CN106600130A - 基于模糊神经网络模型的独立微网安全性分析方法 - Google Patents
基于模糊神经网络模型的独立微网安全性分析方法 Download PDFInfo
- Publication number
- CN106600130A CN106600130A CN201611116846.7A CN201611116846A CN106600130A CN 106600130 A CN106600130 A CN 106600130A CN 201611116846 A CN201611116846 A CN 201611116846A CN 106600130 A CN106600130 A CN 106600130A
- Authority
- CN
- China
- Prior art keywords
- microgrid
- layer
- evaluation
- index
- micro
- 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.)
- Pending
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 12
- 238000003062 neural network model Methods 0.000 title claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims abstract description 85
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims abstract description 5
- 230000005611 electricity Effects 0.000 claims description 16
- 238000004146 energy storage Methods 0.000 claims description 14
- 230000005540 biological transmission Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 230000015572 biosynthetic process Effects 0.000 claims description 7
- 238000003786 synthesis reaction Methods 0.000 claims description 7
- 238000013139 quantization Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 230000010349 pulsation Effects 0.000 claims description 5
- 238000012797 qualification Methods 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 238000011002 quantification Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 2
- 238000004088 simulation Methods 0.000 abstract 1
- 230000033228 biological regulation Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000007935 neutral effect Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013316 zoning Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000001172 regenerating effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000011234 economic evaluation Methods 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000004899 motility Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种基于模糊神经网络的独立微网安全性分析方法,具体步骤为:1)确定独立微网安全性评价指标;2)确定微网安全性评判集;3)对独立微网的安全性评价指标进行标准化处理;4)构成单因素评价矩阵R;5)采用基于BP神经网络的模糊综合评价方法,对独立微网安全性进行评价。本发明为独立微网优化提供理论及模拟基础。
Description
技术领域
本发明涉及分布式发电独立微网技术领域,特别是一种独立微网安全性的综合评价方法。
背景技术
独立微网的主要职责是向当地用户提供安全、稳定、可靠的电力,同时在改善电能质量方面起积极作用。然而,独立微网中风光等可再生能源发电具有间歇性和波动性,当可再生能源渗透率较大时,使得独立微网承受扰动的能力较弱,对其安全性带来新的挑战。独立微网的实际应用须建立在安全性评价基础上。微网安全性评价在微网规划、DG及储能配置、控制策略制定及技术经济评价等方面发挥基础性作用。可见,微网安全性研究是整个微网研究体系的重要组成部分。微网的安全性水平又需要通过其安全性指标实现描述和量度,不同的安全性指标不仅可以从不同角度客观、定量地反映微网的安全性水平,而且有利于辨识微网的薄弱环节以便有针对性地提出增强措施。因此,微网安全性指标研究是微网安全性评价的先决条件。
依照电气电子工程师学会(IEEE,the Institute of Electrical andElectronics Engineers)对电力系统安全的定义,将独立微网安全定义为:独立微网安全是指系统经受可能的扰动而不中断用户服务的能力。微网的规模相对于常规大电网而言小很多,而微网中风力发电、光伏电池等属于波动性电源,所产生的电能具有明显的随机性和不确定性特征,而微网中的各类负荷的变化也存在一定的随机性,因此微网安全性具有一定的特殊性。分布式储能单元可以平抑可再生能源发电的随机波动和负荷波动,最大化地利用可再生能源,削峰填谷,维护微网稳定;保证电能质量,提高用户侧可靠性;同时提供电压、频率调节。因此,充分研究分布式储能系统对微网运行特性的影响对于微网安全性意义重大。
微网安全性优劣评价首先应该确定微网安全性的主要影响因素。微网安全性是指电网在运行中承受故障扰动的能力,如突然失去微网中元件或发生短路故障等。从某种意义上讲,微网的安全评价就是对微网承受故障扰动能力的评价。微网承受故障扰动意味着微网安全将受到影响。这种影响主要来自3个方面:微网的网架结构、环境和负荷。
微网网架结构是微网能量管理、控制、保护与安全稳定的物理基础。网架结构合理、负荷转移灵活是微网具有良好安全性的重要因素,转带能力的高低能够反映网络结构是否优化, 提高网络的转带能力可以提高微网的安全性。合理的分层分区,利用不同种类分布式能源间的相互补充,微源与负荷相互协调,配置储能系统作为支撑,选择有足够送电能力的线路等一系列优化微网结构的措施,能保证微网应对运行中各种偶然情况的发生,提高微网安全稳定性。同时微网的各项运行指标,如容量、电压、频率等,也是微网结构合理度的体现。
微网的负荷水平、负荷的不确定性、冲击负荷等都对微网安全性产生影响。随着需求侧响应技术的发展,电力用户参与微网互动,对市场信号或激励机制作出响应,是提高微网安全性的新思路。目前,暂时没有关于独立微网安全性的评价方法。
发明内容
本发明的目的就是提供一种基于模糊神经网络模型的独立微网安全性分析方法,通过建立独立微网安全性综合评价指标体系,再采用基于BP神经网络的模糊综合评价方法,对独立微网安全性进行评价。
本发明的目的是通过这样的技术方案实现的,具体步骤如下:
1)确定独立微网安全性评价指标,构建安全性评价指标的准则层级和模糊综合评判因素集U;
2)确定微网安全性评判集;
3)对m个独立微网的安全性评价指标进行标准化处理;
4)对m个独立微网作评价,用rij表示对第i个独立微网的第j个安全性评价指标的评价结果(i=1,2,…,m,j=1,2,…,n),构成单因素评价矩阵R;
式中,Ri为对第i个独立微网的评价向量。
5)采用基于BP神经网络的模糊综合评价方法,对独立微网安全性进行评价。
进一步,步骤1)中所述微网安全性评价指标及准则层级包括有:主准则层、次准则层和指标层;
主准则层包括有:
微网本身u1;微源及接入系统u2;负荷u3;
次准则层包括有:
属于微网本身u1的内部网架结构u11、容量u12、频率u13和电压u14;
属于微源及接入系统u2的接入微源u21和接入方式u22;
属于负荷u3的负荷状态u31和供电不足风险u32;
指标层包括有:
属于内部网架结构u11的分层合理度u111、分区合理度u112和电磁环网程度u113;
属于容量u12的静态稳定容量u121、有功备用容量u122和无功备用容量u123;
属于频率u13的频率偏差u131和频率合格率u132;
属于电压u14的电压幅值u141、电压偏差u142和电压波动u143;
属于接入微源u21的微源规模u211、波动性DG可用率u212、波动性DG出力间断率u213和储能装置持续出力等效时间u214;
属于接入方式u22的送电回路u221和微源与终于联络u222;
属于负荷状态u31的负荷预测不确定性u311、冲击负荷u312和需求侧负荷大小u313;
属于供电不足风险u32的缺电负荷率u321和供电不足累计概率u322。
进一步,步骤1)中所述模糊综合评判因素集U={u1 (1),u2 (1),u3 (1)}:
u1 (1)={u11 (2),u12 (2),u13 (2),u14 (2)},u2 (1)={u21 (2),u22 (2)},u3 (1)={u31 (2),u32 (2)};
u11 (2)={u111 (3),u112 (3),u113 (3)},u12 (2)={u121 (3),u122 (3),u123 (3)},u13 (2)={u131 (3),u132 (3)},
u14 (2)={u141 (3),u142 (3),u143 (3)};
u21 (2)={u211 (3),u212 (3),u213 (3),u214 (3)},u22 (2)={u221 (3),u222 (3)};
u31 (2)={u311 (3),u312 (3),u313 (3)},u32 (2)={u321 (3),u322 (3)}。
进一步,步骤2)中所述微网安全性评判集分为5级,分别为:极高、高、一般、低、极低;微网安全性评判集表示为V={v1,v2,v3,v4,v5}={极高,高,一般,低,极低}。
进一步,步骤3)中所述安全性评价指标进行标准化处理的具体方法如下:
3-1)对于定量指标,分别采取二次抛物偏大型、偏小型分布的数学模型进行描述:
式中:xmax为某项评价指标的最大值;xmin为某项评价指标的最小值;x为该评价指标的实际值;
3-2)对于定性指标,采用专家打分法将其量化处理,把指标属性值统一变换到[0,1]范围内,其归一化方法如下:
正向指标属性值的量化
反向指标属性值的量化
式中:xmax为评价系统范围内某项指标的最大值;xmin为评价系统范围内某项指标的最小值;x为评价系统范围内该指标的实际值。
进一步,步骤5)中所述采用基于BP神经网络的模糊综合评价方法,对独立微网安全性进行评价的具体方法如下:
5-1)建立三层前馈BP神经网络结构:输出层、隐含层和输出层;
第一层为输入层,输入各评价指标的数值xi,其中评价指标集为指标层的22个指标,所以相应的输入层神经元设22个;
第二层为中间隐含层,实现模糊综合评价问题中求各因素对各指标的隶属度值rij=μij(xi);
第三层为评价结果输出层,输出评价结果向量的各元素bj=min(1,∑airij),评语集有5个等级,则输出神经元的个数为5,中间隐含层的个数为110个;
第一层与第二层之间的联接权为常值1;第二层与第三层之间的联接权为不同因素的权 重值ai,即需要调整的量,在第二层与第三层之间通过权值ai实现模糊综合评价问题中的合成运算;作用函数为模糊隶属函数μij(·),即第i个因素与第j个指标之间的模糊关系隶属函数;
5-2)输入当前数据,经过计算输出评价结果。
由于采用了上述技术方案,本发明具有如下的优点:
本发明通过基于独立微网的22个指标,建立BP神经网络结构,计算得出独立微网的网架结构、系统容量裕度、电能质量及微源接入的安全性评价,为独立微网优化提供理论及模拟基础。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。
附图说明
本发明的附图说明如下。
图1为独立微网安全性综合评价指标体系示意图;
图2为三层前馈BP神经网络结构;
图3为微网安全性评价神经网络工作流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
一种基于模糊神经网络模型的独立微网安全性分析方法,包括有以下步骤:
一、确定独立微网安全性指标
1、内部网架结构安全性指标
合理的网架结构是保障微网安全稳定性的物理基础,一般情况下有以下几点要求:(1)能与微源容量和负荷水平相适应,满足电能的优化配置;(2)能应对微网偶然情况和事故,具有较强的抗扰动能力,保持微网的稳定运行;(3)要具备一定的灵活性和扩展性,满足未来需求。具体采用分层合理度、分区合理度以及电磁环网程度三个指标来衡量。
1)分层合理度
微网结构需主次分明;由于微网是不断发展的,在安排微网发展时,一定要考虑其整体及各个组成部分不断出现的演变,力争在微网使用的大多数年限中具有较高的安全稳定性和经济效益,为此,合理的微网结构必须是以分层分区的形式组成,即按不同的电压分层,按供电负荷的密集分区。分层合理度的计算公式如下:
式中:ζc,ξc指权重,ζc+ξc=1;
g,h指处于匹配相应电压等级上的微源和负荷的数目;
G,H指微网中总的微源和负荷的数目。
2)分区合理度
以电力供应平衡为标准对微网进行区域划分。微源最高电压结合最终容量、单机容量、送电距离以及在微网的作用综合而定。同时,无功补偿遵循分层分区和就地平衡的原则。
分区合理度可由下式进行计算:
式中:ζq,ξq指权重,ζq+ξq=1;
Asell指该微网在评价时段内的售电量;
Asupply指该微网在评价时段内的供电量;
Pmax指该微网在评价时段内的最大负荷;
Se指该微网在评价时段内的总容量。
3)电磁环网程度
微网的电磁环网,是指不同电压等级运行的线路,通过两端变压器电磁回路的联接而并联运行。高低压电磁环网是微网发展过程中的一种过渡阶段的网络结构,在高压线路因故障断开时引起的负荷转移很有可能扩大事故范围,也可能导致短路电流大,潮流难以控制,调度管理困难等问题,破坏微网稳定性,同时,还不利于微网的经济运行。因此,解开电磁环网有利于微网抵抗事故,对提高微网安全稳定水平具有重要意义。
2、容量安全性指标
独立微网之所以需要备用容量,主要是由于电力生产的特点和用户用电的不均衡性所决定的。电能的生产,分配和消费几乎同时进行,电能又不能大量储存,微网中波动性电源出力不稳定,而用户的用电又具有随机性和不均衡性特点,因此,为了保证微网安全、可靠、连续地发供电,则必须设置足够的备用容量。只有有了备用容量,微网才能在各种不确定因素下对用户安全可靠地供电;才能及时调整微网频率和供电电压;保证用户电能质量和微网安全、稳定地运行。因此,备用也是评价安全性的一个重要方面。
1)静态稳定容量
为了保证微网运行的安全性,不能允许微网运行在稳定的极限附近,而要留一定的裕度,这个裕度通常用稳定储备系数来表示。
以有功功率表示的静态稳定储备系数为:
式中:PM为稳定极限点对应的功率;P0为某一运行情况下输送功率。
微网不仅要求在正常运行时有足够的稳定储备,而且要求在有进入不稳定区域或稳定运行破坏的趋势下也应有一定的稳定储备。在正常运行方式和正常检修运行方式下,KP≥(15~20)%;在事故后运行方式和特殊运行方式下,KP≥10%。
2)有功备用容量
微网运行中,有功备用容量使得微网能经受设备随机停运、负荷波动等扰动,能尽快地建立发电与负荷的平衡,保证频率在允许范围内,不发生连锁事故甚至大范围停电。有功备用容量按其作用可以分为以下几种:
负荷备用:是适应微网中负荷的短时波动,并担负短期(一日)内计划外负荷的增加而设的备用容量,其大小与微网总负荷、各类负荷的组成状况及运行经验有关,一般为最大负荷的2%~5%。
事故备用:是微网中发电装置发生偶然事故时,为使用户不受严重影响,维持微网正常运行所需的备用容量,其大小取决于发电装置数量、容量及故障率等因素,一般为最大负荷的5%~10%,但不应小于运行中最大的一台发电装置容量。
检修备用:是用于满足微网中的发电设备定期计划检修而设置的备用容量,一般为最大发电负荷的8%~15%。检修备用可以保证微网正常设备的运行效率和提高设备的使用寿命。
3)无功备用容量
无功功率的平衡决定着微网的运行电压水平。微网中无功电源发出的无功功率应大于或起码等于负荷所需的无功功率和网络中的无功损耗之和。实际运行中,为了保证运行可靠性和适应无功负荷的增长以及维持电压的稳定,微网还必须配置一定的无功备用容量。
3、频率安全性指标
1)频率偏差
频率是微网实施安全稳定控制的重要状态反馈量。微源、微网及负荷都需要将频率偏差控制在允许范围内才能保证其正常运行。同时频率偏差允许值的大小也反映了独立微网的运行管理水平。
频率偏差是指微网在正常运行条件下,微网频率的实际值与标称值之差,用公式表示为:
△f=fre-fN (4)
其中,△f为频率偏差,Hz;fre为实际频率,Hz;fN为系统的额定频率,Hz。
根据国家标准GB/T 15945—2008《电能质量电力系统频率偏差》对频率偏差限值的规定,同样对微网频率偏差限值做如下规定:微网正常运行条件下频率偏差限值为±0.2Hz。当微网容量较小时,偏差限值可以放宽到±0.5Hz。对于用户冲击负荷引起的系统频率变动一般不得超过±0.2Hz。根据冲击负荷性质和大小以及系统的条件也可适当变动,但应保证近区微网、发电装置和用户的安全、稳定运行以及正常供电。
2)频率合格率
频率合格率指实际运行频率偏差在限值范围内累计运行时间与对应的总运行统计时间的百分比。
通过检测及直接或间接地统计频率超限时间以获得表征电网频率在限值以内的一种方法,统计时间s为单位,计算公式如下:
4、电压安全性指标
1)电压幅值
电压幅值是指微网电压的最大振幅,是电压有效值的倍,可以用来初步判断微网电压安全性,是否处于低电压、过电压、三相幅值不对称等情况。
2)电压偏差
电压偏差的大小可以用来作为衡量微网是否正常运行的一个主要指标。合理确定该偏差值对于独立微网的安全、经济运行,对电气设备的制造和运行都有重要意义。
电压偏差是指系统正常运行时,实际电压偏离额定电压的程度。其数学计算公式为:
式中,△U为电压偏差;Ure为实际电压,kV;UN为系统额定电压,kV。
GB/T 12325-2008《电能质量供电电压偏差》对不同供电电压偏差的限值作了相应的规定。
3)电压波动
电压波动是指在短时间内公共连接点电压均方根值(有效值)一系列相对快速变动或连续改变的现象,并明显偏离标称电压值。其变化周期大于工频周期(20ms)。在电压均方根值的一系列变化中,取相邻的极值之差与电压的标称值的百分比作为电压波动值,即:
IEEE中给出的典型电压波动范围为0.1%~7%。为了区分电压波动和电压偏差,规定电压波动的均方根值电压的变化速率不得低于每秒0.2%。
5、接入微源安全性指标
1)微源规模
微源规模与微网电压等级、输送距离等多方面因素有关,设计时应根据所建微网的实际情况确定。合理的微源规模是充分发挥微电网优越性的关键,同时也是保证微网安全稳定运行的关键。
2)波动性DG可用率
波动性DG可用率(AIDG)指标定义为:
式中:P(t)为DG评价周期T内的出力情况;PDGN为DG的额定出力;表示在T时间内,波动性DG在一次能源条件、自身运行和故障特性等因素综合作用下的发电量,因此,该指标能直观反映DG的发电能力。
3)波动性DG出力间断率
波动性DG出力间断率AIP指标定义为:
AIP=Pr{PDG=0} (9)
式中:PDG为DG有功出力。
AIP描述了DG出力间断的程度,反映了DG对独立微网内负荷可靠供电的能力。
4)储能装置持续出力等效时间
独立微网需要配置储能系统以有效平抑间歇性分布式电源的出力波动,维持发电与负荷的动态平衡、保持电压和频率的稳定。由于不同储能装置对微网安全稳定的作用机理有很大不同,为了统一反映储能装置的供电能力,假设其在额定工作电压下的容量为ES。定义储能装置持续出力等效时间(equivalent time of storage sustainable output,ETSSO)以反映独立微网发电单元维持稳定出力的能力,表达式如下:
式中:∑PDGN为独立微网中波动性DG的额定出力之和。
ETSSO相当于独立微网所配置的储能装置按DG的额定功率释放电力的等效工作时间,是影响独立微网持续供电能力的重要因素,也是储能装置优化配置的重要指标。
6、接入方式安全性指标
1)送电回路
送电回路对于保证安全、优质和经济地向用户供电具有非常重要的作用。微源与终端间的送电回路,分为无备用和有备用两类。放射式、树状式等属于无备用,双回路、两端供电等具有更好的供电可靠性,属于有备用。对于送电回路的要求主要是:应有足够的可靠性,要满足微网运行稳定的要求,要有助于实现系统的经济调度,要具有对运行方式变更和系统发展的适应性等。
2)微源与终端联络
微源与终端的联络因距离而不同。规模比较大的微源,较远离终端;规模小的微源,与 终端联络紧密,能更好地保障终端的供电安全。
7、负荷状态安全性指标
1)负荷预测不确定性
微网负荷未来的发展是不确定的,它受多种多样复杂因素的影响,因此决定了负荷预测的不确定性。
2)冲击负荷
冲击负荷指生产(或运行)过程中周期性或非周期性地从微网中取用快速变动功率的负荷。冲击负荷对微网影响不容忽视,它不仅威胁到微网安全稳定运行,也会破坏电力设备,加速绝缘老化。
3)需求侧负荷大小
当微网中可再生波动性能源渗透率增加到一定程度,将会给系统安全可靠运行带来了极大的挑战,而负荷侧需求响应控制技术可以抑制可再生能源引起的功率波动。因此需求侧负荷响应资源可以提高微网安全可靠性。
8、供电不足风险指标
1)负荷缺电率
负荷缺电率定义为微网不能满足的负荷需求与评价期总负荷需求之比,表达式为
式中:PCS为总的未满足能量,Ptot为总的电负荷需求能量。
在独立微网中,采用时间序列法和能量平衡原则,即把评价期(某一天)分为许多相等的时间段(1h),认为在任意时间段内,风速、光照强度、负荷等都是不变的,且风力发电机、光伏电池、柴油发电机、储能装置电量输出总和应该等于负荷输入、各设备的损失、卸荷负荷输入的总和。
2)供电不足累积概率
供电不足累积概率(cumulative probability of power shortage,CPPS)指标定义为:
CPPS=Pr{PS≤FL} (12)
式中:PS为微网内所有微源的有功出力之和;FL为微网内负荷的需求量。
CPPS可通过2种方法计算获得:若已知微源与负荷整体的概率分布函数,则运用定义即 可求解指标;若采用统计方式,设T为统计总时间,TS为T时间内满足PS≤FL的时间之和,则CPPS=TS/T。
