CN111092429B - 一种柔性互联配电网的优化调度方法、存储介质及处理器 - Google Patents
一种柔性互联配电网的优化调度方法、存储介质及处理器 Download PDFInfo
- Publication number
- CN111092429B CN111092429B CN201911340108.4A CN201911340108A CN111092429B CN 111092429 B CN111092429 B CN 111092429B CN 201911340108 A CN201911340108 A CN 201911340108A CN 111092429 B CN111092429 B CN 111092429B
- Authority
- CN
- China
- Prior art keywords
- voltage
- distribution network
- optimization
- prediction
- flexible
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 168
- 238000009826 distribution Methods 0.000 title claims abstract description 100
- 238000003860 storage Methods 0.000 title claims description 21
- 238000005457 optimization Methods 0.000 claims abstract description 139
- 238000005096 rolling process Methods 0.000 claims abstract description 46
- 230000008569 process Effects 0.000 claims abstract description 23
- 230000035945 sensitivity Effects 0.000 claims abstract description 21
- 230000006870 function Effects 0.000 claims description 59
- 238000004364 calculation method Methods 0.000 claims description 46
- 230000003044 adaptive effect Effects 0.000 claims description 25
- 230000009467 reduction Effects 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000003064 k means clustering Methods 0.000 claims description 18
- 230000009466 transformation Effects 0.000 claims description 10
- 238000011084 recovery Methods 0.000 claims description 7
- 238000005315 distribution function Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 abstract description 11
- 238000011160 research Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 16
- 230000005611 electricity Effects 0.000 description 16
- 238000004590 computer program Methods 0.000 description 10
- 238000005070 sampling Methods 0.000 description 9
- 238000005259 measurement Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
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
-
- 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
- H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开了一种柔性互联配电网的优化调度方法和装置。该方法包括：确定柔性互联配电网的柔性互联装置；以柔性互联装置换流器的有功无功功率作为决策变量，以柔性互联配电网的综合供电成本和电压偏差最小作为优化目标，并依据经典模型预测控制，建立柔性互联配电网的日内优化调度模型，其中，日内优化调度模型包括：预测模型和滚动优化，预测模型为采用电压灵敏度的方法，对柔性互联配电网中各节点电压进行预测，滚动优化为采用自适应动态权重方法处理包含综合供电成本和电压偏差的多目标优化问题。通过本申请，解决了相关技术中柔性互联配电网的运行调度的研究分析尚不足以满足当下的技术需求的问题。
Description
技术领域
本申请涉及主动配电网优化运行技术领域，具体而言，涉及一种柔性互联配电网的优化调度方法、存储介质及处理器。
背景技术
相对“闭环设计，开环运行”的传统配电网，柔性互联配电网可大幅提升供电可靠性、改善供电质量、保证高渗透分布式电源(distributed generation，DG)的满额消纳。
现有技术中，针对该柔性互联配电网的运行调度已开展了较多研究，但多数采用确定性模型，未考虑可再生能源和负荷的不确定性，其具体分析如下：
1、细化模型时间尺度虽可一定程度削弱源荷不确定性影响，但本质上都是基于单一时间断面的开环优化控制，易造成控制偏差在相邻控制时段间传递。
2、模型预测控制(model predictive control，MPC)是一种以滚动寻优和反馈校正为核心思想的闭环优化控制方法，一定程度上削弱了源荷不确定性的影响。但经典模型预测控制(MPC)忽略了随机误差的影响，难以完全刻画可再生能源及负荷的随机性。虽然随机模型预测控制(MPC)利用不确定性方法进行建模和优化，相比经典MPC可更好地处理源荷随机性。但该随机模型预测控制(MPC)采用的多是静态场景，未考虑相邻时段的相关性，难以准确呈现可再生能源的波动特征。
此外，经典MPC往往通过经验法确定包括预测时域、控制时域以及控制间隔在内的域参数，且在优化过程中保持恒定不变，无法根据系统状态自适应调整，难以动态协调计算时长与优化效果之间的矛盾。
目前已有在并网型微电网中针对域参数的改进研究，但柔性互联配电网相比微电网，扰动更多，运行工况也更加复杂，且柔性互联装置本体也会产生一定的出力控制误差。
针对相关技术中柔性互联配电网的运行调度的研究分析尚不足以满足当下的技术需求的问题，目前尚未提出有效的解决方案。
发明内容
本申请提供一种柔性互联配电网的优化调度方法、存储介质及处理器，以解决相关技术中柔性互联配电网的运行调度的研究分析尚不足以满足当下的技术需求的问题。
根据本申请的一个方面，提供了一种柔性互联配电网的优化调度方法。该方法包括：确定所述柔性互联配电网的柔性互联装置；以所述柔性互联装置换流器的有功无功功率作为决策变量，以所述柔性互联配电网的综合供电成本和电压偏差最小作为优化目标，并依据经典模型预测控制(经典MPC)，建立柔性互联配电网的日内优化调度模型，其中，所述日内优化调度模型包括：预测模型和滚动优化，所述预测模型为采用电压灵敏度的方法，对柔性互联配电网中各节点电压进行预测，所述滚动优化为采用自适应动态权重方法处理包含综合供电成本和电压偏差的多目标优化问题。
可选的，所述优化调度方法，还包括：在所述日内优化调度模型的预测模型部分采用动态场景生成方法和K-means聚类场景削减方法；在所述日内优化调度模型的滚动优化部分对域参数进行自使用调整。
可选的，所述柔性互联配电网的柔性互联装置为多端背靠背柔性直流(VSC-MTDC)，其中，所述多端背靠背柔性直流的主换流器采用定UdcQ控制，其中，Udc为直流母线电压，Q为端口输出无功；所述多端背靠背柔性直流的从换流器采用定PQ控制，其中，P端口输出有功；且所述多端背靠背柔性直流的换流器输出无功功率互不影响，仅满足各自容量约束。
可选的，采用电压灵敏度的方法，对柔性互联配电网中各节点电压进行预测，包括：分别对潮流方程各节点电压幅值和相位求偏导，得到雅克比矩阵J；对J求逆，得到各节点电压相对于各节点注入有功、无功功率的灵敏度矩阵；由所述各节点电压相对于各节点注入有功、无功功率的灵敏度矩阵，确定各节点的预测电压值。
可选的，采用自适应动态权重方法处理包含综合供电成本和电压偏差的多目标优化问题，包括：将所述滚动优化部分的目标函数中的子目标函数F1与F2通过加权求和的方法聚合为单一函数，所述目标函数如下：
式中：t0为当前时段；PΔt为预测时域；F1为综合供电成本最低目标函数；F2为电压偏差最小目标函数；n为系统中各节点编号；f1(t)和f2(t)分别为t时段购电成本和网损成本；Ci(t)、PSTi(t)、PDGi(t)、PDi(t)分别为t时段节点i的母线节点电价、馈线出口功率、分布式电源有功出力和负荷有功功率；Cw(t)为t时段网损成本的电价；
采用自适应动态权重优化方法，根据柔性互联配电网运行情况自适应调整两目标之间的权重分配，并对各目标函数进行标幺化处理，使其量纲相同，以建立总目标函数F，所述总目标函数F如下：
式中：α为自适应权重，与优化目标函数F2成线性相关，通过目标函数与最大允许值的比值客观地动态调整多目标之间的权重关系；ε1与ε2恒正，其取值反映了运行人员对各目标权重的主观要求；F2max和F1max分别为电压偏差和综合供电成本的最大值。
可选的，在所述日内优化调度模型的预测模型部分采用动态场景生成方法，包括：通过等概率逆变换将服从多元联合标准正态分布的随机变量序列转换成具有相关性的保证高渗透分布式电源和负荷误差序列，其中，在逆变换的过程中，以预测值为中心生成各时段的预测箱；统计各个预测箱内保证高渗透分布式电源和负荷预测误差的累积经验概率分布函数；通过计算各误差场景值与预测值之和，得到动态场景集。
可选的，在所述日内优化调度模型的预测模型部分采用K-means聚类场景削减方法，包括：随机选取部分场景作为簇心，得到簇心场景集；根据簇心场景集合确定剩余场景集合，并计算剩余场景到簇心场景的距离；根据距离矩阵将剩余场景归类到最近的簇心；根据簇心计算方法重新确定簇心集合，以此重复计算，直到簇心和聚类结果不再变化，场景削减结束，得到典型场景集。
可选的，在所述日内优化调度模型的滚动优化部分对域参数进行自使用调整，包括：基于电压预测误差以及优化计算时间，自适应调整预测时域；以及基于电网安全运行恢复速度、优化计算时长和控制误差，自适应调整控制间隔长度。
可选的，基于电压预测误差以及优化计算时间，自适应调整预测时域，基于如下公式实现，
式中：t表示当前时刻；
表示MPC初始预测时域步长；预测时域的步长根据t时刻各节点预测电压误差之和g1,t进行调整；
和
分别为t时刻节点i电压预测值及实际值；h1为关于g1,t的函数；预测时域随h1的变化而变化；g1,t.max表示最大电压预测偏差。
可选的，基于电压预测误差以及优化计算时间，自适应调整预测时域，包括：根据电网实际电压及柔性互联装置控制误差和优化计算时间，mt进行自适应调整，其中，所述单个初始控制间隔由m0个最小采样间隔组成，t时刻单个控制间隔由mt个最小采样间隔组成，具体公式如下：
式中：g2,t表示t时刻节点电压越限值与柔性互联装置控制偏差之和；m表示滚动优化次数；
和
分别为t时刻柔性互联装置端口功率参考值和实测值；
和U分别表示节点电压的上、下限；h2为关于g2,t的函数，控制间隔随h2的变化而变化；g2,t.max表示节点电压越限值与柔性互联装置控制偏差之和最大值。
根据本申请的另一方面，提供了一种存储介质，所述存储介质包括存储的程序，其中，所述程序执行上述任意一项所述的柔性互联配电网的优化调度方法。
根据本申请的另一方面，提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述任意一项所述的柔性互联配电网的优化调度方法。
也即，本申请通过将模型预测(MPC)应用于柔性互联配电网中，建立柔性互联配电网的日内优化调度模型，进而解决了现有技术中对柔性互联配电网的运行调度的研究空白的技术问题，并实现了精准调度柔性互联配电网的技术效果。
此外，需要说明的是：所述优化调度方法还包括：在所述日内优化调度模型的预测模型部分采用动态场景生成方法和K-means聚类场景削减方法；在所述日内优化调度模型的滚动优化部分对域参数进行自使用调整。
也即，本申请所改进的MPC在预测模型部分结合动态场景生成方法、K-means聚类场景削减方法，形成随机预测模型；在滚动优化部分结合域参数自适应调整，形成自适应滚动优化。通过对经典MPC预测模型以及滚动优化两部分的改进，提高应对保证高渗透分布式电源及负荷不确定性的能力。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请的柔性互联配电网的优化调度方法的流程图；以及
图2为本申请的模型预测控制的示意图；
图3为柔性互联配电网结构的示意图；
图4为典型场景集生成流程的示意图；
图5为自适应预测时域的示意图；
图6为自适应控制间隔的示意图；
图7为配电系统结构的示意图；
图8为系统电压平均偏移量指标图；
图9为自适应权重变化情况；
图10为光伏出力样本的场景削减结果图；
图11为两种调度方法下的节点电压；
