CN116667369A - 一种基于图卷积神经网络的分布式光伏电压控制方法 - Google Patents
一种基于图卷积神经网络的分布式光伏电压控制方法 Download PDFInfo
- Publication number
- CN116667369A CN116667369A CN202310954356.8A CN202310954356A CN116667369A CN 116667369 A CN116667369 A CN 116667369A CN 202310954356 A CN202310954356 A CN 202310954356A CN 116667369 A CN116667369 A CN 116667369A
- Authority
- CN
- China
- Prior art keywords
- node
- nodes
- power distribution
- matrix
- distribution network
- 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.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 54
- 239000011159 matrix material Substances 0.000 claims abstract description 112
- 238000009826 distribution Methods 0.000 claims abstract description 104
- 238000000638 solvent extraction Methods 0.000 claims abstract description 10
- 239000010410 layer Substances 0.000 claims description 84
- 230000006870 function Effects 0.000 claims description 45
- 239000013598 vector Substances 0.000 claims description 44
- 125000003275 alpha amino acid group Chemical group 0.000 claims description 32
- 150000001875 compounds Chemical class 0.000 claims description 32
- 230000002776 aggregation Effects 0.000 claims description 28
- 238000004220 aggregation Methods 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 24
- 238000011176 pooling Methods 0.000 claims description 24
- 238000003062 neural network model Methods 0.000 claims description 20
- 230000033228 biological regulation Effects 0.000 claims description 15
- 238000005096 rolling process Methods 0.000 claims description 13
- 238000005192 partition Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 claims description 3
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000002347 injection Methods 0.000 claims description 3
- 239000007924 injection Substances 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000002356 single layer Substances 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 6
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000012797 qualification Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000001483 mobilizing effect Effects 0.000 description 2
- 238000006116 polymerization reaction Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/048—Activation functions
-
- 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
-
- 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
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
- H02J3/16—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by adjustment of reactive 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
