申请/专利权人：重庆邮电大学

申请日：2021-12-17

公开（公告）日：2024-03-22

公开（公告）号：CN114329861B

主分类号：G06F30/18

分类号：G06F30/18;G06F30/27;G06N5/04;G06N3/0442;G06N3/045;G06Q10/067;G06Q30/0201;G06Q30/0202;G06Q50/06;G06F113/04

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2022.04.29#实质审查的生效;2022.04.12#公开

摘要：本发明涉及一种基于边际电价的配电网静态拓扑实现方法，属于自动化领域。该方法包括以下步骤：S1：整合以SCADA系统采集的大量配网运行拓扑结构和相对应的历史边际电价和时间数据；S2：基于DNN深度神经网络，将历史电价和时间数据为输入，对应配网拓扑作为期望输出，进行学习模型训练；S3：基于LSTM神经网络模型，对未来一天的电价进行预测，得到分时段的预测价格；S4：基于DNN深度神经网络，预测电价作为训练好的模型输入，输出对应的拓扑结构。从宏观的电力市场角度出发，挖掘出边际电价与配电网络拓扑之间的联系，利用历史边际电价数据预测未来电价，为保障电网系统的稳定性和安全性作基础。

主权项：1.一种基于边际电价的配电网静态拓扑实现方法，其特征在于：该方法包括以下步骤：S1：整合以SCADA系统采集的大量配网运行拓扑结构和相对应的历史边际电价和时间数据；S2：基于DNN深度神经网络，将历史电价和时间数据为输入，对应配网拓扑作为期望输出，进行学习模型训练；S3：基于LSTM神经网络模型，对未来一天的电价进行预测，得到分时段的预测价格；S4：基于DNN深度神经网络，预测电价作为训练好的模型输入，输出对应的拓扑结构；所述配网拓扑为：历史边际电价以及其对应时刻构成初始样本作为DNN深度学习模型输入层的输入，将所对应的配电网络拓扑结构作为模型的期望输出结果；当模型的实际输出与期望输出存在误差时，经过历史数据学习，通过调整误差函数不断对模型迭代优化；在预测推理未来某时刻的配电网络拓扑结构时，用预测出的某一时刻的边际电价作为输入，经过已训练好的DNN深度神经网络后，输出当时刻电价下的配电网路拓扑结构；①为防止DNN深度神经网络的深度学习产生过拟合问题，在学习训练模型的损失函数中加入L2正则化项，提高DNN深度神经网络的泛化，解决过拟合问题： 损失函数式中，Em为原函数训练的误差值；λ为L2正则化项的系数；ω为DNN模型的权重值；②在训练和测试DNN模型时，若出现未知的配电网络拓扑结构，首先计算样本与其余样本的方差值，并找出最小值，当最小方差值大于阈值时，标记此未知拓扑结构，然后增量其训练样本的DNN模型，将未知拓扑纳入拓扑知识库。

全文数据：

权利要求：

百度查询： 重庆邮电大学 一种基于边际电价的配电网静态拓扑实现方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD