CN115793456A - 基于轻量型灵敏度的配电网边缘侧多模态自适应控制方法 - Google Patents

基于轻量型灵敏度的配电网边缘侧多模态自适应控制方法 Download PDF

Info

Publication number
CN115793456A
CN115793456A CN202211508800.5A CN202211508800A CN115793456A CN 115793456 A CN115793456 A CN 115793456A CN 202211508800 A CN202211508800 A CN 202211508800A CN 115793456 A CN115793456 A CN 115793456A
Authority
CN
China
Prior art keywords
distribution network
power distribution
sensitivity
node
matrix
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
CN202211508800.5A
Other languages
English (en)
Inventor
朱泰鹏
梁盈威
代昊琦
刘竹青
苏华权
冯歆尧
张子麒
李鹏
冀浩然
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.)
Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid 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 Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202211508800.5A priority Critical patent/CN115793456A/zh
Publication of CN115793456A publication Critical patent/CN115793456A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明的基于轻量型灵敏度的配电网边缘侧多模态自适应控制方法，立足于解决网络参数不可知或不准确情况下的配电网多模态自适应控制问题。本发明通过对历史数据的有效提炼，可以准确模拟配电网全局灵敏度，并利用配电网全局灵敏度在边缘侧构建多模态自适应优化控制模型，有效避免了网络参数不可知或不准确情况下配电网运行约束无法建立的问题，同时，通过构建多元模态选择目标函数，可以实现配电网边缘侧运行控制模态的自适应选择，突出了不同模态的控制效果差异，提升配电网边缘侧运行控制的灵活性，促进配电网网络损耗降低、电压偏差减小、线路负载均衡，支撑高比例分布式电源接入下配电网边缘侧的灵活经济运行。

