CN105375461A - 基于预测技术的主动配电网供电能力实时评估方法 - Google Patents
基于预测技术的主动配电网供电能力实时评估方法 Download PDFInfo
- Publication number
- CN105375461A CN105375461A CN201510404650.7A CN201510404650A CN105375461A CN 105375461 A CN105375461 A CN 105375461A CN 201510404650 A CN201510404650 A CN 201510404650A CN 105375461 A CN105375461 A CN 105375461A
- Authority
- CN
- China
- Prior art keywords
- load
- power supply
- distribution network
- power
- limit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Abstract
本发明公开了一种基于预测技术的主动配电网供电能力实时评估方法,涉及电力系统调度高级技术领域。本发明包括如下步骤:(1)采用基于相似日小波支持向量机的预测方法进行负荷预测;(2)采用基于紧致型小波神经网络的预测方法对分布式电源出力进行预测;(3)基于步骤(1)、(2)建立配电网在满足支路功率约束和节点电压约束的条件下所能供应的最大负荷数学模型;(4)利用潮流法对步骤(3)的模型依次进行负荷的增长模式的确定、临界点的确定、供电瓶颈序列的确定。本发明能够对未来一段时间内配电网的供电能力和供电裕度进行实时评估,还能够使调度人员能够根据评估结果提前采取相应的措施以保证电网运行的安全性和可靠性。
Description
技术领域
本发明涉及电力系统调度高级技术领域,具体为一种基于预测技术的主动配电网供电能力实时评估方法。
背景技术
随着负荷增长的压力与日俱增,能源紧缺以及环境污染等问题日益严重,为了适应能源转型,节能环保,提高能源利用效率,势必要顺应发展主动配电网的趋势。主动配电网是具备组合控制各种分布式能源能力的配电网络,旨在解决电网兼容及分布式能源应用与利用率的提升等问题。分布式能源的接入一方面提高了配电网的供电能力,另一方面,其功率的随机性增加了配电网的不稳定性。尽管配电网在规划设计时采用了较高的容载比,负荷的不确定性以及供电瓶颈的存在仍使得负荷高峰期间失负荷的现象不可避免,不得不采取拉闸限电的缓冲方式。因此,随着主动配电网的不断成熟,科学地对它的供电能力进行灵活的实时评估,找到并突破供电瓶颈,才能兼顾配电网运行的经济性、可靠性以及安全性。
在主动配电网的研究中,关注点多数是对分布式电源配置的优化或协调,并没有过多地针对供电能力进行研究。配电网的供电能力是指配电网在满足支路功率约束和节点电压约束的条件下所能供给的最大负荷,它由配电网的运行方式和负荷的增长模式所决定。现有的供电能力评估方法一般是通过计算变电站容载比、线路平均负载率这类统计性的技术指标来定性地评估配电网的供电能力,其评估结果能对配电网的规划或者升级提供一定的指导,但无法对配电网的实时运行提供更多指导。并且,当前供电能力评估方法大多数并未考虑分布式电源接入的情况。有文献在综合考虑各种运行约束的基础上提出了一种实时评估配电网供电能力的数学模型,用于评估配电网当前的安全水平并计算发生故障时负荷的可转移容量。有的文献在负荷预测的基础上对系统供电能力进行了实时评估,并且指出,配电网的薄弱环节在负荷不断增长的过程中依次呈现,逐步寻找并消除供电瓶颈有利于提高系统供电能力。还有的文献提出了一种基于变步长重复潮流法的供电能力评估模型,并且能求取当下负荷分布的供电瓶颈。
本文提出一种基于预测技术的主动配电网供电能力实时评估方法。在考虑分布式电源出力动态特性的基础上采用相对增长率来构造更符合实际的负荷增长方式。通过预测技术的引入,在重复潮流法的基础上通过分析给出未来一段时间配电网供电能力的动态变化曲线。另外,随着负荷的增长,依次找到系统的供电瓶颈,给出亟待解决的瓶颈序列,并提出对电网供电能力的改进方案。
发明内容
本发明所要解决的技术问题是提供一种基于预测技术的主动配电网供电能力实时评估方法,旨在对未来一段时间内配电网的供电能力和供电裕度进行实时评估,保证电网运行的安全性和可靠性,并针对具体的设备进行改造,提高系统的供电能力。
为解决上述技术问题,本发明所采取的技术方案是:一种基于预测技术的主动配电网供电能力实时评估方法,其特征在于:其步骤如下:
(1)采用基于相似日小波支持向量机的预测方法进行负荷预测;
(2)采用基于紧致型小波神经网络的预测方法对分布式电源出力进行预测;
(3)基于步骤(1)、(2)建立配电网在满足支路功率约束和节点电压约束的条件下所能供应的最大负荷数学模型;
