一种基于深度学习的小水电群区域配网最优潮流获取方法

本发明涉及电力系统运行优化
技术领域：
，特别是涉及一种基于深度学习的小水电群区域配网最优潮流获取方法。
背景技术：
：在水利资源丰富的地区，小水电的建设规模和装机容量迅速扩大，对电力部门节约电能和改善电压质量有着重要的影响。小水电多为径流式，装机容量小、可调节能力差，水电出力受气候、降雨等因素的影响，在水电大发期，大量上网潮流使某些设备负载量大增，设备的重载运行会加大了电网的安全运行风险。枯水期水电出力低，近区负荷需从省网通道下网，传输距离长，消耗了大量无功。因此，多小水电地区电网运行方式复杂多变，受水电出力影响严重。最优潮流模型具有非线性和非凸性，是一个复杂的线性规划问题，难以进行可靠高效的计算。传统的线性化方法可以简化非线性潮流方程，但可能导致解的精度损失。虽然已经取得了一些进展，但最优潮流的计算效率仍然是一个难题。根据电网运行特征，利用最优潮流求解功率优化问题，综合利用各种降损方案，是实现电网安全、经济、优质运行的重要手段。技术实现要素：本发明的目的是提供一种基于深度学习的小水电群区域配网最优潮流获取方法，以解决上述现有技术存在的问题，使电网安全、经济、优质的运行得到实现。为实现上述目的，本发明提供了如下方案：本发明提供一种基于深度学习的小水电群区域配网最优潮流获取方法，包括以下步骤：基于连续潮流法跟踪负荷变化和发电机功率变化下的电力系统稳态行为，获得电力系统稳态行为模型，基于所述电力系统稳态行为模型获得节点电压幅值和相角；基于所述节点电压幅值和所述相角，由潮流方程计算获得负荷数据；基于所述负荷数据，由传统最优潮流求解器获得发电机有功功率pg和发电机无功功率qg；构建卷积神经网络模型，将所述负荷数据、所述发电机有功功率和发电机无功功率整合为第一数据集，将所述第一数据集按照8：2的比例分为训练数据和测试数据，基于所述训练数据对所述卷积神经网络模型进行训练；基于所述卷积神经网络模型，预测发电机有功功率和发电机无功功率，获得发电机有功功率预测值和发电机无功功率预测值，将所述发电机有功功率预测值、所述发电机无功功率预测值和所述负荷数据，输入到传统潮流求解器，得到最优潮流解的剩余变量，将所述发电机有功功率pg、发电机无功功率qg和所述剩余变量合并，构成最优潮流的解。优选地，其中所述电力系统稳态行为模型包括：f(x,λ)＝00≤λ≤λcritical其中f∈rn，x∈rn，λ∈r，r代表一维空间，rn代表n维空间，λcritical代表临界负荷，向量x中包含系统中所有母线电压的幅值和相角，λ为一个反映系统负荷水平的标量参数；基本负荷表达式为：其中pli、qli分别表示母线i的两个基本负荷；kli指定了随着λ表面化，母线i负荷变化率的乘子；为母线i负荷变化的功率因数角；sδbase为规定λ适当比例的视在功率；发电机有功出力修正pgi为：pgi＝pgi(0)+(1+λkgi)其中pgi(0)是母线i发电机的基本有功出力；kgi用于指定发电机有功出力随λ变化的常数。优选地，基于所述训练数据对所述卷积神经网络模型进行训练的作用为：学习负荷与发电机输出功率之间的映射关系。优选地，所述负荷数据是基于潮流方程计算方法所得到的。优选地，所述有功功率基于潮流方程的表达式为：其中pi表示每条母线的有功功率；vi表示母线i的电压幅值；gij、bij分别为节点导纳矩阵第i行第j列元素的实部与虚部；sb表示系统所有节点集合；θij＝θi-θj，其中θi表示母线i的电压相角。优选地，所述无功功率基于潮流方程的表达式为：其中qi表示每条母线的无功功率，θij＝θi-θj。优选地，所述卷积神经网络采用1层卷积网络。本发明公开了以下技术效果：本发明提供了一种高效的求解配网最优潮流的方法，通过连续方法跟踪负荷及发电机功率变化下的电力系统稳态行为，获得母线电压幅值、相角数据，通过潮流方程计算方法得到负荷数据，本申请还使用了深度学习中的卷积神经网络，将所得数据随机分为训练集和测试集，对卷积神经网络进行训练从而学习负荷与发电机输出功率之间的映射关系，最后求得剩余变量，本申请能够加快最优潮流问题的求解速度，并具有较高的预测精度。附图说明为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为连续潮流计算过程示意图；图2为convopf的框架结构示意图；图3为convopf的预测值与精确解的比较示意图。具体实施方式现详细说明本发明的多种示例性实施方式，该详细说明不应认为是对本发明的限制，而应理解为是对本发明的某些方面、特性和实施方案的更详细的描述。应理解本发明中所述的术语仅仅是为描述特别的实施方式，并非用于限制本发明。另外，对于本发明中的数值范围，应理解为还具体公开了该范围的上限和下限之间的每个中间值。在任何陈述值或陈述范围内的中间值以及任何其他陈述值或在所述范围内的中间值之间的每个较小的范围也包括在本发明内。这些较小范围的上限和下限可独立地包括或排除在范围内。除非另有说明，否则本文使用的所有技术和科学术语具有本发明所属领域的常规技术人员通常理解的相同含义。虽然本发明仅描述了优选的方法和材料，但是在本发明的实施或测试中也可以使用与本文所述相似或等同的任何方法和材料。本说明书中提到的所有文献通过引用并入，用以公开和描述与所述文献相关的方法和/或材料。在与任何并入的文献冲突时，以本说明书的内容为准。在不背离本发明的范围或精神的情况下，可对本发明说明书的具体实施方式做多种改进和变化，这对本领域技术人员而言是显而易见的。由本发明的说明书得到的其他实施方式对技术人员而言是显而易见得的。本申请说明书和实施例仅是示例性的。关于本文中所使用的“包含”、“包括”、“具有”、“含有”等等，均为开放性的用语，即意指包含但不限于。本发明中所述的“份”如无特别说明，均按质量份计。实施例1本发明提供一种基于深度学习的小水电群区域配网最优潮流获取方法，包括以下步骤：基于连续潮流法跟踪负荷变化和发电机功率变化下的电力系统稳态行为，获得电力系统稳态行为模型，基于所述电力系统稳态行为模型获得节点电压幅值和相角；基于所述节点电压幅值和所述相角，由潮流方程计算获得负荷数据；基于所述负荷数据，由传统最优潮流求解器获得发电机有功功率pg和发电机无功功率qg；构建卷积神经网络模型，将所述负荷数据、所述发电机有功功率和发电机无功功率整合为第一数据集，将所述第一数据集按照8：2的比例分为训练数据和测试数据，基于所述训练数据对所述卷积神经网络模型进行训练；基于所述卷积神经网络模型，预测发电机有功功率和发电机无功功率，获得发电机有功功率预测值和发电机无功功率预测值，将所述发电机有功功率预测值、所述发电机无功功率预测值和所述负荷数据，输入到传统潮流求解器，得到最优潮流解的剩余变量，将所述发电机有功功率pg、发电机无功功率qg和所述剩余变量合并，构成最优潮流的解。进一步地，所述获得随负荷变化的潮流解路径的方法为：基于已知的负荷值，利用切线预估器估计指定负荷增加模式下的值，作为估计值，在固定负荷下使用常规的潮流程序矫正所述估计值，得到精确解。进一步地，其中所述电力系统稳态行为模型包括：f(x,λ)＝00≤λ≤λcritical其中f∈rn，x∈rn，λ∈r，，r代表一维空间，rn代表n维空间，λcritical代表临界负荷，向量x中包含系统中所有母线电压的幅值和相角，λ为一个反映系统负荷水平的标量参数；基本负荷表达式为：其中pli、qli分别表示母线i的两个基本负荷；kli指定了随着λ表面化，母线i负荷变化率的乘子；为母线i负荷变化的功率因数角；sδbase为规定λ适当比例的视在功率；发电机有功出力修正pgi为：pgi＝pgi(0)+(1+λkgi)其中pgi(0)是母线i发电机的基本有功出力；kgi用于指定发电机有功出力随λ变化的常数。进一步地，基于所述训练数据对所述卷积神经网络模型进行训练的作用为：学习负荷与发电机输出功率之间的映射关系。进一步地，所述负荷数据是基于潮流方程计算方法所得到的。进一步地，所述有功功率基于潮流方程的表达式为：其中pi表示每条母线的有功功率；vi表示母线i的电压幅值；gij、bij分别为节点导纳矩阵第i行第j列元素的实部与虚部；sb表示系统所有节点集合；θij＝θi-θj，其中θi表示母线i的电压相角。进一步地，所述功功率基于潮流方程的表达式为：其中qi表示每条母线的无功功率，θij＝θi-θj。进一步地，所述卷积神经网络采用1层卷积网络。实施例2convopf模型包括三个阶段：数据生成阶段、训练阶段和测试阶段。(1)数据生成阶段训练卷积神经网络模型首先需要获得训练数据，convopf采用连续潮流和潮流方程计算方法来生成负荷数据。首先使用连续潮流方法生成节点电压幅值vi和相角θi。基于连续方法(continuationmethod，又称延拓法)，是跟踪非线性代数方程组随参数变化的解曲线的基本方法。连续潮流使用连续方法跟踪负荷及发电机功率变化下的电力系统稳态行为，电力系统稳态行为的数学模型如下：f(x,λ)＝00≤λ≤λcritical式中f∈rn，x∈rn，λ∈r，向量x中包含系统中所有母线电压的幅值和相角，λ为一个反映系统负荷水平的标量参数。式中：pli、qli分别表示母线i的基本负荷；kli指定了随着λ表面化，母线i负荷变化率的乘子；为母线i负荷变化的功率因数角；sδbase为规定λ适当比例的视在功率。另外，发电机有功出力修正为：pgi＝pgi(0)+(1+λkgi)式中：pgi(0)是母线i发电机的基本有功出力；kgi用于指定发电机有功出力随λ变化的常数。连续潮流采用预测-校正方案找出随负荷参数变化的潮流解路径，如图1所示，从已知的基本解a开始，利用切线预估器估计指定负荷增加模式下的解b。然后在固定负荷下使用常规的潮流程序校正估计值即可得到精确解c。通过设置连续潮流计算中的一些参数，可以保证所得数据的最优潮流计算结果的收敛性。潮流方程计算方法的核心思想是将节点电压幅值和相角作为潮流求解的条件来获得负荷数据(pd,qd)。每条母线的有功功率和无功功率由(14)中的非线性潮流方程描述。其中pi和qi表示每条母线的有功和无功功率；θij＝θi-θj。在获得pd和qd后，将负荷数据随机分为训练数据和测试数据。然后将负荷数据输入到传统的最优潮流求解器中，生成训练数据和测试数据中的pg和qg。(2)卷积神经网络模型卷积神经网络模型是convopf的核心，用来逼近负荷与发电机输出功率之间的映射关系。设计采用1层卷积网络。通过观察，卷积神经网络模型参数的详细详细参数见表1。表1层数名称1convolutionallayer2flattenlayer3denselayer4denselayer为了得到最优解中各节点的电压幅值和相角，需要将测试阶段的负荷数据与卷积神经网络模型预测的发电机有功和无功功率数据相结合。然后，将整合后的数据送入传统潮流求解器进行计算，得到相应的剩余变量vi和θi。实施例3下面结合附图对本发明进行详细说明，图1为convopf模型的框架结构。本发明提供一种基于深度学习的小水电群区域配网最优潮流获取方法，主要是通过构造的convopf模型进行最优潮流计算。本发明通过卷积神经网络学习最优潮流负荷输入与发电机有功输出的映射关系，然后利用传统的交流潮流求解器得到相应的电压幅值和相角。主要包括以下几个步骤：(1)采用连续潮流和潮流方程计算方法来生成需要的数据集。(2)将数据集随机分为训练数据(80％)和测试数据(20％)。(2)用训练数据对搭建好的卷积神经网络模型进行训练，学习负荷与发电机输出功率之间的映射关系。(3)输入测试数据直接由训练好的卷积神经网络求得pg和qg(4)用传统潮流求解器求解剩余变量vi和θi。以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。当前第1页12