连续调节将其划分为两类，对于各台能够连续调节的设备，将负荷作为输入，该设备需发出的无功功率作为输出，使用Lasso回归生成单台连续设备的控制模型；其他无法连续调节的设备，则利用卷积神经网络挖掘台区负荷与设备动作状态间的非线性关系，形成相应控制模型，两者结合可在台区负荷变化时控制各类设备实时响应消除可能出现的三相不平衡、线损上升等问题，保障台区安全稳定运行。

进一步地，台区中的智能控制设备包括静止无功发生器、电容器及换相开关，所述的静止无功发生器为连续可调设备，电容器及换相开关为离散可调设备。

进一步地，所述步骤S2中改进粒子群算法的具体步骤为：

S21:获取台区内节点三相负荷数据后，进行一次潮流计算得到系统总网损及三相不平衡度作为后续优化的基准值，计算公式如下：

式中：P^loss为系统总网损，P_l ^loss为线路l上网损，

为系统a、b、c三相及中性线，N为系统节点总数；

式中，U_VUF，i代表节点i处的三相不平衡度，V_i,a，V_i,b，V_i,c为节点i上a、b、c三相的相电压，V_i,av为节点i的三相电压平均值；

S22:初始化改进粒子群算法的参数及种群中粒子的速度及位置状态，粒子的位置包括静止无功发生器的输出功率、电容器接入组数及换相开关位置，设置粒子群算法约束条件，包括静止无功发生器输出功率极限、电容器最大投入组数以及最大迭代次数，计算初始种群的各粒子适应度；

S23:根据各粒子适应度设置全局最优解及个体最优解，各种群中适应度最大的粒子作为全局最优解，每个种群中适应度最大的粒子为该种群个体最优解；

S24:计算此次迭代中的随机权重，并利用得到的随机权重更新各粒子的速度与位置状态，计算各粒子适应度并更新全局最优解及个体最优解，随机权重计算公式如下：

ω＝ω′+σ×N(0,1)，

ω′＝ω_min+(ω_max-ω_min)×rand(0,1)，

式中，ω为此次更新时的权重，σ为随机权重的方差，N(0,1)为0～1间负荷标准正态分布的随机数，ω_max与ω_min为惯性权重的上下限，rand(0,1)为0～1之间的随机数；

S25:引入模拟退火方法，为各粒子随机产生一新位置，计算新位置下粒子适应度，若有粒子优于当前全局最优解及个体最优解则接受该新位置，否则以一设定概率对该粒子进行更新；

S26:判断迭代是否结束，若没有则重复步骤S23-S25，若迭代结束则输出当前粒子位置信息，即得到台区当前负荷状态下的各智能控制设备最优控制策略。

进一步地，步骤S22中，改进粒子群算法对于台区内离散可调设备各动作状态的编码策略表示为：

换相开关动作状态a_i∈(1,2,3)，当换相开关置于a相上时a_i取1，当换相开关置于b相上时a_i取2，当换相开关置于c相上时a_i取3，同一时刻换相开关只能位于1相上；

电容器动作状态a_j∈(0,1,2...h)，h为电容器总组数，电容器当前投入组数即为动作状态编码。

更进一步地，步骤S22中，适应度的计算公式如下：

式中，F为总适应度函数，F_n代表子目标函数，其中，F₁为网损的子目标函数，F₂为三相不平衡度的子目标函数，F₃、F₄分别为电容器及换相开关动作次数的子目标函数，w_n代表对应子目标函数的权重值，P^loss与P^loss′分别为优化前后的系统总网损，U_VUF、U_VUF′分别为优化前后的台区各节点三相不平衡度之和，C、S分别为台区内电容器及换相开关的安装总数，ΔC与ΔS分别为单次优化中发生动作的电容器及换相开关数量。

更进一步地，步骤S25中，是否接收粒子新位置的判断条件如下：

exp(-ΔC/T)＞rand(0,1)

T＝T₀*δ^iter

式中，ΔC为粒子更新前后的适应度变化值，T为当前温度，T₀为初始温度，rand(0,1)为0～1之间的随机数，δ表示温度衰减速度，iter表示改进粒子群算法当前迭代次数，当粒子更新前后适应度满足上式条件时，则将粒子更新至新位置。

