配电网电源并网评价方法及其评价系统与流程

本发明具体涉及一种配电网电源并网评价方法及其评价系统。

背景技术：

随着经济技术的发展，电能已经成为人们生产和生产中必不可少的二次能源，给人们的生产和生活带来了无尽的便利。

目前，分布式电源发展呈现井喷之势，已成为社会各界关注焦点，然而其并网也会给各省市的电力系统运行和稳定性带来许多负面影响。大量分布式电源接入电网，将对配电网产生巨大的影响。其主要表现在以下几个方面：1)对配电网潮流的影响；2)对配电网电能质量的影响；3)对配电网短路计算的影响；4)对配电网可靠性的影响。另外，由于管理标准和技术规范不够全面、明确，可操作较差，电网企业就很难全面评估分布式电源并网系统的可靠性、电能质量以及安全性，从而使分布式电源并网变的困难和复杂。

一种配电网中分布式电源配置方案评价方法，专利号为cn201610888691.2，具体公开了：(1)构建包括目标层、准则层、子准则层和措施层的四层分布式电源配置方案评价指标体系；目标层为最高层；所述准则层设立多个指标；所述子准则层对准则层的多个指标进行进一步细化，将每个指标分为多个子指标；所述措施层提出具体的评价指标的计算公式，进行定量分析；(2)利用层次分析法得到每一层的相对重要程度，确定指标及子指标的权重，建立分布式电源配置方案评价指标体系的权重模型；(3)根据所述权重模型得到分布式电源配置方案的综合评价得分。但是，采用层次分析法计算分布式电源配置方案的综合评价得分需要依赖专家经验，缺少对指标的客观评价，导致计算所得的指标的权重精确度较低，从导致综合评价得分结果准确度较低。

技术实现要素：

本发明的目的之一在于提供一种能够科学可靠的对配电网并网电源进行评价的配电网电源并网评价方法。

本发明的目的之二在于提供一种实现所述配电网电源并网评价方法的评价系统。

本发明提供的这种配电网电源并网评价方法，包括如下步骤：

s1.选取配电网电源并网评价的适应性评价指标因素；

s2.根据步骤s1选取的适应性评价指标因素，采集配电网中适应性评价指标因素所对应的历史指标值、历史指标权重值以及历史指标等级值；

s3.对步骤s2采集的适应性评价指标因素所对应的历史指标值、历史指标权重值以及历史指标等级值进行特征提取，并建立第一训练集；

s4.根据步骤s3建立的第一训练集，构建深度学习评价模型；

s5.计算步骤s2选取的适应性评价指标因素的当前评价指标值；

s6.根据计算得到的当前评价指标值与步骤s4构建的深度学习评价模型，建立配电网的适应性评价规则；

s7.对步骤s2采集的适应性评价指标因素所对应的历史指标值、历史指标权重值以及历史指标等级值进行特征提取，并建立第二训练集；

s8.根据步骤s7建立的第二训练集，构建深度学习指标权重模型；

s9.根据步骤s5计算得到的当前评价指标值与步骤s8构建的深度学习指标权重模型，计算适应性评价指标因素的当前指标权重值；

s10.根据步骤s1选取的适应性评价指标因素、步骤s9得到的适应性评价指标因素的当前指标权重值和步骤s6得到的配电网的适应性评价规则，计算配电网电源的适应性评价结果。

步骤s1所述的选取配电网电源并网评价的适应性评价指标因素，具体为采用如下步骤进行选取：

(1)根据配电网设备的运行参数，选定原始评价指标因素；

(2)根据步骤(1)中选定的原始评价指标因素，采集配电网中原始评价指标因素所对应的历史指标值、历史指标权重值和历史指标等级，采用相关性分析算法计算各原始评价指标因素对应的相关系数；

(3)根据原值评价指标因素及其对应的相关系数，确定适应性评价指标因素。

所述的适应性评价指标因素包括线路平均负载率、重载线路占比、载荷处在最佳运行区间的线路占比、开断容量平均裕度、开关合格率、容载比、重载变压器占比、载荷处在最佳运行区间的变压器占比、故障情况下保护误动率、保护灵敏度校验合格率以及正常运行时保护误动率。

步骤s4所述的根据第一训练集构建深度学习评价模型，具体为根据第一训练集，采用深度神经网络模型对第一算法集合进行深度学习，从而构建深度学习指标权重模型。

所述的第一算法集合包括数据降维算法、关联算法、线性回归算法和分类算法。

步骤s8所述的根据第二训练集构建深度学习指标权重模型，具体为根据第二训练集，采用深度神经网络模型对第二算法集合进行深度学习，从而构建深度学习指标权重模型。

所述的第二算法集合包括层次分析算法、主成分分析算法、关联算法、线性回归算法和分类算法。

步骤s10所述的根据适应性评价指标因素、适应性评价指标因素的当前指标权重值和配电网的适应性评价规则计算适应性评价结果，具体为采用如下算式计算适应性评价结果q：

式中n为适应性评价指标因素的个数，wi为第i个适应性评价指标因素的权重，ii为第i个适应性评价指标因素。

本发明还提供了一种实现所述配电网电源并网评价方法的评价系统，包括适应性评价指标因素选取模块、历史值采集模块、第一训练集建立模块、深度学习评价模型建立模块、当前评价指标值计算模块、适应性评价规则建立模块、第二训练集建立模块、深度学习权重模型建立模块、当前指标权重值计算模块和配电网电源适应性评价结果计算模块；适应性评价指标因素选取模块、历史值采集模块、第一训练集建立模块、深度学习评价模型建立模块、当前评价指标值计算模块、适应性评价规则建立模块、第二训练集建立模块、深度学习权重模型建立模块、当前指标权重值计算模块和配电网电源适应性评价结果计算模块依次串联；适应性评价指标因素选取模块用于选取配电网电源并网评价的适应性评价指标因素；历史值采集模块用于根据选取的适应性评价指标因素，采集配电网中适应性评价指标因素所对应的历史指标值、历史指标权重值以及历史指标等级值；第一训练集建立模块用于对采集的适应性评价指标因素所对应的历史指标值、历史指标权重值以及历史指标等级值进行特征提取，并建立第一训练集；深度学习评价模型建立模块用于根据建立的第一训练集，构建深度学习评价模型；当前评价指标值计算模块用于计算选取的适应性评价指标因素的当前评价指标值；适应性评价规则建立模块用于根据计算得到的当前评价指标值与构建的深度学习评价模型，建立配电网的适应性评价规则；第二训练集建立模块用于对采集的适应性评价指标因素所对应的历史指标值、历史指标权重值以及历史指标等级值进行特征提取，并建立第二训练集；深度学习权重模型建立模块用于根据建立的第二训练集，构建深度学习指标权重模型；当前指标权重值计算模块用于根据计算得到的当前评价指标值与构建的深度学习指标权重模型，计算适应性评价指标因素的当前指标权重值；配电网电源适应性评价结果计算模块用于根据适应性评价指标因素、适应性评价指标因素的当前指标权重值和配电网的适应性评价规则，计算配电网电源的适应性评价结果。

本发明提供的这种配电网电源并网评价方法及其评价系统，能够提高适应性评价指标的权重的精确度，同时提高适应性评价结果准确度，为配电网改造提供准确的适应性评价依据。

附图说明

图1为本发明方法的方法流程图。

图2为本发明系统的功能模块图。

具体实施方式

如图1所示为本发明方法的方法流程图：本发明提供的这种配电网电源并网评价方法，包括如下步骤：

s1.选取配电网电源并网评价的适应性评价指标因素；具体为采用如下步骤进行选取：

(1)根据配电网设备的运行参数，选定原始评价指标因素；

(2)根据步骤(1)中选定的原始评价指标因素，采集配电网中原始评价指标因素所对应的历史指标值、历史指标权重值和历史指标等级，采用相关性分析算法计算各原始评价指标因素对应的相关系数；

(3)根据原值评价指标因素及其对应的相关系数，确定适应性评价指标因素；

在具体实施时，可以选取线路平均负载率、重载线路占比、载荷处在最佳运行区间的线路占比、开断容量平均裕度、开关合格率、容载比、重载变压器占比、载荷处在最佳运行区间的变压器占比、故障情况下保护误动率、保护灵敏度校验合格率以及正常运行时保护误动率作为适应性评价指标因素；

线路平均负载率id1能够反映配网线路的功率传输情况，是衡量配网线路整体载荷量的重要指标：式中pg为分布式电源未并网的净上网量，pdg为分布式电源并网的净上网量；ijn为线路j的额定电流，ujn为线路j的额定电压；

重载线路占比id2即平均负载率超过线路额定容量70％的配网线路占系统总配网线路的比重，用于评价dg并网后配网线路运行的安全性并确定配网线路的薄弱环节，为配网线路改造提供依据：式中m5为为dg并网后线路负载率超过其额定载流量70％的线路条数，nl为系统总配网线路条数；

载荷处在最佳运行区间的线路占比id3用于评价dg并网后配网线路运行状况是否优质，是反映配网线路运行经济性的重要指标，优选地，线路平均负载率为其额定载流量50％～60％时，该线路载荷处在最佳运行区间；式中m6为dg并网后线路负载率在其额定载流量50％～60％的线路条数；nl为系统总配网线路条数；

开断容量平均裕度id4为dg并网后网络中所有断路器开断容量裕度的平均值，能够反映dg并网后配电网开关正确开合的可信度；开关合格率用于评价dg并网后配电网断路器的安全运行情况，反映网络开关设备对分布式电源的适应情况，用于验证单个断路器的合格情况，确定网络开关的薄弱环节，为配电网开关设备的改造提供依据；式中mk为dg并网后的第k个断路器的开光容量裕度，m7为dg并网后能够正常开断的断路器个数，ns为断路器总数；

容载比id6，重载变压器占比id7以及载荷处在最佳运行区间的变压器占比id8；容载比是指某一供电区域内变电设备总容量裕相应总负荷的比值，用于评价配电网整体的变压器利用率和运行裕度；重载变压器占比为正常运行情况下负载率超过变压器额定容量45％的变压器相对系统变压器总数的占比；载荷处在最佳运行区间的变压器占比是用于评价dg并网后配网变压器的运行状况是否优质，是反映变压器运行经济性的重要指标，优选地，负载率为额定负载率35％～45％时，变压器运行情况最佳。式中pt为配电网内变压器总容量，pl为配电网内变压器总负荷，m8为dg并网后变压器负载率超过其额定容量80％的变压器台数，nt为系统变压器总数，m9为dg并网后载荷处在最佳运行区间的变压器台数；

故障情况下保护误动率id9，保护灵敏度校验合格率id10以及正常运行时保护误动率id11；故障情况下保护误动率用于衡量配电网继电保护装置对dg并网的适应情况，确定网络保护的薄弱环节，为配电网保护的更新改造提供依据；保护灵敏度校验合格率能够体现dg并网后配电网限时电流速断保护的适应情况，校验单个保护动作灵敏度，确定保护装置的薄弱环节，为配电网保护装置的改造提供依据；正常运行时保护误动率能够反映负荷保护对分布式电源的适应能力以及dg对网络潮流的影响程度。式中m10为dg并网后配电网故障情况下继电保护装置误动个数，np为继电保护装置安装总数，m11为dg并网后灵敏度大于1.3的保护个数，m12为dg并网后配电网正常运行时继电保护装置发生误动的个数；

s2.根据步骤s1选取的适应性评价指标因素，采集配电网中适应性评价指标因素所对应的历史指标值、历史指标权重值以及历史指标等级值；

s3.对步骤s2采集的适应性评价指标因素所对应的历史指标值、历史指标权重值以及历史指标等级值进行特征提取，并建立第一训练集；

s4.根据步骤s3建立的第一训练集，构建深度学习评价模型；具体为根据第一训练集，采用深度神经网络模型对第一算法集合进行深度学习，从而构建深度学习指标权重模型；第一算法集合包括数据降维算法、关联算法、线性回归算法和分类算法；

s5.计算步骤s2选取的适应性评价指标因素的当前评价指标值；

s6.根据计算得到的当前评价指标值与步骤s4构建的深度学习评价模型，建立配电网的适应性评价规则；

s7.对步骤s2采集的适应性评价指标因素所对应的历史指标值、历史指标权重值以及历史指标等级值进行特征提取，并建立第二训练集；

s8.根据步骤s7建立的第二训练集，构建深度学习指标权重模型；具体为根据第二训练集，采用深度神经网络模型对第二算法集合进行深度学习，从而构建深度学习指标权重模型；第二算法集合包括层次分析算法、主成分分析算法、关联算法、线性回归算法和分类算法

s9.根据步骤s5计算得到的当前评价指标值与步骤s8构建的深度学习指标权重模型，计算适应性评价指标因素的当前指标权重值；

s10.根据步骤s1选取的适应性评价指标因素、步骤s9得到的适应性评价指标因素的当前指标权重值和步骤s6得到的配电网的适应性评价规则，计算配电网电源的适应性评价结果；具体为采用如下算式计算适应性评价结果q：

式中n为适应性评价指标因素的个数，wi为第i个适应性评价指标因素的权重，ii为第i个适应性评价指标因素。

如图2所示为本发明系统的功能模块图：本发明提供的这种实现所述配电网电源并网评价方法的评价系统，包括依次串接的适应性评价指标因素选取模块、历史值采集模块、第一训练集建立模块、深度学习评价模型建立模块、当前评价指标值计算模块、适应性评价规则建立模块、第二训练集建立模块、深度学习权重模型建立模块、当前指标权重值计算模块和配电网电源适应性评价结果计算模块；适应性评价指标因素选取模块用于选取配电网电源并网评价的适应性评价指标因素；历史值采集模块用于根据选取的适应性评价指标因素，采集配电网中适应性评价指标因素所对应的历史指标值、历史指标权重值以及历史指标等级值；第一训练集建立模块用于对采集的适应性评价指标因素所对应的历史指标值、历史指标权重值以及历史指标等级值进行特征提取，并建立第一训练集；深度学习评价模型建立模块用于根据建立的第一训练集，构建深度学习评价模型；当前评价指标值计算模块用于计算选取的适应性评价指标因素的当前评价指标值；适应性评价规则建立模块用于根据计算得到的当前评价指标值与构建的深度学习评价模型，建立配电网的适应性评价规则；第二训练集建立模块用于对采集的适应性评价指标因素所对应的历史指标值、历史指标权重值以及历史指标等级值进行特征提取，并建立第二训练集；深度学习权重模型建立模块用于根据建立的第二训练集，构建深度学习指标权重模型；当前指标权重值计算模块用于根据计算得到的当前评价指标值与构建的深度学习指标权重模型，计算适应性评价指标因素的当前指标权重值；配电网电源适应性评价结果计算模块用于根据适应性评价指标因素、适应性评价指标因素的当前指标权重值和配电网的适应性评价规则，计算配电网电源的适应性评价结果。