CN114725944A - 一种电力电子化配电网源网荷优化运行控制方法及系统 - Google Patents

一种电力电子化配电网源网荷优化运行控制方法及系统 Download PDF

Info

Publication number
CN114725944A
CN114725944A CN202210358174.XA CN202210358174A CN114725944A CN 114725944 A CN114725944 A CN 114725944A CN 202210358174 A CN202210358174 A CN 202210358174A CN 114725944 A CN114725944 A CN 114725944A
Authority
CN
China
Prior art keywords
load
power
node
distribution network
data
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
CN202210358174.XA
Other languages
English (en)
Inventor
童力
刘家齐
胡波
周金辉
吴栋萁
李芬
苏毅方
邵先军
王凯
邹旭东
李珺逸
柴卫健
梁海维
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.)
Huazhong University of Science and Technology
State Grid Zhejiang Electric Power Co Ltd
Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd
Shanghai Electric Power University
Original Assignee
Huazhong University of Science and Technology
State Grid Zhejiang Electric Power Co Ltd
Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd
Shanghai Electric Power University
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 Huazhong University of Science and Technology, State Grid Zhejiang Electric Power Co Ltd, Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd, Shanghai Electric Power University filed Critical Huazhong University of Science and Technology
Priority to CN202210358174.XA priority Critical patent/CN114725944A/zh
Publication of CN114725944A publication Critical patent/CN114725944A/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
    • 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
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • 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
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • 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
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • H02J3/144—Demand-response operation of the power transmission or distribution network
    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种电力电子化配电网源网荷优化运行控制方法及系统。本发明的一种电力电子化配电网源网荷优化运行控制方法，其包括以下步骤：首先搭建全连接神经网络模型以对光伏发电系统的日前出力进行预测；其次将配电网历史数据作为输入，建立电力电子化配电网协调优化模型，用粒子群优化算法求解得到智能设备最优控制策略作为训练集；之后搭建全连接神经网络和卷积神经网络对训练集中的连续和离散设备的控制策略进行训练；最后用负荷需求日比率计算得到日前调度所需负荷数据，用训练好的网络来获取配电网日前分时段协调优化策略；通过上述方法可减少网损并避免节点电压越限，保障网络安全稳定运行。