进一步地，S4中的连续可调设备的模型训练包含以下步骤：

S41:将台区三相负荷数据

x＝[x₁；x₂...x_i...x_n]作为训练模型的输入，n为样本个数，对应时刻单台设备输出无功功率y＝[y₁；y₂...y_i...y_n]作为训练模型的输出；

S42:构建目标函数如下式所示：

f(x_i)＝θx_i+b

式中，θ为需要学习得到的输入各特征对应参数，b为待学习偏置参数，6N为特征个数，即N个节点的三相有功、无功功率；θ_j表示输入各特征所对应的参数，λ表示正则化参数，θ^*、b^*表示使目标函数最小的θ、b的对应值；

S43:使用最小角回归法求解上述方程，对于得到的模型，利用测试集检验其性能是否能够满足要求；

若满足要求则所获模型作为该连续可调设备的控制模型，否则重复S42-S43步骤直至满足所需要求；

S44:重复S41-S43步骤获得台区内所有连续可调设备的控制模型。

进一步地，步骤S5的离散可调设备的模型训练包含以下步骤：

S51:将台区三相负荷数据

x＝[x₁；x₂...x_i...x_n]作为训练模型的输入，n为样本个数，对应时刻单台设备动作状态a＝[a₁；a₂...a_i...a_n]作为训练模型的输出；

S52:构建目标函数如下式所示：

式中，z_l为卷积神经网络关于l类别的输出值，m为设备动作状态数量，p_l为卷积神经网络的输出，即预测类别为l的概率，a_i为第i个样本对应的动作状态，z_k表示卷积神经网络关于k类别的输出值；

S53:构建包含1层输入层、1层卷积层、1层平坦层和2层全连接层的卷积神经网络，使用随机梯度下降法对卷积神经网络中的权值和偏置进行求解，对于得到的模型，利用测试集检验其性能是否能够满足要求；

若满足要求则所获模型作为该离散可调设备的控制模型，否则重复S52-S53步骤直至满足所需要求；

S54:重复S51-S53步骤获得台区内所有离散可调设备的控制模型。

更进一步地，步骤S53中卷积神经网络的各层结构为：

输入层：将台区三相负荷数据表示成尺寸为6×N大小的矩阵输入后续卷积神经网络；

卷积层：卷积核个数为16，使用ReLU作为激活函数；

平坦层：用于将卷积层输出的矩阵变换为1维向量；

全连接层：第一层全连接层激活函数为ReLU，第二层全连接层作为输出层，具有多个神经元，激活函数为Softmax。

本发明采用的另一种技术方案为：配电台区三相不平衡治理的智能设备实时控制系统，其包括台区设备最优控制策略训练模块、台区控制模型训练模块和台区综合治理模块；

台区设备最优控制策略训练模块：使用改进的粒子群算法制定不同台区负荷分布下的台区内各设备的最优控制策略，用于后续各设备控制模型的训练；

台区控制模型训练模块：基于台区不同负荷分布下的各设备最优控制策略训练对应设备的控制模型，其中连续可调设备使用Lasso回归模型，离散可调设备使用卷积神经网络模型；

台区综合治理模块：用于获取台区内实时负荷分布，各设备控制模型根据获得的负荷快速响应输出相应的设备控制策略对配电台区进行优化治理。

与现有技术相比，本发明具有以下有益效果：

本发明采取改进粒子群算法获得不同负荷分布下台区内各可调设备的控制策略，考虑台区内所有设备的协同控制，保证能够从全局角度实现最优化治理效果；利用Lasso回归及卷积神经网络分别对台区内各台连续可调设备(SVG)及离散可调设备(电容器、换相开关)进行训练，形成对应设备的控制模型；整合台区内所有设备的控制模型根据各节点负荷分布输出各设备的最优控制策略，实现台区三相不平衡现象的实时治理。

附图说明

图1为本发明智能设备实时控制方法的流程图；

图2为本发明应用例提供的配电台区结构图；

图3为本发明应用例提供的优化实施前的配电台区电压变化图；

图4为本发明应用例提供的优化实施后的配电台区电压变化图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。

实施例

如图1所示，一种用于配电台区三相不平衡治理的智能设备实时控制方法，包括以下步骤：

S1:获取配电台区内部N个节点下三相负荷的历史数据或通过仿真产生能够充分反映台区运行特性的足够数量的三相负荷数据

需要进一步说明的是，台区中的智能控制设备包括静止无功发生器(SVG)、电容器及换相开关。

S2:对步骤S1中获得的台区内N个节点下的三相负荷数据，运用改进粒子群算法制定不同负荷分布下的台区各设备最优控制策略，形成用于后续机器学习使用的样本集。

需要进一步说明的是，改进粒子群算法的具体步骤为：

S21:获取台区内节点负荷信息后，进行一次潮流计算得到系统总网损及三相不平衡度作为后续优化的基准值，计算公式如下：

式中：P^loss为系统总网损，P_l ^loss为线路l上网损，

为系统a，b，c三相及中性线，N为系统节点总数；

式中U_VUF，i代表节点i处的三相不平衡度，V_i,a，V_i,b，V_i,c为节点i上a，b，c三相的相电压，V_i,av为节点i的三相电压平均值。

S22:初始化改进粒子群算法的参数及种群中粒子的速度及位置状态，粒子的位置包括SVG的输出功率，电容器接入组数及换相开关位置，设置粒子群算法约束条件，计算初始种群的各粒子适应度。

需要进一步说明的是，改进粒子群算法对于台区内各离散可调设备的编码策略如下：

换相开关动作状态a_i∈(1,2,3)，当换相开关置于a相上时a_i取1，当换相开关置于b相上时a_i取2，当换相开关置于c相上时a_i取3，同一时刻换相开关只能位于1相上；

可电容器动作状态a_j∈(0,1,2...h)，h为电容器总组数，电容器当前投入组数即为动作状态编码。

需要进一步说明的是，改进粒子群算法的参数具体包括粒子群规模N_s、最大迭代次数iter^max、惯性权重的上下限ω_max与ω_min及随机权重的方差σ、初始温度T₀、温度衰减系数δ，改进粒子群算法的约束条件如下：

配电网潮流约束：

式中，

与

分别为线路ij上第

相的电导及电纳，

为线路ij上第

相的电压相位差，

与

为节点i第

相上注入的有功、无功功率，

为当前时刻在节点i第

相上投入的电容器组可以发出的无功功率，

代表连接在i节点第

相上的负荷总数，k为负荷编号，

与

分别表示负荷k的有功、无功功率，

分别表示i，j节点第

相上的电压。

控制变量约束：

x_k,a+x_k,b+x_k,c＝1,k∈c(l)

(x_k,a,x_k,b,x_k,c)∈{0,1}

式中，

为电容器组节点i第

相上电容器组可以发出的最大无功功率，c(l)为安装了换相开关的负荷集合，(x_k,a，x_k,b，x_k,c)为负荷k上智能换相开关的工作状态，每一时刻换相开关只能位于a,b,c三相中的某一相上。

S23:根据各粒子适应度设置全局最优解及个体最优解，各种群中适应度最大的粒子作为全局最优解xg_best，每个种群中适应度最大的粒子为该种群个体最优解xp_best。

需要进一步说明的是，改进粒子群算法中适应度计算公式如下：

式中：F为总适应度函数，F_n代表子目标函数，其中，F₁为网损的子目标函数，F₂为三相不平衡度的子目标函数，F₃、F₄分别为电容器及换相开关动作次数的子目标函数，w_n代表对应子目标函数的权重值，P^loss与P^loss′分别为优化前后的系统总网损，U_VUF、U_VUF′分别为优化前后的台区各节点三相不平衡度之和，C、S分别为台区内电容器及换相开关的安装总数，ΔC与ΔS分别为单次优化中发生动作的电容器及换相开关数量。

S24:计算此次迭代中的随机权重，并利用得到的随机权重更新各粒子的速度与位置状态，计算各粒子适应度并更新全局最优解及个体最优解，随机权重计算公式如下:

ω＝ω′+σ×N(0,1)

ω′＝ω_min+(ω_max-ω_min)×rand(0,1)

式中ω为此次更新时的权重，σ为随机权重的方差，N(0,1)为0～1间负荷标准正态分布的随机数，ω_max与ω_min为惯性权重的上下限，rand(0,1)为0～1之间的随机数。粒子更新的具体过程如下，将N_s个粒子集合表示为

其中第r个粒子y_r的速度和位置可表示为u＝(u_r,1,u_r,2,...,u_r,d)，v＝(v_r,1,v_r,2,...,v_r,d)，式中d为台区内可调设备的总数，更新公式如下所示：

C₁与C₂为学习因子。

S25:引入模拟退火方法，为各粒子随机产生一新位置，计算新位置下粒子适应度，若有粒子优于当前全局最优解及个体最优解则接受该新位置，否则以一定概率对该粒子进行更新。

需要进一步说明的是，是否接收粒子新位置更新的判断条件如下：

exp(-ΔC/T)＞rand(0,1)

T＝T₀*δ^iter

式中:ΔC为粒子更新前后的适应度变化值，T为当前温度，T₀为初始温度，rand(0,1)为0～1之间的随机数，δ表示温度衰减速度，iter表示改进粒子群算法当前迭代次数当粒子更新前后适应度满足上式条件时，则将粒子更新至新位置。

S26:判断迭代是否结束，若没有则重复步骤S23-S26，若迭代结束则输出当前粒子位置信息，即得到台区当前负荷状态下的各设备最优控制策略。

S3:将样本集划分为训练集及测试集，同时依靠各设备是否能进行连续调节将其分为连续可调设备及离散可调设备两类。

S4:对于各台连续可调设备(静止无功发生器，SVG)，将台区内样本集中各节点三相负荷分布作为输入，单台设备对应时刻输出无功功率作为输出；构建单台设备的Lasso回归模型，设定模型超参数；利用训练集对Lasso回归模型进行有监督训练，若通过测试集检验则得到单台连续可调设备的最优控制模型，否则重复训练步骤直至满足要求。

需要进一步说明的是，连续可调设备的模型训练包含以下步骤：

S41:将台区三相负荷数据

x＝[x₁；x₂...x_i...x_n]作为训练模型的输入，n为样本个数，对应时刻单台设备输出无功功率y＝[y₁；y₂...y_i...y_n]作为训练模型的输出。

S42:构建目标函数如下式所示：

f(x_i)＝θx_i+b

式中θ为需要学习得到的输入各特征对应参数，b为待学习偏置参数，6N为特征个数，即N个节点的三相有功、无功功率；θ_j表示输入各特征所对应的参数，λ表示正则化参数，θ^*、b^*表示使目标函数最小的θ、b的对应值。

S43:使用最小角回归法求解上述方程，对于得到的模型，利用测试集检验其性能是否能够满足要求，若满足要求则所获模型作为该连续可调设备的控制模型，否则重复S42-S43步骤直至满足所需要求。

S44:重复S41-S43步骤获得台区内所有连续可调设备的控制模型。

S5:对于各台离散可调设备(电容器，换相开关)，将台区内样本集中各节点三相负荷分布作为输入，单台设备对应时刻动作状态作为输出，构建该台设备的卷积神经网络模型，设定网络中各层参数，利用训练集对模型进行有监督分类训练，若通过测试集检验则得到单台离散可调设备的最优控制模型，否则重复训练步骤直至满足要求。

需要进一步说明的是，离散可调设备的模型训练包含以下步骤：

S51:将台区三相负荷数据

x＝[x₁；x₂...x_i...x_n]作为训练模型的输入，n为样本个数，对应时刻单台设备动作状态a＝[a₁；a₂...a_i...a_n]作为训练模型的输出；

S52:构建目标函数如下式所示：

式中，z_l为卷积神经网络关于l类别的输出值，m为设备动作状态数量，p_l为卷积神经网络的输出，即预测类别为l的概率，a_i为第i个样本对应的动作状态；z_k表示卷积神经网络关于k类别的输出值。

