CN112560222A - 一种改善电网动态稳定性的无功优化配置方法 - Google Patents

一种改善电网动态稳定性的无功优化配置方法 Download PDF

Info

Publication number
CN112560222A
CN112560222A CN202011277607.6A CN202011277607A CN112560222A CN 112560222 A CN112560222 A CN 112560222A CN 202011277607 A CN202011277607 A CN 202011277607A CN 112560222 A CN112560222 A CN 112560222A
Authority
CN
China
Prior art keywords
voltage
bus
reactive power
power grid
power
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
Application number
CN202011277607.6A
Other languages
English (en)
Inventor
李欣蔚
王超
张强
孙俊杰
袁鹏
孙峰
迟成
曾辉
王聪颖
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.)
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Liaoning Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Liaoning 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 State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Liaoning Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202011277607.6A priority Critical patent/CN112560222A/zh
Publication of CN112560222A publication Critical patent/CN112560222A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • H02J3/1821—Arrangements for adjusting, eliminating or compensating reactive power in networks using shunt compensators
    • H02J3/1871—Methods for planning installation of shunt reactive power compensators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution 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
    • H02J2203/20—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)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Power Engineering (AREA)
  • Pure & Applied Mathematics (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明属于电力系统运行和控制技术领域，尤其涉及一种改善电网动态稳定性的无功优化配置方法。本发明从分析具有高比例电力电子装置的电力系统的灵敏度角度出发，考虑了含有新能源大电网中特高压换流站交流母线电压、某一电网关键节点母线电压和新能源场站并网节点母线电压的稳态和暂态特性，确定了一种综合考虑稳态和暂态特性的动态无功配置评价指标，利用量子遗传算法并结合交直流混联电网动态无功配置优化模型，提出了一种改善电网动态稳定性的无功优化配置方法。本发明充分考虑了具有高比例电力电子装置的电网电压特性，结合新能源并网等因素，能够较好地抑制直流故障后的电压暂升，改善薄弱母线电压暂态特性，提高了大电网电压运行稳定性。

Description

一种改善电网动态稳定性的无功优化配置方法
技术领域
本发明属于电力系统运行和控制技术领域，尤其涉及一种改善电网动态稳定性的无功优化配置方法。
背景技术
随着直流输电工程建设以及大量新能源的接入，特高压直流输电系统在电压稳定运行问题上面临较多问题。特高压直流输电系统输送有功功率巨大，一旦发生双极闭锁事故，系统将遭受巨大扰动，造成大范围暂态电压升高，新能源装置脱网；另一方面，直流输电系统本身在正常运行时消耗系统大量无功，系统中需要大量无功电源支撑。然而新能源装机和并网容量的不断增加，特高压新能源电网的电压安全稳定运行面临的挑战越来越严峻。
为了提高特高压新能源电网电压运行的稳定性，需要考虑在特高压新能源电网中配置动态无功补偿装置。
目前国内外学者研究了多种无功优化模型，有以考虑网损及电压质量为目标的优化模型、考虑电力市场环境为目标的优化模型、考虑负荷变化影响为目标的优化模型、考虑分布式电源接入的优化模型。但是这些模型无法解决特高压直流双极闭锁导致的交流母线电压和新能源场站母线电压升高过大的问题。
发明内容
针对上述现有技术中存在的不足之处，本发明提供了一种改善电网动态稳定性的无功优化配置方法。其目的是为了解决特高压直流送端电网的电压稳定控制能力严重不足、交直流电网电压稳定裕度大幅降低的问题。
本发明为实现上述目的所采用的技术方案是：
一种改善电网动态稳定性的无功优化配置方法，包括以下步骤：
步骤1.获取交直流混联电网的运行参数，在仿真软件中建立网络模型；
步骤2.根据实际电网规划确定动态无功补偿设备配置数量；
步骤3.进行含有新能源接入的交直流混联电网的电压对传输功率的灵敏度计算，确定动态无功补偿设备安装位置的初始合集；
步骤4.采用量子遗传算法，进行人工建模和计算，确定初始动态无功补偿设备的安装位置，并在仿真软件中进行修正；
步骤5.在确定的动态无功补偿设备安装位置下，进行动态仿真计算，在实际计算过程中，以动态无功补偿设备配置策略综合评价指标最小作为目标函数，目标函数值作为每个个体的评价函数值；
步骤6.利用量子旋转门的旋转角调整策略计算量子旋转角，更新量子旋转门，以量子旋转门更新种群，得到新一代种群；
步骤7.若计算次数达到设定值或种群解满足接近最优解精度的要求条件，计算终止，否则执行步骤4；
步骤8.输出动态无功补偿设备配置的最优方案。
进一步的，步骤1中所述运行参数的数据包括：直流换流站母线位置参数、发电机组参数、母线参数、线路参数以及变压器参数。
进一步的，步骤3中所述：电压对传输功率的灵敏度计算，包括：
设系统电压幅值和相角为状态变量表示为Xac，该状态变量包括换流站交流母线，交直流输电系统潮流方程式为：
Figure BDA0002779637680000021
上式中，fac表示交流系统的状态方程，P表示有功功率,Q表示无功功率，P(Xac)、Q(Xac)表示根据电压计算得到的节点注入有功功率和无功功率；控制变量Tac对状态变量Xac的灵敏度矩阵如下：
Figure BDA0002779637680000022
上式中，Jf表示AC/DC混合输电系统潮流计算时的雅可比矩阵，S表示灵敏度矩阵，d表示全微分,
Figure BDA0002779637680000023
表示对交流系统的状态方程求偏微分,
Figure BDA0002779637680000024
表示对时间函数的转置求偏微分。
进一步的，步骤4中所述：确定量子遗传算法计算参数的方法，包括如下步骤：
步骤(1)初始化种群Q(t0)及各参数：
初始化种群Q(t0)，随机生成n个用量子比特编码的染色体
Figure BDA0002779637680000031
其中t0表示初始时刻，qj表示第j个染色体。
量子遗传算法首先需要初始化种群Q(t0)，将种群中n条染色体的2nm个量子比特编码
Figure BDA0002779637680000032
都初始化为
Figure BDA0002779637680000033
表示一个染色体所包含的全部可能状态是等概率的，即：
Figure BDA0002779637680000034
其中，|Sk>为该染色体的第k种状态，表现为一个长度为m的二进制(x1，x2，...xm)，其中xi为0或1，
Figure BDA0002779637680000035
表示第k个染色体所处的状态概率；
步骤(2)测试Q(t)的各个体；
对种群Q(t)所包含的所有个体进行一次测量，以获得一组确定的解p(t)；
其中，
Figure BDA0002779637680000036
上式中：
Figure BDA0002779637680000037
表示第t代种群中的第j(j＝1,2,…,n)个解；测量的过为：随机产生[0,1]区间的数并与量子比特的概率
Figure BDA0002779637680000038
或
Figure BDA0002779637680000039
j(j＝1,2…，n)进行比较，若大于
Figure BDA00027796376800000310
或
Figure BDA00027796376800000311
则测量结果取1，否则取0。
进一步的，步骤5中所述：以动态无功补偿设备配置策略综合评价指标包括：
(1)以系统中关键母线电压偏差为特征变量的稳态指标；
(2)以系统中关键母线电压偏差为特征变量的稳态指标；
(3)以系统中敏感风电母线电压偏差为特征变量的稳态指标。
进一步的，所述以系统中关键母线电压偏差为特征变量的稳态指标，如以下公式所示：
Figure BDA00027796376800000312
其中，VL为特高压新能源换流交流母线电压；
Figure BDA0002779637680000041
为特高压新能源换流母线电压初始量；VLmax为特高压新能源换流交流母线电压最大限值。
进一步的，所述以系统中关键母线电压偏差为特征变量的稳态指标，如以下公式所示：
Figure BDA0002779637680000042
其中，VBi为特高压新能源电网关键节点母线电压；VBi 0为特高压新能源电网关键节点母线电压初始量；VBimax为特高压新能源电网关键节点母线电压最大限值；NB为关键节点母线数量。
进一步的，所述以系统中敏感风电母线电压偏差为特征变量的稳态指标，如以下公式所示：
Figure BDA0002779637680000043
其中，VWi为某一敏感风电节点母线电压；VWi 0为某一某一敏感风电节点母线电压初始量；VWimax为某一敏感风电节点母线电压最大限值；NW为敏感风电节点母线数量；
Figure BDA0002779637680000044
其中，VT为特高压直流闭锁故障后，暂态电压最大值；VTmax为暂态电压最大限值；T为特高压新能源电网动态监控的暂态电压母线集合；N为监控的母线数量；
最终得到配置策略综合评价指标：
Figure BDA0002779637680000045
其中，VL为特高压新能源换流交流母线电压；VL 0为特高压新能源换流母线电压初始量；VLmax为特高压新能源换流交流母线电压最大限值；VBi为特高压新能源电网关键节点母线电压；VBi 0为特高压新能源电网关键节点母线电压初始量；VBimax为特高压新能源电网关键节点母线电压最大限值；VWi为某一敏感风电节点母线电压；VWi 0为某一某一敏感风电节点母线电压初始量；VWimax为某一敏感风电节点母线电压最大限值；VT为特高压直流闭锁故障后，暂态电压最大值；VTimax为暂态电压最小限值；T为特高压新能源电网动态监控的暂态电压母线集合ω为各分指标的权重系数。
进一步的，步骤6中所述量子旋转门的旋转角调整策略如下：
xi和besti分别为当前个体和当前最优个体的第i位；f(x)为目标函数；Δθi为旋转角大小；s(αi,βi)为旋转角的方向，即θi的符号；该调整策略是将当前个体
Figure BDA0002779637680000051
的适应度值f(x)和该种群当前最优个体的适应度值f(best)进行比较若目标函数值越大代表个体越优，则当f(x)＞f(best)时，调整
Figure BDA0002779637680000052
相应位的量子比特，使概率幅(αi,βi)向x的方向逼近；反之，则向besti的方向逼近。
一种计算机存储介质，所述计算机存储介质上存有计算机程序，所述计算机程序被处理器执行时实现所述的一种改善电网动态稳定性的无功优化配置方法的步骤。
本发明具有以下有益效果及优点：
本发明充分考虑了含有新能源的交直流混联电网中特高压换流站交流母线电压、某一电网关键节点母线电压和某风场并网节点母线电压的稳态和暂态特性，确定了一种综合考虑稳态和暂态特性的动态无功配置评价指标，在此基础上建立了综合考虑稳态和暂态过程的特高压新能源电网动态无功配置优化模型，并给出量子遗传算法的计算方法，提出一种改善电网动态稳定性的无功优化配置方法，能够较好地抑制直流故障后的电压暂升，改善薄弱母线电压暂态特性，提高交直流电网电压运行稳定性。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明一种改善电网动态稳定性的动态无功配置方法流程图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面将结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
下面参照图1描述本发明一些实施例的技术方案。
实施例1
本发明是一种改善电网动态稳定性的无功优化配置方法，如图1所示，图1为本发明一种改善电网动态稳定性的动态无功配置方法流程图。
本发明从分析具有高比例电力电子装置的电力系统的灵敏度角度出发，在考虑含有新能源大电网中特高压换流站交流母线电压、某一电网关键节点母线电压和新能源场站并网节点母线电压的稳态和暂态特性的基础上，确定了一种综合考虑稳态和暂态特性的动态无功配置评价指标。
本发明统筹考虑全网动态无功资源，兼顾大规模新能源接入，建立动态无功补偿优化配置模型。并对于该稳态和动态过程耦合在一起的复杂优化问题，提出相应的优化求解算法，给出改善电网动态稳定性的动态无功配置方法。
本发明一种改善电网动态稳定性的无功优化配置方法，包括以下步骤：
步骤1.获取交直流混联电网的运行参数，并在仿真软件中建立相应的网络模型；
所述运行参数的数据包括：直流换流站母线位置参数、发电机组参数、母线参数、线路参数以及变压器参数。
步骤2.根据实际电网规划确定动态无功补偿设备配置数量；
步骤3.进行含有新能源接入的交直流混联电网的电压对传输功率的灵敏度计算，确定动态无功补偿设备安装位置的初始合集；
所述电压对传输功率的灵敏度计算，其具体步骤如下：
设系统电压幅值和相角为状态变量表示为Xac，该状态变量包括换流站交流母线，交直流输电系统潮流方程式为：
Figure BDA0002779637680000071
上式中，fac表示交流系统的状态方程，P表示有功功率,Q表示无功功率，P(Xac)、Q(Xac)表示根据电压计算得到的节点注入有功功率和无功功率；控制变量Tac对状态变量Xac的灵敏度矩阵如下：
Figure BDA0002779637680000072
上式中，Jf表示AC/DC混合输电系统潮流计算时的雅可比矩阵，S表示灵敏度矩阵，d表示全微分,
Figure BDA0002779637680000073
表示对交流系统的状态方程求偏微分,
Figure BDA0002779637680000074
表示对时间函数的转置求偏微分。
步骤4.采用量子遗传算法，进行人工建模和计算，确定初始化种群和遗传算法计算参数，即初始动态无功补偿设备的安装位置，并在仿真软件中进行修正；
所述确定量子遗传算法计算参数的方法，包括如下步骤：
步骤(1)初始化种群Q(t0)及各参数：
初始化种群Q(t0)，随机生成n个用量子比特编码的染色体
Figure BDA0002779637680000075
其中t0表示初始时刻，qj表示第j个染色体。
量子遗传算法首先需要初始化种群Q(t0)，将种群中n条染色体的2nm个量子比特编码
Figure BDA0002779637680000076
都初始化为
Figure BDA0002779637680000077
表示一个染色体所包含的全部可能状态是等概率的，即：
Figure BDA0002779637680000078
其中，|Sk>为该染色体的第k种状态，表现为一个长度为m的二进制(x1，x2，...xm)，其中xi为0或1，
Figure BDA0002779637680000079
表示第k个染色体所处的状态概率。
步骤(2)测试Q(t)的各个体；
对种群Q(t)所包含的所有个体进行一次测量，以获得一组确定的解p(t)。
其中，
