基于模型与数据驱动的新型电力系统潮流计算方法与流程

1.本发明涉及电力技术领域，具体地说，涉及一种基于模型与数据驱动的新型电力系统潮流计算方法。


背景技术：

2.近年来，可再生能源在世界范围内发展迅速，形成了可再生能源规模入网的新型电力系统，考虑到新型电力系统的不确定性显著增加，对电力系统分析产生了重大影响。潮流计算对于电力系统的安全运行和优化调度具有非常重要的意义，然而潮流模型本质上是一组非线性方程，这对电力系统潮流的快速求解提出了挑战。
3.因此，许多线性潮流模型被提出，采用了不同的近似方法，然而这些近似都或多或少引入一定的误差，会对电力系统分析带来一定的影响。随着机器学习技术的发展，很多学者将目光集中在利用数据驱动的方法拟合潮流关系，但这种方法仅是考虑了电力系统的输入数据和输出数据，丢失了潮流模型的可解释性。


技术实现要素：

4.本发明的目的在于解决现有技术的问题，提供一种基于模型与数据驱动的新型电力系统潮流计算方法，建立简化的线性潮流模型，利用深度神经网络拟合线性潮流简化所带来的误差，实现了快速求解电力系统的线路潮流，同时保证了线路潮流结果的准确性。
5.为了实现上述目的，本发明所采用的技术方案如下：
6.一种基于模型与数据驱动的新型电力系统潮流计算方法，包括以下步骤：
7.s1.获取电力系统的线路潮流计算所需的数据与信息；
8.s2.根据电力系统的数据与信息，生成多种电力系统运行场景，并划分为训练集、验证集和测试集；
9.s3.构建包括线性潮流模型与深度神经网络的电力系统复合模型，利用训练集对电力系统复合模型进行训练，线性潮流模型计算电力系统的线性潮流，比较线性潮流与电力系统的实际潮流获得潮流差值；
10.s4.将线性潮流输入深度神经网络，深度神经网络拟合线性潮流与潮流差值获得非线性误差，对电力系统复合模型进行重复训练，直至非线性误差趋于稳定，获得训练好的电力系统复合模型；
11.s5.将测试集输入电力系统复合模型，线性潮流模型输出线性潮流，深度神经网络输出非线性误差，根据线性潮流和非线性误差，获得电力系统的线路潮流。
12.优选地，电力系统复合模型表示为：
[0013][0014]
其中，f表示电力系统的线路潮流，x表示输入变量信息，表示线性潮流模型，δf表示非线性误差。
[0015]
优选地，线性潮流模型包括线性节点平衡方程和线性潮流方程，线性节点平
衡方程描述了节点有功功率和节点无功功率分别与节点电压的关系，线性潮流方程描述了节点电压与线路潮流的关系。
[0016]
优选地，线性节点平衡方程表示为：
[0017][0018]
其中，p表示节点注入有功功率，q表示节点注入无功功率，g表示节点电导矩阵，b表示节点电纳矩阵，b
′
表示节点电导矩阵忽略并联电纳，θ表示节点电压相角矩阵，v表示节点电压幅值矩阵。
[0019]
优选地，线性潮流方程表示为：
[0020][0021]
其中，p
ij
表示线路i-j有功潮流，q
ij
表示线路i-j无功潮流，g
ij
表示线路i-j电导，b
ij
表示线路i-j电纳，vi表示节点i电压幅值，vj表示节点j电压幅值，θi表示节点i电压相角，θj表示节点j电压相角。
[0022]
优选地，非线性误差表示为：
[0023][0024]
其中，g表示基于深度神经网络拟合的误差函数模型。
[0025]
优选地，深度神经网络包括两层隐藏层，每层隐藏层包含10个神经元，隐藏层的激活函数采用sigmoid函数。
[0026]
一种电子设备，包括存储器、处理器，以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述任一项的基于模型与数据驱动的新型电力系统潮流计算方法的步骤。
[0027]
一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任一项的基于模型与数据驱动的新型电力系统潮流计算方法的步骤。
[0028]
与现有技术相比，本发明建立简化的线性潮流模型，并利用深度神经网络拟合线性潮流简化所带来的误差，适用于需要快速求解电力系统的线路潮流的应用场合，计算方法运算快、效率高、误差小。
附图说明
[0029]
图1为基于模型与数据驱动的新型电力系统潮流计算方法的流程示意图。
[0030]
图2为深度神经网络的结构示意图。
[0031]
图3为电力系统的结构示意图。
[0032]
图4为电力系统的有功潮流计算结果误差示意图。
[0033]
图5为电力系统的无功潮流计算结果误差示意图。
具体实施方式
[0034]
下面结合附图和具体实施例对本发明基于模型与数据驱动的新型电力系统潮流
计算方法作进一步说明。
[0035]
请参阅图1，本发明提供的基于模型与数据驱动的新型电力系统潮流计算方法，包括以下步骤：
[0036]
s1.获取电力系统的线路潮流计算所需的数据与信息。
[0037]
s2.根据电力系统的数据与信息，生成多种电力系统运行场景，并划分为训练集、验证集和测试集。
[0038]
s3.构建包括线性潮流模型与深度神经网络的电力系统复合模型，利用训练集对电力系统复合模型进行训练，线性潮流模型计算电力系统的线性潮流，比较线性潮流与电力系统的实际潮流获得潮流差值。
[0039]
s4.将线性潮流输入深度神经网络，深度神经网络拟合线性潮流与潮流差值获得非线性误差，对电力系统复合模型进行重复训练，直至非线性误差趋于稳定，获得训练好的电力系统复合模型。
[0040]
s5.将测试集输入电力系统复合模型，线性潮流模型输出线性潮流，深度神经网络输出非线性误差，根据线性潮流和非线性误差，获得电力系统的线路潮流。
[0041]
本实施例中，构建的包含线性潮流模型与深度神经网络的电力系统复合模型表示为：
[0042][0043]
其中，f表示电力系统的线路潮流，x表示输入变量信息，表示线性潮流模型，δf表示非线性误差。
[0044]
线性潮流模型包括线性节点平衡方程和线性潮流方程，线性节点平衡方程描述了节点有功功率和节点无功功率分别与节点电压的关系，线性潮流方程描述了节点电压与线路潮流的关系。
[0045]
线性节点平衡方程表示为：
[0046][0047]
其中，p表示节点注入有功功率，q表示节点注入无功功率，g表示节点电导矩阵，b表示节点电纳矩阵，b
′
表示节点电导矩阵忽略并联电纳，θ表示节点电压相角矩阵，v表示节点电压幅值矩阵。
[0048]
线性潮流方程表示为：
[0049][0050]
其中，p
ij
表示线路i-j有功潮流，q
ij
表示线路i-j无功潮流，g
ij
表示线路i-j电导，b
ij
表示线路i-j电纳，vi表示节点i电压幅值，vj表示节点j电压幅值，θi表示节点i电压相角，θj表示节点j电压相角。
[0051]
请参阅图2，利用深度神经网络拟合线性潮流与潮流差值，获得非线性误差。深度神经网络包括两层隐藏层，每层隐藏层包含10个神经元，隐藏层的激活函数采用sigmoid函数。非线性误差表示为：
[0052][0053]
其中，g表示基于深度神经网络拟合的误差函数模型。
[0054]
具体地，以图3所示的ieee 30节点电力系统为例，使用本发明基于模型与数据驱动的电力系统潮流计算方法进行计算。该电力系统包含6个新能源机组和41条输电线路，功率基准值为100mva。其中，平衡机组和其他pv节点机组详细数据分别如表1和表2所示。
[0055]
表1.ieee 30节点电力系统中主网的详细数据
[0056][0057]
表2.电-气-热综合能源系统中chp机组的详细数据
[0058][0059][0060]
根据表1和表2提供的电力系统的数据与信息，考虑发电机出力和负荷的不确定性，假设发电机出力和有功负荷、无功负荷服从以ieee30节点电力系统提供数据为均值，0.1为标准差的正态分布，利用matlab编程软件生成1000种电力系统运行场景。生成1000种电力系统运行场景中，将700种电力系统运行场景划分为训练集，将150种电力系统运行场景划分为验证集，将150种电力系统运行场景划分为测试集。
[0061]
利用训练集对电力系统复合模型训练时，使用线性化潮流模型的线性节点平衡方程和线性潮流方程，计算各个运行场景下电力系统的线性潮流，使用牛顿-拉夫逊法计算训练集中各个运行场景下电力系统的实际潮流，比较线性潮流与实际潮流的潮流差值。本实施例中，使用牛顿-拉夫逊法计算的电力系统的潮流结果为电力系统的实际潮流。
[0062]
将线性潮流输入电力系统复合模型的深度神经网络，利用深度神经网络拟合线性潮流与潮流差值，获得非线性误差，对电力系统复合模型利用训练集进行重复训练，直至非线性误差趋于稳定，获得训练好的电力系统复合模型。
[0063]
将测试集输入电力系统复合模型，线性潮流模型输出电力系统的线性潮流，深度神经网络输出非线性误差，根据电力系统的线性潮流和非线性误差，获得电力系统的线路潮流。
[0064]
使用牛顿-拉夫逊法计算测试集中各个运行场景下电力系统的实际潮流，将电力系统复合模型输出的线路潮流与实际潮流相比较，在ieee 30节点电力系统的有功潮流、无功潮流计算结果误差分别如图4、图5所示，可以看到潮流误差在10的-3次方数量级，误差很小。
[0065]
测试集中150种运行场景总运行时间如表3所示，可以看到本发明基于模型与数据驱动的潮流模型的潮流计算方法的计算速度相较于牛顿-拉夫逊法提升巨大。
[0066]
表3.测试场景总运行时间对比
[0067]
方法类型时间(秒)
牛顿-拉夫逊法1.88模型与数据驱动法0.18
[0068]
综上所述，本发明通过建立简化的线性潮流模型，并利用深度神经网络拟合线性潮流简化所带来的误差，适用于需要快速求解电力系统的线路潮流的应用场合，计算方法运算快、效率高、误差小；在保证计算精度的同时，可以实现快速求解潮流，大幅减少计算时间。
[0069]
本发明还公开了一种电子设备，包括存储器、处理器，以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述任一项的基于模型与数据驱动的新型电力系统潮流计算方法的步骤，并具备基于模型与数据驱动的新型电力系统潮流计算方法相应的功能和有益效果。
[0070]
本发明还公开了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任一项的基于模型与数据驱动的新型电力系统潮流计算方法的步骤，并具备基于模型与数据驱动的新型电力系统潮流计算方法相应的功能和有益效果。
[0071]
功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0072]
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。
[0073]
上述说明是针对本发明较佳可行实施例的详细说明，但实施例并非用以限定本发明的专利申请范围，凡本发明所揭示的技术精神下所完成的同等变化或修饰变更，均应属于本发明所涵盖专利范围。