CN115146827B - 一种考虑量测缺失的配电网在线优化方法 - Google Patents
一种考虑量测缺失的配电网在线优化方法 Download PDFInfo
- Publication number
- CN115146827B CN115146827B CN202210643342.XA CN202210643342A CN115146827B CN 115146827 B CN115146827 B CN 115146827B CN 202210643342 A CN202210643342 A CN 202210643342A CN 115146827 B CN115146827 B CN 115146827B
- Authority
- CN
- China
- Prior art keywords
- data
- distribution network
- power distribution
- power
- loss
- 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.)
- Active
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 52
- 238000005259 measurement Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000007812 deficiency Effects 0.000 title claims description 7
- 238000012549 training Methods 0.000 claims abstract description 21
- 239000013598 vector Substances 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 9
- 230000000452 restraining effect Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 10
- 238000013461 design Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 5
- 230000001965 increasing effect Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06Q10/04—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及配电网运行技术领域,公开一种考虑量测缺失的配电网在线优化方法,包括:生成对抗网络的无监督训练,基于配电网历史运行数据学习分布式光伏功率、负荷功率和电压幅值的复杂关系,训练完成后,生成器生成配电网在不同拓扑连接关系下满足潮流约束的配电网节点功率和电压数据;判断器输出节点功率和电压数据是否为真实性样本的概率值;设计真实性损失、一致性损失和重构损失函数对生成器输入噪声进行优化,完成实时量测数据不全情况下的配电网在线状态重建;在配电网在线状态重建感知到电压越限后,通过设计真实性损失、一致性损失和相关约束条件对生成器输入进行优化,最终通过迭代计算确定分布式光伏无功控制指令,避免电压越限情况。
Description
技术领域
本发明涉及配电网优化运行技术领域,具体涉及一种考虑量测缺失的配电网在线优化方法。
背景技术
配电网在线优化一般基于量测信息计算调控指令,针对在线优化问题,相关研究人员主要采用基于潮流计算的方法进行在线优化。但是实际中,配电网限于建设成本,量测装置较少,可在线采集到的功率和电压数据通常难以覆盖整个配电网,基于在线量测数据建立的电网实时潮流模型不精确,存在较大误差,难以使用基于潮流计算的优化方法。同时在进行大规模潮流计算时,计算时间往往较长,潮流计算收敛性、稳定性也存在一定问题,无法满足实时在线优化的需求,因此研究计算速度更快、稳定性更好的优化方法将会极大促进配电网优化领域的发展。
发明内容
发明目的:针对现有技术中存在的问题,本发明提供一种考虑量测缺失的配电网在线优化方法,所要解决的问题是在实时量测信息不足情况下,开展配电网在线优化。
技术方案:本发明提供了一种考虑量测缺失的配电网在线优化方法,包括如下步骤:
步骤1:基于条件Wasserstein卷积生成对抗网络建立配电网在线模型,主要包括生成器和判断器两个部分,所述条件Wasserstein卷积生成对抗网络以配电网各节点历史功率和电压数据为数据集展开训练,在生成对抗网络模型训练完成后,生成器生成配电网在不同拓扑连接关系下满足潮流约束的配电网节点功率和电压数据;判断器输出节点功率和电压数据是否为真实性样本的概率值;
步骤2:设计真实性损失、一致性损失和重构损失函数对生成器输入变量进行优化,完成配电网在线重建;
步骤3:设计目标函数对生成器输入变量进行优化,得到当前指令对应的节点电压,完成配电网在线优化。
进一步地,所述生成器的噪声向量为50个服从高斯分布的随机变量,配电网拓扑状态的类别标签采用4维词向量形式,将类别数据进行升维,放大其数据特征,并与噪声向量进行拼接,最终生成器输入为54×1尺寸的数据,生成器输出为3×32尺寸的数据,其中3分别对应电压幅值、有功功率和无功功率,32对应配电网除平衡节点以外的节点;
所述判断器输入层为3×36尺寸的数据,其中3分别对应电压幅值、有功功率和无功功率,36是32个节点数据和4个类别标签词向量数据的拼接,所述判断器的输出层为是否为真实数据的概率值。
进一步地,所述生成器前三层的激活函数采用ReLU函数,判断器前四层激活函数采用LeakyReLU,采用Wasserstein距离改进GAN时,判断器最后一层去除原有Sigmoid激活函数。
进一步地,所述判断器和生成器的损失函数中取消对数函数操作;每次判断器模型参数更新时,参数绝对值需要截断到不超过一个固定常数,即需要将其限制在一定取值范围内。
进一步地,所述步骤2中的配电网在线重建步骤为:
1)首先,定义一个与配电网量测数据维度相同的二值掩码矩阵,其中元素为0表示该数据不是实时量测数据,为非全观测节点对应数据;元素为1表示该数据为实时量测数据;
2)其次,类比图片重建问题,将配电网数据重建问题作为生成器输入变量的优化问题,定义损失函数对其进行优化,生成数据的评判条件主要有真实性、一致性和重构性三类,以这三类条件为损失函数对噪声向量和类别标签进行优化:
2.1)真实性损失具体表示为:
Lr=-D(G(z|c)|c)
2.2)一致性损失具体表示为:
Lu=||G(z|c)⊙M,I⊙M||2
式中:⊙表示矩阵元素的点乘运算,即矩阵对应元素相乘;I表示配电网当前包含量测缺失的数据;|| ||2表示矩阵间的L2范数;
2.3)重构损失具体表示为:
Ld=-D((I⊙M+(1-M)⊙G(z|c))|c)
配电网在线状态重建的目标函数为:
min L=Lr+Lu+Ld
最终,配电网在线状态重建后的量测数据为:
Id=I⊙M+(1-M)⊙G(z|c)
式中:Id表示配电网在线状态重建后的量测数据。
进一步地,所述步骤3中配电网在线优化的具体步骤为:
所述步骤2中在线状态重建得到当前配电网运行数据后,以消除电压越限、真实性损失和一致性损失为目标函数:
1)消除电压越限
式中:Vi为配电网第i个节点电压幅值,Vup和Vdown分别为节点电压幅值允许的最大最小值;
2)真实性损失
F2=-D(G(z|c)|c)
在线优化的真实性损失与状态重建的含义相同,均用于约束生成器生成的数据整体符合真实数据的客观规律,可以被判断器判断为真实数据;
3)一致性损失
定义一个与配电网量测有功功率和无功功率数据维度相同的二值掩码矩阵M′,其中元素为0表示该数据为可实时观测分布式光伏的无功功率,元素为1表示该数据为节点有功功率或者不可实时观测分布式光伏的无功功率;
在线优化的一致性损失与状态重建的一致性损失不同,在线优化的一致性损失用于约束配电网有功功率和不可实时观测分布式光伏无功功率数据在优化前后保持一致,一致性损失具体表示为:
F3=||G(z|c)⊙M′,I′⊙M′||2
式中:I′为配电网在线状态重建后的量测数据;
最终,配电网在线优化的目标函数为:min F=F1+F2+F3;
在线优化的约束条件为可实时观测光伏无功功率的约束:
式中:为第i个光伏无功;/>为第i个光伏最小功率因数。
有益效果:
1)本发明GAN可以学习到量测功率数据之间相关性和波动性等方面难以显式建模的复杂时空关系,且GAN可以学习到量测功率数据与电压数据之间潜在的潮流约束关系,通过训练好的GAN可以生成符合历史客观规律的配电网运行数据。
2)在配电网在线模型基础上,通过合理设计目标函数对生成器输入进行优化,可以使生成器生成符合当前实际运行状况的量测信息,完成配电网在线量测缺失数据的补全,实现配电网在线状态重建。
3)在配电网在线状态重建基础上,进一步对设计目标函数和约束条件对生成器输入进行优化,可以使生成器生成优化调控指令,完成配电网在线优化,消除电压越限情况。
附图说明
图1为配电网在线模型框架;
图2为配电网拓扑图;
图3为本发明实施例的历史有功功率;
