CN114692513A - 基于深度学习的新能源承载力评估方法、预警方法 - Google Patents

基于深度学习的新能源承载力评估方法、预警方法 Download PDF

Info

Publication number
CN114692513A
CN114692513A CN202210581021.1A CN202210581021A CN114692513A CN 114692513 A CN114692513 A CN 114692513A CN 202210581021 A CN202210581021 A CN 202210581021A CN 114692513 A CN114692513 A CN 114692513A
Authority
CN
China
Prior art keywords
bearing capacity
new energy
sample data
layer
rbm
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.)
Granted
Application number
CN202210581021.1A
Other languages
English (en)
Other versions
CN114692513B (zh
Inventor
姬玉泽
陈文刚
董建军
田瑞明
王新瑞
张轲
朱剑飞
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.)
Jincheng Power Supply Co of State Grid Shanxi Electric Power Co Ltd
Original Assignee
Jincheng Power Supply Co of State Grid Shanxi 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 Jincheng Power Supply Co of State Grid Shanxi Electric Power Co Ltd filed Critical Jincheng Power Supply Co of State Grid Shanxi Electric Power Co Ltd
Priority to CN202210581021.1A priority Critical patent/CN114692513B/zh
Publication of CN114692513A publication Critical patent/CN114692513A/zh
Application granted granted Critical
Publication of CN114692513B publication Critical patent/CN114692513B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • 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
    • H02J3/381—Dispersed generators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • 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]
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Abstract

本发明提供的基于深度学习的新能源承载力评估方法、预警方法，包括以下步骤：S10，通过DTS仿真系统进行仿真操作，以获取大量的变电站的运行数据；S20，确定用于新能源承载力评估的特征量；S30，基于特征量构建样本数据；S40，对样本数据进行标准化处理后，采用PCA进行降维；S50，通过降维后的样本数据对DBN模型进行训练，得到具有承载力评估功能的DBN模型；本发明具有计算难度较低的有益效果，适用于新能源承载力评估领域。

