CN111478349B - 基于用电设备智能网络调控物联网的电力三相平衡策略方法 - Google Patents

Abstract

本发明提供一种基于用电设备智能网络调控物联网的电力三相平衡策略方法，该策略首先获取各智能用电设备功率、电流、电压等用电信息，通过用电电压曲线和台区变压器电压曲线的相似性判别智能可调控设备的相别，从而获得电力系统的拓扑结构，分析其实时三相不平衡特性，离线构建可调控设备各种工作模式下的用电特性曲线；最后根据可调控设备的用户指令需求，采用人工智能算法优化可调控用电设备的实时工作指令，降低局部电网的三相不平衡度，可应用于智能园区、智能楼宇、智能电网等多个应用场景，在满足用户需求的前提下降低线路损耗，提高电网运行效益以及安全性。

Description

基于用电设备智能网络调控物联网的电力三相平衡策略方法

技术领域

本发明属于智能电网、人工智能技术领域，特别涉及一种基于用电设备智能网络调控物联网的电力三相平衡策略方法。

背景技术

我国低压配电网普遍采用三相四线制接线方式，由于用户侧多为单相负载，且用电具有很强随机性，台区内极易出现三相不平衡。三相不平衡不仅会引起变压器可用容量减小、资产寿命缩短、线路损耗增加等问题，而且会造成电能质量下降，降低用户满意度。目前国内外针对三相不平衡问题，通常采用以下解决方案：(1)在变压器低压侧安装无功补偿装置，对三相不对称负荷进行调补，以降低三相不平衡度。但是这种方法设备投入成本大、维护成本高且三相不平衡治理易受用户侧用电模式和用电习惯影响，无法解决补偿装置下游的三相不平衡问题，不能从根本上解决三相不平衡问题，治理效果不好；(2)在低压线路配置适量的低压负荷在线换相开关，自动调整用电负荷相序，以实现三相负荷平均分配。但是这种方法如何根据低压线路拓扑结构在线路合理位置配置适量的换相开关较为困难，维护运行成本高；(3)依靠人工经验采用试错法离线调整用电负荷接入相序，尽量使三相负荷达到平衡状态，离线调整后治理效果具有概率性，不能实现实时平衡，效果有限。

鉴于当前国家电力系统向智能化自动化的泛在电力物联网发展的总趋势，发展智能家居用电调控以面对日益复杂的用电需求是必由方向，随着智能电表及用电信息采集系统的推广普及，电网公司积累了海量台区变压器监测数据和用户用电数据，基于此背景，通过智能电表进行大数据分析开展台区变压器三相不平衡治理切实可行，并且具有强烈的需求。

发明内容

本发明要解决的技术问题在于充分利用泛在电力物联网对用户用电信息的实时监控、收集与分析能力，充分利用用户的用电量、用电时长与拓扑结构等信息，提供一种解决电力系统三相不平衡问题的方法。

针对上述技术问题，本发明提出一种基于用电设备智能网络调控物联网的电力三相平衡策略方法，该策略包括如下步骤：

步骤1、对电力系统的智能用电设备进行分类；

将电力系统的智能用电设备分为不可调整类负荷和可调整类负荷，并将全部所述不可调整类负荷整体视为电力系统的一个不可调整的大三相用户；

所述不可调整类负荷指设备启动时间不存在调整裕度的用电设备，所述可调整类负荷指用电设备启动时间存在调整裕度，并且调整设备启停时刻不会影响用户舒适度的用电设备；

步骤2、对用户用电信息进行采集；

利用用户用电信息采集系统，对电力系统内各台区变压器及其所属用户的用电数据进行采集；所述用电数据包括台区变压器电压数据、智能电表电压数据和智能用电设备的负荷曲线；

步骤3、获取电力系统内各台区的各相拓扑结构；

利用步骤2提取到的所述台区变压器及其所属用户的智能电表电压数据，分别计算所述电表电压数据与所述台区变压器的A相、B相和C相电压数据之间的相关系数，与所述电表电压数据的相关系数最大的相位则是所述用户的电表相序，从而获取电力系统内各台区各相拓扑结构；

所述电表电压数据与所述台区变压器的A相、B相和C相电压数据之间的相关系数r的计算表达式如下所示：

式中，

是X_i样本的平均值；X_i是电表电压数据中的第i个数据；

是Y_i样本的平均值；Y_i是台区变压器A相、B相或者C相电压数据中的第i个数据；

步骤4、用户用电特性分析；

步骤41、利用从所述用户用电信息采集系统得到的所述智能用电设备的负荷曲线，离线构建所述智能用电设备在不同工作模式下的用电特性曲线；

步骤42、利用所述电力系统各台区各相拓扑结构，计算电力系统各台区A相、B相和C相的负荷曲线；

步骤43、对电力系统三相不平衡度进行计算；

步骤5、制定电力系统的三相平衡控制策略；

基于人工智能算法，制定电力系统的三相平衡控制策略；

步骤6、对电力系统进行优化控制；

步骤61、重新确定所述智能用电设备开启时刻；

以步骤5得到的所述三相平衡控制策略重新确定所述智能用电设备开启时刻，得到理想的所述智能用电设备开启时刻，将开启时刻从小到大排序，分别为{t₁,t₂,…t_C,…t_n}，所述理想智能用电设备开启时刻即不考虑智能用电设备实际应用场景及用户偏好设置的优化策略；

步骤62、电力系统最优控制判据；

与电力系统内各智能厂商APP交互，得到住户设置的智能用电设备偏好工作时间段，以影响度Yx为判断依据，对所述理想的所述智能用电设备开启时刻{t₁,t₂,…t_C,…t_n}进行调整，得到优化后的智能用电设备开启时刻为：

{t′₁,t′₂,…t′_C,…t′_n}；

影响度Yx计算表达式如下：

步骤63、电力系统优化控制；

将优化后的用电设备工作指令发送给可调控单相智能用电设备供货商的网络/云端数据库；生成当日电力系统内参与优化的可调整类智能用电设备的开启顺序，从而完成基于用电设备智能网络调控物联网的电力三相平衡调整。

优选的，所述三相不平衡度采用电力系统各相瞬时电流进行计算；

优选的，所述步骤43包括以下具体步骤：

步骤431、计算各相实时不平衡度g_k；

对于三相对称电源供电的三相四线制配电系统，各相实时不平衡度g_k可以表示为：

式中，i_A、i_B、i_C为A、B、C三相瞬时电流值；

为瞬时三相平均电流值；

步骤432、计算电力系统实时三相不平衡度；

对于电力系统内任意用电信息采样时刻点，以时刻点A、B、C三相中负荷不平衡度最大相作为此时的实时三相不平衡度g，则电力系统实时三相不平衡度可表示为：

g＝max(g_A、g_B、g_C)

步骤433、构建分析周期内电力系统的实时三相不平衡度矩阵；

计及一个典型周期，则在一个分析周期内电力系统的实时三相不平衡度矩阵为：g＝[g₁ g₂ … g_y]

式中，g₁表示第1个采样点的A、B、C三相中负荷不平衡度；g_y表示第y个采样点的A、B、C三相中负荷不平衡度。

步骤434、计算采样周期T内，A、B、C各相平均不平衡度；

在采样周期T内，A、B、C各相平均不平衡度为：

式中，G_A、G_B、G_c分别表示采样周期T内A、B、C三相负荷平均不平衡度；g_iA、g_iB、g_iC分别为第i个采样点采样的A、B、C三相的实时不平衡度；y为采样周期T内的采样点个数。

优选的，步骤5中所述人工智能算法为基于启发式全局优化的人工智能算法。

优选的，所述步骤5中的三相平衡控制策略包括以下具体实施步骤：

步骤51、控制策略初始化；

步骤511、随机分配控制变量并初始化；

将一天分为m个时间段，将n个智能用电设备开启的时刻按照随机分配的原则分配在m个时间段中，将每个时间段内智能用电设备开启的时刻看做相同，都在一个时间点开启，即第i个时间段中的智能用电设备开启的时刻都在第i个时间点。用n个生物代表n个智能用电设备，智能用电设备开启的时刻就是生物所处的坐标点，以电力系统三相不平衡度为优化变量，将生物坐标点设置为是以时间和实时三相不平衡度组成的二维坐标对，智能用电设备开启的时刻就是生物位置的变化，从而产生路径；设定生物只能感受临近的信息素，也就是设定智能用电设备每次改变开启时刻的时间长度不超过10分钟；当前电力系统中n个智能用电设备的工作时间段数量有N_W个，令n＝1.5N_W；

步骤512、信息素浓度初始化；

设B_i(t)(i＝1,2,…,m)是在t时刻，第i个时间点的生物数，设总共有n只生物，

为全部生物数；初始时刻，各条路径上的信息素浓度相等，设信息素浓度τ_ij(t)＝C，C为常数；生物k(k＝1,2,…,n)在移动过程中，根据各条路径上的信息素浓度决定转移方向；

步骤52、生物移动路径选择；

设n只生物可以通过以距离和信息素浓度为变量的概率函数来选择路径通过的下一个点，τ_ij(t)为t时刻路径e(i,j)上信息素的浓度，路径e(i,j)表示生物从i点运动到j点的路径；

规定：生物选择路线合理，除非循环完成，否则不允许转到已访问的点；这一规定由禁忌表控制，设tabu_k表示第k只生物的禁忌表，tabu_k(s)表示禁忌表中第s个点，禁忌表tabu_k随着进化过程可以做出动态调整；

完成循环后，生物在每一条已选择的路径上留下信息素；

则

表示在t时刻生物k由点i转移到点j的概率，计算表达式如下所示：

式中，allowed_k＝{0,1,…,m-1}-tabu_k表示生物k下一步允许选择的点；tabu_k(k＝1,2,3,…,n)记录生物k当前走过的点；η_ij表示路径(i,j)的能见度，

d_ij表示点i到点j之间的距离；α表示轨迹的相对重要性；β表示能见度的相对重要性；m表示可供选择的点的个数；

步骤53、路径信息素浓度矩阵更新；

经过a个时刻，生物完成一次循环，各路径上的信息素浓度根据下式更新为：

τ_ij(t+a)＝ρτ_ij(t)+Δτ_ij；

式中，Δτ_ij表示在此次循环中路径ij上的信息素浓度增量；ρ表示轨迹的持久性，1-ρ表示轨迹的衰减度，即随着时间的推移，路径上留下的信息素逐渐丢失；Δτ_ij ^k表示第k只生物在本次循环中留在路径ij上的信息素浓度；Δτ_ij ^k用下式表示：

步骤54、最优路径选择判据；

采样时刻σ_y(y＝1,2,···,m)内的三相不平衡度用二维坐标M₁(σ₁,g₁)，M₂(σ₂,g₂)，…，M_m(σ_m,g_m)表示；

式中，g₁,g₁,…,g_m的值代表各个时刻的三相不平衡度；

以m对二维坐标代表步骤52中路径选择时可供选择的m个点；

生物所在位置处的三相不平衡度与其在此处释放的信息素浓度的关系如下式所示：

式中，τ_d(k)为第k只生物在点d释放的信息素浓度；c_k为第k只生物到达点d的次数；g_d为点d处的三相不平衡度；g_m为点m处的三相不平衡度；

步骤55、电力系统最优控制策略；

设置系统迭代次数为N，到达系统设置的迭代求解次数N后，选一条信息素最多的路径作为最优解输出，此路径即为以三相不平衡度最小为优化目标的电力系统最优控制策略。

优选的，步骤62中所述影响度的判断标准为3；若影响度小于3，则不影响，反之，则调整tc。

与现有技术相比，本发明具有如下有益效果：

本发明提出的基于用电设备智能网络调控的电力物联网三相平衡策略方法，通过用户电压曲线和台区变压器电压曲线的相似性判别智能可调控设备的相别，从而获得电力系统的拓扑结构，分析三相不平衡特性及不可控负荷部分的三相不平衡特性；离线构建可调控设备各种工作模式下的用电特性曲线；采用人工智能算法优化可调控用电设备的实时工作指令，降低局部电网的三相不平衡度，在满足用户需求的前提下降低线路损耗，提高电网运行效益以及安全性。

附图说明

图1是本发明的实施例中的控制流程图；

图2是本发明的实施例中控制策略流程图；

图3是本发明实施例中优化前89个用电设备的负荷曲线；

图4是本发明实施例中优化前台区实时三相不平衡度；以及

图5是本发明实施例中调整后台区实时三相不平衡度。

具体实施方式

以下，参照附图对本发明的实施方式进行说明。

本发明实施例通过可调控单相智能用电设备供货商的网络/云端数据库在线获取其用户指令需求，例如：在t时刻之前要求电饭煲在不同蒸煮模式下完成煮饭、洗衣机完成洗衣和烘干、空调温度控制等，利用用户用电信息采集系统采集用电设备包括电流、电压、功率等各项用电信息，通过基于启发式全局优化的人工智能算法，以实时三相不平衡度最小为优化目标，在满足用户需求的基础上，计算可调控单相智能用电设备优化开启时刻，利用对电力系统中可调控负荷工作需求的指令控制优化，提供智能用电设备的负荷工作模式、工作时间等优化控制策略。本发明的实施例中的控制流程图如图1所示，包括如下具体步骤：

步骤1、电力系统智能用电设备分类；

将电力系统中的智能用电设备分为不可调整类负荷、可调整类负荷，其中不可调整类负荷有台式电脑、笔记本电脑、冰箱、室内照明灯、电视机、音响等；可调整类负荷有洗碗机、饮水机、电饭煲、洗衣机、微波炉、空调等。

其中将非智能用电设备、即时用电设备等不可调整类负荷整合，作为电力系统的一个不可调整的大三相用户。

选取电力系统中低压配电网某台区的局部三相网络，共有89个用电设备，其中55个智能用电设备，34个不可调整设备，具体名称、数量和所属家用负荷类别如下表1所示。

表1

优化前89个用电设备的负荷曲线如图3所示；

优化前台区实时三相不平衡度如图4所示；

步骤2、用户用电信息采集；

通过用户用电信息采集系统数据库中对配电变压器和终端用户的用电数据进行采集。

电力用户用电信息采集系统(poweruser electric energy data acquiresystem)是对电力用户的用电信息进行采集、处理和实时监控的系统。

假设用户某一时刻接入电路中的用电器数量为n，分别记为A1，A2，……，An。

用户用电信息采集系统对各智能用设备以1min为间隔进行实时采样，共采样1440个点。

各智能用电设备的运行实际电流/电压表示为Ixy/Uxy,各智能用电设备的运行功率分别为Pxy，进而得到各智能用电设备的周负荷曲线，其中x＝1,2,…，n,表示电力系统在选定台区的n个智能用电设备的编号，y＝1,2,…,1440，表示以1min为间隔进行实时采样的采样点。

步骤3、获取电力系统各台区的各相拓扑结构；

通过电力系统用户侧每相负载的变化规律，准确识别每个用户所属的相序，制定更符合实际电力系统的三相平衡控制策略。

在电力系统中，同一相位用户电压曲线的波动比较相似，不同相位用户电压曲线波动相似性较差。通过从用户用电信息采集系统提取台区变压器A、B、C三相电压序列Ua、Ub、Uc及所属用户智能电表电压数据Uxy，计算每个用户电表电压数据Uxy与三相网络台区变压器A、B、C三相电压数据Ua、Ub、Uc之间的相关系数，该用户相序是与A、B、C三相电压数据中相关系数最大的相位。利用各用户用电设备电压数据和台区变压器电压数据相似性判别获得各相拓扑结构及智能可调控设备的相别。

两条电压曲线之间的相关性通过皮尔逊相关系数进行分析，表达式如下所示：

式中，

是U_xy样本的平均值，其中x＝1,2,…，n,表示电力系统选定台区的n个智能用电设备；y＝1,2,…,1440，表示电力系统以1min为间隔进行实时采样的采样点的序号；

是U_ky样本的平均值,其中k＝A、B、C,表示电力系统三相相序A、B、C；y＝1,2,…,1440，表示电力系统以1min为间隔进行实时采样的采样点的序号；

步骤4、用户用电特性分析；

步骤41、通过用户用电信息采集系统得到的各类智能用电设备的负荷曲线，离线构建可调控设备各种工作模式下的用电特性曲线；

步骤42、通过获得电力系统各台区各用户的拓扑结构，得到智能用电设备接入电力系统的电气位置及相别，计算电力系统A、B、C三相的负荷曲线；

步骤43、计算电力系统三相不平衡度；

步骤431、根据国标GB/T 15543-2008《电能质量-三相电压允许不平衡度》对三相不平衡度的定义：采用电压、电流负序基波分量或零序基波分量与正序基波分量的方均根值的百分比表示。

步骤432、对于三相对称电源供电的三相四线制配电系统，各相实时不平衡度g_k可以表示为：

式中，i_A、i_B、i_C为A、B、C三相瞬时电流值；

为瞬时三相平均电流值。

步骤433、对于电力系统内任意用电信息采样时刻点，以时刻点A、B、C三相中负荷不平衡度最大相作为此时的实时三相不平衡度g，则电力系统实时三相不平衡度可表示为：

g＝max(g_A、g_B、g_C)

步骤434、计及一个典型周期，则在一个分析周期内电力系统实时三相不平衡度矩阵为：

g＝[g₁ g₂ … g_y]

式中，g₁表示第1个采样点的A、B、C三相负荷不平衡度；g_y表示第y(y＝1440)个采样点A、B、C三相负荷不平衡度。

步骤435、在采样周期T内，A、B、C各相平均不平衡度为：

式中，G_A、G_B、G_c分别表示采样周期T内A、B、C三相负荷平均不平衡度；g_iA、g_iB、g_iC分别为第i个采样点采样的A、B、C三相的实时不平衡度；y为采样周期T内的采样点个数；

步骤5、基于启发式全局优化的人工智能算法的三相平衡控制策略；

本实施例通过模拟生物(用户)在运动(选择)过程中，在所经过的路径(控制策略)上留下信息素，并以此指导生物(用户)倾向于朝着信息素浓度大的方向移动，这一过程表现出一种信息正反馈现象：在某一路径(即某一种三相不平衡度调整策略)走过的生物(用户)越多，后来生物选择这一路径的概率越大，即通过此专利方法确定N_W个工作时间段的用户工作模式控制策略。该控制策略流程图如图2所示，包括如下具体步骤：

步骤51，控制策略初始化；

步骤511、控制变量初始化随机分配；

将一天分为m＝1440个时间段，将n个智能用电设备开启的时刻按照随机分配的原则分配在m个时间段中，将每个时间段内智能用电设备开启的时刻看做相同，都在一个时间点开启，即第i个时间段中的智能用电设备开启的时刻都在第i个时间点。用n个生物代表n个智能用电设备，智能用电设备开启的时刻就是生物所处的坐标点，以电力系统三相不平衡度为优化变量，将生物坐标点设置为是以时间和实时三相不平衡度组成的二维坐标对，智能用电设备开启的时刻就是生物位置的变化，从而产生路径。设定生物只能感受临近的信息素，也就是设定智能用电设备每次改变开启时刻的时间长度不超过10分钟；

当前电力系统中各智能用电设备工作时间段数用N_W表示，令n＝1.5N_W。

步骤512、信息素浓度初始化；

设B_i(t)(i＝1,2,…,m)是在t时刻，点i的生物数，

设总共有n只生物，

为全部生物数。

初始时刻，各条路径上的信息素浓度相等，设τ_ij(t)＝C(C为常数)。生物k(k＝1,2,…,n)在移动过程中，根据各条路径上的信息素浓度决定转移方向。

步骤52、生物移动路径选择；

设n只生物可以通过以距离和信息素浓度为变量的概率函数来选择路径通过的下一个点，τ_ij(t)为t时刻路径e(i,j)上信息素的浓度，e(i,j)表示点i转移到点j的路径。

规定生物选择合理路线，除非循环完成，否则不允许转到已访问的点，这一规定由禁忌表控制，设tabu_k表示第k只蚂蚁的禁忌表，tabu_k(s)表示禁忌表中第s个点，禁忌表tabu_k随着进化过程可以做出动态调整。

完成循环后，生物在每一条已选择的路径上留下信息素。

则

表示在t时刻生物k由点i转移到点j的概率，计算表达式如下所示：

式中，allowed_k＝{0,1,…,m-1}-tabu_k表示生物k下一步允许选择的点；tabu_k(k＝1,2,3,…,n)记录生物k当前走过的点；η_ij表示路径(i,j)的能见度，

d_ij表示点i到点j之间的距离；α表示轨迹的相对重要性；β表示能见度的相对重要性；

步骤53、路径信息素浓度矩阵更新；

经过a个时刻，生物完成一次循环，各路径上的信息素浓度根据下式更新：

τ_ij(t+a)＝ρτ_ij(t)+Δτ_ij

式中，Δτ_ij表示在此次循环中路径ij上的信息素浓度增量；ρ表示轨迹的持久性，1-ρ表示轨迹的衰减度，即随着时间的推移，路径上留下的信息素逐渐丢失；Δτ_ij ^k表示第k只生物在本次循环中留在路径ij上的信息素浓度。Δτ_ij ^k用下式表示：

步骤54、智能用电设备开启时刻优化；

采样时刻σ_y(y＝1,2,···,m)内的三相不平衡度用二维坐标M₁(σ₁,g₁)，M₂(σ₂,g₂)，…，M_m(σ_m,g_m)表示；式中，g₁,g₁,…,g_m的值代表各个时刻的三相不平衡度；用m对二维坐标表示步骤52中路径规划中可供选择的m个点；

生物到达位置处的三相不平衡度与其在此处释放的信息素浓度的关系如下式所示：

式中，τ_d(k)为第k只生物在点d释放的信息素浓度；c_k为第k只生物到达点d的次数；g_d为点d处的三相不平衡度；g_m为点m处的三相不平衡度。

由上式可知，三相不平衡度越大的时刻释放的信息素越少；利用生物选择路径释放信息素的不同，模拟了负荷开启时刻电力系统由三相不平衡较大向三相不平衡较低转移的过程。

本专利采用基于启发式全局优化的人工智能算法对电力系统三相不平衡进行调整优化，具有以下优势：

a.采用适者生存、优胜劣汰的优化机制，直接对结构对象进行操作，不存在求导和函数连续性的限定；

b.从可行解的串集开始搜索，而不是从单个解开始搜索，覆盖面大，有利于全局择优。这与传统优化算法有极大区别，传统的优化算法从单个初始值迭代求最优解，容易陷入局部最优解，因此具有内在的隐并行性和更好的全局寻优能力；

c.采用概率化的寻优方法，可以自动学习获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则；

d.具有自组织、自适应和自学习性。

步骤6、电力系统优化控制策略；

步骤61、重新确定智能用电设备开启时刻；

设置系统迭代次数为N，到达系统设置的迭代求解次数N后，选一条信息素最多的路径作为最优解输出，此路径即为以三相不平衡度最小为优化目标的电力系统最优控制策略；

以步骤61得到的三相平衡最优控制策略重新确定智能用电设备开启时刻，得到理想的智能用电设备开启时刻，将开启时刻从小到大排序，分别为{t₁,t₂,…t_C,…t_n}，理想智能用电设备开启时刻即不考虑智能用电设备实际应用场景及用户偏好设置的优化策略；

步骤62、电力系统最优控制判据；

与电力系统内台区智能厂商APP交互，得到住户设置的智能用电设备偏好工作时间段，以影响度Yx为判断依据，对理想的智能用电设备开启时刻{t₁,t₂,…t_C,…t_n}进行调整，若影响度小于3，则不进行调整，反之，则调整t_C得到优化后的智能用电设备开启时刻为{t′₁,t′₂,…t′_C,…t′_n}；

影响度Yx计算表达式如下：

步骤63、电力系统优化控制策略；

将优化后的用电设备工作指令发送给可调控单相智能用电设备供货商的网络/云端数据库。

生成当日电力系统内参与优化的可调整类智能用电设备的开启顺序，从而完成基于用电设备智能网络调控的电力物联网三相平衡调整。

具体实施例基于用电设备智能网络调控物联网的电力三相平衡策略方法的治理效果：

通过以实时三相不平衡度最小为优化目标，计算优化后可调整类智能用电设备的开启顺序，通过可调控单相智能用电设备供货商的网络/云端数据库工作指令，生成当日电力系统内参与优化的可调整类智能用电设备的开启顺序，从而完成基于用电设备智能网络调控的电力物联网三相不平衡调整，调整后实时三相不平衡度如图5所示，实时三相不平衡度平均降幅78.78％，台区三相不平衡治理效果较为明显，对电网经济安全稳定运行具有一定的指导意义。

以上所述的实施例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做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 (5)

1.一种基于用电设备智能网络调控物联网的电力三相平衡策略方法，其特征在于，其包括如下步骤：

步骤1、对电力系统的智能用电设备进行分类；

将电力系统的智能用电设备分为不可调整类负荷和可调整类负荷，并将全部所述不可调整类负荷整体视为电力系统的一个不可调整的大三相用户；

所述不可调整类负荷指设备启动时间不存在调整裕度的用电设备，所述可调整类负荷指用电设备启动时间存在调整裕度，并且调整设备启动时刻不会影响用户舒适度的用电设备；

步骤2、对用户用电信息进行采集；

利用用户用电信息采集系统，对电力系统内各台区变压器及其所属用户的用电数据进行采集；所述用电数据包括台区变压器电压数据、智能电表电压数据和智能用电设备的负荷曲线；

步骤3、获取电力系统内各台区的各相拓扑结构；

利用步骤2提取到的所述台区变压器及其所属用户的智能电表电压数据，分别计算所述电表电压数据与所述台区变压器的A相、B相和C相电压数据之间的相关系数，与所述电表电压数据的相关系数最大的相位则是所述用户的电表相序，从而获取电力系统内各台区各相拓扑结构；

所述电表电压数据与所述台区变压器的A相、B相和C相电压数据之间的相关系数r的计算表达式如下所示：

式中，

是X_i的平均值；X_i是电表电压数据中的第i个数据；

是Y_i的平均值；Y_i是台区变压器A相、B相或者C相电压数据中的第i个数据；

步骤4、用户用电特性分析；

步骤41、利用从所述用户用电信息采集系统得到的所述智能用电设备的负荷曲线，离线构建所述智能用电设备在不同工作模式下的用电特性曲线；

步骤42、利用所述电力系统各台区各相拓扑结构，计算电力系统A相、B相和C相的负荷曲线；

步骤43、对电力系统三相不平衡度进行计算；

步骤5、制定电力系统的三相平衡控制策略；

基于人工智能算法，制定电力系统的三相平衡控制策略；

步骤6、对电力系统进行优化控制；

步骤61、重新确定所述智能用电设备开启时刻；

以步骤5得到的所述三相平衡控制策略重新确定所述电力系统的智能用电设备的开启时刻，得到理想的所述智能用电设备开启时刻，并将所述开启时刻从小到大排序为{t₁,t₂,…t_C,…t_n}；

步骤62、电力系统最优控制判据；

与电力系统内智能厂商APP交互，得到住户设置的智能用电设备偏好工作时间段，以影响度Yx为判断依据，对所述理想的智能用电设备开启时刻进行调整，得到优化后的智能用电设备开启时刻为{t′₁,t′₂,…t′_C,…t′_n}；

影响度Yx计算表达式如下：

步骤63、电力系统三相平衡优化控制；

将优化后的用电设备工作指令发送给可调控所述智能用电设备供货商的网络/云端数据库；生成当日电力系统参与优化的可调整类智能用电设备的开启顺序，从而完成基于用电设备智能网络调控物联网的电力三相平衡调整；

步骤5中所述三相平衡控制策略包括以下具体实施步骤：

步骤51、控制策略初始化；

步骤511、随机分配控制变量并初始化；

将一天分为m个时间段，将n′个智能用电设备开启的时刻按照随机分配的原则分配在m个时间段中，将每个时间段内智能用电设备开启的时刻看做相同，都在一个时间点开启，即第i个时间段中的智能用电设备开启的时刻都在第i个时间点；用n′个生物代表n′个智能用电设备，智能用电设备开启的时刻就是生物所处的坐标点，以电力系统三相不平衡度为优化变量，将生物坐标点设置为是以时间和实时三相不平衡度组成的二维坐标对，智能用电设备开启的时刻的变化就是生物所处位置的变化，从而产生路径；设定生物只能感受临近的信息素，也就是设定智能用电设备每次改变开启时刻的时间长度不超过10分钟；

步骤512、信息素浓度初始化；

设B_i(t)是在t时刻，第i个时间点的生物数，i＝1，2，...，m，设总共有n′只生物.

为全部生物数；初始时刻，各条路径上的信息素浓度相等，设初始信息素浓度τ_ij(t)＝C，C为常数；生物k在移动过程中，根据各条路径上的信息素浓度决定转移方向，k＝1，2，...，n′；

步骤52、生物移动路径选择；

设n′只生物可以通过以距离和信息素浓度为变量的概率函数来选择路径通过的下一个点，τ_ij(t)为t时刻路径e(i，j)上信息素的浓度，路径e(i，j)表示生物从i点运动到j点的路径；

规定：生物选择路线为合理路线，除非循环完成，否则不允许转到已访问的点；这一规定由禁忌表控制，设tabu_k表示第k只生物的禁忌表，tabu_k(s)表示禁忌表中第s个点，禁忌表tabu_k随着进化过程可以做出动态调整；

完成循环后，生物在每一条已选择的路径上留下信息素；

则

表示在t时刻生物k由点i转移到点j的概率，计算表达式如下所示：

式中，allowed_k＝{0，1，...，m-1}-tabu_k表示生物k下一步允许选择的点；tabu_k记录生物k当前走过的点，k＝1，2，3，...，n′；η_ij表示路径(i，j)的能见度，

d_ij表示点i到点j之间的距离；α表示轨迹的相对重要性；β表示能见度的相对重要性；m表示可供选择的点的个数；

步骤53、路径信息素浓度矩阵更新；

经过a个时刻，生物完成一次循环，各路径上的信息素浓度根据下式更新为：

τ_ij(t+a)＝ρτ_ij(t)+Δτ_ij；

式中，Δτ_ij表示在此次循环中路径ij上的信息素浓度增量；ρ表示轨迹的持久性，1-ρ表示轨迹的衰减度，即随着时间的推移，路径上留下的信息素逐渐丢失；Δτ_ij ^k表示第k只生物在本次循环中留在路径ij上的信息素浓度；Δτ_ij ^k用下式表示：

步骤54、智能用电设备开启时刻优化；

采样时刻σ_y内的三相不平衡度用二维坐标M₁(σ₁，g₁)，M₂(σ₂，g₂)，…，M_m(σ_m，g_m)表示，y＝1，2，…，m；

式中，g₁，g₁，…，g_m的值代表各个时刻的三相不平衡度；

以m对二维坐标代表步骤52中路径选择时可供选择的m个点；

生物所在位置处的三相不平衡度与其在此处释放的信息素浓度的关系如下式所示：

式中，τ_d(k)为第k只生物在点d释放的信息素浓度；c_k为第k只生物到达点d的次数；g_d为点d处的三相不平衡度；g_m为点m处的三相不平衡度；

步骤55、制定电力系统最优控制策略；

设置系统迭代次数为N，到达系统设置的迭代求解次数N后，选一条信息素最多的路径作为最优解输出，此路径即为以三相不平衡度最小为优化目标的电力系统最优控制策略；

步骤511中如果当前电力系统中智能用电设备的工作时间段数量有N_w个，令n＝1.5N_w。

2.根据权利要求1所述的基于用电设备智能网络调控物联网的电力三相平衡策略方法，其特征在于，步骤43中所述的三相不平衡度采用各相瞬时电流值计算电力系统实时三相不平衡度。

3.根据权利要求1所述的基于用电设备智能网络调控物联网的电力三相平衡策略方法，其特征在于，所述步骤43包括以下具体步骤：

步骤431、计算各相实时不平衡度g_k；

对于三相对称电源供电的三相四线制配电系统，各相实时不平衡度g_k可以表示为：

k＝A、B、C

式中，i_A、i_B、i_C为A相、B相、C相瞬时电流值；

为A相、B相、C相瞬时电流的平均值；

步骤432、计算电力系统实时三相不平衡度；

对于电力系统内任意用电信息采样时刻点，以时刻点A相、B相、C相中负荷不平衡度最大的相作为此采样时刻点的实时三相不平衡度g，则电力系统实时三相不平衡度可表示为：

g＝max(g_A、g_B、g_C)

步骤433、构建分析周期内电力系统的三相不平衡度矩阵；

在一个分析周期T内电力系统的三相不平衡度矩阵为：

g＝[g₁ g₂ … g_y]

式中，g₁表示第1个采样点的A、B、C三相负荷不平衡度；g_y表示第y个采样点的A、B、C三相负荷不平衡度；y为采样周期T内的采样点个数；

步骤434、计算采样周期T内，电力系统内各台区A相、B相、C相的平均不平衡度；

在采样周期T内，A相、B相、C相的平均不平衡度为：

式中，G_A、G_B、G_c分别表示采样周期T内A相、B相、C相负荷平均不平衡度；g_iA、g_iB、g_iC分别为第i个采样点采样的A相、B相、C相的实时不平衡度；y为采样周期T内的采样点个数。

4.根据权利要求1所述的基于用电设备智能网络调控物联网的电力三相平衡策略方法，其特征在于，步骤5中所述人工智能算法为基于启发式全局优化的人工智能算法。

5.根据权利要求1所述的基于用电设备智能网络调控物联网的电力三相平衡策略方法，其特征在于，步骤62中所述影响度的判断标准为3；若所述影响度小于3，则不进行调整，反之，则调整t_C。

Images