本發(fā)明涉及配網(wǎng)供電，特別涉及一種基于人工智能的配電網(wǎng)優(yōu)化方法。

背景技術：

1、在現(xiàn)代電力系統(tǒng)中，隨著分布式電源、儲能系統(tǒng)和充電樁等新型電源和負荷的廣泛接入，配電網(wǎng)面臨著越來越復雜的挑戰(zhàn)。尤其是在臺區(qū)中，由于單相源荷的不確定性和分相接入的方式，使得電力源和負荷在時空特性上表現(xiàn)出顯著的不一致性。這種不一致性進一步加劇了配電網(wǎng)固有問題，如重載、輕載以及電能質量問題。

2、具體表現(xiàn)為：

3、1.重負載與輕負載問題：當分布式電源如太陽能光伏或風能接入配電網(wǎng)時，由于自然條件的變化，這些源荷在不同時間和地點的供電能力會出現(xiàn)極大的波動。這導致某些臺區(qū)可能面臨重過載的情況，而另一些則可能處于輕載狀態(tài)，給電網(wǎng)的穩(wěn)定性和安全性帶來了挑戰(zhàn)。

4、2.電能質量問題：不同來源的電能在并網(wǎng)時，可能會出現(xiàn)波形畸變、頻率波動、諧波干擾等電能質量問題。這些問題不僅影響終端用戶的用電體驗，還可能損壞設備，造成經濟損失。

5、3.穩(wěn)定供電的需求：隨著電力需求的多樣化和復雜化，提供持續(xù)、穩(wěn)定的電力供應成為電力企業(yè)必須面對的首要任務。此外，電力企業(yè)還需確保電能質量處于合格范圍，以滿足各類客戶不斷提高的電力需求。

6、4.分布式電源的消納：新型配電網(wǎng)的設計必須能夠最大限度地消納接入的分布式電源，以實現(xiàn)可再生能源的高效利用和保障能源的安全性，這對電網(wǎng)的靈活性和容量提出了更高要求。

7、綜上所述，存在配電網(wǎng)的需求匹配準確度低，能源損失高，靈活性低，可靠性低，穩(wěn)定性低等問題。

技術實現(xiàn)思路

1、針對現(xiàn)有技術的不足，本發(fā)明提供一種基于人工智能的配電網(wǎng)優(yōu)化方法，該基于人工智能的配電網(wǎng)優(yōu)化方法圍繞配電臺區(qū)供電品質影響因素、配電臺區(qū)電能質量智能預警兩個方面展，有效解決配電網(wǎng)重過載、低電壓及故障后負荷保供與能源消納的矛盾問題，為新型配電網(wǎng)的運行管控提供技術支撐，對實現(xiàn)需求匹配、低耗經濟、靈活可靠的高品質供電具有重要意義。

2、本發(fā)明采用的技術方案為：

3、基于人工智能的配電網(wǎng)優(yōu)化方法，包括以下步驟：

4、步驟1，周期性獲取每個供電臺區(qū)的屬性信息；

5、步驟2，根據(jù)屬性信息確定每個供電臺區(qū)的第一穩(wěn)定性；

6、步驟3，周期性獲取每個供電臺區(qū)對應的多種供電數(shù)據(jù)序列，每種供電數(shù)據(jù)序列包括多個數(shù)據(jù)點，每個數(shù)據(jù)點對應一個時間點；

7、步驟4，根據(jù)屬性信息和供電數(shù)據(jù)序列確定第一樣本數(shù)據(jù)；

8、步驟5，根據(jù)每個供電臺區(qū)的歷史運行數(shù)據(jù)確定標簽數(shù)據(jù)；

9、步驟6，根據(jù)第一樣本數(shù)據(jù)、標簽數(shù)據(jù)以及第一穩(wěn)定性訓練預測模型；

10、步驟7，輸入實時采集到的每個供電臺區(qū)的第二樣本數(shù)據(jù)至預測模型，得到每個供電臺區(qū)的預測穩(wěn)定性。

11、進一步，步驟1中，每個供電臺區(qū)對應的不同的臺區(qū)類型，根據(jù)負荷類型的不同，臺區(qū)分為城市居民臺區(qū)、商業(yè)臺區(qū)、工業(yè)臺區(qū)和農業(yè)臺區(qū)四類；