Description

一种电力电子化配电网源网荷优化运行控制方法及系统
技术领域
本发明涉及配电网优化控制领域，具体地说是一种电力电子化配电网源网荷优化运行控制方法及系统。
背景技术
随着“双碳”政策的提出，近年来我国分布式光伏发展迅速，多省份形成了“点多面广，局部高密度并网”的发展态势，高渗透率的分布式电源改变了中低压配电网的潮流和电压分布，部分地区出现功率倒送、电压越限以及网损增加的现象。
通过有效统筹控制系统内的各个智能设备的运行，能够达到减小网损、保证系统节点电压不越限的作用。因此，研究一种电力电子化配电网“源网荷”协调优化运行策略对于增大配电网新能源消纳程度、促进“双碳”背景下的电力系统转型具有重要意义。
配电网协调控制优化是降低网损，确保系统电压质量的重要手段，遗传算法等启发式人工智能算法在处理配电网优化这种复杂的问题时可以协调多种智能控制设备，过往研究中使用较多，但由于启发式算法优化时需要反复进行潮流计算，所以时间成本较大。同时目前配电网电力电子化程度不断增加，如何协调发电预测、日前负荷数据获取、日前优化控制以建立一个电力电子化配电网源网荷优化运行控制方法也是一个重要问题。
发明内容
针对上述现有技术存在的缺陷，本发明的目的在于提供一种构建全连接神经网络模型来预测日前光伏出力信息；根据配电网协调优化控制模型输出的协调优化控制策略，构建全连接神经网络的回归模型、卷积网络的分类模型分别对网络中连续可调设备以及离散可调设备进行训练，形成对应设备的控制模型，从而加速了日前协调优化模型的调度决策的获取；通过用户负荷需求日比率能在日前更加快速方便的获得配电网的负荷分布；从而建立一种完整的从数据预测与获取到调度加速再到日前优化方案获取的方法，实现了对含分布式电源电力电子化配电网网损和节点电压质量有效控制，并且能有效提高了计算效率，方案简单，实的电力电子化配电网源网荷优化运行控制方法及系统。
为实现上述目的，本发明采用的第一种技术方案为：
一种电力电子化配电网源网荷优化运行控制方法，包括以下步骤：
S1：搭建全连接神经网络模型对日前协调优化所需光伏发电系统出力数据进行预测，得到光伏出力预测数据；
S2：搭建以有功网损和电压偏差最小为目标函数的配电网协调优化控制模型；
S3：获取历史配电网负荷数据和光伏历史出力数据，并采用粒子群算法对S2中的配电网协调优化控制模型进行求解，得到所对应的协调优化控制策略；
S4：根据S3中的协调优化控制策略，分别构建全连接神经网络的回归模型、卷积网络的分类模型，用于控制可调设备的输出；
所述回归模型，将S3中的协调优化控制策略中的连续变量作为标签值，用于控制连续可调设备；
所述分类模型，将S3中的协调优化控制策略中的离散变量作为标签值，用于控制离散可调设备；
S5：通过用户负荷需求日比率来计算一天内的各个节点的负荷从而获得协调优化控制所需负荷数据，并结合S1中获得的光伏出力预测数据，作为神经网络的特征量，输入到S2中配电网协调优化控制模型中，得到日前分时段协调优化控制策略；再结合S4中的回归模型、分类模型，对配电网中的连续可调设备、离散可调设备进行优化策略控制，从而能够在日前最大可能的减小系统网损并确保节点电压在可接受范围内，保障了系统安全稳定运行。
本发明经过不断探索以及试验，构建全连接神经网络模型来预测日前光伏出力信息；根据配电网协调优化控制模型输出的协调优化控制策略，构建全连接神经网络的回归模型、卷积网络的分类模型分别对网络中连续可调设备以及离散可调设备进行训练，形成对应设备的控制模型，从而加速了日前协调优化模型的调度决策的获取；通过用户负荷需求日比率能在日前更加快速方便的获得配电网的负荷分布；从而建立一种完整的从数据预测与获取到调度加速再到日前优化方案获取的方法，实现了对含分布式电源电力电子化配电网网损和节点电压质量有效控制，并且能有效提高了计算效率，方案简单，实用。
作为优选技术措施：
所述可调设备包括静止无功发生器、投切电容器组及变压器抽头，
所述的静止无功发生器为连续可调设备，投切电容器组及变压器抽头为离散可调设备。
作为优选技术措施：所述S1中的光伏发电系统出力数据预测步骤如下：
S11：计算历史光伏数据集中历史天气信息中各个特征值和对应时刻的光伏发电系统的出力值之间的最大信息系数MIC值，以找到各个特征值和光伏出力之间的相关性的强度；
S12：根据S1所计算的各个特征变量和光伏出力值之间的最大信息系数MIC值，选出最大信息系数MIC较高的特征变量作为神经网络输入所需要的特征值，并对特征值进行标准化处理以消除量纲，结合历史光伏出力数据得到日前光伏出力预测所需训练集；
S13：搭建包括1层输入层、2层全连接层、1层输出层的全连接神经网络对S12步骤所得的训练集进行训练，采用梯度下降优化算法Adam对全连接神经网络中的权值和偏置进行求解，对于全连接神经网络模型，使用平均绝对误差mae来衡量模型的预测误差，全连接神经网络模型的具体参数为：
输入层：有N个单元，每个单元用于接受一个特征值的数据；
隐含层：包括两个全连接层，每一个全连接层的单元数均为64，激活函数为ReLU函数；
输出层：输出层含有一个单元，不需要设置激活函数；
S14：将根据S13中全连接神经网络模型预测得到的数据，按小时进行划分，取平均值以得到一天内每小时的光伏出力预测数据作为日前优化所需要的光伏出力数据集。
作为优选技术措施：
所述S2中的配电网协调优化控制模型，其包括构建目标函数、设置潮流约束条件、构建控制变量约束条件、建立系统安全约束；
目标函数的目标为有功网损和节点电压偏差最小，其具体的构建方法如下：
minf＝fploss+Zfu；
Z为节点电压偏差的权重系数；
其中有功网损的计算公式如下：
Figure BDA0003582829560000041
式中n为网络节点数；Gij为节点导纳矩阵的实部；Bij为节点导纳矩阵的虚部；δij为节点i和节点j的电压相角差；
节点电压偏差的计算公式如下：
Figure BDA0003582829560000042
式中n为网络节点数；Δui为节点i和节点电压边界值的差；umax和umin为节点电压边界值；
潮流约束条件的计算公式如下：
Figure BDA0003582829560000043
式中N为节点数；PGi和QGi为节点i电源注入的有功和无功；Ui和Uj为节点i和节点j的节点电压；Gij和Bij为节点导纳矩阵的实部和虚部；δij为节点i和节点j的电压相位角之差；PDi和QDi为节点i的负荷有功和无功；PDGi和QDGi为节点i分布式电源注入有功和无功；Qci为节点i的所有无功补偿量；
控制变量约束条件的计算公式如下：
Figure BDA0003582829560000044
式中
Figure BDA0003582829560000045
和
Figure BDA0003582829560000046
为静止无功补偿器的无功补偿上下限制，当为负时表示吸收无功，为正时为发出无功；Ktmin和Ktmax为变压器抽头的挡位限制；QC1为单组投切电容器的容量；QCmax为投切电容器最大容量；t和tmax为投切电容器当前挡位和最高挡位；
系统安全约束的计算公式如下：
Figure BDA0003582829560000051
式中
Figure BDA0003582829560000052
和
Figure BDA0003582829560000053
为节点i电压允许的上下限制。
作为优选技术措施：
所述S3中的粒子群算法，其包括以下内容：
S31：获取配电网历史负荷数据和光伏历史出力信息，进行潮流计算获得目标函数的值以作为粒子适应度计算函数；分布式光伏系统通过电流控制逆变器接入电网，在潮流计算中视为PI节点，有功为历史光伏发电数据所得到，无功功率通过下式计算得出：
Figure BDA0003582829560000054
ek+jfk＝Uk
式中Qk+1为第k+1次迭代的分布式电源的无功功率值；ek、fk为第k次迭代得到的电压实部和虚部，j为虚数代号，Uk为第k次迭代时的节点电压；I为恒定的分布式电源的电流向量幅值；P为已知的恒定有功功率；
在每次迭代前求出光伏发电系统的无功输出功率，将PI节点转化为PQ节点用于潮流计算；
S32：将优化变量中的离散变量按排列组合的方法罗列出所有的组合情况，在每种情况下采用粒子群算法分别对连续变量迭代求解；
S33：初始化粒子群算法的参数和粒子的速度与位置，粒子的位置为静止无功补偿器的输出功率，设置粒子群算法的约束条件，包括静止无功发生器的极限输出功率，计算种群的各个粒子初始适应度；
S34：设置个体最优和群体最优，个体最优为个体在计算中得到适应度最优的位置，群体最优为种群中所有粒子搜索到的适应度最优位置，粒子每更新一次就计算一次适应度，并更新群体最优和个体最优位置；
S35：在每次迭代中粒子通过个体极值和群体极值并结合惯性权重以更新自身的速度和位置，由于较小的惯性权重利于局部搜索，较大的惯性权重利于全局搜索，为了平衡算法的局部和全局搜索能力，采用线性惯性权重的一种经验公式，其如下所示：
Figure BDA0003582829560000061
式中wstar为初始惯性权重；wend为迭代到最大次数时的惯性权重；k为当前迭代代数；Tmax为最大迭代代数；
S36：直到迭代结束，输出在各种离散变量组合下的静止无功补偿器的补偿结果，比较每种结果并选出适应度最好的结果作为最优控制策略。
作为优选技术措施：
所述S4中，回归模型的构建方法如下：
S41：将配电网历史负荷数据和光伏系统出力数据标准化处理消除量纲后作为特征值输入，单个静止无功补偿器的优化结果作为模型的输出；
S42：搭建包括1层输入层、2层全连接层、1层输出层的全连接神经网络，采用梯度下降优化算法Adam算法对全连接神经网络中的权值和偏置进行求解，加入Dropout层并采用L1正则化以减少过拟合；
回归模型的参数如下：
输入层：有N个单元，每个单元用于接受一个特征值的数据；
第一个全连接层：有64个单元，激活函数为ReLU函数；
第二个全连接层：有64个单元，激活函数为ReLU函数；
输出层：输出层含有一个单元，输出单个SVC的结果。
作为优选技术措施：
所述分类模型的构建方法如下：
步骤41：将单台离散设备的调度结果作为标签输出，将配电网历史负荷数据和光伏出力数据构成矩阵数据，将矩阵数据输入到卷积层中进行卷积操作以提取特征，此外由于输入的矩阵数据尺寸远小于一般图片数据，因此不需要连接池化层，直接采用扁平层把输入数据转化为一维向量用于后续网络做分类任务；
步骤42：构建包括1层输入层、1层卷积层、1层扁平层和2层全连接层的卷积神经网络模型，使用RMSprop梯度下降算法对网络参数进行迭代求解；
分类模型的参数如下：
输入层：将负荷和光伏出力数据表示为输入数据，并指定数据尺寸；
卷积层：卷积核个数为32，用ReLU作为激活函数，卷积核尺寸为3*3；
扁平层：将卷积层输出的矩阵转化为一维向量以便后续全连接层做分类任务；
第一层全连接层：有64个单元，激活函数为ReLU；
第二层全连接层：单元数为单个离散变量所有可能的值的个数，激活函数采用用于多分类任务的Softmax函数。
作为优选技术措施：
S5中，使用用户负荷需求日比率来计算日前调度所需负荷数据的计算方法如下：
以用户负荷需求日比率来描述用户负荷的需求，负荷需求日比率为一天24h内各类用户负荷所占该节点总共负荷的比率，配电网每个节点的负荷分为商业负荷、居民负荷和工业负荷3类，且在没有特殊因素的干扰下可以认为每类用户的用电负荷日比率是相对固定的，则对于一个给定的配电网结构，时间点t在节点i处的负荷计算公式如下：
Figure BDA0003582829560000071
式中：K代表负荷的类型，1表示商业负荷，2表示居民负荷，3表示工业负荷；pi0表示节点i处的额定负荷功率；rK，i表示第K种负荷占节点i的负荷比率系数，其随着节点的不同而变化；mK，j为第K种负荷在第j时刻的负荷需求日比率系数，其随着时间的不同而变化。
为实现上述目的，本发明采用的第二种技术方案为：
一种电力电子化配电网源网荷优化运行控制系统，应用上述的一种电力电子化配电网源网荷优化运行控制方法；
其包括光伏发电系统出力预测模块、电力电子化配电网协调优化控制策略获取模块、日前设备协调优化控制模型训练模块、配电网协调优化控制策略输出模块。
本发明通过光伏发电系统出力预测模块预测日前光伏出力信息；利用日前设备协调优化控制模型训练模块对网络中连续可调设备以及离散可调设备进行训练，形成对应设备的控制模型，从而加速了日前协调优化模型的调度决策的获取；将负荷日比率算法能在日前更加快速方便的获得配电网的负荷分布；通过建立一种完整的从数据预测与获取到调度加速再到日前优化方案获取的方法与系统实现了对含分布式电源电力电子化配电网网损和节点电压质量有效控制。
作为优选技术措施：
光伏发电系统出力预测模块：通过计算光伏历史数据特征和出力信息之间的最大信息系数MIC值来找到关系最强的特征值作为输入，搭建全连接神经网络预测模型以获取日前24小时光伏出力预测值；
电力电子化配电网协调优化控制策略获取模块：搭建基于分布式电源和多种智能控制设备的配电网协调优化控制模型并由粒子群算法进行求解以获得各设备的最优控制策略，用于后续各设备控制模型的训练；
日前设备协调优化控制模型训练模块：基于历史负荷和光伏数据的各智能设备最优控制策略训练对应的控制模型，其中连续可调设备使用全连接神经网络的回归模型，离散可调设备使用卷积神经网络的分类模型；
配电网协调优化控制策略输出模块：通过负荷日比率的方法在前一天计算得到24小时的负荷分布，各设备控制模型根据获得的负荷和预测得到的光伏出力快速响应获得电力电子化配电网日前协调优化分时段控制结果。
与现有技术相比，本发明具有以下的增益效果：
本发明经过不断探索以及试验，构建全连接神经网络模型来预测日前光伏出力信息；根据配电网协调优化控制模型输出的协调优化控制策略，构建全连接神经网络的回归模型、卷积网络的分类模型分别对网络中连续可调设备以及离散可调设备进行训练，形成对应设备的控制模型，从而加速了日前协调优化模型的调度决策的获取；通过用户负荷需求日比率能在日前更加快速方便的获得配电网的负荷分布；从而建立一种完整的从数据预测与获取到调度加速再到日前优化方案获取的方法，实现了对含分布式电源电力电子化配电网网损和节点电压质量有效控制，并且能有效提高了计算效率，方案简单，实用。