图12为自适应域的参数。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本申请的实施例，提供了一种柔性互联配电网的优化调度方法。
图1是根据本申请实施例的柔性互联配电网的优化调度方法的流程图。如图1所示，该方法包括以下步骤：
步骤S102，确定所述柔性互联配电网的柔性互联装置；
步骤S104，以所述柔性互联装置换流器的有功无功功率作为决策变量，以所述柔性互联配电网的综合供电成本和电压偏差最小作为优化目标，并依据经典模型预测控制(经典MPC)，建立柔性互联配电网的日内优化调度模型，
其中，所述日内优化调度模型包括：预测模型和滚动优化，所述预测模型为采用电压灵敏度的方法，对柔性互联配电网中各节点电压进行预测，所述滚动优化为采用自适应动态权重方法处理包含综合供电成本和电压偏差的多目标优化问题。
也即，本申请通过将模型预测(MPC)应用于柔性互联配电网中，建立柔性互联配电网的日内优化调度模型，进而解决了现有技术中对柔性互联配电网的运行调度的研究空白的技术问题，并实现了精准调度柔性互联配电网的技术效果。
此外，需要说明的是：所述优化调度方法还包括：在所述日内优化调度模型的预测模型部分采用动态场景生成方法和K-means聚类场景削减方法；在所述日内优化调度模型的滚动优化部分对域参数进行自使用调整。
也即，本申请所改进的MPC在预测模型部分结合动态场景生成方法、K-means聚类场景削减方法，形成随机预测模型；在滚动优化部分结合域参数自适应调整，形成自适应滚动优化。通过对经典MPC预测模型以及滚动优化两部分的改进，提高应对保证高渗透分布式电源及负荷不确定性的能力，具体改进模型预测控制如图2所示下面对本申请提供给的柔性互联配电网的优化调度方法进行具体举例说明：
实施例中，柔性互联配电网结构如图3所示，柔性互联装置中多组AC/DC双向变流器直流侧并联于同一直流母线上，交流侧分别与各条馈线相连，各条馈线之间可灵活交换功率并形成相互支撑。
在一种可选的示例中，所述柔性互联配电网的柔性互联装置为多端背靠背柔性直流(VSC-MTDC)，其中，所述多端背靠背柔性直流的主换流器采用定UdcQ控制，其中，Udc为直流母线电压，Q为端口输出无功；所述多端背靠背柔性直流的从换流器采用定PQ控制，其中，P端口输出有功；且所述多端背靠背柔性直流的换流器输出无功功率互不影响，仅满足各自容量约束。
此外，VSC-MTDC运行模型如下式所示：
式中：NVSC为VSC-MTDC的换流器总数；Pk(t)、Qk(t)分别为t时段第k个换流器的有功和无功功率，流入馈线为正方向；Ak和Sk分别为第k个换流器的损耗系数和额定容量。
需要说明的是：传统配电网中包含有载调压变压器、并联电容器组等慢速调节设备，通常需要对其进行日前优化调度。而本发明柔性互联配电网中的VSC-MTDC具备快速独立的动态无功调节能力，一般可代替慢速调节设备，可直接进行日内优化调度。常规的日内优化调度方法本质上是基于单一时间断面的开环优化控制，易造成控制偏差在相邻控制时段间传递。
在一个可选的示例中，采用电压灵敏度的方法，对柔性互联配电网中各节点电压进行预测，包括：分别对潮流方程各节点电压幅值和相位求偏导，得到雅克比矩阵J；对J求逆，得到各节点电压相对于各节点注入有功、无功功率的灵敏度矩阵；由所述各节点电压相对于各节点注入有功、无功功率的灵敏度矩阵，确定各节点的预测电压值。
此外，对柔性互联配电网中各节点电压进行预测，还包括：通过对电压预测方程反复迭代，向前预测P步，便可得到各节点电压在预测时域PΔt内的预测输出值构成的向量Uf，以及额定值构成的向量UR。
在一个可选的示例中，采用自适应动态权重方法处理包含综合供电成本和电压偏差的多目标优化问题，包括：将所述滚动优化部分的目标函数中的子目标函数F1与F2通过加权求和的方法聚合为单一函数，所述目标函数如下：
式中：t0为当前时段；PΔt为预测时域；F1为综合供电成本最低目标函数；F2为电压偏差最小目标函数；n为系统中各节点编号；f1(t)和f2(t)分别为t时段购电成本和网损成本；Ci(t)、PSTi(t)、PDGi(t)、PDi(t)分别为t时段节点i的母线节点电价、馈线出口功率、分布式电源有功出力和负荷有功功率；Cw(t)为t时段网损成本的电价；
采用自适应动态权重优化方法，根据柔性互联配电网运行情况自适应调整两目标之间的权重分配，并对各目标函数进行标幺化处理，使其量纲相同，以建立总目标函数F，所述总目标函数F如下：
式中：α为自适应权重，与优化目标函数F2成线性相关，通过目标函数与最大允许值的比值客观地动态调整多目标之间的权重关系；ε1与ε2恒正，其取值反映了运行人员对各目标权重的主观要求；F2max和F1max分别为电压偏差和综合供电成本的最大值。
需要说明的是：在滚动优化过程中，将VSC-MTDC调度指令值下发后，系统各节点电压实际量测值作为下一轮滚动优化过程中电压预测模型的初始值。求解上述优化模型之后便可得到优化周期内VSC-MTDC调度指令值并下发。
针对预测模型，需要说明的是：
基于动态场景生成与K-means聚类场景削减的随机预测模型可考虑相邻时段的相关性，准确呈现可再生能源的波动特征，据此得到的优化调度策略具有较高的准确性。
具体过程如下：
在一个可选的示例中，在所述日内优化调度模型的预测模型部分采用动态场景生成方法，包括：通过等概率逆变换将服从多元联合标准正态分布的随机变量序列转换成具有相关性的保证高渗透分布式电源和负荷误差序列，其中，在逆变换的过程中，以预测值为中心生成各时段的预测箱；统计各个预测箱内保证高渗透分布式电源和负荷预测误差的累积经验概率分布函数；通过计算各误差场景值与预测值之和，得到动态场景集。
在一个可选的示例中，在所述日内优化调度模型的预测模型部分采用K-means聚类场景削减方法，包括：随机选取部分场景作为簇心，得到簇心场景集；根据簇心场景集合确定剩余场景集合，并计算剩余场景到簇心场景的距离；根据距离矩阵将剩余场景归类到最近的簇心；根据簇心计算方法重新确定簇心集合，以此重复计算，直到簇心和聚类结果不再变化，场景削减结束，得到典型场景集。
也即，在所述日内优化调度模型的预测模型部分采用动态场景生成方法，得到动态场景；再在所述日内优化调度模型的预测模型部分采用K-means聚类场景削减方法，以对生成的动态场景集进行削减，其中，动态场景生成及K-means聚类场景削减流程如图4所示。
需要说明的是：基于所获取的保证高渗透分布式电源和负荷的典型场景集，结合经典MPC的预测模型，实现对电压预测方程反复迭代，各节点电压在预测时域PΔt内预测值构成的向量Uf，以及额定值构成的向量UR。
需要说明的是，实际中严格意义上满足某种分布的随机变量几乎不存在，即无法严格拟合成某种函数，本文仅以服从多元联合标准正态分布作为假设，并在日内实时控制中引入了自适应滚动优化及反馈校正环节来进一步降低源荷不确定性的影响。
针对滚动优化，需要说明的是：
