CN113258581A - 一种基于多智能体的源荷协调电压控制方法及装置 - Google Patents
一种基于多智能体的源荷协调电压控制方法及装置 Download PDFInfo
- Publication number
- CN113258581A CN113258581A CN202110605733.8A CN202110605733A CN113258581A CN 113258581 A CN113258581 A CN 113258581A CN 202110605733 A CN202110605733 A CN 202110605733A CN 113258581 A CN113258581 A CN 113258581A
- Authority
- CN
- China
- Prior art keywords
- voltage
- preset
- node
- reactive
- output
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000005457 optimization Methods 0.000 claims abstract description 27
- 238000012544 monitoring process Methods 0.000 claims abstract description 10
- 238000005192 partition Methods 0.000 claims description 34
- 230000009466 transformation Effects 0.000 claims description 21
- 230000001939 inductive effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 16
- 238000005516 engineering process Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 25
- 238000011217 control strategy Methods 0.000 description 11
- 238000004088 simulation Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 238000010521 absorption reaction Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000035699 permeability Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 241000202755 Areca Species 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction 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
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
-
- 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
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
- H02J3/16—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by adjustment of reactive power
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—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
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/72—Electric energy management in electromobility
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/14—Plug-in electric vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开了一种基于多智能体的源荷协调电压控制方法及装置,方法包括:获取预置预测曲线;根据第一优化约束条件求解由预置预测曲线构建的最大削峰目标函数,得到理想负荷调度曲线;根据理想负荷调度曲线实现充电有功调节控制;若存在第一节点电压低于预置下限值,则根据获取的总无功功率需求、分布式电源总有功出力和逆变器最大总无功出力进行自适应无功控制;对分区中的第二节点电压进行越限监控,在第二节点电压超过预置电压范围时,执行预置馈线自动补偿策略。本申请能够解决现有分布式控制技术缺乏针对性和可靠性,导致配电网电压分布式控制效果较差,且无法保证电压质量和分布式电源的消纳能力的技术问题。
Description
技术领域
本申请涉及配电网电压控制技术领域,尤其涉及一种基于多智能体的源荷协调电压控制方法及装置。
背景技术
随着大规模高渗透率的电动汽车(Electric Vehicle,EV)和分布式电源(distributed generation,DG)接入配电网后,一方面由于电动汽车快充的功率较大,容易导致接入点附近出现局部电压越下限问题,另一方面由于分布式电源出力的随机性与间歇性,极易造成并网点电压的波动,这两方面的消极作用将严重影响邻近节点电压质量,危害分区电网供电可靠性,同时也大大限制了配电网对分布式电源的消纳能力。
针对现有的复杂的电网结构,现有的分布式控制技术并未作出针对性的考虑,即没有意识到电动汽车充电站和分布式电源对配网电压控制的影响,导致实际的分布式控制灵活性差,没有针对性;还忽略了调压器的重要功能,因此,无法保证分布式控制的效果,也无法提升配电网电压质量和分布式电源的消纳能力。
发明内容
本申请提供了一种基于多智能体的源荷协调电压控制方法及装置,用于解决现有技术未考虑配电网中加入电动汽车充电站和分布式电源带来的电压控制影响,使得分布式控制技术缺乏针对性和可靠性,导致配电网电压分布式控制效果较差,且无法保证电压质量和分布式电源的消纳能力的技术问题。
有鉴于此,本申请第一方面提供了一种基于多智能体的源荷协调电压控制方法,包括:
获取预置预测曲线,所述预置预测曲线包括日负荷预测曲线、分布式电源出力预测曲线和电动汽车智能体需求预测曲线;
根据第一优化约束条件求解由所述预置预测曲线构建的最大削峰目标函数,得到每个电动汽车智能体的理想负荷调度曲线;
根据所述理想负荷调度曲线实现电动汽车的充电有功调节控制;
若当前时刻存在第一节点电压低于预置下限值,则通过分布式电源智能体根据获取的总无功功率需求、分布式电源总有功出力和逆变器最大总无功出力进行自适应无功控制;
通过电压调节器智能体对分区中的第二节点电压进行越限监控,在所述第二节点电压超过预置电压范围时,执行预置馈线自动补偿策略。
优选地,所述根据所述理想负荷调度曲线实现电动汽车的充电有功调节控制,包括:
根据所述理想负荷调度曲线和预置实际负荷曲线构建最小偏差目标函数;
根据第二优化约束条件求解所述最小偏差目标函数,得到最优解,实现充电有功调节控制。
优选地,所述若当前时刻存在第一节点电压低于预置下限值,则通过分布式电源智能体根据获取的总无功功率需求、分布式电源总有功出力和逆变器最大总无功出力进行自适应无功控制,包括:
在充电有功调节控制后,获取当前时刻的实时节点电压,并判断所述实时节点电压中是否存在第一节点电压低于预置下限值;
若当前时刻存在所述第一节点电压低于所述预置下限值,则通过分布式电源智能体获取分区内的总无功功率需求和分布式电源总有功出力;
根据逆变器的最大无功出力计算分区内的分布式电源的逆变器最大总无功出力;
若所述总无功功率需求小于所述逆变器最大总无功出力,则将所述当前分区内的额外分布式电源无功出力作支援资源;
若所述总无功功率需求大于所述逆变器最大总无功出力,则在保持所述分布式电源总有功出力不变的情况下,以预置功率因数发出无功功率,同时发送无功功率支援请求,获取所述支援资源。
优选地,所述通过电压调节器智能体对分区中的第二节点电压进行越限监控,在所述第二节点电压超过预置电压范围时,执行预置馈线自动补偿策略,包括:
实时获取配网分区中的第二节点电压;
根据所述第二节点电压和预置电压范围判定所述节点电压是否越限,若是,则执行预置馈线自动补偿策略,所述预置电压范围包括预置电压上限和预置电压下限。
优选地,所述预置馈线自动补偿策略为:
通过输入电压和输出电压目标值计算电压调节器的理想变比;
根据所述理想变比和预置实际变比进行档位调节操作,所述档位调节操作包括降档操作和升档操作;
对所述电压调节器作预置无功补偿,所述预置无功补偿包括容性无功补偿和感性无功补偿。
本申请第二方面提供了一种基于多智能体的源荷协调电压控制装置,包括:
预测曲线获取模块,用于获取预置预测曲线,所述预置预测曲线包括日负荷预测曲线、分布式电源出力预测曲线和电动汽车智能体需求预测曲线;
调度优化求解模块,用于根据第一优化约束条件求解由所述预置预测曲线构建的最大削峰目标函数,得到每个电动汽车智能体的理想负荷调度曲线;
有功协调控制模块,用于根据所述理想负荷调度曲线实现电动汽车的充电有功调节控制;
无功协调控制模块,用于若当前时刻存在第一节点电压低于预置下限值,则通过分布式电源智能体根据获取的总无功功率需求、分布式电源总有功出力和逆变器最大总无功出力进行自适应无功控制;
馈线自动补偿模块,用于通过电压调节器智能体对分区中的第二节点电压进行越限监控,在所述第二节点电压超过预置电压范围时,执行预置馈线自动补偿策略。
优选地,所述有功协调控制模块具体用于:
根据所述理想负荷调度曲线和预置实际负荷曲线构建最小偏差目标函数;
根据第二优化约束条件求解所述最小偏差目标函数,得到最优解,实现充电有功调节控制。
优选地,所述无功协调控制模块,包括:
判断子模块,用于在充电有功调节控制后,获取当前时刻的实时节点电压,并判断所述实时节点电压中是否存在第一节点电压低于预置下限值;
获取子模块,用于若当前时刻存在所述第一节点电压低于所述预置下限值,则通过分布式电源智能体获取分区内的总无功功率需求和分布式电源总有功出力;
计算子模块,用于根据逆变器的最大无功出力计算分区内的分布式电源的逆变器最大总无功出力;
第一无功控制子模块,用于若所述总无功功率需求小于所述逆变器最大总无功出力,则将所述当前分区内的额外分布式电源无功出力作支援资源;
第二无功控制子模块,用于若所述总无功功率需求大于所述逆变器最大总无功出力,则在保持所述分布式电源总有功出力不变的情况下,以预置功率因数发出无功功率,同时发送无功功率支援请求,获取所述支援资源。
优选地,所述馈线自动补偿模块具体用于:
实时获取配网分区中的第二节点电压;
根据所述第二节点电压和预置电压范围判定所述节点电压是否越限,若是,则执行预置馈线自动补偿策略,所述预置电压范围包括预置电压上限和预置电压下限。
优选地,所述预置馈线自动补偿策略为:
通过输入电压和输出电压目标值计算电压调节器的理想变比;
根据所述理想变比和预置实际变比进行档位调节操作,所述档位调节操作包括降档操作和升档操作;
对所述电压调节器作预置无功补偿,所述预置无功补偿包括容性无功补偿和感性无功补偿。
从以上技术方案可以看出,本申请实施例具有以下优点:
本申请中,提供了一种基于多智能体的源荷协调电压控制方法,包括:获取预置预测曲线,预置预测曲线包括日负荷预测曲线、分布式电源出力预测曲线和电动汽车智能体需求预测曲线;根据第一优化约束条件求解由预置预测曲线构建的最大削峰目标函数,得到每个电动汽车智能体的理想负荷调度曲线;根据理想负荷调度曲线实现电动汽车的充电有功调节控制;若当前时刻存在第一节点电压低于预置下限值,则通过分布式电源智能体根据获取的总无功功率需求、分布式电源总有功出力和逆变器最大总无功出力进行自适应无功控制;通过电压调节器智能体对分区中的第二节点电压进行越限监控,在第二节点电压超过预置电压范围时,执行预置馈线自动补偿策略。
本申请提供的一种基于多智能体的源荷协调电压控制方法,采用分层的思想将配电网的电压控制解耦为时序性的有功控制和无功控制,且考虑了电动汽车智能体和分布式电源智能体在配电网电压控制中的影响,使得每一层调控均为综合性和针对性都比较强的策略。电压调节器智能体的电压越限监控,自动补偿操作则进一步的提升了本申请电压控制策略的可靠性,进而保证了电压质量。因此,本申请能够解决现有技术未考虑配电网中加入电动汽车充电站和分布式电源带来的电压控制影响,使得分布式控制技术缺乏针对性和可靠性,导致配电网电压分布式控制效果较差,且无法保证电压质量和分布式电源的消纳能力的技术问题。
附图说明
图1为本申请实施例提供的一种基于多智能体的源荷协调电压控制方法的一个流程示意图;
图2为本申请实施例提供的一种基于多智能体的源荷协调电压控制方法的另一个流程示意图;
图3为本申请实施例提供的一种基于多智能体的源荷协调电压控制装置的结构示意图;
图4为本申请实施例提供的理想负荷调度曲线示意图;
图5为本申请实施例提供的EV充电过程示意图;
图6为本申请仿真应用例提供的配电网中需求侧管理智能体及电压分区控制智能体划分结构示意图;
图7为本申请仿真应用例提供的EV负荷出力曲线及DG出力曲线;
图8为本申请仿真应用例提供的全网最低电压节点在不同电压控制策略下的全天电压变化情况;
图9为本申请仿真应用例提供的不同调压策略下全网一天的网损和网损率;
图10为本申请仿真应用例提供的电动汽车无序充电与有序充电的下送功率曲线及充电站充电曲线。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
术语解释:
多智能体系统(Multi-Agent System,MAS),是由多个可计算的智能体组成的集合,其中每个智能体是一个物理的或抽象的实体,能作用于自身和环境,并可与其他智能体通信。多智能体系统没有中央控制器,信息的交换和分享也只是在部分个体间进行,每个个体根据分布式的邻域规则来更新自身的状态,但是就是基于这些简单的局部信息的作用规则却能产生一些期望的宏观行为。在自然界中,多智能体系统可以是神经网络、生态系统、新陈代谢系统等;在工程中,多智能体系统可以是电力网、有线/无线通信系统、传感器网络、机器人网络、软件系统等。
电动汽车智能体(EV-Agent,EV-A),是将一个电动汽车充电站抽象为一个能通信且独立的智能体。每个电动汽车充电智能体可以根据其所在区域的充电特点,制定因地制宜的电动汽车有序充电控制策略。
分布式电源智能体(Distributed Generation Agent,DG-A),是将分布式电源作无功出力抽象为一个智能体。
电压调节器智能体(SVR-Agent,SVR-A),是将一个具有自动补偿功能的电压调节器抽象为一个智能体。
为了便于理解,请参阅图1,本申请提供的一种基于多智能体的源荷协调电压控制方法的实施例一,包括:
步骤101、获取预置预测曲线,预置预测曲线包括日负荷预测曲线、分布式电源出力预测曲线和电动汽车智能体需求预测曲线。
日负荷预测曲线是指配电网中所有相关节点的负荷情况预测;分布式电源出力预测曲线是配网中分布式电源DG的出力预测;电动汽车智能体需求预测曲线是针对电动汽车充电站这一类负荷需求作出的预测。通过获取配网中的负荷需求,以及配网能够提供的出力宏观把控配网的负荷调节能力;使得配网的电压控制更加有的放矢,既能正常满足不同分区的负荷需求又能保证配网系统的电压稳定性。
步骤102、根据第一优化约束条件求解由预置预测曲线构建的最大削峰目标函数,得到每个电动汽车智能体的理想负荷调度曲线。
最大削峰目标函数是为了在约束条件下最大化配电网的削峰综合效益,最终优化结果在满足约束条件的情况下可以实现配网负荷峰谷差最小化。在根据第一优化约束条件优化后,可以根据最大削峰目标函数得到每个电动汽车智能体的理想负荷调度曲线,具体请参阅图4。
第一优化约束条件可以包括潮流约束、状态变量约束、电动汽车充电约束、配网节点电压约束、线路电流约束等。还可以根据实际配电网情况增加其他相关约束条件。
步骤103、根据理想负荷调度曲线实现电动汽车的充电有功调节控制。
充电有功调节控制主要调节的是电动汽车的充电时间,理想负荷调度曲线在此过程中作为理想指标约束实际调度曲线,使得实际负荷调度不断趋于理想状态,从而实现针对性的有功调控,同时还能满足电动汽车的充电需求。
步骤104、若当前时刻存在第一节点电压低于预置下限值,则通过分布式电源智能体根据获取的总无功功率需求、分布式电源总有功出力和逆变器最大总无功出力进行自适应无功控制。
如果上述的充电有功调节控制能够在不影响配网稳定性的同时,还能满足电动汽车的负荷需求,那么就不需要再进行无功调控;若是在进行上述充电有功调节控制后,存在第一节点电压低于预置下限值,即存在电压越限状况,那么就需要进行配电网的无功调控。
无功控制过程需要总体把控配网中的总无功功率需求、分布式电源总有功出力和逆变器最大总无功出力,然后根据这些指标进行宏观调控。无功控制的是以自适应的方式进行,更加灵活可控。
步骤105、通过电压调节器智能体对分区中的第二节点电压进行越限监控,在第二节点电压超过预置电压范围时,执行预置馈线自动补偿策略。
本实施例中的电压调节器智能体主要是指具有自动补偿功能的电压调节器的抽象描述实体。分布式电源智能体与电压调节器智能体可以构成配网的无功电压分区控制智能体,用于统筹整个配网的分区无功电压控制。第二节点电压即为无功电压分区控制智能体中分区的节点电压。第二节点电压的正常值应该在一个正常的范围内波动,如果太大或者太小都有越限的可能,所以越限监控到的电压既可能越过最大允许值,也可能越过最小允许值。预置馈线自动补偿策略实质就是无功补偿的过程,分区内缺哪种类型的无功损耗,就可以自动的补偿对应类型的无功投入。通过自动无功补偿使得配网的电压保持相对稳定状态,降低了配网的网损率。
本申请实施例提供的一种基于多智能体的源荷协调电压控制方法,采用分层的思想将配电网的电压控制解耦为时序性的有功控制和无功控制,且考虑了电动汽车智能体和分布式电源智能体在配电网电压控制中的影响,使得每一层调控均为综合性和针对性都比较强的策略。电压调节器智能体的电压越限监控,自动补偿操作则进一步的提升了本申请实施例电压控制策略的可靠性,进而保证了电压质量。因此,本申请实施例能够解决现有技术未考虑配电网中加入电动汽车充电站和分布式电源带来的电压控制影响,使得分布式控制技术缺乏针对性和可靠性,导致配电网电压分布式控制效果较差,且无法保证电压质量和分布式电源的消纳能力的技术问题。
以上为本申请提供的一种基于多智能体的源荷协调电压控制方法的一个实施例,以下为本申请提供的一种基于多智能体的源荷协调电压控制方法的另一个实施例。
为了便于理解,请参阅图2,本申请提供了一种基于多智能体的源荷协调电压控制方法的实施例二,包括:
步骤201、获取预置预测曲线,预置预测曲线包括日负荷预测曲线、分布式电源出力预测曲线和电动汽车智能体需求预测曲线。
各种预测曲线的获取意义请参阅步骤101,在此不再赘述。
步骤202、根据第一优化约束条件求解由预置预测曲线构建的最大削峰目标函数,得到每个电动汽车智能体的理想负荷调度曲线。
电动汽车智能体是一个独立的实体,能够根据充电站内电动汽车的进入充电站时刻、充电时间以及结束充电时刻,统一制定出每辆电动汽车的充电计划。根据上几种预测曲线可以构建最大削峰目标函数:
其中,为配网削峰综合效益,为配网首端变电站削峰效益,为配网配电变压器的削峰总效益;、分别为首端变电站馈线数量和馈线上削峰配变的数量,一般的,每个配网由一条馈线和多个配变组成,、分别为第i条馈线首端削峰量和第i台配变削峰量,、分别为第i条馈线单位容量的综合投资费用和第i个配变单位容量的综合投资费用。
本实施例中主要第一优化约束条件包括潮流约束、状态变量约束和电动汽车充电相关约束,具体的潮流约束即为潮流方程等式约束:
状态变量约束为:
电动汽车充电相关约束为:
其中,、为节点i处的电源在时刻t的有功、无功出力,、为节点i处t时刻的常规有功、无功负荷需求,、为节点i处t时刻电动汽车充电的有功、无功负荷需求,为节点i在时刻t的电压大小,为节点j在时刻t的电压大小,为网络的节点数,、分别为节点i处的最小电压和最大电压,为节点i在时刻t的电压值,为节点j在时刻t的电流值,为节点j的最大电流值,为电动汽车调度时间间隔,本文取=1,为i节点充电站全天电动汽车充电能量总需求,为电动汽车实际开始充电时刻,为电动汽车可以开始充电的最早时刻,为电动汽车满足其总充电时长需求下可延迟开始充电的最长时长;为节点i到节点j的电导,为节点i到节点j的相角差,为节点i到节点j的电纳。
根据以上最大削峰目标函数和第一优化约束条件进行函数求解,在最优解下就可以获取到理想负荷调度曲线。
步骤203、根据理想负荷调度曲线和预置实际负荷曲线构建最小偏差目标函数。
预置实际负荷曲线是每个EV-A上送的数据,也就是每一个电动汽车智能体的负荷功率需求和电量需求信息,通过实际负荷曲线的形式向上反馈。
其中,为每个电动汽车充电站在第i时刻的实际充电负荷功率;为每个充电站在第i个时刻的理想充电负荷功率。一个电动汽车充电站由于车位有限,因此每一个电动汽车EV充电的最大负荷有限,所以每个电动汽车充电站的总充电负荷为:
其中,为一个充电站的在i时刻的EV总充电功率,i = 1,2,…,24,N为接入充电站的EV总数量,为第n辆EV在第i个时刻的充电功率,为充电桩的充电功率;为第n辆EV在第i个时刻的充电逻辑函数,为EV开始充电时刻,为EV充电时长需求;由于,因此EV负荷是可通过改变开始充电时刻的一种柔性负荷,其充电负荷过程请参阅图5。
步骤204、根据第二优化约束条件求解最小偏差目标函数,得到最优解,实现充电有功调节控制。
第二优化约束条件可以根据实际情况设定,主要是电动汽车智能体中可能涉及的相关约束。优化求解过程实质是以理想负荷调度曲线为基准,用实际负荷曲线不断靠近理想负荷调度曲线的过程;优化是为了使二者之间的距离最近,此时的调度曲线即为最优的调度曲线,既可以满足电动汽车的充电需求,又能够平衡配网的电压稳定性。
步骤205、在充电有功调节控制后,获取当前时刻的实时节点电压,并判断实时节点电压中是否存在第一节点电压低于预置下限值。
充电有功调节控制后,如果配网中没有出现越限电压,即不存在第一节点电压低于预置下限值,则说明有功调控已经可以满足电压调节需求,不需要作后续的无功调节,若是有功调节后,在实时节点电压中出现越限电压值,则说明有功调节不足以维持系统电压的稳定,存在节点的电压跌落至预置下限值以下。
步骤206、若当前时刻存在第一节点电压低于预置下限值,则通过分布式电源智能体获取分区内的总无功功率需求和分布式电源总有功出力。
步骤207、根据逆变器的最大无功出力计算分区内的分布式电源的逆变器最大总无功出力。
根据逆变器的最大无功出力计算分区内的分布式电源的逆变器最大总无功出力可以实际的相关原理操作,在此不再赘述。
步骤208、若总无功功率需求小于逆变器最大总无功出力,则将当前分区内的额外分布式电源无功出力作支援资源。
总无功功率需求小于逆变器最大总无功出力则说明分区内的分布式电源的无功出力能够满足分区内部无功需求,而且还存在额外分布式电源无功出力可以用作支援,支援资源主要是给相邻分区的智能体使用。分区内以计算得到的功率因数进行无功功率输出,具体的功率因数是根据总无功功率需求和无功支援功率之和确定的。
步骤209、若总无功功率需求大于逆变器最大总无功出力,则在保持分布式电源总有功出力不变的情况下,以预置功率因数发出无功功率,同时发送无功功率支援请求,获取支援资源。
总无功功率需求大于逆变器最大总无功出力则说明分区内的分布式电源的无功出力无法满足分区内部无功需求,首先需要保持分区内所有分布式电源保持总有功出力不变,然后以预置功率因数发出无功功率,此处的预置功率因数为固定值,一般取0.95;除了输出无功功率,还需要向相邻的分区发出无功功率请求,获取支援资源,直至分区内达到无功调控要求为止。
步骤210、实时获取配网分区中的第二节点电压。
步骤211、根据第二节点电压和预置电压范围判定节点电压是否越限,若是,则执行预置馈线自动补偿策略,预置电压范围包括预置电压上限和预置电压下限。
每台馈线自动补偿调压器所辖的供电区可以定义为一个无功电压分区控制智能体(Reactive Voltage Control Partition,RVCP-A);无功电压分区控制智能体包括分布式电源智能体(DG-A)、电压调节器智能体(SVR-A)。给全网的智能体按照从馈线末端到首端的方向依次编号为RVCP-A1,RVCP-A2,…,RVCP-An;同时将电压调压器输出端节点定义为该智能体的中枢节点,即上文记载的中枢节点。
第二节点电压即为分区的无功电压分区控制智能体中的关键节点的节点电压。预置电压范围由预置电压上限和预置电压下限构成,第二节点电压超出预置电压范围即为越限,需要执行预置馈线自动补偿策略。
进一步地,预置馈线自动补偿策略为:
通过输入电压和输出电压目标值计算电压调节器的理想变比;
根据理想变比和预置实际变比进行档位调节操作,档位调节操作包括降档操作和升档操作;
对电压调节器作预置无功补偿,预置无功补偿包括容性无功补偿和感性无功补偿。
预置馈线自动补偿策略主要是针对越上限和越下限时作出的不同调节操作,例如档位调节和无功补偿。具体的,若是电压越上限,即第二节点电压大于预置电压上限,则需要在计算理想变比后执行降档操作,然后补偿电压调节器的容性无功损耗,智能体如果有感性无功需求则减小容性无功补偿投入,如需求仍未满足,则可以考虑增加感性无功补偿投入。若是电压越下限,即第二节点电压小于预置电压下限,则在计算理想变比后执行升档操作,然后补偿电压调节电器的容性无功损耗,智能体如果有容性无功需求,则增加容性无功补偿投入,没有则不增加。
由于配电网在节点电压不越限的一定范围内,其运行电压水平越高,网损越小。因此,一般而言,各无功电压分区控制智能体的中枢节点电压目标值设为1(p.u.)左右,这样既保证了各分区的电压水平较高,又使得分区内负荷波动较大时,节点电压不容易越上下限。
本申请实施例提供的一种基于多智能体的源荷协调电压控制方法,采用分层的思想将配电网的电压控制解耦为时序性的有功控制和无功控制,且考虑了电动汽车智能体和分布式电源智能体在配电网电压控制中的影响,使得每一层调控均为综合性和针对性都比较强的策略。电压调节器智能体的电压越限监控,自动补偿操作则进一步的提升了本申请实施例电压控制策略的可靠性,进而保证了电压质量。因此,本申请实施例能够解决现有技术未考虑配电网中加入电动汽车充电站和分布式电源带来的电压控制影响,使得分布式控制技术缺乏针对性和可靠性,导致配电网电压分布式控制效果较差,且无法保证电压质量和分布式电源的消纳能力的技术问题。
为了便于理解,本申请提供了一种基于多智能体的源荷协调电压控制方法的一个仿真应用例。以IEEE33节点配电系统为例作为仿真对象,其分层控制策略及物理分区划分请参阅图6,将IEEE33节点配电网分成四种类型负荷区,分别为商业负荷区、工业负荷区、居民负荷区和混合负荷区。由于四种区域的负荷类型不同,因此对于无功电压协调控制方面,将每个负荷区定义为一个无功电压控制分区智能体(RVCP-A),而每个RVCP-A中包含不同调压手段的智能体,如提供无功出力的分布式电源智能体(DG-A)和具有馈线自动补偿功能的电压调节器智能体(SVR-A),对于有功协调调度方面,将每一个电动汽车充电站定义为一个电动汽车智能体(EV-A),对所有电动汽车智能体(EV-A)还可以设立一个综合管理智能体,称作是需求侧管理智能体(Demand Side Management-Agent,DSM-A)。
系统常规总负荷保持不变,分布式电源渗透率为40%,以风电站和光伏电站的形式平均接入配电系统中的12、17、21、24、25和27节点,并假设每个电站的一天的最大出力相同;电动汽车渗透率为40%,平均接入5个充电站,在混合负荷区内电动汽车以双峰负荷曲线接入13和14节点,居民负荷区内电动汽车以晚高峰的负荷曲线接入29和31节点,商业负荷区内电动汽车以早高峰的负荷曲线接入20节点,各种负荷曲线及分布式电源出力曲线请参阅图7。
分析图7可知,风电的出力主要集中在凌晨1点到6点之间,分布式电源的出力主要集中在正午12点到15点之间,假设每个电动汽车充电站对600辆充电功率恒定为3.6kW的电动汽车进行充电,其中位于商业负荷区内的电动汽车无序充电曲线在上午8点到10点达到峰荷,位于居民负荷区内的电动汽车无序充电曲线在18点到22点达到峰荷,而位于混合负荷区的电动汽车无序充电曲线在9点到13点和21点到24点两个时段达到峰荷状态,全网共设置5个充电站,全网有序充电调度电动汽车数量为3000辆。
为了研究电动汽车无序充电和有序充电两个场景下配电网的电压情况以及电动汽车有序充电控制、分布式电源参与无功调节和馈线自动补偿调压器分别参与调压这三种电压控制手段对配电网电压控制效果的差异,分别进行仿真,并绘制全网最低电压节点的全天电压情况,请参阅图8。
从仿真结果图8可以看出,当电动汽车和分布式电源的渗透率达到40%左右时,电动汽车无序充电会导致晚上19点左右在线路负荷重载时段出现电压严重越下限运行的问题,当采取电动汽车有序充电的控制策略后,最低电压从0.89抬升到0.91,但仍旧低于下限0.93;另外当采取电动汽车有序充电控制加上分布式电源参与无功调节的策略后,由于电压最低节点33节点附近没有充足的分布式电源在晚上19点左右给予支撑,使得在电动汽车有序充电的基础上加上分布式电源参与无功调节的效果不太理想,对电压最低点的抬升作用不太明显,仅在全天负荷较轻且光伏出力较大时段如8点到16点之间有电压局部抬升的作用;然而在前两种调压手段的基础上再在电压分区控制智能体中装设馈线自动补偿调压器,且将调压器输出电压目标值设置为1,经过自治调压补偿后,全网最低电压节点的电压有明显的抬升作用,且电压最低值为0.95,没有越下限运行,可见馈线自动补偿调压器的升压效果十分明显。
请参阅图9,随着调压强度不断增加,全网的网损量以及网损率都不断下降。其中,增加有序充电控制策略、分布式电源参与无功调节策略、装设馈线自动补偿调压器参与调压后全网的网损减少量分别为0.26MW、0.59MW、1.16MW,可见控制策略的改进以及调压设备的投入都能降低全网网损量,同时相比于改进控制策略而言,调压补偿设备的降损效果更佳。
请参阅图10,电动汽车有序充电调度相比于无序充电在晚上19点的削峰量接近0.35MW,削峰6.4%左右,而加上分布式电源参与无功调节和配置补偿调压器后的削峰量约为0.43MW,削峰7.9%左右,可见前者是通过柔性负荷转移实现削峰,而后者是通过柔性负荷转移及减小网损量实现削峰。另外从两条虚线可看出,电动汽车无序充电负荷从9点到13点和19点到次日1点分别转移到11点到15点和22点到次日5点,从而避开了晚上19点的普通负荷高峰,实现削峰效果。从两条实线还可看出,在12点到14点期间,在有序充电控制策略的引导下还能够提高对光伏发电的消纳,增加了在该时段的电动汽车充电功率。
由以上仿真结果可知,本申请实施例提供的电压控制方法有效提升了最低电压节点的电压,降低了网损和网损率,还起到了一定的削峰效果,提高了配电网分布式电源的消纳能力。
以上为本申请提供的一种基于多智能体的源荷协调电压控制方法的一个实施例,以下为本申请提供的一种基于多智能体的源荷协调电压控制装置的一个实施例。
为了便于理解,请参阅图3,本申请还提供了一种基于多智能体的源荷协调电压控制装置的实施例,包括:
预测曲线获取模块301,用于获取预置预测曲线,预置预测曲线包括日负荷预测曲线、分布式电源出力预测曲线和电动汽车智能体需求预测曲线;
调度优化求解模块302,用于根据第一优化约束条件求解由预置预测曲线构建的最大削峰目标函数,得到每个电动汽车智能体的理想负荷调度曲线;
有功协调控制模块303,用于根据理想负荷调度曲线实现电动汽车的充电有功调节控制;
无功协调控制模块304,用于若当前时刻存在第一节点电压低于预置下限值,则通过分布式电源智能体根据获取的总无功功率需求、分布式电源总有功出力和逆变器最大总无功出力进行自适应无功控制;
馈线自动补偿模块305,用于通过电压调节器智能体对分区中的第二节点电压进行越限监控,在第二节点电压超过预置电压范围时,执行预置馈线自动补偿策略。
进一步地,有功协调控制模块303具体用于:
根据理想负荷调度曲线和预置实际负荷曲线构建最小偏差目标函数;
根据第二优化约束条件求解最小偏差目标函数,得到最优解,实现充电有功调节控制。
进一步地,无功协调控制模块304,包括:
判断子模块3041,用于在充电有功调节控制后,获取当前时刻的实时节点电压,并判断实时节点电压中是否存在第一节点电压低于预置下限值;
获取子模块3042,用于若当前时刻存在第一节点电压低于预置下限值,则通过分布式电源智能体获取分区内的总无功功率需求和分布式电源总有功出力;
计算子模块3043,用于根据逆变器的最大无功出力计算分区内的分布式电源的逆变器最大总无功出力;
第一无功控制子模块3044,用于若总无功功率需求小于逆变器最大总无功出力,则将当前分区内的额外分布式电源无功出力作支援资源;
第二无功控制子模块3045,用于若总无功功率需求大于逆变器最大总无功出力,则在保持分布式电源总有功出力不变的情况下,以预置功率因数发出无功功率,同时发送无功功率支援请求,获取支援资源。
进一步地,馈线自动补偿模块305具体用于:
实时获取配网分区中的第二节点电压;
根据第二节点电压和预置电压范围判定节点电压是否越限,若是,则执行预置馈线自动补偿策略,预置电压范围包括预置电压上限和预置电压下限。
进一步地,预置馈线自动补偿策略为:
通过输入电压和输出电压目标值计算电压调节器的理想变比;
根据理想变比和预置实际变比进行档位调节操作,档位调节操作包括降档操作和升档操作;
对电压调节器作预置无功补偿,预置无功补偿包括容性无功补偿和感性无功补偿。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述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,在本申请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。
所述集成的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,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以通过一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文全称:Read-OnlyMemory,英文缩写:ROM)、随机存取存储器(英文全称:Random Access Memory,英文缩写:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围。
Claims (10)
1.一种基于多智能体的源荷协调电压控制方法,其特征在于,包括:
获取预置预测曲线,所述预置预测曲线包括日负荷预测曲线、分布式电源出力预测曲线和电动汽车智能体需求预测曲线;
根据第一优化约束条件求解由所述预置预测曲线构建的最大削峰目标函数,得到每个电动汽车智能体的理想负荷调度曲线;
根据所述理想负荷调度曲线实现电动汽车的充电有功调节控制;
若当前时刻存在第一节点电压低于预置下限值,则通过分布式电源智能体根据获取的总无功功率需求、分布式电源总有功出力和逆变器最大总无功出力进行自适应无功控制;
通过电压调节器智能体对分区中的第二节点电压进行越限监控,在所述第二节点电压超过预置电压范围时,执行预置馈线自动补偿策略。
2.根据权利要求1所述的基于多智能体的源荷协调电压控制方法,其特征在于,所述根据所述理想负荷调度曲线实现电动汽车的充电有功调节控制,包括:
根据所述理想负荷调度曲线和预置实际负荷曲线构建最小偏差目标函数;
根据第二优化约束条件求解所述最小偏差目标函数,得到最优解,实现充电有功调节控制。
3.根据权利要求1所述的基于多智能体的源荷协调电压控制方法,其特征在于,所述若当前时刻存在第一节点电压低于预置下限值,则通过分布式电源智能体根据获取的总无功功率需求、分布式电源总有功出力和逆变器最大总无功出力进行自适应无功控制,包括:
在充电有功调节控制后,获取当前时刻的实时节点电压,并判断所述实时节点电压中是否存在第一节点电压低于预置下限值;
若当前时刻存在所述第一节点电压低于所述预置下限值,则通过分布式电源智能体获取分区内的总无功功率需求和分布式电源总有功出力;
根据逆变器的最大无功出力计算分区内的分布式电源的逆变器最大总无功出力;
若所述总无功功率需求小于所述逆变器最大总无功出力,则将所述当前分区内的额外分布式电源无功出力作支援资源;
若所述总无功功率需求大于所述逆变器最大总无功出力,则在保持所述分布式电源总有功出力不变的情况下,以预置功率因数发出无功功率,同时发送无功功率支援请求,获取所述支援资源。
4.根据权利要求1所述的基于多智能体的源荷协调电压控制方法,其特征在于,所述通过电压调节器智能体对分区中的第二节点电压进行越限监控,在所述第二节点电压超过预置电压范围时,执行预置馈线自动补偿策略,包括:
实时获取配网分区中的第二节点电压;
根据所述第二节点电压和预置电压范围判定所述节点电压是否越限,若是,则执行预置馈线自动补偿策略,所述预置电压范围包括预置电压上限和预置电压下限。
5.根据权利要求1所述的基于多智能体的源荷协调电压控制方法,其特征在于,所述预置馈线自动补偿策略为:
通过输入电压和输出电压目标值计算电压调节器的理想变比;
根据所述理想变比和预置实际变比进行档位调节操作,所述档位调节操作包括降档操作和升档操作;
对所述电压调节器作预置无功补偿,所述预置无功补偿包括容性无功补偿和感性无功补偿。
6.一种基于多智能体的源荷协调电压控制装置,其特征在于,包括:
预测曲线获取模块,用于获取预置预测曲线,所述预置预测曲线包括日负荷预测曲线、分布式电源出力预测曲线和电动汽车智能体需求预测曲线;
调度优化求解模块,用于根据第一优化约束条件求解由所述预置预测曲线构建的最大削峰目标函数,得到每个电动汽车智能体的理想负荷调度曲线;
有功协调控制模块,用于根据所述理想负荷调度曲线实现电动汽车的充电有功调节控制;
无功协调控制模块,用于若当前时刻存在第一节点电压低于预置下限值,则通过分布式电源智能体根据获取的总无功功率需求、分布式电源总有功出力和逆变器最大总无功出力进行自适应无功控制;
馈线自动补偿模块,用于通过电压调节器智能体对分区中的第二节点电压进行越限监控,在所述第二节点电压超过预置电压范围时,执行预置馈线自动补偿策略。
7.根据权利要求6所述的基于多智能体的源荷协调电压控制装置,其特征在于,所述有功协调控制模块具体用于:
根据所述理想负荷调度曲线和预置实际负荷曲线构建最小偏差目标函数;
根据第二优化约束条件求解所述最小偏差目标函数,得到最优解,实现充电有功调节控制。
8.根据权利要求6所述的基于多智能体的源荷协调电压控制装置,其特征在于,所述无功协调控制模块,包括:
判断子模块,用于在充电有功调节控制后,获取当前时刻的实时节点电压,并判断所述实时节点电压中是否存在第一节点电压低于预置下限值;
获取子模块,用于若当前时刻存在所述第一节点电压低于所述预置下限值,则通过分布式电源智能体获取分区内的总无功功率需求和分布式电源总有功出力;
计算子模块,用于根据逆变器的最大无功出力计算分区内的分布式电源的逆变器最大总无功出力;
第一无功控制子模块,用于若所述总无功功率需求小于所述逆变器最大总无功出力,则将所述当前分区内的额外分布式电源无功出力作支援资源;
第二无功控制子模块,用于若所述总无功功率需求大于所述逆变器最大总无功出力,则在保持所述分布式电源总有功出力不变的情况下,以预置功率因数发出无功功率,同时发送无功功率支援请求,获取所述支援资源。
9.根据权利要求6所述的基于多智能体的源荷协调电压控制装置,其特征在于,所述馈线自动补偿模块具体用于:
实时获取配网分区中的第二节点电压;
根据所述第二节点电压和预置电压范围判定所述节点电压是否越限,若是,则执行预置馈线自动补偿策略,所述预置电压范围包括预置电压上限和预置电压下限。
10.根据权利要求6所述的基于多智能体的源荷协调电压控制装置,其特征在于,所述预置馈线自动补偿策略为:
通过输入电压和输出电压目标值计算电压调节器的理想变比;
根据所述理想变比和预置实际变比进行档位调节操作,所述档位调节操作包括降档操作和升档操作;
对所述电压调节器作预置无功补偿,所述预置无功补偿包括容性无功补偿和感性无功补偿。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110605733.8A CN113258581B (zh) | 2021-05-31 | 2021-05-31 | 一种基于多智能体的源荷协调电压控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110605733.8A CN113258581B (zh) | 2021-05-31 | 2021-05-31 | 一种基于多智能体的源荷协调电压控制方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113258581A true CN113258581A (zh) | 2021-08-13 |
CN113258581B CN113258581B (zh) | 2021-10-08 |
Family
ID=77185546
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110605733.8A Active CN113258581B (zh) | 2021-05-31 | 2021-05-31 | 一种基于多智能体的源荷协调电压控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113258581B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113794241A (zh) * | 2021-09-10 | 2021-12-14 | 广东电网有限责任公司 | 低压智能电网用户侧源储荷的优化调度方法及装置 |
CN114094591A (zh) * | 2021-11-18 | 2022-02-25 | 广东电网有限责任公司 | 一种自动电压控制方法、装置、计算机设备和存储介质 |
CN114285084A (zh) * | 2021-11-05 | 2022-04-05 | 国网浙江省电力有限公司嘉兴供电公司 | 一种线路源端与末端融合感知的协同控制方法 |
CN115378007A (zh) * | 2022-10-25 | 2022-11-22 | 国网安徽省电力有限公司合肥供电公司 | 一种智能化光伏储能一体化充电站的控制方法 |
WO2023093537A1 (zh) * | 2021-11-26 | 2023-06-01 | 南京邮电大学 | 高渗透率光伏接入的配电网多端协同电压治理方法、系统及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106887852A (zh) * | 2017-03-06 | 2017-06-23 | 天津大学 | 一种间歇式分布式电源就地电压无功控制策略整定方法 |
US20180041045A1 (en) * | 2012-02-28 | 2018-02-08 | Nec Corporation | Regulating device control system, regulating device control method, and recording medium |
EP3357737A1 (en) * | 2017-02-04 | 2018-08-08 | Pedro Manuel Del Rosal Cimadevilla | Electric vehicle equipped with partially removable battery modules for dual use as traction battery or energy storage for ditributed energie generation |
CN109285039A (zh) * | 2018-11-22 | 2019-01-29 | 东南大学 | 一种计及风光不确定性的电动汽车充电站电价制定方法 |
CN110504708A (zh) * | 2019-08-09 | 2019-11-26 | 国家电网有限公司 | 计及充电站和分布式电源的配电网多目标协同规划方法 |
CN111799808A (zh) * | 2020-06-23 | 2020-10-20 | 清华大学 | 一种电网无功电压分布式控制方法及系统 |
CN112018799A (zh) * | 2020-09-04 | 2020-12-01 | 广东电网有限责任公司 | 一种储能电池的运行调度方法及装置 |
-
2021
- 2021-05-31 CN CN202110605733.8A patent/CN113258581B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180041045A1 (en) * | 2012-02-28 | 2018-02-08 | Nec Corporation | Regulating device control system, regulating device control method, and recording medium |
EP3357737A1 (en) * | 2017-02-04 | 2018-08-08 | Pedro Manuel Del Rosal Cimadevilla | Electric vehicle equipped with partially removable battery modules for dual use as traction battery or energy storage for ditributed energie generation |
CN106887852A (zh) * | 2017-03-06 | 2017-06-23 | 天津大学 | 一种间歇式分布式电源就地电压无功控制策略整定方法 |
CN109285039A (zh) * | 2018-11-22 | 2019-01-29 | 东南大学 | 一种计及风光不确定性的电动汽车充电站电价制定方法 |
CN110504708A (zh) * | 2019-08-09 | 2019-11-26 | 国家电网有限公司 | 计及充电站和分布式电源的配电网多目标协同规划方法 |
CN111799808A (zh) * | 2020-06-23 | 2020-10-20 | 清华大学 | 一种电网无功电压分布式控制方法及系统 |
CN112018799A (zh) * | 2020-09-04 | 2020-12-01 | 广东电网有限责任公司 | 一种储能电池的运行调度方法及装置 |
Non-Patent Citations (1)
Title |
---|
伍俊 等: "考虑储能动态充放电效率特性的风储电站运行优化", 《电力系统自动化》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113794241A (zh) * | 2021-09-10 | 2021-12-14 | 广东电网有限责任公司 | 低压智能电网用户侧源储荷的优化调度方法及装置 |
CN113794241B (zh) * | 2021-09-10 | 2024-04-12 | 广东电网有限责任公司 | 低压智能电网用户侧源储荷的优化调度方法及装置 |
CN114285084A (zh) * | 2021-11-05 | 2022-04-05 | 国网浙江省电力有限公司嘉兴供电公司 | 一种线路源端与末端融合感知的协同控制方法 |
CN114285084B (zh) * | 2021-11-05 | 2024-07-12 | 国网浙江省电力有限公司嘉兴供电公司 | 一种线路源端与末端融合感知的协同控制方法 |
CN114094591A (zh) * | 2021-11-18 | 2022-02-25 | 广东电网有限责任公司 | 一种自动电压控制方法、装置、计算机设备和存储介质 |
WO2023093537A1 (zh) * | 2021-11-26 | 2023-06-01 | 南京邮电大学 | 高渗透率光伏接入的配电网多端协同电压治理方法、系统及存储介质 |
CN115378007A (zh) * | 2022-10-25 | 2022-11-22 | 国网安徽省电力有限公司合肥供电公司 | 一种智能化光伏储能一体化充电站的控制方法 |
CN115378007B (zh) * | 2022-10-25 | 2022-12-23 | 国网安徽省电力有限公司合肥供电公司 | 一种智能化光伏储能一体化充电站的控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113258581B (zh) | 2021-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113258581B (zh) | 一种基于多智能体的源荷协调电压控制方法及装置 | |
CN109301849B (zh) | 一种用户侧电池储能电站的能量管理组合控制策略 | |
Wang et al. | Two-stage mechanism for massive electric vehicle charging involving renewable energy | |
Wang et al. | Integrated energy exchange scheduling for multimicrogrid system with electric vehicles | |
Meng et al. | Dynamic frequency response from electric vehicles considering travelling behavior in the Great Britain power system | |
CN110112767B (zh) | 广域多形态需求侧负荷参与系统调峰的荷源优化控制方法 | |
CN109657993B (zh) | 一种基于非合作博弈的能源局域网储能系统自动需求响应方法 | |
CN110826880B (zh) | 一种大规模电动汽车接入的主动配电网优化调度方法 | |
CN110676849B (zh) | 一种孤岛微电网群能量调度模型的构建方法 | |
CN112564102B (zh) | 多微网负荷优化调度方法和系统 | |
CN107150601B (zh) | 一种基于多代理商的电动汽车有序充电方法 | |
Reddy et al. | A novel strategy for maximization of plug-In electric vehicle’s storage utilization for grid support with consideration of customer flexibility | |
CN113794244B (zh) | 含多微网主动配电系统的定价与最优能量调度方法和系统 | |
CN113783193B (zh) | 一种基于边端协同的乡村供用能系统优化调控方法及系统 | |
CN104951614A (zh) | 一种计及电动汽车充电可控性的机组组合模型及建模方法 | |
CN109149589B (zh) | 一种基于多代理机制的柔性负荷管理方法和系统 | |
CN112085327B (zh) | 一种配电商参与的主动配电网多层分区调控方法及系统 | |
Singh et al. | A real-time smart charging station for EVs designed for V2G scenario and its coordination with renewable energy sources | |
Ren et al. | Multi-objective optimal dispatching of virtual power plants considering source-load uncertainty in V2G mode | |
CN114285093A (zh) | 一种源网荷储互动调度方法及系统 | |
CN116780627B (zh) | 一种建筑园区内的微电网调控方法 | |
CN103187730B (zh) | 一种关于自动发电控制的超前控制方法 | |
CN117335461A (zh) | 基于多目标优化的电动汽车-储能协同充放电方法 | |
CN110086186B (zh) | 一种计及路灯充电桩的城市配电网电压控制方法 | |
Geng et al. | Electric vehicles as flexible loads: Algorithms to optimize aggregate behavior |
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 |