【技术实现步骤摘要】
本专利技术属于电力系统分析与控制，尤其涉及一种基于电力系统惯量变分推断的负荷状态自适应调整方法。
技术介绍
1、随着可再生能源的大规模接入,电网负荷呈现出更加复杂多变的特点,这给系统调度和控制带来了挑战。电力系统负荷状态调整涉及多个
,需要综合运用需求侧管理、储能协调、信息化手段等手段,实现负荷的动态优化。这对电网的灵活性和可靠性提出了更高要求,是未来电力系统发展的重点方向。
2、针对电力系统负荷状态调整，面临电力系统与用户端信息交互不够充分,缺乏全面的实时监测和控制手段,制约了负荷状态的精准感知和动态调整；此外现有调度算法还难以满足复杂电网环境下的实时优化需求,需要进一步提高算法的计算效率和决策质量。而需求侧管理难度大，用户响应价格信号、参与需求侧管理存在一定局限性,用户行为难以精准预测和控制。
3、现有技术中电力系统负荷状态调整模型复杂度高,参数辨识困难，建模也存在一定局限性,难以完全覆盖各类负荷，其中实时性和计算效率有待进一步提高,负荷预测存在一定的不确定性,难以完全消除预测误差。
技术实现思路
1、针对上述现有技术中存在的缺陷，本专利技术提供一种基于电力系统惯量变分推断的负荷状态自适应调整方法，所述方法包括以下步骤：
2、步骤1，使用分布式传感网络实时采集电力系统的负荷状态数据，包括电压、电流、有功功率和无功功率，并将所述负荷状态数据存储于基于区块链构建的分布式数据存储平台，建立全局数据池；
3、步骤2，基于机器学习和电
4、步骤3，将训练好的负荷预测模型部署在区块链节点，基于联邦学习和差分隐私进行分布式负荷预测，存储预测结果并建立可信的预测负荷数据；
5、步骤4，建立电力系统的动态状态空间模型，基于惯量变分推断算法，结合实时负荷状态数据和预测负荷数据，估算电力系统的惯性参数；
6、步骤5，建立多目标优化模型，根据惯性估算结果，基于强化学习方法动态优化电力系统的控制策略，并将调整后的控制策略反馈至负荷预测模型，形成闭环优化。
7、其中，采用基于ipfs的分布式存储方法，将采集的负荷状态数据存储在区块链网络上，具体包括:
8、将采集的负荷状态数据打包成json格式文件，并计算该文件的ipfs哈希值；
9、将ipfs哈希值和文件元数据，包括时间戳、位置信息，写入区块链的智能合约中；
10、智能合约将ipfs哈希值作为索引，将数据文件上传至ipfs网络；
11、节点可以通过查询智能合约获取ipfs哈希值，并从ipfs网络下载对应的数据文件。
12、其中，采用lstm时间序列构建负荷预测模型，包括：
13、获取n个时间步长的历史电力系统负荷数据，每个时间步包含m个特征，将原始数据表示为:
14、x=[x1,x2,...,xn]；其中，xi=[xi1,xi2,...,xim]；
15、将所述原始数据转换为监督学习的输入输出格式：
16、x_train=[x1,x2,...,xt]
17、y_train=[xt+1,xt+2,...,xn]
18、其中，t为时间步长的选择；
19、配置lstm单元，根据以下公式得到：
20、遗忘门：ft=σ(wf*[ht-1,xt]+bf)
21、输入门：it=σ(wi*[ht-1,xt]+bi)
22、细胞状态更新：ct=ft*ct-1+it*tanh(wc*[ht-1,xt]+bc)
23、输出门：ot=σ(wo*[ht-1,xt]+bo)
24、隐藏状态更新：ht=ot*tanh(ct)
25、其中，σ为sigmoid激活函数，tanh为双曲正切激活函数，w和b为权重和偏置参数；
26、将多个lstm单元堆叠成一个lstm模型，配置lstm模型有l个隐藏层，每层包含h个隐藏单元，则lstm模型的输出表示为:
27、y_pred=lstm(x_train,h0,c0)
28、其中，h0和c0分别为lstm的初始隐藏状态和细胞状态；
29、其中，基于输入特征x_train和目标负荷数据y_train，通过损失函数进行负荷预测模型训练:
30、loss=1/n*σ(y_pred-y_true)^2
31、其中，y_pred为模型预测输出，y_true为实际目标值，n为样本数；
32、使用adam优化器进行梯度下降优化；
33、负荷预测模型训练完成后，基于预设指标评估所述模型，包括:
34、平均绝对误差(mae):1/n*σ|y_pred-y_true|
35、均方根误差(rmse):sqrt(1/n*σ(y_pred-y_true)^2)
36、决定系数r^2:1-σ(y_pred-y_true)^2/σ(y_true-y_mean)^2；
37、基于训练好的负荷预测模型，给定未来t个时间步长的输入特征x_test，进行预测:
38、y_pred=lstm(x_test,h0,c0)
39、其中，y_pred为模型对未来t个时间步长的负荷预测结果。
40、其中，构建电力系统动态状态空间模型，包括：
41、状态方程x_{t+1}=ax_t+bu_t+w_t
42、观测方程y_t=cx_t+du_t+v_t
43、其中：x_t=[δf，δv]^t为状态向量，包含频率偏差δf和电压偏差δv；u_t=[p_load,p_pred]^t为输入向量，包含实时负荷功率p_load和lstm预测负荷功率p_pred；w_t、v_t分别为状态噪声和观测噪声，服从高斯分布n(0，q)和n(0，r)；a、b、c、d为状态空间模型参数矩阵，其中a包含了惯性常数h和阻尼系数d。
44、其中，构建惯量变分推断算法，包括：
45、状态变量x_t的变分后验分布:
46、q(x_t|y_{1:t})=n(x_t|μ_t,σ_t)
47、系统参数θ=[h，d]的变分后验分布:
48、q(θ|y_{1:t})=n(θ|μ_θ,σ_θ)
49、更新方程:
50、μ_t=aμ_{t-1}+bu_{t-1}
51、σ_t=aσ_{t-1}a^t+q
52、μ_θ=(σ_θ^-1+∑_tσ_t^-1)^-1*(σ_θ^-1μ_θ+∑_tσ_t^-1(x_t-aμ_{t-1}-bu_{t-1}))
53、σ_θ=(σ_θ^-1+∑_tσ_t^-1)^-1
54、其中，∑_t为求和符号，本文档来自技高网...
【技术保护点】
1.一种基于电力系统惯量变分推断的负荷状态自适应调整方法，所述方法包括以下步骤：
2.如权利要求1所述的一种基于电力系统惯量变分推断的负荷状态自适应调整方法，其特征在于，
3.如权利要求1所述的一种基于电力系统惯量变分推断的负荷状态自适应调整方法，其特征在于，
4.如权利要求3所述的一种基于电力系统惯量变分推断的负荷状态自适应调整方法，其特征在于，
5.如权利要求1所述的一种基于电力系统惯量变分推断的负荷状态自适应调整方法，其特征在于，
6.如权利要求5所述的一种基于电力系统惯量变分推断的负荷状态自适应调整方法，其特征在于，
7.如权利要求6所述的一种基于电力系统惯量变分推断的负荷状态自适应调整方法，其特征在于，
8.如权利要求1所述的一种基于电力系统惯量变分推断的负荷状态自适应调整方法，其特征在于，
9.如权利要求8所述的一种基于电力系统惯量变分推断的负荷状态自适应调整方法，其特征在于，
10.一种基于电力系统惯量变分推断的负荷状态自适应调整装置，包括：
【技术特征摘要】
1.一种基于电力系统惯量变分推断的负荷状态自适应调整方法，所述方法包括以下步骤：
2.如权利要求1所述的一种基于电力系统惯量变分推断的负荷状态自适应调整方法，其特征在于，
3.如权利要求1所述的一种基于电力系统惯量变分推断的负荷状态自适应调整方法，其特征在于，
4.如权利要求3所述的一种基于电力系统惯量变分推断的负荷状态自适应调整方法，其特征在于，
5.如权利要求1所述的一种基于电力系统惯量变分推断的负荷状态自适应调整方法，其特征在于，...
【专利技术属性】
技术研发人员：陈烜，胡俊峰，张磊，陶千惠，邱凌，
申请(专利权)人：武汉新电电气股份有限公司，
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。