CN110009181A - 配电网改造措施与失负荷量指标关联性挖掘方法及装置 - Google Patents
配电网改造措施与失负荷量指标关联性挖掘方法及装置 Download PDFInfo
- Publication number
- CN110009181A CN110009181A CN201910077440.XA CN201910077440A CN110009181A CN 110009181 A CN110009181 A CN 110009181A CN 201910077440 A CN201910077440 A CN 201910077440A CN 110009181 A CN110009181 A CN 110009181A
- Authority
- CN
- China
- Prior art keywords
- distribution network
- rate
- neural network
- output
- 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.)
- Pending
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 190
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000013528 artificial neural network Methods 0.000 claims abstract description 123
- 238000012986 modification Methods 0.000 claims abstract description 42
- 230000004048 modification Effects 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000013507 mapping Methods 0.000 claims abstract description 25
- 238000012797 qualification Methods 0.000 claims description 75
- 230000008569 process Effects 0.000 claims description 35
- 238000004422 calculation algorithm Methods 0.000 claims description 33
- 238000005457 optimization Methods 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 28
- 230000002068 genetic effect Effects 0.000 claims description 28
- 238000004088 simulation Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 19
- 239000000243 solution Substances 0.000 claims description 16
- 238000004146 energy storage Methods 0.000 claims description 15
- 239000003637 basic solution Substances 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 238000009434 installation Methods 0.000 claims description 6
- 230000007774 longterm Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000013139 quantization Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000013178 mathematical model Methods 0.000 claims description 5
- 239000004744 fabric Substances 0.000 claims description 4
- 210000004218 nerve net Anatomy 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 239000002585 base Substances 0.000 description 4
- 238000000547 structure data Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000010429 evolutionary process Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000009418 renovation Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
-
- 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
- G06N3/045—Combinations of 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Strategic Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Computer Vision & Pattern Recognition (AREA)
Abstract
本发明涉及一种配电网改造措施与失负荷量指标关联性挖掘方法及装置，该方法包括：获取主动配电网可配置资源改造措施与相应的失负荷量指标之间对应关系的样本数据，然后利用BP神经网络的非线性映射能力，以样本数据作为训练样本，对BP神经网络进行训练，构建配电网改造措施与配电网失负荷量之间的直接映射，得到基于BP神经网络的不同改造措施下的配电网失负荷量评估模型。该方法及装置有利于发现配电网改造措施与配电网失负荷量指标之间的潜在关联性，并提高计算效率。
Description
技术领域
本发明涉及电网建设改造技术领域，特别是一种配电网改造措施与电压合格率指标关联性挖掘方法及装置。
背景技术
随着可再生能源的不断推进发展，以光伏发电为代表的分布式能源作为绿色能源发展主体，大量分散地接入中低压配电网。为有效解决大规模分布式电源并网的消纳问题，主动配电网将成为未来智能电网的主要发展形式。同时越来越多的分布式能源、储能系统、柔性负荷接入配电网中，将会存在大量非线性元件和设备，所有这些都是电压和电流产生谐波的潜在来源，同时分布式能元处理的不确定性，都会对电网安全运行造成不利影响。以上问题，对传统配电网来说，已经难以适应。为保证电网的电能质量、高可靠性运行、以及分布式能源的高渗透率，加快配电网建设已刻不容缓。电压合格率作为配电网改造措施中要解决的重要问题之一，是配电网建设中的关键问题，对配电网的优化投资决策提出了更高的要求与挑战。
为解决配电网的优化投资决策问题，利用主动配电网改造措施与电网电压合格率指标之间的关系，建立精确的投资决策模型至关重要。然而，传统的投资决策建模中的电压合格率分析涉及到电网潮流计算，物理模型的分析过程非常复杂，不利于当前的配电网规划投资决策。而将现有的大数据分析方法应用于两者关联性分析更有利于该问题的解决。常用的大数据关联性挖掘分析方法有关联规则(Apriori)方法、频繁模式增长 (FP-Growth)方法、分类回归树方法、神经网络等方法。Apriori方法是一种最有影响的挖掘布尔关联规则频繁项集的算法，但在每一步产生侯选项目集时循环产生的组合过多，没有排除不应该参与组合的元素。FP-Growth方法是一种基于模式增长的频繁模式挖掘算法，避免了大量候选项集的产生，但它的时间和空间效率不够高。分类回归树方法能够有效地降低指标体系的规模，快速简洁地对属性进行选择，得到其重要性程度排序，但当分类回归树划分得太细时，会对噪声数据产生过拟合作用。
发明内容
本发明的目的在于提供一种配电网改造措施与电压合格率指标关联性挖掘方法及装置，该方法及装置有利于发现配电网改造措施与电压合格率指标之间的潜在关联性，并提高计算效率。
为实施上述目的，本发明的技术方案是：一种配电网改造措施与电压合格率指标关联性挖掘方法，包括：获取主动配电网可配置资源改造措施与相应的电压合格率指标之间对应关系的样本数据，利用BP神经网络的非线性映射能力，以样本数据作为训练样本，对BP神经网络进行训练，构建配电网改造措施与电压合格率之间的直接映射，得到基于BP神经网络的不同改造措施下的配电网电压合格率评估模型。
进一步地，所述获取主动配电网可配置资源改造措施与相应的电压合格率指标之间对应关系的样本数据，其中，可配置资源改造措施为利用可以整合的分布式电源、储能、柔性负荷资源实现的配电网改造技术方案；通过基于序贯蒙特卡洛模拟的中长期模拟方法，得到加入各种改造措施后配电网中各主动元件的时序模拟结果，并计算推演每一时段下的配电网电压合格率指标，从而得到样本数据。
进一步地，对BP神经网络进行训练，构建配电网改造措施与电压合格率之间的直接映射，包括以下步骤：
(1)获取配电网中长期运行时序模拟数据，初步训练确定BP神经网络各参数的基本解空间；
(2)以分布式电源出力及位置、节点负荷数据作为BP神经网络的输入向量，电压、功率数据作为输出向量，确定BP神经网络模型和学习模式；
(3)输入配电网前期时序模拟数据，计算BP神经网络隐含层与输出层各单元的输入与输出，即完成BP神经网络学习的信息正向传播过程；
(4)计算输出层各神经元的校正误差，完成误差反向传播过程；
(5)采用遗传算法对控制BP神经网络性能的权值与阈值进行调整，优化不同资源配置方案与电压合格率关联规则的收敛速度；
(6)不断更新学习模式和学习次数；
(7)重复步骤(6)，不断训练BP神经网络直到满足截止条件；
(8)对于训练好的BP神经网络，输入不同改造方案下的节点负荷、电压、功率、分布式电源出力及远动装置安装数据，计算得到相应的电压合格率指标结果。
进一步地，将已有电网网架下的分布式电源出力和电力负荷与对应的配电网电压合格率作为训练BP神经网络的样本数据，根据投资改造路径，模拟量化配电网网架结构、分布式电源接入位置、储能装置容量配置各类因素层指标，推演综合评价各类可配置资源方案下的主动配电网技术经济指标，通过学习训练得到配电网电压合格率与各种预想配置方案之间的BP神经网络，构建出配电网改造措施与电压合格率之间的直接映射；
BP神经网络的输入与输出之间的关系如下：
其中，xi为已知网架结构下的电力负荷和分布式电源出力、储能出力及节点负荷数据，hj为隐含层输出，yk为输出的配电网电压合格率，wij和θij分别为输入层到隐含层的权值和阈值，νjk和rjk分别为隐含层到输出层的权值和阈值；n表示输入数据xi的个数， p表示隐含层的个数，m表示输出数据yk的个数；f1[]表示设定的输入数据xi与隐含层输出hj之间的关系函数，f2[]表示设定的隐含层输出hj与配电网电压合格率yk之间的关系函数；
误差反向传播过程如下：
其中，e为输出层输出的配电网电压合格率与实际数值的差值，dk为误差允许范围内的输出的配电网电压合格率，▽w和▽b分别为权值和阈值的调整量，η为学习率。
进一步地，采用遗传算法对BP神经网络进行参数寻优，得到更准确的配电网电压合格率评估模型；利用遗传算法对BP神经网络进行参数寻优的数学模型如下：
s.t.w∈Rn×p,v∈Rp×m,θ∈Rn×p,r∈Rp×m
其中，E为输出的配电网电压合格率与实际数值的差值，为误差允许范围内的输出的配电网电压合格率，yk为神经网络输出层输出的配电网电压合格率；
利用遗传算法对二次非线性优化问题进行求解，得到BP神经网络各参数值，且同时满足输出误差最小，其流程如下：
步骤1：获取样本数据，初步训练确定网络各参数的基本解空间；
步骤2：定义如下适应度函数：
以其最大值作为优化过程中的目标函数，则有：
maxF(w,v,θ,r)
s.t.w∈Rn×p,v∈Rp×m,θ∈Rn×p,r∈Rp×m
步骤3：对基本解空间进行编码，编码生成的码串包含了控制隐含层节点个数的控制码部分，以及控制网络权值和阈值的权重系数码部分；
步骤4：生成初始群体，群体中每个个体均由上述两部分编码构成；
步骤5：计算每个个体的适应度值，并将群体中适应度最高的个体直接遗传给下一代，其他个体则采用轮盘赌选择法进行选择；
步骤6：利用交叉、变异的手段进化当前群体，产生新的子代群体；
步骤7：重复步骤5、6，不断进化新的群体直到满足截止条件；
步骤8：对最终代中适应度最高的个体进行解码，得到相应的隐含层节点数和网络连接权值，利用测试集样本检验神经网络的泛化能力。
本发明还提供了一种配电网改造措施与电压合格率指标关联性挖掘装置，包括：
获取单元，用于获取主动配电网可配置资源改造措施与相应的电压合格率指标之间对应关系的样本数据；以及
处理单元，用于利用BP神经网络的非线性映射能力，以样本数据作为训练样本，对BP神经网络进行训练，构建配电网改造措施与电压合格率之间的直接映射，得到基于BP神经网络的不同改造措施下的配电网电压合格率评估模型。
进一步地，所述获取单元获取主动配电网可配置资源改造措施与相应的电压合格率指标之间对应关系的样本数据，其中，可配置资源改造措施为利用可以整合的分布式电源、储能、柔性负荷资源实现的配电网改造技术方案；通过基于序贯蒙特卡洛模拟的中长期模拟方法，得到加入各种改造措施后配电网中各主动元件的时序模拟结果，并计算推演每一时段下的配电网电压合格率指标，从而得到样本数据。
进一步地，所述处理单元对BP神经网络进行训练，构建配电网改造措施与电压合格率之间的直接映射，包括以下步骤：
(1)获取配电网中长期运行时序模拟数据，初步训练确定BP神经网络各参数的基本解空间；
(2)以分布式电源出力及位置、节点负荷数据作为BP神经网络的输入向量，电压、功率数据作为输出向量，确定BP神经网络模型和学习模式；
(3)输入配电网前期时序模拟数据，计算BP神经网络隐含层与输出层各单元的输入与输出，即完成BP神经网络学习的信息正向传播过程；
(4)计算输出层各神经元的校正误差，完成误差反向传播过程；
(5)采用遗传算法对控制BP神经网络性能的权值与阈值进行调整，优化不同资源配置方案与电压合格率关联规则的收敛速度；
(6)不断更新学习模式和学习次数；
(7)重复步骤(6)，不断训练BP神经网络直到满足截止条件；
(8)对于训练好的BP神经网络，输入不同改造方案下的节点负荷、电压、功率、分布式电源出力及远动装置安装数据，计算得到相应的电压合格率指标结果。
进一步地，所述处理单元将已有电网网架下的分布式电源出力和电力负荷与对应的配电网电压合格率作为训练BP神经网络的样本数据，根据投资改造路径，模拟量化配电网网架结构、分布式电源接入位置、储能装置容量配置各类因素层指标，推演综合评价各类可配置资源方案下的主动配电网技术经济指标，通过学习训练得到配电网电压合格率与各种预想配置方案之间的BP神经网络，构建出配电网改造措施与电压合格率之间的直接映射；
BP神经网络的输入与输出之间的关系如下：
其中，xi为已知网架结构下的电力负荷和分布式电源出力、储能出力及节点负荷数据，hj为隐含层输出，yk为输出的配电网电压合格率，wij和θij分别为输入层到隐含层的权值和阈值，νjk和rjk分别为隐含层到输出层的权值和阈值；n表示输入数据xi的个数，p表示隐含层的个数，m表示输出数据yk的个数；f1[]表示设定的输入数据xi与隐含层输出hj之间的关系函数，f2[]表示设定的隐含层输出hj与配电网电压合格率yk之间的关系函数；
误差反向传播过程如下：
其中，e为输出层输出的配电网电压合格率与实际数值的差值，dk为误差允许范围内的输出的配电网电压合格率，▽w和▽b分别为权值和阈值的调整量，η为学习率。
进一步地，所述处理单元还用于采用遗传算法对BP神经网络进行参数寻优，得到更准确的配电网电压合格率评估模型；利用遗传算法对BP神经网络进行参数寻优的数学模型如下：
s.t.w∈Rn×p,v∈Rp×m,θ∈Rn×p,r∈Rp×m
其中，E为输出的配电网电压合格率与实际数值的差值，为误差允许范围内的输出的配电网电压合格率，yk为神经网络输出层输出的配电网电压合格率；
利用遗传算法对二次非线性优化问题进行求解，得到BP神经网络各参数值，且同时满足输出误差最小，其流程如下：
步骤1：获取样本数据，初步训练确定网络各参数的基本解空间；
步骤2：定义如下适应度函数：
以其最大值作为优化过程中的目标函数，则有：
maxF(w,v,θ,r)
s.t.w∈Rn×p,v∈Rp×m,θ∈Rn×p,r∈Rp×m
步骤3：对基本解空间进行编码，编码生成的码串包含了控制隐含层节点个数的控制码部分，以及控制网络权值和阈值的权重系数码部分；
步骤4：生成初始群体，群体中每个个体均由上述两部分编码构成；
步骤5：计算每个个体的适应度值，并将群体中适应度最高的个体直接遗传给下一代，其他个体则采用轮盘赌选择法进行选择；
步骤6：利用交叉、变异的手段进化当前群体，产生新的子代群体；
步骤7：重复步骤5、6，不断进化新的群体直到满足截止条件；
步骤8：对最终代中适应度最高的个体进行解码，得到相应的隐含层节点数和网络连接权值，利用测试集样本检验神经网络的泛化能力。
相较于现有技术，本发明的有益效果是：该方法及装置在发现主动配电网改造措施与电压合格率指标之间潜在规律和提高计算效率等方面具有较大优势，不仅可以避免复杂的潮流计算过程，并且可以有效地提升计算效率。以电压合格率指标和改造措施构成训练样本集，通过对样本数据的离线学习，可得到相应的关联关系模型。在实际应用中，当给定资源配置指标时，神经网络模型能快速给出相应电压合格率指标的结果，作为后续配电网投资决策模型的约束条件。此外，通过基于遗传算法的BP神经网络阈值与权值优化，BP神经网络的收敛性也得到了较大提升。
附图说明
图1是本发明实施例的方法中BP神经网络的结构示意图。
图2是本发明实施例的方法中基于BP神经网络的配电网电压合格率评估模型示意图。
图3是本发明实施例的方法中BP神经网络的训练流程示意图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步说明。
本发明提供一种配电网改造措施与电压合格率指标关联性挖掘方法，包括：模拟量化各类因素层指标，获取主动配电网可配置资源改造措施与相应的电压合格率指标之间对应关系的样本数据，例如大量的分布式电源出力、电力负荷数据和对应的配电网电压合格率指标等数据。其中，可配置资源改造措施为利用可以整合的分布式电源、储能、柔性负荷等资源实现的配电网改造技术方案，例如将在配电网中新建风机、光伏等分布式电源设备、储能装置、开关设备及二遥、三遥等远动设备等作为备选的改造措施。通过基于序贯蒙特卡洛模拟的中长期模拟方法，得到加入各种改造措施后配电网中各主动元件的时序模拟结果，如分布式电源的出力、储能的充放情况以及柔性负荷等的波动情况，并计算推演每一时段下的配电网电压合格率指标，从而得到大量的样本数据。
