CN108879708B - 一种主动配电网的无功电压分区方法及系统 - Google Patents
一种主动配电网的无功电压分区方法及系统 Download PDFInfo
- Publication number
- CN108879708B CN108879708B CN201810987282.7A CN201810987282A CN108879708B CN 108879708 B CN108879708 B CN 108879708B CN 201810987282 A CN201810987282 A CN 201810987282A CN 108879708 B CN108879708 B CN 108879708B
- Authority
- CN
- China
- Prior art keywords
- node
- nodes
- load
- power
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
- H02J3/16—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by adjustment of reactive power
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种主动配电网的无功电压分区方法及系统,属于电力系统自动化技术领域,方法:首先利用综合评价指标从负荷节点中选取关键节点,构建关键节点坐标空间,然后利用Kohonen神经网络自动分区算法对负荷节点进行分区,计算电源节点对各个负荷节点分区的电压控制灵敏度,完成对整个主动配电网的分区,最后对分区结果的每一个子区域进行校验;本发明的综合评价指标从负荷节点中选取关键节点更加具有客观性和全面性,使得分区算法得到的分区结果更准确,并利用Kohonen神经网络自动分区算法进行主动配电网的分区,算法具有易于实现、收敛快、精度高和分区结果更加客观的特点。
Description
技术领域
本发明属于电力系统自动化技术领域,具体涉及一种主动配电网的无功电压分区方法及系统。
背景技术
随着化石能源的逐渐枯竭和低碳经济的发展,以风能、太阳能为主的可再生能源发电技术的研究和应用使得配电网中分布式可再生能源发电的渗透率逐渐升高,对配电网的潮流分布、电压水平、短路电流等电气特征产生了很大影响,使得配电网的不确定性大大增加,电压控制问题变得更加复杂。为充分发挥配电网消纳可再生能源的能力,国际大电网会议首次提出了主动配电网(Active Distribution Network,ADN)的概念,其目标是在确保电网运行可靠性及电能质量的前提下,增加现有配电网对可再生能源的消纳能力,提升其利用率。
ADN中的分布式电源(Distributed Generation,DG)等无功控制设备的数量众多和潮流双向流动,相比传统配电网,其调度控制复杂度大大提高且不易进行控制。电网分区可以简化电网,使电网便于调度控制,分区的目的是把电网分成若干个分区内部电气联系强而分区之间电气联系弱的子区域,具有高内聚、低耦合的特点。
目前,大多研究输电网的分区,而对配电网进行分区研究的很少,主要的分区算法有层次聚类算法、图论法、模糊聚类法、复杂网络理论等分区算法,并且已在控制区域的划分得到应用,上述分区方法存在人为指定分区数使得分区结果具有主观性而不够精确或利用比较不同分区数下的分区评价指标来确定最佳分区数的配电网分区方法过程复杂和不够简单高效。
发明内容
针对上述存在的技术问题,本发明提供一种主动配电网的无功电压分区方法及系统。
一种主动配电网的无功电压分区方法的系统,包括:电网信息采集单元、关键节点获取单元、坐标空间构造单元、优化分区单元、电源节点归并单元、子区域校验单元;
所述电网信息采集单元包括PMU信息采集器和中继传输器;PMU信息采集器用于采集电网潮流计算所需要的节点信息、支路信息和容量信息;中继传输器将这些信息传输到初始分区模块中,作为其输入;
所述关键节点获取单元包括评价指标决策矩阵及规范化、评价指标的综合权重、加权决策矩阵、综合评价指标四个模块;所述评价指标决策矩阵及规范化模块用于构建规范决策矩阵,将负荷节点的四个评价指标用矩阵形式表示,并消除指标的类型和量纲的不同;所述评价指标的综合权重模块用于构建综合权重矩阵,将层次分析法和熵权法相结合,得到各个指标的综合权重;所述加权决策矩阵模块用于将规范决策矩阵和综合权重矩阵相结合;所述综合评价指标模块用于划分各个负荷节点的重要程度,从而选出关键节点;
所述坐标空间构造单元包括电压灵敏度和关键节点坐标空间两个模块,所述电压灵敏度模块用于计算关键节点分别对负荷节点的电压灵敏度,所述关键节点坐标空间模块用于将每个关键节点对负荷节点的电压灵敏度看作坐标空间中的一维,形成关键节点空间坐标,来表征负荷节点所包含的信息;
所述优化分区单元包括确定神经网络结构、初始权向量选取及单位化、输入特征向量选取及单位化、优化运算四个模块,所述神经网络结构模块用于确定Kohonen网络的输入神经元和输出神经元个数,所述初始权向量选取及单位化模块用于确定输入神经元与输出神经元之间的初始权重,所述输入特征向量选取及单位化模块用于得到Kohonen网络的输入样本集,所述优化运算模块用于对输入特征向量集进行聚类从而得到负荷节点的分区;
所述电源节点归并单元基于区域电压控制灵敏度排序将电源节点归并;
所述子区域校验单元包括负荷和电源节点最低个数校验、连通性校验、静态无功平衡校验和无功储备校验四个模块,用于校验分区的合理性;
一种主动配电网的无功电压分区方法,具体步骤如下:
步骤1:根据评价指标构建规范决策矩阵和综合权重矩阵,采用两者结合得到加权的决策矩阵计算出综合评价指标,再利用综合评价指标从负荷节点中选取关键节点;
步骤2:按照综合评价指标对负荷节点进行大小排序,选取综合评价指标最大的若干负荷节点作为关键节点且与电源节点相同个数,并构建关键节点坐标空间;
步骤3:利用Kohonen神经网络自动分区算法对负荷节点进行分区;
步骤4:计算电源节点对各个负荷节点分区的电压控制灵敏度,首先依次遍历负荷节点分区,在保证连通性的情况下,使得负荷节点分区选择最大的电压控制灵敏度的电源节点归并,剩余的电源节点选择对各个负荷节点分区最大的电压控制灵敏度并归并于该负荷节点分区,最后实现电源节点的归并,进而完成对整个主动配电网的分区;
步骤5:为了保证分区结果的有效性和可行性,对分区结果的每一个子区域进行校验,校验包括子区域中负荷节点和电源节点最低个数校验、子区域连通性校验、子区域无功平衡与无功储备校验。
上述的一种主动配电网的无功电压分区方法,其中:
所述步骤1中,综合评价指标是基于网络的拓扑结构和网络动力学结构的一个综合指标,为了克服单一评价指标的片面性和不准确性,因此采用下述2种不同的评价指标对电力网络中节点的重要性进行评估,对电力网络中的关键节点进行综合评价;
(1)基于网络拓扑的评价指标,包括节点度的中心性和节点介数中心性;
将任意节点vi与复杂网络G(V,E)内其他节点连接的边的个数设为vi的节点度ki;节点vi的节点度ki越大,则表示其在复杂网络G(V,E)中的重要性或影响力就越大;邻接矩阵二次幂AN×N (2)的对角元素等于vi的节点度ki,即:
将节点度ki进行归一化计算,得到节点度中心性CD(vi),节点度中心性CD(vi)反应任意节点vi与其连接的各节点中的中心程度,所述归一化计算方法为:
CD(vi)=ki/N-1
式中,N为复杂网络G(V,E)中的节点的个数;
复杂网络G(V,E)中任意不相邻的节点vj和vk之间的最短路径途经可能经过节点vi,经过节点vi的最短途径越多,则表示节点vi在复杂网络G(V,E)中的重要性或影响力就越大;这种重要性或影响力可用节点vi的节点介数Bi来表示,节点介数Bi定义为:
其中,njk为任意不相邻的节点vj和vk之间的最短路径的个数;njk(i)为vj和vk之间的最短路径经过节点vi的个数;N为复杂网络G(V,E)中的节点的个数;由此可见,节点介数Bi就是复杂网络G(V,E)中所有最短路径中经过节点vi的数量比例;
将节点介数Bi进行归一化计算,得到节点介数中心性CB(vi),即:
CB(vi)=2Bi/[(N-1)(N-2)];
(2)基于网络动力学的评价指标,包括失同步扩散时间和临界同步耦合强度;
考虑电力网络的电力传输功能,以类Kuramoto模型对电网进行动力学建模,使用失同步扩散时间和临界同步耦合强度两个动力学评价指标对节点进行关键性的辨识;
失同步扩散时间;
电力网络在稳定运行时,所有的节点都工作在额定频率处,网络中的节点处于频率同步状态;当电力系统遭受外界干扰时,受扰节点的频率就会偏离工作频率,然后拖动邻居节点也偏离工作频率,此时要是不采取相应的措施,级联故障会蔓延到整个网络,直至整个网络瘫痪;把失同步波从产生到扩散至整个网络的时间称为失同步扩散时间,记为T',网络不同的节点遭受扰动后,失同步波扩散到整个网络的时间不同,T'越小,说明失同步扩散速度越快,该节点对保证网络正常运行越重要,其在网络中地位也越重要;由于失同步扩散时间和节点的重要性呈现反向相关的特点,为了和前面介绍的指标保持一致,令T=1/T',则T和节点的重要性呈现正相关性,T'越小,T越大,节点就越重要;
临界同步耦合强度;
电网类Kuramoto模型的动力学方程可以看出,每个节点的状态变化都受其他邻居节点耦合作用的影响;在不断增加电网中各节点之间的耦合强度时候,能使网络从失同步状态达到同步状态;把使网络从不同步到同步对应的耦合强度阈值称为网络的临界同步耦合强度,令去除某一节点后,剩余网络中最大子网的临界同步耦合强度为Kc,其值越大,说明该节点失效后,使剩余最大子网达到同步所付出的代价就越大,因此该被去除节点就越重要;
采用三标度法,对节点度中心性、节点介数中心性、失同步扩散时间、临界同步耦合强度进行两两比较,构建比较矩阵B,比较矩阵B如下所示:
B=[buv]4×4
比较矩阵B的构建按下列原则进行:
(1)节点度中心性和节点介数中心性两者是基于网络拓扑结构的评价指标,都可以在一定程度反应节点在能量流动中的重要性,故两者重要性视为相同;
(2)最大连通子网的临界同步耦合强度和失同步波扩散时间两者是基于网络动力学的评价指标,都可单独作为电力网络中关键节点的辨识,故两者重要性视为相同;
(3)节点度中心性和节点介数中心性是静态辨识关键节点,而临界同步耦合强度和失同步波扩散时间是动态辨识关键节点,其比静态辨识具有更高的准确性和合理性,故其重要性高于前两者;
采用极差法构造判断矩阵C,判断矩阵C如下所示:
C=[cuv]4×4
其中,cuv为极差法构造后的第u个评价指标相对第v个评价指标的重要度,cb为按某种标准预先给定的极差元素对的相对重要度,取一常数,Re=dmax-dmin称为极差,dmax=max(d1,d2,d3,d4),dmin=min(d1,d2,d3,d4);
则主观法的层次分析法的权重w1(m)如下所示:
熵权法是根据各指标所包含的信息量的大小来确定指标权重的客观赋权法,第m个评价指标的熵值em为如下所示:
客观法的熵权法的权重w2(m)如下所示:
其中,m分别取1,2,3,4;
结合主观法的层次分析法的权重w1(m)和客观法的熵权法的权重w2(m),得到综合权重weq(m)如下所示:
关键节点的综合评价指标Dli如下所示:
所述步骤2中,电气距离作为节点间联系紧密程度的度量指标,采用基于潮流计算的雅可比矩阵获得电压灵敏度定义为节点间紧密程度的度量指标,利用潮流雅可比矩阵表征负荷节点li和lj之间的电压灵敏度αij,电压灵敏度αij如下所示:
设电网中有NG个电源节点,有NL个负荷节点,故选取关键节点的个数为NC(NC=NG),关键节点空间坐标的构建过程如下所示:
(2)将每个关键节点对负荷节点的电压灵敏度看作坐标空间中的一维,这样就可以构建出一个NC维的空间坐标,形成关键节点空间坐标,在空间坐标中,使用NC维的坐标来表征负荷节点li所包含的信息,为了使物理意义更加明显,故对电压灵敏度进行对数变换,来拉大坐标之间的差异,则第nc个坐标分量如下所示:
所述步骤3中,Kohonen神经网络是一种无监督学习的自组织竞争型神经网络,网络通过自身的训练,能自动对输入模式进行分类,在网络结构上,它一般是由输入层和竞争层构成的两层网络,两层之间各神经元实现双向连接,将高维空间的样本在保持拓扑结构不变的条件下投影到低维空间;
利用Kohonen神经网络自动分区算法对负荷节点进行分区,具体步骤如下:
(1)采用步骤2中的方法,构建关键节点坐标空间;
φj最大值对应的输出神经元为获胜神经元j*;
其中,t为迭代次数,T为最大迭代次数,η0为初始学习速度,η(t)为可变学习速度,其随迭代次数的增大而减小,λ0为初始优胜邻域半径,取优胜邻域以j*为圆心半径为λ(t)的圆形区域,其半径随迭代次数的增大而减小;
(7)将更新后的连接权值进行单位化;
所述步骤4中,在主动配电网含有风光电的子区域中,采用离散概率分布来表征风光电出力状态特征,将风光电有功出力历史样本进行统计,风电额定出力和光电额定出力分别记为Pw、Ps,将出力区间[0,100%Pw]和[0,100%Ps]均离散化f个区间,统计风光电有功出力样本落在各区间的频数,计算各个区间相应概率,分别记为pw(s)、ps(s)(s=1,...,f),最终获取风光电概率分布;
在保证连通性的情况下,使各分区内的待归并电源节点分布均匀,并且其对负荷节点有较好的电压控制灵敏度,电源节点对负荷节点的电压控制灵敏度关系如下所示:
基于区域电压控制灵敏度排序的电源节点归并步骤如下所示:
(1)将所有待归并的电源节点对第一个负荷分区的区域电压控制灵敏度排序,保证连通性的情况下选择最灵敏的电源节点归并入该区;余下区域同理进行电源节点选取,每次选取电源节点时应排除之前区域已选择过的电源节点。
(2)将剩余未归并的电源节点排序,将其中单个电源节点对所有负荷节点分区的区域进行电压控制灵敏度排序,在保证连通性的情况下将该电源节点划分至电压控制灵敏度最高的负荷节点分区,依次完成余下所有电源节点划分,最终完成电力网的分区;
所述步骤5中,校验过程如下:
(1)子区域中负荷节点和电源节点最低个数校验
(2)子区域连通性校验
区域连通性是指区域内部无孤立节点存在,即同一区域中的两个节点必须直接相连,在校验过程中发现分区结果中某个子区域内存在孤立节点,则将此孤立节点划分到该区域;
(3)子区域静态无功平衡校验
每个子区域必须满足静态无功平衡,即每个区域中的无功电源最大无功出力之和必须大于该子区域内无功负荷之和,则静态无功平衡的目标函数定义如下所示:
(4)子区域无功储备校验
电力网区域性的无功储备不足将造成电网局部电压失稳的情况,并会导致整个系统电压崩溃,影响社会正常供电,在实际电网运行过程中,各分区内需拥有至少15%裕度的无功储备以保证系统正常运行,在满足各个子区域静态无功平衡的同时,划分的每个子区域内应具备足够的无功储备以应对负荷的变化,无功储备量指标定义如下所示:
其中,QG,i为子区域i内的无功储备,QL,i为子区域i内的总无功负荷,如果某个子区域不能同时满足区域静态无功平衡和足够的无功储备这两个条件,可进行节点调整,假设子区域i不满足静态无功平衡和足够的无功储备要求时,则将其边界负荷节点按照阻抗距离就近原则依次调整到其他相邻子区域,直到其满足要求;若某边界节点调整后,导致子区域i的电源节点不连通或者接受区域静态无功不平衡和无功储备不足,则不能调整,若调整导致子区域i的个别负荷节点不连通,则将这些负荷节点一起调整出去;
本发明的一种主动配电网的无功电压分区方法及系统,与现有技术相比,有益效果为:
本发明的综合评价指标从负荷节点中选取关键节点更加具有客观性和全面性,使得分区算法得到的分区结果更准确;
本发明利用Kohonen神经网络自动分区算法进行主动配电网的分区,算法具有易于实现、收敛快、精度高和分区结果更加客观的特点。
附图说明
图1本发明实施例中一种主动配电网的无功电压分区系统的结构图;
图2本发明实施例中一种主动配电网的无功电压分区方法的流程图;
图3本发明实施例中风光电的IEEE 39节点系统接线图;
图4本发明实施例中风光电的IEEE 39节点系统分区结果示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施实例,对本发明做进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本实施例采用IEEE 39节点主动配电网系统为具体实施对象,分别在节点1、8、12、19、27处接入一个DG,记为DG1-DG5,其中,DG1、DG3、DG4为光伏电站,其额定功率分别为0.5、0.4、0.9MW;DG2和DG5为风机,其额定功率分别为1MW和0.4MW;系统接线如图1所示,其支路信息和节点信息如下表1~3所示。
表1为节点负荷信息
表2为发电机节点信息
发电机节点 | 额定有功(MW) | 额定无功(Mvar) | 发电机节点 | 额定有功(MW) | 额定无功(Mvar) |
30 | 250 | 161.762 | 35 | 650 | 210.661 |
31 | 677.871 | 221.574 | 36 | 560 | 100.165 |
32 | 650 | 206.965 | 37 | 540 | -1.36945 |
33 | 632 | 108.293 | 38 | 830 | 21.7327 |
34 | 508 | 166.688 | 39 | 1000 | 78.4674 |
表3为各支路阻抗信息
一种主动配电网的无功电压分区方法的系统,如图3所示,包括:电网信息采集单元、关键节点获取单元、坐标空间构造单元、优化分区单元、电源节点归并单元、子区域校验单元;
电网信息采集单元包括PMU信息采集器和中继传输器。PMU信息采集器用于采集电网潮流计算所需要的节点信息、支路信息和容量信息;中继传输器将这些信息传输到初始分区模块中,作为其输入;具体实施时,PMU信息采集器采用的型号为AXP152,中继传输器所采用的型号为C2000S109;
所述关键节点获取单元包括评价指标决策矩阵及规范化、评价指标的综合权重、加权决策矩阵、综合评价指标四个模块;所述评价指标决策矩阵及规范化模块用于构建规范决策矩阵,将负荷节点的四个评价指标用矩阵形式表示,并消除指标的类型和量纲的不同;所述评价指标的综合权重模块用于构建综合权重矩阵,将层次分析法和熵权法相结合,得到各个指标的综合权重;所述加权决策矩阵模块用于将规范决策矩阵和综合权重矩阵相结合;所述综合评价指标模块用于划分各个负荷节点的重要程度,从而选出关键节点;
所述坐标空间构造单元包括电压灵敏度和关键节点坐标空间两个模块;所述电压灵敏度模块用于计算关键节点分别对负荷节点的电压灵敏度;所述关键节点坐标空间模块用于将每个关键节点对负荷节点的电压灵敏度看作坐标空间中的一维,形成关键节点空间坐标,来表征负荷节点所包含的信息;
所述优化分区单元包括确定神经网络结构、初始权向量选取及单位化、输入特征向量选取及单位化、优化运算四个模块;所述神经网络结构模块用于确定Kohonen网络的输入神经元和输出神经元个数,所述初始权向量选取及单位化模块用于确定输入神经元与输出神经元之间的初始权重,所述输入特征向量选取及单位化模块用于得到Kohonen网络的输入样本集,所述优化运算模块用于对输入特征向量集进行聚类从而得到负荷节点的分区;
所述电源节点归并单元基于区域电压控制灵敏度排序将电源节点归并;
所述子区域校验单元包括负荷和电源节点最低个数校验、连通性校验、静态无功平衡校验和无功储备校验四个模块,用于校验分区的合理性;
一种主动配电网无功电压分区方法,如图2所示,包括以下步骤:
步骤1:综合评价指标是基于网络的拓扑结构和网络动力学结构的一个综合指标,为了克服单一评价指标的片面性和不准确性,因此采用下述4种不同的评价指标对电力网络中节点的重要性进行评估,对电力网络中的关键节点进行综合评价;
(1)基于网络拓扑的评价指标,包括节点度的中心性和节点介数中心性;
将任意节点vi与复杂网络G(V,E)内其他节点连接的边的个数设为vi的节点度ki;节点vi的节点度ki越大,则表示其在复杂网络G(V,E)中的重要性或影响力就越大;邻接矩阵二次幂AN×N (2)的对角元素等于vi的节点度ki,即:
将节点度ki进行归一化计算,得到节点度中心性CD(vi),节点度中心性CD(vi)反应任意节点vi与其连接的各节点中的中心程度,所述归一化计算方法为:
CD(vi)=ki/N-1
式中,N为复杂网络G(V,E)中的节点的个数;
复杂网络G(V,E)中任意不相邻的节点vj和vk之间的最短路径途经有可能经过节点vi,经过节点vi的最短途径越多,则表示节点vi在复杂网络G(V,E)中的重要性或影响力就越大;这种重要性或影响力可用节点vi的节点介数Bi来表示,节点介数Bi定义为:
其中,njk为任意不相邻的节点vj和vk之间的最短路径的个数;njk(i)为vj和vk之间的最短路径经过节点vi的个数;N为复杂网络G(V,E)中的节点的个数;由此可见,节点介数Bi就是复杂网络G(V,E)中所有最短路径中经过节点vi的数量比例;
将节点介数Bi进行归一化计算,得到节点介数中心性CB(vi),即:
CB(vi)=2Bi/[(N-1)(N-2)];
(2)基于网络动力学的评价指标,包括失同步扩散时间和临界同步耦合强度;
考虑电力网络的电力传输功能,以类Kuramoto模型对电网进行动力学建模,使用失同步扩散时间和临界同步耦合强度两个动力学评价指标对节点进行关键性的辨识;
(3)失同步扩散时间;
电力网络在稳定运行时,所有的节点都工作在额定频率处,网络中的节点处于频率同步状态。当电力系统遭受外界干扰时,受扰节点的频率就会偏离工作频率,然后拖动邻居节点也偏离工作频率,此时要是不采取相应的措施,级联故障会蔓延到整个网络,直至整个网络瘫痪;把失同步波从产生到扩散至整个网络的时间称为失同步扩散时间,记为T',网络不同的节点遭受扰动后,失同步波扩散到整个网络的时间不同,T'越小,说明失同步扩散速度越快,该节点对保证网络正常运行越重要,其在网络中地位也越重要;由于失同步扩散时间和节点的重要性呈现反向相关的特点,为了和前面介绍的指标保持一致,令T=1/T',则T和节点的重要性呈现正相关性,T'越小,T越大,节点就越重要;
(4)临界同步耦合强度;
电网类Kuramoto模型的动力学方程可以看出,每个节点的状态变化都受其他邻居节点耦合作用的影响;在不断增加电网中各节点之间的耦合强度时候,能使网络从失同步状态达到同步状态;把使网络从不同步到同步对应的耦合强度阈值称为网络的临界同步耦合强度,令去除某一节点后,剩余网络中最大子网的临界同步耦合强度为Kc,其值越大,说明该节点失效后,使剩余最大子网达到同步所付出的代价就越大,因此该被去除节点就越重要;
采用三标度法,对基于网络拓扑的评价指标、基于网络动力学的评价指标、失同步扩散时间、临界同步耦合强度进行两两比较,构建比较矩阵B,比较矩阵B如下所示:
B=[buv]4×4
比较矩阵B的构建按下列原则进行:
(1)节点度中心性和节点介数中心性两者是基于网络拓扑结构的评价指标,都可以在一定程度反应节点在能量流动中的重要性,故两者重要性视为相同;
(2)最大连通子网的临界同步耦合强度和失同步波扩散时间两者是基于网络动力学的评价指标,都可单独作为电力网络中关键节点的辨识,故两者重要性视为相同;
(3)节点度中心性和节点介数中心性是静态辨识关键节点,而临界同步耦合强度和失同步波扩散时间是动态辨识关键节点,其比静态辨识具有更高的准确性和合理性,故其重要性高于前两者;
采用极差法构造判断矩阵C,判断矩阵C如下所示:
C=[cuv]4×4
其中,cuv为极差法构造后的第u个评价指标相对第v个评价指标的重要度,cb为按某种标准预先给定的极差元素对的相对重要度,取一常数,Re=dmax-dmin称为极差,dmax=max(d1,d2,d3,d4),dmin=min(d1,d2,d3,d4);
则主观法的层次分析法的权重w1(m)如下所示:
熵权法是根据各指标所包含的信息量的大小来确定指标权重的客观赋权法,第m个评价指标的熵值em为如下所示:
客观法的熵权法的权重w2(m)如下所示:
其中,m分别取1,2,3,4;
结合主观法的层次分析法的权重w1(m)和客观法的熵权法的权重w2(m),得到综合权重weq(m)如下所示:
步骤2:电气距离作为节点间联系紧密程度的度量指标,采用基于潮流计算的雅可比矩阵获得电压灵敏度定义为节点间紧密程度的度量指标,利用潮流雅可比矩阵表征负荷节点li和lj之间的电压灵敏度αij,电压灵敏度αij如下所示:
按照综合评价指标对负荷节点进行大小排序,选取综合评价指标最大的若干负荷节点作为关键节点且与电源节点相同个数,设电网中有NG个电源节点,有NL个负荷节点,故选取关键节点的个数为NC(NC=NG),并构建关键节点坐标空间,键节点空间坐标的构建过程如下所示:
(2)将每个关键节点对负荷节点的电压灵敏度看作坐标空间中的一维,这样就可以构建出一个NC维的空间坐标,形成关键节点空间坐标,在空间坐标中,使用NC维的坐标来表征负荷节点li所包含的信息,为了使物理意义更加明显,故对电压灵敏度进行对数变换,来拉大坐标之间的差异,则第nc个坐标分量如下所示:
步骤3:Kohonen神经网络是一种无监督学习的自组织竞争型神经网络,网络通过自身的训练,能自动对输入模式进行分类,在网络结构上,它一般是由输入层和竞争层构成的两层网络,两层之间各神经元实现双向连接,将高维空间的样本在保持拓扑结构不变的条件下投影到低维空间;
利用Kohonen神经网络自动分区算法对负荷节点进行分区,具体步骤如下:
(1)采用步骤2中的方法,构建关键节点坐标空间;
φj最大值对应的输出神经元为获胜神经元j*;
其中,t为迭代次数,T为最大迭代次数,η0为初始学习速度,η(t)为可变学习速度,其随迭代次数的增大而减小,λ0为初始优胜邻域半径,取优胜邻域以j*为圆心半径为λ(t)的圆形区域,其半径随迭代次数的增大而减小;
(7)将更新后的连接权值进行单位化;
步骤4:计算电源节点对各个负荷节点分区的电压控制灵敏度,首先依次遍历负荷节点分区,在保证连通性的情况下,使得负荷节点分区选择最大的电压控制灵敏度的电源节点归并,剩余的电源节点选择对各个负荷节点分区最大的电压控制灵敏度并归并于该负荷节点分区,最后实现电源节点的归并,进而完成对整个主动配电网的分区;
在主动配电网含有风光电的子区域中,采用离散概率分布来表征风光电出力状态特征,将风光电有功出力历史样本进行统计,风电额定出力和光电额定出力分别记为Pw、Ps,将出力区间[0,100%Pw]和[0,100%Ps]均离散化f个区间,统计风光电有功出力样本落在各区间的频数,计算各个区间相应概率,分别记为pw(s)、ps(s)(s=1,...,f),最终获取风光电概率分布;
在保证连通性的情况下,使各分区内的待归并电源节点分布均匀,并且其对负荷节点有较好的电压控制灵敏度,电源节点对负荷节点的电压控制灵敏度关系如下所示:
基于区域电压控制灵敏度排序的电源节点归并步骤如下所示:
(1)将所有待归并的电源节点对第一个负荷分区的区域电压控制灵敏度排序,保证连通性的情况下选择最灵敏的电源节点归并入该区;余下区域同理进行电源节点选取,每次选取电源节点时应排除之前区域已选择过的电源节点;
(2)将剩余未归并的电源节点排序,将其中单个电源节点对所有负荷节点分区的区域进行电压控制灵敏度排序,在保证连通性的情况下将该电源节点划分至电压控制灵敏度最高的负荷节点分区,依次完成余下所有电源节点划分,最终完成电力网的分区。
步骤5:为了保证分区结果的有效性和可行性,对分区结果的每一个子区域进行校验,校验包括子区域中负荷节点和电源节点最低个数校验、子区域连通性校验、子区域无功平衡与无功储备校验,校验过程如下:
(1)子区域中负荷节点和电源节点最低个数校验;
(2)子区域连通性校验;
区域连通性是指区域内部无孤立节点存在,即同一区域中的两个节点必须直接相连,在校验过程中发现分区结果中某个子区域内存在孤立节点,则将此孤立节点划分到该区域;
(3)子区域静态无功平衡校验;
每个子区域必须满足静态无功平衡,即每个区域中的无功电源最大无功出力之和必须大于该子区域内无功负荷之和,则静态无功平衡的目标函数定义如下所示:
(4)子区域无功储备校验;
电力网区域性的无功储备不足将造成电网局部电压失稳的情况,并导致整个系统电压崩溃,影响社会正常供电,在实际电网运行过程中,各分区内需拥有至少15%裕度的无功储备以保证系统正常运行,在满足各个子区域静态无功平衡的同时,划分的每个子区域内应具备足够的无功储备以应对负荷的变化,无功储备量指标定义如下所示:
其中,QG,i为子区域i内的无功储备,QL,i为子区域i内的总无功负荷,如果某个子区域不能同时满足区域静态无功平衡和足够的无功储备这两个条件,可进行节点调整,假设子区域i不满足静态无功平衡和足够的无功储备要求时,则将其边界负荷节点按照阻抗距离就近原则依次调整到其他相邻子区域,直到其满足要求;若某边界节点调整后,导致子区域i的电源节点不连通或者接受区域静态无功不平衡和无功储备不足,则不能调整,若调整导致子区域i的个别负荷节点不连通,则将这些负荷节点一起调整出去。
Claims (5)
1.一种主动配电网的无功电压分区方法,其特征在于,具体步骤如下:
步骤1:根据基于网络拓扑结构的节点度中心性和节点介数中心性两个评价指标和基于网络动力学的失同步扩散时间和临界同步耦合强度两个评价指标构建包含4个评价指标的决策矩阵,将决策矩阵线性化得到规范决策矩阵;根据基于网络拓扑结构的节点度中心性和节点介数中心性两个评价指标和基于网络动力学的失同步扩散时间和临界同步耦合强度两个评价指标构造比较矩阵,基于比较矩阵构建判断矩阵,利用判断矩阵得到主观法的层次分析法的权重;基于规范决策矩阵得到客观法的熵权法的权重;结合主观法的层次分析法的权重和客观法的熵权法的权重,得到综合权重;结合综合权重和规范决策矩阵构建加权决策矩阵,根据加权决策矩阵得到综合评价指标,再利用综合评价指标从负荷节点中选取关键节点;
具体包括:
1)基于网络拓扑的评价指标,包括节点度的中心性和节点介数中心性;
将任意节点vi与复杂网络G(V,E)内其他节点连接的边的个数设为vi的节点度ki;节点vi的节点度ki越大,则表示其在复杂网络G(V,E)中的重要性或影响力就越大;邻接矩阵二次幂AN×N (2)的对角元素等于vi的节点度ki,即:
将节点度ki进行归一化计算,得到节点度中心性CD(vi),节点度中心性CD(vi)反应任意节点vi与其连接的各节点中的中心程度,所述归一化计算方法为:
CD(vi)=ki/N-1
式中,N为复杂网络G(V,E)中的节点的个数;
复杂网络G(V,E)中任意不相邻的节点vj和vk之间的最短路径途经有可能经过节点vl,经过节点vi的最短途径越多,则表示节点vi在复杂网络G(V,E)中的重要性或影响力就越大;这种重要性或影响力可用节点vi的节点介数Bi来表示,节点介数Bi定义为:
其中,njk为任意不相邻的节点vj和vk之间的最短路径的个数;njk(i)为vj和vk之间的最短路径经过节点vi的个数;N为复杂网络G(V,E)中的节点的个数;由此可见,节点介数Bi就是复杂网络G(V,E)中所有最短路径中经过节点vi的数量比例;
将节点介数Bi进行归一化计算,得到节点介数中心性CB(vi),即:
CB(vi)=2Bi/[(N-1)(N-2)];
2)基于网络动力学的评价指标,包括失同步扩散时间和临界同步耦合强度;
采用三标度法,对基于网络拓扑的评价指标、基于网络动力学的评价指标、失同步扩散时间、临界同步耦合强度进行两两比较,构建比较矩阵B,比较矩阵B如下所示:
B=[buv]4×4
其中,buv为第u个评价指标相对第v个评价指标的重要度;
其中,u,v=1,2,3,4;
采用极差法构造判断矩阵C,判断矩阵C如下所示:
C=[cuv]4×4
则主观法的层次分析法的权重w1(m)如下所示:
熵权法是根据各指标所包含的信息量的大小来确定指标权重的客观赋权法,第m个评价指标的熵值em为如下所示:
客观法的熵权法的权重w2(m)如下所示:
其中,m分别取1,2,3,4;
结合主观法的层次分析法的权重w1(m)和客观法的熵权法的权重w2(m),得到综合权重weq(m)如下所示:
步骤2:按照综合评价指标对负荷节点进行大小排序,选取综合评价指标最大的若干负荷节点作为关键节点且与电源节点相同个数,并构建关键节点坐标空间;
利用潮流雅可比矩阵表征负荷节点li和lj之间的电压灵敏度αij,电压灵敏度αij如下所示:
设电网中有NG个电源节点,有NL个负荷节点,故选取关键节点的个数为NC,NC的取值等于电源节点NG的值,关键节点空间坐标的构建过程如下所示:
(2)将每个关键节点对负荷节点的电压灵敏度看作坐标空间中的一维,这样就可以构建出一个NC维的空间坐标,形成关键节点空间坐标,在空间坐标中,使用NC维的坐标来表征负荷节点li所包含的信息,为了使物理意义更加明显,故对电压灵敏度进行对数变换,来拉大坐标之间的差异,则第nc个坐标分量为
步骤3:利用Kohonen神经网络自动分区算法对负荷节点进行分区;
步骤4:计算电源节点对各个负荷节点分区的电压控制灵敏度,首先依次遍历负荷节点分区,在保证连通性的情况下,使得负荷节点分区选择最大的电压控制灵敏度的电源节点归并,剩余的电源节点选择对各个负荷节点分区最大的电压控制灵敏度并归并于该负荷节点分区,最后实现电源节点的归并,进而完成对整个主动配电网的分区;
步骤5:为了保证分区结果的有效性和可行性,对分区结果的每一个子区域进行校验,校验包括子区域中负荷节点和电源节点最低个数校验、子区域连通性校验、子区域无功平衡与无功储备校验。
2.根据权利要求1所述的一种主动配电网的无功电压分区方法,其特征在于,所述步骤3中,利用Kohonen神经网络自动分区算法对负荷节点进行分区,具体步骤如下:
(1)采用步骤2中的方法,构建关键节点坐标空间;
φj最大值对应的输出神经元为获胜神经元j*;j=1,2,…,NO;
其中,t为迭代次数,T为最大迭代次数,η0为初始学习速度,η(t)为可变学习速度,其随迭代次数的增大而减小,λ0为初始优胜邻域半径,取优胜邻域以j*为圆心,半径为λ(t)的圆形区域,其半径随迭代次数的增大而减小;
(7)将更新后的连接权值进行单位化;
3.根据权利要求1所述的一种主动配电网的无功电压分区方法,其特征在于,所述步骤4中,在主动配电网含有风光电的子区域中,采用离散概率分布来表征风光电出力状态特征,将风光电有功出力历史样本进行统计,风电额定出力和光电额定出力分别记为Pw、Ps,将出力区间[0,100%Pw]和[0,100%Ps]均离散化f个区间,统计风光电有功出力样本落在各区间的频数,计算各个区间相应概率,分别记为pw(s)、ps(s),s=1,...,f,最终获取风光电概率分布;
在保证连通性的情况下,使各分区内的待归并电源节点分布均匀,并且其对负荷节点有较好的电压控制灵敏度,电源节点对负荷节点的电压控制灵敏度关系如下所示:
基于区域电压控制灵敏度排序的电源节点归并步骤如下所示:
(1)将所有待归并的电源节点对第一个负荷分区的区域电压控制灵敏度排序,保证连通性的情况下选择最灵敏的电源节点归并入该区;余下区域同理进行电源节点选取,每次选取电源节点时应排除之前区域已选择过的电源节点;
(2)将剩余未归并的电源节点排序,将其中单个电源节点对所有负荷节点分区的区域进行电压控制灵敏度排序,在保证连通性的情况下将该电源节点划分至电压控制灵敏度最高的负荷节点分区,依次完成余下所有电源节点划分,最终完成电力网的分区。
4.根据权利要求1所述的一种主动配电网的无功电压分区方法,其特征在于,所述步骤5中,校验过程如下:
(1)子区域中负荷节点和电源节点最低个数校验
(2)子区域连通性校验
区域连通性是指区域内部无孤立节点存在,即同一区域中的两个节点必须直接相连,在校验过程中发现分区结果中某个子区域内存在孤立节点,则将此孤立节点划分到该区域;
(3)子区域静态无功平衡校验
每个子区域必须满足静态无功平衡,即每个区域中的无功电源最大无功出力之和必须大于该子区域内无功负荷之和,则静态无功平衡的目标函数定义如下所示:
(4)子区域无功储备校验
其中,QG,i为子区域i内的无功储备,QL,i为子区域i内的总无功负荷。
5.采用权利要求1所述的一种主动配电网的无功电压分区方法的系统,其特征在于,包括:电网信息采集单元、关键节点获取单元、坐标空间构造单元、优化分区单元、电源节点归并单元、子区域校验单元;
所述电网信息采集单元包括PMU信息采集器和中继传输器;PMU信息采集器用于采集电网潮流计算所需要的节点信息、支路信息和容量信息;中继传输器将这些信息传输到初始分区模块中,作为其输入;
所述关键节点获取单元包括评价指标决策矩阵及规范化、评价指标的综合权重、加权决策矩阵、综合评价指标四个模块;所述评价指标决策矩阵及规范化模块用于构建规范决策矩阵,将负荷节点的四个评价指标用矩阵形式表示,并消除指标的类型和量纲的不同;所述评价指标的综合权重模块用于构建综合权重矩阵,将层次分析法和熵权法相结合,得到各个指标的综合权重;所述加权决策矩阵模块用于将规范决策矩阵和综合权重矩阵相结合;所述综合评价指标模块用于划分各个负荷节点的重要程度,从而选出关键节点;
所述坐标空间构造单元包括电压灵敏度和关键节点坐标空间两个模块,所述电压灵敏度模块用于计算关键节点分别对负荷节点的电压灵敏度,所述关键节点坐标空间模块用于将每个关键节点对负荷节点的电压灵敏度看作坐标空间中的一维,形成关键节点空间坐标,来表征负荷节点所包含的信息;
所述优化分区单元包括确定神经网络结构、初始权向量选取及单位化、输入特征向量选取及单位化、优化运算四个模块,所述神经网络结构模块用于确定Kohonen网络的输入神经元和输出神经元个数,所述初始权向量选取及单位化模块用于确定输入神经元与输出神经元之间的初始权重,所述输入特征向量选取及单位化模块用于得到Kohonen网络的输入样本集,所述优化运算模块用于对输入特征向量集进行聚类从而得到负荷节点的分区;
所述电源节点归并单元基于区域电压控制灵敏度排序将电源节点归并;
所述子区域校验单元包括负荷和电源节点最低个数校验、连通性校验、静态无功平衡校验和无功储备校验四个模块,用于校验分区的合理性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810987282.7A CN108879708B (zh) | 2018-08-28 | 2018-08-28 | 一种主动配电网的无功电压分区方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810987282.7A CN108879708B (zh) | 2018-08-28 | 2018-08-28 | 一种主动配电网的无功电压分区方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108879708A CN108879708A (zh) | 2018-11-23 |
CN108879708B true CN108879708B (zh) | 2021-06-22 |
Family
ID=64322260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810987282.7A Active CN108879708B (zh) | 2018-08-28 | 2018-08-28 | 一种主动配电网的无功电压分区方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108879708B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109742755B (zh) * | 2019-01-28 | 2022-07-08 | 东北大学 | 基于节点分区的含电动汽车的主动配电网运行调度方法 |
CN110222966B (zh) * | 2019-05-28 | 2023-03-28 | 天津大学 | 面向配电网分布式状态估计的同步相量量测配置分区方法 |
CN112072634B (zh) * | 2019-06-10 | 2022-06-24 | 浙大城市学院 | 一种基于潮流嵌入技术的潮流计算方法 |
CN110263839B (zh) * | 2019-06-13 | 2021-09-17 | 河海大学 | 基于大数据的电力系统负荷静态特性在线智能识别方法 |
CN110661341A (zh) * | 2019-10-16 | 2020-01-07 | 佳源科技有限公司 | 一种分布式配网终端 |
CN110994702A (zh) * | 2019-12-26 | 2020-04-10 | 孝感科先电力工程咨询设计有限责任公司 | 一种基于功率-电压灵敏度的配电网分区电压控制方法 |
CN112003734B (zh) * | 2020-07-28 | 2022-06-07 | 长沙理工大学 | 一种基于改进结构熵的信息物理系统关键节点辨识方法 |
CN112561252B (zh) * | 2020-11-30 | 2023-06-16 | 郑州轻工业大学 | 一种含新能源地区电网无功组合评价方法 |
CN112541528A (zh) * | 2020-12-02 | 2021-03-23 | 国家电网有限公司 | 一种基于模糊聚类的输变电工程造价预测指标优化方法 |
CN112487658B (zh) * | 2020-12-14 | 2022-09-16 | 重庆邮电大学 | 一种电网关键节点的识别方法、装置及系统 |
CN112711601B (zh) * | 2021-03-29 | 2021-07-13 | 广州欧赛斯信息科技有限公司 | 一种针对高等教育专业数据指标的信息处理方法及系统 |
CN113300351A (zh) * | 2021-04-13 | 2021-08-24 | 广西电网有限责任公司南宁供电局 | 基于大数据的配电网局部低电压预警的方法 |
CN114186528B (zh) * | 2021-12-06 | 2024-06-07 | 成都华大九天科技有限公司 | 一种大规模阵列电路的IRDrop模拟方法 |
CN114977205B (zh) * | 2022-06-09 | 2024-03-05 | 合肥工业大学 | 基于改进自适应惯性权重的主动配电网电压控制方法 |
CN115622902B (zh) * | 2022-12-19 | 2023-04-07 | 中国人民解放军国防科技大学 | 基于网络结构和节点价值的电信网节点重要度计算方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6111735A (en) * | 1996-12-04 | 2000-08-29 | Energyline Systems, L.P. | Method for automated reconfiguration of a distribution system using distributed control logic and communications |
CN101741092A (zh) * | 2010-01-07 | 2010-06-16 | 华中科技大学 | 电力系统电压无功分区控制方法 |
EP2503295A1 (en) * | 2011-03-25 | 2012-09-26 | Cinterion Wireless Modules GmbH | Communication module, point of entry electricity metering device, metering system of a metered user area and method for self organized regulating a power consumption via a point of entry electricity metereing device in a metered user area of an electricity grid |
CN103050970A (zh) * | 2013-01-15 | 2013-04-17 | 华北电力大学 | 一种适用于特高压电网分层分区的稳定性分析及优化方法 |
CN105138849A (zh) * | 2015-09-07 | 2015-12-09 | 山东大学 | 一种基于ap聚类的无功电压控制分区方法 |
CN105790279A (zh) * | 2016-04-28 | 2016-07-20 | 西华大学 | 基于谱聚类的无功电压分区方法 |
CN106026114A (zh) * | 2016-05-30 | 2016-10-12 | 重庆大学 | 基于无功源-荷介数和社区挖掘的无功电压分区方法 |
CN107039984A (zh) * | 2017-06-19 | 2017-08-11 | 国网重庆市电力公司电力科学研究院 | 一种无功电压分区方法 |
CN107565550A (zh) * | 2017-09-11 | 2018-01-09 | 中国农业大学 | 一种配电网分区方法和系统 |
CN107623319A (zh) * | 2017-08-17 | 2018-01-23 | 广东电网有限责任公司惠州供电局 | 一种基于多评价指标的电网关键线路辨识方法 |
-
2018
- 2018-08-28 CN CN201810987282.7A patent/CN108879708B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6111735A (en) * | 1996-12-04 | 2000-08-29 | Energyline Systems, L.P. | Method for automated reconfiguration of a distribution system using distributed control logic and communications |
CN101741092A (zh) * | 2010-01-07 | 2010-06-16 | 华中科技大学 | 电力系统电压无功分区控制方法 |
EP2503295A1 (en) * | 2011-03-25 | 2012-09-26 | Cinterion Wireless Modules GmbH | Communication module, point of entry electricity metering device, metering system of a metered user area and method for self organized regulating a power consumption via a point of entry electricity metereing device in a metered user area of an electricity grid |
CN103050970A (zh) * | 2013-01-15 | 2013-04-17 | 华北电力大学 | 一种适用于特高压电网分层分区的稳定性分析及优化方法 |
CN105138849A (zh) * | 2015-09-07 | 2015-12-09 | 山东大学 | 一种基于ap聚类的无功电压控制分区方法 |
CN105790279A (zh) * | 2016-04-28 | 2016-07-20 | 西华大学 | 基于谱聚类的无功电压分区方法 |
CN106026114A (zh) * | 2016-05-30 | 2016-10-12 | 重庆大学 | 基于无功源-荷介数和社区挖掘的无功电压分区方法 |
CN107039984A (zh) * | 2017-06-19 | 2017-08-11 | 国网重庆市电力公司电力科学研究院 | 一种无功电压分区方法 |
CN107623319A (zh) * | 2017-08-17 | 2018-01-23 | 广东电网有限责任公司惠州供电局 | 一种基于多评价指标的电网关键线路辨识方法 |
CN107565550A (zh) * | 2017-09-11 | 2018-01-09 | 中国农业大学 | 一种配电网分区方法和系统 |
Non-Patent Citations (5)
Title |
---|
Construction of Energy Hub Model and Optimal Scheduling of Energy Internet;Lei Meng;《Proceedings of the 36th Chinese Control Conference》;20170628;全文 * |
基于二阶锥规划的含分布式电源配电网动态无功分区与优化方法;林少华;《电网技术》;20180130;全文 * |
基于电网分区的二次电压樵制研究;刘小波;《河海大学》;20060323;全文 * |
电力系统无功电压控制分区研究综述;张艳艳;《电工电气》;20180330;全文 * |
肖李明.基于PCA谱聚类分析的无功分区方法研究.《陕西电力》.2016, * |
Also Published As
Publication number | Publication date |
---|---|
CN108879708A (zh) | 2018-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108879708B (zh) | 一种主动配电网的无功电压分区方法及系统 | |
CN106505593B (zh) | 一种基于大数据的配变三相不平衡分析与负荷调整的方法 | |
CN110417015A (zh) | 基于模型预测控制的微电网多目标优化调度方法及系统 | |
CN108205717A (zh) | 一种光伏发电功率多时间尺度预测方法 | |
CN111625991A (zh) | 一种低压配电网拓扑校验方法 | |
Mittal et al. | Data clustering in wireless sensor network implemented on self organization feature map (SOFM) neural network | |
CN110705887A (zh) | 一种基于神经网络模型的低压台区运行状态综合评价方法 | |
CN106296315A (zh) | 基于用户用电数据的情境感知系统 | |
CN108599239A (zh) | 一种下垂控制型孤岛微电网电压质量概率评估方法 | |
Liu et al. | Power grid partition with improved biogeography-based optimization algorithm | |
CN104021315A (zh) | 基于bp神经网络的电厂厂用电率计算方法 | |
Huang et al. | Parameter identification for photovoltaic models using an improved learning search algorithm | |
Zhang et al. | Adaptive and dynamic adjustment of fault detection cycles in cloud computing | |
CN114389312B (zh) | 一种配电网分布式状态估计方法 | |
CN105743093B (zh) | 一种考虑风光出力不确定性的配电网潮流计算方法 | |
CN109829599A (zh) | 基于高比例可再生能源的配电网的集群划分方法及装置 | |
CN109858667A (zh) | 一种基于雷电气候对负荷影响的短期负荷聚类方法 | |
CN105914752A (zh) | 基于快速搜索与密度峰值聚类的主导节点选择方法 | |
Mao et al. | Community-detection-based approach to distribution network partition | |
CN105896547B (zh) | 一种风电接入下的大电网分级电压控制方法 | |
CN116613746A (zh) | 一种基于os2的分布式电网建模模型 | |
Cheong et al. | Review of clustering algorithms for microgrid formation | |
CN110675276A (zh) | 一种用于直流输电系统反演下垂控制的方法及系统 | |
CN110059871A (zh) | 光伏发电功率预测方法 | |
CN108711867A (zh) | 一种计及电压稳定约束的配电网无功规划方法 |
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 |