S53:构建包含1层输入层，1层卷积层，1层平坦层，2层全连接层的卷积神经网络，使用随机梯度下降法对卷积神经网络中的权值和偏置进行求解，对于得到的模型，利用测试集检验其性能是否能够满足要求，若满足要求则所获模型作为该离散可调设备的控制模型，否则重复S52-S53步骤直至满足所需要求。

需要进一步说明的是，卷积神经网络的各层结构为：

输入层:将台区三相负荷数据表示成尺寸为6×N大小的矩阵输入后续神经网络；

卷积层:卷积核个数为16，使用ReLU作为激活函数；

平坦层:用于将卷积层输出的矩阵变换为1维向量；

全连接层:第一次全连接层激活函数为ReLU，第二层全连接层作为输出层，具有m个神经元，激活函数为Softmax；

S54:重复S41-S43步骤获得台区内所有离散可调设备的控制模型。

S6:整合训练得到的台区内所有设备的最优控制模型，将其配置于一配电台区控制终端中，根据台区内实时负荷分布各模型输出对应设备的最优动作指令实现台区的在线治理。

实施例2

本实施例提供一种用于配电台区三相不平衡治理的智能设备实时控制系统，包括台区设备最优控制策略训练模块、台区控制模型训练模块和台区综合治理模块。

台区设备最优控制策略训练模块：使用改进的粒子群算法制定不同台区负荷分布下的台区内各设备的最优控制策略，用于后续各设备控制模型的训练；

台区控制模型训练模块：基于台区不同负荷分布下的各设备最优控制策略训练对应设备的控制模型，其中连续可调设备使用Lasso回归模型，离散可调设备使用卷积神经网络模型；

台区综合治理模块：用于获取台区内实时负荷分布，各设备控制模型根据获得的负荷快速响应输出相应的设备控制策略对配电台区进行优化治理。

本发明将台区内的负荷分布作为输入，利用改进后的粒子群算法生成台区内智能设备在不同负荷分布下的最优控制策略作为训练集；之后根据各类智能设备是否能够进行连续调节将其划分为两类，对于各台能够连续调节的设备，将负荷作为输入，该设备需发出的无功功率作为输出，使用Lasso回归生成单台连续设备的控制模型；其他无法连续调节的设备，则利用卷积神经网络挖掘台区负荷与设备动作状态间的非线性关系，形成相应控制模型。

本实施例没有进行详细说明的内容参见实施例1。

应用例

在本应用例中，采用本发明提出的一种用于配电台区三相不平衡治理的智能设备实时控制方法对某配电台区进行三相不平衡治理，配电网结构如图2所示，台区中无功补偿设备配置如表1所示：

表1

设备名称	安装位置	容量
			静止无功发生器(SVG)	节点1	75Kvar
电容器	节点1	每相安装3组，每组10Kvar

换相开关配置如表2所示：

表2

改进粒子群算法参数设置如表3所示：

表3

参数名称	数值
		维数d	20
最大迭代次数iter<sup>max</sup>	50
		粒子群规模N<sub>s</sub>	50
惯性权重上限ω<sub>max</sub>	4
		惯性权重下限ω<sub>min</sub>	0.5
随机权重方差σ	0.5
		初始温度T<sub>0</sub>	1000
温度衰减系数δ	0.9
		学习因子c<sub>1</sub>,c<sub>2</sub>	2

优化前后的台区电压变化如图3-4所示，网损及三相不平衡度的变化如表4所示：

表4

仿真结果	网损	三相不平衡度
			优化前	7.61Kw	3.91％
优化后	6.93Kw	0.59％

由仿真结果可看到本发明能够有效改善低压配电台区的三相不平衡问题，保障了台区的安全经济稳定运行。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (8)

1.配电台区三相不平衡治理的智能设备实时控制方法，其特征在于，包括以下步骤：

S1:获取配电台区内N个节点下三相负荷的历史数据或通过仿真生成能够反映台区运行特性的三相负荷数据

S2:对步骤S1中获得的台区内N个节点下的三相负荷数据，利用改进粒子群算法制定不同负荷分布下的台区各智能控制设备的最优控制策略，形成用于后续机器学习使用的样本集；

