CN112165095B - 一种基于群智能的低压配网无功优化方法 - Google Patents
一种基于群智能的低压配网无功优化方法 Download PDFInfo
- Publication number
- CN112165095B CN112165095B CN202011158420.4A CN202011158420A CN112165095B CN 112165095 B CN112165095 B CN 112165095B CN 202011158420 A CN202011158420 A CN 202011158420A CN 112165095 B CN112165095 B CN 112165095B
- Authority
- CN
- China
- Prior art keywords
- low
- voltage
- distribution network
- voltage distribution
- reactive
- 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
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
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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
- H02J3/16—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by adjustment of reactive power
-
- 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
- H02J3/18—Arrangements for adjusting, eliminating or compensating reactive power in 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/30—Reactive power compensation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Power Engineering (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及配电网控制技术领域,公开了一种基于群智能的低压配网无功优化方法,针对低压配网工况,构建低压配网潮流模型;趋势数据带入低压配网潮流模型,预测无功电压问题发生时间和程度;结合低压配网一次控制设备的可调空间,构建低压配网潮流模型中的功率、电压、导纳调整矩阵,采用群智能算法对调整中的低压配网潮流模型进行寻优,获得最优控制动作策略;执行动作策略,根据低压台区实际量测进行校核,调整参数,形成全局闭环无功优化结构。本发明实现无功电压问题就地治理,通讯要求低,适应性好;通过滚动时段将预测结果和实际结果进行对比和校核,优化群智能算法参数,形成历史‑实时‑趋势全局闭环的反馈模式,提高准确度。
Description
技术领域
本发明涉及配电网控制技术领域,具体涉及一种基于群智能的低压配网无功优化方法。
背景技术
目前我国各地区配电网的网架结构非常复杂,点多面广,尤其是低压台区配电网产生的运行数据和监测数据量巨大,若通过传统的配电网一次设备管理控制方式,即将海量数据直接上传至主站平台,再等待主站分析决策下发后,进行控制指令下发,进行配电网管理控制工作,目前许多地区的通信条件和主站平台处理能力难以达到相应的高水平,因此实际低压台区配电网控制多是采用本地控制,通过本地控制措施的阈值设定和时延设定进行一次控制。若要改善通信条件或提升主站平台等级,需要对现有电网结构进行大规模改造,造成成本大幅增加,不利于有效推广和应用。因此,急需一种适应实际低压台区配电网条件的一次设备管理控制方法。
发明内容
发明目的:针对现有技术中存在的问题,本发明提供一种基于群智能的低压配网无功优化方法,针对实际配网情况,实现无功电压问题就地治理,低压配网利用趋势分析和快速潮流提供的即时性,通讯要求低,适应性好。
技术方案:本发明提供了一种基于群智能的低压配网无功优化方法,包括如下步骤:
步骤1:针对低压配网工况,构建低压配网潮流模型;
步骤2:将用户有功、无功功率趋势数据输入所述低压配网潮流模型,监视无功电压越限问题,预测无功电压越限问题越限时间和越限程度;
步骤3:结合低压配网一次控制设备的可调空间,构建所述低压配网潮流模型中的功率调整矩阵、电压调整矩阵、导纳调整矩阵,采用群智能算法对调整中的所述低压配网潮流模型进行寻优,获得最优控制动作策略;
步骤4:执行所述步骤3中最优控制动作策略,并根据低压台区实际量测进行校核,调整参数,形成全局闭环无功优化结构。
进一步地,所述步骤1中低压配电网潮流模型为根据低压配网工况,以变电站10kV母线经线路至10kV/400V配变经线路至台区用户为拓扑结构,以变电站10kV母线为PV节点,统计台区用户等值为若干个PQ节点。
进一步地,所述无功电压越限问题为电压是否有越上限或越下限情况以及越限程度,即电压偏差。
进一步地,所述步骤3中低压配网一次控制设备包括但不仅限于10kV线路调压器、有载调压变、智能电容器、静止无功发生器以及低压线路调压器。
进一步地,所述功率调整矩阵为综合所述台区用户的有功、无功功率趋势数据和无功补偿造成台区用户的有功、无功功率数据变化情况,获得功率调整矩阵P′+jQ′,其中,P为有功,Q为无功,j为复数标志,上标一撇表示调整、修改;所述电压调整矩阵根据台区用户的电压数据变化情况,获得电压调整矩阵U′;所述导纳调整矩阵为根据一次控制设备动作造成原低压配网潮流模型中导纳矩阵变化情况,获得导纳调整矩阵Y′。
进一步地,所述群智能算法为基于粒子群算法的改进算法,以低压配网一次控制设备调整量为变量,以无功电压越限问题消失为目标函数,约束条件为控制代价最小,获得低压配网一次控制设备最优调整结果。
进一步地,所述群智能算法以1天为时段区间,每天288采样点,其粒子维度为288,粒子群种群大小为30,最大迭代次数为30,变异计数为8。
进一步地,所述步骤4中全局闭环无功优化结构为根据低压台区实际电压、有功功率、无功功率量测,对比预测优化后的电压、有功功率、无功功率结果,进行误差校核,调整群智能优化算法的相关参数,进入下一时段无功电压越限问题判断和动作策略优化流程,形成全局闭环、滚动刷新的优化运行状态。
进一步地,所述步骤4中的相关参数调整包括:群智能算法中权系数、学习因数、迭代次数调整。
进一步地,所述相关参数调整还包括:引入人工干预,调整低压配网一次控制设备位置、修改调整空间以及一次控制设备动作调整次数。
有益效果:
1)本发明针对实际配网情况,实现无功电压问题就地治理,低压配网利用趋势分析和快速潮流提供的即时性,通讯要求低,适应性好。
2)本发明考虑了负荷趋势预测,是一种基于趋势数据的预决策方法,通过滚动时段将预测结果和实际结果进行对比和校核,优化群智能算法参数,形成历史-实时-趋势全局闭环的反馈模式,提高准确度。
3)本发明以含调整功率矩阵、调整导纳矩阵、调整电压矩阵的低压配网潮流模型为一次设备控制寻优模型,不再需要主站进行全网潮流,仅进行低压配网的快速潮流,同时目标函数和约束条件在同一次矩阵运算中,提高了寻优速度。
附图说明
图1为本发明低压配网潮流模型;
图2为本发明总体流程图;
图3为本发明效果示意图;
图4为本发明具体实施方式的分接头、无功补偿调整措施。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
本发明公开了一种基于群智能的低压配网无功优化方法,该方法主要包括如下步骤:
步骤1:针对低压配网工况,构建低压配网潮流模型。
参见附图1,本发明提出的一种基于群智能的低压配网无功优化方法中的低压配网潮流模型,以附图1为例,为单用户、单线路、单配变的简单低压配网潮流模型,左侧为变压器10kV母线作为PV节点,经过10kV线路连接至10kV/400V配电变压器,再经过400V线路输送至400V台区用户。
步骤2:将用户有功、无功功率趋势数据带入所述低压配网潮流模型,监视无功电压越限问题,预测无功电压越限问题越限时间和越限程度。
将400V台区用户的有功功率、无功功率的下一时段趋势数据,代入当前时低压配网潮流模型,计算下一时段低压配网潮流情况,监视无功电压越限问题,从而预测是否有越上限或越下限情况,同时获得越限程度(电压偏差)。无功电压问题发生时间和程度是根据无功电压越限问题的类型和深度,可获得需预调整的目标。具体的,以预检测到越下限问题为例,导致ΔU电压偏差,需预调整的目标即为抬升电压ΔU。
步骤3:结合低压配网一次控制设备的可调空间,构建所述低压配网潮流模型中的功率调整矩阵、电压调整矩阵、导纳调整矩阵,采用群智能算法对调整中的所述低压配网潮流模型进行寻优,获得最优控制动作策略。
其中,低压配网一次控制设备是指包括但不仅限于10kV线路调压器、有载调压变、智能电容器、静止无功发生器、低压线路调压器等设备。一次控制设备的可调空间是指,已知电压偏差ΔU数据后,统计低压配网一次控制设备的可调整空间,以有载调压变、智能电容器为例,可获得变压器分接头调整区间UTmin~UTmax和智能电容器可就地补偿的无功区间QCmin~QCmax。
功率调整矩阵为综合台区用户的有功、无功功率趋势数据和无功补偿造成台区用户的有功、无功功率数据变化情况,获得功率调整矩阵P′+jQ′,其中,P为有功,Q为无功,j为复数标志,上标一撇表示调整、修改。电压调整矩阵根据台区用户的电压数据变化情况,获得电压调整矩阵U′。导纳调整矩阵为根据一次设备动作造成原低压配网潮流模型中导纳矩阵变化情况,获得导纳调整矩阵Y′。
步骤4:执行最优控制动作策略,根据低压台区实际量测进行校核,调整参数,形成全局闭环无功优化结构。
全局闭环无功优化结构为根据低压台区实际电压、有功功率、无功功率量测,对比预测优化后的电压、有功功率、无功功率结果,进行误差校核,调整群智能优化算法的相关参数,进入下一时段无功电压越限问题判断和动作策略优化流程,形成全局闭环、滚动刷新的优化运行状态。
本实施方式中,输入数据为400V台区用户负荷下一时段有功功率、无功功率趋势数据Ppre、Qpre,400V台区用户负荷当前时段有功功率、无功功率、电压、电流,以1天为时段区间,每天288采样点,控制措施以智能电容器提供的就地无功补偿QC、10kV/400V配电变压器有载调压变提供的分接头动作调整的电压UT为例,约束条件为有载调压变和智能电容器的调整上下限UTmin~UTmax和QCmin~QCmax及其动作次数kT≤10,kC≤10,即日调整次数均小于等于10次。初始状态控制措施补偿电容QC为0,不调整电压UT为1,上下浮动0.15,滚动计算用户负荷有功功率、无功功率趋势数据Ppre、Qpre,持续监测无功电压越限问题,潮流应同时满足功率平衡和欧姆定律:
输入趋势数据Ppre、Qpre替代式中P、Q获得下一时段预测电压Upre,与配电网中规定高压限值Umax和低压限值Umin对比,返回是否越限和越限程度(电压偏差)。
参照附图2,本发明提出的一种基于群智能的低压配网无功优化方法的总体流程图,如附图2,在监测到无功电压越限问题后,根据越限时间和越限程度在时段区间的位置,根据智能电容器和有载调压变的可调整空间,在控制次数约束下,采用群智能算法优化调整措施,使电压越限问题消除,电压偏差最小,对比动作前后改善效果,验证后设备动作,等待下一时段实际数据,对电压、无功、有功进行预测值和实际值对比,进行校核,其中验证步骤和预测-实际对比校核均可对算法参数进行优化,在算法迭代不收敛和校核结果不理想时加入人工干预调整措施空间。
由式(1)调整后潮流收敛:
目标函数:
Umin≤U≤Umax (3)
约束条件:
返回结果为调整后的P,Q,U,UT,UC,进行校核。
本发明涉及的群智能算法,实际是基于粒子群算法的改进算法,以低压配网一次控制设备调整量为变量,以无功电压越限问题消失为目标函数,约束条件为控制代价最小,获得低压配网一次控制设备最优调整结果。即将粒子随机撒入解域,每个粒子求解其适应度也就是目标函数,结果越好,其他粒子就向这个方向移动,直到迭代收敛,若不收敛则会进行变异,也就是将粒子再撒出去,直到收敛退出,达到最大迭代次数退出或变异次数达到最大退出。
本实施方式中,群智能算法涉及的参数为:
1)粒子群大小(决定种群大小,实质即为一次迭代中需要计算的次数,取30,可修正)。
2)群维度(根据待求未知量决定,如控制次数为5时,待求量即为两条5折折线,由于首尾已知为1和288,因此其维度为2*5+(5-1)=14,跟随控制次数修正)。
3)群范围(群范围也就是求解的上下限,对于本实施例即为调整空间的最大值最小值,如变压器分接头调压本实施方式中的范围即为0.85-1.15(p.u.),电容补偿器范围即为0-360(kVar));
4)最大移动速度(实质就是迭代中,每个粒子在其范围中运动时的最大速度,越大运动快,但精度低,本实施方式初始选用范围的三分之一,即0.3/3和360/3,跟随调整空间修正)。
5)学习因子(这是群智能算法中通用设置,一般为2)。
6)权系数(本实施方式设置权系数为[0.40.9]用于迭代修正实际粒子运动速度)。
7)最大迭代数(本实施方式取30)。
8)最大变异数(本实施方式取8)。
同时如上所述,校核部分的算法参数主要为粒子群大小、群维度、群范围、最大移动速度、最大迭代数、最大变异数,校核部分的人工干预即包含调整低压配网一次控制设备位置、修改调整空间以及一次控制设备动作调整次数,实际上就是调整了群维度和群范围,再加上群大小、最大迭代数、最大变异数制约算法迭代速度和运算速度。上述部分即为需校核的参数。
首先当一轮计算完毕,也就是下一个时段优化完毕后,给出一个当前最优解,时窗抵达下一时段时与实际情况对比:
具体的Uadj就是一个当前最优解,那么下一时段的实际电压Ureal,这两者都是288行列向量,求取均方根误差值Err,然后除以Ureal,实质即为误差面积占实际电压面积的百分比,这就是校核部分的输入。
校核部分需要设置一个阈值,本实施方式中设置阈值为10%,若大于阈值则启动校核进行参数修改,如本实施方式中原本初始控制次数是5,后误差较大(大于15%)校核后设置到10。下面以人工干预修改控制次数校核控制手段,控制次数由5扩增至10,表1为校核前后的误差对比。
表1校核前后误差对比
1有功误差(%) | 2无功误差(%) | 3电压误差(%) | |
校核前 | 7.453 | 14.741 | 16.835 |
校核后 | 6.237 | 7.721 | 8.476 |
参照附图3与附图4,如附图3,基于预测有功无功可以给出有可能的无功电压越限问题情况,图中Ureal是实际用户电压,Upre是基于预测有功无功输入400V台区用户发现的无功低电压情况,是一个预测值,根据该值越限情况启动群智能优化算法,Uadj是调整措施动作后的值,同理,Preal是实际用户有功负荷,Ppre是基于无功电压问题的预测有功,Padj是调整措施动作后,用户有功可靠追踪实际用户有功负荷,无功电压控制手段对有功影响较小,但仍有一定误差,与有功功率希望调整后功率趋近不同,无功需要得到有效补偿,Qreal是实际用户发出的感性无功功率,Qpre是基于无功电压问题产生的预测用户发出的感性无功功率,Uadj是调整措施动作后,用户发出的感性无功功率有效被补偿的容性无功吸收的情况,与动作后Qreal趋势接近。附图4是调整措施,受约束条件制约配变分接头动作次数为7次,电容器动作次数为8次,在无功功率大幅增加的区间进行补偿,算法迭代效果可接受,算法参数不做修改,人工干预可考虑进一步压缩控制次数减少成本,不再赘述。
上述实施方式只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种基于群智能的低压配网无功优化方法,其特征在于,包括如下步骤:
步骤1:针对低压配网工况,构建低压配网潮流模型;
步骤2:将用户有功、无功功率趋势数据输入所述低压配网潮流模型,监视无功电压越限问题,预测无功电压越限问题越限时间和越限程度;
步骤3:结合低压配网一次控制设备的可调空间,构建所述低压配网潮流模型中的功率调整矩阵、电压调整矩阵、导纳调整矩阵,采用群智能算法对调整中的所述低压配网潮流模型进行寻优,获得最优控制动作策略;
步骤4:执行所述步骤3中最优控制动作策略,并根据低压台区实际量测进行校核,调整参数,形成全局闭环无功优化结构;
所述步骤4中全局闭环无功优化结构为根据低压台区实际电压、有功功率、无功功率量测,对比预测优化后的电压、有功功率、无功功率结果,进行误差校核,调整群智能优化算法的相关参数,进入下一时段无功电压越限问题判断和动作策略优化流程,形成全局闭环、滚动刷新的优化运行状态;
所述步骤4中的相关参数调整包括:群智能算法中权系数、学习因数、迭代次数调整。
2.根据权利要求1所述的基于群智能的低压配网无功优化方法,其特征在于,所述步骤1中低压配电网潮流模型为根据低压配网工况,以变电站10kV母线经线路至10kV/400V配变经线路至台区用户为拓扑结构,以变电站10kV母线为PV节点,统计台区用户等值为若干个PQ节点。
3.根据权利要求1所述的基于群智能的低压配网无功优化方法,其特征在于,所述无功电压越限问题为电压是否有越上限或越下限情况以及越限程度,即电压偏差。
4.根据权利要求1所述的基于群智能的低压配网无功优化方法,其特征在于,所述步骤3中低压配网一次控制设备包括但不仅限于10kV线路调压器、有载调压变、智能电容器、静止无功发生器以及低压线路调压器。
5.根据权利要求1所述的基于群智能的低压配网无功优化方法,其特征在于,所述功率调整矩阵为综合所述台区用户的有功、无功功率趋势数据和无功补偿造成台区用户的有功、无功功率数据变化情况,获得功率调整矩阵P′+jQ′,其中,P为有功,Q为无功,j为复数标志,上标一撇表示调整、修改;所述电压调整矩阵根据台区用户的电压数据变化情况,获得电压调整矩阵U′;所述导纳调整矩阵为根据一次控制设备动作造成原低压配网潮流模型中导纳矩阵变化情况,获得导纳调整矩阵Y′。
6.根据权利要求1所述的基于群智能的低压配网无功优化方法,其特征在于,所述群智能算法为基于粒子群算法的改进算法,以低压配网一次控制设备调整量为变量,以无功电压越限问题消失为目标函数,约束条件为控制代价最小,获得低压配网一次控制设备最优调整结果。
7.根据权利要求6所述的基于群智能的低压配网无功优化方法,其特征在于,所述群智能算法以1天为时段区间,每天288采样点,其粒子维度为288,粒子群种群大小为30,最大迭代次数为30,变异计数为8。
8.根据权利要求1所述的基于群智能的低压配网无功优化方法,其特征在于,所述相关参数调整还包括:引入人工干预,调整低压配网一次控制设备位置、修改调整空间以及一次控制设备动作调整次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011158420.4A CN112165095B (zh) | 2020-10-26 | 2020-10-26 | 一种基于群智能的低压配网无功优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011158420.4A CN112165095B (zh) | 2020-10-26 | 2020-10-26 | 一种基于群智能的低压配网无功优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112165095A CN112165095A (zh) | 2021-01-01 |
CN112165095B true CN112165095B (zh) | 2022-07-22 |
Family
ID=73864658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011158420.4A Active CN112165095B (zh) | 2020-10-26 | 2020-10-26 | 一种基于群智能的低压配网无功优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112165095B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113949106B (zh) * | 2021-10-18 | 2023-11-14 | 国网浙江省电力有限公司信息通信分公司 | 一种配电网优化方法、装置、存储介质和设备 |
CN116901774B (zh) * | 2023-09-11 | 2023-11-14 | 南京安充智能科技有限公司 | 基于全网通充电桩的柔性配电方法、系统及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103280821A (zh) * | 2013-06-25 | 2013-09-04 | 国家电网公司 | 智能配电系统多时段动态无功优化方法 |
CA2864235A1 (en) * | 2012-05-23 | 2013-11-28 | State Grid Corporation Of China | Method for optimizing reactive voltage of large-scale wind power integration by improving hybrid optimization algorithm of artificial fish swarm |
CN105119292A (zh) * | 2015-09-23 | 2015-12-02 | 国网山东省电力公司东营供电公司 | 基于预测和粒子群算法的多目标电压无功滚动优化方法 |
CN109861208A (zh) * | 2019-01-07 | 2019-06-07 | 南京工程学院 | 一种基于两阶段预处理策略的电动汽车并网优化调度方法 |
CN110336298A (zh) * | 2019-08-17 | 2019-10-15 | 广东博慎智库能源科技发展有限公司 | 一种基于混合智能算法的含分布式电源配网无功规划方法 |
-
2020
- 2020-10-26 CN CN202011158420.4A patent/CN112165095B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2864235A1 (en) * | 2012-05-23 | 2013-11-28 | State Grid Corporation Of China | Method for optimizing reactive voltage of large-scale wind power integration by improving hybrid optimization algorithm of artificial fish swarm |
CN103280821A (zh) * | 2013-06-25 | 2013-09-04 | 国家电网公司 | 智能配电系统多时段动态无功优化方法 |
CN105119292A (zh) * | 2015-09-23 | 2015-12-02 | 国网山东省电力公司东营供电公司 | 基于预测和粒子群算法的多目标电压无功滚动优化方法 |
CN109861208A (zh) * | 2019-01-07 | 2019-06-07 | 南京工程学院 | 一种基于两阶段预处理策略的电动汽车并网优化调度方法 |
CN110336298A (zh) * | 2019-08-17 | 2019-10-15 | 广东博慎智库能源科技发展有限公司 | 一种基于混合智能算法的含分布式电源配网无功规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112165095A (zh) | 2021-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106329523B (zh) | 考虑不确定性的有源配电网智能软开关鲁棒优化建模方法 | |
CN105846461B (zh) | 一种大规模储能电站自适应动态规划的控制方法和系统 | |
US9906030B2 (en) | Optimal control method for reactive voltage of wind power and photovoltaic power centralized grid connection | |
CN112165095B (zh) | 一种基于群智能的低压配网无功优化方法 | |
CN109149620B (zh) | 一种自储能多端柔直系统控制方法及系统 | |
CN111756050B (zh) | 一种风电场群分布式电压协调控制方法及系统 | |
CN105896575B (zh) | 基于自适应动态规划的百兆瓦储能功率控制方法及系统 | |
CN111490542B (zh) | 一种多端柔性多状态开关的选址定容方法 | |
CN114362267B (zh) | 考虑多目标优化的交直流混合配电网分散式协调优化方法 | |
WO2021103482A1 (zh) | 风电机组的无功功率控制方法、装置以及风电场 | |
CN110690709A (zh) | 一种基于灵敏度的智能软开关区间协调电压控制方法 | |
CN107947185A (zh) | 一种基于多目标优化的电网自动电压控制方法及系统 | |
CN111224404A (zh) | 含可控移相器的电力系统潮流快速控制方法 | |
CN113285450A (zh) | 一种电网静态电压稳定在线预防控制优化方法 | |
CN110957731A (zh) | 基于模型预测控制的分布式电源就地集群电压控制方法 | |
CN103730900A (zh) | 电力系统多时间尺度的省地县一体化无功优化方法 | |
CN108964061A (zh) | 一种考虑负荷频率电压静特性的含风电交直流电力系统概率动态连续潮流新方法 | |
CN115441463A (zh) | 考虑无通讯连接的分布式光伏发电系统电压控制方法 | |
CN105337290A (zh) | 一种适用于电力系统低频振荡辅助决策的无功调整方法 | |
CN114792976A (zh) | 基于多分段无功电压曲线的光伏逆变器无功电压控制方法 | |
CN110957745A (zh) | 一种基于滑模控制的提高电网频率稳定性的方法 | |
CN104638654A (zh) | 兼顾风电场和网络节点电压调节的statcom控制方法 | |
CN111651878B (zh) | 计及态势评估的大电网静态电压稳定优化决策方法及系统 | |
CN110365049A (zh) | 一种有源配电系统馈线灵活性的静态量化分析方法 | |
Li et al. | A control parameter design method for hybrid multi-terminal HVDC system |
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 |