- 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
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/48—Controlling the sharing of the in-phase component
-
- 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
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/50—Controlling the sharing of the out-of-phase component
-
- 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
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/30—Reactive power compensation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Power Engineering (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请实施例提供一种基于图卷积神经网络的分布式光伏电压控制方法,包括:根据配电网节点的历史潮流数据建立节点特征矩阵X及配电网的邻接矩阵A;将节点特征矩阵X和邻接矩阵A通过图卷积神经网络对节点和边进行分类,得到配电网节点分类序列和配电网边分类序列;基于节点逐次遍历方法对配电网节点分类序列和配电网边分类序列进行节点和边的分区,实现分布式光伏电压控制区域的划分;本申请根据相邻节点之间的电气量信息特征相关性对电压越限节点进行有效分类和判断,实现电压越限节点的准确识别;同时,充分发挥图卷积神经网络的图谱信息识别优势,可以对电压越限节点关联线路进行识别和划分,从而识别电压控制区域。
Description
技术领域
本申请属于分布式光伏电压控制的技术领域,具体涉及一种基于图卷积神经网络的分布式光伏电压控制方法。
背景技术
分布式光伏发电是最具发展潜力的新能源发电形式之一。2021年我国开始进行整县式光伏试点县建设,极大加快了分布式光伏的发展速度。分布式光伏大规模接入配电网后,传统的配电网向有源配电网逐渐转变。但由于分布式光伏出力具有随机性、波动性和间歇性等特点,因此大规模的分布式光伏并网对系统的运行控制产生了较大的影响,其中最为突出的问题是线路潮流特性的变化,导致了局部电压的抬高甚至越限。因此,电压稳定成为分布式光伏安全稳定运行的关键问题。
目前,分布式光伏电压控制主要有三种手段:有功削减、无功调整以及其他设备参与调压。由于分布式光伏逆变器额定容量大于其额定有功功率(约为1.05~1.1倍),因此,分布式光伏具有一定的电压控制能力,所以,应该首先采用分布式光伏自身调节能力进行电压控制,最后考虑其他设备参与电压调节。分布式光伏逆变器的有功削减是指电压越限后,按照预先设置的有功削减曲线减少有功出力,实现电压控制,但该方法增加了“弃光率”,违背“应发尽发”的原则,因此采用分布式光伏逆变器的无功裕度进行电压控制成为主要手段。
针对分布式光伏电压控制研究主要集中在两个方面,第一个方面主要从分布式光伏的就地控制着手,主要针对单个分布式光伏展开研究,对逆变器的并网运行方式进行改进,或者基于其接入位置的电压变化规律提出电压控制策略,就地控制的局限性较大,专一的控制策略无法适用于所有分布式光伏,而且调节能力有限;第二个方面是集中控制,即考虑通过充分调动分布式光伏集群无功控制的优势实现电压稳定,该方法需要采用每个分布式光伏节点电压对电网潮流的灵敏度进行电压感知,电压灵敏度的计算需要依赖于潮流计算生成雅可比矩阵进行计算,计算复杂,且需要不断迭代更新,对硬件计算性能要求较高,而且存在精度较低的弊端,尽管随着深度学习算法的发展,可以基于深度学习进行雅可比矩阵的计算和关系函数的拟合,但仍需要通过不断的离线计算对雅可比矩阵进行更新,同时,雅可比矩阵的更新需要计算建立合理的电压扰动模型来实现,增加了电压控制的复杂程度。
发明内容
为了解决上述技术缺陷之一,本申请实施例中提供了一种基于图卷积神经网络的分布式光伏电压控制方法,能够解决电力系统配电网分布式光伏接入引起的电压越限问题,从而有效提升配电网电压合格率。
为了解决上述技术问题,本申请采用的技术方案为:一种基于图卷积神经网络的分布式光伏电压控制方法,包括:
根据配电网节点的历史潮流数据建立节点特征矩阵X及配电网的邻接矩阵A,将配电网分布式光伏接入节点和线路映射至图卷积神经网络中的节点和边;每个所述节点的特征向量包括节点电压、有功功率、无功功率和可调无功容量;
将节点特征矩阵X和邻接矩阵A通过图卷积神经网络对节点和边进行分类,得到配电网节点分类序列和配电网边分类序列;
基于节点逐次遍历方法对配电网节点分类序列和配电网边分类序列进行节点和边的分区,实现分布式光伏电压控制区域的划分。
优选地,所述节点可调无功容量的计算公式为:
(1)
式(1)中,为第j个分布式光伏节点的可调无功容量,/>为第j个分布式光伏逆变器容量,/>为第j个分布式光伏节点的发电有功功率。
优选地,所述根据配电网节点的历史潮流数据建立节点特征矩阵X及配电网的邻接矩阵A具体包括:
采用节点线电压、注入功率/>、节点无功/>以及该分布式光伏节点的可调无功容量/>作为每个配电网节点的特征向量,即:
(2)
式(2)中,表示节点j的输入特征向量,/>表示节点j的电压,/>表示节点j的注入有功功率,/>表示节点j的无功功率,/>表示节点j的可调无功容量;
根据节点特征向量构建配电网节点特征矩阵X:
(3)
式(3)中,节点特征矩阵X为n×4阶矩阵,n为配电网节点数目;
通过式(4)对节点特征矩阵X进行归一化处理:
(4)
式(4)中,为节点特征矩阵X中某元素,/>、/>为该类元素数据的最大值和最小值, />为该元素归一化处理后的元素;
节点特征矩阵X归一化处理后的矩阵记作:
(5)
式(5)中,归一化处理后的数据。
优选地,所述邻接矩阵A用来描述节点和边的连接关系,若节点i与节点j之间有边联系,则矩阵A中第i行的第j个元素即为1,否则为0,则邻接矩阵A为n×n阶矩阵,n为节点数目。
优选地,所述将节点特征矩阵X和邻接矩阵A通过图卷积神经网络对节点和边进行分类,得到配电网节点分类序列和配电网边分类序列,具体包括:
建立图卷积神经网络模型的输入层,将归一化处理后的配电网节点特征矩阵X*和邻接矩阵A作为图卷积神经网络模型的输入层,输入层神经元数目为4;
建立图卷积神经网络模型的隐藏层,隐藏层设置两层卷积层,基于空间域进行卷积计算,采用池化聚合算法进行节点及邻接节点特征的提取和识别;所述隐藏层之间的特征聚合传递函数为:
(6)
式(6)中,为第/>层中对节点/>的特征聚合结果,其中aggregate为池化聚合函数,/>为节点/>的邻接节点集合,其中,/>节点属于/>的邻接节点,/>为第层卷积网络对其邻接/>节点的聚合结果作为/>层的输入;
节点的特征提取由第/>层和/>层的特征在其原维度上进行横向拼接组成,即:
(7)
式(7)中,为第/>层的特征提取值,/>为学习参数全中国矩阵,/>为拼接函数,/>为第/>层的特征提取值;
聚合函数采用池化聚合函数,该函数取邻接节点通过全连接层的最大值作为聚合结果:
(8)
式(8)中,为池化函数权值矩阵,b为相应偏置矩阵,实现第/>层卷积层对/>节点的邻接节点/>节点的聚合计算输出结果/>的输出变换,矩阵参数W表示该特征量提取的权重,σ为激活函数,/>为图卷积神经网络模型的池化聚合函数;
建立图卷积神经网络模型的全连接层,所述全连接层连接隐藏层和输出层,用于对节点特征向量进行最终提取:
(9)
式(9)中,为全连接层的权值矩阵,/>为全连接层偏置矩阵,矩阵参数表示输出结果的贡献度,/>为池化输出后的节点特征向量;
建立图卷积神经网络模型的输出层,所述输出层采用softmax分类器用于输出结果的分类和输出,将节点特征向量通过Softmax分类器进行分类,输出节点的分类,计算公式为:
(10)
式(10)中,q表示节点状态类型,q=3;表示第/>个输入样本数据序列,/>表示第个输入样本数据对应的分类结果标签值,/>表示第/>个样本数据对应各类输出结果的概率值,θ为softmax网络的内置参数;
所述softmax分类器的交叉损失熵函数设置为:
(11)
式(11)中,E为softmax分类器的损失函数,M为训练样本个数,q为节点状态类型,q=3;为输入样本为/>时的输出,/>表示第/>个样本的目标输出类别;
则基于图卷积神经网络模型得到配电网节点的分类序列为:
(12)
式(12)中,为节点状态序列,/>为节点状态量,分别为0、1及-1;N为配电网节点数目。
优选地,所述将节点特征矩阵X和邻接矩阵A通过图卷积神经网络对节点和边进行分类,得到配电网节点分类序列和配电网边分类序列,具体包括:
合并节点特征向量:
(13)
式(13)中,为节点/>和节点/>之间的边特征,/>、/>为节点/>和节点/>的节点特征向量,/>为参数权值矩阵,/>为节点/>和/>的特征合并函数,σ为ReLU函数;
构建单层全连接神经网络,通过式(13)计算边特征输出向量:
(14)
式(14)中,为边特征输出向量,/>为权值矩阵,/>为各节点合并后的边特征向量集,/>为偏置矩阵,用于表示边特征的权值,配电网共计n个节点,n-1条边;
在进行节点特征合并后,将边特征向量用Softmax分类器进行分类,输出边的分类;
则基于图卷积神经网络模型得到配电网边的分类序列为:
(15)
式(15)中,为边状态序列,/>为各边状态量,分别为0和1;N为配电网节点数目,/>为配电网边数目。
优选地,所述基于节点逐次遍历方法对配电网节点分类序列和配电网边分类序列进行节点和边的分区,实现分布式光伏电压控制区域的划分,包括:
根据节点序号及其状态量进行依次划分,根据节点序号逐个节点进行遍历;当/>时,该节点不划入区域;当/>或/>时,进行节点遍历;
从初始节点节点开始遍历,从相互关联边开始,当/>时,沿该边进行遍历搜索,该边划入区域;若该边/>,则改变不划入该区域,停止遍历;
第一次遍历结束后,回到初始节点节点,重新开始沿另一相关联边进行遍历,将和/>的节点划入该区域;
当初始节点已在上一序号节点进行过所有边的遍历,停止节点遍历,划入已遍历后的区域,若由未进行遍历的相关联边,且其状态量/>,则进行遍历,划入该节点所在区域。
优选地,所述节点状态量为0时,节点电压无越限,电压在正常区域;节点状态量为-1时,节点电压越限,但该节点无分布式光伏接入,不具备无功容量调节能力;节点状态量为1时,节点电压越限,且该节点接入分布式光伏,具备一定的无功容量调节能力。
优选地,所述边状态量为0时,相连节点无电压越限现象,且线路潮流方向、大小均正常;边状态量为1时,相连节点电压存在越限现象,且线路潮流有功功率方向反向或有功功率值接近于0。
优选地,所述方法包括:
判断分布式光伏电压控制区域内是否仅含有孤立节点存在电压越限现象,且该节点接入分布式光伏时,即该节点状态标签为1,则采用分布式光伏的无功容量进行电压调节;当该节点未接入分布式光伏时,即该节点状态标签为-1,则采用电网设备调压;
判断分布式光伏电压控制区域内是否含有一个及以上节点存在电压越限现象时,如是,采用分布式光伏无功容量进行电压调节。
采用本申请实施例中提供的一种基于图卷积神经网络的分布式光伏电压控制方法,通过配电网节点电压、有功功率、无功功率及分布式光伏逆变器可调无功容量构建节点特征量,结合配电网网络拓扑信息,将配电网分布式光伏接入节点和线路映射至图卷积神经网络中的节点和边,根据相邻节点之间的电气量信息特征相关性对电压越限节点进行有效分类和判断,实现电压越限节点的准确识别;同时,充分发挥图卷积神经网络的图谱信息识别优势,可以对电压越限节点关联线路进行识别和划分,从而识别电压控制区域,在区域内根据各节点的电压、潮流及可调无功容量信息进行逆变器的无功调整,实现分布式光伏电压稳定控制的目的,从而有效提升配电网电压合格率,保障新型电力系统稳定运行。
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是本申请实施例一提供的一种基于图卷积神经网络的分布式光伏电压控制方法的流程示意图;
图2为本申请实施例二提供的一种基于图卷积神经网络的分布式光伏电压控制方法的流程示意图;
图3为本申请实施例三提供的一种基于图卷积神经网络的分布式光伏电压控制方法的流程示意图;
图4为本申请实施例四提供的一种基于图卷积神经网络的分布式光伏电压控制方法的流程示意图。
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。
针对上述问题,本申请实施例中提供了一种基于图卷积神经网络的分布式光伏电压控制方法的一个实施例。
实施例一
图1是本申请实施例一提供的一种基于图卷积神经网络的分布式光伏电压控制方法的流程示意图,如图1所示,一种基于图卷积神经网络的分布式光伏电压控制方法,包括:
S10、根据配电网节点的历史潮流数据建立节点特征矩阵X及配电网的邻接矩阵A,将配电网分布式光伏接入节点和线路映射至图卷积神经网络中的节点和边;每个所述节点的特征向量包括节点电压、有功功率、无功功率和可调无功容量;所述历史潮流数据包括配电网节点的历史电压、有功功率和无功功率数据。
S20、将节点特征矩阵X和邻接矩阵A通过图卷积神经网络对节点和边进行分类,得到配电网节点分类序列和配电网边分类序列;
S30、基于节点逐次遍历方法对配电网节点分类序列和配电网边分类序列进行节点和边的分区,实现分布式光伏电压控制区域的划分。
本实施例通过配电网节点电压、有功功率、无功功率及分布式光伏逆变器可调无功容量构建节点特征量,结合配电网网络拓扑信息,将配电网分布式光伏接入节点和线路映射至图卷积神经网络中的节点和边,根据相邻节点之间的电气量信息特征相关性对电压越限节点进行有效分类和判断,实现电压越限节点的准确识别;同时,充分发挥图卷积神经网络的图谱信息识别优势,可以对电压越限节点关联线路进行识别和划分,从而识别电压控制区域,在区域内根据各节点的电压、潮流及可调无功容量信息进行逆变器的无功调整,实现分布式光伏电压稳定控制的目的,从而有效提升配电网电压合格率,保障新型电力系统稳定运行。
进一步地,所述节点可调无功容量的计算公式为:
(1)
式(1)中,为第j个分布式光伏节点的可调无功容量;/>为第j个分布式光伏逆变器容量,/>为第j个分布式光伏节点的发电有功功率;当该节点无分布式光伏接入时,无功功率可调节容量为0MVar。
进一步地,所述根据配电网节点的历史潮流数据建立节点特征矩阵X及配电网的邻接矩阵A具体包括:
采用节点线电压、注入功率/>、节点无功/>以及该分布式光伏节点的可调无功/>容量作为每个配电网节点的特征向量,即:
(2)
式(2)中,表示节点j的输入特征向量,/>表示节点j的电压,/>表示节点j的注入有功功率,/>表示节点j的无功功率,/>表示节点j的可调无功容量;
根据节点特征向量构建配电网节点特征矩阵X:
(3)
式(3)中,节点特征矩阵X为n×4阶矩阵,n为配电网节点数目;
通过式(4)对节点特征矩阵X进行归一化处理:
(4)
式(4)中,为节点特征矩阵X中某元素,/>、/>为该类元素数据的最大值和最小值, />为该元素归一化处理后的元素;
节点特征矩阵X归一化处理后的矩阵记作:
(5)
式(5)中,归一化处理后的数据,归一化处理后的数据可以非常清晰的反应该节点电气量信息的变化程度,为图神经网络进行节点分类提供极易区分和比较的判别依据,同时,可消除奇异数据产生的不良影响。
进一步地,所述邻接矩阵A用来描述节点和边的连接关系,若节点i与节点j之间有边联系,则矩阵A中第i行的第j个元素即为1,否则为0,则邻接矩阵A为n×n阶矩阵,n为节点数目。
实施例二
图2为本申请实施例二提供的一种基于图卷积神经网络的分布式光伏电压控制方法的流程示意图,如图2所示,所述将节点特征矩阵X和邻接矩阵A通过图卷积神经网络对节点和边进行分类,得到配电网节点分类序列和配电网边分类序列,具体包括:
S201、建立图卷积神经网络模型的输入层,将归一化处理后的配电网节点特征矩阵X*和邻接矩阵A作为图卷积神经网络模型的输入层,输入层神经元数目为4。
S202、建立图卷积神经网络模型的隐藏层,隐藏层设置两层卷积层,基于空间域进行卷积计算,采用池化聚合算法进行节点及邻接节点特征的提取和识别;所述隐藏层之间的特征聚合传递函数为:
(6)
式(6)中,为第/>层中对节点/>的特征聚合结果,其中aggregate为池化聚合函数,/>为节点/>的邻接节点集合,其中,/>节点属于/>的邻接节点,/>为第/>层卷积网络对其邻接/>节点的聚合结果作为/>层的输入,本实施例中/>;
节点的特征提取由第/>层和/>层的特征在其原维度上进行横向拼接组成,即:
(7)
式(7)中,为第/>层的特征提取值,/>为学习参数全中国矩阵,/>为拼接函数;/>为第/>层的特征提取值;
聚合函数采用池化聚合函数,该函数取邻接节点通过全连接层的最大值作为聚合结果:
(8)
式(8)中,为池化函数权值矩阵,b为相应偏置矩阵,实现第/>层卷积层对/>节点的邻接节点/>节点的聚合计算输出结果/>的输出变换,矩阵参数W表示该特征量提取的权重,σ为激活函数,/>为图卷积神经网络模型的池化聚合函数;
池化聚合的过程为:先将L层的提取特征值进行池化,L层的特征提取值为,池化操作的流程即为该式:
(17)
式(17)中,为池化操作的输出,其中,/>为池化函数权值矩阵,b为相应偏置矩阵,σ为激活函数,用于特征量数据的非线性话处理,本实施例模型采用ReLU函数:
;
和b的计算方法为:
在神经网络中通常采用梯度下降法用于计算更新权值和偏置项,首先建立神经网络特征提取中关于W(矩阵的元素)和b的损失函数:
(18)
式(18)中,J为损失函数,m为该神经网络处理的样本数,为该模型的实际输出,为该模型特征池化之后的特征值,根据该损失函数对w和b值进行更新计算
(19)
(20)
式(19)、式(20)中,α为学习率,算法的初始设置值;和/>为第i次计算更新后的w值和b值。
在进行池化层特征提取操作后,采用最大池化方式进行样本的聚合,即对中心节点i的邻接节点j的特征向量进行最大取值:
至此,完成池化聚合操作,输出提取后的特征值H。
S203、建立图卷积神经网络模型的全连接层,所述全连接层连接隐藏层和输出层,用于对节点特征向量进行最终提取:
(9)
式(9)中,为节点特征向量,/>为全连接层的权值矩阵,/>为全连接层偏置矩阵,矩阵参数表示输出结果的贡献度,/>为池化输出后的节点特征向量;池化聚合后的结果送入全连接层,全连接层的相量提取也采用该形式,权值矩阵和偏置矩阵的计算方法与上述一致;
S204、建立图卷积神经网络模型的输出层,所述输出层采用softmax分类器用于输出结果的分类和输出,将节点特征向量通过Softmax分类器进行分类,输出节点的分类,计算公式为:
(10)
式(10)中,q表示节点状态类型,q=3;表示第/>个输入样本数据序列,/>表示第个输入样本数据对应的分类结果标签值,/>表示第/>个样本数据对应各类输出结果的概率值,θ为softmax网络的内置参数;
所述softmax分类器的交叉损失熵函数设置为:
(11)/>
式(11)中,E为softmax分类器的损失函数,M为训练样本个数,q为节点状态类型,q=3;为输入样本为/>时的输出, />表示第/>个样本的目标输出类别;具体地,/>向量的每个维度的向量表示节点属于不同节点类型的概率,在这里,由于某节点必定属于其中某类节点,故概率矩阵的每一列之和为 1;通过对 Softmax 分类器进行训练,得到网络的最优参数θ。利用训练好的 Softmax 分类器对数据进行分类,网络输出某个类别的概率值最大,样本就属于该类别;
则基于图卷积神经网络模型得到配电网点的分类序列为:
(12)
式(12)中,为节点状态序列,/>为节点状态量,分别为0、1及-1;N为配电网节点数目。
实施例三
图3为本申请实施例三提供的一种基于图卷积神经网络的分布式光伏电压控制方法的流程示意图,如图3所示,在实施例二的基础上,所述将节点特征矩阵X和邻接矩阵A通过图卷积神经网络对节点和边进行分类,得到配电网节点分类序列和配电网边分类序列,具体包括:
S205、合并节点特征向量:
(13)
式(13)中,为节点/>和节点/>之间的边特征,/>、/>为节点/>和节点/>的节点特征向量,/>为参数权值矩阵,/>为节点/>和/>的特征合并函数,σ为ReLU函数;
S206、构建单层全连接神经网络,输入神经元和输出神经元个数为节点特征合并向量维度,通过式(13)计算边特征输出向量:
(14)
式(14)中,为边特征输出向量,/>为权值矩阵,/>为各节点合并后的边特征向量集,/>为偏置矩阵,用于表示边特征的权值,配电网共计n个节点,n-1条边;
S207、在进行节点特征合并后,将边特征向量通过Softmax分类器进行分类,输出边的分类;
则基于图卷积神经网络模型得到配电网边的分类序列为:
(15)
式(15)中,为边状态序列,/>为各边状态量,分别为0和1;N为配电网节点数目,/>为配电网边数目。
本实施例中,充分考虑配电网的拓扑结构、电压影响因素等,同时实现了配电网网络节点和边的有效分类,提升了电压控制决策的准确性和可靠性,保障控制决策的适应性和和鲁棒性。
实施例四
图4为本申请实施例四提供的一种基于图卷积神经网络的分布式光伏电压控制方法的流程示意图,如图4所示,所述基于节点逐次遍历方法对配电网节点分类序列和配电网边分类序列进行节点和边的分区,实现分布式光伏电压控制区域的划分,包括:
根据节点序号及其状态量进行依次划分,根据节点序号逐个节点进行遍历;当/>时,该节点不划入区域;当/>或/>时,进行节点遍历;
从初始节点节点开始遍历,从相互关联边开始,当/>时,沿该边进行遍历搜索,该边划入区域;若该边/>,则改变不划入该区域,停止遍历;
第一次遍历结束后,回到初始节点节点,重新开始沿另一相关联边进行遍历,将和/>的节点划入该区域;
当初始节点已在上一序号节点进行过所有边的遍历,停止节点遍历,划入已遍历后的区域,若由未进行遍历的相关联边,且其状态量/>,则进行遍历,划入该节点所在区域。
本实施例中,基于节点和线路状态量的节点遍历分区方法,改变了传统的节点遍历搜索方法仅依赖于节点的运行潮流信息的决策依据,增加线路参与分区的决策依据,极大简化配电网分区计算流程,有效提升分区效率,提高配电网分布式光伏电压控制分区的可行性和可靠性。
进一步地,所述节点状态量为0时,节点电压无越限,电压在正常区域;节点状态量为-1时,节点电压越限,但该节点无分布式光伏接入,不具备无功容量调节能力;节点状态量为1时,节点电压越限,且该节点接入分布式光伏,具备一定的无功容量调节能力。
进一步地,所述边状态量为0时,相连节点无电压越限现象,且线路潮流方向、大小均正常;边状态量为1时,相连节点电压存在越限现象,且线路潮流有功功率方向反向或有功功率值接近于0。
进一步地,所述一种基于图卷积神经网络的分布式光伏电压控制方法,包括:
判断分布式光伏电压控制区域内是否仅含有孤立节点存在电压越限现象,且该节点接入分布式光伏时,即该节点状态标签为1,则采用分布式光伏的无功容量进行电压调节;当该节点未接入分布式光伏时,即该节点状态标签为-1,则采用电网设备调压;
判断分布式光伏电压控制区域内是否含有一个及以上节点存在电压越限现象时,如是,采用分布式光伏无功容量进行电压调节,主要原则为:优先采用无功容量较大的分布式光伏用于电压调节;优先采用配电网末端分布式光伏接入节点用于电压调节;分区内未接入分布式光伏的电压越限节点,优先通过分区内分布式光伏进行电压调节;
因此,分区内的分布式光伏接入节点无功容量进行降序排列:
(16)/>
式(16)中,为该分区内各分布式光伏接入节点的无功容量集合降序排列后的集合,/>为节点序号,则/>;依次取调压节点/>序号对应节点的分布式光伏进行电压调节。
本申请实现数据驱动决策电压控制,改变传统的依赖于电网运行潮流决策的方法,高效提升分布式光伏参与配电网电压控制的决策效率和计算速度,为充分调动和挖掘分布式光伏无功潜力奠定坚实的研究基础;本申请提出基于图神经网络的分布式光伏电压控制的监督式学习,与传统的智能方法相比,科学合理的制定分类标签,实现图节点特征信息和结构信息的端对端学习,且图卷积适用性较强,范围较广,在配电网的图学习中具有极佳的应用效果。
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,C语言、VHDL语言、Verilog语言、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 (10)
1.一种基于图卷积神经网络的分布式光伏电压控制方法,其特征在于,包括:
根据配电网节点的历史潮流数据建立节点特征矩阵X及配电网的邻接矩阵A,将配电网分布式光伏接入节点和线路映射至图卷积神经网络中的节点和边;每个所述节点的特征向量包括节点电压、有功功率、无功功率和可调无功容量;
将节点特征矩阵X和邻接矩阵A通过图卷积神经网络对节点和边进行分类,得到配电网节点分类序列和配电网边分类序列;
基于节点逐次遍历方法对配电网节点分类序列和配电网边分类序列进行节点和边的分区,实现分布式光伏电压控制区域的划分。
2.根据权利要求1所述的一种基于图卷积神经网络的分布式光伏电压控制方法,其特征在于,所述节点可调无功容量的计算公式为:
(1)
式(1)中,为第j个分布式光伏节点的可调无功容量,/>为第j个分布式光伏逆变器容量,/>为第j个分布式光伏节点的发电有功功率。
3.根据权利要求2所述的一种基于图卷积神经网络的分布式光伏电压控制方法,其特征在于,所述根据配电网节点的历史潮流数据建立节点特征矩阵X及配电网的邻接矩阵A具体包括:
采用节点线电压、注入功率/>、节点无功/>以及该分布式光伏节点的可调无功容量/>作为每个配电网节点的特征向量,即:
(2)
式(2)中,表示节点j的输入特征向量,/>表示节点j的电压,/>表示节点j的注入有功功率,/>表示节点j的无功功率,/>表示节点j的可调无功容量;
根据节点特征向量构建配电网节点特征矩阵X:
(3)
式(3)中,节点特征矩阵X为n×4阶矩阵,n为配电网节点数目;
通过式(4)对节点特征矩阵X进行归一化处理:
(4)
式(4)中,为节点特征矩阵X中某元素,/>、/>为该类元素数据的最大值和最小值, />为该元素归一化处理后的元素;
节点特征矩阵X归一化处理后的矩阵记作:
(5)
式(5)中,归一化处理后的数据。
4.根据权利要求3所述的一种基于图卷积神经网络的分布式光伏电压控制方法,其特征在于,所述邻接矩阵A用来描述节点和边的连接关系,若节点i与节点j之间有边联系,则矩阵A中第i行的第j个元素即为1,否则为0,则邻接矩阵A为n×n阶矩阵,n为节点数目。
5.根据权利要求4所述的一种基于图卷积神经网络的分布式光伏电压控制方法,其特征在于,所述将节点特征矩阵X和邻接矩阵A通过图卷积神经网络对节点和边进行分类,得到配电网节点分类序列和配电网边分类序列,具体包括:
建立图卷积神经网络模型的输入层,将归一化处理后的配电网节点特征矩阵X*和邻接矩阵A作为图卷积神经网络模型的输入层,输入层神经元数目为4;
建立图卷积神经网络模型的隐藏层,隐藏层设置两层卷积层,基于空间域进行卷积计算,采用池化聚合算法进行节点及邻接节点特征的提取和识别;所述隐藏层之间的特征聚合传递函数为:
(6)
式(6)中,为第/>层中对节点/>的特征聚合结果,其中aggregate为池化聚合函数,/>为节点/>的邻接节点集合,其中,/>节点属于/>的邻接节点,/>为第/>层卷积网络对其邻接/>节点的聚合结果作为层的/>输入;
节点的特征提取由第/>层和/>层的特征在其原维度上进行横向拼接组成,即:
(7)
式(7)中,为第/>层的特征提取值,/>为学习参数全中国矩阵,/>为拼接函数,/>为第/>层的特征提取值;
聚合函数采用池化聚合函数,该函数取邻接节点通过全连接层的最大值作为聚合结果:
(8)
式(8)中,为池化函数权值矩阵,b为相应偏置矩阵,实现第/>层卷积层对/>节点的邻接节点/>节点的聚合计算输出结果/>的输出变换,矩阵参数W表示该特征量提取的权重,σ为激活函数,/>为GCN模型的池化聚合函数;
建立图卷积神经网络模型的全连接层,所述全连接层连接隐藏层和输出层,用于对节点特征向量进行最终提取:
(9)
式(9)中,为全连接层的权值矩阵,/>为全连接层偏置矩阵,矩阵参数表示输出结果的贡献度,/>为池化输出后的节点特征向量;
建立图卷积神经网络模型的输出层,所述输出层采用softmax分类器用于输出结果的分类和输出,将节点特征向量通过Softmax分类器进行分类,输出节点的分类,计算公式为:
(10)
式(10)中,q表示节点状态类型,q=3;表示第/>个输入样本数据序列,/>表示第/>个输入样本数据对应的分类结果标签值,/>表示第/>个样本数据对应各类输出结果的概率值,θ为softmax网络的内置参数;
所述softmax分类器的交叉损失熵函数设置为:
(11)
式(11)中,E为softmax分类器的损失函数,M为训练样本个数,q为节点状态类型,q=3;为输入样本为/>时的输出, />表示第/>个样本的目标输出类别;
则基于图卷积神经网络模型得到配电网节点的分类序列为:
(12)
式(12)中,为节点状态序列,/>为节点状态量,分别为0、1及-1;N为配电网节点数目。
6.根据权利要求5所述的一种基于图卷积神经网络的分布式光伏电压控制方法,其特征在于,所述将节点特征矩阵X和邻接矩阵A通过图卷积神经网络对节点和边进行分类,得到配电网节点分类序列和配电网边分类序列,具体包括:
合并节点特征向量:
(13)
式(13)中,为节点/>和节点/>之间的边特征,/>、/>为节点/>和节点/>的节点特征向量,/>为参数权值矩阵,/>为节点/>和/>的特征合并函数,σ为ReLU函数;
构建单层全连接神经网络,通过式(13)计算边特征输出向量:
(14)
式(14)中,为边特征输出向量,/>为权值矩阵,/>为各节点合并后的边特征向量集,/>为偏置矩阵,用于表示边特征的权值,配电网共计n个节点,n-1条边;
在进行节点特征合并后,将边特征向量用Softmax分类器进行分类,输出边的分类;
则基于图卷积神经网络模型得到配电网边的分类序列为:
(15)
式(15)中,为边状态序列,/>为各边状态量,分别为0和1;N为配电网节点数目,/>为配电网边数目。
7.根据权利要求5所述的一种基于图卷积神经网络的分布式光伏电压控制方法,其特征在于,所述基于节点逐次遍历方法对配电网节点分类序列和配电网边分类序列进行节点和边的分区,实现分布式光伏电压控制区域的划分,包括:
根据节点序号及其状态量进行依次划分,根据节点序号逐个节点进行遍历;当/>时,该节点不划入区域;当/>或/>时,进行节点遍历;
从初始节点节点开始遍历,从相互关联边开始,当/>时,沿该边进行遍历搜索,该边划入区域;若该边/>,则改变不划入该区域,停止遍历;
第一次遍历结束后,回到初始节点节点,重新开始沿另一相关联边进行遍历,将和/>的节点划入该区域;
当初始节点已在上一序号节点进行过所有边的遍历,停止节点遍历,划入已遍历后的区域,若由未进行遍历的相关联边,且其状态量/>,则进行遍历,划入该节点所在区域。
8.根据权利要求5所述的一种基于图卷积神经网络的分布式光伏电压控制方法,其特征在于,所述节点状态量为0时,节点电压无越限,电压在正常区域;节点状态量为-1时,节点电压越限,但该节点无分布式光伏接入,不具备无功容量调节能力;节点状态量为1时,节点电压越限,且该节点接入分布式光伏,具备一定的无功容量调节能力。
9.根据权利要求6所述的一种基于图卷积神经网络的分布式光伏电压控制方法,其特征在于,所述边状态量为0时,相连节点无电压越限现象,且线路潮流方向、大小均正常;边状态量为1时,相连节点电压存在越限现象,且线路潮流有功功率方向反向或有功功率值接近于0。
10.根据权利要求8所述的一种基于图卷积神经网络的分布式光伏电压控制方法,其特征在于,包括:
判断分布式光伏电压控制区域内是否仅含有孤立节点存在电压越限现象,且该节点接入分布式光伏时,即该节点状态标签为1,则采用分布式光伏的无功容量进行电压调节;当该节点未接入分布式光伏时,即该节点状态标签为-1,则采用电网设备调压;
判断分布式光伏电压控制区域内是否含有一个及以上节点存在电压越限现象时,如是,采用分布式光伏无功容量进行电压调节。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310954356.8A CN116667369B (zh) | 2023-08-01 | 2023-08-01 | 一种基于图卷积神经网络的分布式光伏电压控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310954356.8A CN116667369B (zh) | 2023-08-01 | 2023-08-01 | 一种基于图卷积神经网络的分布式光伏电压控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116667369A true CN116667369A (zh) | 2023-08-29 |
CN116667369B CN116667369B (zh) | 2023-10-31 |
Family
ID=87724617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310954356.8A Active CN116667369B (zh) | 2023-08-01 | 2023-08-01 | 一种基于图卷积神经网络的分布式光伏电压控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116667369B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116826788A (zh) * | 2023-08-30 | 2023-09-29 | 东方电气集团科学技术研究院有限公司 | 一种光伏发电主动支撑集群构建及控制方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169956A (zh) * | 2017-04-28 | 2017-09-15 | 西安工程大学 | 基于卷积神经网络的色织物疵点检测方法 |
CN109038656A (zh) * | 2018-07-20 | 2018-12-18 | 国电南瑞科技股份有限公司 | 计及有功输出状态的大型光伏电站avc控制方法及系统 |
CN113422371A (zh) * | 2021-07-22 | 2021-09-21 | 天津大学 | 一种基于图卷积神经网络的分布式电源就地电压控制方法 |
CN113471982A (zh) * | 2021-07-22 | 2021-10-01 | 天津大学 | 云边协同与电网隐私保护的分布式电源就地电压控制方法 |
CN114123200A (zh) * | 2022-01-24 | 2022-03-01 | 国网山西省电力公司晋城供电公司 | 基于数据驱动的光伏电站动态建模方法、存储设备 |
CN114725944A (zh) * | 2022-04-06 | 2022-07-08 | 国网浙江省电力有限公司电力科学研究院 | 一种电力电子化配电网源网荷优化运行控制方法及系统 |
-
2023
- 2023-08-01 CN CN202310954356.8A patent/CN116667369B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169956A (zh) * | 2017-04-28 | 2017-09-15 | 西安工程大学 | 基于卷积神经网络的色织物疵点检测方法 |
CN109038656A (zh) * | 2018-07-20 | 2018-12-18 | 国电南瑞科技股份有限公司 | 计及有功输出状态的大型光伏电站avc控制方法及系统 |
CN113422371A (zh) * | 2021-07-22 | 2021-09-21 | 天津大学 | 一种基于图卷积神经网络的分布式电源就地电压控制方法 |
CN113471982A (zh) * | 2021-07-22 | 2021-10-01 | 天津大学 | 云边协同与电网隐私保护的分布式电源就地电压控制方法 |
CN114123200A (zh) * | 2022-01-24 | 2022-03-01 | 国网山西省电力公司晋城供电公司 | 基于数据驱动的光伏电站动态建模方法、存储设备 |
CN114725944A (zh) * | 2022-04-06 | 2022-07-08 | 国网浙江省电力有限公司电力科学研究院 | 一种电力电子化配电网源网荷优化运行控制方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116826788A (zh) * | 2023-08-30 | 2023-09-29 | 东方电气集团科学技术研究院有限公司 | 一种光伏发电主动支撑集群构建及控制方法 |
CN116826788B (zh) * | 2023-08-30 | 2024-01-05 | 东方电气集团科学技术研究院有限公司 | 一种光伏发电主动支撑集群构建及控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116667369B (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109918708B (zh) | 一种基于异质集成学习的材料性能预测模型构建方法 | |
CN108205717A (zh) | 一种光伏发电功率多时间尺度预测方法 | |
CN108985515B (zh) | 一种基于独立循环神经网络的新能源出力预测方法及系统 | |
CN111612125B (zh) | 一种面向在线学习的新型htm时间池方法及其系统 | |
CN104636801A (zh) | 一种基于优化bp神经网络的预测输电线路可听噪声方法 | |
CN109861211B (zh) | 一种基于数据驱动的配电网动态重构方法 | |
CN108960586B (zh) | 一种适应场景变化的非入侵式负荷识别方法 | |
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 | |
CN111525587B (zh) | 一种基于无功负荷态势的电网无功电压控制方法及系统 | |
CN113312735B (zh) | 一种城市供水管网dma分区方法 | |
CN114004155B (zh) | 考虑电力系统拓扑结构特征的暂态稳定评估方法及装置 | |
CN114219181A (zh) | 基于迁移学习的风电功率概率预测方法 | |
Huang et al. | Resilient power network structure for stable operation of energy systems: A transfer learning approach | |
CN108985323A (zh) | 一种光伏功率的短期预测方法 | |
Mengcan et al. | Constrained voting extreme learning machine and its application | |
CN113887794A (zh) | 一种配电网无功优化的方法及装置 | |
CN106054665B (zh) | 一种大规模光伏逆变器系统的分群等值建模方法 | |
CN113328435A (zh) | 一种基于强化学习的主动配电网有功无功联合控制方法 | |
CN110705756B (zh) | 一种基于输入凸神经网络的电力能耗优化控制方法 | |
CN115544033B (zh) | 查重向量库更新、数据查重方法、装置、设备和介质 | |
CN116319377A (zh) | 一种抵御网络攻击的配电网分布式动态状态估计方法 | |
CN115021269B (zh) | 基于数据驱动的两阶段最优潮流求解方法 | |
Zhang et al. | Physics-Informed Multi-Agent deep reinforcement learning enabled distributed voltage control for active distribution network using PV inverters | |
CN116565877A (zh) | 基于谱聚类分析的电压自动分区控制方法 | |
Wang et al. | The Application Research of Deep Learning Based Method for Short-term Wind Speed Forecasting |
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 |