附图说明
图1为本发明提出的电力电子化配电网“源网荷”协调优化控制方法流程图；
图2为本发明应用例提供的原始IEEE33节点结构图；
图3为本发明应用例提供的光伏发电系统发电预测的结果；
图4为本发明应用例提供的负荷需求日比率和各节点负荷所占比率图；
图5为本发明应用例提供的优化前后的网损变化图；
图6为本发明应用例提供的优化实施后的节点电压分布图。
具体实施方式
为了更加清楚的说明本发明的技术方案以及优点，以下结合附图以及实施例，对本发明进行进一步的详细说明。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1
如图1所示，一种电力电子化配电网源网荷优化运行控制方法，包括以下步骤：
S1：搭建全连接神经网络模型对日前协调优化所需光伏发电系统出力数据进行预测。
光伏发电数据预测的步骤如下：
S11：计算历史光伏数据集中历史天气信息中各个特征值和对应时刻的光伏发电系统的出力值之间的最大信息系数MIC(最大信息系数)值，以找到各个特征值和光伏出力之间的相关性的强度。
当数据量足够大时，最大信息系数MIC的计算公式如下：
Figure BDA0003582829560000091
Figure BDA0003582829560000092
其中x为每个天气特征值变量，y为对应时刻光伏出力信息，X，Y为把变量x，y量化为散点图后的等量分割，p(X，Y)为联合概率密度函数，B为数据总量的0.55次方。
S12：根据S1所计算的各个特征变量和光伏出力值之间的最大信息系数MIC值选出最大信息系数MIC较高的特征变量作为神经网络输入所需要的特征值，并对特征值进行标准化处理以消除量纲，结合历史光伏出力数据得到日前光伏出力预测所需训练集。
标准化处理的计算公式为：
X＝(X-mean)/std
式中X为每一个特征值的数据，mean为平均值，std为方差，需要强调的是，在对训练集和测试集处理的时候，在对测试集数据进行标准化时直接使用在训练集中计算得到的均值和方差即可。
S13：搭建包括1层输入层、2层全连接层、1层输出层的全连接神经网络对S12步骤所得的数据进行训练，采用梯度下降优化算法Adam算法对全连接神经网络中的权值和偏置进行求解，对于得到的模型，使用平均绝对误差mae来衡量模型的预测误差，模型的具体参数为：
输入层：有N个单元，每个单元用于接受一个特征值的数据。
隐含层：包括两个全连接层，每一个全连接层的单元数均为64，激活函数为ReLU函数。
输出层：输出层含有一个单元，不需要设置激活函数。
S14：将预测得到的数据按小时进行划分，取平均值以得到一天内每小时的光伏出力预测数据作为日前优化所需要的光伏出力数据集。
S2：搭建以有功网损和电压偏差最小为目标函数的配电网协调优化模型。
配电网协调优化模型的构建方法如下：
S21：目标函数步骤为有功网损和节点电压偏差最小：
minf＝fploss+Zfu；Z为节点电压偏差的权重系数
其中有功网损的计算公式如下：
Figure BDA0003582829560000101
式中n为网络节点数；Gij为节点导纳矩阵的实部；Bij为节点导纳矩阵的虚部；δij为节点i和节点j的电压相角差。
节点电压偏差的计算公式如下：
Figure BDA0003582829560000111
式中n为网络节点数；Δui为节点i和节点电压边界值的差；umax和umin为节点电压边界值。
S22：潮流约束条件步骤为：
Figure BDA0003582829560000112
式中N为节点数；PGi和QGi为节点i电源注入的有功和无功；Ui和Uj为节点i和节点j的节点电压；Gij和Bij为节点导纳矩阵的实部和虚部；δij为节点i和节点j的电压相位角之差；PDi和QDi为节点i的负荷有功和无功；PDGi和QDGi为节点i分布式电源注入有功和无功；Qci为节点i的所有无功补偿量。
S23：控制变量约束条件步骤为：
Figure BDA0003582829560000113
式中
Figure BDA0003582829560000114
和
Figure BDA0003582829560000115
为静止无功补偿器的无功补偿上下限制，当为负时表示吸收无功，为正时为发出无功；Kt min和Kt max为变压器抽头的挡位限制；QC1为单组投切电容器的容量；QCmax为投切电容器最大容量；t和tmax为投切电容器当前挡位和最高挡位。
S24：系统安全约束步骤为：
Figure BDA0003582829560000116
式中
Figure BDA0003582829560000117
和
Figure BDA0003582829560000118
为节点i电压允许的上下限制。
S3：采用粒子群算法对S2的模型进行求解，将配电网历史数据作为输入得到所对应的协调优化控制策略。
粒子群算法包括以下内容：
S31：获取配电网历史负荷数据和光伏历史出力信息，进行潮流计算获得S21步骤中目标函数的值以作为粒子适应度计算函数，需要说明的是，在进行潮流计算时，分布式光伏系统视为通过电流控制逆变器接入电网，在潮流计算中视为PI节点，有功为历史光伏发电数据所得到，无功功率通过下式计算得出：
Figure BDA0003582829560000121
ek+jfk＝Uk
式中Qk+1为第k+1次迭代的分布式电源的无功功率值；ek、fk为第k次迭代得到的电压实部和虚部，j为虚数代号，Uk为第k次迭代时的节点电压；I为恒定的分布式电源的电流向量幅值；P为已知的恒定有功功率。
通过上述方法可以在每次迭代前将光伏发电系统的无功注入大小求出从而将PI节点转化为PQ节点用于潮流计算。
S32：将优化变量中的离散变量按排列组合的方法罗列出所有的组合情况，在每种情况下分别进行对连续变量的粒子群算法迭代求解。
S33：初始化粒子群算法的参数和粒子的速度和位置，粒子的位置为静止无功补偿器的输出功率，设置粒子群算法的约束条件，包括静止无功发生器的极限输出功率，计算种群的各个粒子初始适应度。
粒子速度初始化为0，粒子的位置按照在无功补偿上下限制中取一个随机值来作为粒子的初始位置。
S34：设置个体最优和群体最优，个体最优为个体在计算中得到适应度最优的位置，群体最优为种群中所有粒子搜索到的适应度最优位置，粒子每更新一次就计算一次适应度，并更新群体最优和个体最优位置。
S35：在每次迭代中粒子通过个体极值和群体极值并结合惯性权重等参数以更新自身的速度和位置，由于较小的惯性权重利于局部搜索，较大的惯性权重利于全局搜索，为了平衡算法的局部和全局搜索能力，这里采用线性惯性权重的一种经验公式，其如下所示：
Figure BDA0003582829560000131
式中wstar为初始惯性权重；wend为迭代到最大次数时的惯性权重；k为当前迭代代数，Tmax为最大迭代代数。
粒子按照下述公式更新自身的速度和位置：
vt+1＝wvt+c1r1(Pt-xt)+c2r2(Gt-xt)
xt+1＝xt+vt+1
式中x表示粒子的位置；v表示粒子的速度；w为惯性权重；c1、c2为加速权重常数；r1、r2为[0，1]之间的随机数；Pt为粒子迄今为止搜索到的最优位置；Gt为整个粒子群迄今为止搜索到的最优位置。
