交直流配电网分布式电源优化方法、系统、设备及介质技术方案

本发明专利技术属于配电网的规划配置方法领域，具体公开了一种交直流配电网分布式电源优化方法、系统、设备及介质，本发明专利技术通过建立深度置信网络优化的数学模型，确定深度置信基本框架并确定训练方法，建立蚁群算法并进行改进，求解得到改进蚁群算法的控制策略，以控制策略作为网络的输出，历年交直流配电网数据作为输入训练深度置信网络优化的数学模型，构建ACO

【技术实现步骤摘要】
交直流配电网分布式电源优化方法、系统、设备及介质


[0001]本专利技术属于配电网的规划配置方法领域，具体涉及一种交直流配电网分布式电源优化方法、系统、设备及介质。

技术介绍

[0002]分布式电源(distributed generation，DG))由于其具有可靠性高、清洁环保、安装地点灵活等诸多优点，在配电网中扮演着日益重要的角色。随着DG在配网中的接入比例逐年上涨，逐渐体现出直流配电网的优势。如果采用直流配电网，将大量节省DG接入所使用的变流器，减少能量损耗；并且直流母线不存在相位和频率的同步问题，使得分布式电源接入时的控制变得简单，可靠性提高。
[0003]但是当DG接入配电网后，系统潮流方向将发生改变，随之引起配电网网络损耗的变化，使得网络损耗不仅与负荷大小有关，还与DG的位置和数量有关。同时由于DG具有间歇性、波动性、随机性等特点，势必会影响配电网的安全稳定可靠运行。若分布式电源的渗透率过高或者接入配电网的位置选择不当，不但不能提升电网运行的环保性与经济性，反而会影响系统的安全稳定运行。
[0004]针对上述问题，目前现有的关于含DG配电网规划研究主要停留在交流配电阶段，对交直流配电网规划研究内容极少，同时，大多数优化配置方案在规划过程中主要根据DG出力额定值；再者目前针对DG配电网已经提出了许多可行性算法，但是传统的线性规划、非线性规划等算法存在一些问题，方法中的数学模型追求精确的同时却无法满足实时控制要求，而要满足时控要求就会产生较大误差。

技术实现思路

[0005]为了克服现有技术的缺点，本专利技术的目的在于提供一种交直流配电网分布式电源优化方法、系统、设备及介质，以解决传统DG选址定容规划中因没有考虑DG和负荷的时序特性而导致与实际有偏差的问题。
[0006]为了达到上述目的，本专利技术采用以下技术方案实现：第一方面，本专利技术提供一种交直流配电网分布式电源优化方法，包括：S1：建立深度置信网络优化的数学模型，确定深度置信基本框架并确定训练方法；S2：确定深度置信基本框架后，建立蚁群算法基础模型；S3：对蚁群算法进行改进，利用改进的蚁群算法求解得到改进蚁群算法的控制策略；S4：获得历年交直流配电网数据；以步骤S3得到的控制策略作为网络的输出，以历年交直流配电网数据作为输入来训练深度置信网络优化的数学模型，构建ACO
‑
DBN模型；对ACO
‑
DBN模型进行算例测试和调整，完成训练后最终输出优化配置策略；S5：利用输出的优化配置策略对交直流配电网分布式电源进行优化。
[0007]进一步的，所述步骤S1具体包括：
S11：建立RBM基础模型结构RBM由n个可见单元和m个隐藏单元构成的两层递归神经网络，层内无连接，层间全连接，给定状态，RBM的能量函数定义为：其中：为RBM的参数；v表示可见层的状态向量，表示可见层中第i个神经元的状态；h表示隐藏层的状态向量，表示隐藏层中第j个神经元的状态；a表示可见层的偏置向量，表示可见层中第i个神经元的偏置；b表示隐藏层的偏置向量；表示隐藏层中第j个神经元的偏置；为第个可见单元和第个隐藏单元之间的连接权重；S12：根据最优化理论和步骤S11中的能量函数，优化目标等价于最大化RBM在输入训练集上的对数似然函数求取最优的模型参数：其中，为样本集合中的样本，训练采用对比散度算法，取一个训练样本初始化可视层节点，交替进行k次吉布斯采样，利用第k次采样得到的、来近似对相应参数的偏导值，计算完成单个RBM训练；S13：训练过程执行对比散度算法和反向监督参数精调。
[0008]进一步的，所述步骤S2具体包括：S21：建立蚁群算法基础模型，读入节点数据和参数后，构造蚂蚁的转移概率准则如下：令m只人工蚂蚁，初始位置随机位于解空间的n个等分区域的某些位置处，各区域蚂蚁的状态转移概率定义为：其中：P表示蚂蚁从区域i向区域j移动的概率；表示区域i上的信息素浓度；表示区域i，j之间的能见度；α表示信息启发因子；β表示期望值启发式因子；S22：根据步骤S21，寻优问题基于m只蚂蚁在的n个等分区域间的不断移动，区域内的局部搜索进行；处于区域i中的第k只蚂蚁的转移及其搜索规则为：
S23：设置数据进行仿真实验。
[0009]进一步的，所述步骤S3具体包括：S31：将无功补偿量相关参数添加到目标函数中，改进之后的目标函数为：式中：为模型的目标函数；为电容器价格，单位为元/kVar；为电价，单位为元/KW
·
h；为总补偿量；为最大回收年限，单位为年；为年最大负荷的损耗时长，单位为h；为减少的有功损耗；为罚因子，使用罚因子的目的是放大越限节点电压对结果的影响；为节点电压越限集合；为节点i的电压；为节点i的电压限额；为遍历总路径长，单位为km；S32：信息素浓度局部调整，进行信息素挥发系数的改进，改进公式为：式中：为当前模型迭代的次数；为模型迭代的总次数；S33：根据改进后的目标函数和改进后的信息素挥发系数公式，获得改进后的蚁群算法的控制策略。
[0010]进一步的，所述步骤S4具体包括：S41：根据步骤S3所得到的控制策略得出全局最优解，更新DBN初始权重，完成DBN模型训练，进行算例测试；研究每小时配电网的无功优化策略提取特征统计量作为历史输入，从电网数据库中得到两个月中每小时的无功优化控制策略作为历史输出，放入ACO
‑
DBN模型中进行训练，训练过程中设置DBN网络；设置蚁群算法参数，输入到ACO
‑
DBN模型，构建初始特征集；S42：对ACO
‑
DBN模型的参数进行调整，通过卷积层的堆叠实现时序特征的自动提取，将提取到的系统时序特征送给全连接层进行处理，最终输出优化配置策略。
[0011]进一步的，所述步骤S5具体包括：
在利用深度置信网络和蚁群算法优化后，以系统降损率和系统电压偏差波动率为指标，某时刻系统降损率为：其中：为未使用任何调压方法的网损；为使用调压方法所得的网损；某时刻系统电压偏差波动率为：某时刻系统电压偏差波动率为：为未使用任何调压方法的电压值；为使用调压方法所得的电压值；再分别使用优化后蚁群算法、深度置信网络进行与步骤S4中相同的测试，得到各自的系统降损率和系统电压偏差波动率，对比不同算法优化降损率和电压偏差波动率，获得交直流配电网DG优化方案。
[0012]进一步的，所述反向监督参数精调具体为：首先从底层到顶层进行无监督预训练，输入特征，逐层依次训练RBM，初始化DBN的模型参数，将所有的RBM展开，顺序连接输出层，合成一个完整的神经网络，由上至下利用反向误差传播算法，形成RBM特征提取模型。
[0013]第二方面，本专利技术提供一种交直流配电网分布式电源优化系统，包括：深度置信网络优化的数学模型建立模块，用于建立深度置信网络优化的数学模型，确定深度置信基本框架并确定训练方法；蚁群算法基础模型建立模块，用于在确定深度置信基本框架后，建立蚁群算法基础模型；蚁群算法的改进及改进蚁群算法的控制策略求解模块，用于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种交直流配电网分布式电源优化方法，其特征在于，包括：S1：建立深度置信网络优化的数学模型，确定深度置信基本框架并确定训练方法；S2：确定深度置信基本框架后，建立蚁群算法基础模型；S3：对蚁群算法进行改进，利用改进的蚁群算法求解得到改进蚁群算法的控制策略；S4：获得历年交直流配电网数据；以步骤S3得到的控制策略作为网络的输出，以历年交直流配电网数据作为输入来训练深度置信网络优化的数学模型，构建ACO
‑
DBN模型；对ACO
‑
DBN模型进行算例测试和调整，完成训练后最终输出优化配置策略；S5：利用输出的优化配置策略对交直流配电网分布式电源进行优化。2.根据权利要求1所述的一种交直流配电网分布式电源优化方法，其特征在于，所述步骤S1具体包括：S11：建立RBM基础模型结构RBM由n个可见单元和m个隐藏单元构成的两层递归神经网络，层内无连接，层间全连接，给定状态，RBM的能量函数定义为：其中：为RBM的参数；v表示可见层的状态向量，表示可见层中第i个神经元的状态；h表示隐藏层的状态向量，表示隐藏层中第j个神经元的状态；a表示可见层的偏置向量，表示可见层中第i个神经元的偏置；b表示隐藏层的偏置向量；表示隐藏层中第j个神经元的偏置；为第个可见单元和第个隐藏单元之间的连接权重；S12：根据最优化理论和步骤S11中的能量函数，优化目标等价于最大化RBM在输入训练集上的对数似然函数求取最优的模型参数：其中，为样本集合中的样本，训练采用对比散度算法，取一个训练样本初始化可视层节点，交替进行k次吉布斯采样，利用第k次采样得到的、来近似对相应参数的偏导值，计算完成单个RBM训练；S13：训练过程执行对比散度算法和反向监督参数精调。3.根据权利要求1所述的一种交直流配电网分布式电源优化方法，其特征在于，所述步骤S2具体包括：S21：建立蚁群算法基础模型，读入节点数据和参数后，构造蚂蚁的转移概率准则如下：令m只人工蚂蚁，初始位置随机位于解空间的n个等分区域的某些位置处，各区域蚂蚁的状态转移概率定义为：
其中：P表示蚂蚁从区域i向区域j移动的概率；表示区域i上的信息素浓度；表示区域i，j之间的能见度；α表示信息启发因子；β表示期望值启发式因子；S22：根据步骤S21，寻优问题基于m只蚂蚁在的n个等分区域间的不断移动，区域内的局部搜索进行；处于区域i中的第k只蚂蚁的转移及其搜索规则为：S23：设置数据进行仿真实验。4.根据权利要求1所述的一种交直流配电网分布式电源优化方法，其特征在于，所述步骤S3具体包括：S31：将无功补偿量相关参数添加到目标函数中，改进之后的目标函数为：式中：为模型的目标函数；为电容器价格，单位为元/kVar；为电价，单位为元/KW
·
h；为总补偿量；为最大回收年限，单位为年；为年最大负荷的损耗时长，单位为h；为减少的有功损耗；为罚因子，使用罚因子的目的是放大越限节点电压对结果的影响；为节点电压越限集合；为节点i的电压；为节点i的电压限额；为遍历总路径长，单位为km；S32：信息素浓度局部调整，进行信息素挥发系数的改进，改进公式为：
式中：为当前模型迭代的次数；为模型迭代的总次数；S33：根据改进后的目标函数和改进后的信息素挥发系数公式，获得改进后的蚁群算法的控制策略。5.根据权利要求1所述的一种交直流配电网分布...

【专利技术属性】
技术研发人员：邱欢，蒋程，郝迪群，贺东旭，于洋，姜生，
申请(专利权)人：国网北京市电力公司，
类型：发明
国别省市：