CN111384726A - 一种高渗透率光伏配电网分区调压方法 - Google Patents
一种高渗透率光伏配电网分区调压方法 Download PDFInfo
- Publication number
- CN111384726A CN111384726A CN202010072656.XA CN202010072656A CN111384726A CN 111384726 A CN111384726 A CN 111384726A CN 202010072656 A CN202010072656 A CN 202010072656A CN 111384726 A CN111384726 A CN 111384726A
- Authority
- CN
- China
- Prior art keywords
- node
- photovoltaic
- distribution network
- voltage
- power distribution
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000005192 partition Methods 0.000 title claims abstract description 18
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 28
- 230000001105 regulatory effect Effects 0.000 claims abstract description 15
- 230000000737 periodic effect Effects 0.000 claims abstract description 10
- 238000009434 installation Methods 0.000 claims abstract description 9
- 230000002159 abnormal effect Effects 0.000 claims abstract description 8
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 238000003062 neural network model Methods 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 40
- 239000011159 matrix material Substances 0.000 claims description 22
- 238000005457 optimization Methods 0.000 claims description 11
- 238000007637 random forest analysis Methods 0.000 claims description 11
- 230000035945 sensitivity Effects 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 230000003595 spectral effect Effects 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 5
- 239000002245 particle Substances 0.000 claims description 4
- 239000000243 solution Substances 0.000 claims description 4
- 238000002347 injection Methods 0.000 claims description 3
- 239000007924 injection Substances 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 230000003442 weekly effect Effects 0.000 claims description 2
- 238000013450 outlier detection Methods 0.000 claims 1
- 238000010521 absorption reaction Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000011217 control strategy Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000010348 incorporation Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000012360 testing method 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
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
-
- 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
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/48—Controlling the sharing of the in-phase component
-
- 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
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/50—Controlling the sharing of the out-of-phase component
-
- 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
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种高渗透率光伏配电网分区调压方法，包括对负荷数据进行频域分解，获得日周期、周周期、低频分量和高频分量，分别计算各分量后并进行序列重构；对光伏数据进行异常点检测，再基于辐照度特征进行相似日聚类选择，通过LSTM神经网络模型预测光伏短期输出功率；将分布式配电网划分为若干亚群落，选取关键节点作为能控光伏的安装点；将可控的PV节点选址于关键节点，通过调节可控PV节点的无功补偿和有功衰减的功率值，调节并网后节点电压。本发明提高了预测精度，可对配网节点精细化调压，解决了光伏接入后的电压越限问题，提升了电网光伏消纳能力。
Description
技术领域
本发明涉及光伏配电网划分技术领域，具体涉及一种高渗透率光伏配电网分区调压方法。
背景技术
随着国家对节能减排政策和能源改革的推进，清洁能源从最初的补充能源逐渐转变为替代性能源。其中光伏发电在部分地区正在形成大规模高渗透率的并网趋势。大规模光伏并网后，配网由传统的单电源辐射网络转化为多源互联网络系统，改变了配网的系统阻尼特性、潮流分布、稳态电压和电压稳定性。近年来，研究者对高渗透率光伏接入后对配电网的影响进行了深入的研究和分析，其中大规模光伏接入后产生的电网节点过电压问题成为关注的焦点。
高渗透率光伏接入后配网调压控制策略分为：集中控制、就地控制、分布式控制。分布式控制因其自治性高、适应性强、投资相对较低、数据通讯量小、可充分发掘分布式光伏系统资源等优势而得到深入研究与广泛应用。对高渗透率光伏接入大规模配电网，提出基于集群划分的分布式调压方法；提出包含就地预防控制、无功协调控制、有功优化缩减和功率恢复控制多个过程的分布式控制策略；除此之外，多目标双层优化规划、电压阶段控制策略等方法也被应用于含光伏接入的配电网分布式控制研究中。
过去在光伏接入调压策略中，对光伏的随机性考虑较少、处理相对简单。常用的方法均为大时间尺度下对光伏随机性的处理，无法对短期及超短期的精确电压控制提供支撑。
发明内容
本发明的目的在于提供一种高渗透率光伏配电网分区调压方法，通过调节可控光伏的有功和无功输出，结合短期光伏和负荷精确预测的结果，对含光伏接入的分布式配网进行精细化调压。
为实现上述目的，本发明采用了以下技术方案：
一种高渗透率光伏配电网分区调压方法，包括：
对负荷数据进行频域分解，获得日周期、周周期、低频分量和高频分量，分别计算各分量后并进行序列重构；
通过iForest算法对光伏相似日历史数据进行异常点检测，再基于辐照度特征进行相似日聚类选择，通过LSTM神经网络模型预测光伏短期输出功率；
将分布式配电网划分为若干亚群落，选取关键节点作为能控光伏的安装点；
将可控的PV节点选址于关键节点，通过调节可控PV节点的无功补偿和有功衰减的功率值，调节并网后节点电压。
上述方法中，对负荷数据进行频域分解，获得日周期、周周期、低频分量和高频分量后还需要对以上分量进行分解预测，其预测方法如下：
所述日周期、周周期通过Elman神经网络算法处理，所述低频分量选用随机森林算法处理，所述高频分量通过Mallat算法的高频二次分解处理。
本发明中，所述序列重构通过Mallat算法进行重构，其公式如下：
其中，
为重构后的序列，h(n-2k)为低通滤波器系数，g(n-2k)为高通滤波器系数，
为高通滤波器的对偶算子。
所述将分布式配电网划分为若干亚群落，选取关键节点作为能控光伏的安装点，包括：
上述方案中，构造N个节点之间的电气距离，以电气距离作为度量，采用谱聚类算法对含高渗透率光伏接入的配电网进行区域划分。
所述构造N个节点之间的电气距离如下:
eΓ(i,j)为节点i到节点j的改进电气距离，该指标可同时表征节点i,j之间等效阻抗距离Zij,equ和电压影响因素；
分别为节点i对j的电压有功影响因子矩阵和电源无功影响因子矩阵。
上述方案中，将可控的PV节点选址于关键节点，通过调节可控PV节点的无功补偿和有功衰减的功率值，调节并网后节点电压，包括：
首先在预定周期进行基于粒子群算法的非线性优化，然后对每个控制周期进行线性调节，其线性调节公式如下：
其中，ΔV为节点i的电压变化值，ΔPj为第j个节点的有功功率调节；ΔQj为第j个节点的有功功率调节；
为节点i对j的电压有功敏感度系数，
为节点i对j的电压无功敏感度系数，Pi、Qi为节点i的有功和无功注入，i,j∈N，N为所研究分布式电力系统的总节点数。
上述方法中，所述将可控的PV节点选址于关键节点，通过调节可控PV节点的无功补偿和有功衰减的功率值，调节并网后节点电压，具体如下：
定义可调光伏的有功和无功变化参数，并初始化所述参数；
根据分布式系统的物理约束设定每个参数的搜索范围和速度变化范围；
在搜索范围内随机初始化其中一个分布式电源的有功和无功变化参数；
计算并比较所有分布式电源的适应度函数值，选取适应度函数最佳的个体作为最优Pbest(t)，并在不同迭代周期产生的分布式电源最优中选出群体最优Gbest(t)；
以概率pa选择适应度较差的分布式电源的个体，并随机引入新的分布式电源个体取代之；
实时更新权重因子，并增加迭代步数，直到分布式电源个体循环结束；
输出最优解Xbest并绘制适应度函数收敛曲线。
由上述技术方案可知，本发明所述的高渗透率光伏配电网分区调压方法，通过对负荷进行基于二次频域分解的预测以及对光伏应用基于深度学习的短期输出功率预测，提高了预测精度。将前期预测结果应用于分区调压策略，可对配网节点精细化调压，解决了光伏接入后的电压越限问题，提升了电网光伏消纳能力。
附图说明
图1是本发明频域分解后的日周期波形图；
图2是本发明频域分解后的周周期波形图；
图3是本发明频域分解后的低频分量波形图；
图4是本发明频域分解后的高频分量波形图；
图5是本发明随机森林计算流程图；
图6是本发明某地区61节点实际系统当前和未来PV容量图；
图7是本发明361节点配网的拓扑结构和分区结果图；
图8是本发明不同控制策略下61节点配网电压对比图；
图9是本发明的方法流程图。
具体实施方式
下面结合附图对本发明做进一步说明：
本实施例的，高渗透率光伏配电网分区调压方法，包括如下步骤：
步骤一：对负荷数据进行频域分解，获得日周期、周周期、低频分量和高频分量，分别计算各分量后并进行序列重构；
电力负荷本身既规律性又有随机性，短期预测负荷是确定发电计划、备用容量的基础，对电压调压也有重要影响。在改善预测建模方法的过程中，相对建模误差通常无法完全消除，存在的非零下限是有负荷内部的非规律性决定的。对周期性较强的电力负荷进行频域分解，提取其时间序列中蕴含的日周期特性、周周期特性、随机特性，用不同预测方法分别计算各分量后重构，可以提高短期负荷预测的精度。
1.1频域分解算法
对负荷时间序列P(t)进行基于傅里叶变换的频域分解：
式中，N为历史负荷数据个数，a0是直流分量。提取负荷变化的周期性特征，抽取wi，定义日周期a0+D(t)、周周期W(t)、低频L(t)和高频H(t)四组分量，对P(t)重构如下：
P(t)＝a0+D(t)+W(t)+L(t)+H(t) (11)
wi的抽取规律如下：
1)a0+D(t)的角频率wi集合：
2)W(t)的角频率wi集合：
3)体现负荷随机性的低频分量L(t)、高频分量H(t)、角频率wi集合：
如对某县域35天数据进行分析，采样周期15min，共计3360个点。使用前面28天数据作为训练集来预测接下来7天的用电负荷。使用前28天2688个点作为样本进行频域分解，得如下图1-4中的四个分量。
1.2分解预测方法
结合各分量序列特点，对所得四个分量序列分别应用不同的预测模型和算法。日周期和周周期分量具有很强的时间周期性，选用Elman神经网络算法进行处理；选用随机森林算法处理具有随机性的低频分量；高频分量中存在固有的不可预报分量，因此对其进行二次分解后进一步处理。
1.2.1Elman神经网络
ENN通过前馈网络形成记忆模型，在保持对历史敏感性的基础上，增加了对动态信息的处理能力，并提高网络稳定性。本发明对日周期、周周期分量的预测，选取含有11个神经元的Tansig隐含层和一个神经元的Purelin输出层。对于矢量(向量)的符号、矩阵的符号需要用黑斜体。
1.2.2随机森林算法
随机森林算法采用自举法从原始数据中随机提取样本数据集作为每个决策树的子样本集，可以使用相对较小的训练样本，算法流程如图5所示。本发明基于Python的sklearn包提供的emsemble.RandomForestRegressor模块用于随机森林回归预测低频分量的实现，文中主要参数设置如下表2所示：
表2随机森林算法参数设置
| 参数名称 | 参数 |
| n_estimators(树的个数) | 1000 |
| max_features(特征集子集) | n_features |
| max_depth(树最大深度) | None |
| min_sample_split(分裂所需最小样本数) | 1 |
1.3基于Mallat算法的高频二次分解
传统的傅里叶变换方法在分析非平稳运行电网的电量信号时误差较大的问题。小波变换是一种有效的去相关方法，该算法可避免误差累计和冗余计算，本发明Mallat算法对一次频域分解获得的高频分量进行二次分解。
对高频分量序列
分解为不同频带的层，构成函数：
式中，φ0n是高频部分离散后的正交小波基。φ1n、ψ1n是高频分量扩展后，每个分支分别对应正交基。序列H1是初始高频数据列H0的下降形式，H0和H1之间的信息差异为D1，φ1k是经一级分解后的低频子空间的正交基。Mallat算法的小波系数分解公式如下：
式中h(n-2k)为低通滤波器系数，g(n-2k)为高通滤波器系数。Mallat算法的分解过程中Hj是H0的迭代下降分解的形式，采样点每次比它前一步骤减半，算法在L步分解后终止，即在L步后H0分解为D1，…，DL和HL。
1.4序列重构及对比
将日周期、周周期、低频部分、二次分解的高频部分四个分量重构。Mallat算法的重构公式为：
为将本方法与Elman神经网络、随机森林算法比较，采用平均绝对百分误差EMAPE来评估模型精度，用均方根误差ERMSE来反映预测的精密度。
式中
是预测值，yi是实际值，n是样本量。
步骤二：对光伏数据进行异常点检测，再基于辐照度特征进行相似日聚类选择，通过LSTM神经网络模型预测光伏短期输出功率；
利用天气情况和过去相似日光伏发电数据作为判据，预测短期光伏输出功率，制定全天电网运行和电压调节策略，可以优化电压调节结果。光伏发电功率和辐照度数据受恶劣天气、底层通信设备影响等现场因素的影响，信号波动大、毛刺多，因此首先应用iForest算法对相似日历史数据进行异常点检测，再基于辐照度特征进行相似日的聚类选择，最后应用LSTM神经网络模型预测光伏短期输出功率。
2.1iForest异常点检测算法
用于光伏预测的数据在测量时难免存在异常点，而iForest是一种快速异常检测方法。本文基于Python的sklearn包提供了emsemble.IsolationForest模块可用于iForest算法实现，文中主要参数设置如下表2所示：
表2 iForest算法参数设置
2.2基于辐照度特征的相似日聚类选择
提取清洗过数据的特征参数，计算晴朗指数Kt、辐照度方差Vg、辐照度归一化离散差Ls如下：
式中，Gs,i为辐照度采样值；N为一天24h内采样点个数；G0,i为地外辐照度理论计算值，与时间间隔和辐照度有关。
基于辐照度参数，应用k-means算法进行聚类相似日划分。
2.3基于LSTM神经网络模型的光伏预测
深度学习算法由于其多层次内部结构及特征再学习的训练方式，能够更好地应对光伏预测问题。LSTM是深度学习的神经网络模型，可以对数据特征进行深度挖掘，本发明基于该模型建模，训练经过数据预处理和相似日聚类后的辐照度和光伏数据。
采用python库中的keras深度学习框架构建LSTM神经网络。首先划分训练集、测试集；然后搭建LSTM模型，模型中隐藏层有100个神经元，输出层1个神经元，将张量分别转成2维和3维作为隐藏层和cell的输入，优化算法采用Adam；最后训练模型与预测。
步骤三：将分布式配电网划分为若干亚群落，选取关键节点作为能控光伏的安装点；
集中控制统一调配可控资源，实现全局优化，但量测数据量大、通讯负担重、投资成本高，因此对含分布式新能源的配电网进行区域划分后，实施分区调压策略是经济有效的控制手段，成为当前研究的热点问题。本文提出改进电气距离，综合灵敏度和阻抗距离；采用谱聚类的方法，将分布式配电网划分为若干亚群落，选取关键节点作为能控光伏的安装点；解决分区调压的前期问题。
3.1改进电气距离
电力系统节点i,j之间等值阻抗Zij,equ可由节点阻抗矩阵元素计算：
Zij,equ＝(Zii-Zij)-(Zij-Zjj) (1)
其中Zij为系统节点阻抗矩阵第i行第j列元素，该指标表征了节点在系统电气结构的关键性。
为区分不同接入点对其他节点的电压灵敏度，利用系统雅各比矩阵J的逆矩阵元素，定义工作点Γ下节点i对j的电压有功灵敏度矩阵
电压无功灵敏度矩阵
电压影响因子矩阵
其中，i,j∈N，N为所研究分布式电力系统的总节点数，Pi、Qi为节点i的有功和无功注入，Vj为节点j电压幅值。假设每个节点都有功率调节，且第j个节点的有功功率和无功功率分别调节ΔPj、ΔQj，则节点i的电压变化为：
定义改进的电气距离如下：
式中eΓ(i,j)为节点i到节点j的改进电气距离，该指标可同时表征节点i,j之间等效阻抗距离Zij,equ和电压影响因素。以下的集群划分计算在某确定工作点上，因此省略下标Γ。
3.2谱聚类集群划分方法
以改进的电气距离作为度量，采用谱聚类算法对含大规模高渗透率光伏接入的配电网进行区域划分。将该区域划分问题定义为聚类集成问题，以无向图G(V,E)描述该电力系统，其中的第i个节点定义为Vi，形成数据集合V＝{V1,V2,L VN}。定义对称权重矩阵W：
构造N×N维对角线矩阵D作为度矩阵。
则标准化的拉普拉斯矩阵L定义如下：
L＝D-1/2(D-W)D1/2 (9)
谱聚类集群划分步骤如下：
步骤1：计算权重矩阵W、度矩阵D、对拉普拉斯矩阵L；
步骤2：对L作特征值分解，取前k1个较小的特征值，抽取对应特征向量，构成特征矩阵
实现数据降维；
步骤3：设
为F的第i个列向量，用K-means算法将L＝{li|i＝1,L N}聚为n个亚群落{C1,C2,L,Ck,L Cn}；
步骤4：第k个亚群落Ck中包含节点数Nk；其中关键节点选取为聚类质心
记为
剩下的Nk-1个节点
为普通节点。
如考虑县域10kV电力系统，位于北纬31°28′0.91″、东经115°47′44.33″。该系统中有61个节点，馈线总负荷为1.16MW+j0.69MVar。已安装光伏系统27个节点，光伏规划容量可达5.01MW，渗透率达到143％，安装点和容量见图6。
应用谱聚类集群划分方法，基于节点改进的电气距离，将61节点的安徽省某县域10kV电力实际系统划分为5个亚群落，如表1、图7。
表1 61节点实际系统集群划分结果
图7中集群划分的结果与网架结构有较大关系，又体现了电气距离和敏感度指标。其中节点61为一水力发电站，主要往铁冲03号线输送功率，因此没有与较近的38、39划分到亚群落4，而是与地理位置相对较远但电气距离较近的3、4、5等节点划分至亚群落1。
步骤四：将可控的PV节点选址于关键节点，通过调节可控PV节点的无功补偿和有功衰减的功率值，调节并网后节点电压。
为达到最佳电压调节效果，并降低投资和安装成本，将有限的可控PV节点选址于关键节点。通过调节可控PV节点的无功补偿和有功衰减的功率值，调节并网后节点电压。计及负荷和光伏预测的电压调节算法流程见图6。
首先在预定周期进行基于粒子群算法的非线性优化，再在非预定的其他采样周期式(5)进行线性调节。预定周期是人为设定的，可以选取15分钟或4小时或12小时等，在预定周期需要确定该周期内工作状态Γ，计算电气距离eΓ(i,j)、电压影响因子
以能控光伏单元的有功剪切ΔPPVk和无功压缩ΔQPVk为可调变量，以电压波动为优化目标：
Object1：F1＝min|U-Up.u.| (24)
以潮流计算和设备物理条件为约束：
Pmin≤ΔPPVk≤Pmax,Qmin≤ΔQPVk≤Qmax (28)
i＝1,2,L,n，k＝1,2,L,Nk，Nk≤n
其中，n为分布式电源总数，Nk为集群个数，Up.u.为期望的节点电压，PPVi和QPVi分别为第i个PV节点的有功/无功功率输出，PDi和QDi分别为第i个分布式电源的有功和无功出力，Gij和Bij为节点i和节点j的阻抗矩阵和导纳矩阵，θij为其相位差。
为第k个可控光伏单元的逆变器功率因数角。
负荷和光伏预测的电压调节方法具体如下：
可调变量为能控PV单元的有功剪切ΔPPVk，X＝{x1,L,xn}＝{ΔP1,L,ΔPn}，其中n为含分布式电源的电力系统节点划分的亚群落数目。迭代优化中，第t代粒子位置xij(t)，速度vij(t)，i＝1,L Nhpso，j＝1,L n，全局最优位置为Gbest＝{Gbest1,L,Gbestn}局部最优位置Pbesti＝{Pbesti1L,Pbestin}。
步骤1：定义可调光伏的有功和无功变化参数，初始化方法中需要的参数，如个体规模N、维数n、权重因子w的上下限(Wmax,Wmin)、加速度系数c1,c2等。
步骤2：设定每个参数的搜索范围和速度变化范围；在设定时需根据具体电力系统电压调节问题中设备单元的物理约束，同一个个体中不同元素的搜索范围和速度范围不一定相同；
步骤3：在搜索范围内随机初始化其中一个分布式电源的有功和无功变化参数X1＝{x11,L,x1n}；
While t＜MaxGeneration或其它终止条件；
步骤4：计算并比较N个分布式电源的的适应度函数值，选取适应度函数最佳的个体最优Pbest(t)，并在不同迭代周期产生的分布式电源最优中选出群体最优Gbest(t)；
步骤5：以概率pa选择适应度较差的分布式电源的，并随机引入新的分布式电源的取代之；
步骤6：实时更新权重因子w如下：
x(t+1)＝x(t)+v(t+1)
v(t+1)＝w×v(t)+c1×rand1[Pbest(t)-x(t)]+c2×rand2[Gbest(t)-x(t)]
步骤7：增加迭代步数(t＝t+1)。终止条件为是否小于最大代数t＜MaxGenera，或适应度函数的数值是否满足精度要求。若不满足终止条件，则跳回步骤4；否则结束循环，并输出最优解Xbest并绘制适应度函数收敛曲线。
通过上述方法，如对某县域含分布式光伏配网在6日内的负荷进行预测，共计672个数据。其中，日周期分量24个点，周周期分量144个点，低频分量21个点，高频分量483个点。下表4为应用基于二次频域分解的负荷预测方法的误差统计，与实际符合数据的对比统计结果表明，该方法比Elman神经网络、随机森林方法具有更高的精度，预测值与实际值离散程度更小，为后期精确调压提供条件。
表4 3种预测方法一周的负荷预测误差统计
预测误差见下表5，应用长短记忆深度学习网络和BP神经网络的预测结果也列于表中。
表5 3种预测模型一周的光伏输出预测误差统计
由表5可见，基于深度学习的光伏功率输出估计方法可以达到较好的预测精度。在绝对百分误差、均方根误差方面的指标均优于单纯使用LSTM深度学习网络和BP神经网络。
将负荷和光伏预测结果应用于基于集群划分的分步调压策略中，选取光照强度最大的典型工作日某时间断面，并将调压结果与PV并入前、PV并入后未进行调压控制、应用分区调压策略时未使用预测数据的节点电压进行比较，如下图8。
其中标准系统节点电压无PV接入的标准系统节点电压；大规模PV并入后节点电压，可见电压越限现象十分严重。应用不考虑负荷和光伏预测的电压调节策略，使用前一天历史数据参与调压运算，可以得到图中分区调压下节点电压曲线。将负荷和光伏预测的结果参与调压策略的滚动优化，精细化控制后的节点电压如图中所示的本发明策略下的节点曲线。考虑负荷和光伏不确定性后，可优化分区调压策略的控制效果。
以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
Claims (8)
1.一种高渗透率光伏配电网分区调压方法，其特征在于，包括：
对负荷数据进行频域分解，获得日周期、周周期、低频分量和高频分量，分别计算各分量后并进行序列重构；
对光伏数据进行异常点检测，再基于辐照度特征进行相似日聚类选择，通过LSTM神经网络模型预测光伏短期输出功率；
将分布式配电网划分为若干亚群落，选取关键节点作为能控光伏的安装点；
将可控的PV节点选址于关键节点，通过调节可控PV节点的无功补偿和有功衰减的功率值，调节并网后节点电压。
2.根据权利要求1所述的高渗透率光伏配电网分区调压方法，其特征在于：对负荷数据进行频域分解，获得日周期、周周期、低频分量和高频分量后还需要对以上分量进行分解预测，其预测方法如下：
所述日周期、周周期通过Elman神经网络算法处理，所述低频分量选用随机森林算法处理，所述高频分量通过Mallat算法的高频二次分解处理。
3.根据权利要求1所述的高渗透率光伏配电网分区调压方法，其特征在于：所述序列重构通过Mallat算法进行重构，其公式如下：
uj-1＝ujH**+qjG**,j＝0,1,2,L,N，
其中，
为重构后的序列，h(n-2k)为低通滤波器系数，g(n-2k)为高通滤波器系数，
为高通滤波器的对偶算子。
4.根据权利要求1所述的高渗透率光伏配电网分区调压方法，其特征在于：通过iForest算法对光伏相似日历史数据进行异常点检测。
5.根据权利要求1所述的高渗透率光伏配电网分区调压方法，其特征在于：所述将分布式配电网划分为若干亚群落，选取关键节点作为能控光伏的安装点，包括：
构造N个节点之间的电气距离，以电气距离作为度量，采用谱聚类算法对含高渗透率光伏接入的配电网进行区域划分。
6.根据权利要求5所述的高渗透率光伏配电网分区调压方法，其特征在于：所述构造N个节点之间的电气距离如下:
eΓ(i,j)为节点i到节点j的改进电气距离，该指标可同时表征节点i,j之间等效阻抗距离Zij,equ和电压影响因素；
分别为节点i对j的电压有功影响因子矩阵和电源无功影响因子矩阵。
7.根据权利要求1所述的高渗透率光伏配电网分区调压方法，其特征在于：将可控的PV节点选址于关键节点，通过调节可控PV节点的无功补偿和有功衰减的功率值，调节并网后节点电压，包括：
首先在预定周期进行基于粒子群算法的非线性优化，然后对每个控制周期进行线性调节，其线性调节公式如下：
其中，ΔV为节点i的电压变化值，ΔPj为第j个节点的有功功率调节；ΔQj为第j个节点的有功功率调节；
为节点i对j的电压有功敏感度系数，
为节点i对j的电压无功敏感度系数，Pi、Qi为节点i的有功和无功注入，i,j∈N，N为所研究分布式电力系统的总节点数。
8.根据权利要求7所述的高渗透率光伏配电网分区调压方法，其特征在于：所述将可控的PV节点选址于关键节点，通过调节可控PV节点的无功补偿和有功衰减的功率值，调节并网后节点电压，具体如下：
定义可调光伏的有功和无功变化参数，并初始化所述参数；
根据分布式系统的物理约束设定每个参数的搜索范围和速度变化范围；
在搜索范围内随机初始化其中一个分布式电源的有功和无功变化参数；
计算并比较所有分布式电源的适应度函数值，选取适应度函数最佳的个体作为最优Pbest(t)，并在不同迭代周期产生的分布式电源最优中选出群体最优Gbest(t)；
以概率pa选择适应度较差的分布式电源的个体，并随机引入新的分布式电源个体取代之；
实时更新权重因子，并增加迭代步数，直到分布式电源个体循环结束；
输出最优解Xbest并绘制适应度函数收敛曲线。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010072656.XA CN111384726A (zh) | 2020-01-21 | 2020-01-21 | 一种高渗透率光伏配电网分区调压方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010072656.XA CN111384726A (zh) | 2020-01-21 | 2020-01-21 | 一种高渗透率光伏配电网分区调压方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111384726A true CN111384726A (zh) | 2020-07-07 |
Family
ID=71216987
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010072656.XA Pending CN111384726A (zh) | 2020-01-21 | 2020-01-21 | 一种高渗透率光伏配电网分区调压方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111384726A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111890983A (zh) * | 2020-08-05 | 2020-11-06 | 郑州轻工业大学 | 基于短周期功率预测的智能电驱装备多分辨率功率分流方法 |
| CN112116205A (zh) * | 2020-08-21 | 2020-12-22 | 国网上海市电力公司 | 针对台区用电特征的画像方法、装置和存储介质 |
| CN113688869A (zh) * | 2021-07-21 | 2021-11-23 | 广东工业大学 | 一种基于生成对抗网络的光伏数据缺失重构方法 |
| CN114784883A (zh) * | 2022-06-16 | 2022-07-22 | 国网江西省电力有限公司电力科学研究院 | 基于节点电压约束的分布式光伏并网优化方法及系统 |
| TWI805470B (zh) * | 2022-08-15 | 2023-06-11 | 中原大學 | 具有虛功補償的三相逆變器裝置 |
| CN116865343A (zh) * | 2023-09-01 | 2023-10-10 | 国网天津市电力公司滨海供电分公司 | 分布式光伏配电网的无模型自适应控制方法、装置及介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2269346A1 (en) * | 1999-04-14 | 2000-10-14 | Hong Huang | Dc energy flow direction control using reverse blocking devices in dc-ac inverters |
| CN106058914A (zh) * | 2016-05-27 | 2016-10-26 | 国电南瑞科技股份有限公司 | 基于Elman算法的配网发电预测技术的电压优化方法 |
| CN108183488A (zh) * | 2017-12-22 | 2018-06-19 | 安徽大学 | 基于集群划分的高渗透率分布式能源系统智能调压方法 |
| CN110350597A (zh) * | 2019-06-21 | 2019-10-18 | 武汉理工大学 | 基于分布式光伏有功-无功优化的配电网电压控制方法 |
-
2020
- 2020-01-21 CN CN202010072656.XA patent/CN111384726A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2269346A1 (en) * | 1999-04-14 | 2000-10-14 | Hong Huang | Dc energy flow direction control using reverse blocking devices in dc-ac inverters |
| CN106058914A (zh) * | 2016-05-27 | 2016-10-26 | 国电南瑞科技股份有限公司 | 基于Elman算法的配网发电预测技术的电压优化方法 |
| CN108183488A (zh) * | 2017-12-22 | 2018-06-19 | 安徽大学 | 基于集群划分的高渗透率分布式能源系统智能调压方法 |
| CN110350597A (zh) * | 2019-06-21 | 2019-10-18 | 武汉理工大学 | 基于分布式光伏有功-无功优化的配电网电压控制方法 |
Non-Patent Citations (2)
| Title |
|---|
| 张倩: "基于集群划分的高渗透率分布式系统无功优化" * |
| 张倩: "频域分解和深度学习算法在短期负荷及光伏功率预测中的应用" * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111890983A (zh) * | 2020-08-05 | 2020-11-06 | 郑州轻工业大学 | 基于短周期功率预测的智能电驱装备多分辨率功率分流方法 |
| CN111890983B (zh) * | 2020-08-05 | 2023-09-26 | 郑州轻工业大学 | 基于短周期功率预测的智能电驱装备多分辨率功率分流方法 |
| CN112116205A (zh) * | 2020-08-21 | 2020-12-22 | 国网上海市电力公司 | 针对台区用电特征的画像方法、装置和存储介质 |
| CN112116205B (zh) * | 2020-08-21 | 2024-03-12 | 国网上海市电力公司 | 针对台区用电特征的画像方法、装置和存储介质 |
| CN113688869A (zh) * | 2021-07-21 | 2021-11-23 | 广东工业大学 | 一种基于生成对抗网络的光伏数据缺失重构方法 |
| CN113688869B (zh) * | 2021-07-21 | 2022-05-27 | 广东工业大学 | 一种基于生成对抗网络的光伏数据缺失重构方法 |
| CN114784883A (zh) * | 2022-06-16 | 2022-07-22 | 国网江西省电力有限公司电力科学研究院 | 基于节点电压约束的分布式光伏并网优化方法及系统 |
| CN114784883B (zh) * | 2022-06-16 | 2022-10-11 | 国网江西省电力有限公司电力科学研究院 | 基于节点电压约束的分布式光伏并网优化方法及系统 |
| TWI805470B (zh) * | 2022-08-15 | 2023-06-11 | 中原大學 | 具有虛功補償的三相逆變器裝置 |
| CN116865343A (zh) * | 2023-09-01 | 2023-10-10 | 国网天津市电力公司滨海供电分公司 | 分布式光伏配电网的无模型自适应控制方法、装置及介质 |
| CN116865343B (zh) * | 2023-09-01 | 2024-03-29 | 国网天津市电力公司滨海供电分公司 | 分布式光伏配电网的无模型自适应控制方法、装置及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111384726A (zh) | 一种高渗透率光伏配电网分区调压方法 | |
| Raza et al. | An ensemble framework for day-ahead forecast of PV output power in smart grids | |
| Wang et al. | Accurate solar PV power prediction interval method based on frequency-domain decomposition and LSTM model | |
| CN109508823B (zh) | 一种基于场景分析法的配电网中分布式电源规划方法 | |
| Raza et al. | Demand forecast of PV integrated bioclimatic buildings using ensemble framework | |
| CN112308427B (zh) | 一种基于组合赋权-灰关联的新能源消纳制约因素评估方法及系统 | |
| CN108205717A (zh) | 一种光伏发电功率多时间尺度预测方法 | |
| CN111709109B (zh) | 一种考虑源荷时序相关性的光伏消纳容量计算方法及装置 | |
| Monfared et al. | Fuzzy predictor with additive learning for very short-term PV power generation | |
| CN109376951A (zh) | 一种光伏概率预测方法 | |
| CN105678397A (zh) | 一种基于改进EMD算法及Elman算法的短期光伏功率预测方法 | |
| CN112949895A (zh) | 一种基于动态可扩展神经网络模型的风速预测方法 | |
| CN108694475B (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
| Zhang et al. | Hybrid Model for Renewable Energy and Load Forecasting Based on Data Mining and EWT | |
| CN113422371A (zh) | 一种基于图卷积神经网络的分布式电源就地电压控制方法 | |
| Liang et al. | Household power consumption prediction method based on selective ensemble learning | |
| CN113705885B (zh) | 一种融合VMD、XGBoost及TCN的配电网电压预测方法及系统 | |
| Xiao et al. | A statistical photovoltaic power forecast model (spf) based on historical power and weather data | |
| CN110059871A (zh) | 光伏发电功率预测方法 | |
| CN109615142A (zh) | 一种基于小波分析的风电场风速组合预测方法 | |
| CN108256668A (zh) | 基于和声搜索-Elman算法的光伏出力预测方法 | |
| Ran et al. | Forecasting of wind speed with least squares support vector machine based on genetic algorithm | |
| Yu et al. | Dynamic grouping control of electric vehicles based on improved k-means algorithm for wind power fluctuations suppression | |
| Zhou et al. | PV power characteristic modeling based on multi-scale clustering and its application in generation prediction | |
| CN112949936A (zh) | 基于相似日小波变换和多层感知机的短期光伏功率预测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200707 |