Description

基于轻量型灵敏度的配电网边缘侧多模态自适应控制方法
技术领域
本发明涉及一种配电网边缘侧多模态自适应控制方法。特别是涉及一种基于轻量型灵敏度的配电网边缘侧多模态自适应控制方法。
背景技术
分布式电源(Distributed generators，DGs)大规模、高比例接入，对配电网的稳定运行提出诸多挑战。由于分布式电源间歇性和不确定性强，使配电网运行波动性剧增，潮流流向更加多变，对配电网的经济安全运行造成了严重冲击，并导致配电网的优化与控制方式变得更加复杂。
边缘计算技术能够使数据在靠近数据来源的配电网边缘侧完成就地化的数据分析与处理功能，从而大幅降低数据规模，提高运算速度。边缘计算技术以及在此基础上实现的云-边协同运行模式，与高比例分布式电源接入下配电网运行控制架构有着极高的契合度，可作为配电网灵活运行控制的一种实现方案。云-边协同控制延续了“分层+分区”的运行控制思想，有效避免了海量信息向配网主站汇集带来的信息传输压力、集中求解全局优化问题面临的计算压力以及复杂调控问题的求解难度和效率等问题，同时拥有可以媲美集中式方法优化效果。
发明内容
本发明所要解决的技术问题是，为了克服现的技术的不足，提供一种针对高比例分布式电源接入下配网运行的基于轻量型灵敏度的配电网边缘侧多模态自适应控制方法。
本发明所采用的技术方案是：一种基于轻量型灵敏度的配电网边缘侧多模态自适应控制方法，包括如下步骤：
1)根据选定的配电网，划分各边缘计算装置的所辖区域并输入配电网参数；输入配电网Nd个典型日的历史潮流数据；设置训练样本的采样总时长ΔT、采样时间间隔Δt；设置双通道图卷积神经网络模型参数，包括学习率γ、正则化系数β、完整遍历训练集的次数E；
2)依据步骤1)中的配电网Nd个典型日的历史潮流数据，在云端构建双通道图卷积神经网络模型及其训练集，完成双通道图卷积神经网络模型的训练，基于训练后的双通道图卷积神经网络模型生成轻量型灵敏度曲线；
3)将步骤2)中轻量型灵敏度曲线下发至配电网各边缘侧的边缘计算装置，构建灵敏度分段线性化约束；
4)在配电网各边缘侧建立基于轻量型灵敏度的配电网边缘侧多模态自适应控制模型，包括：设定配电网边缘侧运行模态提升效果最大为目标函数，分别考虑灵敏度分段线性化约束、配电网安全运行约束、分布式电源运行约束；
5)对步骤4)得到的基于轻量型灵敏度的配电网边缘侧多模态自适应控制模型进行求解，输出求解结果，包括：配电网边缘侧区域的控制模态、各分布式电源的运行控制策略。
本发明的基于轻量型灵敏度的配电网边缘侧多模态自适应控制方法，立足于解决网络参数不可知或不准确情况下的配电网多模态自适应控制问题。本发明通过对历史数据的有效提炼，可以准确模拟配电网全局灵敏度，并利用配电网全局灵敏度在边缘侧构建多模态自适应优化控制模型，有效避免了网络参数不可知或不准确情况下配电网运行约束无法建立的问题，同时，通过构建多元模态选择目标函数，可以实现配电网边缘侧运行控制模态的自适应选择，突出了不同模态的控制效果差异，提升配电网边缘侧运行控制的灵活性，促进配电网网络损耗降低、电压偏差减小、线路负载均衡，支撑高比例分布式电源接入下配电网边缘侧的灵活经济运行。
附图说明
图1是本发明基于轻量型灵敏度的配电网边缘侧多模态自适应控制方法的流程图；
图2是修改后的IEEE 33节点配电网算例结构图；
图3a是方案I的系统电压分布图；
图3b是方案II的系统电压分布图；
图4a是方案I的系统线路负载率分布图；
图4b是方案II的系统线路负载率分布图；
图5是方案II各边缘侧区域控制模态选择结果；
图6是方案I、方案II与方案III网络损耗对比图。
具体实施方式
下面结合实施例和附图对本发明的基于轻量型灵敏度的配电网边缘侧多模态自适应控制方法做出详细说明。
如图1所示，本发明的基于轻量型灵敏度的配电网边缘侧多模态自适应控制方法，包括如下步骤：
1)根据选定的配电网，划分各边缘计算装置的所辖区域并输入配电网参数，所述的配电网参数，包括配电网的网络拓扑连接关系，分布式电源接入位置、容量及参数；输入配电网Nd个典型日的历史潮流数据；设置训练样本的采样总时长ΔT、采样时间间隔Δt；设置双通道图卷积神经网络模型参数，包括学习率γ、正则化系数β、完整遍历训练集的次数E；
2)依据步骤1)中的配电网Nd个典型日的历史潮流数据，在云端构建双通道图卷积神经网络模型及其训练集，完成双通道图卷积神经网络模型的训练，基于训练后的双通道图卷积神经网络模型生成轻量型灵敏度曲线；其中：
所述的在云端构建双通道图卷积神经网络模型及其训练集，包括确定训练集中训练样本的个数、各训练样本的组成以及对训练样本进行预处理；其中，
所述的确定训练集中训练样本的个数表示为：双通道图卷积神经网络模型的训练集基于Nd个典型日的历史潮流数据构建，设定采样总时长为ΔT，采样时间间隔为Δt，因此，双通道图卷积神经网络模型的训练集共包含Nd×ΔT/Δt个训练样本；确定各训练样本的组成，表示为：
每个训练样本由特征信息矩阵X、拓扑信息矩阵A、分布式电源无功出力信息矩阵D、标签矩阵Z四个矩阵组成，双通道图卷积神经网络模型的通道1以特征信息矩阵X、拓扑信息矩阵A为输入，通道2以分布式电源出力信息矩阵D为输入，对标签矩阵Z进行拟合；
所述的配电网拓扑信息矩阵A，用于表示节点与节点间的连接关系，第n个训练样本的配电网拓扑信息矩阵An表示为：
Figure BDA0003969851740000031
Figure BDA0003969851740000032
式中，
Figure BDA0003969851740000033
为第n个训练样本的拓扑信息矩阵An的第i行第j列元素，N为配电网节点总数；
所述的特征信息矩阵X，表征当前训练样本的特征信息，第n个训练样本的特征信息矩阵Xn由采样时刻节点的电压值和线路的无功功率值组成，表示为：
Figure BDA0003969851740000034
式中，
Figure BDA0003969851740000035
表示第n个训练样本的特征信息矩阵Xn第i行第k列元素，N为配电网节点总数，I为模型的输入特征个数；
所述的分布式电源无功出力信息矩阵D，表示配电网中的分布式电源无功出力变化情况，第n个训练样本的分布式电源无功出力信息矩阵Dn表示为：
Figure BDA0003969851740000036
式中，
Figure BDA0003969851740000037
表示第n个训练样本的分布式电源无功出力信息矩阵Dn第g行元素，即g个分布式电源的无功出力变化；G为配电网中分布式电源总数；
所述的标签矩阵Z，表示训练样本输出特征的标签值，即真实的配电网状态变化，包括节点电压值变化和线路无功功率值变化，第n个训练样本的标签矩阵Zn表示为：
Figure BDA0003969851740000038
式中，
Figure BDA0003969851740000041
表示第n个训练样本的标签矩阵Zn第i行第k列元素；N为配电网节点总数；O为输出特征个数；
所述的对训练样本进行预处理，表示为：
在进行模型训练前，对训练集中训练样本的特征信息矩阵X和标签矩阵Z中各元素进行预处理；
其中，对第n个训练样本的特征信息矩阵Xn进行预处理表示为：
Figure BDA0003969851740000042
式中，
Figure BDA0003969851740000043
为预处理前第n个训练样本的特征信息矩阵Xn中第i个节点的第k个输入特征，
Figure BDA0003969851740000044
为预处理后第n个训练样本的特征信息矩阵Xn中第i个节点的第k个输入特征，
Figure BDA0003969851740000045
为训练样本的特征信息矩阵X中第k个输入特征所有元素的均值，
Figure BDA0003969851740000046
为训练样本的特征信息矩阵X中第k个输入特征所有元素的方差；
所述的对第n个训练样本的标签矩阵Zn进行预处理表示为：
Figure BDA0003969851740000047
式中，
Figure BDA0003969851740000048
为预处理前第n个训练样本的标签矩阵Zn中第i个节点输出特征的标签值，
Figure BDA0003969851740000049
为预处理后第n个训练样本的标签矩阵Zn中第i个节点输出特征的标签值，μZ为训练样本的标签矩阵Z中输出特征所有元素的均值，δZ为训练样本的标签矩阵Z中输出特征所有元素的方差。
所述的双通道图卷积神经网络模型表示为：
Figure BDA00039698517400000410
F(θ+1)＝σ(K(θ)F(θ)+b(θ)) (9)
σ(x)＝sigmoid(x)＝1/(1+e-x) (10)
式中，H(θ+1)为双通道图卷积神经网络模型的通道1第θ+1层隐藏层的输出；H(θ)为双通道图卷积神经网络模型的通道1第θ层隐藏层的输出；A为拓扑信息矩阵，
Figure BDA00039698517400000411
为归一化拓扑信息矩阵，IN为N阶单位矩阵，N为配电网节点总数，N为配电网节点总数；
Figure BDA00039698517400000412
为对角阵，
Figure BDA00039698517400000413
为
Figure BDA00039698517400000414
矩阵的对角线元素，
Figure BDA00039698517400000415
为归一化拓扑信息矩阵第i行第j列元素；W(θ)为双通道图卷积神经网络模型的通道1第θ层的权重矩阵；F(θ+1)为双通道图卷积神经网络模型的通道2第θ+1层隐藏层的输出；F(θ)为双通道图卷积神经网络模型的通道2第θ层隐藏层的输出；K(θ)为双通道图卷积神经网络模型的通道2第θ层的权重矩阵；b(θ)为双通道图卷积神经网络模型的通道2第θ层的偏置矩阵；σ(·)为非线性激活函数，sigmoid(·)为双曲正弦激活函数；
