【技术实现步骤摘要】
本专利技术涉及电网运行配电，具体为一种电力系统负荷预测的分布式无功优化方法。
技术介绍
1、电力系统负荷预测技术是一项从很早以前就开始兴起的研究。一般来讲研究员会将负荷预测分为短期、中期、长期预测三类。而神经网络预测技术常常被用于进行长期的负荷预测中。
2、神经网络，又被称为人工神经网络，用以区别于生物神经网络，是一系列模型的统称。一般认为，人工神经网络是受生物神经网络的启发产生，生物神经网络一般指生物的大脑神经元细胞组成的网络，层状分布，能够接受脉冲信号，用于产生生物的意识，帮助生物进行思考和行动，神经网络是生物网络的一种结构近似模拟，能够通过对负荷某种函数的数据进行训练，从而对该未知函数进行近似。神经网络具有并行分布处理、高度鲁棒性和容错能力、分布存储及学习能力、能够逼近复杂的非线性函数这四种特性。
3、然而目前为了满足日益增长的能量需要，可再生能源以分布式电源的形式并网受到了越来越多的关注。由于逆变器响应速度快，灵活性高，因此在分布式能源并网中得到了广泛的应用。这些逆变器将各种可再生能源转换成符合要求的交流电输送到电网中，由于可再生能源，例如太阳能和风能，在自然中是间歇的，不连续的。因此，间歇性分布式的发电将是非常激烈的。如果分布式电源的控制和无功补偿不协调就会产生一系列问题：电压变化、暂态稳定问题甚至会导致电压崩溃。为此，我们需要提供一种电力系统负荷预测的分布式无功优化方法。
技术实现思路
1、本专利技术的目的在于提供了一种电力系统负荷预测的分布式无
2、为实现上述目的，本专利技术提供如下技术方案：一种电力系统负荷预测的分布式无功优化方法，包括以下方法步骤：
3、步骤一：在预设周期内采集整个电力系统在有效运行负荷区间过程中所有的电力系统历史负荷数据，并对获取的历史负荷数据进行归一化处理，处理后得到区间负荷点数据，并对所述区间负荷点数据内的所有目标负荷点数据进行预处理；
4、步骤二：在对目标负荷点数据进行预处理后，将目标负荷点数据所预处理后的数据进行导入所建立的神经网络预测模型中，神经网络预测模型对所导入的预处理数据进行训练；
5、步骤三：将每个负荷点所得到的训练结果作为数据更新到数据库中；
6、步骤四：重复步骤二、步骤三，使得所有的负荷点训练结果数据都作为样本数据进行预测，并根据分布式电源的无功补偿特性，以及分布式电源的目标参数进行分析、采集，建立分布式电源无功模型；
7、步骤五：根据样本数据，利用热电负荷折算关系模型进行判断系统在当前是否存在稳定工况，当确定系统在当前处于稳定工况时，计算每个负荷点所产生的热消耗率，并获取相应的热消耗曲线，以热耗率最低为目标的最优热消耗曲线，即为目标的电网无功优化模型；
8、步骤六：根据最优热消耗曲线，与标准的优化热消耗曲线进行对比，得到偏离程度的差值，进而偏离预警信号反馈信息控制库中，并根据无功平均利用率和瞬时通信拓扑矩阵进行分布式优化控制计算，以实现分布式无功优化。
9、优选的，所述历史负荷数据包括在环境维度和电力维度上的若干维度数据、环境信息中包含的若干环境数据以及电力信息中包含的若干电力数据。
10、优选的，对获取的历史负荷数据进行归一化处理的方式是采用sigmoid函数作为激活函数。
11、优选的，针对步骤一中的目标负荷点数据进行预处理的方式为采用小波变换对目标负荷点数据进行分解重构处理，获得不同频率负荷的小波重构数据，包括有低频段和高频段若干分量数据。
12、优选的，在步骤五中，通过模拟热电负荷折算关系模型的实际运行参数，将模拟的热电负荷折算关系模型运行参数求取平均值与标准的热电负荷折算关系模型运行参数求取平均值进行比较，若模拟的热电负荷折算关系模型运行参数求取平均值小于或等于标准的热电负荷折算关系模型运行参数求取平均值，则确定系统在当前条件下处于稳定工况。
13、优选的，在步骤五中，根据所述信息控制库所得到的信号进行分析、判断并作出决定，具体如下：预先设定许可偏离参数值，然后将实际所得到的偏离值与预先设定的可偏离参数值进行对比，若超过或者低于可偏离参数值，则判断为不是最优热消耗曲线，反之则是最优热消耗曲线。
14、本专利技术提供了一种电力系统负荷预测的分布式无功优化方法。具备以下
15、有益效果：
16、(1)、本专利技术通过设计该分布式无功优化方法，采用小波变换对目标负荷点数据进行分解重构处理，获得不同频率负荷的小波重构数据，通过神经网络预测模型对所导入的预处理数据进行训练，使得所有的负荷点训练结果数据都作为样本数据进行预测，并根据分布式电源的无功补偿特性，以及分布式电源的目标参数进行分析、采集，建立分布式电源无功模型，最后根据无功平均利用率和瞬时通信拓扑矩阵进行分布式优化控制计算，以实现分布式无功优化，可以有效的、快速的、准确的获取负荷预测。
17、(2)、本专利技术通过利用热电负荷折算关系模型进行判断系统在当前是否存在稳定工况，当确定系统在当前处于稳定工况时，计算每个负荷点所产生的热消耗率，并获取相应的热消耗曲线，以热耗率最低为目标的最优热消耗曲线，即为目标的电网无功优化模型，进而在系统以最优热消耗曲线进行运行时使得系统的运行工况可以更加接近最优工况，以提高系统优化运行控制的准确性，从而便于降低负荷的热耗率，提高电力系统优化运行的节能降耗效益，为电力系统负荷预测带来了便利。
本文档来自技高网...【技术保护点】
1.一种电力系统负荷预测的分布式无功优化方法，其特征在于，包括以下方法步骤：
2.根据权利要求1所述的一种电力系统负荷预测的分布式无功优化方法，其特征在于：所述历史负荷数据包括在环境维度和电力维度上的若干维度数据、环境信息中包含的若干环境数据以及电力信息中包含的若干电力数据。
3.根据权利要求1所述的一种电力系统负荷预测的分布式无功优化方法，其特征在于：对获取的历史负荷数据进行归一化处理的方式是采用sigmoid函数作为激活函数。
4.根据权利要求1所述的一种电力系统负荷预测的分布式无功优化方法，其特征在于：针对步骤一中的目标负荷点数据进行预处理的方式为采用小波变换对目标负荷点数据进行分解重构处理，获得不同频率负荷的小波重构数据，包括有低频段和高频段若干分量数据。
5.根据权利要求1所述的一种电力系统负荷预测的分布式无功优化方法，其特征在于：在步骤五中，通过模拟热电负荷折算关系模型的实际运行参数，将模拟的热电负荷折算关系模型运行参数求取平均值与标准的热电负荷折算关系模型运行参数求取平均值进行比较，若模拟的热电负荷折算关系模型运行参数
6.根据权利要求1所述的一种电力系统负荷预测的分布式无功优化方法，其特征在于：在步骤五中，根据所述信息控制库所得到的信号进行分析、判断并作出决定，具体如下：预先设定许可偏离参数值，然后将实际所得到的偏离值与预先设定的可偏离参数值进行对比，若超过或者低于可偏离参数值，则判断为不是最优热消耗曲线，反之则是最优热消耗曲线。
...【技术特征摘要】
1.一种电力系统负荷预测的分布式无功优化方法，其特征在于，包括以下方法步骤：
2.根据权利要求1所述的一种电力系统负荷预测的分布式无功优化方法，其特征在于：所述历史负荷数据包括在环境维度和电力维度上的若干维度数据、环境信息中包含的若干环境数据以及电力信息中包含的若干电力数据。
3.根据权利要求1所述的一种电力系统负荷预测的分布式无功优化方法，其特征在于：对获取的历史负荷数据进行归一化处理的方式是采用sigmoid函数作为激活函数。
4.根据权利要求1所述的一种电力系统负荷预测的分布式无功优化方法，其特征在于：针对步骤一中的目标负荷点数据进行预处理的方式为采用小波变换对目标负荷点数据进行分解重构处理，获得不同频率负荷的小波重构数据，包括有低频段和高频段若干分量数据。
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。