Description

基于深度学习的新能源承载力评估方法、预警方法
技术领域
本发明涉及新能源承载力评估的技术领域，具体涉及基于深度学习的新能源承载力评估方法、预警方法。
背景技术
随着我国“双碳”发展战略目标的提出，构建以新能源为主体的新型电力系统成为我国实现能源转型的关键支撑；我国“十四五”规划发展期间，在新型电力系统背景下，新能源并网装机和消纳总量将会呈现更高速度、高比例增长，这将会导致其消纳矛盾日渐突出，调控运行面临较大难题。
为避免地区电网大面积弃风弃光现象的发生，根据电网实际运行情况进行地区新能源承载力分析评估和消纳预警成为当前新能源管理的重点问题。
当前，我国的新能源承载力评估目标主要包括：电网的稳定性分析和新能源发电特性分析，以电网稳定性分析为目标的承载力评估主要关注于新能源接入电网后，对电网频率、电压、输电功率等条件的约束，采用的评估分析方法主要依赖于潮流计算，通过复杂的潮流计算来对其承载力目标进行评估；以新能源发电特性分析为目标的承载力分析主要关注于新能源运行特性对电网的影响，通常对于新能源出力规律的研究多集中在对概率分布、波动规律的分析上，采用的主要方法是关于新能源发电系统的精确建模研究。
采用潮流计算的方法具有普遍的应用性，但是其计算量庞大，所需时间较长，所需计算平台性能要求很高，同时，对于新能源和负荷等模型的建模也较为复杂，必须根据电网运行的实际情况进行调整，将节点类型不断调整以适应潮流计算目标，这给传统的潮流计算方法带来较大的困难。
发明内容
针对相关技术中存在的不足，本发明所要解决的技术问题在于：提供一种计算难度较低的基于深度学习的新能源承载力评估方法、预警方法。
为解决上述技术问题，本发明采用的技术方案为：
基于深度学习的新能源承载力评估方法，包括以下步骤：
S10，通过DTS仿真系统进行仿真操作，以获取大量的变电站的运行数据；
S20，确定用于新能源承载力评估的特征量；
S30，基于特征量构建样本数据；
S40，对样本数据进行标准化处理后，采用PCA进行降维；
S50，通过降维后的样本数据对DBN模型进行训练，得到具有承载力评估功能的DBN模型。
优选地，所述步骤S20中，特征量的表达式为：
Figure 100002_DEST_PATH_IMAGE001
；
步骤S30中，样本数据的表达式为：
Figure 552339DEST_PATH_IMAGE002
；
其中，样本数据中包含有p组样本；
Figure 100002_DEST_PATH_IMAGE003
表示第i次仿真时得到的特征量数据组；
Figure 676765DEST_PATH_IMAGE004
表示第p次仿真时得到的特征量数据组；
Figure 100002_DEST_PATH_IMAGE005
分别表示第i次仿真时得到的母线电压、主变压器电压、主变压器电流、进线电流、出线电流、母联开关电流、电容器电流、新能源并网点电压和新能源并网点电流。
优选地，所述步骤S40中，采用PCA进行降维；具体包括：
S401，根据标准化处理后的样本数据进行协方差矩阵的计算；具体为：
协方差矩阵的计算表达式为：
Figure 779851DEST_PATH_IMAGE006
其中，
Figure 100002_DEST_PATH_IMAGE007
表示标准化处理后的样本数据的矩阵，
Figure 486907DEST_PATH_IMAGE008
表示
Figure 319733DEST_PATH_IMAGE007
矩阵的转置矩阵，g表示数据维度；
S402，对协方差矩阵进行对角化处理，计算协方差矩阵的特征值和特征向量；
S403，根据协方差矩阵的特征值，采用PCA进行主成分矩阵的选取分析；主成分矩阵的计算表达式为：
Figure 100002_DEST_PATH_IMAGE009
其中， h表示选取主成分特征向量数目，
Figure 883570DEST_PATH_IMAGE010
表示第h个主成分特征向量；
S404，通过主成分矩阵对标准化处理后的样本数据进行降维处理；降维后的特征向量的表达式为：
Figure 100002_DEST_PATH_IMAGE011
其中，
Figure 208372DEST_PATH_IMAGE012
为原始特征向量降维后的特征量。
优选地，所述步骤S40中，对样本数据进行标准化处理，具体包括：
对每组样本数据分别采用标准差进行标准化处理，采用的计算表达式为：
Figure 100002_DEST_PATH_IMAGE013
其中，
Figure 515857DEST_PATH_IMAGE014
为样本数据组中的样本元素，
Figure 100002_DEST_PATH_IMAGE015
为该组数据样本的平均值，
Figure 547398DEST_PATH_IMAGE016
为标准差，
Figure 100002_DEST_PATH_IMAGE017
为
Figure 547715DEST_PATH_IMAGE014
标准差标准化处理后的样本元素；
Figure 687709DEST_PATH_IMAGE015
的计算表达式为：
Figure 264796DEST_PATH_IMAGE018
其中，r为该组样本数据组中含有的数据量；
Figure 806636DEST_PATH_IMAGE016
的计算表达式为：
Figure 100002_DEST_PATH_IMAGE019
。
优选地，所述步骤S50中，所述的DBN模型包括：多个RBM层和Softmax分类器；
通过降维后的样本数据对DBN模型进行训练，具体包括：
S501，将降维后的样本数据输入到第一层RBM，完成无监督训练；
S502，提取第一层RBM输出的特征向量，输入到第二层RBM，完成无监督训练；
S503，重复执行步骤S502，将前一层RBM的输出作为后一层RBM的输入，完成每层RBM的训练，最终获得顶层RBM的输出特征向量；
