CN108414848B - 一种含分布式电源配电网的电能质量多时段综合预警方法 - Google Patents
一种含分布式电源配电网的电能质量多时段综合预警方法 Download PDFInfo
- Publication number
- CN108414848B CN108414848B CN201810013700.2A CN201810013700A CN108414848B CN 108414848 B CN108414848 B CN 108414848B CN 201810013700 A CN201810013700 A CN 201810013700A CN 108414848 B CN108414848 B CN 108414848B
- Authority
- CN
- China
- Prior art keywords
- grid
- warning
- data
- warning grade
- early warning
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000011156 evaluation Methods 0.000 claims abstract description 30
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 238000012544 monitoring process Methods 0.000 claims description 17
- 230000010354 integration Effects 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 13
- 230000007613 environmental effect Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 210000005036 nerve Anatomy 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000007547 defect Effects 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims 1
- 210000004218 nerve net Anatomy 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 2
- 238000004088 simulation Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- ZRHANBBTXQZFSP-UHFFFAOYSA-M potassium;4-amino-3,5,6-trichloropyridine-2-carboxylate Chemical group [K+].NC1=C(Cl)C(Cl)=NC(C([O-])=O)=C1Cl ZRHANBBTXQZFSP-UHFFFAOYSA-M 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000002542 deteriorative effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种含分布式电源配电网的电能质量多时段综合预警方法,包括:分布式电源并网前的对其并网接入产生电能质量影响的预评估;分布式电源并网后的配电网实时运行稳态电能质量指标数据的获取;分布式电源并网后的基于广义回归神经网络预测模型实现未来时段配电网稳态电能质量指标数据的预测;针对各稳态电能质量指标各预警等级的阈值设置;构建包含预评估预警、实测预警和预测预警功能的电能质量多时段综合预警机制。
Description
技术领域
本发明涉及一种含分布式电源配电网的电能质量多时段综合预警方法,属电气工程和电能质量领域。
背景技术
分布式电源(Distributed Generator,DG)作为一种新型发电单元,接入传统配电网是对配电网很好的一种补充,但不可避免地会带来电能质量(Power Quality,PQ)方面的不利影响和新问题。对含DG配电网进行PQ实时监测、合理评估及有效改善,对于未来配电网中DG渗透率的进一步提高、电力市场培育工作的进一步推进,均有着重要的意义;而实现含DG配电网的PQ全面预警,对于提前发现、有效解决潜伏PQ问题有着重要的作用。因此,建立一套功能全面、机制合理的含DG配电网的PQ评估与预警体系相当重要。
