一种基于时序卷积残差网络的直流输电系统无功控制方法与流程

本技术涉及直流输电线路无功优化控制，尤其涉及一种基于时序卷积残差网络的直流输电系统无功控制方法。

背景技术：

1、随着新型电力系统建设的推进，特高压直流输电技术得到了广泛的应用，直流线路对交流大电网影响力越来越大，导致“强直弱交”的问题逐渐凸显，直流输电线路故障对电网无功电压支撑带来了巨大挑战，故亟需研究直流输电线路无功优化控制技术来提高电压调节能力，进而提升电网的安全稳定运行水平。

2、目前，由于深度学习具有很强的非线性学习能力，因此在无功优化中得到了一定的应用。例如，有专家学者提出基于深度q网络的无功优化方法，实现电网不平衡下的无功最优控制，也有专家学者提出基于深度信念网络的无功调度策略，学习电网运行状态和无功控制关系。但利用上述方法得到的无功控制策略无法使直流输电系统的网络损耗和电压偏移最低，进而限制了其在直流输电线路上的应用效果。

技术实现思路

1、本技术的目的旨在至少能解决上述的技术缺陷之一，特别是现有技术中使用深度学习的方式计算直流输电系统的无功控制策略，无法使直流输电系统的网络损耗和电压偏移最低，进而限制了其在直流输电线路上的应用效果的技术缺陷。

2、本技术提供了一种基于时序卷积残差网络的直流输电系统无功控制方法，所述方法包括：

3、获取直流输电系统在预设历史时段的历史输电数据，所述历史输电数据包括所述直流输电系统的历史运行状态；

4、以网络损耗最低、电压偏移最低为原则，构建所述直流输电系统的无功优化模型；

5、利用所述历史输电数据对所述无功优化模型进行求解，并根据求解结果确定所述直流输电系统的历史最优无功控制策略；

6、以所述直流输电系统的历史运行状态为训练样本、所述历史最优无功控制策略为样本标签，对预设的时序卷积残差网络进行训练，得到无功控制策略预测模型；

7、其中，所述无功控制策略预测模型用于根据所述直流输电系统的当前运行状态预测所述直流输电系统的当前无功控制策略，所述当前无功控制策略为所述直流输电系统的电容器投切数量。

8、可选地，所述以所述直流输电系统的历史运行状态为训练样本、所述历史最优无功控制策略为样本标签，对预设的时序卷积残差网络进行训练，得到无功控制策略预测模型，包括：

9、确定时序卷积残差网络；

10、将所述直流输电系统的历史运行状态作为训练样本输入至所述时序卷积残差网络中，得到所述时序卷积残差网络输出的预测无功控制策略；

11、将所述历史最优无功控制策略作为样本标签，并以所述预测无功控制策略趋近于所述历史最优无功控制策略为目标，对所述时序卷积残差网络中的网络参数进行更新；

12、当达到预设的训练条件时，将训练后的时序卷积残差网络作为无功控制策略预测模型。

13、可选地，所述确定时序卷积残差网络，包括：

14、确定待构建的时序卷积残差网络的网络层数以及神经元个数；

15、根据所述网络层数以及所述神经元个数构建时序卷积残差网络。

16、可选地，所述根据所述网络层数以及所述神经元个数构建时序卷积残差网络，包括：

17、获取所述直流输电系统的多个历史运行状态及对应的历史最优无功控制策略后形成多组数据集；

18、根据所述网络层数设置多组不同数量的神经元，并利用多组不同数量的神经元构建多个时序卷积残差网络；

19、针对每个时序卷积残差网络，使用多组数据集进行训练，并确定每个时序卷积残差网络输出的预测无功控制策略与对应的历史最优无功控制策略之间的策略偏差率；

20、选取策略偏差率最小的时序卷积残差网络作为最终训练的时序卷积残差网络。

21、可选地，所述策略偏差率的计算公式为：

22、

23、其中，δ为策略偏差率，ci为历史最优无功控制策略中第i个无功优化节点的电容器实际投切数，ci为预测无功控制策略中第i个无功优化节点的电容器投切数；k为无功优化节点数。

24、可选地，所述直流输电系统的历史运行状态包括所述直流输电系统中各个节点的历史有功功率和历史无功功率；

25、所述将所述直流输电系统的历史运行状态作为训练样本输入至所述时序卷积残差网络之前，还包括：

26、根据所述直流输电系统中各个节点的历史有功功率和历史无功功率，构建输入矩阵；

27、对所述输入矩阵中的各个元素进行归一化处理，所述归一化处理的计算公式为：

28、

29、其中，xi为输入矩阵x中的第i个元素，min(xi)为输入矩阵x中第个i元素的最小值，max(xi)为输入矩阵x中第个i元素的最大值。

30、可选地，所述以网络损耗最低、电压偏移最低为原则，构建所述直流输电系统的无功优化模型，包括：

31、以网络损耗最低、电压偏移最低为原则，确定目标函数及约束条件，其中，所述约束条件至少包括节点电压约束、潮流约束、换流器特性约束、控制角约束、无功电源调节能力约束和投切死区约束；

32、根据所述目标函数、所述节点电压约束、所述潮流约束、所述换流器特性约束、所述控制角约束、所述无功电源调节能力约束和所述投切死区约束，构建所述直流输电系统的无功优化模型。

33、本技术还提供了一种基于时序卷积残差网络的直流输电系统无功控制装置，包括：

34、历史数据获取模块，用于获取直流输电系统在预设历史时段的历史输电数据，所述历史输电数据包括所述直流输电系统的历史运行状态；

35、优化模型构建模块，用于以网络损耗最低、电压偏移最低为原则，构建所述直流输电系统的无功优化模型；

36、控制策略求解模块，用于利用所述历史输电数据对所述无功优化模型进行求解，并根据求解结果确定所述直流输电系统的历史最优无功控制策略；

37、预测模型训练模块，用于以所述直流输电系统的历史运行状态为训练样本、所述历史最优无功控制策略为样本标签，对预设的时序卷积残差网络进行训练，得到无功控制策略预测模型；

38、其中，所述无功控制策略预测模型用于根据所述直流输电系统的当前运行状态预测所述直流输电系统的当前无功控制策略，所述当前无功控制策略为所述直流输电系统的电容器投切数量。

39、本技术还提供了一种存储介质，所述存储介质中存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如上述实施例中任一项所述一种基于时序卷积残差网络的直流输电系统无功控制方法的步骤。

40、本技术还提供了一种计算机设备，包括：一个或多个处理器，以及存储器；

41、所述存储器中存储有计算机可读指令，所述计算机可读指令被所述一个或多个处理器执行时，执行如上述实施例中任一项所述一种基于时序卷积残差网络的直流输电系统无功控制方法的步骤。

42、从以上技术方案可以看出，本技术实施例具有以下优点：

43、本技术提供的一种基于时序卷积残差网络的直流输电系统无功控制方法，可以先获取直流输电系统在预设历史时段的历史输电数据，该历史输电数据包括直流输电系统的历史运行状态；然后以网络损耗最低、电压偏移最低为原则，构建直流输电系统的无功优化模型，这样便可以利用历史输电数据来对无功优化模型进行求解，并根据求解结果确定直流输电系统的历史最优无功控制策略；接着，本技术可以以直流输电系统的历史运行状态为训练样本、历史最优无功控制策略为样本标签，对预设的时序卷积残差网络进行训练，进而得到无功控制策略预测模型，该无功控制策略预测模型可以根据直流输电系统的当前运行状态预测直流输电系统的当前无功控制策略，如直流输电系统的电容器投切数量；该过程中，由于本技术在对时序卷积残差网络进行训练时，是利用无功优化模型输出的历史最优无功控制策略进行训练的，而本技术的无功优化模型又是以网络损耗最低、电压偏移最低为原则进行构建的，因此，本技术以无功优化模型输出的历史最优无功控制策略对时序卷积残差网络进行训练后，时序卷积残差网络既可以学习到使直流输电系统的网络损耗和电压偏移最低的最优控制策略，又可以利用自身时序卷积信息损失少、感受野宽以及残差网络深层特征提取能力强的优势，学习到直流输电系统的时间序列特征，进而提升了深度学习算法在动态变化的直流输电线路上的应用效果。