基于人工智能数据驱动的主要断面预测方法与流程

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。技术实现要素：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，besttrainingperformance为最佳训练性能；图4a为gradient参数随迭代变化图，gradient为梯度，atepoch为迭代次数；图4b为mu参数随迭代变化图，mu为调节系数；图5为训练数据归一化参数拟合误差图，target为目标，output为输出，training为训练；图6a为以扎鲁特和黑龙江发电量作为变量，以扎鲁特吸收功率作为横坐标，黑龙江与吉林原始数据与仿真数据断面潮流情况图，epochs为迭代次数，meansquarederror为均方误差，train为训练，best为最佳，goal为迭代允许最大误差；+为实测，○为仿真；图6b为以扎鲁特和黑龙江发电量作为变量，以扎鲁特吸收功率作为横坐标，黑龙江与蒙东原始数据与仿真数据断面潮流情况图；+为实测，○为仿真；图6c为以扎鲁特和黑龙江发电量作为变量，以扎鲁特吸收功率作为横坐标，黑龙江东部外送原始数据与仿真数据断面潮流情况图；+为实测，○为仿真；图7a为以扎鲁特、黑龙江和吉林发电量作为变量，以扎鲁特吸收功率作为横坐标，黑龙江与吉林原始数据与仿真数据断面潮流情况图；图7b为以扎鲁特、黑龙江和吉林发电量作为变量，以扎鲁特吸收功率作为横坐标，黑龙江与蒙东原始数据与仿真数据断面潮流情况图；+为实测，○为仿真；图7c为以扎鲁特、黑龙江和吉林发电量作为变量，以扎鲁特吸收功率作为横坐标，黑龙江东部外送原始数据与仿真数据断面潮流情况图；+为实测，○为仿真。具体实施方式具体实施方式一：本实施方式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。具体实施方式二：本实施方式与具体实施方式一不同的是，所述步骤一中采集数据集，将数据集作为训练集；具体过程为：采集各省的发电功率、负荷功率、变电站吸收功率和各省间的潮流断面，作为训练集。其它步骤及参数与具体实施方式一相同。具体实施方式三：本实施方式与具体实施方式一或二不同的是，所述步骤二中建立bp神经网络模型；具体过程为：神经网络由输入层、隐藏层、输出层组成；隐藏层一般为多层，每个层中包含若干神经元，在bp神经网络中，层与层之间的神经元是全连接，层内部的神经元之间是无连接的；各隐藏层节点通过激活函数转化，激活函数通常选用sigmoid函数；其网络可表示为图2；对于一个结构为含有n个输入变量的输入层，含有p个神经元的隐藏层，含有q个类别的输出层，bp神经网络模型中变量如下：输入层输入向量为x＝(x1,x2,…,xi,…,xn)，xi为输入层第i个输入向量；隐藏层输入向量为hi＝(hi1,hi2,…,hih,…,hip)，hih为第h个神经元隐藏层输入向量；隐藏层输出向量为ho＝(ho1,ho2,…,hoh,…,hop)，hoh为第h个神经元隐藏层输出向量；输出层输入向量为yi＝(yi1,yi2,…,yiu,…,yiq)，yiu为第u个类别输出层输入向量；输出层输出向量为yo＝(yo1,yo2,…,you,…,yoq)，you为第u个类别输出层输出向量；期望输出向量为do＝(do1,do2,…,dou,…,doq)，dou为第u个类别期望输出向量；输入层与隐藏层的连接权值为wih；隐藏层与输出层的连接权值为whu；隐藏层各神经元的阈值为bh；输出层各神经元的阈值为bu；样本数据个数为k＝1,2,…,m；激活函数为f(·)；误差函数为dou(k)为第u个类别期望输出向量，you(k)为第u个类别输出层输出向量；选取第k个输入样本，则隐藏层各神经元的输入和输出向量为：hoh(k)＝f(hih(k)),h＝1,2,…,p式中，hih(k)为第h个神经元隐藏层输入向量；hoh(k)为第h个神经元隐藏层输出向量；选取第k个输入样本，则输出层各类别的输入和输出向量为：you(k)＝f(yiu(k)),u＝1,2,…,q式中，yiu(k)为第u个类别输出层的输入向量；you(k)为第u个类别输出层的输出向量；计算误差函数e对输出层各类别的偏导数，根据输出层期望输出和实际输出以及输出层输入等参数计算；式中，δo(k)为e对于yiu(k)的偏导；计算误差函数e对隐藏层各神经元的偏导数，根据后一层的灵敏度和后一层的权值以及该层输入值等参数计算；式中，δh(k)为e对于hih(k)的偏导；利用偏导数修正隐藏层与输出层连接权值：whun+1＝whun+ηδo(k)hoh(k)式中，δwhu(k)为whu(k)的变化量，whun+1为第n+1个隐藏层的whu(k)，whun为第n个隐藏层的whu(k)，μ为调节系数，η为学习率；利用偏导数修正输入层与隐藏层连接权值：wihn+1＝wihn+ηδh(k)xi(k)式中，δwih(k)为wih(k)的变化量，wihn+1为第n+1个隐藏层的wih(k)，wihn为第n个隐藏层的wih(k)；计算全局误差：其它步骤及参数与具体实施方式一或二相同。具体实施方式四：本实施方式与具体实施方式一至三之一不同的是，所述隐藏层为三层，每层神经元数量为4、7、5。其它步骤及参数与具体实施方式一至三之一相同。具体实施方式五：本实施方式与具体实施方式一至四之一不同的是，所述隐藏层的三层激活函数分别采用线性函数、sigmoid函数、线性函数。其它步骤及参数与具体实施方式一至四之一相同。具体实施方式六：本实施方式与具体实施方式一至五之一不同的是，所述步骤三中基于训练集训练bp神经网络模型，得到训练好的bp神经网络模型；具体过程为：将采集的各省的发电功率、负荷功率和变电站吸收功率作为bp神经网络模型的输入，各省间的潮流断面作为bp神经网络模型的输出；设均方差目标阈值为0.65*10-3，即当全局误差e小于0.65*10-3时迭代停止，或迭代次数达到次数阈值时迭代停止，得到训练好的bp神经网络模型，即得到训练好的bp神经网络模型参数。其它步骤及参数与具体实施方式一至五之一相同。具体实施方式七：本实施方式与具体实施方式一至六之一不同的是，所述bp神经网络模型的学习率为0.05。其它步骤及参数与具体实施方式一至六之一相同。具体实施方式八：本实施方式与具体实施方式一至七之一不同的是，所述次数阈值为5000。其它步骤及参数与具体实施方式一至七之一相同。采用以下实施例验证本发明的有益效果：实施例一：模型以东北电网三省一区(黑龙江省、吉林省、辽宁省、内蒙古东部)的发电、负荷，和坐落于东北的鲁固直流变电站吸收功率作为输入，以三省一区之间断面、各省和鲁固直流之间交换电量作为输出。各省之间连接关系的拓扑结构见图1。鲁固直流作为北电南送的重要节点，吸收来自三省一区的电能。黑龙江作为重要的电能输送省份，其运行特性也与扎鲁特运行方式有着紧密关系。本发明通过人工智能算法，对三省一区之间断面、黑龙江省内东断面和鲁固直流运行方式之间的关系进行计算和分析。计算条件：以2019冬季大负荷作为基础作业，在冬季大负荷运行方式下，扎鲁特吸收功率为8000mw时，各省内部发电量、负荷、省间联络线情况见表1。表1基础潮流作业下运行方式以扎鲁特吸收功率、黑龙江、吉林、辽宁、蒙东发电和负荷作为输入，对黑吉断面、黑蒙断面、东部外送断面进行仿真。训练数据获取：以2019冬季大方式潮流为基础，对扎鲁特吸收功率，黑龙江、吉林发电量3个量作为变量，通过psasp软件，对多种方式进行仿真并记录断面在当前方式下的变化情况，如表2所示。表2训练数据的发电量与断面情况单位：万千瓦建立的模型仿真出的断面情况与原始数据进行误差比较，可见，当迭代误差达到设定的阈值时，迭代次数为324次，图3、图4a、图4b、图5为迭代过程中的误差情况。对训练结果分为两组，图6a、图6b、图6c、图7a、图7b、图7c分别是以扎鲁特和黑龙江发电量作为变量和以扎鲁特、黑龙江和吉林发电量作为变量的两种情况下，以扎鲁特吸收功率作为横坐标，自上而下分别是黑龙江与吉林断面、黑龙江与蒙东断面、黑龙江东部外送断面潮流情况，得到原始数据与仿真数据对比图如图6a、图6b、图6c、图7a、图7b、图7c。图6a、图6b、图6c、图7a、图7b、图7c中可以看出，当变量为两个时，拟合结果重合度很高；当三个变量参与仿真时，结合度较高。bp神经网络算法很好的复现了模型结果的非线性度。选取不同运行方式作为验证集，利用psasp对模型进行仿真得到各断面值。同时将输入量带入bp模型，将两种断面结果进行比较，见表3、表4。表3模型输入变量序号扎鲁特/万千瓦黑龙江/万千瓦吉林/万千瓦1725157.8128.52475129.8131.3表4psasp与bp神经网络对断面仿真结果的对比从表3、表4中可以看出，验证集在黑吉断面和黑蒙断面的仿真精度都在6.25％以内。对于黑龙江东部外送断面的仿真，其东部断面的值与黑龙江省内开机方式有着直接关系，故在对东部断面进行仿真时存在一定误差。bp神经网络模型如果要对更精细的数据或环节仿真，则需要对模型抽象过程进行调整，输入变量增加更多细节参数。但在省间断面的仿真中，bp神经网络有着很高的精度。本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。当前第1页1 2 3