CN112993979A - 配电网无功优化方法、装置、电子设备和存储介质 - Google Patents
配电网无功优化方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112993979A CN112993979A CN202110198827.8A CN202110198827A CN112993979A CN 112993979 A CN112993979 A CN 112993979A CN 202110198827 A CN202110198827 A CN 202110198827A CN 112993979 A CN112993979 A CN 112993979A
- Authority
- CN
- China
- Prior art keywords
- power
- output
- reactive power
- photovoltaic
- determining
- 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
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 235
- 238000005457 optimization Methods 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 79
- 239000003990 capacitor Substances 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 230000002068 genetic effect Effects 0.000 claims abstract description 10
- 238000007599 discharging Methods 0.000 claims description 28
- 238000005070 sampling Methods 0.000 claims description 24
- 238000005315 distribution function Methods 0.000 claims description 12
- 230000002457 bidirectional effect Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 230000003068 static effect Effects 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 67
- 238000004364 calculation method Methods 0.000 description 10
- 238000005286 illumination Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000010248 power generation Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 229910002056 binary alloy Inorganic materials 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 210000000349 chromosome Anatomy 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000002803 fossil fuel Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000036569 Carp sprivivirus Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000035605 chemotaxis Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
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
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L55/00—Arrangements for supplying energy stored within a vehicle to a power network, i.e. vehicle-to-grid [V2G] arrangements
-
- 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
-
- 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"
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
- H02J3/322—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means the battery being on-board an electric or hybrid vehicle, e.g. vehicle to grid arrangements [V2G], power aggregation, use of the battery for network load balancing, coordinated or cooperative battery charging
-
- 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
- H02J3/48—Controlling the sharing of the in-phase component
-
- 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
- H02J3/50—Controlling the sharing of the out-of-phase component
-
- 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
-
- 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
- H02J2300/28—The renewable source being wind energy
-
- 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
- H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
-
- 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
-
- 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
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
-
- 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
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
- Y02E70/00—Other energy conversion or management systems reducing GHG emissions
- Y02E70/30—Systems combining energy storage with energy generation of non-fossil 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Water Supply & Treatment (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Transportation (AREA)
Abstract
本发明实施例公开了一种配电网无功优化方法、装置、电子设备和存储介质。本发明实施例将间歇性分布式电源出力随机性转化为确定的功率日前预测值和功率预测误差的随机性,建立基于分段指数误差分布的风电功率预测误差模型和基于正态分布误差分布的光伏功率预测误差模型;将分布式电源、电动汽车的无功调节能力结合静止无功补偿器的快速动态无功补偿能力,优化控制分布式电源、静止无功补偿器、电容器、电动汽车的无功出力及电动汽车的充放电功率,建立新能源配电网多目标无功优化模型,并采用基于正态分布交叉算子和改进拥挤度算子的改进型非支配排序遗传算法进行求解,得到最优解集,并通过熵权法从最优解集中选取最优折中解。
Description
技术领域
本发明实施例涉及配电网规划技术领域,尤其涉及一种配电网无功优化方法、装置、电子设备和存储介质。
背景技术
现在经济发展严重依赖化石能源,分布式电源(distributed generation,DG)以其节能环保、降低网损等众多优点对环境保护和缓解化石燃料枯竭带来威胁有重要意义。风电、光伏等间歇性DG出力受自然条件影响,其出力具有随机性和间歇性。随着风电、光伏等间歇性DG并网规模逐步扩大,其出力具有随机性和间歇性对线路潮流、节点电压和供电可靠性等有重大影响。与传统燃油汽车相比,电动汽车(electric vehicle,EV)在减少尾气排放和化石燃料消耗方面具有不可替代的优势。近年来,随着电动汽车的不断普及,电动汽车作为一种随机充电负荷大规模接入配电网进行充电对配电网的运行带来巨大影响。因此,考虑DG出力随机性和电动汽车充电随机性进行新能源配电网多目标无功优化控制研究具有重要意义。
目前,对新能源配电网多目标无功优化控制方法主要有以下两个方面:一是通过概率方法描述DG出力的随机性,如认为风速和光照强度分别服从Weibull分布和Beta分布,根据风速和光照强度概率分布模型随机抽取风速和光照强度样本值,进而得到DG随机出力值,以配电网网损、电压偏差最小等为优化目标函数建立考虑DG出力随机性的多目标无功优化控制模型,最后采用粒子群、改进的细菌群体趋药性算法等智能算法进行求解。二是将DG功率预测值采用模糊随机变量描述,进而得到DG的随机出力值,如采用梯形模糊数描述DG出力随机性,以网损和电压偏差最小为优化目标建立考虑DG出力模糊不确定性的多目标无功优化模型,最后采用蝙蝠算法、遗传算法等智能算法进行求解。在上述方法中,风速Weibull分布和光照Beta分布一般根据历史统计数据拟合得到分布参数,通常适合描述风速和光照的年均分布情况,同时风速和光照受天气等自然条件的影响较大。因此,风速Weibull分布和光照Beta分布并不适用于风速和光照的日均分布情况。采用模糊变量描述间歇性DG出力随机性时,在选取模糊变量的隶属度函数时仍具有一定的主观性。同时,不同目标函数值间量纲不同,且存在互斥关系,若简单地采用加权值、模糊隶属函数等将多目标转化为单目标优化进行求解,加权值和模糊隶属函数的选取具有一定的主观性,这种求解方式并非真正意义上的多目标优化。此外,目前的方法未考虑DG具有一定的无功调节能力,未考虑EV通过电动汽车与电网互动(vehicle to grid,V2G)技术可实现对配电网的削峰填谷、无功调节功能。由于DG出力的随机性和间歇性导致电压波动频繁,传统的电容器只能分组投切,只优化电容器投切组数不能实现无功功率的连续调节,显然不能适应新能源配电网无功优化要求。
发明内容
本发明实施例提供一种配电网无功优化方法、装置、电子设备和存储介质,以提高配电网稳定性和经济性。
第一方面,本发明实施例提供了一种配电网无功优化方法,包括:
确定配电网的电网参数信息;其中,所述电网参数信息至少包括风电输出有功功率历史预测值、实际输出值、日前预测值和光伏输出有功功率历史预测值、实际输出值、日前预测值;
根据所述风电输出有功功率历史预测值和实际输出值确定风电功率预测误差分布模型,根据风电输出有功功率日前预测值和所述风电功率预测误差分布模型确定风电可调节无功功率输出范围;
根据所述光伏输出有功功率历史预测值和实际输出值确定光伏功率预测误差分布模型,根据光伏输出有功功率日前预测值和所述光伏功率预测误差分布模型确定光伏可调节无功功率输出范围;
根据接入配电网电动汽车的汽车参数信息,确定电动汽车可调节的无功功率输出范围;
基于电压偏差最小、网损最小、电网等效负荷率最大以及电动汽车充放电费用最小,构建目标函数;
在约束条件下,以风电输出无功功率、光伏输出无功功率、SVC输出无功功率、电容器投切容量、电动汽车输出无功功率以及电动汽车充放电功率为控制变量,确定配电网无功优化方案。
第二方面,本发明实施例还提供了一种配电网无功优化装置,包括:
电网参数信息确定模块,用于确定配电网的电网参数信息;其中,所述电网参数信息至少包括风电输出有功功率历史预测值、实际输出值、日前预测值和光伏输出有功功率历史预测值、实际输出值、日前预测值;
风电无功功率确定模块,用于根据所述风电输出有功功率历史预测值和实际输出值确定风电功率预测误差分布模型,根据风电输出有功功率日前预测值和所述风电功率预测误差分布模型确定风电可调节无功功率输出范围;
光伏无功功率确定模块,用于根据所述光伏输出有功功率历史预测值和实际输出值确定光伏功率预测误差分布模型,根据光伏输出有功功率日前预测值和所述光伏功率预测误差分布模型确定光伏可调节无功功率输出范围;
电动汽车无功功率确定模块,用于根据接入配电网电动汽车的汽车参数信息,确定电动汽车可调节的无功功率输出范围;
目标函数构建模块,用于基于电压偏差最小、网损最小、电网等效负荷率最大以及电动汽车充放电费用最小,构建目标函数;
优化方案确定模块,用于在约束条件下,以风电输出无功功率、光伏输出无功功率、SVC输出无功功率、电容器投切容量、电动汽车输出无功功率以及电动汽车充放电功率为控制变量,确定配电网无功优化方案。
第三方面,本发明实施例还提供了一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明任一实施例所述的配电网无功优化方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明任一实施例所述的配电网无功优化方法。
本发明实施例将间歇性分布式电源出力随机性转化为确定的功率日前预测值和功率预测误差的随机性,针对传统风电和光伏出力模型的不足,建立基于分段指数误差分布的风电功率预测误差模型和基于正态分布误差分布的光伏功率预测误差模型;将分布式电源、电动汽车的无功调节能力结合静止无功补偿器(Static var compensator,SVC)的快速动态无功补偿能力,优化控制分布式电源、静止无功补偿器、电容器、电动汽车的无功出力及电动汽车的充放电功率,建立考虑风-光随机功率预测误差和电动汽车随机充电影响的基于机会约束规划的新能源配电网多目标无功优化模型,并采用基于正态分布交叉算子和改进拥挤度算子的改进型非支配排序遗传算法(NSGA-II)进行求解,得到最优解集,并通过熵权法从最优解集中选取最优折中解。
附图说明
图1是本发明实施例一中的配电网无功优化方法的流程图;
图2是本发明实施例一中的风电功率预测分段指数误差分布模型的示意图;
图3是本发明实施例一中的电动汽车充电负荷计算的流程示意图;
图4是本发明实施例一中的基于双级式双向变换器的电动汽车充放电基本过程的流程示意图;
图5是本发明实施例二中的配电网无功优化方法的流程图;
图6是本发明实施例二中的基于CLMCS概率潮流计算方法的流程图;
图7是本发明实施例二中的基于改进拥挤度比较算子筛选最优解的流程图;
图8是本发明实施例二中的基于改进型NSGA-II新能源配电网无功优化方法求解的流程图;
图9是本发明实施例三中的配电网无功优化装置的结构示意图;
图10是本发明实施例四中的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一中的配电网无功优化方法的流程图,本实施例可适用于针对配电网中间歇性分布式电源出力随机性以及电动汽车随机接入配电网充电影响对配电网进行无功控制优化的情况。该方法可以由配电网无功优化装置来执行,该装置可以采用软件和/或硬件的方式实现,并可配置在电子设备中,例如电子设备可以是后台服务器等具有通信和计算能力的设备。如图1所示,该方法具体包括:
步骤101、确定配电网的电网参数信息;其中,电网参数信息至少包括风电输出有功功率历史预测值、实际输出值、日前预测值和光伏输出有功功率历史预测值、实际输出值、日前预测值。
其中,配电网中包括接入新能源分布式电源(distributed generation,DG),风电、光伏等间歇性DG出力受自然条件影响,其出力具有随机性和间歇性。获取在预设时间段内的风电输出有功功率日前预测值和光伏输出有功功率日前预测值,其中,预设时间段可以根据对配电网进行无功优化的时间段进行设置,在此不作限制。预测值根据预设预测值确定模型进行确定,预设预测值确定模型可以根据现有技术进行设置,在本发明实施例中并不限制。
具体的,配电网的电网参数信息中除了包括风电输出有功功率历史预测值、实际输出值、日前预测值和光伏输出有功功率历史预测值、实际输出值、日前预测值,还包括风电、光伏、静止无功补偿器、电容器的接入节点和容量,电动汽车充电站接入节点及充放电功率限值,节点电压、电动汽车动力电池荷电状态的上限和下限值等。
步骤102、根据风电输出有功功率历史预测值和实际输出值确定风电功率预测误差分布模型,根据风电输出有功功率日前预测值和风电功率预测误差分布模型确定风电可调节无功功率输出范围。
由于风电分布式电源具有间歇性出力的特点,因此根据风电输出有功功率历史预测值和实际输出值准确构建具有分段特点的风电功率预测误差分布模型,根据模型确定风电机组输出的有功功率,进而根据有功功率确定无功功率输出范围。
在一个可行的实施例中,步骤102,包括:
基于分段指数误差分布模型,根据风电输出有功功率历史预测值和实际输出值确定风电功率预测分段指数误差分布模型;
基于多变量相关性的基于拉丁超立方抽样方法,根据风电输出有功功率日前预测值和风电功率预测分段指数误差分布模型确定风电输出有功功率的采样值;
根据风电输出有功功率的采样值确定风电可调节无功功率输出范围。
由于分段指数误差分布模型具有形状灵活、峰度可变、求解更方便和适用范围较广等优点,因此采用分段指数误差分布模型构建风电功率预测分段指数误差分布模型。分段指数误差分布模型可以通过如下分段指数概率密度函数公式进行确定:
其中,x=(PWf-PWa)/PWN为标准化后的风电功率预测误差值;PWf为风电机组功率预测值;PWa风电机组功率实际输出值;PWN为风电机组额定输出功率;b1和b2为该概率分布曲线的形状参数,可以根据风电输出有功功率历史预测值和实际输出值拟合得到;μ0为两段指数分布的结合点(当x=μ0时,两段分布的概率密度函数值相等)。对于公式中的PWf、PWN以及PWa属于电网参数信息。
将风电输出有功功率历史预测值和实际输出值拟合得到上述分段指数概率密度函数,得到风电功率预测分段指数误差分布模型,如图2所示为风电功率预测分段指数误差分布模型的示意图。
根据上述风电功率预测分段指数误差分布模型可得到风电机组输出有功功率:
PW=PWf-xPWN;
目前,国内风电机组普遍采用双馈异步风电机组,该风力发电机组可实现有功无功解耦控制,具有一定的无功调控能力。在双馈异步风电机组有功出力PW已知的情况下,风电机组的可调节无功功率输出范围可表示为:
其中,xm和xs分别为双馈异步风电机励磁电抗、定子绕组的电抗;为双馈异步风电机定子端电压;Irmax为双馈异步风电机转子侧变流器的最大电流;PWs=PW/(1-s)为双馈异步风电机定子侧输出的有功功率;s为转差率。
进一步的,采用可处理多变量相关性的基于拉丁超立方抽样(correlation latinhypercube sampling,CLHS)采样抽取风电预测误差及负荷预测误差样本。
步骤103、根据光伏输出有功功率历史预测值和实际输出值确定光伏功率预测误差分布模型,根据光伏输出有功功率日前预测值和光伏功率预测误差分布模型确定光伏可调节无功功率输出范围。
由于光伏分布式电源具有间歇性出力的特点,因此根据光伏输出有功功率历史预测值和实际输出值准确构建光伏功率预测误差分布模型,根据模型确定光伏机组输出的有功功率,进而根据有功功率确定无功功率输出范围。
在一个可行的实施例中,步骤103,包括:
基于正态分布模型,根据光伏输出有功功率历史预测值和实际输出值确定光伏功率预测误差分布模型;
基于多变量相关性的基于拉丁超立方抽样方法,根据光伏输出有功功率日前预测值和光伏功率预测误差分布模型确定光伏输出有功功率的采样值;
根据光伏输出有功功率的采样值确定光伏可调节无功功率输出范围。
对于光伏发电系统功率预测误差近似服从正态分布:
其中,ΔPPV,t=PPVf,t-PPVa,t为t时段光伏发电系统功率预测误差值,PPVf,t为t时段光伏发电系统功率预测值,PPVa,t为t时段光伏发电系统实际输出功率值;σΔPV,t为t时段光伏发电系统功率预测误差值的标准差。
将光伏输出有功功率历史预测值和实际输出值拟合到上述公式中即可得到光伏功率预测误差分布模型。根据光伏输出有功功率日前预测值和光伏功率预测误差分布模型可得到t时段光伏发电系统输出有功功率:
PPV,t=PPVf,t+ΔPPV,t;
光伏电池阵列一般通过逆变器并网,通过逆变器的控制策略可实现对输出的无功功率独立调节,其可调节无功功率输出范围可表示为:
进一步的,采用可处理多变量相关性的基于拉丁超立方抽样(correlation latinhypercube sampling,CLHS)采样抽取光伏预测误差及负荷预测误差样本。
步骤104、根据接入配电网电动汽车的汽车参数信息,确定电动汽车可调节的无功功率输出范围。
其中,汽车参数信息包括日行驶里程均值和日行驶里程标准差,可以通过预先采集的信息进行确定,在此不作限制。由于电动汽车通过双级式双向变换器与配电网连接,通过V2G技术可实现对电动汽车充放电功率的控制和对配电网的无功调节,达到削峰填谷、频率调节、提高电网负荷率、减少电网备用容量和无功调节等功能。因此需要确定电动汽车想电网输出的无功功率输出范围。
在一个可行的实施例中,步骤104,包括:
根据汽车参数信息中的日行驶里程均值和日行驶里程标准差构建电动汽车日行驶里程概率密度函数;
基于电动汽车动力电池荷电状态和行驶里程之间的关系,根据电动汽车日行驶里程概率密度函数确定电动汽车动力电池荷电状态的概率密度函数;
确定电池汽车用户结束行程时间分布函数和接入配电网充电的电动汽车数量分布函数;
根据荷电状态的概率密度函数、结束行程时间分布函数以及电动汽车数量分布函数得到电动汽车充电负荷,确定电动汽车可调节的无功功率输出范围;
其中,电动汽车通过双级式双向变换器与配电网连接。
具体的,EV用户日行驶里程概率密度函数可表示为:
其中,μd为EV日行驶里程的均值;σd为EV日行驶里程的标准差。
EV动力电池的荷电状态SOCEV和其行驶里程d有如下近似关系:
其中,dmax为EV动力电池在充满电量的情况下最大行驶里程。
由EV用户日行驶里程概率密度函数和电动汽车动力电池荷电状态和行驶里程之间的关系可得EV开始充电时,其动力电池SOCEV的概率密度函数可表示为:
EV用户结束行程时间te近似服从Weibull分布:
其中,kt为Weibull分布的形状参数,ct为尺度参数。
若某供电区域内有NEV辆电动汽车,t时段接入配电网进行充电的EV数量nEV服从泊松分布:
其中,nEV=0,1,2,...,NEVfw(t),NEVfw(t)为t时段接入配电网进行充电的EV数量的期望值。
如图3所示为电动汽车充电负荷计算的流程示意图。电动汽车通过双级式双向变换器与配电网连接,如图4所示为基于双级式双向变换器的电动汽车充放电基本过程的流程示意图。
EV通过双级式双向变换器与配电网连接,通过V2G技术可实现对EV充放电功率的控制和对配电网的无功调节,达到削峰填谷、频率调节、提高电网负荷率、减少电网备用容量和无功调节等功能。EV向电网输出可调节的无功功率输出范围可表示为:
QEVmax=min{QEVcmax,QEVvmax};
QEVmin=max{QEVcmin,QEVvmin};
其中,VS为EV充电接入点的电压,VSmax和VSmin分别为EV充电接入点电压的最大值和最小值;Icmax为双级式双向变换器端口电流最大值,Vcmax为双级式双向变换器端电压最大值;Xcmax为EV动力电池到充电接入点的总阻抗值最大值;PEVd为EV放电功率,PEVdr为EV放电有功功率额定值;θ和θr为EV动力电池功率因数角和额定功率因数角,QEVmin和QEVmax为EV输出无功功率的下限和上限值。
在本发明实施例中,对步骤102-104的顺序并不限制。
步骤105、基于电压偏差最小、网损最小、电网等效负荷率最大以及电动汽车充放电费用最小,构建目标函数。
本发明实施例在考虑电网安全运行的前提下,优化控制DG、SVC、电容器、EV的无功输出以及EV的充放电功率,以电压偏差最小、网损最小、电网等效负荷率最大、EV用户费用最小为优化目标,构建目标函数,兼顾系统无功优化的安全性和经济性。
具体的,为了保证电压质量,减小电压波动,以电压偏移量为目标函数。考虑配电网运行经济性,以系统网损最小为目标函数。由于EV随机充电负荷模型可知EV随机充电会使负荷高峰加剧,电网峰谷差增大,负荷波动随之增大,对配电网安全运行造成巨大压力。为了平抑负荷波动,减小DG出力随机性和EV充电随机性对配电网负荷波动的影响,以电网等效负荷率最大为目标函数。EV的充电和放电根据EV用户的意愿有关,在无政策引导和经济利益的驱使下,EV的充电具有很强的随性,控制EV的充放电,平抑负荷波动,为电网提供无功支撑比较难。在相关政策引导下,在满足EV用户出行需求的前提下,对EV进行充放电控制,为电网提供无功支撑时,给予EV用户一定的经济补偿,因此,以EV充放电费用最小为目标函数。
在一个可行的实施例中,步骤105,包括:
通过如下公式构建电压偏差目标函数:
其中,minf1表示电压偏差目标函数;ND表示配电网系统节点数;Vi表示节点i的电压幅值;ViN表示节点i的额定电压;
通过如下公式构建网损目标函数:
其中,minf2表示网损目标函数;Nl表示配电网系统支路数;Gk(i,j)为节点i和节点j间第k条支路的电导;θij为节点i和节点j间的电压相角差;Vi表示节点i的电压幅值;Vj表示节点j的电压幅值;
通过如下公式构建电网等效负荷率目标函数:
minf3=1-λD;
其中,minf3表示电网等效负荷率目标函数;λD表示电网等效负荷率,PDmax=max{P′D(t)=PD(t)+PEVc(t)-PEVd(t)-PPV(t)-PW(t)},以1-λD的形式将电网等效负荷率最大值优化目标转化为最小值优化形式,T为优化区间内的时段数;PD(t)为t时段的负荷功率;PEVc(t)和PEVd(t)分别为t时段电动汽车的充电功率和放电功率;PPV(t)和PW(t)分别为t时段光伏和风电的输出有功功率;
通过如下公式构建电动汽车充放电费用目标函数:
minf4=pecTtcPEVc-pedTtdPEVd;
其中,minf4表示电动汽车充放电费用目标函数,pec和ped分别为电动汽车充电电价和放电电价,Ttc和Ttd分别为电动汽车充电时间和放电时间,PEVc和PEVd分别为电动汽车充电功率和放电功率。
步骤106、在约束条件下,以风电输出无功功率、光伏输出无功功率、SVC输出无功功率、电容器投切容量、电动汽车输出无功功率以及电动汽车充放电功率为控制变量,确定配电网无功优化方案。
本发明实施例将间歇性分布式电源出力随机性转化为确定的日前功率预测值和功率预测误差的随机性,针对传统风电和光伏出力模型的不足,建立基于分段指数误差分布的风电功率预测误差模型和基于正态分布误差分布的光伏功率预测误差模型;将分布式电源、电动汽车的无功调节能力结合静止无功补偿器的快速动态无功补偿能力,优化控制分布式电源、静止无功补偿器、电容器、电动汽车的无功出力及电动汽车的充放电功率,建立考虑风-光随机功率预测误差和电动汽车随机充电影响的基于机会约束规划的新能源配电网多目标无功优化模型,并采用基于正态分布交叉算子和改进拥挤度算子的改进型非支配排序遗传算法进行求解,得到最优解集,并通过熵权法从最优解集中选取最优折中解。
实施例二
图5是本发明实施例二中的配电网无功优化方法的流程图,本实施例二在实施例一的基础上进行进一步地优化。如图5所示,该方法包括:
步骤501、确定配电网的电网参数信息;其中,电网参数信息至少包括风电输出有功功率历史预测值、实际输出值、日前预测值和光伏输出有功功率历史预测值、实际输出值、日前预测值。
步骤502、根据风电输出有功功率历史预测值和实际输出值确定风电功率预测误差分布模型,根据风电输出有功功率日前预测值和风电功率预测误差分布模型确定风电可调节无功功率输出范围。
步骤503、根据光伏输出有功功率历史预测值和实际输出值确定光伏功率预测误差分布模型,根据光伏输出有功功率日前预测值和光伏功率预测误差分布模型确定光伏可调节无功功率输出范围。
步骤504、根据接入配电网电动汽车的汽车参数信息,确定电动汽车可调节的无功功率输出范围。
步骤505、基于电压偏差最小、网损最小、电网等效负荷率最大以及电动汽车充放电费用最小,构建目标函数。
步骤506、在约束条件下,以风电输出无功功率、光伏输出无功功率、SVC输出无功功率、电容器投切容量、电动汽车输出无功功率以及电动汽车充放电功率为控制变量,构建配电网多目标无功优化模型。
其中,约束条件用于限制目标函数的优化方向,为了保证优化的准确性,约束条件包括等式约束、不等式约束以及机会约束。
具体的,本发明实施例以潮流方程和EV电池平衡方程为等式约束:
TtcPEVcηc-TtdPEVd/ηd=Ebat(SOCs-SOCe);
其中,Pi和Qi分别为节点i注入的有功功率和无功功率,ηc为EV电池充电效率,ηd为EV电池放电效率;Ebat为EV电池容量;SOCs和SOCe分别为EV一天内出行开始和结束时电池的荷电状态,ND表示配电网系统节点数;Gij为节点i和节点j间的电导,Bij为节点i和节点j间的电纳,θij为节点i和节点j间的电压相角差,Vi表示节点i的电压幅值;Vj表示节点j的电压幅值,Ttc和Ttd分别为电动汽车充电时间和放电时间,PEVc和PEVd分别为电动汽车充电功率和放电功率。
不等式约束包括如下:
0≤PDGi≤PDGimax;
QDGimin≤QDGi≤QDGimax;
SOCEVmin≤SOCEV≤SOCEVmax;
0≤NCi≤NCimax;
QSVCimin≤QSVCi≤QSVCimax;
QEVmin≤QEV≤QEVmax;
其中,PDGi和PDGimax分别为节点i接入DG的有功出力值和有功最大出力值;QDGimin和QDGimax分别为节点i接入DG的无功出力下限和上限值;SOCEVmin和SOCEVmax分别为电动汽车动力电池荷电状态的下限和上限值;NCi和NCimax分别为节点i投入的电容器组数和允许投切的最大组数;QSVCi为节点i安装的SVC输出的无功功率;QSVCimin和QSVCimax为SVC输出无功功率范围的下限和上限值。
本发明实施例在模型中引入机会约束,允许节点电压和支路传输功率越限在一定置信水平下可以发生,从而避免小概率事件对优化结果的影响。机会约束公式如下所示:
Pr{Vimin≤Vi≤Vimax}≥a;
Pr{Sj≤Sjmax}≥b;
其中,Pr{·}表示事件{·}成立的置信水平,Vimin和Vimax为节点i的电压幅值下限和上限;Sj为第j条支路的传输容量;Sjmax为第j条支路的最大传输容量;a为节点电压的置信水平,b为支路传输容量的置信水平,置信水平的值可以根据实际场景进行确定,在此不作限制。
步骤507、基于正态分布交叉算子和改进拥挤度比较算子的改进型非支配排序遗传算法,对配电网多目标无功优化模型进行求解,得到控制变量的最优解集,作为配电网无功优化方案。
由于配电网供电区域面积较小、环境气候和负荷特征类似。因此,同一配电网供电区域同类型DG出力具有一定相关性,负荷波动也具有一定相关性。本发明采用可处理多变量相关性的基于拉丁超立方抽样(correlation latin hypercube sampling,CLHS)采样抽取风电和光伏功率预测误差及负荷预测误差样本,采用基于CLHS的蒙特卡洛概率潮流计算方法(correlation Latin hypercube sampling Monte Carlo simulation,CLMCS)对无功优化方案进行置信水平校验,并计算各目标函数值。基于CLMCS概率潮流计算方法的流程图如图6所示。
本发明采用基于正态分布交叉(normal distribution crossover,NDX)算子替代传统的模拟二进制交叉算子,增大搜索空间,克服模拟二进制交叉算子易陷入局部最优解的缺陷,NDX算子可表示为:
其中,cs,i为子代染色体上的第i个变量,α=1.481,ε为服从标准正态分布的随机变量,yf1,i和yf2,i为两个父代个体染色体上的第i个变量。
为了使得到的解集分布更均匀,本发明实施例采用改进型拥挤度比较算子代替传统拥挤度比较算子,基于改进拥挤度比较算子筛选最优解的流程图如图7所示,在同一非支配层中第i个解得距离差值为:
其中,fm(i-1)、fm(i)和fm(i+1)分别为第i-1、i和i+1个解的第m个目标函数值。
如图8所示为基于改进型NSGA-II新能源配电网无功优化方法求解的流程图。首先输入基本数据,包括改进型NSGA-II算法参数,设置改进NSGA-II的最大迭代次数,种群规模等参数,令当前迭代次数i=0,初始化种群,非支配排序形成初始Pareto解集,通过CLMCS概率潮流计算计算种群中每个个体的目标函数值,对随机机会约束进行校验,不符合要求的个体予以剔除,并重新生成新个体;经过二元锦标赛制得到父代种群,通过NDX算子交叉变异得到子代种群,根据精英策略将父代和子代种群合并;通过改进拥挤度比较算子筛选新的父代种群,循环迭代后输出Pareto解集,为控制变量的最优解集。
在一个可行的实施例中,在步骤207之后,还包括:
根据熵权法确定各目标函数的权重系数;
根据权重系数从最优解集中确定目标解,作为配电网无功优化方案。
熵权法是一种可有效依据各指标信息确定指标权重系数的客观赋权法,其计算简单,在计算各指标权值时不受主观因素的影响。本发明实施例采用熵权法确定各目标函数值的权重系数,进而在Pareto最优解集中选取最优折中解作为目标解以保证配电网安全稳定经济运行。熵权法具体计算步骤如下:
1)指标的标准化:
其中,Pij为指标标准化之后的值,i=1,2,...,m,j=1,2,...,n;xij为评价矩阵Xm×n里的元素,m为评价方案数量(在本发明实施例中m为Pareto最优解集中解的个数),n为指标数量(在本发明实施例中n为目标函数的个数)。
2)计算各目标函数熵值Ej:
3)计算各目标函数的权值系数wj:
基于上述各目标函数的权重系数从Pareto最优解集中选取折中解作为目标解,确定为配电网无功优化方案。
本发明针对风电和光伏间歇性DG出力的随机性和EV充电的随机性对配电网的影响,将风电和光伏间歇性分布式电源出力随机性转化为确定的功率日前预测值和功率预测误差的随机性,建立基于风电和光伏功率预测误差模型的分布式电源随机出力模型和电动汽车随机充电负荷模型,协调优化控制DG、SVC、电容器和EV无功输出功率及EV充放电功率,以电压偏差最小、网损最小、等效负荷率最大、EV用户费用最小为优化目标,进而构建基于机会约束规划的新能源配电网多目标无功优化模型。采用基于正态分布交叉算子和改进拥挤度比较算子的改进型NSGA-II多目标优化算法对本文无功优化模型进行求解得到Pareto最优解集,再采用熵权法确定目标函数权重,进而在Pareto最优解集中选取最优折中解。
作为一个可行的实施例,在考虑风-光随机功率预测误差的新能源配电网多目标无功优化方法的步骤如下所示:
(1)输入配电网潮流计算基本参数,确定风电机组、光伏、SVC、电容器的接入节点和容量,确定电动汽车充电站接入节点及充放电功率限值,设置节点电压、EV电池荷电状态的上限和下限值等本发明实施例计算过程中涉及到的参数。
(2)获取风电和光伏输出有功功率历史预测值和实际输出值,确定风电和光伏功率预测误差分布模型参数;获取风电和光伏输出有功功率日前预测值,将日前预测值输入风电和光伏功率预测误差分布模型中,采用CLHS方法得到风电和光伏输出有功功率的采样数据。
(3)根据风电和光伏输出有功功率的采样数据计算得到风电和光伏可调节无功功率输出范围。
(4)根据本发明实施例中构建的电动汽车随机充电模型,得到电动汽车开始充电接入时间及充电负荷,在满足车主日常出行需求的前提下,确定电动汽车可控制的充放电功率及无功输出功率。
(5)设置改进型NSGA-II算法参数,以风电、光伏、SVC、电容器投切容量、EV可调节输出的无功功率及EV充放电功率(充电功率为正值,放电功率为负值)为控制变量,生成初始种群,非支配排序形成初始Pareto解集。
(6)将风电和光伏输出功率的采样数据和初始种群采用CLMCS进行概率潮流计算,对种群进行置信水平校验,并计算目标函数值。对校验不合格的个体予以剔除,生成新的个体。
(7)经过二元锦标赛制得到父代种群,通过NDX算子交叉变异得到子代种群,根据精英策略将父代和子代种群合并。
(8)通过改进拥挤度比较算子筛选新的父代种群,循环迭代后输出Pareto解集。
(9)采用熵权法选取最优折中解作为目标解以供选择。
实施例三
图9是本发明实施例三中的配电网无功优化装置的结构示意图,本实施例可适用于针对配电网中间歇性分布式电源出力随机性以及电动汽车随机接入配电网充电影响对配电网进行无功控制优化的情况。如图9所示,该装置包括:
电网参数信息确定模块910,用于确定配电网的电网参数信息;其中,所述电网参数信息至少包括风电输出有功功率历史预测值、实际输出值、日前预测值和光伏输出有功功率历史预测值、实际输出值、日前预测值;
风电无功功率确定模块920,用于根据所述风电输出有功功率历史预测值和实际输出值确定风电功率预测误差分布模型,根据风电输出有功功率日前预测值和所述风电功率预测误差分布模型确定风电可调节无功功率输出范围;
光伏无功功率确定模块930,用于根据所述光伏输出有功功率历史预测值和实际输出值确定光伏功率预测误差分布模型,根据光伏输出有功功率日前预测值和所述光伏功率预测误差分布模型确定光伏可调节无功功率输出范围;
电动汽车无功功率确定模块940,用于根据接入配电网电动汽车的汽车参数信息,确定电动汽车可调节的无功功率输出范围;
目标函数构建模块950,用于基于电压偏差最小、网损最小、电网等效负荷率最大以及电动汽车充放电费用最小,构建目标函数;
优化方案确定模块960,用于在约束条件下,以风电输出无功功率、光伏输出无功功率、SVC输出无功功率、电容器投切容量、电动汽车输出无功功率以及电动汽车充放电功率为控制变量,确定配电网无功优化方案。
本发明实施例将间歇性分布式电源出力随机性转化为确定的功率日前预测值和功率预测误差的随机性,针对传统风电和光伏出力模型的不足,建立基于分段指数误差分布的风电功率预测误差模型和基于正态分布误差分布的光伏功率预测误差模型;将分布式电源、电动汽车的无功调节能力结合静止无功补偿器的快速动态无功补偿能力,优化控制分布式电源、静止无功补偿器、电容器、电动汽车的无功出力及电动汽车的充放电功率,建立考虑风-光随机功率预测误差和电动汽车随机充电影响的基于机会约束规划的新能源配电网多目标无功优化模型,并采用基于正态分布交叉算子和改进拥挤度算子的改进型非支配排序遗传算法进行求解,得到最优解集,并通过熵权法从最优解集中选取最优折中解。
可选的,风电无功功率确定模块,具体用于:
基于分段指数误差分布模型,根据所述风电输出有功功率历史预测值和实际输出值确定风电功率预测分段指数误差分布模型;
基于多变量相关性的基于拉丁超立方抽样方法,根据风电输出有功功率日前预测值和所述风电功率预测分段指数误差分布模型确定风电输出有功功率的采样值;
根据所述风电输出有功功率的采样值确定风电可调节无功功率输出范围。
可选的,光伏无功功率确定模块,具体用于:
基于正态分布模型,根据所述光伏输出有功功率历史预测值和实际输出值确定光伏功率预测误差分布模型;
基于多变量相关性的基于拉丁超立方抽样方法,根据光伏输出有功功率日前预测值和所述光伏功率预测误差分布模型确定光伏输出有功功率的采样值;
根据所述光伏输出有功功率的采样值确定光伏可调节无功功率输出范围。
可选的,电动汽车无功功率确定模块,具体用于:
根据所述汽车参数信息中的日行驶里程均值和日行驶里程标准差构建电动汽车日行驶里程概率密度函数;
基于电动汽车动力电池荷电状态和行驶里程之间的关系,根据所述电动汽车日行驶里程概率密度函数确定电动汽车动力电池荷电状态的概率密度函数;
确定电池汽车用户结束行程时间分布函数和接入配电网充电的电动汽车数量分布函数;
根据所述荷电状态的概率密度函数、结束行程时间分布函数以及电动汽车数量分布函数得到电动汽车充电负荷,确定电动汽车可调节的无功功率输出范围;
其中,所述电动汽车通过双级式双向变换器与配电网连接。
可选的,目标函数构建模块,具体用于:
通过如下公式构建电压偏差目标函数:
其中,minf1表示电压偏差目标函数;ND表示配电网系统节点数;Vi表示节点i的电压幅值;ViN表示节点i的额定电压;
通过如下公式构建网损目标函数:
其中,minf2表示网损目标函数;Nl表示配电网系统支路数;Gk(i,j)为节点i和节点j间第k条支路的电导;θij为节点i和节点j间的电压相角差;Vi表示节点i的电压幅值;Vj表示节点j的电压幅值;
通过如下公式构建电网等效负荷率目标函数:
minf3=1-λD;
PDmax=max{P′D(t)=PD(t)+PEVc(t)-PEVd(t)-PPV(t)-PW(t)},以1-λD的形式将电网等效负荷率最大值优化目标转化为最小值优化形式;T为优化区间内的时段数;PD(t)为t时段的负荷功率;PEVc(t)和PEVd(t)分别为t时段电动汽车的充电功率和放电功率;PPV(t)和PW(t)分别为t时段光伏和风电的输出有功功率;
通过如下公式构建电动汽车充放电费用目标函数:
minf4=pecTtcPEVc-pedTtdPEVd;
其中,minf4表示电动汽车充放电费用目标函数,pec和ped分别为电动汽车充电电价和放电电价,Ttc和Ttd分别为电动汽车充电时间和放电时间,PEVc和PEVd分别为电动汽车充电功率和放电功率。
可选的,优化方案确定模块,具体用于:
在约束条件下,以风电输出无功功率、光伏输出无功功率、SVC输出无功功率、电容器投切容量、电动汽车输出无功功率以及电动汽车充放电功率为控制变量,构建配电网多目标无功优化模型;
基于正态分布交叉算子和改进拥挤度比较算子的改进型非支配排序遗传算法,对所述配电网多目标无功优化模型进行求解,得到控制变量的最优解集,作为配电网无功优化方案。
可选的,所述装置还包括目标解确定模块,用于:
在基于正态分布交叉算子和改进拥挤度比较算子的改进型非支配排序遗传算法,对所述配电网多目标无功优化模型进行求解,得到控制变量的最优解集之后,根据熵权法确定各目标函数的权重系数;
根据所述权重系数从所述最优解集中确定目标解,作为配电网无功优化方案。
本发明实施例所提供的配电网无功优化装置可执行本发明任意实施例所提供的配电网无功优化方法,具备执行配电网无功优化方法相应的功能模块和有益效果。
实施例四
图10是本发明实施例四提供的一种电子设备的结构示意图。图10示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图10显示的电子设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图10所示,电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储装置28,连接不同系统组件(包括系统存储装置28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储装置总线或者存储装置控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储装置28可以包括易失性存储装置形式的计算机系统可读介质,例如随机存取存储装置(RAM)30和/或高速缓存存储装置32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图10未显示,通常称为“硬盘驱动器”)。尽管图10中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储装置28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储装置28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该设备12交互的设备通信,和/或与使得该设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图10所示,网络适配器20通过总线18与电子设备12的其它模块通信。应当明白,尽管图10中未示出,可以结合电子设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储装置28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的配电网无功优化方法,包括:
确定配电网的电网参数信息;其中,所述电网参数信息至少包括风电输出有功功率历史预测值、实际输出值、日前预测值和光伏输出有功功率历史预测值、实际输出值、日前预测值;
根据所述风电输出有功功率历史预测值和实际输出值确定风电功率预测误差分布模型,根据风电输出有功功率日前预测值和所述风电功率预测误差分布模型确定风电可调节无功功率输出范围;
根据所述光伏输出有功功率历史预测值和实际输出值确定光伏功率预测误差分布模型,根据光伏输出有功功率日前预测值和所述光伏功率预测误差分布模型确定光伏可调节无功功率输出范围;
根据接入配电网电动汽车的汽车参数信息,确定电动汽车可调节的无功功率输出范围;
基于电压偏差最小、网损最小、电网等效负荷率最大以及电动汽车充放电费用最小,构建目标函数;
在约束条件下,以风电输出无功功率、光伏输出无功功率、SVC输出无功功率、电容器投切容量、电动汽车输出无功功率以及电动汽车充放电功率为控制变量,确定配电网无功优化方案。
实施例五
本发明实施例五还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例所提供的配电网无功优化方法,包括:
确定配电网的电网参数信息;其中,所述电网参数信息至少包括风电输出有功功率历史预测值、实际输出值、日前预测值和光伏输出有功功率历史预测值、实际输出值、日前预测值;
根据所述风电输出有功功率历史预测值和实际输出值确定风电功率预测误差分布模型,根据风电输出有功功率日前预测值和所述风电功率预测误差分布模型确定风电可调节无功功率输出范围;
根据所述光伏输出有功功率历史预测值和实际输出值确定光伏功率预测误差分布模型,根据光伏输出有功功率日前预测值和所述光伏功率预测误差分布模型确定光伏可调节无功功率输出范围;
根据接入配电网电动汽车的汽车参数信息,确定电动汽车可调节的无功功率输出范围;
基于电压偏差最小、网损最小、电网等效负荷率最大以及电动汽车充放电费用最小,构建目标函数;
在约束条件下,以风电输出无功功率、光伏输出无功功率、SVC输出无功功率、电容器投切容量、电动汽车输出无功功率以及电动汽车充放电功率为控制变量,确定配电网无功优化方案。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络包括局域网(LAN)或广域网(WAN)连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种配电网无功优化方法,其特征在于,包括:
确定配电网的电网参数信息;其中,所述电网参数信息至少包括风电输出有功功率历史预测值、实际输出值、日前预测值和光伏输出有功功率历史预测值、实际输出值、日前预测值;
根据所述风电输出有功功率历史预测值和实际输出值确定风电功率预测误差分布模型,根据风电输出有功功率日前预测值和所述风电功率预测误差分布模型确定风电可调节无功功率输出范围;
根据所述光伏输出有功功率历史预测值和实际输出值确定光伏功率预测误差分布模型,根据光伏输出有功功率日前预测值和所述光伏功率预测误差分布模型确定光伏可调节无功功率输出范围;
根据接入配电网电动汽车的汽车参数信息,确定电动汽车可调节的无功功率输出范围;
基于电压偏差最小、网损最小、电网等效负荷率最大以及电动汽车充放电费用最小,构建目标函数;
在约束条件下,以风电输出无功功率、光伏输出无功功率、SVC输出无功功率、电容器投切容量、电动汽车输出无功功率以及电动汽车充放电功率为控制变量,确定配电网无功优化方案。
2.根据权利要求1所述的方法,其特征在于,根据所述风电输出有功功率历史预测值和实际输出值确定风电功率预测误差分布模型,根据风电输出有功功率日前预测值和所述风电功率预测误差分布模型确定风电可调节无功功率输出范围,包括:
基于分段指数误差分布模型,根据所述风电输出有功功率历史预测值和实际输出值确定风电功率预测分段指数误差分布模型;
基于多变量相关性的基于拉丁超立方抽样方法,根据风电输出有功功率日前预测值和所述风电功率预测分段指数误差分布模型确定风电输出有功功率的采样值;
根据所述风电输出有功功率的采样值确定风电可调节无功功率输出范围。
3.根据权利要求1所述的方法,其特征在于,根据所述光伏输出有功功率历史预测值和实际输出值确定光伏功率预测误差分布模型,根据光伏输出有功功率日前预测值和所述光伏功率预测误差分布模型确定光伏可调节无功功率输出范围,包括:
基于正态分布模型,根据所述光伏输出有功功率历史预测值和实际输出值确定光伏功率预测误差分布模型;
基于多变量相关性的基于拉丁超立方抽样方法,根据光伏输出有功功率日前预测值和所述光伏功率预测误差分布模型确定光伏输出有功功率的采样值;
根据所述光伏输出有功功率的采样值确定光伏可调节无功功率输出范围。
4.根据权利要求1所述的方法,其特征在于,根据接入配电网电动汽车的汽车参数信息,确定电动汽车可调节的无功功率输出范围,包括:
根据所述汽车参数信息中的日行驶里程均值和日行驶里程标准差构建电动汽车日行驶里程概率密度函数;
基于电动汽车动力电池荷电状态和行驶里程之间的关系,根据所述电动汽车日行驶里程概率密度函数确定电动汽车动力电池荷电状态的概率密度函数;
确定电池汽车用户结束行程时间分布函数和接入配电网充电的电动汽车数量分布函数;
根据所述荷电状态的概率密度函数、结束行程时间分布函数以及电动汽车数量分布函数得到电动汽车充电负荷,确定电动汽车可调节的无功功率输出范围;
其中,所述电动汽车通过双级式双向变换器与配电网连接。
5.根据权利要求1所述的方法,其特征在于,基于电压偏差最小、网损最小、电网等效负荷率最大以及电动汽车充放电费用最小,构建目标函数,包括:
通过如下公式构建电压偏差目标函数:
其中,minf1表示电压偏差目标函数;ND表示配电网系统节点数;Vi表示节点i的电压幅值;ViN表示节点i的额定电压;
通过如下公式构建网损目标函数:
其中,minf2表示网损目标函数;Nl表示配电网系统支路数;Gk(i,j)为节点i和节点j间第k条支路的电导;θij为节点i和节点j间的电压相角差;Vi表示节点i的电压幅值;Vj表示节点j的电压幅值;
通过如下公式构建电网等效负荷率目标函数:
minf3=1-λD;
其中,minf3表示电网等效负荷率目标函数;λD表示电网等效负荷率,PDmax=max{PD'(t)=PD(t)+PEVc(t)-PEVd(t)-PPV(t)-PW(t)},以1-λD的形式将电网等效负荷率最大值优化目标转化为最小值优化形式,T为优化区间内的时段数;PD(t)为t时段的负荷功率;PEVc(t)和PEVd(t)分别为t时段电动汽车的充电功率和放电功率;PPV(t)和PW(t)分别为t时段光伏和风电的输出有功功率;
通过如下公式构建电动汽车充放电费用目标函数:
minf4=pecTtcPEVc-pedTtdPEVd;
其中,minf4表示电动汽车充放电费用目标函数,pec和ped分别为电动汽车充电电价和放电电价,Ttc和Ttd分别为电动汽车充电时间和放电时间,PEVc和PEVd分别为电动汽车充电功率和放电功率。
6.根据权利要求1所述的方法,其特征在于,在约束条件下,以风电输出无功功率、光伏输出无功功率、SVC输出无功功率、电容器投切容量、电动汽车输出无功功率以及电动汽车充放电功率为控制变量,确定配电网无功优化方案,包括:
在约束条件下,以风电输出无功功率、光伏输出无功功率、SVC输出无功功率、电容器投切容量、电动汽车输出无功功率以及电动汽车充放电功率为控制变量,构建配电网多目标无功优化模型;
基于正态分布交叉算子和改进拥挤度比较算子的改进型非支配排序遗传算法,对所述配电网多目标无功优化模型进行求解,得到控制变量的最优解集,作为配电网无功优化方案。
7.根据权利要求6所述的方法,其特征在于,在基于正态分布交叉算子和改进拥挤度比较算子的改进型非支配排序遗传算法,对所述配电网多目标无功优化模型进行求解,得到控制变量的最优解集之后,还包括:
根据熵权法确定各目标函数的权重系数;
根据所述权重系数从所述最优解集中确定目标解,作为配电网无功优化方案。
8.一种配电网无功优化装置,其特征在于,包括:
电网参数信息确定模块,用于确定配电网的电网参数信息;其中,所述电网参数信息至少包括风电输出有功功率历史预测值、实际输出值、日前预测值和光伏输出有功功率历史预测值、实际输出值、日前预测值;
风电无功功率确定模块,用于根据所述风电输出有功功率历史预测值和实际输出值确定风电功率预测误差分布模型,根据风电输出有功功率日前预测值和所述风电功率预测误差分布模型确定风电可调节无功功率输出范围;
光伏无功功率确定模块,用于根据所述光伏输出有功功率历史预测值和实际输出值确定光伏功率预测误差分布模型,根据光伏输出有功功率日前预测值和所述光伏功率预测误差分布模型确定光伏可调节无功功率输出范围;
电动汽车无功功率确定模块,用于根据接入配电网电动汽车的汽车参数信息,确定电动汽车可调节的无功功率输出范围;
目标函数构建模块,用于基于电压偏差最小、网损最小、电网等效负荷率最大以及电动汽车充放电费用最小,构建目标函数;
优化方案确定模块,用于在约束条件下,以风电输出无功功率、光伏输出无功功率、SVC输出无功功率、电容器投切容量、电动汽车输出无功功率以及电动汽车充放电功率为控制变量,确定配电网无功优化方案。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的配电网无功优化方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的配电网无功优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110198827.8A CN112993979B (zh) | 2021-02-22 | 2021-02-22 | 配电网无功优化方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110198827.8A CN112993979B (zh) | 2021-02-22 | 2021-02-22 | 配电网无功优化方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112993979A true CN112993979A (zh) | 2021-06-18 |
CN112993979B CN112993979B (zh) | 2023-02-17 |
Family
ID=76349518
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110198827.8A Active CN112993979B (zh) | 2021-02-22 | 2021-02-22 | 配电网无功优化方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112993979B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113410846A (zh) * | 2021-07-12 | 2021-09-17 | 广东电网有限责任公司 | 一种结合网络重构的配电网日前无功电压双层优化方法 |
CN113629747A (zh) * | 2021-09-16 | 2021-11-09 | 国网安徽省电力有限公司马鞍山供电公司 | 一种电动汽车并网无功补偿控制方法 |
CN114857659A (zh) * | 2022-06-02 | 2022-08-05 | 南京工业大学 | 一种基于分段rc模型的换热站二次网供水温度控制算法 |
CN116362141A (zh) * | 2023-06-01 | 2023-06-30 | 中诚华隆计算机技术有限公司 | 基于量子遗传算法的配电网无功优化方法及装置 |
CN116388213A (zh) * | 2023-05-22 | 2023-07-04 | 国网江西省电力有限公司电力科学研究院 | 含新能源和充电站的主动配电网动态无功优化方法及系统 |
CN116683472A (zh) * | 2023-04-28 | 2023-09-01 | 国网河北省电力有限公司电力科学研究院 | 无功功率补偿方法、装置、设备以及存储介质 |
CN116706933A (zh) * | 2023-04-28 | 2023-09-05 | 国网河北省电力有限公司电力科学研究院 | 基于智能控制终端的无功功率补偿方法以及装置 |
CN116780665A (zh) * | 2023-04-28 | 2023-09-19 | 国网河北省电力有限公司电力科学研究院 | 基于光伏逆变器与智能控制终端的无功功率补偿方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104104096A (zh) * | 2014-08-11 | 2014-10-15 | 国家电网公司 | 一种电力系统无功优化方法及系统 |
CN104318494A (zh) * | 2014-11-21 | 2015-01-28 | 四川慧盈科技有限责任公司 | 一种分布式电源智能监控系统 |
CN106549392A (zh) * | 2016-10-12 | 2017-03-29 | 中国南方电网有限责任公司电网技术研究中心 | 一种配电网协调控制方法 |
CN108711866A (zh) * | 2018-04-10 | 2018-10-26 | 国网安徽省电力有限公司芜湖供电公司 | 一种用于新能源电站无功电压的控制系统 |
CN108899919A (zh) * | 2018-08-21 | 2018-11-27 | 江苏方天电力技术有限公司 | 一种基于Haar小波变换的有源配电网动态无功优化调度方法 |
CN109980700A (zh) * | 2019-04-09 | 2019-07-05 | 广东电网有限责任公司 | 一种分布式电源多目标优化规划方法、装置和设备 |
CN112131733A (zh) * | 2020-09-15 | 2020-12-25 | 燕山大学 | 计及电动汽车充电负荷影响的分布式电源规划方法 |
-
2021
