【技术实现步骤摘要】
本专利技术属于配电网优化，具体涉及配电网运行多目标优化调度方法及系统。
技术介绍
1、配电网是电力系统的重要组成部分，主要负责将电能从输电网或地区发电厂接收，并通过一系列配电设施就地分配或按电压等级逐级分配给各类用户，而配电网优化调度是指在保证电网安全运行和满足供电需求的前提下，通过合理调整和优化配电网的运行方式、设备配置和负荷分配，以提高配电网的运行效率、降低运行成本、减少能源损耗、提高供电可靠性和电能质量。
2、中国专利cn111884268b公开了考虑可靠性指标的交直流混合配电网最优潮流控制方法，包括快速潮流计算、优化建模和最优潮流控制等内容，只需要常用的控制参数即可求解最优潮流问题，但是现有方法对配电网多目标优化调度时，最优潮流运算通过控制参数计算，无法从控制参数高频波动、低频趋势的角度对风光发电等目标控制参数的高频、低频序列趋势进行分解和预测，导致配电网优化调度时风光发电等目标出力不确定，进而无法提供多种以经济成本和网络损耗为冲突目标的有效方案，针对上述问题，我们提出了配电网运行多目标优化调度方法及系统。
技术实现思路
1、本专利技术的目的在于针对现有技术的不足之处，提供配电网运行多目标优化调度方法及系统，解决了现有方法无法从控制参数高频波动、低频趋势的角度对风光发电等目标控制参数的高频、低频序列趋势进行分解和预测，导致配电网优化调度时风光发电等目标出力不确定的问题。
2、本专利技术是这样实现的，配电网运行多目标优化调度方法，所述配电网运行多目标优
3、获取配电网内目标点日前七日24小时负荷、风光发电出力参数，其中，目标点为可控发电机组、风机、风电、光伏、储能、负荷节点，拾取目标点负荷、风光发电出力参数的配电成本序列参数；
4、利用变分模态分解法对配电成本序列参数进行分解，得到各个目标点的高频成本序列、低频成本序列；
5、获取目标点低频成本序列，基于粒子群算法结合双向长短时记忆网络模型对低频成本序列进行成本预测，得到目标点的日内低频预测序列；
6、结合大数据高维分析和卷积神经网络模型对高频成本序列进行成本预测，得到目标点的高频预测序列；
7、对目标点的日内低频预测序列、日内高频预测序列求和计算，得到多个目标点的配电成本预测序列；
8、拾取负荷节点需求响应参数，基于粒子群算法结合双向长短时记忆网络模型对负荷节点需求响应参数预测目标点预测序列，以目标点的用电预测序列为输入，双向长短时记忆网络模型生成目标点日内需求响应曲线；
9、加载需求响应曲线、配电成本预测序列，定义需求响应最低成本和配电网络损耗为目标，构建多目标优化调度模型，基于需求响应曲线、配电成本预测序列输出多目标优化调度方案。
10、优选地，所述利用变分模态分解法对配电成本序列参数进行分解的方法，具体包括：
11、加载配电成本序列参数，配电成本序列参数表达为xb＝xpeak+xvalley，xpeak为高频成本参数，xvalley为低频成本参数；
12、对配电成本序列参数进行离散小波转换，离散小波转换的高通滤波器和低通滤波器将配电成本序列参数分解为代表高频成本的细节的子序列和代表低频成本的子序列，离散小波转换定义为：
13、
14、其中，j为离散小波转换分解水平，ψ(x)为定义的小波函数，y(x)为配电成本序列参数对应的位置索引，t为配电成本序列参数对应的调度时间；
15、
16、其中，xτpeak为代表高频成本的细节的子序列，xτvalley为代表低频成本的子序列，γpeak为高频成本的小波转换系数，γvalley为低频成本的小波转换系数；
17、变分模态分解法引入lagrangian乘子和二次惩罚项求解目标点的高频成本序列、低频成本序列；
18、
19、其中，a为二次惩罚项，δ(t)为dirac三角函数，t为配电成本序列参数对应的调度时间，j为离散小波转换分解水平，λ(x)为lagrangian乘子；
20、
21、其中，λ1,λ2为lagrangian正则化参数。
22、优选地，所述双向长短时记忆网络模型由模型编码器、模型解码器组成，其中，模型编码器包括低频成本输入层、速度和位置的更新机制、残差连接网络，而模型解码器包括嵌入层、bi-lstm层、归一化处理层和输出层组成；
23、所述卷积神经网络模型包括序列降维器、特征提取器、特征分析层、时间卷积网络；
24、所述特征提取器以预训练的yolov8模型为基础架构，冻结yolov8模型的neck层，作为特征提取器；
25、所述时间卷积网络为纳入多头注意力机制的时间卷积网络架构，时间卷积网络架构结合软化阈值算法，结合高频成本序列对卷积神经网络模型进行迭代训练。
26、优选地，所述基于粒子群算法结合双向长短时记忆网络模型对低频成本序列进行成本预测，具体包括：
27、获取低频成本序列，低频成本输入层对低频成本序列进行位置编码和标记，得到低频编码集；
28、加载低频编码集，速度和位置的更新机制基于粒子群优化算法将低频编码集更新，得到低频更新集，低频更新集通过以下公式计算：
29、gvalley(t+1)＝ωvalley*gvalley(t)+c1*r1(pbestvalley-bvalley(t))+c2*r2(gbestvalley-bvalley(t))
30、(5)
31、其中，ωvalley为惯性权重值，c1,c2分别为第一学习因子、第二学习因子，r1,r2为随机常数，pbestvalley为低频编码集的目标点极值，gbestvalley为低频编码集的全局极值，bvalley(t)为低频编码集；
32、残差连接网络基于残差块原理对低频更新集进行残差连接，得到残差连接集；
33、bi-lstm层对残差连接集进行多个方向的特征提取，得到特征提取集，对特征提取集粒子群聚类概率计算，得到特征提取集对应的预测概率值；
34、归一化处理层基于softmax分类函数计算预测概率值对应的日内低频预测值，整合多组日内低频预测值，得到日内低频预测序列；
35、其中，日内低频预测值的计算函数为：
36、
37、其中，gvalley为预测概率值，cvalley为特征提取集对应的特征提取值，α为softmax分类函数的分类耦合系数，i为特征提取集的特征数量。
38、优选地，所述结合大数据高维分析和卷积神经网络模型对高频成本序列进行成本预测，具体包括：
39、获取高频成本序列，序列降维器对高频成本序列降维处理，得到降维序列集；
40、特征提取器基于注意力增强机制对降维序列集进行特征增强，得到注意力增强集；
41、注意力增强集表示为：<本文档来自技高网...
【技术保护点】
1.配电网运行多目标优化调度方法，其特征在于，所述配电网运行多目标优化调度方法包括：
2.如权利要求1所述的配电网运行多目标优化调度方法，其特征在于：所述利用变分模态分解法对配电成本序列参数进行分解的方法，具体包括：
3.如权利要求1所述的配电网运行多目标优化调度方法，其特征在于：所述双向长短时记忆网络模型由模型编码器、模型解码器组成，其中，模型编码器包括低频成本输入层、速度和位置的更新机制、残差连接网络，而模型解码器包括嵌入层、Bi-LSTM层、归一化处理层和输出层组成；
4.如权利要求3所述的配电网运行多目标优化调度方法，其特征在于：所述基于粒子群算法结合双向长短时记忆网络模型对低频成本序列进行成本预测，具体包括：
5.如权利要求3所述的配电网运行多目标优化调度方法，其特征在于：所述结合大数据高维分析和卷积神经网络模型对高频成本序列进行成本预测，具体包括：
6.如权利要求5所述的配电网运行多目标优化调度方法，其特征在于：所述结合大数据高维分析和卷积神经网络模型对高频成本序列进行成本预测，具体还包括：
7.
8.如权利要求7所述的配电网运行多目标优化调度方法，其特征在于：所述多目标优化调度模型的构建方法，具体还包括：
9.配电网运行多目标优化调度系统，用于实施如权利要求1-8任一所述的配电网运行多目标优化调度方法，其特征在于：所述配电网运行多目标优化调度系统，具体包括：
10.如权利要求9所述的配电网运行多目标优化调度系统，其特征在于：所述参数分解模块包括：
...【技术特征摘要】
1.配电网运行多目标优化调度方法，其特征在于，所述配电网运行多目标优化调度方法包括：
2.如权利要求1所述的配电网运行多目标优化调度方法，其特征在于：所述利用变分模态分解法对配电成本序列参数进行分解的方法，具体包括：
3.如权利要求1所述的配电网运行多目标优化调度方法，其特征在于：所述双向长短时记忆网络模型由模型编码器、模型解码器组成，其中，模型编码器包括低频成本输入层、速度和位置的更新机制、残差连接网络，而模型解码器包括嵌入层、bi-lstm层、归一化处理层和输出层组成；
4.如权利要求3所述的配电网运行多目标优化调度方法，其特征在于：所述基于粒子群算法结合双向长短时记忆网络模型对低频成本序列进行成本预测，具体包括：
5.如权利要求3所述的配电网运行多目标优化调度方法，其特征在于：所述结...
【专利技术属性】
技术研发人员：陈诚，张满，王平，李建泽，穆毓，谌业刚，安广培，石明明，刘宏辉，刘海洋，吕帅，
申请(专利权)人：国网安徽省电力有限公司蚌埠供电公司，
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。