CN113991683A - 一种基于深度学习的电动汽车参与电网低电压控制方法 - Google Patents

一种基于深度学习的电动汽车参与电网低电压控制方法 Download PDF

Info

Publication number
CN113991683A
CN113991683A CN202111214976.5A CN202111214976A CN113991683A CN 113991683 A CN113991683 A CN 113991683A CN 202111214976 A CN202111214976 A CN 202111214976A CN 113991683 A CN113991683 A CN 113991683A
Authority
CN
China
Prior art keywords
electric vehicle
voltage
power grid
node
load
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
CN202111214976.5A
Other languages
English (en)
Inventor
丁梁
姚建生
王建军
施光南
茹伟
周永智
韦巍
蒋安杰
朱祥昱
张雨蓓
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.)
Shaoxing Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Shangyu Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Shaoxing Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Shangyu Power Supply Co of State Grid Zhejiang Electric Power 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 Shaoxing Power Supply Co of State Grid Zhejiang Electric Power Co Ltd, Shangyu Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical Shaoxing Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Priority to CN202111214976.5A priority Critical patent/CN113991683A/zh
Publication of CN113991683A publication Critical patent/CN113991683A/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
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • H02J3/144—Demand-response operation of the power transmission or distribution network
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
    • Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
    • Y02B70/3225—Demand response systems, e.g. load shedding, peak shaving
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems
    • 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
    • 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
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems
    • Y04S20/222—Demand response systems, e.g. load shedding, peak shaving

Abstract

本发明提供了一种基于深度学习的电动汽车参与电网低电压控制方法，具体为采集历史低电压故障数据和对应的电动汽车负荷切除方案及其电压恢复效果，计算电动汽车负荷切除方案与电压恢复效果的关系，并以此计算每个节点负荷对电压恢复效果的影响值，根据电网电压恢复的可靠性要求、电动汽车负荷切除成本、每个节点负荷对电压恢复效果的影响值和电动汽车负荷切除方案与电压恢复效果的关系建立电网优化模型，在检测到电动汽车参与电网出现低电压故障情况时，通过电网优化模型根据对应负荷减载需求获取故障处理对应的电动汽车负荷切除方案。本发明能够获取更加精准的电动汽车负荷切除方案，能够提高电网的恢复速度，提高了电网的供电可靠性。

Description

一种基于深度学习的电动汽车参与电网低电压控制方法
技术领域
本发明涉及电网控制技术领域，尤其是指一种基于深度学习的电动汽车参与电网低电压控制方法。
背景技术
电动汽车技术正处于飞速发展阶段，为了满足电动汽车的快速发展需求，充电桩的建设规模也越来越大。由于电动汽车具备“用电时间有弹性、用电行为可引导、用电规律可预测以及用电方式智能化”的特性，因此在电网运行过程中，能够通过对电动汽车负荷的调节来对电网进行优化控制。尤其在电网低电压故障控制过程中，能够通过切除电动汽车负荷的方式达到低压减载目的。但现有技术中，大多通过随机决策确定电动汽车负荷切除的位置和容量，负荷切除方案并不精确，导致电网的恢复效率不高。
发明内容
本发明的目的是克服现有技术中的缺点，提供一种基于深度学习的电动汽车参与电网低电压控制方法。
本发明的目的是通过下述技术方案予以实现：
一种基于深度学习的电动汽车参与电网低电压控制方法，包括以下步骤：
步骤一，采集电动汽车参与电网的历史低电压故障数据以及对应的电动汽车负荷切除方案，所述电动汽车负荷切除方案包括电动汽车负荷切除位置以及切除容量，同时提取电动汽车负荷切除方案对应的电压恢复效果；
步骤二，计算电动汽车负荷切除位置以及容量与电压恢复效果的关系，并根据电动汽车负荷切除位置以及容量与电压恢复效果的关系计算电动汽车参与电网每个节点负荷对电压恢复效果的影响值，根据电网电压恢复的可靠性要求、电动汽车负荷切除成本、电动汽车参与电网每个节点负荷对电压恢复效果的影响值和电动汽车负荷切除位置以及容量与电压恢复效果的关系建立电网优化模型；
步骤三，实时采集电动汽车参与电网的电力数据，根据采集到的电力数据实时检测电动汽车参与电网的低电压故障情况，在检测到电动汽车参与电网出现低电压故障情况时，提取低电压故障情况对应的负荷减载需求；
步骤四，通过电网优化模型根据负荷减载需求获取对应的电动汽车负荷切除方案，并根据对应的电动汽车负荷切除方案对低电压故障进行处理。
进一步的，步骤一中所述电动汽车负荷切除方案的电压恢复效果包括执行电动汽车负荷切除方案一定周波时间后的节点电压恢复数值以及节点电压恢复至标准电压所需时间。
进一步的，步骤二中所述电网优化模型具体为：
Figure BDA0003310426790000021
其中：min C为负荷切除后的电压恢复值，V0为标准电压参考值，Vimin为负荷切除后节点电压的最低值，α为调节因子，ai为第i个节点负荷切除容量的数值，n为节点数。
进一步的，步骤二中计算电动汽车负荷切除位置以及容量与电压恢复效果的关系的具体过程为：构建深度学习模型，提取历史电动汽车负荷切除方案以及对应的历史电压恢复效果数据，利用历史电压恢复效果、历史电动汽车负荷切除方案内的历史负荷切除位置数据以及历史负荷切除容量数据对深度学习模型进行训练，直至深度学习模型包含每个节点电压恢复效果与电动汽车负荷切除位置与容量的映射关系。
进一步的，在步骤二中根据深度网络模型通过梯度下降法求解电动汽车参与电网每个节点负荷对电压恢复效果的影响值。
进一步的，所述电动汽车参与电网每个节点负荷对电压恢复效果的影响值的表达式为：
Ki＝(△Uj)/(△Pi)
其中：j为最弱恢复节点，i为电动汽车参与电网其中一个节点，Ki为节点i对电压恢复效果的影响值，ΔUj为最弱恢复节点j在节点i的电动汽车负荷切除量变化时的电压恢复值变化量，ΔPi为电动汽车负荷切除量的变化值。
本发明的有益效果是：
采用深度学习模型对历史电动汽车负荷切除方案以及对应的历史电压恢复效果数据进行数据拟合，能够在不对配电网进行机理建模的情况下获取电动汽车负荷与电压恢复效果之间的定量关系，并能够通过电动汽车负荷与电压恢复效果之间的定量关系对每个节点负荷对于电压恢复效果的影响值进行判断，在后续确定电压切除容量以及位置时，能够在满足负荷减载需求的情况下，以更低的成本、更优的电压恢复效果完成低压减载目的。避免了负荷切除的随机性和无规律性，能够提高电网的恢复速度，切除的负荷容量也能够更加精准，提高了电网的供电可靠性。
附图说明
图1是本发明的一种流程示意图；
图2是本发明实施例的一种深度学习模型训练误差变化示意图；
图3是本发明实施例的一种最弱节点电压恢复值变化预测示意图；
图4是本发明实施例的一种故障线路A最弱节点的电压恢复BPA仿真结果示意图；
图5是本发明实施例的一种故障线路B最弱节点的电压恢复BPA仿真结果示意图；
图6是本发明实施例的一种故障线路C最弱节点的电压恢复BPA仿真结果示意图。
具体实施方式
下面结合附图和实施例对本发明进一步描述。
实施例：
一种基于深度学习的电动汽车参与电网低电压控制方法，如图1所示，包括以下步骤：
步骤一，采集电动汽车参与电网的历史低电压故障数据以及对应的电动汽车负荷切除方案，所述电动汽车负荷切除方案包括电动汽车负荷切除位置以及切除容量，同时提取电动汽车负荷切除方案对应的电压恢复效果；
步骤二，计算电动汽车负荷切除位置以及容量与电压恢复效果的关系，并根据电动汽车负荷切除位置以及容量与电压恢复效果的关系计算电动汽车参与电网每个节点负荷对电压恢复效果的影响值，根据电网电压恢复的可靠性要求、电动汽车负荷切除成本、电动汽车参与电网每个节点负荷对电压恢复效果的影响值和电动汽车负荷切除位置以及容量与电压恢复效果的关系建立电网优化模型；
步骤三，实时采集电动汽车参与电网的电力数据，根据采集到的电力数据实时检测电动汽车参与电网的低电压故障情况，在检测到电动汽车参与电网出现低电压故障情况时，提取低电压故障情况对应的负荷减载需求；
步骤四，通过电网优化模型根据负荷减载需求获取对应的电动汽车负荷切除方案，并根据对应的电动汽车负荷切除方案对低电压故障进行处理。
通过对电动汽车负荷切除方案数据以及对应电压恢复效果的分析，能够从负荷切除数据中获取不同节点对于不同故障的应对能力，如在面对相同故障情况下，每个节点在切除不同的切除容量时，所得到的电压恢复效果，从而获取每个节点负荷对于电压恢复效果的影响能力。在进行负荷切除方案制定时，通过每个节点负荷对于电压恢复效果的影响能力，能够更加精准的确定负荷切除的位置与容量。
步骤一中所述电动汽车负荷切除方案的电压恢复效果包括执行电动汽车负荷切除方案一定周波时间后的节点电压恢复数值以及节点电压恢复至标准电压所需时间。
步骤二中所述电网优化模型具体为：
Figure BDA0003310426790000051
其中：min C为负荷切除后的电压恢复值，V0为标准电压参考值，Vimin为负荷切除后节点电压的最低值，α为调节因子，ai为第i个节点负荷切除容量的数值，n为节点数。
步骤二中计算电动汽车负荷切除位置以及容量与电压恢复效果的关系的具体过程为：构建深度学习模型，提取历史电动汽车负荷切除方案以及对应的历史电压恢复效果数据，利用历史电压恢复效果、历史电动汽车负荷切除方案内的历史负荷切除位置数据以及历史负荷切除容量数据对深度学习模型进行训练，直至深度学习模型包含每个节点电压恢复效果与电动汽车负荷切除位置与容量的映射关系。
通过深度学习方法能够对历史数据进行拟合，从而在大量的随机性及轮换性的负荷切除数据中获取节点负荷与故障恢复间的关系，相较于基于该关系的传统的理论建模，深度学习模型具备快速便捷以及精度高的优点。
在深度学习过程中，深度学习的效果很大程度取决于网络超参数的选择，包括激励函数，层数，神经元个数以及损失函数等的选取。多层深度神经网络的层数与拟合的精确度往往呈现正相关的关系，但深度学习中常常由于数据量不足以及层数过深导致过拟合问题，过拟合即是一种神经网络的“记忆状态”，指神经网络的学习能力远远超过了数据量本身，此时神经网络会倾向于一种“记忆”行为而非学习，导致拟合样本时的误差很低，用于实际预测时会出现较大误差，为了减少过拟合的情况发生，采用设置有效性数据集的方法，在数据拟合过程中实时检测训练数据的“有效性”，一旦训练数据出现过拟合特征便停止训练。同时采用MSE误差函数作为损失函数对深度学习模型的参数进行估计。深度学习模型可以为卷积神经网络模型。
在步骤二中根据深度网络模型通过梯度下降法求解电动汽车参与电网每个节点负荷对电压恢复效果的影响值。
梯度下降法常用于计算函数的最小值，通过梯度下降法对深度网络模型进行分析计算，能够求出每种故障情况下负荷切除后最弱恢复节点的电压恢复效果，从而计算得到其他节点负荷对电压恢复效果的影响值。
梯度下降法为一阶最优化算法，具体是指对于可微且有定义的函数而言，从某个起始点开始，函数值下降最快的方向即梯度相反的方向，于是对于每个节点电压恢复效果与电动汽车负荷切除位置与容量的映射关系函数f(xn)，从i＝1开始，考虑以下序列：
Figure BDA0003310426790000071
则当足够的迭代次数或者是精度要求下，该序列会收敛至函数的期望极小值，从而获取最弱恢复节点。
所述电动汽车参与电网每个节点负荷对电压恢复效果的影响值的表达式为：
Ki＝(△Uj)/(△Pi)
其中：j为最弱恢复节点，i为电动汽车参与电网其中一个节点，Ki为节点i对电压恢复效果的影响值，ΔUj为最弱恢复节点j在节点i的电动汽车负荷切除量变化时的电压恢复值变化量，ΔPi为电动汽车负荷切除量的变化值。
采用中国电力科学研究院系统所PSD-BPA电力系统软件工具，包括PSD-BPA潮流程序和PSD-BPA暂态稳定程序等进行仿真验证。由于三相短路故障对于电力系统的冲击最大，引起的电压跌落等安全稳定问题最为严重，因此在仿真验证过程中采用三相永久性金属短路故障为研究对象。
取某地某年的冬季电网运行作为仿真验证中的分析对象，选择故障线路A、故障线路B和故障线路C依次添加三相短路故障，具体为在第5个周波添加三相永久性金属短路故障，并在第13个周波时将该故障线路切除，依次模拟故障发生及切除的过程。每个故障下随机选取1-3个某地区的节点，每个节点随机切除该节点下20％、40％、60％、80％和100％容量的有功负荷，记录该情况下每个节点电压的恢复数值与恢复时间。每个故障下重复20000次，共计100000个样本。某地区部分节点与其对应的有功负荷数值具体如表1所示：
表1某地区部分相关节点及其有功负荷数据表
节点 有功负荷/MW 节点 有功负荷/MW
a 82.84 g 177.0
b 389.9 h 119.9
c 12.57 i 162.8
d 304.3 j 365.2
e 200.6 k 297.9
f 470.5 l 104.6
某地区总共有83个节点，每个节点的负荷都可以进行独立的切除。取5种典型的故障，不同的故障将造成不同的影响。深度学习模型的参数初步定为输入神经元数目83，输出神经元数目1，为故障恢复时电压最低的节点电压，用以指代恢复效果，根据经验公式取隐含神经元数目20，同时通过测试样本集确定隐含层数为3层，调节系数设置为0.001，误差为MSE误差函数。原始数据包含节点的切除信息和83节点在55周波后的电压恢复情况，其中切除信息包含节点信息和切除负荷容量百分比。对全故障及其对应原始数据进行深度学习网络训练，获取的深度学习模型的误差随每次迭代的变化情况如图2所示，最终误差为2.5×10^(-3)，相对误差为4％。并在深度学习模型优化过程中将可同时动作的节点数控制在3以内。
在不同故障的优化过程中，根据三条故障线路上发生的故障严重程度对三条故障线路的最弱节点电压恢复值变化进行预测，其变化测示意图如图3所示，故障A表示故障路线A出现三相永久性金属短路故障，故障B表示故障路线B三相永久性金属短路故障，故障C表示故障路线C三相永久性金属短路故障。故障路线A是最难以恢复的故障，即使切除灵敏度最高的三个节点全部负荷，也无法恢复至电压值1.0，故在将故障恢复目标即迭代终点设定为0.95电压值，此时迭代44次，故障路线A故障便以最优梯度恢复至0.95；故障路线B故障为三种故障中最为轻的，实际只需对电压恢复效果影响值最高的节点切除1％的负荷，便可恢复至1.0以上，故该故障的迭代曲线为一水平直线，实际已经优化结束，为便于比较迭代直至50次才终止迭代；故障路线C的故障程度介于上述两者之间，很容易恢复至0.95以上却不易恢复至1.0，此时如何平衡切除容量和恢复电压数值很大程度上影响整体电网的经济型和用户体验，前期以提高电压恢复值为主要目标，遵循最优梯度寻找最佳策略，后期由于负荷的切除值提高对于整体电压恢复影响已经微乎其微，故最终趋近于减少成本而收敛。最终对于三条故障线路的负荷切除方案的实际执行效果通过BPA仿真软件进行验证。
首先给出对于三条故障线路对应发生故障的电动汽车负荷切除方案：故障路线A故障优化决策切除对应3个节点的有功负荷，预测最弱节点电压第55周波恢复值为0.9507，实际恢复值为0.9120，相对误差2.6％。决策结果选择切除b节点12％负荷，j节点6％负荷及k节点切除10％负荷，共计切除98.49MW有功负荷；故障路线B故障优化决策只需切除e节点1％的负荷，故收敛曲线为一水平直线，共计切除2MW有功负荷，预测恢复值为1.0076，实际恢复值为1.0045，相对误差为0.31％；故障节点C优化决策要求切除b节点12％，d节点12％，e节点9％的负荷，共计切除101.36MW有功负荷，预测最弱节点恢复值0.9985，实际恢复值为0.9730，相对误差4.2％。通过BPA仿真软件依次对三天故障线路对应电动汽车负荷切除方案的实际执行效果进行仿真校验，其仿真结果示意图分别如图4-6所示。
将三条故障线路对应电动汽车负荷切除方案的仿真结果与预测的电压恢复值进行比较，对比结果如表2所示：
表2三条故障线路对应电动汽车负荷切除方案仿真结果对比表
Figure BDA0003310426790000101
根据仿真结果来看，深度学习能够利用历史数据拟合出各个节点负荷切除对于电压恢复的影响力以及预测出各个节点在负荷切除之后电压55周波时的恢复情况，误差在5％以内。
同时为了验证通过电网优化模型得到的电动汽车负荷切除方案相较于传统随机负荷切除策略的有效性，相同条件下，在三条故障线路发生故障时，采用传统负荷切除策略制定负荷切除方案，即按照随机轮换负荷切除策略，随机安排对应数量的节点负荷切除。具体为故障线路A故障切除c节点80％负荷，h节点40％负荷和i节点80％负荷，共切除188.256MW有功负荷；故障线路B故障切除g节点20％负荷，共切除35.4MW有功负荷；故障线路C故障切除a节点80％负荷，f节点40％负荷和n节点60％负荷，共切除317.23MW有功负荷。重新于BPA仿真软件上对三条故障线路的随机策略进行最弱节点电压恢复仿真。
随机策略的仿真结果与通过电网优化模型得到的电动汽车负荷切除方案仿真结果对比结果如表3所示：
表3仿真结果对比结果表
Figure BDA0003310426790000111
通过对比可见，电动汽车负荷切除位置的正确选择能够有效地减少负荷的切除量，提高低电压故障情况下的故障解决效率，也能够提高负荷切除的精准度，进一步提高电网的供电可靠性。
以上所述的实施例只是本发明的一种较佳的方案，并非对本发明作任何形式上的限制，在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。

Claims (6)

1.一种基于深度学习的电动汽车参与电网低电压控制方法，其特征在于，包括以下步骤：
步骤一，采集电动汽车参与电网的历史低电压故障数据以及对应的电动汽车负荷切除方案，所述电动汽车负荷切除方案包括电动汽车负荷切除位置以及切除容量，同时提取电动汽车负荷切除方案对应的电压恢复效果；
步骤二，计算电动汽车负荷切除位置以及容量与电压恢复效果的关系，并根据电动汽车负荷切除位置以及容量与电压恢复效果的关系计算电动汽车参与电网每个节点负荷对电压恢复效果的影响值，根据电网电压恢复的可靠性要求、电动汽车负荷切除成本、电动汽车参与电网每个节点负荷对电压恢复效果的影响值和电动汽车负荷切除位置以及容量与电压恢复效果的关系建立电网优化模型；
步骤三，实时采集电动汽车参与电网的电力数据，根据采集到的电力数据实时检测电动汽车参与电网的低电压故障情况，在检测到电动汽车参与电网出现低电压故障情况时，提取低电压故障情况对应的负荷减载需求；
步骤四，通过电网优化模型根据负荷减载需求获取对应的电动汽车负荷切除方案，并根据对应的电动汽车负荷切除方案对低电压故障进行处理。
2.根据权利要求1所述的一种基于深度学习的电动汽车参与电网低电压控制方法，其特征在于，步骤一中所述电动汽车负荷切除方案的电压恢复效果包括执行电动汽车负荷切除方案一定周波时间后的节点电压恢复数值以及节点电压恢复至标准电压所需时间。
3.根据权利要求1所述的一种基于深度学习的电动汽车参与电网低电压控制方法，其特征在于，步骤二中所述电网优化模型具体为：
Figure FDA0003310426780000021
其中：min C为负荷切除后的电压恢复值，V0为标准电压参考值，Vimin为负荷切除后节点电压的最低值，α为调节因子，ai为第i个节点负荷切除容量的数值，n为节点数。
4.根据权利要求1所述的一种基于深度学习的电动汽车参与电网低电压控制方法，其特征在于，步骤二中计算电动汽车负荷切除位置以及容量与电压恢复效果的关系的具体过程为：构建深度学习模型，提取历史电动汽车负荷切除方案以及对应的历史电压恢复效果数据，利用历史电压恢复效果、历史电动汽车负荷切除方案内的历史负荷切除位置数据以及历史负荷切除容量数据对深度学习模型进行训练，直至深度学习模型包含每个节点电压恢复效果与电动汽车负荷切除位置与容量的映射关系。
5.根据权利要求4所述的一种基于深度学习的电动汽车参与电网低电压控制方法，其特征在于，在步骤二中根据深度网络模型通过梯度下降法求解电动汽车参与电网每个节点负荷对电压恢复效果的影响值。
6.根据权利要求5所述的一种基于深度学习的电动汽车参与电网低电压控制方法，其特征在于，所述电动汽车参与电网每个节点负荷对电压恢复效果的影响值的表达式为：
Ki＝(△Uj)/(△Pi)
其中：j为最弱恢复节点，i为电动汽车参与电网其中一个节点，Ki为节点i对电压恢复效果的影响值，ΔUj为最弱恢复节点j在节点i的电动汽车负荷切除量变化时的电压恢复值变化量，ΔPi为电动汽车负荷切除量的变化值。
CN202111214976.5A 2021-10-19 2021-10-19 一种基于深度学习的电动汽车参与电网低电压控制方法 Pending CN113991683A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111214976.5A CN113991683A (zh) 2021-10-19 2021-10-19 一种基于深度学习的电动汽车参与电网低电压控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111214976.5A CN113991683A (zh) 2021-10-19 2021-10-19 一种基于深度学习的电动汽车参与电网低电压控制方法

Publications (1)

Publication Number Publication Date
CN113991683A true CN113991683A (zh) 2022-01-28

Family

ID=79739337

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111214976.5A Pending CN113991683A (zh) 2021-10-19 2021-10-19 一种基于深度学习的电动汽车参与电网低电压控制方法

Country Status (1)

Country Link
CN (1) CN113991683A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106712012A (zh) * 2017-02-13 2017-05-24 南京工程学院 一种大规模电动汽车并网充放电的集中控制方法
CN111030124A (zh) * 2019-12-06 2020-04-17 国网江苏省电力有限公司苏州供电分公司 一种考虑故障电压恢复特性的电网低压减载方法和装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106712012A (zh) * 2017-02-13 2017-05-24 南京工程学院 一种大规模电动汽车并网充放电的集中控制方法
CN111030124A (zh) * 2019-12-06 2020-04-17 国网江苏省电力有限公司苏州供电分公司 一种考虑故障电压恢复特性的电网低压减载方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘茂集等: "负荷低压释放对低压减载策略的影响", 现代电力, vol. 33, no. 5, pages 74 - 79 *

Similar Documents

Publication Publication Date Title
CN109873610B (zh) 基于iv特性和深度残差网络的光伏阵列故障诊断方法
CN101251579B (zh) 一种基于支持向量机的模拟电路故障诊断方法
CN105759201B (zh) 基于异常样本识别的高压断路器自诊断方法
CN110348615B (zh) 基于蚁群优化支持向量机的电缆线路故障概率预测方法
CN103488869A (zh) 一种最小二乘支持向量机的风力发电短期负荷预测方法
CN102930344A (zh) 一种基于负荷趋势变化的超短期母线负荷预测方法
CN110570122A (zh) 一种计及风速季节特性及集电系统元件故障的海上风电场可靠性评估方法
CN110503153B (zh) 基于差分进化算法和支持向量机的光伏系统故障诊断方法
CN112421631A (zh) 一种新能源消纳能力评估方法和系统
CN111190349A (zh) 船舶机舱设备状态监测及故障诊断方法、系统及介质
CN112821424B (zh) 一种基于数据-模型融合驱动的电力系统频率响应分析方法
CN114548509A (zh) 一种多能源系统多类型负荷联合预测方法及系统
CN112632840A (zh) 基于自适应差分进化算法与elm的电网暂态稳定评估方法
CN114169254A (zh) 基于短期建筑能耗预测模型的异常能耗诊断方法及系统
CN109840335A (zh) 基于强化t-s模糊神经网络的径向锻造凹坑预测优化方法
CN109921462B (zh) 一种基于lstm的新能源消纳能力评估方法及系统
CN115526258A (zh) 基于Spearman相关系数特征提取的电力系统暂稳评估方法
CN115146718A (zh) 基于深度表示的风电机组异常检测方法
CN111062569A (zh) 一种基于bp神经网络的小电流故障判别方法
CN113449919B (zh) 一种基于特征和趋势感知的用电量预测方法及系统
CN113991683A (zh) 一种基于深度学习的电动汽车参与电网低电压控制方法
CN114372640A (zh) 一种基于波动序列分类校正的风电功率预测方法
CN103994858B (zh) 基于生物地理学智能优化支持向量机算法的动平衡检测控制方法
CN115048857A (zh) 一种基于cnn的暂稳极限传输功率的确定方法
CN114545276A (zh) 基于容量测试与车联网大数据的动力电池寿命预测方法

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