CN115860212A - 一种配电网的风险预测方法与终端 - Google Patents
一种配电网的风险预测方法与终端 Download PDFInfo
- Publication number
- CN115860212A CN115860212A CN202211514333.7A CN202211514333A CN115860212A CN 115860212 A CN115860212 A CN 115860212A CN 202211514333 A CN202211514333 A CN 202211514333A CN 115860212 A CN115860212 A CN 115860212A
- Authority
- CN
- China
- Prior art keywords
- matrix
- power
- follows
- semi
- function
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种配电网的风险预测方法与终端,其特征在于,获取配电网设备的实时监测数据、历史数据以及所述历史数据所关联的基本数据,并对所述历史数据以及所述基本数据进行预处理,生成初始矩阵;将所述实时监测数据以及所述初始矩阵输入基于时序注意力机制的长短时间记忆神经网络模型,输出负荷预测矩阵;根据所述负荷预测矩阵,采用基于半不变量法的潮流计算,并通过Gram‑Charlier级数展开逼近得到节点电压和支路潮流的概率密度函数和累积分布函数,确定风险概率;实现风险预测,提高配网风险评估的有效性、实时性和准确性。
Description
技术领域
本发明涉及配电网风险预测技术领域,特别涉及一种配电网的风险预测方法与终端。
背景技术
配电网直接面向用户,承担着分配电能的关键职能,在保证供电质量,提高电网运行效率与安全可靠性,促进光伏、风电等新能源并网消纳等方面起着重要的作用。但传统的故障定位技术与管理水平难以适应智能配电网以及透明配电网的特殊要求。分布式电源广泛接入和电动汽车保有量逐渐上涨对配电线路的运行造成了深远的影响,极大地影响了供电安全。
目前,常规的配电网状负荷预测方法主要依赖于模糊算法、专家评估法和神经网络法。前两者严重依赖于主观评估矩阵,神经网络存在收敛速度慢和易陷入局部最优;支持向量机处理配电网故障诊断多分类问题精度低,一般的循环神经网络、长短时间记忆神经网络存在依赖大量数据、学习效率低下、计算时间过长和准确率不高等问题,没能充分利用实时数据集和历史运维数据。
随着新能源规模的日益扩大,新能源电站的出力往往呈现较强的相关性,在传统的随机潮流算法中对强相关性随机变量考虑较少。在数字孪生框架下,如何充分发挥智能算法优势,利用有效信息,提高配网风险评估的有效性、实时性和准确性,是当前有待解决的技术问题。
发明内容
本发明所要解决的技术问题是:提供一种配电网的风险预测方法与终端,提高配网风险评估的有效性、实时性和准确性。
为了解决上述技术问题,本发明采用的技术方案为:
一种配电网的风险预测方法,包括步骤:
S1、获取配电网设备的实时监测数据、历史数据以及所述历史数据所关联的基本数据,并对所述历史数据以及所述基本数据进行预处理,生成初始矩阵;
所述基本数据为影响配电网安全运行的外部数据;
S2、将所述实时监测数据以及所述初始矩阵输入基于时序注意力机制的长短时间记忆神经网络模型,输出负荷预测矩阵;
S3、根据所述负荷预测矩阵,采用基于半不变量法的潮流计算,并通过Gram-Charlier级数展开逼近得到节点电压和支路潮流的概率密度函数和累积分布函数,确定风险概率。
为了解决上述技术问题,本发明采用的另一种技术方案为:
一种配电网的风险预测终端,包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
S1、获取配电网设备的实时监测数据、历史数据以及所述历史数据所关联的基本数据,并对所述历史数据以及所述基本数据进行预处理,生成初始矩阵;
所述基本数据为影响配电网安全运行的外部数据;
S2、将所述实时监测数据以及所述初始矩阵输入基于时序注意力机制的长短时间记忆神经网络模型,输出负荷预测矩阵;
S3、根据所述负荷预测矩阵,采用基于半不变量法的潮流计算,并通过Gram-Charlier级数展开逼近得到节点电压和支路潮流的概率密度函数和累积分布函数,确定风险概率。
本发明的有益效果在于:本发明的一种配电网的风险预测方法与终端,构建基于时序注意力机制的长短时间记忆神经网络模型,通过时序注意力机制增强预测精准度,采用基于半不变量法的概率潮流方法进行状配电网风险概率计算,通过Gram-Charlier级数展开逼近得到其概率密度函数和累积分布函数,实现风险预测,提高配网风险评估的有效性、实时性和准确性。
附图说明
图1为本发明实施例的一种配电网的风险预测方法的流程图;
图2为本发明实施例的一种配电网的风险预测终端的结构图;
图3为本发明实施例的一种配电网的风险预测方法的详细流程示例图;
图4为本发明实施例的一种配电网的风险预测方法的长短时间记忆网络模型的结构示例图;
图5为本发明实施例的一种配电网的风险预测方法的符合预测图示例;
图6为本发明实施例的一种配电网的风险预测方法的算例结果示例图;
标号说明:
1、一种配电网的风险预测终端;2、处理器;3、存储器。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果,以下结合实施方式并配合附图予以说明。
请参照图1,一种配电网的风险预测方法,包括步骤:
S1、获取配电网设备的实时监测数据、历史数据以及所述历史数据所关联的基本数据,并对所述历史数据以及所述基本数据进行预处理,生成初始矩阵;
所述基本数据为影响配电网安全运行的外部数据;
S2、将所述实时监测数据以及所述初始矩阵输入基于时序注意力机制的长短时间记忆神经网络模型,输出负荷预测矩阵;
S3、根据所述负荷预测矩阵,采用基于半不变量法的潮流计算,并通过Gram-Charlier级数展开逼近得到节点电压和支路潮流的概率密度函数和累积分布函数,确定风险概率。
从上述描述可知,本发明的有益效果在于:本发明的一种配电网的风险预测方法与终端,构建基于时序注意力机制的长短时间记忆神经网络模型,通过时序注意力机制增强预测精准度,采用基于半不变量法的概率潮流方法进行状配电网风险概率计算,通过Gram-Charlier级数展开逼近得到其概率密度函数和累积分布函数,实现风险预测,提高配网风险评估的有效性、实时性和准确性。
进一步地,所述初始矩阵的生成具体为:
对所述历史数据以及所述基本数据进行初始化,得到风险特征矩阵:
其中,Ak为配电网某一时间k下的风险特征矩阵,由一维矩阵进行时序组合得到,并划分为训练集、验证集和测试集;
对所述风险特征矩阵进行归一化处理,归一化处理的公式为:
其中,S*是归一化后的数据,S是原始数据,Smax、Smin是数据的最大值和最小值;
