[发明专利]一种数据驱动的配电网分布式新能源消纳能力评估方法

权利要求书

1.一种数据驱动的配电网分布式新能源消纳能力评估方法，其特征在于：包括以下步骤：

步骤1)利用电力系统实际生产运行所积累的数据记录，提取含分布式新能源配电网的运行数据作为配电网运行方式—消纳能力数据集的样本集；

步骤2)建立配电网最大新能源消纳能力评估模型，并针对评估模型给出新能源出力持续曲线和新能源最大消纳电量指标；

步骤3)通过求解配电网最大新能源消纳能力评估模型计算每小时运行方式下对应的最大新能源出力，作为配电网运行方式—消纳能力数据集的标签集，进而形成完整的数据集；

步骤4)建立配电网消纳能力评估的图卷积神经网络模型，并将步骤3)中得到的配电网运行方式—消纳能力数据集进行处理，使用处理后的数据集训练深度图卷积神经网络；

建立配电网新能源消纳能力评估的深度图卷积神经网络，深度图卷积神经网络的输入图数据由二元组G＝(X,A)描述，X为描述各个节点特征的特征矩阵，A为描述节点拓扑结构的邻接矩阵；对N个节点的配电网，由各个节点拓扑连接关系可得N×N维的邻接矩阵A，所述特征矩阵在节点维度包含4个特征，分别是节点类型、负荷预测、风电容量限制和光伏容量限制，特征矩阵维度为4×N；将特征矩阵X和邻接矩阵A作min-max归一化处理后作为输入，首先经过2个图卷积层；第一层为图结构卷积层，第二层为节点卷积层，2个图卷积层的输出提取出配电网络拓扑结构和节点信息的特征，之后采用平坦层将其拉直后送入3个全连接层，神经元数递减，最后一层输出对应新能源最大出力，维度为1×16，采用二进制编码；

步骤5)将待求的电网运行方式量化处理，送入步骤4)已经训练好的深度图卷积神经网络，快速计算每小时最大消纳电量，并累积算得全年的新能源出力持续曲线和新能源最大消纳电量。

2.根据权利要求1所述的一种数据驱动的配电网分布式新能源消纳能力评估方法，其特征在于：提取电网运行监测系统中的数据，形成由线路开关状态、分布式新能源机组出力、节点负荷功率组成的数据向量，建立配电网运行方式样本集。

3.根据权利要求2所述的一种数据驱动的配电网分布式新能源消纳能力评估方法，其特征在于：配电网最大新能源消纳能力评估模型以最大风电光伏出力之和为目标，以考虑配电网络重构的潮流约束，分布式新能源机组出力约束、功率平衡约束、运行安全约束为约束条件，寻找满足运行约束的最优解，最优解时对应的最大新能源出力作为配电网运行方式—消纳能力数据集的标签集，与配电网运行方式样本集对应整合得到完整的数据集。

4.根据权利要求1所述的一种数据驱动的配电网分布式新能源消纳能力评估方法，其特征在于：通过时序运行方式样本输入配电网最大消纳能力评估模型的求解结果，计算新能源消纳能力的评估指标；评估指标包括配电网新能源出力持续曲线和配电网最大新能源消纳电量，配电网新能源出力持续曲线由最大新能源出力序列由大至小排序形成；配电网最大新能源消纳电量由配电网新能源出力持续曲线对坐标轴求积分得到。

5.根据权利要求1所述的一种数据驱动的配电网分布式新能源消纳能力评估方法，其特征在于：所述步骤4)中对配电网运行方式—消纳能力数据集进行的处理包括进行清洗，划分训练集、验证集、测试集。

6.根据权利要求5所述的一种数据驱动的配电网分布式新能源消纳能力评估方法，其特征在于：训练深度图卷积神经网络GCN网络模型时，对完整的数据集进行清洗，剔除异常个体；

随机取70％的数据作为训练集，取15％数据作为验证集，剩余15％作为测试集；

同时对数据集中样本变量作映射至[0,1]区间的标准化；对数据集中的标签，即每小时最大新能源出力十进制—二进制编码方法进行编码；

所述图卷积神经网络GCN网络模型使用Keras框架编写，采用GPU加速训练深度图卷积神经网络。