基于人工智能的配电网优化方法与流程

本发明涉及配网供电，特别涉及一种基于人工智能的配电网优化方法。

背景技术：

1、在现代电力系统中，随着分布式电源、储能系统和充电桩等新型电源和负荷的广泛接入，配电网面临着越来越复杂的挑战。尤其是在台区中，由于单相源荷的不确定性和分相接入的方式，使得电力源和负荷在时空特性上表现出显著的不一致性。这种不一致性进一步加剧了配电网固有问题，如重载、轻载以及电能质量问题。

2、具体表现为：

3、1.重负载与轻负载问题：当分布式电源如太阳能光伏或风能接入配电网时，由于自然条件的变化，这些源荷在不同时间和地点的供电能力会出现极大的波动。这导致某些台区可能面临重过载的情况，而另一些则可能处于轻载状态，给电网的稳定性和安全性带来了挑战。

4、2.电能质量问题：不同来源的电能在并网时，可能会出现波形畸变、频率波动、谐波干扰等电能质量问题。这些问题不仅影响终端用户的用电体验，还可能损坏设备，造成经济损失。

5、3.稳定供电的需求：随着电力需求的多样化和复杂化，提供持续、稳定的电力供应成为电力企业必须面对的首要任务。此外，电力企业还需确保电能质量处于合格范围，以满足各类客户不断提高的电力需求。

6、4.分布式电源的消纳：新型配电网的设计必须能够最大限度地消纳接入的分布式电源，以实现可再生能源的高效利用和保障能源的安全性，这对电网的灵活性和容量提出了更高要求。

7、综上所述，存在配电网的需求匹配准确度低，能源损失高，灵活性低，可靠性低，稳定性低等问题。

技术实现思路

1、针对现有技术的不足，本发明提供一种基于人工智能的配电网优化方法，该基于人工智能的配电网优化方法围绕配电台区供电品质影响因素、配电台区电能质量智能预警两个方面展，有效解决配电网重过载、低电压及故障后负荷保供与能源消纳的矛盾问题，为新型配电网的运行管控提供技术支撑，对实现需求匹配、低耗经济、灵活可靠的高品质供电具有重要意义。

2、本发明采用的技术方案为：

3、基于人工智能的配电网优化方法，包括以下步骤：

4、步骤1，周期性获取每个供电台区的属性信息；

5、步骤2，根据属性信息确定每个供电台区的第一稳定性；

6、步骤3，周期性获取每个供电台区对应的多种供电数据序列，每种供电数据序列包括多个数据点，每个数据点对应一个时间点；

7、步骤4，根据属性信息和供电数据序列确定第一样本数据；

8、步骤5，根据每个供电台区的历史运行数据确定标签数据；

9、步骤6，根据第一样本数据、标签数据以及第一稳定性训练预测模型；

10、步骤7，输入实时采集到的每个供电台区的第二样本数据至预测模型，得到每个供电台区的预测稳定性。

11、进一步，步骤1中，每个供电台区对应的不同的台区类型，根据负荷类型的不同，台区分为城市居民台区、商业台区、工业台区和农业台区四类；

12、供电台区的属性信息包括：台区类型和数值属性；

13、台区类型包括：居民、商业、工业、农业；

14、数值属性包括：输出功率，输出电流，输出电压，供给区域面积，供给人口。

15、进一步，步骤2中，根据属性信息确定每个供电台区的第一稳定性包括：

16、步骤2.1，通过确定周期性采集的输出功率，确定第一波动数值；

17、确定第一波动数值的方法满足以下关系式：

18、

19、步骤2.2，通过确定周期性采集的输出电流，确定第二波动数值；

20、确定第二波动数值的方法满足以下关系式：

21、

22、步骤2.3，通过确定周期性采集的输出电压，确定第三波动数值；

23、确定第三波动数值的方法满足以下关系式：

24、

25、步骤2.4，分别对每个供电台区对应的所述供给区域面积和所述供给人口进行归一化处理，得到每个供电台区对应的归一化供给区域面积和归一化供给人口；确定归一化供给区域面积为第一权重，确定归一化供给人口为第二权重；确定每个供电台区对应的第一权重和第二权重的均值为每个供电台区对应的第一置信度；