Figure BDA0002779637680000081
上式中：
Figure BDA0002779637680000082
表示第t代种群中的第j(j＝1,2,…,n)个解。测量的过为：随机产生[0,1]区间的数并与量子比特的概率
Figure BDA0002779637680000083
或
Figure BDA0002779637680000084
j(j＝1,2…，n)进行比较，若它大于
Figure BDA0002779637680000085
或
Figure BDA0002779637680000086
则测量结果取1，否则取0。
步骤5.在步骤4确定的动态无功补偿设备安装位置下，进行动态仿真计算，在实际计算过程中，以动态无功补偿设备配置策略综合评价指标最小作为目标函数，目标函数值作为每个个体的评价函数值。
所述以动态无功补偿设备配置策略综合评价指标如下：
(1)以系统中关键母线电压偏差为特征变量的稳态指标；
具体如以下公式所示：
Figure BDA0002779637680000087
其中，VL为特高压新能源换流交流母线电压；VL 0为特高压新能源换流母线电压初始量；VLmax为特高压新能源换流交流母线电压最大限值；
(2)以系统中关键母线电压偏差为特征变量的稳态指标；
具体如以下公式所示：
Figure BDA0002779637680000088
其中，VBi为特高压新能源电网关键节点母线电压；VBi 0为特高压新能源电网关键节点母线电压初始量；VBimax为特高压新能源电网关键节点母线电压最大限值；NB为关键节点母线数量。
(3)以系统中敏感风电母线电压偏差为特征变量的稳态指标；
具体如以下公式所示：
Figure BDA0002779637680000091
其中，VWi为某一敏感风电节点母线电压；VWi 0为某一某一敏感风电节点母线电压初始量；VWimax为某一敏感风电节点母线电压最大限值；NW为敏感风电节点母线数量。
Figure BDA0002779637680000092
其中，VT为特高压直流闭锁故障后，暂态电压最大值；VTmax为暂态电压最大限值；T为特高压新能源电网动态监控的暂态电压母线集合；N为监控的母线数量。
结合以上指标，最终得到配置策略综合评价指标：
Figure BDA0002779637680000093
其中，VL为特高压新能源换流交流母线电压；VL 0为特高压新能源换流母线电压初始量；VLmax为特高压新能源换流交流母线电压最大限值；VBi为特高压新能源电网关键节点母线电压；VBi 0为特高压新能源电网关键节点母线电压初始量；VBimax为特高压新能源电网关键节点母线电压最大限值；VWi为某一敏感风电节点母线电压；VWi 0为某一某一敏感风电节点母线电压初始量；VWimax为某一敏感风电节点母线电压最大限值；VT为特高压直流闭锁故障后，暂态电压最大值；VTimax为暂态电压最小限值；T为特高压新能源电网动态监控的暂态电压母线集合ω为各分指标的权重系数。
步骤6.利用量子旋转门的旋转角调整策略计算量子旋转角，更新量子旋转门，以量子旋转门更新种群，得到新一代种群。
所述量子旋转门的旋转角调整策略为：
xi和besti分别为当前个体和当前最优个体的第i位；f(x)为目标函数；Δθi为旋转角大小；s(αi,βi)为旋转角的方向，即θi的符号。该调整策略是将当前个体
Figure BDA0002779637680000101
的适应度值f(x)和该种群当前最优个体的适应度值f(best)进行比较若目标函数值越大代表个体越优，则当f(x)＞f(best)时，调整
Figure BDA0002779637680000102
相应位的量子比特，使概率幅(αi,βi)向x的方向逼近；反之，则向besti的方向逼近。
步骤7.若计算次数达到设定值或种群解满足接近最优解精度的要求条件，计算终止，否则执行步骤4；
步骤8.输出动态无功补偿设备配置的最优方案。
实施例2
基于同一发明构思，本发明实施例还提供了一种计算机存储介质，所述计算机存储介质上存有计算机程序，所述计算机程序被处理器执行时实现实施例1所述的一种基于量子遗传算法的交直流混联电网动态无功配置方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.一种改善电网动态稳定性的无功优化配置方法，其特征是：包括以下步骤：
步骤1.获取交直流混联电网的运行参数，在仿真软件中建立网络模型；
步骤2.根据实际电网规划确定动态无功补偿设备配置数量；
步骤3.进行含有新能源接入的交直流混联电网的电压对传输功率的灵敏度计算，确定动态无功补偿设备安装位置的初始合集；
步骤4.采用量子遗传算法，进行人工建模和计算，确定初始动态无功补偿设备的安装位置，并在仿真软件中进行修正；
步骤5.在确定的动态无功补偿设备安装位置下，进行动态仿真计算，在实际计算过程中，以动态无功补偿设备配置策略综合评价指标最小作为目标函数，目标函数值作为每个个体的评价函数值；
步骤6.利用量子旋转门的旋转角调整策略计算量子旋转角，更新量子旋转门，以量子旋转门更新种群，得到新一代种群；
步骤7.若计算次数达到设定值或种群解满足接近最优解精度的要求条件，计算终止，否则执行步骤4；
步骤8.输出动态无功补偿设备配置的最优方案。
2.根据权利要求1所述的一种改善电网动态稳定性的无功优化配置方法，其特征是：步骤1中所述运行参数的数据包括：直流换流站母线位置参数、发电机组参数、母线参数、线路参数以及变压器参数。
3.根据权利要求1所述的一种改善电网动态稳定性的无功优化配置方法，其特征是：步骤3中所述：电压对传输功率的灵敏度计算，包括：
设系统电压幅值和相角为状态变量表示为Xac，该状态变量包括换流站交流母线，交直流输电系统潮流方程式为：
Figure FDA0002779637670000011
上式中，fac表示交流系统的状态方程，P表示有功功率,Q表示无功功率，P(Xac)、Q(Xac)表示根据电压计算得到的节点注入有功功率和无功功率；控制变量Tac对状态变量Xac的灵敏度矩阵如下：
Figure FDA0002779637670000021
上式中，Jf表示AC/DC混合输电系统潮流计算时的雅可比矩阵，S表示灵敏度矩阵，d表示全微分,
Figure FDA0002779637670000022
表示对交流系统的状态方程求偏微分,
Figure FDA0002779637670000023
表示对时间函数的转置求偏微分。
4.根据权利要求1所述的一种改善电网动态稳定性的无功优化配置方法，其特征是：步骤4中所述：确定量子遗传算法计算参数的方法，包括如下步骤：
步骤(1)初始化种群Q(t0)及各参数：
初始化种群Q(t0)，随机生成n个用量子比特编码的染色体
Figure FDA00027796376700000213
其中t0表示初始时刻，qj表示第j个染色体。
量子遗传算法首先需要初始化种群Q(t0)，将种群中n条染色体的2nm个量子比特编码
Figure FDA0002779637670000025
都初始化为
Figure FDA0002779637670000026
表示一个染色体所包含的全部可能状态是等概率的，即：
Figure FDA0002779637670000027
其中，|Sk>为该染色体的第k种状态，表现为一个长度为m的二进制(x1，x2，...xm)，其中xi为0或1，
Figure FDA0002779637670000028
表示第k个染色体所处的状态概率；
步骤(2)测试Q(t)的各个体；
对种群Q(t)所包含的所有个体进行一次测量，以获得一组确定的解p(t)；
其中，
Figure FDA0002779637670000029
上式中：
Figure FDA00027796376700000210
表示第t代种群中的第j(j＝1,2,…,n)个解；测量的过为：随机产生[0,1]区间的数并与量子比特的概率
Figure FDA00027796376700000211
或
Figure FDA00027796376700000212
j(j＝1,2…，n)进行比较，若大于
Figure FDA0002779637670000031
或
Figure FDA0002779637670000032
则测量结果取1，否则取0。
5.根据权利要求1所述的一种改善电网动态稳定性的无功优化配置方法，其特征是：步骤5中所述：以动态无功补偿设备配置策略综合评价指标包括：
(1)以系统中关键母线电压偏差为特征变量的稳态指标；
(2)以系统中关键母线电压偏差为特征变量的稳态指标；
(3)以系统中敏感风电母线电压偏差为特征变量的稳态指标。
6.根据权利要求5所述的一种改善电网动态稳定性的无功优化配置方法，其特征是：所述以系统中关键母线电压偏差为特征变量的稳态指标，如以下公式所示：
Figure FDA0002779637670000033
其中，VL为特高压新能源换流交流母线电压；VL 0为特高压新能源换流母线电压初始量；VLmax为特高压新能源换流交流母线电压最大限值。
7.根据权利要求5所述的一种改善电网动态稳定性的无功优化配置方法，其特征是：所述以系统中关键母线电压偏差为特征变量的稳态指标，如以下公式所示：
Figure FDA0002779637670000034
其中，VBi为特高压新能源电网关键节点母线电压；VBi 0为特高压新能源电网关键节点母线电压初始量；VBimax为特高压新能源电网关键节点母线电压最大限值；NB为关键节点母线数量。
8.根据权利要求1所述的一种改善电网动态稳定性的无功优化配置方法，其特征是：所述以系统中敏感风电母线电压偏差为特征变量的稳态指标，如以下公式所示：
Figure FDA0002779637670000035
其中，VWi为某一敏感风电节点母线电压；VWi 0为某一某一敏感风电节点母线电压初始量；VWimax为某一敏感风电节点母线电压最大限值；NW为敏感风电节点母线数量；
Figure FDA0002779637670000041
其中，VT为特高压直流闭锁故障后，暂态电压最大值；VTmax为暂态电压最大限值；T为特高压新能源电网动态监控的暂态电压母线集合；N为监控的母线数量；
最终得到配置策略综合评价指标：
Figure FDA0002779637670000042
其中，VL为特高压新能源换流交流母线电压；VL 0为特高压新能源换流母线电压初始量；VLmax为特高压新能源换流交流母线电压最大限值；VBi为特高压新能源电网关键节点母线电压；VBi 0为特高压新能源电网关键节点母线电压初始量；VBimax为特高压新能源电网关键节点母线电压最大限值；VWi为某一敏感风电节点母线电压；VWi 0为某一某一敏感风电节点母线电压初始量；VWimax为某一敏感风电节点母线电压最大限值；VT为特高压直流闭锁故障后，暂态电压最大值；VTimax为暂态电压最小限值；T为特高压新能源电网动态监控的暂态电压母线集合ω为各分指标的权重系数。
9.根据权利要求1所述的一种改善电网动态稳定性的无功优化配置方法，其特征是：步骤6中所述量子旋转门的旋转角调整策略如下：
xi和besti分别为当前个体和当前最优个体的第i位；f(x)为目标函数；Δθi为旋转角大小；s(αi,βi)为旋转角的方向，即θi的符号；该调整策略是将当前个体
Figure FDA0002779637670000043
的适应度值f(x)和该种群当前最优个体的适应度值f(best)进行比较若目标函数值越大代表个体越优，则当f(x)＞f(best)时，调整
Figure FDA0002779637670000044
相应位的量子比特，使概率幅(αi,βi)向x的方向逼近；反之，则向besti的方向逼近。
10.一种计算机存储介质，其特征是：所述计算机存储介质上存有计算机程序，所述计算机程序被处理器执行时实现权利要求1-9所述的一种改善电网动态稳定性的无功优化配置方法的步骤。
CN202011277607.6A 2020-11-16 2020-11-16 一种改善电网动态稳定性的无功优化配置方法 Pending CN112560222A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011277607.6A CN112560222A (zh) 2020-11-16 2020-11-16 一种改善电网动态稳定性的无功优化配置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011277607.6A CN112560222A (zh) 2020-11-16 2020-11-16 一种改善电网动态稳定性的无功优化配置方法

Publications (1)

Publication Number Publication Date
CN112560222A true CN112560222A (zh) 2021-03-26

Family

ID=75042378

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011277607.6A Pending CN112560222A (zh) 2020-11-16 2020-11-16 一种改善电网动态稳定性的无功优化配置方法

Country Status (1)

Country Link
CN (1) CN112560222A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113690900A (zh) * 2021-07-13 2021-11-23 国网西藏电力有限公司经济技术研究院 基于电压灵敏度指数的调相机选址方法及装置
WO2023207099A1 (zh) * 2022-04-29 2023-11-02 中国电力科学研究院有限公司 一种高比例新能源电力系统主导过电压的辨识方法、系统、电子设备、存储介质和计算机程序产品

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160084225A1 (en) * 2014-08-29 2016-03-24 Tsinghua University Method and apparatus for controlling voltage in wind farm
US20180013287A1 (en) * 2016-07-07 2018-01-11 University Of Hawai'i Dynamic reactive compensation
CN109787297A (zh) * 2018-12-22 2019-05-21 国网辽宁省电力有限公司电力科学研究院 一种考虑暂态特性的特高压直流送端电网无功优化方法
CN110768263A (zh) * 2019-11-21 2020-02-07 华北电力大学 一种暂态电压控制方法
US10581247B1 (en) * 2019-05-06 2020-03-03 General Electric Company System and method for reactive power control of wind turbines in a wind farm supported with auxiliary reactive power compensation
CN111769570A (zh) * 2020-06-16 2020-10-13 河海大学 计及暂态电压约束的日前两阶段动态无功储备优化方法、系统、存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160084225A1 (en) * 2014-08-29 2016-03-24 Tsinghua University Method and apparatus for controlling voltage in wind farm
US20180013287A1 (en) * 2016-07-07 2018-01-11 University Of Hawai'i Dynamic reactive compensation
CN109787297A (zh) * 2018-12-22 2019-05-21 国网辽宁省电力有限公司电力科学研究院 一种考虑暂态特性的特高压直流送端电网无功优化方法
US10581247B1 (en) * 2019-05-06 2020-03-03 General Electric Company System and method for reactive power control of wind turbines in a wind farm supported with auxiliary reactive power compensation
CN110768263A (zh) * 2019-11-21 2020-02-07 华北电力大学 一种暂态电压控制方法
CN111769570A (zh) * 2020-06-16 2020-10-13 河海大学 计及暂态电压约束的日前两阶段动态无功储备优化方法、系统、存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
YURONG WANG等: "Reactive Power Planning with Transient Process Stability Constraint", 2015 IEEE POWER & ENERGY SOCIETY GENERAL MEETING, 5 October 2015 (2015-10-05), pages 1 - 5 *
刘佳陇;叶保璇;张诗建;李钦豪;: "主动配电网集中/就地自适应无功电压控制方法", 电网与清洁能源, no. 11, 25 November 2019 (2019-11-25), pages 24 - 33 *
周仕豪;唐飞;刘涤尘;殷巧玲;郑永乐;: "考虑降低暂态电压失稳风险的动态无功优化配置方法", 电力系统保护与控制, no. 07, 3 April 2018 (2018-04-03), pages 76 - 83 *
李欣蔚: "交直流电网动态无功补偿优化配置研究", 中国优秀硕士学位论文全文数据库, no. 1, 15 January 2020 (2020-01-15), pages 042 - 2639 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113690900A (zh) * 2021-07-13 2021-11-23 国网西藏电力有限公司经济技术研究院 基于电压灵敏度指数的调相机选址方法及装置
CN113690900B (zh) * 2021-07-13 2024-04-12 国网西藏电力有限公司经济技术研究院 基于电压灵敏度指数的调相机选址方法及装置
WO2023207099A1 (zh) * 2022-04-29 2023-11-02 中国电力科学研究院有限公司 一种高比例新能源电力系统主导过电压的辨识方法、系统、电子设备、存储介质和计算机程序产品

Similar Documents

Publication Publication Date Title
CN113363998B (zh) 一种基于多智能体深度强化学习的配电网电压控制方法
CN111092429B (zh) 一种柔性互联配电网的优化调度方法、存储介质及处理器
CN109638810B (zh) 一种基于电力系统暂态稳定的储能规划方法及系统
CN105321003A (zh) 一种含vsc-hvdc的交直流系统多目标潮流优化方法
Reddy et al. 2Index and GA based optimal location and sizing of distribution system capacitors
CN112560222A (zh) 一种改善电网动态稳定性的无功优化配置方法
Boualem et al. Power management strategy based on Elman neural network for grid-connected photovoltaic-wind-battery hybrid system
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
CN114726009B (zh) 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
CN113872213B (zh) 一种配电网电压自主优化控制方法及装置
CN113890039B (zh) 一种多端柔性直流配电网潮流调度优化方法
CN113991760B (zh) 交直流混联受端电网直流闭锁多资源紧急控制优化方法
CN112531756A (zh) 用于储能系统电量平衡的分布式控制方法及系统、设备
CN116031889A (zh) 基于鲁棒深度强化学习的多智能体分布式电压控制方法
CN116581759A (zh) 一种输电断面有功校正控制方法、系统及设备
CN113285461B (zh) 基于不完全量测的配电网分散控制方法、系统
CN115133540A (zh) 一种配电网无模型的实时电压控制方法
Madadi et al. Probabilistic small signal stability evaluation of power systems with high penetration of wind farms
Chen et al. Reward adaptive wind power tracking control based on deep deterministic policy gradient
Zhu et al. Research on volt/var control of distribution networks based on PPO algorithm
CN111769570A (zh) 计及暂态电压约束的日前两阶段动态无功储备优化方法、系统、存储介质
CN111682552A (zh) 电压控制方法、装置、设备及存储介质
Saka et al. Voltage Stability of the Power System using Genetic Algorithm: A Review
CN114400674B (zh) 基于bp神经网络的无功和电压控制充裕性评估方法
CN113410846B (zh) 一种结合网络重构的配电网日前无功电压双层优化方法

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