12、供電臺區(qū)的屬性信息包括：臺區(qū)類型和數(shù)值屬性；

13、臺區(qū)類型包括：居民、商業(yè)、工業(yè)、農業(yè)；

14、數(shù)值屬性包括：輸出功率，輸出電流，輸出電壓，供給區(qū)域面積，供給人口。

15、進一步，步驟2中，根據(jù)屬性信息確定每個供電臺區(qū)的第一穩(wěn)定性包括：

16、步驟2.1，通過確定周期性采集的輸出功率，確定第一波動數(shù)值；

17、確定第一波動數(shù)值的方法滿足以下關系式：

18、

19、步驟2.2，通過確定周期性采集的輸出電流，確定第二波動數(shù)值；

20、確定第二波動數(shù)值的方法滿足以下關系式：

21、

22、步驟2.3，通過確定周期性采集的輸出電壓，確定第三波動數(shù)值；

23、確定第三波動數(shù)值的方法滿足以下關系式：

24、

25、步驟2.4，分別對每個供電臺區(qū)對應的所述供給區(qū)域面積和所述供給人口進行歸一化處理，得到每個供電臺區(qū)對應的歸一化供給區(qū)域面積和歸一化供給人口；確定歸一化供給區(qū)域面積為第一權重，確定歸一化供給人口為第二權重；確定每個供電臺區(qū)對應的第一權重和第二權重的均值為每個供電臺區(qū)對應的第一置信度；

26、步驟2.5，針對每個供電臺區(qū)，根據(jù)第一波動數(shù)值、第二波動數(shù)值、第三波動數(shù)值以及第一置信度確定對應的第一穩(wěn)定性。

27、進一步，根據(jù)第一波動數(shù)值、第二波動數(shù)值、第三波動數(shù)值以及第一置信度確定對應的第一穩(wěn)定性包括：

28、

29、其中，代表第i個供電臺區(qū)對應的第一穩(wěn)定性；

30、其中，輸出功率的波動程度越高，第一穩(wěn)定性越高；輸出電流的波動程度越高，第一穩(wěn)定性越高；輸出電壓的波動程度越高，第一穩(wěn)定性越高；第一置信度用于表征第一穩(wěn)定性的可信程度。

31、進一步，步驟3中，周期性采集供電數(shù)據(jù)電壓、功率等數(shù)據(jù)；根據(jù)每個臺區(qū)在每個周期的供電數(shù)據(jù)序列預測每個臺區(qū)供電品質；

32、每種供電數(shù)據(jù)序列包括多個數(shù)據(jù)點，每個數(shù)據(jù)點對應一個時間點，形成多種實時供電數(shù)據(jù)；多種實時供電數(shù)據(jù)包括：

33、每個時間點對應的頻率偏差指標v，表達式為：

34、

35、式中，為實際頻率，為額定頻率；

36、每個時間點對應的電壓偏差指標，表達式為：

37、

38、式中，實際電壓，為額定電壓；

39、每個時間點對應的電壓波動指標d，表達式為：

40、

41、式中，為設備連接公共點處電壓均方根值的最大值，為設備連接公共點處電壓均方根值的最小值；

42、每個時間點對應的電壓閃變指標，表達式為：

43、

44、式中，為短時間閃變值，為長時間內的短時間閃變值的數(shù)量,j為索引；

45、每個時間點對應的三相不平衡度指標，表達式為：

46、

47、式中，為正序電壓；為負序電壓；

48、每個時間點對應的諧波指標，表達式為：

49、

50、式中，為諧波次數(shù)；為第h次諧波電壓；為基波總電壓；

51、每個時間點對應的電壓暫降指標，表達式為：

52、

53、式中，為電壓暫降值；為暫降持續(xù)時間。

54、進一步，步驟4中，針對每個供電臺區(qū)，通過將屬性信息和供電數(shù)據(jù)序列拼接，生成每個供電臺區(qū)的第一樣本數(shù)據(jù)；

55、第一樣本數(shù)據(jù)為向量的形式：[b,c,d’,e,f,g,h,t’]；其中，b代表供電臺區(qū)的臺區(qū)類型、c代表供電臺區(qū)的輸出功率、d’代表供電臺區(qū)的輸出電流、e代表供電臺區(qū)的輸出電壓、f代表供電臺區(qū)的供給區(qū)域面積、g代表供電臺區(qū)的供給人口、h代表供電臺區(qū)的供電數(shù)據(jù)序列、t’代表時間戳。

56、進一步，步驟5中，根據(jù)供電臺區(qū)中設備的停運次數(shù)k、供電臺區(qū)的歷史停電頻率o、供電臺區(qū)的平均停電持續(xù)時長l、供電臺區(qū)中所有用戶的平均停電持續(xù)時長q、以及供電臺區(qū)的系統(tǒng)平均供電可用度r，確定每個供電臺區(qū)的標簽數(shù)據(jù)；以上數(shù)據(jù)的組合形成標簽向量[k,o,l,q,r]；

57、結合歷史運行數(shù)據(jù)和穩(wěn)定性數(shù)據(jù)，通過歸一化處理歷史數(shù)據(jù)的各維度，計算得出穩(wěn)定性數(shù)據(jù)c。

58、進一步，根據(jù)歸一化維度數(shù)據(jù)確定每個所述供電臺區(qū)對應的穩(wěn)定性數(shù)據(jù)，包括：

59、

60、其中，代表第i個供電臺區(qū)的標簽數(shù)據(jù)；a代表歷史運行數(shù)據(jù)中除平均供電可用度之外的其他的歸一化維度數(shù)據(jù)；i代表供電臺區(qū)的索引；j代表維度數(shù)據(jù)的索引；n代表維度數(shù)據(jù)中除了平均供電可用度之外的其他維度的數(shù)量。

61、進一步，步驟6中，訓練預測模型包括以下步驟：

62、選擇長短期記憶模型作為初始預測模型，隨機設置初始狀態(tài)和初始標簽，格式與其各自的數(shù)據(jù)相同，隨機初始化權重和偏差，包括以往數(shù)據(jù)對應的權重、以往數(shù)據(jù)對應的偏差、輸入數(shù)據(jù)對應的權重、輸入數(shù)據(jù)對應的偏差、隱藏輸出數(shù)據(jù)對應的權重、隱藏輸出數(shù)據(jù)對應的偏差的取值；

63、步驟6.1，輸入第一樣本數(shù)據(jù)至預先構建的初始預測模型；得到每個供電臺區(qū)對應的預測標簽；

64、輸入t時刻的第一樣本數(shù)據(jù)至t時刻對應的神經元；根據(jù)計算公式，處理、初始標簽以及初始狀態(tài)，得到t時刻的預測標簽，t時刻的狀態(tài)數(shù)據(jù)；輸入t+1時刻的第一樣本數(shù)據(jù)至t+1時刻對應的神經元；根據(jù)計算公式，處理、以及，得到t+1時刻的預測標簽，t+1時刻的狀態(tài)數(shù)據(jù)；如此循環(huán)，直到獲得每個時刻對應的預測數(shù)據(jù)；

65、t時刻的預測標簽的計算公式為：

66、

67、式中，是t時刻的隱藏輸出數(shù)據(jù)；為雙曲正切激活函數(shù)；代表t時刻的狀態(tài)數(shù)據(jù)；

68、遺忘數(shù)據(jù)的計算公式為：

69、

70、式中，為sigmoid激活函數(shù)；和是以往數(shù)據(jù)對應的權重和偏差；為t-1時刻的預測標簽；為t時刻的第一樣本數(shù)據(jù)；

71、輸入數(shù)據(jù)的計算公式為：

72、

73、式中，為sigmoid激活函數(shù)；和是輸入數(shù)據(jù)對應的權重和偏差；為t-1時刻的預測標簽；為t時刻的第一樣本數(shù)據(jù)；

74、神經元在t時刻的初始狀態(tài)值的計算公式為：

75、

76、式中，為雙曲正切激活函數(shù)；和是初始狀態(tài)值對應的權重和偏差；為t-1時刻的預測標簽；為t時刻的第一樣本數(shù)據(jù)；

77、t時刻的隱藏輸出數(shù)據(jù)的計算公式為：

78、

79、式中，為sigmoid激活函數(shù)；和是隱藏輸出數(shù)據(jù)對應的權重和偏差；為t-1時刻的預測標簽；為t時刻的第一樣本數(shù)據(jù)；

80、神經元在t時刻的狀態(tài)值的計算公式為：

81、

82、式中，為遺忘數(shù)據(jù)；代表神經元在t-1時刻的狀態(tài)值；為輸入數(shù)據(jù)；是神經元在t時刻的初始狀態(tài)值；

83、步驟6.2，根據(jù)第一穩(wěn)定性、預測標簽和標簽數(shù)據(jù)確定初始預測模型的損失值；表達式為：

84、

85、其中，loss代表所述初始預測模型的損失值；代表第i個供電臺區(qū)的第一穩(wěn)定性；i代表供電臺區(qū)的索引，m代表供電臺區(qū)的數(shù)量；t代表時刻第一樣本數(shù)據(jù)對應的時刻的索引，n代表時刻的總數(shù)；為預測出的第i個供電臺區(qū)在時刻t的標簽數(shù)據(jù)；預測出的第i個供電臺區(qū)在時刻t的預測數(shù)據(jù)；

86、步驟6.3，當所述損失值大于預設終止閾值時，基于反向傳播算法更新更新初始預測模型中的參數(shù)，包括初始狀態(tài)、初始標簽、以往數(shù)據(jù)對應的權重、以往數(shù)據(jù)對應的偏差、輸入數(shù)據(jù)對應的權重、輸入數(shù)據(jù)對應的偏差、隱藏輸出數(shù)據(jù)對應的權重、隱藏輸出數(shù)據(jù)對應的偏差；更新參數(shù)之后再次重復上述流程，直至損失值小于或等于終止閾值，得到訓練至收斂狀態(tài)的預測模型。

87、進一步，步驟7中，利用預測模型處理第二樣本數(shù)據(jù)的過程包括：

88、輸入未來需要預測的任意一個時刻的第二樣本數(shù)據(jù)x至預測模型中的第一個神經元；

89、根據(jù)步驟6中的各個計算公式，處理、初始標簽以及初始狀態(tài)，得到該時刻的預測標簽，該時刻的狀態(tài)數(shù)據(jù)；

90、輸入下一個時刻，即第二個時刻的第二樣本數(shù)據(jù)至第二個神經元；

91、根據(jù)步驟6中的各個計算公式，處理、以及，得到第二個時刻的預測標簽，第二個時刻的狀態(tài)數(shù)據(jù)；

92、如此循環(huán)，直到獲得每個時刻對應的預測標簽。

93、本發(fā)明的有益效果是：

94、提高準確度：通過周期性獲取供電臺區(qū)屬性信息和供電數(shù)據(jù)，ai模型可以精準捕捉動態(tài)變化，從而提升需求匹配的準確性。

95、降低能源損失：模型預測的穩(wěn)定性和供電需求更具前瞻性，能夠更有效地調配資源，降低不必要的能源損耗，提升整體效率。

96、增強靈活性：ai方法使配電網(wǎng)能夠實時響應負載變化，快速調整供電策略，確保各臺區(qū)在不同負荷條件下都有良好的響應能力。

97、提升可靠性：精準的預測和實時監(jiān)測可以顯著減少電力故障的發(fā)生，增強系統(tǒng)的應對能力，確保配電網(wǎng)絡的高可靠性。

98、增強穩(wěn)定性：通過數(shù)據(jù)驅動的分析，能夠提前識別潛在的穩(wěn)定性問題，采取預防措施，保障配電網(wǎng)的安全運行。

99、優(yōu)化決策：ai模型的預測能力為運營決策提供了有力支持，幫助管理者更好地規(guī)劃和調度，提高管理效率。

100、綜合來看，該方法能夠有效提升配電網(wǎng)的運營效率、降低成本，并為未來智能電網(wǎng)的發(fā)展奠定基礎。