双通道图卷积神经网络模型以有监督的方式进行训练，并以均方误差作为损失函数衡量拟合误差，表示为：
Figure BDA00039698517400000416
式中，
Figure BDA00039698517400000417
和
Figure BDA00039698517400000418
分别为第n个训练样本第i行第k列输出特征的拟合值和真实值，NC为训练样本个数；N为配电网节点总数；O为输出特征个数。
3)将步骤2)中轻量型灵敏度曲线下发至配电网各边缘侧的边缘计算装置，构建灵敏度分段线性化约束；
所述的灵敏度分段线性化约束，是指对轻量型灵敏度曲线进行简化，表示为：
Figure BDA0003969851740000051
式中，ρ表示节点有功功率P或节点无功功率Q，Δρ为功率变化值；
Figure BDA0003969851740000052
表示功率ρ的分段线性化灵敏度函数的数学表达，ρb为分段线性化灵敏度函数第b个转折点，fρ(ρb)为真实灵敏度函数在分段点ρb处的取值；αb、βb为辅助变量；b为转折点索引，B为转折点总数。
4)在配电网各边缘侧建立基于轻量型灵敏度的配电网边缘侧多模态自适应控制模型，包括：设定配电网边缘侧运行模态提升效果最大为目标函数，分别考虑灵敏度分段线性化约束、配电网安全运行约束、分布式电源运行约束；其中：
所述的设定配电网边缘侧运行模态提升效果F最大为目标函数，表示为：
Figure BDA0003969851740000053
式中，
Figure BDA0003969851740000054
表示边缘区域e在t时刻运行模态C的标志位，
Figure BDA0003969851740000055
为边缘区域e在t时刻对应运行模态C优化后的运行成本，
Figure BDA0003969851740000056
为边缘区域e在t时刻优化前的运行成本；
由于边缘区域e在t时刻只能在一种运行模态下工作，模态选择约束表示为：
Figure BDA0003969851740000057
式中，ΩM表示控制模态集合；ΩE表示边缘区域集合；LC、VC、LB分别表示网络损耗控制模态、电压偏差控制模态和负载均衡控制模态；
Figure BDA0003969851740000058
表示边缘区域e在t时刻选择运行模态C；T表示时间断面总数；
所述的网络损耗控制模态LC，用以减小系统的有功功率损耗，网络损耗控制模态运行成本
Figure BDA0003969851740000059
表示为：
Figure BDA00039698517400000510
式中，
Figure BDA00039698517400000511
表示配电网边缘区域e中所有支路集合；rij为支路ij的电阻值；cLC为网络损耗单位成本；Iij表示支路ij上的电流幅值，以式(16)计算：
Figure BDA0003969851740000061
式中，Pij、Qij分别表示配电网支路ij上的有功功率和无功功率；Vi表示节点i的电压幅值；
当无法获得系统网络参数时，网络损耗控制模态运行成本
Figure BDA0003969851740000062
以式(17)计算。
Figure BDA0003969851740000063
所述的电压偏差控制模态VC，用以减小系统的电压偏差，电压偏差控制模态运行成本
Figure BDA00039698517400000617
表示为：
Figure BDA0003969851740000064
Figure BDA0003969851740000065
式中，
Figure BDA0003969851740000066
表示配电网边缘区域e中所有节点集合；
Figure BDA0003969851740000067
为节点i电压偏差单位成本；
Figure BDA0003969851740000068
为边缘区域e节点i的电压偏差成本；Vop、
Figure BDA0003969851740000069
分别表示配电网节点电压控制死区下限和死区上限；Pi为节点i上负荷的有功功率；
引入辅助变量
Figure BDA00039698517400000610
对式(19)进行线性化，表示为：
Figure BDA00039698517400000611
辅助变量
Figure BDA00039698517400000612
约束表示为：
Figure BDA00039698517400000613
所述的负载均衡控制模态LB，用以降低系统的负载不均衡度，负载均衡控制模态运行成本
Figure BDA00039698517400000614
表示为：
Figure BDA00039698517400000615
Figure BDA00039698517400000616
式中，
Figure BDA0003969851740000071
表示配电网边缘区域e中所有支路集合；
Figure BDA0003969851740000072
为支路ij下游节点的集合；
Figure BDA0003969851740000073
为支路ij的负载不均衡单位成本；
Figure BDA0003969851740000074
为边缘区域e中支路ij的负载不均衡成本；
Figure BDA0003969851740000075
表示支路ij的最大电流值；
Figure BDA0003969851740000076
表示支路ij的电流控制阈值；Iij表示支路ij上的电流幅值；Pm为节点m的负荷有功功率；
引入辅助变量
Figure BDA0003969851740000077
对式(22)进行线性化，表示为：
Figure BDA0003969851740000078
辅助变量
Figure BDA0003969851740000079
约束表示为：
Figure BDA00039698517400000710
Figure BDA00039698517400000711
所述的配电网安全运行约束，表示为：
Vi min≤Vi≤Vi max (27)
Figure BDA00039698517400000712
式中，Vi为节点i的电压幅值；Vi max和Vi min分别为节点i电压安全运行上下限；Iij表示支路ij上的电流幅值；
Figure BDA00039698517400000713
为支路ij的最大电流值。
所述的分布式电源运行约束，表示为：
Figure BDA00039698517400000714
式中，
Figure BDA00039698517400000715
和
Figure BDA00039698517400000716
分别为节点i分布式电源的有功和无功出力；Pi max和Pi min分别为节点i分布式电源的有功出力上下限；
Figure BDA00039698517400000717
和
Figure BDA00039698517400000718
分别为节点i分布式电源的无功出力上下限；
Figure BDA00039698517400000719
为节点i分布式电源逆变器的接入容量。
5)对步骤4)得到的基于轻量型灵敏度的配电网边缘侧多模态自适应控制模型进行求解，输出求解结果，包括：配电网边缘侧区域的控制模态、各分布式电源的运行控制策略。
下面给出实施例。
对于本实施例，修改后的IEEE 33节点配电网算例结构如图2所示，首先输入配电网络拓扑连接关系，分布式电源接入位置、容量及参数，预测的分布式电源、负荷出力曲线以及配电网的历史潮流数据，详细参数见表1和表2。节点12、节点13、节点17、节点21、节点30和节点32分别接入一组光伏系统，有功容量均为100kW；节点16、节点18、节点22、节点31和节点33分别接入一组风机，有功容量均为200kW；电压允许波动区间上下限分别为1.05和0.95，线路负载率允许波动区间上限为20％；设置典型日个数Nd＝100，训练样本的采样总时长ΔT＝24h、采样时间间隔Δt＝5min。
为充分验证本发明方法的先进性，本实施例中，采取如下三种方案进行对比分析：
方案I：不优化，获得配电网初始状态；
方案II：以图卷积神经网络拟合电压灵敏度和线路无功灵敏度，利用所提基于轻量型灵敏度的配电网边缘侧多模态自适应控制方法选择边缘侧运行控制模态、优化边缘侧控制策略；
方案III：基于集中式方法优化分布式电源控制策略。
方案I、方案II和方案III的优化结果对比见表3，方案I和方案II的系统电压分布对比见图3a、图3b，方案I和方案II的系统线路负载率分布见图4a、图4b，各边缘侧区域的运行模态选择结果见图5，方案I、方案II与方案III的网络损耗对比见图6所示。
执行优化计算的计算机硬件环境为Intel(R)Core(TM)i7-9750H CPU，主频为2.60GHz，内存为16GB；软件环境为Windows 10操作系统。
由方案I和II对比可以看出，当不进行优化时，此时系统存在节点电压越限、网络损耗过大、线路负载分布不均等问题。采用本发明的一种基于轻量型灵敏度的配电网边缘侧多模态自适应控制方法对分布式电源出力进行优化后，可以充分发挥分布式电源控制潜力，减小系统电压波动，降低系统网络损耗，减小系统负载不均衡水平，提升系统运行效果。
由方案II和III对比可以看出，利用本发明的基于轻量型灵敏度的配电网边缘侧多模态自适应控制方法有效的实现对分布式电源控制策略的快速制定，并获得与集中式近似的优化效果。
表1IEEE 33节点算例负荷接入位置及功率
Figure BDA0003969851740000081
表2IEEE 33节点算例线路参数
Figure BDA0003969851740000082
Figure BDA0003969851740000091
表3不同控制策略下的仿真结果比较
Figure BDA0003969851740000092

Claims (8)

1.一种基于轻量型灵敏度的配电网边缘侧多模态自适应控制方法，其特征在于，包括如下步骤：
1)根据选定的配电网，划分各边缘计算装置的所辖区域并输入配电网参数；输入配电网Nd个典型日的历史潮流数据；设置训练样本的采样总时长ΔT、采样时间间隔Δt；设置双通道图卷积神经网络模型参数，包括学习率γ、正则化系数β、完整遍历训练集的次数E；
2)依据步骤1)中的配电网Nd个典型日的历史潮流数据，在云端构建双通道图卷积神经网络模型及其训练集，完成双通道图卷积神经网络模型的训练，基于训练后的双通道图卷积神经网络模型生成轻量型灵敏度曲线；
3)将步骤2)中轻量型灵敏度曲线下发至配电网各边缘侧的边缘计算装置，构建灵敏度分段线性化约束；
4)在配电网各边缘侧建立基于轻量型灵敏度的配电网边缘侧多模态自适应控制模型，包括：设定配电网边缘侧运行模态提升效果最大为目标函数，分别考虑灵敏度分段线性化约束、配电网安全运行约束、分布式电源运行约束；
5)对步骤4)得到的基于轻量型灵敏度的配电网边缘侧多模态自适应控制模型进行求解，输出求解结果，包括：配电网边缘侧区域的控制模态、各分布式电源的运行控制策略。
2.根据权利要求1所述的基于轻量型灵敏度的配电网边缘侧多模态自适应控制方法，其特征在于，步骤1)所述的配电网参数，包括配电网的网络拓扑连接关系，分布式电源接入位置、容量及参数。
3.根据权利要求1所述的基于轻量型灵敏度的配电网边缘侧多模态自适应控制方法，其特征在于，步骤2)所述的在云端构建双通道图卷积神经网络模型及其训练集，包括确定训练集中训练样本的个数、各训练样本的组成以及对训练样本进行预处理；其中，
所述的确定训练集中训练样本的个数表示为：双通道图卷积神经网络模型的训练集基于Nd个典型日的历史潮流数据构建，设定采样总时长为ΔT，采样时间间隔为Δt，因此，双通道图卷积神经网络模型的训练集共包含Nd×ΔT/Δt个训练样本；确定各训练样本的组成，表示为：
每个训练样本由特征信息矩阵X、拓扑信息矩阵A、分布式电源无功出力信息矩阵D、标签矩阵Z四个矩阵组成，双通道图卷积神经网络模型的通道1以特征信息矩阵X、拓扑信息矩阵A为输入，通道2以分布式电源出力信息矩阵D为输入，对标签矩阵Z进行拟合；
所述的配电网拓扑信息矩阵A，用于表示节点与节点间的连接关系，第n个训练样本的配电网拓扑信息矩阵An表示为：
Figure FDA0003969851730000011
Figure FDA0003969851730000021
式中，
Figure FDA0003969851730000022
为第n个训练样本的拓扑信息矩阵An的第i行第j列元素，N为配电网节点总数；
所述的特征信息矩阵X，表征当前训练样本的特征信息，第n个训练样本的特征信息矩阵Xn由采样时刻节点的电压值和线路的无功功率值组成，表示为：
Figure FDA0003969851730000023
式中，
Figure FDA0003969851730000024
表示第n个训练样本的特征信息矩阵Xn第i行第k列元素，N为配电网节点总数，I为模型的输入特征个数；
所述的分布式电源无功出力信息矩阵D，表示配电网中的分布式电源无功出力变化情况，第n个训练样本的分布式电源无功出力信息矩阵Dn表示为：
Figure FDA0003969851730000025
式中，
Figure FDA0003969851730000026
表示第n个训练样本的分布式电源无功出力信息矩阵Dn第g行元素，即g个分布式电源的无功出力变化；G为配电网中分布式电源总数；
所述的标签矩阵Z，表示训练样本输出特征的标签值，即真实的配电网状态变化，包括节点电压值变化和线路无功功率值变化，第n个训练样本的标签矩阵Zn表示为：
Figure FDA0003969851730000027
式中，
Figure FDA0003969851730000028
表示第n个训练样本的标签矩阵Zn第i行第k列元素；N为配电网节点总数；O为输出特征个数；
所述的对训练样本进行预处理，表示为：
在进行模型训练前，对训练集中训练样本的特征信息矩阵X和标签矩阵Z中各元素进行预处理；
其中，对第n个训练样本的特征信息矩阵Xn进行预处理表示为：
Figure FDA0003969851730000029
式中，
Figure FDA0003969851730000031
为预处理前第n个训练样本的特征信息矩阵Xn中第i个节点的第k个输入特征，
Figure FDA0003969851730000032
为预处理后第n个训练样本的特征信息矩阵Xn中第i个节点的第k个输入特征，
Figure FDA0003969851730000033
为训练样本的特征信息矩阵X中第k个输入特征所有元素的均值，
Figure FDA0003969851730000034
为训练样本的特征信息矩阵X中第k个输入特征所有元素的方差；
所述的对第n个训练样本的标签矩阵Zn进行预处理表示为：
Figure FDA0003969851730000035
式中，
Figure FDA0003969851730000036
为预处理前第n个训练样本的标签矩阵Zn中第i个节点输出特征的标签值，
Figure FDA0003969851730000037
为预处理后第n个训练样本的标签矩阵Zn中第i个节点输出特征的标签值，μZ为训练样本的标签矩阵Z中输出特征所有元素的均值，δZ为训练样本的标签矩阵Z中输出特征所有元素的方差。
4.根据权利要求1所述的基于轻量型灵敏度的配电网边缘侧多模态自适应控制方法，其特征在于，步骤2)所述的双通道图卷积神经网络模型表示为：
Figure FDA0003969851730000038
F(θ+1)＝σ(K(θ)F(θ)+b(θ)) (9)
σ(x)＝sigmoid(x)＝1/(1+e-x) (10)
式中，H(θ+1)为双通道图卷积神经网络模型的通道1第θ+1层隐藏层的输出；H(θ)为双通道图卷积神经网络模型的通道1第θ层隐藏层的输出；A为拓扑信息矩阵，
Figure FDA0003969851730000039
为归一化拓扑信息矩阵，IN为N阶单位矩阵，N为配电网节点总数，N为配电网节点总数；
Figure FDA00039698517300000310
为对角阵，
Figure FDA00039698517300000311
为
Figure FDA00039698517300000312
矩阵的对角线元素，
Figure FDA00039698517300000313
为归一化拓扑信息矩阵第i行第j列元素；W(θ)为双通道图卷积神经网络模型的通道1第θ层的权重矩阵；F(θ+1)为双通道图卷积神经网络模型的通道2第θ+1层隐藏层的输出；F(θ)为双通道图卷积神经网络模型的通道2第θ层隐藏层的输出；K(θ)为双通道图卷积神经网络模型的通道2第θ层的权重矩阵；b(θ)为双通道图卷积神经网络模型的通道2第θ层的偏置矩阵；σ(·)为非线性激活函数，sigmoid(·)为双曲正弦激活函数；
双通道图卷积神经网络模型以有监督的方式进行训练，并以均方误差作为损失函数衡量拟合误差，表示为：
Figure FDA00039698517300000314
式中，
Figure FDA00039698517300000315
和
Figure FDA00039698517300000316
分别为第n个训练样本第i行第k列输出特征的拟合值和真实值，NC为训练样本个数；N为配电网节点总数；O为输出特征个数。
5.根据权利要求1所述的基于轻量型灵敏度的配电网边缘侧多模态自适应控制方法，其特征在于，步骤3)所述的灵敏度分段线性化约束，是指对轻量型灵敏度曲线进行简化，表示为：
Δρ＝α1ρ1+α2ρ2+…+αbρb+…+αB-1ρB-1+αBρB (12)
Figure FDA0003969851730000041
α1≤β1,αB≤βB-1
αb≤βb+βb-1,b＝2,3,…,B-1
Figure FDA0003969851730000042
0≤αb≤1,βb∈{0,1}
式中，ρ表示节点有功功率P或节点无功功率Q，Δρ为功率变化值；
Figure FDA0003969851730000043
表示功率ρ的分段线性化灵敏度函数的数学表达，ρb为分段线性化灵敏度函数第b个转折点，fρ(ρb)为真实灵敏度函数在分段点ρb处的取值；αb、βb为辅助变量；b为转折点索引，B为转折点总数。
6.根据权利要求1所述的基于轻量型灵敏度的配电网边缘侧多模态自适应控制方法，其特征在于，步骤4)所述的设定配电网边缘侧运行模态提升效果F最大为目标函数，表示为：
Figure FDA0003969851730000044
式中，
Figure FDA0003969851730000045
表示边缘区域e在t时刻运行模态C的标志位，
Figure FDA0003969851730000046
为边缘区域e在t时刻对应运行模态C优化后的运行成本，
Figure FDA0003969851730000047
为边缘区域e在t时刻优化前的运行成本；
由于边缘区域e在t时刻只能在一种运行模态下工作，模态选择约束表示为：
Figure FDA0003969851730000048
式中，ΩM表示控制模态集合；ΩE表示边缘区域集合；LC、VC、LB分别表示网络损耗控制模态、电压偏差控制模态和负载均衡控制模态；
Figure FDA0003969851730000049
表示边缘区域e在t时刻选择运行模态C；T表示时间断面总数；
所述的网络损耗控制模态LC，用以减小系统的有功功率损耗，网络损耗控制模态运行成本fe LC表示为：
Figure FDA00039698517300000410
式中，
Figure FDA00039698517300000411
表示配电网边缘区域e中所有支路集合；rij为支路ij的电阻值；cLC为网络损耗单位成本；Iij表示支路ij上的电流幅值，以式(16)计算：
Figure FDA00039698517300000412
式中，Pij、Qij分别表示配电网支路ij上的有功功率和无功功率；Vi表示节点i的电压幅值；
当无法获得系统网络参数时，网络损耗控制模态运行成本
Figure FDA00039698517300000413
以式(17)计算。
Figure FDA0003969851730000051
所述的电压偏差控制模态VC，用以减小系统的电压偏差，电压偏差控制模态运行成本
Figure FDA0003969851730000052
表示为：
Figure FDA0003969851730000053
Figure FDA0003969851730000054
式中，
Figure FDA0003969851730000055
表示配电网边缘区域e中所有节点集合；
Figure FDA0003969851730000056
为节点i电压偏差单位成本；
Figure FDA0003969851730000057
为边缘区域e节点i的电压偏差成本；V op、
Figure FDA0003969851730000058
分别表示配电网节点电压控制死区下限和死区上限；Pi为节点i上负荷的有功功率；
引入辅助变量
Figure FDA0003969851730000059
对式(19)进行线性化，表示为：
Figure FDA00039698517300000510
辅助变量
Figure FDA00039698517300000511
约束表示为：
Figure FDA00039698517300000512
所述的负载均衡控制模态LB，用以降低系统的负载不均衡度，负载均衡控制模态运行成本fe LB表示为：
Figure FDA00039698517300000513
Figure FDA00039698517300000514
式中，
Figure FDA00039698517300000515
表示配电网边缘区域e中所有支路集合；
Figure FDA00039698517300000516
为支路ij下游节点的集合；
Figure FDA00039698517300000517
为支路ij的负载不均衡单位成本；
Figure FDA00039698517300000518
为边缘区域e中支路ij的负载不均衡成本；
Figure FDA00039698517300000519
表示支路ij的最大电流值；
Figure FDA0003969851730000061
表示支路ij的电流控制阈值；Iij表示支路ij上的电流幅值；Pm为节点m的负荷有功功率；
引入辅助变量
Figure FDA0003969851730000062
对式(22)进行线性化，表示为：
Figure FDA0003969851730000063
辅助变量
Figure FDA0003969851730000064
约束表示为：
Figure FDA0003969851730000065
Figure FDA0003969851730000066
7.根据权利要求1所述的基于轻量型灵敏度的配电网边缘侧多模态自适应控制方法，其特征在于，步骤4)所述的配电网安全运行约束，表示为：
Vi min≤Vi≤Vi max (27)
Figure FDA0003969851730000067
式中，Vi为节点i的电压幅值；Vi max和Vi min分别为节点i电压安全运行上下限；Iij表示支路ij上的电流幅值；
Figure FDA0003969851730000068
为支路ij的最大电流值。
8.根据权利要求1所述的基于轻量型灵敏度的配电网边缘侧多模态自适应控制方法，其特征在于，步骤4)所述的分布式电源运行约束，表示为：
Figure FDA0003969851730000069
式中，Pi DG和
Figure FDA00039698517300000610
分别为节点i分布式电源的有功和无功出力；Pi max和Pi min分别为节点i分布式电源的有功出力上下限；
Figure FDA00039698517300000611
和
Figure FDA00039698517300000612
分别为节点i分布式电源的无功出力上下限；
Figure FDA00039698517300000613
为节点i分布式电源逆变器的接入容量。
CN202211508800.5A 2022-11-29 2022-11-29 基于轻量型灵敏度的配电网边缘侧多模态自适应控制方法 Pending CN115793456A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211508800.5A CN115793456A (zh) 2022-11-29 2022-11-29 基于轻量型灵敏度的配电网边缘侧多模态自适应控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211508800.5A CN115793456A (zh) 2022-11-29 2022-11-29 基于轻量型灵敏度的配电网边缘侧多模态自适应控制方法

Publications (1)

Publication Number Publication Date
CN115793456A true CN115793456A (zh) 2023-03-14

Family

ID=85442897

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211508800.5A Pending CN115793456A (zh) 2022-11-29 2022-11-29 基于轻量型灵敏度的配电网边缘侧多模态自适应控制方法

Country Status (1)

Country Link
CN (1) CN115793456A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116388296A (zh) * 2023-04-04 2023-07-04 山东大学 一种基于灵敏度映射的功角稳定控制方法和系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116388296A (zh) * 2023-04-04 2023-07-04 山东大学 一种基于灵敏度映射的功角稳定控制方法和系统
CN116388296B (zh) * 2023-04-04 2024-01-23 山东大学 一种基于灵敏度映射的功角稳定控制方法和系统

Similar Documents

Publication Publication Date Title
CN106022521B (zh) 基于Hadoop架构的分布式BP神经网络的短期负荷预测方法
Yao et al. Identification method for a class of periodic discrete-time dynamic nonlinear systems based on Sinusoidal ESN
CN105631483A (zh) 一种短期用电负荷预测方法及装置
CN113471982B (zh) 云边协同与电网隐私保护的分布式电源就地电压控制方法
CN111723839B (zh) 一种基于边缘计算的台区线损率预测方法
CN108053077A (zh) 一种基于区间二型t-s模糊模型的短期风速预测方法与系统
CN113468817B (zh) 一种基于igoa优化elm的超短期风电功率预测方法
Tian et al. Time-delay compensation method for networked control system based on time-delay prediction and implicit PIGPC
CN106897942B (zh) 一种配电网分布式并行状态估计方法及装置
CN106548270A (zh) 一种光伏电站功率异常数据辨识方法及装置
CN116307291B (zh) 一种基于小波分解的分布式光伏发电预测方法及预测终端
CN115793456A (zh) 基于轻量型灵敏度的配电网边缘侧多模态自适应控制方法
CN112819189A (zh) 一种基于历史预测值的风力出力预测方法
Chen et al. Research on wind power prediction method based on convolutional neural network and genetic algorithm
CN104021315A (zh) 基于bp神经网络的电厂厂用电率计算方法
Zeng et al. Short-term load forecasting of smart grid systems by combination of general regression neural network and least squares-support vector machine algorithm optimized by harmony search algorithm method
CN113328467B (zh) 一种概率电压稳定性评估方法、系统、终端设备及介质
CN114240687A (zh) 一种适用于综合能源系统的能源托管效率分析方法
CN117394313A (zh) 一种电力系统暂态稳定评估方法、系统、芯片及设备
CN113422371A (zh) 一种基于图卷积神经网络的分布式电源就地电压控制方法
CN116865343B (zh) 分布式光伏配电网的无模型自适应控制方法、装置及介质
CN113705929B (zh) 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法
CN117239770B (zh) 一种分布式电源电压实时控制方法和系统
CN114221334A (zh) 一种基于图神经网络的快速状态估计方法
Hassan-Moghaddam et al. Distributed proximal augmented Lagrangian method for nonsmooth composite optimization

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