CN110011315A - 一种广域量测环境下聚合电网调控方法及存储设备 - Google Patents
一种广域量测环境下聚合电网调控方法及存储设备 Download PDFInfo
- Publication number
- CN110011315A CN110011315A CN201910380826.8A CN201910380826A CN110011315A CN 110011315 A CN110011315 A CN 110011315A CN 201910380826 A CN201910380826 A CN 201910380826A CN 110011315 A CN110011315 A CN 110011315A
- Authority
- CN
- China
- Prior art keywords
- power grid
- calculating
- aggregation
- function
- grid
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 238000005259 measurement Methods 0.000 title claims abstract description 14
- 238000006116 polymerization reaction Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 74
- 230000002776 aggregation Effects 0.000 claims description 49
- 238000004220 aggregation Methods 0.000 claims description 49
- 230000005540 biological transmission Effects 0.000 claims description 45
- 238000012549 training Methods 0.000 claims description 19
- 230000006403 short-term memory Effects 0.000 claims description 15
- 238000013135 deep learning Methods 0.000 claims description 14
- 230000007787 long-term memory Effects 0.000 claims description 14
- 230000009711 regulatory function Effects 0.000 claims description 9
- 230000001105 regulatory effect Effects 0.000 claims description 8
- 230000001276 controlling effect Effects 0.000 claims description 6
- 230000000750 progressive effect Effects 0.000 abstract 1
- 230000008844 regulatory mechanism Effects 0.000 abstract 1
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 229920000642 polymer Polymers 0.000 description 7
- 230000015572 biosynthetic process Effects 0.000 description 5
- 238000010248 power generation Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000009194 climbing Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000015654 memory Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 239000011541 reaction mixture Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
- H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected 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
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
-
- 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
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及电网调控领域，特别涉及一种广域量测环境下聚合电网调控方法及存储设备。所述一种广域量测环境下聚合电网调控方法，包括如下步骤：通过观测函数观测聚合电网电参数判断所述聚合电网是否处于安全状态；若所述聚合电网不处于安全状态，则调用调控函数对聚合电网进行调控。通过上述步骤，可实现聚合电网渐进、分散调控机制。
Description
技术领域
本发明涉及电网调控领域，特别涉及一种广域量测环境下聚合电网调控方法及存储设备。
背景技术
发电与负荷随时间不断的发生周期性的变动，使电力系统面临有功输电及节点电压水平的安全监测，以及发电有功功率和电压的调控问题。当今，节能减排、能源洁净化政策的不断推进和实施，可再生能源发电以集中、分布的形式不断的并入电网，使这一监测，尤其是调控出现了“双向流”等新问题，更加剧了监测和调控的难度。故目前如何更好地对电网进行统筹调控成了亟需解决的问题。
发明内容
为此，需要提供一种广域量测环境下聚合电网调控方法，用以解决现今新的分布形式使得电网调控出现“双向流”等问题，电网调控难以统筹的问题。具体技术方案如下：
一种广域量测环境下聚合电网调控方法，包括如下步骤：通过观测函数观测聚合电网电参数判断所述聚合电网是否处于安全状态；若所述聚合电网不处于安全状态，则调用调控函数对聚合电网进行调控；所述聚合电网电参数包括：输电线路的载流和电压。
进一步的，所述“通过观测函数观测聚合电网电参数判断所述聚合电网是否处于安全状态”前，还包括步骤：获取电网历史经验库；根据所述电网历史经验库计算得观测函数；通过深度学习法计算得调控函数。
进一步的，所述“根据所述电网历史经验库计算得观测函数”，还包括步骤：根据所述电网历史经验库中的数据计算得实际负荷与预测负荷的误差、发电机决策偏差和输电线路安全距离偏差；并根据所述实际负荷与预测负荷的误差、发电机决策偏差和输电线路安全距离偏差计算得观测函数。
进一步的，所述“通过深度学习法计算得调控函数”，还包括步骤：获取所述电网历史经验库中的部分数据作为长短期记忆网络的训练数据，训练得长短期记忆网络权值，进而计算得调控函数。
为解决上述技术问题，还提供了一种存储设备，具体技术方案如下：
一种存储设备，其中存储有指令集，所述指令集用于执行：通过观测函数观测聚合电网电参数判断所述聚合电网是否处于安全状态；若所述聚合电网不处于安全状态，则调用调控函数对聚合电网进行调控；所述聚合电网电参数包括：输电线路的载流和电压。
进一步的，所述指令集还用于执行：所述“通过观测函数观测聚合电网电参数判断所述聚合电网是否处于安全状态”前，还包括步骤：获取电网历史经验库；根据所述电网历史经验库计算得观测函数；通过深度学习法计算得调控函数。
进一步的，所述指令集还用于执行：所述“根据所述电网历史经验库计算得观测函数”，还包括步骤：根据所述电网历史经验库中的数据计算得实际负荷与预测负荷的误差、发电机决策偏差和输电线路安全距离偏差；并根据所述实际负荷与预测负荷的误差、发电机决策偏差和输电线路安全距离偏差计算得观测函数。
进一步的，所述指令集还用于执行：所述“通过深度学习法计算得调控函数”，还包括步骤：获取所述电网历史经验库中的部分数据作为长短期记忆网络的训练数据，训练得长短期记忆网络权值，进而计算得调控函数。
本发明的有益效果是：聚合电网最基本的性能就是输电线路的载流和电压。在电网运行的任意时刻，通过观测函数观测聚合电网电参数判断所述聚合电网是否处于安全状态；若所述聚合电网不处于安全状态，则调用调控函数对聚合电网进行调控予以校正，进而实现聚合电网渐进、分散调控机制。
附图说明
图1为具体实施方式所述某电力系统一次接线图；
图2为具体实施方式所述拓扑分析结果；
图3为具体实施方式所述聚合电网特征示意图；
图4为具体实施方式所述一种广域量测环境下聚合电网调控方法的流程图；
图5为具体实施方式所述LSTM单元的基本结构图；
图6为具体实施方式所述山东500kV聚合电网结构图；
图7为具体实施方式所述存储设备的模块示意图。
附图标记说明：
700、存储设备。
具体实施方式
为详细说明技术方案的技术内容、构造特征、所实现目的及效果，以下结合具体实施例并配合附图详予说明。
首先对本实施方式中的一些名词做以下解释说明：
聚合电网：电力系统是由若干电压等级的输配环节通过厂站和输电元件有机构成的整体。可以想见，在广域量测环境下，各节点的电压、电流及相位以及各输电线路的电压、电流及其相位均可观测，则按电压等级由高到低排序，可将厂站视为聚集到与其直接相连的输电线路一端。若干线路及其关联的厂站所构成的电网就称为聚合电网。
可观测点：以某一电压等级输电线路为基础，聚集到聚合电网的点称为可观测点。
可观测点一定存在于厂站之中。按拓扑分析可知，厂站拓扑由发电机组、变压器、断路器、隔离开关等一次设备有机构成，某一厂站的可观测点数与其拓扑分析的连通状况有关，有几个连通片就有几个可观测点。
例如，对于如图1所示的某电压等级的电力系统一次接线图，经过拓扑分析，可得如图2所示的结果。从图2中可以明显的看出，三个厂站各自都仅存在一个连通片，由此，这一简单电力系统存在三个可观测点。
可观测点的观测函数：在广域量测环境下，通过在各厂站配置的PMU，可以实时获得可观测点的电压和输电线路电流，这些信息的历史轨迹就是电网真实的广域过程，是电网渐进调控的基础。
例如，在t时刻，对应图2中的可观测点k(k＝1,2,3)，通过在每条输电线路上配置的广域量测，如第一个可观测点的量测是和其直接连接的两条输电线路的电流和母线电压的相量，依此类推，可以对3个可观测点实施快速的戴维南等值，求出戴维南等值电势和等值阻抗由此形成可观测点的观测函数(后文简称观测函数)：
式(1)中，表示可观测点k的电压相量；表示流出(入)可观测点k的电流相量。
由式(1)可见，可观测点的电压相量和输电线路电流相量是表征聚合电网本质特征的变量，是聚合电网电压和输电安全所要监测、调控的量。同时，和又是厂站内部特征的外在反映，该特征与聚合电网的本质特征直接关联，是观测聚合电网特征的重要参量。
由此可知，任何一个可观测点通过观测函数至少知晓其本身的行为对电网性能构成的影响，故式(1)称为可观测点对应聚合电网性能的观测函数。
可观测点的调控函数：对应于图2，由式(1)的观测函数反映聚合电网的特征示意如图3所示。
由图3可以看出，改变观测函数中的参量和就可以改变聚合电网的性能。观测函数中的参量和结合聚合电网特征的关联，可形成电磁功率特性，该特性上的某一运行点就是该厂站内有功功率和无功功率的运行方式，即厂站的主动(或被动)控制量。
显然，由式(1)观测函数可以得到可观测点k的电磁功率特性为：
其中，和分别表示流出(或流入)可观测点k的有功和无功功率；表示的共轭。
由式(2)可见，为聚合电网的状态量，和是厂站内主动控制量与状态量的中间量，其与主动控制量之间通过人工智能等方法一定可以获得函数关系(如果是负荷性质的可观测点，本质相同，只是控制量不同而已)，从而可以获得聚合电网状态量与厂站主动量之间的函数关系。
例如，设发电厂内的主动控制量有发电机组的有功功率输出PGi、励磁调节位置Eq、变压器分接头可调变比位置b、可投切无功补偿设备位置Qc，那么当预测到聚合电网未来t+Δt时刻负荷水平时，对过程化历史调控决策信息进行学习，就可以渐进改变这些控制量位置，形成可观测点的调控函数(后文简称调控函数)：
当然，式(3)中的主动量和被动量可随研究问题，采用不同的学习方式形成。
请参阅图4，下面对在本实施方式中一种广域量测环境下聚合电网调控方法的具体实施方式展开说明：
步骤S401：通过观测函数观测聚合电网电参数判断所述聚合电网是否处于安全状态？
若所述聚合电网不处于安全状态，则执行步骤S402：调用调控函数对聚合电网进行调控；所述聚合电网电参数包括：输电线路的载流和电压。
进一步的，所述“通过观测函数观测聚合电网电参数判断所述聚合电网是否处于安全状态”前，还包括步骤：获取电网历史经验库；根据所述电网历史经验库计算得观测函数；通过深度学习法计算得调控函数。
进一步的，所述“根据所述电网历史经验库计算得观测函数”，还包括步骤：根据所述电网历史经验库中的数据计算得实际负荷与预测负荷的误差、发电机决策偏差和输电线路安全距离偏差；并根据所述实际负荷与预测负荷的误差、发电机决策偏差和输电线路安全距离偏差计算得观测函数。
进一步的，所述“通过深度学习法计算得调控函数”，还包括步骤：获取所述电网历史经验库中的部分数据作为长短期记忆网络的训练数据，训练得长短期记忆网络权值，进而计算得调控函数。
上述步骤具体可采用如下方式：
获取电网历史经验库：
电网广域化后，可实现运行状态的过程化可观测并实时记录下来，这些信息包含了预测、决策和执行等信息。随着电网过程化的长时间运行(如几个月、一年、几年甚至几十年)，这些真实记录的运行数据几乎涵盖了所有场景，是电网未来调控重要的经验积累，所以形成经验数据库至关重要。
设实时安全经济调度的前5分钟时刻为t，已知网络拓扑分析结果TPt、机组组合UCt、机组i的成本函数fi、机组i有功出力上限和下限机组i运行的爬坡上限URi和下限DRi、输电线路l允许的有功功率传输上限和下限该信息是实时安全经济调度实施前的已知信息，记为At：
其中，NG表示发电机总数；L表示输电线路总数。
设通过超短期负荷预测得到超前t时刻5分钟各节点负荷为则经过实时安全经济调度计算可得到各个机组的最优分配基值经济分配因子发电机成本数值记为Bt：
其中，N表示节点总数。
将实时安全经济调度制定的决策提交执行后，预测负荷与实际负荷的偏差，以及负荷的随机扰动由AGC软件调节。设在t+Δt(Δt＝5分钟)时刻，观测到电网的实际运行状态信息Ct+Δt：
其中，分别表示t+Δt时刻节点j的有功负荷、发电机节点i的有功输出、输电线路l的有功功率、输电线路l的有功损耗。
式(4)～(6)是实时安全经济调度和AGC的一次实施过程所获得的，是实时安全经济调度与AGC实施的一次经验。
观测函数的形成
由于聚合电网的信息是集中管理的，因此其任一可观测点k都可获得式(4)～式(6)的经验。
式(5)～式(6)的经验中，还存在隐含信息。式(7)中最优决策获得的发电机i有功输出为经济分配因子为设在t+Δt时刻负荷总扰动量为那么t+Δt时刻发电机i有功输出为：
由于实际负荷与预测负荷的误差以及发电机限值、爬坡速度等影响，t+Δt时刻的实际观测值与式(7)最优决策具有一定的偏差：
同时，输电线路l上的实际有功传输可能越限：
式(8)～式(9)的偏差主要是由负荷预测偏差导致的，是调控重要的经验，称为观测函数：
式(4)～式(6)、式(10)都属于在线调度与控制过程中的一次经验，汇总为：
Et＝{At Bt Ct+Δt Dt+Δt} (11)
随着时间t的推移，可以不断的记录式(11)，就形成在线调度与控制的经验库：
E＝{Et-nΔt Et-(n-1)Δt … Et} (12)
调控函数的形成
在上述经验库的基础上，利用深度学习方法就可以推演未来的在线调度与控制。
首先对LSTM(Long Short Term Memory)长短期记忆网络做一下说明：
长短期记忆网络(Long Short Term Memory,LSTM)是深度学习中循环神经网络的一种，具有记忆历史经验信息且能够规避训练过程中梯度消失和爆炸问题，已在负荷预测、风功率预测中得到应用。
LSTM单元的基本结构如图5所示。
其运行方式为：首先，LSTM单元通过遗忘门接收当前输入信息xt和前一时刻LSTM的隐含信息ht-1，在激活函数σ作用下过滤输入信息，获得遗忘门的输出ft，其值是决定长期记忆Ct的以往比例：
ft＝σ(wfxxt+wfhht-1+bf) (13)
同时，输入门的作用是决定让多少新信息加入到LSTM中，包含过滤当前输入信息xt、LSTM前一时刻隐含信息ht-1的it和新内容
it＝σ(wixxt+wihht-1+bi) (14)
通过过滤信息、增加新信息，得到t时刻LSTM所记忆的信息Ct：
根据t时刻LSTM记忆的信息Ct，由输出门决定输出到当前状态ht的比例ot和当前状态信息ht：
ot＝σ(woxxt+wohht+bo) (17)
ht＝ot·tanh(Ct) (18)
通过过滤输出门当前状态信息ht，得到LSTM网络的输出值：
yt＝σ(wyht+by) (19)
式(13)～式(19)中的激活函数σ通常选择sigmoid函数，通过将变量映射到[0,1]之间以取舍信息；bf,bi,bc,bo,by为偏置量。
实际中可以采用多个LSTM单元，每个LSTM单元中的输入、输出都可以是多维数据矩阵，从而实现从历史数据中进行学习，流程为：
首先，建立多维输入数据向量和对应的多维输出向量，作为训练集。
然后，将训练集中的输入数据输入到LSTM中，得到预测值。根据预测值与真实值的误差利用反向传播算法对LSTM权值，即式(13)、式(14)、式(15)、式(17)进行学习训练。
最后，利用训练好的LSTM权值，输入数据即可以得到输出预测值。
基于上述内容，选择具有时间序列的经验库式(12)作为输入量x。
由于在线调度与控制的目标主要是发电机的有功，因此输出量选择发电机的有功输出PGi(i∈NG)。
对于每个可观测点来说，当预测到未来时刻聚合电网的负荷水平P′di(i∈N)后，利用输入量、输出量进行LSTM训练网络，就可以获得LSTM网络权值，从而形成式(19)的调控函数。
请参阅图6，以下以一具体实施案例对以上步骤进一步展开说明：
该案例的运行环境是windows10系统中采用Python结合SQL Server数据库。
图6所示电网中共有20个可观测点，其中7个显示发电特性(共含16台机组)，13个显示负荷特性。31条输电线路，输电线路参数如表1所示。
表1山东500kV聚合电网参数(标幺值)
Tab.1The parameters of Shandong 500kVaggregation power grids(inp.u.)
经验库的形成
采用某年第三季度共92天，每天以5分钟为采样间隔，形成式(4)～式(6)经验库一个时间断面信息。
为了清晰的记录经验库中各项内容，便于后续调控使用，在SQLServer数据库中，开辟存储空间A、存储空间B、存储空间C，以时间为标签分别记录式(4)、式(5)和式(6)中的信息。
例如，对于存储空间A来说，以时间为名称建立表，分别存储式(4)中的网络拓扑分析结果TPt、机组组合UCt、机组i(i∈16)的成本函数fi、机组i(i∈16)的有功出力上限和下限机组i(i∈16)爬坡上限URi和下限DRi、输电线路l(l∈31)允许的有功传输上限和下限
观测函数的形成
在上述形成的存储空间B和存储空间C的基础上，按照式(10)进行计算，形成实际负荷与预测负荷的误差发电机决策偏差输电线路安全距离偏差
在SQLServer数据库中，建立存储空间D，对应 分别以时间为名称建立表，存储相应信息，从而形成观测函数，补充经验库。
按照时间由远及近共92天，每天以5分钟为间隔，共形成92×24×12＝26496个时间断面，按式(12)形成A～D经验库，为未来在线调度与控制提供基础。
调控函数的形成
采用存储空间A～D中七月、八月中的信息作为LSTM网络的训练数据，9月1日的信息作为测试数据。
经过统计发现，第三季度92天的网络拓扑分析结果TPt保持不变，机组组合UCt在第三季度中的也保持不变，因此没有将TPt和UCt作为输入数据输入LSTM网络。
由于显示发电特性的可观测点k(k＝14,15,…,20)调控其对应厂站内发电机有功，需要兼顾其它厂站发电机状况，也要兼顾聚合电网所有输电线路输电安全，所以对于这类可观测点来说，LSTM网络的输入量相同，如表2所示。
表2t时刻可观测点k的LSTM网络输入输出量
Tab.2The observable k inputs and outputs of LSTM at t moment
对于显示负荷特性的可观测点k(k＝1,2,…,13)来说，其对应厂站为变电站，不存在发电机，因此无需调控。
在LSTM网络权值训练过程中，表2中序号1～7、11、15的输入量在程序中作为约束量，序号8～10、12～14、16～18的输入量通过前向计算得到初步结果，通过反向误差传播获得不断改进的网络权值。
经过改进后的LSTM网络权值，采用9月1日24小时每隔5分钟输入、输出值进行测试，结果如表3所示(由于篇幅限制，只列出整点的测试结果)，其中偏差计算方式为：
表316台发电机有功出力预测值与实际值的偏差
Tab.3The deviations of sixteen generators active power predict andactual value
由表3可以看出，16台发电机组的有功出力预测值与实际值偏差在0.01％～1％之间。对此结果进行分析发现，实际AGC机组的爬坡和出力限值都没有产生限制，而超前5分钟的负荷预测值与实际值的误差在1％之内，如表4所示，这是导致表3误差的主要原因，当然负荷在5分钟内的随机波动也起一定的作用。
表4负荷预测与实际值偏差(标幺值)
Tab.4The deviations of loads predict values(p.u)
因此，提高负荷预测的精度，尤其是在后续可再生能源并网的情况下，对于实时安全经济调度以及AGC控制具有重要作用。
聚合电网最基本的性能就是输电线路的载流和电压。在电网运行的任意时刻，通过观测函数观测聚合电网电参数判断所述聚合电网是否处于安全状态；若所述聚合电网不处于安全状态，则调用调控函数对聚合电网进行调控予以校正，进而实现聚合电网渐进、分散调控机制。
请参阅图7，在本实施方式中，一种存储设备700的具体实施方式如下：
一种存储设备700，其中存储有指令集，所述指令集用于执行：通过观测函数观测聚合电网电参数判断所述聚合电网是否处于安全状态；若所述聚合电网不处于安全状态，则调用调控函数对聚合电网进行调控；所述聚合电网电参数包括：输电线路的载流和电压。
进一步的，所述指令集还用于执行：所述“通过观测函数观测聚合电网电参数判断所述聚合电网是否处于安全状态”前，还包括步骤：获取电网历史经验库；根据所述电网历史经验库计算得观测函数；通过深度学习法计算得调控函数。
进一步的，所述指令集还用于执行：所述“根据所述电网历史经验库计算得观测函数”，还包括步骤：根据所述电网历史经验库中的数据计算得实际负荷与预测负荷的误差、发电机决策偏差和输电线路安全距离偏差；并根据所述实际负荷与预测负荷的误差、发电机决策偏差和输电线路安全距离偏差计算得观测函数。
进一步的，所述指令集还用于执行：所述“通过深度学习法计算得调控函数”，还包括步骤：获取所述电网历史经验库中的部分数据作为长短期记忆网络的训练数据，训练得长短期记忆网络权值，进而计算得调控函数。
聚合电网最基本的性能就是输电线路的载流和电压。通过存储设备700上的指令集在电网运行的任意时刻，执行如下指令：通过观测函数观测聚合电网电参数判断所述聚合电网是否处于安全状态；若所述聚合电网不处于安全状态，则调用调控函数对聚合电网进行调控予以校正，进而实现聚合电网渐进、分散调控机制。
需要说明的是，尽管在本文中已经对上述各实施例进行了描述，但并非因此限制本发明的专利保护范围。因此，基于本发明的创新理念，对本文所述实施例进行的变更和修改，或利用本发明说明书及附图内容所作的等效结构或等效流程变换，直接或间接地将以上技术方案运用在其他相关的技术领域，均包括在本发明的专利保护范围之内。
Claims (8)
1.一种广域量测环境下聚合电网调控方法，其特征在于，包括如下步骤：
通过观测函数观测聚合电网电参数判断所述聚合电网是否处于安全状态；
若所述聚合电网不处于安全状态，则调用调控函数对聚合电网进行调控；
所述聚合电网电参数包括：输电线路的载流和电压。
2.根据权利要求1所述的一种广域量测环境下聚合电网调控方法，其特征在于，所述“通过观测函数观测聚合电网电参数判断所述聚合电网是否处于安全状态”前，还包括步骤：
获取电网历史经验库；
根据所述电网历史经验库计算得观测函数；
通过深度学习法计算得调控函数。
3.根据权利要求2所述的一种广域量测环境下聚合电网调控方法，其特征在于，所述“根据所述电网历史经验库计算得观测函数”，还包括步骤：
根据所述电网历史经验库中的数据计算得实际负荷与预测负荷的误差、发电机决策偏差和输电线路安全距离偏差；
并根据所述实际负荷与预测负荷的误差、发电机决策偏差和输电线路安全距离偏差计算得观测函数。
4.根据权利要求2所述的一种广域量测环境下聚合电网调控方法，其特征在于，所述“通过深度学习法计算得调控函数”，还包括步骤：
获取所述电网历史经验库中的部分数据作为长短期记忆网络的训练数据，训练得长短期记忆网络权值，进而计算得调控函数。
5.一种存储设备，其中存储有指令集，其特征在于，所述指令集用于执行：
通过观测函数观测聚合电网电参数判断所述聚合电网是否处于安全状态；
若所述聚合电网不处于安全状态，则调用调控函数对聚合电网进行调控；
所述聚合电网电参数包括：输电线路的载流和电压。
6.根据权利要求5所述的一种存储设备，其特征在于，所述指令集还用于执行：
所述“通过观测函数观测聚合电网电参数判断所述聚合电网是否处于安全状态”前，还包括步骤：
获取电网历史经验库；
根据所述电网历史经验库计算得观测函数；
通过深度学习法计算得调控函数。
7.根据权利要求6所述的一种存储设备，其特征在于，所述指令集还用于执行：
所述“根据所述电网历史经验库计算得观测函数”，还包括步骤：
根据所述电网历史经验库中的数据计算得实际负荷与预测负荷的误差、发电机决策偏差和输电线路安全距离偏差；
并根据所述实际负荷与预测负荷的误差、发电机决策偏差和输电线路安全距离偏差计算得观测函数。
8.根据权利要求6所述的一种存储设备，其特征在于，所述指令集还用于执行：
所述“通过深度学习法计算得调控函数”，还包括步骤：
获取所述电网历史经验库中的部分数据作为长短期记忆网络的训练数据，训练得长短期记忆网络权值，进而计算得调控函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910380826.8A CN110011315B (zh) | 2019-05-08 | 2019-05-08 | 一种广域量测环境下聚合电网调控方法及存储设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910380826.8A CN110011315B (zh) | 2019-05-08 | 2019-05-08 | 一种广域量测环境下聚合电网调控方法及存储设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110011315A true CN110011315A (zh) | 2019-07-12 |
| CN110011315B CN110011315B (zh) | 2022-07-26 |
Family
ID=67176309
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910380826.8A Active CN110011315B (zh) | 2019-05-08 | 2019-05-08 | 一种广域量测环境下聚合电网调控方法及存储设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110011315B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110707713A (zh) * | 2019-09-30 | 2020-01-17 | 贵州电网有限责任公司凯里供电局 | 一种基于历史数据的配网无功电压时空分布特性获取方法 |
| CN114123340A (zh) * | 2021-12-04 | 2022-03-01 | 莆田学院 | 基于全景过程化量测的深度聚合电网建模方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103199528A (zh) * | 2013-04-18 | 2013-07-10 | 西南交通大学 | 广域电力系统状态估计协调方法 |
| CN104362638A (zh) * | 2014-12-04 | 2015-02-18 | 国家电网公司 | 基于相量量测单元量测的电网聚合的关键节点电压调控方法 |
| US20170091615A1 (en) * | 2015-09-28 | 2017-03-30 | Siemens Aktiengesellschaft | System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies |
| CN108110754A (zh) * | 2017-12-29 | 2018-06-01 | 山东大学 | 一种考虑多聚合体间协调的有功安全校正方法 |
-
2019
- 2019-05-08 CN CN201910380826.8A patent/CN110011315B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103199528A (zh) * | 2013-04-18 | 2013-07-10 | 西南交通大学 | 广域电力系统状态估计协调方法 |
| CN104362638A (zh) * | 2014-12-04 | 2015-02-18 | 国家电网公司 | 基于相量量测单元量测的电网聚合的关键节点电压调控方法 |
| US20170091615A1 (en) * | 2015-09-28 | 2017-03-30 | Siemens Aktiengesellschaft | System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies |
| CN108110754A (zh) * | 2017-12-29 | 2018-06-01 | 山东大学 | 一种考虑多聚合体间协调的有功安全校正方法 |
Non-Patent Citations (2)
| Title |
|---|
| 朱乔木等: "基于长短期记忆网络的风电场功率超短期预测", 《电网技术》 * |
| 郝广涛: "全景可观下的聚合电网调控理论研究", 《中国优秀博硕士学位论文全文数据库(博士)》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110707713A (zh) * | 2019-09-30 | 2020-01-17 | 贵州电网有限责任公司凯里供电局 | 一种基于历史数据的配网无功电压时空分布特性获取方法 |
| CN114123340A (zh) * | 2021-12-04 | 2022-03-01 | 莆田学院 | 基于全景过程化量测的深度聚合电网建模方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110011315B (zh) | 2022-07-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Huang et al. | Distribution network reconfiguration for short-term voltage stability enhancement: An efficient deep learning approach | |
| Erlich et al. | Optimal dispatch of reactive sources in wind farms | |
| Tang et al. | Study on day-ahead optimal economic operation of active distribution networks based on Kriging model assisted particle swarm optimization with constraint handling techniques | |
| CN113300380B (zh) | 一种基于负荷曲线分段的配电网无功优化补偿方法 | |
| CN103455948B (zh) | 一种配电系统多维多分辨率建模与分析方法 | |
| CN110011315B (zh) | 一种广域量测环境下聚合电网调控方法及存储设备 | |
| CN105893714B (zh) | 基于大电网仿真系统下的自动电压控制系统闭环检测及评估方法 | |
| Larik et al. | A statistical jacobian application for power system optimization of voltage stability | |
| CN105337290A (zh) | 一种适用于电力系统低频振荡辅助决策的无功调整方法 | |
| Chen et al. | A Novel Approach Based on Modified and Hybrid Flower Pollination Algorithm to Solve Multi-objective Optimal Power Flow. | |
| CN113517723A (zh) | 一种含小型水电站的配电网系统的无功电压优化方法 | |
| Liang et al. | Adaptive critic design based dynamic optimal power flow controller for a smart grid | |
| Peres et al. | Dynamic transmission capability calculation using bioinspired optimization | |
| Wang et al. | Real-Time Coordination of Dynamic Network Reconfiguration and Volt-VAR Control in Active Distribution Network: A Graph-Aware Deep Reinforcement Learning Approach | |
| Lin et al. | A physical-data combined power grid dynamic frequency prediction methodology based on adaptive neuro-fuzzy inference system | |
| Long et al. | Application of Improved Honey Badger Algorithm in Multi-objective Reactive Power Optimization. | |
| CN110348598A (zh) | 一种电网网架规划方法 | |
| Amrane et al. | Optimal Reactive Power Planning based on Particle Swarm applied to the Algerian electrical power system | |
| Ekel et al. | Sensitivity and functionally oriented models for power system planning, operation, and control | |
| CN113241793A (zh) | 一种计及风电场景的含ipfc电力系统预防控制方法 | |
| CN112952829A (zh) | 电力系统节点运行安全性评估方法、装置、电力系统 | |
| Cao | Consensus-based distributed control for economic dispatch problem with comprehensive constraints in a smart grid | |
| Miller et al. | Feedback control approaches for restoration of power grids from blackouts | |
| Li et al. | A DRL-Based Approach for System Frequency Response Model Calibration | |
| Arif et al. | A stochastic game framework for reactive power reserve optimization and voltage profile improvement |
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 |