(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111434416.0 (22)申请日 2021.11.29 (71)申请人 昆明理工大 学 地址 650093 云南省昆明市五华区学府路 253号 (72)发明人 王兴鑫　刘志坚　和鹏　 (74)专利代理 机构 昆明人从众知识产权代理有 限公司 5 3204 代理人 陈波 (51)Int.Cl. H02J 3/18(2006.01) G06F 30/27(2020.01) G06N 3/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06F 111/04(2020.01) G06F 113/04(2020.01) (54)发明名称 一种基于一维卷积神经网络的配电网无功 优化方法 (57)摘要 本发明公开了一种基于一维卷积神经网络 的配电网无功优化方法， 包括： 步骤1， 建立以有 功网损和电压偏差最小为目标函数的配电网无 功优化模型， 用粒子群优化算法计算得到配电网 历史负荷数据所对应的无功优化策略； 步骤2， 将 历史配电网负荷数据归一化处理作为训练神经 网络所输入的数据特征， 将步骤1中得到的无功 优化策略二进制编码作为神经网络的输出标签； 步骤3， 训练一维卷积神经网络确定神经网络的 结构参数， 得到训练好的一维卷积神经网络模 型； 步骤4， 将一个待优化时刻实际配电网负荷数 据提取数据特征后将它输入到训练好的一维卷 积神经网络模 型中， 输出对应无功优化策略的二 进制编码 。 本发明可以快速得到相应无功优化策 略， 加快了运 算时间。 权利要求书1页 说明书6页 附图5页 CN 113972667 A 2022.01.25 CN 113972667 A 1.一种基于一维卷积神经网络的配电网无功优化方法， 其特 征在于： 包括： 步骤1， 建立以有功网损和电压偏差最小为目标函数的配电网无功优化模型， 用粒子群 优化算法计算得到配电网历史负荷数据所对应的无功优化策略； 步骤2， 将历史配电网负荷数据归一化处理作为训练神经网络所输入的数据特征， 将步 骤1中得到的无功优化策略二进制编码作为神经网络的输出 标签； 步骤3， 训练一维卷积神经网络确定神经网络的结构参数， 得到训练好的一维卷积神经 网络模型； 步骤4， 将一个待优化时刻实 际配电网负荷数据提取数据特征后将它输入到训练好的 一维卷积神经网络模型中， 输出对应无功优化策略的二进制编码。 2.根据权利要求1所述的基于一维卷积神经网络的配电网无功优化方法， 其特征在于： 步骤1所建立的配电网无功优化模型表示 为： 有功网损： 式中： nl为网络总支路数； Gk(i,j)为节点i至节点j的支路k的电导； ui、 uj分别为节点i、 j 的电压； θi、 θj分别为节点 i、 j的电压的相位角； 节点 i、 节点j为相邻节点； 节点电压偏差： 式中： um为负荷节点m的电压； u定为负荷节点的指定电压幅值； Δummax为负荷节点m允许 的最大电压偏差； Nl为负荷节点总数； 综上， 配电网无功优化模型为： minf＝floss+λ fU； 式中， λ为节点电压偏差的惩罚系数。 3.根据权利要求1所述的基于一维卷积神经网络的配电网无功优化方法， 其特征在于： 所述步骤2具体为： 步骤2.1： 将配电网的节点负荷数据进行归一化处理， 让它们处于[0,1]区间内， 公式如 下所示： x'＝(x‑xmin)/(xmax‑xmin) 式中： x和x'分别为标准化前后的配电网节点负荷数据， xmax、 xmin分别为节点负荷数据 所对应的最大最小值； 步骤2.2： 将粒子群优化算法求解得到配电网节点负荷数据的无功优化策略二进制编 码作为样本的输出 标签。 4.根据权利要求1所述的基于一维卷积神经网络的配电网无功优化方法， 其特征在于： 所述一维卷积神经网络的结构构成有输入层、 一维卷积层、 池化层、 全连接层和输出层， 其 中一维卷积层、 池化层和全连接层能采用一个或者是多个。 5.根据权利要求4所述的基于一维卷积神经网络的配电网无功优化方法， 其特征在于： 所述一维卷积层采用三层， 卷积核个数分别为64、 128、 256， 卷积核长度为11； 并加入 Dropout函数和正则化层。权　利　要　求　书 1/1 页 2 CN 113972667 A 2一种基于一维卷积神经 网络的配电网无功优化方 法 技术领域 [0001]本发明涉及 一种基于一维卷积神经网络的配电网无功优化方法， 属于配电网无功 优化领域。 背景技术 [0002]随着配电网的规模不断扩大， 同时配电网负荷的不确定性和波动性使得配网的电 压稳定运行面临着严峻挑战， 通过一定的无功调节手段保证系统无功平衡提高电能质量显 得尤其重要。 配电网无功优化是一个多目标 的非线性规划问题， 现有的求解方法依赖于配 电网的模型和参数， 需要反复迭代潮流计算， 计算时间长， 决策性差 。 [0003]针对现有相关求解方法依赖于配电网的模型和参数， 导致需要反复迭代潮流计 算， 计算时间长， 决策性差的技 术问题， 目前尚未提出有效的解决方案 。 发明内容 [0004]本发明提供了一种基于一维卷积神经网络的配电网无功优化方法， 通过训练一维 卷积神经网络来拟合配电网负荷数据和无功优化策略间的非线性关系， 训练好的神经网络 模型用于待优化时刻的配电网无功优化， 进而解决需要反复迭代潮流计算， 计算时间长的 问题。 [0005]本发明的技 术方案是： 一种基于一维卷积神经网络的配电网无功优化方法， 包括： [0006]步骤1， 建立以有功网损和电压偏差最小为目标函数的配电网无功优化模型， 用粒 子群优化 算法计算得到配电网历史负荷数据所对应的无功优化策略； [0007]步骤2， 将历史配电网负荷数据归一化处理作为训练神经网络所输入的数据特征， 将步骤1中得到的无功优化策略二进制编码作为神经网络的输出 标签； [0008]步骤3， 训练一维卷积神经网络确定神经网络的结构参数， 得到训练好的一维卷积 神经网络模型； [0009]步骤4， 将一个待优化时刻实际配电网负荷数据提取数据特征后将它输入到训练 好的一维卷积神经网络模型中， 输出对应无功优化策略的二进制编码。 [0010]步骤1所建立的配电网无功优化模型表示 为： [0011]有功网损： [0012] [0013]式中： nl为网络总支路数； Gk(i,j)为节点i至节点j的支路k的电导； ui、 uj分别为节点 i、 j的电压； θi、 θj分别为节点 i、 j的电压的相位角； 节点 i、 节点j为相邻节点； [0014]节点电压偏差： [0015] 说　明　书 1/6 页 3 CN 113972667 A 3