[發明專利]關聯改造措施與線路重載的電網投資決策建模方法及裝置

有效

• 申請號: 201910077581.1
• 申請日: 2019-01-26
• 公開（公告）號: CN109816247B
• 公開（公告）日: 2022-07-05
• 發明（設計）人: 劉智煖;林焱;張偉駿;黃道姍;向月;劉友波;劉俊勇;楊昕然
• 申請（專利權）人: 國網福建省電力有限公司;國網福建省電力有限公司電力科學研究院;四川大學
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q10/04;G06Q50/06
• 代理公司: 福州元創專利商標代理有限公司 35100
• 代理人: 蔡學俊

1.一種關聯改造措施與線路重載的電網投資決策建模方法，其特征在于，包括以下步驟：

S1：利用BP神經網絡的非線性映射能力，使用配電網前期時序模擬數據和已有的配電網在分布式電源出力、節點負荷需求確定的條件下線路的過載率數據作為樣本集訓練BP神經網絡，構建配電網改造措施與線路重載率指標之間的直接映射，得到基于BP神經網絡的線路重載率評估模型；

S2：利用訓練好的BP神經網絡，即所述線路重載率評估模型計算得到不同配電網改造措施與線路重載率指標二者之間的關聯性，以判斷出不同配電網改造措施對線路重載率指標的影響程度；

S3：基于挖掘到的不同配電網改造措施與線路重載率指標的關聯性，根據目標差異，分兩類進行投資決策建模：一類是以配電網投資額上限為約束，以線路重載率指標提升最大為目標，建立投資決策模型；另一類是以線路重載率指標提升下限為約束，以配電網投資額最小為目標，建立投資決策模型；

S4：求解投資決策模型，得到配電網改造資源配置的最優決策結果；

以配電網投資額上限為約束，以線路重載率指標提升最大為目標建立的投資決策模型如下所示：

以配電網性能指標，即線路重載率指標提升最大為目標函數：

max({I_i-I|i∈(1,2,…,n)})

其中，I和I_i分別表示第i種改造措施實施前、后配電網的線路重載率指標；

以配電網投資總額、改造措施獨立性和改造措施與性能指標關聯關系為約束：

X_i∈{0,1}

其中，X_i表示第i種配電網改造措施，I_i表示第i種改造措施實施后配電網的線路重載率指標，w和t分別表示BP神經網絡輸入層到隱含層的權值和閾值，w'和t'分別表示BP神經網絡隱含層到輸出層的權值和閾值，表示第i種配電網改造措施與線路重載率指標的關聯關系，K(X_i)表示第i種配電網改造措施X_i的費用，n表示共有n種配電網改造措施，K_max表示配電網投資額上限；

以線路重載率指標提升下限為約束，以配電網投資額最小為目標建立的投資決策模型如下所示：

以配電網投資額最小為目標函數：

min({K(X_i)|i∈(1,2,…,n)})

以線路重載率指標提升程度、改造措施獨立性和改造措施與性能指標關聯關系為約束：

s.t.I_i-I≥ΔI_set

X_i∈{0,1}

其中，ΔI_set表示線路重載率指標提升下限。

2.根據權利要求1所述的關聯改造措施與線路重載的電網投資決策建模方法，其特征在于，對BP神經網絡進行訓練，構建配電網改造措施與線路重載率指標之間的直接映射，包括以下步驟：

(1)獲取配電網中長期運行時序模擬數據，初步訓練確定BP神經網絡各參數的解空間；

(2)以分布式電源出力及位置、節點負荷數據作為BP神經網絡的輸入向量，電壓、功率數據作為輸出向量，確定BP神經網絡模型和學習模式；

(3)輸入配電網前期時序模擬數據，計算BP神經網絡隱含層與輸出層各單元的輸入與輸出，即完成BP神經網絡學習的信息正向傳播過程；

(4)計算輸出層各神經元的校正誤差，完成誤差反向傳播過程；

(5)采用遺傳算法對控制BP神經網絡性能的權值與閾值進行調整，優化不同資源配置方案與線路重載率關聯規則的收斂速度；

(6)更新學習模式和學習次數；

(7)重復步驟(6)，不斷訓練BP神經網絡直到滿足截止條件；

(8)對于訓練好的BP神經網絡，輸入不同改造方案下的節點負荷、電壓、功率、分布式電源出力及遠動裝置安裝數據，計算得到相應的線路重載率指標結果。