CN110034585A - 一种分布式电源快速规划方法 - Google Patents
一种分布式电源快速规划方法 Download PDFInfo
- Publication number
- CN110034585A CN110034585A CN201910380175.2A CN201910380175A CN110034585A CN 110034585 A CN110034585 A CN 110034585A CN 201910380175 A CN201910380175 A CN 201910380175A CN 110034585 A CN110034585 A CN 110034585A
- Authority
- CN
- China
- Prior art keywords
- node
- voltage
- distributed generation
- generation resource
- voltage stability
- 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.)
- Pending
Links
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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种分布式电源快速规划方法,首先,建立反映配电网节点电压稳定性的指标,选择电压薄弱处作为分布式电源接入的位置;然后,建立基于人工神经网络模型的训练数据集,评价期望电压节点的分布式电源的合理容量;最后,在MATLAB中运行人工神经网络算法,并通过节点配电网测试验证该方法的可行性。通过最优配置分布式电源位置和容量,使得电压稳定性得到有效改善,网络损耗明显降低,节点的电压分布值提高0.90pu以上。
Description
技术领域
本发明涉及一种分布式电源快速规划方法。
背景技术
配电网中大量的分布式电源接入时,无论是辐射型还是网状配电网,潮流大小及方向发生较大的变化,电压分布变化也较大。无计划、不科学的配置分布式电源会导致过电压或电压下降,使得网损增加,可靠性和稳定性降低。若接入位置、容量和渗透水平得到合理规划,分布式发电将在减少网络损耗,提高电压分布方面发挥重要作用,促进配电系统的可靠性和安全性的提升。因此,需要研究一些工具和方法来计算并验证分布式电源的接入位置和注入容量。
受制于分布式电源与微网并网应用推广缓慢,相关对快速、简易确定分布式电源容量和位置的接入优化方法研究还不多,有关对接入位置的优先顺序进行快速评估的研究也比较少;针对分布式电源接入优化的智能算法研究较多,但将多种智能算法的融合算法用于BP神经网络训练参数的改进,并应用于分布式电源系统接入位置和容量的规划研究还欠深入,较多的算法易陷入局部最优,须继续变异改进,提高算法性能。
发明内容
针对上述现有技术存在的缺陷或不足,本发明专利目的在于提供一种分布式电源快速规划方法,以减弱分布式电源接入后对配电网的电源质量、电压分布和稳定性造成的影响。
为了解决上述所描述的问题,本发明采用一下的技术解决方案:
一种分布式电源快速规划方法,首先,建立反映配电网节点电压稳定性的量化指标,选择电压薄弱处作为分布式电源接入的位置;然后,建立基于人工神经网络模型的训练数据集,评价期望电压节点的分布式电源的合理容量;最后,在MATLAB中运行人工神经网络算法,并通过节点配电网测试验证该方法的可行性。
优选的,所述电压稳定性指标:
在辐射型电网系统中,连接节点i和i+1的任一分支ri+jxi可用一个等值电路模型来表示,接收节点的常规潮流公式和连接接收节点的分支如等式(1)、(2)所示:
式中,PL,i和QL,i分别是连接两个节点线路有功和无功功率损失;
功率平衡是保证电网每个节点稳定运行的前提条件,
Pi+1=Pi-PL,i (4)
Qi+1=Qi-QL,i (5)
等式(3)使用了等式(6)、(7)中的PL,i和QL,i的值,
对任何Pi+1,Qi+1,ri,xi,等式(8)右边始终为正数,
等式(9)的根是真根,如果:
根据等式(10),电压稳定性可表示为:
为保证节点的稳态,Li+1必须小于1,电压稳定性越小,系统电压稳定性越高。
优选的,通过电压稳定性计算每个节点的电压稳定性,根据各自的电压稳定性,节点呈降序排列,形成一个优先级列表;靠前的节点将优先分配给分布式电源,而次低的节点随后被分配。
优选的,所述人工神经网络模型的计算步骤包括:
1)进行系统基本情况的潮流计算;
2)每一节点和存储的电压稳定性的指标计算;
3)降序排列各节点的电压稳定性的量化指标值,形成一个优先级清单;
