CN116227953B - 基于卷积神经网络的主配协同配网规划方法及系统 - Google Patents

基于卷积神经网络的主配协同配网规划方法及系统 Download PDF

Info

Publication number
CN116227953B
CN116227953B CN202310518851.4A CN202310518851A CN116227953B CN 116227953 B CN116227953 B CN 116227953B CN 202310518851 A CN202310518851 A CN 202310518851A CN 116227953 B CN116227953 B CN 116227953B
Authority
CN
China
Prior art keywords
distribution network
cost
network
scene
node
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
Application number
CN202310518851.4A
Other languages
English (en)
Other versions
CN116227953A (zh
Inventor
蔡仲启
杨昆
吴亚雄
李振聪
向真
梁亮
赖嘉源
顾延勋
杨锐雄
刘超
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.)
Zhuhai Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Zhuhai Power Supply Bureau of 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 Zhuhai Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Zhuhai Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority to CN202310518851.4A priority Critical patent/CN116227953B/zh
Publication of CN116227953A publication Critical patent/CN116227953A/zh
Application granted granted Critical
Publication of CN116227953B publication Critical patent/CN116227953B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • 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)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computational Mathematics (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Water Supply & Treatment (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明涉及输配电网规划技术领域，公开了一种基于卷积神经网络的主配协同配网规划方法及系统，其方法通过根据配网结构信息对若干条待投建线路进行规划，生成多个场景来构建场景集，将每个场景输入至预设的配电网规划模型中进行求解，得到每个场景对应的全周期总成本，将每个场景以及其对应的全周期总成本为关联偶，构建数据集，将数据集划分为训练集和测试集，利用训练集对卷积神经网络进行训练，再利用测试集对训练好的卷积神经网络进行测试，输出卷积神经网络模型作为主配协同运行代理模型对所有待规划场景进行训练，得到对应的全周期总成本，并筛选出最优主配协同配网规划方案，从而提高了输配电网规划的效率和准确性。

