CN114977205B - 基于改进自适应惯性权重的主动配电网电压控制方法 - Google Patents
基于改进自适应惯性权重的主动配电网电压控制方法 Download PDFInfo
- Publication number
- CN114977205B CN114977205B CN202210653051.9A CN202210653051A CN114977205B CN 114977205 B CN114977205 B CN 114977205B CN 202210653051 A CN202210653051 A CN 202210653051A CN 114977205 B CN114977205 B CN 114977205B
- Authority
- CN
- China
- Prior art keywords
- particle
- node
- power
- voltage
- formula
- 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.)
- Active
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000002245 particle Substances 0.000 claims abstract description 136
- 238000005192 partition Methods 0.000 claims abstract description 45
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 57
- 238000012545 processing Methods 0.000 claims description 25
- 238000010248 power generation Methods 0.000 claims description 15
- 238000000638 solvent extraction Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000002347 injection Methods 0.000 claims description 6
- 239000007924 injection Substances 0.000 claims description 6
- 230000001105 regulatory effect Effects 0.000 claims description 6
- 230000001276 controlling effect Effects 0.000 claims description 4
- 125000003275 alpha amino acid group Chemical group 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 238000005755 formation reaction Methods 0.000 claims 1
- 238000012549 training Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 239000000243 solution Substances 0.000 description 5
- 230000002068 genetic effect Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000004260 weight control Methods 0.000 description 1
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
- H02J3/16—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by adjustment of reactive power
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
-
- 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
- H02J3/001—Methods to deal with contingencies, e.g. abnormalities, faults or failures
-
- 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
- H02J3/388—Islanding, i.e. disconnection of local power supply from the network
-
- 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