4)在排名靠前的节点上接入分布式电源;
5)在特定的范围内随机变动分布式电源容量,计算优先级最高节点的电压幅值,建立人工神经网络的训练数据;
6)根据训练数据集,训练三层前向人工神经网络;
7)运用人工神经网络模型评价电压分布0.90p.u.的电源容量(MVA);
8)重复步骤5)-7),在其它电压薄弱节点处接入分布式电源,直到线路中节点达到需要的电压值,结束运算。
本发明通过最优配置分布式电源位置和容量,使得电压稳定性得到有效改善,网络损耗明显降低,节点的电压分布值提高0.90pu以上;提出了分布式电源规划中关键独立目标的多目标函数模型,综合考虑了五个目标要素包括服务可靠性、系统运行效率、发电成本、电能质量和系统安全,本方法采用交互式的权衡求解算法,即求解多目标优化问题的ε—约束方法,通过应用这种方法,规划者可以自主决策折衷的非支配解,无论包含负荷模型与否,本方法均有效。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1是本发明两节点线路系统;
图2是本发明中人工神经网络的三层结构;
图3是本发明测试网络示意图;
图4是本发明节点电压幅值;
图5是本发明节点44处人工神经网络训练数据测试输出图;
图6是本发明节点13处人工神经网络训练数据测试输出图;
图7是本发明接入分布式电源前后节点电压幅值对比图;
图8是本发明接入分布式电源前后节点电压稳定性对比图。
具体实施方式
下面将详细描述本发明的实施例,说明下,本实施例是事例性的,仅仅是用来解释本发明的,而不能理解为对本发明的限制。下面将参照说明书附图对本发明的一种一种分布式电源快速规划方法进行以下详细的说明:
一种分布式电源快速规划方法,首先,建立反映配电网节点电压稳定性的量化指标,选择电压薄弱处作为分布式电源接入的位置;然后,建立基于人工神经网络模型的训练数据集,评价期望电压节点的分布式电源的合理容量;最后,在MATLAB中运行人工神经网络算法,并通过节点配电网测试验证该方法的可行性。
电压稳定性的量化指标:
随着用电负荷需求的日益增长,电网供电压力较大,多个电压等级节点产生电压闪变,电能质量恶化,更严重得是导致电网崩溃。专家学者们讨论了一系列精确分析和计算电压稳定性的方法。建立电压稳定性(VSI)公式,
估算当前运行点到电压崩溃临界点之间的距离。节点电压和网络信息可从潮流程序中获取,在辐射型电网系统中,连接节点i和i+1的任一分支ri+jxi可用一个等值电路模型来表示,如图1所示,接收节点的常规潮流公式和连接接收节点的分支如等式(1)、(2)所示:
式中,PL,i和QL,i分别是连接两个节点线路有功和无功功率损失;
功率平衡是保证电网每个节点稳定运行的前提条件,
等式(3)使用了等式(6)、(7)中的PL,i和QL,i的值,
Pi+1=Pi-PL,i (4)
对任何Pi+1,Qi+1,ri,xi,等式(8)右边始终为正数,
等式(9)的根是真根,如果:
根据等式(10),电压稳定性可表示为:
在实践中,电力运营商一般会保证系统电压稳定性相对充裕,系统也不至于因为小的突发事件就不稳定,因此,为保证节点的稳态,Li+1必须小于1,电压稳定性越小,系统电压稳定性越高。
通过电压稳定性的指标计算每个节点的电压稳定性,根据各自的电压稳定性,节点呈降序排列,形成一个优先级列表;靠前的节点将优先分配给分布式电源,而次低的节点随后被分配,根据容量需要,若干个分布式电源可以并行安装,待电源接入后,通过潮流计算可监测节点电压幅值、网损和系统的电压稳定状况。
分布式电源是一个容量从几千瓦到几兆瓦的小型发电装置,接入配电网后,分布式电源对配电网产生的影响既有积极的,更有消极的,这取决于电源的容量和运行的状态。一般的,需要将分布式电源容量控制在配变电站能够消耗的范围内,因为富余的容量会产生逆潮流,产生较大的网损。
对一个特定的节点,分布式电源容量若超出合适的范围,网损则只增不减,所以分布式电源合理的容量评估十分重要。人工神经法是解决分布式系统定容问题的最佳方案,这是因为具有三层前向人工神经网络非线性高精度拟合估算的优势。一个前馈神经网络的信号是通过中间神经元从输入层向输出层方向传播。隐藏层的层数决定了神经网经网络,使得其更快的学习和可靠收敛。学习过程的误差函数就是输出的均方误差(MSE)。人工神经网络的三层结构可参见图2。
对于特定节点的分布式电源,其合理的容量可由该节点期望的电压幅值来确定。节点上分布式电源随机变化,使用潮流计算来确定电压幅值。对前馈神经网络严格的训练,使得分布式电源容量与电压稳定性较差节点的电压幅值相符。然后,对任一期望节点电压,评价该特定节点的分布式电源的合理容量,从计算网络底层的每一节点稳定性指标开始进行迭代运算,迭代后节点电压分布超过0.9p.u.,于是在改性网络中得出合适的分布式容量和位置。
非最优容量的分布式电源接入会导致系统损耗的增加,意味着线路节点电压幅值降低。经一步一步的程序计算确定分布式电源合理容量,所述人工神经网络模型的计算步骤包括:
对一个特定的节点,分布式电源容量若超出合适的范围,网损则只增不减,所以分布式电源合理的容量评估十分重要。人工神经法是解决分布式系统定容问题的最佳方案,这是因为具有三层前向人工神经网络非线性高精度拟合估算的优势。一个前馈神经网络的信号是通过中间神经元从输入层向输出层方向传播。隐藏层的层数决定了神经网经网络,使得其更快的学习和可靠收敛。学习过程的误差函数就是输出的均方误差(MSE),人工神经网络模型的三层结构可见图2。
对于特定节点的分布式电源,其合理的容量可由该节点期望的电压幅值来确定。节点上分布式电源随机变化,使用潮流计算来确定电压幅值。对前馈神经网络严格的训练,使得分布式电源容量与电压稳定性较差节点的电压幅值相符。然后,对任一期望节点电压,评价该特定节点的分布式电源的合理容量,从计算网络底层的每一节点稳定性指标(VSI)开始进行迭代运算,迭代后节点电压分布超过0.9p.u.,于是在改性网络中得出合适的分布式容量和位置。
非最优容量的分布式电源接入会导致系统损耗的增加,意味着线路节点电压幅值降低。经一步一步的程序计算确定分布式电源合理容量,其计算步骤:
1)进行系统基本情况的潮流计算;
2)每一节点和存储的电压稳定性的量化指标计算;
3)降序排列各节点的电压稳定性的量化指标值,形成一个优先级清单;
4)在排名靠前的节点上接入分布式电源;
5)在特定的范围内随机变动分布式电源容量,计算优先级最高节点的电压幅值,建立人工神经网络的训练数据;
6)根据训练数据集,训练三层前向人工神经网络;
7)运用人工神经网络模型评价电压分布0.90p.u.的电源容量(MVA);
8)重复步骤5)-7),在其它电压薄弱节点处接入分布式电源,直到线路中节点达到需要的电压值,结束运算。
实验例:
在11KV、52节点配电网络中对上述方法进行测试,三种主馈线承受总量达4.179+j2.038MVA的负荷。只有节点1接入变电站,网络中其余节点均为负荷节点,该测试网络示意图详见图3,该系统的线路阻抗为0.0085+j0.0038Ω/km,用MATLAB7.0编写牛顿迭代法可解决潮流运算问题。
通过对测试网络的模拟,论证了改进配电网电压分布,提高电压稳定性的分布式电源定容的方法,模拟系统的功率和电压分别为10MVA和11KV,根据网络基础结构的数据计算出每一节点的VSI,其优先顺序表见表1。
根据潮流计算结果,系统有功和无功功率损耗分别为739KW和310KVar,图4列出了系统的电压幅值,可见许多节点电压较低(节点47、19、36、43等),低于0.8p.u。
根据优先级列表,节点44的VSI数值最高,可用于配置第一个分布式电源,长期负载状态下配电系统容量大小关系到分布式电源的容量选择。与负荷相比,科学合理的解决方案中分布式容量既不宜过小,更不宜过大。因此,系统中分布式容量在(总负荷的10%)和1.3945MVA(总负荷的30%)之间比较合适。另外,可以将稳定的低压节点幅值提高至0.95p.u.,优化分布式电源容量。节点44的分布式电源容量可通过人工神经网络法计算确定。图5展示了人工神经网络模型在节点44的训练和目标输出。结果显示,均方根误差值较低(MSE=0.000687),验证该模型是有效的。
节点44分布式电源合理容量是0.7124MVA,即总负荷的15.07%。采用相同的方法,在节点13和36连续接入2组分布式电源。可见,最小的分布式容量为0.4649MVA,足以将节点36的电压提高至0.95p.u.以上。对于节点13,使用人工神经网络法确定了分布式电源的容量,见图6。表2列出了分布式电源的合理容量及其均方误差值。从表中可见,合理的分布式容量值为测试网络总负荷的12.83%。完成3组分布式电源接入后,所有节点的电压分布值都提高至0.90p.u.以上,参见图7,节点36、18、19和35的电压幅值分别提高了21.21%、19.11%、19.41%和19.15%。较之于期初,所有节点的电压稳定性都得到了提高;参见图8,节点44、36和13的电压稳定性分别提高了37.67%、29.21%和3.19%。在测试配电网系统中合理接入了3组分布式电源,系统有功和无功损耗明显降低,分别减少76.45%和78.06%,详见表3。
表1.优先顺序表
表2. 3个薄弱节点处分布式电源容量
表3.接入分布式电源前后功率损耗比较
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (4)
1.一种分布式电源快速规划方法,其特征在于,首先,建立反映配电网节点电压稳定性的指标,选择电压薄弱处作为分布式电源接入的位置;然后,建立基于人工神经网络模型的训练数据集,评价期望电压节点的分布式电源的合理容量;最后,在MATLAB中运行人工神经网络算法,并通过节点配电网测试验证该方法的可行性。
2.根据权利要求1所述的一种分布式电源快速规划方法,其特征在于,所述电压稳定性指标:
在辐射型电网系统中,连接节点i和i+1的任一分支ri+jxi可用一个等值电路模型来表示,接收节点的常规潮流公式和连接接收节点的分支如等式(1)、(2)所示:
式中,PL,i和QL,i分别是连接两个节点线路有功和无功功率损失;
功率平衡是保证电网每个节点稳定运行的前提条件,
Pi+1=Pi-PL,i (4)
Qi+1=Qi-QL,i (5)
等式(3)使用了等式(6)、(7)中的PL,i和QL,i的值,
对任何Pi+1,Qi+1,ri,xi,等式(8)右边始终为正数,
等式(9)的根是真根,如果:
根据等式(10),电压稳定性可表示为:
为保证节点的稳态,Li+1必须小于1,电压稳定性越小,系统电压稳定性越高。
3.根据权利要求2所述的一种分布式电源快速规划方法,其特征在于,通过电压稳定性计算每个节点的电压稳定性,根据各自的电压稳定性,节点呈降序排列,形成一个优先级列表;靠前的节点将优先分配给分布式电源,而次低的节点随后被分配。
4.根据权利要求3所述的一种分布式电源快速规划方法,其特征在于,所述人工神经网络模型的计算步骤包括:
1)进行系统基本情况的潮流计算;
2)每一节点和存储的电压稳定性的指标计算;
3)降序排列各节点的电压稳定性的量化指标值,形成一个优先级清单;
4)在排名靠前的节点上接入分布式电源;
5)在特定的范围内随机变动分布式电源容量,计算优先级最高节点的电压幅值,建立人工神经网络的训练数据;
6)根据训练数据集,训练三层前向人工神经网络;
7)运用人工神经网络模型评价电压分布0.90p.u.的电源容量(MVA);
8)重复步骤5)-7),在其它电压薄弱节点处接入分布式电源,直到线路中节点达到需要的电压值,结束运算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910380175.2A CN110034585A (zh) | 2019-05-08 | 2019-05-08 | 一种分布式电源快速规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910380175.2A CN110034585A (zh) | 2019-05-08 | 2019-05-08 | 一种分布式电源快速规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110034585A true CN110034585A (zh) | 2019-07-19 |
Family
ID=67241525
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910380175.2A Pending CN110034585A (zh) | 2019-05-08 | 2019-05-08 | 一种分布式电源快速规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110034585A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111525577A (zh) * | 2020-04-24 | 2020-08-11 | 南方电网能源发展研究院有限责任公司 | 一种基于神经网络的远景220kV电网组网方法及其系统 |
CN111985845A (zh) * | 2020-09-02 | 2020-11-24 | 浙江工业大学 | 一种异构Spark集群的节点优先级调优方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102999792A (zh) * | 2012-12-20 | 2013-03-27 | 诸暨市供电局 | 一种配电网资源优化配置综合评价的方法 |
CN105119279A (zh) * | 2015-08-28 | 2015-12-02 | 国家电网公司 | 一种分布式电源规划方法及其系统 |
-
2019
- 2019-05-08 CN CN201910380175.2A patent/CN110034585A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102999792A (zh) * | 2012-12-20 | 2013-03-27 | 诸暨市供电局 | 一种配电网资源优化配置综合评价的方法 |
CN105119279A (zh) * | 2015-08-28 | 2015-12-02 | 国家电网公司 | 一种分布式电源规划方法及其系统 |
Non-Patent Citations (1)
Title |
---|
蔡浩 等: "一种基于人工神经网络算法的分布式电源快速配置方法", 《江苏大学学报(自然科学版)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111525577A (zh) * | 2020-04-24 | 2020-08-11 | 南方电网能源发展研究院有限责任公司 | 一种基于神经网络的远景220kV电网组网方法及其系统 |
CN111985845A (zh) * | 2020-09-02 | 2020-11-24 | 浙江工业大学 | 一种异构Spark集群的节点优先级调优方法 |
CN111985845B (zh) * | 2020-09-02 | 2024-03-19 | 浙江工业大学 | 一种异构Spark集群的节点优先级调优方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Coordinated restoration of transmission and distribution system using decentralized scheme | |
CN112132427B (zh) | 一种考虑用户侧多种资源接入的电网多层规划方法 | |
CN108764552B (zh) | 一种配电网分布式电源的选址定容规划的确定方法 | |
CN106655177B (zh) | 基于扩展二阶锥规划的分布式电源最大接入能力计算方法 | |
CN108471143A (zh) | 基于正负反馈粒子群算法的微电网多能源调度优化方法 | |
CN109347351A (zh) | 一种模块化多电平换流器的模型预测控制方法 | |
CN106655226A (zh) | 基于智能软开关的有源配电网不对称运行优化方法 | |
CN106340892B (zh) | 用于平抑风电输出功率的储能系统的控制设备 | |
WO2023060815A1 (zh) | 一种提高配电网可靠性的储能容量优化配置方法 | |
CN111416359A (zh) | 一种考虑加权潮流熵的配电网络重构方法 | |
CN109598377B (zh) | 一种基于故障约束的交直流混合配电网鲁棒规划方法 | |
CN104734175A (zh) | 一种实现风电机组风速功率曲线的智能修正方法 | |
CN109586298B (zh) | 一种多直流受端电网综合负荷优化控制方法与系统 | |
CN113723807B (zh) | 一种储能与信息系统双层协同规划方法、装置及介质 | |
CN106505575B (zh) | 一种基于粒计算的线路潮流经济调度方法 | |
CN109193729A (zh) | 一种配网自动化系统中储能系统的选址方法 | |
CN107546773A (zh) | 一种基于图论的区域多微电网动态组网方法 | |
CN103887792B (zh) | 一种含分布式电源的低压配电网建模方法 | |
CN110034585A (zh) | 一种分布式电源快速规划方法 | |
CN112380694A (zh) | 一种基于差异化可靠性需求的配电网优化规划方法 | |
CN110783913B (zh) | 基于群的计及预想事故集最佳电网拓扑在线优化方法 | |
CN108830451A (zh) | 一种用户侧分布式储能的汇聚潜力评估方法及系统 | |
CN110765591A (zh) | 一种基于区块链技术的配电网分布式状态感知与优化方法 | |
CN106054665B (zh) | 一种大规模光伏逆变器系统的分群等值建模方法 | |
CN111478335B (zh) | 一种计及分布式光伏的配电网潮流计算方法及系统 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190719 |
|
WD01 | Invention patent application deemed withdrawn after publication |