在一个可选的示例中，在所述日内优化调度模型的滚动优化部分对域参数进行自使用调整，包括：基于电压预测误差以及优化计算时间，自适应调整预测时域；以及基于电网安全运行恢复速度、优化计算时长和控制误差，自适应调整控制间隔长度。
也即，本发明将经典MPC中的域参数设置为自适应调整状态，以进一步提升其在柔性互联配电网应用中的优化控制效果。
具体的，经典MPC的预测时域NP大于等于控制时域NC，且两者是同步变化的，因此仅以预测时域为例进行分析。预测时域的选取会影响电压预测误差以及优化计算时间，若NP选取较长，预测电压的不确定性及优化计算时长将会增加；若NP选取较短，计算时长会缩短，但优化求解时可获得的预测量信息不够充分，无法更全面地考虑系统的状态。
因此，本申请提出一种综合考虑电压预测误差以及优化计算时间的预测时域自适应调整方法。如图5所示，t表示当前时刻，
表示MPC初始预测时域步长。预测时域的步长根据t时刻各节点预测电压误差之和g1,t进行调整，具体的，基于电压预测误差以及优化计算时间，自适应调整预测时域，基于如下公式实现，
式中：t表示当前时刻；
表示MPC初始预测时域步长；预测时域的步长根据t时刻各节点预测电压误差之和g1,t进行调整；
和
分别为t时刻节点i电压预测值及实际值；h1为关于g1,t的函数；预测时域随h1的变化而变化；g1,t.max表示最大电压预测偏差。
其中，当柔性互联配电网中可再生能源出力预测误差g1,t较小时，h1会随之变小，从而预测时域
会随之变大，即在预测误差较小时，适当放宽预测时域，可更全面地考虑系统的状态。反之，则会缩小预测时域，提升预测精度和优化计算时长。
具体的，考虑到对VSC-MTDC进行优化控制时会产生一定的误差，且控制误差的大小与控制间隔长度的选取有关，若控制间隔长度选取较短，滚动优化计算的频率会增加，在频繁地对VSC-MTDC进行调节过程中产生的累积控制误差和优化计算时长也会增加。若控制间隔长度选取较长，VSC-MTDC的控制误差和优化计算时长会相应降低，但无法及时对保证高渗透分布式电源及负荷短时间内突变造成的电压越限问题进行处理，使电网在较长时段内运行在不安全状态。
因此，本申请提出一种综合考虑电网安全运行恢复速度、优化计算时长以及控制误差，自适应调整控制间隔长度的方法。如图6所示，单个初始控制间隔由m0个最小采样间隔组成，t时刻单个控制间隔由mt个最小采样间隔组成，根据电网实际电压及VSC-MTDC控制误差，mt进行自适应调整，具体的，如下式所示。
式中：g2,t表示t时刻节点电压越限值与柔性互联装置控制偏差之和；m表示滚动优化次数；
和
分别为t时刻柔性互联装置端口功率参考值和实测值；
和U分别表示节点电压的上、下限；h2为关于g2,t的函数，控制间隔随h2的变化而变化；g2,t.max表示节点电压越限值与柔性互联装置控制偏差之和最大值。
其中，当柔性互联配电网中各节点电压处于正常范围内时，控制间隔保持不变。反之，若各节点电压越限时，控制间隔会根据电压越限值与装置控制偏差之和g2,t进行调整。若g2,t较小，h2会随之变小，从而控制间隔mt会随之变小，即在电压越限值与装置控制偏差之和较小时，适当放宽控制间隔，可减少滚动优化计算的频率，降低计算时长。反之，则会缩小控制间隔，及时对保证高渗透分布式电源及负荷短时间内突变造成的电压越限问题进行处理。
此外，基于上述随机预测模型以及域参数自适应调整方法，改进MPC优化调度模型在经典MPC优化调度模型的基础上，将目标函数F1修改为下式即可。
综上所述，本申请通过考虑柔性互联装置具备快速独立的动态无功调节能力，建立基于MPC的互联配电网日内优化调度模型，采用自适应动态权重方法求解多目标优化问题；进而对经典MPC预测模型部分进行了动态场景生成与K-means聚类场景削减；最后综合考虑预测电压误差、柔直装置出力误差及系统优化计算时长，分别设计了自适应预测/控制时域、控制间隔参数。最终算例验证了柔性互联配电网日内优化调度中自适应模型预测控制方法的优越性。
为了验证本发明所提优化调度方法的可行性和有效性，本发明以如图7所示的33节点算例配电系统为例进行分析，系统额定电压为10kV，线路选用我国城市配网主流使用的YJV22-3*400型电缆。算例中接入5组光伏系统和4台风电机组，其配置参数如表1所示。购电的峰时电价(07：00～19：00)和谷时电价(19：00～07：00)如表2所示。VSC-MTDC的变流器额定容量均为3MVA，损耗系数为0.02。变电站出口功率区间为0MW～8MW(不允许功率倒送)，线路容量为8MVA，各节点电压取值范围为[0.95,1.05](标幺值)。
表1保证高渗透分布式电源配置参数
表2电价参数
MPC参数设置取初始预测时长和初始控制时长都为15min，滚动优化初始控制间隔取10min，自适应权重系数ε1和ε2分别取为0.6、0.4。抽样次数取2000，削减后风机出力样本数为6，光伏及负荷功率样本数为5，共计150个场景。算例仿真在MATLAB R2014a环境下编程求解。
经典MPC与常规优化调度对比分析可知：经典MPC优化调度方法，采用滚动优化与反馈校正，一定程度上降低了保证高渗透分布式电源与负荷预测误差的影响，缓解了由于保证高渗透分布式电源及负荷随机性造成的电压越限问题，同时也降低了综合供电成本，但在保证高渗透分布式电源与负荷随机定性较强时段，采用经典MPC优化调度方法后，电网中部分节点仍会出现电压越限问题，因此需要对经典MPC进行相应改进，进一步提升其应对保证高渗透分布式电源及负荷随机性的能力。
为验证自适应动态权重多目标优化方法的有效性，本发明设置了如表3所示的三种权重系数方案，定义各时段i标幺化处理后的电压平均偏移量指标(AVOi)和整个运行周期内标幺化处理后的节点电压评价指标(VI)。
表3三种权重系数方案设置对比
图8对比了08:00～18:00时段三种方案下电压平均偏移量指标AVOi，可以看出方案2在各时段上的电压偏差相比于方案1明显降低。经分析可知，方案2中电压偏差权重系数相比方案1得到提高，因此电压平均偏移量指标AVOi优化较为显著。从表2中可以看出，方案2中综合供电成本相比方案1显著增加。经分析可知，方案2较低的综合供电成本权重系数使优化效果降低。由此可知，方案1和2均采用固定权重，在电网实际运行中很难平衡与合理取舍电压偏差和综合供电成本之间的权重设置。表4给出了三种方案运行结果对比，可以看出方案3中综合供电成本和电压偏差相比于方案1和方案2，虽不能达到最低，但兼顾了综合供电成本与电压偏差。图9反映了采用自适应动态权重方法后，权重系数根据柔性互联配电网实际运行情况的动态变化过程。
表4三种方案运行结果对比
改进MPC与经典MPC优化调度对比分析：本发明以11:30-12:30时段为例，对比验证改进MPC相较经典MPC在应对保证高渗透分布式电源及负荷随机性方面具备更好的优越性。以A馈线上的光伏出力为例说明改进MPC中样本选取过程，图10为经过场景生成与削减得到的5个光伏样本。
