计及负荷与分布式电源时变性特征的配电网重构方法

本发明涉及配电网重构，具体涉及一种计及负荷与分布式电源时变性特征的配电网重构方法。

背景技术：

1、近年来，国家提倡大力发展新能源。所谓新能源，是指太阳能、风能等可再生能源及核能，与传统能源相比，新能源污染小、储量大。在新能源中，光伏发电和风力发电的发展最为迅速。根据国家能源局的消息，截至2021年底，我国风力发电、光伏发电并网装机容量均超过3亿kw，并且该数值在未来将持续上升，预计在2030年和2050年，中国的风力发电、光伏发电总的装机容量将分别达到2.2tw和5.l tw，为全球清洁能源产品的快速扩展和应用提供了支持。由于集中式发电对占地面积有很高的要求，分布式电源便成为了如今发展的主要方面，越来越多的分布式电源接入配电网，它们被分配到不同的消费者或消费点附近，以提高网络性能。

2、目前，国内外学者对计及负荷和分布式电源的配电网重构策略进行了大量研究：现有文献研究了风力发电接入配电网的优化调度问题，以全网有功功率损耗最小为优化目标，利用改进后的二进制粒子群算法求解，但是该模型没有考虑多目标优化问题。现有文献还提出以有功功率损耗最小和静态电压稳定性为优化目标，采用粒子群算法与logistic混沌遍历技术结合的模型，虽然考虑了多目标优化，但是对于多目标的处理只是简单的加权，无法做到多目标的无歧视优化，并且没有考虑配电网的动态重构。还有文献提出包括静态重构和动态重构两个部分，静态重构以系统运行成本最低和电压偏移最小为目标，动态重构以经济效益和电压质量为目标，但是没有考虑负荷对配电网重构的影响。对此，现有文献还提出了随机森林模型与长短期记忆神经网络的混合模型，先对分布式电源出力和负荷进行预测，然后利用经pareto最优理论改进后的粒子群算法，完成对有功功率损耗、电压偏移以及经济效益多个目标的动态、无歧视优化。针对粒子群算法容易陷入局部最优的问题，现有文献提出使用骨干粒子群算法，更新粒子位置的方式为高斯分布，使重构能以更快的速度、更优的效果完成。

技术实现思路

1、针对配电网已经存在的各种单目标、多目标的重构策略已然不能满足如今配电网的需求，本发明提出了一种计及负荷与分布式电源时变性特征的配电网重构方法。本发明首先提出了用长短期记忆神经网络模型对分布式电源出力以及负荷进行预测，针对上述模型存在的均方根误差较大的问题，引入卷积神经网络在进行预测前首先对输入的数据进行特征的提取，经过数据对比，可以发现改进后的模型在很大程度上降低了均方根误差，模型适用性提高。

2、为了实现上述目的，本发明提供了一种计及负荷与分布式电源时变性特征的配电网重构方法，该方法包括：

3、(1)数据采集与分析：对配电网中的负荷数据和分布式电源数据进行采集，并进行详尽的分析，包括负荷变化规律、分布式电源输出特性；

4、(2)负荷预测：基于历史数据和机器学习算法，对负荷进行预测，包括负荷的瞬时变化和长期趋势，以提高预测准确性；

5、(3)分布式电源响应建模：对分布式电源的响应特性进行建模，包括不同类型分布式电源的响应时间、输出功率调节能力；

6、(4)配电网拓扑优化：结合负荷预测和分布式电源响应模型，通过优化配电网的拓扑结构，调整网架参数和线路配置，以提高系统的稳定性和效率；

7、(5)在线调度与控制：设计在线调度和控制策略，根据实时负荷和分布式电源的状态，动态调整系统运行参数，实现配电网的智能化管理。

8、优选地，该方法还包括：根据给定的网络参数以及发电机和负荷的数据，计算各个节点的电压和各个支路的功率及损耗，计算的公式为：

9、

10、优选地，该方法还包括：改变配电网的网络拓扑结构，以降低配电网络的有功功率损耗、改善供电电压质量，提高配电网络的经济性和可靠性。

11、优选地，配电网重构的方法包括数学优化算法、启发式搜索算法、人工智能算法以及各种混合算法，其中，所述数学优化算法包括线性或非线性的规划方法，所述启发式搜索算法包括最优流模式法和支路交换算法。

12、优选地，该方法还包括：构建卷积长短期记忆神经网络预测模型，长短期记忆神经网络包括遗忘门、输入门和输出门，

13、所述遗忘门的函数公式为：

14、ft＝σ(wf*[ht-1，xt]+bf)

15、其中，ft是sigmoid神经层的输出，σ是sigmoid函数的表示，wf是遗忘门对应的系数，[ht-1，xt]是指把两个不同的向量放在一起，整合成一个向量，bf是偏置项；

16、所述输入门是先用tanh函数层提取当前输入的有效信息，再用sigmoid函数对提取出的有效信息进行筛选，做出[0，1]范围上的评级，评级越高的信息到最后会有越多的记忆进入单元状态，单元状态的更新公式为：

17、

18、所述输出门是先利用sigmoid函数对当前输入与上一时刻的输出整合后的向量提取信息，然后将当前的单元状态通过tanh函数压缩映射到区间(-1,1)中，再将经过tanh函数处理后的单元状态与sigmoid函数处理后的整合后的向量点对点乘起来就可以得到当前时刻的输出，用公式表示为，

19、

20、优选地，卷积神经网络包括卷积层、池化层和全连接层，其中，

21、多个卷积单元组成一个卷积层，每个卷积单元的参数都由反向传播算法最佳化得到的，卷积层的主要功能是提取输入量的不同特征，刚开始的卷积层可能只能提取一些低级别的特征，但是通过卷积层的不断迭代，可从低级别的特征中提取出高级别的、复杂的特征；

22、全连接层是指将矩阵展开成一维向量，把前面提取到的特征整合到一处，为分类器提供输入，为了提升cnn的网络性能，全连接层中的神经元常用relu非线性函数作为激活函数，用来保留特征比较好的值，该值大于零。

23、优选地，所述卷积长短期记忆神经网络预测模型具有12层模型结构，其中，input为输入层，输入数据；fold为折叠层，是把同一个向量的不同维度之间进行加法操作，此处设置输入向量的维度为6；conv表示convolution为卷积层，提取出输入数据的不同特征；pool为池化层，此处采用最大池化，实质就是降维压缩，加快算法运行进度，有效防止过拟合；bn表示batch normalization为批归一化，对每层的输入数据加入一个标准化处理过程；relu为非线性混合层，是一个激活函数，保留特征比较好的数据；unfold为打开层，与折叠层作用正好相反，是将数据重新展开成拥有不同维度的向量；flatten为压平层，将数据压缩成一个长度为h×w×c的一维数组；lstm1和lstm2是两个长短期记忆神经网络，对输入数据进行序列预测；fc表示fully connected为全连接层，把提取出的各类特征再整合到一起；regress为回归层，所谓回归，是指把数据回到模型中，也就是将自变量与因变量之间的关系进行分析，预测序列的目标值。

24、按照上述技术技术方案，在配电网重构方面，本发明首先利用粒子群算法对配电网进行以有功功率损耗最小为目标的单目标配电网静态重构，以ieee33节点系统为例验证此模型合理有效。接下来，考虑到粒子群算法容易陷入局部最优的问题，引入遗传算法中的交叉、变异、选择对其改进，同时考虑到分布式电源以及负荷的时变性，单目标静态重构已经无法满足要求。为此，本发明以有功功率损耗最小和全网运行费用最小为目标，以小时为重构时段，对配电网进行了动态重构。仍然使用ieee33节点系统对该模型进行验证，由重构结果可知，该模型合理有效。