[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN111860617A - 一种配电网综合优化运行方法 - Google Patents

一种配电网综合优化运行方法 Download PDF

Info

Publication number
CN111860617A
CN111860617A CN202010623750.XA CN202010623750A CN111860617A CN 111860617 A CN111860617 A CN 111860617A CN 202010623750 A CN202010623750 A CN 202010623750A CN 111860617 A CN111860617 A CN 111860617A
Authority
CN
China
Prior art keywords
distribution network
power distribution
support vector
vector machine
stage
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
Application number
CN202010623750.XA
Other languages
English (en)
Inventor
李振伟
王晶
丁斌
赵天翊
马涛
李志雷
邢志坤
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.)
Xiongan New Area Power Supply Company State Grid Hebei Electric Power Co
State Grid Corp of China SGCC
State Grid Hebei Electric Power Co Ltd
Original Assignee
Xiongan New Area Power Supply Company State Grid Hebei Electric Power Co
State Grid Corp of China SGCC
State Grid Hebei 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 Xiongan New Area Power Supply Company State Grid Hebei Electric Power Co, State Grid Corp of China SGCC, State Grid Hebei Electric Power Co Ltd filed Critical Xiongan New Area Power Supply Company State Grid Hebei Electric Power Co
Priority to CN202010623750.XA priority Critical patent/CN111860617A/zh
Publication of CN111860617A publication Critical patent/CN111860617A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
    • 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
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Optimization (AREA)
  • Software Systems (AREA)
  • Mathematical Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Computational Mathematics (AREA)
  • Water Supply & Treatment (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Fuzzy Systems (AREA)
  • Algebra (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种配电网综合优化运行方法，通过构造高维随机矩阵，从配电网运行数据中提取系统特征作为模型的输入，将开关状态作为输出，训练阶段1支持向量机，辨识当前配电网的拓扑结构；将提取的系统特征与开关状态共同作为输入，将无功控制策略作为输出，训练阶段2支持向量机，学习输入和输出之间的非线性映射关系，建立基于两阶段支持向量机组合决策的配电网综合优化模型。本发明方法不依赖于配电网的模型和参数，在线决策速度快，适应性强，可有效应对配电网模型及参数的不准确和DG大规模并网所带来的不确定性，为复杂配电网的优化运行提供了一条新的途径。

Description

一种配电网综合优化运行方法
技术领域
本发明涉及一种配电网综合优化运行方法，属于电网运行技术领域。
背景技术
配电网重构和配电网无功优化是配电网优化运行的重要技术手段，配电网重构是通过改变网络开关的闭合来获得最佳优化目标值下的网络拓扑结构,在保证较高的电压水平的前提下达到有功损耗最小的目标。
配电网无功优化是指在给定的配电网结构参数及负荷情况下,在满足所有约束条件的前提下,通过调节电源无功出力、变压器变比和无功补偿大小等手段使配电网某性能指标达到最优，配电网重构和配电网无功优化均为提高配电网运行水平的重要措施，但单一措施无法实现配电网最大程度的优化,所以需将两者进行综合考虑。
随着大规模分布式电源和电动汽车随机负荷等的接入，其供用电间歇性和随机性给配电网带来很大不确定性，极大增加了无功优化和配电网重构的难度。现有研究在一定程度上提高了计算效率及收敛性，但仍未摆脱传统方法模型简化、迭代寻优的局限性。
配电网重构为非线性组合优化问题,配电网无功优化为非线性整数规划问题,将两者进行综合优化会导致其求解更加困难复杂,传统数学方法存在着计算时间长、收敛困难和精度不足等缺点,因此相关学者将启发式方法和人工智能方法应用于配电网综合优化。
配电网综合优化是一个复杂的非线性问题，支持向量机技术能从历史数据中挖掘隐藏的有效信息，直接分析输入与输出之间的非线性关系，因此为了保证配电网的供电质量和稳定运行，需要寻找一种配电网综合优化运行方法。
发明内容
本发明所要解决的技术问题是提供一种配电网综合优化运行方法，该方法具有不依赖于模型结构、快速且普适性强的特点。
为解决上述问题，本发明所采取的技术方案是：
一种配电网综合优化运行方法，包括以下步骤：
步骤S1，通过构造高维随机矩阵，从配电网运行数据中提取系统特征作为模型的输入，将开关状态作为输出，训练阶段1支持向量机，辨识当前配电网的拓扑结构；
步骤S2，将提取的系统特征与开关状态共同作为输入，将无功控制策略作为输出，训练阶段2支持向量机，学习输入和输出之间的非线性映射关系，建立基于两阶段支持向量机组合决策的配电网综合优化模型。
作为本发明的进一步改进，所述系统特征包括负荷数据、光伏发电、风机发电、电动汽车充电数据以及当地实时环境数据的场景特征；
所述当地实时环境数据包括温度、风速和光照强度。
作为本发明的进一步改进，从配电网历史数据库中，按时间序列采样，获得7类所述场景特征的原始数据，分别构造N×M维随机矩阵，N为状态变量的个数，M为时间序列长度；由于 DG、电动汽车随机负荷和环境因素等在某一采样时刻的状态变量数较少，采用扩展矩阵的方法分别构建高维随机矩阵。
作为本发明的进一步改进，依据单环定理计算出每小时7类原始数据构造的随机矩阵的平均谱半径、二阶中心距、最大谱半径、最小谱半径、圆环外/圆环上/圆环内的特征根分布比例以及矩阵模、方差共9个统计特征，再加上总负荷，每小时构建共64个特征变量，作为支持向量机输入的样本特征集，该样本特征集表征配电网的运行状态。
作为本发明的进一步改进，两阶段支持向量机组合决策构建过程如下：
将提取的系统特征和对应的开关状态作为训练样本，训练所述阶段1支持向量机，辨识当前配电网的拓扑结构；
将系统特征和对应的开关状态共同作为输入，将对应的无功控制策略作为输出，训练所述阶段2支持向量机，学习系统特征、拓扑结构与无功优化控制策略之间的映射关系。
作为本发明的进一步改进，基于两阶段支持向量机组合决策的配电网综合优化方法的流程分为离线训练和在线运用两部分；
离线训练时，首先从历史数据中提取系统特征和对应的开关状态作为训练样本，离线训练所述阶段1支持向量机；然后将系统特征和对应的开关状态共同作为输入，将对应的无功控制策略作为输出，离线训练所述阶段2支持向量机；
在线运用时，从量测数据中提取统计特征，输入到所述阶段1支持向量机的模型中，给出当前时刻的开关状态组合；然后将统计特征和预测出的开关状态共同输入到训练好的所述阶段2支持向量机的模型中，即给出当前的无功控制策略。
作为本发明的进一步改进，基于两阶段支持向量机组合决策的配电网综合优化模型的离线建模步骤如下：
步骤Q1，样本数据集的采样和预处理；
步骤Q2，两阶段支持向量机组合决策模型参数的选取；
步骤Q3，评估模型性能。
作为本发明的进一步改进，所述样本数据集的采样和预处理的过程如下：从配电网历史数据库中获取原始数据，通过高维随机矩阵构建输入特征数据集，同时获取对应时刻的无功控制策略和开关状态，构成输出策略数据集，共同组成样本数据集；采用线性映射的方法将输入数据映射到［0,1］范围内，如式1所示：
Figure 365159DEST_PATH_IMAGE001
式中，
Figure 100002_DEST_PATH_IMAGE002
、
Figure 17769DEST_PATH_IMAGE003
分别为第i个特征量归一化前后的数值；
Figure 100002_DEST_PATH_IMAGE004
、
Figure 543429DEST_PATH_IMAGE005
分别是该特征量在样本数据集中的最大值和最小值。
作为本发明的进一步改进，所述两阶段支持向量机组合决策模型参数的选取的过程如下：选择径向基核函数，采用交叉验证方法来寻找最佳参数c和g，利用得到的最佳参数对模型进行训练和回归预测。
作为本发明的进一步改进，所述评估模型性能的过程如下：将基于两阶段支持向量机组合决策模型产生的控制策略应用于测试集中，测试能否达到降低系统有功功率损耗和减小节点电压偏移的控制效果；
选择降损率
Figure 100002_DEST_PATH_IMAGE006
和电压偏差
Figure 169713DEST_PATH_IMAGE007
来衡量无功优化效果，
Figure 198849DEST_PATH_IMAGE006
越大，
Figure 236075DEST_PATH_IMAGE007
越小，表明优化效果越好，定义式为：
Figure 100002_DEST_PATH_IMAGE008
式中，
Figure 983451DEST_PATH_IMAGE009
为系统优化前的线路损耗；、
Figure 100002_DEST_PATH_IMAGE010
为系统优化后的线路损耗；
Figure 177541DEST_PATH_IMAGE011
为第 i 个节点的实际电压值；
Figure 100002_DEST_PATH_IMAGE012
为该节点的额定电压值；n为系统节点总数。
采用上述技术方案所产生的有益效果在于：
本发明同时考虑配电网无功优化和重构问题，从数据驱动的角度实现配电网的优化运行，具有以下特点：
1）运用随机矩阵对配电网运行中产生的大量电气状态量和非电气环境数据进行统计建模和特征提取，能够有效反映配电网运行的时空特性。
2）本发明所建立的基于两阶段支持向量机组合决策的配电网综合优化模型，直接挖掘系统特征与控制策略之间非线性映射关系，实现了无功优化控制与配电网重构间的协调控制，显著提升了配电网的优化效果。
3）本发明方法不依赖于配电网的模型和参数，在线决策速度快，适应性强，可有效应对配电网模型及参数的不准确和DG大规模并网所带来的不确定性，为复杂配电网的优化运行提供了一条新的途径。
附图说明
为了更清楚地说明本发明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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明两阶段支持向量机组合决策的示意图；
图2是本发明配电网综合优化方法的流程示意图；
图3是本发明改进的IEEE-37节点拓扑图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本申请及其应用或使用的任何限制。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。
因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
在本申请的描述中，需要理解的是，方位词如“前、后、上、下、左、右”、“横向、竖向、垂直、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，在未作相反说明的情况下，这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作，因此不能理解为对本申请保护范围的限制；方位词“内、外”是指相对于各部件本身的轮廓的内外。
传统配电网中影响无功优化和重构结果的主要不确定因素是负荷，当 DG 并网和电动汽车等随机负荷接入后，由于其供用电随机性，而且受到各种天气因素的影响，使配电网中的不确定因素进一步增多，配电网的运行数据在周期性变化的同时，也呈现出随机分布特性。
本发明提供一种配电网综合优化运行方法，包括以下步骤：
步骤S1，通过构造高维随机矩阵，从配电网运行数据中提取系统特征作为模型的输入，将开关状态作为输出，训练阶段1支持向量机，辨识当前配电网的拓扑结构；
步骤S2，将提取的系统特征与开关状态共同作为输入，将无功控制策略作为输出，训练阶段2支持向量机，学习输入和输出之间的非线性映射关系，建立基于两阶段支持向量机组合决策的配电网综合优化模型。
进一步的，所述系统特征包括负荷数据、光伏发电、风机发电、电动汽车充电数据以及当地实时环境数据的场景特征；
所述当地实时环境数据包括温度、风速和光照强度。
进一步的，从配电网历史数据库中，按时间序列采样，获得7类所述场景特征的原始数据，分别构造N×M维随机矩阵，N为状态变量的个数，M为时间序列长度；由于 DG、电动汽车随机负荷和环境因素等在某一采样时刻的状态变量数较少，采用扩展矩阵的方法分别构建高维随机矩阵。
进一步的，依据单环定理计算出每小时7类原始数据构造的随机矩阵的平均谱半径、二阶中心距、最大谱半径、最小谱半径、圆环外/圆环上/圆环内的特征根分布比例以及矩阵模、方差共9个统计特征，再加上总负荷，每小时构建共64个特征变量，作为支持向量机输入的样本特征集，该样本特征集表征配电网的运行状态。
如图1所示，两阶段支持向量机组合决策构建过程如下：
将提取的系统特征和对应的开关状态作为训练样本，训练所述阶段1支持向量机，辨识当前配电网的拓扑结构；
将系统特征和对应的开关状态共同作为输入，将对应的无功控制策略作为输出，训练所述阶段2支持向量机，学习系统特征、拓扑结构与无功优化控制策略之间的映射关系。
如图2所示，基于两阶段支持向量机组合决策的配电网综合优化方法的流程分为离线训练和在线运用两部分；
离线训练时，首先从历史数据中提取系统特征和对应的开关状态作为训练样本，离线训练所述阶段1支持向量机；然后将系统特征和对应的开关状态共同作为输入，将对应的无功控制策略作为输出，离线训练所述阶段2支持向量机；
在线运用时，从量测数据中提取统计特征，输入到所述阶段1支持向量机的模型中，给出当前时刻的开关状态组合；然后将统计特征和预测出的开关状态共同输入到训练好的所述阶段2支持向量机的模型中，即给出当前的无功控制策略。
进一步的，基于两阶段支持向量机组合决策的配电网综合优化模型的离线建模步骤如下：
步骤Q1，样本数据集的采样和预处理；
步骤Q2，两阶段支持向量机组合决策模型参数的选取；
步骤Q3，评估模型性能。
进一步的，所述样本数据集的采样和预处理的过程如下：从配电网历史数据库中获取原始数据，通过高维随机矩阵构建输入特征数据集，同时获取对应时刻的无功控制策略和开关状态，构成输出策略数据集，共同组成样本数据集；采用线性映射的方法将输入数据映射到［0,1］范围内，如式1所示：
Figure 61184DEST_PATH_IMAGE001
式中，
Figure 534890DEST_PATH_IMAGE002
、
Figure 254716DEST_PATH_IMAGE003
分别为第i个特征量归一化前后的数值；
Figure 940912DEST_PATH_IMAGE004
、
Figure 944640DEST_PATH_IMAGE005
分别是该特征量在样本数据集中的最大值和最小值。
进一步的，所述两阶段支持向量机组合决策模型参数的选取的过程如下：选择径向基核函数，采用交叉验证方法来寻找最佳参数c和g，利用得到的最佳参数对模型进行训练和回归预测。
进一步的，所述评估模型性能的过程如下：将基于两阶段支持向量机组合决策模型产生的控制策略应用于测试集中，测试能否达到降低系统有功功率损耗和减小节点电压偏移的控制效果；
选择降损率
Figure 323669DEST_PATH_IMAGE006
和电压偏差
