CN116054144A - 分布式光伏接入的配电网重构方法、系统及存储介质 - Google Patents

分布式光伏接入的配电网重构方法、系统及存储介质 Download PDF

Info

Publication number
CN116054144A
CN116054144A CN202310042529.9A CN202310042529A CN116054144A CN 116054144 A CN116054144 A CN 116054144A CN 202310042529 A CN202310042529 A CN 202310042529A CN 116054144 A CN116054144 A CN 116054144A
Authority
CN
China
Prior art keywords
distribution network
power distribution
state quantity
distributed photovoltaic
fuzzy
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
CN202310042529.9A
Other languages
English (en)
Inventor
霍超
张冀川
林佳颖
郭屾
张港红
郑利斌
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.)
Beijing Smartchip Microelectronics Technology Co Ltd
Original Assignee
Beijing Smartchip Microelectronics Technology 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 Beijing Smartchip Microelectronics Technology Co Ltd filed Critical Beijing Smartchip Microelectronics Technology Co Ltd
Priority to CN202310042529.9A priority Critical patent/CN116054144A/zh
Publication of CN116054144A publication Critical patent/CN116054144A/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
    • 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
    • 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
    • H02J3/381—Dispersed generators
    • 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
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本申请涉及配电和物联网领域，提供一种分布式光伏接入的配电网重构方法、系统及存储介质。所述方法包括：从收集的分布式光伏接入的配电网的运行状态量中选取关键状态量；基于选取的关键状态量进行模型训练，建立配电网时序模型；在确定分布式光伏接入的配电网中存在电网状态波动时，基于迁移学习算法对配电网时序模型进行自适应调整；根据配电网时序模型输出的对应分布式光伏和电网负荷的时序数据进行配电网重构。本申请从配电网的运行状态量中选取关键状态量进行模型训练，减少建模的数据计算量，降低计算时长，提升配电网重构效率；利用迁移学习算法对配电网时序模型进行自适应调整，提升模型的泛化能力，从而提升配电网重构的准确性。

Description

分布式光伏接入的配电网重构方法、系统及存储介质
技术领域
本申请涉及配电和物联网领域，具体地涉及一种分布式光伏接入的配电网重构方法、一种分布式光伏接入的配电网重构系统、以及一种计算机可读存储介质。
背景技术
能源结构持续优化带来的低碳转型成效显著。然而，大规模高渗透间歇性分布式光伏接入配电网，也给电网的安全稳定运行带来了隐患。一方面，分布式电源出力具有较强的波动性和间隙性，并且呈现反调峰特性；另一方面，由于分布式电源的接入，配电网具有多电源、潮流多流向等特点，原辐射型配电网的运行方式难以适应。同时，由于大规模分布式光伏接入带来的强波动性，以及台区内负荷日益增加的不确定性，导致低压配电相间存在严重的不平衡问题，使得台区分散式就地自治运行技术的实现存在较大困难。
在低压配电网的相间不平衡优化问题治理方面，目前的措施包括对配电网络进行动态重构。动态重构即根据配网运行过程中负荷变化和配网运行约束条件，对配网进行整体动态优化。由于动态重构能够考虑负荷曲线的变化和开关的操作成本，更加符合工程实际的需要，成为主要推广的措施。
动态重构本质上是一个连续时间段内的开关状态组合优化问题，随着时间跨度的增加和开关数目的增多，问题求解的复杂度随之加大。作为主动配电网中的重要组成部分，分布式光伏及负荷等的时序性对配电网的优化重构有着重要影响，建立配电网的时序模型是进行配电网优化重构的基础。然而，在现有的动态重构方法中，建立配电网时序模型的求解复杂，存在计算量大、计算时间长的问题。
发明内容
本申请的目的是提供一种分布式光伏接入的配电网重构方法及系统，以解决计算量大、计算时间长的问题。
本申请一方面提供了一种分布式光伏接入的配电网重构方法，包括：
从收集的分布式光伏接入的配电网的运行状态量中选取关键状态量；
基于选取的关键状态量进行模型训练，建立配电网时序模型；
在确定分布式光伏接入的配电网中存在电网状态波动时，基于迁移学习算法对配电网时序模型进行自适应调整；
根据配电网时序模型输出的对应分布式光伏和电网负荷的时序数据进行配电网重构。
本申请实施例中，从收集的分布式光伏接入的配电网的运行状态量中选取关键状态量，包括：
对配电网的运行状态量进行二元模糊量化处理得到状态量属性集合；
确定配网状态记录库中各状态量对于状态量属性集合的隶属度，从该隶属度中选取多项组成第一模糊集；
计算第一模糊集的模糊支持度，以及计算第一模糊集与其状态共同构成的第二模糊集的模糊支持度；
计算第二模糊集的模糊支持度的置信度；
根据第二模糊集的模糊支持度的置信度确定关键状态量。
本申请实施例中，根据第二模糊集的模糊支持度的置信度确定关键状态量，包括：若模糊支持度的置信度大于预设的最小置信度，则第一模糊集与配电网状态具有关联性，确定第一模糊集中的状态量为关键状态量。
本申请实施例中，从收集的分布式光伏接入的配电网的运行状态量中选取关键状态量，还包括：提取所有的关键状态量构成关键状态量集合。
本申请实施例中，基于迁移学习算法对配电网时序模型进行自适应调整，包括：
将配电网在不同工况下的关键状态量作为原始样本集，采用加权随机采样方式从原始样本集提取特征构建训练集和测试集；
基于训练集和测试集，采用KNN算法得到初始分类器模型；
基于辅助训练集计算初始分类器模型的误差率；
根据初始分类器模型的误差率设置分类器的权重参数和目标权重调整参数；
在迭代过程中，根据分类器权重参数和目标权重调整参数更新权重，直到完成N次迭代得到新的训练集；
利用新的训练集对配电网时序模型进行自适应调整。
本申请实施例中，采用加权随机采样方式从原始样本集提取特征构建训练集和测试集，包括：
根据初始化权重计算抽样概率，根据抽样概率对原始样本集进行随机抽样得到子样本集；
将迭代过程中更新的权重赋予所述子样本集，根据更新的权重对所述子样本集进行随机抽样得到新的子样本集，将新的子样本集作为训练集。
本申请实施例中，基于训练集和测试集，采用KNN算法得到初始分类器模型，包括：将训练集平均划分为p个片区，并行计算训练集的p个片区中向量与测试集中向量之间的欧式距离，每个片区均挑选出k个最小的欧式距离，在p×k个欧式距离中挑选出最小的k个欧式距离，得到初始分类器模型。
本申请实施例中，初始分类器模型的误差率的计算公式为：
；
其中， t为时间， i为序号，n为辅助训练集的样本数量，m为原始样本集的样本数量， x i 为数据集的第 i个数据， h t ( x i )为初始分类器模型 h t 对 x i 得到的学习标识， c( x i )为样本数据 x i 真实所属的类别。
本申请实施例中，根据初始分类器模型的误差率设置分类器权重参数和目标权重调整参数，包括：
设置分类器的权重参数为 α t =ln(1/ β t )；
设置目标权重调整参数为 β t = ε t /(1- ε t )；
其中， ε t 为初始分类器模型的误差率， α t 表示权重参数， β t 表示目标权重调整参数， β t ≤0.5。
本申请另一方面提供了一种分布式光伏接入的配电网重构系统，包括：
模型建立模块，用于收集分布式光伏接入的配电网的运行状态量，从收集的运行状态量中选取关键状态量，基于选取的关键状态量进行模型训练得到配电网时序模型；
波动判断模块，用于判断分布式光伏接入的配电网中是否存在电网波动；
自适应调整模块，用于在波动判断模块确定存在电网状态波动时，基于迁移学习算法对配电网时序模型进行自适应调整；
配电网重构模块，用于根据配电网时序模型输出的对应分布式光伏和电网负荷的时序数据进行配电网重构。
本申请实施例中，所述模型建立模块包括：
样本收集模块，用于收集分布式光伏接入的配电网的运行状态量；
关键特征选取模块，用于对收集的配电网的运行状态量进行二元模糊量化处理得到状态量属性集合；确定配网状态记录库中各状态量对于状态量属性集合的隶属度，从该隶属度中选取多项组成第一模糊集；计算第一模糊集的模糊支持度，以及计算第一模糊集与其状态共同构成的第二模糊集的模糊支持度；计算第二模糊集的模糊支持度的置信度；根据第二模糊集的模糊支持度的置信度确定关键状态量；
模型训练模块，用于基于关键状态量进行模型训练得到配电网时序模型。
本申请实施例中，所述自适应调整模块将配电网在不同工况下的关键状态量作为原始样本集，采用加权随机采样方式从原始样本集提取特征构建训练集和测试集；基于训练集和测试集，采用KNN算法得到初始分类器模型；于辅助训练集计算初始分类器模型的误差率；根据初始分类器模型的误差率设置分类器的权重参数和目标权重调整参数；在迭代过程中，根据分类器权重参数和目标权重调整参数更新权重，直到完成N次迭代得到新的训练集；利用新的训练集对配电网时序模型进行自适应调整。
本申请实施例中，所述自适应调整模块采用加权随机采样方式从原始样本集提取特征构建训练集和测试集，包括：根据初始化权重计算抽样概率，根据抽样概率对原始样本集进行随机抽样得到子样本集；将迭代过程中更新的权重赋予所述子样本集，根据更新的权重对所述子样本集进行随机抽样得到新的子样本集，将新的子样本集作为训练集。
本申请实施例中，所述自适应调整模块基于训练集和测试集，采用KNN算法得到初始分类器模型，包括：将训练集平均划分为p个片区，并行计算训练集的p个片区中向量与测试集中向量之间的欧式距离，每个片区均挑选出k个最小的欧式距离，在p×k个欧式距离中挑选出最小的k个欧式距离，得到初始分类器模型。
本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序；所述计算机程序被处理器执行以实现上述的分布式光伏接入的配电网重构方法。
本申请的分布式光伏接入的配电网重构方法，从配电网的运行状态量中选取关键状态量进行模型训练，建立配电网时序模型，减少了建模的数据计算量，降低计算时长，提升配电网重构效率；并且，利用迁移学习算法对配电网时序模型进行自适应调整，使配电网时序模型适应新的电网运行工况，提升配电网时序模型的泛化能力，从而提升配电网重构的准确性。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请实施例提供的分布式光伏接入的配电网重构方法的流程图；
图2为本申请实施例提供的调用KNN求解分类器模型的过程图；
图3为本申请实施例提供的分布式光伏接入的配电网重构系统的框图。
具体实施方式
为了使本申请实施例中的技术方案及优点更加清楚明白，以下结合附图对本申请的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本申请的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
如背景技术中所介绍的，在现有的动态重构方法中，建立配电网时序模型的求解复杂，存在计算量大、计算时间长的问题。
为了改善上述问题，本申请实施例提供一种分布式光伏接入的配电网重构方法，包括：从收集的分布式光伏接入的配电网的运行状态量中选取关键状态量；基于选取的关键状态量进行模型训练，建立配电网时序模型；在确定分布式光伏接入的配电网中存在电网状态波动时，基于迁移学习算法对配电网时序模型进行自适应调整；根据配电网时序模型输出的对应分布式光伏和电网负荷的时序数据进行配电网重构。本申请从配电网的运行状态量中选取关键状态量进行模型训练，建立配电网时序模型，减少了建模的数据计算量，降低计算时长，提升配电网重构效率；并且，利用迁移学习算法对配电网时序模型进行自适应调整，使配电网时序模型适应新的电网运行工况，提升配电网时序模型的泛化能力，从而提升配电网重构的准确性。
下文对本申请的技术方案进行详细阐述。
图1为本申请实施例提供的分布式光伏接入的配电网重构方法的流程图。如图1所示，本实施例提供的分布式光伏接入的配电网重构方法，包括以下步骤：
步骤110，从收集的分布式光伏接入的配电网的运行状态量中选取关键状态量；
步骤120，基于选取的关键状态量进行模型训练，建立配电网时序模型；
步骤130，判断分布式光伏接入的配电网中是否存在电网状态波动；
步骤140，在确定分布式光伏接入的配电网中存在电网状态波动时，基于迁移学习算法对配电网时序模型进行自适应调整；
步骤150，根据配电网时序模型输出的对应分布式光伏和电网负荷的时序数据进行配电网重构，将配电网时序模型根据开关操作次数最少、网络损耗最小或者综合费用最小等不同的优化目标应用于配网重构。
上述步骤110中，选取关键状态量的方式为：对配电网的运行状态量进行二元模糊量化处理得到状态量属性集合；确定配网状态记录库中各状态量对于状态量属性集合的隶属度，从该隶属度中选取多项组成第一模糊集；计算第一模糊集的模糊支持度，以及计算第一模糊集与其状态共同构成的第二模糊集的模糊支持度；计算第二模糊集的模糊支持度的置信度；根据第二模糊集的模糊支持度的置信度确定关键状态量。若模糊支持度的置信度大于预设的最小置信度，则第一模糊集与配电网状态具有关联性，确定第一模糊集中的状态量为关键状态量。提取所有的关键状态量构成关键状态量集合。
由于反映配电网综合运行状态的状态量数量繁多，例如母线电压幅值和相角、负荷有功功率和无功功率、分流器无功功率等，难以评估不同状态量对配电网运行状态影响的关键程度，若将非关键状态量引入配电网时序模型的训练中，将降低模型的精度，增大模型的学习难度。因此，配网状态量训练样本的质量对于模型性能的影响至关重要。本申请实施例提出基于“模糊集合+Apriori”的算法对关键状态量进行选择，选择较少的关键特征来支撑高性能的建模模型。Apriori算法是一个关联规则挖掘算法，利用逐层搜索的迭代方法找出数据库中项集的关系以形成规则，其过程由连接（类矩阵运算）与剪枝（去掉没必要的中间结果）组成。
在一个具体示例中，设配网状态量集合 P={ p 1 , p 2 ,..., p M }，M为状态数量，设配网状态记录库表示为 D={ d 1 , d 2 ,..., d N }，其中， d j 为D中的一条配网状态记录，N为状态记录次数。对状态量进行二元模糊量化，得到配网状态量集合P的二元模糊状态量属性集合为：
；
设D中各状态量对的隶属度为：
；
取 W j 中某r项组成r项的模糊集，
则r项的模糊集的模糊支持度为：
；
对于某种配网状态，认为该状态在状态记录是唯一的，即对于某次状态，其属于该次状态记录的隶属度为1，属于其他记录的隶属度为0。
设与其状态共同构成（r+1）项模糊集，其模糊支持度为，则的置信度为：
；
设置模糊最小置信度为λ，若大于λ，则认为与配网状态具有明显的关联，中的状态量即为关键状态量。待所有关联规则挖掘完毕后，提取与配网状态具有明显关联关系的状态量构成关键状态量集合，该集合即为配网关键状态量。
迁移学习的目标是将一个环境中学到的知识进行有效的信息提取，用以帮助新环境中的学习。TrAdaBoost是一种基于实例的迁移学习算法，具有较强的知识迁移能力。大规模分布式光伏接入时，针对负荷需求或者分布式光伏时变特性的影响，现有的训练数据集难以包含所有潜在的运行工况，本申请引入迁移学习方法对配电网时序模型进行再训练。
上述步骤140中，基于迁移学习算法对配电网时序模型进行自适应调整过程中，采用TrAdaBoost算法引入辅助数据与少量目标数据组成联合训练集，并利用异分布权重调节机制筛选样本以提升测试集分类性能。具体包括以下过程：将配电网在不同工况下的关键状态量作为原始样本集，采用加权随机采样方式从原始样本集提取特征构建训练集和测试集；基于训练集和测试集，采用KNN算法（K-NearestNeighbor算法，即K最邻近法，如果一个样本在特征空间中的K个最相似（即特征空间中最邻近）的样本中的大多数属于某一个类别，则该样本也属于这个类别）得到初始分类器模型；基于辅助训练集计算初始分类器模型的误差率；根据初始分类器模型的误差率设置分类器权重参数和目标权重调整参数；在迭代过程中，根据分类器权重参数和目标权重调整参数更新权重，直到完成N次迭代得到新的训练集；利用新的训练集对配电网时序模型进行自适应调整。
在一实施例中，采用加权随机采样方式从原始样本集提取特征构建训练集和测试集，具体为：根据初始化权重计算抽样概率，根据抽样概率对原始样本集进行随机抽样得到子样本集；将迭代过程中更新的权重赋予所述子样本集，根据更新的权重对所述子样本集进行随机抽样得到新的子样本集，将新的子样本集作为训练集。
在一实施例中，基于训练集和测试集，采用KNN算法得到初始分类器模型，具体为：将训练集平均划分为p个片区，并行计算训练集的p个片区中向量与测试集中向量之间的欧式距离，每个片区均挑选出k个最小的欧式距离，在p×k个欧式距离中挑选出最小的k个欧式距离，得到初始分类器模型。
在一实施例中，根据分类器权重参数和目标权重调整参数更新权重，直到完成N次迭代得到新的训练集，具体为：根据分类器权重参数和目标权重调整参数得到新的权重向量，将新的权重向量赋予子样本集，根据新的权重对子样本集进行随机抽样得到新的子样本集；基于新的子样本集进行N次迭代，得到迭代权重下的子样本集作为优化子样本集；若样本的抽样概率极小，且该样本在优化子样本集中所占比例约等于0，则将该样本替换为抽样概率较大的样本，使联合训练集与测试集具备“相似分布”。
步骤140中，TrAdaBoost算法的具体步骤如下：
1）输入：设系统的辅助训练集为Ta，原训练集为Tb，Ta与Tb的合集为T，测试集为S，Learner 为分类算法，N为迭代次数；
2）初始化：初始权重：
；
；
3）开始迭代：设 t = 1;2;…;N，设权重为：
公式（1）；
结合Learner 分类器、数据集T及T的权重 p t ，得到一个初始分类器模型 h t ，计算误差率为：
公式（2）；
其中，为权重；
t为时间， i为序号，n为辅助训练集的样本数量，m为原始样本集的样本数量， x i 为数据集的第 i个数据， h t ( x i )为初始分类器模型 h t 对 x i 得到的学习标识， c( x i )为样本数据 x i 真实所属的类别；
设置分类器的权重参数 α t 以及目标权重调整参数 β t ，并在迭代中保证：
α t =ln(1/ β t )， β t = ε t /(1- ε t )， β t ≤0.5；
得到更新的训练样本权重为：
公式（3）；
4）输出最终分类器为：
公式（4）；
由上可知，TrAdaBoost算法中影响最终分类器H的主要因素为实例 x i 、Learner分类器和迭代权重 w i 。若目标权重调整参数 β t 和Learner分类器一定，则迭代权重只与实例 x i 有关，即数据的差异性会影响权重从而对最终分类器H产生影响，即当联合训练集T与测试集S差异较大时效果较差。本申请提出改进的TrAdaBoost算法，首先采用KNN算法作为Learner分类器，并设计了并行多通道的方式旨在快速计算；同时提出采用加权随机采样的方式实现对训练集T进行调整使其与测试集S具备“相似分布”。
采用加权随机采样对TrAdaBoost算法改进如下：
（1）初始化权重：
；
其中，n为辅助训练集Ta的样本数量，m为原训练集Tb的样本数量；
（2）开始迭代：
1）根据公式（1）由Wt计算抽样概率：
，
根据抽样概率 p t 对原始样本集S进行随机抽样，得到子样本集M；
2）根据公式（3）将求得新权重赋予子样本集M，根据新权重随机抽样得到新的子样本集；
3）迭代结束得到一个优化权重下的子样本集，成为优化子样本集；
设 P i 为 P t 中样本 x i 的抽样概率，则当 P i 极小时，样本 x i 在优化子样本集中所占比例约为0，该样本将被 P i 较大的样本替代，从而降低了T中数据的差异性。
在一个具体示例中，采用改进的TrAdaBoost算法对配电网时序模型进行自适应调整的步骤如下：
步骤1，选取不同工况下的配网状态量作为样本，对每个样本提取特征并构建联合训练集和测试集；
步骤2，初始化权重向量；
步骤3，计算抽样概率 P t ；
步骤4，调用Learner过程如图2所示，采用KNN算法进行计算，在Sel-TDN模块读取训练集后，将采样结果发送到Par-TDN模块，其将训练集平均划分为p个片区，同时利用Sel-TDN模块读取测试集，与片区发送到Leg-TDN模块以完成各向量的欧式距离计算，此为p个并行计算过程；在欧式距离计算完成输出至Pic-TDN模块，每个Pic-TDN模块均挑选出k个最小的欧式距离；P-TDN模块在p×k个欧式距离中挑选出最小的k个欧式距离；将其发送到h-TDN模块，得到初始分类器模型 h t ；
步骤5，计算初始分类器模型 h t 在辅助训练集 T a 上的错误率；
步骤6，设置权重参数 α t 和目标权重调整参数 β t ；
步骤7，对权重进行更新；
步骤8，重复步骤3至步骤7，直到完成N次迭代得到新的训练样本集；
步骤9：采用新的训练样本集对原模型进行微调即可得到电网工况变化后的新的模型。
图3为本申请实施例提供的分布式光伏接入的配电网重构系统的框图。如图3所示，本实施例提供一种分布式光伏接入的配电网重构系统，包括：模型建立模块、波动判断模块、自适应调整模块以及配电网重构模块。模型建立模块用于收集分布式光伏接入的配电网的运行状态量，从收集的运行状态量中选取关键状态量，基于选取的关键状态量进行模型训练得到配电网时序模型。波动判断模块用于判断分布式光伏接入的配电网中是否存在电网波动。自适应调整模块用于在波动判断模块确定存在电网状态波动时，基于迁移学习算法对配电网时序模型进行自适应调整。配电网重构模块用于根据配电网时序模型输出的对应分布式光伏和电网负荷的时序数据进行配电网重构。
模型建立模块包括样本收集模块、关键特征选取模块以及模型训练模块。样本收集模块用于收集分布式光伏接入的配电网的运行状态量。关键特征选取模块用于对收集的配电网的运行状态量进行二元模糊量化处理得到状态量属性集合；确定配网状态记录库中各状态量对于状态量属性集合的隶属度，从该隶属度中选取多项组成第一模糊集；计算第一模糊集的模糊支持度，以及计算第一模糊集与其状态共同构成的第二模糊集的模糊支持度；计算第二模糊集的模糊支持度的置信度；根据第二模糊集的模糊支持度的置信度确定关键状态量；若模糊支持度的置信度大于预设的最小置信度，则第一模糊集与配电网状态具有关联性，确定第一模糊集中的状态量为关键状态量；提取所有的关键状态量构成关键状态量集合。模型训练模块用于基于关键状态量进行模型训练得到配电网时序模型。
自适应调整模块将配电网在不同工况下的关键状态量作为原始样本集，采用加权随机采样方式从原始样本集提取特征构建训练集和测试集；基于训练集和测试集，采用KNN算法得到初始分类器模型；基于辅助训练集计算初始分类器模型的误差率；根据初始分类器模型的误差率设置分类器权重参数和目标权重调整参数；在迭代过程中，根据分类器权重参数和目标权重调整参数更新权重，直到完成N次迭代得到新的训练集；利用新的训练集对配电网时序模型进行自适应调整。其中，采用加权随机采样方式从原始样本集提取特征构建训练集和测试集，具体为：根据初始化权重计算抽样概率，根据抽样概率对原始样本集进行随机抽样得到子样本集，将迭代过程中更新的权重赋予该子样本集，根据更新的权重对该子样本集进行随机抽样得到新的子样本集，将新的子样本集作为训练集。其中，采用KNN算法得到初始分类器模型，具体为：将训练集平均划分为p个片区，并行计算训练集的p个片区中向量与测试集中向量之间的欧式距离，每个片区均挑选出k个最小的欧式距离，在p×k个欧式距离中挑选出最小的k个欧式距离，得到初始分类器模型。其中，根据分类器权重参数和目标权重调整参数更新权重，直到完成N次迭代得到新的训练集，具体为：根据分类器权重参数和目标权重调整参数得到新的权重向量，将新的权重向量赋予子样本集，根据新的权重对子样本集进行随机抽样得到新的子样本集；基于新的子样本集进行N次迭代，得到迭代权重下的子样本集作为优化子样本集；若样本的抽样概率极小，且该样本在优化子样本集中所占比例约等于0，则将该样本替换为抽样概率较大的样本，使训练集与测试集具备“相似分布”。
本实施例的分布式光伏接入的配电网重构系统的具体细节及有益效果可以参照上述实施例的分布式光伏接入的配电网重构方法的具体描述，此处不再赘述。
本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行以实现上述的分布式光伏接入的配电网重构方法。
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。本申请实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
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。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (15)

1.一种分布式光伏接入的配电网重构方法，其特征在于，包括：
从收集的分布式光伏接入的配电网的运行状态量中选取关键状态量；
基于选取的关键状态量进行模型训练，建立配电网时序模型；
在确定分布式光伏接入的配电网中存在电网状态波动时，基于迁移学习算法对配电网时序模型进行自适应调整；
根据配电网时序模型输出的对应分布式光伏和电网负荷的时序数据进行配电网重构。
2.根据权利要求1所述的分布式光伏接入的配电网重构方法，其特征在于，从收集的分布式光伏接入的配电网的运行状态量中选取关键状态量，包括：
对配电网的运行状态量进行二元模糊量化处理得到状态量属性集合；
确定配网状态记录库中各状态量对于状态量属性集合的隶属度，从该隶属度中选取多项组成第一模糊集；
计算第一模糊集的模糊支持度，以及计算第一模糊集与其状态共同构成的第二模糊集的模糊支持度；
计算第二模糊集的模糊支持度的置信度；
根据第二模糊集的模糊支持度的置信度确定关键状态量。
3.根据权利要求2所述的分布式光伏接入的配电网重构方法，其特征在于，根据第二模糊集的模糊支持度的置信度确定关键状态量，包括：
若模糊支持度的置信度大于预设的最小置信度，则第一模糊集与配电网状态具有关联性，确定第一模糊集中的状态量为关键状态量。
4.根据权利要求2所述的分布式光伏接入的配电网重构方法，其特征在于，从收集的分布式光伏接入的配电网的运行状态量中选取关键状态量，还包括：
提取所有的关键状态量构成关键状态量集合。
5.根据权利要求1所述的分布式光伏接入的配电网重构方法，其特征在于，基于迁移学习算法对配电网时序模型进行自适应调整，包括：
将配电网在不同工况下的关键状态量作为原始样本集，采用加权随机采样方式从原始样本集提取特征构建训练集和测试集；
基于训练集和测试集，采用KNN算法得到初始分类器模型；
基于辅助训练集计算初始分类器模型的误差率；
根据初始分类器模型的误差率设置分类器的权重参数和目标权重调整参数；
在迭代过程中，根据分类器权重参数和目标权重调整参数更新权重，直到完成N次迭代得到新的训练集；
利用新的训练集对配电网时序模型进行自适应调整。
6.根据权利要求5所述的分布式光伏接入的配电网重构方法，其特征在于，采用加权随机采样方式从原始样本集提取特征构建训练集和测试集，包括：
根据初始化权重计算抽样概率，根据抽样概率对原始样本集进行随机抽样得到子样本集；
将迭代过程中更新的权重赋予所述子样本集，根据更新的权重对所述子样本集进行随机抽样得到新的子样本集，将新的子样本集作为训练集。
7.根据权利要求5所述的分布式光伏接入的配电网重构方法，其特征在于，基于训练集和测试集，采用KNN算法得到初始分类器模型，包括：
将训练集平均划分为p个片区，并行计算训练集的p个片区中向量与测试集中向量之间的欧式距离，每个片区均挑选出k个最小的欧式距离，在p×k个欧式距离中挑选出最小的k个欧式距离，得到初始分类器模型。
8.根据权利要求5所述的分布式光伏接入的配电网重构方法，其特征在于，初始分类器模型的误差率的计算公式为：
；
其中，t为时间，i为序号，n为辅助训练集的样本数量，m为原始样本集的样本数量，x i 为数据集的第i个数据，h t (x i )为初始分类器模型h t 对x i 得到的学习标识，c(x i )为样本数据x i 真实所属的类别。
9.根据权利要求5所述的分布式光伏接入的配电网重构方法，其特征在于，根据初始分类器模型的误差率设置分类器权重参数和目标权重调整参数，包括：
设置分类器的权重参数为α t  =ln(1/β t )；
设置目标权重调整参数为β t  =ε t  /(1-ε t )；
其中，ε t 为初始分类器模型的误差率，α t 表示权重参数，β t 表示目标权重调整参数，β t ≤0.5。
10.一种分布式光伏接入的配电网重构系统，其特征在于，包括：
模型建立模块，用于收集分布式光伏接入的配电网的运行状态量，从收集的运行状态量中选取关键状态量，基于选取的关键状态量进行模型训练得到配电网时序模型；
波动判断模块，用于判断分布式光伏接入的配电网中是否存在电网波动；
自适应调整模块，用于在波动判断模块确定存在电网状态波动时，基于迁移学习算法对配电网时序模型进行自适应调整；
配电网重构模块，用于根据配电网时序模型输出的对应分布式光伏和电网负荷的时序数据进行配电网重构。
11.根据权利要求10所述的分布式光伏接入的配电网重构系统，其特征在于，所述模型建立模块包括：
样本收集模块，用于收集分布式光伏接入的配电网的运行状态量；
关键特征选取模块，用于对收集的配电网的运行状态量进行二元模糊量化处理得到状态量属性集合；确定配网状态记录库中各状态量对于状态量属性集合的隶属度，从该隶属度中选取多项组成第一模糊集；计算第一模糊集的模糊支持度，以及计算第一模糊集与其状态共同构成的第二模糊集的模糊支持度；计算第二模糊集的模糊支持度的置信度；根据第二模糊集的模糊支持度的置信度确定关键状态量；
模型训练模块，用于基于关键状态量进行模型训练得到配电网时序模型。
12.根据权利要求10所述的分布式光伏接入的配电网重构系统，其特征在于，所述自适应调整模块将配电网在不同工况下的关键状态量作为原始样本集，采用加权随机采样方式从原始样本集提取特征构建训练集和测试集；
基于训练集和测试集，采用KNN算法得到初始分类器模型；
基于辅助训练集计算初始分类器模型的误差率；
根据初始分类器模型的误差率设置分类器的权重参数和目标权重调整参数；
在迭代过程中，根据分类器权重参数和目标权重调整参数更新权重，直到完成N次迭代得到新的训练集；
利用新的训练集对配电网时序模型进行自适应调整。
13.根据权利要求12所述的分布式光伏接入的配电网重构系统，其特征在于，所述自适应调整模块采用加权随机采样方式从原始样本集提取特征构建训练集和测试集，包括：
根据初始化权重计算抽样概率，根据抽样概率对原始样本集进行随机抽样得到子样本集；
将迭代过程中更新的权重赋予所述子样本集，根据更新的权重对所述子样本集进行随机抽样得到新的子样本集，将新的子样本集作为训练集。
14.根据权利要求12所述的分布式光伏接入的配电网重构系统，其特征在于，所述自适应调整模块基于训练集和测试集，采用KNN算法得到初始分类器模型，包括：
将训练集平均划分为p个片区，并行计算训练集的p个片区中向量与测试集中向量之间的欧式距离，每个片区均挑选出k个最小的欧式距离，在p×k个欧式距离中挑选出最小的k个欧式距离，得到初始分类器模型。
15.一种计算机可读存储介质，其特征在于，其上存储有计算机程序；所述计算机程序被处理器执行以实现如权利要求1至9中任一项所述的分布式光伏接入的配电网重构方法。
CN202310042529.9A 2023-01-28 2023-01-28 分布式光伏接入的配电网重构方法、系统及存储介质 Pending CN116054144A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310042529.9A CN116054144A (zh) 2023-01-28 2023-01-28 分布式光伏接入的配电网重构方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310042529.9A CN116054144A (zh) 2023-01-28 2023-01-28 分布式光伏接入的配电网重构方法、系统及存储介质

Publications (1)

Publication Number Publication Date
CN116054144A true CN116054144A (zh) 2023-05-02

Family

ID=86117766

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310042529.9A Pending CN116054144A (zh) 2023-01-28 2023-01-28 分布式光伏接入的配电网重构方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN116054144A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116754920A (zh) * 2023-08-21 2023-09-15 北京智芯微电子科技有限公司 半导体寿命测试方法、装置、存储介质及终端设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111917134A (zh) * 2020-08-18 2020-11-10 山东科技大学 一种基于数据驱动的配电网动态自主重构方法及系统
US20210152018A1 (en) * 2018-06-19 2021-05-20 Tsinghua University Micro-grid reconstruction method and device, micro-grid protection control center, and storage medium
CN114218866A (zh) * 2021-12-17 2022-03-22 国网新疆电力有限公司经济技术研究院 基于深度学习算法的配电网实时动态重构方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210152018A1 (en) * 2018-06-19 2021-05-20 Tsinghua University Micro-grid reconstruction method and device, micro-grid protection control center, and storage medium
CN111917134A (zh) * 2020-08-18 2020-11-10 山东科技大学 一种基于数据驱动的配电网动态自主重构方法及系统
CN114218866A (zh) * 2021-12-17 2022-03-22 国网新疆电力有限公司经济技术研究院 基于深度学习算法的配电网实时动态重构方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨志淳 等: "考虑多元因素态势演变的配电变压器迁移学习故障诊断模型", 《电工技术学报》, vol. 34, no. 7, pages 1507 - 1508 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116754920A (zh) * 2023-08-21 2023-09-15 北京智芯微电子科技有限公司 半导体寿命测试方法、装置、存储介质及终端设备
CN116754920B (zh) * 2023-08-21 2023-10-27 北京智芯微电子科技有限公司 半导体寿命测试方法、装置、存储介质及终端设备

Similar Documents

Publication Publication Date Title
Xuan et al. Multi-model fusion short-term load forecasting based on random forest feature selection and hybrid neural network
CN109886464B (zh) 基于优化奇异值分解生成特征集的低信息损失短期风速预测方法
CN112733997B (zh) 基于woa-lstm-mc的水文时间序列预测优化方法
Yang et al. Hybrid prediction method for wind speed combining ensemble empirical mode decomposition and Bayesian ridge regression
CN109063355A (zh) 基于粒子群优化与Kriging模型的近似优化方法
CN110751318A (zh) 一种基于ipso-lstm的超短期电力负荷预测方法
CN110222838B (zh) 文档排序方法、装置、电子设备及存储介质
CN111723914A (zh) 一种基于卷积核预测的神经网络架构搜索方法
CN110083125A (zh) 一种基于深度学习的机床热误差建模方法
CN110428015A (zh) 一种模型的训练方法及相关设备
CN105608295A (zh) 焦化炉压力的多目标遗传算法与rbf神经网络优化建模方法
CN116054144A (zh) 分布式光伏接入的配电网重构方法、系统及存储介质
CN113591368A (zh) 一种综合能源系统多能负荷预测方法及系统
CN110738363B (zh) 一种光伏发电功率预测方法
CN106296434A (zh) 一种基于pso‑lssvm算法的粮食产量预测方法
CN116245019A (zh) 一种基于Bagging抽样及改进随机森林算法的负荷预测方法、系统、装置及存储介质
CN106407932B (zh) 基于分数阶微积分与广义逆神经网络的手写数字识别方法
CN116933037A (zh) 一种基于多模型融合的光伏出力预测方法及相关装置
CN117334271A (zh) 一种基于指定属性生成分子的方法
CN116993548A (zh) 基于增量学习的LightGBM-SVM的教育培训机构信用评估方法及系统
CN107491841A (zh) 非线性优化方法及存储介质
CN116978450A (zh) 蛋白质数据的处理方法、装置、电子设备及存储介质
CN114117917B (zh) 一种多目标优化的舰船磁偶极子阵列建模方法
Narwal et al. A novel order reduction approach for LTI systems using cuckoo search and Routh approximation
CN114202063A (zh) 一种基于遗传算法优化的模糊神经网络温室温度预测方法

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