CN110942173A - 一种基于负荷预测和相序优化的配电台区节能降损方法 - Google Patents
一种基于负荷预测和相序优化的配电台区节能降损方法 Download PDFInfo
- Publication number
- CN110942173A CN110942173A CN201910978490.5A CN201910978490A CN110942173A CN 110942173 A CN110942173 A CN 110942173A CN 201910978490 A CN201910978490 A CN 201910978490A CN 110942173 A CN110942173 A CN 110942173A
- Authority
- CN
- China
- Prior art keywords
- phase
- data
- area
- loss
- load
- 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
- 238000000819 phase cycle Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000005457 optimization Methods 0.000 title claims abstract description 15
- 230000008859 change Effects 0.000 claims abstract description 21
- 238000013178 mathematical model Methods 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims abstract description 21
- 230000002068 genetic effect Effects 0.000 claims abstract description 12
- 238000006467 substitution reaction Methods 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 7
- 230000007935 neutral effect Effects 0.000 claims description 5
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000004134 energy conservation Methods 0.000 abstract description 6
- 230000009467 reduction Effects 0.000 abstract description 6
- 230000005611 electricity Effects 0.000 description 8
- 238000007789 sealing Methods 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种基于负荷预测和相序优化的配电台区节能降损方法,包括:采集配电台区的数据;使用EM算法对缺失数据值进行填补;使用调相日当天真实数据,用台区出口三相电流作为各相的日负荷曲线,利用前推回代法计算线路潮流,得到配电台区的理论线损;基于历史数据,利用Elman神经网络预测调相日的出口三相电流和配电台区各用户日电量;搭建配电台区线损最低和换相过程中换相次数最少为目标的最优换相数学模型,使用遗传算法进行求解,得到调相后的各用户相序;对比调整相序前后用户的线路损耗和三相不平衡度变化。本发明能有效预测配电台区的运行数据,并运用于配电台区的相序调整,从而使得台区能够实现节能降损。
Description
技术领域
本发明涉及电网节能降损技术领域,具体涉及一种基于负荷预测和相序优化的配电台区节能降损方法。
背景技术
节能降损对电力系统的经济运行具有深远的意义,但在三相四线制的低压配电网中,大部分负荷均采用单相接入,单相接入的负荷在运行时间上的差异性以及分布不均性会导致三相负荷不平衡情况的出现,进而产生中性线电流引起线路损耗和配变电能损耗加重等问题,引起配电网高损。我国的低压配电网结构复杂,负荷性质日趋多样化,使得低压三相负荷不平衡问题愈发突出。
解决低压三相负荷不平衡下的节能降损问题的较为直接和经济的方法就是对用户的接入相序进行优化,调整其接入相序。现有调整接入相序的方法主要有通过智能换相装置进行换相和人工调整相序两种。智能换相装置可以通过切换终端单相负载来实现三相平衡,而且能够保证快速换相,实现换相过程不掉电。但是由于我国配电网台区数量众多,智能换相开关安装不方便,施工停电影响大,所以智能换相开关装置在全国配电台区的普及率较低。大部分的配电台区都是依据传统的人工调相方式进行调相。人工调相方式是通过电工根据计量数据调整三相负荷分配,该方法虽然可以解决三相负荷结构性分配不均的问题,但是是依据历史数据对其进行调整,而配电台区的负荷具有动态变化性,所以基于历史数据的人工调相方式在一定程度上无法有效解决三相负荷不平衡问题。
发明内容
本发明提出的一种基于负荷预测和相序优化的配电台区节能降损方法,可解决基于历史数据的人工调相方式在一定程度上无法有效解决三相负荷不平衡的技术问题。
为实现上述目的,本发明采用了以下技术方案:
一种基于负荷预测和相序优化的配电台区节能降损方法,包括以下步骤:
步骤1、采集配电台区的数据构成原始数据样本集X,所述原始数据样本集X包括:台区网架结构、线路参数、台区出口三相电流、功率因数和配电台区内各用户的日电量数据;
步骤2、对原始数据样本集X中的台区出口三相电流数据进行判断是否有缺失,如有缺失使用最大期望算法对存在数据缺失的样本集X进行填补,得到完整数据集Z;
步骤3、调用完整数据集Z中调相日当天台区出口三相电流,利用其构成各相用户的日负荷曲线,使用前推回代法计算线路潮流,通过潮流计算结果得到配电台区的理论损耗;
步骤4、基于完整数据集Z中三相出口电流数据和各用户的日用电量的历史数据,利用Elman神经网络预测调相日的出口三相电流数据和配电台区各用户日电量;
步骤5、基于步骤4的预测数据,搭建配电台区线损最低和换相过程中换相次数最少为目标的最优换相数学模型,使用遗传算法进行求解,得到调整后的各用户相序;
步骤6、使用真实数据,对比调整相序前后用户的线路损耗和三相不平衡度变化,评价调相效果。
进一步的,所述步骤2、对原始数据样本集X中的台区出口三相电流数据进行判断是否有缺失,如有缺失使用最大期望算法对存在数据缺失的样本集X进行填补,得到完整数据集Z;
具体包括:
步骤2.1、令X=[x1,x2,,xn],用Y=[y1,y2,,ym]表示缺失数据,则Z={X,Y}为完全数据;X和Y的联合分布记为P=(x,y|θ),条件分布记为P(y|x,θ),其中θ∈Θ,Θ是需要估计的参数空间;
步骤2.2、确定初始参数θ0,并记录θi为第i次迭代时的估计值,由式(1)计算对数似然函数Q(θ|θ(i));
步骤2.3、极大化Q(θ|θ(i)),通过极大似然估计计算θi+1;
步骤2.4、重复步骤2.2和2.3,直到对于给定的正数ε1,满足下列收敛条件:
|θi+1-θi|<ε1 (3)
步骤2.5、获得缺失数据集Y=[y1,y2,,ym],填补缺失数据,得到完整数据集Z。
进一步的,所述步骤3、调用完整数据集Z中调相日当天台区出口三相电流,利用其构成各相用户的日负荷曲线,使用前推回代法计算线路潮流,通过潮流计算结果得到配电台区的理论损耗;
具体包括:
步骤3.1、已知台区出口的三相电流曲线,将台区出口三相电流曲线视为台区出口的日有功功率曲线;台区出口电表为每隔15min采集一次数据,则一天共采集96个电流数据,式(4)为A相调相日当天的出口电流;
IAi=[IA1,IA2,IA3,…,IA96] (4)
如式(5)所示,对该条曲线做归一化处理;
以此类推,求出IBi′、ICi′;
步骤3.2、将各相的出口日有功功率曲线IAi′、IBi′、ICi′视为各相中每一用户的日功率曲线,将其与各用户的日电量相乘,得到各用户的实际日功率曲线;
PAj=[PAj1,PAj2,PAj3,,PAj96]=IAi′*AAj (6)
式(6)中,PAj为A相第j个用户的日功率曲线,AAj为A相第j个用户的日用电量;
同理,得到B、C相各用户的日功率曲线;
步骤3.3、输入系统原始参数数据,对线路节点进行编号,形成潮流计算表格;表格包括:支路号,节点号,线路电阻电抗,各节点有功功率和无功功率;
步骤3.7、判断所有节点在相邻两次迭代过程中计算出的电压幅值差的最大值是否满足给定的收敛条件;
步骤3.8、若满足收敛条件,则直接跳至步骤3.9,否则将各节点电压计算值作为新的初始值自第二步开始进入下一次迭代,令k=k+1,转到步骤3.5;
步骤3.9、A、B、C三相的线路有功损耗分别为三相各支路有功损耗的累加和,中性线有功功率如下式所示:
步骤3.10、累加所有有功损耗PLoss=ΔPA+ΔPB+ΔPC+ΔPzhong,得到理论线损,输出计算结果。
进一步的,所述步骤5、基于步骤4的预测数据,搭建配电台区线损最低和换相过程中换相次数最少为目标的最优换相数学模型,使用遗传算法进行求解,得到调整后的各用户相序;
具体包括:
步骤5.1建立台区多目标最优换相数学模型,同时考虑配电台区线损最低和换相调整次数最少;
目标函数1:台区线损最低
对于三相负荷不平衡台区,各负荷接入相序可以采用实数编码,如接入到A相用数字1表示,接入到B相用数字2表示,接入到C相用数字3表示,则各用户的用电负荷的接入相序可用一个向量k表示:
因此,得到相序状态矩阵表示为:
K=[k1,k2,…,kn] (9)
已知各负荷接入相序,得到A、B、C三相有无功的的节点功率,利用步骤3的线损计算方法求解当前接入相序下的台区总线损PLoss;
因此,配电台区线损的目标函数表示为:
ε1=Min{PLoss(K)} (10)
目标函数2:换相过程中调整相序次数最少
换相过程中,换相次数依据换相前后接入相序的矩阵变化情况确定;定义m为接入相序变化因子,那么整个配电台区的相序变化由矩阵M表示
M=[m1,m2,…,mn] (11)
对比负荷调整相序前和调整相序后的各负荷对应的相序接入状态确定m的值,m的值的确定具体按如下方法:
那么,配电台区各负荷的相序调整次数记为
则配电台区换相过程中各负荷换相次数最少的目标函数表示为
ε2=Min{Mnum} (14)
综合目标函数1和目标函数2,利用权重系数法,得到最后的优化数学模型为:
ε=aε1+bε2(a+b=1) (15)
步骤5.2利用遗传算法求解步骤5.1最优换相数学模型,得到换相结果。
进一步的,所述步骤6、使用真实数据,对比调整相序前后用户的线路损耗和三相不平衡度变化,评价调相效果;
具体包括:
三相不平衡度公式为
式中Imaxφ——最大相负荷电流
Iav——平均负荷电流,Iav=(IA+IB+IC)/3。
由上述技术方案可知,本发明的基于负荷预测和相序优化的配电台区节能降损方法,能够有效预测配电台区的运行数据,并通过优化相序的方法降低配电台区的线路损耗,以此实现配电台区的节能降损。
与已有技术相比,本发明的有益效果体现在:
1、本发明使用了EM算法对缺失数据值进行填补,实现了良好的数据填补效果。
2、本发明使用了Elman神经网络,对台区出口三相电流曲线和台区各用户日电量进行了预测,相比于传统的依据历史数据人工调相增加了调相数据的精准性。
3、本发明基于预测数据建立了台区多目标最优换相数学模型,同时考虑配电台区线损最低和换相调整次数最少,并使用了遗传算法进行求解,得到换相结果,实现了台区的节能降损。
附图说明
图1为本发明的方法流程图;
图2为封南台区各用户的编号分布图;
图3为封南台区8月23日A相出口三相电流真实值与预测值对比图
图4为封南台区8月23日B相出口三相电流真实值与预测值对比图
图5为封南台区8月23日C相出口三相电流真实值与预测值对比图
图6为封南台区8月23日各用户日用电量真实值与预测值对比图
图7为封南台区调相后出口三相电流值。
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。
如图1所示,本实施例所述的基于负荷预测和相序优化的配电台区节能降损方法,包括以下步骤:
步骤1、采集配电台区的数据构成原始数据样本集X,所述原始数据样本集X包括:台区网架结构、线路参数、台区出口三相电流、功率因数和配电台区内各用户的日电量数据;
步骤2、对原始数据样本集X中的台区出口三相电流数据进行判断是否有缺失,如有缺失使用最大期望算法对存在数据缺失的样本集X进行填补,得到完整数据集Z;
步骤3、调用完整数据集Z中调相日当天台区出口三相电流,利用其构成各相用户的日负荷曲线,使用前推回代法计算线路潮流,通过潮流计算结果得到配电台区的理论损耗;
步骤4、基于完整数据集Z中三相出口电流数据和各用户的日用电量的历史数据,利用Elman神经网络预测调相日的出口三相电流数据和配电台区各用户日电量;
步骤5、基于步骤4的预测数据,搭建配电台区线损最低和换相过程中换相次数最少为目标的最优换相数学模型,使用遗传算法进行求解,得到调整后的各用户相序;
步骤6、使用真实数据,对比调整相序前后用户的线路损耗和三相不平衡度变化,评价调相效果。
以下针对上述步骤具体说明:
步骤1、采集配电台区的数据构成原始数据样本集X:台区网架结构、线路参数、台区出口三相电流、功率因数和配电台区内各用户的日电量数据;
步骤2、使用最大期望算法(EM算法)对存在数据缺失的样本集X进行填补;
步骤2.1、令X=[x1,x2,,xn],用Y=[y1,y2,,ym]表示缺失数据,则Z={X,Y}为完全数据。X和Y的联合分布记为P=(x,y|θ),条件分布记为P(y|x,θ),其中θ∈Θ,Θ是需要估计的参数空间。
步骤2.2、确定初始参数θ0,并记录θi为第i次迭代时的估计值,由式(1)计算对数似然函数Q(θ|θ(i))。
步骤2.3、极大化Q(θ|θ(i)),通过极大似然估计计算θi+1。
步骤2.4、重复步骤2.2和2.3,直到对于给定的正数ε1,满足下列收敛条件:
|θi+1-θi|<ε1 (3)
步骤2.5、获得缺失数据集Y=[y1,y2,,ym],填补缺失数据,得到完整数据集Z。
步骤3、调用数据Z中调相日当天台区出口三相电流,利用其构成各相用户的日负荷曲线,使用前推回代法计算线路潮流,通过潮流计算结果得到配电台区的理论损耗;
步骤3.1、已知台区出口的三相电流曲线,由于出口处台区电压基本稳定,可将台区出口三相电流曲线视为台区出口的日有功功率曲线。台区出口电表为每隔15min采集一次数据,所以一天共采集96个电流数据,式(4)为A相调相日当天的出口电流。
IAi=[IA1,IA2,IA3,…,IA96] (4)
如式(5)所示,对该条曲线做归一化处理。
以此类推,求出IBi′、ICi′。
步骤3.2、将各相的出口日有功功率曲线IAi′、IBi′、ICi′视为各相中每一用户的日功率曲线,将其与各用户的日电量相乘,得到各用户的实际日功率曲线。
PAj=[PAj1,PAj2,PAj3,,PAj96]=IAi′*AAj (6)
式(6)中,PAj为A相第j个用户的日功率曲线,AAj为A相第j个用户的日用电量。
同理,得到B、C相各用户的日功率曲线。
步骤3.3、输入系统原始参数数据,对线路节点进行编号,形成潮流计算表格。表格包括:支路号,节点号,线路电阻电抗,各节点有功功率和无功功率。
步骤3.7、判断所有节点在相邻两次迭代过程中计算出的电压幅值差的最大值是否满足给定的收敛条件。
步骤3.8、若满足收敛条件,则直接跳至步骤3.9,否则将各节点电压计算值作为新的初始值自第二步开始进入下一次迭代,令k=k+1,转到步骤3.5。
步骤3.9、A、B、C三相的线路有功损耗分别为三相各支路有功损耗的累加和,中性线有功功率如下式所示:
步骤3.10、累加所有有功损耗PLoss=ΔPA+ΔPB+ΔPC+ΔPzhong,得到理论线损,输出计算结果。
步骤4、基于三相出口电流数据和各用户的日用电量的历史数据,利用Elman神经网络预测调相日的出口三相电流数据和配电台区各用户日电量;
步骤5、基于预测数据,搭建配电台区线损最低和换相过程中换相次数最少为目标的最优换相数学模型,使用遗传算法进行求解,得到调整后的各用户相序;
步骤5.1建立台区多目标最优换相数学模型,同时考虑配电台区线损最低和换相调整次数最少。
目标函数1:台区线损最低
对于三相负荷不平衡台区,各负荷接入相序可以采用实数编码,如接入到A相用数字1表示,接入到B相用数字2表示,接入到C相用数字3表示,则各用户的用电负荷的接入相序可用一个向量k表示:
因此,可得到相序状态矩阵、表示为:
K=[k1,k2,…,kn] (9)
已知各负荷接入相序,可以得到A、B、C三相有无功的的节点功率,就可以利用步骤3的线损计算方法求解当前接入相序下的台区总线损PLoss。
因此,配电台区线损的目标函数可以表示为:
ε1=Min{PLoss(K)} (10)
目标函数2:换相过程中调整相序次数最少
换相过程中,换相次数可以依据换相前后接入相序的矩阵变化情况确定。定义m为接入相序变化因子,那么整个配电台区的相序变化可由1个矩阵表示。
M=[m1,m2,…,mn] (11)
对比负荷调整相序前和调整相序后的各负荷对应的相序接入状态可以确定m的值,m的值的确定具体按如下方法:
那么,配电台区各负荷的相序调整次数可以记为
则配电台区换相过程中各负荷换相次数最少的目标函数可以表示为
ε2=Min{Mnum} (14)
综合目标函数1和目标函数2,利用权重系数法,得到最后的优化数学模型为:
ε=aε1+bε2(a+b=1) (15)
步骤5.2利用遗传算法求解步骤5.1最优换相数学模型,得到换相结果。
步骤6、使用真实数据,对比调整相序前后用户的线路损耗和三相不平衡度变化,评价调相效果。三相不平衡度公式为
式中Imaxφ——最大相负荷电流
Iav——平均负荷电流,Iav=(IA+IB+IC)/3
以下是本实施例的具体应用:
1、如图2-图7所示,选择安徽省蚌埠市固镇封南台区2019年8月23号进行调相。根据步骤1采集配电台区的原始数据。
2、根据步骤2使用最大期望算法(EM算法)对原始数据样本进行数据填补。
3、根据步骤3对封南台区8月23日实际理论线损进行计算,计算结果见表1。
封南台区共有94户单相用户,4户三相用户,其在2019年8月23日台区售电量为441.01kW·h,各用户总用电量为430.49kW·h,其中A相用户用电量102.53kW·h,B相用户用电量136.32kW·h,C相用户用电量175.44kW·h,ABC三相用户用电量16.20kW·h。台区实际损耗=台区售电量-各用户总用电量=10.52kW·h。
表1封南台区8月23日理论线损计算结果(单位:kW·h)
2.根据封南台区8月15日~8月22日的配电台区出口三相电流曲线和各用户日电量预测8月23日的出口三相电流曲线和各用户日电量。
3.根据预测的出口三相电流和各用户日电量,使用步骤3中的理论线损计算方法,对封南台区8月23日理论线损计算结果见表2。
表2基于预测值封南台区8月23日理论线损计算结果(单位:kW·h)
4.基于预测数据,根据步骤5搭建配电台区线损最低和换相过程中换相次数最低为目标的最优换相数学模型,并使用遗传算法进行求解,优化前和优化后各相用户如下表3和表4所示
表3调相前各相用户
表4调相后各相用户
5.使用调相日当天数据根据步骤3计算调相后的线路损耗。表5为调整相序前后配电台区的线路损耗,表6为调整相序前后配电台区的三相负荷不平衡度变化。
表5相序调整前后线路损耗(单位:kW·h)
调相前 | 调相后 | |
总损耗 | 9.5357 | 8.3771 |
线路损耗 | 6.9257 | 5.6616 |
固定电表损耗 | 2.61 | 2.61 |
A相线路损耗 | 0.9535 | 1.5875 |
B相线路损耗 | 1.2617 | 1.5738 |
C相线路损耗 | 2.8147 | 1.4537 |
中性线线路损耗 | 1.8958 | 1.0466 |
表6相序调整前后三相负荷不平衡度
调相前 | 调相后 | |
三相负荷不平衡度 | 8.43% | 3.17% |
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的精神和范围。
Claims (5)
1.一种基于负荷预测和相序优化的配电台区节能降损方法,其特征在于:包括以下步骤:
步骤1、采集配电台区的数据构成原始数据样本集X,所述原始数据样本集X包括:台区网架结构、线路参数、台区出口三相电流、功率因数和配电台区内各用户的日电量数据;
步骤2、对原始数据样本集X中的台区出口三相电流数据进行判断是否有缺失,如有缺失使用最大期望算法对存在数据缺失的样本集X进行填补,得到完整数据集Z;
步骤3、调用完整数据集Z中调相日当天台区出口三相电流,利用其构成各相用户的日负荷曲线,使用前推回代法计算线路潮流,通过潮流计算结果得到配电台区的理论损耗;
步骤4、基于完整数据集Z中三相出口电流数据和各用户的日用电量的历史数据,利用Elman神经网络预测调相日的出口三相电流数据和配电台区各用户日电量;
步骤5、基于步骤4的预测数据,搭建配电台区线损最低和换相过程中换相次数最少为目标的最优换相数学模型,使用遗传算法进行求解,得到调整后的各用户相序;
步骤6、使用真实数据,对比调整相序前后用户的线路损耗和三相不平衡度变化,评价调相效果。
2.根据权利要求1所述的基于负荷预测和相序优化的配电台区节能降损方法,其特征在于:所述步骤2、对原始数据样本集X中的台区出口三相电流数据进行判断是否有缺失,如有缺失使用最大期望算法对存在数据缺失的样本集X进行填补,得到完整数据集Z;
具体包括:
步骤2.1、令X=[x1,x2, ,xn],用Y=[y1,y2, ,ym]表示缺失数据,则Z={X,Y}为完全数据;X和Y的联合分布记为P=(x,y|θ),条件分布记为P(y|x,θ),其中θ∈Θ,Θ是需要估计的参数空间;
