CN111224404A - 含可控移相器的电力系统潮流快速控制方法 - Google Patents

含可控移相器的电力系统潮流快速控制方法 Download PDF

Info

Publication number
CN111224404A
CN111224404A CN202010265247.1A CN202010265247A CN111224404A CN 111224404 A CN111224404 A CN 111224404A CN 202010265247 A CN202010265247 A CN 202010265247A CN 111224404 A CN111224404 A CN 111224404A
Authority
CN
China
Prior art keywords
node
power
phase shifter
fault
controllable phase
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
Application number
CN202010265247.1A
Other languages
English (en)
Other versions
CN111224404B (zh
Inventor
李群
卫志农
刘建坤
李文平
张宁宇
李嘉翔
刘力强
李程
赵静波
张恪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hohai University HHU
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Hohai University HHU
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hohai University HHU, Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd filed Critical Hohai University HHU
Priority to CN202010265247.1A priority Critical patent/CN111224404B/zh
Publication of CN111224404A publication Critical patent/CN111224404A/zh
Application granted granted Critical
Publication of CN111224404B publication Critical patent/CN111224404B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供一种含可控移相器的电力系统潮流快速控制方法，该方法基于深度学习对含可控移相器的电力系统数据进行处理，旨在系统发生越限故障时给出快速潮流控制策略。首先基于深度学习建立故障识别模型，以系统故障时刻支路越限信息、潮流数据和节点调整状态为输入输出进行训练，识别故障后节点参与调整范围；然后，利用优化规划法，以确定的调整范围节点为寻优空间，进行系统安全校正优化计算，求得各节点有功、无功调整量。该潮流控制方法减少优化计算规模，在保证计算准确性的同时大大降低计算时间，可为电网调度人员在含可控移相器系统发生越限故障时提供指导性调整策略。

