[发明专利]一种基于图卷积神经网络的分布式电源就地电压控制方法

说明书

一种基于图卷积神经网络的分布式电源就地电压控制方法，根据选定的有源配电网，划分各边缘计算装置的所辖区域并输入配电网参数；依据配电网参数和典型日的历史潮流数据，在云端构建基于图卷积神经网络的配电网代理模型的训练集，构建基于图卷积神经网络的配电网代理模型，训练后得到配电网代理模型；将训练后的配电网代理模型下发至配网边缘侧的边缘计算装置，作为各边缘计算装置的配电网子代理模型；依据各配电网子代理模型，整定各区域内分布式电源的就地电压控制曲线参数；输出就地电压控制曲线整定结果。本发明充分挖掘海量多源数据信息，提升配电网运行调控智能化水平，有效解决整定Q‑V曲线过程中准确的全网参数难以获取的问题。

技术领域

本发明涉及一种分布式电源就地电压控制方法。特别是涉及一种基于图卷积神经网络的分布式电源就地电压控制方法。

背景技术

分布式电源(Distributed Generators,DGs)的大规模、高比例接入实现了配电网能量供给的低碳化，但同时也造成了配电网的电压越限问题，并使配电网的优化与控制方式变得更加复杂。与此同时，随着配用电大数据信息越来越庞杂，配网侧多利益主体的数据以孤岛形式存在，数据集中面临着通信压力和隐私泄露等诸多问题，这加速了配电网运行管理机制的变革。

通过调度各种无功装置，可以减轻电压越限。由于传统的调节装置(例如，有载分接开关和电容器组)响应速度慢且电压不能连续调节，因此很难进行快速电压控制。分布式电源逆变器的剩余容量可用于电压的连续调节，因此利用DG接口逆变器实现快速电压控制具有巨大潜力。

对于分布式电源高渗透率接入的配电网，通常采用集中控制的方式，统一调配可控资源，实现系统的全局最优，但这种方法量测数据量大、通讯负担重。为了降低了通讯数据量，分布式控制方式利用对配电网的合理分区，通过相邻区域间交互边界信息，实现系统运行的整体优化，但这种方法区域控制器之间仍需进行大量的信息通信，并需要多次迭代过程才能确定最终的优化方案。与集中控制方式和分布式控制方式相比，就地控制方式只需利用本地信息即可完成本地可调资源的控制，其响应速度快，投资成本低，通讯数据量小。利用Q-V曲线进行就地控制可以实现对分布式电源不确定出力的快速响应，具有很好的鲁棒性。当前研究大多通过求解基于全网参数和准确预测数据的优化模型的方式整定Q-V曲线，而在配电网实际运行中，很难获得准确的网络参数。同时，配电网运行状态随分布式电源出力的变化而变化，使得模型的抗干扰能力变差，这从一定程度上降低了就地控制的优势。

信息和通信技术的快速发展提高了配电网的数字化水平。利用配电网的数据采集和监视装置可以测量和获取大量异构的操作数据。如何充分挖掘海量多源数据信息，成为提升配电网运行调控智能化水平的关键。数据驱动技术作为一种无需精确模型，仅基于历史数据来实现最佳控制的方法逐渐引起人们的广泛关注。人工智能作为数据驱动技术的一个分支对收集到的历史数据进行分析学习，从中提炼出有价值的信息，用于指导配电网的运行。图卷积神经网络(Graph Convolutional Neural Networks,GCN)是一种新兴的可以处理非欧空间结构的多层图像数据处理框架，近几年在计算机视觉、化工领域等多领域有很多的应用案例。

发明内容

本发明所要解决的技术问题是，提供一种能够充分挖掘海量多源数据信息，提升配电网运行调控智能化水平的基于图卷积神经网络的分布式电源就地电压控制方法。

本发明所采用的技术方案是：一种基于图卷积神经网络的分布式电源就地电压控制方法，包括如下步骤：

1)根据选定的有源配电网，划分各边缘计算装置的所辖区域并输入配电网参数，包括配电网的网络拓扑连接关系，分布式电源接入位置、容量及参数；输入配电网N_d个典型日的历史潮流数据及预测的分布式电源日出力曲线、日负荷出力曲线；设置典型拓扑结构总数N_s，训练对象的采样总时长ΔT、采样时间间隔Δt；设置基于图卷积神经网络的配电网代理模型参数，包括学习率γ、正则化系数β、完整遍历训练集的次数E；