[发明专利]一种基于深度学习的高压直流换流站能效预测方法及系统

说明书

本发明公开了一种基于深度学习的高压直流换流站能效预测方法及系统，包括：获取高压直流换流站的能效分布样本数据集，并对能效分布样本数据集进行预处理，以获取经过预处理的能效分布样本数据集；分别构建换流站总损耗神经网络模型和/或换流站损耗占比神经网络模型；基于经过预处理的能效分布样本数据集分别对所述换流站总损耗神经网络模型和/或换流站损耗占比神经网络模型进行训练和优化，以确定换流站总损耗神经网络最优模型和换流站损耗占比神经网络最优模型；根据待测高压直流换流站的运行数据，利用所述换流站总损耗神经网络最优模型和/或换流站损耗占比神经网络最优模型对所述待测高压直流换流站的能效进行预测，以获取能效预测结果。

技术领域

本发明涉及电能计量技术领域，并且更具体地，涉及一种基于深度学习的高压直流换流站能效预测方法及系统。

背景技术

在高压直流输电系统中，由于换流器这种非线性负载的特点，直接测量换流站的主要元件损耗一般较为困难。取而代之的是通过分别理论计算换流站中各个元件的损耗再相加得到换流站的总损耗。这种方法实用性较强，但其精确度有时候并不能满足要求。

深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。深度学习是无监督学习的一种。深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示，它利用空间相对关系减少参数数目以提高训练性能。

因此，需要一种基于深度学习的高压直流换流站能效预测方法。

发明内容

本发明提出一种基于深度学习的高压直流换流站能效预测方法及系统，以解决如何高效准确地对高压支路换流站的能效进行预测的问题。

为了解决上述问题，根据本发明的一个方面，提供了一种基于深度学习的高压直流换流站能效预测方法，所述方法包括：

获取高压直流换流站的能效分布样本数据集，并对所述能效分布样本数据集进行预处理，以获取经过预处理的能效分布样本数据集；

分别构建换流站总损耗神经网络模型和/或换流站损耗占比神经网络模型；

基于所述经过预处理的能效分布样本数据集分别对所述换流站总损耗神经网络模型和/或换流站损耗占比神经网络模型进行训练和优化，以确定换流站总损耗神经网络最优模型和换流站损耗占比神经网络最优模型；

根据待测高压直流换流站的运行数据，利用所述换流站总损耗神经网络最优模型和/或换流站损耗占比神经网络最优模型对所述待测高压直流换流站的能效进行预测，以获取能效预测结果。

优选地，其中所述能效分布样本数据集包括：神经网络模型的输入样本数据子集和输出样本数据子集；

所述输出样本数据子集中的变量包括：换流站总损耗以及换流器、换流变压器和平波电抗器的损耗占比；

当所述换流站的类型为整流站时，所述输入样本数据子集中的变量包括：交流端电压、交流端电流、交流端功率因数、直流端电压、直流端电流、直流输送功率、整流器的触发角和换相重叠角；

当所述换流站的类型为逆变站时，所述输入样本数据子集中的变量包括：交流端电压、交流端电流、交流端功率因数、直流端电压、直流端电流、直流输送功率、逆变器的超前角、熄弧角和换相重叠角。

优选地，其中所述对所述能效分布样本数据集进行预处理，以获取经过预处理的能效分布样本数据集，包括：

根据所述能效分布样本数据集中的输入样本数据计算每个输入变量的平均值和标准差；