Description

含可控移相器的电力系统潮流快速控制方法
技术领域
本发明涉及电力系统潮流控制领域，具体涉及一种含可控移相器的电力系统潮流快速控制方法。
背景技术
电力系统有功安全校正是维持系统安全稳定运行的重要手段，其在系统线路发生过载时，通过调整发电机出力和切除相应负荷等手段改变节点注入功率，从而消除越限故障。目前，有功安全校正问题的求解方法或者说潮流控制方法主要分为灵敏度类方法和优化类方法，两种方法各有优劣，其中灵敏度类方法计算难度小，求解效率高，不存在收敛性的问题，且较易实现调整设备数量尽可能最少的控制目标，但此类方法受灵敏度计算精度的影响较大，平衡节点的不同会直接影响计算结果，且其往往忽略了无功功率的影响，所得控制策略的经济性和安全性可能无法满足系统的要求。而优化类方法则与前者恰恰相反，其计算效率较差，但所得控制策略的安全性和经济性较灵敏度类方法均有一定提升。
当前，随着电网互联规模逐渐扩大，网架结构日趋复杂，电网运行以及稳定控制面临严峻考验。可控移相器因其在工作时能够对线路潮流实施调节和控制，因而在电力系统中得到了广泛应用，然而对于含可控移相器的电力系统在运行中出现电压越限或者支路潮流越限故障时，如何充分发挥可控移相器的调控能力，采取相应的快速有效的潮流控制策略，保障电网安全运行，是亟需解决的技术问题。
发明内容
本发明的目的是：针对现有技术中存在的问题，提供一种含可控移相器的电力系统潮流快速控制方法，该方法既能满足系统控制策略的安全性和经济性要求，还可以提高求解效率，解决现有技术中优化类安全校正算法存在的收敛性问题。
本发明的技术方案是：本发明的含可控移项器的电力系统快速控制方法，包括以下步骤：
①建立基于深度学习网络的故障识别模型：
建立共有7层的基于深度学习网络的故障识别模型，其中第一层为输入层，第二层为系数0.5的Dropout层，第三至第六层为隐藏层，第七层为输出层；所述输入层为电力系统出现越限故障的支路信息和故障时刻潮流数据；输出层为节点调整量0或1；输入层和各隐藏层均采用激活函数ReLU，输出层采用激活函数Sigmoid；参数设置为：初始学习率0.05，批次大小500，迭代次数200；
②按照故障时所需调整的设备数最少且调整量最小的原则，人为设置含可控移相器的电力系统中不同支路发生不同程度的越限故障，相应获取越限故障时电力系统的潮流数据，形成步骤①所建立的基于深度学习网络的故障识别模型训练用的输入样本数据集；
③利用步骤②中所得输入样本数据集中的数据，采用电力系统有功安全校正的传统优化法计算对含可控移相器的电力系统潮流快速控制后各相应节点的调整状态，形成步骤①所建立的基于深度学习网络的故障识别模型训练用的输出样本数据集；
④以步骤②所得输入样本数据集中的数据为输入，以步骤③所得输出样本数据集中相应的数据为输出，对步骤①所建立的基于深度学习网络的故障识别模型进行训练；对训练的模型根据精确率、召回率等进行误差验证；并将训练好的模型作为可用的基于深度学习网络的故障识别模型予以保存；
⑤建立含可控移相器的电力系统潮流快速控制模型：
其中，单目标优化模型的目标函数为：
Figure 100002_DEST_PATH_IMAGE001
（1）
式中，
Figure 418041DEST_PATH_IMAGE002
用于计算潮流快速控制过程的调整节点数，
Figure 100002_DEST_PATH_IMAGE003
为表征节点调整状态的整数变量，若某一节点参与调节用1表示，反之用0表示；
Figure 663078DEST_PATH_IMAGE004
用于计算潮流快速控制过程的节点调整量，
Figure 100002_DEST_PATH_IMAGE005
、
Figure 973974DEST_PATH_IMAGE006
分别表征节点的有功、无功调整量，
Figure 100002_DEST_PATH_IMAGE007
为系统需要调整的节点个数，
Figure 634762DEST_PATH_IMAGE008
和
Figure 100002_DEST_PATH_IMAGE009
分别表示节点调整状态权重和节点优化调整量权重；
约束条件为：
Figure 777030DEST_PATH_IMAGE010
（2）
Figure 100002_DEST_PATH_IMAGE011
（3）
其中，式（2）为节点功率平衡约束，式（3）为节点可调量约束；式中：
Figure 865072DEST_PATH_IMAGE012
、
Figure 100002_DEST_PATH_IMAGE013
表征发电机节点的初始出力，
