[发明专利]一种基于一维卷积神经网络的配电网无功优化方法

说明书

本发明公开了一种基于一维卷积神经网络的配电网无功优化方法，包括：步骤1，建立以有功网损和电压偏差最小为目标函数的配电网无功优化模型，用粒子群优化算法计算得到配电网历史负荷数据所对应的无功优化策略；步骤2，将历史配电网负荷数据归一化处理作为训练神经网络所输入的数据特征，将步骤1中得到的无功优化策略二进制编码作为神经网络的输出标签；步骤3，训练一维卷积神经网络确定神经网络的结构参数，得到训练好的一维卷积神经网络模型；步骤4，将一个待优化时刻实际配电网负荷数据提取数据特征后将它输入到训练好的一维卷积神经网络模型中，输出对应无功优化策略的二进制编码。本发明可以快速得到相应无功优化策略，加快了运算时间。

技术领域

本发明涉及一种基于一维卷积神经网络的配电网无功优化方法，属于配电网无功优化领域。

背景技术

随着配电网的规模不断扩大，同时配电网负荷的不确定性和波动性使得配网的电压稳定运行面临着严峻挑战，通过一定的无功调节手段保证系统无功平衡提高电能质量显得尤其重要。配电网无功优化是一个多目标的非线性规划问题，现有的求解方法依赖于配电网的模型和参数，需要反复迭代潮流计算，计算时间长，决策性差。

针对现有相关求解方法依赖于配电网的模型和参数，导致需要反复迭代潮流计算，计算时间长，决策性差的技术问题，目前尚未提出有效的解决方案。

发明内容

本发明提供了一种基于一维卷积神经网络的配电网无功优化方法，通过训练一维卷积神经网络来拟合配电网负荷数据和无功优化策略间的非线性关系，训练好的神经网络模型用于待优化时刻的配电网无功优化，进而解决需要反复迭代潮流计算，计算时间长的问题。

本发明的技术方案是：一种基于一维卷积神经网络的配电网无功优化方法，包括：

步骤1，建立以有功网损和电压偏差最小为目标函数的配电网无功优化模型，用粒子群优化算法计算得到配电网历史负荷数据所对应的无功优化策略；

步骤2，将历史配电网负荷数据归一化处理作为训练神经网络所输入的数据特征，将步骤1中得到的无功优化策略二进制编码作为神经网络的输出标签；

步骤3，训练一维卷积神经网络确定神经网络的结构参数，得到训练好的一维卷积神经网络模型；

步骤4，将一个待优化时刻实际配电网负荷数据提取数据特征后将它输入到训练好的一维卷积神经网络模型中，输出对应无功优化策略的二进制编码。

步骤1所建立的配电网无功优化模型表示为：

有功网损：

式中：n_l为网络总支路数；G_k(i,j)为节点i至节点j的支路k的电导；u_i、u_j分别为节点i、j的电压；θ_i、θ_j分别为节点i、j的电压的相位角；节点i、节点j为相邻节点；

节点电压偏差：

式中：u_m为负荷节点m的电压；u_定为负荷节点的指定电压幅值；Δu_mmax为负荷节点m允许的最大电压偏差；N_l为负荷节点总数；

综上，配电网无功优化模型为：

minf＝f_loss+λf_U；式中，λ为节点电压偏差的惩罚系数。

所述步骤2具体为：

步骤2.1：将配电网的节点负荷数据进行归一化处理，让它们处于[0,1]区间内，公式如下所示：