[发明专利]一种基于深度学习的小水电群区域配网最优潮流获取方法

说明书

本发明公开了一种基于深度学习的小水电群区域配网最优潮流获取方法，具体包括：采用连续潮流和潮流方程计算方法来生成需要的数据集；将数据集随机分为训练数据(80％)和测试数据(20％)；用训练数据对搭建好的卷积神经网络模型进行训练，学习负荷与发电机输出功率之间的映射关系；输入测试数据直接由训练好的卷积神经网络求得P_G和Q_G；用传统潮流求解器求解剩余变量V_i和θ_i。本申请能够加快最优潮流问题的求解速度，并具有较高的预测精度。

技术领域

本发明涉及电力系统运行优化技术领域，特别是涉及一种基于深度学习的小水电群区域配网最优潮流获取方法。

背景技术

在水利资源丰富的地区，小水电的建设规模和装机容量迅速扩大，对电力部门节约电能和改善电压质量有着重要的影响。小水电多为径流式，装机容量小、可调节能力差，水电出力受气候、降雨等因素的影响，在水电大发期，大量上网潮流使某些设备负载量大增，设备的重载运行会加大了电网的安全运行风险。枯水期水电出力低，近区负荷需从省网通道下网，传输距离长，消耗了大量无功。因此，多小水电地区电网运行方式复杂多变，受水电出力影响严重。最优潮流模型具有非线性和非凸性，是一个复杂的线性规划问题，难以进行可靠高效的计算。传统的线性化方法可以简化非线性潮流方程，但可能导致解的精度损失。虽然已经取得了一些进展，但最优潮流的计算效率仍然是一个难题。根据电网运行特征，利用最优潮流求解功率优化问题，综合利用各种降损方案，是实现电网安全、经济、优质运行的重要手段。

发明内容

本发明的目的是提供一种基于深度学习的小水电群区域配网最优潮流获取方法，以解决上述现有技术存在的问题，使电网安全、经济、优质的运行得到实现。

为实现上述目的，本发明提供了如下方案：

本发明提供一种基于深度学习的小水电群区域配网最优潮流获取方法，包括以下步骤：

基于连续潮流法跟踪负荷变化和发电机功率变化下的电力系统稳态行为，获得电力系统稳态行为模型，基于所述电力系统稳态行为模型获得节点电压幅值和相角；

基于所述节点电压幅值和所述相角，由潮流方程计算获得负荷数据；

基于所述负荷数据，由传统最优潮流求解器获得发电机有功功率P_G和发电机无功功率Q_G；

构建卷积神经网络模型，将所述负荷数据、所述发电机有功功率和发电机无功功率整合为第一数据集，将所述第一数据集按照8：2的比例分为训练数据和测试数据，基于所述训练数据对所述卷积神经网络模型进行训练；

基于所述卷积神经网络模型，预测发电机有功功率和发电机无功功率，获得发电机有功功率预测值和发电机无功功率预测值，将所述发电机有功功率预测值、所述发电机无功功率预测值和所述负荷数据，输入到传统潮流求解器，得到最优潮流解的剩余变量，将所述发电机有功功率P_G、发电机无功功率Q_G和所述剩余变量合并，构成最优潮流的解。

优选地，其中所述电力系统稳态行为模型包括：

f(x,λ)＝0

0≤λ≤λ_critical

其中f∈Rⁿ，x∈Rⁿ，λ∈R，R代表一维空间，Rⁿ代表n维空间，λ_critical代表临界负荷，向量x中包含系统中所有母线电压的幅值和相角，λ为一个反映系统负荷水平的标量参数；

基本负荷表达式为：