CN109829581A - 一种基于首端“负荷云”预测的10千伏线路滚动规划优先级排序方法 - Google Patents
一种基于首端“负荷云”预测的10千伏线路滚动规划优先级排序方法 Download PDFInfo
- Publication number
- CN109829581A CN109829581A CN201910087826.9A CN201910087826A CN109829581A CN 109829581 A CN109829581 A CN 109829581A CN 201910087826 A CN201910087826 A CN 201910087826A CN 109829581 A CN109829581 A CN 109829581A
- Authority
- CN
- China
- Prior art keywords
- load
- line
- head end
- year
- route
- 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
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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
10千伏线路数量众多,预判线路电压安全水平变化并进行扩容线路优先级排序,可极大提高配网滚动规划的效率和质量。本发明“一种基于首端“负荷云”预测的10千伏线路滚动规划优先级排序方法”,提出了年度典型日线路首端“负荷云”的生成及神经网络预测方法;基于10千伏线路首端负荷安全域边界及其指标,分析了首端“负荷云”导致的线路最大压降,并提出了线路年度电压安全水平指标Vr;根据预测年度的Vr值排序,得到了该年度的10千伏线路滚动规划优先级排序。本申请发明可识别区域内需要优先扩容的线路,提高10千伏配网滚动规划的效率和质量,保障配网电压安全和供电质量。
Description
技术领域
配电网电压安全性分析,配电网规划。
背景技术
随着负荷增长,10千伏线路末端电压偏低是当前配网经常遇到的问题,故需每年进行滚动规划,进行网架扩容。一个地区级供电公司一般都有几百条10千伏线路,若能准确预判各线路的电压安全水平,并得到扩容优先级排序,将极大提高滚动规划的效率和质量,保障配网电压安全和供电质量。
配网规划的前提负荷预测。传统的负荷预测一般假设功率因数恒定,预测年度典型日的最大视在功率。但是,实际负荷的视在功率和功率因数都是变化的,二者与线路压降都相关,且最大视在功率并非一定导致线路压降最大。只有根据典型日中所有采样时刻的负荷功率,分析最大线路压降,才能得到10千伏线路的年度电压安全水平。
另外,不同输电线路,10千伏线路类似于母线,其上分布了数量众多(几十甚至上百台)的台区变压器(简称台区变),且台区负荷变化随机性大。故10千伏线路电压水平分析和预估都非常困难,成为配网规划的主要瓶颈。
此前,针对10千伏线路,申请了发明专利“基于线路压降力矩模型的10千伏线路电压快速估算方法(申请号:201810765407.1)”,可基于台区变负荷,采用类似力矩分析法,快速估算10千伏线路的末端电压。相比数量众多的台区变负荷数据,10千伏线路首端(即出线端)负荷数据的完整性和准确性较好,数据量相对较少且容易得到。进一步研究后,根据10千伏台区负荷分布特征,提出首端负荷安全域边界识别方法,并申请了发明专利“10千伏线路首端负荷安全域边界的一种快速估算方法(申请号:201810866013.5)”。只要首端负荷在安全域边界内,可使10千伏线路压降在正常范围内。
故本申请发明专利,将典型日线路首端连续负荷,离散采样得到“负荷云”(即采样点负荷功率集),并进行典型日“负荷云”的年度预测;通过对“负荷云”与安全域边界的关系分析,构建10千伏线路电压安全水平指标,进而可识别预测年度需要优先扩容的线路,以提高10千伏配网滚动规划的效率和质量。
发明内容
本发明“一种基于首端“负荷云”预测的10千伏线路滚动规划优先级排序方法”,提出了年度典型日线路首端“负荷云”的生成及神经网络预测方法;基于10千伏线路首端负荷安全域边界及其指标,分析了10千伏线路首端“负荷云”导致的最大压降,并提出了线路年度电压安全水平指标Vr;根据Vr值排序,得到了10千伏线路年度滚动规划优先级排序。本申请发明可识别需要优先扩容的10千伏线路,提高配网滚动规划的效率和质量。
附图说明
图1交流输电线路模型
图2 10千伏沿线台区负荷分布等效
图3 10千伏线路首端负荷安全域边界及其指标
图4 10千伏线路首端负荷复功率曲线
图5 10千伏线路首端的“负荷云”
图6年度典型日的预测“负荷云”
图7 10千伏线路的年度电压安全裕度
图8“负荷云”及线路电压安全水平的年度预测
具体实施方式
1. 10千伏线路的首端负荷安全域边界及其指标
1.1输电线路的首端负荷安全域边界及其指标
设交流输电线路L的模型如图1所示,两端节点为i,j,线路首、末端电压分别为Ui、Uj,电压相位差为θij,线路阻抗为ZL=RL+XL,阻抗角为α,潮流方向由i到j。
若首端电压值恒定,根据线路功率方程,可得到末端电压对应的首端功率圆弧,即
由式(1)可知,该圆弧的圆心OiL坐标、半径riL、圆心距原点的距离hiL分别为
由式(1)、(2)可知,圆心OiL、原点O和最小视在功率点在一条直线上,该直线与P轴夹角为线路的阻抗角α,且首端功率圆弧上的最小视在功率为
由于Ui>>Ui-Uj,故Sri对线路首、末端的电压幅值差Ui-Uj敏感。若给定首、末端的最大安全压降值ΔUS,则对应有
SriH对应的功率圆弧即为首端负荷安全域边界,只要线路首端的视在功率值小于该边界圆弧上的视在功率值,则线路压降小于ΔUS。故称SriH为首端负荷安全域边界指标,其为负荷安全域边界上的最小视在功率值,对应的复功率为SriH∠α。
由式(2)、(4)可见,riL>>SriH。故可将首端负荷安全域边界线性化,线性化后的首端负荷安全域边界方程为
Q=SriHsinα-(P-SriHcosα)cotα (5)
1.2 10千伏线路的首端负荷安全域边界及其指标
但是,与输电线路不同,配网中的10千伏线路类似于母线,其上分布着几十甚至上百个台区变,且台区负荷分布不均衡。
根据此前申请的发明专利“10千伏线路首端负荷安全域边界的一种快速估算方法(申请号:201810866013.5)”,可将沿线台区负荷分布等效为均衡分布附加若干重载点的形式,并得到维持10千伏线路压降安全水平对应的首端负荷安全域边界:
将沿线台区负荷等效为均衡分布附加m个重载点的形式,如图2所示,设重载点距线路首端的长度占比分别为η1、η2、…、ηm,负荷占比分别为μ1、μ2、…、μm,其它均衡分布的台区变总负荷的占比为则首端负荷安全域的边界指标为
故首端负荷安全域边界方程为
Q=SrHUm sinα-(P-SrHUm cosα)cotα (7)
其中,|ZL|和α分别为10千伏线路的阻抗模值和阻抗角,P、Q分别为首端有功及无功功率,ΔUS1n为给定线路首、末端的最大安全压降值。
10千伏线路首端负荷安全域边界及其指标如图3所示。
2. 10千伏线路首端“负荷云”的生成方法
由10千伏线路首端负荷安全域边界特性可知:末端电压或线路压降不仅与视在功率相关,还与功率因数角相关;首端复功率点与安全域边界的距离,才是衡量末端电压安全水平的关键指标。
负荷功率是随时间连续变化的,通过离散采样,可得到每日负荷的复功率点集,即“负荷云”;通过分析日“负荷云”与安全域边界的最小距离,便可得知该日的线路最大压降。
设某年度典型日的某10千伏线路首端(即出线端)的负荷复功率曲线为S(t)=P(t)+jQ(t),如图4所示。取t=nT0,n=(1,2,…,N),得到该线路首端负荷S(t)在P-Q域内的复功率点集[Pn,Qn],即为典型日该线路首端的“负荷云”,如图5所示。其中,时间步长T0取15分钟,N=1440/T0=96。
3.年度典型日“负荷云”的预测方法
传统的线路电压水平预测基于负荷预测,一般假设负荷的功率因数角恒定,然后预测年度典型日的某一视在功率值。由于负荷是随时间连续变化的,功率因数角非恒定,且线路压降与功率因数角和实在功率都相关。因此,传统的线路电压水平预测鲁棒性较差。
“负荷云”可完整地描述年度典型日的负荷特性,且由“负荷云”可得到线路的最大压降。故基于年度“负荷云”预测,既可提供负荷预测的可靠性,又能提高线路电压安全水平预测的鲁棒性。
下面阐述基于BP神经网络的年度典型日“负荷云”预测方法。
构建BP神经网络模型,输入层神经元数量为96×2个,隐含层神经元数量为23个,输出层神经元数量为96×2个。令BP神经网络的激励函数为
神经元输出为
其中,R(n)为输入,ω(n)为神经元权值且初值取0.5,N=96。
取前3年的典型日的“负荷云”数据集[Pn,Qn],n=(1,2,…,96),按年度顺序依次输入BP神经网络,经过训练。将当年“负荷云”数据输入到训练好的BP神经网络,得到下一年度典型日的预测“负荷云”,如图6所示。
4.基于预测“负荷云”的10千伏线路滚动规划优先级排序方法
将某10千伏线路的预测年度典型日的首端“负荷云”[Pn,Qn]写成形式,其中,令“负荷云”中各负荷点的压降指标为
则该“负荷云”对应的10千伏线路最大压降指标为
根据“负荷云”指标Srnmax与安全域边界指标SrHUm的差值,定义10千伏线路的年度电压安全水平指标Vr,即为
Vr值越大,表明该10千伏线路的年度电压安全裕度越大,年度电压安全水平越好,如图7所示。故将区域内所有10千伏线路,按规划年度的指标Vr值,从小到大进行排序,得到该年度滚动规划的线路优先级排序。
5.10千伏线路滚动规划优先级排序步骤
根据上述分析阐述,得到如下步骤:
1)将10千伏沿线台区负荷等效为均衡分布附加m个重载点的形式,设重载点距线路首端的长度占比分别为η1、η2、…、ηm,负荷占比分别为μ1、μ2、…、μm,其它台区负荷均衡分布,则首端负荷安全域的边界指标为首端负荷安全域边界方程为Q=SrHUmsinα-(P-SrHUmcosα)cotα,其中,|ZL|、α分别为10千伏线路的阻抗模值、阻抗角,P、Q分别为首端有功及无功功率,ΔUS1n为给定的线路最大安全压降值;
2)设某年度典型日的某10千伏线路首端负荷复功率曲线为S(t)=P(t)+jQ(t),取t=nT0,n=(1,2,…,N),得到S(t)在P-Q域内的复功率点集[Pn,Qn],即为某年度典型日该线路首端的“负荷云”,其中,时间步长T0取15分钟,N=1440/T0=96;
3)构建BP神经网络模型,输入层神经元数量为192个,隐含层神经元数量为23个,输出层神经元数量为192个,激励函数为神经元输出为其中,R(n)为输入,ω(n)为神经元权值且初值取0.5,N=96;
4)取前3年的典型日的“负荷云”数据集[Pn,Qn],n=(1,2,…,96),按年度顺序依次输入BP神经网络训练后,将当年“负荷云”数据输入到训练好的BP神经网络,得到下一年度典型日的预测“负荷云”;
5)根据某10千伏线路的预测年度典型日的首端“负荷云”[Pn,Qn],n=(1,2,…,N),得到该线路该年度的电压安全水平指标
6)将区域内所有10千伏线路,按规划年度的指标Vr值,从小到大进行排序,得到该年度滚动规划的线路优先级排序。
6.算例分析
以某市一条10千伏出线负荷数据为例,线路长度5Km,线路型号为LGJ-95,阻抗参数ZL=0.33+j0.342,阻抗角α为46°。设线路台区负荷均匀分布,线路首端电压10.5KV,末端电压安全值为9.5KV。通过式(6),可得线路首端安全域边界指标SrHUm为4.208,安全域边界如图8所示。
构建BP神经网络模型,输入层神经元数量为192m个,隐含层神经元数量为23个,输出层神经元数量为192个。设定训练迭代步数为10000,误差阈值为0.001,学习率取为0.01,动量因子取为0.9。在MATLAB环境下编程,激活函数设定为对数型激励函数‘logsig’,训练网络算法采用‘traingdx’,并用历史负荷数据对所构建的神经网络进行训练。经过神经网络预测,得到预测年度的“负荷云”,如图8所示,各点复功率如表1所示。
图8所示的线路首端“负荷云”中,负荷点83、91的复功率如表2所示。采用电力系统综合程序PSASP,分别求得这两个负荷点对应的线路末端电压;根据式(10)、(12),分别求得这两个负荷点压降指标Srn,如表2所示。
表1预测年度“负荷云”中各负荷点的复功率
表2负荷点指标及线路末端电压
表2可见,线路首端视在功率越大,并不意味着线路压降越大。故传统方法,即基于负荷最大视在功率预测的线路电压水平预估,无论从理论还是实际情况看,可靠性都存在问题。
本申请发明的方法,是基于“负荷云”的遍历分析,从而可找到典型日中的线路末端最低电压,故电压安全水平评估的可靠性较好。图8可见,负荷点91所对应的线路末端电压最低,根据式(10)、(11)和(12),可得该线路预测年度典型日的电压安全水平指标Vr=23.30%。
图8中,上一年度“负荷云”对应的线路电压安全水平指标Vr=55.28%。可见,经过一年,负荷增长后,该10千伏线路的电压安全水平明显较低。
算例表明,采用“负荷云”可提高线路电压安全水平分析的可靠性;采用Vr指标,可简便地表征线路年度电压安全水平。故基于Vr的排序,可快速识别出区域配网中10千伏线路扩容的优先级,提高滚动规划的效率和可靠性。
7.结论
10千伏线路数量大,台区变众多且负荷随机性较大,线路电压安全水平预估非常困难,故滚动规划的工作量和难度都大。
传统规划中,负荷预测一般假设功率因数恒定,预测年度典型日的最大视在功率。但是,实际负荷的视在功率和功率因数都是变化的,二者与线路压降都相关,且最大视在功率并非一定导致线路压降最大。
本发明基于10千伏线路首端负荷功率数据预测和分析,历史数据的准确性和完整性较好,有利于神经网络模型训练,故预测年度典型日“负荷云”的可靠性较好。算例表明,基于“负荷云”与安全域边界的关系分析,可得到典型日的最大线路压降,线路电压安全水平分析的鲁棒性较好。基于该方法的10千伏线路规划优先级排序,可提高配网滚动规划效率和质量,进而提高配网的供电可靠性和电能质量。
Claims (1)
1.一种基于首端“负荷云”预测的10千伏线路滚动规划优先级排序方法,该方法特征在于,包括如下步骤:
1)将10千伏沿线台区负荷等效为均衡分布附加m个重载点的形式,设重载点距线路首端的长度占比分别为η1、η2、…、ηm,负荷占比分别为μ1、μ2、…、μm,其它台区负荷均衡分布,则首端负荷安全域的边界指标为首端负荷安全域边界方程为Q=SrHUmsinα-(P-SrHUmcosα)cotα,其中,|ZL|、α分别为10千伏线路的阻抗模值、阻抗角,P、Q分别为首端有功及无功功率,ΔUS1n为给定的线路最大安全压降值;
2)设某年度典型日的某10千伏线路首端负荷复功率曲线为S(t)=P(t)+jQ(t),取t=nT0,n=(1,2,…,N),得到S(t)在P-Q域内的复功率点集[Pn,Qn],即为某年度典型日该线路首端的“负荷云”,其中,时间步长T0取15分钟,
3)构建BP神经网络模型,输入层神经元数量为192个,隐含层神经元数量为23个,输出层神经元数量为192个,激励函数为神经元输出为其中,R(n)为输入,ω(n)为神经元权值且初值取0.5,N=96;
4)取前3年的典型日的“负荷云”数据集[Pn,Qn],n=(1,2,…,96),按年度顺序依次输入BP神经网络训练后,将当年“负荷云”数据输入到训练好的BP神经网络,得到下一年度典型日的预测“负荷云”;
5)根据某10千伏线路的预测年度典型日的首端“负荷云”[Pn,Qn],n=(1,2,…,N),得到该线路该年度的电压安全水平指标
6)将区域内所有10千伏线路,按规划年度的指标Vr值,从小到大进行排序,得到该年度滚动规划的线路优先级排序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910087826.9A CN109829581B (zh) | 2019-01-29 | 2019-01-29 | 一种基于首端“负荷云”预测的10千伏线路滚动规划优先级排序方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910087826.9A CN109829581B (zh) | 2019-01-29 | 2019-01-29 | 一种基于首端“负荷云”预测的10千伏线路滚动规划优先级排序方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109829581A true CN109829581A (zh) | 2019-05-31 |
CN109829581B CN109829581B (zh) | 2023-07-25 |
Family
ID=66862924
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910087826.9A Active CN109829581B (zh) | 2019-01-29 | 2019-01-29 | 一种基于首端“负荷云”预测的10千伏线路滚动规划优先级排序方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109829581B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112398127A (zh) * | 2020-11-30 | 2021-02-23 | 竺炜 | 基于城乡规划用地虚拟台区及负荷云的配网扩张规划方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
CN105678406A (zh) * | 2015-12-31 | 2016-06-15 | 国网湖北省电力公司 | 一种基于云模型的短期负荷预测方法 |
CN108520330A (zh) * | 2018-02-13 | 2018-09-11 | 三峡大学 | 一种考虑负荷预测误差不确定性的配电网中压线路差异化规划方法 |
CN108988331A (zh) * | 2018-08-01 | 2018-12-11 | 竺炜 | 10千伏线路首端负荷安全域边界的一种快速估算方法 |
-
2019
- 2019-01-29 CN CN201910087826.9A patent/CN109829581B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
CN105678406A (zh) * | 2015-12-31 | 2016-06-15 | 国网湖北省电力公司 | 一种基于云模型的短期负荷预测方法 |
CN108520330A (zh) * | 2018-02-13 | 2018-09-11 | 三峡大学 | 一种考虑负荷预测误差不确定性的配电网中压线路差异化规划方法 |
CN108988331A (zh) * | 2018-08-01 | 2018-12-11 | 竺炜 | 10千伏线路首端负荷安全域边界的一种快速估算方法 |
Non-Patent Citations (1)
Title |
---|
竺炜;张玉龙;茹梁;凌晨;: "基于负荷安全域的10kV配网无功配置方法研究" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112398127A (zh) * | 2020-11-30 | 2021-02-23 | 竺炜 | 基于城乡规划用地虚拟台区及负荷云的配网扩张规划方法 |
CN112398127B (zh) * | 2020-11-30 | 2022-06-21 | 竺炜 | 基于城乡规划用地虚拟台区及负荷云的配网扩张规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109829581B (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101975910B (zh) | 一种特高压直流输电线路故障智能分类与测距方法 | |
CN108832619A (zh) | 基于卷积神经网络的电力系统暂态稳定评估方法 | |
CN107942160A (zh) | 基于bp神经网络的线路参数特性辨识模型的建立方法 | |
CN103762579B (zh) | 一种提高电网暂态功角稳定性的直流功率紧急控制性能指标计算方法 | |
Hayes et al. | Equivalent power curve model of a wind farm based on field measurement data | |
CN106933778A (zh) | 一种基于爬坡事件特征识别的风电功率组合预测方法 | |
CN103578050A (zh) | 一种电压暂降原因的识别方法 | |
CN108061832B (zh) | 基于神经网络黑箱模型的串联型故障电弧仿真方法 | |
CN104573947A (zh) | 区域智能配电网低压台区综合评价方法 | |
CN103728535A (zh) | 一种基于小波变换暂态能量谱的特高压直流输电线路故障测距方法 | |
CN102931663B (zh) | 一种大规模交直流电力系统的动态无功优化方法 | |
CN110222887A (zh) | 基于vmd和dnn的预测方法及在短期负荷预测的应用 | |
CN104393590B (zh) | 电网暂态失稳模式智能辨识方法 | |
CN105046389A (zh) | 一种用于电力安全风险评估的智能风险评估方法及其系统 | |
CN105512808A (zh) | 一种面向大数据的电力系统暂态稳定评估方法 | |
CN102005755A (zh) | 基于支持向量机的特高压直流输电线路边界元件构成方法 | |
CN104699959A (zh) | 一种基于k-means算法的线损同类划分方法 | |
CN112255500A (zh) | 一种基于迁移学习的配电网弱特征故障辨识方法 | |
CN106682407A (zh) | 基于戴维南等值和支路传输功率极限的电压稳定评估方法 | |
CN105005708A (zh) | 一种基于ap聚类算法的广义负荷特性聚类方法 | |
CN103020461A (zh) | 电能质量模糊评价方法及装置 | |
CN106096765A (zh) | 分散式风电群输电规划方案的评价方法 | |
CN112858784A (zh) | 一种牵引供电系统-区域电网并联谐波谐振频率识别方法 | |
CN110174255A (zh) | 一种基于径向基神经网络的变压器振动信号分离方法 | |
Mahela et al. | Recognition of power quality disturbances using discrete wavelet transform and fuzzy C-means clustering |
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 |