本发明专利技术涉及一种基于深度学习的低压台区智能调控方法，包括：获取台区当前负荷数据、储能模块当前可调度负荷数据、光伏当前最大发电量数据、以及预测节点的时间值、天气数据；构建并训练第一预测模型和第二预测模型；输入台区当前负荷数据、预测节点的时间值、预测节点的天气数据至第一预测模型，得到预测节点的台区预测负荷数据；输入光伏当前最大发电量数据、预测节点的时间值、预测节点的天气数据至第二预测模型，得到预测节点的光伏预测最大发电量数据；构建并训练调控模型；输入所述台区预测负荷数据、光伏预测最大发电量数据和台区设备的电气连接关系至调控模型，得到调控指令。得到调控指令。得到调控指令。
【技术实现步骤摘要】
一种基于深度学习的低压台区智能调控方法及系统
[0001]本专利技术涉及一种基于深度学习的低压台区智能调控方法及系统，属于台区智能调控领域。
技术介绍
[0002]随着电力系统向智能化发展，配电网也发生着巨大的变化，大量的光伏电源、储能模块等装置在用户侧逐步渗透，使得电网复杂性和管控难度大范围增加，使得台变负荷波动大、台变容量不足或台区潮流逆向等问题的出现，给电网的经济以及安全稳定运行造成了困扰。低压台区是指电压等级为380V的电力网，低压台区中光伏发电的占比越来越大，煤电逐渐降为辅助性能源，所以低压台区的合理调控也就显得尤为重要。
[0003]综上，需要一种综合考虑台区中光伏电源、储能装置的低压台区调控方法。
[0004]现有的低压台区调控方法往往针对台区电网运行状况构建相应的数学模型和目标函数，但影响台区电网运行状况的影响因素复杂繁多，难以建立准确的模型，调控效果有待进一步提高。如公开号为CN114201852A的专利《一种基于深度学习的配电台区储能配置方法》公开了以下步骤：建立台区内的源网荷储交互模型；建立经济最优模型；建立用户满意度最大化目标模型；基于所述源网荷储交互模型的约束条件，综合考虑经济性和用户满意度，建立多目标优化模型；调控所述源网荷储交互模型中各交互单元的电量供需关系，使所述多目标优化模型的目标值达到期望值。
技术实现思路
[0005]为了克服现有技术中存在的问题，本专利技术设计了一种基于深度学习的低压台区智能调控方法，设置第一预测模型、第二预测模型和调控模型，依据预测模型的预测结果，通过图卷积神经网络的调控模型提取特征对低压台区的各种状态进行分类，得到对台区内光伏发电单元和储能模块的调控指令，无需根据台区情况构建相应的数学模型，简单高效。
[0006]为了实现上述目的，本专利技术采用如下技术方案：
[0007]一种基于深度学习的低压台区智能调控方法，包括以下步骤：
[0008]获取台区当前负荷数据、台区光伏当前最大发电量数据以及预测节点的时间值和天气数据；
[0009]构建并训练第一预测模型和第二预测模型；
[0010]输入所述当前负荷数据、预测节点的时间值和天气数据至第一预测模型，得到预测节点的台区预测负荷数据；
[0011]输入所述当前最大发电量数据、预测节点的时间值和天气数据至第二预测模型，得到预测节点的台区光伏预测最大发电量数据；
[0012]构建并训练调控模型；
[0013]获取台区储能模块当前可调度负荷数据；
[0014]输入所述台区预测负荷数据、光伏预测最大发电量数据、储能模块当前可调度负
荷数据和台区设备的电气连接关系至调控模型，调控模型输出调控指令。
[0015]进一步地，所述第一预测模型包括顺次连接的长短期记忆人工神经网络层、注意力层、合并层、全连接层和回归层。
[0016]进一步地，所述训练第一预测模型，步骤如下：
[0017]构建第一训练集：
[0018]收集若干个第一数据样本，所述第一数据样本包括：台区历史负荷数据、天气历史数据、时间值；剔除第一数据样本中的异常数据；对第一数据样本进行缺省值填补；按时间值，对各第一数据样本进行排序；将各第一数据样本中的时间值、负荷数据、天气数据转换为特征矩阵；
[0019]利用第一训练集迭代更新第一预测模型直至满足训练要求
[0020]进一步地，所述调控模型包括顺次连接的图卷积神经网络和分类层。
[0021]进一步地，所述训练调控模型，步骤如下：
[0022]构建第三训练集：
[0023]获取台区内储能模块的第一特征、第二特征；利用所述第一预测模型和第二预测模型获取台区内光伏发电模块的第一特征、第二特征，所述储能模块的第一特征为储能模块剩余容量、第二特征为储能模块现有电量；所述光伏发电模块的第一特征为台区预测负荷数据、第二特征为光伏预测最大发电量；
[0024]以台区内光伏发电单元和储能模块为顶点、台区内光伏发电单元和储能模块的电气连接关系为边，定义图G＝(X，A)为一训练样本；其中，矩阵X用于存储光伏发电单元和储能模块的特征，矩阵A用于存储光伏发电单元和储能模块的电气连接关系；
[0025]设置各训练样本对应的调控指令为标签值；
[0026]将训练样本输入调控模型，图卷积神经网络输出N个节点数据；分类层分别对所述N个节点数据进行分类，得到N个节点数据对应的N个调控指令。
[0027]进一步地，所述图卷积神经网络包含至少两层卷积层，如下式所示：
[0028][0029]式中，A表示存有光伏发电单元和储能模块的电气连接关系的矩阵；I表示单位矩阵；D
’
表示A
’
的度矩阵；D
ii
’
表示矩阵D
’
第i行第i列矩阵元素，A
ij
’
表示A
’
第i行第j列矩阵元素；H
(l)
表示图卷积神经网络第l层卷积层的输出；W
(l)
表示图卷积神经网络第l层卷积层的权重参数。
[0030]进一步地，对光伏发电单元设有5种调控指令，具体为：输出最大发电量的20％、40％、60％、80％、100％。
[0031]进一步地，所述储能模块设有11种调控指令，具体为：储能冻结、输出当前电量的20％、40％、60％、80％、100％以及输入剩余容量的20％、40％、60％、80％、100％。
[0032]技术方案二：
[0033]一种基于深度学习的低压台区智能调控系统，包括：
[0034]数据采集模块，所述数据采集模块用于采集台区当前负荷数据、储能模块当前可调度负荷数据、光伏当前最大发电量数据、以及预测节点的时间值、天气数据；
[0035]第一预测模型，所述第一预测模型用于输入台区当前负荷数据、预测节点的时间值、预测节点的天气数据，输出预测节点的台区预测负荷数据；
[0036]第二预测模型，所述第二预测模型用于输入光伏当前最大发电量数据、预测节点的时间值、预测节点的天气数据，输出预测节点的光伏预测最大发电量数据；
[0037]调控模型，所述调控模型用于输入所述台区预测负荷数据、光伏预测最大发电量数据和台区设备的电气连接关系至调控模型，输出调控指令。
[0038]与现有技术相比本专利技术有以下特点和有益效果：
[0039]1、本专利技术设置第一预测模型、第二预测模型和调控模型，依据预测模型的预测结果，通过图卷积神经网络的调控模型提取特征对低压台区的各种状态进行分类，得到对台区内光伏发电单元和储能模块的调控指令，无需根据台区情况构建相应的数学模型，简单高效。
[0040]2、本专利技术构建基于注意力机制和长短期记忆人工神经网络(LSTM)的预测模型，对LSTM层在不同时间步学习到的不同特征分配不同权重，使更重要的特征和时间步长对最终预测具有更大的贡献，提高预测的本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的低压台区智能调控方法，其特征在于，包括以下步骤：获取台区当前负荷数据、台区光伏当前最大发电量数据以及预测节点的时间值和天气数据；构建并训练第一预测模型和第二预测模型；输入所述台区当前负荷数据、预测节点的时间值和天气数据至第一预测模型，得到预测节点的台区预测负荷数据；输入所述台区当前最大发电量数据、预测节点的时间值和天气数据至第二预测模型，得到预测节点的台区光伏预测最大发电量数据；构建并训练调控模型；获取台区储能模块当前可调度负荷数据；输入所述台区预测负荷数据、光伏预测最大发电量数据、储能模块当前可调度负荷数据和台区设备的电气连接关系至调控模型，调控模型输出调控指令。2.根据权利要求1所述的一种基于深度学习的低压台区智能调控方法，其特征在于，所述第一预测模型包括顺次连接的长短期记忆人工神经网络层、注意力层、合并层、全连接层和回归层。3.根据权利要求1所述的一种基于深度学习的低压台区智能调控方法，其特征在于，所述训练第一预测模型，步骤如下：构建第一训练集：收集若干个第一数据样本，所述第一数据样本包括：台区历史负荷数据、天气历史数据、时间值；剔除第一数据样本中的异常数据；对第一数据样本进行缺省值填补；按时间值，对各第一数据样本进行排序；将各第一数据样本中的时间值、负荷数据、天气数据转换为特征矩阵；利用第一训练集迭代更新第一预测模型直至满足训练要求。4.根据权利要求1所述的一种基于深度学习的低压台区智能调控方法，其特征在于，所述调控模型包括顺次连接的图卷积神经网络和分类层。5.根据权利要求4所述的一种基于深度学习的低压台区智能调控方法，其特征在于，所述训练调控模型，步骤如下：构建第三训练集：获取台区内储能模块的第一特征、第二特征；利用所述第一预测模型和第二预测模型获取台区内光伏发电模块的第一特征、第二特征，所述储能模块的第一特征为储能模块剩余容量、第二特征为储能模块现有电量；所述光伏发电模块的第一特征为台区预测负荷数据、第二特征为光伏预测最大发电量；以台区内光伏发电单元和储能模块为顶点、台区内光伏发电单元和储能模块的电气连接关系为边，定义图G＝(X，A)为一训练样本；其中，矩阵X用于存储光伏发电单元和储能模块的特征，矩阵A用于存储...
【专利技术属性】
技术研发人员：郑勇，李戎，李敏昱，俞人楠，程航，林鹏飞，刘勇，吴文庚，吴毅平，朱龙洋，
申请(专利权)人：国网福建省电力有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。