一种配电网无功优化数据处理方法与流程

本发明涉及配电网领域数据处理方法，具体讲涉及一种配电网无功优化数据处理方法。

背景技术：

电力系统无功潮流分布不仅直接影响电力系统的安全和稳定，还与经济效益紧密相关。无功潮流不足导致系统电压降低，严重时引发电压崩溃事故；而无功潮流过剩导致系统电压质量恶化、危害系统和设备的安全，且过多的无功备用也会浪费不必要的投资。合理配置无功电源的投入与退出能有效地降低网损、保证电压质量、预防事故发生、防止事故扩大，从而提高电力系统运行的经济性、安全性和稳定性。

无功运行优化是在电网网架结构固定不变的基础上，以系统电能损耗最小、各节点电压合格率最高和变压器分接头、电容器、电抗器投切次数最少为目标函数的动态优化，且无功运行优化的本质是一个大规模非线性的混合整数优化问题。

随着电网智能化进程的不断推进，以及各类电力网络的兴建和用户数量的激增，电力单位IT系统上承载的信息数据规模越来越庞大。电力行业拥有的“大数据”资源包括海量的用户信息、业务信息以及基础资源和平台资源，大致可分三类：一是电力企业生产数据，如发电量、电压稳定性等方面的数据；二是电力企业运营数据，如交易电价、售电量、用电客户等方面的数据；三是电力企业管理数据，如ERP、一体化平台、协同办公等方面的数据。

伴随智能有源配电网的发展，由分布式电源接入配电网及配电网智能化衍生出的各种新型业务，使“大数据”资源放量增长，配电网数据存储、维护、处理将经受巨大的考验。对电力行业的海量数据进行存储和管理，充分发挥信息资源对业务运营的支撑作用，同时避免信息资产遭到安全威胁，成为电力企业亟需解决的问题之一。

传统无功优化方法具有严格的数据限制，难以完全发挥大数据的优点，而大数据技术在配电网领域的应用，以基于数据建模的理论分析方式用于电网全局优化，突破了以往对随机因素的假设和简化。

随机矩阵是在某个给定概率空间下，以随机变量为元素组成的矩阵；而大维数据是指样本维数和样本量以具有相同的阶趋向无穷的数据。随机矩阵理论作为一种有效处理大维数据的方法，将大维随机矩阵理论引入到配电网大数据分析中，合理利用随机矩阵相关理论，如特征根谱分析、中心极限定理等，分析和处理配电网无功优化的大数据，在配电网大数据架构下探索解决无功优化问题的新路径。

为满足电力企业对于配电网无功优化和大数据的处理需要，本发明提供一种配电网无功优化数据处理方法。

技术实现要素：

为满足现有技术发展的需要，本发明提供一种配电网无功优化数据处理方法，实现对配电网分布式电源及负荷数据进行处理，转换成以概率密度函数表示的数据格式，为配电网无功优化提供数据支撑。

本发明提供的配电网无功优化数据处理方法，其改进之处在于，所述数据处理方法包括：

(1)确定采样数据；

(2)混合组件参数的初始化；

(3)优化混合组件参数；

(4)判断数据处理过程的收敛性；

(5)计算概率密度函数。

进一步的，所述步骤(1)从配电网分布式电源中获取的配电网无功优化采样数据如下式(1)矩阵z所示：

Z＝[Z₁，Z₂，…，Z_i，…，Z_N] (1)

其中，Z_i：配电网无功优化数据的样本值i；N：配电网无功优化数据样本的数量；

进一步的，所述步骤(2)中配电网无功优化混合组件的初始化包括：混合组件的权重混合组件的均值μ_j为随机数；混合组件的方差为1；且，

服从高斯分布的配电网无功优化混合组件的参数集γ_j如下式(2)所示:

${\mathrm{\γ}}_j=\left\{{\mathrm{\ω}}_j,{\mathrm{\μ}}_j,{\mathrm{\σ}}_j^2\right\}---\left(2\right)$

式中，j：配电网无功优化混合组件编号，j∈[1，2，...，M]，M：配电网无功优化混合组件的数量。

进一步的，所述步骤(3)中，配电网无功优化混合组件参数的优化方法包括；

第s+1次迭代中混合组件的权重如下式(3)所示：

${\mathrm{\ω}}_j^{s+1}=\frac{1}{N}{\mathrm{\Σ}}_{i=1}^{N}f\left(j\right|z_i,{\mathrm{\γ}}^s)---\left(3\right)$

第s+1次迭代中混合组件的均值如下式(4)所示：

${\mathrm{\μ}}_j^{s+1}=\frac{{\mathrm{\Σ}}_{i=1}^N{z}_{i}f\left(j\right|z_i,{\mathrm{\γ}}^s)}{{\mathrm{\Σ}}_{i=1}^{N}f\left(j\right|z_i,{\mathrm{\γ}}^s)}---\left(4\right)$

第s+1次迭代中混合组件的方差如下式(5)所示:

${\left({\mathrm{\σ}}_j^2\right)}^{s+1}=\frac{{\mathrm{\Σ}}_{i=1}^{N}f\left(j\right|z_i,{\mathrm{\γ}}^s){(z_i-{\mathrm{\μ}}_j^{s+1})}^2}{{\mathrm{\Σ}}_{i=1}^{N}f\left(j\right|z_i,{\mathrm{\γ}}^s)}---\left(5\right)$

其中，

$f\left(z_i\right|{\mathrm{\μ}}_j^s,{\left({\mathrm{\σ}}_j^2\right)}^s)=\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_j^2}{e}^{\frac{{(z_i-{\mathrm{\μ}}_j^s)}^2}{2{\left({\mathrm{\σ}}_j^2\right)}^s}};$

k：迭代因子；M：配电网无功优化混合组件的数量；γ^s：参数集的第s次迭代值；Z_i：配电网无功优化采样数据的采样值i；j：配电网无功优化混合组件编号。

进一步的，所述步骤(4)中，判断配电网无功优化数据处理过程收敛性的收敛条件如下式(6)所示：

其中，第s次迭代过程中配电网无功优化混合组件参数集的修正量；ε：配电网无功优化数据处理过程收敛标准；s_lim：配电网无功优化数据处理最大迭代次数限制。

进一步的，所述步骤(5)中，融合配电网无功优化混合组件参数，按下式(7)计算数据样本的概率密度函数f(x|γ):

$f\left(x\right|\mathrm{\γ})={\mathrm{\Σ}}_{j=1}^M{\mathrm{\ω}}_{j}f\left(x\right|{\mathrm{\μ}}_j,{\mathrm{\σ}}_j^2)={\mathrm{\Σ}}_{j=1}^M{\mathrm{\ω}}_j\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_j^2}{e}^{\frac{x-{\mathrm{\μ}}_j^2}{2{\mathrm{\σ}}_j^2}}---\left(7\right)$

其中，x：配电网无功优化数据样本的概率密度函数自变量；ω_j：配电网无功优化混合组件j的权重；μ_j：配电网无功优化混合组件j的均值；配电网无功优化混合组件j的方差。

与最接近的现有技术比，本发明提供的技术方案具有以下优异效果：

1、本发明提供的技术方案在不明确数据统计特征的条件下，针对配电网无功优化中分布式电源出力及负荷数据具有的随机性和不确定性，运用高斯等效模型获得样本数据的概率密度函数，为配电网无功优化提供更系统、更全面的数据支撑。

2、本发明提供的技术方案优化无功潮流的配置，合理的分配无功电源的投入与退出，能有效保证电压质量、预防事故发生、防止事故扩大化，大大提高电力系统运行的经济性、安全性和稳定性。

3、本发明提供的技术方案引入大数据技术，实现对海量数据的管理，充分发挥了信息资源对业务运营的支撑作用。

附图说明

图1为本发明提供的配电网无功优化数据处理方法流程图。

具体实施方式

以下将结合附图说明，对本发明提供的技术方案做进一步的详细介绍。

配电网无功优化中的DG出力及负荷数据具有随机性和不确定性的特征，不同于传统的单一数值表示方法，大数据中更趋向于使用区间或概率密度函数的方式进行描述，以提供更为系统、全面的数据支撑。配电网分布式电源及负荷预测具有特殊性，其数据的统计特征复杂，难以直接拟合获得其概率密度函数。本发明旨在对配电网DG出力及负荷数据进行处理，将其转换以概率密度函数表示的数据格式，为配电网无功优化建立数据支撑。

本发明提供的配电网无功优化数据处理方法是基于高斯等效模型的，该数据处理方法具体为：

一、载入配电网无功优化数据；

配电网无功优化采样数据源于具有随机性和不确定性的配电网分布式电源或负荷，为配电网分布式电源或负荷的有功功率或无功功率。针对某一确定配电网分布式电源或负荷的采样数据用下式(1)所示的配电网无功优化采样数据矩阵表示：

Z＝[Z₁，Z₂，…，Z_i，…，Z_N] (1)

其中，Z_i：配电网无功优化采样数据i；N：配电网无功优化数据样本的数量。

二、初始化配电网无功优化混合组件参数；

每一个配电网无功优化混合组件均服从高斯分布，其参数集γ_j如下式(2)所示：

${\mathrm{\γ}}_j=\left\{{\mathrm{\ω}}_j,{\mathrm{\μ}}_j,{\mathrm{\σ}}_j^2\right\}---\left(2\right)$

其中，j：配电网无功优化混合组件的编号，j∈[1,2,…,M]，M：配电网无功优化混合组件的数量，其值越大最终的计算结果精度越高，但是随之增加的是计算量；

ω_j：配电网无功优化混合组件j的权重，μ_j：配电网无功优化混合组件j的均值；配电网无功优化混合组件j的方差。初始化是，μ_j为随机数，

三、迭代运算，求解下一步中的配电网无功优化混合组件参数；

基于第S次迭代的配电网无功优化混合组件参数生成第S+1次迭代中的配电网无功优化参数混合组件参数，第s+1次迭代中配电网无功优化混合组件j的权重均值和方差的计算方法分别如下式(3)、(4)和(5)所示：

${\mathrm{\ω}}_j^{s+1}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}f\left(j\right|z_i,{\mathrm{\γ}}^s)---\left(3\right)$

${\mathrm{\μ}}_j^{s+1}=\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{z}_{i}f\left(j\right|z_i,{\mathrm{\γ}}^s)}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}f\left(j\right|z_i,{\mathrm{\γ}}^s)}---\left(4\right)$

${\left({\mathrm{\σ}}_j^2\right)}^{s+1}=\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}f\left(j\right|z_i,{\mathrm{\γ}}^s){(z_i-{\mathrm{\μ}}_j^{s+1})}^2}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}f\left(j\right|z_i,{\mathrm{\γ}}^s)}---\left(5\right)$

其中，

k：迭代因子；M：配电网无功优化混合组件的数量；γ^s：参数集的第S次迭代值；Z_i：配电网无功优化采样数据i；

四、判断配电网无功优化数据处理过程是否收敛；

判断配电网无功优化数据处理过程的收敛条件如下式(6)所示：

式中，--第s次迭代过程中配电网无功优化混合组件参数集的修正量；

ε--配电网无功优化数据处理过程收敛标准；

s_lim--配电网无功优化数据处理最大迭代次数限制。

判断配电网无功优化数据处理过程是否收敛：

(1)若配电网无功优化数据处理过程收敛，则进行下述步骤(5)；

(2)若配电网无功优化数据处理过程不收敛，则迭代次数自增1，并进行步骤(3)的迭代，进一步求解配电网无功优化混合组件参数，并判断数据处理过程是否收敛。

五、融合各组件参数，计算配电网无功优化数据样本的概率密度函数；

配电网无功优化数据处理过程收敛后，配电网无功优化数据样本的概率密度函数f(x|γ)如下式(7)所示：

$f\left(x\right|\mathrm{\γ})={\mathrm{\Σ}}_{j=1}^M{\mathrm{\ω}}_{j}f\left(x\right|{\mathrm{\μ}}_j,{\mathrm{\σ}}_j^2)={\mathrm{\Σ}}_{j=1}^M{\mathrm{\ω}}_j\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_j^2}{e}^{\frac{x-{\mathrm{\μ}}_j^2}{2{\mathrm{\σ}}_j^2}}---\left(7\right)$

式中，x：配电网无功优化数据样本的概率密度函数自变量；ω_j：配电网无功优化混合组件j的权重；μ_j：配电网无功优化混合组件j的均值；配电网无功优化混合组件j的方差。

本发明提供的技术方案针对配电网无功优化中的DG出力及负荷数据具有随机性和不确定性，在事先不明确数据统计特征的条件下，运用高斯等效模型获得样本数据的概率密度函数，为配电网无功优化提供更为系统、全面的数据支撑。

以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。