当前,PQ预警相关的研究热点主要集中在基于实时监测数据的传统配电网PQ预警方面,而针对含DG配电网PQ预警的研究成果较少。申请号为201110067687.7,201310670062.9,201510012840.4,201710009345.7,201710421232.8的发明专利研究对象均为普通电网,且仅针对目标电网电能质量现状进行评估预警;申请号为201510683067.4的发明专利提出了一种大规模分布式光伏并网对配电网安全的评价及预警方法,但其仅根据安全现状做出预警,未涉及基于PQ未来时段预测数据的预测预警;申请号为201310385869.8的发明专利提出一种基于多种预测算法的PQ稳态指标预警方法,但未提供具体的预测模型算法,且仅将预测数据作为指标的预警基础数据,未能结合实时监测数据进行综合的分析和预警。本发明专利综合考虑含DG配电网的并网前PQ预评估数据、并网后PQ实时监测数据与未来时段的PQ预测数据,提出一种具有阈值越限呆滞区设置的含DG配电网的PQ多时段综合预警方法。
发明内容
本发明要克服现有PQ预警方法普遍针对传统电网、基于PQ实时监测数据实现预警的问题,综合考虑DG并网前PQ预评估数据、DG并网后PQ实时监测数据与未来时段的PQ预测数据,提供一种含DG配电网的PQ多时段综合预警方法,实现更全面、灵活的PQ预警功能。
本发明为实现上述目的,提出了一种含DG配电网的PQ多时段综合预警方法,其过程包括如下步骤:
1、DG并网前的PQ影响预评估:DG接入并网运行将给配电网带来PQ方面的影响;在DG规划阶段或DG未并网运行之前,无法获得系统PQ的实测数据,但根据DG类型、DG接入位置及容量、DG输出功率预测值、线路阻抗相关数据,采用构建等效模型及潮流计算方法,基于公式(1)能够实现关键节点并网前、后电压差和电压波动情况的分析,从而预评估DG接入并网运行对原配电网可能造成的PQ影响:
其中,ΔU为接入点DG并网前、后的电压差,R0为配电网主电源到DG接入点之间的等效电阻,Ppv为预计接入的DG容量,UN为接入点的额定电压;
2、DG并网后的实时PQ数据获取:在DG接入点布置PQ监测装置,实现含DG配电网PQ数据的实时采集,并将有效信息传送到目标配电网管理中心的PQ监测站服务器,在此由PQ分析软件实现电压偏差、频率偏差、三相电压不平衡度、总谐波畸变率这四项PQ单项指标值的计算;
3、DG并网后的未来时段PQ预测:在充分考虑影响DG出力的多种因素以及电网负荷变化情况下,构建基于GRNN神经网络的PQ预测模型,并将其预测结果作为未来时段PQ预警的依据;
步骤301,构建广义回归神经网络(GRNN)的PQ预测模型:以所选取的PQ影响因素为输入变量,以各单项稳态PQ指标为输出变量,分别构建基于GRNN神经网络的各单项稳态PQ指标的预测模型;
步骤302,GRNN神经网络PQ预测模型的训练:以系统采集保存的各历史时段的PQ指标数据为输出数据组,以对应时段的环境因素及负荷数据为输入数据组,进行PQ预测神经网络的训练,直至训练结果满足误差允许;
步骤303,未来目标时段的PQ预测:基于已完成训练的GRNN神经网络PQ预测模型,以未来目标时段的环境因素和负荷预测数据作为输入数据,实现含DG配电网未来目标时段的PQ指标数据预测;
4、各PQ预警等级的阈值设置:针对各PQ指标项分别确定各预警等级的阈值;为避免PQ数据在阈值附近波动造成的预警信息频繁变化的困扰,设置阈值越限呆滞区;
步骤401,各预警等级阈值设置:根据各稳态PQ指标的国家标准以及专家经验,将各稳态PQ指标的国家标准中规定的“不合格”限值进一步划分为从“轻微”预警到“严重”预警的多个预警等级阈值;
步骤402,阈值越限呆滞区设置:为避免PQ数据在阈值附近波动时,可能导致预警信息频繁变化从而困扰工作人员的缺陷,为各预警等级的阈值分别设置阈值越限呆滞区,添加阈值上限和阈值下限,PQ数据未超出阈值越限呆滞区范围预警等级将不会改变:
A)高预警等级的阈值下限Δx1:当PQ指标偏差程度增加越过高预警等级阈值时,系统由低预警等级转换为更高一级的预警等级;随后若PQ指标值在高预警等级阈值附近上下波动,只有当其值跌落超出由高预警等级的阈值下限Δx1形成的越限呆滞区范围,系统才能恢复为低预警等级;
B)低预警等级的阈值上限Δx2:当PQ指标偏差程度降低越过低预警等级阈值时,系统由高预警等级转换为更低一级的预警等级;随后若PQ指标值在低预警等级阈值附近上下波动,只有当其值升高超出由低预警等级的阈值上限Δx2形成的越限呆滞区范围,系统才能恢复为高预警等级;
5、构建PQ多时段综合预警机制:DG并网接入前、DG并网接入后实时运行和未来时段不同场景下,PQ预警具有各自不同的意义和特征;实现上述多场景下含DG配电网的PQ多时段综合预警机制为:
步骤501,DG并网前的PQ预评估预警:在DG并网前,依据步骤1对其并网接入可能造成的PQ影响进行预评估,并将预评估结果与国家PQ标准限值进行对比;若不超标则允许DG并网接入,若超标则发出预警告示,告知电网管理者或DG用户进行DG接入容量和地址的重新规划;
步骤502,DG并网后的PQ实测预警:在DG接入电网后,根据步骤2所获得的含DG配电网PQ实时监测数据与根据步骤4所获得的各预警等级阈值进行比较;依据系统给出的各项PQ指标的预警等级,对出现PQ指标异常或超标的相关线路及时给出告警,有助于提高电网监控人员的警惕,进而分析电网中造成该PQ指标偏差问题的原因,并采取有效改善措施以防止其进一步加重;
步骤503,DG并网后的PQ预测预警:在DG接入电网后,根据步骤3所获得的含DG配电网的未来时段的PQ预测数据与根据步骤4所获得的各预警等级阈值进行比较;依据系统给出的各项PQ指标的预警等级,对预测可能出现PQ指标异常或超标的相关线路及时给出告警,有助于在真正发生PQ指标严重偏差问题前提前发出预警信息,使监控人员对未来时段电网的PQ态势实现提前预判,进而采取适当措施进行有效预防。
本发明的有益效果主要表现在:1、综合考虑了DG并网前和DG并网后不同时段的PQ预警机制,在DG并网接入规划、运行阶段均可提供有效的PQ预警信息;2、在DG并网后综合考虑了基于PQ实时监测数据和PQ预测数据的实测预警和预测预警机制,提供了实时运行和未来多时段的有效PQ预警信息;3、设置了预警阈值越限呆滞区,避免PQ数据在预警阈值附近波动时可能导致的PQ预警信息频繁变化的困扰。
附图说明
图1为本发明方法的流程图。
图2为一个含DG并网的13节点配电网的拓扑结构图。
图3为稳态PQ指标GRNN神经网络预测模型结构图。
图4为PQ预警阈值越限呆滞区设置示意图。
具体实施方式
下面结合实施例及附图对本发明作进一步的详细说明,但本发明的实施方式不限于此。实施例中含DG配电网的PQ多时段综合预警方法的总流程图如附图1所示,包括以下步骤:
1、DG并网前的PQ影响预评估:DG接入并网运行将给配电网带来PQ方面的影响;在DG规划阶段或DG未并网运行之前,无法获得系统PQ的实测数据,但根据DG类型、DG接入位置及容量、DG输出功率预测值、线路阻抗相关数据,采用构建等效模型及潮流计算方法,基于公式(1)能够实现关键节点并网前、后电压差和电压波动情况的分析,从而预评估DG接入并网运行对原配电网可能造成的PQ影响;
以拓扑结构如附图2所示的13节点10.5KV配电网系统为例进行仿真,进一步说明本发明的实施过程;系统中1~6节点为负荷节点,各节点负荷类型、负荷曲线以及各架空线参数已知;系统中规划一个可接入并网运行的光伏DG,1~6节点均为其可能的接入点;采用公式(1)对DG在各节点接入并网运行可能造成的电压偏差进行预评估,结果如表1所示;
表1DG并网前各节点接入的电压偏差预评估
接入节点 | R<sub>0</sub>(Ω) | P<sub>pv</sub>(MW) | U<sub>N</sub>(kV) | U<sub>1</sub>(kV) | U<sub>2</sub>(kV) | ΔU<sub>2</sub>(%) |
1 | 3.82 | 0.256 | 6.06 | 5.59 | 5.76 | -3.77 |
2 | 5.10 | 0.256 | 6.06 | 5.88 | 6.09 | 1.81 |
3 | 5.35 | 0.256 | 6.06 | 5.89 | 6.11 | 2.15 |
4 | 3.70 | 0.256 | 6.06 | 5.80 | 5.95 | -0.51 |
5 | 5.10 | 0.256 | 6.06 | 5.89 | 6.10 | 1.98 |
6 | 3.56 | 0.256 | 6.06 | 5.39 | 5.54 | -7.35 |
表1中,U1为DG并网前各节点的电压指标值;U2和ΔU2分别为根据公式(1)计算所得的假设DG在各节点接入时,各节点的电压指标及其偏差值的预估值;表1中各接入点DG并网时的PQ预评估结果,可用于实现DG并网前的PQ预评估预警;
