CN114841597A - 基于多智能算法的高渗透率新能源配电网评估方法及装置 - Google Patents
基于多智能算法的高渗透率新能源配电网评估方法及装置 Download PDFInfo
- Publication number
- CN114841597A CN114841597A CN202210549925.6A CN202210549925A CN114841597A CN 114841597 A CN114841597 A CN 114841597A CN 202210549925 A CN202210549925 A CN 202210549925A CN 114841597 A CN114841597 A CN 114841597A
- Authority
- CN
- China
- Prior art keywords
- distribution network
- power distribution
- state estimation
- network state
- weight
- 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
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 20
- 241001481710 Cerambycidae Species 0.000 claims abstract description 65
- 238000000034 method Methods 0.000 claims abstract description 48
- 230000002068 genetic effect Effects 0.000 claims abstract description 32
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000005259 measurement Methods 0.000 claims description 80
- 230000008569 process Effects 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 7
- 230000035699 permeability Effects 0.000 claims description 2
- 230000004927 fusion Effects 0.000 abstract description 5
- 239000000243 solution Substances 0.000 description 20
- 230000007547 defect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002969 morbid Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开一种基于多智能算法的高渗透率新能源配电网评估方法及装置,考虑配电网状态复杂多变的特点,利用智能算法之间的优势互补理论,得到基于多智能优化算法的配电网状态估计值。所述方法包括:首先设计配电网状态估计函数用于目标优化,利用遗传算法修改所述配电网状态估计函数中的差值权重,得到第一配电网状态估计值;利用天牛须优化算法修改所述配电网状态估计函数中的差值权重,得到第二配电网状态估计值;确定所述第一配电网状态估计值的权值和所述第二配电网状态估计值的权值并进行加权计算,得到配电网状态估计值。采用本发明,通过对两种算法得到的配电网状态估计值进行加权融合,快速获得高精度的配电网状态估计值。
Description
技术领域
本发明涉及电网运维技术领域,尤其涉及一种基于多智能算法的高渗透率新能源配电网评估方法及装置。
背景技术
基于节点电压的配电网络状态估计是最早采用的方法,以节点电压为状态量,通过不断选代,建立实时量测和伪量测之间的映射关系,实现对电网状态的估计。然而该类方法的迭代时间长,执行效率低,而且需要大量的储存空间,局限性比较明显。基于支路电流法的配电网络状态是最成熟的估计方法,以支路电流为状态量,根据电流实量测和伪量测进行状态估计,但该方法不能体现电网的电抗特性,甚至会出现病态收敛的结果。基于支路功率法将功率作为状态量实现状态估计,但无法适应节点注入型的量测。