S3:将样本集划分为训练集及测试集，同时依据各智能控制设备是否连续可调将其分为连续可调设备及离散可调设备两类；

S4:对于各台连续可调设备，将样本集中各节点三相负荷分布作为输入，单台设备对应时刻发出无功功率作为输出，构建Lasso回归模型，设定模型超参数；利用训练集对Lasso回归模型进行有监督训练，若通过测试集检验则得到单台连续可调设备的最优控制模型，否则重复训练步骤直至满足要求；

S5:对于各台离散可调设备，将样本集中各节点三相负荷分布作为输入，单台设备对应时刻动作状态作为输出，构建卷积神经网络模型，设定网络中各层参数；利用训练集对模型进行有监督分类训练，若通过测试集检验则得到单台离散可调设备的最优控制模型，否则重复训练步骤直至满足要求；

S6:整合训练得到的台区内所有智能控制设备的最优控制模型，将其配置于一配电台区控制终端中，根据台区内实时负荷分布，各最优控制模型输出对应设备的最优控制策略实现台区的在线治理；

台区中的智能控制设备包括静止无功发生器、电容器及换相开关，所述的静止无功发生器为连续可调设备，电容器及换相开关为离散可调设备；

所述步骤S2中改进粒子群算法的具体步骤为：

S21:获取台区内节点三相负荷数据后，进行一次潮流计算得到系统总网损及三相不平衡度作为后续优化的基准值，计算公式如下：

式中：P^loss为系统总网损，P_l ^loss为线路l上网损，

为系统a、b、c三相及中性线，N为系统节点总数；

式中，U_VUF，i代表节点i处的三相不平衡度，V_i,a，V_i,b，V_i,c为节点i上a、b、c三相的相电压，V_i,av为节点i的三相电压平均值；

S22:初始化改进粒子群算法的参数及种群中粒子的速度及位置状态，粒子的位置包括静止无功发生器的输出功率、电容器接入组数及换相开关位置，设置粒子群算法约束条件，包括静止无功发生器输出功率极限、电容器最大投入组数以及最大迭代次数，计算初始种群的各粒子适应度；

S23:根据各粒子适应度设置全局最优解及个体最优解，各种群中适应度最大的粒子作为全局最优解，每个种群中适应度最大的粒子为该种群个体最优解；

S24:计算此次迭代中的随机权重，并利用得到的随机权重更新各粒子的速度与位置状态，计算各粒子适应度并更新全局最优解及个体最优解，随机权重计算公式如下：

ω＝ω′+σ×N(0,1)，

ω′＝ω_min+(ω_max-ω_min)×rand(0,1)，

式中，ω为此次更新时的权重，σ为随机权重的方差，N(0,1)为0～1间负荷标准正态分布的随机数，ω_max与ω_min为惯性权重的上下限，rand(0,1)为0～1之间的随机数；

S25:引入模拟退火方法，为各粒子随机产生一新位置，计算新位置下粒子适应度，若有粒子优于当前全局最优解及个体最优解则接受该新位置，否则以一设定概率对该粒子进行更新；

S26:判断迭代是否结束，若没有则重复步骤S23-S25，若迭代结束则输出当前粒子位置信息，即得到台区当前负荷状态下的各智能控制设备最优控制策略。

2.如权利要求1所述的配电台区三相不平衡治理的智能设备实时控制方法，其特征在于，步骤S22中，改进粒子群算法对于台区内离散可调设备各动作状态的编码策略表示为：

换相开关动作状态a_i∈(1,2,3)，当换相开关置于a相上时a_i取1，当换相开关置于b相上时a_i取2，当换相开关置于c相上时a_i取3，同一时刻换相开关只能位于1相上；

