CN109586309B - 基于大数据自由熵理论和场景匹配的配电网无功优化方法 - Google Patents
基于大数据自由熵理论和场景匹配的配电网无功优化方法 Download PDFInfo
- Publication number
- CN109586309B CN109586309B CN201811226575.XA CN201811226575A CN109586309B CN 109586309 B CN109586309 B CN 109586309B CN 201811226575 A CN201811226575 A CN 201811226575A CN 109586309 B CN109586309 B CN 109586309B
- Authority
- CN
- China
- Prior art keywords
- entropy
- index
- load
- free
- free entropy
- 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
-
- 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
- H02J3/18—Arrangements for adjusting, eliminating or compensating reactive power in networks
-
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
基于大数据自由熵理论和场景匹配的配电网无功优化方法,属于配电网无功优化领域。所述方法包括:结合配电网系统,构建自由熵指标序列;根据自由熵指标的构建方法,计算出待优化时刻的自由熵指标和历史大数据中各时刻的自由熵指标;计算历史大数据中自由熵指标与系统总负荷间的皮尔森相关系数;计算待优化时刻各指标与历史时刻各指标的总体偏离度;找到对应总体偏离度最低的历史时刻,实现智能场景匹配,该历史时刻所对应的无功优化策略作为当前待优化时刻的无功优化策略。本发明利用大数据技术,摆脱了模型参数的限制,考虑了分布式电源和新型随机负荷对配电网的影响,实现了配电网的无功优化和电压管理,为配电网的优化运行提供了一条新的途径。
Description
技术领域
本发明涉及配电网无功优化领域,具体涉及一种基于大数据自由熵理论和场景匹配的配电网无功优化方法。
背景技术
配电网的无功优化和电压管理是配电网优化运行的一项重要工作,它利用配电网中变压器的可调分接头、固定电容器组和SVC等无功补偿资源尽可能地减小有功网损和节点电压偏移,使配电网运行于一个更优的状态从而保持电网的正常运行。
传统的无功优化方法,依赖于配电网的模型和参数,并在优化过程中反复计算配电网的潮流,计算工作量大,决策时间长,适应性较差;以粒子群算法、人工神经网络为代表的人工智能优化算法,随着配电网复杂程度的增加计算结果不稳定,易陷于局部最优。
目前,随着传感技术和通信技术的发展,大数据技术快速发展并且在电力领域得到了越来越多的应用。大数据这一概念是指通过对大量的、种类和来源复杂的数据进行高速地捕捉、发现和分析,从而建立数学模型对系统运行或生产实践进行指导。配电网处于电力系统的末端,具有地域分布广、电网规模大、设备种类多等鲜明特点,其监测节点众多在数据库中储存大量异构多源的数据,其中的数据规模和特点符合大数据的各项特征。因此,将大数据理论应用于配电网无功优化领域具备基础条件。
刘科研等发表的《基于负荷分布匹配与熵权法的配电网无功优化》文献中提到一种基于负荷分布匹配与熵权法的配电网无功优化方法,首先基于拉依达准则进行了负荷分布匹配,从历史数据库中选出若干个与待优化时刻近似的负荷分布,并将其对应的历史控制方案确定为无功优化的备选方案;然后,提出基于熵权法的多属性决策方法,对多个备选方案进行分析评价,确定无功优化各评价指标的客观权重,将多属性决策问题转化为单属性决策问题,进而对各个备选方案进行评价和排序,从中选择出最优无功控制方案。该方法基于拉依达准则进行场景的匹配,但未充分考虑分布式电源和新型随机负荷的影响,与实际工程不符。同样由刘科研等申请的《一种基于大数据的配电网无功优化控制序列确定方法》专利中提到一种基于大数据的配电网无功优化控制序列确定方法,利用电力系统现有历史负荷数据和历史优化数据作为数据源,通过构建配电网无功优化随机矩阵,结合单环定律,计算负荷随机矩阵的平均谱半径,并根据平均谱半径,计算历史负荷与当前负荷的相关性系数,通过比较相关性系数的大小,获得相关性较大的负荷日,并以当日无功优化控制序列作为当前优化序列。该方法基于大数据随机矩阵理论和相关性分析方法得到无功优化序列,但同样且未充分考虑分布式电源和新型随机负荷的影响,与实际工程不符。
