【技术实现步骤摘要】
本专利技术属于能源管理，涉及优化调度方法、系统、设备及介质。
技术介绍
1、5g基站的单个宏基站储能可调度容量为4-16kwh，最大可调功率为2-4kw/h，海量的5g基站蕴含着巨大的可调资源，5g基站与有源配电网的优化调度是关系新型基础设施节能降耗的关键环节，5g基站通过与电网进行互动和节能潜力挖掘，可以有效支撑电网安全运行，实现通信运营商与电网的互利共赢。随着5g基站的建设和发展，5g基站的数量逐年上涨，形成了海量分布式灵活资源，然而，5g基站与有源配电网的优化调度中，5g基站存在负荷灵活调节潜力挖掘不够、与电网协同互动能力不足的问题，若是采用集中式调度方法，将面临用户隐私保护问题和巨大的计算负担。
技术实现思路
1、为解决
技术介绍
中所述的5g基站的负荷灵活调节潜力挖掘不够、与电网协同互动能力不足、采用集中式调度方法面临用户隐私保护问题和巨大的计算负担的问题，本专利技术提供5g基站与有源配电网的优化调度方法、系统、设备及介质。
2、本专利技术的方法包括：
3、基于5g基站与有源配电网优化调度的原始输入数据，将图卷积和门控循环单元结合建立时空图卷积神经网络，利用5g基站与有源配电网的历史运行数据学习时空图卷积神经网络中图卷积层图结构内各节点的关系，自适应修正时空图卷积神经网络中图卷积层的邻接矩阵参数，得到改进的时空图卷积神经网络；
4、利用软性注意力机制及缩放点积打分函数计算5g基站与有源配电网优化调度的原始输入数据中不同输入特征的权重，获得修
5、将修正后的输入特征输入改进的时空图卷积神经网络中，输出得到5g基站预测负载率、5g基站预测功率和光伏预测出力；
6、依据5g基站预测功率和5g基站的备电时间，计算得到5g基站储能实时最小备用容量；
7、依据5g基站与有源配电网的运行情况，建立以运行成本最优为目标的目标函数以及运行约束条件；
8、基于5g基站储能实时最小备用容量、5g基站预测负载率、光伏预测出力以及运行约束条件，通过列约束生成算法对目标函数进行求解，得到5g基站与有源配电网的调度计划，依据调度计划对5g基站与有源配电网进行优化调度。
9、进一步地，5g基站与有源配电网优化调度的原始输入数据包括包括5g基站的运行数据、5g基站的地理分布数据、5g基站的气象数据、5g基站与有源配电网的历史运行数据；
10、时空图卷积神经网络模型表示为拓扑图g＝(v,e,a)，其中v表示点集，e表示边集，a为拓扑图g的邻接矩阵，卷积范围为节点vi的邻域b：
11、b(vi)＝{vj|d(vj,vi)≤d}(1)，
12、式中，d(vj,vi)代表图节点vi到vj的最短距离；d为最大卷积邻域；当d＝1时，表明采样区域的大小为节点vi的一阶邻域；
13、图卷积层的前向传播如下式：
14、
15、式中，relu是指修正线性单元激活函数；x为拓扑图g的特征矩阵；为含自相关的邻接矩阵，即a是拓扑图g的邻接矩阵，i是单位矩阵；为内的第i行第j列元素；为规范对称后的邻接矩阵；σ(·)为sigmoid函数；w0为从上层到图卷积层的权值矩阵；w1为从图卷积层到下层的权值矩阵，为节点度矩阵；
16、将图卷积和门控循环单元结合，将图卷积算法引入门控循环单元构成时空图卷积单元，通过多个时空图卷积单元的堆叠构成时空图卷积神经网络，捕捉图中节点的时空动态变化，对时空图数据的深度学习和分析，其前向传播式如下式(4)-(7)所示：
17、ut＝σ(wu[f(a,xt),ht-1]+bu) (4)，
18、rt＝σ(wr[f(a,xt),ht-1]+br) (5)，
19、ct＝tanh(wc[f(a,xt),(rt*ht-1)]+bc) (6)，
20、ht＝ut*ht-1+(1-ut)*ct (7)，
21、式中，ut、rt、ct是单元内部参数，分别对应t时刻更新门、重置门、当前单元的状态；ht为t时刻的单元输出；wu与bu分别为更新门的权重矩阵与偏置矩阵；wr与br为重置门的权重矩阵与偏置矩阵；f(a,xt)为t时刻下对模型输入的图卷积操作；ht-1为上一时间t-1时刻的隐藏状态；wc为用于计算候选状态ct的权重矩阵；bc是与候选状态ct相关联的偏置向量；
22、自适应修正时空图卷积神经网络中图卷积层的邻接矩阵参数的方法为：
23、对拓扑图g的特征矩阵x＝(x1,x2,…xn)t，定义amn为邻接矩阵第m行第n列的参数,amn表达式为：
24、
25、式中,xm和xn表示节点m和节点n的特征，ω为邻接矩阵参数中可学习的权重向量，n为节点m一阶近邻的总个数；
26、式(8)采用relu单元将邻接矩阵的值限定在了非负数，并利用softmax的形式将amn进行归一化；
27、利用下式的损失函数lgraph学习amn的权重参数：
28、
29、式中，λ为正则项的惩罚系数，f是正则项的范数，采用f-2正则化时其表达式为：
30、
31、自适应神经网络的总损失函数lloss如下式所示：
32、lloss＝lmae+lgraph (11)，
33、式中，lmae是原神经网络的损失函数，采用平均绝对误差。
34、更进一步地，所述修正后的输入特征的获得方法为：
35、当输入特征的时段为t时，其特征权重向量αt为：
36、
37、式中，x为原始输入特征；q为注意力机制的查询向量，即对应时间的预测目标值；dt为输入特征的总长度；αt通过软性注意力机制计算而得，利用缩放点积打分函数对输入特征进行归一化处理，确保不同特征的权重得到合理调整，从而优化模型的输入特征；
38、对所有输入特征进行标准化操作，得到修正后的输入特征，表达式为：
39、
40、式中，xref为修正后的输入特征，xmean为输入x的各特征分量均值；xstd为输入x的各特征分量标准差；
41、依据式(13)对输入特征进行标准化处理，生成修正后的输入特征数据集xref，这是后续预测的基础；将修正后的输入特征数据集xref输入到改进的时空图卷积神经网络模型中，利用多层卷积操作和时空依赖性分析，对不同时间段的5g基站负载率、功率及光伏出力进行预测；
42、所述5g基站预测负载率λ5g表示为下式：
43、λ5g＝{λ1(t),λ2(t),…,λn(t)} (14)，
44、式中，λn(t)表示第n个5g基站在时间t时刻的负载率；
45、所述5g基站预测功率p5g表示为下式：
46、p5g＝{p1(t),p2(t),…,pn(t)} (15)，
47、式中，pn(t本文档来自技高网...
【技术保护点】
1.5G基站与有源配电网的优化调度方法，其特征在于，包括：
2.根据权利要求1所述的5G基站与有源配电网的优化调度方法，其特征在于：所述改进的时空图卷积神经网络中，5G基站与有源配电网优化调度的原始输入数据包括5G基站的运行数据、5G基站的地理分布数据、5G基站的气象数据、5G基站与有源配电网的历史运行数据；
3.根据权利要求1所述的5G基站与有源配电网的优化调度方法，其特征在于：所述修正后的输入特征的获得方法为：
4.根据权利要求3所述的5G基站与有源配电网的优化调度方法，其特征在于：所述5G基站储能实时最小备用容量的计算中，将式(15)得到的不同区域的5G基站预测功率与5G基站最小备电时间ts结合，得到t时刻5G基站最小备用容量如下式所示：
5.根据权利要求4所述的5G基站与有源配电网的优化调度方法，其特征在于：所述目标函数的表达式为：
6.根据权利要求5所述的5G基站与有源配电网的优化调度方法，其特征在于：所述目标函数的求解方法为：
7.5G基站与有源配电网的优化调度系统，其特征在于：包括改进的时空图卷
8.根据权利要求7所述的5G基站与有源配电网的优化调度系统，其特征在于：所述改进的时空图卷积神经网络建立模块中，5G基站与有源配电网优化调度的原始输入数据包括包括5G基站的运行数据、5G基站的地理分布数据、5G基站的气象数据、5G基站与有源配电网的历史运行数据；
9.根据权利要求7所述的5G基站与有源配电网的优化调度系统，其特征在于：所述输入特征的修正模块中，修正后的输入特征的获得方法为：
10.根据权利要求9所述的5G基站与有源配电网的优化调度系统，其特征在于：所述5G基站储能实时最小备用容量计算模块中，将式(15)得到的不同区域的5G基站预测功率与5G基站最小备电时间ts结合，得到t时刻5G基站最小备用容量如下式所示：
11.根据权利要求10所述的5G基站与有源配电网的优化调度系统，其特征在于：所述目标函数及约束建立模块中，目标函数的表达式为：
12.根据权利要求11所述的5G基站与有源配电网的优化调度系统，其特征在于：所述优化调度模块中，目标函数的求解方法为：
13.一种电子设备，其特征在于，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器存储有计算机指令，所述处理器通过执行所述计算机指令，从而实现如权利要求1-6任一项所述的5G基站与有源配电网的优化调度方法。
14.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1-6任一项所述的5G基站与有源配电网的优化调度方法。
...【技术特征摘要】
1.5g基站与有源配电网的优化调度方法，其特征在于，包括：
2.根据权利要求1所述的5g基站与有源配电网的优化调度方法，其特征在于：所述改进的时空图卷积神经网络中，5g基站与有源配电网优化调度的原始输入数据包括5g基站的运行数据、5g基站的地理分布数据、5g基站的气象数据、5g基站与有源配电网的历史运行数据；
3.根据权利要求1所述的5g基站与有源配电网的优化调度方法，其特征在于：所述修正后的输入特征的获得方法为：
4.根据权利要求3所述的5g基站与有源配电网的优化调度方法，其特征在于：所述5g基站储能实时最小备用容量的计算中，将式(15)得到的不同区域的5g基站预测功率与5g基站最小备电时间ts结合，得到t时刻5g基站最小备用容量如下式所示：
5.根据权利要求4所述的5g基站与有源配电网的优化调度方法，其特征在于：所述目标函数的表达式为：
6.根据权利要求5所述的5g基站与有源配电网的优化调度方法，其特征在于：所述目标函数的求解方法为：
7.5g基站与有源配电网的优化调度系统，其特征在于：包括改进的时空图卷积神经网络建立模块、输入特征的修正模块、预测结果计算模块、5g基站储能实时最小备用容量计算模块、目标函数及约束建立模块、优化调度模块；
8.根据权利要求7所述的5g基站与有源配电网的优化调度系统，其特征在于：所述改进的时空图卷积神经网络建立模块中...
【专利技术属性】
技术研发人员：程元，饶尧，丁胜，白新雷，肖申，刘政，宋河，魏浩，刘紫懿，叶子麒，黄津明，
申请(专利权)人：国网电力科学研究院武汉能效测评有限公司，
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。