CN105071431B - 一种分布式电网的控制系统 - Google Patents

Abstract

本发明公开了一种分布式电网的控制系统，分布式电网的控制系统包括：微电网、分布式电网监控模块、云基站和云计算中心；微电网由分布式供电源和多个负载以拓扑结构构成；分布式电网监控模块对应连接微电网，分布式电网监控模块用于实时采集微电网内发电系统的电力参数和预测参数，并将实时监测的电力数据和预测参数数据通过网络传递至云基站；云基站通过网络连接多个分布式电网监控模块，用于接收每个分布式电网监控模块传递的实时电力数据和预测参数，并根据实时电力数据计算出微电网的实时负荷；云计算中心通过网络连接云基站，用于预测微电网的负荷值，通过电力数据和预测参数数据预测微电网的负荷值。

Description

一种分布式电网的控制系统

技术领域

本发明涉及电能配电技术领域，特别是涉及一种分布式电网的控制系统。

背景技术

目前中国电网建设已成为中国电力建设的主要方向，电网建设前景诱人。“十二五”期间，中国电网投资规模持续扩张，到2020年将全面建成统一的坚强智能电网，初步实现建设世界一流电网的目标。

21世纪10年代云计算作为一个新的技术趋势已经得到了快速的发展。云计算已经彻底改变了一个前所未有的工作方式。云计算(Cloud Computing)是分布式计算(Distributed Computing)、并行计算(Paral lel Computing)、效用计算(Utility Computing)、网络存储(Network Storage Technologies)、虚拟化(Virtual ization)、负载均衡(LoadBalance)、热备份冗余(High Avai lable)等传统计算机和网络技术发展融合的产物。

随着互联电网的形成和规模的不断扩大，电网的运行特性和调度控制越来越复杂，近年来我国一直发展分布式电源以缓解电网供电压力，而现有电网的调控运行一直是针对大型电网进行的。

因此希望有一种分布式电网的控制系统来克服或至少减轻上述的缺陷。

发明内容

本发明的目的在于提供一种分布式电网的控制系统来克服现有技术中存在的上述问题。

为实现上述目的，本发明提供一种分布式电网的控制系统，包括：微电网、分布式电网监控模块、云基站和云计算中心；

微电网，所述微电网由分布式供电源和多个负载以拓扑结构构成；

分布式电网监控模块，所述分布式电网监控模块对应连接所述微电网，所述分布式电网监控模块用于实时采集所述微电网内发电系统的电力参数和预测参数，并将实时监测的电力数据和预测参数数据通过网络传递至所述云基站；

云基站，所述云基站通过网络连接多个所述分布式电网监控模块，用于接收每个所述分布式电网监控模块传递的实时电力数据和预测参数，并根据所述实时电力数据得出所述微电网的实时负荷；

云计算中心，所述云计算中心通过网络连接所述云基站，用于预测所述微电网的负荷值，通过所述电力数据和预测参数数据预测所述微电网的负荷值。

优选地，每个所述分布式电网监控模块包括预测参数输入单元和电力参数采集模块，所预测参数输入单元接收所述预测参数，所述预测参数包括：微电网范围内的温度、湿度、时间和特定时段参数；所述电力参数采集模块用于实时采集所述微电网内发电系统的电流和电压。

优选地，所述云基站包括实时负荷计算单元和无功计算单元，所述实时负荷计算单元用于计算每个所述微电网的有功功率、无功功率和电网的功率因数；所述无功计算单元根据所述实时负荷计算单元计算的无功功率和电网的功率因数得出所述微电网所需的无功补偿值。

优选地，每个所述分布式电网监控模块还包括无功补偿单元，所述无功补偿单元根据所述无功计算单元得出的所述微电网所需的无功补偿值对所述微电网进行无功补偿。

优选地，所述云计算中心包括：控制模块和应用管理模块，所述控制模块和所述应用管理模块通过接口连接；当所述控制模块接收到的所述微电网的实时负荷值大于或小于所述应用管理模块中存储的预测所述微电网的负荷值的设定阈值时，所述控制模块将对云计算中心的计算进行分布式计算的应用等级划分，并优先处理所述微电网的实时负荷值。