然后，如图2所示，利用BP神经网络的非线性映射能力构建配电网改造措施与电压合格率之间的直接映射，以样本数据作为训练样本，对BP神经网络进行训练，得到基于BP神经网络的不同改造措施下的配电网电压合格率评估模型。
如图2所示，当配电网改造措施场景发生变化时，该模型能快速估计出该改造措施下的电压合格率值，从而判定不同配电网改造措施对配电网电压合格率指标的影响程度，作为后期配电网投资决策的关联性约束条件，节省了时域仿真的时间消耗。利用该基于BP神经网络的配电网电压合格率评估模型可以大大提升模型的求解速度，从而快速、有效地制定配电网投资策略。
为提高BP神经网络找到配电网改造措施与电压合格率之间关联规律的速度和效率，采用遗传算法对BP神经网络进行参数寻优，解决构建模型时初始权值确定及BP 算法收敛慢等问题，得到更准确的配电网电压合格率评估模型。
图3为本发明实施例中BP神经网络的训练流程。如图3所示，对BP神经网络进行训练，构建配电网改造措施与电压合格率之间的直接映射，从而利用其挖掘不同配电网改造措施与电压合格率之间关联性，包括以下步骤：
(1)获取配电网中长期运行时序模拟数据，初步训练确定BP神经网络各参数的基本解空间；
(2)以分布式电源出力及位置、节点负荷数据作为BP神经网络的输入向量，电压、功率数据作为输出向量，确定BP神经网络模型和学习模式；
(3)输入配电网前期时序模拟数据，计算BP神经网络隐含层与输出层各单元的输入与输出，即完成BP神经网络学习的信息正向传播过程；
(4)计算输出层各神经元的校正误差，完成误差反向传播过程；
(5)采用遗传算法对控制BP神经网络性能的权值与阈值进行调整，优化不同资源配置方案与电压合格率关联规则的收敛速度；
(6)不断更新学习模式和学习次数；
(7)重复步骤(6)，不断训练BP神经网络直到满足截止条件；
(8)对于训练好的BP神经网络，输入不同改造方案下的节点负荷、电压、功率、分布式电源出力及远动装置安装数据，计算得到相应的电压合格率指标结果。
本发明中，将已有电网网架下的分布式电源出力和电力负荷与对应的配电网电压合格率作为训练BP神经网络的样本数据，根据投资改造路径，模拟量化配电网网架结构、分布式电源接入位置、储能装置容量配置等各类因素层指标，从统计分析和数据学习的角度推演综合评价各类可配置资源方案下的主动配电网技术经济指标，通过学习训练得到配电网电压合格率与各种预想配置方案之间的BP神经网络，构建出配电网改造措施与电压合格率之间的直接映射。
BP神经网络是一种基于误差反向传播算法的多层前馈神经网络，具有良好的非线性映射能力，可以学习和自适应未知信息，其结构如图1所示。
由图1可知，BP神经网络的输入与输出之间的关系如下：
其中，xi为已知网架结构下的电力负荷和分布式电源出力、储能出力及节点负荷数据，hj为隐含层输出，yk为输出的配电网电压合格率，wij和θij分别为输入层到隐含层的权值和阈值，νjk和rjk分别为隐含层到输出层的权值和阈值；n表示输入数据xi的个数， p表示隐含层的个数，m表示输出数据yk的个数；f1[]表示设定的输入数据xi与隐含层输出hj之间的关系函数，f2[]表示设定的隐含层输出hj与配电网电压合格率yk之间的关系函数；
误差反向传播过程如下：
其中，e为输出层输出的配电网电压合格率与实际数值的差值，dk为误差允许范围内的输出的配电网电压合格率，▽w和▽b分别为权值和阈值的调整量，η为学习率，是影响算法收敛速度的重要因素之一。
本发明中，采用遗传算法对BP神经网络进行参数寻优，从而提升神经网络的学习效率，提高估计精度，得到更准确的配电网电压合格率评估模型。遗传算法是一种模拟生物遗传选择和物种优胜劣汰进化过程的计算模型，其主要特点是群体搜索策略与群体中个体之间的信息交互，搜索不依赖于梯度信息，具有较强的问题解决能力和广泛适应性。
利用遗传算法对BP神经网络进行参数寻优的数学模型如下：
s.t.w∈Rn×p,v∈Rp×m,θ∈Rn×p,r∈Rp×m
其中，E为输出的配电网电压合格率与实际数值的差值，为误差允许范围内的输出的配电网电压合格率，yk为神经网络输出层输出的配电网电压合格率；利用遗传算法对二次非线性优化问题进行求解，得到BP神经网络各参数值，且同时满足输出误差最小。
利用遗传算法对上述二次非线性优化问题进行求解，可得到神经网络各参数值，同时满足输出误差最小。其具体流程如下：
步骤1：获取样本数据，初步训练确定网络各参数的基本解空间；
步骤2：定义如下适应度函数：
以其最大值作为优化过程中的目标函数，则有：
maxF(w,v,θ,r)
s.t.w∈Rn×p,v∈Rp×m,θ∈Rn×p,r∈Rp×m
步骤3：对基本解空间进行编码，编码生成的码串包含了控制隐含层节点个数的控制码部分，以及控制网络权值和阈值的权重系数码部分。
步骤4：生成初始群体，群体中每个个体均由上述两部分编码构成。
步骤5：计算每个个体的适应度值，并将群体中适应度最高的个体直接遗传给下一代，其他个体则采用轮盘赌选择法进行选择。
步骤6：利用交叉、变异的手段进化当前群体，产生新的子代群体。
步骤7：重复步骤5、6，不断进化新的群体直到满足截止条件(最大进化代数)。
步骤8：对最终代中适应度最高的个体进行解码，得到相应的隐含层节点数和网络连接权值，利用测试集样本检验神经网络的泛化能力。
本发明还提供了一种用于实现上述方法的配电网改造措施与电压合格率指标关联性挖掘装置，包括：
获取单元，用于获取主动配电网可配置资源改造措施与相应的电压合格率指标之间对应关系的样本数据；以及
处理单元，用于利用BP神经网络的非线性映射能力，以样本数据作为训练样本，对BP神经网络进行训练，构建配电网改造措施与电压合格率之间的直接映射，得到基于BP神经网络的不同改造措施下的配电网电压合格率评估模型。
所述获取单元获取主动配电网可配置资源改造措施与相应的电压合格率指标之间对应关系的样本数据，其中，可配置资源改造措施为利用可以整合的分布式电源、储能、柔性负荷资源实现的配电网改造技术方案；通过基于序贯蒙特卡洛模拟的中长期模拟方法，得到加入各种改造措施后配电网中各主动元件的时序模拟结果，并计算推演每一时段下的配电网电压合格率指标，从而得到样本数据。
所述处理单元对BP神经网络进行训练，构建配电网改造措施与电压合格率之间的直接映射，包括以下步骤：
(1)获取配电网中长期运行时序模拟数据，初步训练确定BP神经网络各参数的基本解空间；
(2)以分布式电源出力及位置、节点负荷数据作为BP神经网络的输入向量，电压、功率数据作为输出向量，确定BP神经网络模型和学习模式；
(3)输入配电网前期时序模拟数据，计算BP神经网络隐含层与输出层各单元的输入与输出，即完成BP神经网络学习的信息正向传播过程；
(4)计算输出层各神经元的校正误差，完成误差反向传播过程；
(5)采用遗传算法对控制BP神经网络性能的权值与阈值进行调整，优化不同资源配置方案与电压合格率关联规则的收敛速度；
(6)不断更新学习模式和学习次数；
(7)重复步骤(6)，不断训练BP神经网络直到满足截止条件；
(8)对于训练好的BP神经网络，输入不同改造方案下的节点负荷、电压、功率、分布式电源出力及远动装置安装数据，计算得到相应的电压合格率指标结果。
所述处理单元将已有电网网架下的分布式电源出力和电力负荷与对应的配电网电压合格率作为训练BP神经网络的样本数据，根据投资改造路径，模拟量化配电网网架结构、分布式电源接入位置、储能装置容量配置各类因素层指标，推演综合评价各类可配置资源方案下的主动配电网技术经济指标，通过学习训练得到配电网电压合格率与各种预想配置方案之间的BP神经网络，构建出配电网改造措施与电压合格率之间的直接映射；
BP神经网络的输入与输出之间的关系如下：
其中，xi为已知网架结构下的电力负荷和分布式电源出力、储能出力及节点负荷数据，hj为隐含层输出，yk为输出的配电网电压合格率，wij和θij分别为输入层到隐含层的权值和阈值，νjk和rjk分别为隐含层到输出层的权值和阈值；n表示输入数据xi的个数， p表示隐含层的个数，m表示输出数据yk的个数；f1[]表示设定的输入数据xi与隐含层输出hj之间的关系函数，f2[]表示设定的隐含层输出hj与配电网电压合格率yk之间的关系函数；
误差反向传播过程如下：
其中，e为输出层输出的配电网电压合格率与实际数值的差值，dk为误差允许范围内的输出的配电网电压合格率，▽w和▽b分别为权值和阈值的调整量，η为学习率。
所述处理单元还用于采用遗传算法对BP神经网络进行参数寻优，得到更准确的配电网电压合格率评估模型；利用遗传算法对BP神经网络进行参数寻优的数学模型如下：
s.t.w∈Rn×p,v∈Rp×m,θ∈Rn×p,r∈Rp×m
其中，E为输出的配电网电压合格率与实际数值的差值，为误差允许范围内的输出的配电网电压合格率，yk为神经网络输出层输出的配电网电压合格率；
利用遗传算法对二次非线性优化问题进行求解，得到BP神经网络各参数值，且同时满足输出误差最小，其流程如下：
步骤1：获取样本数据，初步训练确定网络各参数的基本解空间；
步骤2：定义如下适应度函数：
以其最大值作为优化过程中的目标函数，则有：
maxF(w,v,θ,r)
s.t.w∈Rn×p,v∈Rp×m,θ∈Rn×p,r∈Rp×m
步骤3：对基本解空间进行编码，编码生成的码串包含了控制隐含层节点个数的控制码部分，以及控制网络权值和阈值的权重系数码部分；
步骤4：生成初始群体，群体中每个个体均由上述两部分编码构成；
步骤5：计算每个个体的适应度值，并将群体中适应度最高的个体直接遗传给下一代，其他个体则采用轮盘赌选择法进行选择；
步骤6：利用交叉、变异的手段进化当前群体，产生新的子代群体；
步骤7：重复步骤5、6，不断进化新的群体直到满足截止条件；
步骤8：对最终代中适应度最高的个体进行解码，得到相应的隐含层节点数和网络连接权值，利用测试集样本检验神经网络的泛化能力。
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。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。
Claims (10)
1.一种配电网改造措施与电压合格率指标关联性挖掘方法，其特征在于，包括：获取主动配电网可配置资源改造措施与相应的电压合格率指标之间对应关系的样本数据，利用BP神经网络的非线性映射能力，以样本数据作为训练样本，对BP神经网络进行训练，构建配电网改造措施与电压合格率之间的直接映射，得到基于BP神经网络的不同改造措施下的配电网电压合格率评估模型。
2.根据权利要求1所述的配电网改造措施与电压合格率指标关联性挖掘方法，其特征在于，所述获取主动配电网可配置资源改造措施与相应的电压合格率指标之间对应关系的样本数据，其中，可配置资源改造措施为利用可以整合的分布式电源、储能、柔性负荷资源实现的配电网改造技术方案；通过基于序贯蒙特卡洛模拟的中长期模拟方法，得到加入各种改造措施后配电网中各主动元件的时序模拟结果，并计算推演每一时段下的配电网电压合格率指标，从而得到样本数据。
3.根据权利要求1所述的配电网改造措施与电压合格率指标关联性挖掘方法，其特征在于，对BP神经网络进行训练，构建配电网改造措施与电压合格率之间的直接映射，包括以下步骤：
(1)获取配电网中长期运行时序模拟数据，初步训练确定BP神经网络各参数的基本解空间；
(2)以分布式电源出力及位置、节点负荷数据作为BP神经网络的输入向量，电压、功率数据作为输出向量，确定BP神经网络模型和学习模式；
(3)输入配电网前期时序模拟数据，计算BP神经网络隐含层与输出层各单元的输入与输出，即完成BP神经网络学习的信息正向传播过程；
(4)计算输出层各神经元的校正误差，完成误差反向传播过程；
(5)采用遗传算法对控制BP神经网络性能的权值与阈值进行调整，优化不同资源配置方案与电压合格率关联规则的收敛速度；
(6)不断更新学习模式和学习次数；
(7)重复步骤(6)，不断训练BP神经网络直到满足截止条件；
(8)对于训练好的BP神经网络，输入不同改造方案下的节点负荷、电压、功率、分布式电源出力及远动装置安装数据，计算得到相应的电压合格率指标结果。
4.根据权利要求1所述的配电网改造措施与电压合格率指标关联性挖掘方法，其特征在于，将已有电网网架下的分布式电源出力和电力负荷与对应的配电网电压合格率作为训练BP神经网络的样本数据，根据投资改造路径，模拟量化配电网网架结构、分布式电源接入位置、储能装置容量配置各类因素层指标，推演综合评价各类可配置资源方案下的主动配电网技术经济指标，通过学习训练得到配电网电压合格率与各种预想配置方案之间的BP神经网络，构建出配电网改造措施与电压合格率之间的直接映射；
BP神经网络的输入与输出之间的关系如下：
其中，xi为已知网架结构下的电力负荷和分布式电源出力、储能出力及节点负荷数据，hj为隐含层输出，yk为输出的配电网电压合格率，wij和θij分别为输入层到隐含层的权值和阈值，νjk和rjk分别为隐含层到输出层的权值和阈值；n表示输入数据xi的个数，p表示隐含层的个数，m表示输出数据yk的个数；f1[]表示设定的输入数据xi与隐含层输出hj之间的关系函数，f2[]表示设定的隐含层输出hj与配电网电压合格率yk之间的关系函数；
误差反向传播过程如下：
其中，e为输出层输出的配电网电压合格率与实际数值的差值，dk为误差允许范围内的输出的配电网电压合格率，▽w和▽b分别为权值和阈值的调整量，η为学习率。
5.根据权利要求4所述的配电网改造措施与电压合格率指标关联性挖掘方法，其特征在于，采用遗传算法对BP神经网络进行参数寻优，得到更准确的配电网电压合格率评估模型；利用遗传算法对BP神经网络进行参数寻优的数学模型如下：
s.t.w∈Rn×p,v∈Rp×m,θ∈Rn×p,r∈Rp×m
其中，E为输出的配电网电压合格率与实际数值的差值，为误差允许范围内的输出的配电网电压合格率，yk为神经网络输出层输出的配电网电压合格率；
利用遗传算法对二次非线性优化问题进行求解，得到BP神经网络各参数值，且同时满足输出误差最小，其流程如下：
步骤1：获取样本数据，初步训练确定网络各参数的基本解空间；
步骤2：定义如下适应度函数：
以其最大值作为优化过程中的目标函数，则有：
maxF(w,v,θ,r)
s.t.w∈Rn×p,v∈Rp×m,θ∈Rn×p,r∈Rp×m
步骤3：对基本解空间进行编码，编码生成的码串包含了控制隐含层节点个数的控制码部分，以及控制网络权值和阈值的权重系数码部分；
步骤4：生成初始群体，群体中每个个体均由上述两部分编码构成；
步骤5：计算每个个体的适应度值，并将群体中适应度最高的个体直接遗传给下一代，其他个体则采用轮盘赌选择法进行选择；
步骤6：利用交叉、变异的手段进化当前群体，产生新的子代群体；
步骤7：重复步骤5、6，不断进化新的群体直到满足截止条件；
步骤8：对最终代中适应度最高的个体进行解码，得到相应的隐含层节点数和网络连接权值，利用测试集样本检验神经网络的泛化能力。
6.一种配电网改造措施与电压合格率指标关联性挖掘装置，其特征在于，包括：
获取单元，用于获取主动配电网可配置资源改造措施与相应的电压合格率指标之间对应关系的样本数据；以及
处理单元，用于利用BP神经网络的非线性映射能力，以样本数据作为训练样本，对BP神经网络进行训练，构建配电网改造措施与电压合格率之间的直接映射，得到基于BP神经网络的不同改造措施下的配电网电压合格率评估模型。
7.根据权利要求6所述的配电网改造措施与电压合格率指标关联性挖掘装置，其特征在于，所述获取单元获取主动配电网可配置资源改造措施与相应的电压合格率指标之间对应关系的样本数据，其中，可配置资源改造措施为利用可以整合的分布式电源、储能、柔性负荷资源实现的配电网改造技术方案；通过基于序贯蒙特卡洛模拟的中长期模拟方法，得到加入各种改造措施后配电网中各主动元件的时序模拟结果，并计算推演每一时段下的配电网电压合格率指标，从而得到样本数据。
8.根据权利要求6所述的配电网改造措施与电压合格率指标关联性挖掘装置，其特征在于，所述处理单元对BP神经网络进行训练，构建配电网改造措施与电压合格率之间的直接映射，包括以下步骤：
(1)获取配电网中长期运行时序模拟数据，初步训练确定BP神经网络各参数的基本解空间；
(2)以分布式电源出力及位置、节点负荷数据作为BP神经网络的输入向量，电压、功率数据作为输出向量，确定BP神经网络模型和学习模式；
(3)输入配电网前期时序模拟数据，计算BP神经网络隐含层与输出层各单元的输入与输出，即完成BP神经网络学习的信息正向传播过程；
(4)计算输出层各神经元的校正误差，完成误差反向传播过程；
(5)采用遗传算法对控制BP神经网络性能的权值与阈值进行调整，优化不同资源配置方案与电压合格率关联规则的收敛速度；
(6)不断更新学习模式和学习次数；
(7)重复步骤(6)，不断训练BP神经网络直到满足截止条件；
(8)对于训练好的BP神经网络，输入不同改造方案下的节点负荷、电压、功率、分布式电源出力及远动装置安装数据，计算得到相应的电压合格率指标结果。
9.根据权利要求6所述的配电网改造措施与电压合格率指标关联性挖掘装置，其特征在于，所述处理单元将已有电网网架下的分布式电源出力和电力负荷与对应的配电网电压合格率作为训练BP神经网络的样本数据，根据投资改造路径，模拟量化配电网网架结构、分布式电源接入位置、储能装置容量配置各类因素层指标，推演综合评价各类可配置资源方案下的主动配电网技术经济指标，通过学习训练得到配电网电压合格率与各种预想配置方案之间的BP神经网络，构建出配电网改造措施与电压合格率之间的直接映射；
BP神经网络的输入与输出之间的关系如下：
其中，xi为已知网架结构下的电力负荷和分布式电源出力、储能出力及节点负荷数据，hj为隐含层输出，yk为输出的配电网电压合格率，wij和θij分别为输入层到隐含层的权值和阈值，νjk和rjk分别为隐含层到输出层的权值和阈值；n表示输入数据xi的个数，p表示隐含层的个数，m表示输出数据yk的个数；f1[]表示设定的输入数据xi与隐含层输出hj之间的关系函数，f2[]表示设定的隐含层输出hj与配电网电压合格率yk之间的关系函数；
误差反向传播过程如下：
其中，e为输出层输出的配电网电压合格率与实际数值的差值，dk为误差允许范围内的输出的配电网电压合格率，▽w和▽b分别为权值和阈值的调整量，η为学习率。
10.根据权利要求9所述的配电网改造措施与电压合格率指标关联性挖掘装置，其特征在于，所述处理单元还用于采用遗传算法对BP神经网络进行参数寻优，得到更准确的配电网电压合格率评估模型；利用遗传算法对BP神经网络进行参数寻优的数学模型如下：
s.t.w∈Rn×p,v∈Rp×m,θ∈Rn×p,r∈Rp×m
其中，E为输出的配电网电压合格率与实际数值的差值，为误差允许范围内的输出的配电网电压合格率，yk为神经网络输出层输出的配电网电压合格率；
利用遗传算法对二次非线性优化问题进行求解，得到BP神经网络各参数值，且同时满足输出误差最小，其流程如下：
步骤1：获取样本数据，初步训练确定网络各参数的基本解空间；
步骤2：定义如下适应度函数：
以其最大值作为优化过程中的目标函数，则有：
maxF(w,v,θ,r)
s.t.w∈Rn×p,v∈Rp×m,θ∈Rn×p,r∈Rp×m
步骤3：对基本解空间进行编码，编码生成的码串包含了控制隐含层节点个数的控制码部分，以及控制网络权值和阈值的权重系数码部分；
步骤4：生成初始群体，群体中每个个体均由上述两部分编码构成；
步骤5：计算每个个体的适应度值，并将群体中适应度最高的个体直接遗传给下一代，其他个体则采用轮盘赌选择法进行选择；
步骤6：利用交叉、变异的手段进化当前群体，产生新的子代群体；
步骤7：重复步骤5、6，不断进化新的群体直到满足截止条件；
步骤8：对最终代中适应度最高的个体进行解码，得到相应的隐含层节点数和网络连接权值，利用测试集样本检验神经网络的泛化能力。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910077440.XA CN110009181A (zh) | 2019-01-25 | 2019-01-25 | 配电网改造措施与失负荷量指标关联性挖掘方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910077440.XA CN110009181A (zh) | 2019-01-25 | 2019-01-25 | 配电网改造措施与失负荷量指标关联性挖掘方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110009181A true CN110009181A (zh) | 2019-07-12 |
Family
ID=67165527
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910077440.XA Pending CN110009181A (zh) | 2019-01-25 | 2019-01-25 | 配电网改造措施与失负荷量指标关联性挖掘方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110009181A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109886560A (zh) * | 2019-01-25 | 2019-06-14 | 国网福建省电力有限公司 | 配电网改造措施与电压合格率指标关联性挖掘方法及装置 |
| CN111105100A (zh) * | 2020-01-10 | 2020-05-05 | 昆明理工大学 | 一种基于神经网络的多微电网调度机制的优化方法及系统 |
| CN111415068A (zh) * | 2020-02-28 | 2020-07-14 | 国网福建省电力有限公司厦门供电公司 | 基于改造措施与失负荷量指标关联性的配电决策建模方法 |
| CN111950765A (zh) * | 2020-07-06 | 2020-11-17 | 四川大川云能科技有限公司 | 一种基于堆叠降噪自编码器的概率性暂态稳定预测方法 |
| CN118211789A (zh) * | 2024-03-19 | 2024-06-18 | 国网江苏省电力有限公司南通供电分公司 | 一种面向钢铁企业的负荷响应潜力感知方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110054815A1 (en) * | 2007-04-20 | 2011-03-03 | Jianhong Xu | Professional diagnosis method of battery performance analysis |
| CN106991531A (zh) * | 2017-03-30 | 2017-07-28 | 国家电网公司 | 基于bp神经网络的配电网项目建设效果后评价方法 |
| CN108710975A (zh) * | 2018-05-18 | 2018-10-26 | 国网江苏省电力有限公司徐州供电分公司 | 一种电动汽车负荷预测方法 |
| CN109886560A (zh) * | 2019-01-25 | 2019-06-14 | 国网福建省电力有限公司 | 配电网改造措施与电压合格率指标关联性挖掘方法及装置 |
-
2019
- 2019-01-25 CN CN201910077440.XA patent/CN110009181A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110054815A1 (en) * | 2007-04-20 | 2011-03-03 | Jianhong Xu | Professional diagnosis method of battery performance analysis |
| CN106991531A (zh) * | 2017-03-30 | 2017-07-28 | 国家电网公司 | 基于bp神经网络的配电网项目建设效果后评价方法 |
| CN108710975A (zh) * | 2018-05-18 | 2018-10-26 | 国网江苏省电力有限公司徐州供电分公司 | 一种电动汽车负荷预测方法 |
| CN109886560A (zh) * | 2019-01-25 | 2019-06-14 | 国网福建省电力有限公司 | 配电网改造措施与电压合格率指标关联性挖掘方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| BIN CHEN ET AL.: "An Investment Decision Model of Distribution Network Planning Based on Correlation Mining of Reconstruction Measures and Performance Indexes", 《2018 CHINA INTERNATIONAL CONFERENCE ON ELECTRICITY DISTRIBUTION》 * |
| BIN CHEN ET AL.: "Correlation Mining for Reconstruction Measures and Performance Indexes of Distribution Network Planning Based on BP Neural Network", 《2018 INTERNATIONAL CONFERENCE ON POWER SYSTEM TECHNOLOGY》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109886560A (zh) * | 2019-01-25 | 2019-06-14 | 国网福建省电力有限公司 | 配电网改造措施与电压合格率指标关联性挖掘方法及装置 |
| CN111105100A (zh) * | 2020-01-10 | 2020-05-05 | 昆明理工大学 | 一种基于神经网络的多微电网调度机制的优化方法及系统 |
| CN111415068A (zh) * | 2020-02-28 | 2020-07-14 | 国网福建省电力有限公司厦门供电公司 | 基于改造措施与失负荷量指标关联性的配电决策建模方法 |
| CN111950765A (zh) * | 2020-07-06 | 2020-11-17 | 四川大川云能科技有限公司 | 一种基于堆叠降噪自编码器的概率性暂态稳定预测方法 |
| CN111950765B (zh) * | 2020-07-06 | 2024-04-19 | 四川大川云能科技有限公司 | 一种基于堆叠降噪自编码器的概率性暂态稳定预测方法 |
| CN118211789A (zh) * | 2024-03-19 | 2024-06-18 | 国网江苏省电力有限公司南通供电分公司 | 一种面向钢铁企业的负荷响应潜力感知方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110009181A (zh) | 配电网改造措施与失负荷量指标关联性挖掘方法及装置 | |
| CN109886560A (zh) | 配电网改造措施与电压合格率指标关联性挖掘方法及装置 | |
| 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 | |
| CN114548509B (zh) | 一种多能源系统多类型负荷联合预测方法及系统 | |
| CN105260786B (zh) | 一种电力推进系统仿真可信度评估模型综合优化方法 | |
| CN106503802A (zh) | 一种利用遗传算法优化bp神经网络系统的方法 | |
| CN110751318A (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
| CN107133695A (zh) | 一种风电功率预测方法和系统 | |
| 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 | |
| CN109978253B (zh) | 一种基于增量学习的电力系统短期负荷预测方法 | |
| CN110837915B (zh) | 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法 | |
| CN105160423A (zh) | 一种基于马尔科夫残差修正的光伏发电预测方法 | |
| CN109858798B (zh) | 关联改造措施与电压指标的电网投资决策建模方法及装置 | |
| CN112163715A (zh) | 生成式对抗网络的训练方法及装置、电力负荷预测方法 | |
| Li et al. | An improved multiobjective estimation of distribution algorithm for environmental economic dispatch of hydrothermal power systems | |
| Zeng et al. | Short-term load forecasting of smart grid systems by combination of general regression neural network and least squares-support vector machine algorithm optimized by harmony search algorithm method | |
| Wang et al. | Vessel traffic flow forecasting based on BP neural network and residual analysis | |
| CN110674460B (zh) | 基于E-Seq2Seq技术的数据驱动型机组组合智能决策方法 | |
| CN113158134B (zh) | 非侵入式负荷辨识模型的构建方法、装置和存储介质 | |
| CN113627655B (zh) | 一种配电网灾前故障场景模拟预测方法及装置 | |
| CN116542385A (zh) | 一种针对风、光功率预测的集成学习方法及系统 | |
| Getanda et al. | Electricity consumption modeling and medium-term forecasting based on grouped grey model, GGM (1, 1) | |
| CN109858799A (zh) | 主动配电网改造措施与线路重载率关联性挖掘方法及装置 | |
| Mustafa et al. | An application of genetic algorithm and least squares support vector machine for tracing the transmission loss in deregulated power system | |
| CN117833252B (zh) | 基于数据驱动二次近似方法的最优潮流计算方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190712 |