Figure 460002DEST_PATH_IMAGE014
、
Figure 100002_DEST_PATH_IMAGE015
表征节点初始负荷，
Figure 924481DEST_PATH_IMAGE016
、
Figure 100002_DEST_PATH_IMAGE017
分别表征导纳矩阵中对应元素的实部和虚部；式（3）中
Figure 921256DEST_PATH_IMAGE018
、
Figure 100002_DEST_PATH_IMAGE019
分别表征节点i的可调功率最大、最小值，
Figure 180199DEST_PATH_IMAGE020
、
Figure 100002_DEST_PATH_IMAGE021
分别表示节点i的初始有功功率和无功功率，
Figure 262424DEST_PATH_IMAGE022
表示节点有功调整量，
Figure 100002_DEST_PATH_IMAGE023
、
Figure 265015DEST_PATH_IMAGE024
分别表示表示节点i、j的电压幅值，
Figure 100002_DEST_PATH_IMAGE025
表示节点i和节点j之间的电压相角差，i、j为各需要调节切点所在线路的首末端节点；
Figure 122156DEST_PATH_IMAGE026
（4）
式（4）为含可控移相器支路功率平衡约束，式中，
Figure 100002_DEST_PATH_IMAGE027
表征节点i上发电机有功功率、
Figure 817580DEST_PATH_IMAGE028
表征可控移项器引起的附加注入有功功率、
Figure 100002_DEST_PATH_IMAGE029
表征节点i上负荷节点有功功率；
Figure 387101DEST_PATH_IMAGE030
、
Figure 100002_DEST_PATH_IMAGE031
和
Figure 193383DEST_PATH_IMAGE032
对应表征相关无功功率；
Figure 100002_DEST_PATH_IMAGE033
和
Figure 102433DEST_PATH_IMAGE034
分别表征节点导纳矩阵中位置为i-j元素的实部和虚部；
Figure 100002_DEST_PATH_IMAGE035
（5）
式（5）为可控移相器容量约束，式中，
Figure 765496DEST_PATH_IMAGE036
表示可控移相器等效串联电压源电压，
Figure 100002_DEST_PATH_IMAGE037
表示可控移项器串联支路末端节点电压，
Figure 759997DEST_PATH_IMAGE038
表示引入虚拟节点P的电压，
Figure 100002_DEST_PATH_IMAGE039
、
Figure 166707DEST_PATH_IMAGE040
表示可控移相器所在线路的电导和电納，
Figure 100002_DEST_PATH_IMAGE041
表示可控移相器串联侧容量上限；
⑥当含可控移相器的电力系统发生潮流故障时，将故障时刻系统潮流数据和故障信息输入步骤④所得可用的基于深度学习网络的故障识别模型，将输出结果为1的节点构成需调整节点集合，利用步骤⑤建立的含可控移相器的电力系统潮流快速控制模型，对需调整节点集合内各节点进行调整量优化计算，得到各节点的调整量，并根据计算结果对节点实施相应的调整；
⑦检查经步骤⑥调整后含可控移相器的电力系统是否还存在越限问题，若有，重复步骤⑥，若无，则判断系统经过快速控制达到稳定状态。
进一步的方案是：上述步骤⑤中单目标优化模型的目标函数中节点调整状态权重
Figure 930264DEST_PATH_IMAGE042
取值1，节点优化调整量权重
Figure DEST_PATH_IMAGE043
取值为100。
本发明具有积极的效果：本发明的含可控移项器的电力系统潮流快速控制方法，其通过建立基于深度学习网络的故障识别模型并利用大量历史数据对模型进行深度学习训练使之成为故障时可用模型，在系统出现越限故障时，利用训练好的故障识别模型可快速确定线路中需要调整的节点，并对确定的需要调整的节点采用所建的含可控移相器的电力系统潮流快速控制模型计算节点的调整量，进而根据计算结构对节点实施调整，从而实现故障时对含可控移项器的电力系统潮流快速控制。本发明的方法在满足电力系统控制策略安全性和经济性要求的前提下，相对于现有技术中优化类方法，在对故障实施控制时，计算时间大大缩短，且不会出现迭代无解情况，更具有实用价值。
附图说明
图1为本发明的方法流程图；
图2为装有可控移相器的输电线路示意图；
图3为可控移相器节点注入功率模型示意图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
（实施例1）
见图1，本实施例的含可控移相器的电力系统潮流快速控制方法，依以下步骤实施：
①建立基于深度学习网络的故障识别模型：
建立共有7层的基于深度学习网络的故障识别模型，其中第一层为输入层，第二层为系数0.5的Dropout层，第三至第六层为隐藏层，第七层为输出层；所述输入层为电力系统出现越限故障的支路信息和故障时刻潮流数据；输出层为节点调整量0或1；输入层和各隐藏层均采用激活函数ReLU，输出层采用激活函数Sigmoid；参数设置为：初始学习率0.05，批次大小500，迭代次数200。
所建立的基于深度学习网络的故障识别模型为二分类模型，输出结果通过阈值判定为0或1，其中输出0表示节点不需参与调整，输出1表示节点需参与调整，所建立的模型的结构和参数如表1所示：
表1
Figure 29807DEST_PATH_IMAGE044
②按照故障时所需调整的设备数最少且调整量最小的原则，人为设置含可控移相器的电力系统中不同支路发生不同程度的越限故障，相应获取越限故障时电力系统的潮流数据，形成步骤①所建立的基于深度学习网络的故障识别模型训练用的输入样本数据集。
具体做法是：根据系统的日负荷曲线，每个小时取一组潮流数据，并对系统人为设定越限，设置每条支路越线额为超过其自身热稳定限值的1%-40%，以达到模拟大多数支路越限情况。
③利用步骤②中所得输入样本数据集中的数据，采用电力系统有功安全校正的传统优化法计算对含可控移相器的电力系统潮流快速控制后各相应节点的调整状态，形成步骤①所建立的基于深度学习网络的故障识别模型训练用的输出样本数据集。
具体做是在进行系统潮流快速控制计算时，应用优化软件GAMS的DICOPT求解器获取潮流快速控制问题的最优解，构成输出样本数据集。
④以步骤②所得输入样本数据集中的数据为输入，以步骤③所得输出样本数据集中相应的数据为输出，对步骤①所建立的基于深度学习网络的故障识别模型进行训练；对训练的模型根据精确率、召回率等进行误差验证；并将训练好的模型作为可用的基于深度学习网络的故障识别模型予以保存。
随机抽取一些发电机节点和负荷节点，其各项误差指标及AUC值见表2。表2中数据显示在训练的所有模型中，平均训练误差保持在1.82%以内，平均验证误差也可保持在1.36%以内，因此利用深度学习进行故障识别模型训练时，可以保持较高精度。
表2 故障识别模型各项误差
Figure DEST_PATH_IMAGE045
⑤建立含可控移相器的电力系统潮流快速控制模型：
其中，单目标优化模型的目标函数为：
Figure 246025DEST_PATH_IMAGE046
（1）
式中，
Figure DEST_PATH_IMAGE047
用于计算潮流快速控制过程的调整节点数，为表征节点调整状态的整数变量，若某一节点参与调节用1表示，反之用0表示；
Figure 456426DEST_PATH_IMAGE048
用于计算潮流快速控制过程的节点调整量，
Figure DEST_PATH_IMAGE049
、
Figure 340069DEST_PATH_IMAGE050
分别表征节点的有功、无功调整量，
Figure DEST_PATH_IMAGE051
为系统需要调整的节点个数，
Figure 548196DEST_PATH_IMAGE052
和
Figure DEST_PATH_IMAGE053
分别表示节点调整状态权重和节点优化调整量权重。
在保证系统安全性，且考虑一定的经济效益时，应尽可能优先调节发电机节点，而避免切负荷，由于调整所涉及的节点一般在10个以内，因此本实施例中可分别取
Figure 314027DEST_PATH_IMAGE054
和
Figure DEST_PATH_IMAGE055
的数值优选为1和100。
约束条件为：
Figure 223DEST_PATH_IMAGE056
（2）
Figure DEST_PATH_IMAGE057
（3）
其中，式（2）为节点功率平衡约束，式（3）为节点可调量约束；式中：
Figure 800689DEST_PATH_IMAGE058
、
Figure DEST_PATH_IMAGE059
表征发电机节点的初始出力，
Figure 179717DEST_PATH_IMAGE060
、
Figure DEST_PATH_IMAGE061
表征节点初始负荷，
Figure 432844DEST_PATH_IMAGE062
、
Figure DEST_PATH_IMAGE063
分别表征导纳矩阵中对应元素的实部和虚部；式（3）中
Figure 922731DEST_PATH_IMAGE064
、
Figure DEST_PATH_IMAGE065
分别表征节点i的可调功率最大、最小值，
Figure 312124DEST_PATH_IMAGE066
、
Figure DEST_PATH_IMAGE067
分别表示节点i的初始有功功率和无功功率，
Figure 862054DEST_PATH_IMAGE068
表示节点有功调整量，
Figure DEST_PATH_IMAGE069
、
Figure 823318DEST_PATH_IMAGE070
分别表示表示节点i、j的电压幅值，
Figure DEST_PATH_IMAGE071
表示节点i和节点j之间的电压相角差，i、j为各需要调节切点所在线路的首末端节点。
在潮流快速控制模型时需要考虑可控移相器因素，当可控移相器串联侧串联在输电线路i-j上时，如图2所示，图中
Figure 179213DEST_PATH_IMAGE072
和
Figure DEST_PATH_IMAGE073
表征首、末端电压，此时可控移相器用串联电压源和并联电流源等效，并在串联侧所在线路引入虚拟节点P。将其电压源支路利用诺顿定理可等效为图3所示的功率注入模型，此时，系统的功率平衡方程为：
Figure 626375DEST_PATH_IMAGE074
（4）
式（4）为含可控移相器支路功率平衡约束，式中，
Figure DEST_PATH_IMAGE075
表征节点i上发电机有功功率、
Figure 347206DEST_PATH_IMAGE076
表征可控移项器引起的附加注入有功功率、
Figure DEST_PATH_IMAGE077
表征节点i上负荷节点有功功率；
Figure 574925DEST_PATH_IMAGE078
、
Figure DEST_PATH_IMAGE079
和
Figure 406615DEST_PATH_IMAGE080
对应表征相关无功功率；
Figure DEST_PATH_IMAGE081
和
Figure 239442DEST_PATH_IMAGE082
分别表征节点导纳矩阵中位置为i-j元素的实部和虚部；
Figure DEST_PATH_IMAGE083
（5）
式（5）为可控移相器容量约束，式中，
Figure 927912DEST_PATH_IMAGE084
表示可控移相器等效串联电压源电压，
Figure DEST_PATH_IMAGE085
表示可控移项器串联支路末端节点电压，
Figure 580610DEST_PATH_IMAGE086
表示引入虚拟节点P的电压，
Figure DEST_PATH_IMAGE087
、
Figure 278308DEST_PATH_IMAGE088
表示可控移相器所在线路的电导和电納，
Figure DEST_PATH_IMAGE089
表示可控移相器串联侧容量上限。
⑥当含可控移相器的电力系统发生潮流故障时，将故障时刻系统潮流数据和故障信息输入步骤④所得可用的基于深度学习网络的故障识别模型，将输出结果为1的节点构成需调整节点集合，利用步骤⑤建立的含可控移相器的电力系统潮流快速控制模型，对需调整节点集合内各节点进行调整量优化计算，得到各节点的调整量，并根据计算结果对节点实施相应的调整；
⑦检查经步骤⑥调整后含可控移相器的电力系统是否还存在越限问题，若有，重复步骤⑥，若无，则判断系统经过快速控制达到稳定状态。
为验证本发明的可靠性，选取95节点等值系统进行测试，本发明的方法与传统优化类算法结果对比如表3所示。
表3 深度学习应用于系统潮流快速控制前后结果对比
Figure 700062DEST_PATH_IMAGE090
由表3数据可以看出，本发明应用深度学习进行潮流快速控制能够大幅缩短计算时间，大量减少寻优空间内节点个数，保证计算的准确性。在支路41-37出现25%越限时，尽管深度学习由于计算稍有误差导致寻优空间确定为6个节点（其中包括真正需要调整的三个节点和误判的三个节点），但节点调整量优化计算仍能在此寻优空间中寻找到准确的节点参与调整。
以上实施例是对本发明的具体实施方式的说明，而非对本发明的限制，有关技术领域的技术人员在不脱离本发明的精神和范围的情况下，还可以做出各种变换和变化而得到相对应的等同的技术方案，因此所有等同的技术方案均应该归入本发明的专利保护范围。

Claims (2)

1.一种含可控移相器的电力系统潮流快速控制方法，其特征在于，包括步骤：
①建立基于深度学习网络的故障识别模型：
建立共有7层的基于深度学习网络的故障识别模型，其中第一层为输入层，第二层为系数0.5的Dropout层，第三至第六层为隐藏层，第七层为输出层；所述输入层为电力系统出现越限故障的支路信息和故障时刻潮流数据；输出层为节点调整量0或1；输入层和各隐藏层均采用激活函数ReLU，输出层采用激活函数Sigmoid；参数设置为：初始学习率0.05，批次大小500，迭代次数200；
②按照故障时所需调整的设备数最少且调整量最小的原则，人为设置含可控移相器的电力系统中不同支路发生不同程度的越限故障，相应获取越限故障时电力系统的潮流数据，形成步骤①所建立的基于深度学习网络的故障识别模型训练用的输入样本数据集；
③利用步骤②中所得输入样本数据集中的数据，采用电力系统有功安全校正的传统优化法计算对含可控移相器的电力系统潮流快速控制后各相应节点的调整状态，形成步骤①所建立的基于深度学习网络的故障识别模型训练用的输出样本数据集；
④以步骤②所得输入样本数据集中的数据为输入，以步骤③所得输出样本数据集中相应的数据为输出，对步骤①所建立的基于深度学习网络的故障识别模型进行训练；对训练的模型根据精确率、召回率进行误差验证；并将训练好的模型作为可用的基于深度学习网络的故障识别模型予以保存；
⑤建立含可控移相器的电力系统潮流快速控制模型：
其中，单目标优化模型的目标函数为：
Figure DEST_PATH_IMAGE001
（1）
式中，
Figure DEST_PATH_IMAGE002
用于计算潮流快速控制过程的调整节点数，
Figure DEST_PATH_IMAGE003
为表征节点调整状态的整数变量，若某一节点参与调节用1表示，反之用0表示；
Figure DEST_PATH_IMAGE004
用于计算潮流快速控制过程的节点调整量，
Figure DEST_PATH_IMAGE005
分别表征节点的有功、无功调整量，
Figure DEST_PATH_IMAGE006
为系统需要调整的节点个数，
Figure DEST_PATH_IMAGE007
和
Figure DEST_PATH_IMAGE008
分别表示节点调整状态权重和节点优化调整量权重；
约束条件为：
Figure DEST_PATH_IMAGE009
（2）
Figure DEST_PATH_IMAGE010
（3）
其中，式（2）为节点功率平衡约束，式（3）为节点可调量约束；式中：
Figure DEST_PATH_IMAGE011
、
Figure DEST_PATH_IMAGE012
表征发电机节点的初始出力，
Figure DEST_PATH_IMAGE013
、
Figure DEST_PATH_IMAGE014
表征节点初始负荷，
Figure DEST_PATH_IMAGE015
、
Figure DEST_PATH_IMAGE016
分别表征导纳矩阵中对应元素的实部和虚部；式（3）中
Figure DEST_PATH_IMAGE017
、
Figure DEST_PATH_IMAGE018
分别表征节点i的可调功率最大、最小值，
Figure DEST_PATH_IMAGE019
、
Figure DEST_PATH_IMAGE020
分别表示节点i的初始有功功率和无功功率，
Figure DEST_PATH_IMAGE021
表示节点有功调整量，
Figure DEST_PATH_IMAGE022
、
Figure DEST_PATH_IMAGE023
分别表示表示节点i、j的电压幅值，
Figure DEST_PATH_IMAGE024
表示节点i和节点j之间的电压相角差，i、j为各需要调节切点所在线路的首末端节点；
Figure DEST_PATH_IMAGE025
（4）
式（4）为含可控移相器支路功率平衡约束，式中，
Figure DEST_PATH_IMAGE026
表征节点i上发电机有功功率、
Figure DEST_PATH_IMAGE027
表征可控移项器引起的附加注入有功功率、
Figure DEST_PATH_IMAGE028
表征节点i上负荷节点有功功率；
Figure DEST_PATH_IMAGE029
、
Figure DEST_PATH_IMAGE030
和
Figure DEST_PATH_IMAGE031
对应表征相关无功功率；
Figure DEST_PATH_IMAGE032
和
Figure DEST_PATH_IMAGE033
分别表征节点导纳矩阵中位置为i-j元素的实部和虚部；
Figure DEST_PATH_IMAGE034
（5）
式（5）为可控移相器容量约束，式中，
Figure DEST_PATH_IMAGE035
表示可控移相器效串联电压源电压，
Figure DEST_PATH_IMAGE036
表示可控移项器串联支路末端节点电压，
Figure DEST_PATH_IMAGE037
表示引入虚拟节点P的电压，
Figure DEST_PATH_IMAGE038
、
Figure DEST_PATH_IMAGE039
表示可控移相器所在线路的电导和电納，
Figure DEST_PATH_IMAGE040
表示可控移相器串联侧容量上限；
⑥当含可控移相器的电力系统发生潮流故障时，将故障时刻系统潮流数据和故障信息输入步骤④所得可用的基于深度学习网络的故障识别模型，将输出结果为1的节点构成需调整节点集合，利用步骤⑤建立的含可控移相器的电力系统潮流快速控制模型，对需调整节点集合内各节点进行调整量优化计算，得到各节点的调整量，并根据计算结果对节点实施相应的调整；
⑦检查经步骤⑥调整后含可控移相器的电力系统是否还存在越限问题，若有，重复步骤⑥，若无，则判断系统经过快速控制达到稳定状态。
2.根据权利要求1所述可控移相器的电力系统潮流快速控制方法，其特征在于：所述步骤⑤中单目标优化模型的目标函数中节点调整状态权重
Figure DEST_PATH_IMAGE041
取值1，节点优化调整量权重
Figure DEST_PATH_IMAGE042
取值为100。
CN202010265247.1A 2020-04-07 2020-04-07 含可控移相器的电力系统潮流快速控制方法 Active CN111224404B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010265247.1A CN111224404B (zh) 2020-04-07 2020-04-07 含可控移相器的电力系统潮流快速控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010265247.1A CN111224404B (zh) 2020-04-07 2020-04-07 含可控移相器的电力系统潮流快速控制方法

Publications (2)

Publication Number Publication Date
CN111224404A true CN111224404A (zh) 2020-06-02
CN111224404B CN111224404B (zh) 2020-07-14

Family

ID=70827277

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010265247.1A Active CN111224404B (zh) 2020-04-07 2020-04-07 含可控移相器的电力系统潮流快速控制方法

Country Status (1)

Country Link
CN (1) CN111224404B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112787331A (zh) * 2021-01-27 2021-05-11 中国电力科学研究院有限公司 基于深度强化学习的潮流收敛自动调整方法及系统
CN113659561A (zh) * 2021-07-01 2021-11-16 国网江苏省电力有限公司电力科学研究院 可控移相器参数优化配置方法、系统、介质及计算设备
CN113791363A (zh) * 2021-08-25 2021-12-14 国网江苏省电力有限公司电力科学研究院 一种短路电流计算方法、系统及存储介质
CN113904313A (zh) * 2021-09-30 2022-01-07 广东电网有限责任公司 一种含可控移相器的电力系统的短路电流抑制方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5907239A (en) * 1994-11-14 1999-05-25 Citeq Methods of enhancing capacity of transformer equipment and of power flow control using phase-shifting transformers and series impedances in parallel arrangements
US20040158772A1 (en) * 2002-12-23 2004-08-12 Abb,Inc. Value-based transmission asset maintenance management of electric power networks
CN103166217A (zh) * 2011-12-13 2013-06-19 浙江省电力公司 输电网移相器优化配置方法
CN109245105A (zh) * 2018-09-06 2019-01-18 国电南瑞科技股份有限公司 一种分布式潮流控制方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5907239A (en) * 1994-11-14 1999-05-25 Citeq Methods of enhancing capacity of transformer equipment and of power flow control using phase-shifting transformers and series impedances in parallel arrangements
US20040158772A1 (en) * 2002-12-23 2004-08-12 Abb,Inc. Value-based transmission asset maintenance management of electric power networks
CN103166217A (zh) * 2011-12-13 2013-06-19 浙江省电力公司 输电网移相器优化配置方法
CN109245105A (zh) * 2018-09-06 2019-01-18 国电南瑞科技股份有限公司 一种分布式潮流控制方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ZHIGANG LI等: ""Approximate Linear Power Flow Using Logarithmic Transform of Voltage Magnitudes With Reactive Power and Transmission Loss Consideration"", 《IEEE TRANSACTIONS ON POWER SYSTEMS》 *
康逸群等: ""计及可控移相器的电力系统潮流优化"", 《湖北电力》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112787331A (zh) * 2021-01-27 2021-05-11 中国电力科学研究院有限公司 基于深度强化学习的潮流收敛自动调整方法及系统
CN112787331B (zh) * 2021-01-27 2022-06-14 中国电力科学研究院有限公司 基于深度强化学习的潮流收敛自动调整方法及系统
CN113659561A (zh) * 2021-07-01 2021-11-16 国网江苏省电力有限公司电力科学研究院 可控移相器参数优化配置方法、系统、介质及计算设备
CN113659561B (zh) * 2021-07-01 2022-11-01 国网江苏省电力有限公司电力科学研究院 可控移相器参数优化配置方法、系统、介质及计算设备
CN113791363A (zh) * 2021-08-25 2021-12-14 国网江苏省电力有限公司电力科学研究院 一种短路电流计算方法、系统及存储介质
CN113904313A (zh) * 2021-09-30 2022-01-07 广东电网有限责任公司 一种含可控移相器的电力系统的短路电流抑制方法及装置
CN113904313B (zh) * 2021-09-30 2023-06-23 广东电网有限责任公司 一种含可控移相器的电力系统的短路电流抑制方法及装置