S504，利用误差反向传播算法，自上而下对每层 RBM 进行有监督微调，逐层调整RBM的权值参数，使其收敛至全局最优；
S505，将顶层RBM的输出特征向量作为Softmax分类器的输入向量，结合表示不同承载力消纳程度的类别标签，计算出特征向量属于不同承载力消纳程度的概率，完成承载力评估；
其中，不同承载力消纳程度的类别标签包括：
标签为1，表示高电压等级侧电气量检测到潮流倒送现象；
标签为2，表示未出现潮流倒送，站内电气量检测到母线、主变或线路电压稳定性被破坏；
标签为3，表示未出现潮流倒送，电流谐波较多，电能质量不合格；
标签为4，表示未出现潮流倒送，电压稳定、电能质量均不合格。
优选地，所述步骤S504，利用误差反向传播算法，自上而下对每层 RBM 进行有监督微调，逐层调整RBM的权值参数中，所述误差反向传播算法调整RBM的权值参数的计算表达式如下：
Figure 915537DEST_PATH_IMAGE020
Figure 100002_DEST_PATH_IMAGE021
其中：
Figure 214932DEST_PATH_IMAGE022
、
Figure 100002_DEST_PATH_IMAGE023
分别表示权值的原始值和更新值，v表示梯度，
Figure 864219DEST_PATH_IMAGE024
表示权值更新计算梯度，α表示学习率，β表示动量系数。
优选地，所述步骤S505中，计算出特征向量属于不同承载力消纳程度的概率的计算表达式为：
Figure 100002_DEST_PATH_IMAGE025
其中，
Figure 667090DEST_PATH_IMAGE026
表示承载力消纳程度，且
Figure 100002_DEST_PATH_IMAGE027
；
Figure 71526DEST_PATH_IMAGE028
表示第i个输入样本数据序列，
Figure 100002_DEST_PATH_IMAGE029
表示第i个输入样本数据对应的分类结果标签值；
Figure 592638DEST_PATH_IMAGE030
表示第i个样本数据对应各类输出结果的概率值；
Figure 100002_DEST_PATH_IMAGE031
表示Softmax分类器的内置参数。
本发明还提供了基于深度学习的新能源承载力预警方法，包括：
A10，基于SCADA系统的电网实时数据、以及用于新能源承载力评估的特征量构建数据样本；
A20，对数据样本进行标准化处理后，采用PCA进行降维；
A30，将降维后的样本数据输入到DBN模型中，通过DBN模型对实时消纳能力进行分类；
A40，根据实时消纳能力 在电网接线图中显示预警程度；
其中，所述DBN模型为权利要求1至6所述的DBN模型。
优选地，所述的预警程度包括：
一级预警，表示出现潮流倒送；
二级预警，表示潮流未出现倒送，母线电压失稳、电能质量均不合格；
三级预警，表示仅电压失稳；
四级预警，表示电流谐波超标，电能质量不合格。
本发明的有益技术效果在于：
本发明提供的基于深度学习的新能源承载力评估方法、预警方法，通过用PCA方法与DBN模型结合，降低样本数据的维度，提高了深度学习网络的训练水平，具有更为广泛的适用性；本发明通过深度学习的方法，与传统的以潮流计算为基础的方法相比，具有简单、快速的优点，降低了计算复杂度，自适应能力更强，抗干扰能力强，更为可靠；同时，训练好的DBN模型，应用于SCADA系统的电网实时数据，能够实现地区新能源承载力消纳预警，为地区电网的稳定运行提供了保障，实用性极强。
附图说明
图1是本发明实施例一提供的基于深度学习的新能源承载力评估方法的流程示意图；
图2是本发明实施例二中采用PCA进行降维的流程示意图；
图3是本发明实施例三中通过降维后的样本数据对DBN模型进行训练的流程示意图；
图4是本发明实施例一提供的基于深度学习的新能源承载力预警方法的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例；基于本发明中的实施例，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，都属于本发明保护的范围。
其次，本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
以下结合附图详细说明本发明的一个实施例。
实施例一
如图1所示，基于深度学习的新能源承载力评估方法，包括以下步骤：
S10，通过DTS仿真系统进行仿真操作，以获取大量的变电站的运行数据；
S20，确定用于新能源承载力评估的特征量；
S30，基于特征量构建样本数据；
S40，对样本数据进行标准化处理后，采用PCA进行降维；
S50，通过降维后的样本数据对DBN模型进行训练，得到具有承载力评估功能的DBN模型。
确定用于新能源承载力评估的特征量时，考虑根据潮流信息稳定评估新能源承载力，因此，主要特征量为：主变压器三侧电压和电流、母线电压、进线电流、出线电流、母联开关电流、电容器组电流，还有新能源电源的可接入容量、并网点电压和电流信息，使得可以根据变电站运行数据对电压稳定、电能质量(谐波)、潮流倒送及短路电流进行判断。
本实施例中，所需数据除稳态潮流数据外，还需包含大量接入容量超过变电站承载力出现稳态运行被破坏时的运行数据，如电压出现较大偏差甚至失稳、谐波含量大(电能质量差)、潮流倒送及短路冲击电流超过站内设备热稳定性等情况，因此，通过DTS仿真系统进行仿真操作以获取大量运行数据。
具体地，所述步骤S20中，特征量的表达式为：
Figure 45616DEST_PATH_IMAGE001
；
步骤S30中，样本数据的表达式为：
Figure 437414DEST_PATH_IMAGE032
；
其中，样本数据中包含有p组样本；
Figure 481593DEST_PATH_IMAGE003
表示第i次仿真时得到的特征量数据组；