步骤2.2、确定初始参数θ0,并记录θi为第i次迭代时的估计值,由式(1)计算对数似然函数Q(θ|θ(i));
步骤2.3、极大化Q(θ|θ(i)),通过极大似然估计计算θi+1;
步骤2.4、重复步骤2.2和2.3,直到对于给定的正数ε1,满足下列收敛条件:
|θi+1-θi|<ε1 (3)
步骤2.5、获得缺失数据集Y=[y1,y2, ,ym],填补缺失数据,得到完整数据集Z。
3.根据权利要求1所述的基于负荷预测和相序优化的配电台区节能降损方法,其特征在于:所述步骤3、调用完整数据集Z中调相日当天台区出口三相电流,利用其构成各相用户的日负荷曲线,使用前推回代法计算线路潮流,通过潮流计算结果得到配电台区的理论损耗;
具体包括:
步骤3.1、已知台区出口的三相电流曲线,将台区出口三相电流曲线视为台区出口的日有功功率曲线;台区出口电表为每隔15min采集一次数据,则一天共采集96个电流数据,式(4)为A相调相日当天的出口电流;
IAi=[IA1,IA2,IA3,…,IA96] (4)
如式(5)所示,对该条曲线做归一化处理;
以此类推,求出IBi′、ICi′;
步骤3.2、将各相的出口日有功功率曲线IAi′、IBi′、ICi′视为各相中每一用户的日功率曲线,将其与各用户的日电量相乘,得到各用户的实际日功率曲线;
PAj=[PAj1,PAj2,PAj3,,PAj96]=IAi′*AAj (6)
式(6)中,PAj为A相第j个用户的日功率曲线,AAj为A相第j个用户的日用电量;
同理,得到B、C相各用户的日功率曲线;
步骤3.3、输入系统原始参数数据,对线路节点进行编号,形成潮流计算表格;表格包括:支路号,节点号,线路电阻电抗,各节点有功功率和无功功率;
步骤3.7、判断所有节点在相邻两次迭代过程中计算出的电压幅值差的最大值是否满足给定的收敛条件;
步骤3.8、若满足收敛条件,则直接跳至步骤3.9,否则将各节点电压计算值作为新的初始值自第二步开始进入下一次迭代,令k=k+1,转到步骤3.5;
步骤3.9、A、B、C三相的线路有功损耗分别为三相各支路有功损耗的累加和,中性线有功功率如下式所示:
步骤3.10、累加所有有功损耗PLoss=ΔPA+ΔPB+ΔPC+ΔPzhong,得到理论线损,输出计算结果。
4.根据权利要求1所述的基于负荷预测和相序优化的配电台区节能降损方法,其特征在于:所述步骤5、基于步骤4的预测数据,搭建配电台区线损最低和换相过程中换相次数最少为目标的最优换相数学模型,使用遗传算法进行求解,得到调整后的各用户相序;
具体包括:
步骤5.1建立台区多目标最优换相数学模型,同时考虑配电台区线损最低和换相调整次数最少;
目标函数1:台区线损最低
对于三相负荷不平衡台区,各负荷接入相序可以采用实数编码,如接入到A相用数字1表示,接入到B相用数字2表示,接入到C相用数字3表示,则各用户的用电负荷的接入相序可用一个向量k表示:
因此,得到相序状态矩阵表示为:
K=[k1,k2,…,kn] (9)
已知各负荷接入相序,得到A、B、C三相有无功的的节点功率,利用步骤3的线损计算方法求解当前接入相序下的台区总线损PLoss;
因此,配电台区线损的目标函数表示为:
ε1=Min{PLoss(K)} (10)
目标函数2:换相过程中调整相序次数最少
换相过程中,换相次数依据换相前后接入相序的矩阵变化情况确定;定义m为接入相序变化因子,那么整个配电台区的相序变化由矩阵M表示
M=[m1,m2,…,mn] (11)
对比负荷调整相序前和调整相序后的各负荷对应的相序接入状态确定m的值,m的值的确定具体按如下方法:
那么,配电台区各负荷的相序调整次数记为
则配电台区换相过程中各负荷换相次数最少的目标函数表示为
ε2=Min{Mnum} (14)
综合目标函数1和目标函数2,利用权重系数法,得到最后的优化数学模型为:
ε=aε1+bε2(a+b=1) (15)
步骤5.2利用遗传算法求解步骤5.1最优换相数学模型,得到换相结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910978490.5A CN110942173B (zh) | 2019-10-15 | 2019-10-15 | 一种基于负荷预测和相序优化的配电台区节能降损方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910978490.5A CN110942173B (zh) | 2019-10-15 | 2019-10-15 | 一种基于负荷预测和相序优化的配电台区节能降损方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110942173A true CN110942173A (zh) | 2020-03-31 |
CN110942173B CN110942173B (zh) | 2022-04-19 |
Family
ID=69905930
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910978490.5A Active CN110942173B (zh) | 2019-10-15 | 2019-10-15 | 一种基于负荷预测和相序优化的配电台区节能降损方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110942173B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111446727A (zh) * | 2020-04-03 | 2020-07-24 | 贵州电网有限责任公司 | 一种基于经济性指标的低压台区三相不平衡治理方法 |