Also Published As

Publication number Publication date
CN111224404B (zh) 2020-07-14

Similar Documents

Publication Publication Date Title
CN111224404B (zh) 含可控移相器的电力系统潮流快速控制方法
CN110535146B (zh) 基于深度确定策略梯度强化学习的电力系统无功优化方法
CN103425878B (zh) 电力系统准动态潮流与电网运行态势快速计算方法
CN106786560A (zh) 一种电力系统稳定特征自动提取方法及装置
CN108090244B (zh) 一种并联型锂离子电池系统建模方法
CN110932281A (zh) 一种基于电网准稳态灵敏度的多断面协同校正方法和系统
CN114725982B (zh) 一种分布式光伏集群精细化划分及建模方法
CN107330573A (zh) 一种光伏系统关键设备的状态评估方法及装置
CN114726009A (zh) 一种考虑功率预测的风电场群无功分层优化控制方法及其系统
CN106410862B (zh) 基于有功恢复斜率校正的风电场单机等值方法
CN113364058A (zh) 一种配电网无功控制方法和系统
CN110943463A (zh) 一种基于深度学习储能电池参与的电网快速调频控制方法
CN107341567A (zh) 梯级水库群的库容置换计算方法
CN112165095B (zh) 一种基于群智能的低压配网无功优化方法
CN117293906A (zh) 一种基于重心理论的配电网分布式光伏承载力快速评估方法与系统
CN116488267B (zh) 一种基于建模的风电场无功容量极限仿真计算方法及装置
CN116995740A (zh) 一种配电网分布式风电及储能优化配置方法和系统
CN111293687A (zh) 一种基于三维粒子群算法的分布式电源选址定容的方法
CN111146782A (zh) 一种主动配电网分层的时变优化追踪方法
CN115048857A (zh) 一种基于cnn的暂稳极限传输功率的确定方法
CN115085260A (zh) 新能源场站聚合模型的振荡模式保真度评价方法
CN114744631A (zh) 一种基于非pmu配电网的数据驱动电压估计方法
CN113947502A (zh) 基于支持向量机的输电网规划评估方法及装置
WO2023272957A1 (zh) 一种储充站的控制策略优化方法及终端
CN114204613A (zh) 一种海上风电场接入电力系统的无功补偿方法和系统

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
GR01 Patent grant
GR01 Patent grant