CN113364001A - 配电网中无功补偿设备的配置优化方法及终端设备 - Google Patents

配电网中无功补偿设备的配置优化方法及终端设备 Download PDF

Info

Publication number
CN113364001A
CN113364001A CN202110649526.2A CN202110649526A CN113364001A CN 113364001 A CN113364001 A CN 113364001A CN 202110649526 A CN202110649526 A CN 202110649526A CN 113364001 A CN113364001 A CN 113364001A
Authority
CN
China
Prior art keywords
node
optimal solution
current
local
power
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110649526.2A
Other languages
English (en)
Other versions
CN113364001B (zh
Inventor
胡雪凯
时珉
尹瑞
曾四鸣
王铁强
王一峰
胡鹏飞
杨少波
朱鹏程
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.)
Zhejiang University ZJU
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd
State Grid Hebei Electric Power Co Ltd
State Grid Hebei Energy Technology Service Co Ltd
Original Assignee
Zhejiang University ZJU
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd
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 Zhejiang University ZJU, State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd, State Grid Hebei Electric Power Co Ltd, State Grid Hebei Energy Technology Service Co Ltd filed Critical Zhejiang University ZJU
Priority to CN202110649526.2A priority Critical patent/CN113364001B/zh
Publication of CN113364001A publication Critical patent/CN113364001A/zh
Application granted granted Critical
Publication of CN113364001B publication Critical patent/CN113364001B/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
    • H02J3/18—Arrangements for adjusting, eliminating or compensating reactive power in networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
    • H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—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
    • 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
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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
    • 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
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/10—Flexible AC transmission systems [FACTS]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/30—Reactive power compensation

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明适用于配电网优化技术领域，提供了一种配电网中无功补偿设备的配置优化方法及终端设备，该方法包括：建立包括电压越下限工况和电压越上限工况的SVG优化模型；采用粒子群优化算法对SVG优化模型进行迭代求解，若当前最优解满足局优邻近条件，则对当前最优解进行第一邻域的禁忌搜索，并更新当前最优解；重复执行本步骤，直至达到局部迭代条件，得到当前局部最优解，并将当前局部最优解保存至禁忌表；对当前局部最优解进行第二邻域的禁忌搜索得到当前局部次优解，并重复上述迭代过程，直至达到全局最大迭代次数；从禁忌表的多个局部最优解中获取全局最优解。本申请通过上述方案能够解决配电网节点电压越上、下限的问题。

