CN113364021A - 交直流系统的控制方法、装置、计算机设备和存储介质 - Google Patents

交直流系统的控制方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN113364021A
CN113364021A CN202110466926.XA CN202110466926A CN113364021A CN 113364021 A CN113364021 A CN 113364021A CN 202110466926 A CN202110466926 A CN 202110466926A CN 113364021 A CN113364021 A CN 113364021A
Authority
CN
China
Prior art keywords
objective function
value
function model
control
variable set
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110466926.XA
Other languages
English (en)
Inventor
王静
赵宇明
艾精文
刘国伟
荆龙
郝越
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.)
Shenzhen Power Supply Bureau Co Ltd
Original Assignee
Shenzhen Power Supply Bureau 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 Shenzhen Power Supply Bureau Co Ltd filed Critical Shenzhen Power Supply Bureau Co Ltd
Priority to CN202110466926.XA priority Critical patent/CN113364021A/zh
Publication of CN113364021A publication Critical patent/CN113364021A/zh
Pending legal-status Critical Current

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
    • H02J3/36—Arrangements for transfer of electric power between ac networks via a high-tension dc link
    • 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
    • H02J3/46—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
    • H02J2203/10—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]
    • 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
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/60—Arrangements for transfer of electric power between AC networks or generators via a high voltage DC link [HVCD]

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本申请涉及一种交直流系统的控制方法、装置、计算机设备和存储介质。方法包括：获取含决策变量集的目标函数模型和约束条件，决策变量集包括多个决策变量；利用粒子群算法在约束条件内对目标函数模型进行求解，以获取决策变量集的全局最优值；重复执行利用粒子群算法在约束条件内对目标函数模型进行求解步骤，以更新全局最优值，直至满足预设条件；根据满足预设条件时的全局最优值对系统中的换流站进行下垂控制和功率控制。采用本方法能够实现各个换流站快速且最优的潮流控制。

Description

交直流系统的控制方法、装置、计算机设备和存储介质
技术领域
本申请涉及电力系统技术领域，特别是涉及一种交直流系统的控制方法、装置、计算机设备和存储介质。
背景技术
多端直流输电系统一般具有3个或3个以上换流器，通过直流线路和换流站连接不同的交流电网，具备很高的灵活性，因此，在电力系统中越来越多的开始采用多端直流的供电方式。目前常用的多端直流控制系统，一般规定一个换流站为主站，负责控制直流母线的电压，其余换流站为从站，通过调度中心的控制指令实现整个系统的潮流控制。这种方式简单易行，但冗余度较低，一旦主站发生故障，整个系统便会停运。使用电压裕度、下垂等控制方式提高了系统的可靠性，但无法实现最优的潮流调度。最优潮流(Optimal Power Flow，OPF)是指当系统的结构参数和负荷情况都已给定时，调节可利用的控制变量来找到能满足所有运行的约束条件的、并使系统的某一性能指标达到最优下的潮流分布。
而目前的最优潮流的优化控制方法只给出最优功率的参考值，没有考虑由于线路阻抗、换流站的运行方式会带来换流站实际运行功率与最优参考功率出现偏差。
发明内容
基于此，有必要针对上述技术问题，提供一种能够实现各个换流站快速且最优潮流控制的交直流系统的控制方法、装置、计算机设备和存储介质。
一种交直流系统的控制方法，包括：
获取含决策变量集的目标函数模型和约束条件，决策变量集包括多个决策变量；
利用粒子群算法在约束条件内对目标函数模型进行求解，以获取决策变量集的全局最优值；
重复执行利用粒子群算法在约束条件内对目标函数模型进行求解步骤，以更新全局最优值，直至满足预设条件；
根据满足预设条件时的全局最优值对系统中的换流站进行下垂控制和功率控制。
在其中一个实施例中，决策变量，包括：有功功率参考值和无功功率参考值。
在其中一个实施例中，根据更新后的全局最优值对系统中的换流站进行下垂控制和定功率控制，包括：
根据更新后的有功功率参考值和无功功率参考值对系统中的第一换流站进行定功率控制，第一换流站的容量小于容量阈值。
在其中一个实施例中，决策变量还包括直流电压参考值和下垂系数参考值，根据更新后的决策变量对系统中的换流站进行下垂控制和定功率控制，包括：
根据更新后的有功功率参考值、直流电压参考值和下垂系数参考值对系统中的第二换流站进行下垂控制，第二换流站的容量大于容量阈值。
在其中一个实施例中，利用粒子群算法在约束条件内对目标函数模型进行求解，获取决策变量的全局最优值，包括：
对预设参数进行初始化，获取初始化参数；初始化参数包括：系统参数、粒子种群规模、最大迭代次数以及迭代次数初始值；
初始化粒子位置和速度，获取初始化粒子种群；
在约束条件内对目标函数模型进行求解，获取各粒子适应度值；
根据各粒子的适应度值获取各粒子历史最优位置和粒子种群中全局最优值。
在其中一个实施例中，直至满足预设条件，包括：
直至全局最优值在每次迭代更新后满足收敛条件。
在其中一个实施例中，直至满足预设条件，包括：
直至迭代次数满足最大迭代次数。
一种交直流系统的控制装置，包括：
采集模块，用于获取含决策变量集的目标函数模型和约束条件，决策变量集包括多个决策变量；
粒子群算法模块，用于利用粒子群算法在约束条件内对目标函数模型进行求解，以获取决策变量集的全局最优值；
判模块，用于重复执行利用粒子群算法在约束条件内对目标函数模型进行求解步骤，以更新全局最优值，直至满足预设条件；
控制模块，用于根据满足预设条件时的全局最优值对系统中的换流站进行下垂控制和功率控制。
一种计算机设备，包括：
存储器，存储器存储有计算机程序；
处理器，处理器执行计算机程序时实现上述的方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，包括：
计算机程序被处理器执行时实现上述的方法的步骤。
上述交直流系统的控制方法，通过获取含决策变量集的目标函数模型和约束条件，决策变量集包括多个决策变量；再利用粒子群算法在约束条件内对目标函数模型进行求解，以获取决策变量集的全局最优值；并重复执行利用粒子群算法在约束条件内对目标函数模型进行求解步骤，以更新全局最优值，直至满足预设条件；最后，根据满足预设条件时的全局最优值对系统中的换流站进行下垂控制和功率控制。为了克服现有功率控制方法不能满足快速且最优的潮流控制的问题，上述方法在多系统的控制架构上，通过粒子群算法在约束条件内对包括决策变量集的目标函数求解，获得决策变量集的全局最优值，系统中调度中心将产生的全局最优值通过控制通讯网络下发给各个换流站，各个换流站都设有各自的站级控制，可以根据全局最优值实现下垂控制和定功率控制，达到快速且最优的潮流控制。
附图说明
为了更清楚地说明本申请实施例或传统技术中的技术方案，下面将对实施例或传统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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为一个实施例中交直流系统的控制方法之一；
图2为一个实施例中交直流系统的控制方法之二；
图3为一个实施例中多端直流系统及控制架构示意图；
图4为一个实施例中用于最优潮流计算的交直流换流站等效电路图；
图5为一个实施例中交直流系统的控制方法之三；
图6为一个实施例中交直流系统的控制方法之四；
图7为一个实施例中交直流系统的控制方法之五；
图8为一个实施例中交直流系统的控制方法之六；
图9为一个实施例中交直流系统的控制方法之七；
图10为一个实施例中交直流系统的控制装置；
图11为一个实施例中计算机设备的内部结构图。
具体实施方式
为了便于理解本申请，下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的实施例。但是，本申请可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使本申请的公开内容更加透彻全面。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。
在其中一个实施例中，如图1所示，提供一种交直流系统的控制方法，包括步骤S100～S400。
步骤S100，获取含决策变量集的目标函数模型和约束条件，决策变量集包括多个决策变量。
其中，目标函数模型是以系统损耗最小和交流电压偏差最小为目标建立的数学模型。
步骤S200，利用粒子群算法在约束条件内对目标函数模型进行求解，以获取决策变量集的全局最优值。
其中，粒子群算法(Particle Swarm Optimization，PSO)的基本概念源于对鸟群觅食行为的研究。粒子群算法就从这种生物种群行为特性中得到启发并用于求解优化问题。
相较于传统算法，粒子群算法有更好的记忆能力，求解的优化值都被保存起来；同时，粒子群算法中粒子仅仅通过当前搜索到的最优位置进行共享信息，所以很大程度上是一种单项信息共享机制，整个搜索更新过程是跟随当前最优解的过程。大多数情况下所有粒子都会以更快的速度收敛与最优解；并且粒子群算法不需要编码，也没有交叉和变异操作，粒子只是通过内部速度更新，因此，原理更简单、参数更少、实现更容易；在应用方面，粒子群算法主要应用于连续问题，包括神经网络训练和函数优化等。
步骤S300，重复执行步骤200，利用粒子群算法在约束条件内对目标函数模型进行求解，以更新全局最优值，直至满足预设条件；
步骤S400，根据满足预设条件时的全局最优值对系统中的换流站进行下垂控制和功率控制。
通过粒子群算法计算交直流系统中最优的潮流控制具有搜索速度快、效率高，方便简单，适合于实值型处理等特点，将获取的全局最优值输出到各换流站进行下垂控制和定功率控制可以实现快速、准确的效果。
在其中一个实施例中，步骤S100，获取含决策变量集的目标函数模型和约束条件，决策变量集包括多个决策变量，包括：步骤S110，获取含决策变量集的目标函数模型和约束条件，决策变量集包括：有功功率参考值和无功功率参考值。
在其中一个实施例中，如图2所示，步骤S400，根据更新后的全局最优值对系统中的换流站进行下垂控制和定功率控制，包括步骤S410：
步骤S410，根据更新后的有功功率参考值和无功功率参考值对系统中的第一换流站进行定功率控制，第一换流站的容量小于容量阈值。
其中，如图3所示，以多端直流系统为例，共有4个交直流换流站。将容量较小的换流站1、2控制方式设定为定功率控制，多个决策变量就包括有功功率参考值和无功功率参考值，决策变量集中其余变量包括电压源型换流站状态变量、交流系统寻优变量以及直流系统寻优变量可由有功率参考值和无功功率参考值根据潮流计算和约束条件获得。
在其中一个实施例中，如图4所示，步骤S100，获取含决策变量集的目标函数模型和约束条件，决策变量集包括多个决策变量中还包括步骤S120，获取含决策变量集的目标函数模型和约束条件，决策变量集包括：有功功率参考值、直流电压参考值和下垂系数参考值，步骤S400，根据更新后的全局最优值对系统中的换流站进行下垂控制和定功率控制，包括步骤S420：
步骤S420，根据更新后的有功功率参考值、直流电压参考值和下垂系数参考值对系统中的第二换流站进行下垂控制，第二换流站的容量大于容量阈值。
其中，如图3所示，以多端直流系统为例，共有4个交直流换流站。将容量较大的换流站3、4控制方式设定为下垂控制，多个决策变量就包括有功功率参考值、直流电压参考值和下垂系数参考值，决策变量集中的其余变量包括电压源型换流站状态变量、交流系统寻优变量以及直流系统寻优变量则可由有功率参考值和无功功率参考值根据潮流计算和约束条件获得。
如图5所示，用于最优潮流计算的交直流换流站等效电路图。Ztfi表示变压器阻抗，Zci表示电抗器阻抗，Bfi表示滤波器电纳。稳态运行时，根据换流站的功能和特点，在交流侧可将其等效为电压为Uci∠δci的受控电压源，在直流侧则可将其等效为电流表示为Icdci的可控电流源，Usi∠δsi为与换流站相连的交流系统侧，亦可称之为公共连接点(Point ofCommon Coupling，PCC)处的电压；Ufi∠δfi表示与交流滤波器相连处的节点电压；Uci∠δci表示换流器输入交流侧处的节点电压；Udci为换流器在直流侧处注入的节点电压；Ssi表示换流站注入PCC节点处的功率，Ssfi表示连接滤波器节点处的功率，Qfi表示交流滤波器吸收的无功功率，Scfi为由换流器注入滤波器节点的功率，Sci表示换流器注入交流侧的功率，Pclossi表示换流器的有功损耗，Pcdci为换流器注入直流侧的有功功率。
在其中一个实施例中，如图6所示，步骤S200，利用粒子群算法在约束条件内对目标函数模型进行求解，获取决策变量的全局最优值，包括步骤S210～S240。
步骤S210，对预设参数进行初始化，获取初始化参数；初始化参数包括：系统参数、粒子种群规模、最大迭代次数以及迭代次数初始值。
其中，如图7所示，步骤S210包括步骤S211～S212。
步骤S211，输入目标函数模型，决策变量集和等式约束；
目标函数模型如下：
(1)系统损耗最小：
Figure BDA0003044498860000071
其中，Ploss表示整个交直流系统的网络损耗，PGi和Pbi分别表示系统节点i的发电机有功功率和负荷功率，nG表示所有发电机节点的集合，nb表示所有带有负荷的节点集合；Pbranch,loss表示支路上的线路损耗，包括交直流线路上的损耗，nB表示所有交流支路和直流支路的集合；Pvsc,loss表示第i个电压源型换流站的损耗，nvsc表示所有与电压源型换流站相连接的节点集合；Gk表示支路K的电导，该支路两端的电压相量分别为Ui和Uj。Ici表示为受控电压源处电流。
(2)交流电压偏差最小：
Figure BDA0003044498860000072
其中，Vde为整个系统的交流电压与其参考值之间偏差的平方和，Ui为交流网络节点i的电压，其给定参考值为Uref,i，N为交流网络节点数。
其中，决策变量集包括多个决策变量，多个决策变量可以用于通过潮流计算和约束条件获取其余交直流系统的参数，其余交直流系统的参数包括：电压源型换流站状态变量、交流系统寻优变量以及直流系统寻优变量。其中，电压源型换流站状态变量包括：θf、Uf、θc、Uc，θf和Uf为滤波器节点电压的相角向量和幅值向量，θc和Uc为换流器交流侧端口节点电压的相角向量和幅值向量；交流系统寻优变量包括：θ、U、PG、QG，θ和U为交流系统节点电压的相角向量和幅值向量，PG和QG为发电机的有功无功出力向量；直流系统寻优变量：Udc，Udc为直流节点电压向量。而潮流计算指在给定电力系统网络拓扑、元件参数和发电、负荷参量条件下，计算有功功率、无功功率及电压在电力网中的分布。
等式约束条件如下：
(1)节点注入功率平衡方程：
Figure BDA0003044498860000081
其中，PGi和QGi为节点i处所连接电源注入的有功功率和无功功率；PDi为交流节点i处所连接换流站的直流测有功功率；θij为节点i和节点j之间的相角差，Gij和Bij为节点i和节点j之间的导纳。
(2)直流电网平衡方程：
Figure BDA0003044498860000082
其中，Gdij为直流节点i和j之间的电导，ndc表示直流节点数，Udj是直流电网节点j的直流电压，Idi是流过i点的电流。其功率修正方程可以表示：
Figure BDA0003044498860000083
其中，ΔPdi表示直流功率的不平衡量；PdcLi表示与节点i相连的直流负载或直流电源的功率。
(3)下垂控制方式的约束：
Ps-Psref+Kp(Udc-Udcref)＝0
其中，Ps表示直流电网电源输出的实际功率，Psref表示直流电网电源的设定的参考功率，Kp表示直流电压和直流功率之间的下垂系数，Udc表示直流电网电源输出的实际电压，Udcref表示直流电网电源参考电压。
步骤S212，输入交直流系统的交直流混联系统参数，包括目标函数模型和等式约束中的所需的系统参数、换流站数目以及分别采取下垂控制方式和定功率控制的各换流站编号；输入粒子群算法的初始参数，包括粒子种群规模、最大迭代数以及迭代次数初始值；输入不等式约束条件。
不等式约束条件如下：
Udi,min≤Udi≤Udi,max，i∈ndc
Pimin≤Prefi≤Pimax，i∈np
Qimin≤Qsrefi≤Qimax，i∈nq
Kimin≤Ki≤Kimax，i∈nk
其中，Udi表示直流节点电压，ndc表示所有直流节点的集合，Prefi表示直流有功功率或交流有功功率参考值，np表示控制方式为有功功率的换流站的集合，Qsrefi表示无功功率参考值，nq表示控制方式为定功率的换流站的集合，Ki表示控制方式为下垂控制的换流站的下垂系数，nk表示控制方式为下垂控制的换流站的集合。
步骤S220，初始化粒子位置和速度，获取初始化粒子种群。
其中，包括随机生成决策变量集的初始值。
步骤S230，在约束条件内对目标函数模型进行求解，获取各粒子适应度值。
其中，依据粒子位置和速度，采用交替迭代法计算交直流系统的潮流，以对交直流系统数据进行迭代更新；从交流系统的潮流计算可以得到各粒子的适应度值，即优化目标函数值。在此过程中，各粒子需要记录粒子本身的个体历史最优位置，同时还需要找出整个种群的全局最优位置。
步骤S240，根据各粒子的适应度值获取各粒子历史最优位置和粒子种群中全局最优值。
其中，按照算法自身的寻优方法特点，算法将不断更新确定新粒子的位置和速度，并计算更新后的粒子适应度值，即对新形成的子种群的目标函数进行计算，同时找出下一个全局最优位置。
如上述粒子群算法从生物种群行为特性中得到启发并用于求解优化问题。其中，用一种粒子来模拟上述的鸟类个体，每个粒子可视为N维搜索空间中的一个搜索个体，粒子的当前位置即为对应优化问题的一个候选解，粒子的飞行过程即为该个体的搜索过程.粒子的飞行速度可根据粒子历史最优位置和种群历史最优位置进行动态调整.粒子仅具有两个属性：速度和位置，速度代表移动的快慢，位置代表移动的方向。每个粒子单独搜寻的最优解叫做个体极值，粒子群中最优的个体极值作为当前全局最优解。不断迭代，更新速度和位置。最终得到满足终止条件的最优解。
在其中一个实施例中，如图8所示，步骤S300，重复执行步骤S200，利用粒子群算法在约束条件内对目标函数模型进行求解步骤，以更新全局最优值，直至满足预设条件中包括：
步骤S310，重复执行步骤S200，利用粒子群算法在约束条件内对目标函数模型进行求解步骤，以更新全局最优值，直至全局最优值在每次迭代更新后满足收敛条件。
其中，求解的目标函数模型的值已经达到收敛条件，表明粒子在寻找过程中已经找到最优位置，则可以提前跳出循环，输出最优值用于控制，可以节省了大量计算资源。
在其中一个实施例中，如图9所示，步骤S300，重复执行步骤S200，利用粒子群算法在约束条件内对目标函数模型进行求解步骤，以更新全局最优值，直至满足预设条件中包括：
步骤S320，重复执行步骤S200，利用粒子群算法在约束条件内对目标函数模型进行求解步骤，以更新全局最优值，直至迭代次数满足最大迭代次数。
其中，在循环迭代中，若求解的目标函数模型值一直没有达到收敛，给定最大迭代次数可以避免计算陷入死循环，进而浪费计算资源。
应该理解的是，虽然图1-2、5-9的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-2、5-9中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在其中一个实施例中，如图10所示，提供了一种交直流系统的控制装置100，包括：采集模块110、粒子群算法模块120、判断模块130和控制模块140，其中：
采集模块110，用于获取含决策变量集的目标函数模型和约束条件，决策变量集包括多个决策变量。
粒子群算法模块120，用于利用粒子群算法在约束条件内对目标函数模型进行求解，以获取决策变量集的全局最优值。
判断模块130，用于重复执行利用粒子群算法在约束条件内对目标函数模型进行求解步骤，以更新全局最优值，直至满足预设条件。
控制模块140，用于根据满足预设条件时的全局最优值对系统中的换流站进行下垂控制和功率控制。
关于交直流系统的控制装置的具体限定可以参见上文中对于交直流系统的控制方法的限定，在此不再赘述。上述交直流系统的控制装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在其中一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种交直流系统的控制方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图11中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在其中一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤。
步骤S100，获取含决策变量集的目标函数模型和约束条件，决策变量集包括多个决策变量；
步骤200，利用粒子群算法在约束条件内对目标函数模型进行求解，以获取决策变量集的全局最优值；
步骤300，重复执行步骤200，利用粒子群算法在约束条件内对目标函数模型进行求解，以更新全局最优值，直至满足预设条件；
步骤400，根据满足预设条件时的全局最优值对系统中的换流站进行下垂控制和功率控制。
在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤。
步骤S110，获取含决策变量集的目标函数模型和约束条件，决策变量集包括：有功功率参考值和无功功率参考值。
步骤S200，利用粒子群算法在约束条件内对目标函数模型进行求解，以获取决策变量集的全局最优值；
步骤S300，重复执行步骤200，利用粒子群算法在约束条件内对目标函数模型进行求解，以更新全局最优值，直至满足预设条件；
步骤S410，根据更新后的有功功率参考值和无功功率参考值对系统中的第一换流站进行定功率控制，第一换流站的容量小于容量阈值。
在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤。
步骤S120，获取含决策变量集的目标函数模型和约束条件，决策变量集包括：有功功率参考值、直流电压参考值和下垂系数参考值；
步骤200，利用粒子群算法在约束条件内对目标函数模型进行求解，以获取决策变量集的全局最优值；
步骤300，重复执行步骤200，利用粒子群算法在约束条件内对目标函数模型进行求解，以更新全局最优值，直至满足预设条件；
步骤S420，根据更新后的有功功率参考值、直流电压参考值和下垂系数参考值对系统中的第二换流站进行下垂控制，第二换流站的容量大于容量阈值。
在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤。
步骤S100，获取含决策变量集的目标函数模型和约束条件，决策变量集包括多个决策变量；
步骤S210，对预设参数进行初始化，获取初始化参数；初始化参数包括：系统参数、粒子种群规模、最大迭代次数以及迭代次数初始值；
步骤S220，初始化粒子位置和速度，获取初始化粒子种群；
步骤S230，在约束条件内对目标函数模型进行求解，获取各粒子适应度值；
步骤S240，根据各粒子的适应度值获取各粒子历史最优位置和粒子种群中全局最优值；
步骤300，重复执行步骤200，利用粒子群算法在约束条件内对目标函数模型进行求解，以更新全局最优值，直至满足预设条件；
步骤400，根据满足预设条件时的全局最优值对系统中的换流站进行下垂控制和功率控制。
在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：
步骤S100，获取含决策变量集的目标函数模型和约束条件，决策变量集包括多个决策变量；
步骤200，利用粒子群算法在约束条件内对目标函数模型进行求解，以获取决策变量集的全局最优值；
步骤S310，重复执行步骤S200，利用粒子群算法在约束条件内对目标函数模型进行求解步骤，以更新全局最优值，直至全局最优值满足约束条件的最小界限值；
步骤400，根据满足预设条件时的全局最优值对系统中的换流站进行下垂控制和功率控制。
在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：
步骤S100，获取含决策变量集的目标函数模型和约束条件，决策变量集包括多个决策变量；
步骤200，利用粒子群算法在约束条件内对目标函数模型进行求解，以获取决策变量集的全局最优值；
步骤S320，重复执行步骤S200，利用粒子群算法在约束条件内对目标函数模型进行求解步骤，以更新全局最优值，直至迭代次数满足最大迭代次数；
步骤400，根据满足预设条件时的全局最优值对系统中的换流站进行下垂控制和功率控制。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种交直流系统的控制方法，其特征在于，包括：
获取含决策变量集的目标函数模型和约束条件，所述决策变量集包括多个决策变量；
利用粒子群算法在所述约束条件内对所述目标函数模型进行求解，以获取所述决策变量集的全局最优值；
重复执行所述利用粒子群算法在所述约束条件内对所述目标函数模型进行求解步骤，以更新所述全局最优值，直至满足预设条件；
根据满足所述预设条件时的全局最优值对所述系统中的换流站进行下垂控制和功率控制。
2.根据权利要求1所述的方法，其特征在于，所述决策变量，包括：有功功率参考值和无功功率参考值。
3.根据权利要求2所述的方法，其特征在于，所述根据更新后的所述全局最优值对所述系统中的换流站进行下垂控制和定功率控制，包括：
根据更新后的有功功率参考值和无功功率参考值对所述系统中的第一换流站进行定功率控制，所述第一换流站的容量小于容量阈值。
4.根据权利要求2或3所述的方法，其特征在于，所述决策变量还包括直流电压参考值和下垂系数参考值，所述根据更新后的所述决策变量对所述系统中的换流站进行下垂控制和定功率控制，包括：
根据更新后的有功功率参考值、直流电压参考值和下垂系数参考值对所述系统中的第二换流站进行下垂控制，所述第二换流站的容量大于容量阈值。
5.根据权利要求1所述的方法，其特征在于，所述利用粒子群算法在所述约束条件内对所述目标函数模型进行求解，获取决策变量的全局最优值，包括：
对预设参数进行初始化，获取初始化参数；所述初始化参数包括：所述系统参数、粒子种群规模、最大迭代次数以及迭代次数初始值；
初始化粒子位置和速度，获取初始化粒子种群；
在所述约束条件内对所述目标函数模型进行求解，获取各粒子适应度值；
根据各粒子的适应度值获取各粒子历史最优位置和粒子种群中全局最优值。
6.根据权利要求5所述的方法，其特征在于，所述直至满足预设条件，包括：
直至所述全局最优值在每次迭代更新后满足收敛条件。
7.根据权利要求5所述的方法，其特征在于，所述直至满足预设条件，包括：
直至所述迭代次数满足所述最大迭代次数。
8.一种交直流系统的控制装置，其特征在于，包括：
采集模块，用于获取含决策变量集的目标函数模型和约束条件，所述决策变量集包括多个决策变量；
粒子群算法模块，用于利用粒子群算法在所述约束条件内对所述目标函数模型进行求解，以获取所述决策变量集的全局最优值；
判模块，用于重复执行所述利用粒子群算法在所述约束条件内对所述目标函数模型进行求解步骤，以更新所述全局最优值，直至满足预设条件；
控制模块，用于根据满足所述预设条件时的全局最优值对所述系统中的换流站进行下垂控制和功率控制。
9.一种计算机设备，其特征在于，包括：
存储器，所述存储器存储有计算机程序；
处理器，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，包括：
所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202110466926.XA 2021-04-28 2021-04-28 交直流系统的控制方法、装置、计算机设备和存储介质 Pending CN113364021A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110466926.XA CN113364021A (zh) 2021-04-28 2021-04-28 交直流系统的控制方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110466926.XA CN113364021A (zh) 2021-04-28 2021-04-28 交直流系统的控制方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN113364021A true CN113364021A (zh) 2021-09-07

Family

ID=77525788

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110466926.XA Pending CN113364021A (zh) 2021-04-28 2021-04-28 交直流系统的控制方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN113364021A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108808715A (zh) * 2018-06-07 2018-11-13 国电南瑞科技股份有限公司 考虑直流网络故障功率的多端柔直系统静态安全分析方法
CN108988314A (zh) * 2018-06-14 2018-12-11 中国电力科学研究院有限公司 一种基于智能优化算法的电网优化控制方法及系统
CN110649646A (zh) * 2019-08-19 2020-01-03 深圳供电局有限公司 下垂控制方法、装置、计算机设备和可读存储介质
US20200343731A1 (en) * 2019-04-25 2020-10-29 King Fahd University Of Petroleum And Minerals Method for stabilizing an autonomous microgrid including an active load

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108808715A (zh) * 2018-06-07 2018-11-13 国电南瑞科技股份有限公司 考虑直流网络故障功率的多端柔直系统静态安全分析方法
CN108988314A (zh) * 2018-06-14 2018-12-11 中国电力科学研究院有限公司 一种基于智能优化算法的电网优化控制方法及系统
US20200343731A1 (en) * 2019-04-25 2020-10-29 King Fahd University Of Petroleum And Minerals Method for stabilizing an autonomous microgrid including an active load
CN110649646A (zh) * 2019-08-19 2020-01-03 深圳供电局有限公司 下垂控制方法、装置、计算机设备和可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
段旭芳: "基于最优潮流的交直流混联系统控制参数优化", 《中国优秀硕士学位论文全文数据库》, no. 1, 15 January 2020 (2020-01-15), pages 1 - 57 *

Similar Documents

Publication Publication Date Title
Dobbe et al. Toward distributed energy services: Decentralizing optimal power flow with machine learning
Azizivahed et al. Multi-objective dynamic distribution feeder reconfiguration in automated distribution systems
US10108749B2 (en) Optimizing power flows using harmony search with machine learning
Rodzin Smart dispatching and metaheuristic swarm flow algorithm
Hardiansyah et al. Solving economic load dispatch problem using particle swarm optimization technique
US20230280381A1 (en) Methods and systems for determining a linear power flow for a distribution network
Liu et al. A hybrid approach to constrained global optimization
Lopez-Garcia et al. Power flow analysis via typed graph neural networks
Azadani et al. Optimal placement of multiple STATCOM for voltage stability margin enhancement using particle swarm optimization
CN116706917A (zh) 基于快速交替方向乘子法的智慧园区协同调控方法及系统
Fu et al. The distributed economic dispatch of smart grid based on deep reinforcement learning
Pijarski et al. Methods of simulated annealing and particle swarm applied to the optimization of reactive power flow in electric power systems
Mojica-Nava et al. Distributed dispatch control in microgrids with network losses
Tiwary Inspection–Maintenance-Based Availability Optimization of Feeder Section Using Particle Swarm Optimization
Nguyen et al. Optimal placement and sizing of Static Var Compensator using Cuckoo search algorithm
CN113364021A (zh) 交直流系统的控制方法、装置、计算机设备和存储介质
Manusov et al. Firefly algorithm to opmimal distribution of reactive power compensation units
Atre et al. Hybrid EO-SCA based economic load dispatch
CN115933638A (zh) 一种多机器人协同探索方法、装置、电子设备及介质
Prasanth et al. Placement of distribution generators in IEEE 14 bus system with consumer benefit maximization
Jasmin et al. Reinforcement learning solution for unit commitment problem through pursuit method
CN113644682A (zh) 高渗透有源配电网多台区协同管控方法、装置和终端设备
Chen et al. Determination of shortest distance to voltage instability with particle swarm optimization algorithm
Ivanov et al. Metaheuristic Approaches for Distributed Generation Placement Optimization in Electrical Grids: A comparison between PSO, Tiki-Taka and Archimedes Optimzation Algorithms
CN117410990B (zh) 基于本地计算的配电网分布式能源的分散控制方法及系统

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210907