【技术实现步骤摘要】
本专利技术属于深度神经网络的，尤其涉及一种基于深度神经网络的中压配电网容载比计算方法。
技术介绍
1、中压配电网是电力系统的重要组成部分，负责将电能从变电站输送到各个用户终端。在现代城市的供电系统中，中压配电网的负荷变化复杂多样，受季节性、天气、用户行为等多种因素影响，导致其运行状态具有高度的不确定性。为确保供电安全和电能质量，配电网的运行人员需要准确掌握电网的容载比(capacity utilization ratio)，即变压器和线路在实际运行中的负载能力与其额定容量之间的比值。容载比的精确计算和动态调整，不仅有助于电力资源的合理配置，还能有效防止设备过载和电力中断，提升电网的可靠性和经济性。
2、目前，传统的中压配电网容载比计算方法主要依赖于静态模型和固定参数设定，这些方法通常基于历史数据和经验规则，无法实时响应负荷的动态变化。随着配电网中分布式能源、智能电表和各类新型电力设备的普及，电网的负荷形态变得更加多样化和复杂化，使得传统的静态模型无法有效适应快速变化的电力需求。此外，传统方法在计算过程中缺乏对电网拓扑结构、负载类型和时间序列变化等因素的综合考虑，导致容载比预测的精度不高，难以应对电力系统的复杂非线性动态行为。
3、现有技术的另一个不足在于缺乏对实时负荷波动的响应能力和智能调整机制。传统的容载比计算方法无法充分利用配电网中越来越丰富的实时数据和环境信息，难以做到对不同负载情况的精准预测和优化调度。由于电网运行环境的变化和电力需求的波动性，这些方法在应对突发负荷变化和设备故障时，反应速度慢，调
技术实现思路
1、本专利技术的目的设计一种基于深度神经网络的中压配电网容载比计算方法，通过结合最新的时间序列深度学习技术和负荷类型识别技术，本专利技术能够实时预测电网的负载变化，并通过智能能量管理系统进行负荷的动态优化调度。这一方法突破了传统容载比计算模型的局限性，能够在复杂多变的电力环境下，提供更高的预测精度和优化能力，显著提升电网的运行效率和安全性。
2、为了达到上述目的，在本专利技术提供了一种基于深度神经网络的中压配电网容载比计算方法，所述方法包括以下步骤：
3、s1、采集中压配电网的多源数据，并根据多源数据构建第一高维特征矩阵；
4、s2、设计自适应分层聚类算法根据高维特征矩阵动态识别负载类型，然后从负载类型中提取负载的时序特征和时序特征中的自相关特征，将时序特征和自相关特征建成第二高维特征矩阵；
5、s3、构建时序多级递归神经网络，让第二高维特征矩阵作为输入，通过递归结构和正则化方法，同时结合短期与长期特征进行负载预测；
6、其中，所述时序多级递归神经网络包括第一层递归网络和第二层递归网络；
7、所述第一层递归网络处理每种负载类型的时序特征，表示如下：
8、h1(t)＝rnn1(tc(t))+λ1·reg(tc(t))
9、其中，h1(t)是第一层递归网络的隐藏状态，λ1是正则化系数，reg(tc(t))是专门设计的局部平滑正则项，rnn1是第一层递归网络，tc(t)是时序特征；其中，所述局部平滑正则项reg(tc(t))表示如下：
10、
11、其中，n是窗口总数，i是窗口大小，t是当前时刻；
12、所述第二层递归网络结合第一层的隐藏状态和自相关特征处理负载的长期趋势，表示如下：
13、h2(t)＝rnn2(h1(t),ac(t))+λ2·reg(ac(t))
14、其中，h2(t)是第二层递归网络的隐藏状态，ac(t)是自相关特征，λ2是正则化系数；reg(ac(t))是长期周期正则项，表示如下：
15、
16、其中，m是时间步总数，k是k个时间步；
17、经过所述时序多级递归神经网络的输出，最终的隐藏状态h2(t)被传递到全连接层进行映射，生成负载预测值p(t)，表示如下：
18、p(t)＝wp·h2(t)+bp
19、其中，wp是全连接层的权重矩阵，bp是偏置项，p(t)表示未来时间步t的负载预测值；
20、s4、根据负载预测计算电网的当前容载比，并对当前容载比进行初步优化，得到初步优化的负载预测；
21、其中，所述对当前容载比进行初步优化，得到初步优化的负载预测，具体包括：
22、构建自适应负载平衡优化模型，根据每个节点的容载比ri(t)，对高于设定阈值的节点进行负载转移，表示如下：
23、
24、其中，δpi(t)是节点负载调整项，该项根据每个节点的当前容载比和其相邻节点的负载情况进行动态调整；α是负载平衡调整系数，用于控制负载分配速度；β是相邻节点调整系数，用于调整与相邻节点的负载差异；n(i)是与节点i相邻的节点集合，|n(i)|是相邻节点的数量；ph(t)是相邻节点j的负载预测值；capacityi是该负载类型对应的电网节点的容量；pi(t)是第i类负载的预测值；
25、同时引入电网动态调整函数d(t)，用来描述当前电网中容载比的动态变化速率，表示如下：
26、
27、根据当前电网动态调整函数d(t)的值，识别电网中负载变化的区域，并根据变化的程度提前进行负荷调度；
28、s5、根据初步优化的负载预测构建深度学习模型对能量管理策略进行深入优化，并调整深度学习模型的模型参数适应实际运行状况；
29、s6、实时监控中压配电网的运行情况，并使用强化学习模型优化深度学习模型和能量管理策略。
30、进一步地，所述多源数据包括电气数据、环境数据和用户行为数据；
31、所述电气数据包括电压、电流和功率；
32、所述环境数据为环境变化；
33、所述用户行为数据为不同用户的用电模式导致的负载波动，所述负载波动包括负载功率因数和用电特征；
34、所述根据多源数据构建第一高维特征矩阵，具体包括：
35、将多源数据进行预处理，所述预处理包括数据同步与归一化处理、噪声过滤与异常值处理和特征扩展与时序特征生成处理，最后生成时序特征，将生成的时序特征整合成第一高维特征矩阵。
36、进一步地，所述设计自适应分层聚类算法根据高维特征矩阵动态识别负载类型，具体包括：
37、将第一高维特征矩阵将按照固定窗口进行分段，形成包含过去n个时间步的分段矩阵s(t)，然后采用主成分分析对分段矩阵s(t)进行降维生成特征向量r(t)，最后引入自适应分层聚类算法，通过距离度量对特征向量r(t)进行初步聚类并根据时序特性调整聚类层次，最终输出负载类型c(t)；
38、所述从负载类型中提取负载的时序特征和时序特征中的自相关特征，将时序特征和自相关特征建成第二高维特征矩阵，具体包括：
3本文档来自技高网...
【技术保护点】
1.一种基于深度神经网络的中压配电网容载比计算方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的一种基于深度神经网络的中压配电网容载比计算方法，其特征在于，所述多源数据包括电气数据、环境数据和用户行为数据；
3.根据权利要求1所述的一种基于深度神经网络的中压配电网容载比计算方法，其特征在于，所述设计自适应分层聚类算法根据高维特征矩阵动态识别负载类型，具体包括：
4.根据权利要求1所述的一种基于深度神经网络的中压配电网容载比计算方法，其特征在于，所述时序多级递归神经网络包括第一层递归网络和第二层递归网络；
5.根据权利要求4所述的一种基于深度神经网络的中压配电网容载比计算方法，其特征在于，在所述时序多级递归神经网络的训练过程中，使用历史负载数据进行监督学习，并采用加权均方误差损失函数，对不同负载类型的误差赋予不同的权重，表示如下：
6.根据权利要求1所述的一种基于深度神经网络的中压配电网容载比计算方法，其特征在于，所述对当前容载比进行初步优化，得到初步优化的负载预测，具体包括：
7.根据权利要求
8.根据权利要求7所述的一种基于深度神经网络的中压配电网容载比计算方法，其特征在于，所述S5.2，具体包括：
9.根据权利要求1所述的一种基于深度神经网络的中压配电网容载比计算方法，其特征在于，所述强化学习模型的状态包括当前电网中各节点的容载比、预测误差，以及相邻节点间的负载调整；动作包括通过动态调整节点负载分配和深度学习模型的模型权重更新；奖励函数R(t)表示如下：
10.根据权利要求9所述的一种基于深度神经网络的中压配电网容载比计算方法，其特征在于，所述强化学习模型采用深度Q学习算法进行优化，通过状态S(t)和动作A(t)，计算当前时刻的Q值，反映在特定状态下采取某个动作的期望累积奖励。Q值更新公式如下：
...【技术特征摘要】
1.一种基于深度神经网络的中压配电网容载比计算方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的一种基于深度神经网络的中压配电网容载比计算方法，其特征在于，所述多源数据包括电气数据、环境数据和用户行为数据；
3.根据权利要求1所述的一种基于深度神经网络的中压配电网容载比计算方法，其特征在于，所述设计自适应分层聚类算法根据高维特征矩阵动态识别负载类型，具体包括：
4.根据权利要求1所述的一种基于深度神经网络的中压配电网容载比计算方法，其特征在于，所述时序多级递归神经网络包括第一层递归网络和第二层递归网络；
5.根据权利要求4所述的一种基于深度神经网络的中压配电网容载比计算方法，其特征在于，在所述时序多级递归神经网络的训练过程中，使用历史负载数据进行监督学习，并采用加权均方误差损失函数，对不同负载类型的误差赋予不同的权重，表示如下：
6.根据权利要求1所述的一种基于深度神经网络的中压配...
【专利技术属性】
技术研发人员：陆锦培，郑剑锋，周龙舟，万敏，周磊，陈培培，刘若愚，李达凯，何其淼，刘志陆，何然，刘聪，白雪，詹睿，霍兆杰，祝钧，陈艺丹，张瀚夫，姚远，
申请(专利权)人：广东电网有限责任公司佛山供电局，
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。