得到初始矩阵。
由上述描述可知,通过上述方式对历史数据以及所述基本数据进行初始化处理,得到初始矩阵。
进一步地,所述步骤S2包括根据所述初始矩阵对长短时间记忆神经网络模型进行训练:
S21、将初始矩阵整理成连续的数据集,导入所述长短时间记忆神经网络模型,其输入门的计算公式为:
其中,ft为遗忘门输出值;it、gt分别为输入门输出值;ot为输出门输出值;ct-1、ct分别为t-1、t时刻的中间记忆状态值;at-1、at分别为t-1、t时刻输出值;xt为t时刻输入值;Wi、Wg分别为每个门内权重值;bf、bi、bg、bo分别为每个门内偏置项;σ表示sigmoid函数;tanh表示tanh函数;
S22、将输入门处理得到的局部特征矩阵输入到遗忘门中,遗忘门的计算公式为:
ft=σ(Wf[at-1xt]+bf);
其中,Wf为遗忘门内权重值,bf为遗忘门内偏置项,决定了上一时刻的单元状态有多少能保留到这一时刻;
S23、将经过输入门和遗忘门处理得到的样本矩阵通过记忆单元和直接输入两种方式输入到输出门中,得到输出矩阵,输出门的计算公式为:
其中,Wo为输出门内权重值,bo为输出门内偏置项;
S24、将所述输出矩阵整理成连续的数据集进行卷积计算,突出数据集的局部特征,卷积计算公式为:
其中,xi,j是数据集中特征矩阵中第i行第j列元素,wm,n是代表卷积权重矩阵中第m行第n列权重元素,wb是神经网络的偏置项,z是卷积矩阵的维数;
经过卷积计算后,矩阵的维度计算公式为:
其中,w是特征矩阵输入维度,k是卷积权重矩阵的维度,p是卷积计算中的补零层数,s是卷积计算中的步幅大小;
S25、经过卷积计算后,进入池化计算,池化计算公式为:
bij=max[w'(i*(f-1)+1,j*(f-1)+1)+L+w'(i*f,j*f)];
其中bij是池化矩阵中第i行第j列元素,w'是经过卷积计算后矩阵的维度,f是池化矩阵的维度;
经过池化计算后,矩阵维度计算公式为:
其中,f是池化矩阵的维度;
S26、运用relu函数对矩阵进行激活,relu函数的计算公式为:
f(x)=max(0,x);
S27、计算矩阵每个序列元素地址Key中的元素值Value与查询元素Query的相似度:
eij=D(qi,pj);
其中,D(·)表示点积函数,qi表示查询元素合中的第i个元素,pj表示元素地址集合中的第j个元素,eij表示元素i,j之间的相似度;
S28、对所述相似度进行归一化处理,归一化处理公式为:
αij=softmax(eij);
其中,αij表示归一化后的相似度,soft max(·)表示归一化指数函数;
S29、对归一化处理后的相似度数据进行加权求和处理,得到隐含层输出值:
由上述描述可知,tanh函数连续、光滑、严格单调,可以将一个实数映射到(-1,1)区间之内,为配电网状态评估分类做准备,tanh函数和sigmoid函数作为长短时间记忆神经网络的激发函数可以有效将多层神经网络的输入输出关系非线性化,充分发挥隐藏层功能;通过卷积计算和池化计算,可以答复降低矩阵维度,减少参数数量;在完成局部特征提取后,还通过TPA机制(时序注意力机制)提取需特征,对LSTM模型隐含层输出值进行运算,相比于LSTM模型,关注以往不同时刻的隐含层输出值与当前时刻隐含层输出值之间的关联,即通过计算两者相关性确定以往隐含层输出值的权值,获得最终隐含层输出值,更加优越。
进一步地,所述步骤S2还包括步骤:
将所述实时监测数据输入训练后的所述长短时间记忆神经网络模型,得到负荷预测矩阵。
进一步地,所述步骤S3具体为:
将所述负荷预测矩阵输入基于半不变量法的概率潮流方法进行配电网风险概率计算,通过级数展开逼近得到其概率密度函数和累积分布函数:
所述半不变量的定义如下:
设F(x)为随机变量X的分布函数,t为实数,|eitx|=1,则函数g(x)=eitx在(-∞,+∞)上关于F(x)可积,关于实变量t的函数对应于F(x)的分布的特征函数如下所示:
对上式去然对数,并按照麦克劳林级数公式展开,则有如下公式:
其中,系数yr为r阶半不变量,s表示展开表达式的项数,o(ts)表示其余的项;
对于正态分布的负荷功率,其一阶半不变量为数学期望,二阶半不变量等于方差,三阶及三阶以上的高阶半不变量的值为零,其公式为:
对于离散分布的符合功率,先按下式求解各中心矩:
其中,pi为负荷取值xi的概率,pi=ti/T,其中ti为负荷等于xi的持续时间,T为研究周期;
假设机组工作在额定容量C的概率为p,则输出功率为零的概率为1-p,设在某节点装有N台常规发电机组,其中有i台机组正常运行的概率为pi为:
pi=CN ipi(1-p)N-i;
则N台机组总的输出功率的各阶矩为:
αr=p1Cr+p2(2C)r+L+pN(NC)r;
采用基于蒙特卡罗抽样技术的方法来计算风光机组出力的半不变量,先通过蒙特卡罗抽样技术从服从双参数Weibull分布/Beta分布的风速/光强函数中抽取N个风速/光强序列{a1,a2,…,aN};
根据风机/光机的输出功率特性得到有功功率序列{P1,P2,…,PN},在恒功率因数控制方式下,风机/光机的无功与有功功率成正比,从而得到无功功率序列{Q1,Q2,…,QN};
风光机组输出功率的各阶原点矩为:
其中,αP,r和αQ,r分别是风光机组输出有功和无功功率的r阶原点矩;
根据原点矩和半不变量的关系求得风电机组出力的半不变量;
采用极坐标表示节点电压时,电力系统的潮流方程可表示为:
其中,Pi、Qi为节点i的有功/无功功率,Vi、Vj为节点i/j的电压幅值,θij是节点i与节点j间的相位差,即θij=θi-θj,Gij、Bij分别是节点导纳矩阵Yij的实部和虚部;
节点注入量S和状态变量X都是随机变量,可写为:
其中,S0和X0分别为电力系统处于基准运行点时S和X的基准值,即期望值;ΔS和ΔX为注入功率的随机扰动和由注入功率的随机波动导致的状态变量的随机扰动量;
对支路潮流方程进行线性化处理,当各节点的状态变量己知时,系统支路潮流计算方法为:
其中,Pij、Qij是支路i-j上的有功与无功潮流,tij为变压器变比,bij0为1/2线路导纳;
含分布式电源的配电网中,随机因素主要是各节点注入功率S的随机扰动,随机扰动ΔS表达式为:
根据线性化潮流方程,并利用半不变量的性质,代替卷积计算,可W求出待求变量节点电压和支路潮流的r阶半不变量ΔX(r)和ΔZ(r);
级数的系数则可表示为该随机变量各阶半不变量的表达式,简化级数的形式定义为:
其中,gr为r阶规格化半不变量,σ为标准差;
任意一个随机变量X,假设其期望值和标准差分别为μ和σ,则其标准化的形式为:
采用Gram-Charlier级数展开后,其随机变量的累积分布函数可表示为:
由上述描述可知,采用基于半不变量和Gram-Charlier级数展开的潮流算法,具有良好的收敛性。
请参照图2,一种配电网的风险预测终端,包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
