[發(fā)明專利]配電網(wǎng)電壓預測方法、裝置、電子設(shè)備及存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202310361418.4
• 申請日: 2023-04-06
• 公開（公告）號: CN116404654A
• 公開（公告）日: 2023-07-07
• 發(fā)明（設(shè)計）人: 王磊;李鐵成;范輝;程子瑋;周文;羅蓬;張波;李曉軍
• 申請（專利權(quán)）人: 國網(wǎng)河北省電力有限公司電力科學研究院;國家電網(wǎng)有限公司;國網(wǎng)河北能源技術(shù)服務(wù)有限公司
• 主分類號: H02J3/12
• 分類號: H02J3/12;G06N20/00;H02J3/38
• 代理公司: 石家莊國為知識產(chǎn)權(quán)事務(wù)所 13120
• 代理人: 劉少卿

本發(fā)明提供一種配電網(wǎng)電壓預測方法、裝置、電子設(shè)備及存儲介質(zhì)。該方法包括：獲取目標配電網(wǎng)的第一節(jié)點數(shù)和各個節(jié)點的第一歷史電網(wǎng)數(shù)據(jù)；檢測第一節(jié)點數(shù)與預先訓練的測試模型的特征維度數(shù)是否相同；若相同，則基于第一歷史電網(wǎng)數(shù)據(jù)測試測試模型，得到測試模型針對目標配電網(wǎng)的測試精度；若不同，則根據(jù)第一節(jié)點數(shù)和特征維度數(shù)，更新第一歷史電網(wǎng)數(shù)據(jù)和測試模型；基于更新后的第一歷史電網(wǎng)數(shù)據(jù)測試更新后的測試模型，得到測試模型的測試精度；若測試精度滿足預設(shè)條件，則將測試模型作為目標配電網(wǎng)的電壓預測模型；通過電壓預測模型預測目標配電網(wǎng)中各個節(jié)點的電壓。本發(fā)明能夠提高預測模型的泛化能力，準確預測不同的配電網(wǎng)的節(jié)點電壓。

技術(shù)領(lǐng)域

本發(fā)明涉及數(shù)據(jù)預測技術(shù)領(lǐng)域，尤其涉及一種配電網(wǎng)電壓預測方法、裝置、電子設(shè)備及存儲介質(zhì)。

背景技術(shù)

近年來，隨著新能源裝機容量不斷增加，越來越多的高比例新能源接入配電網(wǎng)，使得配電網(wǎng)的結(jié)構(gòu)也愈加復雜；同時，電力系統(tǒng)潮流分布發(fā)生改變，電壓越限的問題也越發(fā)突出。因此，需要對配電網(wǎng)中各個節(jié)點的電壓進行準確預測，以保證配電網(wǎng)安全運行。

現(xiàn)有技術(shù)中，通常是針對目標配電網(wǎng)建立預測模型，依據(jù)該預測模型對配電網(wǎng)中各節(jié)點電壓進行預測；但是隨著配電網(wǎng)的長期運行，配電網(wǎng)的拓撲結(jié)構(gòu)也會更加復雜，依據(jù)先前建立的預測模型，無法進行相應(yīng)的泛化，難以長期準確地對配電網(wǎng)進行監(jiān)測和控制；另外，針對目標配電網(wǎng)建立的預測模型，只能應(yīng)用于該配電網(wǎng)，難以廣泛應(yīng)用于多種不同的配電網(wǎng)，泛化能力較弱。

發(fā)明內(nèi)容

本發(fā)明實施例提供了一種配電網(wǎng)電壓預測方法、裝置、電子設(shè)備及存儲介質(zhì)，以通過建立泛化能力強的配電網(wǎng)預測模型準確預測配電網(wǎng)的節(jié)點電壓。

第一方面，本發(fā)明實施例提供了一種配電網(wǎng)電壓預測方法，包括：

獲取目標配電網(wǎng)的第一節(jié)點數(shù)和各個節(jié)點的第一歷史電網(wǎng)數(shù)據(jù)；

檢測第一節(jié)點數(shù)與預先訓練的測試模型的特征維度數(shù)是否相同；若相同，則直接基于第一歷史電網(wǎng)數(shù)據(jù)測試測試模型，得到測試模型針對目標配電網(wǎng)的測試精度；若不同，則根據(jù)第一節(jié)點數(shù)和特征維度數(shù)，更新第一歷史電網(wǎng)數(shù)據(jù)和測試模型；基于更新后的第一歷史電網(wǎng)數(shù)據(jù)測試更新后的測試模型，得到測試模型針對目標配電網(wǎng)的測試精度；

檢測測試精度是否滿足預設(shè)條件；若滿足，則將測試模型作為目標配電網(wǎng)的電壓預測模型；將實時采集到的目標配電網(wǎng)中各個節(jié)點的實時電網(wǎng)數(shù)據(jù)輸入至電壓預測模型，得到目標配電網(wǎng)中各個節(jié)點的電壓。

在一種可能的實現(xiàn)方式中，預先訓練測試模型的過程包括：

獲取任意一個配電網(wǎng)中各個節(jié)點的第二歷史電網(wǎng)數(shù)據(jù)；

根據(jù)第二歷史電網(wǎng)數(shù)據(jù)對預設(shè)的機器學習模型進行訓練，得到訓練完成的測試模型，測試模型的特征維度數(shù)與該配電網(wǎng)的節(jié)點數(shù)相同。

在一種可能的實現(xiàn)方式中，根據(jù)第一節(jié)點數(shù)和特征維度數(shù)，更新歷史電網(wǎng)數(shù)據(jù)和測試模型，包括：

檢測第一節(jié)點數(shù)是否小于特征維度數(shù)；

若小于，則采用空集補足第一歷史電網(wǎng)數(shù)據(jù)，使第一歷史電網(wǎng)數(shù)據(jù)與特征維度數(shù)相匹配，得到更新后的第一歷史電網(wǎng)數(shù)據(jù)；

若不小于，則采用空集補足第二歷史電網(wǎng)數(shù)據(jù)，使第二歷史電網(wǎng)數(shù)據(jù)與第一節(jié)點數(shù)相匹配，得到新的第二歷史電網(wǎng)數(shù)據(jù)，并根據(jù)新的第二歷史電網(wǎng)數(shù)據(jù)重新訓練測試模型，得到更新后的測試模型。

在一種可能的實現(xiàn)方式中，在檢測測試精度是否滿足預設(shè)條件之后，還包括：

若測試精度不滿足預設(shè)條件，則獲取目標配電網(wǎng)的各個節(jié)點的第三歷史電網(wǎng)數(shù)據(jù)，第三歷史電網(wǎng)數(shù)據(jù)與第一歷史電網(wǎng)數(shù)據(jù)的歷史時間段不同；

根據(jù)第三歷史電網(wǎng)數(shù)據(jù)和第二歷史電網(wǎng)數(shù)據(jù)，確定修正歷史電網(wǎng)數(shù)據(jù)，并根據(jù)修正歷史電網(wǎng)數(shù)據(jù)對測試模型進行訓練，得到新的測試模型；