CN107133738A - 一种配电网分布式储能单元电压薄弱性指数评估方法 - Google Patents
一种配电网分布式储能单元电压薄弱性指数评估方法 Download PDFInfo
- Publication number
- CN107133738A CN107133738A CN201710305197.3A CN201710305197A CN107133738A CN 107133738 A CN107133738 A CN 107133738A CN 201710305197 A CN201710305197 A CN 201710305197A CN 107133738 A CN107133738 A CN 107133738A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- distribution network
- energy storage
- power distribution
- 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
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种配电网分布式储能单元电压薄弱性指数评估方法,通过建立配电网分布式储能单元电压薄弱性指数演化系统的时间序列,构建测量数据时间序列的m维相空间,对测量数据进行相空间重构后的蚁群算法处理,进而进行配电网分布式储能单元电压薄弱性指数计算,得到配电网分布式储能单元电压薄弱性指数预测值。该方法能够根据监测参数对配电网分布式储能单元电压薄弱性进行预测计算,根据计算结果实时地对电压水平进行控制,能够有效避免各个储能单元之间电压水平不平衡现象,显著提高区域电力系统可靠性与经济性。
Description
技术领域
本发明属于配电网技术领域,特别涉及一种配电网分布式储能单元电压薄弱性指数评估方法。
背景技术
电力系统及其中众多的发电和储能设备组成了一个复杂的系统,如何根据区域电网和多个储能单元运行特点进行配电网分布式储能单元电压薄弱性指数评估,使每个区域电网都能发挥最大效益,同时也使系统都能最有效、最快速的利用电网资源,以往配电网分布式储能单元电压薄弱性指数评估的特点是忽略多储能单元的相互作用及其与电网间的作用过程,由区域电网或多储能单元系统内各个系统独立进行电压薄弱性分析运行,互相间的电压薄弱性分析不能协调同步,不能有效利用电网资源,评估准确度不高。
有鉴于此,本发明提供一种配电网分布式储能单元电压薄弱性指数评估方法,以满足实际应用需要。
发明内容
本发明的目的是:为克服现有技术的不足,本发明提供一种配电网分布式储能单元电压薄弱性指数评估方法,从而获得配电网分布式储能单元电压薄弱性指数。
本发明所采用的技术方案是:一种配电网分布式储能单元电压薄弱性指数评估方法,其特征在于,包括如下步骤:
步骤1:建立配电网分布式储能单元电压薄弱性指数演化系统的时间序列:
在固定时间间隔对储能电压、温度、风速、储能无功进行测量,并网点电压变化率历史最大值与并网点电压变化率测量值之差除以配网电压变化率最大值作为配电网分布式储能单元电压薄弱性指数,即:
则,在一系列时刻tc1,tc2,...,tcn,n为自然数,n=1,2,…,得到储能电压spc1、温度spc2、风速spc3、储能无功spc4的时间序列:
步骤2:构建测量数据时间序列的m维相空间:
设测量数据的时间序列为{spcki},其中(i=1,2,...,4n),并利用此特征量构造一组m维向量
VSPCKi=(spcki,spcki-τ,...,spcki-(m-1)τ) (2)
其中,τ为延迟时间,m为嵌入维数;
步骤3:相空间重构后的蚁群算法处理:
步骤3.1:建立带有惩罚因子和约束函数的目标函数:
yspc=min fmb(spcxi)+gcf(spcxi)+rys(spcxi) (3)
其中,式中spcxi为优化变量,fmb(spcxi)为目标函数,gcf(spcxi)为目标函数的惩罚因子,rys(spcxi)为目标函数的约束项,yspc为待求的配电网分布式储能单元电压薄弱性指数;
步骤3.2:采用Dijkstra算法寻找初始源点到所有节点的初始次优路径:
将所有节点分为两组,第一组为已确定最短路径的节点集合Q,第二组为未确定最短路径的节点集合U,设初始化源点到其他节点的最短路径长度为D,当确定源点到i点的最短路径长度为D[i]时,把i点从集合U中取出放入集合Q中,根据节点i修改更新数组D中源点到集合U中节点k对应的路径长度值,直到寻找出源点到所有节点的最短路径为止;
步骤3.3:采用蚁群算法模型解的表示:
设P1,P2,...,Pd为次优路径经过的节点,节点对应的自由连接线依次为Li,设Pi (0)和Pi (i)为Li的两个端点,则其他点表示方法为:
Pi(hi)=Pi 0+(Pi 1-Pi 0)×hi,hi∈[0,1] (4)
其中,hi为比例参数,蚁群算法的解即表示为(h1,h2,...,hd),d为节点数;
步骤3.4:状态转移概率的计算:
当前结点i到下一节点j的状态转移概率pi,j的计算公式为:
其中,下标i表示为当前蚂蚁能选择的节点,分别为i、j及i、s节点间的启发信息值,τi,j、τi,s为i、j及i、s两节点间的信息素浓度,B为启发因子;
步骤3.5:信息素更新:
采用实时信息素更新,在每一只蚂蚁选择某个节点后,该节点的信息素进行如下更新:
τi,j=(1-ρ)τi,j+ρτ0 (5)
式中,τ0为信息素初始值,ρ为[0,1]区间上的可调参数;
步骤4:配电网分布式储能单元电压薄弱性指数计算:
当蚁群算法的迭代次数达到设定最大迭代次数nmax,算法终止,得到yspc即为配电网分布式储能单元电压薄弱性指数评估值。
本发明的有益效果是:本发明为配电网提供了一种配电网分布式储能单元电压薄弱性指数评估方法,对区域电网及其内储能单元运行参数及气象环境参数进行实时监测,并根据监测参数对配电网分布式储能单元电压薄弱性进行预测计算,根据计算结果实时地对电压水平进行控制,能够有效避免各个储能单元之间电压水平不平衡现象,显著提高区域电力系统可靠性与经济性。
附图说明
图1为本发明实施例的目标函数迭代运算图。
具体实施方式
为了更好地理解本发明,下面结合实施例进一步阐明本发明的内容,但本发明的内容不仅仅局限于下面的实施例。本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样在本申请所列权利要求书限定范围之内。
如图1所示,本发明实施例提供的一种配电网分布式储能单元电压薄弱性指数评估方法,包括如下步骤:
步骤1:建立配电网分布式储能单元电压薄弱性指数演化系统的时间序列:
在固定时间间隔对储能电压、温度、风速、储能无功进行测量,并网点电压变化率历史最大值与并网点电压变化率测量值之差除以配网电压变化率最大值作为配电网分布式储能单元电压薄弱性指数,即:
则,在一系列时刻tc1,tc2,...,tcn(n为自然数,n=1,2,…)得到储能电压spc1、温度spc2、风速spc3、储能无功spc4的时间序列:
步骤2:构建测量数据时间序列的m维相空间:
设测量数据的时间序列为{spcki},其中(i=1,2,...,4n),并利用此特征量构造一组m维向量
VSPCKi=(spcki,spcki-τ,...,spcki-(m-1)τ) (2)
其中,τ为延迟时间,m为嵌入维数。
在本实施例中,τ=5,m=6。
步骤3:相空间重构后的蚁群算法处理:
步骤3.1:建立带有惩罚因子和约束函数的目标函数:
yspc=min fmb(spcxi)+gcf(spcxi)+rys(spcxi) (3)
其中,式中spcxi为优化变量,fmb(spcxi)为目标函数,gcf(spcxi)为目标函数的惩罚因子,rys(spcxi)为目标函数的约束项,yspc为待求的配电网分布式储能单元电压薄弱性指数。
步骤3.2:采用Dijkstra算法寻找初始源点到所有节点的初始次优路径:
将所有节点分为两组,第一组为已确定最短路径的节点集合Q,第二组为未确定最短路径的节点集合U,设初始化源点到其他节点的最短路径长度为D,当确定源点到i点的最短路径长度为D[i]时,把i点从集合U中取出放入集合Q中,根据节点i修改更新数组D中源点到集合U中节点k对应的路径长度值,直到寻找出源点到所有节点的最短路径为止。
步骤3.3:采用蚁群算法模型解的表示:
设P1,P2,...,Pd为次优路径经过的节点,节点对应的自由连接线依次为Li,设Pi (0)和Pi (i)为Li的两个端点,则其他点表示方法为:
Pi(hi)=Pi 0+(Pi 1-Pi 0)×hi,hi∈[0,1] (4)
其中,hi为比例参数,蚁群算法的解即表示为(h1,h2,...,hd),d为节点数。
在本实施例中,d=1000。
步骤3.4:状态转移概率的计算:
当前结点i到下一节点j的状态转移概率pi,j的计算公式为:
其中,下标i表示为当前蚂蚁能选择的节点,分别为i、j及i、s节点间的启发信息值,τi,j、τi,s为i、j及i、s两节点间的信息素浓度,B为启发因子。
在本实施例中,取B=1.117。
步骤3.5:信息素更新:
采用实时信息素更新,在每一只蚂蚁选择某个节点后,该节点的信息素进行如下更新:
τi,j=(1-ρ)τi,j+ρτ0 (5)
式中,τ0为信息素初始值,ρ为[0,1]区间上的可调参数。
在本实施例中,τ=0.88021,ρ=0.7532。
步骤4:配电网分布式储能单元电压薄弱性指数计算:
当蚁群算法的迭代次数达到设定最大迭代次数nmax,算法终止,本实施例中,nmax=500,解得yspc即为配电网分布式储能单元电压薄弱性指数评估值。
以上仅为本发明的实施例而已,并不用于限制本发明,因此,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (1)
