CN111555293A - 一种基于数据模型分析的无功设备选型系统及方法 - Google Patents

Abstract

本发明公开了一种基于数据模型分析的无功设备选型系统及方法，涉及能源互联网仿真分析计算技术领域；系统包括初始化、变压器及相关无功设备详细建模、数据分析、无功设备选型和最优电压曲线分析共五个程序模块，无功设备选型模块，用于根据自动电压控制算法进行仿真，进行无功设备模型和参数条件下结果对比，得出无功设备选型建议，方法包括S1初始化、S2变压器及相关无功设备详细建模、S3数据分析、S4无功设备选型和S5最优电压曲线分析共五个步骤；其通过初始化、变压器及相关无功设备详细建模、数据分析、无功设备选型和最优电压曲线分析五个程序模块等，实现了无功设备与运行环境匹配程度高，无功设备动作次数减少的效果。

Description

一种基于数据模型分析的无功设备选型系统及方法

技术领域

本发明涉及能源互联网仿真分析计算技术领域，尤其涉及一种基于数据模型分析的无功设备选型系统及方法。

背景技术

电力规划是电力系统建设重要组成部分，其任务是根据规划期间的负荷增长以及电源规划方案建设科学合理的能源互联网结构，在满足经济、可靠、安全地将电能输送到负荷中心的前提下，使建设和运行费用最小。随着能源互联网和大数据分析技术发展，以往无功设备选型只看价格和容量的模式不再适用，需要在价格和容量之外综合考虑无功设备与运行环境匹配程度，降低设备损坏率。同时变电站电压曲线是否最优，也是影响无功设备运行的因素。

目前大量文献只说明了数据分析或设备选型，而没有提到如何利用数据模型分析进行无功设备选型及最优电压曲线判别。特别是针对最优电压曲线判别，没有给出技术方案。

申请号为201510564680.4的《一种基于数据分析下的电网精益管理系统》的发明专利涉及一种基于数据分析下的电网精益管理系统，包括电力设备，和电力设备相适配的数据采集模块，和数据采集模块相连的分布式数据库，和分布式数据库相连的数据计算分析模块，和分布式数据库、数据计算分析模块相连的输出控制模块，和输出控制模块相接的移动终端。该方法是通过数据采集模块采集数据后分析设备健康情况，没有涉及如何利用历史数据模型分析无功设备选型及最优电压曲线判别。

申请号为ZL201610653773.9的专利《一种基于节能回报率的电网设备节能评价及选型方法》针对利用节能回报率进行电网设备选型的问题，提出根据节能回报率大小解决设备选型问题。该方法从节能角度分析，没有涉及根据系统电压越限问题、无功设备动作次数问题进行设备选型，该方法仅是单一指标判别；此外也不涉及最优电压曲线判别。

申请号：201910085996.3的专利《一种低压无功补偿系统的数据分析和处理的方法及系统》提出通过硬件采集低压无功补偿系统以及用户配电系统的数据信息，通过预设无功补偿处理分析数据库对数据进行处理和分析，获取功率因数、有功功率以及无功功率，快速准确的完成电容的投切以及对硬件的自检报警，实现无功补偿和对补偿系统的各个设备元件的在线检测。该方法利用数据分析快速获得指标参数判定电容器投切，不能进行无功设备选型和最优电压曲线判别。

申请号201810100183.2的专利《一种基于大数据分析的配电网平台》实采用目录检索和搜索引擎结合的检索算法，能够快速、准确的获取数据，实现数据统一管理，并未涉及无功设备选型和最优电压曲线判别。

申请号201710169825.X的《基于多数据分析的配电网无功优化系统及方法》通过10kV线路各节点运行数据，进行潮流计算，通过遗传算法制定无功优化策略使线路运行在最优状态。该方法是利用实时数据判定当前时段线路上无功优化，不能进行无功设备选型和最优电压曲线判别。

现有技术问题及思考：

如何解决无功设备与运行环境匹配程度差的技术问题。

如何解决无功设备动作次数频繁的技术问题。

如何获取区域或一个变电站最优电压曲线的技术问题。

发明内容

本发明所要解决的技术问题是提供一种基于数据模型分析的无功设备选型系统及方法，其通过初始化、变压器及相关无功设备详细建模、数据分析、无功设备选型和最优电压曲线分析五个程序模块等，实现了无功设备与运行环境匹配程度高，无功设备动作次数减少。

为解决上述技术问题，本发明所采取的技术方案是：一种基于数据模型分析的无功设备选型系统包括初始化、变压器及相关无功设备详细建模、数据分析、无功设备选型和最优电压曲线分析共五个程序模块，初始化模块，用于参数设定和修改；变压器及相关无功设备详细建模模块，用于建立变压器及相关无功设备的模型和参数；数据分析模块，用于选择需要分析数据的时间范围，装载该时间范围的能源互联网模型、参数和运行数据，得出规划年度负荷时段的有功和无功负荷时空分布数据、非计划停运状态及停运持续时间以及拒动状态及持续时间，得出规划日内负荷时段的有功和无功负荷时空分布数据、非计划停运状态及停运持续时间以及拒动状态及持续时间；无功设备选型模块，用于根据自动电压控制算法进行仿真，进行无功设备模型和参数条件下结果对比，得出无功设备选型建议；最优电压曲线分析模块，用于通过电压曲线设定下的自动电压控制算法进行仿真，得出相关指标结果并进行对比。

进一步的技术方案在于：所述初始化模块，还用于设定或修改需要分析的实际能源互联网范围和拓扑结构；设定范围时根据地理位置接线图设定实际地理范围内的区域、根据省市县行政区域划分、以经度纬度的准确数据划分、根据资产所属公司划分、或者根据调度范围的自定义数据划分；选择需要分析的能源互联网的时间范围，时间范围内同时包括已经发生的时间和规划年度时间；按照日最高负荷数值划分年度负荷时段，包括年度低负荷时段、年度高负荷时段和年度常规负荷时段；按照每日负荷时间分布，划分日内负荷时段，包括日高负荷时段、日低负荷时段和日常规负荷时段；选定自动电压控制算法为协调二级电压控制算法、多目标优化智能分段算法或者Pareto最优解。

进一步的技术方案在于：所述变压器及相关无功设备详细建模模块，还用于针对新建变压器或已有变压器及相关无功设备建立模型和参数；所述数据分析模块，还用于得出运行数据包括设备非计划停运状态及停运持续时间、设备拒动状态及持续时间、有功和无功负荷时空分布数据、不同年度内一个变电站一个电压等级母线每月的电压上限和下限以及下达电压曲线上限和下限；用机器学习算法分别预测初始化子系统中选择的时间范围内的每个规划年度在年度负荷时段和日内负荷时段的有功和无功负荷时空分布数据。

进一步的技术方案在于：所述无功设备选型模块，还用于初始化规划能源互联网模型并按照规划年度时间装载规划年度新建设备模型，装载能源互联网模型后，将量测数据送入数据库，进行状态估计；能源互联网模型直接将该年度SCADA 系统中的量测数据映射过来，对于规划年度新建设备，进行初始化量测映射；量测数据包括电压量测数据、注入量测数据、有功注入量测数据、无功注入量测数据和潮流量测数据；状态估计是指将量测数据中坏数据进行辨识和剔除；如果初始化不成功，输出报警信息；以上数据存入数据库；针对一个新建或已有无功设备，在相关无功设备模型参数不变的前提下，分别利用模型和参数，根据数据分析模块中预测的该规划年度在年度负荷时段和日内负荷时段的有功和无功负荷时空分布数据，根据初始化模块中的自动电压控制算法进行仿真，统计电压越限次数、无功设备动作次数、运行电压上限和运行电压下限并存入数据库；自动电压控制算法进行仿真是指对模型和数据进行第一次潮流计算后判定全部母线电压或中枢点母线电压是否越限，如没有越限，则进入下一仿真步长；如越限则按照自动电压控制算法计算对无功设备进行操作，并在下一仿真步长内操作，并进行潮流计算，再次判定全部母线电压或中枢点母线电压是否越限，直至仿真结束；增加该规划年度的无功设备在每一年度负荷时段和日内负荷时段的非计划停运状态及停运持续时间、在该年度每一负荷时段和日内负荷时段的拒动状态及持续时间这两项参数中的一项或全部，统计电压越限次数和不同无功设备动作次数、运行电压上限、运行电压下限，并存入数据库；规划年度的电压曲线上限和下限值取与其时间最接近的已经发生年度的电压曲线的上限和下限。

进一步的技术方案在于：所述最优电压曲线分析模块，还用于选择需要分析的变电站或区域、时间段；设置电压曲线并给出电压曲线数值；读取数据断面的遥测遥信数据，进行量测映射，针对每一组电压曲线基于选定的自动电压控制算法进行仿真并统计指标结果，保存至数据库中；针对下一组电压曲线，直至完成全部电压曲线的仿真和统计；对比指标并给出最优电压曲线。

一种基于数据模型分析的无功设备选型方法，基于上述系统还包括S1初始化、S2变压器及相关无功设备详细建模、S3数据分析、S4无功设备选型和S5最优电压曲线分析共五个步骤，S1初始化，参数设定和修改；S2变压器及相关无功设备详细建模，建立变压器及相关无功设备的模型和参数；S3数据分析，选择需要分析数据的时间范围，装载该时间范围的能源互联网模型、参数和运行数据，得出规划年度负荷时段的有功和无功负荷时空分布数据、非计划停运状态及停运持续时间以及拒动状态及持续时间，得出规划日内负荷时段的有功和无功负荷时空分布数据、非计划停运状态及停运持续时间以及拒动状态及持续时间；S4无功设备选型，根据自动电压控制算法进行仿真，进行无功设备模型和参数条件下结果对比，得出无功设备选型建议；S5最优电压曲线分析，通过电压曲线设定下的自动电压控制算法进行仿真，得出相关指标结果并进行对比。

进一步的技术方案在于：在所述S1初始化的步骤中，设定或修改需要分析的实际能源互联网范围和拓扑结构；设定范围时根据地理位置接线图设定实际地理范围内的区域、根据省市县行政区域划分、以经度纬度的准确数据划分、根据资产所属公司划分、或者根据调度范围的自定义数据划分；选择需要分析的能源互联网的时间范围，时间范围内同时包括已经发生的时间和规划年度时间；按照日最高负荷数值划分年度负荷时段，包括年度低负荷时段、年度高负荷时段和年度常规负荷时段；按照每日负荷时间分布，划分日内负荷时段，包括日高负荷时段、日低负荷时段和日常规负荷时段；选定自动电压控制算法为协调二级电压控制算法、多目标优化智能分段算法或者Pareto最优解。

进一步的技术方案在于：在所述S2变压器及相关无功设备详细建模的步骤中，针对新建变压器或已有变压器及相关无功设备建立模型和参数；在所述S3数据分析的步骤中，得出运行数据包括设备非计划停运状态及停运持续时间、设备拒动状态及持续时间、有功和无功负荷时空分布数据、不同年度内一个变电站一个电压等级母线每月的电压上限和下限以及下达电压曲线上限和下限；用机器学习算法分别预测初始化子系统中选择的时间范围内的每个规划年度在年度负荷时段和日内负荷时段的有功和无功负荷时空分布数据。

进一步的技术方案在于：在所述S4无功设备选型的步骤中，初始化规划能源互联网模型并按照规划年度时间装载规划年度新建设备模型，装载能源互联网模型后，将量测数据送入数据库，进行状态估计；能源互联网模型直接将该年度SCADA 系统中的量测数据映射过来，对于规划年度新建设备，进行初始化量测映射；量测数据包括电压量测数据、注入量测数据、有功注入量测数据、无功注入量测数据和潮流量测数据；状态估计是指将量测数据中坏数据进行辨识和剔除；如果初始化不成功，输出报警信息；以上数据存入数据库；针对一个新建或已有无功设备，在相关无功设备模型参数不变的前提下，分别利用模型和参数，根据S3数据分析步骤中预测的该规划年度在年度负荷时段和日内负荷时段的有功和无功负荷时空分布数据，根据S1初始化步骤中的自动电压控制算法进行仿真，统计电压越限次数、无功设备动作次数、运行电压上限和运行电压下限并存入数据库；自动电压控制算法进行仿真是指对模型和数据进行第一次潮流计算后判定全部母线电压或中枢点母线电压是否越限，如没有越限，则进入下一仿真步长；如越限则按照电压控制算法计算对无功设备进行操作，并在下一仿真步长内操作，并进行潮流计算，再次判定全部母线电压或中枢点母线电压是否越限，直至仿真结束；增加该规划年度的无功设备在每一年度负荷时段和日内负荷时段的非计划停运状态及停运持续时间、在该年度每一负荷时段和日内负荷时段的拒动状态及持续时间这两项参数中的一项或全部，统计电压越限次数和不同无功设备动作次数、运行电压上限、运行电压下限，并存入数据库；规划年度的电压曲线上限和下限值取与其时间最接近的已经发生年度的电压曲线的上限和下限。

进一步的技术方案在于：在所述S5最优电压曲线分析的步骤中，选择需要分析的变电站或区域、时间段；S501，设置电压曲线并给出电压曲线数值；S502，读取数据断面的遥测遥信数据，进行量测映射，针对每一组电压曲线基于选定的自动电压控制算法进行仿真并统计指标结果，保存至数据库中；S503，针对下一组电压曲线，重复S502步骤直至完成全部电压曲线的仿真和统计；S504，对比指标并给出最优电压曲线。

采用上述技术方案所产生的有益效果在于：

第一，一种基于数据模型分析的无功设备选型系统包括初始化、变压器及相关无功设备详细建模、数据分析、无功设备选型和最优电压曲线分析共五个程序模块，初始化模块，用于参数设定和修改；变压器及相关无功设备详细建模模块，用于建立变压器及相关无功设备的模型和参数；数据分析模块，用于选择需要分析数据的时间范围，装载该时间范围的能源互联网模型、参数和运行数据，得出规划年度负荷时段的有功和无功负荷时空分布数据、非计划停运状态及停运持续时间以及拒动状态及持续时间，得出规划日内负荷时段的有功和无功负荷时空分布数据、非计划停运状态及停运持续时间以及拒动状态及持续时间；无功设备选型模块，用于根据自动电压控制算法进行仿真，进行无功设备模型和参数条件下结果对比，得出无功设备选型建议；最优电压曲线分析模块，用于通过电压曲线设定下的自动电压控制算法进行仿真，得出相关指标结果并进行对比。该技术方案，其通过初始化、变压器及相关无功设备详细建模、数据分析、无功设备选型和最优电压曲线分析五个程序模块等，实现了无功设备与运行环境匹配程度高，无功设备动作次数减少。

第二，一种基于数据模型分析的无功设备选型方法，基于上述系统还包括S1初始化、S2变压器及相关无功设备详细建模、S3数据分析、S4无功设备选型和S5最优电压曲线分析共五个步骤，S1初始化，参数设定和修改；S2变压器及相关无功设备详细建模，建立变压器及相关无功设备的模型和参数；S3数据分析，选择需要分析数据的时间范围，装载该时间范围的能源互联网模型、参数和运行数据，得出规划年度负荷时段的有功和无功负荷时空分布数据、非计划停运状态及停运持续时间以及拒动状态及持续时间，得出规划日内负荷时段的有功和无功负荷时空分布数据、非计划停运状态及停运持续时间以及拒动状态及持续时间；S4无功设备选型，根据自动电压控制算法进行仿真，进行无功设备模型和参数条件下结果对比，得出无功设备选型建议；S5最优电压曲线分析，通过电压曲线设定下的自动电压控制算法进行仿真，得出相关指标结果并进行对比。该技术方案，其通过S1初始化、S2变压器及相关无功设备详细建模、S3数据分析、S4无功设备选型和S5最优电压曲线分析五个步骤等，实现了无功设备与运行环境匹配程度高，无功设备动作次数减少。

详见具体实施方式部分描述。

附图说明

图1是本发明的流程图；

图2是本发明中区域能源连接关系图。

具体实施方式

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实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本申请及其应用或使用的任何限制。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，都属于本申请保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本申请，但是本申请还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施例的限制。

实施例1：

本发明公开了一种基于数据模型分析的无功设备选型系统包括初始化、变压器及相关无功设备详细建模、数据分析、无功设备选型和最优电压曲线分析共五个程序模块，初始化模块，用于参数设定和修改。

所述初始化模块，还用于设定或修改需要分析的实际能源互联网范围和拓扑结构。

所述初始化模块，还用于设定范围时根据地理位置接线图设定实际地理范围内的区域、根据省市县行政区域划分、以经度纬度的准确数据划分、根据资产所属公司划分、或者根据调度范围的自定义数据划分。

所述初始化模块，还用于选择需要分析的能源互联网的时间范围，时间范围内同时包括已经发生的时间和规划年度时间。按照日最高负荷数值划分年度负荷时段，包括年度低负荷时段、年度高负荷时段和年度常规负荷时段；按照每日负荷时间分布，划分日内负荷时段，包括日高负荷时段、日低负荷时段和日常规负荷时段。选定自动电压控制算法为协调二级电压控制算法、多目标优化智能分段算法或者Pareto最优解。

变压器及相关无功设备详细建模模块，用于建立变压器及相关无功设备的模型和参数。

所述变压器及相关无功设备详细建模模块，还用于针对新建变压器或已有变压器及相关无功设备建立模型和参数。

数据分析模块，用于选择需要分析数据的时间范围，装载该时间范围的能源互联网模型、参数和运行数据，得出规划年度负荷时段的有功和无功负荷时空分布数据、非计划停运状态及停运持续时间以及拒动状态及持续时间，得出规划日内负荷时段的有功和无功负荷时空分布数据、非计划停运状态及停运持续时间以及拒动状态及持续时间。

所述数据分析模块，还用于得出运行数据包括设备非计划停运状态及停运持续时间、设备拒动状态及持续时间、有功和无功负荷时空分布数据、不同年度内一个变电站一个电压等级母线每月的电压上限和下限以及下达电压曲线上限和下限。

所述数据分析模块，还用于用机器学习算法分别预测初始化子系统中选择的时间范围内的每个规划年度在年度负荷时段和日内负荷时段的有功和无功负荷时空分布数据。

无功设备选型模块，用于根据自动电压控制算法进行仿真，进行无功设备模型和参数条件下结果对比，得出无功设备选型建议。

所述无功设备选型模块，还用于根据自动电压控制算法进行仿真，进行无功设备模型和参数条件下结果对比，得出无功设备选型建议。

所述无功设备选型模块，还用于初始化规划能源互联网模型并按照规划年度时间装载规划年度新建设备模型，装载能源互联网模型后，将量测数据送入数据库，进行状态估计；能源互联网模型直接将该年度SCADA 系统中的量测数据映射过来，对于规划年度新建设备，进行初始化量测映射；量测数据包括电压量测数据、注入量测数据、有功注入量测数据、无功注入量测数据和潮流量测数据；状态估计是指将量测数据中坏数据进行辨识和剔除。

所述无功设备选型模块，还用于如果初始化不成功，输出报警信息。以上数据存入数据库。

所述无功设备选型模块，还用于针对一个新建或已有无功设备，在相关无功设备模型参数不变的前提下，分别利用模型和参数，根据数据分析模块中预测的该规划年度在年度负荷时段和日内负荷时段的有功和无功负荷时空分布数据，根据初始化模块中的自动电压控制算法进行仿真，统计电压越限次数、无功设备动作次数、运行电压上限和运行电压下限并存入数据库。

所述无功设备选型模块，还用于自动电压控制算法进行仿真是指对模型和数据进行第一次潮流计算后判定全部母线电压或中枢点母线电压是否越限，如没有越限，则进入下一仿真步长；如越限则按照自动电压控制算法计算对无功设备进行操作，并在下一仿真步长内操作，并进行潮流计算，再次判定全部母线电压或中枢点母线电压是否越限，直至仿真结束。

所述无功设备选型模块，还用于增加该规划年度的无功设备在每一年度负荷时段和日内负荷时段的非计划停运状态及停运持续时间、在该年度每一负荷时段和日内负荷时段的拒动状态及持续时间这两项参数中的一项或全部，统计电压越限次数和不同无功设备动作次数、运行电压上限、运行电压下限，并存入数据库。规划年度的电压曲线上限和下限值取与其时间最接近的已经发生年度的电压曲线的上限和下限。

最优电压曲线分析模块，用于通过电压曲线设定下的自动电压控制算法进行仿真，得出相关指标结果并进行对比。

所述最优电压曲线分析模块，还用于通过电压曲线设定下的自动电压控制算法进行仿真，得出相关指标结果并进行对比。

所述最优电压曲线分析模块，还用于选择需要分析的变电站或区域、时间段。

所述最优电压曲线分析模块，还用于设置电压曲线并给出电压曲线数值；读取数据断面的遥测遥信数据，进行量测映射，针对每一组电压曲线基于选定的自动电压控制算法进行仿真并统计指标结果，保存至数据库中；针对下一组电压曲线，直至完成全部电压曲线的仿真和统计；对比指标并给出最优电压曲线。

实施例2：

如图1所示，本发明公开了一种基于数据模型分析的无功设备选型方法包括S1初始化、S2变压器及相关无功设备详细建模、S3数据分析、S4无功设备选型和S5最优电压曲线分析共五个步骤，基于实施例1的系统具体执行如下操作：

S1初始化

参数设定和修改，设定或修改需要分析的实际能源互联网范围和拓扑结构。

设定范围时根据地理位置接线图设定实际地理范围内的区域、根据省市县行政区域划分、以经度纬度的准确数据划分、根据资产所属公司划分、或者根据调度范围的自定义数据划分。

选择需要分析的能源互联网的时间范围，时间范围内同时包括已经发生的时间和规划年度时间。按照日最高负荷数值划分年度负荷时段，包括年度低负荷时段、年度高负荷时段和年度常规负荷时段；按照每日负荷时间分布，划分日内负荷时段，包括日高负荷时段、日低负荷时段和日常规负荷时段。选定自动电压控制算法为协调二级电压控制算法、多目标优化智能分段算法或者Pareto最优解。

S2变压器及相关无功设备详细建模

建立变压器及相关无功设备的模型和参数，针对新建变压器或已有变压器及相关无功设备建立模型和参数。

S3数据分析

选择需要分析数据的时间范围，装载该时间范围的能源互联网模型、参数和运行数据，得出规划年度负荷时段的有功和无功负荷时空分布数据、非计划停运状态及停运持续时间以及拒动状态及持续时间，得出规划日内负荷时段的有功和无功负荷时空分布数据、非计划停运状态及停运持续时间以及拒动状态及持续时间。

得出运行数据包括设备非计划停运状态及停运持续时间、设备拒动状态及持续时间、有功和无功负荷时空分布数据、不同年度内一个变电站一个电压等级母线每月的电压上限和下限以及下达电压曲线上限和下限。

用机器学习算法分别预测初始化子系统中选择的时间范围内的每个规划年度在年度负荷时段和日内负荷时段的有功和无功负荷时空分布数据。

S4无功设备选型

根据自动电压控制算法进行仿真，进行无功设备模型和参数条件下结果对比，得出无功设备选型建议。

初始化规划能源互联网模型并按照规划年度时间装载规划年度新建设备模型，装载能源互联网模型后，将量测数据送入数据库，进行状态估计；能源互联网模型直接将该年度SCADA 系统中的量测数据映射过来，对于规划年度新建设备，进行初始化量测映射；量测数据包括电压量测数据、注入量测数据、有功注入量测数据、无功注入量测数据和潮流量测数据；状态估计是指将量测数据中坏数据进行辨识和剔除。

如果初始化不成功，输出报警信息。以上数据存入数据库。

针对一个新建或已有无功设备，在相关无功设备模型参数不变的前提下，分别利用模型和参数，根据S3数据分析步骤中预测的该规划年度在年度负荷时段和日内负荷时段的有功和无功负荷时空分布数据，根据S1初始化步骤中的自动电压控制算法进行仿真，统计电压越限次数、无功设备动作次数、运行电压上限和运行电压下限并存入数据库。

自动电压控制算法进行仿真是指对模型和数据进行第一次潮流计算后判定全部母线电压或中枢点母线电压是否越限，如没有越限，则进入下一仿真步长；如越限则按照自动电压控制算法计算对无功设备进行操作，并在下一仿真步长内操作，并进行潮流计算，再次判定全部母线电压或中枢点母线电压是否越限，直至仿真结束。

增加该规划年度的无功设备在每一年度负荷时段和日内负荷时段的非计划停运状态及停运持续时间、在该年度每一负荷时段和日内负荷时段的拒动状态及持续时间这两项参数中的一项或全部，统计电压越限次数和不同无功设备动作次数、运行电压上限、运行电压下限，并存入数据库。规划年度的电压曲线上限和下限值取与其时间最接近的已经发生年度的电压曲线的上限和下限。

S5最优电压曲线分析

通过电压曲线设定下的自动电压控制算法进行仿真，得出相关指标结果并进行对比。

选择需要分析的变电站或区域、时间段。

S501，设置电压曲线并给出电压曲线数值。

S502，读取数据断面的遥测遥信数据，进行量测映射，针对每一组电压曲线基于选定的自动电压控制算法进行仿真并统计指标结果，保存至数据库中。

S503，针对下一组电压曲线，重复S502步骤直至完成全部电压曲线的仿真和统计。

S504，对比指标并给出最优电压曲线。

发明目的：

本方法适用于能源互联网仿真分析技术，特别适用于无功设备选型及最优电压曲线判别领域，基于该方法编写基于数据模型分析的无功设备选型及最优电压曲线判别程序，可选出全网不同区域或不同变电站适用的无功设备类型，降低设备与运行环境不匹配风险，实现为用户节约设备资金、降低设备损坏率的目标。方法也可以生成某一变电站最优电压曲线或者某区域最优电压曲线，为能源互联网经济、高效运行提供数据依据和决策支持。

本申请的发明构思：

通过基于数据模型分析的无功设备选型及最优电压曲线判别系统及方法，改善无功设备与运行环境匹配程度，减少无功设备动作次数。

本申请是利用能源互联网数据结合无功设备模型及参数，在选定的自动电压控制算法下进行中长期仿真，进行结果对比，得出无功设备选型建议；通过不同电压曲线设定下的自动电压控制算法进行中长期仿真，得出相关指标结果，判别最优电压曲线。

本申请的技术特点：

本申请的无功设备选型及最优电压曲线判别包括五个子系统：初始化子系统、变压器及相关无功设备详细建模子系统、数据分析子系统、无功设备选型子系统和最优电压曲线分析子系统，其中初始化子系统用于参数设定和修改；变压器及相关无功设备详细建模子系统用于变压器及相关无功设备建立多组模型和参数；数据分析子系统用于选择需要分析数据的时间范围，装载该时间范围的能源互联网模型、参数和运行数据，得出不同规划年度负荷时段和日内负荷时段的有功、无功负荷时空分布数据、非计划停运状态及停运持续时间、拒动状态及持续时间；无功设备选型子系统根据选定的自动电压控制算法进行中长期仿真，进行不同变压器无功设备模型和参数条件下结果对比，得出无功设备选型建议；最优电压曲线分析子系统可以通过不同电压曲线设定下的自动电压控制算法进行中长期仿真，得出相关指标结果，进行对比。

（1）初始化子系统

用户进入初始化子系统，可以设定或修改需要分析的实际能源互联网范围和拓扑结构。其中设定范围时可以根据地理位置接线图设定实际地理范围内的区域，包括但不限于省市县等行政区域划分或者以经度纬度等准确数据划分，还可以根据资产所属公司等、调度范围等自定义数据划分。选择需要分析的能源互联网的时间范围，时间范围内可以同时包括已经发生的时间和规划年度时间。按照日最高负荷数值划分年度负荷时段，包括但不限于年度低负荷时段（如春节、政策性限负荷），年度高负荷时段（如7-8月夏峰、12-2月冬峰）、年度常规负荷时段；按照每日负荷时间分布，划分日内负荷时段，包括但不限于日高负荷时段（如10：30-12:00、19：00-21:00）、日低负荷时段（如10：30-12:00、19：00-21:00）、日常规负荷时段。选定自动电压控制算法，包括但不限于协调二级电压控制算法、多目标优化智能分段算法、Pareto最优解等。

上述实际能源互联网中每个设备的模型参数除了包含常规参数（电阻、电抗等）外，还应包含所属变电站、资产公司、地理位置信息、调控信息、年度时标（计划投产时间、实际投产时间、计划退役时间、实际退役时间等）。除已有能源互联网模型外，用户还需要录入不同规划年度新建设备的位置（地理位置和拓扑结构）和模型参数，所述新设备包括但不限于线路、母线、机组、负荷、开关、断路器，但不包括变压器、电容器、电抗器、线路串补、静止无功补偿器（SVG）。新建设备的模型参数默认选择典型值。初始化子系统可以录入或修改上述模型数据，也可以从EMS、SCADA、D5000等系统中导入上述模型数据。

新建变压器、电容器、电抗器、线路串补、静止无功补偿器（SVG）的位置、模型和参数由变压器及相关无功设备详细建模子系统负责。

（2）变压器及相关无功设备详细建模子系统

子系统可以针对某一新建变压器或已有变压器及相关无功设备同时建立多组模型和参数。相关无功设备是指该变压器低压侧母线下的电容、电抗器、SVG或者高压侧母线连接线路上的线路串补。

变压器模型包括但不限于三相双绕组模型、单相自耦三绕组无励磁调压模型、单相双绕组模型。SVG模型包括但不限于可控饱和电抗器、自饱和电抗器、相控电抗器。

变压器参数包括但不限于生产厂家、有载调压或无载调压、调压档位、调压档位死区、短路损耗、短路电压、空载损耗、空载电流、高压侧额定电压、高压侧额定容量、中压侧额定容量、低压侧额定容量。

SVG模型包括但不限于生产厂家、功率因数、控制方式、电压定值、电压斜率、无功最大调节速率、调节死区、额定容量。

电容器、电抗器和线路串补参数包括但不限于最小单元容量、组数、最大一次性投入组数、拒动后复投/切限制次数。

（3）数据分析子系统

选择需要分析的已有数据的时间范围，装载该时间范围的能源互联网模型、参数和运行数据，运行数据包括但不限于设备非计划停运状态及停运持续时间、设备拒动状态及持续时间、有功、无功负荷时空分布数据、不同年度内某变电站某一电压等级母线每月的电压上限、下限和下达电压曲线上限、下限。

上述已有数据可以是能源互联网实际年度运行数据，从EMS、SCADA、D5000、open3000等系统中导出，也可以是能源互联网若干组中长期仿真数据的集合。

用机器学习算法分别预测初始化子系统中选择的时间范围内的各个规划年度在不同年度负荷时段和日内负荷时段的有功、无功负荷时空分布数据。

用机器学习算法分别预测初始化子系统中选择的时间范围内的各个规划年度的变压器和电容、电抗器在各年度负荷时段和日内负荷时段的非计划停运状态及停运持续时间。

用机器学习算法分别预测初始化子系统中选择的时间范围内的各个规划年度的变压器和电容、电抗器在不同年度负荷时段和日内负荷时段的拒动状态及持续时间。

机器学习算法包括但不限于回归分析、聚类、关联规则、神经网络、WEB数据挖掘、支持向量机。预测不同数据的机器学习算法可以是同一种，也可以不同。

需要分析数据的时间范围只能是已经发生的时间。

（4）无功设备选型子系统

用户选择是否需要进入此子系统，如不需要，则进入最优电压曲线分析子系统；用户需要，则初始化规划能源互联网模型，首先按照规划年度时间装载规划年度新建设备模型：将该年度设备参数装载入数据库中，对数据库中新增变电站模型及线路模型参数进行更新，系统自动初始化拓扑关系，并自动增加该变电站其他所属设备。

装载能源互联网模型后，数据采集程序周期性将量测数据送入数据库，然后状态估计程序周期性进行状态估计；所述已有能源互联网模型直接将该年度SCADA 系统中的量测数据映射过来，对于所述规划年度新建设备，进行初始化量测映射；所述量测数据包括电压量测数据、注入量测数据、有功注入量测数据、无功注入量测数据和潮流量测数据；所述状态估计是指将所述量测数据中坏数据进行辨识和剔除。

如果初始化不成功，输出报警信息。以上数据存入数据库。

针对某一新建或已有无功设备，在其它相关无功设备模型参数不变的前提下，分别利用多组模型和参数，结合数据分析子系统中预测的该规划年度在不同年度负荷时段和日内负荷时段的有功、无功负荷时空分布数据和初始化子系统中选定的自动电压控制算法进行中长期仿真，统计电压越限次数和不同无功设备动作次数、运行电压上限、运行电压下限，并存入数据库。

上述选定的自动电压控制算法进行中长期仿真指对模型和数据进行第一次潮流计算后判定全部母线电压或中枢点母线电压是否越限，如没有越限，则进入下一仿真步长；如越限则按照自动电压控制算法计算对某一或多种无功设备进行操作，并在下一仿真步长内操作，并进行潮流计算，再次判定全部母线电压或中枢点母线电压是否越限，直至仿真结束。

还可以在上述计算过程中增加该规划年度的无功设备在各年度负荷时段和日内负荷时段的非计划停运状态及停运持续时间、在该年度各负荷时段和日内负荷时段的拒动状态及持续时间这两项参数中的一项或全部，统计电压越限次数和不同无功设备动作次数、运行电压上限、运行电压下限，并存入数据库。规划年度的电压曲线上限和下限值取与其时间最接近的已经发生年度的电压曲线的上限和下限。

根据上述统计结果推荐合适的无功设备类型。

（5）最优电压曲线分析子系统

用户选择是否需要进入此子系统，如不需要，则结束程序；用户需要，则选择需要分析的变电站或区域、时间段。

a设置多组电压曲线，给出电压曲线数值。设置同的设备操作和操作时间段。用户可以制定不同的设备操作和时间，如对线路、主变、机组、电容器、电抗器和负荷进行相应操作设置。

b读取数据断面的遥测遥信数据，进行量测映射，针对某组电压曲线基于选定的自动电压控制算法进行中长期仿真并统计指标结果，保存至数据库中。

c针对下一组电压曲线，重复b直至完成全部电压曲线。

d对比指标，并给出最优电压曲线。

上述指标包括电压调节次数、供电可靠率、线损率、用户端电压合格率、潮流分布合理性等指标中的一种或几种。能够通过根据上述结果比较得出最优电压曲线或者排序。

技术方案说明：

（1）初始化子系统

用户进入初始化子系统，确定需要分析的实际能源互联网范围和拓扑结构如图1所示。选择需要分析的能源互联网的时间范围，时间范围内可以同时包括已经发生的时间和规划年度时间。时间范围为2021年1月-3月，其中2月8日-26日为年度低负荷时段（春节）、其余时间为年度常规负荷时段；按照每日负荷时间分布，划分日内负荷时段：日高负荷时段（10：30-12:00、19：00-21:00）、日低负荷时段（10：30-12:00、19：00-21:00）、日常规负荷时段。选定自动电压控制算法：协调三级电压控制算法。

如图2所示，录入模型参数：相比2020年12月的能源互联网网络结构不变，只在部分已有变电站新增变压器，分别位于变电站6、10、16、18、20、23、25、29、39。无其他新增设备。新建设备的模型参数默认选择典型值。初始化子系统可以录入或修改上述模型数据，也可以从EMS、SCADA、D5000等系统中导入上述模型数据。

（2）变压器及相关无功设备详细建模子系统

针对新增变压器及相关无功设备建立多组模型和参数。相关无功设备是指该变压器低压侧母线下的电容、电抗器、SVG或者高压侧母线连接线路上的线路串补。本实施例中无新增相关无功设备

变压器模型包括但不限于三相双绕组模型、单相自耦三绕组无励磁调压模型、单相双绕组模型。上述新建变压器模型如下表1：

表1：新增变压器模型信息

继续录入其他变压器参数包括但不限于生产厂家、有载调压或无载调压、调压档位、调压档位死区、短路损耗、短路电压、空载损耗、空载电流、高压侧额定电压、高压侧额定容量、中压侧额定容量、低压侧额定容量。其中模型1高压侧额定电压为525，模型2高压侧额定电压为520。

（3）数据分析子系统

选择需要分析的已有数据的时间范围：2015年1月1日-2020年3月31日，装载该时间范围的能源互联网模型、参数和运行数据，运行数据包括但不限于设备非计划停运状态及停运持续时间、设备拒动状态及持续时间、有功、无功负荷时空分布数据、不同年度内某变电站某一电压等级母线每月的电压上限、下限和下达电压曲线上限、下限。上述能源互联网模型、参数和运行数据是该区域能源互联网2015年1月1日-2020年3月31日模型、参数和实际运行数据，从SCADA系统中导出。

用机器学习算法分别预测初始化子系统中选择的时间范围内的各个规划年度在不同年度负荷时段和日内负荷时段的有功、无功负荷时空分布数据。

用机器学习算法分别预测初始化子系统中选择的时间范围内的各个规划年度的变压器和电容、电抗器在各年度负荷时段和日内负荷时段的非计划停运状态及停运持续时间。

用机器学习算法分别预测初始化子系统中选择的时间范围内的各个规划年度的变压器和电容、电抗器在不同年度负荷时段和日内负荷时段的拒动状态及持续时间。

本实施例中上述机器学习算法均为支持向量机。预测不同数据的机器学习算法可以是同一种，也可以不同。

（4）无功设备选型子系统

用户选择是否需要进入此子系统，本实施例用户需要，则初始化规划能源互联网模型，首先按照规划年度时间装载2022年规划年度新建设备模型，将该年度设备参数装载入数据库中，对数据库中新增变电站模型及线路模型参数进行更新，并自动增加该变电站其他所属设备。本实施例中，2022年规划年度新建设备模型即上述9台变压器模型，无新增变电站模型及线路模型参数需更新，系统自动初始化拓扑关系。

装载能源互联网模型后，数据采集程序周期性将量测数据送入数据库，然后状态估计程序周期性进行状态估计；所述已有能源互联网模型直接将该年度SCADA 系统中的量测数据映射过来，对于所述规划年度新建设备，进行初始化量测映射；所述量测数据包括电压量测数据、注入量测数据、有功注入量测数据、无功注入量测数据和潮流量测数据；所述状态估计是指将所述量测数据中坏数据进行辨识和剔除。

如果初始化不成功，输出报警信息。以上数据存入数据库。

针对变电站6中新增变压器，在其它无功设备模型参数不变的前提下，分别利用三相双绕组模型和典型参数、单相自耦三绕组无励磁调压模型和典型参数，结合数据分析子系统中预测的2021年1月-3月在不同年度负荷时段和日内负荷时段的有功、无功负荷时空分布数据和初始化子系统中选定的自动电压控制算法进行中长期仿真，统计电压越限次数和不同无功设备动作次数、运行电压上限、运行电压下限，并存入数据库。具体数据如下表2：

表2：

根据上述统计结果推荐合适的变压器类型为模型1，即三相双绕组模型。

最优电压曲线分析子系统

用户选择是否需要进入此子系统，如不需要，则结束程序；用户需要，则选择需要分析的变电站或区域、时间段。本实施例需要使用，分析母线32最优电压曲线，时间段为2020年1月-3月。

a设置多组电压曲线，给出电压曲线数值。设置同的设备操作和操作时间段。用户可以制定不同的设备操作和时间，如对线路、主变、机组、电容器、电抗器和负荷进行相应操作设置。本实施例电压曲线如表3：

表3：电压曲线信息

b读取数据断面的遥测遥信数据，进行量测映射，针对电压曲线1进行协调三级电压控制算法的中长期仿真并统计指标结果，保存至数据库中。

c针对下一组电压曲线，重复b直至完成全部电压曲线1～3仿真。

d对比指标，并给出最优电压曲线。

上述指标包括电压调节次数、供电可靠率、线损率、用户端电压合格率、潮流分布合理性等指标中的一种或几种。能够通过根据上述结果比较得出最优电压曲线或者排序。本实施例选用指标为电压调节次数，具体如下表4：

表4：电压曲线1～3约束下电压调节次数

因此最优电压曲线为2。

本申请保密运行一段时间后，现场技术人员反馈的有益之处在于：

1、本申请的技术方案解决了无功设备投产前与该区域或变电站无功电压是否匹配的问题，充分利用数据分析，提升设备适用性。

2、本申请的技术方案可以分析最优电压曲线，为变电站经济运行提供指标和决策依据。

3、本申请的技术方案适用于多种数据分析方法，分析的能源互联网数据可以是能源互联网实际年度运行数据，从EMS、SCADA、D5000、open3000等系统中导出，也可以是能源互联网若干组中长期仿真数据的集合。

4、本申请的技术方案适用于多种自动电压控制算法，利用选定的自动电压控制算法进行中长期仿真时，可以增加变压器和电容、电抗器在各年度负荷时段和日内负荷时段的非计划停运状态及停运持续时间、变压器和电容、电抗器在该年度各负荷时段和日内负荷时段的拒动状态及持续时间等约束条件，多方面分析无功设备和无功电压环境的匹配程度。

Claims (10)

1.一种基于数据模型分析的无功设备选型系统，其特征在于：包括初始化、变压器及相关无功设备详细建模、数据分析、无功设备选型和最优电压曲线分析共五个程序模块，初始化模块，用于参数设定和修改；变压器及相关无功设备详细建模模块，用于建立变压器及相关无功设备的模型和参数；数据分析模块，用于选择需要分析数据的时间范围，装载该时间范围的能源互联网模型、参数和运行数据，得出规划年度负荷时段的有功和无功负荷时空分布数据、非计划停运状态及停运持续时间以及拒动状态及持续时间，得出规划日内负荷时段的有功和无功负荷时空分布数据、非计划停运状态及停运持续时间以及拒动状态及持续时间；无功设备选型模块，用于根据自动电压控制算法进行仿真，进行无功设备模型和参数条件下结果对比，得出无功设备选型建议；最优电压曲线分析模块，用于通过电压曲线设定下的自动电压控制算法进行仿真，得出相关指标结果并进行对比。

2.根据权利要求1所述的一种基于数据模型分析的无功设备选型系统，其特征在于：所述初始化模块，还用于设定或修改需要分析的实际能源互联网范围和拓扑结构；设定范围时根据地理位置接线图设定实际地理范围内的区域、根据省市县行政区域划分、以经度纬度的准确数据划分、根据资产所属公司划分、或者根据调度范围的自定义数据划分；选择需要分析的能源互联网的时间范围，时间范围内同时包括已经发生的时间和规划年度时间；按照日最高负荷数值划分年度负荷时段，包括年度低负荷时段、年度高负荷时段和年度常规负荷时段；按照每日负荷时间分布，划分日内负荷时段，包括日高负荷时段、日低负荷时段和日常规负荷时段；选定自动电压控制算法为协调二级电压控制算法、多目标优化智能分段算法或者Pareto最优解。

3.根据权利要求1所述的一种基于数据模型分析的无功设备选型系统，其特征在于：所述变压器及相关无功设备详细建模模块，还用于针对新建变压器或已有变压器及相关无功设备建立模型和参数；所述数据分析模块，还用于得出运行数据包括设备非计划停运状态及停运持续时间、设备拒动状态及持续时间、有功和无功负荷时空分布数据、不同年度内一个变电站一个电压等级母线每月的电压上限和下限以及下达电压曲线上限和下限；用机器学习算法分别预测初始化子系统中选择的时间范围内的每个规划年度在年度负荷时段和日内负荷时段的有功和无功负荷时空分布数据。

4.根据权利要求1所述的一种基于数据模型分析的无功设备选型系统，其特征在于：所述无功设备选型模块，还用于初始化规划能源互联网模型并按照规划年度时间装载规划年度新建设备模型，装载能源互联网模型后，将量测数据送入数据库，进行状态估计；能源互联网模型直接将该年度SCADA 系统中的量测数据映射过来，对于规划年度新建设备，进行初始化量测映射；量测数据包括电压量测数据、注入量测数据、有功注入量测数据、无功注入量测数据和潮流量测数据；状态估计是指将量测数据中坏数据进行辨识和剔除；如果初始化不成功，输出报警信息；以上数据存入数据库；针对一个新建或已有无功设备，在相关无功设备模型参数不变的前提下，分别利用模型和参数，根据数据分析模块中预测的该规划年度在年度负荷时段和日内负荷时段的有功和无功负荷时空分布数据，根据初始化模块中的自动电压控制算法进行仿真，统计电压越限次数、无功设备动作次数、运行电压上限和运行电压下限并存入数据库；自动电压控制算法进行仿真是指对模型和数据进行第一次潮流计算后判定全部母线电压或中枢点母线电压是否越限，如没有越限，则进入下一仿真步长；如越限则按照自动电压控制算法计算对无功设备进行操作，并在下一仿真步长内操作，并进行潮流计算，再次判定全部母线电压或中枢点母线电压是否越限，直至仿真结束；增加该规划年度的无功设备在每一年度负荷时段和日内负荷时段的非计划停运状态及停运持续时间、在该年度每一负荷时段和日内负荷时段的拒动状态及持续时间这两项参数中的一项或全部，统计电压越限次数和不同无功设备动作次数、运行电压上限、运行电压下限，并存入数据库；规划年度的电压曲线上限和下限值取与其时间最接近的已经发生年度的电压曲线的上限和下限。

5.根据权利要求1所述的一种基于数据模型分析的无功设备选型系统，其特征在于：所述最优电压曲线分析模块，还用于选择需要分析的变电站或区域、时间段；设置电压曲线并给出电压曲线数值；读取数据断面的遥测遥信数据，进行量测映射，针对每一组电压曲线基于选定的自动电压控制算法进行仿真并统计指标结果，保存至数据库中；针对下一组电压曲线，直至完成全部电压曲线的仿真和统计；对比指标并给出最优电压曲线。

6.一种基于数据模型分析的无功设备选型方法，其特征在于：基于权利要求1的系统还包括S1初始化、S2变压器及相关无功设备详细建模、S3数据分析、S4无功设备选型和S5最优电压曲线分析共五个步骤，S1初始化，参数设定和修改；S2变压器及相关无功设备详细建模，建立变压器及相关无功设备的模型和参数；S3数据分析，选择需要分析数据的时间范围，装载该时间范围的能源互联网模型、参数和运行数据，得出规划年度负荷时段的有功和无功负荷时空分布数据、非计划停运状态及停运持续时间以及拒动状态及持续时间，得出规划日内负荷时段的有功和无功负荷时空分布数据、非计划停运状态及停运持续时间以及拒动状态及持续时间；S4无功设备选型，根据自动电压控制算法进行仿真，进行无功设备模型和参数条件下结果对比，得出无功设备选型建议；S5最优电压曲线分析，通过电压曲线设定下的自动电压控制算法进行仿真，得出相关指标结果并进行对比。

7.根据权利要求6所述的一种基于数据模型分析的无功设备选型方法，其特征在于：在所述S1初始化的步骤中，设定或修改需要分析的实际能源互联网范围和拓扑结构；设定范围时根据地理位置接线图设定实际地理范围内的区域、根据省市县行政区域划分、以经度纬度的准确数据划分、根据资产所属公司划分、或者根据调度范围的自定义数据划分；选择需要分析的能源互联网的时间范围，时间范围内同时包括已经发生的时间和规划年度时间；按照日最高负荷数值划分年度负荷时段，包括年度低负荷时段、年度高负荷时段和年度常规负荷时段；按照每日负荷时间分布，划分日内负荷时段，包括日高负荷时段、日低负荷时段和日常规负荷时段；选定自动电压控制算法为协调二级电压控制算法、多目标优化智能分段算法或者Pareto最优解。

8.根据权利要求6所述的一种基于数据模型分析的无功设备选型方法，其特征在于：在所述S2变压器及相关无功设备详细建模的步骤中，针对新建变压器或已有变压器及相关无功设备建立模型和参数；在所述S3数据分析的步骤中，得出运行数据包括设备非计划停运状态及停运持续时间、设备拒动状态及持续时间、有功和无功负荷时空分布数据、不同年度内一个变电站一个电压等级母线每月的电压上限和下限以及下达电压曲线上限和下限；用机器学习算法分别预测初始化子系统中选择的时间范围内的每个规划年度在年度负荷时段和日内负荷时段的有功和无功负荷时空分布数据。

9.根据权利要求6所述的一种基于数据模型分析的无功设备选型方法，其特征在于：在所述S4无功设备选型的步骤中，初始化规划能源互联网模型并按照规划年度时间装载规划年度新建设备模型，装载能源互联网模型后，将量测数据送入数据库，进行状态估计；能源互联网模型直接将该年度SCADA 系统中的量测数据映射过来，对于规划年度新建设备，进行初始化量测映射；量测数据包括电压量测数据、注入量测数据、有功注入量测数据、无功注入量测数据和潮流量测数据；状态估计是指将量测数据中坏数据进行辨识和剔除；如果初始化不成功，输出报警信息；以上数据存入数据库；针对一个新建或已有无功设备，在相关无功设备模型参数不变的前提下，分别利用模型和参数，根据S3数据分析步骤中预测的该规划年度在年度负荷时段和日内负荷时段的有功和无功负荷时空分布数据，根据S1初始化步骤中的自动电压控制算法进行仿真，统计电压越限次数、无功设备动作次数、运行电压上限和运行电压下限并存入数据库；自动电压控制算法进行仿真是指对模型和数据进行第一次潮流计算后判定全部母线电压或中枢点母线电压是否越限，如没有越限，则进入下一仿真步长；如越限则按照电压控制算法计算对无功设备进行操作，并在下一仿真步长内操作，并进行潮流计算，再次判定全部母线电压或中枢点母线电压是否越限，直至仿真结束；增加该规划年度的无功设备在每一年度负荷时段和日内负荷时段的非计划停运状态及停运持续时间、在该年度每一负荷时段和日内负荷时段的拒动状态及持续时间这两项参数中的一项或全部，统计电压越限次数和不同无功设备动作次数、运行电压上限、运行电压下限，并存入数据库；规划年度的电压曲线上限和下限值取与其时间最接近的已经发生年度的电压曲线的上限和下限。

10.根据权利要求6所述的一种基于数据模型分析的无功设备选型方法，其特征在于：在所述S5最优电压曲线分析的步骤中，选择需要分析的变电站或区域、时间段；S501，设置电压曲线并给出电压曲线数值；S502，读取数据断面的遥测遥信数据，进行量测映射，针对每一组电压曲线基于选定的自动电压控制算法进行仿真并统计指标结果，保存至数据库中；S503，针对下一组电压曲线，重复S502步骤直至完成全部电压曲线的仿真和统计；S504，对比指标并给出最优电压曲线。

Images