[发明专利]基于改造措施与失负荷量指标关联性的配电决策建模方法

说明书

本发明涉及电力系统技术领域，为解决传统配电网投资决策建模涉及到的复杂潮流计算问题，并考虑到提升现今配电网的运行可靠性指标，提出了一种基于配电网改造措施与电网失负荷量指标关联性的多年投资规划决策建模技术。该建模技术通过数据挖掘技术提高了投资决策模型在发现问题潜在规律和提高计算效率等方面具有较大优势，不仅可以避免复杂的潮流计算过程，并且有效地提升计算效率。以失负荷量指标和改造措施构成训练样本集，通过对样本数据的离线学习，可得到相应的关联关系规则，作为多年投资决策模型的基础。在实际应用中，当给定改造措施配置方案时，深度置信网络模型能快速给出失负荷量指标的结果，作为后续配电网投资决策模型的约束条件。

技术领域

本发明涉及电力系统技术领域，具体涉及一种基于改造措施与失负荷量指标关联性的配电决策建模方法。

背景技术

国家能源局于2015年8月发布《配电网建设改造行动计划(2015—2020年)》，计划中要求我国加快现代配电网建设，进一步提升供电可靠性。因此，如何科学利用改造资金，合理制订改造方案是当今配电领域关注的重点问题之一。配电网的根本任务是向用户提供安全、稳定、优质的电力供给。和输电网相比，它节点众多、结构复杂，对供电可靠性影响较大，因此，可靠性与经济性等性能指标的评估是配电领域研究的核心问题之一。近年来，以风力和光伏为代表的间歇性可再生能源发电的快速发展，主动配电网中分布式发电(Distributed Generation，DG)渗透率增加、主动性元件的种类和数量增多，主动配电网的网络结构日趋复杂，系统分布式特点日渐凸显，对配电网的优化投资决策提出了新的要求。

为了建立精确的投资决策模型，保证配电网运行的可靠性，主动配电网改造措施与电网失负荷量指标之间的关系至关重要。然而，传统的投资决策建模中的相关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。因此，将数据关联挖掘方法应用于两者关联性分析是更好的选择。一般的数据关联性挖掘方法包括回归分析、特征分析、变化和偏差分析、关联规则挖掘、神经网络方法、网络数据挖掘及模糊灰色关联度等的学方法。考虑到配电网“改造措施-失负荷量指标”之间的隐性关联关系，基于回归分析的数据拟合已经不能满足此类关联性分析，因此考虑采用机器学习的方法求解。其中，机器学习在发现问题潜在规律和提高计算效率等方面具有较大优势。通过分析大规模指标数据，通过回归分析与机器学习等数据挖掘方法分析技术路径配置与投资效益之间的关联规律及其适用的运行条件。

发明内容

本发明为了解决传统配电网投资决策建模中涉及到的复杂潮流计算问题，并考虑到提升现今配电网的可靠性指标，提出了一种基于配电网改造措施与电网失负荷量指标关联性的多年投资规划决策建模技术方法。该建模技术通过基于深度置信网络的数据挖掘技术提高了投资决策模型在发现问题潜在规律和提高计算效率等方面具有较大优势，不仅可以避免复杂的潮流计算过程，并且可以有效地提升计算效率。以失负荷量指标和改造措施构成训练样本集，通过对样本数据的离线学习，可得到相应的关联关系规则，作为投资决策模型的基础。因此在实际应用中，当给定资源配置方案时，基于深度置信网络的配电网关联分析模型能快速给出相应失负荷量指标的结果，作为后续配电网投资决策模型的约束条件。

为实现上述目的，本发明的技术方案是：基于改造措施与失负荷量指标关联性的配电决策建模方法，其特征在于，包括以下步骤：

S1：确定不同配置方案与电网失负荷量指标之间存在的隐性关系；并确定投资决策方案对系统失负荷量可靠性指标的影响程度；确定不同运行条件下投资改造措施配置与以失负荷量指标提升的投资效益之间的关联规律；

S2：基于Nadam优化器优化步骤S1中的所述隐性关系、影响程度和关联规律；

S3：提供改造措施与配电网失负荷量指标的关联性分析的配电网多年投资决策模型，提供基于关联性分析的配电网失负荷量指标评估模型，提供配电网各类改造措施与失负荷量指标间的关联关系，提供传统配电网规划模型；其中，