2、DG并网后的实时PQ数据获取:在DG接入点布置PQ监测装置,实现含DG配电网PQ数据的实时采集,并将有效信息传送到目标配电网管理中心的PQ监测站服务器,在此由PQ分析软件实现电压偏差、频率偏差、三相电压不平衡度、总谐波畸变率这四项PQ单项指标值的计算;
实施例中,以构建的附图2所示的含DG并网13节点配电网仿真模型获取PQ实时监测数据;为使获得的PQ数据具有变化特性,仿真模型中各节点负荷均设置为具有波动特性的负荷变化曲线,光伏DG的温度、光照参数也设置为动态变化;
3、DG并网后的未来时段PQ预测:在充分考虑影响DG出力的多种因素以及电网负荷变化情况下,构建基于GRNN神经网络的PQ预测模型,并将其预测结果作为未来时段PQ预警的依据;
步骤301,构建GRNN神经网络的PQ预测模型:以所选取的PQ影响因素为输入变量,以各单项稳态PQ指标为输出变量,分别构建基于GRNN神经网络的各单项稳态PQ指标的预测模型;
实施例中,根据对含DG配电网PQ指标影响因素的分析,分别取时间、温度、光照数据、公共连接点的负荷和网络其余点的负荷这5项指标作为网络输入变量,以电压偏差、频率偏差、三相电压不平衡度、总谐波畸变率这4项稳态PQ指标作为网络输出变量,分别构建4个不同的5输入单输出的GRNN预测模型网络,结构如附图3所示;
步骤302,GRNN神经网络PQ预测模型的训练:以系统采集保存的各历史时段的PQ指标数据为输出数据组,以对应时段的环境因素及负荷数据为输入数据组,进行PQ预测神经网络的训练,直至训练结果满足误差允许;
步骤303,未来目标时段的PQ预测:基于已完成训练的GRNN神经网络PQ预测模型,以未来目标时段的环境因素和负荷预测数据作为输入数据,实现含DG配电网未来目标时段的PQ指标数据预测;
实施例中,为实现PQ的预测,通过改变仿真模型中各PQ指标影响因素信息,分别获取步骤302已构建的GRNN预测模型训练、测试所需各类输入、输出数据,并建立预测样本数据库:
1)记录负荷变化数据:设置1~6负荷节点的负荷变化曲线,分别记录DG并网接入处和其他另外5个负荷节点的每小时负荷数据,求出除DG并网接入点外其他5处负荷每小时负荷大小的数据之和;
2)设置并记录环境因素指标:设置光伏DG的每小时平均光照强度和温度变化曲线,并记录数据;
3)仿真模型:创建求取每小时PQ指标数据的子程序,获取一天内各项稳态PQ指标的运行数据;
重复上述仿真过程的步骤2)和3),记录并保存在不同环境条件下一天24小时的平均PQ指标数据;最终,共获取得到21组不同环境因素条件下的PQ指标仿真数据,每组数据内有24个小时的稳态PQ指标的平均值、温度、光照、接入点的负荷大小、剩余其他节点的负荷大小以及时间数据;
利用MATLAB软件的神经网络工具箱分别创建4种不同稳态PQ指标的GRNN预测神经网络算法子程序,其流程包括:读取数据、构建输入样本、数据归一化处理、构建神经网络、训练神经网络、输出预测结果和数据反归一化处理;
不同环境因素条件下获取的21组仿真数据中,以前20组数据进行GRNN预测模型的训练;训练结束,以第21组数据作为PQ预测模型的测试数据,获得的未来一天24小时内的各项稳态PQ指标数据如表2所示;
表2未来24小时稳态PQ指标的预测数据
依据测试结果的误差分析表明,GRNN神经网络预测模型对以上4类稳态PQ指标的预测均具有较好效果,预测精度较高,可以实现对含DG配电网的稳态PQ指标的快速准确预测;
4、各PQ预警等级的阈值设置:针对各PQ指标项分别确定各预警等级的阈值;为避免PQ数据在阈值附近波动造成的预警信息频繁变化的困扰,设置阈值越限呆滞区;
步骤401,各预警等级阈值设置:根据各稳态PQ指标的国家标准以及专家经验,将各稳态PQ指标的国家标准中规定的“不合格”限值进一步划分为从“轻微”预警到“严重”预警的多个预警等级阈值;
实施例中,将PQ预警等级从“轻微”预警到“严重”预警划分为4个等级:1)一级绿色预警:代表该PQ指标状态良好;2)二级黄色预警:代表该PQ指标状态一般,需适当关注;3)三级橙色预警:代表该PQ指标状态较差,需进行密切监控,以防进一步恶化;4)四级红色预警:代表该电能质量指标状态差,已出现超标,需对超标线路采取措施进行治理;根据国家PQ标准规定的限值以及专家经验,针对10kV电网的各项稳态PQ指标各预警等级的阈值范围划分如表3所示;
表3各稳态PQ指标预警等级阈值划分(10kV)
步骤402,阈值越限呆滞区设置:为避免PQ数据在阈值附近波动时,可能导致预警信息频繁变化从而困扰工作人员的缺陷,为各预警等级的阈值分别设置阈值越限呆滞区,添加阈值上限和阈值下限,PQ数据未超出阈值越限呆滞区范围预警等级将不会改变:
A)高预警等级的阈值下限Δx1:当PQ指标偏差程度增加越过高预警等级阈值时,系统由低预警等级转换为更高一级的预警等级;随后若PQ指标值在高预警等级阈值附近上下波动,只有当其值跌落超出由高预警等级的阈值下限Δx1形成的越限呆滞区范围,系统才能恢复为低预警等级;
B)低预警等级的阈值上限Δx2:当PQ指标偏差程度降低越过低预警等级阈值时,系统由高预警等级转换为更低一级的预警等级;随后若PQ指标值在低预警等级阈值附近上下波动,只有当其值升高超出由低预警等级的阈值上限Δx2形成的越限呆滞区范围,系统才能恢复为高预警等级;
实施例中,预警阈值越限呆滞区设置的实施原理如附图4所示;设定高预警等级的阈值下限Δx1为-5%,低预警等级的阈值上限Δx2为+5%;PQ指标值首次升高越过a点,系统转换为高预警等级,随后尽管PQ指标值多次波动至小于阈值1,但由于均未超出其越限呆滞区Δx1范围,系统预警等级不变,直至b点系统才恢复为低预警等级;同理,PQ指标值首次降低越过c点,系统转换为低预警等级,随后尽管PQ指标值多次波动至大于阈值2,但由于均未超出其越限呆滞区Δx2范围,系统预警等级不变,直至d点系统恢复为高预警等级;
5、构建多时段综合PQ预警机制:DG并网接入前、DG并网接入后实时运行和未来时段不同场景下,PQ预警具有各自不同的意义和特征;实现上述多场景下含DG配电网的多时段综合PQ预警机制为:
步骤501,DG并网前的PQ预评估预警:在DG并网前,依据步骤1对其并网接入可能造成的PQ影响进行预评估,并将预评估结果与国家PQ标准限值进行对比;若不超标则允许DG并网接入,若超标则发出预警告示,告知电网管理者或DG用户进行DG接入容量和地址的重新规划;
实施例中,依据步骤1,DG在1~6各节点接入并网的电压偏差预评估结果如表1所示;将其与步骤4表3中划定的电压偏差指标的各预警等级的阈值进行比较,可获得DG在1~6各节点接入并网方案下各自的电压偏差指标预评估预警情况,如表4所示;通过预评估预警可见:DG若在2~4节点接入并网,其电压偏差预评估为“一级绿色预警”,可作为推荐并网方案;DG若在节点1接入并网,电压偏差预评估为“二级黄色预警”,虽需要适当关注,但仍然符合国家标准,运行并网接入;而DG若在节点6接入并网,其电压偏差预评估为“四级红色预警”,超过国家标准限值,该并网方案不可行需重新规划;
表4 1~6各节点DG并网前的PQ预评估预警
并网节点 | ΔU<sub>2</sub>(%) | 预警等级 |
1 | -3.77 | 二级黄色预警 |
2 | 1.81 | 一级绿色预警 |
3 | 2.15 | 一级绿色预警 |
4 | -0.51 | 一级绿色预警 |
5 | 1.98 | 一级绿色预警 |
6 | -7.35 | 四级红色预警 |
步骤502,DG并网后的PQ实测预警:在DG接入电网后,根据步骤2所获得的含DG配电网PQ实时监测数据与根据步骤4所获得的各预警等级阈值进行比较;依据系统给出的各项PQ指标的预警等级,对出现PQ指标异常或超标的相关线路及时给出告警,有助于提高电网监控人员的警惕,进而分析电网中造成该PQ指标偏差问题的原因,并采取有效改善措施以防止其进一步加重;
步骤503,DG并网后的PQ预测预警:在DG接入电网后,根据步骤3所获得的含DG配电网的未来时段的PQ预测数据与根据步骤4所获得的各预警等级阈值进行比较;依据系统给出的各项PQ指标的预警等级,对预测可能出现PQ指标异常或超标的相关线路及时给出告警,有助于在真正发生PQ指标严重偏差问题前提前发出预警信息,使监控人员对未来时段电网的PQ态势实现提前预判,进而采取适当措施进行有效预防。
实施例中,从步骤3所得表3所示的一天24小时内PQ预测数据中,代表性地每3小时取一组PQ预测数据,依据步骤4划定的稳态PQ指标各预警等级阈值进行PQ预测预警,结果如表5所示;
表5各项PQ指标的预测预警
由表5可知,未来24小时内,电网管理人员可根据各PQ指标的各时段的预测预警等级信息,提前进行含DG配电网的电能质量情况评估;对于不同时段、不同PQ指标项出现的“三级橙色预警”以上的预测预警结果,提前准备PQ改善的有效策略。
算例分析显示,本发明所提方法能够实现含DG配电网中DG并网前、DG并网后不同时段的PQ综合预警;DG并网运行后,除能够实现基于实测数据的实时预警外,还可实现基于PQ预测数据的多时段综合预警;设置PQ预警阈值越限呆滞区,可有效避免PQ数据在阈值附近波动时可能导致的预警信息频繁变化的问题。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举,本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式,本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (1)