基于智能算法的配电网络状态方法是最近才兴起的方法,主要有:粒子群算法,神经网络、遗传算法以及蚁群算法等。然而配电网状态估计是一个典型的NP难题,上述智能算法存在收敛速度慢、估计误差大等缺陷,且单个算法无法满足电网复杂多变的难以获得高精度的配电网状态估计值。
发明内容
本发明实施例提供一种配电网状态估计方法及装置,通过对两种算法得到的配电网状态估计值进行加权融合,快速获得高精度的配电网状态估计值。
为实现上述目的,本申请实施例的第一方面提供了一种配电网状态估计方法,包括:
获取高渗透率新能源配电网系统的实时测量数据与伪测量数据;所述实时测量数据通过测量装置采集得到,所述伪测量数据根据用户历史用电数据得到;
根据每个所述伪测量数据中量测量与每个所述实时测量数据中对应量测量的差值、每个差值对应的差值权重,建立配电网状态估计函数;
利用遗传算法修改所述配电网状态估计函数中的差值权重,得到第一配电网状态估计值;
利用天牛须优化算法修改所述配电网状态估计函数中的差值权重,得到第二配电网状态估计值;
确定所述第一配电网状态估计值的权值和所述第二配电网状态估计值的权值并进行加权计算,得到配电网状态估计值。
在第一方面的一种可能的实现方式中,所述配电网状态估计函数,具体为:
在第一方面的一种可能的实现方式中,所述利用遗传算法修改所述配电网状态估计函数中的差值权重,得到第一配电网状态估计值,具体包括:
初始化遗传算法的种群,并设置各项基本参数;
根据配电网状态估计结果与实测数据之间的误差确定每一个个体的适应度值,并找到适应度值大于预设阈值的个体作为优秀个体保存;
将所述优秀个体放入新的种群,并对部分个体进行交叉和变异操作,保留适应度值大于预设阈值的个体组成新的种群,直至达到最大进化代数;
根据新的种群中的个体,修改所述配电网状态估计函数中的差值权重,得到第一配电网状态估计值。
在第一方面的一种可能的实现方式中,所述利用天牛须优化算法修改所述配电网状态估计函数中的差值权重,得到第二配电网状态估计值,具体包括:
初始化天牛须算法的种群数量、解的空间维度、最大迭代次数、初始步长、步长衰减因子、狩猎空间和位置信息;
确定天牛左须与右须的位置,根据算法距离更新天牛的位置;
计算天牛位置的适应度函数并存储,更新步长,直至适应度函数收敛;
根据天牛最后所处位置确定全局最优解,并根据所述全局最优解修改所述配电网状态估计函数中的差值权重,得到第二配电网状态估计值。
在第一方面的一种可能的实现方式中,所述确定所述第一配电网状态估计值的权值和所述第二配电网状态估计值的权值,具体包括:
采用层次分析法和熵值法分别确定所述第一配电网状态估计值的权值和所述第二配电网状态估计值的权值。
本申请实施例的第二方面提供了一种配电网状态估计装置,包括:
数据获取模块,用于获取高渗透率新能源配电网系统的实时测量数据与伪测量数据;所述实时测量数据通过测量装置采集得到,所述伪测量数据根据用户历史用电数据得到;
函数建立模块,用于根据每个所述伪测量数据中量测量与每个所述实时测量数据中对应量测量的差值、每个差值对应的差值权重,建立配电网状态估计函数;
遗传算法模块,用于利用遗传算法修改所述配电网状态估计函数中的差值权重,得到第一配电网状态估计值;
天牛须算法模块,用于利用天牛须优化算法修改所述配电网状态估计函数中的差值权重,得到第二配电网状态估计值;
评估模块,用于确定所述第一配电网状态估计值的权值和所述第二配电网状态估计值的权值并进行加权计算,得到配电网状态估计值。
在第二方面的一种可能的实现方式中,所述配电网状态估计函数,具体为:
在第二方面的一种可能的实现方式中,所述遗传算法模块,具体用于:
初始化遗传算法的种群,并设置各项基本参数;
根据配电网状态估计结果与实测数据之间的误差确定每一个个体的适应度值,并找到适应度值大于预设阈值的个体作为优秀个体保存;
将所述优秀个体放入新的种群,并对部分个体进行交叉和变异操作,保留适应度值大于预设阈值的个体组成新的种群,直至达到最大进化代数;
根据新的种群中的个体,修改所述配电网状态估计函数中的差值权重,得到第一配电网状态估计值。
在第二方面的一种可能的实现方式中,所述天牛须算法模块,具体用于:
初始化天牛须算法的种群数量、解的空间维度、最大迭代次数、初始步长、步长衰减因子、狩猎空间和位置信息;
确定天牛左须与右须的位置,根据算法距离更新天牛的位置;
计算天牛位置的适应度函数并存储,更新步长,直至适应度函数收敛;
根据天牛最后所处位置确定全局最优解,并根据所述全局最优解修改所述配电网状态估计函数中的差值权重,得到第二配电网状态估计值。
在第二方面的一种可能的实现方式中,所述确定所述第一配电网状态估计值的权值和所述第二配电网状态估计值的权值,具体包括:
采用层次分析法和熵值法分别确定所述第一配电网状态估计值的权值和所述第二配电网状态估计值的权值。
相比于现有技术,本发明实施例提供的一种配电网状态估计方法及装置,通过初始化遗传算法的种群,并对交叉、变异等参数值进行设置,根据配电网状态估计结果与实测量之间的误差确定每一个个体的适应度值,并找到最优个体,将其保存起来。将部分较好的个体直接选择到新的种群,并对部分个体进行交叉和变异操作,保留较优个体组成新的种群。若达到最大进化数,输出最优个体得到第一配电网状态估计值;还通过初始化天牛须算法的种群数量、解的空间维度、最大迭代次数、初始步长,步长衰减因子、狩猎空间、位置信息;确定天牛左须与右须的位置,根据算法距离更新天牛的位置,计算天牛位置的适应度函数并存储,更新步长;判断是否达到迭代终止条件,若是则输出全局最优解,得到第二配电网状态估计值。对第一配电网状态估计值和第二配电网状态估计值进行加权融合,得到配电网状态估计的最终值。加权融合代表着对遗传算法和天牛须优化算法的结果进行了有效融合,精确刻画了配电网状态变化的特点,提高配电网状态估计的精度,估计结果可以为配电网企业以及管理人员提供有价值的信息。
初始化遗传算法和天牛须算法两者的结合,克服了单一遗传算法收敛速度慢、估计误差大等缺陷,在实际应用中还能根据不同情况调整对应的权值比重从而适应电网状态复杂多变的特点。
附图说明
图1是本发明一实施例提供的一种配电网状态估计方法的流程示意图;
图2是本发明一实施例采用的遗传算法原理图;
图3是本发明一实施例采用天牛须优化算法的示意图。
具体实施方式
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,所描述的实施例仅是本发明一部分实施例,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做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。
请参见图1,本发明一实施例提供一种配电网状态估计方法,包括:
S10、获取高渗透率新能源配电网系统的实时测量数据与伪测量数据;所述实时测量数据通过测量装置采集得到,所述伪测量数据根据用户历史用电数据得到。
S11、根据每个所述伪测量数据中量测量与每个所述实时测量数据中对应量测量的差值、每个差值对应的差值权重,建立配电网状态估计函数。
S12、利用遗传算法修改所述配电网状态估计函数中的差值权重,得到第一配电网状态估计值。
S13、利用天牛须优化算法修改所述配电网状态估计函数中的差值权重,得到第二配电网状态估计值。
S14、确定所述第一配电网状态估计值的权值和所述第二配电网状态估计值的权值并进行加权计算,得到配电网状态估计值。
在实施本方法实施例前,需要采集配电网的实测数据,并对其进行预处理,采用3σ原则与个案剔除法进行数据清洗,去除一些异常或者无用的数据,降低数据噪点。然后对配电网状态数据进行归一化处理;设置Max-Min作为连续数据归一化方法,对连续型数据归一化处理,选定One-Hot编码完成离散数据编码处理。需要说明的是,本实施例也能适用于高渗透率新能源接入下的配电网。
当前分布式电源种类众多,分布式电源接到配电网系统中。配电网系统通过不断实测数据,并根据补充的电力负荷数据实现配电网状态估计。为了分析多智能优化算法的配电网状态估计性能,采用电压估计值、电流估计值等作为评价标准,对配电网系统的输出值进行采集获得数据点。
实时测量数据通过测量装置采集实时数据,当前测量数据包括负荷功率、支路功率等;伪测量数据主要是用户使用的电力负荷数据,对配电网状态估计具有至关重要的作用。对一个区域的配电网系统,可以量测到入点和出点的电力负荷,该区域总负荷为:
式中:sd和Ω分别为入点和出点的负荷;sj为流过开关j的负荷。
本方法实施例的第一步在于建立状态估计的目标函数,即建立配电网状态估计函数。示例性地,所述配电网状态估计函数,具体为:
其中,x为配电网系统的状态变化量,状态变化量为功率、电压、电流等体现配电网状态的特征量;zi为量测量i的实时测量值,从实时测量数据中获得;hi()为量测量i的量测函数,量测函数为历史数据的拟合函数,从伪测量数据中获得;wi为量测量i的差值权重。
配电网状态估计可转化为一个带约束的优化函数。要对配电网状态进行准确估计,就要尽可能使量测值与估计值间误差最小。
示例性地,S12具体包括:
S120、初始化遗传算法的种群,并设置各项基本参数。
S121、根据配电网状态估计结果与实测数据之间的误差确定每一个个体的适应度值,并找到适应度值大于预设阈值的个体作为优秀个体保存。
S122、将所述优秀个体放入新的种群,并对部分个体进行交叉和变异操作,保留适应度值大于预设阈值的个体组成新的种群,直至达到最大进化代数。
S123、根据新的种群中的个体,修改所述配电网状态估计函数中的差值权重,得到第一配电网状态估计值。
请参见图2,受到自然规律“适者生存,优胜劣汰”的启发,Holland等提出了一种智能优化算法-遗传算法。遗传算法不需要太多的求解对象先验知识,限制条件少,通过模拟种群进化对问题进行寻优和求解,具有良好的全局搜索能力,且有隐并行性,对复杂问题求解效率高,被学者引入到配电网状态估计中配电网状态估计过程中,遗传算法要确定初始种群,即配电网状态的可能最优解集,对状态量初始化:设置进化代数计数器,设置最大进化代数,随机生成个个体作为初始群体。并对初始种群中的个体进行评价,主要采用适应函数值来确定。本实施例中选择配电网状态估计误差作为适应函数值,然后通过模拟“适者生存,优胜劣汰”的过程,使种群不断向更优的方向进化,即朝着配电网状态估计最小误差的方向搜索,最后通过选择、交叉、变异等过程,找到误差最小的配电网状态估计值。
示例性地,S13具体包括:
S130、初始化天牛须算法的种群数量、解的空间维度、最大迭代次数、初始步长、步长衰减因子、狩猎空间和位置信息。
S131、确定天牛左须与右须的位置,根据算法距离更新天牛的位置。
S132、计算天牛位置的适应度函数并存储,更新步长,直至适应度函数收敛。
S133、根据天牛最后所处位置确定全局最优解,并根据所述全局最优解修改所述配电网状态估计函数中的差值权重,得到第二配电网状态估计值。
请参见图3,天牛须算法(Beetle Antennae search algorithm,BAS)是由Jiang等人于2017年提出的一种智能优化算法,该算法模拟了天牛寻找食物时的搜索方式,是一种单体搜索算法,该算法原理简单、参数少、计算量少,在处理低维优化目标时具有优势。天牛在觅食过程中,会被食物的气味吸引。天牛通过其两只触角对空气中的食物气味进行感知,由于食物距离两只触角的距离远近不同。因此触角所感知的气味浓度也有所差异。当食物处于天牛左侧时,左侧触角感知的气味浓度强于右侧触角感知的气味浓度,因此天牛可以根据两只触角所感知的浓度差,向着浓度强的一侧随机前进。多次选代后,最终找到食物的位置。
示例性地,S14具体包括:
采用层次分析法和熵值法分别确定所述第一配电网状态估计值的权值和所述第二配电网状态估计值的权值。
在对两个评估值(所述第一配电网状态估计值的权值和所述第二配电网状态估计值)进行权重分配时,应考虑指标数据之间的内在统计规律和权威值。给出了合理的决策指标赋权方法,即采用主观赋权法(层次分析法)和客观赋权法(熵值法)相结合的组合赋权方法,以弥补单一赋权带来的不足。将两种赋权方法相结合的加权方法称为组合赋权法。主客观组合权重是:
指标的综合权数Wj:
相比于现有技术,本发明实施例提供的一种配电网状态估计方法及装置,通过初始化遗传算法的种群,并对交叉、变异等参数值进行设置,根据配电网状态估计结果与实测量之间的误差确定每一个个体的适应度值,并找到最优个体,将其保存起来。将部分较好的个体直接选择到新的种群,并对部分个体进行交叉和变异操作,保留较优个体组成新的种群。若达到最大进化数,输出最优个体得到第一配电网状态估计值;还通过初始化天牛须算法的种群数量、解的空间维度、最大迭代次数、初始步长,步长衰减因子、狩猎空间、位置信息;确定天牛左须与右须的位置,根据算法距离更新天牛的位置,计算天牛位置的适应度函数并存储,更新步长;判断是否达到迭代终止条件,若是则输出全局最优解,得到第二配电网状态估计值。对第一配电网状态估计值和第二配电网状态估计值进行加权融合,得到配电网状态估计的最终值。
初始化遗传算法和天牛须算法两者的结合,克服了单一遗传算法收敛速度慢、估计误差大等缺陷,在实际应用中还能根据不同情况调整对应的权值比重从而适应电网状态复杂多变的特点。而且采集的实时数据准确反映了高渗透率新能源接入下配电网的状态变化特点,获得了比对比算法更高的配电网状态估计精度,为配电网研究人员提供了一种新的研究方法。
本申请一实施例提供了一种配电网状态估计装置,包括:数据获取模块、函数建立模块、遗传算法模块、天牛须算法模块和评估模块。
数据获取模块,用于获取高渗透率新能源配电网系统的实时测量数据与伪测量数据;所述实时测量数据通过测量装置采集得到,所述伪测量数据根据用户历史用电数据得到。
函数建立模块,用于根据每个所述伪测量数据中量测量与每个所述实时测量数据中对应量测量的差值、每个差值对应的差值权重,建立配电网状态估计函数;
遗传算法模块,用于利用遗传算法修改所述配电网状态估计函数中的差值权重,得到第一配电网状态估计值。
天牛须算法模块,用于利用天牛须优化算法修改所述配电网状态估计函数中的差值权重,得到第二配电网状态估计值。
评估模块,用于确定所述第一配电网状态估计值的权值和所述第二配电网状态估计值的权值并进行加权计算,得到配电网状态估计值。
示例性地,所述配电网状态估计函数,具体为:
示例性地,所述遗传算法模块,具体用于:
初始化遗传算法的种群,并设置各项基本参数;
根据配电网状态估计结果与实测数据之间的误差确定每一个个体的适应度值,并找到适应度值大于预设阈值的个体作为优秀个体保存;
将所述优秀个体放入新的种群,并对部分个体进行交叉和变异操作,保留适应度值大于预设阈值的个体组成新的种群,直至达到最大进化代数;
根据新的种群中的个体,修改所述配电网状态估计函数中的差值权重,得到第一配电网状态估计值。
示例性地,所述天牛须算法模块,具体用于:
初始化天牛须算法的种群数量、解的空间维度、最大迭代次数、初始步长、步长衰减因子、狩猎空间和位置信息;
确定天牛左须与右须的位置,根据算法距离更新天牛的位置;
计算天牛位置的适应度函数并存储,更新步长,直至适应度函数收敛;
根据天牛最后所处位置确定全局最优解,并根据所述全局最优解修改所述配电网状态估计函数中的差值权重,得到第二配电网状态估计值。
示例性地,所述确定所述第一配电网状态估计值的权值和所述第二配电网状态估计值的权值,具体包括:
采用层次分析法和熵值法分别确定所述第一配电网状态估计值的权值和所述第二配电网状态估计值的权值。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赞述。
以上所述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,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种基于多智能算法的高渗透率新能源配电网评估方法,其特征在于,包括:
获取高渗透率新能源配电网系统的实时测量数据与伪测量数据;所述实时测量数据通过测量装置采集得到,所述伪测量数据根据用户历史用电数据得到;
根据每个所述伪测量数据中量测量与每个所述实时测量数据中对应量测量的差值、每个差值对应的差值权重,建立配电网状态估计函数;
利用遗传算法修改所述配电网状态估计函数中的差值权重,得到第一配电网状态估计值;
利用天牛须优化算法修改所述配电网状态估计函数中的差值权重,得到第二配电网状态估计值;
确定所述第一配电网状态估计值的权值和所述第二配电网状态估计值的权值并进行加权计算,得到配电网状态估计值。
3.如权利要求1所述基于多智能算法的高渗透率新能源配电网评估方法,其特征在于,所述利用遗传算法修改所述配电网状态估计函数中的差值权重,得到第一配电网状态估计值,具体包括:
初始化遗传算法的种群,并设置各项基本参数;
根据配电网状态估计结果与实测数据之间的误差确定每一个个体的适应度值,并找到适应度值大于预设阈值的个体作为优秀个体保存;
将所述优秀个体放入新的种群,并对部分个体进行交叉和变异操作,保留适应度值大于预设阈值的个体组成新的种群,直至达到最大进化代数;
根据新的种群中的个体,修改所述配电网状态估计函数中的差值权重,得到第一配电网状态估计值。
4.如权利要求1所述基于多智能算法的高渗透率新能源配电网评估方法,其特征在于,所述利用天牛须优化算法修改所述配电网状态估计函数中的差值权重,得到第二配电网状态估计值,具体包括:
初始化天牛须算法的种群数量、解的空间维度、最大迭代次数、初始步长、步长衰减因子、狩猎空间和位置信息;
确定天牛左须与右须的位置,根据算法距离更新天牛的位置;
计算天牛位置的适应度函数并存储,更新步长,直至适应度函数收敛;
根据天牛最后所处位置确定全局最优解,并根据所述全局最优解修改所述配电网状态估计函数中的差值权重,得到第二配电网状态估计值。
5.如权利要求1所述基于多智能算法的高渗透率新能源配电网评估方法,其特征在于,所述确定所述第一配电网状态估计值的权值和所述第二配电网状态估计值的权值,具体包括:
采用层次分析法和熵值法分别确定所述第一配电网状态估计值的权值和所述第二配电网状态估计值的权值。
6.一种基于多智能算法的高渗透率新能源配电网评估装置,其特征在于,包括:
数据获取模块,用于获取高渗透率新能源配电网系统的实时测量数据与伪测量数据;所述实时测量数据通过测量装置采集得到,所述伪测量数据根据用户历史用电数据得到;
函数建立模块,用于根据每个所述伪测量数据中量测量与每个所述实时测量数据中对应量测量的差值、每个差值对应的差值权重,建立配电网状态估计函数;
遗传算法模块,用于利用遗传算法修改所述配电网状态估计函数中的差值权重,得到第一配电网状态估计值;
天牛须算法模块,用于利用天牛须优化算法修改所述配电网状态估计函数中的差值权重,得到第二配电网状态估计值;
评估模块,用于确定所述第一配电网状态估计值的权值和所述第二配电网状态估计值的权值并进行加权计算,得到配电网状态估计值。
8.如权利要求6所述基于多智能算法的高渗透率新能源配电网评估装置,其特征在于,所述遗传算法模块,具体用于:
初始化遗传算法的种群,并设置各项基本参数;
根据配电网状态估计结果与实测数据之间的误差确定每一个个体的适应度值,并找到适应度值大于预设阈值的个体作为优秀个体保存;
将所述优秀个体放入新的种群,并对部分个体进行交叉和变异操作,保留适应度值大于预设阈值的个体组成新的种群,直至达到最大进化代数;
根据新的种群中的个体,修改所述配电网状态估计函数中的差值权重,得到第一配电网状态估计值。
9.如权利要求6所述基于多智能算法的高渗透率新能源配电网评估装置,其特征在于,所述天牛须算法模块,具体用于:
初始化天牛须算法的种群数量、解的空间维度、最大迭代次数、初始步长、步长衰减因子、狩猎空间和位置信息;
确定天牛左须与右须的位置,根据算法距离更新天牛的位置;
计算天牛位置的适应度函数并存储,更新步长,直至适应度函数收敛;
根据天牛最后所处位置确定全局最优解,并根据所述全局最优解修改所述配电网状态估计函数中的差值权重,得到第二配电网状态估计值。
10.如权利要求6所述基于多智能算法的高渗透率新能源配电网评估装置,其特征在于,所述确定所述第一配电网状态估计值的权值和所述第二配电网状态估计值的权值,具体包括:
采用层次分析法和熵值法分别确定所述第一配电网状态估计值的权值和所述第二配电网状态估计值的权值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210549925.6A CN114841597A (zh) | 2022-05-20 | 2022-05-20 | 基于多智能算法的高渗透率新能源配电网评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210549925.6A CN114841597A (zh) | 2022-05-20 | 2022-05-20 | 基于多智能算法的高渗透率新能源配电网评估方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114841597A true CN114841597A (zh) | 2022-08-02 |
Family
ID=82569848
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210549925.6A Pending CN114841597A (zh) | 2022-05-20 | 2022-05-20 | 基于多智能算法的高渗透率新能源配电网评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114841597A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116105743A (zh) * | 2023-04-17 | 2023-05-12 | 山东大学 | 一种联邦滤波系统信息因子分配方法及水下导航系统 |
CN116843324A (zh) * | 2023-09-01 | 2023-10-03 | 国网山东省电力公司东平县供电公司 | 基于人工智能的配电网运维系统、方法、设备及介质 |
-
2022
- 2022-05-20 CN CN202210549925.6A patent/CN114841597A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116105743A (zh) * | 2023-04-17 | 2023-05-12 | 山东大学 | 一种联邦滤波系统信息因子分配方法及水下导航系统 |
CN116843324A (zh) * | 2023-09-01 | 2023-10-03 | 国网山东省电力公司东平县供电公司 | 基于人工智能的配电网运维系统、方法、设备及介质 |
CN116843324B (zh) * | 2023-09-01 | 2024-02-02 | 国网山东省电力公司东平县供电公司 | 基于人工智能的配电网运维系统、方法、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107516170B (zh) | 一种基于设备故障概率和电网运行风险的差异自愈控制方法 | |
CN114841597A (zh) | 基于多智能算法的高渗透率新能源配电网评估方法及装置 | |
CN106532778B (zh) | 一种计算分布式光伏并网最大准入容量的方法 | |
CN109886465B (zh) | 一种基于智能电表用户聚类分析的配电网负荷预测方法 | |
CN107423769A (zh) | 基于形态特征的电力负荷曲线自适应聚类方法 | |
CN107437135B (zh) | 一种新型储能选型方法 | |
CN112149873A (zh) | 一种基于深度学习的低压台区线损合理区间预测方法 | |
CN113468790B (zh) | 一种基于改进粒子群算法的风速特征模拟方法及系统 | |
CN113437756B (zh) | 考虑配电网静态电压稳定性的微电网优化配置方法 | |
CN109861211A (zh) | 一种基于数据驱动的配电网动态重构方法 | |
CN112994017A (zh) | 基于配电网概率潮流计算的分布式光伏电源选址优化方法 | |
CN111967777B (zh) | 一种储能促进清洁能源利用价值的综合评价方法 | |
CN112001644A (zh) | 一种配电网运行可靠性检测方法、装置、终端及存储介质 | |
CN113379116A (zh) | 基于聚类和卷积神经网络的台区线损预测方法 | |
CN113240261A (zh) | 一种区域电能质量监测分析系统 | |
CN116148753A (zh) | 一种智能电能表运行误差监测系统 | |
CN112446175B (zh) | 基于配电网概率潮流计算的分布式电源选址优化方法 | |
CN109378834A (zh) | 基于信息最大相关的大规模电网电压稳定裕度评估系统 | |
CN113595071A (zh) | 台区用户辨识与电压影响评估方法 | |
CN111914900A (zh) | 一种用户用电模式分类方法 | |
CN111293687A (zh) | 一种基于三维粒子群算法的分布式电源选址定容的方法 | |
CN116502894A (zh) | 光伏台区停电风险评估方法、装置、电子设备及存储介质 | |
CN115186882A (zh) | 一种基于聚类的可控负荷空间密度预测方法 | |
CN115409317A (zh) | 基于特征选择和机器学习的台区线损检测方法及装置 | |
CN114240069A (zh) | 一种基于回归学习与特征挖掘的电网在线风险计算方法 |
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 |