S1、获取配电网设备的实时监测数据、历史数据以及所述历史数据所关联的基本数据,并对所述历史数据以及所述基本数据进行预处理,生成初始矩阵;
所述基本数据为影响配电网安全运行的外部数据;
S2、将所述实时监测数据以及所述初始矩阵输入基于时序注意力机制的长短时间记忆神经网络模型,输出负荷预测矩阵;
S3、根据所述负荷预测矩阵,采用基于半不变量法的潮流计算,并通过Gram-Charlier级数展开逼近得到节点电压和支路潮流的概率密度函数和累积分布函数,确定风险概率。
从上述描述可知,本发明的有益效果在于:本发明的一种配电网的风险预测方法与终端,构建基于时序注意力机制的长短时间记忆神经网络模型,通过时序注意力机制增强预测精准度,采用基于半不变量法的概率潮流方法进行状配电网风险概率计算,通过Gram-Charlier级数展开逼近得到其概率密度函数和累积分布函数,实现风险预测,提高配网风险评估的有效性、实时性和准确性。
进一步地,所述初始矩阵的生成具体为:
对所述历史数据以及所述基本数据进行初始化,得到风险特征矩阵:
其中,Ak为配电网某一时间k下的风险特征矩阵,由一维矩阵进行时序组合得到,并划分为训练集、验证集和测试集;
对所述风险特征矩阵进行归一化处理,归一化处理的公式为:
其中,S*是归一化后的数据,S是原始数据,Smax、Smin是数据的最大值和最小值;
得到初始矩阵。
由上述描述可知,通过上述方式对历史数据以及所述基本数据进行初始化处理,得到初始矩阵。
进一步地,所述步骤S2包括根据所述初始矩阵对长短时间记忆神经网络模型进行训练:
S21、将初始矩阵整理成连续的数据集,导入所述长短时间记忆神经网络模型,其输入门的计算公式为:
其中,ft为遗忘门输出值;it、gt分别为输入门输出值;ot为输出门输出值;ct-1、ct分别为t-1、t时刻的中间记忆状态值;at-1、at分别为t-1、t时刻输出值;xt为t时刻输入值;Wi、Wg分别为每个门内权重值;bf、bi、bg、bo分别为每个门内偏置项;σ表示sigmoid函数;tanh表示tanh函数;
S22、将输入门处理得到的局部特征矩阵输入到遗忘门中,遗忘门的计算公式为:
ft=σ(Wf[at-1xt]+bf);
其中,Wf为遗忘门内权重值,bf为遗忘门内偏置项,决定了上一时刻的单元状态有多少能保留到这一时刻;
S23、将经过输入门和遗忘门处理得到的样本矩阵通过记忆单元和直接输入两种方式输入到输出门中,得到输出矩阵,输出门的计算公式为:
其中,Wo为输出门内权重值,bo为输出门内偏置项;
S24、将所述输出矩阵整理成连续的数据集进行卷积计算,突出数据集的局部特征,卷积计算公式为:
其中,xi,j是数据集中特征矩阵中第i行第j列元素,wm,n是代表卷积权重矩阵中第m行第n列权重元素,wb是神经网络的偏置项,z是卷积矩阵的维数;
经过卷积计算后,矩阵的维度计算公式为:
其中,w是特征矩阵输入维度,k是卷积权重矩阵的维度,p是卷积计算中的补零层数,s是卷积计算中的步幅大小;
S25、经过卷积计算后,进入池化计算,池化计算公式为:
bij=max[w'(i*(f-1)+1,j*(f-1)+1)+L+w'(i*f,j*f)];
其中bij是池化矩阵中第i行第j列元素,w'是经过卷积计算后矩阵的维度,f是池化矩阵的维度;
经过池化计算后,矩阵维度计算公式为:
其中,f是池化矩阵的维度;
S26、运用relu函数对矩阵进行激活,relu函数的计算公式为:
f(x)=max(0,x);
S27、计算矩阵每个序列元素地址Key中的元素值Value与查询元素Query的相似度:
eij=D(qi,pj);
其中,D(·)表示点积函数,qi表示查询元素合中的第i个元素,pj表示元素地址集合中的第j个元素,eij表示元素i,j之间的相似度;
S28、对所述相似度进行归一化处理,归一化处理公式为:
αij=softmax(eij);
其中,αij表示归一化后的相似度,soft max(·)表示归一化指数函数;
S29、对归一化处理后的相似度数据进行加权求和处理,得到隐含层输出值:
由上述描述可知,tanh函数连续、光滑、严格单调,可以将一个实数映射到(-1,1)区间之内,为配电网状态评估分类做准备,tanh函数和sigmoid函数作为长短时间记忆神经网络的激发函数可以有效将多层神经网络的输入输出关系非线性化,充分发挥隐藏层功能;通过卷积计算和池化计算,可以答复降低矩阵维度,减少参数数量;在完成局部特征提取后,还通过TPA机制(时序注意力机制)提取需特征,对LSTM模型隐含层输出值进行运算,相比于LSTM模型,关注以往不同时刻的隐含层输出值与当前时刻隐含层输出值之间的关联,即通过计算两者相关性确定以往隐含层输出值的权值,获得最终隐含层输出值,更加优越。
进一步地,所述步骤S2还包括步骤:
将所述实时监测数据输入训练后的所述长短时间记忆神经网络模型,得到负荷预测矩阵。
进一步地,所述步骤S3具体为:
将所述负荷预测矩阵输入基于半不变量法的概率潮流方法进行配电网风险概率计算,通过级数展开逼近得到其概率密度函数和累积分布函数:
所述半不变量的定义如下:
设F(x)为随机变量X的分布函数,t为实数,|eitx|=1,则函数g(x)=eitx在(-∞,+∞)上关于F(x)可积,关于实变量t的函数对应于F(x)的分布的特征函数如下所示:
对上式去然对数,并按照麦克劳林级数公式展开,则有如下公式:
其中,系数yr为r阶半不变量,s表示展开表达式的项数,o(ts)表示其余的项;
对于正态分布的负荷功率,其一阶半不变量为数学期望,二阶半不变量等于方差,三阶及三阶以上的高阶半不变量的值为零,其公式为:
对于离散分布的符合功率,先按下式求解各中心矩:
其中,pi为负荷取值xi的概率,pi=ti/T,其中ti为负荷等于xi的持续时间,T为研究周期;
假设机组工作在额定容量C的概率为p,则输出功率为零的概率为1-p,设在某节点装有N台常规发电机组,其中有i台机组正常运行的概率为pi为:
pi=CN ipi(1-p)N-i;
则N台机组总的输出功率的各阶矩为:
αr=p1Cr+p2(2C)r+L+pN(NC)r;
采用基于蒙特卡罗抽样技术的方法来计算风光机组出力的半不变量,先通过蒙特卡罗抽样技术从服从双参数Weibull分布/Beta分布的风速/光强函数中抽取N个风速/光强序列{a1,a2,…,aN};
根据风机/光机的输出功率特性得到有功功率序列{P1,P2,…,PN},在恒功率因数控制方式下,风机/光机的无功与有功功率成正比,从而得到无功功率序列{Q1,Q2,…,QN};
风光机组输出功率的各阶原点矩为:
其中,αP,r和αQ,r分别是风光机组输出有功和无功功率的r阶原点矩;
根据原点矩和半不变量的关系求得风电机组出力的半不变量;
采用极坐标表示节点电压时,电力系统的潮流方程可表示为:
其中,Pi、Qi为节点i的有功/无功功率,Vi、Vj为节点i/j的电压幅值,θij是节点i与节点j间的相位差,即θij=θi-θj,Gij、Bij分别是节点导纳矩阵Yij的实部和虚部;
