[发明专利]一种基于无功负荷态势的电网无功电压控制方法及系统

权利要求书

1.一种基于无功负荷态势的电网无功电压控制方法，其特征在于，包括：

获取无功分区后的负荷预测数据；

将所述负荷预测数据和预先采集的电网状态数据输入到预先构建的Q-Learning模型，进行深度强化学习，得到对应的样本数据；

将所述样本数据和预先采集的电网状态数据输入预先构建的深度卷积神经网络模型得到所述预测数据对应的电网运行特征值控制电网无功电压；

所述深度卷积神经网络模型用于将所述样本数据通过卷积运算并进行降维处理得到电网运行特征值；

所述电网状态数据，包括：电网的结构数据和电网运行设备的数据；所述电网运行设备的数据包括：电网节点注入功率的功率因数和节点无功电压；

所述负荷预测数据，包括：无功分区的有功负荷、无功负荷；

所述将所述负荷预测数据和预先采集的电网状态数据输入到预先构建的Q-Learning模型，进行深度强化学习，得到对应的样本数据，包括：

对上一时刻的所述电网节点注入功率的功率因数和节点无功电压进行电气指标合格状态的判定，并将不符合电气指标状态的电网节点注入功率的功率因数和无功电压进行分类；

基于上一时刻的所述不符合电气指标状态的电网节点注入功率的功率因数和节点无功电压的变化和电网设备动作，在Q-Learning 模型中进行计算，得到Q值；采用贪婪策略，对所述Q值进行强化学习；

采用双重Q-Learning算法对经强化学习的Q值进行计算得到当前时刻电网状态数据作为所述样本数据；

其中所述分类，包括：电压越上限、电压越下限、变压器高压绕组功率因数越上限和变压器高压绕组功率因数越下限；

所述将所述样本数据和预先采集的电网状态数据输入预先构建的深度卷积神经网络模型得到所述预测数据对应的电网运行特征值控制电网无功电压，包括：

对所述样本数据和预先采集的电网状态数据进行卷积运算，输出电网运行特征值并将所述输出电网运行特征值作为下层的输入；

提供修正线性单元激活所述输出电网运行特征值；

将激活的所述输出电网运行特征值划分为多个不重叠区域，并取得各区域数值的最大值或平均值以二维数据输出，并将所述二维数据展开为电网运行特征的一维数据控制电网无功电压。

2.如权利要求1所述的方法，其特征在于，所述无功分区，包括：

基于带权值的电网拓扑矩阵计算节点电气距离；所述权值为节点之间的电抗；

基于所述电气距离采用k-shape的无功聚类算法获得无功分区。

3.如权利要求2所述的方法，其特征在于，所述基于所述电气距离采用k-shape的无功聚类算法获得无功分区，包括：

设定无功分区的数量，将所述数量设为聚类数，初始化聚类中心；

基于电气距离矩阵的特征值与特征向量计算各聚类中心的距离；

基于所述距离对所述无功分区进行相似性量度并提取分区特征得到无功分区。

4.如权利要求3所述的方法，其特征在于，所述基于所述距离对所述无功分区进行相似性量度并提取分区特征，包括：

基于所述距离对所述无功分区进行相似性量度；

基于所述相似性量度，进行分区特征的聚类指标计算。

5.如权利要求3所述的方法，其特征在于，所述无功分区后的负荷数据的预测，包括：

基于各无功分区，将气象天气数据、无功分区历史有功负荷和无功负荷输入LSTM神经网络；

利用所述LSTM神经网络并结合注意力权重的分配，预测得到无功分区的有功负荷、无功负荷。

6.如权利要求5所述的方法，其特征在于，所述注意力权重的计算式如下：

式中，w^k,t为Attention层中给各个特征分配的注意力权重，表示第t个特征对结果y^k的影响，e^k,t为时刻attention机制对当前输入的关注程度，T为T时刻。