CN112636396A - 光伏配电网控制方法及终端 - Google Patents

光伏配电网控制方法及终端 Download PDF

Info

Publication number
CN112636396A
CN112636396A CN202011551723.2A CN202011551723A CN112636396A CN 112636396 A CN112636396 A CN 112636396A CN 202011551723 A CN202011551723 A CN 202011551723A CN 112636396 A CN112636396 A CN 112636396A
Authority
CN
China
Prior art keywords
node
photovoltaic
power
photovoltaic inverter
predicted
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.)
Granted
Application number
CN202011551723.2A
Other languages
English (en)
Other versions
CN112636396B (zh
Inventor
杨少波
周文
曾四鸣
李铁成
胡雪凯
王磊
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 Hebei Electric Power Co Ltd
State Grid Hebei Energy Technology Service Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd
State Grid Hebei Energy Technology Service 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 Hebei Electric Power Co Ltd, State Grid Hebei Energy Technology Service Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202011551723.2A priority Critical patent/CN112636396B/zh
Publication of CN112636396A publication Critical patent/CN112636396A/zh
Application granted granted Critical
Publication of CN112636396B publication Critical patent/CN112636396B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H02J3/38—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
    • 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
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • 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
    • H02J3/381—Dispersed generators
    • 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]
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • 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

本发明适用于电气设备及电气工程技术领域，提供了一种光伏配电网控制方法及终端。其中，光伏配电网控制方法包括：获取预测日的气象数据；基于预先训练完成的神经网络预测模型，根据预测日的气象数据确定光伏配电网中的各节点对应的光伏逆变器的预测输出功率；根据各节点对应的光伏逆变器的预测输出功率确定各节点的预测电压值；若任意一个节点的预测电压值大于第一预设电压阈值，则根据预设的功率分配模型确定各个光伏逆变器的输出功率参考值；根据各节点的预测电压值确定各节点对应的光伏逆变器的工作模态；基于输出功率参考值和工作模态，控制各个光伏逆变器的输出功率。本发明能够有效避免直接削减有功功率降低光伏发电效率的问题。

Description

光伏配电网控制方法及终端
技术领域
本发明属于电气设备及电气工程技术领域，尤其涉及一种光伏配电网控制方法及终端。
背景技术
目前，随着煤改电、光伏扶贫等工程的大规模开展，以光伏为代表的分布式电源被广泛接入配电网。因此，分布式光伏接入配电网引起的电能质量问题，对电网的安全、可靠、经济运行至关重要。
现有的光伏并网运行控制方法主要通过削减有功功率来降低电压。然而，直接削减本地光伏的有功功率会降低光伏发电的效率。
发明内容
有鉴于此，本发明提供了一种光伏配电网控制方法及终端，以解决直接削减本地光伏的有功功率会降低光伏发电的效率问题。
本发明实施例的第一方面提供了一种光伏配电网控制方法，包括：
获取预测日的气象数据；
基于预先训练完成的神经网络预测模型，根据预测日的气象数据确定光伏配电网中的各节点对应的光伏逆变器的预测输出功率；
根据各节点对应的光伏逆变器的预测输出功率确定各节点的预测电压值；
若任意一个节点的预测电压值大于第一预设电压阈值，则根据预设的功率分配模型确定各个光伏逆变器的输出功率参考值；
根据各节点的预测电压值确定各节点对应的光伏逆变器的工作模态；基于输出功率参考值和工作模态，控制各个光伏逆变器的输出功率。
本发明实施例的第二方面提供了一种终端，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如任一项光伏配电网控制方法的步骤。
本发明实施例的第三方面提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如任一项光伏配电网控制方法的步骤。
本发明与现有技术相比存在的有益效果是：
本发明通过获取预测日的气象数据；基于预先训练完成的神经网络预测模型，根据预测日的气象数据确定光伏配电网中的各节点对应的光伏逆变器的预测输出功率；根据各节点对应的光伏逆变器的预测输出功率确定各节点的预测电压值；若任意一个节点的预测电压值大于第一预设电压阈值，则根据预设的功率分配模型确定各个光伏逆变器的输出功率参考值，根据节点预测电压值判断电压是否越限；根据各节点的预测电压值确定各节点对应的光伏逆变器的工作模态；基于输出功率参考值和工作模态，控制各个光伏逆变器的输出功率，可以有效避免直接削减有功功率降低光伏发电效率的问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的光伏配电网控制方法的一个实现流程图；
图2是本发明实施例提供的光伏逆变器输出功率随光照强度变化的曲线图；
图3是本发明实施例提供的提出的遗传算法程序流程示意图；
图4是本发明实施例提供的光伏配电网控制装置的结构示意图；
图5是本发明实施例提供的终端的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
图1示出了本发明实施例提供的光伏配电网控制方法的实现流程图，在本发明的一个实施例中，参见图1，可以包括：
S101，获取预测日的气象数据。
可选的，预测日的气象数据可以包括预测日的天气类型、提找时间、环境温度和季节信息。
S102，基于预先训练完成的神经网络预测模型，根据预测日的气象数据确定光伏配电网中的各节点对应的光伏逆变器的预测输出功率。
可选的，参见图2，其示出了光伏逆变器输出功率随光照强度变化的曲线图，从中可以得出光伏逆变器输出功率近似与光照强度成正比，所以对光伏逆变器的输出功率进行预测可以通过对日光照强度进行预测来实现。具体地，可以根据预测日的气象数据和预先训练完成的神经网络预测模型，确定预测日的光照强度；根据预测日的光照强度确定各节点对应的光伏逆变器的预测输出功率。
S103，根据各节点对应的光伏逆变器的预测输出功率确定各节点的预测电压值。
可选的，可以根据各节点光伏逆变器的预测输出功率通过潮流计算得出预测日的各节点的预测电压值，该预测电压值为各节点的初始预测电压值。
S104，若任意一个节点的预测电压值大于第一预设电压阈值，则根据预设的功率分配模型确定各个光伏逆变器的输出功率参考值。
S105，根据各节点的预测电压值确定各节点对应的光伏逆变器的工作模态；基于输出功率参考值和工作模态，控制各个光伏逆变器的输出功率。
可选地，若任意一个节点的预测电压值大于第一预设电压阈值，则可以在预测日执行S104和S105，以保证各个节点的电压不越限。
通过获取预测日的气象数据；基于预先训练完成的神经网络预测模型，根据预测日的气象数据确定光伏配电网中的各节点对应的光伏逆变器的预测输出功率；根据各节点对应的光伏逆变器的预测输出功率确定各节点的预测电压值；若任意一个节点的预测电压值大于第一预设电压阈值，则根据预设的功率分配模型确定各个光伏逆变器的输出功率参考值，根据节点预测电压值判断电压是否越限；根据各节点的预测电压值确定各节点对应的光伏逆变器的工作模态；基于输出功率参考值和工作模态，控制各个光伏逆变器的输出功率，可以有效避免直接削减有功功率降低光伏发电效率的问题。
在本发明的一个实施例中，上述S105中的“根据各节点的预测电压值确定各节点对应的光伏逆变器的工作模态”，可以包括：
若第一节点的预测电压值大于第一预设电压阈值且第一节点的预测电压值不大于第二预设电压阈值，则确定第一节点对应的光伏逆变器的工作模态为无功功率运行模态；其中，第一节点为光伏配电网中的任意一个节点；
若第一节点的预测电压值大于第二预设电压阈值且第一节点的预测电压值不大于第三预设电压阈值，则确定第一节点对应的光伏逆变器的工作模态为协调无功功率模态；
若第一节点的预测电压值大于第三预设电压阈值，则确定第一节点对应的光伏逆变器的工作模态为有功功率削减模态。
可选的，第一预设电压阈值、第二预设电压阈值和第三预设电压阈值可以根据实际需要进行设定，是对节点电压是否越限以及越限的程度进行判断，通过对每个节点电压进行判断，可以得知每个节点对应的光伏逆变器的工作模态。
一般情况下，第三预设电压阈值大于第二预设电压阈值，第二预设电压阈值大于第一预设电压阈值，
在本发明的一个实施例中，上述S105中“基于输出功率参考值和工作模态，控制各个光伏逆变器的输出功率”，可以包括：
若第一光伏逆变器的工作模态为无功功率运行模态，则根据第一光伏逆变器的输出功率参考值控制第一光伏逆变器的输出无功功率；其中，第一光伏逆变器为光伏配电网中的任意一个光伏逆变器；
若第一光伏逆变器的工作模态为协调无功功率模态，则根据第一光伏逆变器的输出功率参考值控制第一光伏逆变器的输出无功功率以及与第一光伏逆变器相邻的光伏逆变器的输出无功功率；
若第一光伏逆变器的工作模态为有功功率削减模态，则根据第一光伏逆变器的输出功率参考值控制第一光伏逆变器的输出无功功率和输出有功功率。
可选地，输出功率参考值包括输出有功功率参考值和输出无功功率参考值。
若第一光伏逆变器的工作模态为无功功率运行模态，则可以根据第一光伏逆变器的输出无功功率参考值控制第一光伏逆变器的输出无功功率，用于保证第一光伏逆变器对应节点的电压不越限。
若第一光伏逆变器的工作模态为协调无功功率模态，则可以根据第一光伏逆变器的输出无功功率参考值控制第一光伏逆变器的输出无功功率以及与第一光伏逆变器相邻的光伏逆变器的输出无功功率，用于保证第一光伏逆变器对应节点的电压不越限。
若第一光伏逆变器的工作模态为有功功率削减模态，则可以根据第一光伏逆变器的输出有功功率参考值和输出无功功率参考值控制第一光伏逆变器的输出有功功率和输出无功功率，用于保证第一光伏逆变器对应节点的电压不越限。
无功功率运行模态，光伏电池以最大功率点跟踪模式发出有功功率参考值，光伏逆变器根据当前节点电压自动调整发出的无功功率，用于保证该节点电压不越限。
协调无功功率模态，当前节点的光伏逆变器的无功容量不足以使当前节点的电压不越限，可以协调相邻节点的光伏逆变器向该节点发出相应的无功功率，用于保证该节点电压不越限。
有功功率削减模态，该节点对应的光伏逆变器输出有功功率降低，用于保证该节点电压不越限。
在本发明的一个实施例中，在上述S103“根据预测日的气象数据确定各节点对应的光伏逆变器的预测输出功率”之前，光伏配电网控制方法还可以包括：
获取训练样本集，训练样本集包括多个历史气象数据以及各个历史气象数据对应的历史光照强度；
根据训练样本集对预设的神经网络预测模型进行训练，得到预先训练完成的神经网络预测模型。
示例性的，可以建立BP神经网络预测模型，建立过程包括：
定义输入层节点个数n为待预测日的天气类型、日照时间、环境温度和季节四个节点；
定义输出层节点个数m为待预测日在各预测点的光照强度；
定义隐含层的节点个数l，l的选取可根据式(1)决定。
Figure BDA0002857404560000061
其中，a为1～10的调节常数。
示例性的，根据建立的BP神经网络预测模型，输入光照强度的历史数据，训练预测模型，训练模型的步骤如下：
1)首先根据式(2)采用归一化方法将历史数据转换到[-1,1]区间内，式中，p'表示归一化后的数据，p为原始数据，pmin和pmax分别是原始数据的最小值和最大值；
Figure BDA0002857404560000062
2)输入原始数据，对BP神经网络预测模型进行训练，训练好的模型可以直接用于光伏预测。其中网络的隐含层和输出层的神经元激励函数均采用S型正切函数tansig(x)，tansig(x)函数的表达式如式(3)所示；
Figure BDA0002857404560000071
3)将预测日的天气类型、日照时间、环境温度和季节输入网络，根据训练好的预测模型，得到归一化后的输出结果y'，再根据式(4)对y'进行反归一化获得输出实际值y；
Figure BDA0002857404560000072
在本发明的一个实施例中，上述S104中的“根据预设的功率分配模型确定各个光伏逆变器的输出功率参考值”，可以包括：
根据遗传算法，对预设的功率分配模型进行求解，得到各个光伏逆变器的输出功率参考值。
可选的，建模和求解过程可以包括：
A.染色体编码：
染色体向外表达各种生物的性状。在配电网建模中，将配电网各个节点的电压Ui作为基因的外在表现。系统各个节点的光伏有功、无功输入Pi、Qi作为染色体的基因。所以一个解对应于一条染色体，而一条染色体就是配电系统所有节点光伏有功、无功输入Pi、Qi的载体。
依此，设计配电网染色体模型，并且建立最终优化光伏有功、无功输入的评价函数。将配电网所有节点的电压偏差纳入到评价指标函数中，将系统电压情况对配电网治理效果进行评估，得到最终配电网优化配置结果。
建立适应度函数：
在配电网无功补偿适应性建模的过程中，适应度函数作为选择的标准和依据，优化迭代方向和迭代结果。通过潮流计算得到配电网各个节点电压数据，然后将各个节点的电压与其期望值进行作差，各个节点电压偏差平方和最小的一组解被保留。适应度函数建立的目标是使得各个节点在最佳的电压区间稳定运行。
将适应度函数f转化为倒数进行设计和处理，如式(5)，这样设计符合无功优化的最优目标；
Figure BDA0002857404560000081
B.设计交叉算子：
根据遗传算法迭代原理，要使得函数通过迭代逐步逼近最优解，在随机生成解的同时，需要将已经得到的最优解进行保留，再和下一代进行比较分析。交叉算子(Crossover)通过交叉概率对父代个体中的变量进行交叉操作。设计合适的交叉算子的数值pop.cr，优化最优解的保留权力，加速最优解的优化进程。通过改变pop.cr的值，得到当pop.cr＝0.8时对最优解的保留效果最好。
C.设计变异算子：
交叉算子只能对现有的计算结果重新排列组合，容易陷入局部最优解，产生新的变量的值还需要设计变异算子。研究变异算子的值pop.mr与pop.cr的影响。当pop.mr较小pop.cr较大时，产生的新变量的值比较少，整个优化迭代的过程比较慢。当pop.mr较大pop.cr较小时，当前的最优解容易丢失，数据容易出现震荡。仿真结果表明，当pop.mr＝0.4时，迭代速度较快且最优解保留最好。
D.设计遗传算法程序：
设定遗传算法种群大小pop.size，pop.size大小影响迭代的速度和最优解的值。利用随机函数在约束条件内生成初始的各个节点有功、无功补偿值，作为迭代过程的初始解。有功、无功补偿解作为潮流计算的已知，计算当下工况的配电网电压。通过适应度函数评价系统节点电压情况，配电网节点电压总体更稳定的解保留，配电网节点电压不稳定的进行剔除。符合条件的最优解将带入下一代进行优化计算，最终得到整体最优解。
参见图3，其示出了本发明实施例提供的遗传算法程序流程示意图，程序流程可以概述为：
S301，输入配电网的数据，负荷参数等，初始化遗传算法参数，令迭代次数k＝1；
S302，根据输入的数据求解各节点电压灵敏度；根据各节点电压的灵敏度来设计各个节点的有功、无功-电压运行曲线；
S303，输入光伏有功、无功功率初值，通过潮流计算求解电压以及电压偏差目标函数；
S304，对系统进行迭代，直至优化结果能够满足收敛条件，则输出优化结果(即最优解)；
根据潮流计算公式可以得知电压灵敏度矩阵为：
Figure BDA0002857404560000091
Figure BDA0002857404560000092
其中，
Figure BDA0002857404560000093
Figure BDA0002857404560000094
J-1是J的逆矩阵。
在本发明的一个实施例中，在遗传算法中，适应度函数可以表示为式(6)：
Figure BDA0002857404560000095
其中，f为适应度值，ui为光伏配电网第i个节点的电压值，uiq为光伏配电网第i个节点的期望电压值，N为配电网并联的光伏电源的数量，ω1为第一惩罚系数，ω2为第二惩罚系数，n为光伏配电网中的节点的数量。
在本发明的一个实施例中，功率分配模型包括目标函数和约束条件；
其中，目标函数OF可以为式(7)：
Figure BDA0002857404560000096
ui为光伏配电网第i个节点的电压值，uiq为光伏配电网第i个节点的期望电压值，n为光伏配电网中的节点的数量；
约束条件可以包括(8)～(13)：
Figure BDA0002857404560000101
Figure BDA0002857404560000102
Uimin<Ui<Uimax (10)
Qimin<Qi<Qimax (11)
0<Ppvi<Ppvmppt (12)
Spvi<Spv (13)
PGi、QGi分别为第i个节点对应的配电网中的电源发出的有功功率和无功功率，PLi、QLi分别为第i个节点对应的负荷需要的有功功率和无功功率，ΔP、ΔQ分别为光伏配电网中所有光伏逆变器输出的有功功率和无功功率，Uimax、Uimin分别为正常运行下第i个节点电压的最大值和最小值，Qimax、Qimin分别为第i个节点对应的光伏逆变器可输出无功功率的最大值和最小值，Spv为光伏逆变器的容量，Ui为节点电压，Ppvi、Qpvi、Spvi分别为第i个节点对应的光伏逆变器输出的有功功率、无功功率和视在功率。
示例性的，如分布式光伏配电网，分布式电源并入电网或是发电量波动时，在分布式电源并入点bus2上的电压变化值为式(14)；
Figure BDA0002857404560000103
其中，
Figure BDA0002857404560000104
为系统短路阻抗角；Zsc为系统短路阻抗；ΔSDG为分布式电源的注入功率变化量；Sk为分布式电源并入点bus2处短路容量；θ为分布式电源功率因数角，Vbulk为电源并入点bus2对应的光伏输入电压。从表达式中可以得出，影响并入点电压的因素可以总结为分布式电源注入功率的变化、分布式电源的功率因数以及并入系统的短路容量。分布式电源注入功率和功率因数可以通过控制逆变器的有功、无功来调节，从而控制整个配电网系统的电压。
潮流计算基于节点功率平衡方程，在输电网中得到大量的应用研究，将系统的参数应用于配电网可以计算配电网潮流。潮流计算最基本的公式给出式(15)和(16)；
Figure BDA0002857404560000111
Figure BDA0002857404560000112
其中，PGi、QGi分别为第i个节点电源发出的有功功率和无功功率，PLi、QLi分别为第i个节点的负荷需要的有功功率和无功功率，Ui、Uj、Gij、Bij分别表示的是第i、j节点电压幅值和线路参数，θij为第i个节点和第j个节点电压的相位差。
在特定配电网中，负荷所需要的有功、无功总量在某一工况下是确定的。需要经济合理地将光伏有功、无功输入值分配到配电网结构的各个节点，使得配电网线路中流过的无功最小，并且配电网各个节点的电压接近于额定电压。光伏有功、无功输入分配是一个非线性、多变量、多目标的综合规划问题，因此求解需要设置目标函数和多个条件约束。
可选的，配电网光伏有功、无功输入值需要使得系统各个节点电压满足期望值。对于单一节点，越接近额定电压电压越稳定。而对于配电网多个节点，取每个节点的电压偏差的平方和作为系统稳定的目标，根据上述依据可以得出如式(7)的目标函数。
考虑到配电网流过的电流会产生线路损耗，因此应使光伏有功支撑、无功补偿之后电能损失最小，还可以建立配电系统损耗量和系统各个节点补偿容量的函数关系，如式(17)：
ΔP＝f(Qci) (17)
其中，Qci表示光伏配电网系统各个节点的补偿容量，即在各个节点补偿无功的综合作用下，系统的网络损耗最低。
可选的，约束条件包括等式约束条件和不等式约束条件：
等式约束条件，其可以控制光伏逆变器使其起到电压支撑，吸收、发出无功的作用，如式(8)～(9)；
考虑到在配电网稳态运行的工况下，各个节点电压必须满足电压幅值的约束限值，系统才能安全长期稳定运行。而光伏逆变器则需要满足自身容量以及运行特性的约束条件，可以建立包括式(10)～(13)的不等式约束条件。
在本发明的一个实施例中，根据各节点对应的光伏逆变器的预测输出功率确定各节点的电压值，可以包括：
基于牛顿-拉夫逊算法，根据各节点对应的光伏逆变器的预测输出功率确定各节点的电压值。
配电网潮流计算方法中，经研究对比，牛顿-拉夫逊算法最成熟而且求解速度快，因此选用牛顿-拉夫逊算法对配电网进行潮流计算。
通过遗传算法得出的优化结果协调各光伏逆变器发出或吸收无功，若电压越限信号尚未解除，再重新优化各节点输出的有功、无功功率，在尽量减少有功功率削减的情况下保证各节点电压能够稳定在电压偏差范围内，能够保证配电网的正常运行。
本发明主要通过对光伏出力的预测，基于遗传算法对光伏逆变器输出的有功、无功功率进行协调优化，提高含有分布式光伏配电网整体电压水平。本发明综合考虑光照和温度等气象因素变量，参考含分布式光伏的配电网电压相关标准，从光伏逆变器有功/无功功率运行约束、光伏逆变器的容量、以及整个系统的容量参数，对含有分布式光伏的配电网电压进行系统优化。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
对应于上光伏配电网控制方法，本发明实施例还提供了一种光伏配电网控制装置，和上述光伏配电网控制方法具有同样的有益效果。
图4示出了本发明实施例提供的光伏配电网控制装置的结构示意图，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
如图4所示，在本发明的一个实施例中，光伏配电网控制装置40包括：获取模块401、功率预测模块402、电压预测模块403、输出功率判断确定模块404和控制模块405；
获取模块401，用于获取预测日的气象数据；
功率预测模块402，用于基于预先训练完成的神经网络预测模型，根据预测日的气象数据确定光伏配电网中的各节点对应的光伏逆变器的预测输出功率；
电压预测模块403，用于根据各节点对应的光伏逆变器的预测输出功率确定各节点的预测电压值；
输出功率判断确定模块404，用于若任意一个节点的预测电压值大于第一预设电压阈值，则根据的功率分配模型确定各个光伏逆变器的输出功率参考值；
控制模块405，用于根据各节点的预测电压值确定各节点对应的光伏逆变器的工作模态；基于输出功率参考值和工作模态，控制各个光伏逆变器的输出功率。
在本发明的一个实施例中，控制模块405可以包括第一模态判断单元、第二模态判断单元和第三模态判断单元；
第一模态判断单元，用于若第一节点的预测电压值大于第一预设电压阈值且第一节点的预测电压值不大于第二预设电压阈值，则确定第一节点对应的光伏逆变器的工作模态为无功功率运行模态；其中，第一节点为光伏配电网中的任意一个节点；
第二模态判断单元，用于若第一节点的预测电压值大于第二预设电压阈值且第一节点的预测电压值不大于第三预设电压阈值，则确定第一节点对应的光伏逆变器的工作模态为协调无功功率模态；
第三模态判断单元，用于若第一节点的预测电压值大于第三预设电压阈值，则确定第一节点对应的光伏逆变器的工作模态为有功功率削减模态。
在本发明的一个实施例中，控制模块405还可以包括：第一模态运行单元、第二模态运行单元和第三模态运行单元；
第一模态运行单元，用于若第一光伏逆变器的工作模态为无功功率运行模态，则根据第一光伏逆变器的输出功率参考值控制第一光伏逆变器的输出无功功率；其中，第一光伏逆变器为光伏配电网中的任意一个光伏逆变器；
第二模态运行单元，用于若第一光伏逆变器的工作模态为协调无功功率模态，则根据第一光伏逆变器的输出功率参考值控制第一光伏逆变器的输出无功功率以及与第一光伏逆变器相邻的光伏逆变器的输出无功功率；
第三模态运行单元，用于若第一光伏逆变器的工作模态为有功功率削减模态，则根据第一光伏逆变器的输出功率参考值控制第一光伏逆变器的输出无功功率和输出有功功率。
在本发明的一个实施例中，功率预测模块402还可以包括样本获取单元和训练单元；
样本获取单元，用于获取训练样本集，训练样本集包括多个历史气象数据以及各个历史气象数据对应的历史光照强度；
训练单元，用于根据训练样本集对预设的神经网络预测模型进行训练，得到预先训练完成的神经网络预测模型。
在本发明的一个实施例中，输出功率判断确定模块404包括遗传算法求解单元；
遗传算法求解单元，用于根据遗传算法，对预设的功率分配模型进行求解，得到各个光伏逆变器的输出功率参考值。
在本发明的一个实施例中，遗传算法求解单元包括适应度函数确定子单元；适应度函确定数子单元，用于确定遗传算法适应度函数，适应度函数为：
Figure BDA0002857404560000141
其中，f为适应度值，ui为光伏配电网第i个节点的电压值，uiq为光伏配电网第i个节点的期望电压值，N为配电网并联的光伏电源的数量，ω1为第一惩罚系数，ω2为第二惩罚系数，n为光伏配电网中的节点的数量。
在本发明的一个实施例中，输出功率判断确定模块404还可以包括目标函数确定单元和约束条件确定单元；
目标函数确定单元，用于确定功率分配模型的目标函数，目标函数OF为：
Figure BDA0002857404560000151
ui为光伏配电网第i个节点的电压值，uiq为光伏配电网第i个节点的期望电压值，n为光伏配电网中的节点的数量；
约束条件确定单元，用于确定功率分配模型的约束条件，约束条件包括：
Figure BDA0002857404560000152
Figure BDA0002857404560000153
Uimin<Ui<Uimax
Qimin<Qi<Qimax
0<Ppvi<Ppvmppt
Spvi<Spv
PGi、QGi分别为第i个节点对应的配电网中的电源发出的有功功率和无功功率，PLi、QLi分别为第i个节点对应的负荷需要的有功功率和无功功率，ΔP、ΔQ分别为光伏配电网中所有光伏逆变器输出的有功功率和无功功率，Uimax、Uimin分别为正常运行下第i个节点电压的最大值和最小值，Qimax、Qimin分别为第i个节点对应的光伏逆变器可输出无功功率的最大值和最小值，Spv为光伏逆变器的容量，Ui为节点电压，Ppvi、Qpvi、Spvi分别为第i个节点对应的光伏逆变器输出的有功功率、无功功率和视在功率。
在本发明的一个实施例中，电压预测模块403可以包括算法计算单元；
算法计算单元，用于基于牛顿-拉夫逊算法，根据各节点对应的光伏逆变器的预测输出功率确定各节点的电压值。
图5是本发明一实施例提供的终端的示意图。如图5所示，该实施例的终端50包括：处理器503、存储器501以及存储在存储器501中并可在处理器503上运行的计算机程序502。处理器503执行计算机程序502时实现上述各个光伏配电网控制方法实施例中的步骤，例如图1所示的S101至S105。或者，处理器503执行计算机程序502时实现上述各装置实施例中各模块/单元的功能，例如图4所示单元/装置401至405的功能。
示例性的，计算机程序502可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器501中，并由处理器503执行，以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序502在终端50中的执行过程。例如，计算机程序502可以被分割成获取模块401、功率预测模块402、电压预测模块403、输出功率判断确定模块404和控制模块405，各单元具体功能如下：
获取模块401，用于获取预测日的气象数据；
功率预测模块402，用于基于预先训练完成的神经网络预测模型，根据预测日的气象数据确定光伏配电网中的各节点对应的光伏逆变器的预测输出功率；
电压预测模块403，用于根据各节点对应的光伏逆变器的预测输出功率确定各节点的预测电压值；
输出功率判断确定模块404，用于若任意一个节点的预测电压值大于第一预设电压阈值，则根据的功率分配模型确定各个光伏逆变器的输出功率参考值；
控制模块405，用于根据各节点的预测电压值确定各节点对应的光伏逆变器的工作模态；基于输出功率参考值和工作模态，控制各个光伏逆变器的输出功率。
终端50可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端可包括，但不仅限于，处理器503、存储器501。本领域技术人员可以理解，图5仅仅是终端50的示例，并不构成对终端50的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器503可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器501可以是终端50的内部存储单元，例如终端50的硬盘或内存。存储器501也可以是终端50的外部存储设备，例如终端50上配备的插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器501还可以既包括终端50的内部存储单元也包括外部存储设备。存储器501用于存储计算机程序以及终端所需的其他程序和数据。存储器501还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种光伏配电网控制方法，其特征在于，包括：
获取预测日的气象数据；
基于预先训练完成的神经网络预测模型，根据所述预测日的气象数据确定所述光伏配电网中的各节点对应的光伏逆变器的预测输出功率；
根据所述各节点对应的光伏逆变器的预测输出功率确定各节点的预测电压值；
若任意一个节点的预测电压值大于第一预设电压阈值，则根据预设的功率分配模型确定各个光伏逆变器的输出功率参考值；
根据各节点的预测电压值确定各节点对应的光伏逆变器的工作模态；基于所述输出功率参考值和所述工作模态，控制各个光伏逆变器的输出功率。
2.如权利要求1所述的光伏配电网控制方法，其特征在于，所述根据各节点的预测电压值确定各节点对应的光伏逆变器的工作模态，包括：
若第一节点的预测电压值大于所述第一预设电压阈值且所述第一节点的预测电压值不大于第二预设电压阈值，则确定所述第一节点对应的光伏逆变器的工作模态为无功功率运行模态；其中，所述第一节点为所述光伏配电网中的任意一个节点；
若所述第一节点的预测电压值大于所述第二预设电压阈值且所述第一节点的预测电压值不大于第三预设电压阈值，则确定所述第一节点对应的光伏逆变器的工作模态为协调无功功率模态；
若所述第一节点的预测电压值大于所述第三预设电压阈值，则确定所述第一节点对应的光伏逆变器的工作模态为有功功率削减模态。
3.如权利要求1所述的光伏配电网控制方法，其特征在于，所述基于所述输出功率参考值和所述工作模态，控制各个光伏逆变器的输出功率，包括：
若第一光伏逆变器的工作模态为无功功率运行模态，则根据所述第一光伏逆变器的输出功率参考值控制所述第一光伏逆变器的输出无功功率；其中，所述第一光伏逆变器为所述光伏配电网中的任意一个光伏逆变器；
若所述第一光伏逆变器的工作模态为协调无功功率模态，则根据所述第一光伏逆变器的输出功率参考值控制所述第一光伏逆变器的输出无功功率以及与所述第一光伏逆变器相邻的光伏逆变器的输出无功功率；
若所述第一光伏逆变器的工作模态为有功功率削减模态，则根据所述第一光伏逆变器的输出功率参考值控制所述第一光伏逆变器的输出无功功率和输出有功功率。
4.如权利要求1所述的光伏配电网控制方法，其特征在于，在根据所述预测日的气象数据确定各节点对应的光伏逆变器的预测输出功率之前，所述光伏配电网控制方法还包括：
获取训练样本集，所述训练样本集包括多个历史气象数据以及各个历史气象数据对应的历史光照强度；
根据所述训练样本集对预设的神经网络预测模型进行训练，得到所述预先训练完成的神经网络预测模型。
5.如权利要求1所述的光伏配电网控制方法，其特征在于，所述根据预设的功率分配模型确定各个光伏逆变器的输出功率参考值，包括：
根据遗传算法，对预设的功率分配模型进行求解，得到各个光伏逆变器的输出功率参考值。
6.如权利要求5所述的光伏配电网控制方法，其特征在于，在所述遗传算法中，适应度函数为：
Figure FDA0002857404550000021
其中，f为适应度值，ui为所述光伏配电网第i个节点的电压值，uiq为所述光伏配电网第i个节点的期望电压值，N为配电网并联的光伏电源的数量，ω1为第一惩罚系数，ω2为第二惩罚系数，n为光伏配电网中的节点的数量。
7.如权利要求1至6任一项所述的光伏配电网控制方法，其特征在于，所述功率分配模型包括目标函数和约束条件；
其中，目标函数OF为：
Figure FDA0002857404550000031
ui为所述光伏配电网第i个节点的电压值，uiq为所述光伏配电网第i个节点的期望电压值，n为光伏配电网中的节点的数量；
约束条件包括：
Figure FDA0002857404550000032
Figure FDA0002857404550000033
Uimin<Ui<Uimax，
Qimin<Qi<Qimax，
0<Ppvi<Ppvmppt，
Spvi<Spv，
PGi、QGi分别为第i个节点对应的配电网中的电源发出的有功功率和无功功率，PLi、QLi分别为第i个节点对应的负荷需要的有功功率和无功功率，ΔP、ΔQ分别为所述光伏配电网中所有光伏逆变器输出的有功功率和无功功率，Uimax、Uimin分别为正常运行下第i个节点电压的最大值和最小值，Qimax、Qimin分别为第i个节点对应的光伏逆变器可输出无功功率的最大值和最小值，Spv为光伏逆变器的容量，Ui为第i个节点的电压，Ppvi、Qpvi、Spvi分别为第i个节点对应的光伏逆变器输出的有功功率、无功功率和视在功率。
8.如权利要求1至6任一项所述的光伏配电网控制方法，其特征在于，所述根据所述各节点对应的光伏逆变器的预测输出功率确定各节点的电压值，包括：
基于牛顿-拉夫逊算法，根据所述各节点对应的光伏逆变器的预测输出功率确定各节点的电压值。
9.一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上的权利要求1至8中任一项所述光伏配电网控制方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上的权利要求1至8中任一项所述光伏配电网控制方法的步骤。
CN202011551723.2A 2020-12-24 2020-12-24 光伏配电网控制方法及终端 Active CN112636396B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011551723.2A CN112636396B (zh) 2020-12-24 2020-12-24 光伏配电网控制方法及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011551723.2A CN112636396B (zh) 2020-12-24 2020-12-24 光伏配电网控制方法及终端

Publications (2)

Publication Number Publication Date
CN112636396A true CN112636396A (zh) 2021-04-09
CN112636396B CN112636396B (zh) 2023-05-09

Family

ID=75324551

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011551723.2A Active CN112636396B (zh) 2020-12-24 2020-12-24 光伏配电网控制方法及终端

Country Status (1)

Country Link
CN (1) CN112636396B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114221351A (zh) * 2021-12-22 2022-03-22 国网冀北电力有限公司秦皇岛供电公司 电压无功调节方法、装置、终端及存储介质
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
CN116404652A (zh) * 2023-03-24 2023-07-07 国网山东省电力公司日照供电公司 一种用于分布式光伏发电量损失补偿的方法及系统
WO2024036950A1 (zh) * 2022-08-15 2024-02-22 国网河北省电力有限公司电力科学研究院 微电网分布式光伏发电系统配置优化方法及终端设备
CN116404652B (zh) * 2023-03-24 2024-05-24 国网山东省电力公司日照供电公司 一种用于分布式光伏发电量损失补偿的方法及系统

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100198424A1 (en) * 2009-01-30 2010-08-05 Toru Takehara Method for reconfigurably connecting photovoltaic panels in a photovoltaic array
US20110292705A1 (en) * 2010-05-27 2011-12-01 Enphase Energy, Inc. Method and apparatus for power converter input voltage regulation
WO2012048736A1 (de) * 2010-10-13 2012-04-19 Siemens Aktiengesellschaft Steuerung eines elektrischen energieversorgungsnetzes
JP2012253851A (ja) * 2011-05-31 2012-12-20 Toshiba Corp ホームエネルギーマネジメントシステム
WO2013013656A2 (de) * 2011-07-22 2013-01-31 ct.e Controltechnology Engineering GmbH Verfahren zur adaptiven regelung der versorgungsspannung in ortsnetzen
CN103678889A (zh) * 2013-12-02 2014-03-26 国家电网公司 一种计及静态电压稳定性的光伏发电接纳能力计算方法
CN104079007A (zh) * 2014-03-06 2014-10-01 西安理工大学 抑制低压馈线过电压的分布式光伏并网发电控制方法
CN104682435A (zh) * 2015-03-17 2015-06-03 成都鼎智汇科技有限公司 一种具有可平抑功率波动的储能系统的微电网的运行和监控方法
KR20150076473A (ko) * 2013-12-27 2015-07-07 주식회사 대양이엔씨 태양광 발전 수명 예측 시스템
CN105137242A (zh) * 2015-09-09 2015-12-09 南京航空航天大学 单相光伏逆变器在线状态监测与剩余寿命预测方法
CN107910863A (zh) * 2017-05-25 2018-04-13 南京邮电大学 综合考虑光伏出力和负荷需求预测区间的配电网调度方法
CN109066703A (zh) * 2018-09-20 2018-12-21 山东理工大学 一种计及源荷协调的配电网电压调控方法
CN109256781A (zh) * 2018-09-30 2019-01-22 南京南瑞继保电气有限公司 一种光伏电站中光伏逆变器无功功率调节方法及装置
CN109347137A (zh) * 2018-09-21 2019-02-15 中国农业大学 一种分布式光伏集群协调优化控制方法及装置
CN109858673A (zh) * 2018-12-27 2019-06-07 南京工程学院 一种光伏发电系统功率预测方法
CN109888835A (zh) * 2019-04-16 2019-06-14 武汉理工大学 一种基于改进粒子群的分布式光伏配电网规划方法
CN111786393A (zh) * 2020-06-24 2020-10-16 国网河北省电力有限公司电力科学研究院 户用光伏发电系统及其并网点电压控制方法

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100198424A1 (en) * 2009-01-30 2010-08-05 Toru Takehara Method for reconfigurably connecting photovoltaic panels in a photovoltaic array
US20110292705A1 (en) * 2010-05-27 2011-12-01 Enphase Energy, Inc. Method and apparatus for power converter input voltage regulation
WO2012048736A1 (de) * 2010-10-13 2012-04-19 Siemens Aktiengesellschaft Steuerung eines elektrischen energieversorgungsnetzes
JP2012253851A (ja) * 2011-05-31 2012-12-20 Toshiba Corp ホームエネルギーマネジメントシステム
WO2013013656A2 (de) * 2011-07-22 2013-01-31 ct.e Controltechnology Engineering GmbH Verfahren zur adaptiven regelung der versorgungsspannung in ortsnetzen
CN103678889A (zh) * 2013-12-02 2014-03-26 国家电网公司 一种计及静态电压稳定性的光伏发电接纳能力计算方法
KR20150076473A (ko) * 2013-12-27 2015-07-07 주식회사 대양이엔씨 태양광 발전 수명 예측 시스템
CN104079007A (zh) * 2014-03-06 2014-10-01 西安理工大学 抑制低压馈线过电压的分布式光伏并网发电控制方法
CN104682435A (zh) * 2015-03-17 2015-06-03 成都鼎智汇科技有限公司 一种具有可平抑功率波动的储能系统的微电网的运行和监控方法
CN105137242A (zh) * 2015-09-09 2015-12-09 南京航空航天大学 单相光伏逆变器在线状态监测与剩余寿命预测方法
CN107910863A (zh) * 2017-05-25 2018-04-13 南京邮电大学 综合考虑光伏出力和负荷需求预测区间的配电网调度方法
CN109066703A (zh) * 2018-09-20 2018-12-21 山东理工大学 一种计及源荷协调的配电网电压调控方法
CN109347137A (zh) * 2018-09-21 2019-02-15 中国农业大学 一种分布式光伏集群协调优化控制方法及装置
CN109256781A (zh) * 2018-09-30 2019-01-22 南京南瑞继保电气有限公司 一种光伏电站中光伏逆变器无功功率调节方法及装置
CN109858673A (zh) * 2018-12-27 2019-06-07 南京工程学院 一种光伏发电系统功率预测方法
CN109888835A (zh) * 2019-04-16 2019-06-14 武汉理工大学 一种基于改进粒子群的分布式光伏配电网规划方法
CN111786393A (zh) * 2020-06-24 2020-10-16 国网河北省电力有限公司电力科学研究院 户用光伏发电系统及其并网点电压控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
胡雪凯,张乾,胡文平,王卓然: "《基于双闭环控制的两级式光伏电源建模与仿真》", 《河北电力技术》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114221351A (zh) * 2021-12-22 2022-03-22 国网冀北电力有限公司秦皇岛供电公司 电压无功调节方法、装置、终端及存储介质
CN114221351B (zh) * 2021-12-22 2023-06-13 国网冀北电力有限公司秦皇岛供电公司 电压无功调节方法、装置、终端及存储介质
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
WO2024036950A1 (zh) * 2022-08-15 2024-02-22 国网河北省电力有限公司电力科学研究院 微电网分布式光伏发电系统配置优化方法及终端设备
CN116404652A (zh) * 2023-03-24 2023-07-07 国网山东省电力公司日照供电公司 一种用于分布式光伏发电量损失补偿的方法及系统
CN116404652B (zh) * 2023-03-24 2024-05-24 国网山东省电力公司日照供电公司 一种用于分布式光伏发电量损失补偿的方法及系统

Also Published As

Publication number Publication date
CN112636396B (zh) 2023-05-09

Similar Documents

Publication Publication Date Title
Zhang et al. Hierarchically-coordinated voltage/VAR control of distribution networks using PV inverters
CN112636396B (zh) 光伏配电网控制方法及终端
CN104866919B (zh) 基于改进nsga-ii的含风电场电网多目标规划方法
Tang et al. Study on day-ahead optimal economic operation of active distribution networks based on Kriging model assisted particle swarm optimization with constraint handling techniques
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
CN110956324B (zh) 基于改进的moea/d的主动配电网日前高维目标优化调度方法
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
Vitor et al. Operation planning and decision-making approaches for Volt/Var multi-objective optimization in power distribution systems
CN112508731A (zh) 一种考虑主动管理模式的分布式电源优化配置方法
CN112054519B (zh) 一种配电网低电压优化治理方法、系统及设备
CN113378100B (zh) 考虑碳排放的配电网源网荷储协同优化调度模型和方法
CN113783224A (zh) 一种考虑多种分布式能源运行的配电网双层优化规划方法
CN110445167A (zh) 一种光伏接入配网的优化方法及系统
CN112803434A (zh) 有源配电网的无功优化方法、装置、设备和存储介质
Azim et al. Genetic algorithm based reactive power management by SVC
CN109888817B (zh) 对光伏电站和数据中心进行位置部署和容量规划方法
Pan et al. Dual-layer optimal dispatching strategy for microgrid energy management systems considering demand response
Zhang et al. GPNBI inspired MOSDE for electric power dispatch considering wind energy penetration
CN110611305B (zh) 考虑配网电压越限风险的光伏接入规划方法
CN115360768A (zh) 基于muzero和深度强化学习的电力调度方法、装置及存储介质
CN115313519A (zh) 一种配电网储能优化配置方法、装置、设备及存储介质
CN115395562A (zh) 配电网接入优化方法、装置、设备、存储介质及程序产品
CN115514001A (zh) 一种配电网光伏接纳能力计算方法、装置、设备及介质
CN114629125A (zh) 柔性软开关优化配置方法、系统、电子设备、存储介质
Naama et al. A hybrid tabu search and algorithm genetic for solving the economic dispatch problem

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