一种低压配电台区节点的负荷伪量测计算方法和系统与流程
- 国知局
- 2024-09-19 14:29:55
本发明专利申请属于配电网运行分析,具体涉及一种低压配电台区节点的负荷伪量测计算方法和系统。
背景技术:
1、随着分布式电源(distributed generation dg)的广泛接入,低压配电台区的透明化建设仍面临着设备规模总量大,量测覆盖率不足、设施设备标准化程度不高、用户需求多元化等诸多挑战。最小化精准采集技术可为台区状态估计提供更精准的数据支撑,而状态估计作为支撑低压配电台区透明化建设的有效手段,是利用量测数据的冗余度来预测系统的运行状态,其目的是为了精准有效的把握配电网运行状态,对低压配电台区数字化建设有着重要意义。
2、为了确保配电网的可观、可测、可控性,加权最小二乘、灰色关联分析等方法被广泛应用于实际的状态估计任务中,高级量测体系(advanced metering infrastructure,ami)、馈线终端单元(feeder terminal units,ftu)、微型同步相量测量单元(micro-phasor measurement units,μpmu)等装置采集的实时量测数据组成多源量测数据作为中压配电台区状态估计的输入,且有负荷节点注入功率作为伪量测的加持,保证了可观可测可控的同时提高了状态估计的精度,为配电网运行提供了准确、可靠的参考。
3、相较于有着丰富量测信息的中高压配电台区,低压配电台区馈线点多、面广、量大特点更为明显,发展不平衡、不充分的现状更加突出。随着新型电力系统工程建设不断推进,进一步提高分布式电源(distributed generation dg)并网渗透率,dg并网的不平衡性、出力的随机性会加剧低压配电台区的功率双向流动、节点电压波动等现象。台区透明化程度低,可观可测性较差,在进行状态估计时可用的量测种类与量测数量较少,因此在低压配电台区状态估计时常将光伏、风机等分布式电源等效为pq节点(有功-无功阶段节点),并将超短期负荷预测软件提供的负荷节点注入功率作为伪量测,但是精度较低。
4、虽然利用现有的量测装置能为解决上述问题提供一定的帮助,但状态估计精度远低于实际生产要求,当前伪量测数据的生成方法难以适用于当下新能源广泛接入后的配电台区中,若广泛配置测量装置会大幅增加经济成本。
5、因此,为支撑新型电力系统发展,亟需一种适应新型电力系统的伪量测数据生成方法,为低压配电台区数字化建设提供技术支撑。
技术实现思路
1、为克服上述现有技术的不足,本发明专利申请提出一种低压配电台区节点的负荷伪量测计算方法,包括:
2、采集低压配电台区的实时测量数据;
3、基于所述实时测量数据,通过预先构建的bp神经网络模型,得到归一化后的实时测量数据;
4、基于所述归一化后的实时测量数据,采用预先构建的cnn节点负荷伪量测模型,计算得到节点负荷伪量测值。
5、优选的,所述cnn节点负荷伪量测模型的构建,包括:
6、基于低压配电台区的历史测量数据,通过所述预先构建的bp神经网络模型,得到归一化后的历史测量数据,将所述归一化后的历史测量数据按照时间序列划分为训练集和测试集;
7、基于所述训练集,训练cnn卷积神经网络,通过梯度下降算法,更新cnn卷积神经网络的权重和参数,直到迭代次数达到预先设定的训练次数,完成cnn卷积神经网络的训练;
8、基于所述测试集,计算训练完成后cnn卷积神经网络的精度指标的值,当所述精度指标的值达到预先设定的精度阈值时,完成cnn节点负荷伪量测模型的构建;
9、其中,所述精度指标的值包括:伪量测预测值与伪量测真实值的平均绝对误差、伪量测预测值与伪量测真实值的平均百分比绝度误差和伪量测预测值与伪量测真实值的均方根误差。
10、优选的,所述基于所述训练集,训练cnn卷积神经网络,通过梯度下降算法,更新cnn卷积神经网络的权重和参数,直到迭代次数达到预先设定的训练次数,完成cnn卷积神经网络的训练,包括:
11、基于所述训练集,依次通过cnn卷积神经网络的卷积层、池化层和归一化层,得到样本节点负荷的伪量测预测值;
12、基于所述样本节点负荷的伪量测预测值和样本节点负荷的伪量测真实值,采用adam优化器,更新所述cnn卷积神经网络的权重和参数,直到迭代次数达到预先设定的训练次数,完成cnn卷积神经网络的训练。
13、优选的,所述伪量测预测值与伪量测真实值的平均绝对误差的计算式如下:
14、
