CN114583696A - 基于bp神经网络和场景匹配的配电网无功优化方法及系统 - Google Patents

基于bp神经网络和场景匹配的配电网无功优化方法及系统 Download PDF

Info

Publication number
CN114583696A
CN114583696A CN202210242974.5A CN202210242974A CN114583696A CN 114583696 A CN114583696 A CN 114583696A CN 202210242974 A CN202210242974 A CN 202210242974A CN 114583696 A CN114583696 A CN 114583696A
Authority
CN
China
Prior art keywords
scene
distribution network
power distribution
reactive power
optimization
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.)
Pending
Application number
CN202210242974.5A
Other languages
English (en)
Inventor
卜强生
吕朋蓬
窦晓波
周旭峰
易文飞
罗飞
张潼
郑明忠
张海波
刘志仁
叶志刚
余航
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Zit Nanjing Technology Co ltd
Southeast University
State Grid Jiangsu Electric Power Co Ltd
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zit Nanjing Technology Co ltd, Southeast University, State Grid Jiangsu Electric Power Co Ltd, Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd filed Critical Zit Nanjing Technology Co ltd
Priority to CN202210242974.5A priority Critical patent/CN114583696A/zh
Publication of CN114583696A publication Critical patent/CN114583696A/zh
Pending legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • 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
    • 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
    • H02J3/48—Controlling the sharing of the in-phase component
    • 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]
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • 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
    • Y02E40/30—Reactive power compensation

Abstract

本发明公开了配电网优化调控技术领域的一种基于BP神经网络和场景匹配的配电网无功优化方法及系统，所述方法包括：根据设定的分类规则，对待优化场景分类；将分类后的待优化场景与建立的历史场景库进行场景匹配，获得对应的关键控制对象和调控策略。本发明通过直接利用配电网的运行大数据生成历史场景库，充分考虑了接入随机负荷的配电网无功优化和电压管理问题中运行场景的特性，将待优化场景与建立的历史场景库进行场景匹配，获得对应的关键控制对象和调控策略，能够在不依赖配网模型和参数的情况下，实现对接入了随机负荷的配电网进行无功优化和电压管理，提高了电压质量和供电可靠性。

Description

基于BP神经网络和场景匹配的配电网无功优化方法及系统
技术领域
本发明属于配电网优化调控技术领域，具体涉及一种基于BP神经网络和场景匹配的配电网无功优化方法及系统。
背景技术
电力需求的持续增长、传统能源的短缺以及电力市场的开放正驱动配电网朝着高效、灵活、智能和可持续方式发展。为适应技术发展，配电网规模化接入分布式光伏(PV)、储能系统和电动汽车(EV)充电站，大大提高了配电网的低碳性和智能性。随之带来的是电网特性的日趋复杂，光伏发电具有较强的随机性和波动性，极易导致配电网馈线潮流反向，出现电压越限等电压质量降低问题，影响网络的供电可靠性；同时，目前配电网仍然存在可再生能源消纳能力不足、一次网架薄弱、自动化水平不高、调度方式落后等问题。
发明内容
为解决现有技术中的不足，本发明提供一种基于BP神经网络和场景匹配的配电网无功优化方法及系统，能够在不依赖配网模型和参数的情况下，实现对接入了随机负荷的配电网进行无功优化和电压管理，提高了电压质量和供电可靠性。
为达到上述目的，本发明所采用的技术方案是：
第一方面，提供一种配电网无功优化方法，包括：根据设定的分类规则，对待优化场景分类；将分类后的待优化场景与建立的历史场景库进行场景匹配，获得对应的关键控制对象和调控策略。
进一步地，所述历史场景库的建立方法，包括：根据配电网运行历史数据建立历史场景库，所述历史场景库至少包括三种类型的优化目标：避免电压越上限、避免电压越下限和降低网损；在所述历史场景库的基础上，以分布式光伏、储能装置、电动汽车充电桩为调控对象，以电压偏差最小化和网损最小化为优化目标，基于多目标粒子群优化算法生成历史策略库并储存关键控制对象及其调控策略。
进一步地，无功优化的目标函数为光伏出力(PPV,QPV)、储能容量(PS,QS)和电动汽车充电站功率(PEV,QEV)的函数：
min F(PPV,QPV,PS,QS,PEV,QEV) (1)。
进一步地，所述设定的分类规则，包括：根据历史场景库中的三种类型的优化目标，将待优化场景分为三类：采用牛顿-拉夫森算法计算潮流，有功网损率高的场景定义为场景类型一，有功功率网损率ηΔP为：
Figure BDA0003543432620000021
其中，ΔP为配电网有功损耗，Np为节点总数目，
Figure BDA0003543432620000022
为节点k的有功负荷功率；电压越下限的场景为场景类型二，表达公式如下：
Uk＜Ul (4)
其中，Uk为节点k的电压，Ul为电压下限；电压越上限的场景为场景类型三，表达公式如下：
Uk＞Uu (5)
其中，Uk为节点k的电压，Uu为电压上限。
进一步地，采用基于三层BP神经网络的智能场景匹配方法，将分类后的待优化场景与建立的历史场景库进行场景匹配，包括：定义向量X＝(x1,x2,...,xM)m为BP神经网络的输入层，表示M个历史场景，每个场景包含m节点的负荷数据；向量Y＝(y1,y2,...,yN)n为输出层，表示待优化的N个运行场景，每个场景包含n个节点的负荷数据；向量H＝(h1,h2,...,hP)p为隐藏层，表示隐藏层的层数为P，每层包含p个元素；权重W和阈值b表征BP神经网络各层之间联系的紧密程度；从输入层到隐藏层的关系表示如下：
H＝f(XWMP+bP) (6)
其中，权重WMP为M×P的矩阵；阈值bP为1×P的向量；f为传输函数，采用具有可微性的logsig函数；从隐藏层到输出层的关系表示如下：
Y＝f(HWPN+bN) (8)
其中，WPN表示M×P的权重矩阵，bN表示1×P的阈值向量。
进一步地，采用激活函数ReLU，为隐藏层的矩阵计算结果增加非线性，ReLU函数的表达式如下：
Figure BDA0003543432620000031
进一步地，采用softmax函数对输出层的输出结果进行归一化，使最终输出为概率值，Softmax函数的表达式如下：
Figure BDA0003543432620000032
其中，exp(x)为指数函数ex(e＝2.7182…)，式(9)表示当输出层有N个神经元时，计算第k个神经元的输出概率值Sk。
进一步地，在softmax层之后，计算输出概率值Sk的对数的负值来求取交叉熵损失：
Figure BDA0003543432620000033
其中，
Figure BDA0003543432620000034
表示损失越小，则分类结果越精确；根据链式法则，采用梯度下降算法实现反向传播过程，更新权值和阈值；反向传播以softmax层的结果为起点，计算dW、db；引入正则化惩罚项对dW进行修改：
dW＝dW+reg·W (11)
其中，矩阵W表示权重，分散性可表示为
Figure BDA0003543432620000041
最终被更新的权重和阈值为：
Figure BDA0003543432620000042
其中，ε为学习率，W为权重，b为阈值。
进一步地，构建节点负荷匹配准确率和系统负荷匹配准确率两项评价指标评估匹配效果，构建有功网损降低率和系统电压偏差率两项评价指标评估无功优化效果，其中，节点k的负荷匹配准确率Ek为：
Figure BDA0003543432620000043
其中，Lk为节点k的负荷实际值，
Figure BDA0003543432620000044
是节点k的负荷匹配值；系统负荷匹配准确率A为：
A＝(1-RMSE)×100％ (14)
Figure BDA0003543432620000045
其中，RMSE是系统负荷匹配偏差率的均方根误差，Np是节点的总数目；有功网损降低率ξLR为：
Figure BDA0003543432620000046
其中，ΔP0为未采用无功优化策略的系统有功网损；ΔP为采用无功优化策略的系统有功网损；系统电压偏差率ΔU为：
Figure BDA0003543432620000051
其中，
Figure BDA0003543432620000052
为节点k的额定电压，
Figure BDA0003543432620000053
Uk为优化后节点k的电压。
第二方面，提供一种配电网无功优化系统，包括：场景分类模块，用于根据设定的分类规则，对待优化场景分类；无功优化模块，用于将分类后的待优化场景与建立的历史场景库进行场景匹配，获得对应的关键控制对象和调控策略。
与现有技术相比，本发明所达到的有益效果：
(1)本发明通过直接利用配电网的运行大数据生成历史场景库，充分考虑了接入随机负荷的配电网无功优化和电压管理问题中运行场景的特性，将待优化场景与建立的历史场景库进行场景匹配，获得对应的关键控制对象和调控策略，能够在不依赖配网模型和参数的情况下，实现对接入了随机负荷的配电网进行无功优化和电压管理，提高了电压质量和供电可靠性；
(2)本发明采用基于三种优化目标的场景分类方法，在匹配前先对待优化场景进行分类，提高了匹配速度和匹配精度；
(3)本发明基于三层BP神经网络实现智能场景匹配，充分利用大数据技术，以历史场景库中的负荷数据为训练集，以待优化场景为测试集，场景匹配流程简单，匹配精度高、速度快，并从历史策略库中匹配对应的关键控制对象和调控策略，极大地提高了优化效率；
(4)本发明构建了节点负荷匹配率、系统负荷匹配率、系统电压偏差率、有功网损降低率等评价指标，验证了匹配方法和优化策略的正确性和有效性。
附图说明
图1是本发明实施例中三层BP神经网络结构图；
图2是本发明实施例中关于分类问题的BP神经网络的流程图；
图3是本发明实施例中智能场景匹配方法的总流程图；
图4是本发明实施例中改进30节点算例系统拓扑结构；
图5是本发明实施例中各节点负荷匹配结果；
图6是本发明实施例中BP神经网络的交叉熵损失迭代结果；
图7是本发明实施例中电压优化结果；
图8是本发明实施例中有功网损率优化结果；
图9是本发明实施例中10个待优化场景优化前后的系统电压偏差率；
图10是本发明实施例中10个待优化场景优化后的有功网损降低率。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例一：
一种基于BP神经网络和场景匹配的配电网无功优化方法，包括：根据设定的分类规则，对待优化场景分类；将分类后的待优化场景与建立的历史场景库进行场景匹配，获得对应的关键控制对象和调控策略。
历史场景库的建立方法，包括：根据配电网运行历史数据建立历史场景库，历史场景库至少包括三种类型的优化目标：避免电压越上限、避免电压越下限和降低网损。
将无功优化的目标函数简化为光伏出力(PPV,QPV)、储能容量(PS,QS)和电动汽车充电站功率(PEV,QEV)的函数：
min F(PPV,QPV,PS,QS,PEV,QEV) (1)
在历史场景库的基础上，以分布式光伏PV、储能装置、电动汽车EV充电桩为调控对象，以电压偏差最小化和网损最小化为优化目标，基于多目标粒子群优化算法生成历史策略库并储存关键控制对象及其调控策略。
根据设定的分类规则，对待优化场景分类。历史场景库包含三种类型：高有功网损率、电压越下限和电压越上限。其中，电压越上限是轻载场景，经常发生在中午，光伏出力高的时候；而电压越下限则是重载场景。为了提高匹配的速度和准确性，本实施例提出了一种基于不同优化目标的场景分类方法，在进行匹配前，将待优化场景划分为三种类型。
采用牛顿-拉夫森算法计算潮流，定义有功网损率高的场景定义为场景类型一，配电网有功损耗ΔP计算如下：
Figure BDA0003543432620000071
其中，Nb为支路总数目，Ri为支路i的电阻，Pi为支路i的终端有功功率，Qi为支路i的终端无功功率，Ui为支路i的终端电压。
因此，有功功率网损率ηΔP为：
Figure BDA0003543432620000072
其中，Np为节点总数目，
Figure BDA0003543432620000073
为节点k的有功负荷功率。
定义电压越下限的场景为场景类型二，表达公式如下：
Uk＜Ul (4)
其中，Uk为节点k的电压，Ul为电压下限；
定义电压越上限的场景为场景类型三，表达公式如下：
Uk＞Uu (5)
其中，Uk为节点k的电压，Uu为电压上限。
将分类后的待优化场景与建立的历史场景库进行场景匹配，获得对应的关键控制对象和调控策略。
如图1～图3所示，将历史场景库中的负荷数据作为神经网络的训练集，将待优化场景作为训练集，基于三层BP神经网络技术实现智能场景匹配，从历史场景库中为待优化场景匹配历史场景，并从历史策略库中匹配相应的关键控制对象和调控策略。
配电网的场景匹配属于分类问题，定义向量X＝(x1,x2,...,xM)m为BP神经网络的输入层，表示M个历史场景，每个场景包含m节点的负荷数据；向量Y＝(y1,y2,...,yN)n为输出层，表示待优化的N个运行场景，每个场景包含n个节点的负荷数据。
隐藏层是指把输入数据的特征抽象到另一个维度空间来表征其抽象化特征，使得更利于线性划分。隐藏层的神经元数目可自行给定，定义向量H＝(h1,h2,...,hP)p为隐藏层，表示隐藏层的层数为P，每层包含p个元素。
权重W和阈值b表征BP神经网络各层之间联系的紧密程度；从输入层到隐藏层的关系表示如下：
H＝f(XWMP+bP) (6)
其中，权重WMP为M×P的矩阵；阈值bP为1×P的向量；f为传输函数，采用具有可微性的logsig函数。
激活层的目的是为隐藏层的矩阵计算结果增加非线性。常用的激活函数有三种，即阶跃函数、Sigmoid和ReLU。由于ReLU精度较高，本实施例采用ReLU，其表达式如下：
Figure BDA0003543432620000081
从隐藏层到输出层的关系表示如下：
Y＝f(HWPN+bN) (8)
其中，WPN表示M×P的权重矩阵，bN表示1×P的阈值向量。
softmax函数被用于进行分类问题，对输出层的输出结果进行归一化，使最终输出为概率值，更加直观。Softmax函数的表达式如下：
Figure BDA0003543432620000091
其中，exp(x)为指数函数ex(e＝2.7182…)，式(9)表示当输出层有N个神经元时，计算第k个神经元的输出概率值Sk。
在softmax层之后，计算输出概率值Sk的对数的负值来求取交叉熵损失：
Figure BDA0003543432620000092
其中，
Figure BDA0003543432620000093
表示损失越小，则分类结果越精确；神经网路训练的目的就是尽可能地减小损失Loss。