本发明在现有研究基础上,克服现有方法的不足,首次提出一种基于大数据自由熵理论和场景匹配的配电网无功优化方法。本发明利用大数据技术,摆脱了模型参数的限制,考虑了分布式电源和新型随机负荷对配电网的影响,实现了配电网的无功优化和电压管理,为配电网的优化运行提供了一条新的途径。
发明内容
本发明的目的是提出一种基于大数据自由熵理论和场景匹配的配电网无功优化方法,利用配电网在运行过程中产生的大数据实现系统的无功优化和电压管理。本发明提供了一种基于大数据自由熵理论和场景匹配的配电网无功优化方法,所述方法包括以下步骤:
步骤(1),结合配电网系统,构建自由熵指标序列;
步骤(2),根据自由熵指标的构建方法,计算出待优化时刻的自由熵指标和历史大数据中各时刻的自由熵指标;
步骤(3),计算历史大数据中自由熵指标与系统总负荷间的皮尔森相关系数;
步骤(4),利用步骤(2)中得到的自由熵指标和步骤(3)中得到的皮尔森相关性系数计算待优化时刻各指标与历史时刻各指标的总体偏离度;
步骤(5),利用步骤(4)中得到的总体偏离度,找到对应总体偏离度最低的历史时刻,实现场景匹配,该历史时刻所对应的无功优化策略作为当前待优化时刻的无功优化策略。
前述的基于大数据自由熵理论和场景匹配的配电网无功优化方法,在所述步骤(1)中,结合配电网系统,基于自由熵理论,选取负荷功率、节点电压、光伏出力、风机出力、电动汽车充电负荷等电气量和温度、光照强度、风速等非电气量计算自由熵指标从而构建自由熵序列:
H={H1,H2,…,Hm};
式中Hm为自由熵指标。
前述的基于大数据自由熵理论和场景匹配的配电网无功优化方法,在所述步骤(2)中,根据指标类型的不同,可以将其分为三类进行自由熵指标的构建;第一类是负荷数据与节点电压等在某一时刻具有较多数据源的指标,可用于计算负荷熵、电压熵等;第二类为分布式电源、电动汽车充电数据等由系统大小和分布特点来决定数据源个数的指标,可用于计算光伏熵、电动汽车充电负荷熵等,其中电动汽车充电负荷熵简称为ev熵;第三类为环境数据,在某一时刻仅有唯一确定值的指标,可用于计算环境熵。然后将三类自由熵指标进行汇总,从而得到该系统的自由熵序列:
1)第一类自由熵指标的构建
以负荷熵为例,介绍第一类自由熵指标的构建方法:设节点i最大视在功率为Si max,系统运行时节点i实际功率为Si,则节点i的负荷率为:
式中:n为负荷节点数,
给定常数序列F={F0,F1,…,FN},N为区间数,实际取F={0,0.01,…,1},用lk表示负荷率μi∈(Fk-1,Fk]的节点数,对不同负荷率区间内的节点数概率化得:
式中p(k)为负荷率μi∈(Fk-1,Fk]的节点数占总节点数的比例,综上可得负荷熵:
2)第二类自由熵指标的构建
当参与计算的个例较少或者单一时刻无法较好反映当前场景特征时,可将前t个采样时段中的数据作为当前时刻数据源的扩充,利用与负荷熵相似的计算方法整合到当前自由熵指标的计算中,从而反映特征的变化规律;以光伏熵为例,介绍第二类自由熵指标的构建方法:首先根据各光伏接入点的最大光伏出力,计算出当前时刻与前1小时各接入点的光伏出力率,然后统计不同光伏出力率区间内的光伏接入点数并将其概率化,最终得到光伏熵;
3)第三类自由熵指标的构建
由于各种环境数据都具有单一性和确定性,通过将多种环境数据整合在一起以及利用前t个采样时段中的数据作为当前时刻数据源的扩充,从而反映当前环境特征;首先计算出当前时刻、前1小时、前2小时的不同环境指标与其对应指标最大值的比值,然后统计不同比值区间内的环境指标个数并将其概率化,最终得到环境熵。
前述的基于大数据自由熵理论和场景匹配的配电网无功优化方法,其特征在于:在所述步骤(3)中,所用的皮尔森相关系数是一种线性相关系数,它反映两个变量间的线性相关程度,设对于任意两随机变量X={x1,x2,…,xn},Y={y1,y2,…,yn},皮尔森相关系数PCC(X,Y)定义如下:
前述的基于大数据自由熵理论和场景匹配的配电网无功优化方法,其特征在于:在所述步骤(4)中,利用步骤(2)中得到的自由熵指标和步骤(3)中得到的皮尔森相关性系数计算待优化时刻各指标与历史时刻各指标的总体偏离度,所使用的总体偏离度计算公式为:
式中,n表示自由熵指标的种类数,Hi表示当前时刻的i类自由熵指标,Hi′表示历史某时刻的i类自由熵指标,Hmax表示该i类自由熵指标最大值;Pi表示当前时刻的总负荷,Pi′表示历史某时刻的总负荷,Pmax表示总负荷最大值。
前述的基于大数据自由熵理论和场景匹配的配电网无功优化方法,其特征在于:在所述步骤(5)中,根据步骤(4)中得到的待优化时刻与历史各时刻的总体偏离度,找到对应总体偏离度最低的历史时刻,实现场景匹配,该历史时刻所对应的无功优化策略作为当前待优化时刻的无功优化策略。
通过对改进的IEEE-37节点主动配电网算例进行系统仿真得到的运行状态数据和环境量数据,应用本发明所提出的的方法进行配电网场景的智能匹配和无功优化计算,验证了本方法的有效性。本发明利用大数据技术,摆脱了模型参数的限制,考虑了分布式电源和新型随机负荷对配电网的影响,实现了配电网的无功优化和电压管理,为配电网的优化运行提供了一条新的途径。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的基于大数据自由熵理论和场景匹配的配电网无功优化方法流程图;
图2为改进的IEEE37节点拓扑图;
图3为11:00时的负荷分布匹配结果图;
图4为传统方法与本方法降损率对比图;
图5为传统方法与本方法电压偏差效果对比图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供了一种基于大数据自由熵理论和场景匹配的配电网无功优化方法,所述方法包括以下步骤:
步骤(1),结合配电网系统,构建自由熵指标序列;
步骤(2),根据自由熵指标的构建方法,计算出待优化时刻的自由熵指标和历史大数据中各时刻的自由熵指标;
步骤(3),计算历史大数据中自由熵指标与系统总负荷间的皮尔森相关系数;
步骤(4),利用步骤(2)中得到的自由熵指标和步骤(3)中得到的皮尔森相关性系数计算待优化时刻各指标与历史时刻各指标的总体偏离度;
步骤(5),利用步骤(4)中得到的总体偏离度,找到对应总体偏离度最低的历史时刻,实现智能场景匹配,该历史时刻所对应的无功优化策略作为当前待优化时刻的无功优化策略。
可选地,在所述步骤(1)中,结合配电网系统,基于自由熵理论,选取负荷功率、节点电压、光伏出力、风机出力、电动汽车充电负荷等电气量和温度、光照强度、风速等非电气量计算自由熵指标从而构建自由熵序列:
H={H1,H2,…,Hm};
式中Hm为自由熵指标。
进一步可选地,在所述步骤(2)中,根据指标类型的不同,可以将其分为三类进行自由熵指标的构建;第一类是负荷数据与节点电压等在某一时刻具有较多数据源的指标,可用于计算负荷熵、电压熵等;第二类为分布式电源、电动汽车充电数据等由系统大小和分布特点来决定数据源个数的指标,可用于计算光伏熵、电动汽车充电负荷熵等,其中电动汽车充电负荷熵简称为ev熵;第三类为环境数据,例如温度、风速等,在某一时刻仅有唯一确定值的指标,可用于计算环境熵;然后将三类自由熵指标进行汇总,从而得到该系统的自由熵序列:
1)第一类自由熵指标的构建
以负荷熵为例,介绍第一类自由熵指标的构建方法:设节点i最大视在功率为Si max,系统运行时节点i实际功率为Si,则节点i的负荷率为:
式中:n为负荷节点数,
给定常数序列F={F0,F1,…,FN},N为区间数,实际取F={0,0.01,…,1},用lk表示负荷率μi∈(Fk-1,Fk]的节点数,对不同负荷率区间内的节点数概率化得:
式中p(k)为负荷率μi∈(Fk-1,Fk]的节点数占总节点数的比例,综上可得负荷熵:
2)第二类自由熵指标的构建
当参与计算的个例较少或者单一时刻无法较好反映当前场景特征时,可将前t个采样时段中的数据作为当前时刻数据源的扩充,利用与负荷熵相似的计算方法整合到当前自由熵指标的计算中,从而反映特征的变化规律;以光伏熵为例,介绍第二类自由熵指标的构建方法:首先根据各光伏接入点的最大光伏出力,计算出当前时刻与前1小时各接入点的光伏出力率,然后统计不同光伏出力率区间内的光伏接入点数并将其概率化,最终得到光伏熵;
3)第三类自由熵指标的构建
由于各种环境数据都具有单一性和确定性,例如温度、风速等,所以可以通过将多种环境数据整合在一起以及利用前t个采样时段中的数据作为当前时刻数据源的扩充,从而反映当前环境特征;首先计算出当前时刻、前1小时、前2小时的不同环境指标与其对应指标最大值的比值,然后统计不同比值区间内的环境指标个数并将其概率化,最终得到环境熵。
进一步可选地,在所述步骤(3)中,所用的皮尔森相关系数是一种线性相关系数,它反映两个变量间的线性相关程度,设对于任意两随机变量X={x1,x2,…,xn},Y={y1,y2,…,yn},皮尔森相关系数PCC(X,Y)定义如下:
更进一步可选地,在所述步骤(4)中,利用步骤(2)中得到的自由熵指标和步骤(3)中得到的皮尔森相关性系数计算待优化时刻各指标与历史时刻各指标的总体偏离度,所使用的总体偏离度计算公式为:
式中,n表示自由熵指标的种类数,Hi表示当前时刻的i类自由熵指标,Hi′表示历史某时刻的i类自由熵指标,Hmax表示该i类自由熵指标最大值;Pi表示当前时刻的总负荷,Pi′表示历史某时刻的总负荷,Pmax表示总负荷最大值。
再进一步可选地,在所述步骤(5)中,根据步骤(4)中得到的待优化时刻与历史各时刻的总体偏离度,找到对应总体偏离度最低的历史时刻,实现智能场景匹配,该历史时刻所对应的无功优化策略作为当前待优化时刻的无功优化策略。
为了验证上述方法的正确性和有效性,对经典IEEE37节点系统进行了改造,增加了光伏发电、风机发电等分布式发电DG和电动汽车充电等随机负荷,并接入调压器、电容器组、SVC等无功优化设备,构成了一个主动配电网,如图2所示。其中,调压器接在母线变压器(即799至701节点处),分接头档位为±8档,可调压范围为电压标幺值0.95 ̄1.05之间;电容器组接入两组,分别接在708节点(C1)及737节点(C2)处,每组容量均为600kvar,内含6个100kvar的电容器;SVC接在711节点处,可调范围为300kvar;在741、736母线节点处分别接入一个光伏电源,容量为75kVA(Pmpp=75kw);在740、724母线节点处各接入一个光伏电源,容量为100kVA(Pmpp=100kw);在725母线节点处接入一个电动汽车充电桩EV,容量为120kW(最大充电功率);在735母线节点处接入一个电动汽车充电桩EV,容量为240kW(最大充电功率);在728节点处接入一个风机,容量为300kW。结合Matlab和OpenDSS进行配电网的仿真计算,并使用了某实际配电网一年(8760小时)的历史负荷数据和天气数据来进行模拟和验证。
在本算例中,运用系统运行产生的负载功率、电压、光伏出力、风机出力和电动汽车负荷等电气量数据和温度、光照强度和风速等非电气量数据分别构造并计算自由熵指标,选取负荷熵、电压熵、光伏熵、风机熵、ev熵和环境熵构建自由熵指标序列。
在场景匹配前,需要利用历史数据得出总负荷与各指标间的皮尔森相关性系数作为对应指标的权重,计算结果如表1所示。
在数据库中选取某日作为测试日,然后选取24个不同的负荷水平(每小时一个取样点)并按照本文提出的方法分别与历史数据库中一年的场景进行匹配,最后进行无功优化计算。以高负荷水平(11点)为例,场景分布匹配结果如图3所示。
表1皮尔森相关性分析
为验证匹配结果的有效性,以采样节点负荷匹配偏差率和系统负荷匹配度作为衡量匹配结果的评价指标。采样节点负荷匹配偏差率和系统负荷匹配度定义如下所示。
采样节点负荷匹配偏差率:
式中:Ei为节点i的负荷匹配偏差率,Li,f为节点i的负荷匹配值,Li为节点i的负荷实际值。
系统负荷匹配度:
Ad=(1-RMSE)×100% (2)
式中:Ad为系统负荷匹配度,RMSE为系统负荷匹配偏差率均方根,n为节点数。
评价指标计算结果如表2、表3所示。从表中可知,11:00时刻不同节点负荷匹配效果良好,且大部分时刻系统负荷匹配度较高。
表2 11:00时采样节点负荷匹配偏差率
表3测试日系统负荷匹配度
为验证本文所提方法的无功优化效果,对于待优化日,分别计算了采用传统算法进行无功优化后以及采用本文方法进行无功优化后两种情况下系统的降损率和电压偏差率,将两种结果进行对比。其中,降损率定义为:
式中,P0为系统不加无功控制策略的线路损耗,ΔP为经过无功优化后的线路损耗。系统电压偏差率定义为:
式中,Ui为第i个节点的实际电压值,UiN为该节点额定电压值,n为节点个数。计算结果如图4、图5所示。
由图4、图5可知,采用本文方法的无功优化策略后,系统降损效果明显且电压偏差较小,同时,本文方法在不需要配电网模型和参数的情况下与传统方法优化效果相近,在部分时刻优化效果甚至超过了传统方法,体现了本文方法的有效性和正确性。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (2)
1.基于大数据自由熵理论和场景匹配的配电网无功优化方法,其特征在于:所述方法包括以下步骤:
步骤(1),结合配电网系统,基于自由熵理论,选取负荷功率、节点电压、光伏出力、风机出力、电动汽车充电负荷5种电气量和温度、光照强度、风速3种非电气量计算自由熵指标从而构建自由熵序列:H={H1,H2,…,Hm}式中Hm为自由熵指标;
步骤(2),根据指标类型的不同,将其分为三类进行自由熵指标的构建;第一类是负荷数据与节点电压在某一时刻具有较多数据源的指标,可用于计算负荷熵、电压熵;第二类为分布式电源、电动汽车充电数据由系统大小和分布特点来决定数据源个数的指标,可用于计算光伏熵、电动汽车充电负荷熵,其中电动汽车充电负荷熵简称为ev熵;第三类为环境数据,由于温度、风速在某一时刻仅有唯一确定值的指标,可用于计算环境熵;然后将三类自由熵指标进行汇总,从而得到该系统的自由熵序列:
1)第一类自由熵指标的构建
式中:n为负荷节点数,给定常数序列F={F0,F1,…,FN},N为区间数,实际取F={0,0.01,…,1},用lk表示负荷率μi∈(Fk-1,Fk]的节点数,其中,(Fk-1,Fk]表示第k个区间,对不同负荷率区间内的节点数概率化得:
2)第二类自由熵指标的构建
当参与计算的个例较少或者单一时刻无法较好反映当前场景特征时,根据指标特点,将每个时段时段设为15min,那么前t个时段中的数据作为当前时刻数据源的扩充,利用与负荷熵相似的计算方法整合到当前自由熵指标的计算中,从而反映特征的变化规律;以光伏熵为例,介绍第二类自由熵指标的构建方法:首先根据各光伏接入点的最大光伏出力,计算出当前时刻与前1小时各接入点的光伏出力率,然后统计不同光伏出力率区间内的光伏接入点数并将其概率化,最终得到光伏熵;
3)第三类自由熵指标的构建
由于各种环境数据都具有单一性和确定性,由于温度、风速,所以将其通过将多种环境数据整合在一起以及利用前t个时段中的数据作为当前时刻数据源的扩充,从而反映当前环境特征;首先计算出当前时刻、前1小时、前2小时的不同环境指标与其对应指标最大值的比值,然后统计不同比值区间内的环境指标个数并将其概率化,最终得到环境熵;
根据自由熵指标的构建方法,计算出待优化时刻的自由熵指标和历史大数据中各时刻的自由熵指标;
步骤(3),计算历史大数据中自由熵指标与系统总负荷间的皮尔森相关系数;所用的皮尔森相关系数是一种线性相关系数,它反映两个变量间的线性相关程度,设对于任意两随机变量X={x1,x2,…,xn},Y={y1,y2,…,yn},皮尔森相关系数PCC(X,Y)定义如下:
步骤(4),利用步骤(2)中得到的自由熵指标和步骤(3)中得到的皮尔森相关性系数计算待优化时刻各指标与历史时刻各指标的总体偏离度,所使用的总体偏离度计算公式为:
式中,n表示自由熵指标的种类数,Hi表示当前时刻的i类自由熵指标,H′i表示历史某时刻的i类自由熵指标,Hmax表示该i类自由熵指标最大值;Pi表示当前时刻的总负荷,Pi′表示历史某时刻的总负荷,Pmax表示总负荷最大值;
步骤(5),利用步骤(4)中得到的总体偏离度,找到对应总体偏离度最低的历史时刻,实现智能场景匹配,该历史时刻所对应的无功优化策略作为当前待优化时刻的无功优化策略。
2.根据权利要求1所述的基于大数据自由熵理论和场景匹配的配电网无功优化方法,其特征在于:在所述步骤(5)中,根据步骤(4)中得到的待优化时刻与历史各时刻的总体偏离度,找到对应总体偏离度最低的历史时刻,实现智能场景匹配,该历史时刻所对应的无功优化策略作为当前待优化时刻的无功优化策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811226575.XA CN109586309B (zh) | 2018-10-19 | 2018-10-19 | 基于大数据自由熵理论和场景匹配的配电网无功优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811226575.XA CN109586309B (zh) | 2018-10-19 | 2018-10-19 | 基于大数据自由熵理论和场景匹配的配电网无功优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109586309A CN109586309A (zh) | 2019-04-05 |
CN109586309B true CN109586309B (zh) | 2022-04-26 |
Family
ID=65920710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811226575.XA Active CN109586309B (zh) | 2018-10-19 | 2018-10-19 | 基于大数据自由熵理论和场景匹配的配电网无功优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109586309B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110571856B (zh) * | 2019-09-20 | 2021-05-25 | 国网江苏省电力有限公司镇江供电分公司 | 光储电站与负荷时序匹配度优化控制方法 |
CN111682574B (zh) * | 2020-06-18 | 2021-10-15 | 国网江苏省电力有限公司电力科学研究院 | 一种交直流混联系统运行场景辨识方法、存储介质和设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107134790A (zh) * | 2016-02-26 | 2017-09-05 | 中国电力科学研究院 | 一种基于大数据的配电网无功优化控制序列确定方法 |
CN108390393A (zh) * | 2018-03-27 | 2018-08-10 | 国网河北省电力有限公司经济技术研究院 | 配电网多目标无功优化方法及终端设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170262007A1 (en) * | 2016-03-10 | 2017-09-14 | Macau University Of Science And Technology | Multi-agent oriented method for forecasting-based control with load priority of microgrid in island mode |
-
2018
- 2018-10-19 CN CN201811226575.XA patent/CN109586309B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107134790A (zh) * | 2016-02-26 | 2017-09-05 | 中国电力科学研究院 | 一种基于大数据的配电网无功优化控制序列确定方法 |
CN108390393A (zh) * | 2018-03-27 | 2018-08-10 | 国网河北省电力有限公司经济技术研究院 | 配电网多目标无功优化方法及终端设备 |
Non-Patent Citations (1)
Title |
---|
"基于负荷分布匹配与熵权法的配电网无功优化";刘科研 等;《电网技术》;20171231;第41卷(第12期);3980-3987 * |
Also Published As
Publication number | Publication date |
---|---|
CN109586309A (zh) | 2019-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109546659B (zh) | 基于随机矩阵和智能场景匹配的配电网无功优化方法 | |
CN109359389B (zh) | 基于典型负荷动态博弈的城市电动汽车充电决策方法 | |
CN110474339B (zh) | 一种基于深度发电负荷预测的电网无功控制方法 | |
CN113964885B (zh) | 一种基于态势感知的电网无功主动预测及控制方法 | |
CN112993979B (zh) | 配电网无功优化方法、装置、电子设备和存储介质 | |
CN108306303A (zh) | 一种考虑负荷增长和新能源出力随机的电压稳定评估方法 | |
CN110380444B (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
CN104037776A (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 | |
CN113361946B (zh) | 一种基于分布式光伏并网系统的电能质量评估方法及装置 | |
CN104852399A (zh) | 光储微网系统的储能容量动态优化方法 | |
CN113240261A (zh) | 一种区域电能质量监测分析系统 | |
CN109586309B (zh) | 基于大数据自由熵理论和场景匹配的配电网无功优化方法 | |
CN116388213A (zh) | 含新能源和充电站的主动配电网动态无功优化方法及系统 | |
CN116826710A (zh) | 基于负荷预测的削峰策略推荐方法、装置及存储介质 | |
CN109193643B (zh) | 一种计算配用电系统网损和可靠性的方法及系统 | |
CN108694475B (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
CN105119285B (zh) | 基于动态赋权的风储协调多目标优化控制方法 | |
CN109767353A (zh) | 一种基于概率分布函数的光伏发电功率预测方法 | |
CN106655266B (zh) | 一种接入新能源的地区电网可灵活调节电源配置方法 | |
CN117183803A (zh) | 电动汽车充电控制方法、装置和计算机设备 | |
CN117094845A (zh) | 用于光伏能源存储损失的优化方法及系统 | |
Yu et al. | Control scheme to extend lifetime of BESS for assisting wind farm to track power generation plan based on wind power feature extraction | |
CN109149644B (zh) | 一种基于大数据分析的光储一体在线策略匹配和协同优化方法 | |
Maochun et al. | Typical scenario construction for fast assessment of renewable energy absorption capacity | |
CN117767369B (zh) | 一种考虑中长期规划的储能选址和分级配置方法 |
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 |