CN114142467A - 一种基于无精确建模潮流模型的配电网光伏最大接入容量测算方法 - Google Patents
一种基于无精确建模潮流模型的配电网光伏最大接入容量测算方法 Download PDFInfo
- Publication number
- CN114142467A CN114142467A CN202111449626.7A CN202111449626A CN114142467A CN 114142467 A CN114142467 A CN 114142467A CN 202111449626 A CN202111449626 A CN 202111449626A CN 114142467 A CN114142467 A CN 114142467A
- Authority
- CN
- China
- Prior art keywords
- distribution network
- power flow
- power distribution
- access capacity
- modeling
- 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
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013528 artificial neural network Methods 0.000 claims abstract description 33
- 230000002068 genetic effect Effects 0.000 claims abstract description 8
- 238000013507 mapping Methods 0.000 claims abstract description 8
- 238000005259 measurement Methods 0.000 claims abstract description 7
- 238000002347 injection Methods 0.000 claims abstract description 5
- 239000007924 injection Substances 0.000 claims abstract description 5
- 230000004913 activation Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000009471 action Effects 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 9
- 230000013011 mating Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 5
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 210000002364 input neuron Anatomy 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 2
- 239000002994 raw material Substances 0.000 claims description 2
- 230000006870 function Effects 0.000 description 23
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012552 review 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
-
- 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
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution 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
- 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
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Genetics & Genomics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于无精确建模潮流模型的配电网光伏最大接入容量计算方法。包括:首先使用高速公路神经网络拟合配电网节点注入功率与节点电压之间的映射关系,构建无精确建模的潮流模型;该模型能有效应对配电网测量设备安装不全、网架参数难以准确获取以致无法进行精确数学建模的问题。基于上述无精确建模的潮流模型,以光伏接入容量最大为目标,并考虑系统安全运行约束,建立配电网光伏接入容量测算模型。最后,采用多种群遗传算法对光伏接入容量测算模型进行求解,获得配电网最大光伏接入容量。本发明充分考虑了配电网由于网架结构及线路参数的缺失,潮流约束难以建立的问题,使用无精确建模潮流模型代替传统潮流约束;同时所用的高速公路神经网络有良好的电压拟合精度及收敛速度,从而能快速而准确的求解出配电网光伏最大接入容量。
Description
技术领域
本发明涉及能源数据处理的技术领域,尤其涉及一种基于无精确建模潮流模型的配电网光伏最大接入容量测算方法。
背景技术
随着常规能源供应形势愈加严峻,光伏发电具有灵活环保的特点,成为广泛关注的替代能源。光由于光伏出力的随机性和间歇性,光伏大规模接入对配电网的运行安全造成不利影响。因此,合理评估配电网光伏的接纳能力具有重要意义。在实际工程应用中,配电网的光伏接入容量依据最大准入容量规划,即便光伏满发并网,电网的各种安全运行约束仍能满足。
现有对光伏最大接入容量研究中,鲜有考虑网络拓扑及参数不清晰的情况。随着配电网规模扩大、结构复杂化,10kV及以下电压等级配电网因难以获取完整的结构与运行参数,无法进行精确的建模,无法进行常规意义下的潮流计算,进而给光伏最大接入容量计算带来困难。同时,配电网高级量测体系(AMI)的建设使得配电网运行中时刻都会有海量数据生成及采集入库,为使用数据驱动方法进行配电网光伏最大接入容量测算研究提供了可能。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有基于无精确建模潮流模型的配电网光伏最大接入容量测算方法存在的问题,提出了本发明。
因此,本发明目的是提供一种基于无精确建模潮流模型的配电网光伏最大接入容量测算方法。
为解决上述技术问题,本发明提供如下技术方案:。
作为本发明所述基于无精确建模潮流模型的配电网光伏最大接入容量测算方法的一种优选方案,其中:一种基于无精确建模潮流模型的配电网光伏最大接入容量测算方法,其特征在于:包括,
使用高速公路神经网络拟合配电网节点注入功率与节点电压之间的映射关系,构建无精确建模的潮流模型;
基于无精确建模潮流模型,以光伏接入容量最大为目标,并考虑系统安全运行约束,建立配电网光伏接入容量测算模型;
用多种群遗传算法对光伏接入容量测算模型进行求解,获得配电网最大光伏接入容量。
作为本发明所述基于无精确建模潮流模型的配电网光伏最大接入容量测算方法的一种优选方案,其中:上述步骤还包括,
针对配电网测量设备安装不全、网架参数难以准确获取,无法进行精确数学建模,从而配电网由于网架结构及线路参数的缺失会导致潮流约束难以建立,考虑建立无精确建模潮流模型用以重建潮流约束。
首先,对潮流方程中的变量关系进行分析,潮流方程可以用以下函数关系表示:
f(P,Q,V,θ)=0
其中,P、Q和V分别为节点的有功向量、无功向量和节点电压的幅值向量。
雅可比矩阵可逆,根据隐函数定理,存在从P、Q到V的唯一且连续可微函数:
V=g(P,Q)
搭建高速公路神经网络拟合上述函数关系,得到能够重建潮流约束的无精确建模的潮流模型。
作为本发明所述基于无精确建模潮流模型的配电网光伏最大接入容量测算方法的一种优选方案,其中:所述高速公路神经网络,由输入层、隐含层和输出层3层构成。对一个有n个节点的配电网,高速公路神经网络的输入神经元个数为2n,即:
X=[P1,…,Pn,Q1,…,Qn]
隐藏层激活函数σ(x)数学模型可以表示为:
al=σ(x)=zal-1+(1-z)h
其中,l为网络层数标记,al为输出信息,z为门控单元函数,h为隐含层输出;隐含层神经元激活函数选择relu激活函数,门控单元激活函数选择sigmoid激活函数。
输出层的输出神经元个数为z,输出层使用identity激活函数,输出数据为节点的电压,即:
Y=[V1,…,Vi,…,Vn]
基于高速公路神经网络的无精确建模潮流模型的输入为节点有功负荷和无功负荷数据,输出为节点电压数据,通过梯度下降方法优化神经网络参数,拟合输入与输出之间的映射关系。
作为本发明所述基于无精确建模潮流模型的配电网光伏最大接入容量测算方法的一种优选方案,其中:还包括如下步骤,
基于无精确建模潮流模型,以光伏接入容量最大为目标,并考虑系统安全运行约束,建立配电网光伏接入容量测算模型。
所述配电网光伏接入容量测算模型,以光伏接入容量最大为目标函数:
其中,PPV,i为节点i的光伏出力。
作为本发明所述基于无精确建模潮流模型的配电网光伏最大接入容量测算方法的一种优选方案,其中:考虑如下约束,具体包括:
潮流约束,此处潮流约束使用S1得到的无精确建模潮流模型代替传统潮流方程,
V=g(ΔP,ΔQ)
其中,ΔPi=Pi-PPV,i,ΔQi=Qi-QPV,i
节点电压偏差约束,
Vi min≤Vi≤Vi max
分布式光伏电源建设容量约束,
SPV,i≤SC,i
PPV,i=λSPV,i
式中,SC,i代表受地理、经济、政策等因素作用的节点i处允许建设的光伏电源最大容量;λ为光伏的最大效率,代表满发时光伏出力与容量的比值。
作为本发明所述基于无精确建模潮流模型的配电网光伏最大接入容量测算方法的一种优选方案,其中:基于多种群遗传算法求解光伏接入容量测算模型,具体步骤如下:
先进行编码及初始化,由分布式光伏自身出力约束0<SPV,i<SC,i和光伏容量离散精度ξ=1kW,确定光伏容量基因组二进制码长为:
然后进行潮流计算,对每个个体将其二进制基因型换算为十进制表现型,并标幺化按接入位置带入无精确建模潮流模型,计算其在对应接入位置下的节点电压。
作为本发明所述基于无精确建模潮流模型的配电网光伏最大接入容量测算方法的一种优选方案,其中:之后进行适应度计算,判断潮流计算的各节点电压是否满足电压偏差约束,判断分布式光伏电压波动约束。如果某项约束条件不满足,则设定该个体的适应度为0,如果都满足,则按动态线性标定的适应度函数进行设定其适应度值,并按一定代数将k种群中适应度最优个体引入k+1种群,最后将各种群中适应度非0的个体构成交配池。
作为本发明所述基于无精确建模潮流模型的配电网光伏最大接入容量测算方法的一种优选方案,其中:而后进行选择交叉变异动作,对各个种群交配池中个体按适应度大小形成轮盘,适应度越大个体被选择几率越大,用轮盘赌方式随机选择出父辈及母辈;按自适应交叉概率确定其交叉概率,并进行相应的交叉动作生成一个子代个体;对子代个体按自适应变异概率进行相应的变异动作生成新子代。重复上述步骤直至生成100个新子代。并将各种群中新子代最优个体引入精英种群;
直至迭代结束,判断精英种群中新子代与上代最优个体是否在一定误差范围内保持相同,如果保持相同达5代则迭代结束输出最优个体表现型,即为使总光伏接入容量最大的各个节点的光伏接入容量;否则再次转入潮流计算。
本发明的有益效果:本发明充分考虑了配电网由于网架结构及线路参数的缺失,潮流约束难以建立的问题,使用无精确建模潮流模型代替传统潮流约束;同时所用的高速公路神经网络有良好的电压拟合精度及收敛速度,从而能快速而准确的求解出配电网光伏最大接入容量。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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它的附图。其中:
图1为本发明基于无精确建模潮流模型的配电网光伏最大接入容量测算方法的流程示意图。
图2为本发明基于无精确建模潮流模型的配电网光伏最大接入容量测算方法所述的普通神经网络和高速公路神经网络隐含层神经元对比图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
实施例1
参照图1,一种基于无精确建模潮流模型的配电网光伏最大接入容量,主要包含以下步骤:
S1、使用高速公路神经网络拟合配电网节点注入功率与节点电压之间的映射关系,构建无精确建模的潮流模型;
S2、基于无精确建模潮流模型,以光伏接入容量最大为目标,并考虑系统安全运行约束,建立配电网光伏接入容量测算模型;
S3、采用多种群遗传算法对光伏接入容量测算模型进行求解,获得配电网最大光伏接入容量。
使用高速公路神经网络拟合配电网节点注入功率与节点电压之间的映射关系,构建无精确建模的潮流模型:
针对配电网测量设备安装不全、网架参数难以准确获取,无法进行精确数学建模,从而配电网由于网架结构及线路参数的缺失会导致潮流约束难以建立,考虑建立无精确建模潮流模型用以重建潮流约束。
首先,对潮流方程中的变量关系进行分析,潮流方程可以用以下函数关系表示:
f(P,Q,V,θ)=0
其中,P、Q和V分别为节点的有功向量、无功向量和节点电压的幅值向量。雅可比矩阵可逆,根据隐函数定理,存在从P、Q到V的唯一且连续可微函数:
V=g(P,Q)
搭建高速公路神经网络拟合上述函数关系,得到能够重建潮流约束的无精确建模的潮流模型。所述高速公路神经网络,由输入层、隐含层和输出层3层构成。对一个有n个节点的配电网,高速公路神经网络的输入神经元个数为2n,即:
X=[P1,…,Pn,Q1,…,Qn]
如附图2所示为普通神经网络和高速公路神经网络隐含层神经元对比图。高速神经网络隐含层添加了门控单元,门控单元允许信息沿着某些路径时可以跨层畅通无阻地流动。这种构造使得,当隐含层层数较少时,普通神经网络可以表现出非常好的性能,当隐含层数目增加时,高速公路神经网络的收敛速度明显快于普通神经网络。
隐藏层激活函数σ(x)数学模型可以表示为:
al=σ(x)=zal-1+(1-z)h
其中,l为网络层数标记,al为输出信息,z为门控单元函数,h为隐含层输出;隐含层神经元激活函数选择relu激活函数,门控单元激活函数选择sigmoid激活函数。
输出层的输出神经元个数为n,输出层使用identity激活函数,输出数据为节点的电压,即:
Y=[V1,…,Vi,…,Vn]
基于高速公路神经网络的无精确建模潮流模型的输入为节点有功负荷和无功负荷数据,输出为节点电压数据,通过梯度下降方法优化神经网络参数,拟合输入与输出之间的映射关系。高速公路神经网络模型是普通神经网络的改进模型,借鉴了长短期记忆(LSTM)循环神经网络中的“遗忘门”结构,使用自适应门控单元控制神经网络前馈网络的结构,门控单元允许信息沿着某些路径时可以跨层畅通无阻地流动,能够加快网络收敛并且提高拟合精度。
所述配电网光伏接入容量测算模型,以光伏接入容量最大为目标函数:
其中,Ppv,i为节点i的光伏出力。
并考虑如下约束,具体包括:
潮流约束,此处潮流约束使用S1得到的无精确建模潮流模型代替传统潮流方程:
V=g(ΔP,ΔQ)
其中,ΔPi=Pi-PPV,i,ΔQi=Qi-QPV,i
节点电压偏差约束:
Vi min≤Vi≤Vi max
分布式光伏电源建设容量约束:
SPV,i≤SC,i
PPV,i=λSPV,i
式中,SC,i代表受地理、经济、政策等因素作用的节点i处允许建设的光伏电源最大容量;λ为光伏的最大效率,代表满发时光伏出力与容量的比值。
所述采用多种群遗传算法对光伏接入容量测算模型进行求解,获得配电网最大光伏接入容量:
基于多种群遗传算法求解光伏接入容量测算模型,具体步骤如下。
S31:编码及初始化。由分布式光伏自身出力约束0<SPV,i<SC,i和光伏容量离散精度ξ=1kW,确定光伏容量基因组二进制码长为:
S32:潮流计算。对每个个体将其二进制基因型换算为十进制表现型,并标幺化按接入位置带入无精确建模潮流模型,计算其在对应接入位置下的节点电压。
S33:适应度计算。判断潮流计算的各节点电压是否满足电压偏差约束,判断分布式光伏电压波动约束。如果某项约束条件不满足,则设定该个体的适应度为0,如果都满足,则按动态线性标定的适应度函数进行设定其适应度值,并按一定代数将k种群中适应度最优个体引入k+1种群,最后将各种群中适应度非0的个体构成交配池。
S34:选择交叉变异动作。对各个种群交配池中个体按适应度大小形成轮盘,适应度越大个体被选择几率越大,用轮盘赌方式随机选择出父辈及母辈;按自适应交叉概率确定其交叉概率,并进行相应的交叉动作生成一个子代个体;对子代个体按自适应变异概率进行相应的变异动作生成新子代。重复上述步骤直至生成100个新子代。并将各种群中新子代最优个体引入精英种群。
种群数量和种群中个体数量大小会影响算法的优化性能,种群数量及个体数量过小寻优性能差,过大影响效率,本文设定种群数量为10,各种群中个体数为100。
S35:迭代结束。判断精英种群中新子代与上代最优个体是否在一定误差范围内保持相同,如果超出误差范围,转步骤S32;如果保持相同达5代则迭代结束输出最优个体表现型,所述最优个体表现型即为使总光伏接入容量最大的各个节点的光伏接入容量。
本发明选择最优个体保持代数判据,即如果连续几个子代精英群体中的个体结果在一定误差内,则认为结果相同寻优结束,设定连续5代相同即判定寻优结束。
重要的是,应注意,在多个不同示例性实施方案中示出的本申请的构造和布置仅是例示性的。尽管在此公开内容中仅详细描述了几个实施方案,但参阅此公开内容的人员应容易理解,在实质上不偏离该申请中所描述的主题的新颖教导和优点的前提下,许多改型是可能的(例如,各种元件的尺寸、尺度、结构、形状和比例、以及参数值(例如,温度、压力等)、安装布置、材料的使用、颜色、定向的变化等)。例如,示出为整体成形的元件可以由多个部分或元件构成,元件的位置可被倒置或以其它方式改变,并且分立元件的性质或数目或位置可被更改或改变。因此,所有这样的改型旨在被包含在本发明的范围内。可以根据替代的实施方案改变或重新排序任何过程或方法步骤的次序或顺序。在权利要求中,任何“装置加功能”的条款都旨在覆盖在本文中所描述的执行所述功能的结构,且不仅是结构等同而且还是等同结构。在不背离本发明的范围的前提下,可以在示例性实施方案的设计、运行状况和布置中做出其他替换、改型、改变和省略。因此,本发明不限制于特定的实施方案,而是扩展至仍落在所附的权利要求书的范围内的多种改型。
此外,为了提供示例性实施方案的简练描述,可以不描述实际实施方案的所有特征(即,与当前考虑的执行本发明的最佳模式不相关的那些特征,或于实现本发明不相关的那些特征)。
应理解的是,在任何实际实施方式的开发过程中,如在任何工程或设计项目中,可做出大量的具体实施方式决定。这样的开发努力可能是复杂的且耗时的,但对于那些得益于此公开内容的普通技术人员来说,不需要过多实验,所述开发努力将是一个设计、制造和生产的常规工作。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种基于无精确建模潮流模型的配电网光伏最大接入容量测算方法,其特征在于:包括,
使用高速公路神经网络拟合配电网节点注入功率与节点电压之间的映射关系,构建无精确建模的潮流模型;
基于无精确建模潮流模型,以光伏接入容量最大为目标,并考虑系统安全运行约束,建立配电网光伏接入容量测算模型;
用多种群遗传算法对光伏接入容量测算模型进行求解,获得配电网最大光伏接入容量。
2.如权利要求1所述的基于无精确建模潮流模型的配电网光伏最大接入容量测算方法,其特征在于:上述步骤还包括,
针对配电网测量设备安装不全、网架参数难以准确获取,无法进行精确数学建模,从而配电网由于网架结构及线路参数的缺失会导致潮流约束难以建立,考虑建立无精确建模潮流模型用以重建潮流约束。
首先,对潮流方程中的变量关系进行分析,潮流方程可以用以下函数关系表示:
f(P,Q,V,θ)0
其中,P、Q和V分别为节点的有功向量、无功向量和节点电压的幅值向量。
雅可比矩阵可逆,根据隐函数定理,存在从P、Q到V的唯一且连续可微函数:
V=g(P,Q)
搭建高速公路神经网络拟合上述函数关系,得到能够重建潮流约束的无精确建模的潮流模型。
3.如权利要求2所述的基于无精确建模潮流模型的配电网光伏最大接入容量测算方法,其特征在于:所述高速公路神经网络,由输入层、隐含层和输出层3层构成。对一个有n个节点的配电网,高速公路神经网络的输入神经元个数为2n,即:
X=[P1,…,Pn,Q1,…,Qn]
隐藏层激活函数σ(x)数学模型可以表示为:
al=σ(x)=zal-1+(1-z)h
其中,l为网络层数标记,al为输出信息,z为门控单元函数,h为隐含层输出;隐含层神经元激活函数选择relu激活函数,门控单元激活函数选择sigmoid激活函数。
输出层的输出神经元个数为n,输出层使用identity激活函数,输出数据为节点的电压,即:
Y=[V1,…,Vi,…,Vn]
基于高速公路神经网络的无精确建模潮流模型的输入为节点有功负荷和无功负荷数据,输出为节点电压数据,通过梯度下降方法优化神经网络参数,拟合输入与输出之间的映射关系。
5.如权利要求4所述的基于无精确建模潮流模型的配电网光伏最大接入容量测算方法,其特征在于:考虑如下约束,具体包括:
潮流约束,此处潮流约束使用S1得到的无精确建模潮流模型代替传统潮流方程,
V=g(ΔP,ΔQ)
其中,ΔPi=Pi-PPV,i,ΔQi=Qi-QPV,i
节点电压偏差约束,
Vi min≤Vi≤Vi max
分布式光伏电源建设容量约束,
SPV,i≤SC,i
PPV,i=λSPV,i
式中,SC,i代表受地理、经济、政策等因素作用的节点i处允许建设的光伏电源最大容量;λ为光伏的最大效率,代表满发时光伏出力与容量的比值。
7.如权利要求6所述的基于无精确建模潮流模型的配电网光伏最大接入容量测算方法,其特征在于:
之后进行适应度计算,判断潮流计算的各节点电压是否满足电压偏差约束,判断分布式光伏电压波动约束。如果某项约束条件不满足,则设定该个体的适应度为0,如果都满足,则按动态线性标定的适应度函数进行设定其适应度值,并按一定代数将k种群中适应度最优个体引入k+1种群,最后将各种群中适应度非0的个体构成交配池。
8.如权利要求7所述的基于无精确建模潮流模型的配电网光伏最大接入容量测算方法,其特征在于:而后进行选择交叉变异动作,对各个种群交配池中个体按适应度大小形成轮盘,适应度越大个体被选择几率越大,用轮盘赌方式随机选择出父辈及母辈;按自适应交叉概率确定其交叉概率,并进行相应的交叉动作生成一个子代个体;对子代个体按自适应变异概率进行相应的变异动作生成新子代。重复上述步骤直至生成100个新子代。并将各种群中新子代最优个体引入精英种群;
直至迭代结束,判断精英种群中新子代与上代最优个体是否在一定误差范围内保持相同,如果保持相同达5代则迭代结束输出最优个体表现型,即为使总光伏接入容量最大的各个节点的光伏接入容量;否则再次转入潮流计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111449626.7A CN114142467A (zh) | 2021-11-30 | 2021-11-30 | 一种基于无精确建模潮流模型的配电网光伏最大接入容量测算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111449626.7A CN114142467A (zh) | 2021-11-30 | 2021-11-30 | 一种基于无精确建模潮流模型的配电网光伏最大接入容量测算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114142467A true CN114142467A (zh) | 2022-03-04 |
Family
ID=80386289
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111449626.7A Pending CN114142467A (zh) | 2021-11-30 | 2021-11-30 | 一种基于无精确建模潮流模型的配电网光伏最大接入容量测算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114142467A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114825464A (zh) * | 2022-05-05 | 2022-07-29 | 国网山东省电力公司潍坊供电公司 | 基于柔性软开关的配电网光伏接入容量获取方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106532778A (zh) * | 2016-12-30 | 2017-03-22 | 国网冀北电力有限公司秦皇岛供电公司 | 一种计算分布式光伏并网最大准入容量的方法 |
CN110445167A (zh) * | 2019-06-26 | 2019-11-12 | 中国电力科学研究院有限公司 | 一种光伏接入配网的优化方法及系统 |
CN112288136A (zh) * | 2020-09-30 | 2021-01-29 | 国网河北省电力有限公司电力科学研究院 | 光伏最大准入容量计算方法、装置、终端及存储介质 |
US20210224708A1 (en) * | 2018-01-02 | 2021-07-22 | Shanghai Jiao Tong University | Real-time economic dispatch method of power system |
-
2021
- 2021-11-30 CN CN202111449626.7A patent/CN114142467A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106532778A (zh) * | 2016-12-30 | 2017-03-22 | 国网冀北电力有限公司秦皇岛供电公司 | 一种计算分布式光伏并网最大准入容量的方法 |
US20210224708A1 (en) * | 2018-01-02 | 2021-07-22 | Shanghai Jiao Tong University | Real-time economic dispatch method of power system |
CN110445167A (zh) * | 2019-06-26 | 2019-11-12 | 中国电力科学研究院有限公司 | 一种光伏接入配网的优化方法及系统 |
CN112288136A (zh) * | 2020-09-30 | 2021-01-29 | 国网河北省电力有限公司电力科学研究院 | 光伏最大准入容量计算方法、装置、终端及存储介质 |
Non-Patent Citations (2)
Title |
---|
刘科研 等: "基于多种群遗传算法的分布式光伏接入配电网规划研究", 《太阳能学报》, vol. 42, no. 06, pages 146 - 155 * |
顾洁 等: "数据驱动的无精确建模含源配电网无功运行优化", 《电力自动化设备》, vol. 41, no. 01, pages 1 - 8 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114825464A (zh) * | 2022-05-05 | 2022-07-29 | 国网山东省电力公司潍坊供电公司 | 基于柔性软开关的配电网光伏接入容量获取方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sood | Evolutionary programming based optimal power flow and its validation for deregulated power system analysis | |
Liu et al. | Chance constrained programming with fuzzy parameters | |
CN112733417B (zh) | 一种基于模型优化的异常负荷数据检测与修正方法和系统 | |
CN112488315B (zh) | 一种基于深度强化学习和遗传算法的分批调度优化方法 | |
CN105634018B (zh) | 一种基于随机响应面法和内点法的含风电随机最优潮流求解方法 | |
CN115275991A (zh) | 一种基于iemd-ta-lstm模型的主动配电网运行态势预测方法 | |
CN113139596A (zh) | 低压台区线损神经网络的优化算法 | |
CN113971517A (zh) | 一种基于ga-lm-bp神经网络的水质评价方法 | |
CN114142467A (zh) | 一种基于无精确建模潮流模型的配电网光伏最大接入容量测算方法 | |
CN115115027A (zh) | 一种基于ga-pso-bp神经网络的回转装备零部件同轴度预测方法 | |
Asokan et al. | Machine-cell grouping in cellular manufacturing systems using non-traditional optimisation techniques-A comparative study | |
CN109615142A (zh) | 一种基于小波分析的风电场风速组合预测方法 | |
CN117688887A (zh) | 一种基于知识和数据双驱动人工智能的电路设计方法 | |
CN111652413B (zh) | 基于多Agent分布式海量数据处理的工业电力负荷预测方法 | |
CN109063837A (zh) | 基于复杂网络结构熵的遗传算法信息流网络属性分析方法 | |
CN117291069A (zh) | 一种基于改进de与注意力机制的lstm污水水质预测方法 | |
Xiangping et al. | A hybrid method of GA and BP for short-term economic dispatch of hydrothermal power systems | |
CN115796327A (zh) | 一种基于vmd和iwoa-f-gru模型的风电功率区间预测方法 | |
Das Biswas et al. | Optimal operation of large power system by GA method | |
CN114462771A (zh) | 用电异常分析方法、装置、设备、介质和产品 | |
CN113902492A (zh) | 一种分时电价预测方法及系统 | |
CN114266349A (zh) | 一种基于自适应神经网络的潮流计算方法 | |
Khoo et al. | Multiple-objective optimization of machine cell layout using genetic algorithms | |
Gulsen et al. | A hierarchical genetic algorithm for system identification and curve fitting with a supercomputer implementation | |
Gu et al. | Application of multi-objective cultural algorithm in water resources optimization |
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 |