此外当粒子的速度和位置发生越界时，按照取边界值处理。
S36：直到迭代结束，输出在各种离散变量组合下的静止无功补偿器的补偿结果，比较每种结果并选出适应度最好的结果作为最优控制策略。
S4：将历史配电网负荷数据以及光伏发电系统出力数据归一化处理后作为神经网络的特征输入，将S3中的无功优化策略中的连续变量作为标签值，搭建全连接神经网络的回归模型；将S3中的无功优化策略中的离散变量作为标签值，搭建卷积网络的分类模型。
对连续变量和离散变量的模型训练包括以下步骤：
S41：将配电网历史负荷数据和光伏系统出力数据标准化处理消除量纲后作为特征值输入，单个静止无功补偿器的优化结果作为模型的输出。
S42：搭建包括1层输入层、2层全连接层、1层输出层的全连接神经网络，采用梯度下降优化算法Adam算法对全连接神经网络中的权值和偏置进行求解，并加入Dropout层并采用L1正则化以减少过拟合，模型参数如下：
输入层：有N个单元，每个单元用于接受一个特征值的数据。
第一个全连接层：有64个单元，激活函数为ReLU函数；
第二个全连接层：有64个单元，激活函数为ReLU函数；
输出层：输出层只含有一个单元，输出单个SVC的结果；
S43：将单台离散设备的调度结果作为标签输出，将配电网历史负荷数据和光伏出力数据构成矩阵数据，将矩阵数据输入到卷积层中进行卷积操作以特征，此外由于输入的矩阵数据尺寸远小于一般图片数据，因此不需要连接池化层，直接采用扁平层把输入数据转化为一维向量用于后续网络做分类任务。
S44：构建包括1层输入层、1层卷积层、1层扁平层和2层全连接层的卷积神经网络模型，使用RMSprop梯度下降算法对网络参数进行迭代求解，模型参数如下：
输入层：将负荷和光伏出力数据表示为输入数据，并指定数据尺寸；
卷积层：卷积核个数为32，用ReLU作为激活函数，卷积核尺寸为3*3；
扁平层：将卷积层输出的矩阵转化为一维向量以便后续全连接层做分类任务；
第一层全连接层：有64个单元，激活函数为ReLU；
第二层全连接层：单元数为单个离散变量所有可能的值的个数，激活函数采用用于多分类任务的Softmax函数。
S5：通过用户负荷需求日比率来计算一天内的各个节点的负荷从而获得日前调度所需负荷数据，再结合S1中获得的光伏处理数据和S4中的模型可加速获取24小时的日前分时段协调优化控制策略。
使用用户负荷需求日比率来计算日前优化控制所需负荷数据的计算方式如下：
本发明以用户负荷需求日比率来描述用户负荷的需求，负荷需求日比率就是一天24h内各类用户负荷所占该节点总共负荷的比率，配电网每个节点的负荷一般可以分为商业负荷、居民负荷和工业负荷3类，且在没有特殊因素的干扰下可以认为每类用户的用电负荷日比率是相对固定的，则对于一个给定的配电网结构，时间点t在节点i处的负荷可以表示为：
Figure BDA0003582829560000141
式中：K代表负荷的类型，1表示商业负荷，2表示居民负荷，3表示工业负荷；pi0表示节点i处的额定负荷功率；rK，i表示第K种负荷占节点i的负荷比率系数，其随着节点的不同而变化；mK，j为第K种负荷在第j时刻的负荷需求日比率系数，其随着时间的不同而变化。
实时例2
本实施例提供了一种电力电子化配电网源网荷优化运行控制系统，其包括光伏发电系统出力预测模块、电力电子化配电网协调优化控制策略获取模块、日前设备协调优化控制模型训练模块、配电网协调优化控制策略输出模块。
光伏发电系统出力预测模块：通过计算光伏历史数据特征和出力信息之间的最大信息系数MIC值来找到关系最强的特征值作为输入，搭建全连接神经网络预测模型以获取日前24小时光伏出力预测值。
电力电子化配电网协调优化控制策略获取模块：搭建含分布式电源和多种智能控制设备的配电网协调优化模型并由粒子群算法进行求解以获得各设备的最优控制策略，用于后续各设备控制模型的训练。
日前设备协调优化控制模型训练模块：基于历史负荷和光伏数据的各智能设备最优控制策略训练对应的控制模型，其中连续可调设备使用全连接神经网络的回归模型，离散可调设备使用卷积神经网络的分类模型。
配电网协调优化控制策略输出模块：通过负荷日比率的方法在前一天计算得到24小时的负荷分布，各设备控制模型根据获得的负荷和预测得到的光伏出力快速响应获得含分布式电源的配电网日前协调优化分时段控制结果。
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电力电子化配电网源网荷优化运行控制方法，配电网结构为改进的IEEE33节点图，IEEE33节点原始图如图2所示，改进方法如下：分布式光伏安装在18号节点上，配电网中智能设备配置如表1所示：
表1
设备名称 安装节点编号 容量或者挡位
静止无功补偿器 5，15，31 -100-1000kvar
投切电容器组 6 每组100kvar，共6组
变压器 1 可调挡位为1±2*2.5％
为了验证发电预测方法的有效性，发电预测所采用的数据集为澳大利亚太阳能研发中心的光伏发电功率数据，其记录了三年内大部分月每天五分钟的光伏出力数据和包括太阳能辐射量、太阳能散射辐射量、天气温度、天气相对湿度、风速、风向、降雨量信息的影响因子数据；由于数据部分缺失但是该部分占比较小所以按照邻近数据填充的原则进行填充。
在对日前发电数据进行预测时，所计算得到的数据之间的最大信息系数MIC值为表2所示：
表2
特征 最大信息系数MIC
太阳能辐射量 0.985
太阳能散射辐射量 0.447
天气温度 0.287
天气相对湿度 0.277
风速 0.218
风向 0.142
降雨量 0.111
选用前六个最大信息系数MIC较高的特征作为全连接网络输入的特征值。
光伏发电系统预测的结果如图3所示，预测结果为五分钟一个值，共有一天288个预测数据。
粒子群算法的参数设置如表3所示：
表3
参数名称 数值
维数d 3
最大迭代次数T<sub>max</sub> 50
粒子个数N 50
初始惯性权重w<sub>star</sub> 0.9
结束惯性权重w<sub>end</sub> 0.4
学习因子c<sub>1</sub>，c<sub>2</sub> 2
最大粒子速度v<sub>max</sub> 2
计算日前协调优化所需各时段负荷需求日比率和各节点负荷所占比率见图4，其中a为33节点三类负荷所占的比率图，b为24小时中三类的负荷需求日比率图。
通过本发明所述的方法，优化前后的系统24小时网损变化如图5所示，可以看出，网损都有所下降，说明本发明所述方法在减少网损方面是有效的。
通过本发明所述的方法，优化后的系统24小时各节点电压如图6所示，可以看出，所有节点电压都在0.95-1.05之间，说明本发明所述方法在保证电压质量时是有效的。
由仿真结果可以看出本发明能够解决电力电子化配电网网损高，电压越限的问题，保障了其安全稳定运行。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、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 (10)

1.一种电力电子化配电网源网荷优化运行控制方法，其特征在于，包括以下步骤：
S1：搭建全连接神经网络模型对日前协调优化所需光伏发电系统出力数据进行预测，得到光伏出力预测数据；
S2：搭建以有功网损和电压偏差最小为目标函数的配电网协调优化控制模型；
S3：获取历史配电网负荷数据和光伏历史出力数据，并采用粒子群算法对S2中的配电网协调优化控制模型进行求解，得到所对应的协调优化控制策略；
S4：根据S3中的协调优化控制策略，分别构建全连接神经网络的回归模型、卷积网络的分类模型，用于控制可调设备的输出；
所述回归模型，将S3中的协调优化控制策略中的连续变量作为标签值，用于控制连续可调设备；
所述分类模型，将S3中的协调优化控制策略中的离散变量作为标签值，用于控制离散可调设备；
S5：通过用户负荷需求日比率来计算一天内的各个节点的负荷从而获得协调优化控制所需负荷数据，并结合S1中获得的光伏出力预测数据，作为神经网络的特征量，输入到S2中配电网协调优化控制模型中，得到日前分时段协调优化控制策略；再结合S4中的回归模型、分类模型，对配电网中的连续可调设备、离散可调设备进行优化策略控制。
2.如权利要求1所述的一种电力电子化配电网源网荷优化运行控制方法，其特征在于，
所述可调设备包括静止无功发生器、投切电容器组及变压器抽头，
所述的静止无功发生器为连续可调设备，投切电容器组及变压器抽头为离散可调设备。
3.如权利要求1所述的一种电力电子化配电网源网荷优化运行控制方法，其特征在于，所述S1中的光伏发电系统出力数据预测步骤如下：
S11：计算历史光伏数据集中历史天气信息中各个特征值和对应时刻的光伏发电系统的出力值之间的最大信息系数MIC值，以找到各个特征值和光伏出力之间的相关性的强度；
S12：根据S1所计算的各个特征变量和光伏出力值之间的最大信息系数MIC值，选出最大信息系数MIC较高的特征变量作为神经网络输入所需要的特征值，并对特征值进行标准化处理以消除量纲，结合历史光伏出力数据得到日前光伏出力预测所需训练集；
S13：搭建包括1层输入层、2层全连接层、1层输出层的全连接神经网络对S12步骤所得的训练集进行训练，采用梯度下降优化算法Adam对全连接神经网络中的权值和偏置进行求解，对于全连接神经网络模型，使用平均绝对误差mae来衡量模型的预测误差，全连接神经网络模型的具体参数为：
输入层：有N个单元，每个单元用于接受一个特征值的数据；
隐含层：包括两个全连接层，每一个全连接层的单元数均为64，激活函数为ReLU函数；
输出层：输出层含有一个单元，不需要设置激活函数；
S14：将根据S13中全连接神经网络模型预测得到的数据，按小时进行划分，取平均值以得到一天内每小时的光伏出力预测数据作为日前优化所需要的光伏出力数据集。
4.如权利要求1所述的一种电力电子化配电网源网荷优化运行控制方法，其特征在于，
所述S2中的配电网协调优化控制模型，其包括构建目标函数、设置潮流约束条件、构建控制变量约束条件、建立系统安全约束；
目标函数的目标为有功网损和节点电压偏差最小，其具体的构建方法如下：
min f＝fploss+Zfu；
Z为节点电压偏差的权重系数；
其中有功网损的计算公式如下：
Figure FDA0003582829550000021
式中n为网络节点数；Gij为节点导纳矩阵的实部；Bij为节点导纳矩阵的虚部；δij为节点i和节点j的电压相角差；
节点电压偏差的计算公式如下：
Figure FDA0003582829550000031
式中n为网络节点数；Δui为节点i和节点电压边界值的差；umax和umin为节点电压边界值；
潮流约束条件的计算公式如下：
Figure FDA0003582829550000032
式中N为节点数；PGi和QGi为节点i电源注入的有功和无功；Ui和Uj为节点i和节点j的节点电压；Gij和Bij为节点导纳矩阵的实部和虚部；δij为节点i和节点j的电压相位角之差；PDi和QDi为节点i的负荷有功和无功；PDGi和QDGi为节点i分布式电源注入有功和无功；Qci为节点i的所有无功补偿量；
控制变量约束条件的计算公式如下：
Figure FDA0003582829550000033
式中
Figure FDA0003582829550000035
和
Figure FDA0003582829550000036
为静止无功补偿器的无功补偿上下限制，当为负时表示吸收无功，为正时为发出无功；Ktmin和Ktmax为变压器抽头的挡位限制；QC1为单组投切电容器的容量；QCmax为投切电容器最大容量；t和tmax为投切电容器当前挡位和最高挡位；
系统安全约束的计算公式如下：
Figure FDA0003582829550000034
i＝1，2，…N；
式中
Figure FDA0003582829550000042
和
Figure FDA0003582829550000043
为节点i电压允许的上下限制。
5.如权利要求1所述的一种电力电子化配电网源网荷优化运行控制方法，其特征在于，
所述S3中的粒子群算法，其包括以下内容：
S31：获取配电网历史负荷数据和光伏历史出力信息，进行潮流计算获得目标函数的值以作为粒子适应度计算函数；分布式光伏系统通过电流控制逆变器接入电网，在潮流计算中视为PI节点，有功为历史光伏发电数据所得到，无功功率通过下式计算得出：
Figure FDA0003582829550000041
ek+jfk＝Uk
式中Qk+1为第k+1次迭代的分布式电源的无功功率值；ek、fk为第k次迭代得到的电压实部和虚部，j为虚数符号，Uk为第k次迭代时的节点电压；I为恒定的分布式电源的电流向量幅值；P为已知的恒定有功功率；
在每次迭代前求出光伏发电系统的无功输出功率，将PI节点转化为PQ节点用于潮流计算；
