CN116228465A - 配电网状态快速评估计算方法、系统、设备及存储介质 - Google Patents
配电网状态快速评估计算方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN116228465A CN116228465A CN202310214933.XA CN202310214933A CN116228465A CN 116228465 A CN116228465 A CN 116228465A CN 202310214933 A CN202310214933 A CN 202310214933A CN 116228465 A CN116228465 A CN 116228465A
- Authority
- CN
- China
- Prior art keywords
- power distribution
- distribution network
- training
- measurement
- model
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 164
- 238000004364 calculation method Methods 0.000 title claims abstract description 49
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000011156 evaluation Methods 0.000 title claims description 18
- 238000012549 training Methods 0.000 claims abstract description 137
- 238000005259 measurement Methods 0.000 claims abstract description 135
- 238000000034 method Methods 0.000 claims abstract description 79
- 238000003062 neural network model Methods 0.000 claims abstract description 59
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 9
- 230000007547 defect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000008719 thickening Effects 0.000 description 1
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
- H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
- H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected 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
-
- 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
-
- 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
- H02J2203/20—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
-
- 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
- H02J2300/28—The renewable source being wind energy
-
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Power Engineering (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种配电网状态快速评估计算方法、系统、设备及存储介质,方法包括在构建的配电系统拓扑上获取配电网设备量测位置与量测数据;以配电网设备的量测数据与拓扑连接关系构建模型离线训练样本对预先建立的神经网络模型进行两个阶段的训练,第一阶段为数据驱动训练,第二阶段为物理知识约束引导训练;利用经过两个阶段训练的神经网络模型在线收集各量测设备的实时数据,输出配电网全节点的电压幅值及相角,并计算获得所有支路的有功功率和无功功率,展示配电网状态。本发明能够在配电网量测稀缺条件下进行状态精准估计,克服传统方法在少量测条件下难以应用、对于数据噪声干扰较为敏感的缺陷;同时采用潮流方程物理引导的方法修正神经网络输出结果。
Description
技术领域
本发明涉及配电网调控运行与状态计算领域,具体涉及一种配电网状态快速评估计算方法、系统、设备及存储介质。
背景技术
随着分布式光伏、风电的大规模接入,储能的部署利用以及电动汽车的负荷的大量涌入,配电网运行的随机性、波动性与复杂性日益加剧。在新型电力系统建设背景下,配电网的精准状态估计是未来进行配网调度控制运行、精细化管理、负荷侧需求响应、电力市场交易、电费结算等应用的重要基础,为提升配电网可观可测性,亟需借助新型数字化手段进行配网状态的快速评估计算。
目前,配电网状态计算主要沿用了主网的传统计算方法,然而,由于主网拓扑结构相对简单,且量测配置较为冗余,传统方法可以适用。但配电网设备点多面广,量测配置往往不足,数据量往往无法支撑传统方法进行计算。且量测数据质量相对较低,传统方法在数据传输缺失、噪声较大等情况下,也容易出现计算误差较大的情况。
发明内容
本发明的目的在于针对上述现有技术中的问题,提供一种配电网状态快速评估计算方法、系统、设备及存储介质,能够在配电网量测稀缺条件下进行状态精准、快速估计。
为了实现上述目的,本发明有如下的技术方案:
第一方面,提供一种配电网状态快速评估计算方法,包括:
在构建的配电系统拓扑上获取配电网设备量测位置与量测数据;
以配电网设备的量测数据与拓扑连接关系构建模型离线训练样本对预先建立的神经网络模型进行两个阶段的训练,第一阶段为数据驱动训练,第二阶段为物理知识约束引导训练;
利用经过两个阶段训练的神经网络模型在线收集各量测设备的实时数据,输出配电网全节点的电压幅值及相角,并计算获得所有支路的有功功率和无功功率,展示配电网状态。
作为一种优选方案,所述在构建的配电系统拓扑上获取配电网设备量测位置与量测数据的步骤中,对包含量测装置的节点以及包含量测装置的支路进行标注;当量测装置为智能电表时,量测量为节点有功功率Pi和无功功率Qi;当量测装置为馈线终端装置时,量测量为支路首端电压幅值Ui,以及支路有功功率Pij和无功功率Qij。
作为一种优选方案,所述以配电网设备的量测数据与拓扑连接关系构建模型离线训练样本的步骤中,样本集包括输入特征X、时间间隔以及配电网当前的拓扑连接关系,其中,输入特征X为配电网各量测设备的量测值XM,量测值XM包括电压、有功功率、无功功率;时间间隔为Δt;标签包括两类,一类为配电网所有节点的电压幅值U及相角值δ,所有量进行拼接,形成向量Y,用于第一阶段的模型训练;另一类为量测值本身X M,用于第二阶段的模型训练。
作为一种优选方案,所述神经网络模型采用全连接结构神经网络,输入维度为量测量维度以及拓扑结构标签,输出维度为2n-1,其中n为节点数目,激活函数的表达式如下:
Ψ(x)=x·tanh(ln(1+exp(x)))。
作为一种优选方案,对预先建立的神经网络模型进行第一阶段的数据驱动训练时,采用输入特征X和向量Y进行训练,设置训练过程的误差收敛上界、训练轮数、batchsize、优化方法及参数、损失函数,训练收敛后保存模型。
作为一种优选方案,对预先建立的神经网络模型进行第二阶段的物理知识约束引导训练时,将经过第一阶段训练的神经网络模型的输出结果带入至配电网的潮流方程之中,进而通过潮流方程推出各量测设备节点的量测值/>损失函数为/>与X M之间的均方误差;设置训练过程的误差收敛上界、训练轮数、batchsize、优化方法及参数,训练收敛后保存模型。
作为一种优选方案,在所述利用经过两个阶段训练的神经网络模型在线收集各量测设备的实时数据,输出配电网全节点的电压幅值及相角的步骤中,通过将经过两个阶段训练的神经网络模型部署至配电自动化系统在线收集各量测设备的实时数据,模型输入定时收集的量测设备的电压幅值、有功功率、无功功率,由神经网络模型直接输出配电网全节点的电压幅值及相角。
第二方面,提供一种配电网状态快速评估计算系统,包括:
量测设备信息获取模块,用于在构建的配电系统拓扑上获取配电网设备量测位置与量测数据;
网络模型训练模块,用于以配电网设备的量测数据与拓扑连接关系构建模型离线训练样本对预先建立的神经网络模型进行两个阶段的训练,第一阶段为数据驱动训练,第二阶段为物理知识约束引导训练;
配电网状态展示模块,用于利用经过两个阶段训练的神经网络模型在线收集各量测设备的实时数据,输出配电网全节点的电压幅值及相角,并计算获得所有支路的有功功率和无功功率,展示配电网状态。
作为一种优选方案,所述量测设备信息获取模块在构建的配电系统拓扑上获取配电网设备量测位置与量测数据的步骤中,对包含量测装置的节点以及包含量测装置的支路进行标注;当量测装置为智能电表时,量测量为节点有功功率Pi和无功功率Qi;当量测装置为馈线终端装置时,量测量为支路首端电压幅值Ui,以及支路有功功率Pij和无功功率Qij。
作为一种优选方案,所述网络模型训练模块以配电网设备的量测数据与拓扑连接关系构建模型离线训练样本的步骤中,样本集包括输入特征X、时间间隔以及配电网当前的拓扑连接关系,其中,输入特征X为配电网各量测设备的量测值XM,量测值XM包括电压、有功功率、无功功率;时间间隔为Δt;标签包括两类,一类为配电网所有节点的电压幅值U及相角值δ,所有量进行拼接,形成向量Y,用于第一阶段的模型训练;另一类为量测值本身X M,用于第二阶段的模型训练。
作为一种优选方案,所述网络模型训练模块所训练的神经网络模型采用全连接结构神经网络,输入维度为量测量维度以及拓扑结构标签,输出维度为2n-1,其中n为节点数目,激活函数的表达式如下:
Ψ(x)=x·tanh(ln(1+exp(x)))。
作为一种优选方案,所述网络模型训练模块对预先建立的神经网络模型进行第一阶段的数据驱动训练时,采用输入特征X和向量Y进行训练,设置训练过程的误差收敛上界、训练轮数、batchsize、优化方法及参数、损失函数,训练收敛后保存模型。
作为一种优选方案,所述网络模型训练模块对预先建立的神经网络模型进行第二阶段的物理知识约束引导训练时,将经过第一阶段训练的神经网络模型的输出结果带入至配电网的潮流方程之中,进而通过潮流方程推出各量测设备节点的量测值/>损失函数为/>与X M之间的均方误差;设置训练过程的误差收敛上界、训练轮数、batchsize、优化方法及参数,训练收敛后保存模型。
作为一种优选方案,所述配电网状态展示模块通过将经过两个阶段训练的神经网络模型部署至配电自动化系统在线收集各量测设备的实时数据,模型输入定时收集的量测设备的电压幅值、有功功率、无功功率,由神经网络模型直接输出配电网全节点的电压幅值及相角。
第三方面,提供一种电子设备,包括存储器、处理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,所述的处理器执行所述的计算机程序时实现所述的配电网状态快速评估计算方法的步骤。
第四方面,提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述的计算机程序被处理器执行时实现所述的配电网状态快速评估计算方法的步骤。
相较于现有技术,本发明第一方面至少具有如下的有益效果:
以配电网设备的量测数据与拓扑连接关系构建模型离线训练样本对预先建立的神经网络模型进行两个阶段的训练,第一阶段为数据驱动训练,第二阶段为物理知识约束引导训练,利用神经网络模型深度学习的快速计算能力,在线实时进行配电网运行状态估计。本发明方法利用经过两个阶段训练的神经网络模型在线收集各量测设备的实时数据,可以直接输出配电网全节点的电压幅值及相角,从而能够在配电网量测稀缺条件下进行状态精准估计,克服传统方法在少量测条件下难以应用、对于数据噪声干扰较为敏感的缺陷;同时,采用潮流方程物理引导的方法,也可进一步修正神经网络输出结果,使得神经网络模型输出的配电网状态结果,更好地符合配电网潮流分布的物理规律,结果鲁棒性、泛化性更强。
可以理解的是,上述第二方面至第四方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1本发明实施例配电网状态快速评估计算方法流程图;
图2本发明实施例基于物理引导的神经网络状态计算模型示意图;
图3本发明实施例第一阶段的训练结果损失函数收敛曲线图;
图4本发明实施例第二阶段的训练结果损失函数收敛曲线图;
图5(a)本发明实施例算例1节点电压幅值计算结果曲线图;
图5(b)本发明实施例算例1支路有功功率计算结果曲线图;
图5(c)本发明实施例算例1支路无功功率计算结果曲线图;
图6(a)本发明实施例算例2节点电压幅值计算结果曲线图;
图6(b)本发明实施例算例2支路有功功率计算结果曲线图;
图6(c)本发明实施例算例2支路无功功率计算结果曲线图;
图7(a)本发明实施例模型与纯数据驱动模型节点电压幅值吻合度比较图;
图7(b)本发明实施例模型与纯数据驱动模型支路有功功率吻合度比较图;
图7(c)本发明实施例模型与纯数据驱动模型支路无功功率吻合度比较图;
图8本发明方法与传统方法不同量测设备数量下的配电网状态计算精度对比图;
图9 IEEE-33节点标准配电网算例系统拓扑示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请的实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例1
本发明实施例为了提供一种基于深度神经网络的配电网状态快速评估计算方法,将物理潮流方程知识约束加入到神经网络的决策空间之中,使得模型输出结果更符合物理规律,解决传统方法难以在少量测条件下进行状态估计的难题,从而支撑配电网上层应用于精益化管理。具体的,本发明实施例的一种配电网状态快速评估计算方法,包括:
S1、在构建的配电系统拓扑上获取配电网设备量测位置与量测数据;
S2、以配电网设备的量测数据与拓扑连接关系构建模型离线训练样本对预先建立的神经网络模型进行两个阶段的训练,其中,第一阶段为数据驱动训练,第二阶段为物理知识约束引导训练;
S3、利用经过两个阶段训练的神经网络模型在线收集各量测设备的实时数据,输出配电网全节点的电压幅值及相角,并计算获得所有支路的有功功率和无功功率,展示配电网状态。
在一种可能的实施方式中,所述在构建的配电系统拓扑上获取配电网设备量测位置与量测数据的步骤中,对包含量测装置的节点以及包含量测装置的支路进行标注;当量测装置为智能电表时,量测量为节点有功功率Pi和无功功率Qi;当量测装置为馈线终端装置时,量测量为支路首端电压幅值Ui,以及支路有功功率Pij和无功功率Qij。
在一种可能的实施方式中,所述以配电网设备的量测数据与拓扑连接关系构建模型离线训练样本的步骤中,样本集包括输入特征X、时间间隔以及配电网当前的拓扑连接关系,其中,输入特征X为配电网各量测设备的量测值XM,量测值XM包括电压、有功功率、无功功率;时间间隔为Δt;标签包括两类,一类为配电网所有节点的电压幅值U及相角值δ,所有量进行拼接,形成向量Y,用于第一阶段的模型训练;另一类为量测值本身X M,用于第二阶段的模型训练。
在一种可能的实施方式中,所述神经网络模型采用全连接结构神经网络,输入维度为量测量维度以及拓扑结构标签,输出维度为2n-1,其中n为节点数目,激活函数的表达式如下:
Ψ(x)=x·tanh(ln(1+exp(x)))。
对预先建立的神经网络模型进行第一阶段的数据驱动训练时,采用输入特征X和向量Y进行训练,设置训练过程的误差收敛上界、训练轮数、batchsize、优化方法及参数、损失函数,训练收敛后保存模型。
对预先建立的神经网络模型进行第二阶段的物理知识约束引导训练时,将经过第一阶段训练的神经网络模型的输出结果带入至配电网的潮流方程之中,进而通过潮流方程推出各量测设备节点的量测值/>损失函数为/>与X M之间的均方误差;设置训练过程的误差收敛上界、训练轮数、batchsize、优化方法及参数,训练收敛后保存模型。
在一种可能的实施方式中,在所述利用经过两个阶段训练的神经网络模型在线收集各量测设备的实时数据,输出配电网全节点的电压幅值及相角的步骤中,通过将经过两个阶段训练的神经网络模型部署至配电自动化系统在线收集各量测设备的实时数据,模型输入定时收集的量测设备的电压幅值、有功功率、无功功率,由神经网络模型直接输出配电网全节点的电压幅值及相角。
实施例2
以下结合具体场景对本发明的配电网状态快速评估计算方法进一步说明,包括:
S1:构建IEEE-33节点标准配电网算例系统,各个节点之间的拓扑连接关系如图9所示。
S2:获取配电网量测设备位置及数据,如图9所示。其中,包含量测装置的节点加粗标注(量测装置包括但不限于智能电表,可提供的量测量为节点有功功率Pi和无功功率Qi),包含量测装置的支路加粗标注(量测装置包括但不限于馈线终端装置FTU,量测量为支路首端电压幅值Ui,以及支路有功功率Pij和无功功率Qij)。
S3:构建模型离线训练样本,样本集输入特征X为配电网各量测设备的量测值XM,包括电压、电流、有功功率、无功功率等,时间间隔为Δt;以及配电网当前的拓扑连接关系。标签包括两类:一类为配电网所有节点的电压幅值Ui及相角值δi,所有量进行拼接,形成向量Y,用于第一阶段的模型训练;另一类为量测值本身XM,用于第二阶段的模型训练。
S4:构建神经网络模型,神经网络采用全连接结构,输入维度为量测量维度以及拓扑结构标签,输出维度为65,激活函数形式如下:
Ψ(x)=x·tanh(ln(1+exp(x)))
S5:进行第一阶段的神经网络模型训练。第一阶段为数据驱动训练阶段。该阶段采用X和Y进行训练,设置训练过程的误差收敛上界为1e-3,训练轮数为300,批训练大小为64、优化方法为Adam方法,损失函数为均方差函数(Mean squared error,MSE)。训练过程中模型收敛情况如图3所示,训练收敛后保存模型Model_I。
S6:进行第二阶段的神经网络模型训练。第二阶段为物理知识约束引导的训练阶段。该阶段采用X和XM进行训练。图2示出了基于物理引导的神经网络状态计算模型结构。
设置训练过程的误差收敛上界为1e-3,训练轮数为300,批训练大小为64、优化方法为Adam方法,损失函数为MSE。训练过程中模型收敛情况如图3和图4所示,训练收敛后保存模型Model_II。
S7:将模型Model_II部署至配电自动化系统,在线收集各量测设备的实时数据。
S8:应用阶段,分别选取典型算例场景I和II,向模型Model II输入量测设备的电压幅值、有功功率、无功功率等数据;模型直接输出配电网全节点的电压幅值及相角,并计算获得所有支路的有功功率和无功功率,计算结果分别如图5(a)至图5(c)以及图6(a)至图6(c)所示。
以典型算例场景I为例,对纯数据驱动模型Model I和物理引导模型Model II的性能进行对比分析,算例对比结果如图7(a)至图7(c)所示。整体来看,Model II的准确率相比Model I具有较为显著的提升,具体计算结果总结如下:
1)在电压幅值状态计算方面,Model II的计算标准偏差从0.00241p.u.降低至0.00191p.u.,降低幅度为20.75%,其中对于少量测节点电压幅值(即FTU量测装置无法直接量测电压幅值的节点),标准偏差从0.00236p.u.降低至0.00129p.u.,降低幅度进一步提升至45.34%;
2)在支路有功功率状态计算方面,Model II的标准误差从0.0638MW降低至0.0143MW,降低幅度达77.59%,其中对于少量测支路的有功功率(即FTU量测装置无法直接量测有功功率,且首末端节点没有配置智能电表的支路),标准偏差从0.1190MW降低至0.0167MW,降低幅度进一步提升至85.97%;
3)在支路无功功率状态计算方面,Model II的标准误差从0.0618Mvar降低至0.0284Mvar,降低幅度达54.05%,其中对于少量测支路的无功功率,标准偏差从0.1596Mvar降低至0.0157Mvar,降低幅度进一步提升至90.16%。
针对不同的量测布点场景,Model I和Model II的节点电压幅值、支路有功功率和无功功率状态计算准确率,随量测部署比例变化的趋势分别如图8所示。从结果中可以看出,本发明所提方法可以在在少量测情况下(量测部署比例低于100%)完成较为准确配网状态计算,而传统基于最小二乘法的状态计算方法此时不适用;与此同时,在计算准确度方面,Model II相比Model I具有显著的计算准确率提升。在量测量充足的情况下(量测部署比例大于等于100%),Model II可以利用冗余量测信息进一步提高状态计算准确率,而Model I此时计算准确率提升不显著。
综上,本发明提出的物理引导模型Model II不仅能够提高状态估计整体精度,而且对于少量测场景下配电网状态估计问题表现出更强的适应性。
本发明提出了一种基于深度学习的配电网运行状态快速计算方法,不依赖于物理参数模型,直接通过数据驱动的方式快速计算随机运行条件下的配电网状态。本发明方法能够在少量测条件下直接计算配电网运行状态,显著减少所需要的量测设备,节约量测部署成本,克服传统方法在配电网量测装置较少条件下难以计算的缺点。本发明还提出了面向状态计算的两阶段神经网络训练方法,首先通过数据驱动的方式训练模型,使模型快速收敛;再通过物理引导的误差函数进行第二阶段训练。本发明采用激活函数Ψ(x)=x·tanh(ln(1+exp(x)))构建神经网络,相比于ReLU等激活函数,模型结果的光滑性、可导性更好,更适用于配电网状态计算。本发明提出了基于潮流物理方程约束引导的神经网络训练方法,相比于纯数据驱动模型,本发明方法通过物理引导的方式,输出状态计算结果(电压、相角)更符合电力系统的潮流方程物理分布,鲁棒泛化能力更好。
实施例3
本发明实施例还提出一种配电网状态快速评估计算系统,包括:
量测设备信息获取模块,用于在构建的配电系统拓扑上获取配电网设备量测位置与量测数据;
网络模型训练模块,用于以配电网设备的量测数据与拓扑连接关系构建模型离线训练样本对预先建立的神经网络模型进行两个阶段的训练,第一阶段为数据驱动训练,第二阶段为物理知识约束引导训练;
配电网状态展示模块,用于利用经过两个阶段训练的神经网络模型在线收集各量测设备的实时数据,输出配电网全节点的电压幅值及相角,并计算获得所有支路的有功功率和无功功率,展示配电网状态。
在一种可选的实施方式中,量测设备信息获取模块在构建的配电系统拓扑上获取配电网设备量测位置与量测数据的步骤中,对包含量测装置的节点以及包含量测装置的支路进行标注;当量测装置为智能电表时,量测量为节点有功功率Pi和无功功率Qi;当量测装置为馈线终端装置时,量测量为支路首端电压幅值Ui,以及支路有功功率Pij和无功功率Qij。
在一种可选的实施方式中,网络模型训练模块以配电网设备的量测数据与拓扑连接关系构建模型离线训练样本的步骤中,样本集包括输入特征X、时间间隔以及配电网当前的拓扑连接关系,其中,输入特征X为配电网各量测设备的量测值XM,量测值XM包括电压、有功功率、无功功率;时间间隔为Δt;标签包括两类,一类为配电网所有节点的电压幅值U及相角值δ,所有量进行拼接,形成向量Y,用于第一阶段的模型训练;另一类为量测值本身X M,用于第二阶段的模型训练。
更进一步的,本发明神经网络模型采用全连接结构神经网络,输入维度为量测量维度以及拓扑结构标签,输出维度为2n-1,其中n为节点数目,激活函数的表达式如下:
Ψ(x)=x·tanh(ln(1+exp(x)))。
在一种可选的实施方式中,网络模型训练模块对预先建立的神经网络模型进行第一阶段的数据驱动训练时,采用输入特征X和向量Y进行训练,设置训练过程的误差收敛上界、训练轮数、batchsize、优化方法及参数、损失函数,训练收敛后保存模型。
在一种可选的实施方式中,网络模型训练模块对预先建立的神经网络模型进行第二阶段的物理知识约束引导训练时,将经过第一阶段训练的神经网络模型的输出结果带入至配电网的潮流方程之中,进而通过潮流方程推出各量测设备节点的量测值/>损失函数为/>与X M之间的均方误差;设置训练过程的误差收敛上界、训练轮数、batchsize、优化方法及参数,训练收敛后保存模型。
在一种可选的实施方式中,配电网状态展示模块通过将经过两个阶段训练的神经网络模型部署至配电自动化系统在线收集各量测设备的实时数据,模型输入定时收集的量测设备的电压幅值、有功功率、无功功率,由神经网络模型直接输出配电网全节点的电压幅值及相角。
实施例4
本发明实施例还提出一种电子设备,包括存储器、处理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,所述的处理器执行所述的计算机程序时实现所述的配电网状态快速评估计算方法的步骤。
实施例5
本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述的计算机程序被处理器执行时实现所述的配电网状态快速评估计算方法的步骤。
所述计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括:能够携带所述计算机程序代码的任何实体或装置、介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。为了便于说明,以上内容仅示出了与本发明实施例相关的部分,具体技术细节未揭示的,请参照本发明实施例方法部分。该计算机可读存储介质是非暂时性的,可以存储在各种电子设备形成的存储装置当中,能够实现本发明实施例方法记载的执行过程。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、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。应理解为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。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (16)
1.一种配电网状态快速评估计算方法,其特征在于,包括:
在构建的配电系统拓扑上获取配电网设备量测位置与量测数据;
以配电网设备的量测数据与拓扑连接关系构建模型离线训练样本对预先建立的神经网络模型进行两个阶段的训练,第一阶段为数据驱动训练,第二阶段为物理知识约束引导训练;
利用经过两个阶段训练的神经网络模型在线收集各量测设备的实时数据,输出配电网全节点的电压幅值及相角,并计算获得所有支路的有功功率和无功功率,展示配电网状态。
2.根据权利要求1所述的配电网状态快速评估计算方法,其特征在于,所述在构建的配电系统拓扑上获取配电网设备量测位置与量测数据的步骤中,对包含量测装置的节点以及包含量测装置的支路进行标注;当量测装置为智能电表时,量测量为节点有功功率Pi和无功功率Qi;当量测装置为馈线终端装置时,量测量为支路首端电压幅值Ui,以及支路有功功率Pij和无功功率Qij。
3.根据权利要求1所述的配电网状态快速评估计算方法,其特征在于,所述以配电网设备的量测数据与拓扑连接关系构建模型离线训练样本的步骤中,样本集包括输入特征X、时间间隔以及配电网当前的拓扑连接关系,其中,输入特征X为配电网各量测设备的量测值XM,量测值XM包括电压、有功功率、无功功率;时间间隔为Δt;标签包括两类,一类为配电网所有节点的电压幅值U及相角值δ,所有量进行拼接,形成向量Y,用于第一阶段的模型训练;另一类为量测值本身X M,用于第二阶段的模型训练。
4.根据权利要求3所述的配电网状态快速评估计算方法,其特征在于,所述神经网络模型采用全连接结构神经网络,输入维度为量测量维度以及拓扑结构标签,输出维度为2n-1,其中n为节点数目,激活函数的表达式如下:
Ψ(x)=x·tanh(ln(1+exp(x)))。
5.根据权利要求4所述的配电网状态快速评估计算方法,其特征在于,对预先建立的神经网络模型进行第一阶段的数据驱动训练时,采用输入特征X和向量Y进行训练,设置训练过程的误差收敛上界、训练轮数、batchsize、优化方法及参数、损失函数,训练收敛后保存模型。
7.根据权利要求6所述的配电网状态快速评估计算方法,其特征在于,在所述利用经过两个阶段训练的神经网络模型在线收集各量测设备的实时数据,输出配电网全节点的电压幅值及相角的步骤中,通过将经过两个阶段训练的神经网络模型部署至配电自动化系统在线收集各量测设备的实时数据,模型输入定时收集的量测设备的电压幅值、有功功率、无功功率,由神经网络模型直接输出配电网全节点的电压幅值及相角。
8.一种配电网状态快速评估计算系统,其特征在于,包括:
量测设备信息获取模块,用于在构建的配电系统拓扑上获取配电网设备量测位置与量测数据;
网络模型训练模块,用于以配电网设备的量测数据与拓扑连接关系构建模型离线训练样本对预先建立的神经网络模型进行两个阶段的训练,第一阶段为数据驱动训练,第二阶段为物理知识约束引导训练;
配电网状态展示模块,用于利用经过两个阶段训练的神经网络模型在线收集各量测设备的实时数据,输出配电网全节点的电压幅值及相角,并计算获得所有支路的有功功率和无功功率,展示配电网状态。
9.根据权利要求8所述的配电网状态快速评估计算系统,其特征在于,所述量测设备信息获取模块在构建的配电系统拓扑上获取配电网设备量测位置与量测数据的步骤中,对包含量测装置的节点以及包含量测装置的支路进行标注;当量测装置为智能电表时,量测量为节点有功功率Pi和无功功率Qi;当量测装置为馈线终端装置时,量测量为支路首端电压幅值Ui,以及支路有功功率Pij和无功功率Qij。
10.根据权利要求8所述的配电网状态快速评估计算系统,其特征在于,所述网络模型训练模块以配电网设备的量测数据与拓扑连接关系构建模型离线训练样本的步骤中,样本集包括输入特征X、时间间隔以及配电网当前的拓扑连接关系,其中,输入特征X为配电网各量测设备的量测值XM,量测值XM包括电压、有功功率、无功功率;时间间隔为Δt;标签包括两类,一类为配电网所有节点的电压幅值U及相角值δ,所有量进行拼接,形成向量Y,用于第一阶段的模型训练;另一类为量测值本身X M,用于第二阶段的模型训练。
11.根据权利要求10所述的配电网状态快速评估计算系统,其特征在于,所述网络模型训练模块所训练的神经网络模型采用全连接结构神经网络,输入维度为量测量维度以及拓扑结构标签,输出维度为2n-1,其中n为节点数目,激活函数的表达式如下:
Ψ(x)=x·tanh(ln(1+exp(x)))。
12.根据权利要求11所述的配电网状态快速评估计算系统,其特征在于,所述网络模型训练模块对预先建立的神经网络模型进行第一阶段的数据驱动训练时,采用输入特征X和向量Y进行训练,设置训练过程的误差收敛上界、训练轮数、batchsize、优化方法及参数、损失函数,训练收敛后保存模型。
14.根据权利要求13所述的配电网状态快速评估计算系统,其特征在于,所述配电网状态展示模块通过将经过两个阶段训练的神经网络模型部署至配电自动化系统在线收集各量测设备的实时数据,模型输入定时收集的量测设备的电压幅值、有功功率、无功功率,由神经网络模型直接输出配电网全节点的电压幅值及相角。
15.一种电子设备,包括存储器、处理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:所述的处理器执行所述的计算机程序时实现如权利要求1至7中任意一项所述的配电网状态快速评估计算方法的步骤。
16.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于:所述的计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的配电网状态快速评估计算方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310214933.XA CN116228465A (zh) | 2023-03-08 | 2023-03-08 | 配电网状态快速评估计算方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310214933.XA CN116228465A (zh) | 2023-03-08 | 2023-03-08 | 配电网状态快速评估计算方法、系统、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116228465A true CN116228465A (zh) | 2023-06-06 |
Family
ID=86582151
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310214933.XA Pending CN116228465A (zh) | 2023-03-08 | 2023-03-08 | 配电网状态快速评估计算方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116228465A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117595385A (zh) * | 2024-01-18 | 2024-02-23 | 中国电力科学研究院有限公司 | 用于配电网可观性评估以及关键量测位置挖掘的方法、系统 |
-
2023
- 2023-03-08 CN CN202310214933.XA patent/CN116228465A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117595385A (zh) * | 2024-01-18 | 2024-02-23 | 中国电力科学研究院有限公司 | 用于配电网可观性评估以及关键量测位置挖掘的方法、系统 |
CN117595385B (zh) * | 2024-01-18 | 2024-04-09 | 中国电力科学研究院有限公司 | 用于配电网可观性评估以及关键量测位置挖掘的方法、系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106505557B (zh) | 一种遥测错误辨识方法及装置 | |
CN111985824A (zh) | 一种智能电表箱的非侵入式负荷监测方法及其监测设备 | |
CN109193635B (zh) | 一种基于自适应稀疏回归方法的配电网拓扑结构重建方法 | |
CN111693931A (zh) | 智能电能表误差远程计算方法、装置和计算机设备 | |
CN114636900B (zh) | 一种配电网多重故障诊断方法 | |
CN108448585B (zh) | 一种基于数据驱动的电网潮流方程线性化求解方法 | |
CN112131783A (zh) | 一种基于配电台区大数据的户变拓扑关系识别方法 | |
CN110676940A (zh) | 一种提高参数辨识精度的配电网pmu配置方法及系统 | |
CN105938578A (zh) | 一种基于聚类分析的大规模光伏电站等值建模方法 | |
CN116228465A (zh) | 配电网状态快速评估计算方法、系统、设备及存储介质 | |
CN116707331B (zh) | 基于模型预测的逆变器输出电压高精度调节方法及系统 | |
CN114512982A (zh) | 配电网拓扑辨识方法、装置和终端设备 | |
CN111737249A (zh) | 基于Lasso算法的异常数据检测方法及装置 | |
CN115201563A (zh) | 一种基于联合熵的多谐波源定位方法及系统 | |
CN116595395B (zh) | 一种基于深度学习的逆变器输出电流预测方法及系统 | |
CN111864728B (zh) | 一种可重构配电网重要设备识别方法和系统 | |
CN107958120A (zh) | 一种基于幂级数展开的系统戴维南等值参数计算方法 | |
CN110098610B (zh) | 故障扰动下电力系统振荡主导模式的实时辨识方法及系统 | |
CN109327026B (zh) | 一种低压配电网区间状态估计方法 | |
CN114744631A (zh) | 一种基于非pmu配电网的数据驱动电压估计方法 | |
CN114169118A (zh) | 考虑分布式电源出力相关性的配电网拓扑结构辨识方法 | |
CN113537338A (zh) | 基于lstm神经网络和改进scada数据的抗差线路参数辨识方法 | |
CN111723454A (zh) | 一种二阶pngv模型参数的在线生成方法、装置和计算机设备 | |
CN111239615A (zh) | 电池模型的参数的确定方法和装置、存储介质、计算机设备 | |
CN113608063B (zh) | 电力线路故障识别方法、装置及电子设备 |
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 |