评价指标就是评价对象的各种属性或性能,它们是对评价对象进行评价的依据。独立微网安全性的评价指标可由专家、供电方和用户共同约定。本发明建立的评价指标体系如图1所示。
图1设计的独立微网安全性综合评价指标体系是一个三级四层结构的指标体系。这些指标中有些带有模糊性,因此根据FUZZY理论,把指标层对次准则层的评判看成第一级评判,把次准则层对主准则层的评判看成第二级评判,把主准则层对目标层的评判看成是第三级评判,从而构成一个三级四层模糊综合评价模型。
根据独立微网安全性评价指标体系,确定模糊综合评判的因素集:
U={u1 (1),u2 (1),u3 (1)};
u1 (1)={u11 (2),u12 (2),u13 (2),u14 (2)},u2 (1)={u21 (2),u22 (2)},u3 (1)={u31 (2),u32 (2)};
u11 (2)={u111 (3),u112 (3),u113 (3)},u12 (2)={u121 (3),u122 (3),u123 (3)},u13 (2)={u131 (3),u132 (3)},
u14 (2)={u141 (3),u142 (3),u143 (3)};
u21 (2)={u211 (3),u212 (3),u213 (3),u214 (3)},u22 (2)={u221 (3),u222 (3)};
u31 (2)={u311 (3),u312 (3),u313 (3)},u32 (2)={u321 (3),u322 (3)}。
二、确定微网安全性评判集
微网安全性评判集评语等级个数大于3,且在9以内,取奇数。
将独立微网的安全等级由高到低分为5级,分别为:极高、高、一般、低、极低。评判集可表示为如下形式:V={v1,v2,v3,v4,v5}={极高,高,一般,低,极低}。各等级表示的微网安全状态情况大致如下:
“极高”表示微网网架结构相当合理,系统容量裕度充足,电能质量符合标准,微源接入很强,当前微网负荷水平较低,在承受较严重开断事故的条件下仍有大量或足够的功率余量,微网的各项性能指标均在正常范围的中心地带附近并保持较好的状态水平。
“高”表示微网结构较为合理,系统容量裕度正常,电能质量出现不太严重的问题,微源接入正常但不是很强,通过适当调控可使系统恢复到正常状态,系统处于安全警戒状态。
“一般”表示微网结构不合理,系统功率出现不平衡,系统容量裕度偏低,电能质量出 现较严重的问题,微源接入困难,需要切除少量负荷才能使系统状态恢复到正常范围。
“低”表示微网结构较为不合理,系统功率出现较严重的不平衡,微网容量裕度较低,电能质量出现严重问题,微源接入较为困难,需要切除较多负荷才能使系统电压、频率恢复到正常范围。
“极低”表示微网结构很不合理,系统功率出现十分严重的不平衡,系统容量裕度严重偏低或为负值,微网内部无法正常联络,微源接入系统陷于瘫痪,电压、频率崩溃,稳定破坏,大量负荷被切除或导致大面积停电。
规定极高、高、一般、低、极低对应的数值为90,80,70,60,50。
三、独立微网安全性指标标准化处理
由于独立微网安全性评价指标体系中,既有定量指标又有定性指标,为使各指标在整个系统中具有可比性,必须对各指标进行标准化处理,即对评价指标值通过标准化转换器统一到[0,1]范围内。
对于定量指标,因其衡量单位不同,级差有大有小,趋向也不一致,难于进行综合比对,因此必须作无量纲处理,即对评价指标数值进行正规化、标准化处理,以消除指标量纲造成评价的困难。各指标中像静态稳定容量等指标值越大,微网安全性越高,而冲击负荷等指标值越小越好。现分别采取二次抛物偏大型、偏小型分布的数学模型进行描述:
式中:xmax为某项评价指标的最大值;xmin为某项评价指标的最小值;x为该评价指标的实际值。
对于定性指标,应将其量化处理,其中量化的方法很多,本文采用专家打分法。为了能与定量指标之间的可比性,必须将其再进行标准化处理,把指标属性值统一变换到[0,1]范围内。其归一化的方法如下:
正向指标属性值的量化
反向指标属性值的量化
式中:xmax为评价系统范围内某项指标的最大值;xmin为评价系统范围内某项指标的最小值;x为评价系统范围内该指标的实际值。
四、确定单因素评价矩阵R;
假定对m个独立微网作评价,用rij表示对第i个独立微网的第j指标的评价结果(i=1,2,…,m,j=1,2,…,n),这样便构成了单因素评价矩阵。
式中:Ri为对第i个独立微网的评价向量。
五、独立微网安全性评价的模糊神经网络模型
具有单隐层的BP神经网络可以实现任意非线性映射,故建立如图2所示的三层前馈BP神经网络结构;
第一层为输入层,输入各评价指标的数值xi,其中评价指标集取为图3中指标层的22个指标,所以相应的输入层神经元设22个。第二层为中间隐含层,实现模糊综合评价问题中求各因素对各指标的隶属度值rij=μij(xi)。第三层为评价结果输出层,输出评价结果向量的各元素bj=min(1,∑airij),评语集有5个等级,则输出神经元的个数为5。所以中间隐含层的个数为22*5=110个。
第一层与第二层之间的联接权为常值1;第二层与第三层之间的联接权为不同因素的权 重值ai,即需要调整的量,在第二层与第三层之间通过权值ai实现模糊综合评价问题中的合成运算;作用函数为模糊隶属函数μij(·),即第i个因素与第j个指标之间的模糊关系隶属函数。
独立微网安全性评价神经网络工作流程如图3所示。
实施例:
选取10组独立微网安全性评价数据作为训练学习样本,选取的5个微网评价数据作为测试样本,利用上述所建立BP神经网络结构和算法进行安全性评价。
将独立微网的安全等级由高到低分为5级,分别为:极高、高、一般、低、极低。评判集可表示为如下形式:V={v1,v2,v3,v4,v5}={极高,高,一般,低,极低}。各等级表示的微网安全状态情况大致如下:
“极高”表示微网网架结构相当合理,系统容量裕度充足,电能质量符合标准,微源接入很强,当前微网负荷水平较低,在承受较严重开断事故的条件下仍有大量或足够的功率余量,微网的各项性能指标均在正常范围的中心地带附近并保持较好的状态水平。
“高”表示微网结构较为合理,系统容量裕度正常,电能质量出现不太严重的问题,微源接入正常但不是很强,通过适当调控可使系统恢复到正常状态,系统处于安全警戒状态。
“一般”表示微网结构不合理,系统功率出现不平衡,系统容量裕度偏低,电能质量出现较严重的问题,微源接入困难,需要切除少量负荷才能使系统状态恢复到正常范围。
“低”表示微网结构较为不合理,系统功率出现较严重的不平衡,微网容量裕度较低,电能质量出现严重问题,微源接入较为困难,需要切除较多负荷才能使系统电压、频率恢复到正常范围。
“极低”表示微网结构很不合理,系统功率出现十分严重的不平衡,系统容量裕度严重偏低或为负值,微网内部无法正常联络,微源接入系统陷于瘫痪,电压、频率崩溃,稳定破坏,大量负荷被切除或导致大面积停电。
规定V={v1,v2,v3,v4,v5}={极高,高,一般,低,极低}={90,80,70,60,50}。
首先对评价指标值进行标准化处理,将标准化数据作为网络的输入。再根据模糊正态分布确定各指标的隶属度。网络第二层的输出便为各评价指标对各评语所具有的隶属关系。然后,运用反向传播算法,训练网络第二层和第三层之间的连接权值。初始连接权值为随机选取。
本算例中,神经网络模型训练学习精度为ε=10-4,学习速率为0.01,动量因子为0.5,最大训练次数为4000。程序利用MATLAB神经网络工具箱编程实现,网络进行2398次迭代后,误差值满足程序设计的精度要求。最后,将测试样本评价指标的标准化数据输入训练好的网络便得到如表1所示的结果。
利用加权平均原则,由网络输出结果计算得到测试样本的安全分值,如表1所示。
表1神经网络的输出结果
得出5个微网安全等级排序为:微网A>微网C>微网D>微网B>微网E。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.一种基于模糊神经网络的独立微网安全性分析方法,其特征在于,具体步骤如下:
1)确定独立微网安全性评价指标,构建安全性评价指标的准则层级和模糊综合评判因素集U;
2)确定微网安全性评判集;
3)对m个独立微网的安全性评价指标进行标准化处理;
4)对m个独立微网作评价,用rij表示对第i个独立微网的第j个安全性评价指标的评价结果(i=1,2,…,m,j=1,2,…,n),构成单因素评价矩阵R;
式中,Ri为对第i个独立微网的评价向量。
5)采用基于BP神经网络的模糊综合评价方法,对独立微网安全性进行评价。
2.如权利要求1所述的基于模糊神经网络模型的独立微网安全性分析方法,其特征在于,步骤1)中所述微网安全性评价指标及准则层级包括有:主准则层、次准则层和指标层;
主准则层包括有:
微网本身u1;微源及接入系统u2;负荷u3;
次准则层包括有:
属于微网本身u1的内部网架结构u11、容量u12、频率u13和电压u14;
属于微源及接入系统u2的接入微源u21和接入方式u22;
属于负荷u3的负荷状态u31和供电不足风险u32;
指标层包括有:
属于内部网架结构u11的分层合理度u111、分区合理度u112和电磁环网程度u113;
属于容量u12的静态稳定容量u121、有功备用容量u122和无功备用容量u123;
属于频率u13的频率偏差u131和频率合格率u132;
属于电压u14的电压幅值u141、电压偏差u142和电压波动u143;
属于接入微源u21的微源规模u211、波动性DG可用率u212、波动性DG出力间断率u213和储能装置持续出力等效时间u214;
属于接入方式u22的送电回路u221和微源与终于联络u222;
属于负荷状态u31的负荷预测不确定性u311、冲击负荷u312和需求侧负荷大小u313;
属于供电不足风险u32的缺电负荷率u321和供电不足累计概率u322。
3.如权利要求2所述的基于模糊神经网络模型的独立微网安全性分析方法,其特征在于,步骤1)中所述模糊综合评判因素集U={u1 (1),u2 (1),u3 (1)}:
u1 (1)={u11 (2),u12 (2),u13 (2),u14 (2)},u2 (1)={u21 (2),u22 (2)},u3 (1)={u31 (2),u32 (2)};
u11 (2)={u111 (3),u112 (3),u113 (3)},u12 (2)={u121 (3),u122 (3),u123 (3)},u13 (2)={u131 (3),u132 (3)},
u14 (2)={u141 (3),u142 (3),u143 (3)};
u21 (2)={u211 (3),u212 (3),u213 (3),u214 (3)},u22 (2)={u221 (3),u222 (3)};
u31 (2)={u311 (3),u312 (3),u313 (3)},u32 (2)={u321 (3),u322 (3)}。
4.如权利要求1或3所述的基于模糊神经网络模型的独立微网安全性分析方法,其特征在于,步骤2)中所述微网安全性评判集分为5级,分别为:极高、高、一般、低、极低;微网安全性评判集表示为V={v1,v2,v3,v4,v5}={极高,高,一般,低,极低}。
5.如权利要求4所述的基于模糊神经网络模型的独立微网安全性分析方法,其特征在于,步骤3)中所述安全性评价指标进行标准化处理的具体方法如下:
3-1)对于定量指标,分别采取二次抛物偏大型、偏小型分布的数学模型进行描述:
式中:xmax为某项评价指标的最大值;xmin为某项评价指标的最小值;x为该评价指标的实际值;
3-2)对于定性指标,采用专家打分法将其量化处理,把指标属性值统一变换到[0,1]范围内,其归一化方法如下:
正向指标属性值的量化
反向指标属性值的量化
式中:xmax为评价系统范围内某项指标的最大值;xmin为评价系统范围内某项指标的最小值;x为评价系统范围内该指标的实际值。
6.如权利要求5所述的基于模糊神经网络的独立微网安全性分析方法,其特征在于,步骤5)中所述采用基于BP神经网络的模糊综合评价方法,对独立微网安全性进行评价的具体方法如下:
5-1)建立三层前馈BP神经网络结构:输出层、隐含层和输出层;
第一层为输入层,输入各评价指标的数值xi,其中评价指标集为指标层的22个指标,所以相应的输入层神经元设22个;
第二层为中间隐含层,实现模糊综合评价问题中求各因素对各指标的隶属度值rij=μij(xi);
第三层为评价结果输出层,输出评价结果向量的各元素bj=min(1,∑airij),评语集有5个等级,则输出神经元的个数为5,中间隐含层的个数为110个;
第一层与第二层之间的联接权为常值1;第二层与第三层之间的联接权为不同因素的权重值ai,即需要调整的量,在第二层与第三层之间通过权值ai实现模糊综合评价问题中的合成运算;作用函数为模糊隶属函数μij(·),即第i个因素与第j个指标之间的模糊关系隶属函数;
5-2)输入当前数据,经过计算输出评价结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611116846.7A CN106600130A (zh) | 2016-12-07 | 2016-12-07 | 基于模糊神经网络模型的独立微网安全性分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611116846.7A CN106600130A (zh) | 2016-12-07 | 2016-12-07 | 基于模糊神经网络模型的独立微网安全性分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106600130A true CN106600130A (zh) | 2017-04-26 |
Family
ID=58596520
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611116846.7A Pending CN106600130A (zh) | 2016-12-07 | 2016-12-07 | 基于模糊神经网络模型的独立微网安全性分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106600130A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108736512A (zh) * | 2018-05-04 | 2018-11-02 | 深圳供电局有限公司 | 一种并网运行的微网优化运行评价方法及其系统 |
CN109325649A (zh) * | 2018-07-16 | 2019-02-12 | 重庆铁马工业集团有限公司 | 一种复杂精密装备总装车间关键装配工序质量损失评估及预警方法 |
CN110475258A (zh) * | 2019-07-10 | 2019-11-19 | 中国联合网络通信集团有限公司 | 一种基站的可靠性评估方法和系统 |
CN110912202A (zh) * | 2019-11-13 | 2020-03-24 | 酒泉钢铁(集团)有限责任公司 | 一种应用于独立电网的安全稳定控制方法 |
CN113075574A (zh) * | 2021-03-30 | 2021-07-06 | 上海交通大学 | 基于自适应信息融合的电池健康状态预测方法及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101334893A (zh) * | 2008-08-01 | 2008-12-31 | 天津大学 | 基于模糊神经网络的融合图像质量综合评价方法 |
CN104331628A (zh) * | 2014-11-17 | 2015-02-04 | 国网河南省电力公司 | 电网安全性综合指标评价方法 |
CN104954210A (zh) * | 2015-06-19 | 2015-09-30 | 重庆邮电大学 | 配电通信网中的不同业务类型与无线通信方式的匹配方法 |
-
2016
- 2016-12-07 CN CN201611116846.7A patent/CN106600130A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101334893A (zh) * | 2008-08-01 | 2008-12-31 | 天津大学 | 基于模糊神经网络的融合图像质量综合评价方法 |
CN104331628A (zh) * | 2014-11-17 | 2015-02-04 | 国网河南省电力公司 | 电网安全性综合指标评价方法 |
CN104954210A (zh) * | 2015-06-19 | 2015-09-30 | 重庆邮电大学 | 配电通信网中的不同业务类型与无线通信方式的匹配方法 |
Non-Patent Citations (1)
Title |
---|
喻志成: "独立微网安全性评价模型与方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108736512A (zh) * | 2018-05-04 | 2018-11-02 | 深圳供电局有限公司 | 一种并网运行的微网优化运行评价方法及其系统 |
CN108736512B (zh) * | 2018-05-04 | 2021-11-09 | 深圳供电局有限公司 | 一种并网运行的微网优化运行评价方法及其系统 |
CN109325649A (zh) * | 2018-07-16 | 2019-02-12 | 重庆铁马工业集团有限公司 | 一种复杂精密装备总装车间关键装配工序质量损失评估及预警方法 |
CN110475258A (zh) * | 2019-07-10 | 2019-11-19 | 中国联合网络通信集团有限公司 | 一种基站的可靠性评估方法和系统 |
CN110912202A (zh) * | 2019-11-13 | 2020-03-24 | 酒泉钢铁(集团)有限责任公司 | 一种应用于独立电网的安全稳定控制方法 |
CN113075574A (zh) * | 2021-03-30 | 2021-07-06 | 上海交通大学 | 基于自适应信息融合的电池健康状态预测方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Majidi et al. | Application of information gap decision theory in practical energy problems: A comprehensive review | |
Karavas et al. | A multi-agent decentralized energy management system based on distributed intelligence for the design and control of autonomous polygeneration microgrids | |
CN106600130A (zh) | 基于模糊神经网络模型的独立微网安全性分析方法 | |
CN103761690B (zh) | 基于电网系统中电压无功控制系统的评估方法 | |
CN104361403B (zh) | 一种分布式电源与微电网的优化分组配置方法 | |
CN107316125A (zh) | 一种基于经济运行域的主动配电网经济运行评价方法 | |
CN102868161A (zh) | 一种含分布式电源配电系统网络变结构优化方法 | |
CN107358332A (zh) | 一种电网调度运行精益化评价方法 | |
Gao et al. | Application of AI techniques in monitoring and operation of power systems | |
CN109858774A (zh) | 提高系统安全性和协调性的源网荷规划方法 | |
Zangeneh et al. | A survey: Fuzzify parameters and membership function in electrical applications | |
CN113872213B (zh) | 一种配电网电压自主优化控制方法及装置 | |
Mu et al. | Cascading Fault Early Warning and Location Method of Transmission Networks Based on Wide Area Time-Series Power System State | |
Vukobratović et al. | Optimal Distributed Generation placement in distribution network | |
CN117277307A (zh) | 基于数据驱动的电力系统有功频率控制方法及系统 | |
Liu et al. | An AGC dynamic optimization method based on proximal policy optimization | |
CN110929968A (zh) | 一种智慧城市多能源联合供给综合调控方法及系统 | |
CN114943448A (zh) | 一种微电网优化调度模型的构建方法和系统 | |
Wu et al. | Study on risk assessment system of power failure in distribution network of large cities | |
Tomin et al. | Flexibility-based improved energy hub model for multi-energy distribution systems | |
Zicheng et al. | Minimum inertia demand estimation of new power system considering diverse inertial resources based on deep neural network | |
Xie et al. | Research on Comprehensive Evaluation Method of Urban Power Supply Capability Based on Information Fusion | |
Wang et al. | Deep learning driven rolling evaluation and optimization method of distribution network asset utilization efficiency | |
CN112994027B (zh) | 二级无功电压控制策略下储能容量的配置方法及装置 | |
Zhang et al. | Optimization method of distribution network grid with high-permeability new energy based on knowledge distillation algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170426 |
|
RJ01 | Rejection of invention patent application after publication |