节点注入量S和状态变量X都是随机变量,可写为:
其中,S0和X0分别为电力系统处于基准运行点时S和X的基准值,即期望值;ΔS和ΔX为注入功率的随机扰动和由注入功率的随机波动导致的状态变量的随机扰动量;
对支路潮流方程进行线性化处理,当各节点的状态变量己知时,系统支路潮流计算方法为:
其中,Pij、Qij是支路i-j上的有功与无功潮流,tij为变压器变比,bij0为1/2线路导纳;
含分布式电源的配电网中,随机因素主要是各节点注入功率S的随机扰动,随机扰动ΔS表达式为:
根据线性化潮流方程,并利用半不变量的性质,代替卷积计算,可W求出待求变量节点电压和支路潮流的r阶半不变量ΔX(r)和ΔZ(r);
级数的系数则可表示为该随机变量各阶半不变量的表达式,简化级数的形式定义为:
其中,gr为r阶规格化半不变量,σ为标准差;
任意一个随机变量X,假设其期望值和标准差分别为μ和σ,则其标准化的形式为:
采用Gram-Charlier级数展开后,其随机变量的累积分布函数可表示为:
由上述描述可知,采用基于半不变量和Gram-Charlier级数展开的潮流算法,具有良好的收敛性。
本发明的一种配电网的风险预测方法与终端,适用于含新能源电站的配电网风险预测。
请参照图1以及图3至图6,本发明的实施例一为:
一种配电网的风险预测方法,包括步骤:
S1、获取配电网设备的实时监测数据、历史数据以及所述历史数据所关联的基本数据,并对所述历史数据以及所述基本数据进行预处理,生成初始矩阵;
所述基本数据为影响配电网安全运行的外部数据。
本实施例中,根据评价对象,从相关设备中获取在线实时检测数据,从数据库中获得历史数据和基本数据所述基本数据是通过广泛收集配电网相关参数、运行数据以及其他有可能影响配网安全运行的额外数据,所述历史数据以及所述基本数据参照如下表1:
表1
其中,负荷为历史数据,干球温度、露点温度等其他数据为基本数据。
将电网数据库中获取的历史数据和基本数据进行初始化,整理生成初始矩阵:
从数据库搜集的基本数据进行初始化,将所得到的数据整理成台表,台表矩阵为:
其中,Ak为配电网某一时间k下的风险特征矩阵,为利用卷积神经网络对风险特征进行充分学习,需要将一维矩阵进行时序组合,形成训练所需的24×8矩阵,并划分为训练集、验证集和测试集。
将所得到的台表矩阵进行归一化处理:
其中:S*是归一化后的数据;S是原始数据;Smax、Smin是数据的极限值大小。将风险特征矩阵Ak进行归一化处理,整理生成初始矩阵,如下表2所示:
表2
0.007383 | 0.005611 | 0.000295 | 0 | 0.000295 | 0.001772 | 0.000886 |
0.007060 | 0.005525 | 0.000307 | 0 | 0.000614 | 0.001842 | 0.000921 |
0.006899 | 0.005644 | 0.000314 | 0 | 0.000941 | 0.001881 | 0.000941 |
0.006969 | 0.006018 | 0.000317 | 0 | 0.001267 | 0.001901 | 0.000950 |
0.007265 | 0.006001 | 0.000316 | 0 | 0.001579 | 0.001895 | 0.000948 |
0.007066 | 0.006144 | 0.000307 | 0 | 0.001843 | 0.001843 | 0.000922 |
0.007383 | 0.005611 | 0.000295 | 0 | 0.002067 | 0.001772 | 0.000886 |
… | … | … | … | … | … | … |
将所得到的初始矩阵整理成连续的数据集,输入基于时序注意力机制的长短时间记忆力神经网络中进行负荷预测。
S2、将所述实时监测数据以及所述初始矩阵输入基于时序注意力机制的长短时间记忆神经网络模型,输出负荷预测矩阵;
本市实施例中,构建基于时序注意力机制的长短时间记忆神经网络模型,通过时序注意力机制增强预测精准度,输出负荷预测矩阵。LSTM神经网络模型如图4所示。
所述步骤S2包括根据所述初始矩阵对长短时间记忆神经网络模型进行训练:
将对初始矩阵整理成连续的数据集导入长短时间神经网络,其输入门计算公式为:
其中,ft为遗忘门输出值;it、gt分别为输入门输出值;ot为输出门输出值;ct-1、ct分别为t-1、t时刻的中间记忆状态值;at-1、at分别为t-1、t时刻输出值;xt为t时刻输入值;Wi、Wg分别为每个门内权重值;bf、bi、bg、bo分别为每个门内偏置项;σ表示sigmoid函数;tanh表示tanh函数;
上述sigmoid函数计算公式如下:
sigmoid函数连续、光滑、严格单调,可以将一个实数映射到(0,1)区间之内,为配电网状态评估分类做准备;
上述tanh函数计算公式如下:
tanh函数连续、光滑、严格单调,可以将一个实数映射到(-1,1)区间之内,为配电网状态评估分类做准备,tanh函数和sigmoid函数作为长短时间记忆神经网络的激发函数可以有效将多层神经网络的输入输出关系非线性化,充分发挥隐藏层功能。
将局部特征矩阵同样需要输入到遗忘门中,通过对人类记忆模型的学习,遗忘门的设置优化了普通的循环神经网络,其计算公式为:
ft=σ(Wf[at-1xt]+bf);
其中,Wf为遗忘门内权重值,bf为遗忘门内偏置项,决定了上一时刻的单元状态有多少能保留到这一时刻。
将经历遗忘门和输入门处理过的样本矩阵通过记忆单元和直接输入两种方式输入到输出门中得到最后的评价结果,其计算公式为:
其中,Wo为输出门内权重值,bo为输出门内偏置项,LSTM(Long Short TimeMemory,长短时记忆)神经网络通过学习历史数据包含的信息后进行预测。然而当前时刻数据不仅与前一时段数据序列相关,由于数据时间序列连续性的特点,后一时段数据序列也与当前时刻数据存在一定的联系,包含一定的规律性信息。
对经过LSTM的输出矩阵整理成连续的数据集进行卷积计算,突出数据集的局部特征,卷积计算公式为:
其中:xi,j是数据集中特征矩阵中第i行第j列元素,wm,n是代表卷积权重矩阵中第m行第n列权重元素,wb是神经网络的偏置项,z是卷积矩阵的维数。
经历卷积计算后,矩阵维度计算公式为:
其中,w是特征矩阵输入维度,k是卷积权重矩阵的维度,p是卷积计算中的补零层数,s是卷积计算中的步幅大小。
在对矩阵整理成连续的数据集进行卷积计算后,对矩阵进行池化计算,池化计算公式:
bij=max[w'(i*(f-1)+1,j*(f-1)+1)+L+w'(i*f,j*f)];
其中,bij是池化矩阵中第i行第j列元素,w'是经过卷积计算后矩阵的维度,f是池化矩阵的维度,通过池化计算可以大幅降低矩阵维度,减少参数数量;
经历池化计算后,矩阵维度计算公式为:
其中,f是池化矩阵的维度。
在对卷积矩阵进行池化计算后,运用relu函数对矩阵进行激活,激发函数的计算公式为:
f(x)=max(0,x);
在经过卷积、池化和激发后,样本函数的局部特征的提取工作已经完成,通过下一步时序注意力机制将局部特征中提取时序特征。
输出矩阵序列元素值为Value,序列元素地址为Key,查询元素称为Query,Query与每个Key中元素值Value计算相似度为:
eij=D(qi,pj);
其中,D(·)表示点积函数,qi、pj分别表示查询元素与元素地址集合中的第i个和第j个元素,eij表示元素i,j之间的相似度。
对得到的相似度进行归一化,其归一化公式为:
αij=softmax(eij);
其中,αij表示归一化后的相似度,soft max(·)表示归一化指数函数。
对经过归一化处理后的归一化数据进行加权求和处理:
利用TPA机制对LSTM模型隐含层输出值进行运算,相比于LSTM模型,关注以往不同时刻的隐含层输出值与当前时刻隐含层输出值之间的关联,即通过计算两者相关性确定以往隐含层输出值的权值,获得最终隐含层输出值。
测试结果如图5所示,训练后的平均绝对百分比误差MAPE为0.98%。
将所述实时监测数据输入训练后的所述长短时间记忆神经网络模型,得到负荷预测矩阵。
S3、根据所述负荷预测矩阵,采用基于半不变量法的潮流计算,并通过Gram-Charlier级数展开逼近得到节点电压和支路潮流的概率密度函数和累积分布函数,确定风险概率。
本实施例中,融合多类型数据,采用基于半不变量法的概率潮流方法进行状配电网风险概率计算,通过Gram-Charlier级数展开逼近得到其概率密度函数和累积分布函数。
将预测数据(负荷预测矩阵)输入基于半不变量法的概率潮流方法进行状配电网风险概率计算,通过级数展开逼近得到其概率密度函数和累积分布函数,确定配网风险概率。
所述半不变量的定义如下:
设F(x)为随机变量X的分布函数,t为实数,|eitx|=1,则函数g(x)=eitx在(-∞,+∞)上关于F(x)可积,关于实变量t的函数对应于F(x)的分布的特征函数如下所示:
对上式去然对数,并按照麦克劳林级数公式展开,则有如下公式:
其中,系数yr为r阶半不变量,s表示展开表达式的项数,o(ts)表示其余的项。
负荷的随机成分是由负荷预测误差和负荷的随机波动构成的,一般可用服从正态分布的随机变量描述。对于正态分布的负荷功率,其一阶半不变量为数学期望,二阶半不变量等于方差,三阶及以上高阶半不变量的值为零,其公式为:
对于离散分布的负荷功率,先按下式求出其各阶中心矩:
其中,pi为负荷取值xi的概率,pi=ti/T,其中ti为负荷等于xi的持续时间,T为研究周期。
假设机组工作在额定容量C的概率为p,则输出功率为零的概率为1-p。设在某节点装有N台常规发电机组,其中有i台机组正常运行的概率为pi为:
pi=CN ipi(1-p)N-i;
则N台机组总的输出功率的各阶矩为:
αr=p1Cr+p2(2C)r+L+pN(NC)r。
采用基于蒙特卡罗抽样技术的方法来计算风光机组出力的半不变量,先由蒙特卡罗抽样技术从服从双参数Weibull分布/Beta分布的风速/光强函数中抽取N个风速/光强序列{a1,a2,…,aN}。
根据风机/光机的输出功率特性得到有功功率序列{P1,P2,…,PN},在恒功率因数控制方式下,风机/光机的无功与有功功率成正比,从而得到无功功率序列{Q1,Q2,…,QN}。
风光机组输出功率的各阶原点矩为:
其中,αP,r和αQ,r分别是风光机组输出有功和无功功率的r阶原点矩。再根据原点矩和半不变量的关系可以求得风电机组出力的半不变量。
采用极坐标表示节点电压时,电力系统的潮流方程可表示为:
其中:Pi、Qi为节点i的有功/无功功率,Vi、Vj为节点i/j的电压幅值,θij是节点i与节点j间的相位差,即θij=θi-θj,Gij、Bij分别是节点导纳矩阵Yij的实部和虚部。
节点注入量S和状态变量X都是随机变量,可写为:
其中:S0和X0分别为电力系统处于基准运行点时S和X的基准值,即期望值;ΔS和ΔX为注入功率的随机扰动和由注入功率的随机波动导致的状态变量的随机扰动量。
对支路潮流方程进行线性化处理。当各节点的状态变量己知时,系统支路潮流计算方法为:
其中,Pij、Qij是支路i-j上的有功与无功潮流,tij为变压器变比,bij0为1/2线路导纳。
含分布式电源的配电网中随机因素主要是各节点注入功率S的随机扰动ΔS表达式为:
节点注入功率的各阶半不变量ΔS(k)可以表示为节点负荷注入功率的各阶半不变量ΔSload (r)和分布式电源注入功率的各阶半不变量ΔSwind (r),ΔSpv (r)的代数和,其表达式为:
根据线性化潮流方程,并利用半不变量的性质,代替卷积计算,可W求出待求变量节点电压和支路潮流的r阶半不变量ΔX(r)和ΔZ(r)。
级数的系数则可表示为该随机变量各阶半不变量的表达式,简化级数的形式定义为:
其中,gr称为r阶规格化半不变量;σ为标准差。
任意一个随机变量X,假设其期望值和标准差分别为μ和σ,则其标准化的形式为:
采用Gram-Charlier级数展开后,其随机变量的累积分布函数可表示为:
其中节点33的测试结果为例,如图6所示。
整体风险数据如下表3所示:
表3
请参照图2,本发明的实施例二为:
一种配电网的风险预测终端1,包括处理器2、存储器3以及存储在所述存储器3中并可在所述处理器2上运行的计算机程序,所述处理器2执行所述计算机程序时实现以上实施例一的一种配电网的风险预测方法中的步骤。
综上所述,本发明提供的一种配电网的风险预测方法与终端,构建基于时序注意力机制的长短时间记忆神经网络模型,通过时序注意力机制增强预测精准度,采用基于半不变量法的概率潮流方法进行状配电网风险概率计算,通过Gram-Charlier级数展开逼近得到其概率密度函数和累积分布函数,实现风险预测,提高配网风险评估的有效性、实时性和准确性。
综上所述,上述预测方法对数据库获取的配电网参数和历史运维数据进行相应预处理,结合环境因素,对风险数据进行初始特征提取。本模型选用长短时间记忆神经网络对风险数据进行初始特征提取,利用时序注意力机制和卷积神经网络配合构成时序关注层,将输出结果作为风险评估的初始数据。通过潮流计算得到节点电压和支路潮流的期望和灵敏度矩阵,将各节点注入功率的半不变量并转换为节点状态向量和支路潮流向量的各阶半不变量,最后利用Gram-Charlier级数展开,得到节点电压概率密度函数和概率分布函数。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等同变换,或直接或间接运用在相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种配电网的风险预测方法,其特征在于,包括步骤:
S1、获取配电网设备的实时监测数据、历史数据以及所述历史数据所关联的基本数据,并对所述历史数据以及所述基本数据进行预处理,生成初始矩阵;