将采用经典MPC优化计算得到的11:40时刻VSC-MTDC调度指令与综合考虑保证高渗透分布式电源及负荷随机性的改进MPC优化调度指令分别应用于柔性互联配电网实际运行，对比两种方法在实际运行场景下各节点电压情况，如图11所示。从图中可以看出，采用经典MPC优化调度方法后，仍有部分节点电压不满足安全约束，而改进MPC优化调度方法使得所有节点均在电压安全范围内。
经分析可知，保证高渗透分布式电源出力及负荷功率与实际值存在较大预测误差，改进MPC优化调度采用动态场景生成以及K-means聚类场景削减的方法，考虑了实际运行场景下保证高渗透分布式电源及负荷可能出现的预测误差较大情况，改善了经典MPC方法在应对保证高渗透分布式电源及负荷随机性较强情况下存在的不足。
图12为11:00～13:15时段的预测时域及控制间隔的自适应调整情况，11：00时，电网出现电压越限情况，控制间隔缩短至5min；11:40时，预测电压误差较大，预测时域缩短至5min；12:55时，不仅预测电压误差较大，而且电网出现电压越限的情况，预测时域及控制间隔同时缩短至5min。经分析可知，当预测电压误差较大时，改进MPC优化方法自适应缩短了预测时域的长度，提高了优化调度方法的准确性。当电网出现电压越限问题时，改进MPC方法将控制间隔自适应缩短，及时处理电压越限问题，提升电网运行的安全性。综上，改进MPC优化方法通过对预测时域及控制间隔的自适应调整，可以很好地应对柔性互联配电网中预测电压误差及出现的电压越限问题，且充分发挥了柔性互联配电网中VSC-MTDC快速灵活的功率调节能力。
表5是自适应域参数和恒定域参数两种优化方法的对比情况，比较了整个优化过程的计算时长，以及电压越限时段两种优化方法的电压评价指标VI。从表中可以看出，本发明提出的自适应域参数方法能够在优化过程中根据电压状态缩短控制间隔的长度，加快电压越限节点的恢复速度，减少优化过程的计算时间。
表5优化效果对比
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。
本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现所述柔性互联配电网的优化调度方法。
本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述柔性互联配电网的优化调度方法。
本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：确定所述柔性互联配电网的柔性互联装置；以所述柔性互联装置换流器的有功无功功率作为决策变量，以所述柔性互联配电网的综合供电成本和电压偏差最小作为优化目标，并依据经典模型预测控制(经典MPC)，建立柔性互联配电网的日内优化调度模型，其中，所述日内优化调度模型包括：预测模型和滚动优化，所述预测模型为采用电压灵敏度的方法，对柔性互联配电网中各节点电压进行预测，所述滚动优化为采用自适应动态权重方法处理包含综合供电成本和电压偏差的多目标优化问题。
可选的，所述优化调度方法，还包括：在所述日内优化调度模型的预测模型部分采用动态场景生成方法和K-means聚类场景削减方法；在所述日内优化调度模型的滚动优化部分对域参数进行自使用调整。
可选的，所述柔性互联配电网的柔性互联装置为多端背靠背柔性直流(VSC-MTDC)，其中，所述多端背靠背柔性直流的主换流器采用定UdcQ控制，其中，Udc为直流母线电压，Q为端口输出无功；所述多端背靠背柔性直流的从换流器采用定PQ控制，其中，P端口输出有功；且所述多端背靠背柔性直流的换流器输出无功功率互不影响，仅满足各自容量约束。
可选的，采用电压灵敏度的方法，对柔性互联配电网中各节点电压进行预测，包括：分别对潮流方程各节点电压幅值和相位求偏导，得到雅克比矩阵J；对J求逆，得到各节点电压相对于各节点注入有功、无功功率的灵敏度矩阵；由所述各节点电压相对于各节点注入有功、无功功率的灵敏度矩阵，确定各节点的预测电压值。
可选的，采用自适应动态权重方法处理包含综合供电成本和电压偏差的多目标优化问题，包括：将所述滚动优化部分的目标函数中的子目标函数F1与F2通过加权求和的方法聚合为单一函数，所述目标函数如下：
式中：t0为当前时段；PΔt为预测时域；F1为综合供电成本最低目标函数；F2为电压偏差最小目标函数；n为系统中各节点编号；f1(t)和f2(t)分别为t时段购电成本和网损成本；Ci(t)、PSTi(t)、PDGi(t)、PDi(t)分别为t时段节点i的母线节点电价、馈线出口功率、分布式电源有功出力和负荷有功功率；Cw(t)为t时段网损成本的电价；
采用自适应动态权重优化方法，根据柔性互联配电网运行情况自适应调整两目标之间的权重分配，并对各目标函数进行标幺化处理，使其量纲相同，以建立总目标函数F，所述总目标函数F如下：
式中：α为自适应权重，与优化目标函数F2成线性相关，通过目标函数与最大允许值的比值客观地动态调整多目标之间的权重关系；ε1与ε2恒正，其取值反映了运行人员对各目标权重的主观要求；F2max和F1max分别为电压偏差和综合供电成本的最大值。
可选的，在所述日内优化调度模型的预测模型部分采用动态场景生成方法，包括：通过等概率逆变换将服从多元联合标准正态分布的随机变量序列转换成具有相关性的保证高渗透分布式电源和负荷误差序列，其中，在逆变换的过程中，以预测值为中心生成各时段的预测箱；统计各个预测箱内保证高渗透分布式电源和负荷预测误差的累积经验概率分布函数；通过计算各误差场景值与预测值之和，得到动态场景集。
可选的，在所述日内优化调度模型的预测模型部分采用K-means聚类场景削减方法，包括：随机选取部分场景作为簇心，得到簇心场景集；根据簇心场景集合确定剩余场景集合，并计算剩余场景到簇心场景的距离；根据距离矩阵将剩余场景归类到最近的簇心；根据簇心计算方法重新确定簇心集合，以此重复计算，直到簇心和聚类结果不再变化，场景削减结束，得到典型场景集。
可选的，在所述日内优化调度模型的滚动优化部分对域参数进行自使用调整，包括：基于电压预测误差以及优化计算时间，自适应调整预测时域；以及基于电网安全运行恢复速度、优化计算时长和控制误差，自适应调整控制间隔长度。
可选的，基于电压预测误差以及优化计算时间，自适应调整预测时域，基于如下公式实现，
式中：t表示当前时刻；
表示MPC初始预测时域步长；预测时域的步长根据t时刻各节点预测电压误差之和g1,t进行调整；
和
分别为t时刻节点i电压预测值及实际值；h1为关于g1,t的函数；预测时域随h1的变化而变化；g1,t.max表示最大电压预测偏差。
可选的，基于电压预测误差以及优化计算时间，自适应调整预测时域，包括：根据电网实际电压及柔性互联装置控制误差和优化计算时间，mt进行自适应调整，其中，所述单个初始控制间隔由m0个最小采样间隔组成，t时刻单个控制间隔由mt个最小采样间隔组成，具体公式如下：
式中：g2,t表示t时刻节点电压越限值与柔性互联装置控制偏差之和；m表示滚动优化次数；
和
分别为t时刻柔性互联装置端口功率参考值和实测值；