图4为本发明实施例的历史光伏有功数据;
图5为本发明实施例GAN训练过程中判断器对生成数据的判断概率与判断器对真实数据的判断概率收敛过程;
图6为本发明实施例中缺失量测生成数据部分的有功功率、无功功率和电压幅值的整体绝对误差分布;
图7为本发明GAN计算出的节点电压与配电网真实节点电压的对比图。
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。
本发明提出的一种考虑量测缺失的配电网在线优化方法,主要包括以下步骤:
(1)构建配电网在线模型
实际配电网系统中,由于量测装置覆盖不足,部分节点不与配电自动化系统相连,导致节点功率/电压数据无法被实时采集,但该类型节点与营销服务等其他系统相连,可获取以一定时间间隔为采样周期(通常为15min)的历史功率/电压数据,本发明把这类配电网中不与配电自动化系统相连,只能获取历史功率/电压数据的节点称为非实时观测节点。与配电自动化系统相连的节点实时上传功率/电压数据并存储在配电自动化系统数据库中,称这类可实时采集功率/电压数据的节点为实时观测节点。同时,实际配电网线路上存在联络开关,各个开关因为故障检修,倒负荷等原因会不定期改变开关状态,从而导致配电网线路拓扑结构发生动态变化。然而受通讯设备限制,缺乏实时的遥信遥测装置,配电网联络开关运行方式的调整结果很难实时更新到配电自动化系统中,本发明把这类未知实时联络关系的线路称为非实时观测线路。
本发明把具有非实时观测节点和线路的配电网称为非全观测配电网。在非全观测配电网中,由于缺乏系统实时运行数据,基于潮流计算的配电网在线优化难以开展,且配电网线路的运行环境一般较差,其阻抗受线路老化等各方面的影响,阻抗参数实时值和离线测量/估计值差距较大,配电网潮流计算结果不精确。
对于配电网在线量测数据不足的问题,本发明提出一种基于条件Wasserstein卷积生成对抗网络的配电网在线物理数据模型,为实现配电网在线状态重建和优化奠定基础,模型框架如图1所示。
条件Wasserstein卷积生成对抗网络以配电网各节点历史功率和电压数据为数据集展开训练。网络的类别标签为配电网不同拓扑连接状态,生成器的输入层为噪声向量和类别条件的组合,输出层为配电网所有节点电压幅值、有功功率和无功功率的数据;判断器的输入层为节点电压幅值、有功功率、无功功率和类别标签的组合,输出层为鉴别输入数据是否为真实数据的概率。
生成器网络结构如表1所示。噪声向量为50个服从高斯分布的随机变量,配电网拓扑状态的类别标签采用4维词向量形式,将类别数据进行升维,放大其数据特征,并与噪声向量进行拼接,最终生成器输入为54×1尺寸的数据。生成器输出为3×32尺寸的数据,其中3分别对应电压幅值、有功功率和无功功率,32对应配电网除平衡节点以外的节点。
在生成器中采用批量归一化技术,有如下好处:1)解决了网络训练结果比较依赖初始设定模型参数的问题;2)防止出现神经网络在训练过程中发生梯度消失和爆炸的问题;3)防止生成器把所有输入变量收敛到同一个输出变量上。但是,如果所有层都采用批量归一化技术,会发生模型不稳定的情况,因此生成器网络最后一层不进行批量归一化。
在网络中取消全连接层。虽然全连接层可以提高训练效果,但是其缺点在于参数过多,会影响训练效率,还可能产生过拟合的现象。
生成器前三层的激活函数采用ReLU函数,加快网络训练速度。
表1生成器网络结构
判断器网络结构如表2所示。判断器输入层为3×36尺寸的数据,其中3分别对应电压幅值、有功功率和无功功率,36是32个节点数据和4个类别标签词向量数据的拼接。判断器输出层为是否为真实数据的概率值。
判断器前四层激活函数采用LeakyReLU,可以提高其鉴别性能。采用Wasserstein距离改进GAN时,判断器最后一层去除原有Sigmoid激活函数;判断器和生成器的损失函数中取消对数函数操作;每次判断器模型参数更新时,参数绝对值需要截断到不超过一个固定常数,即需要将其限制在一定取值范围内;参数更新不采用基于动量的优化算法。
表2判断器网络结构
(2)配电网在线状态重建
在GAN训练完成后,可以生成大量负荷客观规律的配电网功率电压数据,在GAN的基础上,进一步利用数据生成能力对配电网状态进行在线重建。进行状态重建时,固定判断器和生成器的网络模型参数,对生成器输入变量进行优化,使生成器生成的数据符合配电网当前运行场景。
首先,定义一个与配电网量测数据维度相同的二值掩码矩阵,其中元素为0表示该数据不是实时量测数据,为非全观测节点对应数据;元素为1表示该数据为实时量测数据。
