一种基于自适应神经网络的潮流计算方法与流程

1.本发明涉及电力系统配电技术领域，特别是一种基于自适应神经网络的潮流计算方法。


背景技术：

2.潮流计算是电力系统非常重要的分析计算，用以研究系统规划和运行中提出的各种问题。对规划中的电力系统，通过潮流计算可以检验所提出的电力系统规划方案能否满足各种运行方式的要求；对运行中的电力系统，通过潮流计算可以预知各种负荷变化和网络结构的改变会不会危及系统的安全，系统中所有母线的电压是否在允许的范围以内，系统中各种元件是否会出现过负荷，以及可能出现过负荷时应事先采取哪些预防措施等。
3.然而精确无误的拓扑结构以及线路参数通常难以获得，因为与输电网不同，配电网通常会有频繁的拓扑变动。其中一些变动是为了获得最优潮流而人为的改变网络拓扑结构，但是监控拓扑变动的装置由于经济原因无法覆盖庞大的配电网导致这些拓扑变动可能是未知的。此外，由停电或人工维护导致的许多拓扑变动也可能是未知的，因为在现场的工程师可能不会在修复网络后立即上传拓扑变动信息。这些因素使得传统潮流模型无法求解。


技术实现要素：

4.本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
5.鉴于上述和/或现有的基于自适应神经网络的潮流计算方法中存在的问题，提出了本发明。
6.因此，本发明所要解决的问题在于如何提供一种基于自适应神经网络的潮流计算方法。
7.为解决上述技术问题，本发明提供如下技术方案：一种基于自适应神经网络的潮流计算方法，其包括，获取配电网典型节点的数据，并形成训练数据集作为后续输入；
8.定义隐藏层与神经元的数量，建立神经自适应神经网络模型框架；
9.利用训练数据集训练自适应神经网络模型，更新神经网络中的参数，构建自适应数据潮流模型。
10.作为本发明所述基于自适应神经网络的潮流计算方法的一种优选方案，其中：获取配电网典型节点的数据包括获取电压、有功和无功数据。
11.作为本发明所述基于自适应神经网络的潮流计算方法的一种优选方案，其中：在获取典型节点的电压、有功和无功数据步骤中，对于n个典型节点的配电网络，所有典型节点用集合n＝{1，2，3，
…
，n}表示，采集所有典型节点在t个时间截面下的电压、有功和无功量测数据，形成的数据矩阵如下：
[0012][0013]
其中，t为量测总次数；t为时段，t∈[1,t]；v
n,t
为第n个节点t时刻的电压；p
n,t
为第n个节点t时刻的有功功率；q
n,t
为第n个节点t时刻的无功功率。
[0014]
作为本发明所述基于自适应神经网络的潮流计算方法的一种优选方案，其中：深度为l 1的潮流模型正向传播过程如下所示：
[0015][0016]f(l)
＝h
(l)
θ
(l)
,l＝0,...,l
[0017]h(l)
＝max(0,w
(l)h(l-1)
b
(l)
),l＝1,...,l
[0018]h(0)
＝x＝[v1,δp2,...,δpn,δq2,...,δqn]
t
[0019]
式中，x为1个时间断面的首端变压器节点电压幅值以及其余节点注入有功、无功组成的2n-1维向量；w(l)为第l个隐藏层的权重矩阵，b(l)为第l个隐藏层的偏置向量，θ(l)为第l个输出层的权重矩阵，α(l)为第l个输出层的权重。与传统神经网络不同，传统神经网络最终的输出结果为h(l)，而自适应神经网络模型的输出结果f(x)是h(0)，
…
，h(l)的加权组合。
[0020]
作为本发明所述基于自适应神经网络的潮流计算方法的一种优选方案，其中：数据潮流模型的损失函数如下所示：
[0021][0022]
y＝[δp1,δq1,v2,
…
,vn]
t
[0023]
式中，y为1个时间断面的首端变压器节点注入有功、无功以及其余节点电压幅值组成的n 1维向量。
[0024]
作为本发明所述基于自适应神经网络的潮流计算方法的一种优选方案，其中：在训练模型的过程中，需要学习的参数为α(l)、θ(l)、w(l)和b(l)。
[0025]
作为本发明所述基于自适应神经网络的潮流计算方法的一种优选方案，其中：在第一次迭代时，每一个输出层的权重α都服从均匀分布，即：
[0026][0027]
在后续迭代中，权重的更新过程如下：
[0028][0029]
式中，β∈(0，1)为折现率参数，t为迭代次数。
[0030]
作为本发明所述基于自适应神经网络的潮流计算方法的一种优选方案，其中：在每一轮迭代后，权重α会被归一化，使得
[0031]
作为本发明所述基于自适应神经网络的潮流计算方法的一种优选方案，其中：隐
藏层权重参数w(l)和b(l)以及输出层参数θ(l)的更新过程如下：
[0032][0033][0034][0035]
式中，η为学习率。
[0036]
本发明有益效果为：提出了一种基于自适应神经网络的潮流计算方法，根据所采集的测量数据集，基于自适应神经网络模型建立自适应潮流模型，实现在拓扑以及线路参数未知场景下的潮流计算。
附图说明
[0037]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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性的前提下，还可以根据这些附图获得其它的附图。其中：
[0038]
图1为基于自适应神经网络的潮流计算方法的场景图。
[0039]
图2为ieee 33节点配电网拓扑结构。
[0040]
图3为传统神经网络方法和本发明所述方法的准确率的对比图。
具体实施方式
[0041]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。
[0042]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
[0043]
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
[0044]
实施例1
[0045]
参照图1，为本发明第一个实施例，该实施例提供了一种基于自适应神经网络的潮流计算方法，基于自适应神经网络的潮流计算方法包括如下步骤：
[0046]
s1：获取配电网典型节点的数据，并形成训练数据集作为后续输入。
[0047]
s2：定义隐藏层与神经元的数量，建立神经自适应神经网络模型框架。
[0048]
s3：利用训练数据集训练自适应神经网络模型，更新神经网络中的参数，构建自适应数据潮流模型。
[0049]
在步骤s1中，获取配电网典型节点的数据主要包括获取电压、有功和无功数据。在
获取典型节点的电压、有功和无功数据步骤中，对于n个典型节点的配电网络，所有典型节点用集合n＝{1，2，3，
…
，n}表示，采集所有典型节点在t个时间截面下的电压、有功和无功量测数据，形成的数据矩阵如下：
[0050][0051]
其中，t为量测总次数；t为时段，t∈[1,t]；v
n,t
为第n个节点t时刻的电压；p
n,t
为第n个节点t时刻的有功功；；q
n,t
为第n个节点t时刻的无功功率。
[0052]
在步骤s2中，先建立深度为l 1的自适应神经网络框架，然后构建自适应神经网络的损失函数。
[0053]
深度为l 1的潮流模型正向传播过程如下所示：
[0054][0055]f(l)
＝h
(l)
θ
(l)
,l＝0,...,l
[0056]h(l)
＝max(0,w
(l)h(l-1)
b
(l)
),l＝1,...,l
[0057]h(0)
＝x＝[v1,δp2,...,δpn,δq2,...,δqn]
t
[0058]
式中，x为1个时间断面的首端变压器节点电压幅值以及其余节点注入有功、无功组成的2n-1维向量；w(l)为第l个隐藏层的权重矩阵，b(l)为第l个隐藏层的偏置向量，θ(l)为第l个输出层的权重矩阵，α(l)为第l个输出层的权重。与传统神经网络不同，传统神经网络最终的输出结果为h(l)，而自适应神经网络模型的输出结果f(x)是h(0)，
…
，h(l)的加权组合。
[0059]
构建自适应神经网络的损失函数，如下：
[0060][0061]
y＝[δp1,δq1,v2,
…
,vn]
t
[0062]
式中，y为1个时间断面的首端变压器节点注入有功、无功以及其余节点电压幅值组成的n 1维向量。
[0063]
在步骤s3中，训练模型的过程中需要学习的参数为α(l)、θ(l)、w(l)和b(l)。在第一次迭代时，每一个输出层的权重α都服从均匀分布，即：
[0064][0065]
在后续迭代中，权重的更新过程如下：
[0066][0067]
式中，β∈(0，1)为折现率参数，t为迭代次数。在每一轮迭代后，权重α会被归一化，使得
[0068]
隐藏层权重参数w(l)和b(l)以及输出层参数θ(l)的更新过程如下：
[0069][0070][0071][0072]
式中，η为学习率。
[0073]
然后利用训练数据集以在线学习的形式更新模型参数，得到自适应数据潮流模型，实现在配电网拓扑以及线路参数未知场景下的潮流计算。
[0074]
实施例2
[0075]
如图2和图3，为本发明第二个实施例，该实施例基于上一个实施例。
[0076]
具体的，在ieee 33节点系统上进行仿真和分析，ieee 33节点配电网拓扑结构如图2所示。图2中，节点1为变压器节点，该节点的电压幅值保持恒定。系统辐射状运行，基准电压为12.66kv。
[0077]
本实施例首先采用蒙特卡罗方法随机生成节点的注入有功、无功数据。然后，运行前推回代潮流计算，以生成不同场景下的节点电压幅值。最后，将生成的有功、无功和电压幅值数据输入到模型中用以训练模型，其中80％为训练数据集，20％为测试数据集。所有仿真均在一台配置有2.11ghz intel core i7处理器及8g内存的电脑上完成。
[0078]
为了验证模型的有效性，本文采用平均相对误差(mean relative error，mre)来描述模型的估计值与真值之间的差距，其表达式如下：
[0079][0080]
式中，yi为真值向量的第i个元素，为模型输出向量的第i个元素，n为元素的个数。
[0081]
为验证本方法相对传统方法具有较高的准确率。
[0082]
本实施例中采用传统神经网络方法和本方法进行准确率的对比，对比结果如图3所示。
[0083]
由图3可知，采用本发明所述方法的准确率明显高于传统神经网络方法，证明了本发明所述方法能够根据所采集的测量数据集，基于自适应神经网络模型建立自适应潮流模型，实现在拓扑以及线路参数未知场景下的潮流计算。
[0084]
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。