(4)利用潮流法对步骤(3)的模型依次进行负荷的增长模式的确定、临界点的确定、供电瓶颈序列的确定。
进一步的技术方案在于,步骤(1)中负荷预测采用小波变换将各相似日的负荷序列分解为低频部分和高频部分;然后利用支持向量机对各部分进行预测,并将预测值进行叠加得到完整的负荷预测值。
进一步的技术方案在于,步骤(2)中分布式电源的出力预测采用基于紧致型小波神经网络的预测方法对其出力进行预测,其基本步骤为通过利用小波函数直接取代神经网络中隐含层的激励函数来实现小波分析与神经网络的结合,得到输出信号序列。
进一步的技术方案在于,步骤(3)中的模型,其目标函数可以表示为:
式中:PL为配电网能够供应的最大有功负荷;N为负荷点数;PLi为负荷点i处的有功负荷;
其约束条件为:
式中:PGi、PDi和PLi分别为节点i处发电机、分布式电源和负荷的有功功率;QGi、QDi和QLi分别为节点i处发电机、分布式电源和负荷的无功功率;Gij和Bij分别为支路i-j的电导和电纳;θij为节点i和节点j之间的功率角;Ui、Ui max和Ui min分别为节点i处的电压及其上下限;Il和Il max分别为线路l的电流及其上限;ST和ST max分别为变压器T的功率及其上限。
进一步的技术方案在于,步骤(4)中负荷增长模式采用基于相对增长率的负荷增长模式。
进一步的技术方案在于,负荷增长模式的确定步骤如下:
将一天划分为24个时段,则负荷点i处的相对增长率为:
式中:ri为负荷点i处负荷的相对增长率;PLi max和PLi min分别为24个时段中负荷点i处负荷的最大值和最小值;
由此,配电网中基于相对增长率的负荷增长模式可以表示如下:
PLi(m)=PLi(0)(1+ri%)m(8)
PLi′(m)=PLi(m)-PDi(9)
式中:PLi(m)为负荷增长m次之后负荷点i处的负荷值;PLi(0)为负荷点i处负荷的初始值;PLi’(m)为负荷增长m次之后负荷点i处的净负荷值;PDi为负荷点i处分布式电源的出力;PL(m)为负荷增长m次之后整个配电网的负荷值;PL’(m)为负荷增长m次之后整个配电网的净负荷值。
进一步的技术方案在于,步骤(4)中临界点的确定是给定初始值m=m0,依次调用PL’(km0)(k=1,2,3…)进行潮流计算,直到系统第一次发生越限为止,记此时k=k0,则系统的供电能力必然处于PL[(k0-1)m0]和PL(k0m0)之间;给定精度ε=ε0,令a=(k0-1)m0,b=k0m0,区间[a,b]的中点设为c,调用PL’(c)进行潮流计算,若系统不越限则令a=c,否则令b=c,重复以上步骤直到满足精度要求,即b-a<ε0,输出PL(a)的值即为当前配电网的供电能力。
进一步的技术方案在于,步骤(4)中供电瓶颈序列的确定是待步骤(4)中临界点确定后,记录发生越限的负荷点(即供电瓶颈)的节点号及其越限的约束条件,并放宽该约束,即若由于节点电压不满足约束条件而越限,则放宽节点电压约束;继续增长负荷,确定下一个供电瓶颈;以此循环,即可得到某时刻下的供电瓶颈节点号的序列。
进一步的技术方案在于,供电瓶颈序列的确定中涉及节点电压越限、变压器功率越限、线路功率越限3种越限形式。
进一步的技术方案还在于,其具体实时评估方法如下:
1)将未来的一天划分为24个时段,预测每个时段负荷点i处的负荷值PLi以及分布式电源的出力PDi(无分布式电源时PDi=0);
2)针对每一个时段,给定初始值m=m0,计增长负荷以来系统累计发生越限的次数为g,调用PL’(km0)(k=1,2,3…)进行潮流计算,直到系统第一次发生越限为止,即g=1,记此时k=k0;
3)给定精度ε=ε0,令a=(k0-1)m0,b=k0m0,构造闭区间[a,b]并用半分法求取满足精度要求的临界点,此时负荷点i处的负荷值为PLi(a);
4)将临界点处各个负荷点的负荷值进行累加,即得系统的供电能力;
5)若系统发生电压越限,记G(1,g)=i,并令Ui min=0,Ui max=100Ui max;若系统发生变压器功率越限,记G(2,g)=i,并令ST,i max=100ST,i max;若为线路功率越限,记G(3,g)=i,并令Sl,i max=100Sl,i max;
6)继续增长负荷至得到5个瓶颈节点,即g=5;
7)输出供电瓶颈序列G;
8)将各个时段系统的供电能力及供电瓶颈的变化制成曲线与表格供调度人员参考。
采用上述技术方案所产生的有益效果在于:该方法考虑了配电网中多种分布式电源接入的情况,利用预测技术得到未来时刻的负荷及分布式电源的出力,以配电网能够承担的最大负荷为目标函数,以系统的安全运行要求为约束条件,建立了数学模型。该模型不仅能够对未来一段时间内配电网的供电能力和供电裕度进行实时评估,还能够给出限制系统供电能力的供电瓶颈序列,从而使调度人员能够根据评估结果提前采取相应的措施以保证电网运行的安全性和可靠性,并针对具体的瓶颈设备进行改造,提高系统的供电能力。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1是本发明供电能力实时评估流程图;
图2是本发明小波支持向量机负荷预测模型图;
图3是本发明紧致型小波神经网络的基本结构图;
图4是本发明互补发电系统的调度规则图;
图5是本发明临界点求解示意图;
图6是本发明实施例一系统结构图;
图7是本发明实施例一负荷及分布式电源出力的部分预测结果图;
图8是本发明实施例一系统的供电能力图;
图9是本发明实施例一17:00时刻针对T10-11的扩容分析图。
具体实施方式
下面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清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做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。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
本发明包括如下步骤:
(1)采用基于相似日小波支持向量机的预测方法进行负荷预测;
优选的,如图2所示,负荷预测采用小波变换将各相似日的负荷序列分解为低频部分和高频部分;然后利用支持向量机对各部分进行预测,并将预测值进行叠加得到完整的负荷预测值。
(2)采用基于紧致型小波神经网络的预测方法对分布式电源出力进行预测;
优选的,分布式电源的出力预测采用基于紧致型小波神经网络的预测方法对其出力进行预测,其基本步骤为通过利用小波函数直接取代神经网络中隐含层的激励函数来实现小波分析与神经网络的结合,得到输出信号序列。
如图3所示,图中:xi(i=1,2,…,n)为输入信号序列;gj(j=1,2,…,l)为小波基函数;yk(k=1,2,…,m)为输出信号序列。
输出信号序列的计算公式如下:
式中:f为输出层的激励函数;wjk为隐含层第j个神经元与输出层第k个神经元之间的连接权值;wij为输入层第i个神经元与隐含层第j个神经元之间的连接权值;b1j和b2k分别为隐含层和输出层的阀值。
可控型分布式电源出力可用互补调度规则进行预测,如图4所示。
(3)基于步骤(1)、(2)建立配电网在满足支路功率约束和节点电压约束的条件下所能供应的最大负荷数学模型;
优选的,其数学模型的目标函数可以表示为:
式中:PL为配电网能够供应的最大有功负荷;N为负荷点数;PLi为负荷点i处的有功负荷;
其约束条件为:
式中:PGi、PDi和PLi分别为节点i处发电机、分布式电源和负荷的有功功率;QGi、QDi和QLi分别为节点i处发电机、分布式电源和负荷的无功功率;Gij和Bij分别为支路i-j的电导和电纳;θij为节点i和节点j之间的功率角;Ui、Ui max和Ui min分别为节点i处的电压及其上下限;Il和Il max分别为线路l的电流及其上限;ST和ST max分别为变压器T的功率及其上限。
(4)利用潮流法对步骤(3)的模型依次进行负荷的增长模式的确定、临界点的确定、供电瓶颈序列的确定。
优选的,负荷增长模式采用基于相对增长率的负荷增长模式。
优选的,负荷增长模式的确定步骤如下:
将一天划分为24个时段,则负荷点i处的相对增长率为:
式中:ri为负荷点i处负荷的相对增长率;PLi max和PLi min分别为24个时段中负荷点i处负荷的最大值和最小值;
由此,配电网中基于相对增长率的负荷增长模式可以表示如下:
PLi(m)=PLi(0)(1+ri%)m(9)
PLi′(m)=PLi(m)-PDi(10)
式中:PLi(m)为负荷增长m次之后负荷点i处的负荷值;PLi(0)为负荷点i处负荷的初始值;PLi’(m)为负荷增长m次之后负荷点i处的净负荷值;PDi为负荷点i处分布式电源的出力;PL(m)为负荷增长m次之后整个配电网的负荷值;PL’(m)为负荷增长m次之后整个配电网的净负荷值。
优选的,如图5所示,临界点的确定是给定初始值m=m0,依次调用PL’(km0)(k=1,2,3…)进行潮流计算,直到系统第一次发生越限为止,记此时k=k0,则系统的供电能力必然处于PL[(k0-1)m0]和PL(k0m0)之间;给定精度ε=ε0,令a=(k0-1)m0,b=k0m0,区间[a,b]的中点设为c,调用PL’(c)进行潮流计算,若系统不越限则令a=c,否则令b=c,重复以上步骤直到满足精度要求,即b-a<ε0,输出PL(a)的值即为当前配电网的供电能力。
优选的,供电瓶颈序列的确定是待步骤(4)中临界点确定后,记录发生越限的负荷点(即供电瓶颈)的节点号及其越限的约束条件,并放宽该约束,即若由于节点电压不满足约束条件而越限,则放宽节点电压约束;继续增长负荷,确定下一个供电瓶颈;以此循环,即可得到某时刻下的供电瓶颈节点号的序列。
