CN116526568B - 交直流配电网分布式电源优化方法、系统、设备及介质 - Google Patents

交直流配电网分布式电源优化方法、系统、设备及介质 Download PDF

Info

Publication number
CN116526568B
CN116526568B CN202310804263.7A CN202310804263A CN116526568B CN 116526568 B CN116526568 B CN 116526568B CN 202310804263 A CN202310804263 A CN 202310804263A CN 116526568 B CN116526568 B CN 116526568B
Authority
CN
China
Prior art keywords
distribution network
model
power distribution
training
optimization
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
CN202310804263.7A
Other languages
English (en)
Other versions
CN116526568A (zh
Inventor
邱欢
蒋程
郝迪群
贺东旭
于洋
姜生
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.)
State Grid Beijing Electric Power Co Ltd
Original Assignee
State Grid Beijing Electric Power 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 State Grid Beijing Electric Power Co Ltd filed Critical State Grid Beijing Electric Power Co Ltd
Priority to CN202310804263.7A priority Critical patent/CN116526568B/zh
Publication of CN116526568A publication Critical patent/CN116526568A/zh
Application granted granted Critical
Publication of CN116526568B publication Critical patent/CN116526568B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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
    • H02J3/02—Circuit arrangements for ac mains or ac distribution networks using a single network for simultaneous distribution of power at different frequencies; using a single network for simultaneous distribution of ac power and of dc power
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Power Engineering (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明属于配电网的规划配置方法领域，具体公开了一种交直流配电网分布式电源优化方法、系统、设备及介质，本发明通过建立深度置信网络优化的数学模型，确定深度置信基本框架并确定训练方法，建立蚁群算法并进行改进，求解得到改进蚁群算法的控制策略，以控制策略作为网络的输出，历年交直流配电网数据作为输入训练深度置信网络优化的数学模型，构建ACO‑DBN模型，进行算例测试和调整，输出优化配置策略，利用输出的优化配置策略对交直流配电网分布式电源进行优化。解决了传统DG选址定容规划中因没有考虑DG和负荷的时序特性而导致与实际有偏差的问题，有利于得到更加符合实际的规划方案，实现系统经济性和环保性之间的平衡，使新能源利用率大幅提高。

