台区电压自适应的预测及治理方法

本发明属于配电网，涉及一种台区电压自适应的预测及治理方法。

背景技术：

1、近年来，由于分布式电源、多元负荷、储能技术的快速发展，以及居民负荷的稳步增长，导致配电网电压问题日益突出。同时，电压问题是一个复杂的动态问题，对于不同的季节、时期和台区，电压可能出现高压越限和低压越限等不同类型的问题，传统的电压治理方法严重依赖运行经验，可能导致台区电压治理方案精确性不够，因此，有必要对台区电压质量进行精准预测，然而目前国内外学者对台区电压的预测存在以下缺点：一是通常选择确定性的变量作为模型输入，没有考虑到台区电压对各变量的敏感性从而缺乏自适应性；二是往往仅从单个台区出发而没有考虑整个配电网其他台区及母线数据对待测台区电压的影响，在台区运行数据仅有电压和功率时容易因数据缺乏而造成预测结果不准确。

2、另一方面，常规的台区电压治理方式单一，不能根据电压预测结果选择合适的治理策略对台区电压进行治理，可能导致台区电压治理方案精确性不够，从而造成过度投资、并且无法确保电压问题得到切实解决等问题，因此，亟需一种台区电压自适应的预测及治理方法解决上述问题。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种台区电压自适应的预测及治理方法，首先获取配电网台区数据，然后对各变量与电压质量的灵敏度绝对值进行计算并排序，再根据绝对值排序结果选取前k个变量对台区电压进行自适应预测，最后判断预测电压值是否越限，并对发生电压越限的台区实施“点面结合”的治理策略。

2、为达到上述目的，本发明提供如下技术方案：

3、台区电压自适应的预测及治理方法，该方法包括以下步骤：

4、s1：获取待测台区数据、待测台区所接10kv母线数据、与待测台区接入同一条10kv母线的其他台区数据，以及与待测台区历史电压所对应时段的历史天气数据；

5、s2：分别计算待测台区电压对待测台区有功功率、待测台区无功功率、10kv母线电压、其他台区有功功率、其他台区无功功率、温度、湿度的灵敏度；

6、s3：将灵敏度绝对值进行降序排序，选取绝对值最大的前k个变量作为输入，台区电压作为输出，对pso-bp神经网络模型进行自适应训练，并利用已训练好的pso-bp神经网络模型预测台区在未来某一时刻的电压值；

7、s4：预测配电网中所有台区的电压，判断台区电压是否发生越限，若越限，则对台区电压实施“点面结合”的治理策略。

8、进一步，所述待测台区数据包括电压、有功功率和无功功率；

9、所述待测台区所接10kv母线数据包括电压；

10、所述与待测台区接入同一条10kv母线的其他台区数据包括电压、有功功率和无功功率；

11、所述与待测台区历史电压所对应时段的历史天气数据包括温度和湿度。

12、进一步，所述s2具体包括：

13、s21：计算待测台区电压偏差：

14、

15、其中，ut为待测台区在t时刻的实测电压，un为待测台区的额定电压，即220v，δut为待测台区在t时刻的电压偏差；

16、s22：数据归一化：

17、

18、其中，x'是归一化后的数据，xmax是归一化前变量的最大值，xmin是归一化前变量的最小值，x是归一化前变量的原始数据；

19、s23：计算待测台区电压与待测台区有功功率、待测台区无功功率、10kv母线电压、其他台区有功功率、其他台区无功功率、温度、湿度的变量的灵敏度系数：

20、

21、其中，x表示待测台区有功功率、待测台区无功功率、10kv母线电压、其他台区有功功率、其他台区无功功率、温度、湿度的变量，δx为变量x在t与t-1时刻的变化量，δ(δu)为电压偏差在t与t-1时刻变化量，δt为台区电压在t时刻与变量x的灵敏度系数；

22、s24：计算待测台区电压与待测台区有功功率、待测台区无功功率、10kv母线电压、其他台区有功功率、其他台区无功功率、温度、湿度的变量的灵敏度：

23、

24、其中，n为时刻t1与时刻tn之间的电压采样个数，δt为采样时刻t的电压-变量灵敏度系数，δ为在时刻t1与时刻tn之间的电压-变量灵敏度，其中δ为正则灵敏度表现为正相关，为负则灵敏度表现为负相关；

25、s25：灵敏度绝对值的排序：

26、

27、其中，为待测台区电压与变量xn的灵敏度绝对值，变量xn分别代表待测台区有功功率、待测台区无功功率、10kv母线电压、其他台区有功功率、其他台区无功功率、温度、湿度的特征，rank()表示对灵敏度绝对值从大到小进行排序，δrank表示灵敏度绝对值排序结果。

28、进一步，所述s3中，对pso-bp神经网络模型进行自适应训练，具体为：

29、s31：获取待测台区数据包括电压、有功功率和无功功率，待测台区所接10kv母线电压数据，与待测台区接入同一条10kv母线的其他台区数据包括电压、有功功率和无功功率，与待测台区历史电压所对应时段的历史天气数据包括温度、湿度；

30、s32：对获取到的数据进行预处理包括异常值剔除和缺失值填充；

31、s33：对预处理后的待测台区电压与待测台区有功功率、待测台区无功功率、10kv母线电压、其他台区有功功率、其他台区无功功率、温度、湿度的数据的灵敏度进行计算，并将灵敏度绝对值从大到小排序；

32、s34：根据灵敏度绝对值大小排序结果，选取绝对值大小在前k的变量作为台区电压预测模型的输入候选特征，其中k的值可由用户自定义，台区电压值作为电压预测模型的输出特征；

33、s35：对模型输入、输出数据进行归一化处理并按比例划分训练集和测试集，并对bp神经网络阈值和权值进行初始化设置；

34、s36：更新pso算法的粒子速度以及位置，并计算适应度；

35、s37：更新粒子个体及种群的极值，并判断是否达到设置的最大迭代次数，若是，则将计算出的最优阈值和最优权值传递给bp神经网络模型，否则返回步骤s36；

36、s38：训练bp神经网络模型并得到台区电压预测结果，判断训练误差是否满足预期值，若是则保存该pso-bp预测模型，否则重新训练。

37、进一步，所述s38中，预期值为模型评价指标的设定值，包括：

38、判断电压质量预测模型的平均绝对误差和均方根误差是否小于设定值，若小于设定值，则表示满足预期值，否则不满足。

39、进一步，所述s4具体为：

40、s41：为电压越限台区个数占台区总数的比例设置阈值p，为单个台区电压越限的程度设置阈值a'，对阈值进行初始化设置，其中p和a'都由用户自定义；

41、s42：使用pso-bp神经网络模型预测出配电网中各台区电压；

42、s43：计算电压越限台区个数占台区总数的比例q和所有台区电压的整体越限程度b，并判断q是否小于p；

43、s44：若q小于p，则判断单个台区电压越限程度a是否小于a'；

44、s45：若a小于a'，则通过对单个台区增加无功补偿的方式进行电压治理，否则通过改变单个台区的变压器分接头位置对台区电压进行治理；

45、s46：若q大于p，则判断改变改变台区所连主变变压器的电压分接头位置时，b和q是否同时减小；

46、s47：若b和q同时减小，则通过改变台区所连主变变压器的电压分接头位置对配电网中所有台区进行联合治理，否则回到步骤s44。

47、进一步，所述所有台区电压的整体越限程度的计算具体为：

48、(1)计算单个台区电压越限程度a：

49、a＝max(0,(v-vmax),(vmin-v))

50、其中，v为台区电压监测值，vmax代表台区电压在正常区间内的上限值，vmin代表台区电压在正常区间内的下限值，max()表示取最大值，a为单个台区的电压越限程度；

51、(2)计算所有台区电压的整体越限程度b：

52、

53、其中，ai代表编号为i的台区的电压越限程度，wi代表编号为i的台区的重要程度，b代表所有台区电压的整体越限程度。

54、本发明的有益效果在于：

55、(1)本发明方法考虑了配电网其他台区、所接母线以及天气等数据对待测台区电压的影响，在配电网运行数据只有电压和功率的情况下，丰富了电压预测模型的输入特征量；通过使用灵敏度分析方法对模型输入变量进行筛选，自适应地选择对台区电压具有强敏感性的变量作为模型输入，并使用粒子群优化算法(particle swarm optimization,pso)算法优化bp神经网络(back propagation neural network)预测模型对台区电压进行预测，保证了电压预测结果的准确性。

56、(2)本发明通过对台区电压预测值是否越限进行判断，利用改变母线变压器的电压分接头位置、台区变压器的电压分接头位置和增加无功补偿等方法对出现电压越限问题的台区实施“点面结合”的治理策略，相比常规台区电压单一的治理方式，本发明的治理策略具有自适应性和更高的精准度。

57、本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。