[发明专利]配电网改造措施与电压合格率指标关联性挖掘方法及装置

说明书

本发明涉及一种配电网改造措施与电压合格率指标关联性挖掘方法及装置，该方法包括：模拟量化各类因素层指标，获取主动配电网可配置资源改造措施与相应的运行性能的关联关系的样本数据，利用BP神经网络的非线性映射能力构建配电网改造措施与电压合格率之间的直接映射，以样本数据作为训练样本，对BP神经网络进行训练，得到基于BP神经网络的不同改造措施下的配电网电压合格率评估模型，最后采用遗传算法对BP神经网络进行参数寻优，得到更准确的配电网电压合格率评估模型。该方法及装置有利于发现配电网改造措施与电压合格率指标之间的潜在关联性，并提高计算效率。

技术领域

本发明涉及电网建设改造技术领域，特别是一种配电网改造措施与电压合格率指标关联性挖掘方法及装置。

背景技术

随着可再生能源的不断推进发展，以光伏发电为代表的分布式能源作为绿色能源发展主体，大量分散地接入中低压配电网。为有效解决大规模分布式电源并网的消纳问题，主动配电网将成为未来智能电网的主要发展形式。同时越来越多的分布式能源、储能系统、柔性负荷接入配电网中，将会存在大量非线性元件和设备，所有这些都是电压和电流产生谐波的潜在来源，同时分布式能元处理的不确定性，都会对电网安全运行造成不利影响。以上问题，对传统配电网来说，已经难以适应。为保证电网的电能质量、高可靠性运行、以及分布式能源的高渗透率，加快配电网建设已刻不容缓。电压合格率作为配电网改造措施中要解决的重要问题之一，是配电网建设中的关键问题，对配电网的优化投资决策提出了更高的要求与挑战。

为解决配电网的优化投资决策问题，利用主动配电网改造措施与电网电压合格率指标之间的关系，建立精确的投资决策模型至关重要。然而，传统的投资决策建模中的电压合格率分析涉及到电网潮流计算，物理模型的分析过程非常复杂，不利于当前的配电网规划投资决策。而将现有的大数据分析方法应用于两者关联性分析更有利于该问题的解决。常用的大数据关联性挖掘分析方法有关联规则(Apriori)方法、频繁模式增长(FP-Growth)方法、分类回归树方法、神经网络等方法。Apriori方法是一种最有影响的挖掘布尔关联规则频繁项集的算法，但在每一步产生侯选项目集时循环产生的组合过多，没有排除不应该参与组合的元素。FP-Growth方法是一种基于模式增长的频繁模式挖掘算法，避免了大量候选项集的产生，但它的时间和空间效率不够高。分类回归树方法能够有效地降低指标体系的规模，快速简洁地对属性进行选择，得到其重要性程度排序，但当分类回归树划分得太细时，会对噪声数据产生过拟合作用。

发明内容

本发明的目的在于提供一种配电网改造措施与电压合格率指标关联性挖掘方法及装置，该方法及装置有利于发现配电网改造措施与电压合格率指标之间的潜在关联性，并提高计算效率。

为实施上述目的，本发明的技术方案是：一种配电网改造措施与电压合格率指标关联性挖掘方法，包括：获取主动配电网可配置资源改造措施与相应的电压合格率指标之间对应关系的样本数据，利用BP神经网络的非线性映射能力，以样本数据作为训练样本，对BP神经网络进行训练，构建配电网改造措施与电压合格率之间的直接映射，得到基于BP神经网络的不同改造措施下的配电网电压合格率评估模型。

进一步地，所述获取主动配电网可配置资源改造措施与相应的电压合格率指标之间对应关系的样本数据，其中，可配置资源改造措施为利用可以整合的分布式电源、储能、柔性负荷资源实现的配电网改造技术方案；通过基于序贯蒙特卡洛模拟的中长期模拟方法，得到加入各种改造措施后配电网中各主动元件的时序模拟结果，并计算推演每一时段下的配电网电压合格率指标，从而得到样本数据。

进一步地，对BP神经网络进行训练，构建配电网改造措施与电压合格率之间的直接映射，包括以下步骤：

(1)获取配电网中长期运行时序模拟数据，初步训练确定BP神经网络各参数的基本解空间；

(2)以分布式电源出力及位置、节点负荷数据作为BP神经网络的输入向量，电压、功率数据作为输出向量，确定BP神经网络模型和学习模式；