其次,类比图片重建问题,将配电网数据重建问题作为生成器输入变量的优化问题,定义损失函数对其进行优化。生成数据的评判条件主要有真实性、一致性和重构性三类,以这三类条件为损失函数对噪声向量和类别标签进行优化。
真实性损失用于约束生成器生成的数据整体符合真实数据的客观规律,可以被判断器判断为真实数据,真实性损失具体表示为:
Lr=-D(G(z|c)|c)
一致性损失用于约束实时量测节点数据与生成数据中对应部分的一致性,一致性损失具体表示为:
Lu=||G(z|c)⊙M,I⊙M||2
式中:⊙表示矩阵元素的点乘运算,即矩阵对应元素相乘;I表示配电网当前包含量测缺失的数据;|| ||2表示矩阵间的L2范数。
重构损失用于约束配电网状态重建后的数据符合真实客观规律,可以被判断器判断为真实数据,重构损失具体表示为:
Ld=-D((I⊙M+(1-M)⊙G(z|c))|c)
配电网在线状态重建的目标函数为:
min L=Lr+Lu+Ld
最终,配电网在线状态重建后的量测数据为:
Id=I⊙M+(1-M)⊙G(z|c)
式中:Id表示配电网在线状态重建后的量测数据。
同时配电网拓扑连接关系可以通过优化结果中类别标签的值确定。
(3)配电网在线优化
在配电网在线状态重建后,如果发现电压数据有越限情况,则需要对配电网进行在线优化,优化的控制对象为可实时观测光伏的无功功率。在线状态重建得到当前配电网运行数据后,以消除电压越限、真实性损失和一致性损失为目标函数,优化生成器输入噪声向量,进而产生可实时观测光伏无功指令。
在线优化目标函数包括三个部分:
1)消除电压越限
式中:Vi为配电网第i个节点电压幅值,Vup和Vdown分别为节点电压幅值允许的最大最小值。
2)真实性损失
F2=-D(G(z|c)|c)
在线优化的真实性损失与状态重建的含义相同,均用于约束生成器生成的数据整体符合真实数据的客观规律,可以被判断器判断为真实数据。
3)一致性损失
定义一个与配电网量测有功功率和无功功率数据维度相同的二值掩码矩阵M′,其中元素为0表示该数据为可实时观测分布式光伏的无功功率,元素为1表示该数据为节点有功功率或者不可实时观测分布式光伏的无功功率。
在线优化的一致性损失与状态重建的一致性损失不同,在线优化的一致性损失用于约束配电网有功功率和不可实时观测分布式光伏无功功率数据在优化前后保持一致,一致性损失具体表示为:
F3=||G(z|c)⊙M′,I′⊙M′||2
式中:I′为配电网在线状态重建后的量测数据。
最终,配电网在线优化的目标函数为:
min F=F1+F2+F3
在线优化的约束条件为可实时观测光伏无功功率的约束:
式中:为第i个光伏无功;/>为第i个光伏最小功率因数。
本发明以经改造的IEEE33配电网为例,具体拓扑如图2所示。本发明使用PYTHON中PYTORCH工具包进行编程。2号、7号、12号、16号、23号和28号节点分别配置700kW、600kW、500kW、400kW、100kW和100kW的光伏。系统共有5号、8号、11号、14号、17号、19号、21号、23号、28号和31号10个非实时观测节点。配电网拓扑连接关系主要有3种状态,状态1为1-2和1-3线路保持连接关系,2和3线路断开;状态2为1-3和2线路保持连接关系,1-2和3线路断开;状态3为1-2和3线路保持连接关系,1-3和2线路断开。
本发明历史有功功率共计5832组数据,如图3所示,历史无功数据的标幺值与有功功率相同。本发明历史光伏有功数据共计5832组数据,如图4所示,光伏无功功率满足均匀分布,其最大值为对应时刻光伏功率因数为0.95时的无功功率,最小为0。本发明历史节点电压幅值数据使用MATLAB软件中MATPOWER工具包进行潮流计算得到,其中平衡节点电压标幺值为1.03p.u.。最终数据集的结构为5832×96尺寸数据,其中96代表配电网除母线节点外的32个节点的有功功率、无功功率和电压幅值,在5832组历史数据中,配电网3种拓扑连接状态下分别有1944组数据。
利用5256组训练集数据对GAN进行训练,训练次数为600次,每次训练的批大小为24。GAN训练过程中判断器对生成数据的判断概率与判断器对真实数据的判断概率收敛过程如图5所示,判断器对两种数据的判断概率值训练初期波动性较大,最终均稳定收敛到0.5附近,GAN网络训练过程较为稳定,训练结果较为精确。
对于测试集576组数据均做状态重建,缺失量测生成数据部分的有功功率、无功功率和电压幅值的整体绝对误差分布如图6所示,有功功率、无功功率和电压幅值绝对误差的中位数分别为0.0270MW、0.00175Mvar和0.00511p.u.,上限值分别为0.0543MW、0.00392Mvar和0.00681p.u.,下限值分别为0.00689MW、0.000451Mvar和0.00336p.u.,上四分位数分别为0.0349MW、0.00233Mvar和0.00553p.u.,下四分位数分别为0.0216MW、0.00127Mvar和0.00466p.u.。重建数据绝对误差离群点数量较少,且离群点绝对误差没有出现异常大的情况。
在已做在线状态重建的数据存在电压越上限的情况,在重建基础上需要对其进行进一步优化。表3展示了优化前后可实时观测光伏节点无功功率变化情况,各个光伏均通过增大其消耗感性无功来避免电压越限。
表3光伏优化前后无功对比
优化指令生成后,GAN计算出的节点电压与配电网真实节点电压的对比如图7所示。GAN计算出的节点电压和配电网真实节点电压比较接近,且幅值均在1.05以下,消除了电压越限情况。
上述实施方式只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰,都应涵盖在本发明的保护范围之内。
Claims (4)
1.一种考虑量测缺失的配电网在线优化方法,其特征在于,包括如下步骤:
步骤1:基于条件Wasserstein卷积生成对抗网络建立配电网在线模型,主要包括生成器和判断器两个部分,所述条件Wasserstein卷积生成对抗网络以配电网各节点历史功率和电压数据为数据集展开训练,在生成对抗网络模型训练完成后,生成器生成配电网在不同拓扑连接关系下满足潮流约束的配电网节点功率和电压数据;判断器输出节点功率和电压数据是否为真实性样本的概率值;
步骤2:设计真实性损失、一致性损失和重构损失函数对生成器输入变量进行优化,完成配电网在线重建;
所述步骤2中的配电网在线重建步骤为:
1)首先,定义一个与配电网量测数据维度相同的二值掩码矩阵,其中元素为0表示该数据不是实时量测数据,为非全观测节点对应数据;元素为1表示该数据为实时量测数据;
2)其次,类比图片重建问题,将配电网数据重建问题作为生成器输入变量的优化问题,定义损失函数对其进行优化,生成数据的评判条件主要有真实性、一致性和重构性三类,以这三类条件为损失函数对噪声向量和类别标签进行优化:
2.1)真实性损失具体表示为:
Lr=-D(G(z|c)|c)
2.2)一致性损失具体表示为:
Lu=||G(z|c)⊙M,I⊙M||2
式中:⊙表示矩阵元素的点乘运算,即矩阵对应元素相乘;I表示配电网当前包含量测缺失的数据;|| ||2表示矩阵间的L2范数;
2.3)重构损失具体表示为:
Ld=-D((I⊙M+(1-M)⊙G(z|c))|c)
配电网在线状态重建的目标函数为:
min L=Lr+Lu+Ld
最终,配电网在线状态重建后的量测数据为:
Id=I⊙M+(1-M)⊙G(z|c)
式中:Id表示配电网在线状态重建后的量测数据;
步骤3:设计目标函数对生成器输入变量进行优化,得到当前指令对应的节点电压,完成配电网在线优化;
所述步骤2中在线状态重建得到当前配电网运行数据后,以消除电压越限、真实性损失和一致性损失为目标函数:
1)消除电压越限
式中:Vi为配电网第i个节点电压幅值,Vup和Vdown分别为节点电压幅值允许的最大最小值;
2)真实性损失
F2=-D(G(z|c)|c)
在线优化的真实性损失与状态重建的含义相同,均用于约束生成器生成的数据整体符合真实数据的客观规律,可以被判断器判断为真实数据;
3)一致性损失
定义一个与配电网量测有功功率和无功功率数据维度相同的二值掩码矩阵M',其中元素为0表示该数据为可实时观测分布式光伏的无功功率,元素为1表示该数据为节点有功功率或者不可实时观测分布式光伏的无功功率;
在线优化的一致性损失与状态重建的一致性损失不同,在线优化的一致性损失用于约束配电网有功功率和不可实时观测分布式光伏无功功率数据在优化前后保持一致,一致性损失具体表示为:
F3=||G(z|c)⊙M',I'⊙M'||2
式中:I'为配电网在线状态重建后的量测数据;
最终,配电网在线优化的目标函数为:min F=F1+F2+F3;
在线优化的约束条件为可实时观测光伏无功功率的约束:
式中:为第i个光伏无功;/>为第i个光伏最小功率因数。
2.根据权利要求1所述的考虑量测缺失的配电网在线优化方法,其特征在于,所述生成器的噪声向量为50个服从高斯分布的随机变量,配电网拓扑状态的类别标签采用4维词向量形式,将类别数据进行升维,放大其数据特征,并与噪声向量进行拼接,最终生成器输入为54×1尺寸的数据,生成器输出为3×32尺寸的数据,其中3分别对应电压幅值、有功功率和无功功率,32对应配电网除平衡节点以外的节点;
所述判断器输入层为3×36尺寸的数据,其中3分别对应电压幅值、有功功率和无功功率,36是32个节点数据和4个类别标签词向量数据的拼接,所述判断器的输出层为是否为真实数据的概率值。
