CN110504709A - 光伏集群无功电压调控方法、终端设备及存储介质 - Google Patents

Abstract

本申请适用于电网无功优化技术领域，提供了一种光伏集群无功电压调控方法、终端设备及存储介质，上述方法包括：获取光伏集群的月运行场景集和季度运行场景集；对光伏集群进行长时间尺度集群离线全局宏观优化和短时间尺度集群在线自调节优化，修正光伏集群的无功设定点；根据修正后的无功设定点对光伏集群进行无功电压调控。本申请实施例提供的光伏集群无功电压调控方法、终端设备及存储介质，先进行长时间尺度下离线全局优化配置，从而得到集中光伏的无功设定点；然后通过短时间尺度下在线实时优化实现对分散光伏的无功优化，能够根据构建的不同场景，计算长短时间尺度的电压设定点，从而实现电压调控。

Description

光伏集群无功电压调控方法、终端设备及存储介质

技术领域

本申请属于电网无功优化技术领域，尤其涉及一种光伏集群无功电压调控方法、终端设备及存储介质。

背景技术

近些年光伏发电在配电网中的渗透率越来越高，分布式光伏的接入对配电网电能质量产生了很大影响。光伏逆变器可以连续输出，短期内其输出受天气等因素影响具有随机性，长期来看又具有一定规律性。光伏的输出特性使配电网电压波动加大，也使电压越限问题更加突出。集中式光伏配电网和分散的光伏配电网侧重的指标不同，对于不同的指标和条件所需的光伏无功模式和策略也不相同，缺少一种能够同时兼顾集中光伏集群和分散光伏集群的无功电压调控技术。

发明内容

有鉴于此，本申请实施例提供了一种光伏集群无功电压调控方法、终端设备及存储介质，以解决目前光伏集群的无功电压调控中存在的无法同时兼顾集中光伏集群和分散光伏集群的问题。

根据第一方面，本申请实施例提供了一种光伏集群无功电压调控方法，包括：获取光伏集群的月运行场景集和季度运行场景集；根据所述月运行场景集和季度运行场景集，对所述光伏集群进行长时间尺度集群离线全局宏观优化，得到所述光伏集群的无功设定点；根据所述月运行场景集和季度运行场景集，对所述光伏集群进行短时间尺度集群在线自调节优化，修正所述光伏集群的无功设定点；根据修正后的所述无功设定点对所述光伏集群进行无功电压调控。

结合第一方面，在本申请的一些实施例中，所述获取光伏集群的月运行场景集和季度运行场景集，包括：获取所述光伏集群在一个月内每天的光伏有功输出和负荷无功功率，构建所述光伏集群的日预测场景集；根据所述日预测场景集构建所述光伏集群的月运行场景集和季度运行场景集。

结合第一方面，在本申请的一些实施例中，通过

S_d＝[P_d1 P_d2 … P_dT Q_d1 Q_d2 … Q_dT]

构建所述光伏集群的日预测场景集；其中，S_d为d日的日预测场景集，P_dT为在d日第T个时段所述光伏集群所发出的光伏有功输出，Q_dT为在d日第T个时段所述光伏集群的负荷无功功率；

通过构建所述光伏集群的月运行场景集；其中，S_month为所述光伏集群的月运行场景集，S₁、S₂和S_n分别为所述光伏集群的日预测场景集，n为预测的天数；

通过

构建所述光伏集群的季度运行场景集；其中，S代表所述光伏集群的季度运行场景集，S_i为i日的日预测场景集，S_j为j日的日预测场景集，P_NT为在N日第T个时段所述光伏集群所发出的光伏有功输出，Q_NT为在N日第T个时段所述光伏集群的负荷无功功率，N为所选季度的天数。

结合第一方面，在本申请的一些实施例中，所述根据所述月运行场景集和季度运行场景集，对所述光伏集群进行长时间尺度集群离线全局宏观优化，得到所述光伏集群的无功设定点，包括：建立长时间尺度集群离线全局宏观优化目标函数；根据预设的第一约束条件，以及所述月运行场景集和季度运行场景集，对所述长时间尺度集群离线全局宏观优化目标函数进行求解，筛选出所述月运行场景集和季度运行场景集中的第一最优解；根据所述第一最优解，确定所述光伏集群的无功设定点。

结合第一方面，在本申请的一些实施例中，所述长时间尺度集群离线全局宏观优化目标函数为：其中，为t时段内全网总电压偏差绝对值之和最小值；U_it2为t₂时段节点i的电压值，t＝1,2，…24；U₀为节点电压期望值；n为系统节点数，t₂＝1，2，…12。

结合第一方面，在本申请的一些实施例中，所述根据所述月运行场景集和季度运行场景集，对所述光伏集群进行短时间尺度集群在线自调节优化，修正所述光伏集群的无功设定点，包括：建立短时间尺度集群在线自调节优化目标函数；根据预设的第二约束条件，以及所述月运行场景集和季度运行场景集，对所述短时间尺度集群在线自调节优化目标函数进行求解，筛选出所述月运行场景集和季度运行场景集中的第二最优解；根据所述第二最优解，对所述光伏集群的无功设定点进行修正。

结合第一方面，在本申请的一些实施例中，所述短时间尺度集群在线自调节优化目标函数为：其中，为t₁时段内全网总电压偏差绝对值之和最小值；U_it1 U_it为t₁时段节点i的电压值，t＝1,2，…24；U₀为节点电压期望值；n为系统节点数，t₁＝1，2，…24。

根据第二方面，本申请实施例提供了一种终端设备，包括：输入单元，用于获取光伏集群的月运行场景集和季度运行场景集；第一优化单元，用于根据所述月运行场景集和季度运行场景集，对所述光伏集群进行长时间尺度集群离线全局宏观优化，得到所述光伏集群的无功设定点；第二优化单元，用于根据所述月运行场景集和季度运行场景集，对所述光伏集群进行短时间尺度集群在线自调节优化，修正所述光伏集群的无功设定点；调控单元，用于根据修正后的所述无功设定点对所述光伏集群进行无功电压调控。

根据第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面或第一方面任一实施方式所述方法的步骤。

根据第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面或第一方面任一实施方式所述方法的步骤。

本申请实施例提供的光伏集群无功电压调控方法，以典型场景集为依据，先进行长时间尺度下离线全局优化配置，从而得到对应于光伏集群中的集中光伏的无功设定点；然后通过短时间尺度下在线实时优化控制本集群内的分散光伏，从而实现对分散光伏的无功优化，解决了目前光伏集群的无功电压调控中存在的无法同时兼顾集中光伏集群和分散光伏集群的问题。

附图说明

为了更清楚地说明本申请实施例中的技术方案，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，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的光伏集群无功电压调控方法的流程示意图；

图2是本申请实施例提供的终端设备的结构示意图；

图3是本申请实施例提供的另一终端设备的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。

本申请实施例提供了一种光伏集群无功电压调控方法，如图1所示，该光伏集群无功电压调控方法可以包括以下步骤：

步骤S101：获取光伏集群的月运行场景集和季度运行场景集。

具体的，可以获取光伏集群在一个月内每天的光伏有功输出和负荷无功功率，构建光伏集群的日预测场景集；进而根据日预测场景集构建光伏集群的月运行场景集和季度运行场景集。

可以通过

S_d＝[P_d1 P_d2 … P_dT Q_d1 Q_d2 … Q_dT] (1)

构建所述光伏集群的日预测场景集。

其中，S_d为d日的日预测场景集，P_dT为在d日第T个时段所述光伏集群所发出的光伏有功输出，Q_dT为在d日第T个时段所述光伏集群的负荷无功功率。

通过

构建所述光伏集群的月运行场景集。

其中，S_month为所述光伏集群的月运行场景集，S₁、S₂和S_n分别为所述光伏集群的日预测场景集，n为预测的天数。

通过

构建所述光伏集群的季度运行场景集。

其中，S代表所述光伏集群的季度运行场景集，S_i为i日的日预测场景集，S_j为j日的日预测场景集，P_NT为在N日第T个时段所述光伏集群所发出的光伏有功输出，Q_NT为在N日第T个时段所述光伏集群的负荷无功功率，N为所选季度的天数。

对日预测场景集间的有功输出以及负荷无功功率的差异进行比较分析，采用欧式距离将场景差异量化。场景S_i和场景S_j之间的欧氏距离d_ij为

欧式距离越小，表明场景S_i和S_j的特征越接近。计算场景集中每个场景对其它场景的欧式距离之和D_i。其距离之和最小的日预测场景集最具有代表性，因此作为典型场景。

步骤S102：根据月运行场景集和季度运行场景集，对光伏集群进行长时间尺度集群离线全局宏观优化，得到光伏集群的无功设定点。

具体的，可以首先建立长时间尺度集群离线全局宏观优化目标函数；其次根据预设的第一约束条件，以及所述月运行场景集和季度运行场景集，对所述长时间尺度集群离线全局宏观优化目标函数进行求解，筛选出所述月运行场景集和季度运行场景集中的第一最优解；最后根据所述第一最优解，确定所述光伏集群的无功设定点。

可以选用公式(6)作为长时间尺度集群离线全局宏观优化目标函数：

其中，为t时段内全网总电压偏差绝对值之和最小值；U_it2为t₂时段节点i的电压值，t＝1,2，…24；U₀为节点电压期望值；n为系统节点数，t₂＝1，2，…12。

长时间尺度集群离线全局宏观优化目标函数所对应的第一约束条件包括：潮流等式约束条件、控制变量约束条件和节点电压约束条件。

具体的，长时间尺度集群离线全局宏观优化目标函数所对应的潮流等式约束条件可以为：

其中，为时段t₂内节点i注入的有功功率，t₁＝1,2，…24；为时段t₂内节点i注入的无功功率；为t₂时段节点i的电压值；为t₂时段节点j的电压值；为时段t₂内节点i接入的初始有功功率；为时段t₂内节点i接入光伏无功功率，且S_PVi为光伏逆变器容量；为时段t₂内节点i负荷的有功功率；为时段t₂内节点i负荷的无功功率；为时段t₂内节点i无功补偿电容器组的无功功率；G_ij为节点i和节点j之间的电导；B_ij为节点i和节点j之间的电纳；θ_ij为节点间的电压相角差。

长时间尺度集群离线全局宏观优化目标函数所对应的控制变量约束条件为：

其中，为时段t₂内光伏无功功率最大值；为时段t₂内光伏无功功率；T_max为有载调压变压器分接头档位的上限值；T_min为有载调压变压器分接头档位的下限值；为有载调压变压器分接头的当前档位；N_Cmax为无功补偿电容器组最大投切组数；为时段t₂内无功补偿电容器组的当前投切组数。

长时间尺度集群离线全局宏观优化目标函数所对应的节点电压约束条件为：

其中，为t₂时段节点i的电压值；U_max为满足运行要求的电网节点电压上限值；U_min为满足运行要求的电网节点电压下限值。

步骤S103：根据月运行场景集和季度运行场景集，对光伏集群进行短时间尺度集群在线自调节优化，修正光伏集群的无功设定点。

具体的，可以首先建立短时间尺度集群在线自调节优化目标函数；其次根据预设的第二约束条件，以及所述月运行场景集和季度运行场景集，对所述短时间尺度集群在线自调节优化目标函数进行求解，筛选出所述月运行场景集和季度运行场景集中的第二最优解；最后根据所述第二最优解，对所述光伏集群的无功设定点进行修正。

可以选用公式(7)作为短时间尺度集群在线自调节优化目标函数：

其中，为t₁时段内全网总电压偏差绝对值之和最小值；U_it1U_it为t₁时段节点i的电压值，t＝1,2，…24；U₀为节点电压期望值；n为系统节点数，t₁＝1，2，…24。

短时间尺度集群在线自调节优化目标函数所对应的第二约束条件包括：潮流等式约束条件、控制变量约束条件和节点电压约束条件。

具体的，短时间尺度集群在线自调节优化目标函数所对应的潮流等式约束条件可以为：

其中，为时段t₁内节点i注入的有功功率，t₁＝1,2，…24；为时段t₁内节点i注入的无功功率；为t₁时段节点i的电压值；为t₁时段节点j的电压值；为时段t内节点i接入的初始有功功率；为时段t₁内节点i接入光伏无功功率，且S_PVi为光伏逆变器容量；为时段t₁内节点i负荷的有功功率；为时段t₁内节点i负荷的无功功率；为时段t₁内节点i无功补偿电容器组的无功功率；G_ij为节点i和节点j之间的电导；B_ij为节点i和节点j之间的电纳；θ_ij为节点间的电压相角差。

短时间尺度集群在线自调节优化目标函数所对应的控制变量约束条件为：

其中，为时段t₁内光伏无功功率最大值；为时段t₁内光伏无功功率。

短时间尺度集群在线自调节优化目标函数所对应的节点电压约束条件为：

其中，为t₁时段节点i的电压值，t₁＝1,2，…24；U_max为满足运行要求的电网节点电压上限值；U_min为满足运行要求的电网节点电压下限值。

步骤S104：根据修正后的无功设定点对光伏集群进行无功电压调控。

在一具体实时方式中，可以以光伏集群对各节点电压作用总体最优为目标，选取逆变器无功运行模式，采用改进粒子群算法进行不同时间尺度的优化。

光伏无功模式模型包括：

(1)零无功输出模式，其输出特性为

P_DPV、Q_DPV为LVDPV所输出的有功功率和无功功率大小。在集群采用零无功输出模式的T到T+1这一时段内，有功输出P(t)为随时间t变化的量，而无功输出Q_DPV恒为0。

(2)定无功输出模式，该模式的输出特性为

式中，无功输出量Q_DPV为设定值λ。

定无功模式的实际无功输出值须小于相应时段剩余容量最小值，无功定值应满足如下约束

(3)恒功率因数模式，其输出特性为

该式表示功率因数角与有功功率P_DPV和无功功率Q_DPV大小有关。

首先确定典型场景下光伏和负荷的参数，通过优化确定每个区域的最优无功设定点，并将其分派给分布式光伏。另一方面，在本地实时控制中，对无功设定点进行了一些修正，以补偿瞬态产生的可再生引起的电压变化，从而使母线电压维持在更稳定的水平。

在实际应用中，可以采用改进粒子群算法进行分布式光伏无功电压优化。具体的，分布式光伏参与的无功电压优化可以包括以下子步骤：

步骤1：初始化短时间尺度优化第t₂个时段的粒子群算法参数，包括粒子群种群规模N₂，惯性权重的最大值ω_max和最小值ω_min，学习因子c₁和c₂，迭代次数M₂，光伏有功输出和无功模式参数等，随机产生其初始种群。

步骤2：计算光伏无功运行模式参数λ，递增/减的斜率a，无功比例系数μ，功率因数角并获取日前典型场景参数，构建日典型运行场景集。

步骤3：计算短时间尺度优化目标函数的适应度值，得到种群粒子。如果粒子m的当前适应度高于此前的个体最优值，则将其设为自身最优解p_best；如果当前粒子m的适应度高于此前的全局最优值，则将其值设为全局最优解g_best。

步骤4：更新第m个粒子的速度X_m＝[x_m1,x_m2,…,x_md]和位置V_m＝[v_m1,v_m2,…,v_md]，如式(12)所示：

式中，k为迭代次数，d为粒子搜索空间维数，j＝1,2,…d，r₁、r₂为(0，1)之间均匀分布的随机数，v_min和v_max分别为粒子速度的最小值和最大值，w为权重，p_best.mj为第k次迭代时的自身最优解，g_best.j为第k次迭代时的全局最优解。

更新惯性权重，如式(13)所示。

式中，w_min和w_max为权重的最小值和最大值，k_max为最大迭代次数。

进行迭代，判断是否满足约束条件且达到迭代误差精度要求，若没有返回步骤1，否则转至步骤5。

步骤5：初始化长时间尺度优化第t₁个时段的粒子群算法参数，包括粒子群种群规模N₁，惯性权重的最大值ω_max和最小值ω_min，学习因子c₁和c₂，迭代次数M₁，光伏有功输出和无功模式参数等，随机产生其初始种群。

步骤6：计算长时间尺度优化目标函数的适应度值，得到种群粒子；

步骤7：按照式(12)更新粒子速度和位置，按照式(13)更新惯性权重，进行迭代，判断是否满足约束条件且达到迭代误差精度要求，若没有返回步骤5，否则输出最优结果，获得月典型运行场景集。

本申请实施例提供的光伏集群无功电压调控方法，以典型场景集为依据，先进行长时间尺度下离线全局优化配置，从而得到对应于光伏集群中的集中光伏的无功设定点；然后通过短时间尺度下在线实时优化控制本集群内的分散光伏，从而实现对分散光伏的无功优化，解决了目前光伏集群的无功电压调控中存在的无法同时兼顾集中光伏集群和分散光伏集群的问题。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

本申请实施例还提供了一种终端设备，如图2所示，该终端设备可以包括：输入单元201、第一优化单元202、第二优化单元203和调控单元204。

其中，输入单元201用于获取光伏集群的月运行场景集和季度运行场景集；其对应的工作过程可参见上述方法实施例中步骤S101所述。

第一优化单元202用于根据所述月运行场景集和季度运行场景集，对所述光伏集群进行长时间尺度集群离线全局宏观优化，得到所述光伏集群的无功设定点；其对应的工作过程可参见上述方法实施例中步骤S102所述。

第二优化单元203用于根据所述月运行场景集和季度运行场景集，对所述光伏集群进行短时间尺度集群在线自调节优化，修正所述光伏集群的无功设定点；其对应的工作过程可参见上述方法实施例中步骤S103所述。

调控单元204用于根据修正后的所述无功设定点对所述光伏集群进行无功电压调控；其对应的工作过程可参见上述方法实施例中步骤S104所述。

图3是本申请一实施例提供的终端设备的示意图。如图3所示，该实施例的终端设备600包括：处理器601、存储器602以及存储在所述存储器602中并可在所述处理器601上运行的计算机程序603，例如光伏集群无功电压调控程序。所述处理器601执行所述计算机程序603时实现上述各个光伏集群无功电压调控方法实施例中的步骤，例如图1所示的步骤S101至步骤S104。或者，所述处理器601执行所述计算机程序603时实现上述各装置实施例中各模块/单元的功能，例如图2所示输入单元201、第一优化单元202、第二优化单元203和调控单元204的功能。

所述计算机程序603可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器602中，并由所述处理器601执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序603在所述终端设备600中的执行过程。例如，所述计算机程序603可以被分割成同步模块、汇总模块、获取模块、返回模块(虚拟装置中的模块)。

所述终端设备600可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器601、存储器602。本领域技术人员可以理解，图3仅仅是终端设备600的示例，并不构成对终端设备600的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器601可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器602可以是所述终端设备600的内部存储单元，例如终端设备600的硬盘或内存。所述存储器602也可以是所述终端设备600的外部存储设备，例如所述终端设备600上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器602还可以既包括所述终端设备600的内部存储单元也包括外部存储设备。所述存储器602用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器602还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种光伏集群无功电压调控方法，其特征在于，包括：