Description

交直流配电网分布式电源优化方法、系统、设备及介质
技术领域
本发明属于配电网的规划配置方法领域，具体涉及一种交直流配电网分布式电源优化方法、系统、设备及介质。
背景技术
分布式电源(distributed generation，DG))由于其具有可靠性高、清洁环保、安装地点灵活等诸多优点，在配电网中扮演着日益重要的角色。随着DG在配网中的接入比例逐年上涨，逐渐体现出直流配电网的优势。如果采用直流配电网，将大量节省DG接入所使用的变流器，减少能量损耗；并且直流母线不存在相位和频率的同步问题，使得分布式电源接入时的控制变得简单，可靠性提高。
但是当DG接入配电网后，系统潮流方向将发生改变，随之引起配电网网络损耗的变化，使得网络损耗不仅与负荷大小有关，还与DG的位置和数量有关。同时由于DG具有间歇性、波动性、随机性等特点，势必会影响配电网的安全稳定可靠运行。若分布式电源的渗透率过高或者接入配电网的位置选择不当，不但不能提升电网运行的环保性与经济性，反而会影响系统的安全稳定运行。
针对上述问题，目前现有的关于含DG配电网规划研究主要停留在交流配电阶段，对交直流配电网规划研究内容极少，同时，大多数优化配置方案在规划过程中主要根据DG出力额定值；再者目前针对DG配电网已经提出了许多可行性算法，但是传统的线性规划、非线性规划等算法存在一些问题，方法中的数学模型追求精确的同时却无法满足实时控制要求，而要满足时控要求就会产生较大误差。
发明内容
为了克服现有技术的缺点，本发明的目的在于提供一种交直流配电网分布式电源优化方法、系统、设备及介质，以解决传统DG选址定容规划中因没有考虑DG和负荷的时序特性而导致与实际有偏差的问题。
为了达到上述目的，本发明采用以下技术方案实现：
第一方面，本发明提供一种交直流配电网分布式电源优化方法，包括：
S1：建立深度置信网络优化的数学模型，确定深度置信基本框架并确定训练方法；
S2：确定深度置信基本框架后，建立蚁群算法基础模型；
S3：对蚁群算法进行改进，利用改进的蚁群算法求解得到改进蚁群算法的控制策略；
S4：获得历年交直流配电网数据；以步骤S3得到的控制策略作为网络的输出，以历年交直流配电网数据作为输入来训练深度置信网络优化的数学模型，构建ACO-DBN模型；对ACO-DBN模型进行算例测试和调整，完成训练后最终输出优化配置策略；
S5：利用输出的优化配置策略对交直流配电网分布式电源进行优化。
进一步的，所述步骤S1具体包括：
S11：建立RBM基础模型结构
RBM由n个可见单元和m个隐藏单元构成的两层递归神经网络，层内无连接，层间全连接，给定状态，RBM的能量函数定义为：
其中：为RBM的参数；
v表示可见层的状态向量，表示可见层中第i个神经元的状态；
h表示隐藏层的状态向量，表示隐藏层中第j个神经元的状态；
a表示可见层的偏置向量，表示可见层中第i个神经元的偏置；
b表示隐藏层的偏置向量；表示隐藏层中第j个神经元的偏置；
为第/>个可见单元和第/>个隐藏单元之间的连接权重；
S12：根据最优化理论和步骤S11中的能量函数，优化目标等价于最大化RBM在输入训练集上的对数似然函数求取最优的模型参数/>：
其中，为样本集合中的样本，训练采用对比散度算法，取一个训练样本初始化可视层节点/>，交替进行k次吉布斯采样，利用第k次采样得到的/>、/>来近似对相应参数的偏导值，计算完成单个RBM训练；
S13：训练过程执行对比散度算法和反向监督参数精调。
进一步的，所述步骤S2具体包括：
S21：建立蚁群算法基础模型，读入节点数据和参数后，构造蚂蚁的转移概率准则如下：令m只人工蚂蚁，初始位置随机位于解空间的n个等分区域的某些位置处，各区域蚂蚁的状态转移概率定义为：
其中：
P表示蚂蚁从区域i向区域j移动的概率；
表示区域i上的信息素浓度；
表示区域i，j之间的能见度；
α表示信息启发因子；
β表示期望值启发式因子；
S22：根据步骤S21，寻优问题基于m只蚂蚁在的n个等分区域间的不断移动，区域内的局部搜索进行；处于区域i中的第k只蚂蚁的转移及其搜索规则为：
S23：设置数据进行仿真实验。
进一步的，所述步骤S3具体包括：
S31：将无功补偿量相关参数添加到目标函数中，改进之后的目标函数为：
式中：为模型的目标函数；
为电容器价格，单位为元/kVar；
为电价，单位为元/KW·h；
为总补偿量；
为最大回收年限，单位为年；
为年最大负荷的损耗时长，单位为h；
为减少的有功损耗；
为罚因子，使用罚因子的目的是放大越限节点电压对结果的影响；
为节点电压越限集合；
为节点i的电压；
为节点i的电压限额；