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/30—Reactive power compensation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Power Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于改进自适应惯性权重的主动配电网电压控制方法，其步骤包括：1、获取分布式电源的特征参数，对获得的数据进行预处理；2、构建邻接矩阵和无向图模型；3、采用STGCN进行训练确定分区方案；4、在分区方案的基础上设定有源配电系统中以电压偏差和网络损耗最小为目标函数；5、确定约束条件；6、采用自适应惯性权重改进的粒子群优化算法方法进行电压控制的寻优。本发明无需额外获取冗杂的配电网参数即可实现孤岛分区任务，从而能实现电网网损和电压偏差最小的优化控制目标，并能提高电压质量。
Description
技术领域
本发明涉及主动配电网孤岛分区和电压控制，具体地说是一种基于自适应惯性权重改进的粒子群优化算法的电压控制方法，适用于配电网中出现随机突发故障的环境，支持故障时进行微电网的孤岛划分和分区后的电压控制。
背景技术
分布式发电作为一种新型的、分散化配置在用户侧的小型发电系统，一般在50MW以下，可有效解决传统大电网存在的一些弊端。与传统的集中式发电方式相比，具有以下方面的优势：装机容量小，建设投资成本小；可实现多种能源的互补利用和灵活调度，因地制宜，充分利用可再生能源和清洁型能源，减少环境污染；通常配置在用户侧，避免了电能的远距离传输，减小了电能输送压力及传输损耗。但是，随着分布式发电技术的不断发展，分布式电源在配电网中渗透率的逐步增加，改变了配电网结构，对电力系统的稳定运行带来了影响。受风、光等自然因素的影响，分布式电源的输出功率具有随机性、波动性以及间歇性等特征，给配电网的的安全运行和协调控制造成了极大的困难，使得分布式发电技术的发展前景不容乐观。
微电网可有效解决分布式电源接入配电网所带来的问题，最大限度地发挥其优势，提高可再生能源利用率，近年来迅速成为各国研究的主题。微电网是由分布式电源、储能系统、能量转换装置、监测和保护装置以及负荷等汇集而成的小型发配电系统，可灵活控制且具有较强的可调度性。微电网与大电网相连，并网运行时可作为负载。孤岛运行时，可作为独立的自治系统，提高供电可靠性。特殊场景下，可根据实际运行情况进行并网或离网切换。微电网中基于形式多样的可再生能源的分布式电源，具有低碳环保，后续运行成本低，经济效益高的特点。在中国，尤其是西北地区富含相当丰富的风、光等可再生能源。发展微电网技术，不但能提高分布式电源消纳，而且能推进国家坚强智能电网的进一步规划建设，给可再生能源丰富地区的经济发展注入新的活力。微电网技术的发展能够最大程度的发挥微电网融合多元能源、灵活多变的供需优势。但是，由于其分布式电源的多样性、运行模式多变以及大量电力电子器件的使用，使得微电网中电能质量问题具有独特性。首先，分布式电源和负荷的波动，系统受到的频繁扰动，均会引起微电网频率偏差、电压偏差和电压波动等电能质量问题，给微电网的安全稳定运行带来了极大的隐患。其次，整流装置、变频器等非线性用电设备的使用，三相电源不平衡以及大量不平衡单相负载接入，造成微电网电压不平衡和谐波污染，严重时导致逆变器过流、引发谐振。再者，并网时，配电网的电能质量问题将会通过联络线蔓延至微电网，影响微电网供电可靠性。尤其会导致微电网与配电网的公共耦合点电压质量变差，进而影响敏感设备和重要负荷的用电需求。因此，针对现代电力系统各地区、多类型、多层次电力负荷对电能质量的多样化需求问题，研究改善微电网的电压质量协调优化控制策略是必要且有重要意义的。
电网分区从数学角度来看，是一个组合优化，求解最优解的过程。因此许多智能优化算法被用于求解此类问题，如Tabu搜索法、遗传算法、免疫算法、模拟退火法、进化算法等现代启发式方法被广泛应用于电力系统无功电压分区研究领域。西安交通大学的胡泽春等人提出的基于遗传算法和向上合并分级无功电压分区方法(电网技术，2005，用于无功优化控制分区的两层搜索方法)，考虑区内连通性和无功储备约束建立优化目标函数。在此基础上，首先采用遗传算法求解初始的系统分区节点，然后将电力网络中剩余节点与其电气距离最近为准则，依据向上合并原则，形成以初始节点为中心的分区。该方法提高了遗传算法的搜索速度，但却需预先确定分区的数目,对于实际孤岛分区的过程中的分区情况无法正确判断。东南大学的刘大鹏等(电力系统自动化，2002，基于Tabu搜索的电压控制分区)提出了基于禁忌(Tabu)搜索法的电压分区方法。该方法通过潮流计算获得配电网无功电压灵敏度矩阵，以此来定义电网各节点间的电气距离，并将其映射到几何空间。映射完成后，在给定初始解和迭代次数的基础上，采用禁忌搜索算法对空间中的各节点进行搜索，进行配电网电压控制区域的划分。禁忌技术的应用，缩小了搜索的范围，提高了效率。但是受限于初始分区个数的设定，系统较大时，往往会出现某个局部区域为空的现象。电网从拓扑角度而言，是一个连接复杂的网络，因此，将复杂网络理论引入电网无功电压分区研究中。重庆大学的黄晗将整个网络看作一个社区，通过社区挖掘的方法进行分区。(重庆大学硕士学位论文，2016，基于社区挖掘的电力系统无功电压分区方法研究)逐次搜索电力网络中各节点与其它节点间的最短路径，据此计算所有边的介数值并移除介数值最大的边。对于最大介数值同时对应的多条边，随机选择任意一条移除。对剩余网络中的边，重复更新介数值、搜索和移除，直至完成所有社区的挖掘。但该方法需反复计算介数值，不适用于大型网络和稀疏网络。
针对主动配电网的电压协调控制做了初步研究。北京交通大学的王健考虑风电和光伏发电出力的不确定性，建立基于机会约束的配电网随机调度模型，采用粒子群算法求解，在某地区实际配网系统上的仿真结果验证了所提方法的有效性。(电力系统保护与控制，2014，基于机会约束规划的主动配电网能量优化调度研究)但是经典的粒子群算法存在一个局限性，就是容易早熟、陷入局部最优解，从而导致对电网电压控制无法寻求全局最优解导致实际控制效果不佳。
发明内容
本发明是为避免上述现有技术所存在的不足之处，提供一种基于改进自适应惯性权重的主动配电网电压控制方法，以期能够支持故障下的主动配电网合理的孤岛分区和在分区后的电压控制，从而能解决光伏渗透率高的主动配电网的潮流倒送和电压越限问题，并能提高电网的稳定性和安全性。
本发明为达到上述发明目的，采用如下技术方案：
本发明一种基于改进自适应惯性权重的主动配电网电压控制方法的特点在于，包括以下步骤：
步骤一、实时获取主动配电网的实际特征数据并进行预处理，得到预处理后的特征数据；
步骤二、以主动配电网的电网节点作为节点，以电网节点之间的线路连接状况作为边，并构建主动配电网的图结构；
根据所述图结构和预处理后的特征数据，构建当前t时刻的邻接矩阵以及图结构上所有电网节点的节点特征，从而建立当前t时刻的无向图模型其中，E表示电网节点之间的线路连接状况所构成的边集合；W表示当前t时刻的无向图模型Gt的加权邻接矩阵；/>表示当前t时刻的n个电网节点的节点特征集合；Rn表示n个电网节点的n维向量空间；
利用式(1)得到当前t时刻的后H个时间段的n个电网节点的节点特征
式(1)中，vt表示当前t时刻的n个电网节点的节点特征，表示t+H时刻的n个电网节点的节点特征，M表示当前t时刻之前的时间段数量；
步骤三、建立关于主动配电网的神经网络STGCN模型，包括：F个时空卷积块和一个全连接层组成；每个时空卷积块由两个门控序列卷积层及其中间的图卷积层构成；
步骤3.1所述时空卷积块的处理：
当f＝1时，将当前t时刻的前M个时间段的n个电网节点的节点特征vt-M+1，…，vt输入第f个时空卷积块中，并经过第一个门控序列卷积层的处理后，得到第f个时间节点特征后，再经过中间的图卷积层的聚合处理，得到第f个空间节点特征，最后经过第二个门控序列卷积层的处理后，输出第f个时空节点特征；
当f＝2,3,…,F时，将第f-1个时空卷积块输出的第f-1个时空节点特征输入第f个时空卷积块中进行处理，并由第f个时空卷积块输出第f个时空节点特征，从而由第F个时空卷积块输出最终第F个时空节点特征并作为全连接层的输入；进而由所述全连接层对最终第F个时空节点特征进行处理并输出n个电网节点的聚合特征
步骤四、确定分区结果：
步骤4.1利用softmax多分类层对聚合特征进行处理后再进行归一化处理，从而转化为概率分布，并应用argmax函数对所述概率分布进行处理，得到分区结果标识向量；
步骤4.2利用式(3)构建功率平衡约束：
∑PS,μ(t)+∑PW,μ(t)+∑PPV,μ(t)≥PL(t)+PLoss(t) (3)
式(3)中，PS,μ(t)、PW,μ(t)和PPV,μ(t)分别为主动配电网中当前t时刻的第μ个可调度分布式发电设备、风力发电设备和光伏发电设备的输出功率；PL(t)和PLoss(t)是主动配电网当前t时刻的的总负载和功率损失；
步骤4.3利用式(4)构建分布式电源容量限制约束：
式(4)中：G表示主动配电网的故障下游中所有分布式电源的节点所构成的集合；As表示负荷节点s的所有相邻节点构成的集合；Xs表示负荷节点s的供电恢复状态，当Xs＝0时，表示负荷节点s未恢复供电，Xs＝1时，表示负荷节点s已恢复供电；xδ表示负荷节点s的所有相邻节点构成的集合中的第δ个负荷节点的供电恢复状态；
步骤4.4将分区结果标识向量中，不满足功率平衡约束和分布式电源容量限制约束的概率置零，从而得到处理后的分区结果标识向量，并用于对主动配电网进行分区，并得到分区子区域；
步骤五、根据所述分区结果，建立优化目标函数；
步骤5.1利用式(5)构建电压偏差最小的优化目标函数J1：
式(5)中：T为优化的时间段；a为分区后的子区域编号，Na为主动配电网的子区域a的电网节点集合；Ui,τ为τ时段第i个电网节点的电压幅值；为τ时段第i个电网节点的基准电压幅值；Ui,max和Ui,min分别为第i个电网节点的最大允许电压和最小允许电压；
步骤5.2利用式(6)构建网损最小的优化目标函数J2：
式(6)中，Iij表示第i个电网节点与第j个电网节点之间支路的电流幅值，rij表示第i个电网节点与第j个电网节点之间支路的阻抗，L为子区域的编号集，Ea为主动配电网的第a个子区域中支路的集合；
步骤5.3利用式(7)构建整合目标函数J*:
J*＝ε1J1+ε2J2 (7)