- 2021-02-22 CN CN202110198827.8A patent/CN112993979B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104104096A (zh) * | 2014-08-11 | 2014-10-15 | 国家电网公司 | 一种电力系统无功优化方法及系统 |
CN104318494A (zh) * | 2014-11-21 | 2015-01-28 | 四川慧盈科技有限责任公司 | 一种分布式电源智能监控系统 |
CN106549392A (zh) * | 2016-10-12 | 2017-03-29 | 中国南方电网有限责任公司电网技术研究中心 | 一种配电网协调控制方法 |
CN108711866A (zh) * | 2018-04-10 | 2018-10-26 | 国网安徽省电力有限公司芜湖供电公司 | 一种用于新能源电站无功电压的控制系统 |
CN108899919A (zh) * | 2018-08-21 | 2018-11-27 | 江苏方天电力技术有限公司 | 一种基于Haar小波变换的有源配电网动态无功优化调度方法 |
CN109980700A (zh) * | 2019-04-09 | 2019-07-05 | 广东电网有限责任公司 | 一种分布式电源多目标优化规划方法、装置和设备 |
CN112131733A (zh) * | 2020-09-15 | 2020-12-25 | 燕山大学 | 计及电动汽车充电负荷影响的分布式电源规划方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113410846A (zh) * | 2021-07-12 | 2021-09-17 | 广东电网有限责任公司 | 一种结合网络重构的配电网日前无功电压双层优化方法 |
CN113410846B (zh) * | 2021-07-12 | 2022-03-15 | 广东电网有限责任公司 | 一种结合网络重构的配电网日前无功电压双层优化方法 |
CN113629747A (zh) * | 2021-09-16 | 2021-11-09 | 国网安徽省电力有限公司马鞍山供电公司 | 一种电动汽车并网无功补偿控制方法 |
CN113629747B (zh) * | 2021-09-16 | 2022-08-12 | 国网安徽省电力有限公司马鞍山供电公司 | 一种电动汽车并网无功补偿控制方法 |
CN114857659A (zh) * | 2022-06-02 | 2022-08-05 | 南京工业大学 | 一种基于分段rc模型的换热站二次网供水温度控制算法 |
CN116683472A (zh) * | 2023-04-28 | 2023-09-01 | 国网河北省电力有限公司电力科学研究院 | 无功功率补偿方法、装置、设备以及存储介质 |
CN116706933A (zh) * | 2023-04-28 | 2023-09-05 | 国网河北省电力有限公司电力科学研究院 | 基于智能控制终端的无功功率补偿方法以及装置 |
CN116780665A (zh) * | 2023-04-28 | 2023-09-19 | 国网河北省电力有限公司电力科学研究院 | 基于光伏逆变器与智能控制终端的无功功率补偿方法 |
CN116388213A (zh) * | 2023-05-22 | 2023-07-04 | 国网江西省电力有限公司电力科学研究院 | 含新能源和充电站的主动配电网动态无功优化方法及系统 |
CN116388213B (zh) * | 2023-05-22 | 2023-09-12 | 国网江西省电力有限公司电力科学研究院 | 含新能源和充电站的主动配电网动态无功优化方法及系统 |
CN116362141A (zh) * | 2023-06-01 | 2023-06-30 | 中诚华隆计算机技术有限公司 | 基于量子遗传算法的配电网无功优化方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112993979B (zh) | 2023-02-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112993979B (zh) | 配电网无功优化方法、装置、电子设备和存储介质 | |
Liu et al. | Optimal sizing of a wind-energy storage system considering battery life | |
Ma et al. | Optimal allocation of hybrid energy storage systems for smoothing photovoltaic power fluctuations considering the active power curtailment of photovoltaic | |
CN105680474B (zh) | 一种储能抑制光伏电站快速功率变化的控制方法 | |
CN112734098B (zh) | 一种基于源-荷-网平衡的配电网电力调度方法及系统 | |
CN109599856A (zh) | 一种微网多楼宇中电动汽车充放电管理优化方法及装置 | |
CN109034587B (zh) | 一种协调多种可控单元的主动配电系统优化调度方法 | |
CN111244988A (zh) | 考虑分布式电源的电动汽车和储能优化调度方法 | |
CN110212584A (zh) | 一种风电与大规模电动汽车协调优化的调度方法 | |
CN116388213B (zh) | 含新能源和充电站的主动配电网动态无功优化方法及系统 | |
CN112994092B (zh) | 一种基于功率预测的独立风光储微电网系统尺寸规划方法 | |
CN112418496A (zh) | 一种基于深度学习的配电台区储能配置方法 | |
Huangfu et al. | An optimal energy management strategy with subsection bi-objective optimization dynamic programming for photovoltaic/battery/hydrogen hybrid energy system | |
Han et al. | Optimal sizing considering power uncertainty and power supply reliability based on LSTM and MOPSO for SWPBMs | |
Du et al. | Multi-objective optimal sizing of hybrid energy storage systems for grid-connected wind farms using fuzzy control | |
CN115000985A (zh) | 一种用户侧分布式储能设施聚合管控方法及系统 | |
CN111311032B (zh) | 一种基于扇形雷达图模型的微网系统容量优化配置方法 | |
CN109586309B (zh) | 基于大数据自由熵理论和场景匹配的配电网无功优化方法 | |
CN116760103A (zh) | 虚拟电厂在线优化电力调度的自适应预测能量管理方法 | |
CN110336308A (zh) | 一种基于机会约束的主动配电网经济调度方法 | |
Krim et al. | Joint optimisation of sizing and fuzzy logic power management of a hybrid storage system considering economic reliability indices | |
CN114091958A (zh) | 智能用电小区的综合能效评估方法及电网规划方法 | |
Cao et al. | Bi-Level control strategy for EV charging in active distribution network based on wavelet decomposition | |
CN108183498B (zh) | 一种含风光储配电网背景下的车储混合配置方法 | |
CN113783213B (zh) | 一种集中式储能电站选址定容两阶段优化方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |