一种区域分布式能源系统的多能流潮流计算方法及系统与流程

本发明涉及潮流计算技术领域，并且更具体地，涉及种区域分布式能源系统的多能流潮流计算方法及系统。

背景技术：

分布式综合能源系统(distributedintegratedenergysystem,dies)作为一种满足区域电、热、冷需求，能够实现对多种能源的综合管理、经济调度和提高能源利用率的有效途径，是能源系统发展的一大趋势，而dies的潮流计算是各种分析计算的基础。现有的多能流潮流计算方法一般完全参考电力系统构建，包含热网-电网交替迭代算法和联合计算方法。热网模型中，通常参考基尔霍夫电流/电压方程及欧姆定律建立节点流量平衡、回路压降平衡和热力平衡方程。但传统热网模型由于水力、热力的非线性，导致各子模型均需迭代求解，计算复杂，另一方面，应用牛拉法计算时初值的选取不当易产生较大误差且计算速度较慢。

因此，如何选取合理的初值，减少各类子模型迭代次数，以较低的计算复杂度实现高计算精度是多能流潮流计算的关键问题。

技术实现要素：

针对上述问题，本发明提出了一种区域分布式能源系统的多能流潮流计算方法，包括：

构建分布式综合能源系统的仿真计算模型，并根据分布式能源系统的运行方式，确认仿真计算模型的迭代计算流程，及各运行方式初值选取的约束；

获取分布式综合能源系统多能流潮流计算的现场运行数据，以现场运行数据及仿真计算模型的迭代计算流程，及各运行方式初值选取的约束，作为样本，生成样本训练集；

对样本训练集进行训练，生成分类器；

梳理训练集中样本的运行约束，随机生成预设个数的满足运行约束的样本，并输入分类器进行计算，取计算结果的最大值作为仿真计算模型的潮流交替迭代计算的初值；

将初值输入仿真计算模型进行潮流迭代交替计算，若潮流计算结果收敛，输出潮流计算结果。

可选的，潮流计算结果若不收敛，随机生成多个数值，取分类器进行计算出现计算结果的最大值时的数值作为初值进行潮流交替迭代计算，直至潮流计算结果收敛。

可选的，预设个数大于2。

可选的，对样本训练集进行训练，生成分类器，包括：

初始化样本训练集中每个样本的权重；

根据样本训练集及权重，生成弱分类器，并确定弱分类器的分类错误率及权重；

根据弱分类器的分类错误率及权重，重新计算确定样本训练集中每个样本的权重，生成新的弱分类器；

当新的弱分类器的分类错误率满足要求，循环结束；否则，继续重新计算权重，生成弱分类器；

按照特定规则，组合各弱分类器，生成强分类器。

本发明还提出了一种区域分布式能源系统的多能流潮流计算系统，包括：

初始模块，构建分布式综合能源系统的仿真计算模型，并根据分布式能源系统的运行方式，确认仿真计算模型的迭代计算流程，及各运行方式初值选取的约束；

预处理模块，获取分布式综合能源系统多能流潮流计算的现场运行数据，以现场运行数据及仿真计算模型的迭代计算流程，及各运行方式初值选取的约束，作为样本，生成样本训练集；

训练模块，对样本训练集进行训练，生成分类器；

计算模块，梳理训练集中样本的运行约束，随机生成预设个数的满足运行约束的样本，并输入分类器进行计算，取计算结果的最大值作为仿真计算模型的潮流交替迭代计算的初值；

输出模块，将初值输入仿真计算模型进行潮流迭代交替计算，若潮流计算结果收敛，输出潮流计算结果。

可选的，潮流计算结果若不收敛，随机生成多个数值，取分类器进行计算出现计算结果的最大值时的数值作为初值进行潮流交替迭代计算，直至潮流计算结果收敛。

可选的，预设个数大于2。

可选的，对样本训练集进行训练，生成分类器，包括：

初始化样本训练集中每个样本的权重；

根据样本训练集及权重，生成弱分类器，并确定弱分类器的分类错误率及权重；

根据弱分类器的分类错误率及权重，重新计算确定样本训练集中每个样本的权重，生成新的弱分类器；

当新的弱分类器的分类错误率满足要求，循环结束；否则，继续重新计算权重，生成弱分类器；

按照特定规则，组合各弱分类器，生成强分类器。

本发明降低了初值选取的随机性，通过收敛度预测模型评价初值的收敛程度，提高了潮流计算收敛的概率，有利于快速选取初值，规避多能流潮流交替迭代中的难收敛度计算时间长的问题，可减少复杂潮流计算模型的潮流计算时间。

附图说明

图1为本发明一种区域分布式能源系统的多能流潮流计算方法流程图；

图2为本发明一种区域分布式能源系统的多能流潮流计算系统结构图。

具体实施方式

现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。

除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。

针对上述问题，本发明提出了一种区域分布式能源系统的多能流潮流计算方法，如图1所示，包括：

构建分布式综合能源系统的仿真计算模型，并根据分布式能源系统的运行方式，确认仿真计算模型的迭代计算流程，及各运行方式初值选取的约束；

获取分布式综合能源系统多能流潮流计算的现场运行数据，以现场运行数据及仿真计算模型的迭代计算流程，及各运行方式初值选取的约束，作为样本，生成样本训练集；

对样本训练集进行训练，生成分类器；

梳理训练集中样本的运行约束，随机生成预设个数的满足运行约束的样本，并输入分类器进行计算，取计算结果的最大值作为仿真计算模型的潮流交替迭代计算的初值；

将初值输入仿真计算模型进行潮流迭代交替计算，若潮流计算结果收敛，输出潮流计算结果。

潮流计算结果若不收敛，随机生成多个数值，取分类器进行计算出现计算结果的最大值时的数值作为初值进行潮流交替迭代计算，直至潮流计算结果收敛。

预设个数大于2。

对样本训练集进行训练，生成分类器，包括：

初始化样本训练集中每个样本的权重；

根据样本训练集及权重，生成弱分类器，并确定弱分类器的分类错误率及权重；

根据弱分类器的分类错误率及权重，重新计算确定样本训练集中每个样本的权重，生成新的弱分类器；

当新的弱分类器的分类错误率满足要求，循环结束；否则，继续重新计算权重，生成弱分类器；

按照特定规则，组合各弱分类器，生成强分类器。

下面结合实施例对本发明进行进一步说明：

根据分布式综合能源系统构建仿真计算模型，并根据运行方式，确认迭代计算流程，以及各运行模型初值选取的约束；

搜集dies多能流潮流计算的现场运行数据和建模计算数据作为样本形成训练集d＝{(xi，yi)}，i＝1,2,3,…,n，yi∈{0,1}，其中0表示模型计算不收敛、1表示计算模型收敛。

现场数据做为xi时，yi为1，模型计算收敛数据作为xi，yi为1，模型计算不收敛数据作为xi，yi为0。

通过训练样本，输出分类器h(x)，包括：

(1)初始化训练集中每个样本的权重，公式如下：

(2)按照以下循环，生成t(大于等于1的正整数)个若分类器ht(x)，其中t＝1,2,3,…,t；

1)基于训练集d和权重w⁰训练产生若弱分类器ht(x)；

2)计算分类器ht(x)的分类错误率；

3)计算分类器ht(x)的权重

4)重新计算训练集中每个样本的权重并归一化

5)判断εt是否大于等于5％，若大于5％，则基于训练集d和权重w^t+1,产生若分类器ht+1(x),然后循环2)、3)、4)、5)步骤；否则循环结束，进行下一步；

(3)最终决策，形成强分类器预测模型

梳理样本运行约束xmin≤xi≤xmax，随机产生m(大于2的正整数)个满足运行约束的样本xj，j＝1,2,3,…,m，分别采用强分类器预测模型计算h(xj)，取h(xj)最大值时的xk作为初值进行潮流交替迭代计算；

按照常规的分布式综合能源系统建模方法进行潮流计算，首先建立系统潮流的计算模型，选取xk作为初值，进行潮流计算，记录是否收敛；

若xk作为初值，模型收敛，则输出潮流计算结果，xk为了新的训练样本，yi＝1；

若xk作为初值，模型收敛不收敛，xk为了新的训练样本，yi＝0，然后重复随机生出初值xj，取h(xj)最大值时的xl作为初值进行潮流交替迭代计算。

循环迭代，只至潮流计算收敛，输出潮流计算结果。

本发明还提出了一种区域分布式能源系统的多能流潮流计算系统200，如图2所示，包括：

初始模块201，构建分布式综合能源系统的仿真计算模型，并根据分布式能源系统的运行方式，确认仿真计算模型的迭代计算流程，及各运行方式初值选取的约束；

预处理模块202，获取分布式综合能源系统多能流潮流计算的现场运行数据，以现场运行数据及仿真计算模型的迭代计算流程，及各运行方式初值选取的约束，作为样本，生成样本训练集；

训练模块203，对样本训练集进行训练，生成分类器；

计算模块204，梳理训练集中样本的运行约束，随机生成预设个数的满足运行约束的样本，并输入分类器进行计算，取计算结果的最大值作为仿真计算模型的潮流交替迭代计算的初值；

输出模块205，将初值输入仿真计算模型进行潮流迭代交替计算，若潮流计算结果收敛，输出潮流计算结果。

潮流计算结果若不收敛，随机生成多个数值，取分类器进行计算出现计算结果的最大值时的数值作为初值进行潮流交替迭代计算，直至潮流计算结果收敛。

预设个数大于2。

对样本训练集进行训练，生成分类器，包括：

初始化样本训练集中每个样本的权重；

根据样本训练集及权重，生成弱分类器，并确定弱分类器的分类错误率及权重；

根据弱分类器的分类错误率及权重，重新计算确定样本训练集中每个样本的权重，生成新的弱分类器；

当新的弱分类器的分类错误率满足要求，循环结束；否则，继续重新计算权重，生成弱分类器；

按照特定规则，组合各弱分类器，生成强分类器。

本发明降低了初值选取的随机性，通过收敛度预测模型评价初值的收敛程度，提高了潮流计算收敛的概率，有利于快速选取初值，规避多能流潮流交替迭代中的难收敛度计算时间长的问题，可减少复杂潮流计算模型的潮流计算时间。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言java和直译式脚本语言javascript等。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。