S32：将优化变量中的离散变量按排列组合的方法罗列出所有的组合情况，在每种情况下采用粒子群算法分别对连续变量迭代求解；
S33：初始化粒子群算法的参数和粒子的速度与位置，粒子的位置为静止无功补偿器的输出功率，设置粒子群算法的约束条件，包括静止无功发生器的极限输出功率，计算种群的各个粒子初始适应度；
S34：设置个体最优和群体最优，个体最优为个体在计算中得到适应度最优的位置，群体最优为种群中所有粒子搜索到的适应度最优位置，粒子每更新一次就计算一次适应度，并更新群体最优和个体最优位置；
S35：在每次迭代中粒子通过个体极值和群体极值并结合惯性权重以更新自身的速度和位置，采用线性惯性权重的一种经验公式，其如下所示：
Figure FDA0003582829550000051
式中wstar为初始惯性权重；wend为迭代到最大次数时的惯性权重；k为当前迭代代数；Tmax为最大迭代代数；
S36：直到迭代结束，输出在各种离散变量组合下的静止无功补偿器的补偿结果，比较每种结果并选出适应度最好的结果作为最优控制策略。
6.如权利要求1所述的一种电力电子化配电网源网荷优化运行控制方法，其特征在于，
所述S4中，回归模型的构建方法如下：
S41：将配电网历史负荷数据和光伏系统出力数据标准化处理消除量纲后作为特征值输入，单个静止无功补偿器的优化结果作为模型的输出；
S42：搭建包括1层输入层、2层全连接层、1层输出层的全连接神经网络，采用梯度下降优化算法Adam算法对全连接神经网络中的权值和偏置进行求解，加入Dropout层并采用L1正则化；
回归模型的参数如下：
输入层：有N个单元，每个单元用于接受一个特征值的数据；
第一个全连接层：有64个单元，激活函数为ReLU函数；
第二个全连接层：有64个单元，激活函数为ReLU函数；
输出层：输出层含有一个单元，输出单个SVC的结果。
7.如权利要求1所述的一种电力电子化配电网源网荷优化运行控制方法，其特征在于，
所述分类模型的构建方法如下：
步骤41：将单台离散设备的调度结果作为标签输出，将配电网历史负荷数据和光伏出力数据构成矩阵数据，将矩阵数据输入到卷积层中进行卷积操作以提取特征；直接采用扁平层把输入数据转化为一维向量用于后续网络做分类任务；
步骤42：构建包括1层输入层、1层卷积层、1层扁平层和2层全连接层的卷积神经网络模型，使用RMSprop梯度下降算法对网络参数进行迭代求解；
分类模型的参数如下：
输入层：将负荷和光伏出力数据表示为输入数据，并指定数据尺寸；
卷积层：卷积核个数为32，用ReLU作为激活函数，卷积核尺寸为3*3；
扁平层：将卷积层输出的矩阵转化为一维向量以便后续全连接层做分类任务；
第一层全连接层：有64个单元，激活函数为ReLU；
第二层全连接层：单元数为单个离散变量所有可能的值的个数，激活函数采用用于多分类任务的Softmax函数。
8.如权利要求1所述的一种电力电子化配电网源网荷优化运行控制方法，其特征在于，
S5中，使用用户负荷需求日比率来计算日前调度所需负荷数据的计算方法如下：
以用户负荷需求日比率来描述用户负荷的需求，负荷需求日比率为一天24h内各类用户负荷所占该节点总共负荷的比率，配电网每个节点的负荷分为商业负荷、居民负荷和工业负荷3类，对于一个给定的配电网结构，时间点t在节点i处的负荷计算公式如下：
Figure FDA0003582829550000061
式中：K代表负荷的类型，1表示商业负荷，2表示居民负荷，3表示工业负荷；pi0表示节点i处的额定负荷功率；rK，i表示第K种负荷占节点i的负荷比率系数，其随着节点的不同而变化；mK，j为第K种负荷在第j时刻的负荷需求日比率系数，其随着时间的不同而变化。
9.一种电力电子化配电网源网荷优化运行控制系统，其特征在于，
应用如权利要求1-8任一所述的一种电力电子化配电网源网荷优化运行控制方法；
其包括光伏发电系统出力预测模块、电力电子化配电网协调优化控制策略获取模块、日前设备协调优化控制模型训练模块、配电网协调优化控制策略输出模块。
10.如权利要求9所述的一种电力电子化配电网源网荷优化运行控制系统，其特征在于，
光伏发电系统出力预测模块：通过计算光伏历史数据特征和出力信息之间的最大信息系数MIC值来找到关系最强的特征值作为输入，搭建全连接神经网络预测模型以获取日前24小时光伏出力预测值；
电力电子化配电网协调优化控制策略获取模块：搭建基于分布式电源和多种智能控制设备的配电网协调优化控制模型并由粒子群算法进行求解以获得各设备的最优控制策略，用于后续各设备控制模型的训练；
日前设备协调优化控制模型训练模块：基于历史负荷和光伏数据的各智能设备最优控制策略训练对应的控制模型，其中连续可调设备使用全连接神经网络的回归模型，离散可调设备使用卷积神经网络的分类模型；
配电网协调优化控制策略输出模块：通过负荷日比率的方法在前一天计算得到24小时的负荷分布，各设备控制模型根据获得的负荷和预测得到的光伏出力快速响应获得电力电子化配电网日前协调优化分时段控制结果。
CN202210358174.XA 2022-04-06 2022-04-06 一种电力电子化配电网源网荷优化运行控制方法及系统 Pending CN114725944A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210358174.XA CN114725944A (zh) 2022-04-06 2022-04-06 一种电力电子化配电网源网荷优化运行控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210358174.XA CN114725944A (zh) 2022-04-06 2022-04-06 一种电力电子化配电网源网荷优化运行控制方法及系统