根据链式法则，采用梯度下降算法实现反向传播过程，更新权值和阈值。首先，反向传播以softmax层的结果为起点，计算dW、db。其次，为了保证最终权重的离散性，引入正则化惩罚项对dW进行修改：
dW＝dW+reg·W (11)
其中，矩阵W表示权重，分散性可表示为
Figure BDA0003543432620000094
最后，最终被更新的权重和阈值为：
Figure BDA0003543432620000095
其中，ε为学习率，W为权重，b为阈值。
此外，前向传播和后向传播的训练过程需要反复迭代，这样才能不断减少损失，取得结果。
构建节点负荷匹配准确率和系统负荷匹配准确率两项评价指标评估匹配效果，构建有功网损降低率和系统电压偏差率两项评价指标评估无功优化效果，以验证本发明所提匹配方法和调控策略的准确性和有效性。
节点k的负荷匹配准确率Ek为：
Figure BDA0003543432620000101
其中，Lk为节点k的负荷实际值，
Figure BDA0003543432620000102
是节点k的负荷匹配值。
引入均方根误差(RMSE)，则系统负荷匹配准确率A为：
A＝(1-RMSE)×100％ (14)
Figure BDA0003543432620000103
其中，RMSE是系统负荷匹配偏差率的均方根误差，Np是节点的总数目。
在匹配时间TM和传统算法(即PSO)的优化时间TO之间的时间降低率，是被用于评估匹配速度的评估指标：
Figure BDA0003543432620000104
其中，时间单位是秒。如果ηT>0，则TO＞TM，表示匹配速度越快则优化效率越高，反之亦然。
以系统有功网损降低率和系统电压偏差率作为评价指标，评估无功优化策略的控制效果。其中，有功网损降低率ξLR为：
Figure BDA0003543432620000105
其中，ΔP0为未采用无功优化策略的系统有功网损；ΔP为采用无功优化策略的系统有功网损，其计算公式如式(2)所示。
系统电压偏差率ΔU为：
Figure BDA0003543432620000106
其中，
Figure BDA0003543432620000111
为节点k的额定电压，
Figure BDA0003543432620000112
Uk为优化后节点k的电压。
本实施例在改进的IEEE 30节点系统基础上进行仿真计算，具体拓扑结构如图4所示。在节点3、28、10、11分别接入4个PV，在节点15、25分别接入2个EV充电站，在节点12接入1个储能装置。并且更改以下支路的阻抗：R3-4＝0.1、R2-5＝0.3、R8-28＝0.1、R6-28＝0.1。
为验证本发明所提方法的有效性，选取某配电网600个场景的运行数据生成历史场景库，以系统网损率最小化和电压偏差最小化为目标函数，基于多目标PSO算法建立历史策略库，并储存关键控制对象和控制策略。基于BP神经网络的智能场景匹配以600个历史场景为训练集，以待优化的10个场景为测试集。在进行场景匹配之前，需要先将这10个待优化场景按照3个优化目标进行场景分类，并定义正常电压范围和正常有功损失率为：U∈[0.95，1.05]、ηΔP∈[0，18％]。表1和表2分别展示了10个待优化场景的匹配结果和匹配效果。从这两个表中可知，本发明提出的基于三层BP神经网络的智能场景匹配方法准确率高、速度快，与传统的优化算法相比，明显节省了时间。
表1
Figure BDA0003543432620000113
Figure BDA0003543432620000121
注：负光伏输出表示充电状态；储能容量为负值表示充电状态，为正值表示放电状态。
表2
Figure BDA0003543432620000122
以待优化场景1为例，各节点负荷匹配结果、BP神经网络的交叉熵损失迭代结果、电压优化结果和有功网损率优化结果分别如图5、图6、图7和图8所示。由图6可知，随着BP神经网络的不断迭代，交叉熵损失减小并趋于0，说明BP神经网络的训练效果较好，保证了场景匹配结果的准确性。如图5所示，各节点的负荷匹配偏差非常小，表明匹配准确率高。由图7和图8可知，采用匹配场景对应的调控策略作为待优化场景1的无功优化方案，可以有效降低电压偏差和系统有功网损。