和U分别表示节点电压的上、下限；h2为关于g2,t的函数，控制间隔随h2的变化而变化；g2,t.max表示节点电压越限值与柔性互联装置控制偏差之和最大值。本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：确定所述柔性互联配电网的柔性互联装置；以所述柔性互联装置换流器的有功无功功率作为决策变量，以所述柔性互联配电网的综合供电成本和电压偏差最小作为优化目标，并依据经典模型预测控制(经典MPC)，建立柔性互联配电网的日内优化调度模型，其中，所述日内优化调度模型包括：预测模型和滚动优化，所述预测模型为采用电压灵敏度的方法，对柔性互联配电网中各节点电压进行预测，所述滚动优化为采用自适应动态权重方法处理包含综合供电成本和电压偏差的多目标优化问题。
可选的，所述优化调度方法，还包括：在所述日内优化调度模型的预测模型部分采用动态场景生成方法和K-means聚类场景削减方法；在所述日内优化调度模型的滚动优化部分对域参数进行自使用调整。
可选的，所述柔性互联配电网的柔性互联装置为多端背靠背柔性直流(VSC-MTDC)，其中，所述多端背靠背柔性直流的主换流器采用定UdcQ控制，其中，Udc为直流母线电压，Q为端口输出无功；所述多端背靠背柔性直流的从换流器采用定PQ控制，其中，P端口输出有功；且所述多端背靠背柔性直流的换流器输出无功功率互不影响，仅满足各自容量约束。
可选的，采用电压灵敏度的方法，对柔性互联配电网中各节点电压进行预测，包括：分别对潮流方程各节点电压幅值和相位求偏导，得到雅克比矩阵J；对J求逆，得到各节点电压相对于各节点注入有功、无功功率的灵敏度矩阵；由所述各节点电压相对于各节点注入有功、无功功率的灵敏度矩阵，确定各节点的预测电压值。
可选的，采用自适应动态权重方法处理包含综合供电成本和电压偏差的多目标优化问题，包括：将所述滚动优化部分的目标函数中的子目标函数F1与F2通过加权求和的方法聚合为单一函数，所述目标函数如下：
式中：t0为当前时段；PΔt为预测时域；F1为综合供电成本最低目标函数；F2为电压偏差最小目标函数；n为系统中各节点编号；f1(t)和f2(t)分别为t时段购电成本和网损成本；Ci(t)、PSTi(t)、PDGi(t)、PDi(t)分别为t时段节点i的母线节点电价、馈线出口功率、分布式电源有功出力和负荷有功功率；Cw(t)为t时段网损成本的电价；
采用自适应动态权重优化方法，根据柔性互联配电网运行情况自适应调整两目标之间的权重分配，并对各目标函数进行标幺化处理，使其量纲相同，以建立总目标函数F，所述总目标函数F如下：
式中：α为自适应权重，与优化目标函数F2成线性相关，通过目标函数与最大允许值的比值客观地动态调整多目标之间的权重关系；ε1与ε2恒正，其取值反映了运行人员对各目标权重的主观要求；F2max和F1max分别为电压偏差和综合供电成本的最大值。
可选的，在所述日内优化调度模型的预测模型部分采用动态场景生成方法，包括：通过等概率逆变换将服从多元联合标准正态分布的随机变量序列转换成具有相关性的保证高渗透分布式电源和负荷误差序列，其中，在逆变换的过程中，以预测值为中心生成各时段的预测箱；统计各个预测箱内保证高渗透分布式电源和负荷预测误差的累积经验概率分布函数；通过计算各误差场景值与预测值之和，得到动态场景集。
可选的，在所述日内优化调度模型的预测模型部分采用K-means聚类场景削减方法，包括：随机选取部分场景作为簇心，得到簇心场景集；根据簇心场景集合确定剩余场景集合，并计算剩余场景到簇心场景的距离；根据距离矩阵将剩余场景归类到最近的簇心；根据簇心计算方法重新确定簇心集合，以此重复计算，直到簇心和聚类结果不再变化，场景削减结束，得到典型场景集。
可选的，在所述日内优化调度模型的滚动优化部分对域参数进行自使用调整，包括：基于电压预测误差以及优化计算时间，自适应调整预测时域；以及基于电网安全运行恢复速度、优化计算时长和控制误差，自适应调整控制间隔长度。
可选的，基于电压预测误差以及优化计算时间，自适应调整预测时域，基于如下公式实现，
式中：t表示当前时刻；
表示MPC初始预测时域步长；预测时域的步长根据t时刻各节点预测电压误差之和g1,t进行调整；
和
分别为t时刻节点i电压预测值及实际值；h1为关于g1,t的函数；预测时域随h1的变化而变化；g1,t.max表示最大电压预测偏差。
可选的，基于电压预测误差以及优化计算时间，自适应调整预测时域，包括：根据电网实际电压及柔性互联装置控制误差和优化计算时间，mt进行自适应调整，其中，所述单个初始控制间隔由m0个最小采样间隔组成，t时刻单个控制间隔由mt个最小采样间隔组成，具体公式如下：
式中：g2,t表示t时刻节点电压越限值与柔性互联装置控制偏差之和；m表示滚动优化次数；
和
分别为t时刻柔性互联装置端口功率参考值和实测值；
和U分别表示节点电压的上、下限；h2为关于g2,t的函数，控制间隔随h2的变化而变化；g2,t.max表示节点电压越限值与柔性互联装置控制偏差之和最大值。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (8)
1.一种柔性互联配电网的优化调度方法，其特征在于，包括：
确定所述柔性互联配电网的柔性互联装置；
以所述柔性互联装置换流器的有功无功功率作为决策变量，以所述柔性互联配电网的综合供电成本和电压偏差最小作为优化目标，并依据经典模型预测控制MPC，建立柔性互联配电网的日内优化调度模型，其中，所述日内优化调度模型包括：预测模型和滚动优化，所述预测模型为采用电压灵敏度的方法，对柔性互联配电网中各节点电压进行预测，所述滚动优化为采用自适应动态权重方法处理包含综合供电成本和电压偏差的多目标优化问题；
其中，所述优化调度方法，还包括：在所述日内优化调度模型的预测模型部分采用动态场景生成方法和K-means聚类场景削减方法；在所述日内优化调度模型的滚动优化部分对域参数进行自适应调整；
其中，在所述日内优化调度模型的滚动优化部分对域参数进行自适应调整，包括：基于电压预测误差以及优化计算时间，自适应调整预测时域；以及基于电网安全运行恢复速度、优化计算时长和控制误差，自适应调整控制间隔长度。
2.根据权利要求1所述的优化调度方法，其特征在于，所述柔性互联配电网的柔性互联装置为多端背靠背柔性直流VSC-MTDC，其中，
所述多端背靠背柔性直流的主换流器采用定UdcQ控制，其中，Udc为直流母线电压，Q为端口输出无功；
所述多端背靠背柔性直流的从换流器采用定PQ控制，其中，P端口输出有功；
且所述多端背靠背柔性直流的换流器输出无功功率互不影响，仅满足各自容量约束。
3.根据权利要求1所述的优化调度方法，其特征在于，采用电压灵敏度的方法，对柔性互联配电网中各节点电压进行预测，包括：
分别对潮流方程各节点电压幅值和相位求偏导，得到雅克比矩阵J；
对J求逆，得到各节点电压相对于各节点注入有功、无功功率的灵敏度矩阵；
由所述各节点电压相对于各节点注入有功、无功功率的灵敏度矩阵，确定各节点的预测电压值。