为遍历总路径长，单位为km；
S32：信息素浓度局部调整，进行信息素挥发系数的改进，改进公式为：
式中：为当前模型迭代的次数；
为模型迭代的总次数；
S33：根据改进后的目标函数和改进后的信息素挥发系数公式，获得改进后的蚁群算法的控制策略。
进一步的，所述步骤S4具体包括：
S41：根据步骤S3所得到的控制策略得出全局最优解，更新DBN初始权重，完成DBN模型训练，进行算例测试；研究每小时配电网的无功优化策略提取特征统计量作为历史输入，从电网数据库中得到两个月中每小时的无功优化控制策略作为历史输出，放入ACO-DBN模型中进行训练，训练过程中设置DBN网络；设置蚁群算法参数，输入到ACO-DBN模型，构建初始特征集；
S42：对ACO-DBN模型的参数进行调整，通过卷积层的堆叠实现时序特征的自动提取，将提取到的系统时序特征送给全连接层进行处理，最终输出优化配置策略。
进一步的，所述步骤S5具体包括：
在利用深度置信网络和蚁群算法优化后，以系统降损率和系统电压偏差波动率为指标，某时刻系统降损率为：
其中：
为未使用任何调压方法的网损；
为使用调压方法所得的网损；
某时刻系统电压偏差波动率为：
为未使用任何调压方法的电压值；
为使用调压方法所得的电压值；
再分别使用优化后蚁群算法、深度置信网络进行与步骤S4中相同的测试，得到各自的系统降损率和系统电压偏差波动率，对比不同算法优化降损率和电压偏差波动率，获得交直流配电网DG优化方案。
进一步的，所述反向监督参数精调具体为：首先从底层到顶层进行无监督预训练，输入特征，逐层依次训练RBM，初始化DBN的模型参数，将所有的RBM展开，顺序连接输出层，合成一个完整的神经网络，由上至下利用反向误差传播算法，形成RBM特征提取模型。
第二方面，本发明提供一种交直流配电网分布式电源优化系统，包括：
深度置信网络优化的数学模型建立模块，用于建立深度置信网络优化的数学模型，确定深度置信基本框架并确定训练方法；
蚁群算法基础模型建立模块，用于在确定深度置信基本框架后，建立蚁群算法基础模型；
蚁群算法的改进及改进蚁群算法的控制策略求解模块，用于对蚁群算法进行改进，利用改进的蚁群算法求解得到改进蚁群算法的控制策略；
ACO-DBN模型的建立及优化配置策略的输出模块，用于
获得历年交直流配电网数据；以步骤S3得到的控制策略作为网络的输出，以历年交直流配电网数据作为输入来训练深度置信网络优化的数学模型，构建ACO-DBN模型；对ACO-DBN模型进行算例测试和调整，完成训练后最终输出优化配置策略；
交直流配电网分布式电源优化模块，用于利用输出的优化配置策略对交直流配电网分布式电源进行优化。
第三方面，本发明提供一种计算机设备，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，所述处理器执行所述计算机程序时实现上述中任一项所述的一种交直流配电网分布式电源优化方法。
第四方面，本发明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，其特征在于，所述计算机程序被处理器执行时实现上述中任一项所述的一种交直流配电网分布式电源优化方法。
本发明至少具有以下有益效果：
本发明通过建立深度置信网络优化的数学模型，确定深度置信基本框架并确定训练方法，建立蚁群算法并进行改进，求解得到改进蚁群算法的控制策略，以控制策略作为网络的输出，历年交直流配电网数据作为输入训练深度置信网络优化的数学模型，构建ACO-DBN模型进行算例测试和调整，输出优化配置策略，利用输出的优化配置策略对交直流配电网分布式电源进行优化。解决了传统DG选址定容规划中因没有考虑DG和负荷的时序特性而导致与实际有偏差的问题，有利于得到更加符合实际的规划方案，实现系统经济性和环保性之间的平衡，使新能源利用率大幅提高。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为交直流配电网分布式电源优化方法的流程示意图；
图2为复合算法实现流程；
图3为RBM特征提取模型示意图；
图4为改进后的蚁群算法流程；
图5为改进后蚁群算法信息素挥发系数坐标图；
图6为交直流配电网分布式电源优化方法系统模块示意图。
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
以下详细说明均是示例性的说明，旨在对本发明提供进一步的详细说明。除非另有指明，本发明所采用的所有技术术语与本发明所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式，而并非意图限制根据本发明的示例性实施方式。
新型群智能优化算法、深度学习算法及其他算法的应用弥补了传统算法的部分问题，改善了电压控制的效果。传统算法中，我们选择了运用广泛的蚁群算法(ant colonyoptimization, ACO)，这种方法多个个体同时进行并行计算，能够感知周围环境的实时变化，大大提高了算法的计算能力和运行效率，但是缺点是为了寻求全局最优解，收敛速度比较慢。而深度置信网络(deep belief network，DBN)拥有特征提取能力强、模型结构简单、训练难度小、收敛速度快等优点，常用于复杂函数的表达学习，恰好可以与蚁群算法互补。
实施例1
一种交直流配电网分布式电源优化方法，包括：
S1：建立深度置信网络优化的数学模型，确定深度置信基本框架并确定训练方法；
S11：建立RBM基础模型结构
受限波尔兹曼机（Restricted Boltzmann Machines，RBM）是由n个可见单元和m个隐藏单元构成的两层递归神经网络，层内无连接，层间全连接，给定状态，RBM的能量函数定义为：
其中：为RBM的参数，/>，为实数；
v表示可见层的状态向量，表示可见层中第i个神经元的状态；
h表示隐藏层的状态向量，表示隐藏层中第j个神经元的状态；
a表示可见层的偏置向量，表示可见层中第i个神经元的偏置；
b表示隐藏层的偏置向量；表示隐藏层中第j个神经元的偏置；
为第/>个可见单元和第/>个隐藏单元之间的连接权重。
S12：根据最优化理论和步骤S11中的能量函数，优化目标可等价于最大化RBM在输入训练集上的对数似然函数求取最优的模型参数/>：
其中，为样本集合中的样本，训练采用对比散度算法，取一个训练样本初始化可视层节点/>，交替进行k次吉布斯采样，利用第k次采样得到的/>、/>来近似对相应参数的偏导值，计算完成单个RBM训练；训练采用对比散度算法即可有很高准确率。
S13：训练过程即执行对比散度算法和反向监督参数精调；
反向监督参数精调具体为：首先从底层到顶层进行无监督预训练，此过程只需要输入特征，逐层依次训练RBM，初始化DBN的模型参数。接下来，将所有的RBM展开，顺序连接输出层，合成一个完整的神经网络，由上至下利用反向误差传播算法，这一过程需要输入标签信息，形成RBM特征提取模型如图3所示。
S2：确定深度置信基本框架后，建立蚁群算法基础模型；
S21：建立蚁群算法基础模型，读入节点数据和参数后，构造蚂蚁的转移概率准则如下：令m只人工蚂蚁，初始位置随机位于解空间的n个等分区域的某些位置处，各区域蚂蚁的状态转移概率定义为：
其中：
P表示蚂蚁从区域i向区域j移动的概率；
表示区域i上的信息素浓度，其强度会不断更新；
表示区域i，j之间的能见度，反映了由区域i转移到区域j的启发程度；
α表示信息启发因子，反映了蚂蚁在从区域i向区域j移动时，这两个区域之间道路上所累积的信息素在指导蚂蚁选择区域j的程度，即蚁群在路径搜素中随即性因素作用的强度。
β表示期望值启发式因子，反映了蚂蚁在从区域i向区域j转移时候期望值在指导蚁群搜素中的相对重要程度。其大小反映了蚁群在道路搜素中的先验性、确定性等因素的强弱，α、β的大小也会影响算法的收敛性。
S22：根据步骤S21，寻优问题就借助于m只蚂蚁在的n个等分区域间的不断移动，以及一些区域内的局部搜索来进行。处于区域i中的第k只蚂蚁的转移及其搜索规则为：
一旦蚂蚁的个数足够多时，上述寻优方式就相当于一群蚂蚁对定义域中的函数进行地毯式的搜索，并最终收敛到问题的全局最优解。
S23：设置数据进行仿真实验，实验步骤和数值如S41。
S3：对蚁群算法进行改进，利用改进的蚁群算法求解得到改进后蚁群算法的控制策略；
为避免陷入局部最优并加快收敛速度对传统的蚁群算法进行改进，具体流程如图4所示，与原始蚁群算法相比完善了目标函数，改进了信息素挥发系数公式，优化了原模型信息素浓度控制策略；
S31：将无功补偿量相关参数添加到目标函数中，改进之后的目标函数为：
式中：为模型的目标函数；
为电容器价格，单位为元/kVar；
为电价，单位为元/KW·h；
为总补偿量；
为最大回收年限，单位为年；
为年最大负荷的损耗时长，单位为h；
为减少的有功损耗；
为罚因子，使用罚因子的目的是放大越限节点电压对结果的影响；
为节点电压越限集合；
为节点i的电压；
为节点i的电压限额；
为遍历总路径长，单位为km。
因参数与/>的取值较大，故/>的取较大值。
S32：信息素浓度局部调整，进行信息素挥发系数的改进，改进公式如下所示：
式中：为当前模型迭代的次数；
为模型迭代的总次数。
S33：以步骤S2的蚁群算法为基础，修正AVC系统调控的现实问题以及传统蚁群算法缺陷，完善了目标函数，改进了信息素挥发系数公式；根据改进后的目标函数和改进后的信息素挥发系数公式，获得改进后的蚁群算法的控制策略，根据改进后的蚁群算法的控制策略，改进后蚁群算法信息素坐标图如图5。
S4：获得历年交直流配电网数据；以步骤S3得到的控制策略作为网络的输出，以历年交直流配电网DG数据作为输入来训练深度置信网络优化的数学模型，构建ACO-DBN模型，即无功优化模型；对ACO-DBN模型进行算例测试和调整，完成训练后最终输出优化配置策略；
S41：根据步骤S3所得到的控制策略可以得出全局最优解，再使用该数据更新DBN初始权重，完成DBN模型训练，进行算例测试，确定本次方法的优越性。研究每小时配电网的无功优化策略提取特征统计量作为历史输入，从当地电网数据库中得到两个月中每小时的无功优化控制策略作为历史输出，构成1500个历史样本的输入和输出标签，放入ACO-DBN模型中进行训练，训练过程中设置DBN网络共有6层结构，两层隐含层神经元的数量可分别设为20和10。蚁群算法参数设置为：初始值为0.5，/>，/>，/>=1，m=32，a=-0.005，b=-0.7，/>，/>取值[0,1000]，/>，/>，/>=50，/>=0.2533，以上数据作为输入得到ACO-DBN模型，构建初始特征集，新构建方法流程如图2所示；
S42：对ACO-DBN模型的参数进行调整，通过卷积层的堆叠实现时序特征的自动提取，将提取到的系统时序特征送给全连接层进行处理，最终输出优化配置策略。
S5：利用输出的优化配置策略对交直流配电网分布式电源进行优化，其在真实配电网中工作时，控制所有负荷节点的节点电压均稳定在一定范围内，且与原模型的总传输距离相等，则说明改进模型能够寻找最短传输距离，并避免长传输距离降低电压的影响，解决了传统DG选址定容规划中因没有考虑DG和负荷的时序特性而导致与实际有偏差的问题。
S6：将步骤S4得到的优化配置策略与其他方法进行比较，检验其交直流配电网分布式电源优化性能，检验其是否符合全局最优，获得交直流配电网DG优化方案。
在利用深度置信网络和蚁群算法优化后，以系统降损率和系统电压偏差波动率为指标，其中某时刻系统降损率为：
其中：
为未使用任何调压方法的网损；
为使用调压方法所得的网损；
某时刻系统电压偏差波动率为：
为未使用任何调压方法的电压值；
为使用调压方法所得的电压值；
再分别使用优化后蚁群算法、深度置信网络进行与步骤S4中相同的测试，得到各自的系统降损率和系统电压偏差波动率，对比不同算法优化降损率和电压偏差波动率，将结果记录于表1。
表1不同算法优化降损率和电压偏差波动率比较
根据得到表1中的交直流配电网DG优化效果分析，可知深度置信网络和蚁群算法结合后的复合算法优化控制的各个节点电压幅值有了较大的改善，证明了复合算法在交直流配电网分配式电源优化方法上具有较优的性能。将步骤S4中结果与只用DBN算法和只用蚁群算法进行比较，直观的检验配置策略的有效性，最终获得交直流配电网DG优化方案。
实施例2
如图6所示，一种交直流配电网分布式电源优化系统，包括：
深度置信网络优化的数学模型建立模块，用于建立深度置信网络优化的数学模型，确定深度置信基本框架并确定训练方法；
蚁群算法基础模型建立模块，用于在确定深度置信基本框架后，建立蚁群算法基础模型；
蚁群算法的改进及改进蚁群算法的控制策略求解模块，用于对蚁群算法进行改进，利用改进的蚁群算法求解得到改进蚁群算法的控制策略；
ACO-DBN模型的建立及优化配置策略的输出模块，用于获得历年交直流配电网数据；以步骤S3得到的控制策略作为网络的输出，以历年交直流配电网数据作为输入来训练深度置信网络优化的数学模型，构建ACO-DBN模型；对ACO-DBN模型进行算例测试和调整，完成训练后最终输出优化配置策略；
交直流配电网分布式电源优化模块，用于利用输出的优化配置策略对交直流配电网分布式电源进行优化。
实施例3
本发明提供一种计算机设备，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，所述处理器执行所述计算机程序时实现实施例1所述的一种交直流配电网分布式电源优化方法。
实施例4
本发明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，其特征在于，所述计算机程序被处理器执行时实现实施例1所述的一种交直流配电网分布式电源优化方法。
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 (9)

1.一种交直流配电网分布式电源优化方法，其特征在于，包括：
S1：建立深度置信网络优化的数学模型，确定深度置信基本框架并确定训练方法；
S2：确定深度置信基本框架后，建立蚁群算法基础模型；
S3：对蚁群算法进行改进，利用改进的蚁群算法求解得到改进蚁群算法的控制策略；
S4：获得历年交直流配电网数据；以步骤S3得到的控制策略作为网络的输出，以历年交直流配电网数据作为输入来训练深度置信网络优化的数学模型，构建ACO-DBN模型；对ACO-DBN模型进行算例测试和调整，完成训练后最终输出优化配置策略；
S41：根据步骤S3所得到的控制策略得出全局最优解，更新DBN初始权重，完成DBN模型训练，进行算例测试；研究每小时配电网的无功优化策略提取特征统计量作为历史输入，从电网数据库中得到两个月中每小时的无功优化控制策略作为历史输出，放入ACO-DBN模型中进行训练，训练过程中设置DBN网络；设置蚁群算法参数，输入到ACO-DBN模型，构建初始特征集；
S42：对ACO-DBN模型的参数进行调整，通过卷积层的堆叠实现时序特征的自动提取，将提取到的系统时序特征送给全连接层进行处理，最终输出优化配置策略；
S5：利用输出的优化配置策略对交直流配电网分布式电源进行优化。
2.根据权利要求1所述的一种交直流配电网分布式电源优化方法，其特征在于，所述步骤S1具体包括：
S11：建立RBM基础模型结构
RBM由n个可见单元和m个隐藏单元构成的两层递归神经网络，层内无连接，层间全连接，给定状态，RBM的能量函数定义为：
其中：为RBM的参数；
v表示可见层的状态向量，表示可见层中第i个神经元的状态；
h表示隐藏层的状态向量，表示隐藏层中第j个神经元的状态；
a表示可见层的偏置向量，表示可见层中第i个神经元的偏置；
b表示隐藏层的偏置向量；表示隐藏层中第j个神经元的偏置；
为第/>个可见单元和第/>个隐藏单元之间的连接权重；
S12：根据最优化理论和步骤S11中的能量函数，优化目标等价于最大化RBM在输入训练集上的对数似然函数求取最优的模型参数/>：
其中，为样本集合中的样本，训练采用对比散度算法，取一个训练样本初始化可视层节点/>，交替进行k次吉布斯采样，利用第k次采样得到的/>、/>来近似/>对相应参数的偏导值，计算完成单个RBM训练；
S13：训练过程执行对比散度算法和反向监督参数精调。
3.根据权利要求1所述的一种交直流配电网分布式电源优化方法，其特征在于，所述步骤S2具体包括：
S21：建立蚁群算法基础模型，读入节点数据和参数后，构造蚂蚁的转移概率准则如下：令m只人工蚂蚁，初始位置随机位于解空间的n个等分区域的某些位置处，各区域蚂蚁的状态转移概率定义为：
其中：
P表示蚂蚁从区域i向区域j移动的概率；
表示区域i上的信息素浓度；
表示区域i，j之间的能见度；
α表示信息启发因子；
β表示期望值启发式因子；
S22：根据步骤S21，寻优问题基于m只蚂蚁在的n个等分区域间的不断移动，区域内的局部搜索进行；处于区域i中的第k只蚂蚁的转移及其搜索规则为：
S23：设置数据进行仿真实验。
4.根据权利要求1所述的一种交直流配电网分布式电源优化方法，其特征在于，所述步骤S3具体包括：
S31：将无功补偿量相关参数添加到目标函数中，改进之后的目标函数为：
式中：为模型的目标函数；
为电容器价格，单位为元/kVar；
为电价，单位为元/KW·h；
为总补偿量；
为最大回收年限，单位为年；
为年最大负荷的损耗时长，单位为h；
为减少的有功损耗；
为罚因子，使用罚因子的目的是放大越限节点电压对结果的影响；
为节点电压越限集合；
为节点i的电压；
为节点i的电压限额；
为遍历总路径长，单位为km；
S32：信息素浓度局部调整，进行信息素挥发系数的改进，改进公式为：
式中：为当前模型迭代的次数；
为模型迭代的总次数；
S33：根据改进后的目标函数和改进后的信息素挥发系数公式，获得改进后的蚁群算法的控制策略。
5.根据权利要求1所述的一种交直流配电网分布式电源优化方法，其特征在于，还包括：
将步骤S4得到的优化配置策略与其他方法进行比较，检验其交直流配电网分布式电源优化性能，检验其是否符合全局最优；
在利用深度置信网络和蚁群算法优化后，以系统降损率和系统电压偏差波动率为指标，某时刻系统降损率为：
其中：
为未使用任何调压方法的网损；
为使用调压方法所得的网损；
某时刻系统电压偏差波动率为：
为未使用任何调压方法的电压值；
为使用调压方法所得的电压值；
再分别使用优化后蚁群算法、深度置信网络进行与步骤S4中相同的测试，得到各自的系统降损率和系统电压偏差波动率，对比不同算法优化降损率和电压偏差波动率，获得交直流配电网DG优化方案。
6.根据权利要求2所述的一种交直流配电网分布式电源优化方法，其特征在于，所述反向监督参数精调具体为：首先从底层到顶层进行无监督预训练，输入特征，逐层依次训练RBM，初始化DBN的模型参数，将所有的RBM展开，顺序连接输出层，合成一个完整的神经网络，由上至下利用反向误差传播算法，形成RBM特征提取模型。
7.一种交直流配电网分布式电源优化系统，其特征在于，包括：
深度置信网络优化的数学模型建立模块，用于建立深度置信网络优化的数学模型，确定深度置信基本框架并确定训练方法；
蚁群算法基础模型建立模块，用于在确定深度置信基本框架后，建立蚁群算法基础模型；
蚁群算法的改进及改进蚁群算法的控制策略求解模块，用于对蚁群算法进行改进，利用改进的蚁群算法求解得到改进蚁群算法的控制策略；
ACO-DBN模型的建立及优化配置策略的输出模块，用于获得历年交直流配电网数据；以步骤S3得到的控制策略作为网络的输出，以历年交直流配电网数据作为输入来训练深度置信网络优化的数学模型，构建ACO-DBN模型；对ACO-DBN模型进行算例测试和调整，完成训练后最终输出优化配置策略；
根据得到的控制策略得出全局最优解，更新DBN初始权重，完成DBN模型训练，进行算例测试；研究每小时配电网的无功优化策略提取特征统计量作为历史输入，从电网数据库中得到两个月中每小时的无功优化控制策略作为历史输出，放入ACO-DBN模型中进行训练，训练过程中设置DBN网络；设置蚁群算法参数，输入到ACO-DBN模型，构建初始特征集；
对ACO-DBN模型的参数进行调整，通过卷积层的堆叠实现时序特征的自动提取，将提取到的系统时序特征送给全连接层进行处理，最终输出优化配置策略；
交直流配电网分布式电源优化模块，用于利用输出的优化配置策略对交直流配电网分布式电源进行优化。
8.一种计算机设备，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，所述处理器执行所述计算机程序时实现权利要求1-6中任一项所述的一种交直流配电网分布式电源优化方法。
9.一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，所述计算机程序被处理器执行时实现权利要求1-6中任一项所述的一种交直流配电网分布式电源优化方法。
CN202310804263.7A 2023-07-03 2023-07-03 交直流配电网分布式电源优化方法、系统、设备及介质 Active CN116526568B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310804263.7A CN116526568B (zh) 2023-07-03 2023-07-03 交直流配电网分布式电源优化方法、系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310804263.7A CN116526568B (zh) 2023-07-03 2023-07-03 交直流配电网分布式电源优化方法、系统、设备及介质

Publications (2)

Publication Number Publication Date
CN116526568A CN116526568A (zh) 2023-08-01
CN116526568B true CN116526568B (zh) 2023-09-15

Family

ID=87399742

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310804263.7A Active CN116526568B (zh) 2023-07-03 2023-07-03 交直流配电网分布式电源优化方法、系统、设备及介质

Country Status (1)

Country Link
CN (1) CN116526568B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117170885B (zh) * 2023-11-03 2024-01-26 国网山东综合能源服务有限公司 基于云边协同的分布式资源优化调配方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105844348A (zh) * 2016-03-22 2016-08-10 国网宁夏电力公司石嘴山供电公司 分布式电源优化配置方法
CN109816144A (zh) * 2018-12-18 2019-05-28 广东电网有限责任公司 分布式内存并行计算优化深度信念网络的短期负荷预测方法
CN110535121A (zh) * 2019-08-27 2019-12-03 东北大学 一种交直流混联电网的两阶段多目标动态优化调度方法
CN110765700A (zh) * 2019-10-21 2020-02-07 国家电网公司华中分部 基于量子蚁群优化rbf网络的特高压输电线损预测方法
KR102294156B1 (ko) * 2020-05-25 2021-08-27 치루 유니버시티 오브 테크놀로지 자기 적응형 집적 딥러닝 모델 기반의 sc-fde 시스템 신호검측방법
CN113822522A (zh) * 2021-06-23 2021-12-21 中国科学院空天信息创新研究院 一种滑坡易发性评估方法、装置、设备及可读存储介质
CN113887794A (zh) * 2021-09-28 2022-01-04 国网安徽省电力有限公司电力科学研究院 一种配电网无功优化的方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105844348A (zh) * 2016-03-22 2016-08-10 国网宁夏电力公司石嘴山供电公司 分布式电源优化配置方法
CN109816144A (zh) * 2018-12-18 2019-05-28 广东电网有限责任公司 分布式内存并行计算优化深度信念网络的短期负荷预测方法
CN110535121A (zh) * 2019-08-27 2019-12-03 东北大学 一种交直流混联电网的两阶段多目标动态优化调度方法
CN110765700A (zh) * 2019-10-21 2020-02-07 国家电网公司华中分部 基于量子蚁群优化rbf网络的特高压输电线损预测方法
KR102294156B1 (ko) * 2020-05-25 2021-08-27 치루 유니버시티 오브 테크놀로지 자기 적응형 집적 딥러닝 모델 기반의 sc-fde 시스템 신호검측방법
CN113822522A (zh) * 2021-06-23 2021-12-21 中国科学院空天信息创新研究院 一种滑坡易发性评估方法、装置、设备及可读存储介质
CN113887794A (zh) * 2021-09-28 2022-01-04 国网安徽省电力有限公司电力科学研究院 一种配电网无功优化的方法及装置

Also Published As

Publication number Publication date
CN116526568A (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
CN116526568B (zh) 交直流配电网分布式电源优化方法、系统、设备及介质
CN110750655B (zh) 一种智能ietm故障维修辅助系统的知识库优化方法
CN112000001B (zh) 一种基于改进贝叶斯模型的pid参数整定优化方法
CN110222883A (zh) 基于风驱动优化bp神经网络的电力系统负荷预测方法
CN109066819B (zh) 一种基于案件推理的配电网的无功优化方法
CN107909221A (zh) 基于组合神经网络的电力系统短期负荷预测方法
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
CN107644297A (zh) 一种电机系统节能量计算和验证方法
CN106296434A (zh) 一种基于pso‑lssvm算法的粮食产量预测方法
CN112330487A (zh) 一种光伏发电短期功率预测方法
CN109214610B (zh) 一种基于长短期记忆神经网络的饱和电力负荷预测方法
Bentata et al. Development of rapid and reliable cuckoo search algorithm for global maximum power point tracking of solar PV systems in partial shading condition
Zhu et al. Structural safety monitoring of high arch dam using improved ABC-BP model
CN116667369B (zh) 一种基于图卷积神经网络的分布式光伏电压控制方法
CN112116305A (zh) 一种用于机器学习的电网概率可视化模型构建方法和系统
Jiang et al. Electrical load forecasting based on multi-model combination by stacking ensemble learning algorithm
CN116054144A (zh) 分布式光伏接入的配电网重构方法、系统及存储介质
CN114139809A (zh) 基于XGBoost电力系统动态频率响应曲线预测方法及系统
CN115528750A (zh) 一种面向电网安全稳定的数据模型混合驱动机组组合方法
CN111639463B (zh) 一种基于XGBoost算法的电力系统扰动后频率特征预测方法
CN114781244A (zh) 一种风电场内分群与参数优化方法
CN114386142A (zh) 基于多源融合特征选择和模糊差异性增强Stacking框架的建筑能耗预测方法
Zhang et al. Combined Wind Speed Prediction Model Considering the Spatio-Temporal Features of Wind Farm
CN112182945A (zh) 可用于各种微电网结构验证的试验微电网构建与控制方法
CN113239547A (zh) 一种基于tlbo算法的核心骨干网架构建方法

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
GR01 Patent grant
GR01 Patent grant