一种基于多目标神经网络优化的分布式新能源定容方法与流程

1.本发明涉及新能源技术领域，具体为一种基于多目标神经网络优化的分布式新能源定容方法。


背景技术：

2.新能源又称非常规能源，指传统能源之外的各种能源形式，一般为在新技术基础上加以开发利用的可再生能源，如太阳能、地热能、风能、海洋能、生物质能和核聚变能等，分布式新能源将新能源以规模化、模块化、分散式的方式安装在用户端，可独立地输出冷、热、电能的新能源系统，新能源包括太阳能、空气能、风能、生物质能、潮汐能、地热能、氢能和核能(原子能)，分布式新能源系统安装在用户终端，主要解决用户对冷(空调制冷、制冰、储藏、降温等)、热(蒸汽、热水、采暖等)、电的需求，分布式新能源系统利用多种新能源技术和系统匹配技术及智能控制技术，将多种新能源进行综合利用，辅以少量的常规能源，满足用户对能源的各种需求，实现能源的最大化利用，突显新能源的节能效益。
3.分布式新能源在日常使用过程中，单个新能源处理能力并不强，只能处理器本身所能提供的能源，当单个出现问题时，不能及时了解到故障的出处，会影响其他与其连接的新能源正常使用，新能源的使用过程中，不能最大化的发挥其作用，造成了资源的浪费，而且在进行新能源类型或者数量选择的时候，不能清楚地知道最优方案。


技术实现要素：

4.针对现有技术的不足，本发明提供了一种基于多目标神经网络优化的分布式新能源定容方法，解决了单个新能源处理能力并不强，只能处理器本身所能提供的能源，当单个出现问题时，不能及时了解到故障的出处，会影响其他与其连接的新能源正常使用，新能源的使用过程中，不能最大化的发挥其作用，造成了资源浪费，而且在进行新能源类型或者数量选择的时候，不能清楚地知道最优方案的问题。
5.为实现以上目的，本发明通过以下技术方案予以实现：一种基于多目标神经网络优化的分布式新能源定容方法，具体包括以下步骤：
6.s1、分析分布式新能源与传统配电网之间的差异性：分布式新能源接入配电网后的网络损耗为：
7.等式约束条件如(式2)所示：
8.不等式约束条件为：
9.对分布式新能源的位置和容量采用实数编码的方法,分布式新能源的建设方案运用一组变量x＝{x，x,....x,}表示，x,的大小说明了对应负荷节点的分布式新能源建设情况，若x
i
＝0，则说明该负荷节点i不安装分布式新能源，若x
i
＝1，则表示该负荷节点上待建分布式新能源，且安装容量为100kva，若x
i
＝2，则表示该负荷节点上待建分布式新能源，且安装容量为200kva，以此类推；
10.s2、对于分布式新能源的运行费用进行计算：运行费用的变化由(式4)计算：δc
op
＝δc
loss
δc
p
，分布式新能源的优点之一就是减轻了线路的负载，降低网络损耗，节约了能源，配电网接入分布式新能源后的网损成本变化为：假定分布式新能源由配电公司进行建设及运行管理，配电公司增加了分布式新能源运行成本，但同时从输电网购买的电量减少，则接入分布式新能源前后，配电网购电成本变化为：
11.分析分布式新能源节约成本的具体情况，并根据实际所需新能源的数量进行具体核算；
12.s3、利用神经网络对分布式新能源的定容进行优化：确定样本数据信息，首先，选择和负荷关联较高的时间、气温、风速，将一周前、后最大和最小负荷作为输入样本数据，并和当前与之对应的样本一起作为输出数据，其次，实际测量数据是目标负荷数据，将短期负荷预测结果作为重要输出数据，最后.应用”数据块”对输入、输出数据信息进行统一化处理，按照日期类型划分的七种类型数据开展网络训练，打造基于rbf神经网络短期负荷预测模型，实现分布式新能源定容的优化。
13.优选的，所述s1中，式1中，r jx为线路总抗阻，w％为分布式新能源接入配电网后距离配电所端的距离占线路总长度的百分比，p
l
、q
l
分别为负荷端有功功率和无功功率，u为负荷端电压，p
g
、q
g
分别为分布式新能源的有功功率和无功功率。
14.优选的，所述s1中，式2中，其中p
gi
、q
gi
分别是各节点的注入有功功率和无功功率，u
ij
为支路导纳，b
ij
为支路电纳，s
ij
为节点i与节点j电压角度的差值。
15.优选的，所述s1中，式3中，p
dgi
、q
dgi
分别为节点注入的分布式新能源的有功功率和无功功率，u和p
l
分别为节点电压和支路有功功率，p
dg
为分布式发电额定容量，p
s
和p
smax
分别为配电系统从输电系统购买的实际功率和最大功率。
16.优选的，所述s2式4中，δc
loss
为分布式新能源接入配电网后配电网网损成本变化，δc
p
为分布式新能源接入配电网后配电网购电成本的变化，式5中，γ为配电网的购电电价，元/kwh，τ
loss.i
为第i条支路的年最大负荷损耗小时数，n1为配电网支路总条数，p
loss.i.dg
为接入分布式新能源后第i条线路的有功损耗，p
loss.i
为接入分布式新能源前第i条线路的有功损耗。
17.优选的，所述s2式6中，n
dg
为接入配电网的分布式新能源总数，μ
i
为系统第i个分布式新能源的运行成本，τ
dg,i
为第i个分布式新能源的年最大利用小时数，x
i
为折算到每年的
第i个分布式新能源的建设费用，p
dg,i
为第i个分布式新能源的额定有功功率。
18.有益效果
19.本发明提供了一种基于多目标神经网络优化的分布式新能源定容方法。与现有技术相比具备以下有益效果：
20.(1)、该基于多目标神经网络优化的分布式新能源定容方法，具体包括以下步骤：s1、分析分布式新能源与传统配电网之间的差异性，s2、对于分布式新能源的运行费用进行计算，s3、利用神经网络对分布式新能源的定容进行优化，通过采用神经网络来对分布式新能源定容进行监测管理，可以清楚的知道每一处新能源的具体情况，还可以选择合适的定容方法来确定适合的新能源数量与类型，使得各处的新能源处于最佳状态，同时，多目标神经网络可以检测分布式新能源的哪一处出现故障，在不影响其他新能源运作的同时，及时对故障处进行处理。
21.(2)、该基于多目标神经网络优化的分布式新能源定容方法，通过将许多神经元连接起来构成一个网络系统，才能完成复杂的任务，呈现“智能”的特性，神经网络系统是一个高度互连的复杂的非线性动力系统，其中每个神经元的输入可以与许多其他节点相连，但只有一一个输出，而这个输出又可以同时输入给许多其他的神经元。
附图说明
22.图1为本发明的步骤流程图。
具体实施方式
23.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
24.请参阅图1，本发明提供两种技术方案：一种基于多目标神经网络优化的分布式新能源定容方法，具体包括以下实施例：
25.实施例一
26.s1、分析分布式新能源与传统配电网之间的差异性：分布式新能源接入配电网后的网络损耗为：
27.等式约束条件如(式2)所示：
28.不等式约束条件为：
29.对分布式新能源的位置和容量采用实数编码的方法,分布式新能源的建设方案运用一组变量x＝{x，x,....x,}表示，x,的大小说明了对应负荷节点的分布式新能源建设情况，若x
i
＝0，则说明该负荷节点i不安装分布式新能源，若x
i
＝1，则表示该负荷节点上待建分布式新能源，且安装容量为100kva，若x
i
＝2，则表示该负荷节点上待建分布式新能源，且安装容量为200kva，以此类推；
30.s2、对于分布式新能源的运行费用进行计算：运行费用的变化由(式4)计算：δc
op
＝δc
loss
δc
p
，分布式新能源的优点之一就是减轻了线路的负载，降低网络损耗，节约了能源，配电网接入分布式新能源后的网损成本变化为：假定分布式新能源由配电公司进行建设及运行管理，配电公司增加了分布式新能源运行成本，但同时从输电网购买的电量减少，则接入分布式新能源前后，配电网购电成本变化为：
31.分析分布式新能源节约成本的具体情况，并根据实际所需新能源的数量进行具体核算；
32.s3、利用神经网络对分布式新能源的定容进行优化：确定样本数据信息，首先，选择和负荷关联较高的时间、气温、风速，将一周前、后最大和最小负荷作为输入样本数据，并和当前与之对应的样本一起作为输出数据，其次，实际测量数据是目标负荷数据，将短期负荷预测结果作为重要输出数据，最后.应用”数据块”对输入、输出数据信息进行统一化处理，按照日期类型划分的七种类型数据开展网络训练，打造基于rbf神经网络短期负荷预测模型，实现分布式新能源定容的优化。
33.本发明中，s1中，式1中，r jx为线路总抗阻，w％为分布式新能源接入配电网后距离配电所端的距离占线路总长度的百分比，p
l
、q
l
分别为负荷端有功功率和无功功率，u为负荷端电压，p
g
、q
g
分别为分布式新能源的有功功率和无功功率。
34.实施例二
35.s1、分析分布式新能源与传统配电网之间的差异性：分布式新能源接入配电网后的网络损耗为：
36.等式约束条件如(式2)所示：
37.不等式约束条件为：
38.对分布式新能源的位置和容量采用实数编码的方法,分布式新能源的建设方案运用一组变量x＝{x，x,....x,}表示，x,的大小说明了对应负荷节点的分布式新能源建设情况，若x
i
＝0，则说明该负荷节点i不安装分布式新能源，若x
i
＝1，则表示该负荷节点上待建分布式新能源，且安装容量为100kva，若x
i
＝2，则表示该负荷节点上待建分布式新能源，且安装容量为200kva，以此类推；
39.s2、对于分布式新能源的运行费用进行计算：运行费用的变化由(式4)计算：δc
op
＝δc
loss
δc
p
，分布式新能源的优点之一就是减轻了线路的负载，降低网络损耗，节约了能源，配电网接入分布式新能源后的网损成本变化为：假定分布式新能源由配电公司进行建设及运行管理，配电公司增加了分布式新能源运行成本，但同时从输电网购买的电量减少，则接入分布式新能源前后，配电网购电成本变化为：
40.分析分布式新能源节约成本的具体情况，并根据实际所需新能源的数量进行具体核算；
41.s3、利用神经网络对分布式新能源的定容进行优化：确定样本数据信息，首先，选择和负荷关联较高的时间、气温、风速，将一周前、后最大和最小负荷作为输入样本数据，并和当前与之对应的样本一起作为输出数据，其次，实际测量数据是目标负荷数据，将短期负荷预测结果作为重要输出数据，最后.应用”数据块”对输入、输出数据信息进行统一化处理，按照日期类型划分的七种类型数据开展网络训练，打造基于rbf神经网络短期负荷预测模型，实现分布式新能源定容的优化。
42.本发明中，s1中，式1中，r jx为线路总抗阻，w％为分布式新能源接入配电网后距离配电所端的距离占线路总长度的百分比，p
l
、q
l
分别为负荷端有功功率和无功功率，u为负荷端电压，p
g
、q
g
分别为分布式新能源的有功功率和无功功率。
43.本发明中，s1中，式2中，其中p
gi
、q
gi
分别是各节点的注入有功功率和无功功率，u
ij
为支路导纳，b
ij
为支路电纳，s
ij
为节点i与节点j电压角度的差值。
44.本发明中，s1中，式3中，p
dgi
、q
dgi
分别为节点注入的分布式新能源的有功功率和无功功率，u和p
l
分别为节点电压和支路有功功率，p
dg
为分布式发电额定容量，p
s
和p
smax
分别为配电系统从输电系统购买的实际功率和最大功率。
45.本发明中，s2式4中，δc
loss
为分布式新能源接入配电网后配电网网损成本变化，δc
p
为分布式新能源接入配电网后配电网购电成本的变化，式5中，γ为配电网的购电电价，元/kwh，τ
loss.i
为第i条支路的年最大负荷损耗小时数，n1为配电网支路总条数，p
loss.i.dg
为接入分布式新能源后第i条线路的有功损耗，p
loss.i
为接入分布式新能源前第i条线路的有功损耗。
46.本发明中，s2式6中，n
dg
为接入配电网的分布式新能源总数，μ
i
为系统第i个分布式新能源的运行成本，τ
dg,i
为第i个分布式新能源的年最大利用小时数，x
i
为折算到每年的第
i个分布式新能源的建设费用，p
dg,i
为第i个分布式新能源的额定有功功率。
47.同时本说明书中未作详细描述的内容均属于本领域技术人员公知的现有技术。
48.实施例二相比较实施例一来说，其优点在于通过采用神经网络来对分布式新能源定容进行监测管理，可以清楚的知道每一处新能源的具体情况，还可以选择合适的定容方法来确定适合的新能源数量与类型，使得各处的新能源处于最佳状态，同时，多目标神经网络可以检测分布式新能源的哪一处出现故障，在不影响其他新能源运作的同时，及时对故障处进行处理，通过将许多神经元连接起来构成一个网络系统，才能完成复杂的任务，呈现“智能”的特性，神经网络系统是一个高度互连的复杂的非线性动力系统，其中每个神经元的输入可以与许多其他节点相连，但只有一一个输出，而这个输出又可以同时输入给许多其他的神经元。
49.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
50.尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。