15、其中,mae为伪量测预测值与伪量测真实值的平均绝对误差,predictdei为第i个伪量测预测值,actuali为第i个伪量测真实值,n为伪量测预测值或伪量测真实值的数量;
16、所述伪量测预测值与伪量测真实值的平均百分比绝度误差的计算式如下:
17、
18、其中,mape为伪量测预测值与伪量测真实值的平均百分比绝度误差;
19、所述伪量测预测值与伪量测真实值的均方根误差的计算式如下:
20、
21、其中,rmse为伪量测预测值与伪量测真实值的均方根误差。
22、优选的,所述bp神经网络模型的构建,包括:
23、采集低压配电台区的历史测量数据,并对所述历史测量数据进行预处理,得到归一化后的历史测量数据;
24、基于所述历史测量数据,对bp神经网络模型进行迭代训练,当迭代次数达到预先设定的训练次数后,完成bp神经网络模型;
25、其中,所述历史测量数据包括:历史网架结构台账、历史低压配电台区电压、历史电流幅值量测值、节点实时负荷数据和节点历史负荷数据。
26、优选的,所述采集低压配电台区的历史测量数据,并对所述历史测量数据进行预处理,得到归一化后的历史测量数据,包括:
27、根据采集到的低压配电台区的历史测量数据,通过数据筛选和数据辨识,剔除非关键数据,得到剔除非关键数据后的历史量测数据;
28、采用平均值法,填补所述剔除非关键数据后的历史量测数据中的缺失历史测量数据,并采用异常数据替代方法,替代异常历史测量数据,得到异常处理后的历史量测数据;
29、基于所述异常处理后的历史量测数据,采用归一化处理,得到归一化后的历史量测数据。
30、优选的,所述基于所述历史测量数据,对bp神经网络模型进行迭代训练,当迭代次数达到预先设定的训练次数后,完成bp神经网络模型,包括:
31、基于所述历史测量数据,通过bp神经网络模型中隐含层的tansig激活函数,得到历史高精度测量数据;
32、并通过所述tansig激活函数调整bp神经网络模型的权重和阈值,当迭代次数达到预先设定的训练次数时,完成bp神经网络模型。
33、优选的,所述基于所述归一化后的实时测量数据,采用预先构建的cnn节点负荷伪量测模型,计算得到节点负荷伪量测值,包括:
34、基于所述归一化后的实时测量数据,通过cnn节点负荷伪量测模型,得到节点负荷的伪量测预测值和伪量测误差值;
35、基于所述节点负荷的伪量测预测值和伪量测误差值求和,得到节点负荷伪量测值。
36、优选的,所述节点负荷伪量测值的计算式如下:
37、
38、其中,w为节点负荷伪量测值,为节点负荷的伪量测预测值,e为节点负荷的伪量测误差值。
39、基于同一发明构思,本发明专利申请还提供了一种低压配电台区节点的负荷伪量测计算系统,包括:实时测量数据采集模块、实时测量数据处理模块和节点负荷伪量测值计算模块;
40、所述实时测量数据采集模块,用于采集低压配电台区的实时测量数据;
41、所述实时测量数据处理模块,用于基于所述实时测量数据,通过预先构建的bp神经网络模型,得到归一化后的实时测量数据;
42、所述节点负荷伪量测值计算模块,用于基于所述归一化后的实时测量数据,采用预先构建的cnn节点负荷伪量测模型,计算得到节点负荷伪量测值。
43、优选的,所述节点负荷伪量测值计算模块的cnn节点负荷伪量测模型的构建,包括:
44、基于低压配电台区的历史测量数据,通过所述预先构建的bp神经网络模型,得到归一化后的历史测量数据,将所述归一化后的历史测量数据按照时间序列划分为训练集和测试集;
45、基于所述训练集,训练cnn卷积神经网络,通过梯度下降算法,更新cnn卷积神经网络的权重和参数,直到迭代次数达到预先设定的训练次数,完成cnn卷积神经网络的训练;
46、基于所述测试集,计算训练完成后cnn卷积神经网络的精度指标的值,当所述精度指标的值达到预先设定的精度阈值时,完成cnn节点负荷伪量测模型的构建;
47、其中,所述精度指标的值包括:伪量测预测值与伪量测真实值的平均绝对误差、伪量测预测值与伪量测真实值的平均百分比绝度误差和伪量测预测值与伪量测真实值的均方根误差。
48、优选的,所述节点负荷伪量测值计算模块基于所述训练集,训练cnn卷积神经网络,通过梯度下降算法,更新cnn卷积神经网络的权重和参数,直到迭代次数达到预先设定的训练次数,完成cnn卷积神经网络的训练,包括:
49、基于所述训练集,依次通过cnn卷积神经网络的卷积层、池化层和归一化层,得到样本节点负荷的伪量测预测值;