Figure 83476DEST_PATH_IMAGE004
表示第p次仿真时得到的特征量数据组；
Figure DEST_PATH_IMAGE033
分别表示第i次仿真时得到的母线电压、主变压器电压、主变压器电流、进线电流、出线电流、母联开关电流、电容器电流、新能源并网点电压和新能源并网点电流；
本实施例中，所有样本数据的特征量表达形式如下：
设仿真时，变电站内共有母线n组，变压器m组，进线k组，出线x组，母联开关y组，电容器组j组，新能源场站w组；则：每组特征量数据组
Figure 71636DEST_PATH_IMAGE003
中的特征量数量为：n+2m+k+x+y+j+2w；
母线电压
Figure 317941DEST_PATH_IMAGE034
包括：
Figure DEST_PATH_IMAGE035
；
主变压器电压
Figure 736284DEST_PATH_IMAGE036
包括：
Figure DEST_PATH_IMAGE037
；
主变压器电流
Figure 231987DEST_PATH_IMAGE038
包括：
Figure DEST_PATH_IMAGE039
;
进线电流
Figure 26768DEST_PATH_IMAGE040
包括：
Figure DEST_PATH_IMAGE041
；
出线电流
Figure 986633DEST_PATH_IMAGE042
包括：
Figure DEST_PATH_IMAGE043
；
母联开关电流
Figure 575878DEST_PATH_IMAGE044
包括：
Figure DEST_PATH_IMAGE045
；
电容器电流
Figure 558877DEST_PATH_IMAGE046
包括：
Figure DEST_PATH_IMAGE047
；
新能源并网点电压
Figure 157349DEST_PATH_IMAGE048
包括：
Figure DEST_PATH_IMAGE049
新能源并网点电流
Figure 640895DEST_PATH_IMAGE050
包括：
Figure DEST_PATH_IMAGE051
。
本发明还提供了基于深度学习的新能源承载力预警方法，其特征在于：包括：
A10，基于SCADA系统的电网实时数据、以及用于新能源承载力评估的特征量构建数据样本；
A20，对数据样本进行标准化处理后，采用PCA进行降维；
A30，将降维后的样本数据输入到DBN模型中，通过DBN模型对实时消纳能力进行分类；
A40，根据实时消纳能力 在电网接线图中显示预警程度；
其中，所述DBN模型为如上所述的DBN模型。
本实施例一提供的基于深度学习的新能源承载力评估方法、预警方法，通过用PCA方法与DBN模型结合，降低样本数据的维度，提高了深度学习网络的训练水平，具有更为广泛的适用性；本发明通过深度学习的方法，与传统的以潮流计算为基础的方法相比，具有简单、快速的优点，降低了计算复杂度，自适应能力更强，抗干扰能力强，更为可靠；同时，训练好的DBN模型，应用于SCADA系统的电网实时数据，能够实现地区新能源承载力消纳预警，为地区电网的稳定运行提供了保障，实用性极强。
实施例二
在根据仿真数据建立运行样本数据后，由于采集的电压、电流等数据的量纲不同，且数据来源于不同电压等级的线路，以及样本数据的数据特征量多，样本数据维度高，直接采用DBN模型进行训练和学习会导致网络陷入局部最优，降低承载力评估的准确度；因此，为了提高深度学习算法的性能，需要对数据进行处理。
具体地，基于深度学习的新能源承载力评估方法，所述步骤S40中，对样本数据进行标准化处理，具体包括：
对每组样本数据分别采用标准差进行标准化处理，采用的计算表达式为：
Figure 869882DEST_PATH_IMAGE052
其中，
Figure 668074DEST_PATH_IMAGE014
为样本数据组中的样本元素，
Figure 273499DEST_PATH_IMAGE015
为该组数据样本的平均值，
Figure DEST_PATH_IMAGE053
为标准差，
Figure 880061DEST_PATH_IMAGE017
为
Figure 670162DEST_PATH_IMAGE014
标准差标准化处理后的样本元素；
Figure 831016DEST_PATH_IMAGE015
的计算表达式为：
Figure 302449DEST_PATH_IMAGE054
其中，r为该组样本数据组中含有的数据量；
Figure 356993DEST_PATH_IMAGE053
的计算表达式为：
Figure 193362DEST_PATH_IMAGE019
。
进一步地，准化处理后的样本数据示例如下：
Figure DEST_PATH_IMAGE055
该式表示该变电站母线、主变、进出线、电容器组、并网新能源仅有1组时，共9个维度的样本数据，同时每组样本采样q个点。
如图2所示，所述步骤S40中，采用PCA进行降维；具体包括：
S401，根据标准化处理后的样本数据进行协方差矩阵的计算；具体为：
协方差矩阵的计算表达式为：
Figure 107091DEST_PATH_IMAGE006
其中，
Figure 444531DEST_PATH_IMAGE007
表示标准化处理后的样本数据的矩阵，物理意义为：在h个维度上的投影；
Figure 494527DEST_PATH_IMAGE008
表示
Figure 360852DEST_PATH_IMAGE007
矩阵的转置矩阵，g表示数据维度；
S402，对协方差矩阵进行对角化处理，计算协方差矩阵的特征值和特征向量；
S403，根据协方差矩阵的特征值，采用PCA进行主成分矩阵的选取分析；主成分矩阵的计算表达式为：
Figure 824194DEST_PATH_IMAGE009
其中， h表示选取主成分特征向量数目，
Figure 306604DEST_PATH_IMAGE010
表示第h个主成分特征向量；
S404，通过主成分矩阵对标准化处理后的样本数据进行降维处理；降维后的特征向量的表达式为：
Figure 335740DEST_PATH_IMAGE011
其中，
Figure 248332DEST_PATH_IMAGE012
为原始特征向量降维后的特征量。
本实施例中，采用PCA进行主成分矩阵的选取分析，即：根据特征值选取特征值最大的特征向量。
实施例三
如图3所示，基于深度学习的新能源承载力评估方法，所述步骤S50中，所述的DBN模型包括：多个RBM层和Softmax分类器；
通过降维后的样本数据对DBN模型进行训练，具体包括：
S501，将降维后的样本数据输入到第一层RBM，完成无监督训练；
S502，提取第一层RBM输出的特征向量，输入到第二层RBM，完成无监督训练；
S503，重复执行步骤S502，将前一层RBM的输出作为后一层RBM的输入，完成每层RBM的训练，最终获得顶层RBM的输出特征向量；
S504，利用误差反向传播算法，自上而下对每层 RBM 进行有监督微调，逐层调整RBM的权值参数，使其收敛至全局最优；
S505，将顶层RBM的输出特征向量作为Softmax分类器的输入向量，结合表示不同承载力消纳程度的类别标签，计算出特征向量属于不同承载力消纳程度的概率，完成承载力评估；
其中，不同承载力消纳程度的类别标签包括：
标签为1，表示高电压等级侧电气量检测到潮流倒送现象；
标签为2，表示未出现潮流倒送，站内电气量检测到母线、主变或线路电压稳定性被破坏；
标签为3，表示未出现潮流倒送，电流谐波较多，电能质量不合格；
标签为4，表示未出现潮流倒送，电压稳定、电能质量均不合格。
具体地，所述步骤S504，利用误差反向传播算法，自上而下对每层 RBM 进行有监督微调，逐层调整RBM的权值参数中，所述误差反向传播算法调整RBM的权值参数的计算表达式如下：
Figure 995708DEST_PATH_IMAGE020
Figure 550317DEST_PATH_IMAGE021
其中：
Figure 433960DEST_PATH_IMAGE022
、
Figure 783033DEST_PATH_IMAGE056
分别表示权值的原始值和更新值，v表示梯度，
Figure 752126DEST_PATH_IMAGE024
表示权值更新计算梯度，α表示学习率，β表示动量系数。
进一步地，所述步骤S505中，计算出特征向量属于不同承载力消纳程度的概率的计算表达式为：
Figure 907163DEST_PATH_IMAGE025
其中，
Figure DEST_PATH_IMAGE057
表示承载力消纳程度，且
Figure 582995DEST_PATH_IMAGE027
；
Figure 837390DEST_PATH_IMAGE028
表示第i个输入样本数据序列，
Figure 293779DEST_PATH_IMAGE029
表示第i个输入样本数据对应的分类结果标签值；
Figure 924612DEST_PATH_IMAGE030
表示第i个样本数据对应各类输出结果的概率值；
Figure 782847DEST_PATH_IMAGE031
表示Softmax分类器的内置参数。
本实施例中，可设置DBN网络的输入层（第一层RBM）、隐含层（中间层RBM）及输出层（顶层RBM及Softmax分类器）层数和神经元个数；一般地，输入层的神经元个数等于输入数据的维度，Softmax分类器的输出等于类别数，隐含层数一般采用4~6层结构。
本实施例中，第一层 RBM 训练后提取的特征向量，作为输入向量训练下一层RBM；如此重复完成每层 RBM 完成训练，获得顶层RBM的输出特征，此时得到每层RBM的局部最优参数；之后，自上而下对每层 RBM 进行有监督的微调，逐层调整RBM的权值参数，使其收敛至全局最优。
本发明还提供了基于深度学习的新能源承载力预警方法。
在实施例一的基础上，基于深度学习的新能源承载力预警方法，所述的预警程度包括：
一级预警，表示出现潮流倒送；
二级预警，表示潮流未出现倒送，母线电压失稳、电能质量均不合格；
三级预警，表示仅电压失稳；
四级预警，表示电流谐波超标，电能质量不合格。
本实施例中，将训练后的DBN模型与地区电网调度的SCADA系统结合，建立地区电网新能源承载力消纳实时预警系统，将SCADA系统采集的电网络数据进行实时消纳能力分类，根据DBN模型输出的不同分类结果在SCADA显示的电力网络图中进行预警显示，达到对地区新能源消纳的预警。
本发明还提供了一种存储设备，其中存储有多条指令，所述指令适于由处理器加载并执行如上述的基于深度学习的新能源承载力评估方法。
所述存储设备可为一计算机可读存储介质，可以包括：ROM、RAM、磁盘或光盘等。
本发明还提供了一种终端，所述终端可包括：
处理器，适于实现各指令；以及
存储设备，适于存储多条指令，所述指令适于由处理器加载并执行如上述的基于深度学习的新能源承载力评估方法。
所述终端可为任意能够实现物品防伪溯源的装置，该装置可以是各种终端设备，例如：台式电脑、手提电脑等，具体可以通过软件和/或硬件来实现。
综上，本发明提供了电网稳定性分析为目标的新能源承载力评估方法，通过采用大量的历史数据进行评估和分析，对新能源的可消纳水平进行判断和分类，无需对新能源发电系统进行建模表达和调整，也无需较高的计算难度，具有很高的应用前景。
在本发明的描述中，需要理解的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其他设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本发明也不针对任何特定的编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (9)