1.一种配电网分布式储能单元电压薄弱性指数评估方法,其特征在于,包括如下步骤:
步骤1:建立配电网分布式储能单元电压薄弱性指数演化系统的时间序列:
在固定时间间隔对储能电压、温度、风速、储能无功进行测量,并网点电压变化率历史最大值与并网点电压变化率测量值之差除以配网电压变化率最大值作为配电网分布式储能单元电压薄弱性指数,即:
则,在一系列时刻tc1,tc2,...,tcn,n为自然数,n=1,2,…,得到储能电压spc1、温度spc2、风速spc3、储能无功spc4的时间序列:
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mi>p</mi>
<mi>c</mi>
<msub>
<mn>1</mn>
<mn>1</mn>
</msub>
<mo>,</mo>
<mi>s</mi>
<mi>p</mi>
<mi>c</mi>
<msub>
<mn>1</mn>
<mn>2</mn>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>s</mi>
<mi>p</mi>
<mi>c</mi>
<msub>
<mn>1</mn>
<mi>n</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mi>p</mi>
<mi>c</mi>
<msub>
<mn>2</mn>
<mn>1</mn>
</msub>
<mo>,</mo>
<mi>s</mi>
<mi>p</mi>
<mi>c</mi>
<msub>
<mn>2</mn>
<mn>2</mn>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>s</mi>
<mi>p</mi>
<mi>c</mi>
<msub>
<mn>2</mn>
<mi>n</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mi>p</mi>
<mi>c</mi>
<msub>
<mn>3</mn>
<mn>1</mn>
</msub>
<mo>,</mo>
<mi>s</mi>
<mi>p</mi>
<mi>c</mi>
<msub>
<mn>3</mn>
<mn>2</mn>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>s</mi>
<mi>p</mi>
<mi>c</mi>
<msub>
<mn>3</mn>
<mi>n</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mi>p</mi>
<mi>c</mi>
<msub>
<mn>4</mn>
<mn>1</mn>
</msub>
<mo>,</mo>
<mi>s</mi>
<mi>p</mi>
<mi>c</mi>
<msub>
<mn>4</mn>
<mn>2</mn>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>s</mi>
<mi>p</mi>
<mi>c</mi>
<msub>
<mn>4</mn>
<mi>n</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
步骤2:构建测量数据时间序列的m维相空间:
设测量数据的时间序列为{spcki},其中(i=1,2,...,4n),并利用此特征量构造一组m维向量
VSPCKi=(spcki,spcki-τ,...,spcki-(m-1)τ) (2)
其中,τ为延迟时间,m为嵌入维数;
步骤3:相空间重构后的蚁群算法处理:
步骤3.1:建立带有惩罚因子和约束函数的目标函数:
yspc=min fmb(spcxi)+gcf(spcxi)+rys(spcxi) (3)
其中,式中spcxi为优化变量,fmb(spcxi)为目标函数,gcf(spcxi)为目标函数的惩罚因子,rys(spcxi)为目标函数的约束项,yspc为待求的配电网分布式储能单元电压薄弱性指数;
步骤3.2:采用Dijkstra算法寻找初始源点到所有节点的初始次优路径:
将所有节点分为两组,第一组为已确定最短路径的节点集合Q,第二组为未确定最短路径的节点集合U,设初始化源点到其他节点的最短路径长度为D,当确定源点到i点的最短路径长度为D[i]时,把i点从集合U中取出放入集合Q中,根据节点i修改更新数组D中源点到集合U中节点k对应的路径长度值,直到寻找出源点到所有节点的最短路径为止;
步骤3.3:采用蚁群算法模型解的表示:
设P1,P2,...,Pd为次优路径经过的节点,节点对应的自由连接线依次为Li,设Pi (0)和Pi (i)为Li的两个端点,则其他点表示方法为:
Pi(hi)=Pi 0+(Pi 1-Pi 0)×hi,hi∈[0,1] (4)
其中,hi为比例参数,蚁群算法的解即表示为(h1,h2,...,hd),d为节点数;
步骤3.4:状态转移概率的计算:
当前结点i到下一节点j的状态转移概率pi,j的计算公式为:
<mrow>
<msub>
<mi>p</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>&tau;</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<msubsup>
<mi>&eta;</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mi>B</mi>
</msubsup>
</mrow>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>s</mi>
<mo>&Element;</mo>
<mi>I</mi>
</mrow>
</munder>
<msub>
<mi>&tau;</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</msub>
<msubsup>
<mi>&eta;</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
<mi>B</mi>
</msubsup>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
1
其中,下标i表示为当前蚂蚁能选择的节点,分别为i、j及i、s节点间的启发信息值,τi,j、τi,s为i、j及i、s两节点间的信息素浓度,B为启发因子;
步骤3.5:信息素更新:
采用实时信息素更新,在每一只蚂蚁选择某个节点后,该节点的信息素进行如下更新:
τi,j=(1-ρ)τi,j+ρτ0 (5)
式中,τ0为信息素初始值,ρ为[0,1]区间上的可调参数;
步骤4:配电网分布式储能单元电压薄弱性指数计算:
当蚁群算法的迭代次数达到设定最大迭代次数nmax,算法终止,得到yspc即为配电网分布式储能单元电压薄弱性指数评估值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710305197.3A CN107133738A (zh) | 2017-05-03 | 2017-05-03 | 一种配电网分布式储能单元电压薄弱性指数评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710305197.3A CN107133738A (zh) | 2017-05-03 | 2017-05-03 | 一种配电网分布式储能单元电压薄弱性指数评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107133738A true CN107133738A (zh) | 2017-09-05 |
Family
ID=59716199
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710305197.3A Pending CN107133738A (zh) | 2017-05-03 | 2017-05-03 | 一种配电网分布式储能单元电压薄弱性指数评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107133738A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080275643A1 (en) * | 2007-05-02 | 2008-11-06 | Toshiba America Research, Inc. | Optimum route planning for service vehicles |
CN103440524A (zh) * | 2013-04-03 | 2013-12-11 | 天津大学 | 一种基于电子地图的物流路径优化方法 |
CN105959038A (zh) * | 2016-07-05 | 2016-09-21 | 重庆电力高等专科学校 | 一种融合工频通信的电力线载波路径搜索方法 |
CN106355299A (zh) * | 2016-10-31 | 2017-01-25 | 国家电网公司 | 一种分布式光伏并网节点薄弱性指数预测方法 |
CN106557834A (zh) * | 2016-10-31 | 2017-04-05 | 国家电网公司 | 一种主动配电网光储发电系统无功支撑能力指数预测方法 |
-
2017
- 2017-05-03 CN CN201710305197.3A patent/CN107133738A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080275643A1 (en) * | 2007-05-02 | 2008-11-06 | Toshiba America Research, Inc. | Optimum route planning for service vehicles |
CN103440524A (zh) * | 2013-04-03 | 2013-12-11 | 天津大学 | 一种基于电子地图的物流路径优化方法 |
CN105959038A (zh) * | 2016-07-05 | 2016-09-21 | 重庆电力高等专科学校 | 一种融合工频通信的电力线载波路径搜索方法 |
CN106355299A (zh) * | 2016-10-31 | 2017-01-25 | 国家电网公司 | 一种分布式光伏并网节点薄弱性指数预测方法 |
CN106557834A (zh) * | 2016-10-31 | 2017-04-05 | 国家电网公司 | 一种主动配电网光储发电系统无功支撑能力指数预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | An intelligent robust networking mechanism for the Internet of Things | |
CN107665230A (zh) | 用于智能家居控制的用户行为预测模型的训练方法及装置 | |
CN110376889A (zh) | 具有时变时滞的异构网络化多智能体系统分组一致的方法 | |
Kelner et al. | Faster generation of random spanning trees | |
CN104462685B (zh) | 基于网格GIS和Floyd算法的输电线路设计方法 | |
CN105787270B (zh) | 一种输电线路多时间尺度负载能力动态预测方法 | |
CN104037776B (zh) | 随机惯性因子粒子群优化算法的电网无功容量配置方法 | |
CN101420364B (zh) | 链路选择方法、确定链路的稳定度量值的方法及装置 | |
CN104732300B (zh) | 一种基于模糊分区理论的神经网络风功率短期预测方法 | |
CN105959987A (zh) | 一种提高无线传感器网络能量利用率和服务性能的数据融合算法 | |
CN107423762A (zh) | 基于流形正则化的半监督指纹定位算法 | |
Zhong et al. | Ant colony optimization algorithm for lifetime maximization in wireless sensor network with mobile sink | |
CN106684905B (zh) | 一种考虑风电预测不确定性的风电场动态等值方法 | |
CN106570250A (zh) | 面向电力大数据的微电网短期负荷预测方法 | |
Chang et al. | Interpretable machine learning in sustainable edge computing: A case study of short-term photovoltaic power output prediction | |
Wang et al. | Forecasting hydropower generation by GFDL‐CM3 climate model and hybrid hydrological‐Elman neural network model based on Improved Sparrow Search Algorithm (ISSA) | |
CN103902814A (zh) | 基于动态分区的电力系统运行状态检测方法 | |
CN109507538A (zh) | 配电网的故障定位方法和装置 | |
CN110381515A (zh) | 基于合分模式实现小区网络流量资源指标预测的方法 | |
CN105353314A (zh) | 一种并联型电池系统荷电状态估计方法 | |
CN105021952A (zh) | 基于广域相角量测信息的大电网故障定位方法 | |
CN106845863A (zh) | 一种分布式风力发电出力与供暖负荷同步指数预测方法 | |
CN106557834A (zh) | 一种主动配电网光储发电系统无功支撑能力指数预测方法 | |
CN107133738A (zh) | 一种配电网分布式储能单元电压薄弱性指数评估方法 | |
CN110290001A (zh) | 电力通信网的单链结构优化方法、装置及设备 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170905 |