Description

基于卷积神经网络的主配协同配网规划方法及系统
技术领域
本发明涉及输配电网规划技术领域，尤其涉及一种基于卷积神经网络的主配协同配网规划方法及系统。
背景技术
随着新型电力系统建设的进一步推进，高渗透率新能源接入将成为电力系统未来的一大特点，建设高渗透率可再生能源配电网系统，与此同时，合理的配电网规划方案是未来电网经济性和安全性的重要前提。
随着可再生能源逐步渗透入不同电压等级的各级电网，其时间空间分布特性和不确定性对配电网规划产生了深刻的影响。同时也由于配电网相较于输电网电压等级的差异以及分布式可再生能源的接入，本质为复杂优化问题的配电网规划问题其非凸和非线性的特点逐渐突出。
传统配电网规划中，配电网电能输入主要由变电站和本地机组提供，且视输电网为无穷大电源。上述方案在低比例可再生能源场景下是可近似的，但随着可再生能源不断接入至配电网，会存在自配电网至输电网的能量流动，而传统配电网规划中未曾考虑到该能量流动的影响。
而主从广义分裂理论和分析目标级联算法在规划层面多以输电网为研究对象。相较于配电网，由于设计和运行的结构差异和网络参数差异，输电网规划多采用直流潮流模型，配电网规划多采用交流潮流潮流模型，相应的输电网规划方法也由于配电网规划问题的非线性而不能简单移植，从而导致输配电网规划的效率和准确性较低。
发明内容
本发明提供了一种基于卷积神经网络的主配协同配网规划方法及系统，解决了随着可再生能源不断接入至配电网，会存在自配电网至输电网的能量流动，而传统配电网规划中未曾考虑到该能量流动的影响，导致输配电网规划的效率和准确性较低的技术问题。
有鉴于此，本发明第一方面提供了一种基于卷积神经网络的主配协同配网规划方法，包括以下步骤：
根据预先获取的配网结构信息对若干条待投建线路进行规划，生成多个场景，构建场景集，其中，每个场景包括投建线路以及投建线路分别连接到输电网和配电网的拓扑结构；
将所述场景集中的每个场景输入至预设的配电网规划模型中进行求解，得到每个场景对应的全周期总成本，其中，所述预设的配电网规划模型是为全周期总成本最小的目标进行构建，其中，全周期总成本为配电网投资建设成本、输电网运行成本和配电网运行成本之和；
将每个场景以及其对应的全周期总成本为关联偶，构建数据集，将所述数据集划分为训练集和测试集；
基于卷积神经网络对所述训练集进行训练，训练收敛后，输出训练好的卷积神经网络模型；
将所述测试集输入至所述训练好的卷积神经网络模型中，得到测试误差，根据测试误差调整卷积神经网络模型的网络参数，直至卷积神经网络模型的测试误差达到预设误差阈值后，输出卷积神经网络模型作为主配协同运行代理模型；
通过所述主配协同运行代理模型对所有待规划场景进行训练，得到对应的全周期总成本，并筛选出最优全周期总成本对应的待规划场景为最优主配协同配网规划方案。
优选地，所述预设的配电网规划模型包括目标函数和约束条件；其中，目标函数为：
；
式中，为全周期总成本最小值，/>为配电网投资建设成本最小值，/>为输电网运行成本最小值，/>为配电网运行成本最小值；
其中，配电网投资建设成本最小值为：
；
式中，为配电网待投建电缆/>的投资建设成本，/>为配电网待投建电缆的投建决策变量，/>，b c =0表示不投建待投建电缆/>，b c =1表示投建待投建电缆/>，/>为待投建电缆索引；/>为待投建线路集合；
其中，输电网运行成本最小值为输电网常规机组发电成本、输电网失负荷成本和输电网弃能成本之和的最小值；配电网运行成本最小值为配电网常规机组发电成本、配电网失负荷成本和配电网弃能成本之和的最小值；
输电网常规机组发电成本为，
；
式中，为场景集，/>为场景索引，/>为常规机组场景权重，/>为时间剖面集合，/>为时间剖面的索引；/>为输电网节点的集合；/>为输电网节点的索引，/>为节点/>处场景/>下常规机组的单位发电成本，/>为场景/>下/>时刻常规机组的出力；
输电网失负荷成本为，
；
式中，为失负荷的场景权重；/>为节点/>处场景/>下单位失负荷成本；为场景/>下/>时刻失负荷的大小；
输电网弃能成本为，
；
式中，为可再生能源的场景权重；/>为节点/>处场景/>下可再生能源单位弃能成本；/>为场景/>下/>时刻节点/>处可再生能源的最大出力；/>为场景下/>时刻节点/>处可再生能源的出力；
配电网常规机组发电成本为，
；
式中，为配电网节点的集合；
配电网失负荷成本为，
；
配电网弃能成本为，
；
其中，约束条件包括：输电网约束条件、配电网约束条件和变电站约束条件；
其中，输电网约束条件包括：
1）输电网节点功率平衡方程为，
式中，为节点/>关联，以节点/>为末端的线路集合；/>为节点/>关联，以节点为首端的线路集合；/>为以线路/>的线路潮流；/>为节点负荷；下标/>为线路索引；
2）输电网潮流方程为，
；
式中，为线路/>的潮流；/>为线路电抗的倒数；/>和/>分别是线路始端节点和末端节点相角；/>为输电网线路集合；
3）输电网线路容量约束为，
；
式中，和/>分别是线路/>传输功率的上下限；
4）输电网机组出力约束为，
式中，和/>分别为节点/>常规机组出力的上下限；/>和/>分别为单位时间间隔内常规机组出力的最大变化范围，以机组容量的百分比表示；/>和/>分别为可再生能源机组的出力上下限；
5）输电网失负荷约束为，
；
式中，为节点/>的最大失负荷量；
所述配电网约束条件包括：
1）配电网节点功率平衡方程为，
；
式中，和/>分别是常规机组和可再生能源机组的无功出力；/>为线路的无功潮流；/>和/>分别是线路的电阻和电抗；/>为线路的电流；/>为配电网线路集合；/>为线路索引；
2）配电网节点电压方程为，
；
式中，和/>分别为线路/>的首端电压和末端电压的平方，/>为配电网节点电压，/>为配电网节点电压的平方；
3）配电网支路潮流方程为，
；
4）配电网节点电压上下限约束为，
；
式中，和/>分别为配电网节点电压的上下限；
5）配电网分布式机组出力约束为，
；
6）配电网失负荷约束为，
；
所述变电站约束条件包括：
1）变电站节点功率平衡方程为，
式中，为变电站节点集合；
2）变电站本地机组出力约束为，
。
优选地，所述卷积神经网络包括依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层和输出层。
第二方面，本发明还提供了一种基于卷积神经网络的主配协同配网规划系统，包括：
场景规划模块，用于根据预先获取的配网结构信息对若干条待投建线路进行规划，生成多个场景，构建场景集，其中，每个场景包括投建线路以及投建线路分别连接到输电网和配电网的拓扑结构；
成本计算模块，用于将所述场景集中的每个场景输入至预设的配电网规划模型中进行求解，得到每个场景对应的全周期总成本，其中，所述预设的配电网规划模型是为全周期总成本最小的目标进行构建，其中，全周期总成本为配电网投资建设成本、输电网运行成本和配电网运行成本之和；
数据划分模块，用于将每个场景以及其对应的全周期总成本为关联偶，构建数据集，将所述数据集划分为训练集和测试集；
训练模块，用于基于卷积神经网络对所述训练集进行训练，训练收敛后，输出训练好的卷积神经网络模型；
测试模块，用于将所述测试集输入至所述训练好的卷积神经网络模型中，得到测试误差，根据测试误差调整卷积神经网络模型的网络参数，直至卷积神经网络模型的测试误差达到预设误差阈值后，输出卷积神经网络模型作为主配协同运行代理模型；
方案筛选模块，用于通过所述主配协同运行代理模型对所有待规划场景进行训练，得到对应的全周期总成本，并筛选出最优全周期总成本对应的待规划场景为最优主配协同配网规划方案。
第三方面，本发明还提供了一种电子设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述的方法。
第四方面，本发明还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法。
从以上技术方案可以看出，本发明具有以下优点：
本发明通过根据配网结构信息对若干条待投建线路进行规划，生成多个场景来构建场景集，将每个场景输入至预设的配电网规划模型中进行求解，得到每个场景对应的全周期总成本，将每个场景以及其对应的全周期总成本为关联偶，构建数据集，将数据集划分为训练集和测试集，利用训练集对卷积神经网络进行训练，再利用测试集对训练好的卷积神经网络进行测试，输出卷积神经网络模型作为主配协同运行代理模型对所有待规划场景进行训练，得到对应的全周期总成本，并筛选出最优主配协同配网规划方案。通过考虑配网结构以及配电网规划的全周期总成本为配电网投资建设成本、输电网运行成本和配电网运行成本之和构建配电网规划模型，还通过主配协同运行代理模型替代非线性的规划问题，在保持所需精度的前提下，节省了算力，提高了输配电网规划的效率和准确性。
附图说明
图1为本发明实施例提供的一种基于卷积神经网络的主配协同配网规划方法的流程图；
图2为本发明实施例提供的输配电网结构示意图；
图3为本发明实施例提供的一种基于卷积神经网络的主配协同配网规划系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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。
为了便于理解，请参阅图1，本发明提供的一种基于卷积神经网络的主配协同配网规划方法，包括以下步骤：
101、根据预先获取的配网结构信息对若干条待投建线路进行规划，生成多个场景，构建场景集，其中，每个场景包括投建线路以及投建线路分别连接到输电网和配电网的拓扑结构。
其中，配网结构信息为输配电网结构，一般情况下，如图2所示，图2示意了输配电网结构示意图，输配电网结构划分为：输电网、变电站和配电网3个部分，其中，变电站节点为输电网和配电网的边界。
场景也即规划方案，其是通过根据配电网现场实地需要或亟需规划解决问题，确定若干条待投建线路，对若干条待投建线路进行规划，以通过若干条待投建线路进行组合方案，以分别连接到输电网和配电网。其中，规划方案中的拓扑结构以邻接矩阵的形式表达。
102、将场景集中的每个场景输入至预设的配电网规划模型中进行求解，得到每个场景对应的全周期总成本，其中，预设的配电网规划模型是为全周期总成本最小的目标进行构建，其中，全周期总成本为配电网投资建设成本、输电网运行成本和配电网运行成本之和。
其中，全周期总成本分别从规划层面和运行层面考虑，其中，规划层面为配电网投资建设成本，运行层面为输电网运行成本和配电网运行成本。
103、将每个场景以及其对应的全周期总成本为关联偶，构建数据集，将数据集划分为训练集和测试集。
104、基于卷积神经网络对训练集进行训练，训练收敛后，输出训练好的卷积神经网络模型。
其中，卷积神经网络是是一种带有卷积结构的深度神经网络，卷积结构可以减少深层网络占用的内存量，其三个关键的操作，其一是局部感受，其二是权值共享，其三是pooling层，有效的减少了网络的参数个数，缓解了模型的过拟合问题。
在本实施例中，卷积神经网络包括依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层和输出层。
其中，通过卷积层和池化层的交替使用，可以最大程度地对输入数据的潜在特征进行有效提取，又可以减少人为提取特征所带来的误差。
105、将测试集输入至训练好的卷积神经网络模型中，得到测试误差，根据测试误差调整卷积神经网络模型的网络参数，直至卷积神经网络模型的测试误差达到预设误差阈值后，输出卷积神经网络模型作为主配协同运行代理模型。
106、通过主配协同运行代理模型对所有待规划场景进行训练，得到对应的全周期总成本，并筛选出最优全周期总成本对应的待规划场景为最优主配协同配网规划方案。
需要说明的是，本发明通过根据配网结构信息对若干条待投建线路进行规划，生成多个场景来构建场景集，将每个场景输入至预设的配电网规划模型中进行求解，得到每个场景对应的全周期总成本，将每个场景以及其对应的全周期总成本为关联偶，构建数据集，将数据集划分为训练集和测试集，利用训练集对卷积神经网络进行训练，再利用测试集对训练好的卷积神经网络进行测试，输出卷积神经网络模型作为主配协同运行代理模型对所有待规划场景进行训练，得到对应的全周期总成本，并筛选出最优主配协同配网规划方案。通过考虑配网结构以及配电网规划的全周期总成本为配电网投资建设成本、输电网运行成本和配电网运行成本之和构建配电网规划模型，还通过主配协同运行代理模型替代非线性的规划问题，在保持所需精度的前提下，节省了算力，提高了输配电网规划的效率和准确性。
在一个具体实施例中，预设的配电网规划模型包括目标函数和约束条件；其中，目标函数为：
；
式中，为全周期总成本最小值，/>为配电网投资建设成本最小值，/>为输电网运行成本最小值，/>为配电网运行成本最小值；
其中，配电网投资建设成本最小值为：
；
式中，为配电网待投建电缆/>的投资建设成本，/>为配电网待投建电缆的投建决策变量，/>，b c =0表示不投建待投建电缆/>，b c =1表示投建待投建电缆/>，/>为待投建电缆索引；/>为待投建线路集合；
其中，输电网运行成本最小值为输电网常规机组发电成本、输电网失负荷成本和输电网弃能成本之和的最小值；配电网运行成本最小值为配电网常规机组发电成本、配电网失负荷成本和配电网弃能成本之和的最小值；
输电网常规机组发电成本为，
；
式中，为场景集，/>为场景索引，/>为常规机组场景权重，/>为时间剖面集合，/>为时间剖面的索引；/>为输电网节点的集合；/>为输电网节点的索引，/>为节点/>处场景/>下常规机组的单位发电成本，/>为场景/>下/>时刻常规机组的出力；
输电网失负荷成本为，
；
式中，为失负荷的场景权重；/>为节点/>处场景/>下单位失负荷成本；为场景/>下/>时刻失负荷的大小；
输电网弃能成本为，
；
式中，为可再生能源的场景权重；/>为节点/>处场景/>下可再生能源单位弃能成本；/>为场景/>下/>时刻节点/>处可再生能源的最大出力；/>为场景下/>时刻节点/>处可再生能源的出力；
配电网常规机组发电成本为，
；
式中，为配电网节点的集合；
配电网失负荷成本为，
；
配电网弃能成本为，
；
需要说明的是，本实施例通过从输电网和配电网的全局视角对配电网规划问题进行考察，还考虑了输电网侧和配电网侧分布式可再生能源和本地机组的影响，间接考虑了潮流反送的问题，解决了随着可再生能源不断接入至配电网，会存在自配电网至输电网的能量流动的问题，提高了输配电网规划的准确性。
其中，约束条件包括：输电网约束条件、配电网约束条件和变电站约束条件；
其中，输电网约束条件包括：
1）输电网节点功率平衡方程为，
；
式中，为节点/>关联，以节点/>为末端的线路集合；/>为节点/>关联，以节点为首端的线路集合；/>为以线路/>的线路潮流；/>为节点负荷；下标/>为线路索引；
2）输电网潮流方程为，
；
式中，为线路/>的潮流；/>为线路电抗的倒数；/>和/>分别是线路始端节点和末端节点相角；/>为输电网线路集合；
3）输电网线路容量约束为，
；
式中，和/>分别是线路/>传输功率的上下限；
4）输电网机组出力约束为，
；
式中，和/>分别为节点/>常规机组出力的上下限；/>和/>分别为单位时间间隔内常规机组出力的最大变化范围，以机组容量的百分比表示；/>和/>分别为可再生能源机组的出力上下限；
5）输电网失负荷约束为，
；
式中，为节点/>的最大失负荷量；/>
配电网约束条件包括：
1）配电网节点功率平衡方程为，
；
式中，和/>分别是常规机组和可再生能源机组的无功出力；/>为线路的无功潮流；/>和/>分别是线路的电阻和电抗；/>为线路的电流；/>为配电网线路集合；/>为线路索引；
2）配电网节点电压方程为，
；
式中，和/>分别为线路/>的首端电压和末端电压的平方，/>为配电网节点电压，/>为配电网节点电压的平方；
3）配电网支路潮流方程为，
；
4）配电网节点电压上下限约束为，
；
式中，和/>分别为配电网节点电压的上下限；
5）配电网分布式机组出力约束为，
；/>
6）配电网失负荷约束为，
；
所述变电站约束条件包括：
1）变电站节点功率平衡方程为，
；
式中，为变电站节点集合；
2）变电站本地机组出力约束为，
。
以上为本发明提供的一种基于卷积神经网络的主配协同配网规划方法的实施例的详细描述，以下为本发明提供的一种基于卷积神经网络的主配协同配网规划系统的实施例的详细描述。
为了便于理解，请参阅图3，本发明还提供了基于卷积神经网络的主配协同配网规划系统，包括：
场景规划模块100，用于根据预先获取的配网结构信息对若干条待投建线路进行规划，生成多个场景，构建场景集，其中，每个场景包括投建线路以及投建线路分别连接到输电网和配电网的拓扑结构；
成本计算模块200，用于将场景集中的每个场景输入至预设的配电网规划模型中进行求解，得到每个场景对应的全周期总成本，其中，预设的配电网规划模型是为全周期总成本最小的目标进行构建，其中，全周期总成本为配电网投资建设成本、输电网运行成本和配电网运行成本之和；
数据划分模块300，用于将每个场景以及其对应的全周期总成本为关联偶，构建数据集，将数据集划分为训练集和测试集；
训练模块400，用于基于卷积神经网络对训练集进行训练，训练收敛后，输出训练好的卷积神经网络模型；
测试模块500，用于将测试集输入至训练好的卷积神经网络模型中，得到测试误差，根据测试误差调整卷积神经网络模型的网络参数，直至卷积神经网络模型的测试误差达到预设误差阈值后，输出卷积神经网络模型作为主配协同运行代理模型；
方案筛选模块600，用于通过主配协同运行代理模型对所有待规划场景进行训练，得到对应的全周期总成本，并筛选出最优全周期总成本对应的待规划场景为最优主配协同配网规划方案。
本发明还提供了一种电子设备，包括：
至少一个处理器；以及，
与至少一个处理器通信连接的存储器；其中，
存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如上述的方法。
本发明还提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时实现上述的方法。
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，上述描述的系统，电子设备和存储介质的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以通过一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（英文全称：Read-OnlyMemory，英文缩写：ROM）、随机存取存储器（英文全称：Random Access Memory，英文缩写：RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (6)

1.基于卷积神经网络的主配协同配网规划方法，其特征在于，包括以下步骤：
根据预先获取的配网结构信息对若干条待投建线路进行规划，生成多个场景，构建场景集，其中，每个场景包括投建线路以及投建线路分别连接到输电网和配电网的拓扑结构；
将所述场景集中的每个场景输入至预设的配电网规划模型中进行求解，得到每个场景对应的全周期总成本，其中，所述预设的配电网规划模型是为全周期总成本最小的目标进行构建，其中，全周期总成本为配电网投资建设成本、输电网运行成本和配电网运行成本之和；
将每个场景以及其对应的全周期总成本为关联偶，构建数据集，将所述数据集划分为训练集和测试集；
基于卷积神经网络对所述训练集进行训练，训练收敛后，输出训练好的卷积神经网络模型；
将所述测试集输入至所述训练好的卷积神经网络模型中，得到测试误差，根据测试误差调整卷积神经网络模型的网络参数，直至卷积神经网络模型的测试误差达到预设误差阈值后，输出卷积神经网络模型作为主配协同运行代理模型；
通过所述主配协同运行代理模型对所有待规划场景进行训练，得到对应的全周期总成本，并筛选出最优全周期总成本对应的待规划场景为最优主配协同配网规划方案。
2.根据权利要求1所述的基于卷积神经网络的主配协同配网规划方法，其特征在于，所述预设的配电网规划模型包括目标函数和约束条件；其中，目标函数为：
；
式中，为全周期总成本最小值，/>为配电网投资建设成本最小值，/>为输电网运行成本最小值，/>为配电网运行成本最小值；
其中，配电网投资建设成本最小值为：
；
式中，为配电网待投建电缆/>的投资建设成本，/>为配电网待投建电缆/>的投建决策变量，/>，b c =0表示不投建待投建电缆/>，b c =1表示投建待投建电缆，/>为待投建电缆索引；/>为待投建线路集合；
其中，输电网运行成本最小值为输电网常规机组发电成本、输电网失负荷成本和输电网弃能成本之和的最小值；配电网运行成本最小值为配电网常规机组发电成本、配电网失负荷成本和配电网弃能成本之和的最小值；
输电网常规机组发电成本为，
；
式中，为场景集，/>为场景索引，/>为常规机组场景权重，/>为时间剖面集合，为时间剖面的索引；/>为输电网节点的集合；/>为节点索引，/>为节点/>处场景/>下常规机组的单位发电成本，/>为场景/>下/>时刻常规机组的出力；
输电网失负荷成本为，
；
式中，为失负荷的场景权重；/>为节点/>处场景/>下单位失负荷成本；/>为场景/>下/>时刻失负荷的大小；
输电网弃能成本为，
；
式中，为可再生能源的场景权重；/>为节点/>处场景/>下可再生能源单位弃能成本；/>为场景/>下/>时刻节点/>处可再生能源的最大出力；/>为场景/>下时刻节点/>处可再生能源的出力；
配电网常规机组发电成本为，
；
式中，为配电网节点的集合；
配电网失负荷成本为，
；
配电网弃能成本为，
；
其中，约束条件包括：输电网约束条件、配电网约束条件和变电站约束条件；
其中，输电网约束条件包括：
1）输电网节点功率平衡方程为，
；
式中，为节点/>关联，以节点/>为末端的线路集合；/>为节点/>关联，以节点/>为首端的线路集合；/>为线路/>的线路潮流；/>为节点负荷；下标/>为线路索引；
2）输电网潮流方程为，
；
式中，为线路/>中节点i的潮流；/>为线路电抗的倒数；/>和/>分别是线路/>始端节点和末端节点相角；/>为输电网线路集合；
3）输电网线路容量约束为，
；
式中，和/>分别是线路/>传输功率的上下限；
4）输电网机组出力约束为，
；
式中，和/>分别为节点/>常规机组出力的上下限；/>和/>分别为单位时间间隔内常规机组出力的最大变化范围，以机组容量的百分比表示；/>和分别为可再生能源机组的出力上下限；
5）输电网失负荷约束为，
；
式中，为节点/>的最大失负荷量；
所述配电网约束条件包括：
1）配电网节点功率平衡方程为，
；
式中，和/>分别是常规机组和可再生能源机组的无功出力；/>为线路的无功潮流；/>和/>分别是线路的电阻和电抗；/>为配电网线路集合；/>为线路索引；/>为线路的电流；/>为线路的电流的平方；
2）配电网节点电压方程为，
；
；
式中，和/>分别为线路/>的首端电压和末端电压的平方，/>为配电网节点电压，/>为配电网节点电压的平方，/>为线路中节点i的无功潮流；
3）配电网支路潮流方程为，
；
4）配电网节点电压上下限约束为，
；
式中，和/>分别为配电网节点电压的上下限；
5）配电网分布式机组出力约束为，
；
6）配电网失负荷约束为，
；
所述变电站约束条件包括：
1）变电站节点功率平衡方程为，
；
式中，为变电站节点集合；
2）变电站本地机组出力约束为，
。
3.根据权利要求1所述的基于卷积神经网络的主配协同配网规划方法，其特征在于，所述卷积神经网络包括依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层和输出层。
4.基于卷积神经网络的主配协同配网规划系统，其特征在于，包括：
场景规划模块，用于根据预先获取的配网结构信息对若干条待投建线路进行规划，生成多个场景，构建场景集，其中，每个场景包括投建线路以及投建线路分别连接到输电网和配电网的拓扑结构；
成本计算模块，用于将所述场景集中的每个场景输入至预设的配电网规划模型中进行求解，得到每个场景对应的全周期总成本，其中，所述预设的配电网规划模型是为全周期总成本最小的目标进行构建，其中，全周期总成本为配电网投资建设成本、输电网运行成本和配电网运行成本之和；
数据划分模块，用于将每个场景以及其对应的全周期总成本为关联偶，构建数据集，将所述数据集划分为训练集和测试集；
训练模块，用于基于卷积神经网络对所述训练集进行训练，训练收敛后，输出训练好的卷积神经网络模型；
测试模块，用于将所述测试集输入至所述训练好的卷积神经网络模型中，得到测试误差，根据测试误差调整卷积神经网络模型的网络参数，直至卷积神经网络模型的测试误差达到预设误差阈值后，输出卷积神经网络模型作为主配协同运行代理模型；
方案筛选模块，用于通过所述主配协同运行代理模型对所有待规划场景进行训练，得到对应的全周期总成本，并筛选出最优全周期总成本对应的待规划场景为最优主配协同配网规划方案。
5.一种电子设备，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至3中任一所述的方法。
6.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至3中任一项所述的方法。
CN202310518851.4A 2023-05-10 2023-05-10 基于卷积神经网络的主配协同配网规划方法及系统 Active CN116227953B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310518851.4A CN116227953B (zh) 2023-05-10 2023-05-10 基于卷积神经网络的主配协同配网规划方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310518851.4A CN116227953B (zh) 2023-05-10 2023-05-10 基于卷积神经网络的主配协同配网规划方法及系统

Publications (2)

Publication Number Publication Date
CN116227953A CN116227953A (zh) 2023-06-06
CN116227953B true CN116227953B (zh) 2023-07-18

Family

ID=86571676

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310518851.4A Active CN116227953B (zh) 2023-05-10 2023-05-10 基于卷积神经网络的主配协同配网规划方法及系统

Country Status (1)

Country Link
CN (1) CN116227953B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1322020A1 (en) * 2001-12-20 2003-06-25 Abb Research Ltd. Power system expansion planning

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105550766A (zh) * 2015-12-04 2016-05-04 山东大学 一种含可再生能源的微网鲁棒多目标运行优化方法
WO2019134254A1 (zh) * 2018-01-02 2019-07-11 上海交通大学 一种运用分布式神经网络的实时经济调度计算方法
KR20220100975A (ko) * 2019-11-25 2022-07-18 상하이 일렉트릭 윈드 파워 그룹 컴퍼니 리미티드 풍력발전단지의 케이블 경로 계획 방법, 시스템, 매체 및 전자 기기
CN113690942A (zh) * 2021-08-02 2021-11-23 国网天津市电力公司 一种基于多目标神经网络优化的分布式新能源定容方法
CN113765101A (zh) * 2021-09-10 2021-12-07 杭州电子科技大学 一种输电网规划与配电网运行协同问题的分布式优化方法
CN114154800A (zh) * 2021-11-08 2022-03-08 清华大学 一种输配电网协同的储能系统优化规划方法及装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1322020A1 (en) * 2001-12-20 2003-06-25 Abb Research Ltd. Power system expansion planning

Also Published As

Publication number Publication date
CN116227953A (zh) 2023-06-06

Similar Documents

Publication Publication Date Title
Zhuo et al. Incorporating massive scenarios in transmission expansion planning with high renewable energy penetration
You et al. Co-optimizing generation and transmission expansion with wind power in large-scale power grids—Implementation in the US Eastern Interconnection
Yuan et al. Application of cultural algorithm to generation scheduling of hydrothermal systems
Meza et al. A multiobjective evolutionary programming algorithm and its applications to power generation expansion planning
CN109508823B (zh) 一种基于场景分析法的配电网中分布式电源规划方法
CN112132427A (zh) 一种考虑用户侧多种资源接入的电网多层规划方法
CN108446794A (zh) 一种基于多个卷积神经网络结合架构深度学习预测方法
CN110570327B (zh) 一种计及源荷互动响应的主动配电网双层规划方法
CN105305490A (zh) 一种考虑电能质量经济性最优的有源配电网规划方法
Deb et al. Modified spider monkey optimization-based optimal placement of distributed generators in radial distribution system for voltage security improvement
CA2864463A1 (en) Computing method for continuous power flow based on wind power fluctuation rules
Fletcher et al. Spatial optimization for the planning of sparse power distribution networks
Taheri et al. Transmission expansion in an oligopoly considering generation investment equilibrium
Khanjarpanah et al. Sustainable wind plant location optimization using fuzzy cross-efficiency data envelopment analysis
Du et al. Applying deep convolutional neural network for fast security assessment with N-1 contingency
Hidalgo et al. Efficiency curves for hydroelectric generating units
Mertens et al. Representing cross-border trade of electricity in long-term energy-system optimization models with a limited geographical scope
CN116644984A (zh) 电力光通信网络可靠性评估方法、装置、设备及存储介质
CN116389316A (zh) 电力光通信网络故障感知方法、装置、设备及存储介质
CN116227953B (zh) 基于卷积神经网络的主配协同配网规划方法及系统
Manso et al. Probabilistic criteria for power system expansion planning
Shao et al. A method for evaluating and improving linear power flow models in system with large fluctuations
CN116777264A (zh) 考虑储能的新型配电网韧性指标的确定方法及评估系统
Kiani-Moghaddam et al. Probabilistic multi-objective framework for multiple active power filters planning
CN107102543B (zh) 一种能量路由器抗干扰控制器的形成方法及装置

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