1.基于深度学习的新能源承载力评估方法，其特征在于：包括以下步骤：
S10，通过DTS仿真系统进行仿真操作，以获取大量的变电站的运行数据；
S20，确定用于新能源承载力评估的特征量；
S30，基于特征量构建样本数据；
S40，对样本数据进行标准化处理后，采用PCA进行降维；
S50，通过降维后的样本数据对DBN模型进行训练，得到具有承载力评估功能的DBN模型。
2.根据权利要求1所述的基于深度学习的新能源承载力评估方法，其特征在于：所述步骤S20中，特征量的表达式为：
Figure DEST_PATH_IMAGE001
；
步骤S30中，样本数据的表达式为：
Figure 589094DEST_PATH_IMAGE002
；
其中，样本数据中包含有p组样本；
Figure DEST_PATH_IMAGE003
表示第i次仿真时得到的特征量数据组；
Figure 204883DEST_PATH_IMAGE004
表示第p次仿真时得到的特征量数据组；
Figure DEST_PATH_IMAGE005
分别表示第i次仿真时得到的母线电压、主变压器电压、主变压器电流、进线电流、出线电流、母联开关电流、电容器电流、新能源并网点电压和新能源并网点电流。
3.根据权利要求1所述的基于深度学习的新能源承载力评估方法，其特征在于：所述步骤S40中，采用PCA进行降维；具体包括：
S401，根据标准化处理后的样本数据进行协方差矩阵的计算；具体为：
协方差矩阵的计算表达式为：
Figure 108248DEST_PATH_IMAGE006
其中，
Figure DEST_PATH_IMAGE007
表示标准化处理后的样本数据的矩阵，
Figure 227514DEST_PATH_IMAGE008
表示
Figure 213924DEST_PATH_IMAGE007
矩阵的转置矩阵，g表示数据维度；
S402，对协方差矩阵进行对角化处理，计算协方差矩阵的特征值和特征向量；
S403，根据协方差矩阵的特征值，采用PCA进行主成分矩阵的选取分析；主成分矩阵的计算表达式为：
Figure DEST_PATH_IMAGE009
其中， h表示选取主成分特征向量数目，
Figure 51430DEST_PATH_IMAGE010
表示第h个主成分特征向量；
S404，通过主成分矩阵对标准化处理后的样本数据进行降维处理；降维后的特征向量的表达式为：
Figure DEST_PATH_IMAGE011
其中，
Figure 820803DEST_PATH_IMAGE012
为原始特征向量降维后的特征量。
4.根据权利要求2所述的基于深度学习的新能源承载力评估方法，其特征在于：所述步骤S40中，对样本数据进行标准化处理，具体包括：
对每组样本数据分别采用标准差进行标准化处理，采用的计算表达式为：
Figure DEST_PATH_IMAGE013
其中，
Figure 794575DEST_PATH_IMAGE014
为样本数据组中的样本元素，
Figure DEST_PATH_IMAGE015
为该组数据样本的平均值，
Figure 561674DEST_PATH_IMAGE016
为标准差，
Figure DEST_PATH_IMAGE017
为
Figure 883547DEST_PATH_IMAGE014
标准差标准化处理后的样本元素；
Figure 784507DEST_PATH_IMAGE015
的计算表达式为：
Figure 347206DEST_PATH_IMAGE018
其中，r为该组样本数据组中含有的数据量；
Figure DEST_PATH_IMAGE019
的计算表达式为：
Figure 409840DEST_PATH_IMAGE020
。
5.根据权利要求1所述的基于深度学习的新能源承载力评估方法，其特征在于：所述步骤S50中，所述的DBN模型包括：多个RBM层和Softmax分类器；
通过降维后的样本数据对DBN模型进行训练，具体包括：
S501，将降维后的样本数据输入到第一层RBM，完成无监督训练；
S502，提取第一层RBM输出的特征向量，输入到第二层RBM，完成无监督训练；
S503，重复执行步骤S502，将前一层RBM的输出作为后一层RBM的输入，完成每层RBM的训练，最终获得顶层RBM的输出特征向量；
S504，利用误差反向传播算法，自上而下对每层 RBM 进行有监督微调，逐层调整RBM的权值参数，使其收敛至全局最优；
S505，将顶层RBM的输出特征向量作为Softmax分类器的输入向量，结合表示不同承载力消纳程度的类别标签，计算出特征向量属于不同承载力消纳程度的概率，完成承载力评估；
其中，不同承载力消纳程度的类别标签包括：
标签为1，表示高电压等级侧电气量检测到潮流倒送现象；
标签为2，表示未出现潮流倒送，站内电气量检测到母线、主变或线路电压稳定性被破坏；
标签为3，表示未出现潮流倒送，电流谐波较多，电能质量不合格；
标签为4，表示未出现潮流倒送，电压稳定、电能质量均不合格。
6.根据权利要求5所述的基于深度学习的新能源承载力评估方法，其特征在于：所述步骤S504，利用误差反向传播算法，自上而下对每层 RBM 进行有监督微调，逐层调整RBM的权值参数中，所述误差反向传播算法调整RBM的权值参数的计算表达式如下：
Figure DEST_PATH_IMAGE021
Figure 956359DEST_PATH_IMAGE022
其中：
Figure DEST_PATH_IMAGE023
、
Figure 333114DEST_PATH_IMAGE024
分别表示权值的原始值和更新值，v表示梯度，
Figure DEST_PATH_IMAGE025
表示权值更新计算梯度，α表示学习率，β表示动量系数。
7.根据权利要求5所述的基于深度学习的新能源承载力评估方法，其特征在于：所述步骤S505中，计算出特征向量属于不同承载力消纳程度的概率的计算表达式为：
Figure 281478DEST_PATH_IMAGE026
其中，
Figure DEST_PATH_IMAGE027
表示承载力消纳程度，且
Figure 187117DEST_PATH_IMAGE028
；
Figure DEST_PATH_IMAGE029
表示第i个输入样本数据序列，
Figure 424195DEST_PATH_IMAGE030
表示第i个输入样本数据对应的分类结果标签值；
Figure DEST_PATH_IMAGE031
表示第i个样本数据对应各类输出结果的概率值；
Figure 73482DEST_PATH_IMAGE032
表示Softmax分类器的内置参数。
8.基于深度学习的新能源承载力预警方法，其特征在于：包括：
A10，基于SCADA系统的电网实时数据、以及用于新能源承载力评估的特征量构建数据样本；
A20，对数据样本进行标准化处理后，采用PCA进行降维；
A30，将降维后的样本数据输入到DBN模型中，通过DBN模型对实时消纳能力进行分类；
A40，根据实时消纳能力 在电网接线图中显示预警程度；
其中，所述DBN模型为权利要求1至6所述的DBN模型。
9.根据权利要求8所述的基于深度学习的新能源承载力预警方法，其特征在于：
所述的预警程度包括：
一级预警，表示出现潮流倒送；
二级预警，表示潮流未出现倒送，母线电压失稳、电能质量均不合格；
三级预警，表示仅电压失稳；
四级预警，表示电流谐波超标，电能质量不合格。
CN202210581021.1A 2022-05-26 2022-05-26 基于深度学习的新能源承载力评估方法、预警方法 Active CN114692513B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210581021.1A CN114692513B (zh) 2022-05-26 2022-05-26 基于深度学习的新能源承载力评估方法、预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210581021.1A CN114692513B (zh) 2022-05-26 2022-05-26 基于深度学习的新能源承载力评估方法、预警方法

Publications (2)

Publication Number Publication Date
CN114692513A true CN114692513A (zh) 2022-07-01
CN114692513B CN114692513B (zh) 2022-09-06

Family

ID=82145783

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210581021.1A Active CN114692513B (zh) 2022-05-26 2022-05-26 基于深度学习的新能源承载力评估方法、预警方法

Country Status (1)

Country Link
CN (1) CN114692513B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104794534A (zh) * 2015-04-16 2015-07-22 国网山东省电力公司临沂供电公司 一种基于改进深度学习模型的电网安全态势预测方法
CN107391852A (zh) * 2017-07-26 2017-11-24 清华大学 基于深度置信网络的暂态稳定性实时评估方法及装置
CN110991737A (zh) * 2019-11-29 2020-04-10 河海大学 一种基于深度置信网络的超短期风电功率预测方法
CN111030189A (zh) * 2019-12-06 2020-04-17 国网辽宁省电力有限公司经济技术研究院 一种风电和光伏消纳预测预警方法
CN112861992A (zh) * 2021-03-09 2021-05-28 三峡大学 基于独立稀疏堆叠自编码器的风电场超短期功率预测方法
CN113496255A (zh) * 2021-05-31 2021-10-12 四川大学 基于深度学习与决策树驱动的配电网混合观测布点方法
US20220036123A1 (en) * 2021-10-20 2022-02-03 Intel Corporation Machine learning model scaling system with energy efficient network data transfer for power aware hardware

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104794534A (zh) * 2015-04-16 2015-07-22 国网山东省电力公司临沂供电公司 一种基于改进深度学习模型的电网安全态势预测方法
CN107391852A (zh) * 2017-07-26 2017-11-24 清华大学 基于深度置信网络的暂态稳定性实时评估方法及装置
CN110991737A (zh) * 2019-11-29 2020-04-10 河海大学 一种基于深度置信网络的超短期风电功率预测方法
CN111030189A (zh) * 2019-12-06 2020-04-17 国网辽宁省电力有限公司经济技术研究院 一种风电和光伏消纳预测预警方法
CN112861992A (zh) * 2021-03-09 2021-05-28 三峡大学 基于独立稀疏堆叠自编码器的风电场超短期功率预测方法
CN113496255A (zh) * 2021-05-31 2021-10-12 四川大学 基于深度学习与决策树驱动的配电网混合观测布点方法
US20220036123A1 (en) * 2021-10-20 2022-02-03 Intel Corporation Machine learning model scaling system with energy efficient network data transfer for power aware hardware

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
SHUANG WU: "Improved Deep Belief Network and Model Interpretation Method for Power System Transient Stability Assessment", 《IEEE》 *
戚焕兴: "基于深度置信网络状态最优反馈的智能发电控制策略", 《电力建设》 *
蔡国伟: "基于改进深度置信网络的电力系统暂态稳定评估研究", 《智慧电力》 *
马旭: "基于深度置信网络和多元线性回归的风电功率预测研究", 《中国优秀硕士学位论文全文数据库》 *

Also Published As

Publication number Publication date
CN114692513B (zh) 2022-09-06

Similar Documents

Publication Publication Date Title
Hu et al. Real-time transient stability assessment in power system based on improved SVM
CN102074955B (zh) 基于知识发现技术的电力系统稳定评估及控制方法
Ghadimi et al. PSO based fuzzy stochastic long-term model for deployment of distributed energy resources in distribution systems with several objectives
Li et al. An intelligent transient stability assessment framework with continual learning ability
Wahab et al. Fast transient stability assessment of large power system using probabilistic neural network with feature reduction techniques
CN111091143A (zh) 基于深度信念网络和K-means聚类的配变重过载预警方法
CN112508442B (zh) 基于自动化和可解释机器学习的暂态稳定评估方法及系统
CN105069236B (zh) 考虑风电场节点空间相关性的广义负荷联合概率建模方法
Khodayar et al. Probabilistic time-varying parameter identification for load modeling: A deep generative approach
CN102231144A (zh) 一种基于Boosting算法的配电网理论线损预测方法
Wan et al. Data-driven hierarchical optimal allocation of battery energy storage system
Cortes-Robles et al. Fast-training feedforward neural network for multi-scale power quality monitoring in power systems with distributed generation sources
Nizam et al. Dynamic voltage collapse prediction in power systems using support vector regression
CN115224698B (zh) 基于数字孪生的新能源电力系统无功-电压优化控制方法
Han et al. A multi-view and multi-scale transfer learning based wind farm equivalent method
Huang et al. Resilient power network structure for stable operation of energy systems: A transfer learning approach
CN115169719A (zh) 一种基于模糊聚类和bp神经网络的台区状态预测模型
CN111652478A (zh) 基于伞式算法的电力系统电压稳定评估误分类约束方法
CN115861671A (zh) 一种考虑负荷特性与可调节潜力的双层自适应聚类方法
CN114692513B (zh) 基于深度学习的新能源承载力评估方法、预警方法
CN112784870A (zh) 一种基于聚类算法的典型台区分类方法及系统
CN117400771A (zh) 一种基于电动汽车的充电桩充电控制方法
Guoli et al. Power system transient voltage stability assessment based on kernel principal component analysis and DBN
Wang et al. Transient stability assessment in bulk power grids using sequential minimal optimization based support vector machine with pinball loss
Liu et al. Equivalent modeling of distributed photovoltaic power station clusters based on deep belief network

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

Inventor after: Ji Yuze

Inventor after: Chen Wengang

Inventor after: Dong Jianjun

Inventor after: Tian Ruimin

Inventor after: Wang Xinrui

Inventor after: Zhang Ke

Inventor after: Zhu Jianfei

Inventor before: Ji Yuze

Inventor before: Chen Wengang

Inventor before: Dong Jianjun

Inventor before: Tian Ruiming

Inventor before: Wang Xinrui

Inventor before: Zhang Ke

Inventor before: Zhu Jianfei

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant