CN114638074A - 一种基于量子衍生算法的惯量评估方法 - Google Patents

一种基于量子衍生算法的惯量评估方法 Download PDF

Info

Publication number
CN114638074A
CN114638074A CN202111673654.7A CN202111673654A CN114638074A CN 114638074 A CN114638074 A CN 114638074A CN 202111673654 A CN202111673654 A CN 202111673654A CN 114638074 A CN114638074 A CN 114638074A
Authority
CN
China
Prior art keywords
inertia
generator
time constant
quantum
inertia time
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
CN202111673654.7A
Other languages
English (en)
Inventor
张强
王超
李欣蔚
钱小毅
叶鹏
赵毅
曾辉
袁鹏
贾祺
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.)
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Liaoning Electric Power Co Ltd
Shenyang Institute of Engineering
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Liaoning Electric Power Co Ltd
Shenyang Institute of Engineering
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 State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Liaoning Electric Power Co Ltd, Shenyang Institute of Engineering filed Critical State Grid Corp of China SGCC
Priority to CN202111673654.7A priority Critical patent/CN114638074A/zh
Publication of CN114638074A publication Critical patent/CN114638074A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • 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
    • H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
    • H02J3/241—The oscillation concerning frequency
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/12—Timing analysis or timing optimisation
    • 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
    • H02J2300/28—The renewable source being wind energy

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Hardware Design (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Power Engineering (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明属于电网运行与控制技术领域，尤其涉及一种基于量子衍生算法的惯量评估方法。包括：步骤1.获取各台发电机运行参数；步骤2.获取电力系统的有功功率偏差；步骤3.建立基于发电机摇摆方程与各台发电机的惯性时间常数的目标函数；步骤4.输入惯性时间常数维数，生成初始种群；步骤5.输入惯性时间常数约束；步骤6.设定ARQEA算法参数；步骤7.计算惯量评估目标；步骤8.输出最优惯性时间常数。本发明利用量子衍生算法，更有效和可靠的评估电力系统管理时间常数，提升了对整个系统等效惯量评估的精确度，易于实施,还具有种群多样性好、收敛速度快的优点，具有较为可观的商业开发前景。

Description

一种基于量子衍生算法的惯量评估方法
技术领域
本发明属于电网运行与控制技术领域，尤其涉及一种基于量子衍生算法的惯量评估方法。
背景技术
近年来，面对能源危机、金融危机以及人类对气候危机越来越清晰地认识，全球范围内新能源出现超常规发展的态势。各国对新能源的投资大幅度增长，新能源产能也急剧扩大。可再生能源发电是新能源发展的核心，风电是在技术和成本上最具竞争力的新能源形式。尽管短期内新能源还无法替代传统化石能源，但世界范围内资源的供需紧张以及全球为应对气候变化而对温室气体排放所做的限制为新能源发展铺就了宽广的道路。新能源技术的发展和市场的扩大超乎想象，许多可再生能源资源将逐渐变成商业项目。可以预见，不同能源形式的逐渐替代将改变世界经济版图以及人类的生存和生活方式。
与此同时，新能源技术发展的弊端也日益凸显。在电力系统中，发出和消耗的有功功率时常呈现不平衡状态，导致系统频率不断变化。频率维持在特定的范围内，系统才能安全稳定运行，如果频率偏离了正常值可能会导致系统频率失稳，甚至进一步造成频率崩溃现象。随着大规模新能源并入大电网，系统的抗扰动能力逐渐下降，频率稳定性逐渐减弱。缘由之一是电力电子器件解耦了系统发电侧和电网侧，因此发电侧的惯量无法传递到电网中。而存在于同步发电机和涡轮机旋转机构中的惯量是电力系统稳定运行的重要参数。研究发现，惯量越低的系统受扰动影响越大,频率跌落越快，电网稳定性更差，因此对整个系统的惯量进行评估是很有必要的。
在实际中，一些因素会影响惯量评估的精度，比如，采样频率计算频率变化率(rate of change of frequency，ROCOF)，确定扰动发生的时间等。现如今可利用同步相量测量单元(phasor measurement units，PMUs)采集频率计算扰动发生时刻的ROCOF以评估系统等效惯量。然而，这种方法计算出的ROCOF值包含振荡分量，导致惯量评估的精度受到影响。因此有一种多项式拟合频率评估惯量的方法。该方法有效降低了ROCOF的振荡分量，但是惯量评估的精度受扰动发生时间以及多项式阶数设定的影响较大。为解决该问题，可对频率曲线进行了分段拟合，仅有惯量响应的频率曲线部分采用了线性拟合，其余部分沿用了之前的多项式拟合方式。该方法需要获取系统一次调频的介入时间，实现较为困难。当前有学者采用了去趋势波动分析法(detrended fluctuation analysis，DFA)，根据电压的相角和幅值，可以诊断故障发生的时间。但是，该方法需要广域相量测量系统(wide areamonitoring system，WAMS)。
有学者发现扰动期间不同节点的频率不一致导致惯量评估的误差增大，即电力系统的频率分布特性会影响惯量评估的精度，通过观测各发电机出口断路器状态提出了在线评估惯量的方法。该方法并不适用于新能源电力系统。系统平均频率的概念，通过本发明的目的在于解决现有技术存在的上述问题，通过考虑有源配电网能量存储单元的功率控制，基于等效面积法，构建有源配电网负荷模型，实现配电负荷参与电网调峰。本发明采用的方法，能够更有效和可靠的进行有源配电网负荷的调控，为有源配电网与大电网的协调运行和控制提供技术依据和实用化方法。
因此，传统惯量评估方法忽略了惯量评估的位置对惯量评估精确程度的影响，导致评估精确难以保证的问题，就成为本领域技术人员不断研发的新课题。
发明内容
针对上述现有技术中存在的不足之处，本发明提供了一种基于量子衍生算法的惯量评估方法。其目的是为了采用量子衍生算法，考虑惯性评估的位置对惯量评估精确度的影响，更有效和可靠的评估电力系统管理时间常数，为提升整个系统的等效惯量评估提供技术依据和实用方法的发明目的。
本发明为实现上述目的所采用的技术方案是：
一种基于量子衍生算法的惯量评估方法，包括以下步骤：
步骤1.获取各台发电机运行参数；
步骤2.获取电力系统的有功功率偏差；
步骤3.建立基于发电机摇摆方程与各台发电机的惯性时间常数的目标函数；
步骤4.输入惯性时间常数维数，生成初始种群；
步骤5.输入惯性时间常数约束；
步骤6.设定ARQEA算法参数；
步骤7.计算惯量评估目标；
步骤8.输出最优惯性时间常数。
更进一步的，所述发电机运行参数包括：发电机的额定容量和发电机出口频率；所述有功功率偏差指整个系统的有功功率缺额。
更进一步的，步骤3所述建立基于发电机摇摆方程与各台发电机的惯性时间常数的目标函数，如下式所示：
Figure BDA0003453716920000031
其中，F为目标函数,i为第i台发电机，Hi为各发电机惯性时间常数，Si为发电机的额定容量，fi为发电机出口频率，fn是电力系统的额定频率，G为发电机集合,d为求导符号，t表示频率所对应的时间。
更进一步的，步骤4所述输入惯性时间常数维数，生成初始种群；包括以下步骤：
步骤(1)把单台发电机惯性时间常数作为目标函数；
步骤(2)把发电机额定容量，出口频率作为输入量；
步骤(3)根据发电机的摇摆方程计算单台发电机惯性时间常数。
更进一步的，步骤4所述输入惯性时间常数维数，生成初始种群，包括以下步骤：
步骤(1)获取第i台发电机出口处频率fi，第I台发电机的额定容量Si，电力系统的额定频率fn，Pmi和Pei分别是第i台发电机的机械功率和电磁功率；
步骤(2)则第i台发电机的惯性时间常数Hi，作为目标函数表达式为：
Figure BDA0003453716920000032
步骤(3)初始种群即为各发电机惯性时间常数。
更进一步的，步骤5所述输入惯性时间常数约束为通常各发电厂惯性时间常数范围：3s～6s。
更进一步的，步骤6所述设定ARQEA算法参数为进化算法中通用参数，包括：种群数、迭代次数和控制效果参数K。
更进一步的，步骤7所述计算惯量评估目标；包括以下步骤：
步骤(1)将整个系统的等效惯性时间常数作为目标函数；
步骤(2)将整个系统的发电机总容量、有功缺额和惯量中心频率作为输入量；
步骤(3)目标函数是否达到步骤5中收敛条件，是否需要混合进化策略；
步骤(4)对较差的发电机惯性时间函数采用尺度收缩的局部搜索；
步骤(5)对较优的发电机惯性时间函数向最优解逼近并沿途搜索更优解；
步骤8.输出最优惯性时间常数。
一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在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所述的一种基于量子衍生算法的惯量评估方法的步骤。
一种计算机存储介质，所述计算机存储介质上存有计算机程序，所述计算机程序被处理器执行时实现所述的一种基于量子衍生算法的惯量评估方法的步骤。
本发明具有以下有益效果及优点：
本发明提出了一种基于量子衍生算法的电力系统等效惯量评估方法，先以发电机摇摆方程构造目标函数，利用量子衍生算法求解出各台发电机的惯性时间常数，进而计算出整个电力系统的等效惯性时间常数，提升对整个系统等效惯量评估的精确程度。
本量子衍生算法的惯量评估方法，能够提高惯量评估的准确性,通过量子衍生算法的预测，来减小位置对惯量评估的影响，提高预测的精准度。
本发明方法易于实施,是在原有经典遗传算法的基础上，进行改进使得在经典遗传算法中完全确定的染色体上的编码位点在量子遗传算法中成为态矢的线性组合。当采用二进制编码时，每个节点既可能为0，也可能为1。对染色体上的每个编码位点都进行一次测量，之后染色体将塌缩到一个确定的值。再由这一测量结果代替染色体进行评测。因此量子衍生进化算法具有种群多样性好、收敛速度快的优点。
本发明方法还具有便于商业化开发的特点，随着风电机组等新能源发电厂并入电网，电网内的惯量将难以估计，本发明估算精确且易于计算，具有较为可观的商业开发前景。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明量子衍生算法的惯量评估方法总体流程图；
图2是本发明搭建IEEE新英格兰39节点网络模型拓扑结构图；
图3是本发明量子衍生算法的惯量评估方法仿真曲线。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面将结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
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他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
下面参照图1-图3描述本发明一些实施例的技术方案。
实施例1
本发明提供了一个实施例，是一种基于量子衍生算法的惯量评估方法，本发明基于量子衍生算法理论，考虑惯量评估中各种位置条件，建立发电机摇摆方程与各发电机惯性时间常数的目标函数，并在考虑惯性时间常数约束和混合进化策略，从而较大的提高了惯量评估的可靠性和准确性。
本发明方法先以发电机摇摆方程构造目标函数，再利用量子衍生算法求解各台发电机的惯性时间常数，由此计算出整个电力系统的有效惯性时间常数的方法来实现惯量时间常数的可靠准确评估。
本发明一种基于量子衍生算法的惯量评估方法，量子衍生算法是指将经典遗传算法的进制编码改为量子比特编码使得在经典遗传算法中完全确定的染色体上的编码位点在量子遗传算法中成为态矢的线性组合。
本发明具体包括以下步骤：
步骤1.获取各台发电机运行参数；
所述各台发电机运行参数包括：发电机的额定容量S和发电机出口频率f；
步骤2.获取电力系统的有功功率偏差；
所述有功功率偏差指整个系统的有功功率缺额ΔP；
步骤3.建立基于发电机摇摆方程与各台发电机的惯性时间常数的目标函数；
如下式所示：
Figure BDA0003453716920000061
其中，F为目标函数,i为第i台发电机，Hi为各发电机惯性时间常数，Si为发电机的额定容量，fi为发电机出口频率，fn是电力系统的额定频率，G为发电机集合,d为求导符号，t表示频率所对应的时间。
步骤4.输入惯性时间常数维数，生成初始种群；具体包括以下步骤：
步骤(1)把单台发电机惯性时间常数作为目标函数；
步骤(2)把发电机额定容量，出口频率作为输入量；
步骤(3)根据发电机的摇摆方程计算单台发电机惯性时间常数；
步骤5.输入惯性时间常数约束；
所述输入惯性时间常数约束为通常各发电厂惯性时间常数大约范围：3s～6s；
步骤6.设定ARQEA算法参数；
所述设定ARQEA算法参数为进化算法中通用参数，包括：种群数、迭代次数和控制效果参数K；所述ARQEA算法是现有技术，全名为基于等位基因的实数编码量子进化算法。
步骤7.计算惯量评估目标；具体包括以下步骤：
步骤(1)把整个系统的等效惯性时间常数作为目标函数；
步骤(2)把整个系统的发电机总容量、有功缺额和惯量中心频率作为输入量；
步骤(3)目标函数是否达到步骤5中收敛条件，是否需要混合进化策略；
步骤(4)对较差的发电机惯性时间函数采用尺度收缩的局部搜索；
步骤(5)对较优的发电机惯性时间函数向最优解逼近并沿途搜索更优解；
步骤8.输出最优惯性时间常数。
如图1所示，是本发明量子衍生算法的惯量评估方法总体流程图，从图中的流程可以看出，本发明方法是通过建立各台发电机惯性时间常数为目标函数，以各台发电机惯性时间常数作为种群，经时间常数约束，经混合进化策略进行数据筛选的惯量评估方法，这是与现有方存在的本质区别所在。
如图2所示，是本发明搭建IEEE新英格兰39节点网络模型拓扑结构图，图中模型共有10台发电机，29条未直接连接发电机的母线，假设本惯量评估方法可覆盖电网中所有母线节点，对该电网惯量特征进行计算评估。
如图3所示，图3是本发明量子衍生算法的惯量评估方法仿真曲线。选取扰动发生时刻的近似值作为采样时刻t1，先以发电机G10切机为例对惯量评估的流程进行简要阐述。通过本文所提方法，利用BUS2的频率数据作为计算参数，可以得到系统等效惯量随采样时刻t2变化而变化的曲线图。
实施例2
本发明又提供了一个实施例，是一种基于量子衍生算法的惯量评估方法，其中：
步骤4.所述输入惯性时间常数维数，生成初始种群，包括以下步骤：
步骤(1)获取第i台发电机出口处频率fi，第I台发电机的额定容量Si，电力系统的额定频率fn，Pmi和Pei分别是第i台发电机的机械功率和电磁功率；
步骤(2)则第i台发电机的惯性时间常数Hi，作为目标函数表达式为：
Figure BDA0003453716920000071
步骤(3)初始种群即为各发电机惯性时间常数；
其它步骤同实施例1相同。
实施例3
本发明又提供了一个实施例，是一种基于量子衍生算法的惯量评估方法，其中：步骤7所述计算惯量评估目标，是指计算整个系统的等效性惯量时间常数Hsys；具体包括以下步骤：
步骤(1)获取整个系统的发电机总容量Ssys；整个系统的有功功率缺额ΔP；整个系统的惯量中心频率fCOI；
步骤(2)整个系统的等效性惯量时间常数Hsys目标函数为：
Figure BDA0003453716920000072
上式中：ΔPi为发电机i的有功功率缺额。
步骤(3)所述混合进化策略为对于较优和较差不同的发电机组惯性时间常数进行不同搜索；
步骤(4)所述对较差的发电机惯性时间函数采用尺度收缩的局部搜索公式为：
Figure BDA0003453716920000081
其中，xinew为局部搜索后的第i台发电机新的时间惯性函数,xi为第i台发电机惯性时间函数,U(-1,1)为-1到1之间的随机分布，r为当前代数，g为最大迭代代数，
Figure BDA0003453716920000082
为随代数r的增大从1到0递减变化的收缩函数，使得变异的尺度随着进化逐渐减小，Δd为允许变异的范围。
步骤(5)所述对较优的发电机惯性时间函数向最优解逼近并沿途搜索更优解公式为：
Figure BDA0003453716920000083
其中，sign(xi *-xi)控制进化方向，K为设定的常数，控制有向进化的步长，|xi *-xi|为进化的最大幅度。
其它步骤同实施例1相同。
实施例4
基于同一发明构思，本发明实施例还提供了一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在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实施例1或2所述的任意一种基于量子衍生算法的惯量评估方法的步骤。
实施例5
基于同一发明构思，本发明实施例还提供了一种计算机存储介质，所述计算机存储介质上存有计算机程序，所述计算机程序被处理器执行时实现实施例1或2所述的任意一种基于量子衍生算法的惯量评估方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.一种基于量子衍生算法的惯量评估方法，其特征是：包括以下步骤：
步骤1.获取各台发电机运行参数；
步骤2.获取电力系统的有功功率偏差；
步骤3.建立基于发电机摇摆方程与各台发电机的惯性时间常数的目标函数；
步骤4.输入惯性时间常数维数，生成初始种群；
步骤5.输入惯性时间常数约束；
步骤6.设定ARQEA算法参数；
步骤7.计算惯量评估目标；
步骤8.输出最优惯性时间常数。
2.根据权利要求1所述的一种基于量子衍生算法的惯量评估方法，其特征是：所述发电机运行参数包括：发电机的额定容量和发电机出口频率；所述有功功率偏差指整个系统的有功功率缺额。
3.根据权利要求1所述的一种基于量子衍生算法的惯量评估方法，其特征是：步骤3所述建立基于发电机摇摆方程与各台发电机的惯性时间常数的目标函数，如下式所示：
Figure RE-FDA0003639190120000011
其中，F为目标函数,i为第i台发电机，Hi为各发电机惯性时间常数，Si为发电机的额定容量，fi为发电机出口频率，fn是电力系统的额定频率，G为发电机集合,d为求导符号，t表示频率所对应的时间。
4.根据权利要求1所述的一种基于量子衍生算法的惯量评估方法，其特征是：步骤4所述输入惯性时间常数维数，生成初始种群；包括以下步骤：
步骤(1)把单台发电机惯性时间常数作为目标函数；
步骤(2)把发电机额定容量，出口频率作为输入量；
步骤(3)根据发电机的摇摆方程计算单台发电机惯性时间常数。
5.根据权利要求1所述的一种基于量子衍生算法的惯量评估方法，其特征是：步骤4所述输入惯性时间常数维数，生成初始种群，包括以下步骤：
步骤(1)获取第i台发电机出口处频率fi，第I台发电机的额定容量Si，电力系统的额定频率fn，Pmi和Pei分别是第i台发电机的机械功率和电磁功率；
步骤(2)则第i台发电机的惯性时间常数Hi，作为目标函数表达式为：
Figure RE-FDA0003639190120000021
步骤(3)初始种群即为各发电机惯性时间常数。
6.根据权利要求1所述的一种基于量子衍生算法的惯量评估方法，其特征是：步骤5所述输入惯性时间常数约束为通常各发电厂惯性时间常数范围：3s～6s。
7.根据权利要求1所述的一种基于量子衍生算法的惯量评估方法，其特征是：步骤6所述设定ARQEA算法参数为进化算法中通用参数，包括：种群数、迭代次数和控制效果参数K。
8.根据权利要求1所述的一种基于量子衍生算法的惯量评估方法，其特征是：步骤7所述计算惯量评估目标；包括以下步骤：
步骤(1)将整个系统的等效惯性时间常数作为目标函数；
步骤(2)将整个系统的发电机总容量、有功缺额和惯量中心频率作为输入量；
步骤(3)目标函数是否达到步骤5中收敛条件，是否需要混合进化策略；
步骤(4)对较差的发电机惯性时间函数采用尺度收缩的局部搜索；
步骤(5)对较优的发电机惯性时间函数向最优解逼近并沿途搜索更优解；
步骤8.输出最优惯性时间常数。
9.一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在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权利要求1-8中任一所述的一种基于量子衍生算法的惯量评估方法的步骤。
10.一种计算机存储介质，其特征是：所述计算机存储介质上存有计算机程序，所述计算机程序被处理器执行时实现权利要求1-8中任一所述的一种基于量子衍生算法的惯量评估方法的步骤。
CN202111673654.7A 2021-12-31 2021-12-31 一种基于量子衍生算法的惯量评估方法 Pending CN114638074A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111673654.7A CN114638074A (zh) 2021-12-31 2021-12-31 一种基于量子衍生算法的惯量评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111673654.7A CN114638074A (zh) 2021-12-31 2021-12-31 一种基于量子衍生算法的惯量评估方法

Publications (1)

Publication Number Publication Date
CN114638074A true CN114638074A (zh) 2022-06-17

Family

ID=81945748

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111673654.7A Pending CN114638074A (zh) 2021-12-31 2021-12-31 一种基于量子衍生算法的惯量评估方法

Country Status (1)

Country Link
CN (1) CN114638074A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116191478A (zh) * 2023-04-23 2023-05-30 国网山西省电力公司电力科学研究院 一种多个异步电机等效惯量评估和频率响应建模方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116191478A (zh) * 2023-04-23 2023-05-30 国网山西省电力公司电力科学研究院 一种多个异步电机等效惯量评估和频率响应建模方法

Similar Documents

Publication Publication Date Title
CN107392418B (zh) 一种城市配电网网络重构方法及系统
CN114726009B (zh) 考虑功率预测的风电场群无功分层优化控制方法及其系统
CN111291978A (zh) 一种基于Benders分解的两阶段储能方法及系统
Wang et al. Multilevel energy management of a DC microgrid based on virtual-battery model considering voltage regulation and economic optimization
CN114678860A (zh) 基于深度强化学习的配电网保护控制方法及系统
CN114638074A (zh) 一种基于量子衍生算法的惯量评估方法
CN105337290A (zh) 一种适用于电力系统低频振荡辅助决策的无功调整方法
CN113078633B (zh) 一种含可再生能源的输配电耦合系统恢复力提升方法
CN109830987A (zh) 计及分布式光伏随机性的主动配电网概率稳定性分析方法
Wu et al. Delay-dependent Wide-area Damping Controller Synthesis Approach Using Jensen's Inequality and Evolution Algorithm
CN118157154A (zh) 一种计及暂态电压稳定性机理的约束构建方法
CN112510685B (zh) 一种城市电网风险规避预测控制方法及装置
CN117977554A (zh) 计及风荷不确定性的概率暂态稳定约束最优潮流求解方法
CN117578611A (zh) 新能源并网低短路比地区调相机优化配置方法及装置
CN113097994A (zh) 基于多强化学习智能体的电网运行方式调节方法及装置
CN115133540B (zh) 一种配电网无模型的实时电压控制方法
Yin et al. Multi-objective high-dimensional multi-fractional-order optimization algorithm for multi-objective high-dimensional multi-fractional-order optimization controller parameters of doubly-fed induction generator-based wind turbines
Dash et al. Optimal control of PV–WS battery-based microgrid using an adaptive water cycle technique
CN113162063B (zh) 一种抑制超低频振荡的多直流协调控制器设计方法
CN114298429A (zh) 一种配电网动案辅助决策方法、系统、装置和存储介质
CN113922384A (zh) 一种风电场分散式无功电压优化协调控制方法
CN104638621B (zh) 一种基于dsr的电网下重合闸及紧急控制综合优化方法
CN114298478A (zh) 一种风电并网系统小扰动稳定辨识方法及系统
CN104679937A (zh) 一种适于隐式投影算法的误差估计及参数自适应调节方法
CN117154735B (zh) 一种适用于新能源发电台区的潮流计算方法、设备及介质

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