所述基本数据为影响配电网安全运行的外部数据;
S2、将所述实时监测数据以及所述初始矩阵输入基于时序注意力机制的长短时间记忆神经网络模型,输出负荷预测矩阵;
S3、根据所述负荷预测矩阵,采用基于半不变量法的潮流计算,并通过Gram-Charlier级数展开逼近得到节点电压和支路潮流的概率密度函数和累积分布函数,确定风险概率。
3.根据权利要求1所述的一种配电网的风险预测方法,其特征在于,所述步骤S2包括根据所述初始矩阵对长短时间记忆神经网络模型进行训练:
S21、将初始矩阵整理成连续的数据集,导入所述长短时间记忆神经网络模型,其输入门的计算公式为:
其中,ft为遗忘门输出值;it、gt分别为输入门输出值;ot为输出门输出值;ct-1、ct分别为t-1、t时刻的中间记忆状态值;at-1、at分别为t-1、t时刻输出值;xt为t时刻输入值;Wi、Wg分别为每个门内权重值;bf、bi、bg、bo分别为每个门内偏置项;σ表示sigmoid函数;tanh表示tanh函数;
S22、将输入门处理得到的局部特征矩阵输入到遗忘门中,遗忘门的计算公式为:
ft=σ(Wf[at-1xt]+bf);
其中,Wf为遗忘门内权重值,bf为遗忘门内偏置项,决定了上一时刻的单元状态有多少能保留到这一时刻;
S23、将经过输入门和遗忘门处理得到的样本矩阵通过记忆单元和直接输入两种方式输入到输出门中,得到输出矩阵,输出门的计算公式为:
其中,Wo为输出门内权重值,bo为输出门内偏置项;
S24、将所述输出矩阵整理成连续的数据集进行卷积计算,突出数据集的局部特征,卷积计算公式为:
其中,xi,j是数据集中特征矩阵中第i行第j列元素,wm,n是代表卷积权重矩阵中第m行第n列权重元素,wb是神经网络的偏置项,z是卷积矩阵的维数;
经过卷积计算后,矩阵的维度计算公式为:
其中,w是特征矩阵输入维度,k是卷积权重矩阵的维度,p是卷积计算中的补零层数,s是卷积计算中的步幅大小;
S25、经过卷积计算后,进入池化计算,池化计算公式为:
bij=max[w'(i*(f-1)+1,j*(f-1)+1)+L+w'(i*f,j*f)];
其中bij是池化矩阵中第i行第j列元素,w'是经过卷积计算后矩阵的维度,f是池化矩阵的维度;
经过池化计算后,矩阵维度计算公式为:
其中,f是池化矩阵的维度;
S26、运用relu函数对矩阵进行激活,relu函数的计算公式为:
f(x)=max(0,x);
S27、计算矩阵每个序列元素地址Key中的元素值Value与查询元素Query的相似度:
eij=D(qi,pj);
其中,D(·)表示点积函数,qi表示查询元素合中的第i个元素,pj表示元素地址集合中的第j个元素,eij表示元素i,j之间的相似度;
S28、对所述相似度进行归一化处理,归一化处理公式为:
αij=softmax(eij);
其中,αij表示归一化后的相似度,soft max(·)表示归一化指数函数;
S29、对归一化处理后的相似度数据进行加权求和处理,得到隐含层输出值:
4.根据权利要求3所述的一种配电网的风险预测方法,其特征在于,所述步骤S2还包括步骤:
将所述实时监测数据输入训练后的所述长短时间记忆神经网络模型,得到负荷预测矩阵。
5.根据权利要求1所述的一种配电网的风险预测方法,其特征在于,所述步骤S3具体为:
将所述负荷预测矩阵输入基于半不变量法的概率潮流方法进行配电网风险概率计算,通过级数展开逼近得到其概率密度函数和累积分布函数:
所述半不变量的定义如下:
设F(x)为随机变量X的分布函数,t为实数,|eitx|=1,则函数g(x)=eitx在(-∞,+∞)上关于F(x)可积,关于实变量t的函数对应于F(x)的分布的特征函数如下所示:
对上式去然对数,并按照麦克劳林级数公式展开,则有如下公式:
其中,系数yr为r阶半不变量,s表示展开表达式的项数,o(ts)表示其余的项;
对于正态分布的负荷功率,其一阶半不变量为数学期望,二阶半不变量等于方差,三阶及三阶以上的高阶半不变量的值为零,其公式为:
对于离散分布的符合功率,先按下式求解各中心矩:
其中,pi为负荷取值xi的概率,pi=ti/T,其中ti为负荷等于xi的持续时间,T为研究周期;
假设机组工作在额定容量C的概率为p,则输出功率为零的概率为1-p,设在某节点装有N台常规发电机组,其中有i台机组正常运行的概率为pi为:
pi=CN ipi(1-p)N-i;
则N台机组总的输出功率的各阶矩为:
αr=p1Cr+p2(2C)r+L+pN(NC)r;
采用基于蒙特卡罗抽样技术的方法来计算风光机组出力的半不变量,先通过蒙特卡罗抽样技术从服从双参数Weibull分布/Beta分布的风速/光强函数中抽取N个风速/光强序列{a1,a2,…,aN};
根据风机/光机的输出功率特性得到有功功率序列{P1,P2,…,PN},在恒功率因数控制方式下,风机/光机的无功与有功功率成正比,从而得到无功功率序列{Q1,Q2,…,QN};
风光机组输出功率的各阶原点矩为:
其中,αP,r和αQ,r分别是风光机组输出有功和无功功率的r阶原点矩;
根据原点矩和半不变量的关系求得风电机组出力的半不变量;
采用极坐标表示节点电压时,电力系统的潮流方程可表示为:
其中,Pi、Qi为节点i的有功/无功功率,Vi、Vj为节点i/j的电压幅值,θij是节点i与节点j间的相位差,即θij=θi-θj,Gij、Bij分别是节点导纳矩阵Yij的实部和虚部;
节点注入量S和状态变量X都是随机变量,可写为:
其中,S0和X0分别为电力系统处于基准运行点时S和X的基准值,即期望值;ΔS和ΔX为注入功率的随机扰动和由注入功率的随机波动导致的状态变量的随机扰动量;
对支路潮流方程进行线性化处理,当各节点的状态变量己知时,系统支路潮流计算方法为:
其中,Pij、Qij是支路i-j上的有功与无功潮流,tij为变压器变比,bij0为1/2线路导纳;
含分布式电源的配电网中,随机因素主要是各节点注入功率S的随机扰动,随机扰动ΔS表达式为:
根据线性化潮流方程,并利用半不变量的性质,代替卷积计算,可W求出待求变量节点电压和支路潮流的r阶半不变量ΔX(r)和ΔZ(r);
级数的系数则可表示为该随机变量各阶半不变量的表达式,简化级数的形式定义为:
其中,gr为r阶规格化半不变量,σ为标准差;
任意一个随机变量X,假设其期望值和标准差分别为μ和σ,则其标准化的形式为:
采用Gram-Charlier级数展开后,其随机变量的累积分布函数可表示为:
6.一种配电网的风险预测终端,包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现以下步骤:
S1、获取配电网设备的实时监测数据、历史数据以及所述历史数据所关联的基本数据,并对所述历史数据以及所述基本数据进行预处理,生成初始矩阵;
所述基本数据为影响配电网安全运行的外部数据;
S2、将所述实时监测数据以及所述初始矩阵输入基于时序注意力机制的长短时间记忆神经网络模型,输出负荷预测矩阵;
S3、根据所述负荷预测矩阵,采用基于半不变量法的潮流计算,并通过Gram-Charlier级数展开逼近得到节点电压和支路潮流的概率密度函数和累积分布函数,确定风险概率。
8.根据权利要求6所述的一种配电网的风险预测终端,其特征在于,所述步骤S2包括根据所述初始矩阵对长短时间记忆神经网络模型进行训练:
S21、将初始矩阵整理成连续的数据集,导入所述长短时间记忆神经网络模型,其输入门的计算公式为:
其中,ft为遗忘门输出值;it、gt分别为输入门输出值;ot为输出门输出值;ct-1、ct分别为t-1、t时刻的中间记忆状态值;at-1、at分别为t-1、t时刻输出值;xt为t时刻输入值;Wi、Wg分别为每个门内权重值;bf、bi、bg、bo分别为每个门内偏置项;σ表示sigmoid函数;tanh表示tanh函数;
S22、将输入门处理得到的局部特征矩阵输入到遗忘门中,遗忘门的计算公式为:
ft=σ(Wf[at-1xt]+bf);
其中,Wf为遗忘门内权重值,bf为遗忘门内偏置项,决定了上一时刻的单元状态有多少能保留到这一时刻;
S23、将经过输入门和遗忘门处理得到的样本矩阵通过记忆单元和直接输入两种方式输入到输出门中,得到输出矩阵,输出门的计算公式为:
其中,Wo为输出门内权重值,bo为输出门内偏置项;
S24、将所述输出矩阵整理成连续的数据集进行卷积计算,突出数据集的局部特征,卷积计算公式为:
其中,xi,j是数据集中特征矩阵中第i行第j列元素,wm,n是代表卷积权重矩阵中第m行第n列权重元素,wb是神经网络的偏置项,z是卷积矩阵的维数;
经过卷积计算后,矩阵的维度计算公式为:
其中,w是特征矩阵输入维度,k是卷积权重矩阵的维度,p是卷积计算中的补零层数,s是卷积计算中的步幅大小;
S25、经过卷积计算后,进入池化计算,池化计算公式为:
bij=max[w'(i*(f-1)+1,j*(f-1)+1)+L+w'(i*f,j*f)];
其中bij是池化矩阵中第i行第j列元素,w'是经过卷积计算后矩阵的维度,f是池化矩阵的维度;
经过池化计算后,矩阵维度计算公式为:
其中,f是池化矩阵的维度;
S26、运用relu函数对矩阵进行激活,relu函数的计算公式为:
f(x)=max(0,x);
S27、计算矩阵每个序列元素地址Key中的元素值Value与查询元素Query的相似度:
eij=D(qi,pj);
其中,D(·)表示点积函数,qi表示查询元素合中的第i个元素,pj表示元素地址集合中的第j个元素,eij表示元素i,j之间的相似度;
S28、对所述相似度进行归一化处理,归一化处理公式为:
αij=softmax(eij);
其中,αij表示归一化后的相似度,soft max(·)表示归一化指数函数;
S29、对归一化处理后的相似度数据进行加权求和处理,得到隐含层输出值:
9.根据权利要求8所述的一种配电网的风险预测终端,其特征在于,所述步骤S2还包括步骤:
将所述实时监测数据输入训练后的所述长短时间记忆神经网络模型,得到负荷预测矩阵。
10.根据权利要求6所述的一种配电网的风险预测终端,其特征在于,所述步骤S3具体为:
将所述负荷预测矩阵输入基于半不变量法的概率潮流方法进行配电网风险概率计算,通过级数展开逼近得到其概率密度函数和累积分布函数:
所述半不变量的定义如下:
设F(x)为随机变量X的分布函数,t为实数,|eitx|=1,则函数g(x)=eitx在(-∞,+∞)上关于F(x)可积,关于实变量t的函数对应于F(x)的分布的特征函数如下所示:
对上式去然对数,并按照麦克劳林级数公式展开,则有如下公式:
其中,系数yr为r阶半不变量,s表示展开表达式的项数,o(ts)表示其余的项;
对于正态分布的负荷功率,其一阶半不变量为数学期望,二阶半不变量等于方差,三阶及三阶以上的高阶半不变量的值为零,其公式为:
对于离散分布的符合功率,先按下式求解各中心矩:
其中,pi为负荷取值xi的概率,pi=ti/T,其中ti为负荷等于xi的持续时间,T为研究周期;
假设机组工作在额定容量C的概率为p,则输出功率为零的概率为1-p,设在某节点装有N台常规发电机组,其中有i台机组正常运行的概率为pi为:
pi=CN ipi(1-p)N-i;
则N台机组总的输出功率的各阶矩为:
αr=p1Cr+p2(2C)r+L+pN(NC)r;
采用基于蒙特卡罗抽样技术的方法来计算风光机组出力的半不变量,先通过蒙特卡罗抽样技术从服从双参数Weibull分布/Beta分布的风速/光强函数中抽取N个风速/光强序列{a1,a2,…,aN};
根据风机/光机的输出功率特性得到有功功率序列{P1,P2,…,PN},在恒功率因数控制方式下,风机/光机的无功与有功功率成正比,从而得到无功功率序列{Q1,Q2,…,QN};
风光机组输出功率的各阶原点矩为:
其中,αP,r和αQ,r分别是风光机组输出有功和无功功率的r阶原点矩;
根据原点矩和半不变量的关系求得风电机组出力的半不变量;
采用极坐标表示节点电压时,电力系统的潮流方程可表示为:
其中,Pi、Qi为节点i的有功/无功功率,Vi、Vj为节点i/j的电压幅值,θij是节点i与节点j间的相位差,即θij=θi-θj,Gij、Bij分别是节点导纳矩阵Yij的实部和虚部;
节点注入量S和状态变量X都是随机变量,可写为:
其中,S0和X0分别为电力系统处于基准运行点时S和X的基准值,即期望值;ΔS和ΔX为注入功率的随机扰动和由注入功率的随机波动导致的状态变量的随机扰动量;
对支路潮流方程进行线性化处理,当各节点的状态变量己知时,系统支路潮流计算方法为:
其中,Pij、Qij是支路i-j上的有功与无功潮流,tij为变压器变比,bij0为1/2线路导纳;
含分布式电源的配电网中,随机因素主要是各节点注入功率S的随机扰动,随机扰动ΔS表达式为:
根据线性化潮流方程,并利用半不变量的性质,代替卷积计算,可W求出待求变量节点电压和支路潮流的r阶半不变量ΔX(r)和ΔZ(r);
级数的系数则可表示为该随机变量各阶半不变量的表达式,简化级数的形式定义为:
其中,gr为r阶规格化半不变量,σ为标准差;
任意一个随机变量X,假设其期望值和标准差分别为μ和σ,则其标准化的形式为:
采用Gram-Charlier级数展开后,其随机变量的累积分布函数可表示为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211514333.7A CN115860212A (zh) | 2022-11-29 | 2022-11-29 | 一种配电网的风险预测方法与终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211514333.7A CN115860212A (zh) | 2022-11-29 | 2022-11-29 | 一种配电网的风险预测方法与终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115860212A true CN115860212A (zh) | 2023-03-28 |