电容器动作状态a_j∈(0,1,2...h)，h为电容器总组数，电容器当前投入组数即为动作状态编码。

3.如权利要求1所述的配电台区三相不平衡治理的智能设备实时控制方法，其特征在于，步骤S22中，适应度的计算公式如下：

式中，F为总适应度函数，F_n代表子目标函数，其中，F₁为网损的子目标函数，F₂为三相不平衡度的子目标函数，F₃、F₄分别为电容器及换相开关动作次数的子目标函数，w_n代表对应子目标函数的权重值，P^loss与P^loss′分别为优化前后的系统总网损，U_VUF、U_VUF′分别为优化前后的台区各节点三相不平衡度之和，C、S分别为台区内电容器及换相开关的安装总数，ΔC与ΔS分别为单次优化中发生动作的电容器及换相开关数量。

4.如权利要求1所述的配电台区三相不平衡治理的智能设备实时控制方法，其特征在于，步骤S25中，是否接收粒子新位置的判断条件如下：

exp(-ΔC/T)＞rand(0,1)

T＝T₀*δ^iter

式中，ΔC为粒子更新前后的适应度变化值，T为当前温度，T₀为初始温度，rand(0,1)为0～1之间的随机数，δ表示温度衰减速度，iter表示改进粒子群算法当前迭代次数，当粒子更新前后适应度满足上式条件时，则将粒子更新至新位置。

5.如权利要求1所述的配电台区三相不平衡治理的智能设备实时控制方法，其特征在于，S4中的连续可调设备的模型训练包含以下步骤：

S41:将台区三相负荷数据

x＝[x₁；x₂...x_i...x_n]作为训练模型的输入，n为样本个数，对应时刻单台设备输出无功功率y＝[y₁；y₂...y_i...y_n]作为训练模型的输出；

S42:构建目标函数如下式所示：

f(x_i)＝θx_i+b

式中，θ为需要学习得到的输入各特征对应参数，b为待学习偏置参数，6N为特征个数，即N个节点的三相有功、无功功率；θ_j表示输入各特征所对应的参数，λ表示正则化参数，θ^*、b^*分别表示使目标函数最小的θ、b的对应值；

S43:使用最小角回归法求解上述方程，对于得到的模型，利用测试集检验其性能是否能够满足要求；

若满足要求则所获模型作为该连续可调设备的控制模型，否则重复S42-S43步骤直至满足所需要求；

S44:重复S41-S43步骤获得台区内所有连续可调设备的控制模型。

6.如权利要求1所述的配电台区三相不平衡治理的智能设备实时控制方法，其特征在于，步骤S5的离散可调设备的模型训练包含以下步骤：

S51:将台区三相负荷数据

x＝[x₁；x₂...x_i...x_n]作为训练模型的输入，n为样本个数，对应时刻单台设备动作状态a＝[a₁；a₂...a_i...a_n]作为训练模型的输出；

S52:构建目标函数如下式所示：

式中，z_l为卷积神经网络关于l类别的输出值，m为设备动作状态数量，p_l为卷积神经网络的输出，即预测类别为l的概率，a_i为第i个样本对应的动作状态，z_k表示卷积神经网络关于k类别的输出值；

S53:构建包含1层输入层、1层卷积层、1层平坦层和2层全连接层的卷积神经网络，使用随机梯度下降法对卷积神经网络中的权值和偏置进行求解，对于得到的模型，利用测试集检验其性能是否能够满足要求；

若满足要求则所获模型作为该离散可调设备的控制模型，否则重复S52-S53步骤直至满足所需要求；

S54:重复S51-S53步骤获得台区内所有离散可调设备的控制模型。

7.如权利要求6所述的配电台区三相不平衡治理的智能设备实时控制方法，其特征在于，步骤S53中卷积神经网络的各层结构为：

输入层：将台区三相负荷数据表示成尺寸为6×N大小的矩阵输入后续卷积神经网络；

卷积层：卷积核个数为16，使用ReLU作为激活函数；

平坦层：用于将卷积层输出的矩阵变换为1维向量；

全连接层：第一层全连接层激活函数为ReLU，第二层全连接层作为输出层，具有多个神经元，激活函数为Softmax。

8.配电台区三相不平衡治理的智能设备实时控制系统，其特征在于，采用权利要求1-7任一项所述配电台区三相不平衡治理的智能设备实时控制方法进行控制。

Images