CN111509742A (zh) * | 2020-05-13 | 2020-08-07 | 广东电网有限责任公司 | 一种针对三相不平衡的换相方法 |
CN111915451A (zh) * | 2020-08-05 | 2020-11-10 | 国网安徽省电力有限公司电力科学研究院 | 台区日功率曲线计算方法 |
CN111914205A (zh) * | 2020-08-05 | 2020-11-10 | 国网安徽省电力有限公司电力科学研究院 | 台区理论线损计算方法、装置和日负荷曲线计算方法 |
CN112085389A (zh) * | 2020-09-10 | 2020-12-15 | 厦门理工学院 | 三相负荷不平衡换相策略评估方法、终端设备及存储介质 |
CN112488367A (zh) * | 2020-11-18 | 2021-03-12 | 国网山西省电力公司晋城供电公司 | 一种基于量子遗传的用户相序降损方法及其系统 |
CN112909968A (zh) * | 2021-01-28 | 2021-06-04 | 全球能源互联网研究院有限公司 | 一种低压台区三相不平衡治理线路切改方法及系统 |
CN113162075A (zh) * | 2021-04-16 | 2021-07-23 | 西安理工大学 | 一种基于台区特性与换相目标匹配的三相不平衡主动治理方法与装置 |
CN113541165A (zh) * | 2021-07-19 | 2021-10-22 | 安徽大学 | 一种基于负荷预测的三相不平衡智能换相方法 |
CN113612239A (zh) * | 2021-07-23 | 2021-11-05 | 国网山东省电力公司济宁供电公司 | 配电台区多目标三相负荷不平衡相序调整方法及系统 |
CN113839384A (zh) * | 2021-09-24 | 2021-12-24 | 华南理工大学 | 基于矩阵补全的低压配电网相户关系识别方法 |
CN114156915A (zh) * | 2021-12-16 | 2022-03-08 | 西安博展电力技术有限公司 | 一种台区三相不平衡的多目标优化方法 |
CN114243918A (zh) * | 2021-12-16 | 2022-03-25 | 西安博展电力技术有限公司 | 一种配网双平衡智能管控系统 |
CN114839586A (zh) * | 2022-05-12 | 2022-08-02 | 烟台东方威思顿电气有限公司 | 基于em算法的低压台区计量装置失准计算方法 |
CN115378001A (zh) * | 2022-10-25 | 2022-11-22 | 南昌科晨电力试验研究有限公司 | 一种基于负荷周期性的低压配电网人工调相方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5416787B2 (ja) * | 2009-12-02 | 2014-02-12 | 株式会社三社電機製作所 | Pwmインバータ装置 |
KR101554998B1 (ko) * | 2014-02-05 | 2015-09-23 | 중앙대학교 산학협력단 | 3상 전압원 인버터 제어 장치 및 방법 |
CN105117986A (zh) * | 2015-09-25 | 2015-12-02 | 国网湖北节能服务有限公司 | 一种考虑不平衡度的低压配电网线损计算方法 |
CN106849137A (zh) * | 2017-04-07 | 2017-06-13 | 武汉大学 | 一种降低网络损耗的三相不平衡调节方法 |
CN109523095A (zh) * | 2018-12-21 | 2019-03-26 | 合肥工业大学 | 基于负荷预测和场景聚类的城市配电网规划方法 |
CN109888800A (zh) * | 2019-03-07 | 2019-06-14 | 南京工程学院 | 一种基于负荷预测和换相策略的配电台区三相不平衡负荷调整方法 |
CN110112760A (zh) * | 2019-06-12 | 2019-08-09 | 南方电网科学研究院有限责任公司 | 一种基于换相开关的三相不平衡调节方法、系统及集控器 |
-
2019
- 2019-10-15 CN CN201910978490.5A patent/CN110942173B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5416787B2 (ja) * | 2009-12-02 | 2014-02-12 | 株式会社三社電機製作所 | Pwmインバータ装置 |
KR101554998B1 (ko) * | 2014-02-05 | 2015-09-23 | 중앙대학교 산학협력단 | 3상 전압원 인버터 제어 장치 및 방법 |
CN105117986A (zh) * | 2015-09-25 | 2015-12-02 | 国网湖北节能服务有限公司 | 一种考虑不平衡度的低压配电网线损计算方法 |
CN106849137A (zh) * | 2017-04-07 | 2017-06-13 | 武汉大学 | 一种降低网络损耗的三相不平衡调节方法 |
CN109523095A (zh) * | 2018-12-21 | 2019-03-26 | 合肥工业大学 | 基于负荷预测和场景聚类的城市配电网规划方法 |
CN109888800A (zh) * | 2019-03-07 | 2019-06-14 | 南京工程学院 | 一种基于负荷预测和换相策略的配电台区三相不平衡负荷调整方法 |
CN110112760A (zh) * | 2019-06-12 | 2019-08-09 | 南方电网科学研究院有限责任公司 | 一种基于换相开关的三相不平衡调节方法、系统及集控器 |
Non-Patent Citations (3)
Title |
---|
夏颖: "《面向移动终端用户的WLAN定位技术》", 31 July 2018 * |
李强 等: "基于负荷监测系统的配电网潮流计算", 《华东电力》 * |
植俊 等: "配电网三相负荷不平衡的优化调度治理技术研究", 《工业控制计算机》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111446727A (zh) * | 2020-04-03 | 2020-07-24 | 贵州电网有限责任公司 | 一种基于经济性指标的低压台区三相不平衡治理方法 |
CN111509742A (zh) * | 2020-05-13 | 2020-08-07 | 广东电网有限责任公司 | 一种针对三相不平衡的换相方法 |
CN111509742B (zh) * | 2020-05-13 | 2021-07-13 | 广东电网有限责任公司 | 一种针对三相不平衡的换相方法 |
CN111915451A (zh) * | 2020-08-05 | 2020-11-10 | 国网安徽省电力有限公司电力科学研究院 | 台区日功率曲线计算方法 |
CN111914205A (zh) * | 2020-08-05 | 2020-11-10 | 国网安徽省电力有限公司电力科学研究院 | 台区理论线损计算方法、装置和日负荷曲线计算方法 |
CN111915451B (zh) * | 2020-08-05 | 2024-03-29 | 国网安徽省电力有限公司电力科学研究院 | 台区日功率曲线计算方法 |
CN111914205B (zh) * | 2020-08-05 | 2024-07-05 | 国网安徽省电力有限公司电力科学研究院 | 台区理论线损计算方法、装置和日负荷曲线计算方法 |
CN112085389A (zh) * | 2020-09-10 | 2020-12-15 | 厦门理工学院 | 三相负荷不平衡换相策略评估方法、终端设备及存储介质 |
CN112488367A (zh) * | 2020-11-18 | 2021-03-12 | 国网山西省电力公司晋城供电公司 | 一种基于量子遗传的用户相序降损方法及其系统 |
CN112909968A (zh) * | 2021-01-28 | 2021-06-04 | 全球能源互联网研究院有限公司 | 一种低压台区三相不平衡治理线路切改方法及系统 |
CN113162075A (zh) * | 2021-04-16 | 2021-07-23 | 西安理工大学 | 一种基于台区特性与换相目标匹配的三相不平衡主动治理方法与装置 |
CN113162075B (zh) * | 2021-04-16 | 2023-05-12 | 西安理工大学 | 基于台区特性匹配的三相不平衡主动治理方法与装置 |
CN113541165A (zh) * | 2021-07-19 | 2021-10-22 | 安徽大学 | 一种基于负荷预测的三相不平衡智能换相方法 |
CN113612239A (zh) * | 2021-07-23 | 2021-11-05 | 国网山东省电力公司济宁供电公司 | 配电台区多目标三相负荷不平衡相序调整方法及系统 |
CN113612239B (zh) * | 2021-07-23 | 2024-08-30 | 国网山东省电力公司济宁供电公司 | 配电台区多目标三相负荷不平衡相序调整方法及系统 |
CN113839384A (zh) * | 2021-09-24 | 2021-12-24 | 华南理工大学 | 基于矩阵补全的低压配电网相户关系识别方法 |
CN114243918A (zh) * | 2021-12-16 | 2022-03-25 | 西安博展电力技术有限公司 | 一种配网双平衡智能管控系统 |
CN114156915B (zh) * | 2021-12-16 | 2023-12-08 | 西安博展电力技术有限公司 | 一种台区三相不平衡的多目标优化方法 |
CN114156915A (zh) * | 2021-12-16 | 2022-03-08 | 西安博展电力技术有限公司 | 一种台区三相不平衡的多目标优化方法 |
CN114839586A (zh) * | 2022-05-12 | 2022-08-02 | 烟台东方威思顿电气有限公司 | 基于em算法的低压台区计量装置失准计算方法 |
CN115378001A (zh) * | 2022-10-25 | 2022-11-22 | 南昌科晨电力试验研究有限公司 | 一种基于负荷周期性的低压配电网人工调相方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110942173B (zh) | 2022-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110942173B (zh) | 一种基于负荷预测和相序优化的配电台区节能降损方法 | |
Ahmadi et al. | A linear power flow formulation for three-phase distribution systems | |
Nireekshana et al. | Enhancement of ATC with FACTS devices using real-code genetic algorithm | |
Emmanuel et al. | The impact of single-phase grid-connected distributed photovoltaic systems on the distribution network using PQ and PV models | |
CN109861202B (zh) | 一种柔性互联配电网动态优化调度方法及系统 | |
Parizad et al. | Optimal placement of distributed generation with sensitivity factors considering voltage stability and losses indices | |
CN110601198B (zh) | 计及谐波和电压不平衡约束的混合微电网优化运行方法 | |
CN111446727B (zh) | 一种基于经济性指标的低压台区三相不平衡治理方法 | |
CN110896231B (zh) | 一种扶贫区配电网接纳分布式光伏能力计算方法及系统 | |
CN109066694A (zh) | 含线间潮流控制器的电力系统的多目标潮流优化方法 | |
CN109713693B (zh) | 基于换相开关组网的三相不平衡负载切换方法 | |
Thukaram et al. | Optimal reactive power dispatch in a large power system with AC–DC and FACTS controllers | |
Meng et al. | Optimal integration of DER and SST in active distribution networks | |
CN114709848A (zh) | 一种考虑电能质量补偿的多相配电网储能优化调度方法 | |
CN111130109B (zh) | 一种Yyn0低压配电网理论线损计算方法及系统 | |
Xiao et al. | Optimal power quality compensation of energy storage system in distribution networks based on unified multi-phase OPF model | |
da Silva et al. | A new centralized active and reactive power control strategy for voltage regulation in power distribution networks with high penetration of photovoltaic generation | |
CN117578491A (zh) | 考虑价格型需求响应与逆变器下垂参数优化的微网电压控制方法 | |
Li et al. | Coordinated planning for flexible interconnection and energy storage system in low-voltage distribution networks to improve the accommodation capacity of photovoltaic | |
Bruno et al. | Unbalanced Three‐Phase Optimal Power Flow for the Optimization of MV and LV Distribution Grids | |
Chang et al. | Maximization of transmission system loadability with optimal FACTS installation strategy | |
CN116579624A (zh) | 一种基于改进等值电阻法的含光伏低压线损计算方法 | |
Wu et al. | Research on improvement of line loss algorithm based on three-phase unbalance degree | |
CN114925962A (zh) | 基于节点边际电价的有源配电网运行灵活性量化分析方法 | |
Pato et al. | Hosting high PV penetration on distribution feeders with smart inverters providing local var compensation |
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 |