[发明专利]计及配电网实时量测信息缺失的数据驱动无功优化方法

权利要求书

1.计及配电网实时量测信息缺失的数据驱动无功优化方法，其特征在于：所述方法包含优化前神经网络训练集构造、神经网络训练及优化时神经网络的应用两阶段，包括以下步骤:

1)在实际优化前，采集配电网营销系统的历史负荷数据；

所述步骤1)中，配电网可实时量测节点数为N_v，不可实时测量节点数为N_iv，配电网总节点数为N，那么可获得的配电网营销系统可实时量测节点历史有功负荷数据为P_v＝[P₁,P₂,…P_Nv]，历史无功负荷数据为Q_v＝[Q₁,Q₂,…Q_Nv]，配电网营销系统不可实时量测节点历史有功负荷数据为P_iv＝[P₁,P₂,…P_Niv]，历史无功负荷数据为Q_iv＝[Q₁,Q₂,…Q_Niv]，那么总的历史有功负荷数据P_N＝P_v∪P_iv，历史无功负荷数据Q_N＝Q_v∪Q_iv；

2)接着利用步骤1)采集的数据进行数据预处理得到历史负荷数据库；

所述步骤2)中利用步骤1)中采集得到的营销系统历史负荷数据[P_N,Q_N]进行预处理，提升数据质量；

步骤2)中的数据预处理采取如下方法：

若P_N中的两个数据P_ml,n和P_mr,n之间存在k个缺失的数据P_ml+i,n，i＝1，2，3…k，则采用如下公式：

P_ml+i,n＝P_ml,n+(P_mr,n-P_ml,n)/(k+1)×i，i＝1，2，3...k

若Q_N中的两个数据Q_ml,n和Q_mr,n之间存在k个缺失的数据Q_ml+i,n，i＝1，2，3…k，则采用如下公式：

Q_ml+i,n＝Q_ml,n+(Q_mr,n-Q_ml,n)/(k+1)×i，i＝1，2，3...k；

3)然后针对历史负荷数据使用优化算法生成对应时刻无功优化策略库；

4)接着以可实时量测节点历史负荷数据作为神经网络输入训练集，对应时刻无功优化策略作为神经网络输出训练集训练神经网络；

5)一个优化周期开始时，以可实时量测节点的负荷信息作为4)中训练的神经网络的输入，神经网络的输出便为当前时刻无功优化策略。