10个待优化场景优化前后的系统电压偏差率如图9所示，10个待优化场景优化后的有功网损降低率如图10所示。由图9和图10可知，这10个待优化场景优化后的系统电压偏差率和系统有功网损均显著降低，验证了本文提出的无功优化策略的正确性和有效性。
本发明通过直接利用配电网的运行大数据生成历史场景库，充分考虑了接入随机负荷的配电网无功优化和电压管理问题中运行场景的特性，将待优化场景与建立的历史场景库进行场景匹配，获得对应的关键控制对象和调控策略，能够在不依赖配网模型和参数的情况下，实现对接入了随机负荷的配电网进行无功优化和电压管理，提高了电压质量和供电可靠性；采用基于三种优化目标的场景分类方法，在匹配前先对待优化场景进行分类，提高了匹配速度和匹配精度；基于三层BP神经网络实现智能场景匹配，充分利用大数据技术，以历史场景库中的负荷数据为训练集，以待优化场景为测试集，场景匹配流程简单，匹配精度高、速度快，并从历史策略库中匹配对应的关键控制对象和调控策略，极大地提高了优化效率；构建了节点负荷匹配率、系统负荷匹配率、系统电压偏差率、有功网损降低率等评价指标，验证了匹配方法和优化策略的正确性和有效性。
实施例二：
基于实施例一所述的一种基于BP神经网络和场景匹配的配电网无功优化方法，本实施例提供一种基于BP神经网络和场景匹配的配电网无功优化系统，包括：场景分类模块，用于根据设定的分类规则，对待优化场景分类；无功优化模块，用于将分类后的待优化场景与建立的历史场景库进行场景匹配，获得对应的关键控制对象和调控策略。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种配电网无功优化方法，其特征在于，包括：
根据设定的分类规则，对待优化场景分类；
将分类后的待优化场景与建立的历史场景库进行场景匹配，获得对应的关键控制对象和调控策略。
2.根据权利要求1所述的配电网无功优化方法，其特征在于，所述历史场景库的建立方法，包括：
根据配电网运行历史数据建立历史场景库，所述历史场景库包括三种类型的优化目标：避免电压越上限、避免电压越下限和降低网损；
在所述历史场景库的基础上，以分布式光伏、储能装置、电动汽车充电桩为调控对象，以电压偏差最小化和网损最小化为优化目标，基于多目标粒子群优化算法生成历史策略库并储存关键控制对象及其调控策略。
3.根据权利要求2所述的配电网无功优化方法，其特征在于，无功优化的目标函数为光伏出力(PPV,QPV)、储能容量(PS,QS)和电动汽车充电站功率(PEV,QEV)的函数：
min F(PPV,QPV,PS,QS,PEV,QEV) (1)。
4.根据权利要求2所述的配电网无功优化方法，其特征在于，所述设定的分类规则，包括：根据历史场景库中的三种类型的优化目标，将待优化场景分为三类：
采用牛顿-拉夫森算法计算潮流，有功网损率高的场景定义为场景类型一，有功功率网损率ηΔP为：
Figure FDA0003543432610000021
其中，ΔP为配电网有功损耗，Np为节点总数目，
Figure FDA0003543432610000022
为节点k的有功负荷功率；
电压越下限的场景为场景类型二，表达公式如下：
Uk＜Ul (4)
其中，Uk为节点k的电压，Ul为电压下限；
电压越上限的场景为场景类型三，表达公式如下：
Uk＞Uu (5)
其中，Uk为节点k的电压，Uu为电压上限。
5.根据权利要求4所述的配电网无功优化方法，其特征在于，采用基于三层BP神经网络的智能场景匹配方法，将分类后的待优化实时场景与建立的历史场景库进行场景匹配，包括：
定义向量X＝(x1,x2,...,xM)m为BP神经网络的输入层，表示M个历史场景，每个场景包含m节点的负荷数据；向量Y＝(y1,y2,...,yN)n为输出层，表示待优化的N个运行场景，每个场景包含n个节点的负荷数据；向量H＝(h1,h2,...,hP)p为隐藏层，表示隐藏层的层数为P，每层包含p个元素；
权重W和阈值b表征BP神经网络各层之间联系的紧密程度；从输入层到隐藏层的关系表示如下：
H＝f(XWMP+bP) (6)
其中，权重WMP为M×P的矩阵；阈值bP为1×P的向量；f为传输函数，采用具有可微性的logsig函数；
从隐藏层到输出层的关系表示如下：
Y＝f(HWPN+bN) (8)
其中，WPN表示M×P的权重矩阵，bN表示1×P的阈值向量。
6.根据权利要求5所述的配电网无功优化方法，其特征在于，采用激活函数ReLU，为隐藏层的矩阵计算结果增加非线性，ReLU函数的表达式如下：
Figure FDA0003543432610000031
7.根据权利要求5所述的配电网无功优化方法，其特征在于，采用softmax函数对输出层的输出结果进行归一化，使最终输出为概率值，Softmax函数的表达式如下：
Figure FDA0003543432610000032
其中，exp(x)为指数函数ex(e＝2.7182…)，式(9)表示当输出层有N个神经元时，计算第k个神经元的输出概率值Sk。
8.根据权利要求7所述的配电网无功优化方法，其特征在于，在softmax层之后，计算输出概率值Sk的对数的负值来求取交叉熵损失：
Figure FDA0003543432610000033
其中，
Figure FDA0003543432610000034
表示损失越小，则分类结果越精确；
根据链式法则，采用梯度下降算法实现反向传播过程，更新权值和阈值；反向传播以softmax层的结果为起点，计算dW、db；引入正则化惩罚项对dW进行修改：
dW＝dW+reg·W·W (11)
其中，矩阵W表示权重，分散性可表示为
Figure FDA0003543432610000041
最终被更新的权重和阈值为：
Figure FDA0003543432610000042
其中，ε为学习率，W为权重，b为阈值。
9.根据权利要求4所述的配电网无功优化方法，其特征在于，构建节点负荷匹配准确率和系统负荷匹配准确率两项评价指标评估匹配效果，构建有功网损降低率和系统电压偏差率两项评价指标评估无功优化效果，其中，
节点k的负荷匹配准确率Ek为：
Figure FDA0003543432610000043
其中，Lk为节点k的负荷实际值，
Figure FDA0003543432610000044
是节点k的负荷匹配值；
系统负荷匹配准确率A为：
A＝(1-RMSE)×100％ (14)
Figure FDA0003543432610000045
其中，RMSE是系统负荷匹配偏差率的均方根误差，Np是节点的总数目；
有功网损降低率ξLR为：
Figure FDA0003543432610000046
其中，ΔP0为未采用无功优化策略的系统有功网损；ΔP为采用无功优化策略的系统有功网损；
系统电压偏差率ΔU为：
Figure FDA0003543432610000051
其中，
Figure FDA0003543432610000052
为节点k的额定电压，
Figure FDA0003543432610000053
Uk为优化后节点k的电压。
10.一种配电网无功优化系统，其特征在于，包括：
场景分类模块，用于根据设定的分类规则，对待优化场景分类；
无功优化模块，用于将分类后的待优化场景与建立的历史场景库进行场景匹配，获得对应的关键控制对象和调控策略。
CN202210242974.5A 2022-03-11 2022-03-11 基于bp神经网络和场景匹配的配电网无功优化方法及系统 Pending CN114583696A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210242974.5A CN114583696A (zh) 2022-03-11 2022-03-11 基于bp神经网络和场景匹配的配电网无功优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210242974.5A CN114583696A (zh) 2022-03-11 2022-03-11 基于bp神经网络和场景匹配的配电网无功优化方法及系统

Publications (1)

Publication Number Publication Date
CN114583696A true CN114583696A (zh) 2022-06-03

Family

ID=81781234

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210242974.5A Pending CN114583696A (zh) 2022-03-11 2022-03-11 基于bp神经网络和场景匹配的配电网无功优化方法及系统

Country Status (1)

Country Link
CN (1) CN114583696A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116796911A (zh) * 2023-08-25 2023-09-22 国网江苏省电力有限公司淮安供电分公司 基于典型场景生成与在线场景匹配的中压配电网优化调控方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116796911A (zh) * 2023-08-25 2023-09-22 国网江苏省电力有限公司淮安供电分公司 基于典型场景生成与在线场景匹配的中压配电网优化调控方法及系统

Similar Documents

Publication Publication Date Title
Wang et al. A novel combined model based on hybrid optimization algorithm for electrical load forecasting
Xu et al. A soft actor-critic-based energy management strategy for electric vehicles with hybrid energy storage systems
Capizzi et al. Recurrent neural network-based control strategy for battery energy storage in generation systems with intermittent renewable energy sources
CN107994595A (zh) 一种削峰填谷控制方法和系统以及应用该控制方法的系统
CN112131733A (zh) 计及电动汽车充电负荷影响的分布式电源规划方法
CN107919675B (zh) 综合考虑车主和运营商利益的充电站负荷调度模型
CN110264012A (zh) 基于经验模态分解的可再生能源功率组合预测方法及系统
Wang et al. Design and analysis of genetic algorithm and BP neural network based PID control for boost converter applied in renewable power generations
CN114997935B (zh) 一种基于内点策略优化的电动汽车充放电策略优化方法
CN113675890A (zh) 基于td3的新能源微电网优化方法
CN112952807A (zh) 考虑风电不确定性与需求响应的多目标优化调度方法
CN115841187A (zh) 柔性配电网运行策略的优化方法、装置、设备及存储介质
CN112330021A (zh) 一种分布式光储系统的网络协调控制方法
Lu et al. Online optimization of energy management strategy for FCV control parameters considering dual power source lifespan decay synergy
CN114583696A (zh) 基于bp神经网络和场景匹配的配电网无功优化方法及系统
CN117538757A (zh) 电池soc估计方法及电源管理系统
Wang et al. Accurate solar cell modeling via genetic Neural network-based Meta-Heuristic algorithms
CN116796911A (zh) 基于典型场景生成与在线场景匹配的中压配电网优化调控方法及系统
CN112116171A (zh) 一种新型基于神经网络的光伏发电功率预测方法
Xu et al. Short-term electricity consumption forecasting method for residential users based on cluster classification and backpropagation neural network
Colak et al. Parameter estimation of photovoltaic system using marine predators optimization algorithm-based multilayer perceptron
CN109066797B (zh) 含光伏发电的电力系统运行控制方法及装置
CN113341705A (zh) 一种基于模糊控制算法的动力电池系统控制方法及装置
CN113049960A (zh) 一种基于智能优化算法的电池健康状态估计方法
Yuan et al. Reactive Power Optimization of Distribution Network Based on BP Neural Network and Intelligent Scene Matching

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Bu Qiangsheng

Inventor after: Liu Zhiren

Inventor after: Yu Hang

Inventor after: Lv Pengpeng

Inventor after: Dou Xiaobo

Inventor after: Zhou Xufeng

Inventor after: Yi Wenfei

Inventor after: Luo Fei

Inventor after: Zhang Chong

Inventor after: Zheng Mingzhong

Inventor after: Zhang Haibo

Inventor before: Bu Qiangsheng

Inventor before: Liu Zhiren

Inventor before: Ye Zhigang

Inventor before: Yu Hang

Inventor before: Lv Pengpeng

Inventor before: Dou Xiaobo

Inventor before: Zhou Xufeng

Inventor before: Yi Wenfei

Inventor before: Luo Fei

Inventor before: Zhang Chong

Inventor before: Zheng Mingzhong

Inventor before: Zhang Haibo

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230529

Address after: No.1, Powell Road, Jiangning District, Nanjing, Jiangsu Province, 210000

Applicant after: STATE GRID JIANGSU ELECTRIC POWER COMPANY Research Institute

Applicant after: JIANGSU ELECTRIC POWER RESEARCH INSTITUTE Co.,Ltd.

Address before: No. 1, Jiangning District, Jiangning District, Nanjing, Jiangsu

Applicant before: STATE GRID JIANGSU ELECTRIC POWER COMPANY Research Institute

Applicant before: SOUTHEAST University

Applicant before: STATE GRID JIANGSU ELECTRIC POWER Co.,Ltd.

Applicant before: ZIT (NANJING) TECHNOLOGY CO.,LTD.

Applicant before: JIANGSU ELECTRIC POWER RESEARCH INSTITUTE Co.,Ltd.