26、步骤2.5，针对每个供电台区，根据第一波动数值、第二波动数值、第三波动数值以及第一置信度确定对应的第一稳定性。

27、进一步，根据第一波动数值、第二波动数值、第三波动数值以及第一置信度确定对应的第一稳定性包括：

28、

29、其中，代表第i个供电台区对应的第一稳定性；

30、其中，输出功率的波动程度越高，第一稳定性越高；输出电流的波动程度越高，第一稳定性越高；输出电压的波动程度越高，第一稳定性越高；第一置信度用于表征第一稳定性的可信程度。

31、进一步，步骤3中，周期性采集供电数据电压、功率等数据；根据每个台区在每个周期的供电数据序列预测每个台区供电品质；

32、每种供电数据序列包括多个数据点，每个数据点对应一个时间点，形成多种实时供电数据；多种实时供电数据包括：

33、每个时间点对应的频率偏差指标v，表达式为：

34、

35、式中，为实际频率，为额定频率；

36、每个时间点对应的电压偏差指标，表达式为：

37、

38、式中，实际电压，为额定电压；

39、每个时间点对应的电压波动指标d，表达式为：

40、

41、式中，为设备连接公共点处电压均方根值的最大值，为设备连接公共点处电压均方根值的最小值；

42、每个时间点对应的电压闪变指标，表达式为：

43、

44、式中，为短时间闪变值，为长时间内的短时间闪变值的数量,j为索引；

45、每个时间点对应的三相不平衡度指标，表达式为：

46、

47、式中，为正序电压；为负序电压；

48、每个时间点对应的谐波指标，表达式为：

49、

50、式中，为谐波次数；为第h次谐波电压；为基波总电压；

51、每个时间点对应的电压暂降指标，表达式为：

52、

53、式中，为电压暂降值；为暂降持续时间。

54、进一步，步骤4中，针对每个供电台区，通过将属性信息和供电数据序列拼接，生成每个供电台区的第一样本数据；

55、第一样本数据为向量的形式：[b,c,d’,e,f,g,h,t’]；其中，b代表供电台区的台区类型、c代表供电台区的输出功率、d’代表供电台区的输出电流、e代表供电台区的输出电压、f代表供电台区的供给区域面积、g代表供电台区的供给人口、h代表供电台区的供电数据序列、t’代表时间戳。

56、进一步，步骤5中，根据供电台区中设备的停运次数k、供电台区的历史停电频率o、供电台区的平均停电持续时长l、供电台区中所有用户的平均停电持续时长q、以及供电台区的系统平均供电可用度r，确定每个供电台区的标签数据；以上数据的组合形成标签向量[k,o,l,q,r]；

57、结合历史运行数据和稳定性数据，通过归一化处理历史数据的各维度，计算得出稳定性数据c。

58、进一步，根据归一化维度数据确定每个所述供电台区对应的稳定性数据，包括：

59、

60、其中，代表第i个供电台区的标签数据；a代表历史运行数据中除平均供电可用度之外的其他的归一化维度数据；i代表供电台区的索引；j代表维度数据的索引；n代表维度数据中除了平均供电可用度之外的其他维度的数量。

61、进一步，步骤6中，训练预测模型包括以下步骤：

62、选择长短期记忆模型作为初始预测模型，随机设置初始状态和初始标签，格式与其各自的数据相同，随机初始化权重和偏差，包括以往数据对应的权重、以往数据对应的偏差、输入数据对应的权重、输入数据对应的偏差、隐藏输出数据对应的权重、隐藏输出数据对应的偏差的取值；

63、步骤6.1，输入第一样本数据至预先构建的初始预测模型；得到每个供电台区对应的预测标签；

64、输入t时刻的第一样本数据至t时刻对应的神经元；根据计算公式，处理、初始标签以及初始状态，得到t时刻的预测标签，t时刻的状态数据；输入t+1时刻的第一样本数据至t+1时刻对应的神经元；根据计算公式，处理、以及，得到t+1时刻的预测标签，t+1时刻的状态数据；如此循环，直到获得每个时刻对应的预测数据；

65、t时刻的预测标签的计算公式为：

66、

67、式中，是t时刻的隐藏输出数据；为双曲正切激活函数；代表t时刻的状态数据；

68、遗忘数据的计算公式为：

69、

70、式中，为sigmoid激活函数；和是以往数据对应的权重和偏差；为t-1时刻的预测标签；为t时刻的第一样本数据；

71、输入数据的计算公式为：

72、

73、式中，为sigmoid激活函数；和是输入数据对应的权重和偏差；为t-1时刻的预测标签；为t时刻的第一样本数据；

74、神经元在t时刻的初始状态值的计算公式为：

75、

76、式中，为双曲正切激活函数；和是初始状态值对应的权重和偏差；为t-1时刻的预测标签；为t时刻的第一样本数据；

77、t时刻的隐藏输出数据的计算公式为：

78、

79、式中，为sigmoid激活函数；和是隐藏输出数据对应的权重和偏差；为t-1时刻的预测标签；为t时刻的第一样本数据；

80、神经元在t时刻的状态值的计算公式为：

81、

82、式中，为遗忘数据；代表神经元在t-1时刻的状态值；为输入数据；是神经元在t时刻的初始状态值；

83、步骤6.2，根据第一稳定性、预测标签和标签数据确定初始预测模型的损失值；表达式为：

84、

85、其中，loss代表所述初始预测模型的损失值；代表第i个供电台区的第一稳定性；i代表供电台区的索引，m代表供电台区的数量；t代表时刻第一样本数据对应的时刻的索引，n代表时刻的总数；为预测出的第i个供电台区在时刻t的标签数据；预测出的第i个供电台区在时刻t的预测数据；

86、步骤6.3，当所述损失值大于预设终止阈值时，基于反向传播算法更新更新初始预测模型中的参数，包括初始状态、初始标签、以往数据对应的权重、以往数据对应的偏差、输入数据对应的权重、输入数据对应的偏差、隐藏输出数据对应的权重、隐藏输出数据对应的偏差；更新参数之后再次重复上述流程，直至损失值小于或等于终止阈值，得到训练至收敛状态的预测模型。

87、进一步，步骤7中，利用预测模型处理第二样本数据的过程包括：

88、输入未来需要预测的任意一个时刻的第二样本数据x至预测模型中的第一个神经元；

89、根据步骤6中的各个计算公式，处理、初始标签以及初始状态，得到该时刻的预测标签，该时刻的状态数据；

90、输入下一个时刻，即第二个时刻的第二样本数据至第二个神经元；

91、根据步骤6中的各个计算公式，处理、以及，得到第二个时刻的预测标签，第二个时刻的状态数据；

92、如此循环，直到获得每个时刻对应的预测标签。

93、本发明的有益效果是：

94、提高准确度：通过周期性获取供电台区属性信息和供电数据，ai模型可以精准捕捉动态变化，从而提升需求匹配的准确性。

95、降低能源损失：模型预测的稳定性和供电需求更具前瞻性，能够更有效地调配资源，降低不必要的能源损耗，提升整体效率。

96、增强灵活性：ai方法使配电网能够实时响应负载变化，快速调整供电策略，确保各台区在不同负荷条件下都有良好的响应能力。

97、提升可靠性：精准的预测和实时监测可以显著减少电力故障的发生，增强系统的应对能力，确保配电网络的高可靠性。

98、增强稳定性：通过数据驱动的分析，能够提前识别潜在的稳定性问题，采取预防措施，保障配电网的安全运行。

99、优化决策：ai模型的预测能力为运营决策提供了有力支持，帮助管理者更好地规划和调度，提高管理效率。

100、综合来看，该方法能够有效提升配电网的运营效率、降低成本，并为未来智能电网的发展奠定基础。