获取光伏集群的月运行场景集和季度运行场景集；

根据所述月运行场景集和季度运行场景集，对所述光伏集群进行长时间尺度集群离线全局宏观优化，得到所述光伏集群的无功设定点；

根据所述月运行场景集和季度运行场景集，对所述光伏集群进行短时间尺度集群在线自调节优化，修正所述光伏集群的无功设定点；

根据修正后的所述无功设定点对所述光伏集群进行无功电压调控。

2.如权利要求1所述的光伏集群无功电压调控方法，其特征在于，所述获取光伏集群的月运行场景集和季度运行场景集，包括：

获取所述光伏集群在一个月内每天的光伏有功输出和负荷无功功率，构建所述光伏集群的日预测场景集；

根据所述日预测场景集构建所述光伏集群的月运行场景集和季度运行场景集。

3.如权利要求2所述的光伏集群无功电压调控方法，其特征在于，通过

S_d＝[P_d1 P_d2…P_dT Q_d1 Q_d2…Q_dT]

构建所述光伏集群的日预测场景集；

其中，S_d为d日的日预测场景集，P_dT为在d日第T个时段所述光伏集群所发出的光伏有功输出，Q_dT为在d日第T个时段所述光伏集群的负荷无功功率；

通过

构建所述光伏集群的月运行场景集；

其中，S_month为所述光伏集群的月运行场景集，S₁、S₂和S_n分别为所述光伏集群的日预测场景集，n为预测的天数；

通过

构建所述光伏集群的季度运行场景集；

其中，S代表所述光伏集群的季度运行场景集，S_i为i日的日预测场景集，S_j为j日的日预测场景集，P_NT为在N日第T个时段所述光伏集群所发出的光伏有功输出，Q_NT为在N日第T个时段所述光伏集群的负荷无功功率，N为所选季度的天数。

4.如权利要求3所述的光伏集群无功电压调控方法，其特征在于，所述根据所述月运行场景集和季度运行场景集，对所述光伏集群进行长时间尺度集群离线全局宏观优化，得到所述光伏集群的无功设定点，包括：

建立长时间尺度集群离线全局宏观优化目标函数；

根据预设的第一约束条件，以及所述月运行场景集和季度运行场景集，对所述长时间尺度集群离线全局宏观优化目标函数进行求解，筛选出所述月运行场景集和季度运行场景集中的第一最优解；

根据所述第一最优解，确定所述光伏集群的无功设定点。

5.如权利要求4所述的光伏集群无功电压调控方法，其特征在于，所述长时间尺度集群离线全局宏观优化目标函数为：

其中，为t时段内全网总电压偏差绝对值之和最小值；U_it2为t₂时段节点i的电压值，t＝1,2，…24；U₀为节点电压期望值；n为系统节点数，t₂＝1，2，…12。

6.如权利要求3所述的光伏集群无功电压调控方法，其特征在于，所述根据所述月运行场景集和季度运行场景集，对所述光伏集群进行短时间尺度集群在线自调节优化，修正所述光伏集群的无功设定点，包括：

建立短时间尺度集群在线自调节优化目标函数；

根据预设的第二约束条件，以及所述月运行场景集和季度运行场景集，对所述短时间尺度集群在线自调节优化目标函数进行求解，筛选出所述月运行场景集和季度运行场景集中的第二最优解；

根据所述第二最优解，对所述光伏集群的无功设定点进行修正。

7.如权利要求6所述的光伏集群无功电压调控方法，其特征在于，所述短时间尺度集群在线自调节优化目标函数为：

其中，为t₁时段内全网总电压偏差绝对值之和最小值；U_it1为t₁时段节点i的电压值，t＝1,2，…24；U₀为节点电压期望值；n为系统节点数，t₁＝1，2，…24。

8.一种终端设备，其特征在于，包括：

输入单元，用于获取光伏集群的月运行场景集和季度运行场景集；

第一优化单元，用于根据所述月运行场景集和季度运行场景集，对所述光伏集群进行长时间尺度集群离线全局宏观优化，得到所述光伏集群的无功设定点；

第二优化单元，用于根据所述月运行场景集和季度运行场景集，对所述光伏集群进行短时间尺度集群在线自调节优化，修正所述光伏集群的无功设定点；

调控单元，用于根据修正后的所述无功设定点对所述光伏集群进行无功电压调控。

9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。