CN113783186A - 一种考虑配电网拓扑结构变化的电压预测方法 - Google Patents

Abstract

本发明公开了一种考虑配电网拓扑结构变化的电压预测方法，提出了一个元学习算法，据此设置一个深度神经网络模型，通过少量的数据反复训练模型的初始化参数，使得模型能够拟合配电网系统的潮流计算，再使用少量待测拓扑结构的数据进行一次或多次的梯度更新，使得参数能够快速适应待测拓扑结构从而获得待测拓扑结构准确的电压输出。

Description

一种考虑配电网拓扑结构变化的电压预测方法

技术领域

本发明属于配电网络电压预测技术领域，更为具体地讲，涉及一种考虑配电网拓扑结构变化的电压预测方法。

背景技术

近几年国内风电、光电大力发展，大量光电、风电并入电网，未来清洁能源在电力系统中占据的份额必将继续扩大。当大量的分布式电源接入到配电网中时，配电网由单一的供电结构转变为多功率双向电压结构，同时也产生系统设备选型、无功功率和电压分布等问题。当大量分布式电源接入配电网后,会引起并网点附近的电压抬升,严重情况下导致电压越限，降低用户端应用电能的平均质量水平。如何快速准确地确定配电网中的节点电压是否越限成为了当前研究的热门。

传统的辐射式配电网络电压计算方式主要有两类，一是直接应用克希霍尔电压和电流定律，首先计算节点注入电流，再求解支路电流，最后求解节点电压，如逐支路算法，电压/电流迭代法，直接法和回路分析法。二是以有功功率、无功功率和节点电压平方作为系统的状态变量，列出系统的状态方程，并用牛顿-拉夫逊法求解改状态方程，如Distflow算法。然而实际中完整的配电网网络数据和运行数据是很难准确获得的，运算结果存在很大的误差，只能作为参考不能作为实际决策，其次其计算量大耗时长。

近年来，随着人工智能的发展，神经网络也被应用到了配电网行业。人工神经网络算法应用在配电网重构时不需要详细的配电网网络参数数据和降损效果的估算，只要训练样本就能得到最优解。模型无关元学习算法由于其快速适应性在各种应用中越来越受欢迎，模型无关元学习算法中，不是简单的学习一个直接预测结果的模型，而是学习一个如何快速学习一个数学模型。通过历史数据对模型进行训练后，在待测拓扑结构上只需要少量的数据即可快速准确实现对配电网电压的预测。

发明内容

本发明的目的在于克服现有技术的不足，提供一种考虑配电网拓扑结构变化的电压预测方法，基于模型无关的元学习算法和梯度算法训练模型参数，使得模型能够拟合配电网系统的潮流计算，从而根据输入的有功功率获得准确的节点电压。

为实现上述发明目的，本发明一种考虑配电网拓扑结构变化的电压预测方法，其特征在于，包括以下步骤：

(1)、更改配电网系统中各联络开关的通断，从而获得不同的配电网拓扑结构，其中，第g种拓扑结构记为G_g，g＝1,2,…,N，N为拓扑结构数量；

(2)、获取配电网拓扑G_g中各节点在不同时刻的有功功率，其中，节点l在时刻t时的有功功率记为

T为采样时刻总数，l＝1,2,…,L，L为配电网拓扑G_g中节点数量；

获取配电网拓扑G_g中各节点在不同时刻注入的光伏功率，其中，节点l在时刻t时注入的光伏功率记为

获取配电网拓扑G_g中各节点在不同时刻的电压，其中，节点l在时刻t时的电压记为

(3)、构建配电网拓扑G_g中各节点在不同时刻的输入输出数据集，其中，节点l在时刻t时的输入输出数据集记为

(4)、构建训练集

(4.1)、对各节点在不同时刻的输入输出数据集

进行归一化处理，归一化完成后，将T/2个时刻的输入输出数据集构成各配电网拓扑G_g的第一步训练集{X_g,Y_g}：

(4.2)、将所有配电网拓扑在各节点在剩余T/2个时刻的输入输出数据集构成第二步训练集

(5)、构建元学习预测模型MAML

(5.1)、构建元学习初步预测模型，记为MAML¹，该模型反应了训练集{X_g,Y_g}中的输入到输出的关系：

Y_g＝MAML¹(w*X_g+b)

其中，w和b均为待训练的L*1阶矩阵，随机初始化获得第一次的值，θ＝[w,b]，θ即为需要更新的参数,损失函数计算如下：

其中，MAML¹(w*X_g+b)表示对训练集X_g的预测结果，

表示模型预测结果MAML¹(w*X_g+b)和真实结果Y_g对应点误差的平方和的均值，L(Y_g)表示配电网拓扑结构g均方方差；

因此，θ参数更新的方程表示为

其中，a表示第一次更新的学习率，

表示Y_g下降趋势；i表示迭代次数，i＞1，θ′_i表示第i次更新以后的参数值，即，θ′_i＝[w′_i,b′_i]；

(5.2)、构建元学习第二步预测模型，记为MAML²，该模型反应了训练集

中的输入到输出的关系：

其中，w′和b′为式(5.1)更新完以后的参数，此时的损失函数转化为：

其中，

表示对训练集

的预测结果，

表示模型预测结果

和真实结果

对应点误差的平方和的均值，

表示所有配电网拓扑结构的均方方差；

因此，θ参数更新的方程表示为

其中，k表示第二次更新的学习率，

表示

下降趋势；i表示迭代次数，i＞1，θ_i″表示第i次更新以后的参数值，即，θ″＝[w″,b″]；

(6)、训练元学习预测模型

(6.1)、将第一次训练集{X_g,Y_g}中的数据依次输入到模型MAML¹中，通过优化训练模型MAML¹的参数θ＝[w,b]，得到模型MAML¹的均方方差L(Y_g)，进而确定参数下降的梯度

从而获得更新参数θ′＝[w′,b′]；

(6.2)、在MAML¹训练结束以后，将得到的参数θ′＝[w′,b′]代入到模型MAML²中，然后再将第二次训练数据

输入到模型MAML²中，对参数θ′＝[w′,b′]进行再次训练，根据待模型MAML²的均方方差

得到参数下降的梯度

从而获得更新参数θ″＝[w″,b″]；

(6.3)、将当前迭代次数i加1，并将步骤(6.2)获得的参数θ″＝[w″,b″]替换MAML¹的参数θ＝[w,b]，然后重复步骤(6.1)～(6.2)进行再次训练，通过往复训练直到模型MAML²的均方方差

收敛，模型训练结束；

(7)、待测拓扑结构的电压预测

(7.1)、实时采集待测拓扑结构各个节点的负荷有功功率以及光伏有功功率，归一化后得到输入数据集

(7.2)、将待测拓扑结构的数据集

输入训练好的元学习预测模型中，从而得到预测值

(7.3)、对预测值

进行反归一化处理，从而得到待测拓扑结构下的预测电压结果。

本发明的发明目的是这样实现的：

本发明一种考虑配电网拓扑结构变化的电压预测方法，提出了一个元学习算法，据此设置一个深度神经网络模型，通过少量的数据反复训练模型的初始化参数，使得模型能够拟合配电网系统的潮流计算，再使用少量待测拓扑结构的数据进行一次或多次的梯度更新，使得参数能够快速适应待测拓扑结构从而获得待测拓扑结构准确的电压输出。

同时，本发明一种考虑配电网拓扑结构变化的电压预测方法还具有以下有益效果：

(1)、本发明首次将元学习算法应用于配电网电压计算，这样只需要少量数据即可求解待测拓扑结构下的电压结果，且电压预测值准确率高；

(2)、在电力系统运行分析中，为考查各种不确定性因素对系统运行的影响，需要大量地重复性潮流计算，本发明训练好模型可以直接应用于电压预测，获得电压的时间大大缩短。

附图说明

图1是本发明一种考虑配电网拓扑结构变化的电压预测方法流程图；

图2是IEEE 33节点系统的拓扑结构图；

图3是本发明一种考虑配电网拓扑结构变化的电压预测方法预测电压与真实电压的对比图。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

实施例

图1是本发明一种考虑配电网拓扑结构变化的电压预测方法流程图。

在本实施例中，如图2所示以IEEE 33节点系统进行实验，光伏接入点选在节点9、18、27、33，输入的值为光伏真实数据。选取其中的9种拓扑结构的数据做为第一次训练，第十种拓扑结构作为待测拓扑结构。所有拓扑结构的数据分为训练集和测试集，第一次训练的所有数据均用于模型的参数更新，第二次训练的训练集在第一次训练完成的模型参数上进行再次更新，测试集用于验证模型的精确度。在本实施例中，第一次随机更新的学习率a为0.0001，第二次梯度更新的学习率k为0.001，第一次训练的迭代次数为200000次，第二次迭代次数为5000次。

下面我们结合图2对本发明一种考虑配电网拓扑结构变化的电压预测方法进行详细说明，如图1所示，包括以下步骤：

S1、更改配电网系统中各联络开关的通断，联络开关即节点之间的连线，从而获得9种不同的配电网拓扑结构，其中，第g种拓扑结构记为G_g，g＝1,2,…,9；

S2、获取配电网拓扑G_g中各节点在不同时刻的有功功率，其中，节点l在时刻t时的有功功率记为

其中，t＝1,2,…,4000，l＝1,2,…,33；

获取配电网拓扑G_g中各节点在不同时刻注入的光伏功率，其中，未有光伏接入的节点的光伏有功功率记为0，有光伏接入的节点的光伏有功功率为实际值，则节点l在时刻t时注入的光伏功率记为

获取配电网拓扑G_g中各节点在不同时刻的电压，电压通过在Matlab上的IEEE33定义的函数方程求解所得，其中，节点l在时刻t时的电压记为

S3、构建配电网拓扑G_g中各节点在不同时刻的输入输出数据集，其中，节点l在时刻t时的输入输出数据集记为

S4、构建训练集

S4.1、对各节点在不同时刻的输入输出数据集

进行归一化处理，归一化完成后，将2000个时刻的输入输出数据集构成各配电网拓扑G_g的第一步训练集{X_g,Y_g}：

S4.2、将所有配电网拓扑在各节点在剩余2000个时刻的输入输出数据集构成第二步训练集

S5、构建元学习预测模型MAML

S5.1、构建元学习初步预测模型，记为MAML¹，此模型在Python上搭建，该模型反应了训练集{X_g,Y_g}中的输入到输出的关系：

Y_g＝MAML¹(w*X_g+b)

其中，w和b均为待训练的L*1阶矩阵，随机初始化获得第一次的值，θ＝[w,b]，θ即为需要更新的参数,损失函数计算如下：

其中，MAML¹(w*X_g+b)表示对训练集X_g的预测结果，

表示模型预测结果MAML¹(w*X_g+b)和真实结果Y_g对应点误差的平方和的均值，L(Y_g)表示配电网拓扑结构g均方方差；

因此，θ参数更新的方程表示为

其中，a＝0.0001，

表示Y_g下降趋势；i表示迭代次数，i＞1，θ′_i表示第i次更新以后的参数值，即，θ′_i＝[w′_i,b′_i]；

S5.2、构建元学习第二步预测模型，记为MAML²，此模型在Python上搭建，该模型反应了训练集

中的输入到输出的关系：

其中，w′和b′为式(5.1)更新完以后的参数，此时的损失函数转化为：

其中，

表示对训练集

的预测结果，

表示模型预测结果

和真实结果

对应点误差的平方和的均值，

表示所有配电网拓扑结构的均方方差；

因此，θ参数更新的方程表示为

其中，k＝0.001，

表示

下降趋势；i表示迭代次数，i＞1，θ_i″表示第i次更新以后的参数值，即，θ″＝[w″,b″]；

S6、训练元学习预测模型

S6.1、将第一次训练集{X_g,Y_g}中的数据依次输入到模型MAML¹中，通过优化训练模型MAML¹的参数θ＝[w,b]，得到模型MAML¹的均方方差L(Y_g)，进而确定参数下降的梯度

从而获得更新参数θ′＝[w′,b′]；

S6.2、在MAML ¹训练结束以后，将得到的参数θ′＝[w′,b′]代入到模型MAML²中，然后再将第二次训练数据

输入到模型MAML²中，对参数θ′＝[w′,b′]进行再次训练，根据待模型MAML²的均方方差

得到参数下降的梯度

从而获得更新参数θ″＝[w″,b″]；

S6.3、将当前迭代次数i加1，并将步骤S6.2获得的参数θ″＝[w″,b″]替换MAML¹的参数θ＝[w,b]，然后重复步骤S6.1～S6.2进行再次训练，通过往复训练直到模型MAML²的均方方差

收敛或者迭代次数i＝200000，模型训练结束；

S7、待测拓扑结构的电压预测

S7.1、实时采集待测拓扑结构各个节点的负荷有功功率以及光伏有功功率，归一化后得到输入数据集

S7.2、将待测拓扑结构的数据集

输入训练好的元学习预测模型中，使用少量的数据对模型参数进行再次更新，迭代次数i＝5000，剩余数据输入到更新后的模型中，从而得到预测值

S7.3、对预测值

进行反归一化处理，从而得到待测拓扑结构下的预测电压结果。

待测拓扑结构数据数值与数量均保持一致，每组数据对应的真实电压结果是通过Matlab进行潮流计算求出，Matlab求解需要设置33节点系统各节点的电阻与电抗，还要知道配电网系统详细的拓扑结构，求解所需时间大于本发明提出的方法，本发明所提出的方法在Python中训练好模型以后，只需要将待测数据输入模型即可快速得到最终电压的结果，且与真实值相差不大，如图3所示，同时本发明提出的方法无需了解系统各节点的电阻、电抗与拓扑结构，因此本发明在考虑配电网拓扑结构变化的电压预测上更加简洁方便。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (1)

1.一种考虑配电网拓扑结构变化的电压预测方法，其特征在于，包括以下步骤：

(1)、更改配电网系统中各联络开关的通断，从而获得不同的配电网拓扑结构，其中，第g种拓扑结构记为G_g，g＝1,2,…,N，N为拓扑结构数量；

(2)、获取配电网拓扑G_g中各节点在不同时刻的有功功率，其中，节点l在时刻t时的有功功率记为

T为采样时刻总数，l＝1,2,…,L，L为配电网拓扑G_g中节点数量；

获取取配电网拓扑G_g中各节点在不同时刻注入的光伏功率，其中，节点l在时刻t时注入的光伏功率记为

获取配电网拓扑G_g中各节点在不同时刻的电压，其中，节点l在时刻t时的电压记为

(3)、构建配电网拓扑G_g中各节点在不同时刻的输入输出数据集，其中，节点l在时刻t时的输入输出数据集记为

(4)、构建训练集

(4.1)、对各节点在不同时刻的输入输出数据集

进行归一化处理，归一化完成后，将T/2个时刻的输入输出数据集构成各配电网拓扑G_g的第一步训练集{X_g,Y_g}：

(4.2)、将所有配电网拓扑在各节点在剩余T/2个时刻的输入输出数据集构成第二步训练集

(5)、构建元学习预测模型MAML

(5.1)、构建元学习初步预测模型，记为MAML¹，该模型反应了训练集{X_g,Y_g}中的输入到输出的关系：

Y_g＝MAML¹(w*X_g+b)

其中，w和b均为待训练的L*1阶矩阵，随机初始化获得第一次的值，θ＝[w,b]，θ即为需要更新的参数,损失函数计算如下：

其中，MAML¹(w*X_g+b)表示对训练集X_g的预测结果，

表示模型预测结果MAML¹(w*X_g+b)和真实结果Y_g对应点误差的平方和的均值，L(Y_g)表示配电网拓扑结构g均方方差。

因此，θ参数更新的方程表示为

其中，a表示第一次更新的学习率，

表示Y_g下降趋势；i表示迭代次数，i＞1，θ′_i表示第i次更新以后的参数值，即，θ′_i＝[w′_i,b′_i]；

(5.2)、构建元学习第二步预测模型，记为MAML²，该模型反应了训练集

中的输入到输出的关系：

其中，w′和b′为式(5.1)更新完以后的参数，此时的损失函数转化为：

其中，

表示对训练集

的预测结果，

表示模型预测结果

和真实结果

对应点误差的平方和的均值，

表示所有配电网拓扑结构的均方方差；

因此，θ参数更新的方程表示为

其中，k表示第二次更新的学习率，

表示

下降趋势；i表示迭代次数，i＞1，θ_i″表示第i次更新以后的参数值，即，θ″＝[w″,b″]；

(6)、训练元学习预测模型

(6.1)、将第一次训练集{X_g,Y_g}中的数据依次输入到模型MAML¹中，通过优化训练模型MAML¹的参数θ＝[w,b]，得到模型MAML¹的均方方差L(Y_g)，进而确定参数下降的梯度

从而获得更新参数θ′＝[w′,b′]；

(6.2)、在MAML¹训练结束以后，将得到的参数θ′＝[w′,b′]代入到模型MAML²中，然后再将第二次训练数据

输入到模型MAML²中，对参数θ′＝[w′,b′]进行再次训练，根据待模型MAML²的均方方差

得到参数下降的梯度

从而获得更新参数θ″＝[w″,b″]；

(6.3)、将当前迭代次数i加1，并将步骤(6.2)获得的参数θ″＝[w″,b″]替换MAML¹的参数θ＝[w,b]，然后重复步骤(6.1)～(6.2)进行再次训练，通过往复训练直到模型MAML²的均方方差

收敛，模型训练结束；

(7)、待测拓扑结构的电压预测

(7.1)、实时采集待测拓扑结构各个节点的负荷有功功率以及光伏有功功率，归一化后得到输入数据集

(7.2)、将待测拓扑结构的数据集

输入训练好的元学习预测模型中，从而得到预测值

(7.3)、对预测值

进行反归一化处理，从而得到待测拓扑结构下的预测电压结果。

Images