本发明涉及电力系统自动化，具体为基于深度神经网络的分布式配电网可靠性评估方法。
背景技术：
1、随着能源需求的增长和能源转型的推进，分布式电源已经成为现代配电网的重要组成部分。与此同时，随着工业化程度的提高，人们对电力供应可靠性的要求越来越高。然而由于风力发电、光伏发电等分布式发电的随机性和波动性，特别是在台风和暴雨等极端天气条件下，无法满足电力用户的用电需求，大规模分布式电源的接入使电网安全运行面临巨大挑战。而现有的可靠性分析方法通常需要较长的计算时间，无法及时针对实时变化的情况做出调整。因此，对大规模分布式电源接入的配电网进行可靠性分析具有重大意义。
2、目前，配电网可靠性指标的计算方法主要有四种，分别是经典分析法、模拟法、混合法以及人工智能算法。经典分析方法是基于配电网的结构和运行参数进行定量分析的方法，它通常包括可靠性指标的数学推导和计算，如故障率、平均修复时间、可用性等，此方法需要充分了解配电网的网架结构和参数，通过数学模型和统计理论进行可靠性分析；模拟法则是利用计算机进行仿真模拟，通过生成大量随机样本来评估配电网的可靠性，常见的模拟方法包括蒙特卡洛模拟和事件驱动模拟，通过对配电网的状态和事件进行多次模拟，得出配电网在不同条件下的可靠性水平；上述两种方法虽然各有特点，但也存在一定的缺点，针对此，混合法结合了经典分析法和模拟法的优点，通过将两种方法相结合来进行可靠性分析，首先使用经典分析法得出配电网中关键设备的可靠性参数，然后将这些参数输入到模拟模型中进行仿真计算，从而得出更全面的可靠性评估结果；而人工智能算法包括神经网络、遗传算法、模糊逻辑等方法，可以用于处理配电网的大量数据和复杂关系，从而实现对可靠性指标的计算和预测，人工智能算法能够从数据中学习规律并作出预测，可以帮助提高对配电网可靠性的理解和预测能力。
技术实现思路
1、鉴于上述存在的问题，提出了本发明。
2、因此，本发明解决的技术问题是：现有的可靠性分析方法存在计算方法局限较大，人工智能算法不足，以及如何全面考虑分布式电源接入对配电网的影响的优化问题。
3、为解决上述技术问题，本发明提供如下技术方案：基于深度神经网络的分布式配电网可靠性评估方法，包括获取风速数据，构建风电机组出力模型和光伏出力模型；为配电网中每个节点分配一个最大可接受分布式电源容量；通过改进的蒙特卡罗方法获得原始数据集，训练神经网络并进行预测。
4、作为本发明所述的基于深度神经网络的分布式配电网可靠性评估方法的一种优选方案，其中：所述风电机组出力模型包括采用arma模型对风速进行建模和预测，基于原始风速数据计算风速平均值和风速分布的标准差，并对原始风速数据进行处理，得到标准化的数据，标准化数据与原始风速数据间的关系表示为：
5、
6、其中，yt为标准化的数据，vt为原始风速数据，μ为风速的平均值，σ为风速分布的标准差，arma模型表示为：
7、yt＝a1yt-1+a2yt-2+…+amyt-m+
8、αt+c1αt-1+c2αt-2+…cnαt-n
9、其中，ai为自回归系数，ci为移动平均系数，αt为正态分布的白噪声，风电机组的出力与风速函数关系表示为：
10、
11、其中，a、b、c与切入风速和额定风速相关，a、b、c表示为：
12、
13、其中，va为风电机组的切入风速，vb为风电机组的额定风速，vc为风电机组的切出风速，pe为风电机组的额定功率。
14、作为本发明所述的基于深度神经网络的分布式配电网可靠性评估方法的一种优选方案，其中：所述光伏出力模型包括通过模拟的太阳辐射强度获得光伏发电系统的出力模型，光伏发电系统的出力与太阳辐射强度正相关，函数关系表示为：
15、p＝raηk
16、其中，r为太阳辐射强度，a为光伏阵列的面积，η为模块将光能转换成电能的转换效率，k为修正系数。
17、作为本发明所述的基于深度神经网络的分布式配电网可靠性评估方法的一种优选方案，其中：所述最大可接受分布式电源容量包括zeno多面体，zeno多面体是一种特殊对称多面体，被定义为有限线段的闵可夫斯基和，表示为：
18、
19、其中，c∈rn为zeno多面体的中心，g(i)∈rn为zeno多面体的生成向量，通过zeno多面体表示分布式电源的不确定出力。
20、作为本发明所述的基于深度神经网络的分布式配电网可靠性评估方法的一种优选方案，其中：所述最大可接受分布式电源容量还包括构建不确定输入集，设三个分布式电源的预测功率为每个分布式电源的出力都有±30％的不确定性，得到三条有向线段表示为：
21、g1＝[0.12 0 0]t
22、
23、g3＝[0 0 0.15]t
24、得到一个zeno多面体，电力不确定性集为一个以[0.4 0.5 0.6]t为中心，分别以0.24，0.18，0.3为边长的矩形棱柱。
25、作为本发明所述的基于深度神经网络的分布式配电网可靠性评估方法的一种优选方案，其中：所述改进的蒙特卡罗方法包括通过数学抽样，获得元件的无故障工作时间ttf和修复时间ttr的抽样形式，表示为：
26、
27、其中，r1、r2分别为区间(0,1)内的随机数，首先读取配电网的原始参数并初始化数据，设系统中有n个功率元件，生成一组随机数δ1,δ2,...,δn，与配电网中的元件数量相同，随机数的范围在(0,1)之间，基于元件时间抽样公式，根据生成的随机数计算每个元件的无故障工作时间ttf，通过比较无故障工作时间，确定故障元件中最小无故障工作时间的电力元件，计算故障后系统的潮流，并确定故障后每个节点的节点电压，确定分布式电源是否离线，若分布式电源脱网，则确定故障引起的过电压影响范围，若分布式电源未脱网，确定每个负载点的运行状态，并计算系统的随机运行时间，若系统运行时间小于仿真周期，则重复评估过程，若系统运行时间大于或等于模拟周期，则计算模拟期内每个负载点的故障次数和故障时间，并计算系统可靠性指标。
28、作为本发明所述的基于深度神经网络的分布式配电网可靠性评估方法的一种优选方案，其中：所述训练神经网络并进行预测包括bp神经网络，选择每个分布式电源的容量作为bp神经网络的输入参数，选择系统平均停电频率指标、系统平均停电持续时间指标和期望缺供电量作为bp神经网络的输出，对于输入特征，输入参数的数据处于相同数量级，使所有输入参数处于相同竞争地位，减少数据导致的计算误差，首先，建立分布式电源的出力模型，根据基于zeno多面体的不确定性建模，确定分布式电源每一时刻的可能出力范围，根据电能质量的要求，通过潮流计算得到分布式电源可接入的最大容量，并通过蒙特卡罗模拟过程，获得用于训练的原始数据集，确定输入和输出参数后，使用归一化的样本集训练神经网络模型，获得训练好的神经网络模型，使用训练好的神经网络模型进行预测。
29、本发明的另外一个目的是提供一种基于深度神经网络的分布式配电网可靠性评估系统，其能通过训练预测模块对神经网络进行训练并进行可靠性预测，解决了目前处理大规模和复杂配电网时效率低下的问题。
30、作为本发明所述的基于深度神经网络的分布式配电网可靠性评估系统的一种优选方案，其中：包括模型构建模块、电源容量模块、训练预测模块；所述模型构建模块用于获取风速数据，构建风电机组出力模型和光伏出力模型；所述电源容量模块用于为配电网中每个节点分配一个最大可接受分布式电源容量；所述训练预测模块用于通过改进的蒙特卡罗方法获得原始数据集，训练神经网络并进行预测。
31、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序是实现基于深度神经网络的分布式配电网可靠性评估方法的步骤。
32、一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现基于深度神经网络的分布式配电网可靠性评估方法的步骤。
33、本发明的有益效果：本发明提供的基于深度神经网络的分布式配电网可靠性评估方法通过风电机组和光伏发电系统的出力模型考虑了环境因素的影响，增强了模型的实际适用性，采用改进的蒙特卡罗方法计算可靠性指标，提高了计算的效率和精度，通过bp神经网络对可靠性指标进行快速预测，显著减少了分析时间，实现了对大规模分布式电源接入配电网可靠性的实时评估，有效应对恶劣天气条件，提高了配电网可靠性评估的效率和准确性，促进了电网安全稳定运行，有益于优化分布式电源的接入和管理，本发明在分析时间、评估准确率和评估效率方面都取得更加良好的效果。
1.基于深度神经网络的分布式配电网可靠性评估方法，其特征在于，包括：
2.如权利要求1所述的基于深度神经网络的分布式配电网可靠性评估方法，其特征在于：所述风电机组出力模型包括采用arma模型对风速进行建模和预测，基于原始风速数据计算风速平均值和风速分布的标准差，并对原始风速数据进行处理，得到标准化的数据，标准化数据与原始风速数据间的关系表示为：
3.如权利要求2所述的基于深度神经网络的分布式配电网可靠性评估方法，其特征在于：所述光伏出力模型包括通过模拟的太阳辐射强度获得光伏发电系统的出力模型，光伏发电系统的出力与太阳辐射强度正相关，函数关系表示为：
4.如权利要求3所述的基于深度神经网络的分布式配电网可靠性评估方法，其特征在于：所述最大可接受分布式电源容量包括zeno多面体，zeno多面体是一种特殊对称多面体，被定义为有限线段的闵可夫斯基和，表示为：
5.如权利要求4所述的基于深度神经网络的分布式配电网可靠性评估方法，其特征在于：所述最大可接受分布式电源容量还包括构建不确定输入集，设三个分布式电源的预测功率为每个分布式电源的出力都有±30％的不确定性，得到三条有向线段表示为：
6.如权利要求5所述的基于深度神经网络的分布式配电网可靠性评估方法，其特征在于：所述改进的蒙特卡罗方法包括通过数学抽样，获得元件的无故障工作时间ttf和修复时间ttr的抽样形式，表示为：
7.如权利要求6所述的基于深度神经网络的分布式配电网可靠性评估方法，其特征在于：所述训练神经网络并进行预测包括bp神经网络，选择每个分布式电源的容量作为bp神经网络的输入参数，选择系统平均停电频率指标、系统平均停电持续时间指标和期望缺供电量作为bp神经网络的输出，对于输入特征，输入参数的数据处于相同数量级，使所有输入参数处于相同竞争地位，减少数据导致的计算误差，首先，建立分布式电源的出力模型，根据基于zeno多面体的不确定性建模，确定分布式电源每一时刻的可能出力范围，根据电能质量的要求，通过潮流计算得到分布式电源可接入的最大容量，并通过蒙特卡罗模拟过程，获得用于训练的原始数据集，确定输入和输出参数后，使用归一化的样本集训练神经网络模型，获得训练好的神经网络模型，使用训练好的神经网络模型进行预测。
8.一种采用如权利要求1～7任一所述的基于深度神经网络的分布式配电网可靠性评估方法的系统，其特征在于：包括模型构建模块、电源容量模块、训练预测模块；
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的基于深度神经网络的分布式配电网可靠性评估方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的基于深度神经网络的分布式配电网可靠性评估方法的步骤。
