CN107294112B - 基于日实时的动态无功优化方法 - Google Patents

Abstract

本发明涉及一种基于日实时的动态无功优化方法，由负荷状态采集器连接到各负荷点，采集各负荷大数据，进行处理，并传输给无功控制装置以及变压器分接头。根据大数据的分析，优化指导整个电力网络的运行，本发明直接从电网中读取所需数据，利用智能化算法有效节省运算时间，科学权衡各无功控制器的变化状态，实时反映电网变化情况。对未来的动态无功优化领域提供最坚实的理论基础，以大数据为支撑，以科学的运行机制实现电网的动态无功优化，进而产生巨大的经济利益。

Description

基于日实时的动态无功优化方法

技术领域

本发明涉及一种动态无功控制技术，特别涉及一种基于日实时的动态无功优化方法。

背景技术

日实时的动态电力系统无功优化指在一天内，当电力系统中的负荷参数、线路参数和功率参数一定时，同时满足系统变量约束条件(五个变量约束条件)，通过调节控制变量大小，即发电机端电压、无功补偿装置的投切组数和变压器的分接头位置，使系统的有功网损达到最低。在包括以上一些基本措施外，还包括智能化算法进行优化和大数据处理分析过程，优化了整个系统运行过程，并将优化思想运用于实际工程中，更具有才实际参考价值。

旧时的动态电力系统无功优化是一个包括连续变量和离散变量的模型，是一个非线性的复杂问题，将其用通用的数学模型进行表达，具体如下：

S_Tk≤S_T K＝1,2,3...M

S_Ck≤S_C K＝1,2,3...L (3)

式中V_GIt：各时段发电机的机端电压；T_t：各时段变压器分接头档位位置。Q_CIt：各时段无功补偿装置发出的无功功率。Q_GIt:各时段发电机发出的有功功率，S_TK：一段时间内K个有载变压器分接头动作次数；S_CK：一段时间内第k个电容器总动作次数。

其中式(1)为目标函数，表示为一天的电力系统有功网损最小值；式(2)为一天内系统的功率等式方程；式(3)为动态电力系统无功优化的控制变量和状态变量不等式约束条件。

针对于当前的动态电力系统无功优化问题，很多学者研究时，都是只是单一的对节点电压、节点电流、功率流动等数据进行单一分析，并没有进行系统的处理，而且大多都采用直接的方法进行求解，如非线性内点法，序列二次规划算法。这些方法存在一定的缺陷：

若采用非线性内点法和序列二次规划算法，计算量均很大，导致运行效率低，而都需要计算海森矩矩阵，求解复杂；

若只是单纯采集记录节点上的电流和电压数据、以及功率流动，不经过系统性的分析，将会对优化结果造成较大的误差。特别是在实际的电力系统中，节点数很多，所测的数据很多，若不进行一定技术处理，系统运行正确率会受到影响。

而且当前技术动态无功优化技术，大多是只调节有载调压变压器或者单单投切电容器，或者是变压器和电容器同时动作，前两者对动态无功优化并没有很大的改进，而后者则减少了元件的使用寿命。故当前技术还有待提高和发展。

发明内容

本发明是针对动态无功优化存在的问题，提出了一种基于日实时的动态无功优化方法，解决现有的算法计算量巨大、效率差和正确率低以及设备元件寿命的问题。

本发明的技术方案为：一种基于日实时的动态无功优化方法，具体包括如下步骤：

1)用数据采集器测量系统，一周内每天采集各负荷节点的节点电压值Vi、节点电流值Ii以及各个的功率流动数值有功功率值Pi和无功功率值Qi；将所测量到的数据，上传云端，运用负荷预测，预测出某一天的负荷数据；

2)确定以网损和分接头调整次数以及电容器投切组数为电力系统动态优化目标的数学模型：

式中：目标函数F，minF表示为一天的电力系统有功网损最小值，P_losst为t时段的有功网损，V_t为t时段的负荷节点电压，T_t为t时段的有载变压器的分接头的位置，C_t为电容器投切组数；

动态优化过程的功率平衡公式为：

式中：P_Git为t时段发电机发出的有功功率；P_Lit为t时段负荷所消耗的有功功率；B_ij为节点i和j之间的电纳，G_ij为节点ij之间的电导；Q_Git为t时段发电机的无功出力；Q_Lit为t时段负荷消耗的无功功率；Q_Cit为t时刻的无功补偿的容量，δ_ijt为t时段节点i和节点j之间的电角度；

3)确定动态优化过程的各变量约束条件：

动态优化过程的变量约束不等式为：

S_Tk≤S_T K＝1,2,3...M

S_Ck≤S_C K＝1,2,3...L

式中：V_GI.ti为各个时段发电机的机端电压；TI_.ti为各个时段变压器分接头档位位置。Q_GI.ti为各个时段发电机发出的有功功率；S_Tk为一段时间内k个有载变压器分接头动作次数；S_Ck为一段时间内第k个电容器投切动作的次数；N_g为系统中发电机数量；N_T为系统中有载变压器数量；N_c为系统中无功补偿装置的组数；S_T为系统中变压器分接头动作次数的限制；S_C为系统中无功补偿装置动作次数的上限值；M为系统中有载变压器数量；L为系统中无功补偿装置的安装数量；

4)确定动态无功优化控制策略：以小时为单位，将测得的负荷曲线划分为24段，并通过数据分析，求得每一时刻负荷用电量，利用智能化算法，对t时段的负荷进行静态无功优化，记录各个控制变量及有功网损的值；

5)根据优化结果，计算t和t+1时段的变压器和电容器的投切组数的差值，并乘以各时段的负荷系数；

6)以电容为例，按大小顺序排列，选出其中符合操作规定的组数；

7)记录规定时刻的组数，即为电容器动作的时刻，动作时刻段的投切组数即为动态无功优化策略；

8)根据获得分析的数据进行处理，有载调压变压器调节动作次数和电容器投切动作次数，间隔性操作，即第一时段进行有载调压变压器操作，第二时段则进行电容器投切，分段操作，如此避免元件的连续动作。

所述步骤4)中智能化算法采取三角骨架差分算法，将变压器和电容器的调节所需要调节的具体量，作为一空间整体，中间任意一个个体位置代表具体的变压器的投切组数和无功补偿装置投切的数量，具体优化交叉公式如下：

式中：在交叉操作过程中，如果随机产生数V_ij ^k小于C_R或者维数j＝q，那么取值是高斯变异中的V_ij ^k，如若不符合要求，进行下一步操作，将个体最优值

与位置极值

进行交叉操作，其交叉操作的概率取固定值0.4；个体最优值以概率的形式及参与到新的实验向量中；q取值为(1，D)之间的任意取值，D为空间维度数；V_ij ^k为第k次迭代时，第i个粒子的第j维变量的当前速度；

其中概率表达式为：

(1-C_R-1/D)x 0.4

交叉因子自适应表达式为：

式中：

是代表在种群迭代G之后个体的更新数量，r^G表示种群迭代G之后种群中更新的个体数量占种群数的比例，C_R为交叉系数，取值为0.8；Np为种群数目；

基于高斯变异的变异操作，对三角骨架差分算法进行优化变异：在进行变异操作时，先在种群中随机选择三个不同个体，将三个个体的位置(X_ij、X_ik、X_iw)进行两两组合相减，求绝对值，对三个绝对值求平均值；三角骨架差分算法的具体优化变异公式如下：

μ＝((X_ij+X_ik+X_iw))/3

δ＝(|X_ij-X_ik|+|X_ij-X_iw|+|X_ik-X_iw|)/3

V_i ^k＝N(μ,δ)

式中：N是以μ为均值的，以δ为标准差的一个高斯分布的函数，j,k,w三个是种群中随机取样的三个不同的个体。

本发明的有益效果在于：本发明基于日实时的动态无功优化方法，直接从电网中读取所需数据，利用智能化算法有效节省运算时间，科学权衡各无功控制器的变化状态，实时反映电网变化情况。对未来的动态无功优化领域提供最坚实的理论基础，以大数据为支撑，以科学的运行机制实现电网的动态无功优化，进而产生巨大的经济利益。

附图说明

图1为本发明基于日实时的动态无功优化方法流程图。

具体实施方式

本发明是由负荷状态采集器连接到各负荷点，采集各负荷大数据，进行处理，并传输给无功控制装置以及变压器分接头。电力系统动态无功优化是对状态变量、控制变量调节。根据大数据的分析，优化指导整个电力网络的运行。

如图1所示基于日实时的动态无功优化方法流程图，具体包括以下步骤：

步骤S1：用数据采集器测量系统，一周内每天采集各负荷节点的节点电压值Vi、节点电流值Ii以及各个的功率流动数值有功功率值Pi和无功功率值Qi。

步骤S2：将所测量到的数据，上传云端，运用负荷预测，预测出某一天的负荷数据。

步骤S3：确定以网损和分接头调整次数以及电容器投切组数为电力系统动态优化目标的数学模型：

式中：目标函数F，minF表示为一天的电力系统有功网损最小值。P_losst为t时段的有功网损，V_t为t时段的负荷节点电压，T_t为t时段的有载变压器的分接头的位置，C_t为电容器投切组数。

动态优化过程的功率平衡公式为：

式中：P_Git为t时段发电机发出的有功功率；P_Lit为t时段负荷所消耗的有功功率；B_ij为节点ij之间的电纳，G_ij为节点ij之间的电导；Q_Git为t时段发电机的无功出力；Q_Lit为t时段负荷消耗的无功功率；Q_Cit为t时刻的无功补偿的容量，δ_ijt为t时段节点i和节点j之间的电角度。

步骤S4：确定动态优化过程的各变量约束条件：

动态优化过程的变量约束不等式为：

S_Tk≤S_T K＝1,2,3...M

S_Ck≤S_C K＝1,2,3...L

式中：V_GI.ti为各个时段发电机的机端电压；TI_.ti为各个时段变压器分接头档位位置。Q_GI.ti为各个时段发电机发出的有功功率。S_Tk为一段时间内k个有载变压器分接头动作次数；S_Ck为一段时间内第k个电容器投切动作的次数；N_g为系统中发电机数量；N_T为系统中有载变压器数量；N_c为系统中无功补偿装置的组数；S_T为系统中变压器分接头动作次数的限制；S_C为系统中无功补偿装置动作次数的上限值；M为系统中有载变压器数量；L为系统中无功补偿装置的安装数量。

步骤S5：确定动态无功优化控制策略。以小时为单位，将测得的负荷曲线划分为24段，并通过数据分析，求得每一时刻负荷用电量。利用智能化算法，对t时段的负荷，进行静态无功优化，记录各个控制变量及有功网损的值。

步骤S6：根据优化结果，计算t和t+1时段的变压器和电容器的投切组数的差值，并乘以各时段的负荷系数。

步骤S7：以电容为例，按大小顺序排列，选出其中符合操作规定的组数。

步骤S8：记录规定时刻的组数，即为电容器动作的时刻，动作时刻段的投切组数即为动态无功优化策略。

步骤S9：根据获得分析的数据进行处理，有载调压变压器调节动作次数和电容器投切动作次数，间隔性操作。即第一时段进行有载调压变压器操作，第二时段则进行电容器投切，分段操作，如此可以避免元件的连续动作，减少元件的损耗，提高元件的使用寿命。

将智能化优化算法与电力系统相结合，智能化优化算法本文采取三角骨架差分算法，这种三角骨架差分算法和之前的算法进行比较，个体最优值以概率的形式及参与到新的实验向量中。将变压器和电容器的调节所需要调节的具体量，作为一空间整体，中间任意一个个体位置代表具体的变压器的投切组数和无功补偿装置投切的数量，对其进行智能化优化算法，其算法的具体优化交叉公式如下：

式中：在交叉操作过程中，如果随机产生数V_ij ^k小于C_R或者j＝q(维数)，那么取值是高斯变异中的V_ij ^k，如若不符合要求，进行下一步操作，将个体最优值

与位置极值

进行交叉操作，其交叉操作的概率取固定值0.4。个体最优值以概率的形式及参与到新的实验向量中；q取值为(1，D)之间的任意取值，D为空间维度数；V_ij ^k为第k次迭代时，第i个粒子的第j维变量的当前速度。

其中概率表达式为：

(1-C_R-1/D)x 0.4

本文中交叉因子自适应表达式为：

式中：

是代表在种群迭代G之后个体的更新数量，r^G表示种群迭代G之后种群中更新的个体占种群数的比例，C_R为交叉系数，在(0,1)之间，本文取固定值0.8，D为空间维度数；Np为种群数目。

基于高斯变异的变异操作，对三角骨架差分算法进行优化变异。在进行变异操作时，先在种群中随机选择三个不同个体，将三个个体的位置(X_ij、X_ik、X_iw)进行两两组合相减，求绝对值，对三个绝对值求平均值。在该智能算法初始过程中，每个个体差异很大，所以将重点放在全局搜索；在搜索后期，个体之间差异较小，将会逐渐收敛。

三角骨架差分算法的具体优化变异公式如下：

μ＝((X_ij+X_ik+X_iw))/3

δ＝(|X_ij-X_ik|+|X_ij-X_iw|+|X_ik-X_iw|)/3

V_i ^k＝N(μ,δ)

式中：N是以μ为均值的，以δ为标准差的一个高斯分布的函数。j,k,w三个是种群中随机取样的三个不同的个体。随机选取的个体即为选取三个个体的位置向量。

Claims (2)

1.一种基于日实时的动态无功优化方法，其特征在于，具体包括如下步骤：

1)用数据采集器测量系统，一周内每天采集各负荷节点的节点电压值Vi、节点电流值Ii以及各个的功率流动数值有功功率值Pi和无功功率值Qi；将所测量到的数据，上传云端，运用负荷预测，预测出某一天的负荷数据；

2)确定以网损和分接头调整次数以及电容器投切组数为电力系统动态优化目标的数学模型：

式中：目标函数F，minF表示为一天的电力系统有功网损最小值，P_losst为t时段的有功网损，V_t为t时段的负荷节点电压，T_t为t时段的有载变压器的分接头的位置，C_t为电容器投切组数；

动态优化过程的功率平衡公式为：

式中：P_Git为t时段发电机发出的有功功率；P_Lit为t时段负荷所消耗的有功功率；B_ij为节点i和j之间的电纳，G_ij为节点ij之间的电导；Q_Git为t时段发电机的无功出力；Q_Lit为t时段负荷消耗的无功功率；Q_Cit为t时刻的无功补偿的容量，δ_ijt为t时段节点i和节点j之间的电角度；V_it、V_jt分别为t时段中负荷节点i、j电压；N_i为输电系统的节点集合；

3)确定动态优化过程的各变量约束条件：

动态优化过程的变量约束不等式为：

S_Tk≤S_T K＝1,2,3...M

S_Ck≤S_C K＝1,2,3…L

式中：V_GI.ti为各个时段发电机的机端电压；TI_.ti为各个时段变压器分接头档位位置；Q_GI.ti为各个时段发电机发出的有功功率；S_Tk为一段时间内k个有载变压器分接头动作次数；S_Ck为一段时间内第k个电容器投切动作的次数；N_g为系统中发电机数量；N_T为系统中有载变压器数量；N_c为系统中无功补偿装置的组数；S_T为系统中变压器分接头动作次数的限制；S_C为系统中无功补偿装置动作次数的上限值；M为系统中有载变压器数量；L为系统中无功补偿装置的安装数量；

4)确定动态无功优化控制策略：以小时为单位，将测得的负荷曲线划分为24段，并通过数据分析，求得每一时刻负荷用电量，利用智能化算法，对t时段的负荷进行静态无功优化，记录各个控制变量及有功网损的值；

5)根据优化结果，计算t和t+1时段的变压器和电容器的投切组数的差值，并乘以各时段的负荷系数；

6)以电容为例，按大小顺序排列，选出其中符合操作规定的组数；

7)记录规定时刻的组数，即为电容器动作的时刻，动作时刻段的投切组数即为动态无功优化策略；

8)根据获得分析的数据进行处理，有载调压变压器调节动作次数和电容器投切动作次数，间隔性操作，即第一时段进行有载调压变压器操作，第二时段则进行电容器投切，分段操作，如此避免元件的连续动作。

2.根据权利要求1所述基于日实时的动态无功优化方法，其特征在于，所述步骤4)中智能化算法采取三角骨架差分算法，将变压器和电容器的调节所需要调节的具体量，作为一空间整体，中间任意一个个体位置代表具体的变压器的投切组数和无功补偿装置投切的数量，具体优化交叉公式如下：

式中：在交叉操作过程中，如果随机产生数

小于C_R或者维数j＝q，那么取值是高斯变异中的

如若不符合要求，进行下一步操作，将个体最优值

与位置极值

进行交叉操作，其交叉操作的概率取固定值0.4；个体最优值以概率的形式及参与到新的实验向量中；q取值为(1，D)之间的任意取值，D为空间维度数；

为第k次迭代时，第i个粒子的第j维变量的当前速度；

其中概率表达式为：

(1-C_R-1/D)x 0.4

交叉因子自适应表达式为：

式中：

是代表在种群迭代G之后个体的更新数量，r^G表示种群迭代G之后种群中更新的个体数量占种群数的比例，C_R为交叉系数，取值为0.8；Np为种群数目；

基于高斯变异的变异操作，对三角骨架差分算法进行优化变异：在进行变异操作时，先在种群中随机选择三个不同个体，将三个个体的位置(X_ij、X_ik、X_iw)进行两两组合相减，求绝对值，对三个绝对值求平均值；三角骨架差分算法的具体优化变异公式如下：

μ＝((X_ij+X_ik+X_iw))/3

δ＝(|X_ij-X_ik|+|X_ij-X_iw|+|X_ik-X_iw|)/3

V_i ^k＝N(μ,δ)

式中：N是以μ为均值的，以δ为标准差的一个高斯分布的函数，j,k,w三个是种群中随机取样的三个不同的个体。

Images