3.根据权利要求2所述的考虑量测缺失的配电网在线优化方法,其特征在于,所述生成器前三层的激活函数采用ReLU函数,判断器前四层激活函数采用LeakyReLU,采用Wasserstein距离改进GAN时,判断器最后一层去除原有Sigmoid激活函数。
4.根据权利要求3所述的考虑量测缺失的配电网在线优化方法,其特征在于,所述判断器和生成器的损失函数中取消对数函数操作;每次判断器模型参数更新时,参数绝对值需要截断到不超过一个固定常数,即需要将其限制在一定取值范围内。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210643342.XA CN115146827B (zh) | 2022-06-08 | 2022-06-08 | 一种考虑量测缺失的配电网在线优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210643342.XA CN115146827B (zh) | 2022-06-08 | 2022-06-08 | 一种考虑量测缺失的配电网在线优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115146827A CN115146827A (zh) | 2022-10-04 |
CN115146827B true CN115146827B (zh) | 2023-11-03 |
Family
ID=83407784
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210643342.XA Active CN115146827B (zh) | 2022-06-08 | 2022-06-08 | 一种考虑量测缺失的配电网在线优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115146827B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116579382A (zh) * | 2023-02-21 | 2023-08-11 | 上海交通大学 | 基于生成对抗网络的微型pmu量测数据补全系统及训练方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109144987A (zh) * | 2018-08-03 | 2019-01-04 | 天津相和电气科技有限公司 | 基于深度学习的电力系统量测缺失值重建方法及其应用 |
CN110212528A (zh) * | 2019-06-19 | 2019-09-06 | 华北电力大学 | 基于生成对抗和双重语义感知的配电网量测数据缺失重构方法 |
CN111079351A (zh) * | 2020-01-19 | 2020-04-28 | 天津大学 | 考虑风电不确定性的配电网概率潮流获取方法、装置 |
CN114444013A (zh) * | 2020-10-19 | 2022-05-06 | 中国石油化工股份有限公司 | 一种基于对抗博弈的配电网大数据修复方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110097185B (zh) * | 2019-03-29 | 2021-03-23 | 北京大学 | 一种基于生成对抗网络的优化模型方法及应用 |
-
2022
- 2022-06-08 CN CN202210643342.XA patent/CN115146827B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109144987A (zh) * | 2018-08-03 | 2019-01-04 | 天津相和电气科技有限公司 | 基于深度学习的电力系统量测缺失值重建方法及其应用 |
CN110212528A (zh) * | 2019-06-19 | 2019-09-06 | 华北电力大学 | 基于生成对抗和双重语义感知的配电网量测数据缺失重构方法 |
CN111079351A (zh) * | 2020-01-19 | 2020-04-28 | 天津大学 | 考虑风电不确定性的配电网概率潮流获取方法、装置 |
CN114444013A (zh) * | 2020-10-19 | 2022-05-06 | 中国石油化工股份有限公司 | 一种基于对抗博弈的配电网大数据修复方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115146827A (zh) | 2022-10-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019184132A1 (zh) | 一种基于数据驱动的电网潮流方程线性化求解方法 | |
CN115146827B (zh) | 一种考虑量测缺失的配电网在线优化方法 | |
LU500551B1 (en) | Virtual load dominant parameter identification method based on incremental learning | |
CN116796644A (zh) | 基于多智能体sac深度强化学习的风电场参数辨识方法 | |
CN112862065A (zh) | 一种基于多任务图神经网络的电网支路参数辨识方法 | |
CN114896745A (zh) | 考虑单线故障多阶段大规模多目标pmu优化配置方法 | |
CN117078123A (zh) | 一种电-气综合能源系统可用输电能力计算方法及系统 | |
Hussein et al. | Enhancement of state estimation power system based hybrid algorithm | |
CN110676877B (zh) | 一种孤岛微电网潮流检测方法 | |
Mori et al. | Development of GRBFN with global structure for PV generation output forecasting | |
Azuma et al. | Modified Brain Storm Optimization for Load Adjustment Distribution State Estimation Using Correntropy | |
Wang et al. | Modelling and control of nonlinear, operating point dependent systems via associative memory networks | |
CN114221334B (zh) | 一种基于图神经网络的快速状态估计方法 | |
CN116502024A (zh) | 一种基于模型驱动的配电网线路参数辨识方法 | |
CN115276067A (zh) | 一种适应配电网拓扑动态变化的分布式储能电压调节方法 | |
CN116068329A (zh) | 一种基于迁移学习的输电线路故障分类与定位方法 | |
CN113240072A (zh) | 一种用于直流微电网集群的基于深度学习的预测方法 | |
CN117239770B (zh) | 一种分布式电源电压实时控制方法和系统 | |
Hossain et al. | Multi-agent voltage control in distribution systems using GAN-DRL-based approach | |
Zhu et al. | Assessing bulk power system reliability by end-to-end line maintenance-aware learning | |
CN117277446B (zh) | 多目标配电网规划方法及系统 | |
CN116579479B (zh) | 风电场功率超短期预测方法、系统、计算机及存储介质 | |
US20220292353A1 (en) | Training Dataset, Training and Artificial Neural Network for the State Estimation of a Power Network | |
Parlaktuna et al. | Improved situational awareness for power distribution systems based on wlav estimator and direct load flow solution | |
Zhao et al. | Fault section location for distribution network containing DG based on IBQPSO |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |