[發(fā)明專利]多目標(biāo)配電網(wǎng)動(dòng)態(tài)重構(gòu)方法、裝置及終端

有效

• 申請(qǐng)?zhí)枺?/td>: 202110507273.5
• 申請(qǐng)日: 2021-05-10
• 公開（公告）號(hào): CN113361188B
• 公開（公告）日: 2022-12-06
• 發(fā)明（設(shè)計(jì)）人: 王曉甜;劉林青;楊迪;馬紅明;馬浩;安亞剛;岳凡丁
• 申請(qǐng)（專利權(quán)）人: 國網(wǎng)河北省電力有限公司營銷服務(wù)中心;國家電網(wǎng)有限公司;國網(wǎng)河北省電力有限公司電力科學(xué)研究院
• 主分類號(hào): G06F30/27
• 分類號(hào): G06F30/27;G06N3/00;G06N3/04;G06K9/62;G06Q10/04;G06Q50/06;H02J3/00;H02J3/06;H02J3/24;H02J3/38;G06F111/06;G06F113/04
• 代理公司: 石家莊國為知識(shí)產(chǎn)權(quán)事務(wù)所 13120
• 代理人: 付曉娣

本發(fā)明適用于電力系統(tǒng)運(yùn)行分析和控制技術(shù)領(lǐng)域，提供了一種多目標(biāo)配電網(wǎng)動(dòng)態(tài)重構(gòu)方法、裝置及終端，其中，多目標(biāo)配電網(wǎng)動(dòng)態(tài)重構(gòu)方法，包括：獲取負(fù)荷及DG出力的原始數(shù)據(jù)，并對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理得到預(yù)處理數(shù)據(jù)集；基于隨機(jī)森林算法模型和LSTM神經(jīng)網(wǎng)絡(luò)模型，對(duì)預(yù)處理數(shù)據(jù)集進(jìn)行預(yù)測得到負(fù)荷及DG出力的預(yù)測數(shù)據(jù)；根據(jù)負(fù)荷及DG出力的預(yù)測數(shù)據(jù)建立多目標(biāo)配電網(wǎng)重構(gòu)模型；基于多目標(biāo)粒子群算法和模糊度隸屬度函數(shù)法得到多目標(biāo)配電網(wǎng)重構(gòu)模型的最優(yōu)解，并根據(jù)最優(yōu)解對(duì)綜合配電網(wǎng)進(jìn)行重構(gòu)。本發(fā)明可以使配電網(wǎng)得到更大限度的優(yōu)化，能夠提高配電網(wǎng)運(yùn)行的穩(wěn)定性。

技術(shù)領(lǐng)域

本發(fā)明屬于電力系統(tǒng)運(yùn)行分析和控制技術(shù)領(lǐng)域，尤其涉及多目標(biāo)配電網(wǎng)動(dòng)態(tài)重構(gòu)方法、裝置及終端。

背景技術(shù)

近年來，由于電力需求增長以及化石能源的永久枯竭，風(fēng)力、光伏等分布式電源因其清潔環(huán)保而廣受青睞。然而由于分布式電源(Distributed Generation，DG)的出力受環(huán)境影響較大，具有較強(qiáng)的隨機(jī)性和間歇性，而配電網(wǎng)的電力負(fù)荷還表現(xiàn)出明顯的時(shí)變性和差異性，這些因素都給配電網(wǎng)的安全穩(wěn)定經(jīng)濟(jì)運(yùn)行造成了很大的影響。

目前，國內(nèi)外均對(duì)配電網(wǎng)重構(gòu)和DG調(diào)度進(jìn)行了大量的研究，然而目前常用的靜態(tài)重構(gòu)方法只能對(duì)某一時(shí)間段進(jìn)行重構(gòu)，不能實(shí)現(xiàn)對(duì)于配電網(wǎng)重構(gòu)及DG調(diào)度的研究需要同時(shí)考慮電力負(fù)荷的時(shí)序性、DG出力的隨機(jī)性及可控DG調(diào)度的靈活性和可控性。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明實(shí)施例提供了一種多目標(biāo)配電網(wǎng)動(dòng)態(tài)重構(gòu)方法、裝置及終端，以解決現(xiàn)有技術(shù)大多不能實(shí)現(xiàn)對(duì)于配電網(wǎng)重構(gòu)及DG調(diào)度的研究需要同時(shí)考慮電力負(fù)荷的時(shí)序性，DG出力的隨機(jī)性及可控DG調(diào)度的靈活性和可控性的問題。

本發(fā)明實(shí)施例的第一方面提供了一種多目標(biāo)配電網(wǎng)動(dòng)態(tài)重構(gòu)方法，包括：

獲取負(fù)荷及DG出力的原始數(shù)據(jù)，并對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理得到預(yù)處理數(shù)據(jù)集；

基于隨機(jī)森林算法模型和LSTM神經(jīng)網(wǎng)絡(luò)模型，對(duì)預(yù)處理數(shù)據(jù)集進(jìn)行預(yù)測得到負(fù)荷及DG出力的預(yù)測數(shù)據(jù)；

根據(jù)負(fù)荷及DG出力的預(yù)測數(shù)據(jù)建立多目標(biāo)配電網(wǎng)重構(gòu)模型；

基于多目標(biāo)粒子群算法和模糊度隸屬度函數(shù)法得到多目標(biāo)配電網(wǎng)重構(gòu)模型的最優(yōu)解，并根據(jù)最優(yōu)解對(duì)綜合配電網(wǎng)進(jìn)行重構(gòu)。

本發(fā)明實(shí)施例的第二方面提供了一種多目標(biāo)配電網(wǎng)動(dòng)態(tài)重構(gòu)裝置，包括：

獲取模塊，用于獲取負(fù)荷及DG出力的原始數(shù)據(jù)，并對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理得到預(yù)處理數(shù)據(jù)集；

預(yù)測模塊，用于基于隨機(jī)森林算法模型和LSTM神經(jīng)網(wǎng)絡(luò)模型，對(duì)預(yù)處理數(shù)據(jù)集進(jìn)行預(yù)測得到負(fù)荷及DG出力的預(yù)測數(shù)據(jù)；

重構(gòu)模塊，用于根據(jù)負(fù)荷及DG出力的預(yù)測數(shù)據(jù)建立多目標(biāo)配電網(wǎng)重構(gòu)模型；

求解模塊，用于基于多目標(biāo)粒子群算法和模糊度隸屬度函數(shù)法得到多目標(biāo)配電網(wǎng)重構(gòu)模型的最優(yōu)解，根據(jù)最優(yōu)解對(duì)綜合配電網(wǎng)進(jìn)行重構(gòu)。

本發(fā)明實(shí)施例的第三方面提供了一種終端，包括存儲(chǔ)器、處理器以及存儲(chǔ)在存儲(chǔ)器中并可在處理器上運(yùn)行的計(jì)算機(jī)程序，處理器執(zhí)行計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)如上任一項(xiàng)多目標(biāo)配電網(wǎng)動(dòng)態(tài)重構(gòu)方法的步驟。

本發(fā)明實(shí)施例的第四方面提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，包括：計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)程序，計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上任一項(xiàng)多目標(biāo)配電網(wǎng)動(dòng)態(tài)重構(gòu)方法的步驟。