Figure 780058DEST_PATH_IMAGE007
来衡量无功优化效果，
Figure 269945DEST_PATH_IMAGE006
越大，
Figure 111868DEST_PATH_IMAGE007
越小，表明优化效果越好，定义式为：
Figure 661798DEST_PATH_IMAGE008
式中，
Figure 605483DEST_PATH_IMAGE009
为系统优化前的线路损耗；、
Figure 899061DEST_PATH_IMAGE010
为系统优化后的线路损耗；
Figure 611803DEST_PATH_IMAGE011
为第 i 个节点的实际电压值；
Figure 817787DEST_PATH_IMAGE012
为该节点的额定电压值；n为系统节点总数。
为了验证该方法的正确性和有效性，本实施例对经典IEEE-37节点系统进行了改进，增加了光伏发电、风机发电等分布式电源DG和电动汽车充电站等随机负荷，并接入调压器、电容器组、静止无功补偿器等无功优化设备，构成了一个主动配电网。该系统共有37个节点，41条支路，S1至S5为5个联络开关，假设每条支路都设有一个分段开关，改进的IEEE-37节点拓扑如图3所示。
为了模拟传统无功优化控制下的配电网历史数据和控制策略，利用 OpenDSS 和Matlab 进行仿真生成。首先，结合某配电网一年（8 760h）的历史负荷数据和环境数据在OpenDSS 中进行系统仿真，来模拟现场采集到的负荷、分布式电源出力、电动汽车充电等相关数据。
然后，构造高维随机矩阵提取输入特征，以一个小时为一个样本，构成了8760个历史样本的输入向量。按照该地区配电网每小时的负荷情况，以系统有功网损最小和节点电压偏移最小为目标函数，采用粒子群算法得到每小时的无功控制策略和开关状态，构成8760个历史样本的对应策略。粒子群算法的部分参数设置如下：种群规模数为30，最大迭代次数为50，惯性因子取值范围0.4≤w≤0.9，学习因子取值为c1=c2=2。其中，研究配电网重构时，采用基于环路的十进制编码方式，控制变量为各环路中被选为断开的开关编号；研究无功优化问题时，以变压器分接头档位、电容器组1、电容器组2和SVC为控制变量。
最后，将输入特征、输出策略整理为一个样本数据库，形成包含8760个有效历史样本的样本数据集，其中前75%的样本作为训练集，后25%的样本作为测试集。
采用交叉验证法对不同阶段模型支持向量机的核心参数c和g进行优化选取。阶段1，经交叉验证法选择的支持向量机最佳参数为c=0.015625、g=0.125；同理，阶段2中的支持向量机最佳参数为c=2、g=0.5。对本方法所建的综合优化决策模型进行性能评估，测试集的评价指标结果见表1。
Figure 248768DEST_PATH_IMAGE013
从表 1 中可以看出，采用本方法能明显降低系统损耗和减小节点电压偏移，线损比未优化时平均降低 31.44%，电压偏差平均降低 5.96%，极大改善了配电网的运行性能，验证了所建模型的正确性。
本发明提出了一种考虑重构的基于随机矩阵和支持向量机的两阶段配电网综合优化方法，同时考虑配电网无功优化和重构问题，从数据驱动的角度实现配电网的优化运行。通过理论分析与算例验证，得到主要结论如下：
1）运用随机矩阵对配电网运行中产生的大量电气状态量和非电气环境数据进行统计建模和特征提取，能够有效反映配电网运行的时空特性。
2）本发明所建立的基于两阶段 支持向量机 组合决策的配电网综合优化模型，直接挖掘系统特征与控制策略之间非线性映射关系，实现了无功优化控制与配电网重构间的协调控制，
显著提升了配电网的优化效果。
3）本发明方法不依赖于配电网的模型和参数，在线决策速度快，适应性强，可有效应对配电网模型及参数的不准确和DG大规模并网所带来的不确定性，为复杂配电网的优化运行提供了一条新的途径。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；作为本领域技术人员对本发明的多个技术方案进行组合是显而易见的。而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。

Claims (10)

1.一种配电网综合优化运行方法，其特征在于，包括以下步骤：
步骤S1，通过构造高维随机矩阵，从配电网运行数据中提取系统特征作为模型的输入，将开关状态作为输出，训练阶段1支持向量机，辨识当前配电网的拓扑结构；
步骤S2，将提取的系统特征与开关状态共同作为输入，将无功控制策略作为输出，训练阶段2支持向量机，学习输入和输出之间的非线性映射关系，建立基于两阶段支持向量机组合决策的配电网综合优化模型。
2.根据权利1所述的一种配电网综合优化运行方法，其特征在于，所述系统特征包括负荷数据、光伏发电、风机发电、电动汽车充电数据以及当地实时环境数据的场景特征；
所述当地实时环境数据包括温度、风速和光照强度。
3.根据权利2所述的一种配电网综合优化运行方法，其特征在于，从配电网历史数据库中，按时间序列采样，获得7类所述场景特征的原始数据，分别构造N×M维随机矩阵，N为状态变量的个数，M为时间序列长度；由于 DG、电动汽车随机负荷和环境因素在某一采样时刻的状态变量数较少，采用扩展矩阵的方法分别构建高维随机矩阵。
4.根据权利3所述的一种配电网综合优化运行方法，其特征在于，依据单环定理计算出每小时7类原始数据构造的随机矩阵的平均谱半径、二阶中心距、最大谱半径、最小谱半径、圆环外/圆环上/圆环内的特征根分布比例以及矩阵模、方差共9个统计特征，再加上总负荷，每小时构建共64个特征变量，作为支持向量机输入的样本特征集，该样本特征集表征配电网的运行状态。
5.根据权利4所述的一种配电网综合优化运行方法，其特征在于，两阶段支持向量机组合决策构建过程如下：
将提取的系统特征和对应的开关状态作为训练样本，训练所述阶段1支持向量机，辨识当前配电网的拓扑结构；
将系统特征和对应的开关状态共同作为输入，将对应的无功控制策略作为输出，训练所述阶段2支持向量机，学习系统特征、拓扑结构与无功优化控制策略之间的映射关系。
6.根据权利5所述的一种配电网综合优化运行方法，其特征在于，基于两阶段支持向量机组合决策的配电网综合优化方法的流程分为离线训练和在线运用两部分；
离线训练时，首先从历史数据中提取系统特征和对应的开关状态作为训练样本，离线训练所述阶段1支持向量机；然后将系统特征和对应的开关状态共同作为输入，将对应的无功控制策略作为输出，离线训练所述阶段2支持向量机；
在线运用时，从量测数据中提取统计特征，输入到所述阶段1支持向量机的模型中，给出当前时刻的开关状态组合；然后将统计特征和预测出的开关状态共同输入到训练好的所述阶段2支持向量机的模型中，即给出当前的无功控制策略。
7.根据权利6所述的一种配电网综合优化运行方法，其特征在于，基于两阶段支持向量机组合决策的配电网综合优化模型的离线建模步骤如下：
步骤Q1，样本数据集的采样和预处理；
步骤Q2，两阶段支持向量机组合决策模型参数的选取；
步骤Q3，评估模型性能。
8.根据权利7所述的一种配电网综合优化运行方法，其特征在于，所述样本数据集的采样和预处理的过程如下：从配电网历史数据库中获取原始数据，通过高维随机矩阵构建输入特征数据集，同时获取对应时刻的无功控制策略和开关状态，构成输出策略数据集，共同组成样本数据集；采用线性映射的方法将输入数据映射到［0，1］范围内，如式1所示：
Figure 593502DEST_PATH_IMAGE001
式中，
Figure DEST_PATH_IMAGE002
、
Figure 900856DEST_PATH_IMAGE003
分别为第i个特征量归一化前、后的数值；
Figure DEST_PATH_IMAGE004
、
Figure 415014DEST_PATH_IMAGE005
分别是该特征量在样本数据集中的最大值和最小值。
9.根据权利7所述的一种配电网综合优化运行方法，其特征在于，所述两阶段支持向量机组合决策模型参数的选取的过程如下：选择径向基核函数，采用交叉验证方法来寻找最佳参数c和g，利用得到的最佳参数对模型进行训练和回归预测。
10.根据权利7所述的一种配电网综合优化运行方法，其特征在于，所述评估模型性能的过程如下：将基于两阶段 支持向量机 组合决策模型产生的控制策略应用于测试集中，测试能否达到降低系统有功功率损耗和减小节点电压偏移的控制效果；
选择降损率
Figure DEST_PATH_IMAGE006
和电压偏差
Figure 872540DEST_PATH_IMAGE007
来衡量无功优化效果，
Figure 280387DEST_PATH_IMAGE006
越大，
Figure 571691DEST_PATH_IMAGE007
越小，表明优化效果越好，定义式为：
Figure DEST_PATH_IMAGE008
式中，
Figure 635462DEST_PATH_IMAGE009
为系统优化前的线路损耗；、
Figure DEST_PATH_IMAGE010
为系统优化后的线路损耗；
Figure 896679DEST_PATH_IMAGE011
为第 i 个节点的实际电压值；
Figure DEST_PATH_IMAGE012
为该节点的额定电压值；n为系统节点总数。
CN202010623750.XA 2020-07-01 2020-07-01 一种配电网综合优化运行方法 Pending CN111860617A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010623750.XA CN111860617A (zh) 2020-07-01 2020-07-01 一种配电网综合优化运行方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010623750.XA CN111860617A (zh) 2020-07-01 2020-07-01 一种配电网综合优化运行方法

Publications (1)

Publication Number Publication Date
CN111860617A true CN111860617A (zh) 2020-10-30

Family

ID=72988947

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010623750.XA Pending CN111860617A (zh) 2020-07-01 2020-07-01 一种配电网综合优化运行方法

Country Status (1)

Country Link
CN (1) CN111860617A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112487991A (zh) * 2020-12-02 2021-03-12 国网湖南综合能源服务有限公司 一种基于特征自学习的高精度负荷辨识方法及系统
CN114298429A (zh) * 2021-12-30 2022-04-08 国网北京市电力公司 一种配电网动案辅助决策方法、系统、装置和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107134790A (zh) * 2016-02-26 2017-09-05 中国电力科学研究院 一种基于大数据的配电网无功优化控制序列确定方法
CN109214708A (zh) * 2018-10-08 2019-01-15 国网甘肃省电力公司电力科学研究院 基于交叉熵理论优化支持向量机的电力系统风险评估方法
CN109546659A (zh) * 2018-10-19 2019-03-29 北京交通大学 基于随机矩阵和智能场景匹配的配电网无功优化方法
CN109598386A (zh) * 2018-12-12 2019-04-09 国网山东省电力公司临沂供电公司 一种基于深度学习的配网优化精准分析方法及系统
CN110336298A (zh) * 2019-08-17 2019-10-15 广东博慎智库能源科技发展有限公司 一种基于混合智能算法的含分布式电源配网无功规划方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107134790A (zh) * 2016-02-26 2017-09-05 中国电力科学研究院 一种基于大数据的配电网无功优化控制序列确定方法
CN109214708A (zh) * 2018-10-08 2019-01-15 国网甘肃省电力公司电力科学研究院 基于交叉熵理论优化支持向量机的电力系统风险评估方法
CN109546659A (zh) * 2018-10-19 2019-03-29 北京交通大学 基于随机矩阵和智能场景匹配的配电网无功优化方法
CN109598386A (zh) * 2018-12-12 2019-04-09 国网山东省电力公司临沂供电公司 一种基于深度学习的配网优化精准分析方法及系统
CN110336298A (zh) * 2019-08-17 2019-10-15 广东博慎智库能源科技发展有限公司 一种基于混合智能算法的含分布式电源配网无功规划方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
安然 等: "基于随机矩阵和支持向量机的两阶段配电网综合优化", 《供用电》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112487991A (zh) * 2020-12-02 2021-03-12 国网湖南综合能源服务有限公司 一种基于特征自学习的高精度负荷辨识方法及系统
CN112487991B (zh) * 2020-12-02 2022-12-16 国网湖南综合能源服务有限公司 一种基于特征自学习的高精度负荷辨识方法及系统
CN114298429A (zh) * 2021-12-30 2022-04-08 国网北京市电力公司 一种配电网动案辅助决策方法、系统、装置和存储介质

Similar Documents

Publication Publication Date Title
CN104037776B (zh) 随机惯性因子粒子群优化算法的电网无功容量配置方法
CN106655207A (zh) 基于多数据分析的配电网无功优化系统及方法
Galvani et al. A multi-objective probabilistic approach for smart voltage control in wind-energy integrated networks considering correlated parameters
CN107800140A (zh) 一种考虑负荷特征的大用户供电接入决策方法
Wang et al. Automatic adjustment method of power flow calculation convergence for large-scale power grid based on knowledge experience and deep reinforcement learning
CN112994017A (zh) 基于配电网概率潮流计算的分布式光伏电源选址优化方法
CN113872213A (zh) 一种配电网电压自主优化控制方法及装置
CN109242136A (zh) 一种微电网风电功率混沌遗传-bp神经网络预测方法
Abass et al. Methods comparison for optimal capacitor placement in distribution system
CN111860617A (zh) 一种配电网综合优化运行方法
CN113437756A (zh) 考虑配电网静态电压稳定性的微电网优化配置方法
Ni et al. A review of line loss analysis of the low-voltage distribution system
CN105529703A (zh) 一种基于供电能力瓶颈分析的城市电网改造规划方法
CN112446175B (zh) 基于配电网概率潮流计算的分布式电源选址优化方法
Wang et al. Analysis of network loss energy measurement based on machine learning
CN108694475A (zh) 基于混合模型的短时间尺度光伏电池发电量预测方法
CN117293906A (zh) 一种基于重心理论的配电网分布式光伏承载力快速评估方法与系统
CN114169117A (zh) 一种基于改进粒子群算法的输电网扩展规划方法
CN113591224A (zh) 一种城市电网连锁故障风险评估方法及系统
Liu et al. Gridding Method of Active Distribution Network Considering Distributed Generation and Electric Vehicle
CN106684854A (zh) 一种基于节点等效的有源配电网电压越限风险分析方法
Zhang et al. Prediction of Distribution Network Operation Trend Based on the Secondary Modal Decomposition and LSTM-MFO Algorithm
Chen et al. Research on real-time carbon emission factor prediction method for load nodes of power system based on gated recurrent cell network
Bai et al. Correlation analysis and prediction of power network loss based on mutual information and artificial neural network
Yi et al. Dynamic Evaluation of Distribution Network Reliability Based on Improved DNN with Large-scale Distributed Generations Access

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: 20201030