Family
ID=85667942
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211514333.7A Pending CN115860212A (zh) | 2022-11-29 | 2022-11-29 | 一种配电网的风险预测方法与终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115860212A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116976682A (zh) * | 2023-09-22 | 2023-10-31 | 安徽融兆智能有限公司 | 一种基于模糊算法的用电信息采集系统运行状态评估方法 |
-
2022
- 2022-11-29 CN CN202211514333.7A patent/CN115860212A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116976682A (zh) * | 2023-09-22 | 2023-10-31 | 安徽融兆智能有限公司 | 一种基于模糊算法的用电信息采集系统运行状态评估方法 |
CN116976682B (zh) * | 2023-09-22 | 2023-12-26 | 安徽融兆智能有限公司 | 一种基于模糊算法的用电信息采集系统运行状态评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jahangir et al. | A novel electricity price forecasting approach based on dimension reduction strategy and rough artificial neural networks | |
Liu et al. | Short-term wind power forecasting by stacked recurrent neural networks with parametric sine activation function | |
Ma et al. | A hybrid attention-based deep learning approach for wind power prediction | |
Lou et al. | A novel random fuzzy neural networks for tackling uncertainties of electric load forecasting | |
Wang et al. | Research and application of the hybrid forecasting model based on secondary denoising and multi-objective optimization for air pollution early warning system | |
CN111144644B (zh) | 基于变分异方差高斯过程回归的短期风速预测方法 | |
CN111027772A (zh) | 基于pca-dbilstm的多因素短期负荷预测方法 | |
Chen et al. | Short-term load forecasting and associated weather variables prediction using ResNet-LSTM based deep learning | |
CN109412161B (zh) | 一种电力系统概率潮流计算方法及系统 | |
CN110717610A (zh) | 一种基于数据挖掘的风电功率预测方法 | |
Lauret et al. | Nonlinear models for short-time load forecasting | |
Faraz et al. | Stock market prediction-by-prediction based on autoencoder long short-term memory networks | |
CN115619025A (zh) | 基于meemd与最优组合集成的电力负荷三角模糊预测方法 | |
CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
CN114595861A (zh) | 基于mstl和lstm模型的中长期电力负荷预测方法 | |
CN115860212A (zh) | 一种配电网的风险预测方法与终端 | |
Gao et al. | Model-driven architecture of extreme learning machine to extract power flow features | |
Zhang et al. | A time power-based grey model with Caputo fractional derivative and its application to the prediction of renewable energy consumption | |
CN114862032A (zh) | 一种基于XGBoost-LSTM的电网负荷预测方法及装置 | |
Tan et al. | Day-ahead electricity price forecasting employing a novel hybrid frame of deep learning methods: A case study in NSW, Australia | |
CN115018111A (zh) | 融合深度学习和自适应建模机制的风电功率预测方法、系统 | |
Sheng et al. | A hybrid model based on complete ensemble empirical mode decomposition with adaptive noise, GRU network and whale optimization algorithm for wind power prediction | |
CN113537556A (zh) | 一种基于状态频率记忆网络的家庭短期负荷预测方法 | |
CN113128666A (zh) | 基于Mo-S-LSTMs模型的时间序列多步预测方法 | |
CN112232570A (zh) | 一种正向有功总电量预测方法、装置及可读存储介质 |
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 |