CN114362263A - 配电网光伏功率的控制方法、装置、计算机设备 - Google Patents
配电网光伏功率的控制方法、装置、计算机设备 Download PDFInfo
- Publication number
- CN114362263A CN114362263A CN202111478827.XA CN202111478827A CN114362263A CN 114362263 A CN114362263 A CN 114362263A CN 202111478827 A CN202111478827 A CN 202111478827A CN 114362263 A CN114362263 A CN 114362263A
- Authority
- CN
- China
- Prior art keywords
- node
- active power
- individual
- target
- 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
Links
Images
Classifications
-
- 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
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及一种配电网光伏功率的控制方法、装置、计算机设备、存储介质和计算机程序产品。方法包括:若在当前控制周期内至少一个节点的电压超出安全范围,则基于各光伏有功功率确定有功功率削减量函数。获取与安全范围对应的惩罚函数;其中,惩罚函数包括若节点的电压不在安全范围内,则惩罚函数的值为第一常数,若节点的电压未超过安全范围,则惩罚函数的值为零。基于有功功率削减量函数和惩罚函数确定目标函数,并基于目标函数,通过遗传算法,确定各目标无功功率和目标有功功率削减量。根据目标无功功率和目标有功功率削减量,生成光伏功率控制指令,并发送至各个光伏逆变器。这样,大大提高了对配电网光伏功率控制的效率。
Description
技术领域
本申请涉及配电网控制技术领域,特别是涉及一种配电网光伏功率的控制方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着光伏发电技术的发展,光伏常常作为高比例的新能源,被大规模的接入配电网中。其中,越来越多的分布式光伏发电系统接入配电网,使得配电网出现电压越限的问题。
在传统技术中,常常通过权重赋值的方法构建多目标函数,并基于该多目标函数实现对配电网各个节点功率的配置,以解决配电网出现的电压越限问题。
然而,在通过权重赋值确定多目标函数权重的过程中,常常会受到主观因素的影响,即,难以迅速确定多目标的权重,导致了各个节点功率配置的速度大大降低,存在对配电网光伏功率控制的效率低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种配电网光伏功率的控制方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种配电网光伏功率的控制方法。所述方法包括:
获取在当前控制周期内对配电网进行采集得到的配电网采集信息,所述配电网采集信息包括配电网各节点的电压和光伏有功功率;
若在当前控制周期内至少一个节点的电压超出安全范围,则基于各个节点的光伏有功功率确定各个节点的有功功率阈值,并基于各个有功功率阈值确定有功功率削减量函数;
获取与所述安全范围对应的惩罚函数;其中,所述惩罚函数为分段函数,所述分段函数包括若节点的电压不在安全范围内,则所述惩罚函数的值为第一常数,若节点的电压未超过所述安全范围,则所述惩罚函数的值为零;
基于所述有功功率削减量函数和所述惩罚函数确定目标函数,并基于所述目标函数,通过遗传算法计算,确定各个节点分别对应的目标无功功率和目标有功功率削减量;
根据所述各个节点分别对应的目标无功功率和目标有功功率削减量,生成与当前控制周期对应的光伏功率控制指令,并将所述光伏功率控制指令发送至各个光伏逆变器。
第二方面,本申请还提供了一种配电网光伏功率的控制装置。所述装置包括:
第一获取模块,用于获取在当前控制周期内对配电网进行采集得到的配电网采集信息,所述配电网采集信息包括配电网各节点的电压和光伏有功功率;
确定模块,用于若在当前控制周期内至少一个节点的电压超出安全范围,则基于各个节点的光伏有功功率确定各个节点的有功功率阈值,并基于各个有功功率阈值确定有功功率削减量函数;
第二获取模块,用于获取与所述安全范围对应的惩罚函数;其中,所述惩罚函数为分段函数,所述分段函数包括若节点的电压不在安全范围内,则所述惩罚函数的值为第一常数,若节点的电压未超过所述安全范围,则所述惩罚函数的值为零;
计算模块,用于基于所述有功功率削减量函数和所述惩罚函数确定目标函数,并基于所述目标函数,通过遗传算法计算,确定各个节点分别对应的目标无功功率和目标有功功率削减量;
生成模块,用于根据所述各个节点分别对应的目标无功功率和目标有功功率削减量,生成与当前控制周期对应的光伏功率控制指令,并将所述光伏功率控制指令发送至各个光伏逆变器。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取在当前控制周期内对配电网进行采集得到的配电网采集信息,所述配电网采集信息包括配电网各节点的电压和光伏有功功率;
若在当前控制周期内至少一个节点的电压超出安全范围,则基于各个节点的光伏有功功率确定各个节点的有功功率阈值,并基于各个有功功率阈值确定有功功率削减量函数;
获取与所述安全范围对应的惩罚函数;其中,所述惩罚函数为分段函数,所述分段函数包括若节点的电压不在安全范围内,则所述惩罚函数的值为第一常数,若节点的电压未超过所述安全范围,则所述惩罚函数的值为零;
基于所述有功功率削减量函数和所述惩罚函数确定目标函数,并基于所述目标函数,通过遗传算法计算,确定各个节点分别对应的目标无功功率和目标有功功率削减量;
根据所述各个节点分别对应的目标无功功率和目标有功功率削减量,生成与当前控制周期对应的光伏功率控制指令,并将所述光伏功率控制指令发送至各个光伏逆变器。
第四方面,本申请还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,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取在当前控制周期内对配电网进行采集得到的配电网采集信息,所述配电网采集信息包括配电网各节点的电压和光伏有功功率;
若在当前控制周期内至少一个节点的电压超出安全范围,则基于各个节点的光伏有功功率确定各个节点的有功功率阈值,并基于各个有功功率阈值确定有功功率削减量函数;
获取与所述安全范围对应的惩罚函数;其中,所述惩罚函数为分段函数,所述分段函数包括若节点的电压不在安全范围内,则所述惩罚函数的值为第一常数,若节点的电压未超过所述安全范围,则所述惩罚函数的值为零;
基于所述有功功率削减量函数和所述惩罚函数确定目标函数,并基于所述目标函数,通过遗传算法计算,确定各个节点分别对应的目标无功功率和目标有功功率削减量;
根据所述各个节点分别对应的目标无功功率和目标有功功率削减量,生成与当前控制周期对应的光伏功率控制指令,并将所述光伏功率控制指令发送至各个光伏逆变器。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取在当前控制周期内对配电网进行采集得到的配电网采集信息,所述配电网采集信息包括配电网各节点的电压和光伏有功功率;
若在当前控制周期内至少一个节点的电压超出安全范围,则基于各个节点的光伏有功功率确定各个节点的有功功率阈值,并基于各个有功功率阈值确定有功功率削减量函数;
获取与所述安全范围对应的惩罚函数;其中,所述惩罚函数为分段函数,所述分段函数包括若节点的电压不在安全范围内,则所述惩罚函数的值为第一常数,若节点的电压未超过所述安全范围,则所述惩罚函数的值为零;
基于所述有功功率削减量函数和所述惩罚函数确定目标函数,并基于所述目标函数,通过遗传算法计算,确定各个节点分别对应的目标无功功率和目标有功功率削减量;
根据所述各个节点分别对应的目标无功功率和目标有功功率削减量,生成与当前控制周期对应的光伏功率控制指令,并将所述光伏功率控制指令发送至各个光伏逆变器。
上述配电网光伏功率的控制方法、装置、计算机设备、存储介质和计算机程序产品,获取在当前控制周期内对配电网进行采集得到的配电网采集信息,该配电网采集信息包括配电网各节点的电压和光伏有功功率。若在当前控制周期内至少一个节点的电压超出安全范围,则基于各个节点的光伏有功功率确定各个节点的有功功率阈值,并基于各个有功功率阈值确定有功功率削减量函数。这样,基于该有功功率削减量函数能够实时反映出有功功率的变化情况。获取与该安全范围对应的惩罚函数;其中,该惩罚函数为分段函数,该分段函数包括若节点的电压不在安全范围内,则该惩罚函数的值为第一常数,若节点的电压未超过该安全范围,则该惩罚函数的值为零。这样,通过惩罚函数能够实现将各个节点电压的电压越限情况转换为数值形式的惩罚值,从而,能够清晰且准确的反映各个节点电压的电压越限情况。基于该有功功率削减量函数和该惩罚函数确定目标函数,并基于该目标函数,通过遗传算法计算,确定各个节点分别对应的目标无功功率和目标有功功率削减量。这样,通过由有功功率削减量函数和惩罚函数组成的目标函数确定目标无功功率和目标无功功率削减量,不仅能够避免电压越限情况,还将多目标函数精简为以有功功率削减量为单一目标的目标函数。根据该各个节点分别对应的目标无功功率和目标有功功率削减量,生成与当前控制周期对应的光伏功率控制指令,并将该光伏功率控制指令发送至各个光伏逆变器。这样,在对功率进行控制的过程中,能够在有功功率削减量减少的情况下,迅速且准确的实现对各个节点的功率控制。从而,大大提高了对配电网光伏功率控制的效率。
附图说明
图1为一个实施例中配电网光伏功率的控制方法的应用环境图;
图2为一个实施例中配电网光伏功率的控制方法的流程示意图;
图3为一个实施例中确定目标无功功率和目标有功功率削减量步骤的流程示意图;
图4为一个实施例中确定下一迭代种群中的各个个体步骤的流程示意图;
图5为一个实施例中配电网5节点馈线仿真模型示意图;
图6为一个实施例中遗传算法迭代步骤的流程示意图;
图7为一个实施例中遗传算法迭代结果的示意图;
图8为一个实施例中遗传算法仿真结果示意图;
图9为另一个实施例中配电网光伏功率的控制方法的流程示意图;
图10为另一个实施例中配电网光伏功率的控制方法的流程示意图;
图11为一个实施例中配电网光伏功率的控制装置的结构框图;
图12为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的配电网光伏功率的控制方法,可以应用于如图1所示的应用环境中。其中,各个节点的光伏逆变器102通过网络与计算机设备104进行通信。数据存储系统可以存储计算机设备104需要处理的数据。数据存储系统可以集成在计算机设备104上,也可以放在云上或其他网络服务器上。计算机设备104获取在当前控制周期内对配电网进行采集得到的配电网采集信息,所述配电网采集信息包括配电网各节点的电压和光伏有功功率。若在当前控制周期内至少一个节点的电压超出安全范围,则计算机设备104基于各个节点的光伏有功功率确定各个节点的有功功率阈值,并基于各个有功功率阈值确定有功功率削减量函数。计算机设备104获取与所述安全范围对应的惩罚函数;其中,所述惩罚函数为分段函数,所述分段函数包括若节点的电压不在安全范围内,则所述惩罚函数的值为第一常数,若节点的电压未超过所述安全范围,则所述惩罚函数的值为零。计算机设备104基于所述有功功率削减量函数和所述惩罚函数确定目标函数,并基于所述目标函数,通过遗传算法计算,确定各个节点分别对应的目标无功功率和目标有功功率削减量。根据所述各个节点分别对应的目标无功功率和目标有功功率削减量,计算机设备104生成与当前控制周期对应的光伏功率控制指令,并将所述光伏功率控制指令发送至各个光伏逆变器102。其中,计算机设备104可以是终端或服务器。其中,终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、物联网设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种配电网光伏功率的控制方法,以该方法应用于图1中的计算机设备为例进行说明,包括以下步骤:
步骤S202,获取在当前控制周期内对配电网进行采集得到的配电网采集信息,该配电网采集信息包括配电网各节点的电压和光伏有功功率。
其中,当前控制周期包括计算机设备从配电网采集信息和传输的时间、计算机设备内部执行算法以及计算机设备下达光伏功率控制指令的通信时间。其中,有功功率指单位时间内实际发出或消耗的交流电能力,是周期内的平均功,有功功率是保持用电设备正常运行所需的电功率。
具体地,计算机设备获取在当前控制周期内对配电网中各个光伏逆变器进行采集得到的配电网采集信息。该配电网采集信息包括配电网各个节点的电压、每个节点光伏逆变器输出的光伏有功功率、以及各线路阻抗信息。
其中,光伏逆变器(PV inverter或solar inverter)用于将光伏太阳能板产生的可变直流电压转换为市电频率交流电的逆变器。
步骤S204,若在当前控制周期内至少一个节点的电压超出安全范围,则基于各个节点的光伏有功功率确定各个节点的有功功率阈值,并基于各个有功功率阈值确定有功功率削减量函数。
其中,安全范围为各个节点电压的阈值范围。有功功率削减量函数用于表征有功功率削减量的整体差异情况。其中,与每个节点对应的有功功率削减量为与相应节点对应的有功功率阈值与有功功率变量之间的差异。
具体地,计算机设备判断各个节点的电压是否超出安全范围,若在当前控制周期内至少一个节点的电压超出安全范围,则对于每个节点,计算机设备基于相应节点在当前控制周期内的光伏有功功率,确定相应节点的有功功率阈值。计算机设备基于各个有功功率阈值和有功功率变量确定有功功率削减量。
例如,计算机设备将各个节点的电压分别与安全范围进行比较,若在当前控制周期内存在至少一个节点的电压低于安全范围的最低值、或高于安全范围的最高值,则对于每个节点,计算机设备基于相应节点在当前控制周期内的多个光伏有功功率,确定相应节点在当前控制周期内的瞬间最大值,并将该瞬间最大值作为相应节点的有功功率阈值。计算机设备基于各个有功功率阈值和有功功率变量确定有功功率削减量。
步骤S206,获取与该安全范围对应的惩罚函数;其中,该惩罚函数为分段函数,该分段函数包括若节点的电压不在安全范围内,则该惩罚函数的值为第一常数,若节点的电压未超过该安全范围,则该惩罚函数的值为零。
其中,惩罚函数亦为处罚函数,是一类制约函数。
具体地,计算机设备获取与安全范围对应的惩罚函数。其中,该惩罚函数为分段函数,该分段函数包括节点的电压不在安全范围内,则该惩罚函数的值为第一常数,若节点的电压未超过该安全范围,则该惩罚函数的值为零。其中,第一常数远远大于零,该第一常数表征电压存在电压越限。该第i节点的惩罚函数可以是:
其中,i表征节点的序号,Ui为节点i的电压,U+为该安全范围的最大值,U-为该安全范围的最小值。其中,第一常数是一个极大值。即当节点的电压超过安全范围,出现电压越限情况时,则该节点的惩罚函数的值为一个极大值。
步骤S208,基于该有功功率削减量函数和该惩罚函数确定目标函数,并基于该目标函数,通过遗传算法计算,确定各个节点分别对应的目标无功功率和目标有功功率削减量。
其中,遗传算法模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型。该算法通过数学的方式,利用计算机仿真运算,将问题的求解成类似生物进化中的交叉变异等过程。
具体地,计算机设备获取该各个节点的惩罚函数,并将各个节点的惩罚函数进行求和,得到求和后的惩罚函数。计算机设备将求和后的惩罚函数和该有功功率削减量函数进行相加得到目标函数。计算机设备基于该目标函数,通过遗传算法计算,确定各个节点分别对应的目标无功功率和目标有功功率削减量。
例如,计算机设备获取各个节点的惩罚函数并将各个节点的惩罚函数进行求和,得到求和后的惩罚函数,即计算机设备获取有功功率削减量函数OF2,并基于有功功率削减量函数和求和后的惩罚函数,得到目标函数OF,即计算机设备基于该目标函数,通过遗传算法计算,确定各个节点分别对应的目标无功功率和目标有功功率削减量。
步骤S210,根据该各个节点分别对应的目标无功功率和目标有功功率削减量,生成与当前控制周期对应的光伏功率控制指令,并将该光伏功率控制指令发送至各个光伏逆变器。
其中,光伏功率控制指令包含各个节点的光伏逆变器的目标无功功率的值和目标有功功率的值。
具体地,计算机设备根据该各个节点分别对应的目标有功功率削减量和有功功率阈值,确定各个节点分别对应的目标有功功率。计算机设备根据该各个节点分别对应的目标无功功率和目标有功功率,生成与当前控制周期对应的光伏功率控制指令,并将该光伏控制指令发送至各个光伏逆变器,以指示各个光伏逆变器执行各自对应的目标无功功率和目标有功功率。
上述配电网光伏功率的控制方法中,获取在当前控制周期内对配电网进行采集得到的配电网采集信息,该配电网采集信息包括配电网各节点的电压和光伏有功功率。若在当前控制周期内至少一个节点的电压超出安全范围,则基于各个节点的光伏有功功率确定各个节点的有功功率阈值,并基于各个有功功率阈值确定有功功率削减量函数。这样,基于该有功功率削减量函数能够实时反映出有功功率的变化情况。获取与该安全范围对应的惩罚函数;其中,该惩罚函数为分段函数,该分段函数包括若节点的电压不在安全范围内,则该惩罚函数的值为第一常数,若节点的电压未超过该安全范围,则该惩罚函数的值为零。这样,通过惩罚函数能够实现将各个节点电压的电压越限情况转换为数值形式的惩罚值,从而,能够清晰且准确的反映各个节点电压的电压越限情况。基于该有功功率削减量函数和该惩罚函数确定目标函数,并基于该目标函数,通过遗传算法计算,确定各个节点分别对应的目标无功功率和目标有功功率削减量。这样,通过由有功功率削减量函数和惩罚函数组成的目标函数确定目标无功功率和目标无功功率削减量,不仅能够避免电压越限情况,还将多目标函数精简为以有功功率削减量为单一目标的目标函数。根据该各个节点分别对应的目标无功功率和目标有功功率削减量,生成与当前控制周期对应的光伏功率控制指令,并将该光伏功率控制指令发送至各个光伏逆变器。这样,在对功率进行控制的过程中,能够在有功功率削减量减少的情况下,迅速且准确的实现对各个节点的功率控制。从而,大大提高了对配电网光伏功率控制的效率。
在一个实施例中,该基于各个有功功率阈值确定有功功率削减量函数,包括:对于每个节点,均基于与相应节点对应的有功功率变量和有功功率阈值,确定各个节点的有功功率削减量。将各个节点的有功功率削减量进行求和运算,以确定有功功率削减量函数。
具体地,计算机设备获取各个节点的有功功率阈值,并将各个节点的有功功率作为自变量。对于每个节点,均将与相应节点对应的有功功率阈值减去有功功率变量,得到各个节点的有功功率削减量。计算机设备将各个节点的有功功率削减量进行求和运算,以确定有功功率削减量函数。例如,该有功功率削减量函数OF2为:
其中,Pi,mppt为i节点的有功功率阈值,Pi为i节点的有功功率变量。
在本实施例中,基于构建的有功功率削减量函数,能够得到实时的有功功率削减量,从而,能够如实反映所有节点的有功功率被削减的情况,大大增加了确定目标无功功率和目标有功功率的可靠性。
在一个实施例中,如图3所示,该基于该目标函数,通过遗传算法计算,确定各个节点分别对应的目标无功功率和目标有功功率削减量,包括:
步骤S302,获取当前迭代种群中各个个体;其中,每个个体包括各个节点的无功功率和有功功率削减量。
其中,种群为模拟生物种群,是由若干个体组成的群体。它一般是整个搜索空间的一个很小的子集。一组字符串结构,被称为一个群体。个体就是模拟生物个体而对问题中的对象(即问题的解)的一种称呼,一个个体也就是搜索空间中的一个点。
具体地,计算机设备获取当代迭代种群中各个个体,其中,每个个体包括各个节点的无功功率和有功功率削减量。其中,每次迭代的种群所包含的个体数量均相同。对于初次迭代,计算机设备基于与目标函数对应的约束条件随机生成第一代种群pop。
例如,该配电网中存在n个节点,且每个节点中均配置有一个光伏逆变器。对于个体A,该个体A中包含有每个节点对应的无功功率和有功功率削减量,即该个体A中存在n组无功功率和有功功率削减量的组合,其中,每个组合由该节点的无功功率、有功功率削减量组成。
步骤S304,对于当前迭代中每个个体,均基于相应个体中的无功功率和有功功率削减量、配电网参数、以及有功功率阈值,通过潮流分布计算,得到当前迭代中与相应个体对应的各个节点的迭代电压。
其中,配电网参数包括配电网结构、输电线路的阻抗、基准电压、基准功率。潮流分布计算为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、无功功率以及电压在电力网中的分布。
具体地,对于当前迭代中每个个体,计算机设备均获取配电网参数和有功功率阈值。基于相应个体中的无功功率和有功功率削减量、配电网参数、以及有功功率阈值,通过潮流分布计算,得到当前迭代中与相应个体对应的各个节点的迭代电压。
其中,在进行潮流分布计算的过程中,若满足潮流分布的约束条件,则能够得到潮流计算结果。具体的,潮流分布的约束条件如下公式所示:
Pi=PGi-PLi
Qi=QGi-QLi
其中,Ui、Uj、Gij、Bij分别表示的是节点i、j电压幅值和线路参数;θij表示为节点i和节点j电压的相位差。Pi、Qi分别为节点i净注入的有功、无功功率;PGi、QGi分别为节点i电源(包括发电机、光伏等分布式电源)注入的有功、无功功率;PLi、QLi分别为节点i负荷所需有功、无功功率。
步骤S306,对于当前迭代中每个个体,均基于与相应个体对应的各个节点的迭代电压、以及目标函数,确定当前迭代中与相应个体对应的适应度值。
其中,适应度值用于表征个体的适应度,该适应度是描述个体性能的主要指标,根据适应度大小,对个体进行优胜劣汰。
具体地,对于当前迭代中每个个体,均基于相应个体中的有功功率削减量,通过目标函数,对相应个体的有功功率削减量、以及与相应个体对应的各个节点的迭代电压,进行处理,得到当前迭代中与相应个体对应的适应度值。
步骤S308,若当前迭代的次数不满足迭代终止条件,则基于当前迭代中各个个体对应的适应度值,对当前迭代中的各个个体进行筛选,得到下一迭代种群中的各个个体。
具体地,基于当前迭代的次数判断是否满足迭代终止条件,若当前迭代的次数不满足迭代终止条件,则计算机设备基于当前迭代中各个个体对应的适应度值,对各个适应度值进行排序。计算机设备对当前迭代中各个个体进行交叉以及变异组合,得到组合结果。计算机设备基于适应度值排序结果和组合结果,对当前迭代中的各个个体进行筛选,得到下一迭代种群中的各个个体。
步骤S310,将下一迭代中种群的各个个体作为当前迭代种群中的个体,并返回至该对于当前迭代中每个个体,均基于相应个体中的无功功率和有功功率削减量、配电网参数、以及有功功率阈值,通过潮流分布计算的步骤继续执行,直至满足迭代终止条件。
具体地,计算机设备将下一迭代种群中的各个个体作为当前迭代种群中的个体,并返回至该对于当前迭代中每个个体,均基于相应个体中的无功功率和有功功率削减量、配电网参数、以及有功功率阈值,通过潮流分布计算的步骤继续执行,直至满足迭代次数达到迭代次数阈值。
步骤S312,获取满足迭代终止条件时,各个个体分别对应的待处理适应度值;并基于各个待处理适应度值确定目标个体。
具体地,计算机设备获取满足迭代终止条件时,各个个体分别对应的待处理适应度值。计算机设备从多个满足迭代终止条件的个体中筛选得到待处理适应度值最高的个体,并将该待处理适应度值最高的个体作为目标个体。
步骤S314,将目标个体中各个节点的无功功率作为各个节点的目标无功功率、以及将目标个体中各个节点的有功功率削减量作为各个节点的目标有功功率削减量。
具体地,计算机设备获取目标个体,并将该目标个体中各个节点的无功功率作为各个节点的目标无功功率、以及将目标个体中各个节点的有功功率削减量作为各个节点的目标有功功率削减量。
在本实施例中,通过遗传算法的迭代处理,以及适应度值的计算,对当前迭代中的个体进行筛选,得到适应度高的下一迭代个体。这样,基于迭代结束得到的整体适应度高的目标个体,能够大大提高各个节点功率配置的准确性。与此同时,通过由有功功率削减量函数和惩罚函数组成的目标函数确定目标无功功率和目标无功功率削减量,不仅能够避免电压越限情况,还将多目标函数问题精简为以有功功率削减量为单一目标问题,大大提升了确定各个节点功率配置的速度。
在一个实施例中,该对于当前迭代中每个个体,均基于与相应个体对应的各个节点的迭代电压、以及目标函数,确定当前迭代中与相应个体对应的适应度值,包括:对于当前迭代中每个个体,均基于与相应个体对应的各个节点的迭代电压,通过该惩罚函数,确定当前迭代中与相应个体对应的惩罚值。对于当前迭代中每个个体,均基于相应个体中各个节点的有功功率削减量,通过有功功率削减函数,确定与相应个体对应的有功功率削减量值。对于当前迭代中每个个体,均基于与相应个体对应的惩罚值和有功功率削减量值,通过目标函数,得到当前迭代中与相应个体对应的目标值。对于当前迭代中每个个体,均将与相应个体对应的目标值进行反比计算,确定当前迭代中与相应个体对应的适应度值。
具体地,对于当前迭代中每个个体,将与相应个体对应的各个节点的迭代电压均与安全范围进行比较,得到各个节点的比较结果。计算机设备基于比较结果,通过惩罚函数,确定与相应个体对应的惩罚值。计算机设备通过有功功率削减函数,对相应个体的各个节点的有功功率削减量进行求和计算,得到与相应个体对应的有功功率削减量值。对于当前迭代中每个个体,计算机设备通过目标函数,将与相应个体对应的惩罚值和有功功率削减量值进行相加计算,得到与相应个体对应的目标值。计算机设备将一个单位常数除以与相应个体对应的目标值与一个单位常数之和,得到当前迭代中与相应个体对应的适应度值。
例如,适应度函数f为:f=1/(1+OF),其中,OF为目标函数。以当前迭代中的个体A为例,该个体A包含有3个节点的迭代电压和有功功率削减量,其中,节点1迭代电压为b1,有功功率削减量c1;节点迭代2电压为b2,有功功率削减量c2;节点1迭代电压为b3,有功功率削减量c3。分别将c1、c2、c3代入惩罚函数中,得到惩罚值。若b1、b2、b3中有一个不在安全范围内,则惩罚值为10000。计算机设备基于c1、c2、c3通过有功削减量函数,确定有功削减量值为d。则该个体A的适应度值为1/(10001+d)。其中,目标函数值越大,则适应度值越小。其中,适应度函数用于评价个体的优劣程度,个体适应度值越高越好。
在本实施例中,基于包含有惩罚函数的目标函数,能够将目标函数转换为以有功功率削减量为单一目标函数,避免了遗传算法对多目标函数的取舍问题,加快了算法收敛速度,大大提升了确定个体适应度值的速度。此外,通过分段函数的惩罚函数,能够将迭代电压超出安全范围的节点赋予极大的惩罚值,从而,极大地降低了该个体的适应度值,能够快速淘汰迭代电压越限的个体。
在一个实施例中,如图4所示,该种群的个体数量在每次迭代中均相等,该基于当前迭代中各个个体对应的适应度值,对当前迭代中的各个个体进行筛选,得到下一迭代种群中的各个个体,包括:
步骤S402,将当前迭代中各个个体对应的适应度值进行排序,得到当前迭代的适应度排序结果;并基于当前迭代中各个个体中各个节点的无功功率和有功功率削减量,通过交叉、以及变异组合,得到各个待处理个体。
具体地,计算机设备获取当前迭代中各个个体对应的适应度值,并将各个适应度值进行升序排序、或降序排序,得到当前迭代的各个个体的适应度排序结果。计算机设备基于当前迭代中各个个体中各个节点的无功功率和有功功率削减量,通过交叉、以及变异组合,得到交叉变异后的各个待处理个体。
步骤S404,获取与目标函数对应的无功功率约束条件和有功功率约束条件,并对于每个待处理个体,均判断相应待处理个体的无功功率是否满足无功功率约束条件、以及基于相应待处理个体的有功功率削减量,判断相应待处理个体的有功功率变量的值是否满足有功功率约束条件。
具体地,计算机设备获取与目标函数对应的无功功率约束条件和有功功率约束条件。对于每个待处理个体,计算机设备基于无功功率约束条件,判断相应待处理个体中的无功功率是否满足无功功率约束条件。计算机设备基于相应待处理个体的有功功率削减量和有功功率阈值,确定相应待处理个体的有功功率,并基于有功功率约束条件,判断相应待处理个体的有功功率是否满足有功功率约束条件。该有功功率约束条件为:
0≤Ppvi≤Pmppt
无功功率约束条件为:
其中,Ppvi为节点i光伏输出的有功功率;Qpvi为节点i光伏输出的无功功率;Sinv为光伏逆变器的视在功率。
步骤S406,将满足无功功率约束条件、且满足有功功率约束条件的待处理个体,作为第一部分个体,并基于该第一部分个体的数量和该个体数量,确定第二部分个体的数量。
具体地,计算机设备将满足无功功率约束条件、且满足有功功率约束条件的待处理个体,作为第一部分个体,并统计该第一部分个体的数量。计算机设备将每次迭代种群的个体数量减去第一部分个体的数量,得到第二部分个体的数量。
步骤S408,基于该当前迭代的适应度排序结果、以及该第二部分个体的数量,对当前迭代中的个体进行筛选,得到第二部分个体,并将该第一部分个体和该第二部分个体作为下一迭代种群中的各个个体。
具体地,计算设备基于该当前迭代的适应度排序结果,按照适应度从高到低的顺序,依次筛选得到第二部分个体。计算机设备将第一部分个体和该第二部分个体作为下一迭代种群中的各个个体。
例如,第一部分个体数量为20,比如,M1至M20。每次迭代种群的个体数量为80,则计算机设备确定第二部分个体的数量为60。计算机设备按照适应度从高到低的顺序依次选取适应度前60的个体,作为第二部分个体。比如,N1至N60。计算机设备将第一部分个体和第二部分个体作为下一迭代种群中的各个个体,即X1值X60(对应N1至N60)、X61值X80(对应M1至M60)。
在本实施例中,通过对当前迭代个体进行交叉和变异处理,生成待处理个体,确保了遗传算法在解空间的搜索能力,避免了算法陷入局部最优解。再基于通过无功功率和有功功率的约束条件,筛选符合功率条件的个体作为下一迭代的第一部分个体,并确定保留当前迭代个体中适应度高的个体,作为下一迭代的第二部分个体。这样,能够确保下一迭代的所有个体均具有高适应度。
为了便于了解通过遗传算法确定目标无功功率和目标有功功率削减量的步骤,提供一个实施例,如图5所示,该图为配电网5节点馈线仿真模型,其中,R+jX用于输电线路的阻抗,load为负载,PV为光伏逆变器。为了确定该仿真模型中各个节点的目标无功功率和目标有功功率削减量,采用遗传算法进行迭代计算。具体如图6所示,具体地,计算机设备初始化配电网参数和遗传算法参数,其中,配电网参数包括配电网结构、输电线路的阻抗、基准电压、基准功率,该遗传算法参数为种群的个体数量,比如每次迭代中种群的个体数量为80。计算机设备在满足无功功率约束条件、且满足有功功率约束条件中,随机生成第一待种群pop,其中每个个体包含各个节点的可行解,该可行解为与节点对应的目标无功功率和目标有功功率削减量。对于当前迭代中每个个体,计算机设备基于相应个体中的无功功率和有功功率削减量(即个体所包含的可行解)、配电网参数、以及有功功率阈值,通过潮流分布计算,得到当前迭代中与相应个体对应的各个节点的迭代电压。对于当前迭代中每个个体,计算机设备均基于与相应个体对应的各个节点的迭代电压、以及目标函数,确定当前迭代中与相应个体对应的适应度值。若当前迭代的次数不满足迭代终止条件,则基于当前迭代中各个个体对应的适应度值、以及交叉变异组合,对当前迭代中的各个个体进行筛选,得到下一迭代种群中的各个个体。计算机设备将下一迭代中种群的各个个体作为当前迭代种群中的个体,并返回至该对于当前迭代中每个个体,均基于相应个体中的无功功率和有功功率削减量、配电网参数、以及有功功率阈值,通过潮流分布计算的步骤继续执行,直至满足迭代终止条件。计算机设备获取满足迭代终止条件时,各个个体分别对应的待处理适应度值;将待处理适应度值最高的个体作为目标个体。计算机设备将目标个体中各个节点的无功功率作为各个节点的目标无功功率、以及将目标个体中各个节点的有功功率削减量作为各个节点的目标有功功率削减量。
在本实施例中,通过遗传算法的迭代处理,以及适应度值的计算,对当前迭代中的个体进行筛选,得到适应度高的下一迭代个体。这样,基于迭代结束得到的整体适应度高的目标个体,能够大大提高各个节点功率配置的准确性。与此同时,通过由有功功率削减量函数和惩罚函数组成的目标函数确定目标无功功率和目标无功功率削减量,不仅能够避免电压越限情况,还将多目标函数问题精简为以有功功率削减量为单一目标问题,大大提升了确定各个节点功率配置的速度。
此外,应用遗传算法求解目标函数的迭代过程,如图7所示,该图中显示了对各个节点的电压、有功功率削减量、适应度函数的情况。该仿真结果如图8所示,经过迭代后(即经过优化后)的电压均分别在安全范围(电压允许运行范围)内。因此,基于应用遗传算法求解目标函数能够确保正确率的同时,确保功率配置的可靠性。
在一个实施例中,该方法还包括:若在当前控制周期内各个节点的电压均未超出安全范围,则禁止向各个光伏逆变器发送光伏功率控制指令,并等待下一控制周期。
具体地,计算机设备判断各个节点的电压是否超出安全范围,若在当前控制周期内各个节点的电压均为超出安全范围,则计算机设备禁止向各个光伏逆变器发送光伏功率控制指令,并等待下一控制周期。
在本实施例中,若在当前控制周期内各个节点的电压均为超出安全范围,则直接确定各个节点的电压未出现电压越限情况,并直接等待下一控制周期,从而,能够迅速对下一控制周期的各个节点的电压进行判断,提高了功率配置在各个控制周期内的效率。
为了便于更加清楚的了解本申请的技术方案,提供了一个更为详细实施例进行描述。如图9所示,该图为本申请的实际场景示意图,即,计算机设备(即对应为上层控制器)根据从配电网中采集的配电网采集信息,该配电网采集信息中包含有各线路阻抗信息、各节点的电压、各个节点的光伏有功功率(即光伏出力)。计算机设备基于该配电网采集信息进行算法寻优的过程,其中,该算法寻优的过程,如图10所示,计算机设备判断各个节点的电压是否超出安全范围(即判断系统是否出现电压越限),若在当前控制周期内各个节点的电压均为超出安全范围,则计算机设备禁止向各个光伏逆变器发送光伏功率控制指令,并等待下一控制周期。
若在当前控制周期内至少一个节点的电压超出安全范围,计算机设备获取各个节点的有功功率阈值,并将各个节点的有功功率作为自变量。对于每个节点,均将与相应节点对应的有功功率阈值减去有功功率变量,得到各个节点的有功功率削减量。计算机设备将各个节点的有功功率削减量进行求和运算,以确定有功功率削减量函数。计算机设备获取与安全范围对应的惩罚函数。其中,该惩罚函数为分段函数,该分段函数包括节点的电压不在安全范围内,则该惩罚函数的值为第一常数,若节点的电压未超过该安全范围,则该惩罚函数的值为零。其中,第一常数远远大于零,该第一常数表征电压存在电压越限。计算机设备将各个节点的惩罚函数进行求和,得到求和后的惩罚函数。计算机设备将求和后的惩罚函数和该有功功率削减量函数进行相加得到目标函数。计算机设备获取无功功率约束条件、有功功率约束条件(约束条件),其中,优化变量为有功功率变量,该优化变量、目标函数以及约束条件作为优化模型。
计算机设备基于优化模型,进行遗传算法求解。具体地,计算机设备获取当代迭代种群中各个个体,其中,每个个体包括各个节点的无功功率和有功功率削减量。对于当前迭代中每个个体,基于相应个体中的无功功率和有功功率削减量、配电网参数、以及有功功率阈值,通过潮流分布计算,得到当前迭代中与相应个体对应的各个节点的迭代电压。对于当前迭代中每个个体,将与相应个体对应的各个节点的迭代电压均与安全范围进行比较,得到各个节点的比较结果。计算机设备基于比较结果,通过惩罚函数,确定与相应个体对应的惩罚值。计算机设备通过有功功率削减函数,对相应个体的各个节点的有功功率削减量进行求和计算,得到与相应个体对应的有功功率削减量值。对于当前迭代中每个个体,计算机设备通过目标函数,将与相应个体对应的惩罚值和有功功率削减量值进行相加计算,得到与相应个体对应的目标值。计算机设备将一个单位常数除以与相应个体对应的目标值与一个单位常数之和,得到当前迭代中与相应个体对应的适应度值。计算机设备将各个适应度值进行升序排序、或降序排序,得到当前迭代的各个个体的适应度排序结果。计算机设备基于当前迭代中各个个体中各个节点的无功功率和有功功率削减量,通过交叉、以及变异组合,得到交叉变异后的各个待处理个体。对于每个待处理个体,计算机设备基于无功功率约束条件,判断相应待处理个体中的无功功率是否满足无功功率约束条件。计算机设备基于相应待处理个体的有功功率削减量和有功功率阈值,确定相应待处理个体的有功功率,并基于有功功率约束条件,判断相应待处理个体的有功功率是否满足有功功率约束条件。计算机设备将满足无功功率约束条件、且满足有功功率约束条件的待处理个体,作为第一部分个体,并统计该第一部分个体的数量。计算机设备将每次迭代种群的个体数量减去第一部分个体的数量,得到第二部分个体的数量。计算设备基于该当前迭代的适应度排序结果,按照适应度从高到低的顺序,依次筛选得到第二部分个体。计算机设备将第一部分个体和该第二部分个体作为下一迭代种群中的各个个体。计算机设备将下一迭代种群中的各个个体作为当前迭代种群中的个体,并返回至该对于当前迭代中每个个体,均基于相应个体中的无功功率和有功功率削减量、配电网参数、以及有功功率阈值,通过潮流分布计算的步骤继续执行,直至满足迭代次数达到迭代次数阈值。
计算机设备从多个满足迭代终止条件的个体中筛选得到待处理适应度值最高的个体,并将该待处理适应度值最高的个体作为目标个体。计算机设备将该目标个体中各个节点的无功功率作为各个节点的目标无功功率、以及将目标个体中各个节点的有功功率削减量作为各个节点的目标有功功率削减量。计算机设备根据该各个节点分别对应的目标有功功率削减量和有功功率阈值,确定各个节点分别对应的目标有功功率。计算机设备根据该各个节点分别对应的目标无功功率和目标有功功率,生成与当前控制周期对应的光伏功率控制指令,并将该光伏控制指令发送至各个光伏逆变器,以指示各个光伏逆变器执行各自对应的目标无功功率和目标有功功率,计算机设备等待下一控制周期。
在本实施例中,通过对各个节点的电压进行判断,若在当前控制周期内至少一个节点的电压超出安全范围,则基于各个节点的光伏有功功率确定各个节点的有功功率阈值,并基于各个有功功率阈值确定有功功率削减量函数。这样,基于该有功功率削减量函数能够实时反映出有功功率的变化情况。获取与该安全范围对应的惩罚函数;其中,该惩罚函数为分段函数,该分段函数包括若节点的电压不在安全范围内,则该惩罚函数的值为第一常数,若节点的电压未超过该安全范围,则该惩罚函数的值为零。这样,通过惩罚函数能够实现将各个节点电压的电压越限情况转换为数值形式的惩罚值,从而,能够清晰且准确的反映各个节点电压的电压越限情况。基于该有功功率削减量函数和该惩罚函数确定目标函数,并基于该目标函数,通过遗传算法计算,确定各个节点分别对应的目标无功功率和目标有功功率削减量。这样,通过由有功功率削减量函数和惩罚函数组成的目标函数确定目标无功功率和目标无功功率削减量,不仅能够避免电压越限情况,还将多目标函数精简为以有功功率削减量为单一目标的目标函数。根据该各个节点分别对应的目标无功功率和目标有功功率削减量,生成与当前控制周期对应的光伏功率控制指令,并将该光伏功率控制指令发送至各个光伏逆变器。这样,在对功率进行控制的过程中,能够在有功功率削减量减少的情况下,迅速且准确的实现对各个节点的功率控制。从而,大大提高了对配电网光伏功率控制的效率,进而,能够极大提高配电网电能质量,即,减少分布式能源发电的浪费,实用可行,具有较强的工程应用价值,能够产生较好的经济效益。
应该理解的是,虽然如上所述的各实施例所涉及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,如上所述的各实施例所涉及的流程图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。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的配电网光伏功率的控制方法的配电网光伏功率的控制装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个配电网光伏功率的控制装置实施例中的具体限定可以参见上文中对于配电网光伏功率的控制方法的限定,在此不再赘述。
在一个实施例中,如图11所示,提供了一种配电网光伏功率的控制装置,该转置1100,包括:第一获取模块1102、确定模块1104、第二获取模块1106、计算模块1108和生成模块1110,其中:
第一获取模块1102,用于获取在当前控制周期内对配电网进行采集得到的配电网采集信息,该配电网采集信息包括配电网各节点的电压和光伏有功功率。
确定模块1104,用于若在当前控制周期内至少一个节点的电压超出安全范围,则基于各个节点的光伏有功功率确定各个节点的有功功率阈值,并基于各个有功功率阈值确定有功功率削减量函数。
第二获取模块1106,用于获取与该安全范围对应的惩罚函数;其中,该惩罚函数为分段函数,该分段函数包括若节点的电压不在安全范围内,则该惩罚函数的值为第一常数,若节点的电压未超过该安全范围,则该惩罚函数的值为零。
计算模块1108,用于基于该有功功率削减量函数和该惩罚函数确定目标函数,并基于该目标函数,通过遗传算法计算,确定各个节点分别对应的目标无功功率和目标有功功率削减量。
生成模块1110,用于根据该各个节点分别对应的目标无功功率和目标有功功率削减量,生成与当前控制周期对应的光伏功率控制指令,并将该光伏功率控制指令发送至各个光伏逆变器。
在一个实施例中,该确定模块1104,用于对于每个节点,均基于与相应节点对应的有功功率变量和有功功率阈值,确定各个节点的有功功率削减量。将各个节点的有功功率削减量进行求和运算,以确定有功功率削减量函数。
在一个实施例中,该计算模块1108,用于获取当前迭代种群中各个个体;其中,每个个体包括各个节点的无功功率和有功功率削减量。对于当前迭代中每个个体,均基于相应个体中的无功功率和有功功率削减量、配电网参数、以及有功功率阈值,通过潮流分布计算,得到当前迭代中与相应个体对应的各个节点的迭代电压。对于当前迭代中每个个体,均基于与相应个体对应的各个节点的迭代电压、以及目标函数,确定当前迭代中与相应个体对应的适应度值。若当前迭代的次数不满足迭代终止条件,则基于当前迭代中各个个体对应的适应度值,对当前迭代中的各个个体进行筛选,得到下一迭代种群中的各个个体。将下一迭代中种群的各个个体作为当前迭代种群中的个体,并返回至该对于当前迭代中每个个体,均基于相应个体中的无功功率和有功功率削减量、配电网参数、以及有功功率阈值,通过潮流分布计算的步骤继续执行,直至满足迭代终止条件。获取满足迭代终止条件时,各个个体分别对应的待处理适应度值;并基于各个待处理适应度值确定目标个体。将目标个体中各个节点的无功功率作为各个节点的目标无功功率、以及将目标个体中各个节点的有功功率削减量作为各个节点的目标有功功率削减量。
在一个实施例中,该计算模块1108,用于对于当前迭代中每个个体,均基于与相应个体对应的各个节点的迭代电压,通过该惩罚函数,确定当前迭代中与相应个体对应的惩罚值。对于当前迭代中每个个体,均基于相应个体中各个节点的有功功率削减量,通过有功功率削减函数,确定与相应个体对应的有功功率削减量值。对于当前迭代中每个个体,均基于与相应个体对应的惩罚值和有功功率削减量值,通过目标函数,得到当前迭代中与相应个体对应的目标值。对于当前迭代中每个个体,均将与相应个体对应的目标值进行反比计算,确定当前迭代中与相应个体对应的适应度值。
在一个实施例中,该计算模块1108,用于将当前迭代中各个个体对应的适应度值进行排序,得到当前迭代的适应度排序结果;并基于当前迭代中各个个体中各个节点的无功功率和有功功率削减量,通过交叉、以及变异组合,得到各个待处理个体。获取与目标函数对应的无功功率约束条件和有功功率约束条件,并对于每个待处理个体,均判断相应待处理个体的无功功率是否满足无功功率约束条件、以及基于相应待处理个体的有功功率削减量,判断相应待处理个体的有功功率变量的值是否满足有功功率约束条件。将满足无功功率约束条件、且满足有功功率约束条件的待处理个体,作为第一部分个体,并基于该第一部分个体的数量和该个体数量,确定第二部分个体的数量。基于该当前迭代的适应度排序结果、以及该第二部分个体的数量,对当前迭代中的个体进行筛选,得到第二部分个体,并将该第一部分个体和该第二部分个体作为下一迭代种群中的各个个体。
在一个实施例中,该确定模块1104,还用于若在当前控制周期内各个节点的电压均未超出安全范围,则禁止向各个光伏逆变器发送光伏功率控制指令,并等待下一控制周期。
上述配电网光伏功率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服务器,其内部结构图可以如图12所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。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和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。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。该计算机设备的数据库用于存储配电网光伏功率的控制数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种配电网光伏功率的控制方法。
本领域技术人员可以理解,图12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。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
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,所述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、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、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。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等。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 RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
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。
以上所述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本申请专利范围的限制。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,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种配电网光伏功率的控制方法,其特征在于,所述方法包括:
获取在当前控制周期内对配电网进行采集得到的配电网采集信息,所述配电网采集信息包括配电网各节点的电压和光伏有功功率;
若在当前控制周期内至少一个节点的电压超出安全范围,则基于各个节点的光伏有功功率确定各个节点的有功功率阈值,并基于各个有功功率阈值确定有功功率削减量函数;
获取与所述安全范围对应的惩罚函数;其中,所述惩罚函数为分段函数,所述分段函数包括若节点的电压不在安全范围内,则所述惩罚函数的值为第一常数,若节点的电压未超过所述安全范围,则所述惩罚函数的值为零;
基于所述有功功率削减量函数和所述惩罚函数确定目标函数,并基于所述目标函数,通过遗传算法计算,确定各个节点分别对应的目标无功功率和目标有功功率削减量;
根据所述各个节点分别对应的目标无功功率和目标有功功率削减量,生成与当前控制周期对应的光伏功率控制指令,并将所述光伏功率控制指令发送至各个光伏逆变器。
2.根据权利要求1所述的方法,其特征在于,所述基于各个有功功率阈值确定有功功率削减量函数,包括:
对于每个节点,均基于与相应节点对应的有功功率变量和有功功率阈值,确定各个节点的有功功率削减量;
将各个节点的有功功率削减量进行求和运算,以确定有功功率削减量函数。
3.根据权利要求1所述的方法,其特征在于,所述基于所述目标函数,通过遗传算法计算,确定各个节点分别对应的目标无功功率和目标有功功率削减量,包括:
获取当前迭代种群中各个个体;其中,每个个体包括各个节点的无功功率和有功功率削减量;
对于当前迭代中每个个体,均基于相应个体中的无功功率和有功功率削减量、配电网参数、以及有功功率阈值,通过潮流分布计算,得到当前迭代中与相应个体对应的各个节点的迭代电压;
对于当前迭代中每个个体,均基于与相应个体对应的各个节点的迭代电压、以及目标函数,确定当前迭代中与相应个体对应的适应度值;
若当前迭代的次数不满足迭代终止条件,则基于当前迭代中各个个体对应的适应度值,对当前迭代中的各个个体进行筛选,得到下一迭代种群中的各个个体;
将下一迭代中种群的各个个体作为当前迭代种群中的个体,并返回至所述对于当前迭代中每个个体,均基于相应个体中的无功功率和有功功率削减量、配电网参数、以及有功功率阈值,通过潮流分布计算的步骤继续执行,直至满足迭代终止条件;
获取满足迭代终止条件时,各个个体分别对应的待处理适应度值;并基于各个待处理适应度值确定目标个体;
将目标个体中各个节点的无功功率作为各个节点的目标无功功率、以及将目标个体中各个节点的有功功率削减量作为各个节点的目标有功功率削减量。
4.根据权利要求3所述的方法,其特征在于,所述对于当前迭代中每个个体,均基于与相应个体对应的各个节点的迭代电压、以及目标函数,确定当前迭代中与相应个体对应的适应度值,包括:
对于当前迭代中每个个体,均基于与相应个体对应的各个节点的迭代电压,通过所述惩罚函数,确定当前迭代中与相应个体对应的惩罚值;
对于当前迭代中每个个体,均基于相应个体中各个节点的有功功率削减量,通过有功功率削减函数,确定与相应个体对应的有功功率削减量值;
对于当前迭代中每个个体,均基于与相应个体对应的惩罚值和有功功率削减量值,通过目标函数,得到当前迭代中与相应个体对应的目标值;
对于当前迭代中每个个体,均将与相应个体对应的目标值进行反比计算,确定当前迭代中与相应个体对应的适应度值。
5.根据权利要求3所述的方法,其特征在于,所述种群的个体数量在每次迭代中均相等,所述基于当前迭代中各个个体对应的适应度值,对当前迭代中的各个个体进行筛选,得到下一迭代种群中的各个个体,包括:
将当前迭代中各个个体对应的适应度值进行排序,得到当前迭代的适应度排序结果;并基于当前迭代中各个个体中各个节点的无功功率和有功功率削减量,通过交叉、以及变异组合,得到各个待处理个体;
获取与目标函数对应的无功功率约束条件和有功功率约束条件,并对于每个待处理个体,均判断相应待处理个体的无功功率是否满足无功功率约束条件、以及基于相应待处理个体的有功功率削减量,判断相应待处理个体的有功功率变量的值是否满足有功功率约束条件;
将满足无功功率约束条件、且满足有功功率约束条件的待处理个体,作为第一部分个体,并基于所述第一部分个体的数量和所述个体数量,确定第二部分个体的数量;
基于所述当前迭代的适应度排序结果、以及所述第二部分个体的数量,对当前迭代中的个体进行筛选,得到第二部分个体,并将所述第一部分个体和所述第二部分个体作为下一迭代种群中的各个个体。
6.根据权利要求1至5任一项所述的方法,其特征在于,所述方法还包括:
若在当前控制周期内各个节点的电压均未超出安全范围,则禁止向各个光伏逆变器发送光伏功率控制指令,并等待下一控制周期。
7.一种配电网光伏功率的控制装置,其特征在于,所述装置包括:
第一获取模块,用于获取在当前控制周期内对配电网进行采集得到的配电网采集信息,所述配电网采集信息包括配电网各节点的电压和光伏有功功率;
确定模块,用于若在当前控制周期内至少一个节点的电压超出安全范围,则基于各个节点的光伏有功功率确定各个节点的有功功率阈值,并基于各个有功功率阈值确定有功功率削减量函数;
第二获取模块,用于获取与所述安全范围对应的惩罚函数;其中,所述惩罚函数为分段函数,所述分段函数包括若节点的电压不在安全范围内,则所述惩罚函数的值为第一常数,若节点的电压未超过所述安全范围,则所述惩罚函数的值为零;
计算模块,用于基于所述有功功率削减量函数和所述惩罚函数确定目标函数,并基于所述目标函数,通过遗传算法计算,确定各个节点分别对应的目标无功功率和目标有功功率削减量;
生成模块,用于根据所述各个节点分别对应的目标无功功率和目标有功功率削减量,生成与当前控制周期对应的光伏功率控制指令,并将所述光伏功率控制指令发送至各个光伏逆变器。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111478827.XA CN114362263B (zh) | 2021-12-06 | 2021-12-06 | 配电网光伏功率的控制方法、装置、计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111478827.XA CN114362263B (zh) | 2021-12-06 | 2021-12-06 | 配电网光伏功率的控制方法、装置、计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114362263A true CN114362263A (zh) | 2022-04-15 |
CN114362263B CN114362263B (zh) | 2023-07-07 |
Family
ID=81098364
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111478827.XA Active CN114362263B (zh) | 2021-12-06 | 2021-12-06 | 配电网光伏功率的控制方法、装置、计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114362263B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109523128A (zh) * | 2018-10-22 | 2019-03-26 | 上海理工大学 | 一种促进消纳的可再生能源容量配置方法 |
CN110661288A (zh) * | 2019-09-16 | 2020-01-07 | 云南电网有限责任公司临沧供电局 | 一种含有高渗透率光伏发电的配电网的电压控制方法 |
CN111969591A (zh) * | 2020-07-22 | 2020-11-20 | 电子科技大学 | 一种光蓄能水电站互补的离网式混合能源系统优化方法 |
-
2021
- 2021-12-06 CN CN202111478827.XA patent/CN114362263B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109523128A (zh) * | 2018-10-22 | 2019-03-26 | 上海理工大学 | 一种促进消纳的可再生能源容量配置方法 |
CN110661288A (zh) * | 2019-09-16 | 2020-01-07 | 云南电网有限责任公司临沧供电局 | 一种含有高渗透率光伏发电的配电网的电压控制方法 |
CN111969591A (zh) * | 2020-07-22 | 2020-11-20 | 电子科技大学 | 一种光蓄能水电站互补的离网式混合能源系统优化方法 |
Non-Patent Citations (2)
Title |
---|
杨桂丹;李涛;: "城市配电网无功补偿优化配置的应用研究", 广东电力, vol. 21, no. 05, pages 48 * |
杨金东 等: "含高渗透率光伏发电配电网兼顾经济性和公平的电压管理", 云南电力技术, vol. 48, no. 03, pages 77 * |
Also Published As
Publication number | Publication date |
---|---|
CN114362263B (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106532778B (zh) | 一种计算分布式光伏并网最大准入容量的方法 | |
CN104866919B (zh) | 基于改进nsga-ii的含风电场电网多目标规划方法 | |
CN108390393B (zh) | 配电网多目标无功优化方法及终端设备 | |
JP2024008787A (ja) | ハイブリッドエネルギー貯蔵システムの制御方法、装置及び電子機器 | |
CN110518591B (zh) | 一种不确定电力系统的潮流计算方法 | |
CN112784484A (zh) | 一种区域综合能源系统多目标优化方法及优化系统 | |
CN109066728B (zh) | 特高压电网多个区间振荡模式在线阻尼协调控制方法 | |
Hosseini et al. | Cloud theory-based multi-objective feeder reconfiguration problem considering wind power uncertainty | |
CN113328467B (zh) | 一种概率电压稳定性评估方法、系统、终端设备及介质 | |
CN113094899A (zh) | 一种随机潮流计算方法、装置、电子设备及存储介质 | |
CN116093995B (zh) | 一种配电系统多目标网络重构方法及系统 | |
CN110428164A (zh) | 一种电网运行状态监测方法、装置、设备及可读存储介质 | |
CN109193779B (zh) | 一种分布式风力发电最大容量评估方法 | |
CN116937584A (zh) | 基于改进灰狼算法的微电网群多目标优化求解方法和装置 | |
CN108695854B (zh) | 一种用于电网多目标最优潮流控制方法、装置及设备 | |
CN114362263B (zh) | 配电网光伏功率的控制方法、装置、计算机设备 | |
CN114595891A (zh) | 一种配电网电压及潮流越界风险评估方法、系统及设备 | |
CN111552912B (zh) | 一种微电网并网的双层经济优化方法 | |
CN114692994A (zh) | 基于电力绿证市场联合出清模型的均衡优化装置 | |
CN110768294B (zh) | 一种分布式电源随机调度方法和装置 | |
Kim et al. | Probabilistic optimal power flow-based spectral clustering method considering variable renewable energy sources | |
Sulaima et al. | A 16kV distribution network reconfiguration by using evolutionaring programming for loss minimizing | |
Tian et al. | Sensitivity guided genetic algorithm for placement of distributed energy resources | |
Bavajigari et al. | Investigation of computational advantage of using importance sampling in monte carlo simulation | |
Estabragh et al. | A novel approach for optimal allocation of distributed generations based on static voltage stability margin |
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 |