[发明专利]电力系统负荷预测的分布式无功优化方法及装置

说明书

本发明公开了一种电力系统负荷预测的分布式无功优化方法及装置，其中，方法包括：将预测地的电力负荷信息、气象信息和节假日信息划分为多个输入神经元一个输出样本的测试集；建立初始LSTM网络，将训练集带入初始LSTM网络中进行前向计算和反向传播训练；通过训练好的LSTM网络输入预测日所需使用的神经元信息，以对每一个时间点进行负荷预测；分析分布式电源的无功补偿特性，并采集分布式电源的目标参数，以建立分布式电源无功模型；建立以网络损耗最小为目标函数的电网无功优化模型；根据无功平均利用率和瞬时通信拓扑矩阵进行分布式优化控制计算，以实现分布式无功优化。该方法可以获得快速准确的负荷预测。

技术领域

本发明涉及电网运行配电技术领域，特别涉及一种电力系统负荷预测的分布式无功优化方法及装置。

背景技术

电力系统负荷预测技术是一项从很早以前就开始兴起的研究。一般来讲研究员会将负荷预测分为短期、中期、长期预测三类。而神经网络预测技术常常被用于进行长期的负荷预测中。

神经网络(Neural Network)，又被称为ANN(Aritificial Neural Networks，人工神经网络)，简称，用以区另别于生物神经网络(Biological Neural Networks)，是一系列模型的统称。一般认为，人工神经网络是受生物神经网络的启发产生，生物神经网络一般指生物的大脑神经元细胞组成的网络，层状分布，能够接受脉冲信号，用于产生生物的意识，帮助生物进行思考和行动，神经网络是生物网络的一种结构近似模拟，能够通过对负荷某种函数的数据进行训练，从而对该未知函数进行近似。神经网络具有并行分布处理、高度鲁棒性和容错能力、分布存储及学习能力、能够逼近复杂的非线性函数这四种特性。

一个神经网络启发于生物神经网络，由有组织的相互连接的节点组成，节点呈现层状排列，不同的节点功能类似于生物网络中的神经元。一个普通的三层BP网络由输入层、隐藏层、输出层组成。它的训练过程包含前馈过程与反向传播两部分。前馈过程中，输入层数据经过激活函数后，进入隐藏层神经元进行加权计算，输出层节点的输出数据通过激活函数的映射作用输出：在误差反向传播过程中，对于输出层，假设预测值为y_k，若是采用最小平方误差形式的损失函数，可以表示为：反向传播的目标是要计算误差对于每一层权重参数矩阵W的导数，以进行修正。由于无法直接求导，因此先将误差对输出层数据求导，再采用链式法则对权值求导得：最后使用优化方法对权值矩阵W进行迭代优化。使用足够数量的训练集进行训练后所得的网络即是能够进行预测的网络。LSTM(LongShort-TermMemory，长短时神经网络)即是在普通神经网络上的进化版本。

为了满足日益增长的能量需要，可再生能源以分布式电源的形式并网受到了越来越多的关注。由于逆变器响应速度快，灵活性高，因此在分布式能源并网中得到了广泛的应用。这些逆变器将各种可再生能源转换成符合要求的交流电输送到电网中。

通常情况下，分布式电源可发出的有功功率一般小于他们的标称容量。因此剩余的容量就可以用来在需要的时候输送无功功率。在这种要求下，对逆变器的控制和管理显著地影响着对微网的表现。因此应该设计一套先进的控制机制，以最佳地分派各个单元的无功功率从而优化整个系统的性能。现有的逆变器控制策略包括电压/频率下垂控制、发电机仿真控制以及合作控制。

可再生能源高度的间歇性也是现在的一个主要问题。可再生能源，例如太阳能和风能，在自然中是间歇的，不连续的。因此，间歇性分布式的发电将是非常激烈的。如果分布式电源的控制和无功补偿不协调就会产生一系列问题：电压变化、暂态稳定问题甚至会导致电压崩溃。图1显示了当连接微网的太阳能电厂接受的太阳能变化时，该微网中一段短馈线的终端电压变化。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。