优选地，所述云计算中心采用BP神经网络预测方法预测所述微电网的负荷值，所述电力数据和预测参数数据作为BP神经网络预测的输入，

未来1小时微电网负荷作为输出，对确定的输入、输出进行归一化处理，归一化函数为：

其中y为归一化值，x为输入值；

当N是输入的元素量时，根据公式2N-1,来确定输入层的神经元数量；当N是输出的元素量时，根据公式2N-1,来确定输出层的神经元数量；根据Kolmogorv定理、输入层和输出层的神经元数量确定BP神经网络中间层神经元数量，由此构造BP神经网络模型；对BP神经网络进行网络训练。

本发明提供了一种分布式电网的控制系统，通过所述分布式电网的控制系统能够对微电网小型电力供应区域进行实时监视和分析，随时掌握微电网的运行状态，并对微电网的负荷进行预测。

附图说明：

图1是分布式电网的控制系统的结构示意图。

具体实施方式：

为使本发明实施的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行更加详细的描述。在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本发明一部分实施例，而不是全部的实施例。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。下面结合附图对本发明的实施例进行详细说明。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制。

在本发明一宽泛实施例中，分布式电网的控制系统包括：微电网、分布式电网监控模块、云基站和云计算中心；微电网，所述微电网由分布式供电源和多个负载以拓扑结构构成；分布式电网监控模块，所述分布式电网监控模块对应连接所述微电网，所述分布式电网监控模块用于实时采集所述微电网内发电系统的电力参数和所述微电网范围内的环境参数，并将实时监测的电力数据和环境参数数据通过网络传递至所述云基站；云基站，所述云基站通过网络连接多个所述分布式电网监控模块，用于接收每个所述分布式电网监控模块传递的实时电力数据和环境参数数据，并根据所述实时电力数据得出所述微电网的实时负荷；云计算中心，所述云计算中心通过网络连接所述云基站，用于预测所述微电网的负荷值，通过所述电力数据和环境参数数据预测所述微电网的负荷值。

通过所述分布式电网的控制系统能够对微电网小型电力供应区域进行实时监视和分析，随时掌握微电网的运行状态，并对微电网的负荷进行预测。

如图1所示，分布式电网的控制系统包括：多个微电网1、多个分布式电网监控模块2、云基站3和云计算中心4。

在一未图示实施例中，所述微电网由分布式供电源和多个负载以拓扑结构构成。

如图1所示，所述分布式电网监控模块2对应连接所述微电网1，所述分布式电网监控模块2实时采集所述微电网1内发电系统的电力参数和所述微电网1范围内的预测参数，所述预测参数包括：所述微电网1范围内的温度、湿度、时间和所述微电网1范围内特殊用电的时间段。

每个所述分布式电网监控模块2包括预测参数输入单元和电力参数采集模块，所预测参数输入单元接收所述预测参数；所述电力参数采集模块用于实时采集所述微电网1内发电系统的电流和电压。

每个所述分布式电网监控模块2还包括无功补偿单元，所述无功补偿单元根据所述无功计算单元计算的所述微电网1所需的无功补偿值对所述微电网1进行无功补偿。

如图1所示，所述云基站3连接3个所述分布式电网监控模块2。但可以理解的是，云基站3连接的分布式电网监控模块2的数量不限于图示方式，在一未图示实施例中，云基站3连接的分布式电网监控模块2数量为30个。

所述云基站3用于接收每个所述分布式电网监控模块2传递的实时电力数据和预测参数，并根据所述实时电力数据计算出所述微电网1的实时负荷。

所述云基站3包括实时负荷计算单元和无功计算单元，所述实时负荷计算单元用于计算所述微电网1的有功功率、无功功率和电网的功率因数；所述无功计算单元根据所述实时负荷计算单元计算的无功功率和电网的功率因数计算出所述微电网1所需的无功补偿值。

如图1所示，所述云计算中心4通过网络连接所述云基站3，用于预测所述微电网1的负荷值，通过计算所述电力数据和预测参数数据预测所述微电网1的负荷值。

所述云计算中心4包括：控制模块和应用管理模块，所述控制模块和所述应用管理模块通过接口连接。

当所述控制模块接收到的所述微电网1的实时负荷值大于或小于所述应用管理模块中存储的预测所述微电网1的负荷值的设定阈值时，所述控制模块将对云计算中心4的计算进行分布式计算的应用等级划分，并优先处理所述微电网1的实时负荷值。

所述云计算中心采用BP神经网络预测方法预测所述微电网1的负荷值，所述电力数据和预测参数数据作为BP神经网络预测的输入，电网负荷与气象因素和历史值有关，气温的影响主要考虑温度、湿度和降雨量，而且电网负荷与微电网1内的负载工作时间段及特殊用电时间段有直接关系，因此预测参数数据包括：所述微电网1范围内的温度、湿度、时间和所述微电网1范围内特殊用电的时间段，未来1小时微电网1的负荷作为输出，对确定的输入、输出进行归一化处理，归一化函数为：

其中y为归一化值，x为输入值；

当N是输入的元素量时，根据公式2N-1,来确定输入层的神经元数量；当N是输出的元素量时，根据公式2N-1来确定输出层的神经元数量；根据Kolmogorv定理、输入层和输出层的神经元数量确定BP神经网络中间层神经元数量，由此构造BP神经网络模型；对BP神经网络进行网络训练。

最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (1)

1.一种分布式电网的控制系统，其特征在于，包括：微电网、分布式电网监控模块、云基站和云计算中心；

微电网，所述微电网由分布式供电源和多个负载以拓扑结构构成；

分布式电网监控模块，所述分布式电网监控模块对应连接所述微电网，所述分布式电网监控模块用于实时采集所述微电网内发电系统的电力参数和预测参数，并将实时监测的电力数据和预测参数数据通过网络传递至所述云基站，所述分布式电网监控模块的数量为3-30个；

云基站，所述云基站通过网络连接多个所述分布式电网监控模块，用于接收每个所述分布式电网监控模块传递的实时电力数据和预测参数，并根据所述实时电力数据得出所述微电网的实时负荷；

云计算中心，所述云计算中心通过网络连接所述云基站，用于预测所述微电网的负荷值，通过所述电力数据和预测参数数据预测所述微电网的负荷值；

每个所述分布式电网监控模块包括预测参数输入单元和电力参数采集模块，所述 预测参数输入单元接收所述预测参数，所述预测参数包括：微电网范围内的温度、湿度、时间和特定时段参数；所述电力参数采集模块用于实时采集所述微电网内发电系统的电流和电压；

所述云基站包括实时负荷计算单元和无功计算单元，所述实时负荷计算单元用于计算每个所述微电网的有功功率、无功功率和电网的功率因数；所述无功计算单元根据所述实时负荷计算单元计算的无功功率和电网的功率因数得出所述微电网所需的无功补偿值；

每个所述分布式电网监控模块还包括无功补偿单元，所述无功补偿单元根据所述无功计算单元得出的所述微电网所需的无功补偿值对所述微电网进行无功补偿；

所述云计算中心包括：控制模块和应用管理模块，所述控制模块和所述应用管理模块通过接口连接；当所述控制模块接收到的所述微电网的实时负荷值大于或小于所述应用管理模块中存储的预测所述微电网的负荷值的设定阈值时，所述控制模块将对云计算中心的计算进行分布式计算的应用等级划分，并优先处理所述微电网的实时负荷值；

所述云计算中心采用BP神经网络预测方法预测所述微电网的负荷值，所述电力数据和预测参数数据作为BP神经网络预测的输入，未来1小时微电网负荷作为输出，对确定的输入、输出进行归一化处理，归一化函数为：

其中y为归一化值，x为输入值；

当N是输入的元素量时，根据公式2N-1,来确定输入层的神经元数量；当N是输出的元素量时，根据公式2N-1,来确定输出层的神经元数量；根据Kolmogorv定理、输入层和输出层的神经元数量确定BP神经网络中间层神经元数量，由此构造BP神经网络模型；对BP神经网络进行网络训练。