[发明专利]基于人工智能数据驱动的主要断面预测方法

说明书

基于人工智能数据驱动的主要断面预测方法，本发明涉及电网断面预测方法。本发明的目的是为了解决现有方法利用潮流计算软件，获得的电力系统断面误差大、对实际运行情况复现困难，结果准确度对电力系统各元件参数依赖性强的问题。过程为：步骤一、采集数据集，将数据集作为训练集；步骤二、建立BP神经网络模型；步骤三、基于训练集训练BP神经网络模型，得到训练好的BP神经网络模型；步骤四、将待测数据集输入到训练好的BP神经网络模型，得到各省间潮流断面。本发明用于电力系统领域。

技术领域

本发明涉及电网断面预测方法。

背景技术

电能作为人民生产生活的必须能源，占据着不可或缺的位置，电能持续稳定可靠的供应尤为重要。为了保证电力系统安全稳定运行，专业人员要根据实际电网运行方式结合仿真软件，对电力系统运行方式进行校核与论证。在校核过程中，对潮流断面的计算是一项重点工作。潮流断面指的是在连接若干地理区域之间的关键联络线。潮流断面上输电线路的输送功率表示着该区域的电能输送能力、负荷情况和与区域之间的联动情况。潮流断面上的输送功率是表征区域电力的一个重要特征。

传统方法往往利用潮流计算软件，对系统进行仿真，获取线路功率。潮流计算是将网络拓扑结构、发电情况、负荷情况以及相关影响潮流的设备作为输入，通过求解由非线性方程组近似的线性方程组得到系统稳定状态下运行方式。

传统方法在计算过程中，存在如下误差来源：

1计算时由非线性方程近似为线性方程产生的误差；

2由计算迭代方法直接导致的误差；

3输入参数时由于参数不够准确产生的误差；

4由于设备录入不全面引起的误差；

5运行方式(包括发电和负荷情况)与实际不符产生的误差；

6边界条件等效产生的误差。

综上，现有方法利用潮流计算软件，获得的电力系统断面误差大、对实际运行情况复现困难，结果准确度对电力系统各元件参数依赖性强。

发明内容

本发明的目的是为了解决现有方法利用潮流计算软件，获得的电力系统断面误差大、对实际运行情况复现困难，结果准确度对电力系统各元件参数依赖性强的问题，而提出基于人工智能数据驱动的主要断面预测方法。

基于人工智能数据驱动的主要断面预测方法具体过程为：

步骤一、采集数据集，将数据集作为训练集；

步骤二、建立BP神经网络模型；

步骤三、基于训练集训练BP神经网络模型，得到训练好的BP神经网络模型；

步骤四、将待测数据集输入到训练好的BP神经网络模型，得到各省间潮流断面。

本发明的有益效果为：

本方法利用人工智能BP神经网络的方法，对电力系统进行基于数据驱动的模型训练和对断面输送功率的仿真。该方法与传统仿真方法不同，不依赖原理。当系统结构复杂庞大，误差来源很多时，传统方法不容易对实际运行情况进行完全真实的反映。对于非电力专业人员，应用该专利提出的方法不需要掌握繁琐的运算公式，就可以对电网运行情况进行仿真，对断面的潮流输送情况进行掌握,解决现有方法利用潮流计算软件获得的电力系统断面误差大、对实际运行情况复现困难、结果准确度对电力系统各元件参数依赖性强的问题。

附图说明

图1为东北电网系统结构图；

图2为BP神经网络结构图；

图3为迭代次数与误差的关系图，Best Training Performance为最佳训练性能；