基于机器学习的配电网络拓扑生成及重构优化研究

发布时间：2020-04-13 06:10

【摘要】：随着智能电网的深化建设,一方面,智能电表等设备接入配电网,并实时采集运行数据,海量数据蕴含巨大的价值有待开发。另一方面,配电网与外界交互日益增多,如分布式供电储能等。新模式对配电网的物理特性产生重要影响,传统物理理论建模方法难以满足复杂系统的需求。因此,配电网亟需新方案应对复杂环境。机器学习等新技术能够挖掘海量运行数据的潜在价值,并探索新的认知关系,辅助现有方法优化运行。配电网的拓扑分析是其安全稳定运行的基础,拓扑生成和重构优化又是拓扑分析的核心。因此,本文重点探索机器学习方法在拓扑生成和重构优化的基础问题。1)为实现实时准确地监测配电网络的拓扑结构,提出基于Lasso及其补充规则的拓扑生成算法。算法首先利用Lasso模型计算各节点的关联系数矩阵,然后利用“and”规则和补充判据修正该矩阵,最后通过准确的关联系数矩阵生成拓扑。实验验证,该算法在获取720个时序电压值的情况下,生成119-bus及更低复杂度的无环和有环拓扑的误差率低于6.14%,且随着电压时长增加,误差率逐步下降。本算法性能优于传统的Chow-Liu和Lasso+“and”算法。2)为实现高效经济地优化配电网络的拓扑结构,提出基于LSTM预测机制的动态拓扑重构算法。算法首先构建LSTM模型预测各节点各时段的负荷,然后利用优化的BPSO模型生成各时段的重构方案,最后基于综合费用最优的判据生成全局优化的动态重构策略。利用英格兰某配电网2004-2009年真实数据测试LSTM模型性能,结果显示模型预测的平均绝对误差率为1.59%,且80%分布在[0,2%],在不同时段下均无明显误差异常点;其预测性能优于传统的人工神经网络和支持向量回归模型。利用IEEE33-bus仿真算例测试重构算法性能,算法生成的动态策略将1个运行周期重新划分为7个时段,并进行20次开关操作。算法共减少线损费用1152.42元,且提升各节点电压质量。对比分析验证该算法的性能均优于传统的在线计算重构算法。实验结果表明,拓扑生成算法具有较高的准确率和较低的计算复杂度,可用于实时监测拓扑结构,保障配电网拓扑运行的准确性和安全性;拓扑重构算法能够为重构操作提供更多的时间裕度,并且减少更多的线路损耗费用,可用于重构优化拓扑结构,保障配电网运行的稳定性和经济性。算法均无需新增专用的拓扑监测设备,可作为物理模型方法的辅助决策方法,提升配电网的智能化程度,具有一定的前沿性和实用性。
【图文】：

生物神经系统,模型分类,学习模型,机器学习

图２－１机器学习模型分类逡逑２．１．２深度学习模型逡逑人工神经网络（Ａｒｔｉｆｉｃｉａｌ邋Ｎｅｕｒａｌ邋Ｎｅｔｗｏｒｋ，邋ＡＮＮ）是一种模仿生物神经系统逡逑的数学模型。ＡＮＮ由大量神经元构成，每个神经元是一个非线性激活函数，其逡逑模拟神经细胞对环境的反映。神经元的相互连接模拟生物神经信号的传递。最逡逑简单的ＡＮＮ模型是一种仅包含输入层、隐藏层和输出层的简单网络模型，每层逡逑网络由若干神经元构成，神经元采用ｓｉｇｍｏｉｄ等激活函数模拟人脑细胞对激励的逡逑响应。ＡＮＮ具有一定的学习能力和容错能力，能够实现分类、回归、降维等多逡逑种功能，属于一种功能强大的机器学习模型。逡逑ＡＮＮ学习的本质是拟合模型输入到输出的非线性映射关系，传统ＡＮＮ模逡逑型的代表是反向传播神经网络（Ｂａｃｋ邋＇Ｐｒｏｐａｇａｔｉｏｎ邋Ｎｅｕｒａｌ邋Ｎｅｔｗｏｒｋ，邋ＢＰＮＮ），邋ＢＰ逡逑神经网络通过反向传递模型输出值和真实值之间的差值修正神经元之间的连接逡逑权重，以实现输入到输出的拟合。ＢＰ神经网络属于浅层神经网络，一般仅包含逡逑三层网络，即输入层、隐藏层和输出层。浅层神经网络具有一些劣势，主要表逡逑

学习模型,人工神经网络,神经元

逦Ｓ逦）逡逑图２－１机器学习模型分类逡逑２．１．２深度学习模型逡逑人工神经网络（Ａｒｔｉｆｉｃｉａｌ邋Ｎｅｕｒａｌ邋Ｎｅｔｗｏｒｋ，邋ＡＮＮ）是一种模仿生物神经系统逡逑的数学模型。ＡＮＮ由大量神经元构成，每个神经元是一个非线性激活函数，其逡逑模拟神经细胞对环境的反映。神经元的相互连接模拟生物神经信号的传递。最逡逑简单的ＡＮＮ模型是一种仅包含输入层、隐藏层和输出层的简单网络模型，每层逡逑网络由若干神经元构成，神经元采用ｓｉｇｍｏｉｄ等激活函数模拟人脑细胞对激励的逡逑响应。ＡＮＮ具有一定的学习能力和容错能力，能够实现分类、回归、降维等多逡逑种功能，属于一种功能强大的机器学习模型。逡逑ＡＮＮ学习的本质是拟合模型输入到输出的非线性映射关系，传统ＡＮＮ模逡逑型的代表是反向传播神经网络（Ｂａｃｋ邋＇Ｐｒｏｐａｇａｔｉｏｎ邋Ｎｅｕｒａｌ邋Ｎｅｔｗｏｒｋ
【学位授予单位】：北京邮电大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TM76;TP181

【相似文献】