Description

配电网中无功补偿设备的配置优化方法及终端设备
技术领域
本发明属于配电网优化技术领域，尤其涉及一种配电网中无功补偿设备的配置优化方法及终端设备。
背景技术
随着环境污染和能源短缺问题愈发严重，清洁能源的大力发展已成为必然趋势。光伏发电和水力发电作为清洁能源的主要利用形式，分布式并网后改变了配电网的电源构成及运行特性。一方面，光伏电站和小水电大多位于配电网线路末端，且线路较长，节点电压在夜晚无光时或者冬季枯水期很有可能越下限；另一方面，节点电压在光照充足时或者夏季丰水期则有可能因反向潮流导致越上限。目前，含分布式清洁电源配电网的电压控制问题，已成为制约分布式光伏发电和小水电大规模发展的瓶颈之一。
发明内容
有鉴于此，本发明实施例提供了一种配电网中无功补偿设备的配置优化方法及终端设备，以解决现有技术中含分布式清洁电源配电网的节点电压越线的问题。
本发明实施例的第一方面提供了一种配电网中无功补偿设备的配置优化方法，其包括：
步骤一：以配电网各个节点在不同工况下的无功补偿容量作为变量建立SVG(Static Var Generator，静止无功发生器)优化模型；所述工况包括电压越下限工况和电压越上限工况；
步骤二：采用粒子群优化算法对所述SVG优化模型进行迭代求解，若当前最优解满足局优邻近条件，则对当前最优解进行第一邻域的禁忌搜索，并更新当前最优解；重复执行本步骤，直至达到局部迭代条件，得到当前局部最优解，并将当前局部最优解保存至禁忌表；
步骤三：对当前局部最优解进行第二邻域的禁忌搜索得到当前局部次优解，并将当前局部次优解作为当前最优解重复执行步骤二至步骤三，直至达到全局最大迭代次数；
步骤四：从所述禁忌表的多个局部最优解中获取全局最优解，以得到所述配电网中无功补偿设备的最优配置方案。
本发明实施例的第二方面提供了一种配电网中无功补偿设备的配置优化装置，其包括：
模型构建模块，用于以配电网各个节点在不同工况下的无功补偿容量作为变量建立SVG优化模型；所述工况包括电压越下限工况和电压越上限工况；
局部最优解计算模块，用于采用粒子群优化算法对所述SVG优化模型进行迭代求解，若当前最优解满足局优邻近条件，则对当前最优解进行第一邻域的禁忌搜索，并更新当前最优解；重复执行本步骤，直至达到局部迭代条件，得到当前局部最优解，并将当前局部最优解保存至禁忌表；
局部次优解计算模块，用于对当前局部最优解进行第二邻域的禁忌搜索得到当前局部次优解，并将当前局部次优解作为当前最优解重复执行步骤二至步骤三，直至达到全局最大迭代次数；
最优配置方案获取模块，用于从所述禁忌表的多个局部最优解中获取全局最优解，以得到所述配电网中无功补偿设备的最优配置方案。
本发明实施例的第三方面提供了一种终端设备，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，所述处理器执行所述计算机程序时实现如上所述配电网中无功补偿设备的配置优化方法的步骤。
本发明实施例的第四方面提供了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，所述计算机程序被处理器执行时实现如上所述配电网中无功补偿设备的配置优化方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：本实施例首先以配电网各个节点在不同工况下的无功补偿容量作为变量建立SVG优化模型；所述工况包括电压越下限工况和电压越上限工况；然后采用粒子群优化算法对所述SVG优化模型进行迭代求解，若当前最优解满足局优邻近条件，则对当前最优解进行第一邻域的禁忌搜索，并更新当前最优解；重复执行本步骤，直至达到局部迭代条件，得到当前局部最优解，并将当前局部最优解保存至禁忌表；对当前局部最优解进行第二邻域的禁忌搜索得到当前局部次优解，并将当前局部次优解作为当前最优解重复上述迭代过程，直至达到全局最大迭代次数；最后从所述禁忌表的多个局部最优解中获取全局最优解，以得到所述配电网中无功补偿设备的最优配置方案。本实施例通过上述方案能够解决配电网节点电压越上、下限的问题，并且具有更强的全局搜索能力，能够更好地避免陷入局部最优。
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配电网中无功补偿设备的配置优化方法的流程示意图；
图2是本发明实施例提供的陪电网节点示意图；
图3是本发明实施例提供的配电网中无功补偿设备的配置优化方法的整体流程示意图；
图4是本发明实施例提供的采用本实施例提供方法补偿前后的节点电压效果图；
图5是本发明实施例提供的配电网中无功补偿设备的配置优化装置的示意图；
图6是本发明实施例提供的终端设备的示意图。
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。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
在一个实施例中，如图1所示，图1示出了本实施例提供的配电网中无功补偿设备的配置优化方法的实现流程，其包括：
S101：以配电网各个节点在不同工况下的无功补偿容量作为变量建立SVG优化模型；所述工况包括电压越下限工况和电压越上限工况。
在一个实施例中，所述SVG优化模型的目标函数为：
Figure BDA0003110557840000041
其中，Ni表示所述配电网第i个节点，Qij表示节点i在工况j下的无功补偿容量；Qi表示节点i处无功补偿设备的安装容量。
在本实施例中，以无功补偿设备的安装容量最小为目标函数，即各个节点的安装容量之和最小。j表示节点所处的工况，且j∈(1,2)，其中，1可以表示节点电压越下限的情况，2可以表示节点电压越上限的情况。
所述SVG优化模型的约束条件包括：功率平衡约束、节点电压约束、节点功率约束和分布式清洁电源出力约束；
所述功率平衡约束为：
Figure BDA0003110557840000051
其中，Pi,G、Qi,G依次表示节点i的发电有功功率和发电无功功率；Pi,L、Qi,L依次表示节点i的有功功率需求和无功功率需求；Ui表示节点i的电压幅值，Uk表示节点k的电压幅值，δi,k表示节点i和节点k之间的相角差；Gi,k表示节点i和节点k之间的导纳，Bi,k表示节点i和节点k之间的电纳。
所述节点电压约束为：
Ui,min≤Ui≤Ui,max
其中，Ui表示节点i的电压，Ui,min表示节点i的最小电压限值，Ui,max表示节点i的最大电压限值。
所述节点功率约束为：
Figure BDA0003110557840000052
其中，Pi表示节点i吸收的有功功率，Pi,min表示节点i吸收的最小有功功率，、Pi,max表示节点i吸收的最大有功功率，Qi表示节点i吸收的无功功率、Qi,min表示节点i吸收的最小无功功率，Qi,max表示节点i吸收的最大无功功率。
所述分布式清洁电源出力约束为：
Figure BDA0003110557840000053
其中，SDRE表示分布式清洁电源的容量，PDRE表示分布式清洁电源的有功功率，QDRE表示分布式清洁电源的无功功率，SDRE,max表示分布式清洁电源的容量最大限值，PDRE,max表示分布式清洁电源的有功功率最大限值。
S102：采用粒子群优化算法对所述SVG优化模型进行迭代求解，若当前最优解满足局优邻近条件，则对当前最优解进行第一邻域的禁忌搜索，并更新当前最优解；重复执行本步骤，直至达到局部迭代条件，得到当前局部最优解，并将当前局部最优解保存至禁忌表。
在一个实施例中，所述SVG优化模型的变量包括节点编号和各个节点对应的无功补偿容量；在S102之前，本实施例提供的方法还包括：
将所述变量中各个节点编号转换为二进制数；
对各个节点对应的无功补偿容量采用分档公式求解分档系数，并将各个无功补偿容量对应的分档系数转换成二进制数；
基于各节点编号对应的二进制数和各无功补偿容量对应的二进制数得到所述变量对应的二进制字符串；
其中，所述分档公式为：Qij＝kΔQ(k＝0,1,2,…,kmax)；其中，k表示分档系数，ΔQ则表示SVG容量基准值，Qij表示节点i在工况j下的无功补偿容量。
在本实施例中，在通过禁忌-粒子群算法对模型进行求解之前，首先需要将变量(N1…Ni，Q11…Q1j，Q21…Q2j，…，Qi1…Qij)转化为二进制。
具体地，以配电网中两个节点需要配置、每个节点包括两种工况为例，则变量为{N1,N2,Q11,Q12,Q21,Q22}，将节点编号N1,N2转化为二进制表示为B1，B4。而对节点对应的无功补偿容量Q11,Q12,Q21,Q22首先进行分档处理，根据分档公式确定各个节点对应无功补偿容量的分档系数，然后将分档系数转化为二进制表示为B2、B3、B5、B6，从而得到六个变量映射的二进制字符串B1B2B3B4B5B6，对应了算法中粒子在空间中的位置。
在一个实施例中，图1中的S102包括：
步骤2a，将所述SVG优化模型的变量作为粒子初始化粒子群。
在本实施例中，首先初始化种群规模、迭代次数、变量幅度、学习因子、惯性权重和每个粒子的初始速度和位置，初始化配电网的线路参数。
步骤2b，针对粒子群中的每个粒子，若该粒子不满足所述SVG优化模型的约束条件，则为该粒子设置惩罚标志，并根据惩罚标志和适应度函数计算该粒子的适应度值，若该粒子满足所述SVG优化模型的约束条件，则根据适应度函数计算该粒子的适应度值。
具体地，针对粒子群中的每个粒子，首先需要将粒子对应的二进制字符串解码为节点位置和对应两种工况下的SVG容量，然后根据节点位置及两种工况下的SVG容量进行潮流计算，根据潮流计算结果确定该粒子是否符合约束条件，并对不符合约束条件的粒子设置惩罚因子。
具体地，本实施例可以将目标函数作为适应度函数计算每个粒子的适应度值，然后针对存在惩罚标志的粒子，在根据适应度函数计算得到的适应度值的基础上减去惩罚分值，得到含有惩罚标志的粒子的适应度值。
步骤2c，基于适应度值计算每个粒子的历史最优位置和所有粒子的当前全局最优位置。
步骤2d，根据每个粒子的历史最优位置和所有粒子的当前全局最优位置，更新粒子的位置和速度，并将更新后的粒子返回至步骤2b，重复执行步骤2b至步骤2d。
在本实施例中，以下提供了粒子速度和位置的更新公式，
Figure BDA0003110557840000071
其中，
Figure BDA0003110557840000072
表示第i个粒子在第k次迭代的的飞行速度，c1、c2分别表示学习因子，r1、r2分别表示[0,1]范围内均匀分布的随机数，pi,best表示第i个粒子的历史最优位置，gbest表示整个粒子群的当前全局最优位置，
Figure BDA0003110557840000073
表示第i个粒子在第k次迭代过程的位置，k表示迭代次数。w为惯性权重，在迭代过程中，自适应的线性减小w，wmax表示惯性权重最大值，wmin表示惯性权重最小值，t表示当前迭代次数，Tmax表示最大迭代次数。
在一个实施例中，S102的具体实现流程还包括：
若当前最优解与前一最优解相等的情况连续重复达到局部小搜索次数，则判定当前最优解满足局优邻近条件；
若当前最优解满足局优邻近条件，则在当前最优解的邻域进行禁忌搜索，得到当前最优解的邻域解；
若存在优于当前最优解的邻域解，则更新当前最优解。
在本实施例中，分别计算当前最优解和各个邻域解的适应度值，若存在适应度值小于当前最优解的邻域解，则采用该邻域解更新当前最优解，若不存在适应度值小于当前最优解的邻域解，则根据当前最优解进行迭代计算，直至达到局部迭代条件。
局部迭代条件包括：当前最优解与前一最优解相等的情况连续重复至最大重复次数；或当前迭代次数达到局部最大迭代次数。
具体地，最大重复次数大于局部小搜索次数，局部最大迭代次数小于全局最大迭代次数。
若当前最优解与前一最优解相等的情况连续重复达到最大重复次数，则判定陷入局部最优，此时将当前最优解存入禁忌表，并对当前最优解进行第二邻域的禁忌搜索，以获得局部次优解，作为下次粒子群优化算法的初值。
在一个实施例中，所述第一邻域的搜索步长小于所述第二邻域的搜索步长。
S103：对当前局部最优解进行第二邻域的禁忌搜索得到当前局部次优解，并将当前局部次优解作为当前最优解重复执行步骤二至步骤三，直至达到全局最大迭代次数。
S104：从所述禁忌表的多个局部最优解中获取全局最优解，以得到所述配电网中无功补偿设备的最优配置方案。
从上述实施例可知，本实施例首先以配电网各个节点在不同工况下的无功补偿容量作为变量建立SVG优化模型；所述工况包括电压越下限工况和电压越上限工况；然后采用粒子群优化算法对所述SVG优化模型进行迭代求解，若当前最优解满足局优邻近条件，则对当前最优解进行第一邻域的禁忌搜索，并更新当前最优解；重复执行本步骤，直至达到局部迭代条件，得到当前局部最优解，并将当前局部最优解保存至禁忌表；对当前局部最优解进行第二邻域的禁忌搜索得到当前局部次优解，并将当前局部次优解作为当前最优解重复上述迭代过程，直至达到全局最大迭代次数；最后从所述禁忌表的多个局部最优解中获取全局最优解，以得到所述配电网中无功补偿设备的最优配置方案。本实施例通过上述方案能够解决配电网节点电压越上、下限的问题，并且具有更强的全局搜索能力，能够更好地避免陷入局部最优。
在本实施例中，以下以一个具体的应用场景为例，对本实施例的实现流程详述如下：
具体地，如图2所示，以标准的IEEE33节点线路为例，在节点14接入最大容量为3MW的分布式清洁电源。系统的极端工作状态：1、线路负荷最大(重载参数为IEEE33节点负荷参数)，分布式清洁电源因维护或故障退出运行(有功、无功出力为零)；2、线路负荷为轻载状态(10％额定负荷)，分布式清洁电源满发(有功出力最大为3MW，无功出力为零)。在工况1存在电压越下限情况，在工况2存在电压越上限情况。
如图2所示，图2示出了本实施例提供的一种实现流程示意图，其包括：
步骤A：设置算法参数：粒子种群规模取NP＝100；学习因子取c1＝c2＝1.5；粒子最大速度vmax＝5，最小速度vmin＝-5；决策变量的维度即二进制数字个数：对于33节点系统来说，平衡节点之外共有32个节点，可用5位二进制表示；无功补偿容量不超过2MVar，最大分档系数kmax＝200，可用8位二进制表示。经验证，无论位置和容量取何值，一组SVG都无法满足该系统电压不越限的要求，因此至少需要安装两组SVG，得到维度为D＝2*(5+8+8)；惯性权重的最大值取wmax＝0.8，最小值取wmin＝0.4；对于不满足约束条件的解，设置惩罚标志；全局最大迭代次数取G＝1000；在TS-PSO算法中：局部小搜索次数G_min＝50，最大重复迭代次数M＝100。局部最大迭代次数为200；
步骤B：将粒子位置由二进制字符串解码为节点位置和对应两种工况的SVG容量，并分别跳转至步骤C和步骤D。
步骤C：根据节点位置和对应两种工况的SVG容量进行潮流计算；跳转至E；
步骤D：计算所有节点的SVG安装容量之和，跳转至G；
步骤E：根据潮流计算结果判断是否符合约束条件，若否，则跳转至F；若是则跳转至G；
步骤F：设置惩罚标志，并调整至G；
步骤G：计算各粒子的适应度值，并转至H；
步骤H：计算每个粒子的历史最优位置，并转至I；
步骤I：计算所有粒子在当前迭代过程的全局最优位置，并跳转至K；
步骤K：更新粒子速度，并将更新后的粒子速度采用sigmiod函数映射为二进制字符，跳转至L；
步骤L：更新粒子位置，跳转至M；
步骤M：判断当前迭代次数是否达到局部最大迭代次数，若是，则跳转至步骤V，若否，则跳转至步骤O；
步骤O：判断当前最优解是否与前一迭代过程的最优解相等，若相等，则跳转至步骤Q；若不相等，则跳转至步骤P；
步骤P：赋值当前最优解，并跳转至步骤Q；
步骤Q：若接收到O的跳转，则重复次数+1，若接收到P的跳转，则重复次数清零；
步骤R：当前最优解与前一最优解相等的重复次数是否达到最大重复次数，若是，则跳转至步骤V，若否，则跳转至步骤T；
步骤T：当前最优解与前一最优解相等的重复次数是否达到局部小搜索次数，若是，则跳转至U，若否，则跳转至B；
步骤U：对当前最优解进行较小的第一邻域的禁忌搜索，若存在优于当前最优解的邻域解，则更新当前最优解，并跳转至B；
步骤V：将局部最优解存入禁忌表；
步骤W：对当前局部最优解进行较大的第二邻域的禁忌搜索，得到局部次优解；
步骤X：若未达到全局最大迭代次数，则返回局部次优解至步骤B；否则跳转至步骤Z；
步骤Z：从禁忌表中搜索全局最优解。
在本实施例中，按照上述步骤进行SVG配置优化，对两种极端工况(工况1，[18,-1580；32,-640]；工况2，[18,+1590；32,+640])进行无功补偿，很好地解决了系统越上限和越下限的情况，补偿效果如图4所示。
针对线路最少需要安装两组SVG的例况(其中，工况1为电压越下限最严重的情况，工况2为电压越上限最为严重的情况；设定感性无功功率为正，而容性无功为负)。则配置情况为：工况1时，在节点N1、N2分别补偿大小为Q11、Q21的无功；工况2时，在节点N1、N2分别补偿大小为Q12、Q22的无功。Q11、Q21中的最大值即为节点N1处SVG的安装容量Q1，Q12、Q22中的最大值即为节点N2处SVG的安装容量Q2。
表1为两种极端情况下的SVG优化配置情况。
表1
Figure BDA0003110557840000111
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。
在一个实施例中，如图5所示，图5示出了本实施例提供的一种配电网中无功补偿设备的配置优化装置100的结构，包括：
模型构建模块110，用于以配电网各个节点在不同工况下的无功补偿容量作为变量建立SVG优化模型；所述工况包括电压越下限工况和电压越上限工况；
局部最优解计算模块120，用于采用粒子群优化算法对所述SVG优化模型进行迭代求解，若当前最优解满足局优邻近条件，则对当前最优解进行第一邻域的禁忌搜索，并更新当前最优解；重复执行本步骤，直至达到局部迭代条件，得到当前局部最优解，并将当前局部最优解保存至禁忌表；
局部次优解计算模块130，用于对当前局部最优解进行第二邻域的禁忌搜索得到当前局部次优解，并将当前局部次优解作为当前最优解重复执行步骤二至步骤三，直至达到全局最大迭代次数；
最优配置方案获取模块140，用于从所述禁忌表的多个局部最优解中获取全局最优解，以得到所述配电网中无功补偿设备的最优配置方案。
在一个实施例中，所述SVG优化模型的变量包括节点编号和各个节点对应的无功补偿容量，本实施例提供的装置100还包括二进制转换模块，所述二进制转换模块用于：
将所述变量中各个节点编号转换为二进制数；
对各个节点对应的无功补偿容量采用分档公式求解分档系数，并将各个无功补偿容量对应的分档系数转换成二进制数；
基于各节点编号对应的二进制数和各无功补偿容量对应的二进制数得到所述变量对应的二进制字符串；
其中，所述分档公式为：Qij＝kΔQ(k＝0,1,2,…,kmax)；其中，k表示分档系数，ΔQ则表示SVG容量基准值，Qij表示节点i在工况j下的无功补偿容量。
在一个实施例中，所述SVG优化模型的目标函数为：
Figure BDA0003110557840000121
其中，Ni表示所述配电网第i个节点，Qij表示节点i在工况j下的无功补偿容量；Qi表示节点i处无功补偿设备的安装容量；
所述SVG优化模型的约束条件包括：功率平衡约束、节点电压约束、节点功率约束和分布式清洁电源出力约束；
所述功率平衡约束为：
Figure BDA0003110557840000131
其中，Pi,G、Qi,G依次表示节点i的发电有功功率和发电无功功率；Pi,L、Qi,L依次表示节点i的有功功率需求和无功功率需求；Ui表示节点i的电压幅值，Uk表示节点k的电压幅值，δi,k表示节点i和节点k之间的相角差；Gi,k表示节点i和节点k之间的导纳，Bi,k表示节点i和节点k之间的电纳；
所述节点电压约束为：
Ui,min≤Ui≤Ui,max
其中，Ui表示节点i的电压，Ui,min表示节点i的最小电压限值，Ui,max表示节点i的最大电压限值；
所述节点功率约束为：
Figure BDA0003110557840000132
其中，Pi表示节点i吸收的有功功率，Pi,min表示节点i吸收的最小有功功率，、Pi,max表示节点i吸收的最大有功功率，Qi表示节点i吸收的无功功率、Qi,min表示节点i吸收的最小无功功率，Qi,max表示节点i吸收的最大无功功率；
所述分布式清洁电源出力约束为：
Figure BDA0003110557840000133
其中，SDRE表示分布式清洁电源的容量，PDRE表示分布式清洁电源的有功功率，QDRE表示分布式清洁电源的无功功率，SDRE,max表示分布式清洁电源的容量最大限值，PDRE,max表示分布式清洁电源的有功功率最大限值。
在一个实施例中，局部最优解计算模块120具体用于：
步骤2a，将所述SVG优化模型的变量作为粒子初始化粒子群；
步骤2b，针对粒子群中的每个粒子，若该粒子不满足所述SVG优化模型的约束条件，则为该粒子设置惩罚标志，并根据惩罚标志和适应度函数计算该粒子的适应度值，若该粒子满足所述SVG优化模型的约束条件，则根据适应度函数计算该粒子的适应度值；
步骤2c，基于适应度值计算每个粒子的历史最优位置和所有粒子的当前全局最优位置；
步骤2d，根据每个粒子的历史最优位置和所有粒子的当前全局最优位置，更新粒子的位置和速度，并将更新后的粒子返回至步骤2b，重复执行步骤2b至步骤2d。
在一个实施例中，局部最优解计算模块120还用于：
若当前最优解与前一最优解相等的情况连续重复达到局部小搜索次数，则判定当前最优解满足局优邻近条件；
若当前最优解满足局优邻近条件，则在当前最优解的邻域进行禁忌搜索，得到当前最优解的邻域解；
若存在优于当前最优解的邻域解，则更新当前最优解。
在一个实施例中，所述第一邻域的搜索步长小于所述第二邻域的搜索步长。
图6是本发明一实施例提供的终端设备的示意图。如图6所示，该实施例的终端设备6包括：处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62。所述处理器60执行所述计算机程序62时实现上述各个配电网中无功补偿设备的配置优化方法实施例中的步骤，例如图1所示的步骤101至104。或者，所述处理器60执行所述计算机程序62时实现上述各装置实施例中各模块/单元的功能，例如图5所示模块110至140的功能。
所述计算机程序62可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器61中，并由所述处理器60执行，以完成本发明。所述一个或多个模块/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，该指令段用于描述所述计算机程序62在所述终端设备6中的执行过程。
所述终端设备6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。所述终端设备可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图6仅仅是终端设备6的示例，并不构成对终端设备6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，例如所述终端设备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60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。
所述存储器61可以是所述终端设备6的内部存储单元，例如终端设备6的硬盘或内存。所述存储器61也可以是所述终端设备6的外部存储设备，例如所述终端设备6上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器61还可以既包括所述终端设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器61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，即将所述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/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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。
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。
所述集成的模块/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，所述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，所述计算机程序包括计算机程序代码，所述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。所述计算机可读介质可以包括：能够携带所述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，所述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电载波信号和电信信号。
以上所述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)

1.一种配电网中无功补偿设备的配置优化方法，其特征在于，包括：步骤一：以配电网各个节点在不同工况下的无功补偿容量作为变量建立SVG优化模型；所述工况包括电压越下限工况和电压越上限工况；步骤二：采用粒子群优化算法对所述SVG优化模型进行迭代求解，若当前最优解满足局优邻近条件，则对当前最优解进行第一邻域的禁忌搜索，并更新当前最优解；重复执行本步骤，直至达到局部迭代条件，得到当前局部最优解，并将当前局部最优解保存至禁忌表；步骤三：对当前局部最优解进行第二邻域的禁忌搜索得到当前局部次优解，并将当前局部次优解作为当前最优解重复执行步骤二至步骤三，直至达到全局最大迭代次数；步骤四：从所述禁忌表的多个局部最优解中获取全局最优解，以得到所述配电网中无功补偿设备的最优配置方案。
2.如权利要求1所述的配电网中无功补偿设备的配置优化方法，其特征在于，所述SVG优化模型的目标函数为：
Figure FDA0003110557830000011
其中，Ni表示所述配电网第i个节点，Qij表示节点i在工况j下的无功补偿容量；Qi表示节点i处无功补偿设备的安装容量；
所述SVG优化模型的约束条件包括：功率平衡约束、节点电压约束、节点功率约束和分布式清洁电源出力约束；
所述功率平衡约束为：
Figure FDA0003110557830000012
其中，Pi,G、Qi,G依次表示节点i的发电有功功率和发电无功功率；Pi,L、Qi,L依次表示节点i的有功功率需求和无功功率需求；Ui表示节点i的电压幅值，Uk表示节点k的电压幅值，δi,k表示节点i和节点k之间的相角差；Gi,k表示节点i和节点k之间的导纳，Bi,k表示节点i和节点k之间的电纳；
所述节点电压约束为：
Ui,min≤Ui≤Ui,max
其中，Ui表示节点i的电压，Ui,min表示节点i的最小电压限值，Ui,max表示节点i的最大电压限值；
所述节点功率约束为：
Figure FDA0003110557830000021
其中，Pi表示节点i吸收的有功功率，Pi,min表示节点i吸收的最小有功功率，、Pi,max表示节点i吸收的最大有功功率，Qi表示节点i吸收的无功功率、Qi,min表示节点i吸收的最小无功功率，Qi,max表示节点i吸收的最大无功功率；
所述分布式清洁电源出力约束为：
Figure FDA0003110557830000022
其中，SDRE表示分布式清洁电源的容量，PDRE表示分布式清洁电源的有功功率，QDRE表示分布式清洁电源的无功功率，SDRE,max表示分布式清洁电源的容量最大限值，PDRE,max表示分布式清洁电源的有功功率最大限值。
3.如权利要求1所述的配电网中无功补偿设备的配置优化方法，其特征在于，所述SVG优化模型的变量包括节点编号和各个节点对应的无功补偿容量；在所述采用粒子群优化算法对所述SVG优化模型进行迭代求解之前，所述方法还包括：
将所述变量中各个节点编号转换为二进制数；
对各个节点对应的无功补偿容量采用分档公式求解分档系数，并将各个无功补偿容量对应的分档系数转换成二进制数；
基于各节点编号对应的二进制数和各无功补偿容量对应的二进制数得到所述变量对应的二进制字符串；
其中，所述分档公式为：Qij＝kΔQ(k＝0,1,2,…,kmax)；其中，k表示分档系数，ΔQ则表示SVG容量基准值，Qij表示节点i在工况j下的无功补偿容量。
4.如权利要求2所述的配电网中无功补偿设备的配置优化方法，其特征在于，所述采用粒子群优化算法对所述SVG优化模型进行迭代求解，包括：
步骤2a，将所述SVG优化模型的变量作为粒子初始化粒子群；
步骤2b，针对粒子群中的每个粒子，若该粒子不满足所述SVG优化模型的约束条件，则为该粒子设置惩罚标志，并根据惩罚标志和适应度函数计算该粒子的适应度值，若该粒子满足所述SVG优化模型的约束条件，则根据适应度函数计算该粒子的适应度值；
步骤2c，基于适应度值计算每个粒子的历史最优位置和所有粒子的当前全局最优位置；
步骤2d，根据每个粒子的历史最优位置和所有粒子的当前全局最优位置，更新粒子的位置和速度，并将更新后的粒子返回至步骤2b，重复执行步骤2b至步骤2d。
5.如权利要求1所述的配电网中无功补偿设备的配置优化方法，其特征在于，所述若当前最优解满足局优邻近条件，则对当前最优解进行第一邻域的禁忌搜索，并更新当前最优解，包括：
若当前最优解与前一最优解相等的情况连续重复达到局部小搜索次数，则判定当前最优解满足局优邻近条件；
若当前最优解满足局优邻近条件，则在当前最优解的邻域进行禁忌搜索，得到当前最优解的邻域解；
若存在优于当前最优解的邻域解，则更新当前最优解。
6.如权利要求1所述的配电网中无功补偿设备的配置优化方法，其特征在于，所述第一邻域的搜索步长小于所述第二邻域的搜索步长。
7.一种配电网中无功补偿设备的配置优化装置，其特征在于，包括：
模型构建模块，用于以配电网各个节点在不同工况下的无功补偿容量作为变量建立SVG优化模型；所述工况包括电压越下限工况和电压越上限工况；
局部最优解计算模块，用于采用粒子群优化算法对所述SVG优化模型进行迭代求解，若当前最优解满足局优邻近条件，则对当前最优解进行第一邻域的禁忌搜索，并更新当前最优解；重复执行本步骤，直至达到局部迭代条件，得到当前局部最优解，并将当前局部最优解保存至禁忌表；
局部次优解计算模块，用于对当前局部最优解进行第二邻域的禁忌搜索得到当前局部次优解，并将当前局部次优解作为当前最优解重复执行步骤二至步骤三，直至达到全局最大迭代次数；
最优配置方案获取模块，用于从所述禁忌表的多个局部最优解中获取全局最优解，以得到所述配电网中无功补偿设备的最优配置方案。
8.如权利要求7所述的配电网中无功补偿设备的配置优化装置，其特征在于，所述SVG优化模型的变量包括节点编号和各个节点对应的无功补偿容量，所述装置还包括二进制转换模块，所述二进制转换模块用于：
将所述变量中各个节点编号转换为二进制数；
对各个节点对应的无功补偿容量采用分档公式求解分档系数，并将各个无功补偿容量对应的分档系数转换成二进制数；
基于各节点编号对应的二进制数和各无功补偿容量对应的二进制数得到所述变量对应的二进制字符串；
其中，所述分档公式为：Qij＝kΔQ(k＝0,1,2,…,kmax)；其中，k表示分档系数，ΔQ则表示SVG容量基准值，Qij表示节点i在工况j下的无功补偿容量。
9.一种终端设备，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权利要求1至6任一项所述方法的步骤。
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权利要求1至6任一项所述方法的步骤。
CN202110649526.2A 2021-06-10 2021-06-10 配电网中无功补偿设备的配置优化方法及终端设备 Active CN113364001B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110649526.2A CN113364001B (zh) 2021-06-10 2021-06-10 配电网中无功补偿设备的配置优化方法及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110649526.2A CN113364001B (zh) 2021-06-10 2021-06-10 配电网中无功补偿设备的配置优化方法及终端设备

Publications (2)

Publication Number Publication Date
CN113364001A true CN113364001A (zh) 2021-09-07
CN113364001B CN113364001B (zh) 2023-01-24

Family

ID=77533625

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110649526.2A Active CN113364001B (zh) 2021-06-10 2021-06-10 配电网中无功补偿设备的配置优化方法及终端设备

Country Status (1)

Country Link
CN (1) CN113364001B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014201849A1 (zh) * 2013-06-18 2014-12-24 国网辽宁省电力有限公司电力科学研究院 配有储能电站的分散式风电场有功优化调控方法
CN104682405A (zh) * 2015-03-31 2015-06-03 福州大学 一种基于禁忌粒子群算法的配电网无功优化方法
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
CN111932012A (zh) * 2020-08-12 2020-11-13 国网黑龙江省电力有限公司哈尔滨供电公司 储能系统-分布式电源-电容器综合控制无功优化方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014201849A1 (zh) * 2013-06-18 2014-12-24 国网辽宁省电力有限公司电力科学研究院 配有储能电站的分散式风电场有功优化调控方法
CN104682405A (zh) * 2015-03-31 2015-06-03 福州大学 一种基于禁忌粒子群算法的配电网无功优化方法
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
CN111932012A (zh) * 2020-08-12 2020-11-13 国网黑龙江省电力有限公司哈尔滨供电公司 储能系统-分布式电源-电容器综合控制无功优化方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
冀荣华 等: "多维正态分布分段禁忌优化算法的参数优化", 《计算机工程与应用》 *
卓煜: "基于灵敏度的主动配电网无功电压控制策略", 《中国优秀硕士论文全文数据库 工程科技Ⅱ辑》 *
曾令全 等: "禁忌-搜索-粒子群算法在无功优化中的应用", 《电网技术》 *
李晓利 等: "用于配电网多目标无功优化的改进粒子群优化算法", 《电力自动化设备》 *

Also Published As

Publication number Publication date
CN113364001B (zh) 2023-01-24

Similar Documents

Publication Publication Date Title
CN108429256B (zh) 电力系统运行优化方法及终端设备
CN109508499A (zh) 多时段多场景分布式电源最优接入位置与容量研究方法
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
Mahdavi et al. Transmission expansion planning considering power losses, expansion of substations and uncertainty in fuel price using discrete artificial bee colony algorithm
CN112054519B (zh) 一种配电网低电压优化治理方法、系统及设备
CN112803434A (zh) 有源配电网的无功优化方法、装置、设备和存储介质
CN115498623A (zh) 多微电网的储能配置优化方法、装置、设备及存储介质
CN111864742B (zh) 一种主动配电系统扩展规划方法、装置及终端设备
CN113112099A (zh) 电网日电量预测模型训练方法和电网日电量预测方法
CN114977172A (zh) 电网碳能混合流优化方法、装置、终端及存储介质
CN115841187A (zh) 柔性配电网运行策略的优化方法、装置、设备及存储介质
CN113364001B (zh) 配电网中无功补偿设备的配置优化方法及终端设备
Chen et al. Optimized Configuration of Location and Size for DGs and SCs in Radial Distributed Networks Based on Improved Butterfly Algorithm.
CN104993503A (zh) 一种孤岛微电网频率控制方法
CN113437749B (zh) 电力系统无功优化方法、装置及设备
CN107425519B (zh) 含分布式电源的三相配电网最大供电能力计算方法
CN115514001A (zh) 一种配电网光伏接纳能力计算方法、装置、设备及介质
CN115313519A (zh) 一种配电网储能优化配置方法、装置、设备及存储介质
Ghosh et al. Optimal sizing and placement of DG units in radial distribution system using cuckoo search algorithm
CN110707702B (zh) 考虑可再生能源不确定性的最优潮流计算方法和装置
CN114329317A (zh) 基于混合发电机组的输出功率调度方法、装置及终端
CN114092276A (zh) 台区短期负荷的预测方法
CN113361805A (zh) 一种配电网规划方法及系统
CN113381417A (zh) 一种配电网台区三相负荷不平衡优化方法、装置及终端
CN116599067B (zh) 一种微电网电能质量全局优化方法

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