1.一种含分布式电源配电网的电能质量多时段综合预警方法,分布式电源简称DG,电能质量简称PQ,包括如下步骤:
步骤1、DG并网前的PQ影响预评估:DG接入并网运行将给配电网带来PQ方面的影响;在DG规划阶段或已完成DG安装但尚未并网运行阶段,无法获得系统PQ的实测数据,但根据DG类型、DG接入位置及容量、DG输出功率预测值、线路阻抗相关数据,采用构建等效模型及潮流计算方法,基于公式(1)能够实现关键节点并网前、后电压差和电压波动情况的分析,从而预评估DG接入并网运行对原配电网造成的PQ影响:
其中,ΔU为接入点DG并网前、后的电压差,R0为配电网主电源到DG接入点之间的等效电阻,Ppv为预计接入的DG容量,UN为接入点的额定电压;
步骤2、DG并网后的实时PQ数据获取:在DG接入点布置PQ监测装置,实现含DG配电网PQ数据的实时采集,并将有效信息传送到目标配电网管理中心的PQ监测站服务器,在此由PQ分析软件实现PQ各单项指标值的计算;
步骤3、DG并网后的未来时段PQ预测:在充分考虑影响DG出力的多种因素以及电网负荷变化情况下,构建基于GRNN神经网络的PQ预测模型,并将其预测结果作为未来时段PQ预警的依据;
步骤301,构建广义回归神经网络的PQ预测模型,广义回归神经网络简称GRNN神经网络:以所选取的PQ影响因素为输入变量,以各单项稳态PQ指标为输出变量,分别构建基于GRNN神经网络的各单项稳态PQ指标的预测模型;
步骤302,GRNN神经网络PQ预测模型的训练:以系统采集保存的各历史时段的PQ指标数据为输出数据组,以对应时段的环境因素及负荷数据为输入数据组,进行PQ预测神经网络的训练,直至训练结果满足误差允许;
步骤303,未来目标时段的PQ预测:基于已完成训练的GRNN神经网络PQ预测模型,以未来目标时段的环境因素和负荷预测数据作为输入数据,实现含DG配电网未来目标时段的PQ指标数据预测;
步骤4、各PQ预警等级的阈值设置:针对各PQ指标项分别确定各预警等级的阈值;为避免PQ数据在阈值附近波动造成的预警信息频繁变化的困扰,设置阈值越限呆滞区;
步骤401,各预警等级阈值设置:根据各稳态PQ指标的国家标准以及专家经验,将各稳态PQ指标的国家标准中规定的“不合格”限值进一步划分为从“轻微”预警到“严重”预警的多个预警等级阈值;
步骤402,阈值越限呆滞区设置:当PQ数据在阈值附近上下波动时,将导致PQ预警状态的频繁改变;为避免这种缺陷,为各预警等级的阈值分别设置阈值越限呆滞区,添加阈值上限和阈值下限,PQ数据未超出阈值越限呆滞区范围预警等级将不会改变:
A)高预警等级的阈值下限Δx1:当PQ指标偏差程度增加越过高预警等级阈值时,系统由低预警等级转换为更高一级的预警等级;随后若PQ指标值在高预警等级阈值附近上下波动,只有当其值跌落超出由高预警等级的阈值下限Δx1形成的越限呆滞区范围,系统才能恢复为低预警等级;
B)低预警等级的阈值上限Δx2:当PQ指标偏差程度降低越过低预警等级阈值时,系统由高预警等级转换为更低一级的预警等级;随后若PQ指标值在低预警等级阈值附近上下波动,只有当其值升高超出由低预警等级的阈值上限Δx2形成的越限呆滞区范围,系统才能恢复为高预警等级;
步骤5、构建多时段综合PQ预警机制:DG并网接入前、DG并网接入后实时运行和未来时段不同场景下,PQ预警具有各自不同的意义和特征;实现上述不同场景下含DG配电网的多时段综合PQ预警机制为:
步骤501,DG并网前的PQ预评估预警:在DG并网前,依据步骤1对其并网接入造成的PQ影响进行预评估,并将预评估结果与国家PQ标准限值进行对比;若不超标则允许DG并网接入,若超标则发出预警告示,告知电网管理者或DG用户进行DG接入容量和地址的重新规划;
步骤502,DG并网后的PQ实测预警:在DG接入电网后,根据步骤2所获得的含DG配电网PQ实时监测数据与根据步骤4所获得的各预警等级阈值进行比较;依据系统给出的各项PQ指标的预警等级,对出现PQ指标超标的相关线路及时给出告警;
步骤503,DG并网后的PQ预测预警:在DG接入电网后,根据步骤3所获得的含DG配电网的未来时段的PQ预测数据与根据步骤4所获得的各预警等级阈值进行比较;依据系统给出的各项PQ指标的预警等级,对预测将出现PQ指标超标的相关线路及时给出告警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810013700.2A CN108414848B (zh) | 2018-01-08 | 2018-01-08 | 一种含分布式电源配电网的电能质量多时段综合预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810013700.2A CN108414848B (zh) | 2018-01-08 | 2018-01-08 | 一种含分布式电源配电网的电能质量多时段综合预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108414848A CN108414848A (zh) | 2018-08-17 |
CN108414848B true CN108414848B (zh) | 2019-09-24 |
Family
ID=63125761
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810013700.2A Active CN108414848B (zh) | 2018-01-08 | 2018-01-08 | 一种含分布式电源配电网的电能质量多时段综合预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108414848B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109871976B (zh) * | 2018-12-20 | 2020-12-25 | 浙江工业大学 | 一种基于聚类及神经网络的含分布式电源配电网电能质量预测方法 |
CN110297145B (zh) * | 2019-07-29 | 2021-03-02 | 广东电网有限责任公司 | 一种基于多用户电能量数据深度分析的电压暂降检测方法 |
CN110474328A (zh) * | 2019-08-20 | 2019-11-19 | 杭州市电力设计院有限公司余杭分公司 | 一种新能源电站的并网控制方法及系统 |
CN110632545B (zh) * | 2019-09-25 | 2021-09-21 | 国网江苏省电力有限公司电力科学研究院 | 基于回归神经网络电子式互感器误差风险评估方法和装置 |
CN110991833B (zh) * | 2019-11-20 | 2023-05-23 | 华南理工大学 | 一种稳态电能质量评级方法 |
CN114970373B (zh) * | 2022-07-22 | 2022-10-25 | 北京智芯微电子科技有限公司 | 电压畸变率的预测方法、装置、电子设备及可读存储介质 |
CN115754866B (zh) * | 2022-11-04 | 2024-03-26 | 国网山东省电力公司电力科学研究院 | 一种继电保护测试仪全寿命周期监测预警系统及方法 |
CN115759860A (zh) * | 2022-11-29 | 2023-03-07 | 海南电网有限责任公司电力科学研究院 | 一种台区电能质量告警、溯源及责任量化方法 |
CN116885775B (zh) * | 2023-07-10 | 2024-02-27 | 郭栋 | 基于并网光伏发电系统对电网电能质量影响的分析方法 |
CN117134502B (zh) * | 2023-10-23 | 2023-12-22 | 国网四川雅安电力(集团)股份有限公司荥经县供电分公司 | 电力数据监控方法和监控系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101267116B (zh) * | 2008-03-20 | 2011-08-31 | 浙江工业大学 | 一种配电网电能质量扰动源自动定位方法 |
CN101847891A (zh) * | 2009-10-30 | 2010-09-29 | 深圳市科陆电子科技股份有限公司 | 在配网终端中监控分布式电源并网的方法 |
US9997920B2 (en) * | 2014-06-11 | 2018-06-12 | Sinewatts, Inc. | System and method for islanding detection and prevention in distributed generation |
CN107171326B (zh) * | 2017-05-31 | 2020-10-09 | 国网江苏省电力公司宿迁供电公司 | 主动配电网分布式电源与有源滤波器协调控制系统 |
-
2018
- 2018-01-08 CN CN201810013700.2A patent/CN108414848B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108414848A (zh) | 2018-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108414848B (zh) | 一种含分布式电源配电网的电能质量多时段综合预警方法 | |
Li et al. | The comprehensive evaluation of smart distribution grid based on cloud model | |
CN104573947A (zh) | 区域智能配电网低压台区综合评价方法 | |
CN103995162B (zh) | 基于高级量测体系的配电网大用户实时防窃电方法 | |
CN103617568A (zh) | 稳态电能质量预警机制中的异常数据判定阈值设定方法 | |
CN107730111A (zh) | 一种考虑用户负荷和新能源接入的配网电压风险评估模型 | |
CN110826228B (zh) | 一种地区电网运行品质极限评估方法 | |
Sefid et al. | Optimal PMU placement in a smart grid: An updated review | |
CN115528817A (zh) | 一种用户端智能配用电系统、方法、介质、设备及终端 | |
CN110348637A (zh) | 一种考虑场-网因素的风电爬坡事件预警方法 | |
CN109829560A (zh) | 一种配电网可再生能源发电集群接入规划方法 | |
CN105528671A (zh) | 一种基于大数据的电网多维感知与安全评估系统及方法 | |
WO2023071300A1 (zh) | 一种微能网多适应性μPMU最优布点方法 | |
Guo et al. | Evidence-based approach to power transmission risk assessment with component failure risk analysis | |
CN109787295A (zh) | 一种计及风电场状态的风电功率超短期预测计算方法 | |
Kaplan et al. | Fault diagnosis of smart grids based on deep learning approach | |
Ni et al. | A review of line loss analysis of the low-voltage distribution system | |
Miraftabzadeh et al. | K-means and alternative clustering methods in modern power systems | |
Jiekang et al. | Risk early warning method for distribution system with sources-networks-loads-vehicles based on fuzzy C-mean clustering | |
Kafle et al. | Reliability analysis techniques in distribution system: a comprehensive review | |
Hu et al. | Operational reliability evaluation method based on big data technology | |
CN109245109A (zh) | 一种供电低电压预警系统及方法 | |
CN110048428A (zh) | 基于概率守恒原理的电力系统概率潮流计算方法 | |
CN106159940A (zh) | 基于电网负荷特性分析的pmu最优布点方法 | |
Lu et al. | Security‐level classification based on power system partitioning |
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 |