供电瓶颈序列的确定中涉及节点电压越限、变压器功率越限、线路功率越限3种越限形式。
具体实现步骤如下:
设G为供电瓶颈序列,并且出于对误差的考虑以及结论的现实意义,在每个时刻只记录5个供电瓶颈,因此,令G的初始值为3行5列的零矩阵。经过了k次潮流计算,在负荷点i系统发生了第g次越限。在临界点确定之后,若为电压越限,记G(1,g)=i,并放宽负荷点i的电压约束,即令节点电压上限无穷大,下限无穷小,此处取Ui min=0,Ui max=100Ui max;若为变压器功率越限,记G(2,g)=i,并放宽与负荷点i连接的变压器功率约束,即令变压器功率上限无穷大,此处取ST,i max=100ST,i max;若为线路功率越限,记G(3,g)=i,并放宽负荷点i所在的线路功率约束,即令线路功率上限无穷大,此处取Sl,i max=100Sl,i max;此后,继续增长负荷,进行下一次循环,直至获取5个瓶颈节点。
优选的,本发明的具体实时评估方法如下:
1)将未来的一天划分为24个时段,预测每个时段负荷点i处的负荷值PLi以及分布式电源的出力PDi(无分布式电源时PDi=0);
2)针对每一个时段,给定初始值m=m0,计增长负荷以来系统累计发生越限的次数为g,调用PL’(km0)(k=1,2,3…)进行潮流计算,直到系统第一次发生越限为止,即g=1,记此时k=k0;
3)给定精度ε=ε0,令a=(k0-1)m0,b=k0m0,构造闭区间[a,b]并用半分法求取满足精度要求的临界点,此时负荷点i处的负荷值为PLi(a);
4)将临界点处各个负荷点的负荷值进行累加,即得系统的供电能力;
5)若系统发生电压越限,记G(1,g)=i,并令Ui min=0,Ui max=100Ui max;若系统发生变压器功率越限,记G(2,g)=i,并令ST,i max=100ST,i max;若为线路功率越限,记G(3,g)=i,并令Sl,i max=100Sl,i max;
6)继续增长负荷至得到5个瓶颈节点,即g=5;
7)输出供电瓶颈序列G;
8)将各个时段系统的供电能力及供电瓶颈的变化制成曲线与表格供调度人员参考。
实施例一
取某城市10kV中压配电网的一部分进行分析,系统结构如图6所示。该系统包含23个节点、10条支路以及9台配电变压器。分布式电源的接入情况如表1所示,其中,PV表示光伏发电,WG表示风力发电。计算时线路功率上限取其热稳极限容量,变压器功率上限取其额定容量,电压允许变化范围取1±5%。
表1分布式电源的接入情况
接入节点 | 接入容量/kW | 接入类型 |
8 | 100 | PV |
16 | 150 | PV |
14 | 100 | WG |
利用本发明所述的方法对负荷及分布式电源的出力进行预测。预测日负荷及分布式电源出力的部分预测结果如图7所示。
以节点8为例,表2给出了本发明中所用紧致型小波神经网络的预测方法(表中称法1)与BP神经网络的预测方法(表中称法2)的误差对比。
表2节点8的出力预测误差对比
8:00 | 10:00 | 12:00 | 14:00 | 16:00 | 18:00 | |
法1误差(%) | 2.172 | 0.08123 | 1.678 | 0.2578 | 2.113 | 0.7380 |
法2误差(%) | 2.506 | 1.238 | 2.946 | 2.716 | 2.481 | 1.046 |
图8为系统供电能力的变化曲线。从图中可以看出,加入了分布式电源后,系统的供电能力有所提升。
表3为得到的部分时刻的供电瓶颈序列,可以看出在不同的时刻,限制供电能力的因素各不相同。对于本算例来说首要的限制因素往往是变压器功率上限。
表3部分时刻的供电瓶颈序列
注:V+节点编号表示节点电压越限;T+首节点+尾节点表示节点之间的变压器功率越限。
对14:00时刻进行具体分析,如表4所示。当负荷增长了4次之后,系统发生了第一次越限,得到第一个供电瓶颈T10-11,将其解除之后供电能力得到提升,供电裕度增加。随即的几次负荷增长也都分别引起越限,解除瓶颈后均使得供电能力增加。可见供电瓶颈是制约供电能力的关键,找到并解除供电瓶颈是提升系统供电能力的有效手段。
在负荷增长的过程中,占据瓶颈序列第一位的供电瓶颈最先约束系统供电能力的增长,因此供电瓶颈序列中的瓶颈排序即为各瓶颈待解除紧急程度的排序,排序越靠前越亟待解决。
表414:00时刻系统供电能力及供电裕度随供电瓶颈解除的变化
为了分析序列各位置体现出的瓶颈重要程度,引入层次分析法。目标层A为供电瓶颈的重要性排序;准则层B中设B1至B5共5个准则,各准则代表了供电瓶颈在瓶颈序列中的排序,即Bx表示该瓶颈在序列的排序为x。不设指标层。
建立判断矩阵:
经一致性检验,认为该判断矩阵具有满意的一致性。由于本发明只涉及单层准则层,因此,进行层次单排序,即可得到关于瓶颈排序的权重向量W,W=(0.5128,0.2615,0.129,0.0634,0.0333)。
统计各个时刻中,各个瓶颈出现在序列中各位置的频次,与W进行加权运算,即可得到供电瓶颈重要性排序(取前五个瓶颈):T10-11、T13-14、T18-19、V11、V7。
由于系统发生越限之后将约束条件完全去除是不实际的,因此采用小步长增长设备容量的方式。以17:00时刻为例,如图9所示。可以看出,按照10%或20%的步长增长T10-11的容量上限后,在负荷持续增长的过程中,其再次成为供电瓶颈。可见T10-11的容量不足是约束供电能力增长的重要因素,对其进行充分扩容可以较为显著地提高供电能力。
此外,在实施例一中得到的供电瓶颈重要性排序中,T10-11排在首位,这也体现了对该变压器进行充分扩容的关键性作用。
另一方面,结合图8可以看出,接入更多的分布式电源同样可以缓解负荷增长带来的容量不足,提高系统的供电能力。其优化接入和调度方式对供电能力也是有改善的。
本发明基于负荷及分布式电源出力的时序特性提出了一种含分布式电源的配电网供电能力实时评估方法,该方法考虑了配电网中多种分布式电源接入的情况,不仅能够计算供电能力和供电裕度,而且能够找到限制供电能力提升的供电瓶颈序列,并根据层次分析法得到最为重要的瓶颈序列。
分布式电源的接入能够在一定程度上提高配电网的供电能力,缓解其供电压力,但分布式电源出力的随机性和间歇性往往会对配电网的供电能力造成一系列不确定性的影响。供电能力的实时评估可以帮助调度人员及时地了解配电网的安全运行水平,从而有效地降低由于分布式电源接入所带来的风险。
供电瓶颈的解除能够较大幅度地增加供电裕度,提升配电网的供电能力。
Claims (10)
1.一种基于预测技术的主动配电网供电能力实时评估方法,其特征在于:其步骤如下:
(1)采用基于相似日小波支持向量机的预测方法进行负荷预测;
(2)采用基于紧致型小波神经网络的预测方法对分布式电源出力进行预测;
(3)基于步骤(1)、(2)建立配电网在满足支路功率约束和节点电压约束的条件下所能供应的最大负荷数学模型;
(4)利用潮流法对步骤(3)的模型依次进行负荷的增长模式的确定、临界点的确定、供电瓶颈序列的确定。
2.根据权利要求1所述的基于预测技术的主动配电网供电能力实时评估方法,其特征在于:步骤(1)中负荷预测采用小波变换将各相似日的负荷序列分解为低频部分和高频部分;然后利用支持向量机对各部分进行预测,并将预测值进行叠加得到完整的负荷预测值。
3.根据权利要求1所述的基于预测技术的主动配电网供电能力实时评估方法,其特征在于:步骤(2)中分布式电源的出力预测采用基于紧致型小波神经网络的预测方法对其出力进行预测,其基本步骤为通过利用小波函数直接取代神经网络中隐含层的激励函数来实现小波分析与神经网络的结合,得到输出信号序列。
4.根据权利要求1所述的基于预测技术的主动配电网供电能力实时评估方法,其特征在于:步骤(3)中的模型,其目标函数可以表示为:
式中:PL为配电网能够供应的最大有功负荷;N为负荷点数;PLi为负荷点i处的有功负荷;
其约束条件为:
式中:PGi、PDi和PLi分别为节点i处发电机、分布式电源和负荷的有功功率;QGi、QDi和QLi分别为节点i处发电机、分布式电源和负荷的无功功率;Gij和Bij分别为支路i-j的电导和电纳;θij为节点i和节点j之间的功率角;Ui、Ui max和Ui min分别为节点i处的电压及其上下限;Il和Il max分别为线路l的电流及其上限;ST和ST max分别为变压器T的功率及其上限。
5.根据权利要求1所述的基于预测技术的主动配电网供电能力实时评估方法,其特征在于:步骤(4)中负荷增长模式采用基于相对增长率的负荷增长模式。
6.根据权利要求1或5所述的基于预测技术的主动配电网供电能力实时评估方法,其特征在于:负荷增长模式的确定步骤如下:
将一天划分为24个时段,则负荷点i处的相对增长率为:
式中:ri为负荷点i处负荷的相对增长率;PLi max和PLi min分别为24个时段中负荷点i处负荷的最大值和最小值;
由此,配电网中基于相对增长率的负荷增长模式可以表示如下:
PLi(m)=PLi(0)(1+ri%)m(8)
P′Li(m)=PLi(m)-PDi(9)
式中:PLi(m)为负荷增长m次之后负荷点i处的负荷值;PLi(0)为负荷点i处负荷的初始值;PLi’(m)为负荷增长m次之后负荷点i处的净负荷值;PDi为负荷点i处分布式电源的出力;PL(m)为负荷增长m次之后整个配电网的负荷值;PL’(m)为负荷增长m次之后整个配电网的净负荷值。
7.根据权利要求1所述的基于预测技术的主动配电网供电能力实时评估方法,其特征在于:步骤(4)中临界点的确定是给定初始值m=m0,依次调用PL’(km0)(k=1,2,3…)进行潮流计算,直到系统第一次发生越限为止,记此时k=k0,则系统的供电能力必然处于PL[(k0-1)m0]和PL(k0m0)之间;给定精度ε=ε0,令a=(k0-1)m0,b=k0m0,区间[a,b]的中点设为c,调用PL’(c)进行潮流计算,若系统不越限则令a=c,否则令b=c,重复以上步骤直到满足精度要求,即b-a<ε0,输出PL(a)的值即为当前配电网的供电能力。
8.根据权利要求1所述的基于预测技术的主动配电网供电能力实时评估方法,其特征在于:步骤(4)中供电瓶颈序列的确定是待步骤(4)中临界点确定后,记录发生越限的负荷点(即供电瓶颈)的节点号及其越限的约束条件,并放宽该约束,即若由于节点电压不满足约束条件而越限,则放宽节点电压约束;继续增长负荷,确定下一个供电瓶颈;以此循环,即可得到某时刻下的供电瓶颈节点号的序列。
9.根据权利要求8所述的基于预测技术的主动配电网供电能力实时评估方法,其特征在于:供电瓶颈序列的确定中涉及节点电压越限、变压器功率越限、线路功率越限3种越限形式。
10.根据权利要求1-9任一项权利要求所述的基于预测技术的主动配电网供电能力实时评估方法,其特征在于:其具体实时评估方法如下:
1)将未来的一天划分为24个时段,预测每个时段负荷点i处的负荷值PLi以及分布式电源的出力PDi(无分布式电源时PDi=0);
2)针对每一个时段,给定初始值m=m0,计增长负荷以来系统累计发生越限的次数为g,调用PL’(km0)(k=1,2,3…)进行潮流计算,直到系统第一次发生越限为止,即g=1,记此时k=k0;
3)给定精度ε=ε0,令a=(k0-1)m0,b=k0m0,构造闭区间[a,b]并用半分法求取满足精度要求的临界点,此时负荷点i处的负荷值为PLi(a);
4)将临界点处各个负荷点的负荷值进行累加,即得系统的供电能力;
5)若系统发生电压越限,记G(1,g)=i,并令Ui min=0,Ui max=100Ui max;若系统发生变压器功率越限,记G(2,g)=i,并令ST,i max=100ST,i max;若为线路功率越限,记G(3,g)=i,并令Sl,i max=100Sl,i max;
6)继续增长负荷至得到5个瓶颈节点,即g=5;
7)输出供电瓶颈序列G;
8)将各个时段系统的供电能力及供电瓶颈的变化制成曲线与表格供调度人员参考。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510404650.7A CN105375461B (zh) | 2015-07-10 | 2015-07-10 | 基于预测技术的主动配电网供电能力实时评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510404650.7A CN105375461B (zh) | 2015-07-10 | 2015-07-10 | 基于预测技术的主动配电网供电能力实时评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105375461A true CN105375461A (zh) | 2016-03-02 |
CN105375461B CN105375461B (zh) | 2017-09-05 |
Family
ID=55377378
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510404650.7A Expired - Fee Related CN105375461B (zh) | 2015-07-10 | 2015-07-10 | 基于预测技术的主动配电网供电能力实时评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105375461B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106099912A (zh) * | 2016-06-21 | 2016-11-09 | 东北大学 | 一种主动配电网局部功率协调控制系统及方法 |
CN106099914A (zh) * | 2016-06-29 | 2016-11-09 | 燕山大学 | 一种基于供电能力的主动配电网安全等级划分方法 |
CN106451434A (zh) * | 2016-11-03 | 2017-02-22 | 国网浙江省电力公司电力科学研究院 | 一种基于神经网络算法的配电网电压确定方法及装置 |
CN108258683A (zh) * | 2018-01-19 | 2018-07-06 | 国网江苏省电力有限公司苏州供电分公司 | 配电网变压器容量使用情况预测方法 |
CN109462228A (zh) * | 2018-10-25 | 2019-03-12 | 国网新疆电力有限公司经济技术研究院 | 基于人工神经网络的实时电压稳定裕度评估方法及系统 |
CN109617122A (zh) * | 2018-12-26 | 2019-04-12 | 南方电网科学研究院有限责任公司 | 一种分布式电源出力预测的方法和装置 |
CN109617526A (zh) * | 2018-12-20 | 2019-04-12 | 福州大学 | 一种基于小波多分辨分析和svm的光伏发电阵列故障诊断和分类的方法 |
CN109858663A (zh) * | 2018-11-19 | 2019-06-07 | 中国农业大学 | 基于bp神经网络的配电网故障停电影响因素敏感度分析 |
CN110912123A (zh) * | 2019-12-03 | 2020-03-24 | 南方电网科学研究院有限责任公司 | 一种配电网优化方法、装置和设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5216381B2 (ja) * | 2007-03-23 | 2013-06-19 | 株式会社日立製作所 | 分散電源装置を利用した電力供給方法 |
CN103855707A (zh) * | 2014-02-20 | 2014-06-11 | 深圳供电局有限公司 | 一种含分布式电源配电网的供电可靠性评估方法 |
CN104716641A (zh) * | 2015-01-06 | 2015-06-17 | 上海电力学院 | 一种含分布式电源的配电网供电能力评估方法 |
-
2015
- 2015-07-10 CN CN201510404650.7A patent/CN105375461B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5216381B2 (ja) * | 2007-03-23 | 2013-06-19 | 株式会社日立製作所 | 分散電源装置を利用した電力供給方法 |
CN103855707A (zh) * | 2014-02-20 | 2014-06-11 | 深圳供电局有限公司 | 一种含分布式电源配电网的供电可靠性评估方法 |
CN104716641A (zh) * | 2015-01-06 | 2015-06-17 | 上海电力学院 | 一种含分布式电源的配电网供电能力评估方法 |
Non-Patent Citations (4)
Title |
---|
刘建鹏 等: "基于负荷预测的城市配电网供电能力计算", 《华东电力》 * |
刘梦良 等: "基于相似日小波支持向量机的短期电力负荷预测", 《电工技术学报》 * |
李振坤 等: "配电网供电能力的实时评估分析", 《电力系统自动化》 * |
杨德全 等: "基于小波神经网络的光伏系统发电量预测", 《可再生能源》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106099912B (zh) * | 2016-06-21 | 2018-05-29 | 东北大学 | 一种主动配电网局部功率协调控制系统及方法 |
CN106099912A (zh) * | 2016-06-21 | 2016-11-09 | 东北大学 | 一种主动配电网局部功率协调控制系统及方法 |
CN106099914A (zh) * | 2016-06-29 | 2016-11-09 | 燕山大学 | 一种基于供电能力的主动配电网安全等级划分方法 |
CN106099914B (zh) * | 2016-06-29 | 2018-10-16 | 燕山大学 | 一种基于供电能力的主动配电网安全等级划分方法 |
CN106451434B (zh) * | 2016-11-03 | 2019-04-02 | 国网浙江省电力公司电力科学研究院 | 一种基于神经网络算法的配电网电压确定方法及装置 |
CN106451434A (zh) * | 2016-11-03 | 2017-02-22 | 国网浙江省电力公司电力科学研究院 | 一种基于神经网络算法的配电网电压确定方法及装置 |
CN108258683A (zh) * | 2018-01-19 | 2018-07-06 | 国网江苏省电力有限公司苏州供电分公司 | 配电网变压器容量使用情况预测方法 |
CN109462228A (zh) * | 2018-10-25 | 2019-03-12 | 国网新疆电力有限公司经济技术研究院 | 基于人工神经网络的实时电压稳定裕度评估方法及系统 |
CN109858663A (zh) * | 2018-11-19 | 2019-06-07 | 中国农业大学 | 基于bp神经网络的配电网故障停电影响因素敏感度分析 |
CN109617526A (zh) * | 2018-12-20 | 2019-04-12 | 福州大学 | 一种基于小波多分辨分析和svm的光伏发电阵列故障诊断和分类的方法 |
CN109617122A (zh) * | 2018-12-26 | 2019-04-12 | 南方电网科学研究院有限责任公司 | 一种分布式电源出力预测的方法和装置 |
CN109617122B (zh) * | 2018-12-26 | 2022-02-15 | 南方电网科学研究院有限责任公司 | 一种分布式电源出力预测的方法和装置 |
CN110912123A (zh) * | 2019-12-03 | 2020-03-24 | 南方电网科学研究院有限责任公司 | 一种配电网优化方法、装置和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN105375461B (zh) | 2017-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105375461A (zh) | 基于预测技术的主动配电网供电能力实时评估方法 | |
Liu et al. | Reactive power and voltage control in distribution systems with limited switching operations | |
Sheng et al. | Optimal power flow algorithm and analysis in distribution system considering distributed generation | |
CN102593829B (zh) | 计及关键支路的输电断面确定方法与装置 | |
Venayagamoorthy et al. | Real-time modeling of distributed plug-in vehicles for V2G transactions | |
CN103034961B (zh) | 一种电网节能水平的判定方法 | |
CN105449713A (zh) | 考虑分布式电源特性的有源配电网智能软开关规划方法 | |
CN105071399B (zh) | 基于主、配电网互动协调的电压无功综合控制系统 | |
CN105226643A (zh) | 安全约束下电力系统运行模拟模型快速生成与求解方法 | |
CN107579518A (zh) | 基于mhba的电力系统环境经济调度方法和装置 | |
CN106960394A (zh) | 一种基于蒙特卡罗的交直流混联电网输电能力评估方法 | |
CN104392135A (zh) | 一种含经vsc-hvdc并网海上风电场的交直流系统概率最优潮流计算方法 | |
CN102222919A (zh) | 基于改进差分进化算法的电力系统无功优化方法 | |
CN102567651B (zh) | 计及瓶颈环节发现的电网供电能力评估方法与装置 | |
CN107832950A (zh) | 一种基于改进区间模糊评价的配电网投资成效评价方法 | |
CN104915724A (zh) | 交直流并联输电通道功率优化分配方法和系统 | |
de Moraes et al. | Short-term scheduling of integrated power and spinning reserve of a wind-hydrothermal generation system with ac network security constraints | |
CN111340386A (zh) | 一种交直流混合配电网调度方法 | |
CN104199315B (zh) | 基于rtds的微电网储能系统试验平台 | |
CN103401271B (zh) | 一种确定省级电网接纳分布式电源能力的方法及装置 | |
CN106227986A (zh) | 一种分布式电源与智能停车场的联合部署方法及装置 | |
CN102315646A (zh) | 基于最大供电能力的配电网联络有效性与联络化简方法 | |
Cao et al. | Opposition-based improved pso for optimal reactive power dispatch and voltage control | |
CN114678866A (zh) | 一种基于调控云的输电线路负荷转移控制方法 | |
CN114285090A (zh) | 基于单站-分区-全网的新能源极限消纳能力评估方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170905 Termination date: 20180710 |