基于数据驱动的含PST电力系统潮流优化方法及优化装置

技术领域

本申请涉及电力系统运行控制和优化调度技术领域，尤其涉及基于数据驱动的含PST电力系统潮流优化方法及优化装置。

背景技术

目前广东电网存在输电、供电断面因潮流分布不均受限，以及事故情况下控制能力不足的典型问题，主要体现在广东500kV东西交换断面功率交换受限、粤东外送断面功率受限、部分城市220kV环网线路存在严重的潮流分布不均等方面。因此，考虑到移相器(Phase Shifting Transformer，PST)能够调整优化系统潮流并具有控制灵活、响应快速等优点，其应用将提高电网潮流控制水平，提高电网整体利用效率。

为更准确地调节PST移相角，使PST对电网的潮流优化效果最佳，需要求解含PST的电力系统潮流优化问题，当采用离散型可控PST时，移相角是离散调节的，故优化问题是含有离散变量的非线性非凸问题，这类问题宜采用智能优化算法进行求解。

智能优化算法特别是遗传算法的运算速度慢，这是由于每次迭代都要对整个新生成的子代种群进行目标值函数的求解。种群数目有多少个，每次迭代就要对目标函数进行多少次的求解。

发明内容

本申请提供基于数据驱动的含PST电力系统潮流优化方法及优化装置，以解决现有技术中潮流优化智能算法不能满足用户需求的问题。

为解决上述技术问题，本申请提出一种基于数据驱动的含PST电力系统潮流优化方法，包括确定含PST电力系统的潮流优化目标及待优化变量；根据潮流优化目标及待优化变量确定机器学习的输入量和输出量；通过MATLAB与BPA的软件交互，自动生成含PST电力系统的稳态潮流的样本集，其中，样本集为数据驱动提供样本支撑；通过神经网络对样本集进行学习，得到学习模型；调用学习模型计算适应度函数，实现基于数据驱动的智能优化算法，完成含PST电力系统潮流优化求解。

为解决上述技术问题，本申请提出一种基于数据驱动的含PST电力系统潮流优化装置，包括：初始化模块，用于确定含PST电力系统的潮流优化目标及待优化变量；机器学习确定模块，用于根据潮流优化目标及待优化变量确定机器学习的输入量和输出量；MATLAB与BPA模块，用于通过MATLAB与BPA的软件交互，自动生成含PST电力系统的稳态潮流的样本集，其中，样本集为数据驱动提供样本支撑；学习模型模块，用于通过神经网络对样本集进行学习，得到学习模型；计算模块，用于调用学习模型计算适应度函数，实现基于数据驱动的智能优化算法，完成含PST电力系统潮流优化求解。

为解决上述技术问题，本申请提出一种电子设备，包括存储器和处理器，所述存储器连接所述处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时实现上述的方法。

为解决上述技术问题，本申请提出一种计算机可读存储介质，存储有计算机程序，所述计算机程序被执行时实现上述的方法。

本申请提出基于数据驱动的含PST电力系统潮流优化方法及优化装置，其中方法包括确定含PST电力系统的潮流优化目标及待优化变量；根据潮流优化目标及待优化变量确定机器学习的输入量和输出量；通过MATLAB与BPA的软件交互，自动生成含PST电力系统的稳态潮流的样本集，其中，样本集为数据驱动提供样本支撑；通过神经网络对样本集进行学习，得到学习模型；调用学习模型计算适应度函数，实现基于数据驱动的智能优化算法，完成含PST电力系统潮流优化求解。本申请能够准确、高效、快速地完成含PST电力系统潮流优化的计算。相比传统的基于模型驱动的遗传算法，在耗时上有明显优势。

附图说明

为了更清楚地说明本申请的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请基于数据驱动的含PST电力系统潮流优化方法一实施例的流程图；

图2是图1实施例中含PST三机九节点电力系统；

图3是图1中步骤S130一实施例的流程示意图；

图4是图1中步骤S140一实施例的流程示意图；

图5是本申请基于数据驱动的含PST电力系统潮流优化装置一实施例的结构示意图；

图6是本申请电子设备一实施例的结构示意图；

图7是本申请计算机可读存储介质一实施例的结构示意图。

具体实施方式

为使本领域的技术人员更好地理解本申请的技术方案，下面结合附图和具体实施方式对本申请所提供基于数据驱动的含PST电力系统潮流优化方法及优化装置进一步详细描述。

针对现有潮流优化智能算法的不足，本申请提出一种基于数据驱动的含PST电力系统潮流优化方法，能适应复杂的非线性非凸问题，并能提升优化的效率，能够准确、高效、快速地完成电力系统潮流优化的计算，为电力系统潮流优化计算提供新方案。

本实施例采用基于数据驱动的遗传算法，以求解含PST电力系统潮流优化，相比传统的基于模型驱动的遗传算法，本方法在耗时上有明显优势，误差也可控制在较小的范围内。

软件方面，中国电力科学研究院开发的机电暂态仿真软件包BPA具有潮流计算、暂稳仿真计算、短路计算、小干扰稳定计算等功能,在我国的电力系统的规划、设计等相关单位和各高校中具有广泛的应用，而矩阵实验室(Matrix Laboratory，MATLAB)是MathWorks公司推出的用于算法开发、数据可视化、数据分析以及数值计算的高级技术计算语言和交互式环境的商业数学软件，目前已在多个工程领域被广泛应用。本实施例正是基于BPA与MATLAB的交互，将算法与电力系统结合起来。

请参阅图1-2，图1是本申请基于数据驱动的含PST电力系统潮流优化方法一实施例的流程图，图2是图1实施例中含PST三机九节点电力系统，在本实施例中，具体可以包括以下步骤：

S110：确定含PST电力系统的潮流优化目标及待优化变量。

本实施例以三机九节点系统为例(见图2)，潮流优化目标是系统总有功损耗，待优化变量为PST移相角。在图2中，1-10表示节点位置，G1-G3表示发电机。

S120：根据潮流优化目标及待优化变量确定机器学习的输入量和输出量。

输入量可以为移相角和表征系统运行方式的变量；其中表征系统运行方式的变量包括发电机有功出力、负荷节点有功功率、负荷节点无功功率、线路有功功率和线路无功功率。输出量可以为含PST电力系统的总有功损耗。

在一些实施例中，输入量具体可以包括：10个线路有功功率、10个线路无功功率、3个发电机有功出力、3个负荷节点有功功率、3个负荷节点无功功率和1个移相器移相角共30个输入。

需要说明的是，为使本实施例适用于更多的运行方式，故样本输入量还增加了表征系统运行方式的变量。本实施例的样本集包含的运行方式分别为90％、95％、100％、105％、110％负荷水平，100％负荷水平对应的具体数值见表1。

表1系统负荷水平为100％的各负荷节点负载情况

S130：通过MATLAB与BPA的软件交互，自动生成含PST电力系统的稳态潮流的样本集，其中，样本集为数据驱动提供样本支撑。

步骤S130具体包括：

(1)在MATLAB平台读取与识别BPA的数据格式文件，其中，BPA的数据格式文件为DAT文件(即后缀名为DAT的文件)。

(2)对读取的DAT文件进行步骤S120的输入量统计处理，得到新的DAT文件；

(3)确定步骤S120的输入量的合理取值区间，并在合理取值区间内随机生成这些输入量的取值；

(4)将随机生成的输入量的取值修改到所读取的DAT文件中对应的变量的位置，从而得到新的DAT文件；

(5)利用MATLAB调用新的DAT文件进行潮流计算，

(6)在读取和识别潮流计算后，生成新的PFO文件，并将关注的潮流计算的结果保存到对应的数组中；若此时BPA的潮流计算所执行的次数小于期望的样本总数，则返回步骤S3，即继续生成样本直至BPA的潮流计算所执行的次数等于期望的样本总数，否则结束算法。

请参阅图3，图3是图1中步骤S130一实施例的流程示意图。在本实施例中，MATLAB读取和识别DAT文件；设置样本总数；随机生成输入变量；将随机生成的变量修改到DAT文件，保存；用MATLAB调用BPA语句进行潮流计算；判断潮流是否收敛，若是，则进一步判断潮流次数是否小于样本总数，若潮流不收敛，则对该样本做无效处理后再进一步判断潮流次数是否小于样本总数。若潮流次数小于样本总数，则返回上述步骤，随机生成输入变量；若潮流次数不小于样本总数，则结束计算。

S140：通过神经网络对样本集进行学习，得到学习模型。

将样本集导入MATLAB的神经网络工具箱中进行学习，通过调整样本集的样本数量、稳定样本与不稳定样本的比例、神经网络参数来提高机器学习的精度，从而得到高精度的学习模型。具体学习精度见表2。其中，MSE表示模型的均方误差，R表示模型的相关度。

表2神经网络学习精度

S150：调用学习模型计算适应度函数，实现基于数据驱动的智能优化算法，完成含PST电力系统潮流优化求解。

S150具体包括：

(1)随机生成初始种群；

(2)调用学习模型来计算初始种群中每个个体对应适应度值，并根据适应度值进行淘汰和保留；

(3)判断是否达到设定的迭代次数或是否达到设定的精度，若是，则结束算法并输出最优解。

(4)若没有达到设定的迭代次数或没有达到设定的精度，则经过交叉、变异后得到子代数据；然后回到步骤(2)，即调用学习模型来计算子代数据。

请参阅图4，图4是图1中步骤S140一实施例的流程示意图。在本实施例中，随机生成初始种群(即初值)；调用网络神经模块计算每个个体对应适应值，以此进行淘汰与保留；判断是否达到迭代次数或是否满足预设精度，若是则结束算法并得到最优解；若否，则交叉、变异得到子代后，返回上述的“计算每个个体对应适应值”。

本实施例还比较了基于模型驱动的传统遗传算法与基于数据驱动的遗传算法的误差对比，见表3。从表3可知，以传统遗传算法的优化结果为基准，本实施例算法的相对误差最大为2.4％、对应的负荷运行状态是112％。其中，GA1表示本实施例算法，GA2表示传统的遗传算法。

从耗时的角度比较，调用一次BPA潮流计算耗时1.3s，调用一次神经网络耗时0.04s，说明本实施例方法在耗时性能上优势明显。

表3本实施例算法与传统遗传算法的误差对比

本实施例公开一种基于数据驱动的含PST电力系统潮流优化方法；通过MATLAB与BPA的软件交互，实现含PST电力系统的稳态潮流批处理样本集的自动生成，为数据驱动提供样本支撑；通过神经网络对样本集进行学习，得到高精度的学习模型；将传统遗传算法中的适应度函数计算环节，替换为神经网络模型的调用计算，实现基于数据驱动的智能优化算法，能够准确、高效、快速地完成含PST电力系统潮流优化的计算。该方法相比传统的基于模型驱动的遗传算法，在耗时上有明显优势。

基于上述的基于数据驱动的含PST电力系统潮流优化方法，本申请还提出一种基于数据驱动的含PST电力系统潮流优化装置，请参阅图5，图5是本申请基于数据驱动的含PST电力系统潮流优化装置一实施例的结构示意图，本实施例的优化装置包括：

初始化模块，用于确定含PST电力系统的潮流优化目标及待优化变量；

机器学习确定模块，用于根据潮流优化目标及待优化变量确定机器学习的输入量和输出量；

MATLAB与BPA模块，用于通过MATLAB与BPA的软件交互，自动生成含PST电力系统的稳态潮流的样本集，其中，样本集为数据驱动提供样本支撑；

学习模型模块，用于通过神经网络对样本集进行学习，得到学习模型；

计算模块，用于调用学习模型计算适应度函数，实现基于数据驱动的智能优化算法，完成含PST电力系统潮流优化求解。

基于上述的基于数据驱动的含PST电力系统潮流优化方法，本申请还提出一种电子设备，如图6所示，图6是本申请电子设备一实施例的结构示意图。电子设备600可以包括存储器61和处理器62，存储器61连接处理器62，存储器61中存储有计算机程序，计算机程序被处理器62执行时实现上述任一实施例的方法。其步骤和原理在上述方法已详细介绍，在此不再赘述。

在本实施例中，处理器62还可以称为CPU(central processing unit，中央处理单元)。处理器62可以是一种集成电路芯片，具有信号的处理能力。处理器62还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

基于上述的基于数据驱动的含PST电力系统潮流优化方法，本申请还提出一种计算机可读存储介质。请参阅图7，图7是本申请计算机可读存储介质一实施例的结构示意图。计算机可读存储介质700上存储有计算机程序71，计算机程序71被处理器执行时实现上述任一实施例的方法。其步骤和原理在上述方法已详细介绍，在此不再赘述。

进一步的，计算机可读存储介质700还可以是U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存储器(random access memory，RAM)、磁带或者光盘等各种可以存储程序代码的介质。

可以理解的是，此处所描述的具体实施例仅用于解释本申请，而非对本申请的限定。另外为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。文中所使用的步骤编号也仅是为了方便描述，不对作为对步骤执行先后顺序的限定。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

以上所述仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。