CN107591811A - 配电网无功优化方法及装置 - Google Patents
配电网无功优化方法及装置 Download PDFInfo
- Publication number
- CN107591811A CN107591811A CN201710966564.4A CN201710966564A CN107591811A CN 107591811 A CN107591811 A CN 107591811A CN 201710966564 A CN201710966564 A CN 201710966564A CN 107591811 A CN107591811 A CN 107591811A
- Authority
- CN
- China
- Prior art keywords
- data
- node
- load
- power distribution
- distribution network
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000005457 optimization Methods 0.000 title claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 230000002159 abnormal effect Effects 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 10
- 241001269238 Data Species 0.000 claims description 7
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims description 5
- 240000002853 Nelumbo nucifera Species 0.000 claims description 5
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims description 5
- 238000002940 Newton-Raphson method Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 12
- 230000008569 process Effects 0.000 abstract description 11
- 238000009825 accumulation Methods 0.000 abstract description 4
- 239000002699 waste material Substances 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 239000003990 capacitor Substances 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013019 agitation Methods 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/30—Reactive power compensation
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种配电网无功优化方法及装置，包括：对配电网历史时刻的初始数据进行预处理，获得预处理后的初始数据；通过AR模型依次对配电网中的每一节点进行负荷预测；所有节点的负荷预测数据组成预测序列，计算该序列与数据库中的每一历史时刻对应的历史负荷序列之间的余弦相似度，选取余弦相似度最高的历史负荷序列所在时刻的无功方案为初始方案；根据网络潮流修正初始无功方案中的异常节点的电压，获得最优无功方案。本发明解决了配电网积累的海量历史数据浪费问题，优化了配电网功率因素、无功补偿设备的利用和无功经济效益，克服了传统算法寻优过程复杂、计算速度缓慢、解的不确定性因素较大、只能实现小规模系统优化的问题。
Description
技术领域
本发明涉及配电网无功优化领域，更具体地，涉及配电网无功优 化方法及装置。
背景技术
电力系统中的有功功率电源大多集中在各个发电厂，无功电源除 发电机外，还包括电容器和各类静止无功补偿设备，其分散在各个变 电所。供应有功功率和电能必须消耗能源，但无功电源一旦设置既可 以随时使用，系统中的无功功率消耗远大于有功功率消耗，无功功率 损耗主要包括无功功率负荷、变压器无功功率损耗和电力线路无功功 率损耗。
配电网位于电力系统末端，积累的海量历史数据具有丰富的潜在 价值，而中低压配电网的功率因数普遍偏低、无功设备利用不合理的 情况，即配电网产生的无功经济效益具有进一步的提升空间。
针对上述问题，现有技术中存在一种基于大数据的配电网无功优 化控制序列确定方法，该技术基于历史数据的平均谱半径计算与当前 负荷最为接近的序列，选取该序列的无功方案为最优方案，但是该技 术并未实现“实时”调节，只能在数据上传后进行预测，再者该技术 以平均谱半径为相似性指标，计算过程较为复杂，同时搜索到的历史 无功方案并未进行局部修正，而直接作为最优方案可能存在局部不适 应性。
发明内容
本发明提供一种克服上述问题或者至少部分地解决上述问题的一 种配电网无功优化方法及装置。
根据本发明的一个方面，提供一种配电网无功优化方法，包括：S1、获取所述配电网若干个历史时刻的初始数据，对所述初始数据进 行预处理，获得预处理后的初始数据，所述初始数据包括所述配电网 中所有节点的运行数据、负荷数据和拓扑数据，所述运行数据包括有 功和无功，所述负荷数据包括电压；S2、根据所述预处理后的初始数 据，通过AR模型依次对所述配电网中的每一节点进行负荷预测，获 得所述配电网当前时刻的预测负荷数据，所述预测负荷数据包括所述 配电网中所有节点当前时刻的预测负荷；S3、根据所述预测负荷数据 和数据库中每一历史时刻对应的历史负荷数据的余弦相似度，根据所 有余弦相似度中最大的余弦相似度对应的历史时刻的无功方案，获得 初始无功方案，所述数据库包括每一历史时刻所述配电网每一节点对 应的初始数据和对应的无功方案；S4、根据所述预测负荷数据、所述 预处理后的初始数据和所述初始无功方案计算网络潮流，根据所述网 络潮流修正所述初始无功方案中的异常节点的电压，获得最优无功方 案。
优选地，步骤S1中，所述对所述初始数据进行预处理具体包括： S11、获取所述初始数据中的所有空白数据；S12、对于所述所有空白 数据中的任一空白数据，根据所述任一空白数据对应节点的地理位置， 获取相邻节点，所述相邻节点与所述任一空白数据对应节点的地理位 置最相近；S13、根据所述相邻节点当前时刻的节点初始数据和所述相 邻节点历史时刻的节点初始数据的平均值，获得修复比例，所述节点 初始数据为所述相邻节点的运行数据、负荷数据和拓扑数据；S14、根 据所述修复比例和所述任一空白数据的节点初始数据的平均值，修正 所述任一空白数据。
优选地，步骤S2进一步包括：S21、对于所述配电网中的任一节 点，获取所述任一节点对应的AR模型的预测系数；S22、根据所述 AR模型的预测系数，确定所述AR模型的阶数；S23、根据所述AR 模型的预测系数和所述AR模型的阶数，确定所述任一节点对应的AR模型的自回归系数，从而获得所述AR模型的表达式。
优选地，步骤S21进一步包括：S211、获取所述任一节点的负荷 时间向量，所述负荷时间向量表示所述任一节点当前时刻之前的100 个历史时刻的有功功率，对所述负荷时间向量进行两次差分处理，得 到差分系数序列，所述两次差分处理为：
其中，Y表示一次差分序列，Y(i)表示所述一次差分序列的第i个 元素，Y(i-1)表示所述一次差分序列的第i-1个元素，所述一次差分序 列为对所述负荷时间序列进行一次差分处理后得到的序列，P表示所述 负荷时间序列，P(i)表示P中的第i个元素，P(i-1)表示P中的第i-1个 元素，L表示所述差分系数序列，L(i)表示所述差分系数序列中的第i个 元素；
S212、通过标准化算法对所述差分系数序列进行处理，获得预测 系数序列，所述预测系数序列包括所述AR模型的预测系数，所述标 准化算法为：
其中，表示所述差分系数序列中所有差分系数的平均值，表示 所述预测系数序列。
优选地，步骤S22进一步包括：S221、根据所述AR模型的预测 系数的协方差函数，获得自相关系数矩阵；S222、获取所述自相关系 数矩阵的偏相关函数矩阵集合，所述偏相关函数矩阵集合包括所述自 相关系数矩阵的1至12阶的偏相关函数矩阵；S223、将所述偏相关函 数矩阵集合中最小的偏相关函数矩阵对应的阶数作为所述AR模型的 阶数。
优选地，步骤S23进一步包括：根据所述AR模型的预测系数和 所述AR模型的阶数，通过最小二乘法获得所述AR模型的自回归系数。
优选地，步骤S4进一步包括：S41、根据所述预测负荷和所述初 始无功方案，通过牛顿-拉夫逊算法，获得网络潮流；S42、根据所述 网络潮流获得所述配电网中每一节点的电压；S43、对于所述配电网中 任一节点的电压，若所述任一节点的电压大于第一预设阈值，将所述 任一节点的电压修正为所述第一预设阈值，若所述任一节点的电压小 于第二预设阈值，将所述任一节点的电压修正为所述第二预设阈值。
优选地，步骤S43中所述第一预设阈值为所述任一节点之前的100 个历史时刻对应的历史数据的平均值的5倍。
优选地，步骤S43中所述第二预设阈值为所述任一节点之前的100 个历史时刻对应的历史数据的平均值的1/5倍。
根据本发明的另一个方面，提供一种配电网无功优化装置，包括： 获取模块，用于获取所述配电网若干个历史时刻的初始数据，对所述 初始数据进行预处理，获得预处理后的初始数据，所述初始数据包括 所述配电网中所有节点的运行数据、负荷数据和拓扑数据，所述运行 数据包括有功和无功，所述负荷数据包括电压；预测模块，用于根据 所述预处理后的初始数据，通过AR模型依次对所述配电网中的每一节 点进行负荷预测，获得所述配电网当前时刻的预测负荷数据，所述预 测负荷数据包括所述配电网中所有节点当前时刻的预测负荷；搜索模 块，用于根据所述预测负荷数据和数据库中每一历史时刻对应的历史 负荷数据的余弦相似度，根据所有余弦相似度中最大的余弦相似度对 应的历史时刻的无功方案，获得初始无功方案，所述数据库包括每一 历史时刻所述配电网每一节点对应的初始数据和对应的无功方案；修 正模块，用于根据所述预测负荷数据、所述预处理后的初始数据和所 述初始无功方案计算网络潮流，根据所述网络潮流修正所述初始无功 方案中的异常节点的电压，获得最优无功方案。
本发明提出一种配电网无功优化方法及装置，该方法获取海量的 初始数据，以负荷预测、入库搜索、局部修正的技术路线对配电网进 行实时无功调节，运用该方法能实现对配电网的全局进行预测调节， 提升电网的电能质量水平和经济效益。本发明不仅能解决配电网积累 的海量历史数据的价值冗余与浪费问题，而且能解决配电网功率因素 偏低、无功补偿设备的利用不合理和无功经济效益不理想的问题，为 配电网的无功优化提供新的思路。同时克服了传统算法寻优过程复杂、 计算速度缓慢、解的不确定性因素较大、只能实现小规模系统优化的 问题。
附图说明
图1为本发明实施例一种配电网无功优化方法的流程图；
图2为本发明实施例一种配电网无功优化装置的结构示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细 描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
本发明主要适用于含可调无功装置的中低压区域配电网，且无功 装置的状态信息能有效采集。随着配电网规模与智能化设备快速发展 的趋势下，配电网将积累愈加具有挖掘价值的数据，采用基于大数据 的配电网实时无功调节方法以解决目前中低压配电网功率因数普遍偏 低和无功设备利用不合理的问题，将具有良好的经济效益和市场前景。
图1为本发明实施例一种配电网无功优化方法的流程图，如图1 所示，该方法包括：S1、获取所述配电网当前时刻的初始数据，对所 述当前时刻的初始数据进行预处理，获得预处理后的初始数据，所述 初始数据包括所述配电网中每一节点对应的节点初始数据，所述每一 节点对应的节点初始数据包括所述每一节点的运行数据和拓扑数据， 所述运行数据包括有功和无功；S2、通过AR模型依次对所述配电网 中的每一节点进行负荷预测，获得预测负荷数据，所述预测负荷数据 包括所述配电网中所有节点的预测负荷；S3、根据所述预测负荷数据 和数据库中每一历史时刻对应的历史负荷数据的余弦相似度，根据所 有余弦相似度中最大的余弦相似度对应的历史时刻的无功方案，获得 初始无功方案，所述数据库包括每一历史时刻所述配电网每一节点对 应的历史负荷数据和对应的无功方案；S4、根据所述预测负荷数据、 所述配电网所有节点的拓扑数据和所述初始无功方案计算网络潮流， 根据所述网络潮流修正所述初始无功方案中的异常节点的电压，获得 最优无功方案。
本发明提出了一种配电网无功优化方法，获取海量的初始数据， 以负荷预测、入库搜索、局部修正的技术路线对配电网进行实时无功 调节，其中每一步对应的技术为基于时间序列的负荷预测方法、基于 夹角余弦的相似性搜索方法和基于专家知识的局部无功微调方法，运 用该技术路线能实现对配电网的全局进行预测调节，提升电网的电能 质量水平和经济效益。
本发明不仅能解决配电网积累的海量历史数据存在的价值冗余与 浪费问题，而且能优化配电网功率因素偏低、无功补偿设备的利用不 合理、无功经济效益不理想的问题，为配电网的无功优化提供新的思 路。同时克服了传统算法寻优过程复杂、计算速度缓慢、解的不确定 性因素较大、只能实现小规模系统优化的问题。本发明采用在数据库 中搜索下一时刻无功方案的思想，无需复杂的寻优过程，过程简洁高 效，运算速度上具有突出优势，在预测值的基础上确定初始无功方案， 其方案具有实时性，能对配电网实现预测调节；随着数据库中数据量 的扩充，搜索的效果更好，优化效果更优，且数据库容量大幅增加时， 算法增加耗时量较少，仍能高速计算，其具有良好的可拓展性。
在上述实施例的基础上，优选地，步骤S1中，所述对所述初始数 据进行预处理具体包括：S11、获取所述配电网当前时刻的初始数据中 的所有空白数据；S12、对于所述所有空白数据中的任一空白数据，根 据所述任一空白数据对应节点的地理位置，获取相邻节点，所述相邻 节点与所述任一空白数据对应节点的地理位置最相近；S13、根据所述 相邻节点当前时刻的节点初始数据和所述相邻节点历史时刻的节点初 始数据的平均值，获得修复比例；S14、根据所述修复比例和所述任一 空白数据对应节点历史时刻的节点初始数据的平均值，修正所述任一 空白数据。
步骤S1具体包括，初始数据获取、初始数据的筛选和修复，还可 以包括初始数据的存储过程，其建立按照如下步骤进行：获取配电自 动化系统、生产管理系统和地理信息系统的台账数据，配电自动化系 统、生产管理系统和用电采集系统的运行数据，负荷测试监测系统、 配电网规划系统、负荷控制系统和营销业务管理系统的负荷数据，配 网规划系统、地理信息系统的环境数据。
需要说明的是，台账数据是指明细记录表，可以理解为日志；运 行数据包括负荷有功或无功，配电网中各节点的电压、有功或无功， 负荷数据包括有功负荷或无功负荷，环境数据包括温度、天气状况、 线路参数包括阻抗和接线方式，无功补偿设备参数(电容器组投切状 态、变压器分接头位置)等。
针对获取的数据存在异常数据或空缺数据，采用基于统计学的频 率最高、数据平均值、基于时间序列的数据模拟等方法进行数据修复； 对于某一空白数据，根据该一空白数据对应节点的地理位置，获取与 该空白数据地理位置最相近的相邻节点。假设A节点在time＝10时刻 存在空白数据，相邻节点B在time＝10时刻数据除以相邻节点B的历 史数据的平均值，得到比例k，k再乘以节点A的平均值，得到的数值 就是A节点在time＝10时刻的修复数据。
修复后的数据为实现快速存储与查询，可以采用SQL Server数据 库对数据进行存储，因SQL Server支持与多种软件交互的端口，且数 据存储与操作功能强大，方便数据的管理与调用。
在上述实施例的基础上，优选地，步骤S2进一步包括：S21、对 于所述配电网中的任一节点，获取所述任一节点对应的AR模型的预测 系数；S22、根据所述AR模型的预测系数，确定所述AR模型的阶数； S23、根据所述AR模型的预测系数和所述AR模型的阶数，确定所述任 一节点对应的AR模型的自回归系数，从而获得所述AR模型的表达式。
需要说明的是，AR模型是一种线性预测，即已知N个数据，可由 模型推出第N点前面或后面的数据(设推出P点)，所以其本质类似 于插值，其目的都是为了增加有效数据，只是AR模型是由N点递推， 而插值是由两点(或少数几点)去推导多点，所以AR模型要比插值方 法效果更好。
在上述实施例的基础上，优选地，步骤S21进一步包括：S211、 获取所述任一节点的负荷时间向量，所述负荷时间向量表示所述任一 节点当前时刻之前的100个历史时刻的有功功率，对所述负荷时间向 量进行两次差分处理，得到差分系数序列，所述两次差分处理为：
其中，Y表示一次差分序列，Y(i)表示所述一次差分序列的第i个 元素，Y(i-1)表示所述一次差分序列的第i-1个元素，所述一次差分序 列为对所述负荷时间序列进行一次差分处理后得到的序列，P表示所述 负荷时间序列，P(i)表示P中的第i个元素，P(i-1)表示P中的第i-1个 元素，L表示所述差分系数序列，L(i)表示所述差分系数序列中的第i个 元素；
S212、通过标准化算法对所述差分系数序列进行处理，获得预测 系数序列，所述预测系数序列包括所述AR模型的预测系数，所述标准 化算法为：
其中，表示所述差分系数序列中所有差分系数的平均值，表示 所述预测系数序列。
本实施例中，AR预测数学模型如下所示：
yt＝a1yt-1+a2yt-2+…+apyt-p+εt，
其中，ai(i＝1,2,…p)表示AR模型的自回归系数；p为AR模型的 阶数；yt表示t时刻的预测负荷，yt-i(i＝1,2,…p)表示t-i历史时刻的负 荷数据；εt为扰动误差；
在上述实施例的基础上，优选地，步骤S22进一步包括：S221、 根据所述AR模型的预测系数的协方差函数，获得自相关系数矩阵； S222、获取所述自相关系数矩阵的偏相关函数矩阵集合，所述偏相关 函数矩阵集合包括所述自相关系数矩阵的1至12阶的偏相关函数矩 阵；S223、将所述偏相关函数矩阵集合中最小的偏相关函数矩阵对应 的阶数作为所述AR模型的阶数。
AR模型的阶数确定如下：
计算偏相关函数，根据偏相关函数的截尾性(偏相关函数在某一 点骤降为0，该点对应的阶数为AR模型阶数p)确定模型阶数：
设协方差函数为R(k)，自相关系数为x(k)，则自相关函数计算公 式如下：
其中，Y(i)(i＝1,2,…,N)与表示的含义相同，N为Y(i)元素个数。
设i阶自相关系数x(k)矩阵为B，其Yule-Walker的i阶系数矩 阵为A，偏相关函数矩阵为的Xi，i阶的偏相关函数值为Xii，则偏相 关函数计算公式如下：
其中，B为自相关系数矩阵，A为Yule-Walker的i阶系数矩阵， Xi为偏相关函数矩阵，Xii表示i阶偏相关函数值。
由上式可以求得12阶以内的偏相关函数值Xii，选取最小Xii值对 应的阶数i为模阶数p。
在上述实施例的基础上，优选地，步骤S23进一步包括：根据所 述AR模型的预测系数和所述AR模型的阶数，通过最小二乘法获得所 述AR模型的自回归系数。
确定AR模型的阶数p后，采用最小二乘法对自回归系数ai进行 估计，以求得AR模型中的自回归系数，而且为基于AIC准则的二次 定阶提供数据准备。自回归系数估计公式如下：
Z＝[yp+1 yp+2 … yn]T
则最小二乘估计为：
其中，yi表示预测系数序列。
本发明是在预测值的基础上确定无功方案，其方案具有实时性， 能对配电网实现预测调节。
在上述实施例的基础上，优选地，计算所述预测负荷数据和数据 库中每一历史时刻对应的历史负荷数据的余弦相似度，获取最大的余 弦相似度，将所述最大的余弦相似度对应的无功方案作为初始无功方 案。
余弦相似度计算方法如下，设两个n维样本点为x1k(x11,x12,…,x1n)和 x2k(x21,x22,…,x2n)，用类似于夹角余弦的概念来衡量它们间的相似程度， 其计算公式如下：
其中，夹角余弦的取值范围为[-1,1]。夹角余弦越大表示两个向 量的夹角越小，数据更为相似；反之，夹角余弦越小表示两向量的夹 角越大，数据相似性越差。在历史数据中搜索到与预测负荷最为相似 的负荷值，选取该负荷值的无功方案为初始无功方案。
在上述实施例的基础上，优选地，步骤S4进一步包括：S41、根 据所述预测负荷、所述初始无功方案和牛顿-拉夫逊算法获得网络潮 流；S42、根据所述网络潮流获得所述配电网中每一节点的电压；S43、 对于所述配电网中任一节点的电压，若所述任一节点的电压大于第一 预设阈值，将所述任一节点的电压修正为所述第一预设阈值，若所述 任一节点的电压小于第二预设阈值，将所述任一节点的电压修正为所 述第二预设阈值。
在上述实施例的基础上，优选地，步骤S43中所述第一预设阈值 为所述任一节点之前的100个历史时刻对应的历史数据的平均值的5 倍。
在上述实施例的基础上，优选地，步骤S43中所述第二预设阈值 为所述任一节点之前的100个历史时刻对应的历史数据的平均值。
先根据初始无功方案、拓扑数据和预测负荷进行潮流计算，然后 根据电压偏差对该方案进行局部修正，得到最优无功方案。潮流算法 仍选用传统的牛顿-拉夫逊迭代算法，得到潮流计算结果，以电压偏差 最小对局部存在严重电压越限的节点进行微调，调节该区域的电容器 组和变压器分接头位置。
需要说明的是，对于所述配电网中任一节点的电压，若所述任一 节点的电压大于第一预设阈值，则说明该节点的电压严重偏大，需要 对该节点的电压进行修正，所述第一预设阈值为所述任一节点之前的 100个历史时刻对应的历史数据的平均值的5倍。
若所述任一节点的电压小于第二预设阈值，将所述任一节点的电 压修正为所述第二预设阈值，说明该节点的电压严重偏小，需要对该 节点的电压进行修正，第二预设阈值为该节点之前的100个历史时刻 对应的历史数据的平均值的1/5倍。
本发明先根据初始无功方案、拓扑数据和预测负荷进行潮流计算, 潮流算法仍选用传统的牛顿-拉夫逊迭代算法，得到潮流计算结果，以 电压偏差最小对局部存在严重电压越限的节点进行微调，调节该区域 的电容器组和变压器分接头位置。无功调节量以当前功率因数调节至 目标功率因数所需无功为准，得到最优无功方案，更加适用于下一时 刻的负荷，能进一步调高配电网的电能质量和经济效益。
在上述实施例的基础上，还可以包括：最优无功方案评估与下发： 将初始无功方案和最优无功方案作对比分析，将预测和搜索算法的中 间结果、无功优化方案、优化效果、潮流分布等结果以多种可视化方 式直观展示给决策层用户，为用户进行优化评估和决策下发提供参考 依据。
列举本发明创造的具体例子；
步骤一、获取中低压区域配电网的拓扑数据、无功补偿设备和变 压器参数、历史运行数据，采用基于统计学的极值范围和数据平均值 对异常数据进行辨识，对空白数据进行修复。
步骤二、将数据处理好的数据存放于SQL Server数据库中，接通 与算法软件的接口(如matlab软件)。
步骤三、在算法软件中按照上述的AR预测模型构建步骤，构建 基于AR预测模型的负荷预测算法。
步骤四、采用相似性搜索算法，在数据库中搜索与预测负荷最为 相似的历史负荷，选取该历史负荷的无功方案为初始无功方案S1。
步骤五、以预测负荷和拓扑数据计算潮流，然后采用基于专家知 识方法，对存在严重电压越限的节点进行无功修正，得到最终的无功 优化方案S2。
步骤六、在用户界面以拓扑图、直方图、扇形图、统计表、折现 图、文本框等多种可视化手段，对优化前后的效果对比、预测与相似 性搜索结果、无功方案和潮流分布进行直观展示。
图2为本发明实施例一种配电网无功优化装置的结构示意图，如 图2所示，该装置包括：获取模块，用于获取所述配电网若干个历史 时刻的初始数据，对所述初始数据进行预处理，获得预处理后的初始 数据，所述初始数据包括所述配电网中所有节点的运行数据、负荷数 据和拓扑数据，所述运行数据包括有功和无功，所述负荷数据包括电 压；预测模块，用于根据所述预处理后的初始数据，通过AR模型依次 对所述配电网中的每一节点进行负荷预测，获得所述配电网当前时刻 的预测负荷数据，所述预测负荷数据包括所述配电网中所有节点当前 时刻的预测负荷；搜索模块，用于根据所述预测负荷数据和数据库中每一历史时刻对应的历史负荷数据的余弦相似度，根据所有余弦相似 度中最大的余弦相似度对应的历史时刻的无功方案，获得初始无功方 案，所述数据库包括每一历史时刻所述配电网每一节点对应的初始数 据和对应的无功方案；修正模块，用于根据所述预测负荷数据、所述 预处理后的初始数据和所述初始无功方案计算网络潮流，根据所述网 络潮流修正所述初始无功方案中的异常节点的电压，获得最优无功方 案。
该装置的具体实施方式与上述方法实施例的执行过程相同，具体 过程请参考上述方法实施例，这里不再赘述。
本发明提供一种配电网无功优化方法，其充分挖掘配电网历史数 据所蕴含的价值，能对大规模配电网的全局进行实时的无功优化，克 服传统无功优化算法的局限性，在计算速度上具有突出优势，具体有 如下几点优势：相比于传统的无功优化算法，本文提出的算法采用在 数据库中搜索下一时刻无功方案的思想，无需复杂的寻优过程，过程 简洁高效，运算速度上具有突出优势；传统算法只适用于馈线级别的 局部优化，对于稍大规模的节点系统局限性较大，而本文算法不受节 点规模限制，可实现配电网区域上的无功优化；随着数据库中数据量 的扩充，搜索的效果更好，优化效果更优，且数据库容量大幅增加时， 算法增加耗时量较少，仍能高速计算，其具有良好的可拓展性。
最后，本发明的方法仅为较佳的实施方案，并非用于限定本发明 的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同 替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种配电网无功优化方法，其特征在于，包括：
S1、获取所述配电网若干个历史时刻的初始数据，对所述初始数据进行预处理，获得预处理后的初始数据，所述初始数据包括所述配电网中所有节点的运行数据、负荷数据和拓扑数据，所述运行数据包括有功和无功，所述负荷数据包括电压；
S2、根据所述预处理后的初始数据，通过AR模型依次对所述配电网中的每一节点进行负荷预测，获得所述配电网当前时刻的预测负荷数据，所述预测负荷数据包括所述配电网中所有节点当前时刻的预测负荷；
S3、根据所述预测负荷数据和数据库中每一历史时刻对应的历史负荷数据的余弦相似度，根据所有余弦相似度中最大的余弦相似度对应的历史时刻的无功方案，获得初始无功方案，所述数据库包括每一历史时刻所述配电网每一节点对应的初始数据和对应的无功方案；
S4、根据所述预测负荷数据、所述预处理后的初始数据和所述初始无功方案计算网络潮流，根据所述网络潮流修正所述初始无功方案中的异常节点的电压，获得最优无功方案。
2.根据权利要求1所述方法，其特征在于，步骤S1中，所述对所述初始数据进行预处理具体包括：
S11、获取所述初始数据中的所有空白数据；
S12、对于所述所有空白数据中的任一空白数据，根据所述任一空白数据对应节点的地理位置，获取相邻节点，所述相邻节点与所述任一空白数据对应节点的地理位置最相近；
S13、根据所述相邻节点当前时刻的节点初始数据除以所述相邻节点历史时刻的节点初始数据的平均值，获得修复比例，所述节点初始数据为所述相邻节点的运行数据、负荷数据和拓扑数据；
S14、根据所述修复比例和所述任一空白数据的节点初始数据的平均值的乘积，修正所述任一空白数据。
3.根据权利要求1所述方法，其特征在于，步骤S2进一步包括：
S21、对于所述配电网中的任一节点，获取所述任一节点对应的AR模型的预测系数；
S22、根据所述AR模型的预测系数，确定所述AR模型的阶数；
S23、根据所述AR模型的预测系数和所述AR模型的阶数，确定所述任一节点对应的AR模型的自回归系数，从而获得所述AR模型的表达式。
4.根据权利要求3所述方法，其特征在于，步骤S21进一步包括：
S211、获取所述任一节点的负荷时间向量，所述负荷时间向量表示所述任一节点当前时刻之前的100个历史时刻的有功功率，对所述负荷时间向量进行两次差分处理，得到差分系数序列，所述两次差分处理为：
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mi>Y</mi>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
<mo>=</mo>
<mi>P</mi>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
<mo>-</mo>
<mi>P</mi>
<mo>(</mo>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>L</mi>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
<mo>=</mo>
<mi>Y</mi>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
<mo>-</mo>
<mi>Y</mi>
<mo>(</mo>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
</mrow>
其中，Y表示一次差分序列，Y(i)表示所述一次差分序列的第i个元素，Y(i-1)表示所述一次差分序列的第i-1个元素，所述一次差分序列为对所述负荷时间序列进行一次差分处理后得到的序列，P表示所述负荷时间序列，P(i)表示P中的第i个元素，P(i-1)表示P中的第i-1个元素，L表示所述差分系数序列，L(i)表示所述差分系数序列中的第i个元素；
S212、通过标准化算法对所述差分系数序列进行处理，获得预测系数序列，所述预测系数序列包括所述AR模型的预测系数，所述标准化算法为：
<mrow>
<msub>
<mover>
<mi>Y</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>L</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>L</mi>
<mo>&OverBar;</mo>
</mover>
<mi>i</mi>
</msub>
</mrow>
<msqrt>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>L</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>L</mi>
<mo>&OverBar;</mo>
</mover>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mfrac>
<mo>,</mo>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mn>98</mn>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
其中，Li表示所述差分系数序列，表示所述差分系数序列中所有差分系数的平均值，表示所述预测系数序列。
5.根据权利要求4所述方法，其特征在于，步骤S22进一步包括：
S221、根据所述AR模型的预测系数的协方差函数，获得自相关系数矩阵；
S222、获取所述自相关系数矩阵的偏相关函数矩阵集合，所述偏相关函数矩阵集合包括所述自相关系数矩阵的1至12阶的偏相关函数矩阵；
S223、将所述偏相关函数矩阵集合中最小的偏相关函数矩阵对应的阶数作为所述AR模型的阶数。
6.根据权利要求5所述方法，其特征在于，步骤S23进一步包括：
根据所述AR模型的预测系数和所述AR模型的阶数，通过最小二乘法获得所述AR模型的自回归系数。
7.根据权利要求1所述方法，其特征在于，步骤S4进一步包括：
S41、根据所述预测负荷和所述初始无功方案，通过牛顿-拉夫逊算法，获得网络潮流；
S42、根据所述网络潮流获得所述配电网中每一节点的电压；
S43、对于所述配电网中任一节点的电压，若所述任一节点的电压大于第一预设阈值，将所述任一节点的电压修正为所述第一预设阈值，若所述任一节点的电压小于第二预设阈值，将所述任一节点的电压修正为所述第二预设阈值。
8.根据权利要求7所述方法，其特征在于，步骤S43中所述第一预设阈值为所述任一节点之前的100个历史时刻对应的历史数据的平均值的5倍。
9.根据权利要求7所述方法，其特征在于，步骤S43中所述第二预设阈值为所述任一节点之前的100个历史时刻对应的历史数据的平均值的1/5倍。
10.一种配电网无功优化装置，其特征在于，包括：
获取模块，用于获取所述配电网若干个历史时刻的初始数据，对所述初始数据进行预处理，获得预处理后的初始数据，所述初始数据包括所述配电网中所有节点的运行数据、负荷数据和拓扑数据，所述运行数据包括有功和无功，所述负荷数据包括电压；
预测模块，用于根据所述预处理后的初始数据，通过AR模型依次对所述配电网中的每一节点进行负荷预测，获得所述配电网当前时刻的预测负荷数据，所述预测负荷数据包括所述配电网中所有节点当前时刻的预测负荷；
搜索模块，用于根据所述预测负荷数据和数据库中每一历史时刻对应的历史负荷数据的余弦相似度，根据所有余弦相似度中最大的余弦相似度对应的历史时刻的无功方案，获得初始无功方案，所述数据库包括每一历史时刻所述配电网每一节点对应的初始数据和对应的无功方案；
修正模块，用于根据所述预测负荷数据、所述预处理后的初始数据和所述初始无功方案计算网络潮流，根据所述网络潮流修正所述初始无功方案中的异常节点的电压，获得最优无功方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710966564.4A CN107591811B (zh) | 2017-10-17 | 2017-10-17 | 配电网无功优化方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710966564.4A CN107591811B (zh) | 2017-10-17 | 2017-10-17 | 配电网无功优化方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107591811A true CN107591811A (zh) | 2018-01-16 |
| CN107591811B CN107591811B (zh) | 2019-08-30 |
Family
ID=61052557
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710966564.4A Active CN107591811B (zh) | 2017-10-17 | 2017-10-17 | 配电网无功优化方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107591811B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108984798A (zh) * | 2018-08-21 | 2018-12-11 | 北京睦合达信息技术股份有限公司 | 一种数据处理方法及装置 |
| CN111130122A (zh) * | 2020-01-14 | 2020-05-08 | 浙江大学 | 一种风电场无功控制能力在线监测方法 |
| CN112819067A (zh) * | 2021-01-28 | 2021-05-18 | 广东电网有限责任公司广州供电局 | 一种配电网不良数据的处理方法、装置、设备和存储介质 |
| CN115377976A (zh) * | 2022-10-25 | 2022-11-22 | 四川中电启明星信息技术有限公司 | 一种基于皮尔逊相关系数的配网线变关系识别方法 |
| CN116956594A (zh) * | 2023-07-25 | 2023-10-27 | 广州锐兴科技有限公司 | 一种基于拓扑结构的农村电网优化方法、装置及设备 |
| CN117526443A (zh) * | 2023-11-07 | 2024-02-06 | 北京清电科技有限公司 | 一种基于新型电力系统的配电网优化调控方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104318334A (zh) * | 2014-10-29 | 2015-01-28 | 上海工程技术大学 | 一种基于长相关farima模型的短期电力负荷预测方法 |
| CN105186513A (zh) * | 2015-10-16 | 2015-12-23 | 山东大学 | 一种基于时序最优潮流法的长期电压稳定预防控制方法 |
| CN106953338A (zh) * | 2017-04-12 | 2017-07-14 | 中国电力科学研究院 | 一种配电网无功优化方法及装置 |
-
2017
- 2017-10-17 CN CN201710966564.4A patent/CN107591811B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104318334A (zh) * | 2014-10-29 | 2015-01-28 | 上海工程技术大学 | 一种基于长相关farima模型的短期电力负荷预测方法 |
| CN105186513A (zh) * | 2015-10-16 | 2015-12-23 | 山东大学 | 一种基于时序最优潮流法的长期电压稳定预防控制方法 |
| CN106953338A (zh) * | 2017-04-12 | 2017-07-14 | 中国电力科学研究院 | 一种配电网无功优化方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| H. J. JAYATHEERTHA ET AL.: "Reactive Power Optimization Using Repeated Genetic Algorithm and Data Prediction", 《2013 15TH INTERNATIONAL CONFERENCE ON ADVANCED COMPUTING TECHNOLOGIES (ICACT)》 * |
| 张晓雪等: "含微电网的配电网优化调度", 《电工技术学报》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108984798A (zh) * | 2018-08-21 | 2018-12-11 | 北京睦合达信息技术股份有限公司 | 一种数据处理方法及装置 |
| CN111130122A (zh) * | 2020-01-14 | 2020-05-08 | 浙江大学 | 一种风电场无功控制能力在线监测方法 |
| CN111130122B (zh) * | 2020-01-14 | 2021-06-29 | 浙江大学 | 一种风电场无功控制能力在线监测方法 |
| CN112819067A (zh) * | 2021-01-28 | 2021-05-18 | 广东电网有限责任公司广州供电局 | 一种配电网不良数据的处理方法、装置、设备和存储介质 |
| CN115377976A (zh) * | 2022-10-25 | 2022-11-22 | 四川中电启明星信息技术有限公司 | 一种基于皮尔逊相关系数的配网线变关系识别方法 |
| CN116956594A (zh) * | 2023-07-25 | 2023-10-27 | 广州锐兴科技有限公司 | 一种基于拓扑结构的农村电网优化方法、装置及设备 |
| CN116956594B (zh) * | 2023-07-25 | 2024-02-09 | 广州锐兴科技有限公司 | 一种基于拓扑结构的农村电网优化方法、装置及设备 |
| CN117526443A (zh) * | 2023-11-07 | 2024-02-06 | 北京清电科技有限公司 | 一种基于新型电力系统的配电网优化调控方法及系统 |
| CN117526443B (zh) * | 2023-11-07 | 2024-04-26 | 北京清电科技有限公司 | 一种基于电力系统的配电网优化调控方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107591811B (zh) | 2019-08-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107591811A (zh) | 配电网无功优化方法及装置 | |
| CN107301472B (zh) | 基于场景分析法和电压调节策略的分布式光伏规划方法 | |
| CN105449713B (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 | |
| CN110362894A (zh) | 配电线路、变压器综合降损及节能计算分析方法及系统 | |
| CN106651200A (zh) | 一种工业企业聚合用户电力负荷管理方法和系统 | |
| CN101888087A (zh) | 一种在配网终端中实现分布式超短期区域负荷预测的方法 | |
| CN106600459A (zh) | 一种用于解决光伏接入点电压偏差的优化方法 | |
| CN109523084A (zh) | 一种基于主元分析和机器学习的风电功率超短期预测方法 | |
| CN110543988A (zh) | 一种基于XGBoost算法的光伏短期出力预测系统及方法 | |
| CN102799948B (zh) | 一种并网型光伏电站发电系统输出功率预测方法 | |
| CN110011358B (zh) | 一种配电网负荷状态调节控制器 | |
| CN109647899A (zh) | 一种带钢热轧精轧过程中多规格轧件电耗预报方法 | |
| CN116227637A (zh) | 一种面向有源配电网的精细化负荷预测方法和系统 | |
| CN112927097A (zh) | 基于GRA-ABC-Elman模型的光伏发电功率短期预测方法 | |
| CN112784475A (zh) | 基于多代理技术的配电网多级电压协调控制方法 | |
| CN110231808B (zh) | 一种生产过程能效跨尺度智能协同控制系统与方法 | |
| CN103824124B (zh) | 一种针对电网公司的节能潜力评估方法 | |
| CN113673065B (zh) | 一种配电网络自动重构的降损方法 | |
| Wang et al. | Short-term wind power prediction based on DBSCAN clustering and support vector machine regression | |
| CN107134790A (zh) | 一种基于大数据的配电网无功优化控制序列确定方法 | |
| CN111555293B (zh) | 一种基于数据模型分析的无功设备选型系统及方法 | |
| CN112990584A (zh) | 一种基于深度强化学习的自动生产决策系统及方法 | |
| CN116485139A (zh) | 一种基于多特征融合的短期光伏发电量预测方法 | |
| CN116882105A (zh) | 大规模光伏接入的交直流配电网供电模式边界分析方法 | |
| CN115293649A (zh) | 一种区配电网智能精细化降损方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231124 Address after: 100083, Room A-209, 2nd Floor, Building 25, No. 17 Qinghua East Road, Haidian District, Beijing Patentee after: BEIJING BOLIJIE ELECTRIC Co.,Ltd. Address before: 100193 No. 2 Old Summer Palace West Road, Beijing, Haidian District Patentee before: CHINA AGRICULTURAL University |