4.根据权利要求1所述的优化调度方法，其特征在于，在所述日内优化调度模型的预测模型部分采用动态场景生成方法，包括：
通过等概率逆变换将服从多元联合标准正态分布的随机变量序列转换成具有相关性的保证高渗透分布式电源和负荷误差序列，其中，在逆变换的过程中，以预测值为中心生成各时段的预测箱；
统计各个预测箱内保证高渗透分布式电源和负荷预测误差的累积经验概率分布函数；
通过计算各误差场景值与预测值之和，得到动态场景集。
5.根据权利要求1所述的优化调度方法，其特征在于，在所述日内优化调度模型的预测模型部分采用K-means聚类场景削减方法，包括：
随机选取部分场景作为簇心，得到簇心场景集；
根据簇心场景集合确定剩余场景集合，并计算剩余场景到簇心场景的距离；
根据距离矩阵将剩余场景归类到最近的簇心；
根据簇心计算方法重新确定簇心集合，以此重复计算，直到簇心和聚类结果不再变化，场景削减结束，得到典型场景集。
6.根据权利要求1所述的优化调度方法，其特征在于，基于电压预测误差以及优化计算时间，自适应调整预测时域，基于如下公式实现，
式中：t表示当前时刻；
表示MPC初始预测时域步长；预测时域的步长根据t时刻各节点预测电压误差之和g1,t进行调整；
和
分别为t时刻节点i电压预测值及实际值；h1为关于g1,t的函数；预测时域随h1的变化而变化；g1,t.max表示最大电压预测偏差。
7.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，所述程序执行权利要求1至6中任意一项所述的柔性互联配电网的优化调度方法。
8.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至6中任意一项所述的柔性互联配电网的优化调度方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911340108.4A CN111092429B (zh) | 2019-12-23 | 2019-12-23 | 一种柔性互联配电网的优化调度方法、存储介质及处理器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911340108.4A CN111092429B (zh) | 2019-12-23 | 2019-12-23 | 一种柔性互联配电网的优化调度方法、存储介质及处理器 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111092429A CN111092429A (zh) | 2020-05-01 |
| CN111092429B true CN111092429B (zh) | 2022-02-08 |
Family
ID=70395921
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911340108.4A Active CN111092429B (zh) | 2019-12-23 | 2019-12-23 | 一种柔性互联配电网的优化调度方法、存储介质及处理器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111092429B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111612232B (zh) * | 2020-05-13 | 2023-08-18 | 云南电网有限责任公司电力科学研究院 | 基于梯度下降的配电网线路重跳概率预测优化方法和装置 |
| CN111832836B (zh) * | 2020-07-23 | 2021-05-28 | 广东电网有限责任公司 | 一种计及负荷用电特性的配电网重构方法及系统 |
| CN112165103B (zh) * | 2020-09-25 | 2022-08-19 | 国网青海省电力公司果洛供电公司 | 一种稀疏偏远地区供电线路延伸的电力电子调压器配置方法 |
| CN112688328B (zh) * | 2020-12-04 | 2024-02-13 | 国网江苏省电力有限公司连云港供电分公司 | 一种交直流混合微电网时间协调能量优化配置方法 |
| CN112952875B (zh) * | 2021-01-26 | 2023-05-05 | 广东电网有限责任公司 | 用户侧电池储能系统保护方法、装置、设备及存储介质 |
| CN112994040B (zh) * | 2021-02-26 | 2022-06-14 | 广东电网有限责任公司韶关供电局 | 一种变压器电压调节方法及变压器 |
| CN113326474B (zh) * | 2021-05-31 | 2022-05-31 | 山东大学 | 互联大电网雅可比矩阵元素调控灵敏度优化计算方法及系统 |
| CN113394805B (zh) * | 2021-07-26 | 2024-03-22 | 国网江苏省电力有限公司 | 基于自适应动态更新的柔性互联配电网日内滚动优化方法 |
| CN114358447B (zh) * | 2022-03-21 | 2022-06-28 | 中国长江三峡集团有限公司 | 一种柔性互联装置配置方法、装置、电子设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109274134A (zh) * | 2018-11-08 | 2019-01-25 | 东南大学 | 一种基于时间序列场景分析的主动配电网鲁棒有功无功协调优化方法 |
| CN109861202A (zh) * | 2018-11-15 | 2019-06-07 | 国网江苏省电力有限公司电力科学研究院 | 一种柔性互联配电网动态优化调度方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102175167B1 (ko) * | 2018-05-09 | 2020-11-05 | 서강대학교 산학협력단 | K-평균 클러스터링 기반의 데이터 마이닝 시스템 및 이를 이용한 k-평균 클러스터링 방법 |
-
2019
- 2019-12-23 CN CN201911340108.4A patent/CN111092429B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109274134A (zh) * | 2018-11-08 | 2019-01-25 | 东南大学 | 一种基于时间序列场景分析的主动配电网鲁棒有功无功协调优化方法 |
| CN109861202A (zh) * | 2018-11-15 | 2019-06-07 | 国网江苏省电力有限公司电力科学研究院 | 一种柔性互联配电网动态优化调度方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| 基于动态场景集和需求响应的二阶段随机规划调度模型;仉梦林等;《电力系统自动化》;20170610;第41卷(第11期);第68-75页 * |
| 基于改进模型预测控制的微电网能量管理策略;窦晓波等;《电力系统自动化》;20171125;第41卷(第22期);全文 * |
| 背靠背柔性直流互联的有源配电网合环优化运行;葛乐等;《电力系统自动化》;20170325;第41卷(第6期);第135-140页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111092429A (zh) | 2020-05-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111092429B (zh) | 一种柔性互联配电网的优化调度方法、存储介质及处理器 | |
| Das et al. | Optimal placement of distributed energy storage systems in distribution networks using artificial bee colony algorithm | |
| Ma et al. | Optimal allocation of hybrid energy storage systems for smoothing photovoltaic power fluctuations considering the active power curtailment of photovoltaic | |
| US11326579B2 (en) | Adaptive dynamic planning control method and system for energy storage station, and storage medium | |
| CN109861202B (zh) | 一种柔性互联配电网动态优化调度方法及系统 | |
| CN109995089B (zh) | 一种分布式电源消纳能力评估方法及系统 | |
| Sayadi et al. | Two‐layer volt/var/total harmonic distortion control in distribution network based on PVs output and load forecast errors | |
| Zhang et al. | An intelligent hybrid model for power flow optimization in the cloud-IOT electrical distribution network | |
| Tian et al. | Coordinated planning with predetermined renewable energy generation targets using extended two-stage robust optimization | |
| Guo et al. | Two‐stage optimal MPC for hybrid energy storage operation to enable smooth wind power integration | |
| Arshad et al. | A comprehensive voltage control strategy with voltage flicker compensation for highly PV penetrated distribution networks | |
| Yilmaz et al. | State-based Volt/VAR control strategies for active distribution networks | |
| Bedawy et al. | An effective coordination strategy for voltage regulation in distribution system containing high intermittent photovoltaic penetrations | |
| Nassaj et al. | An accelerated preventive agent based scheme for postdisturbance voltage control and loss reduction | |
| Long et al. | Bi-level Volt/VAR optimization in distribution networks with smart PV inverters | |
| CN110994589B (zh) | 电力电子接入电力系统调频能力在线评价方法及系统 | |
| CN115313403A (zh) | 一种基于深度强化学习算法的实时电压调控方法 | |
| Hatata et al. | Centralized control method for voltage coordination challenges with OLTC and D-STATCOM in smart distribution networks based IoT communication protocol | |
| CN113890016B (zh) | 数据驱动的配电网多时间尺度电压协调控制方法 | |
| Wada et al. | Load frequency control using distributed batteries on the demand side with communication characteristics | |
| CN117293853A (zh) | 基于边缘计算的光伏配电网无功优化控制方法和系统 | |
| Khosravifard et al. | Risk‐based available transfer capability assessment including nondispatchable wind generation | |
| Wang et al. | Decentralized and multi-objective coordinated optimization of hybrid AC/DC flexible distribution networks | |
| CN116683434A (zh) | 考虑光伏电站并网要求及储能荷电状态的储能调用方法 | |
| CN116169723A (zh) | 一种平抑光伏发电不确定性的电压控制方法及相关装置 |
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 |