Publications (1)

Publication Number Publication Date
CN114725944A true CN114725944A (zh) 2022-07-08

Family

ID=82242445

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210358174.XA Pending CN114725944A (zh) 2022-04-06 2022-04-06 一种电力电子化配电网源网荷优化运行控制方法及系统

Country Status (1)

Country Link
CN (1) CN114725944A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115577864A (zh) * 2022-12-07 2023-01-06 国网浙江省电力有限公司金华供电公司 基于多模型组合运算的配网运行优化调度方法
CN116667369A (zh) * 2023-08-01 2023-08-29 国网山西省电力公司晋城供电公司 一种基于图卷积神经网络的分布式光伏电压控制方法
CN117933099A (zh) * 2024-03-21 2024-04-26 深圳市智仁科技有限公司 一种主板电源的输出方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115577864A (zh) * 2022-12-07 2023-01-06 国网浙江省电力有限公司金华供电公司 基于多模型组合运算的配网运行优化调度方法
CN115577864B (zh) * 2022-12-07 2023-04-07 国网浙江省电力有限公司金华供电公司 基于多模型组合运算的配电网运行优化调度方法
CN116667369A (zh) * 2023-08-01 2023-08-29 国网山西省电力公司晋城供电公司 一种基于图卷积神经网络的分布式光伏电压控制方法
CN116667369B (zh) * 2023-08-01 2023-10-31 国网山西省电力公司晋城供电公司 一种基于图卷积神经网络的分布式光伏电压控制方法
CN117933099A (zh) * 2024-03-21 2024-04-26 深圳市智仁科技有限公司 一种主板电源的输出方法
CN117933099B (zh) * 2024-03-21 2024-06-07 深圳市智仁科技有限公司 一种主板电源的输出方法

Similar Documents

Publication Publication Date Title
CN110059878B (zh) 基于cnn lstm光伏发电功率预测模型及其构建方法
CN114725944A (zh) 一种电力电子化配电网源网荷优化运行控制方法及系统
CN112733462B (zh) 一种结合气象因素的超短期风电场功率预测方法
CN103489038A (zh) 基于lm-bp神经网络的光伏超短期功率预测方法
Albert et al. A remote diagnosis using variable fractional order with reinforcement controller for solar-MPPT intelligent system
CN113363998B (zh) 一种基于多智能体深度强化学习的配电网电压控制方法
CN107147152A (zh) 新能源配电网多类型有功无功源协同优化配置方法及系统
Ghanbarzadeh et al. Solar radiation forecasting based on meteorological data using artificial neural networks
Zhao et al. Deep learning based model-free robust load restoration to enhance bulk system resilience with wind power penetration
CN112418496B (zh) 一种基于深度学习的配电台区储能配置方法
CN114298140A (zh) 一种考虑机组分类的风电短期功率预测校正方法
Li et al. Active distribution network operational optimization problem: A multi-objective tuna swarm optimization model
Masero et al. A fast implementation of coalitional model predictive controllers based on machine learning: Application to solar power plants
CN113344283B (zh) 基于边缘智能的能源互联网新能源消纳能力评估方法
Huang et al. Short-term load forecasting based on a hybrid neural network and phase space reconstruction
CN112215478B (zh) 光储电站的功率协调控制方法和装置、存储介质
CN108038518A (zh) 一种基于气象数据的光伏发电功率确定方法及系统
CN111798037A (zh) 一种基于堆叠式极限学习机框架的数据驱动最优潮流计算方法
CN116681154A (zh) 一种基于emd-ao-delm的光伏功率计算方法
Wang et al. Prediction intervals for short-term photovoltaic generation forecasts
Ghazi et al. Dandelion optimizer-based reinforcement learning techniques for MPPT of grid-connected photovoltaic systems
CN114580298A (zh) 一种基于rbf-isbo的微电网优化调度方法及系统
CN113988403A (zh) 一种电动汽车充电负荷预测方法及系统
Wang et al. Ultra-short-term forecast of photovoltaic power based on vmd error correction and cnn-gru-am
CN112036672A (zh) 一种基于迭代订正的新能源发电超短期功率预测方法及系统

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