50、基于所述样本节点负荷的伪量测预测值和样本节点负荷的伪量测真实值,采用adam优化器,更新所述cnn卷积神经网络的权重和参数,直到迭代次数达到预先设定的训练次数,完成cnn卷积神经网络的训练。
51、优选的,所述节点负荷伪量测值计算模块的伪量测预测值与伪量测真实值的平均绝对误差的计算式如下:
52、
53、其中,mae为伪量测预测值与伪量测真实值的平均绝对误差,predictdei为第i个伪量测预测值,actuali为第i个伪量测真实值,n为伪量测预测值或伪量测真实值的数量;
54、所述伪量测预测值与伪量测真实值的平均百分比绝度误差的计算式如下:
55、
56、其中,mape为伪量测预测值与伪量测真实值的平均百分比绝度误差;
57、所述伪量测预测值与伪量测真实值的均方根误差的计算式如下:
58、
59、其中,rmse为伪量测预测值与伪量测真实值的均方根误差。
60、优选的,所述实时测量数据处理模块的bp神经网络模型的构建,包括:
61、采集低压配电台区的历史测量数据,并对所述历史测量数据进行预处理,得到归一化后的历史测量数据;
62、基于所述历史测量数据,对bp神经网络模型进行迭代训练,当迭代次数达到预先设定的训练次数后,完成bp神经网络模型;
63、其中,所述历史测量数据包括:历史网架结构台账、历史低压配电台区电压、历史电流幅值量测值、节点实时负荷数据和节点历史负荷数据。
64、优选的,所述实时测量数据处理模块采集低压配电台区的历史测量数据,并对所述历史测量数据进行预处理,得到归一化后的历史测量数据,包括:
65、根据采集到的低压配电台区的历史测量数据,通过数据筛选和数据辨识,剔除非关键数据,得到剔除非关键数据后的历史量测数据;
66、采用平均值法,填补所述剔除非关键数据后的历史量测数据中的缺失历史测量数据,并采用异常数据替代方法,替代异常历史测量数据,得到异常处理后的历史量测数据;
67、基于所述异常处理后的历史量测数据,采用归一化处理,得到归一化后的历史量测数据。
68、优选的,所述实时测量数据处理模块基于所述历史测量数据,对bp神经网络模型进行迭代训练,当迭代次数达到预先设定的训练次数后,完成bp神经网络模型,包括:
69、基于所述历史测量数据,通过bp神经网络模型中隐含层的tansig激活函数,得到历史高精度测量数据;
70、并通过所述tansig激活函数调整bp神经网络模型的权重和阈值,当迭代次数达到预先设定的训练次数时,完成bp神经网络模型。
71、优选的,所述节点负荷伪量测值计算模块,具体用于:
72、基于所述归一化后的实时测量数据,通过cnn节点负荷伪量测模型,得到节点负荷的伪量测预测值和伪量测误差值;
73、基于所述节点负荷的伪量测预测值和伪量测误差值求和,得到节点负荷伪量测值。
74、优选的,所述节点负荷伪量测值计算模块的节点负荷伪量测值的计算式如下:
75、
76、其中,w为节点负荷伪量测值,为节点负荷的伪量测预测值,e为节点负荷的伪量测误差值。
77、基于同一发明构思,本发明专利申请还提供了一种计算机设备,包括:一个或多个处理器;
78、存储器,用于存储一个或多个程序;
79、当所述一个或多个程序被所述一个或多个处理器执行时,实现如前所述的一种低压配电台区节点的负荷伪量测计算方法。
80、基于同一发明构思,本发明专利申请还提供了一种计算机可读存储介质,其上存有计算机程序,所述计算机程序被执行时,实现如前所述的一种低压配电台区节点的负荷伪量测计算方法。
81、与最接近的现有技术相比,本发明专利申请具有的有益效果如下:
82、本发明专利申请提供了一种低压配电台区节点的负荷伪量测计算方法和系统,包括:采集低压配电台区的实时测量数据;基于所述实时测量数据,通过预先构建的bp神经网络模型,得到归一化后的实时测量数据;基于所述归一化后的实时测量数据,采用预先构建的cnn节点负荷伪量测模型,计算得到节点负荷伪量测值;本技术通过bp神经网络模型,得到归一化后的测量数据,并在归一化后的测量数据上,通过cnn节点负荷伪量测模型,能够快速计算得到高精度的节点负荷伪量测值,提高低压配电台区节点的节点负荷伪量测计算精度,从而为之后的低压配电台区状态估计计算以及台区透明化建设提供可靠的理论与数据支撑。
本文地址:https://www.jishuxx.com/zhuanli/20240919/298439.html
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。