式(7)中，ε1和ε2为归一化权重系数；
步骤5.3建立主动配电网中的光伏逆变器PV控制的无功功率输出与目标函数中电网节点的电压的关系：
利用式(8)建立所述主动配电网中电网节点的电压和无功功率的关系式，并通过控制所述无功功率来调节电压，实现对两个优化目标函数的控制：
式(8)中，Pj、Qj分别为第j个电网节点的有功注入功率和无功注入功率，Ui表示第i个电网节点的电压；Uj表示第j个电网节点的电压幅值；J表示虚数单位；
步骤六、添加电压控制约束；
步骤6.1利用式(9)和式(10)构建配电网潮流约束：
式(9)和式(10)中，θij为第i个电网节点与第j个电网节点之间的电压向量的相位差；Gij和Bij分别为第i个电网节点与第j个电网节点之间线路的电导和电纳；Uj表示第j个电网节点的电压；
步骤6.2利用式(11)和式(12)分别构建安全电压约束、安全电流约束：
式(11)和式(12)中，和/>分别为第i个电网节点的电压Ui允许的电压最小值和最大值，/>和/>分别为第i个电网节点和第j个电网节点之间允许经过的电流最小值和最大值；
步骤6.3利用式(13)构建光伏逆变器的容量约束：
式(13)中，和/>分别为第ξ个电网节点的光伏逆变器实时有功功率和容量；为安装在第ξ个电网节点的光伏逆变器在t时刻的无功功率；ξ∈NPV，NPV为所有光伏逆变器所在的电网节点的序号集合；
步骤七、由调控无功功率的目标函数、电压控制约束、安全电压电流约束和PV容量约束构成无功电压控制模型，并以基于自适应惯性权重改进的粒子群优化算法对所述无功电压控制模型进行求解，得到电压控制的最优方案；
步骤7.1：初始化粒子群参数：
设定粒子群的种群大小为λ，令ζ个具有PV逆变器的电网节点的粒子群记为 其中，Qη表示第η个粒子，且/> 表示第η个粒子的第ξ个PV节点的无功功率，ξ∈[1,ζ]；
初始化粒子群中的每个粒子的速度向量为0；初始化粒子群/>中的每个粒子的位置向量为满足从PV节点无功功率最小值到最大值的正态分布的λ个值；初始化第η个粒子Qη的个体历史最优位置为/>初始化粒子群/>的群体历史最优位置为gsite；
定义最大迭代次数为K、当前迭代次数为k，设置惩罚系数为令第k次迭代的粒子群/>的第η个粒子/>的适应度/>为第k次迭代的第η个粒子/>的位置向量调控无功功率所对应的目标函数值；
步骤7.2：初始化k＝1，计算第k次迭代的粒子群的第η个粒子/>的适应度并初始化第η个粒子/>的个体历史最优适应度为/>初始化第k次迭代的粒子群/>的群体历史最优适应度为gfitness；
步骤7.3：比较第k次迭代的粒子群中第η个粒子/>的适应度/>是否小于自身个体历史最优适应度/>若是，则将第k次迭代的粒子群中第η个粒子/>中的位置向量赋值给第η个粒子/>的个体历史最优位置，并更新个体历史最优适应度/>否则，保留所述第η个粒子/>的个体历史最优位置及其个体历史最优适应度/>
步骤7.4：比较第k次迭代的粒子群中所有粒子的最小适应度是否小于群体历史最优适应度gfitness，若是，则将第k次迭代的粒子群/>中最小适应度所对应的粒子的位置向量赋值给群体历史最优位置并更新群体历史最优适应度gfitness，否则，保留所述群体历史最优位置及其群体历史最优适应度gfitness；
步骤7.5：利用式(14)计算第k次迭代的粒子群中第η个粒子/>的惯性权重/>
式(14)中，ωmin为所设定的惯性权重的最小值，ωmax为所设定的惯性权重的最大值，为第k次迭代的粒子群/>中所有粒子的适应度的平均值，/>为第k次迭代的粒子群/>的适应度的下界；
步骤7.6：更新第k次迭代的粒子群的位置向量和速度向量：
根据粒子第k次迭代的粒子群中第η个粒子/>的速度向量和位置向量，得到第k+1次迭代的粒子群/>中第η个粒子/>的位置向量；
根据粒子第k次迭代的粒子群中第η个粒子/>的速度向量、位置向量、惯性权重、个体历史最优位置和群体历史最优位置，得到第k+1次迭代的粒子群/>中第η个粒子的速度向量；
步骤7.7：根据第k+1次迭代的粒子群中第η个粒子/>的位置向量，计算第k+1次迭代的粒子群/>中第η个粒子/>的适应度/>
步骤7.8：将k+1赋值给k后，若k>K，则停止迭代，并将第K次迭代的粒子群的群体历史最优位置作为所有PV节点的光伏逆变器输出的无功功率，从而对子区域a中所有电网节点进行电压控制，否则，返回执行步骤7.3顺序执行。
与现有技术相比，本发明的有益效果在于：
1、本发明图卷积网络可以对现实生活中许多结构不规则的非欧式数据进行建模，捕获数据的内部依赖关系，主要应用于节点分类、链路预测与聚类任务中。而主动配电网数据可以用典型的图结构数据形式表示，以此同时表征图上节点的特征信息与结构信息，进而便可利用图卷积网络，直接作用于主动配电网图数据模型，不仅可以利用多个图卷积层自动提取输入数据的特征，同时还计及各个节点之间的拓扑结构，将具有潜在一致性的节点聚类，实现了在满足功率平衡等约束下，主动配电网节点根据其能源与信息特征进行多目标优化分区的目的。
2、本发明在图卷积的基础上使用时空图卷积网络进行孤岛分区，该方法可以充分提取主动配电网的空间特征和时间特征，在分区过程中可以整合更多的节点特征，相比于以往的分区方法更加快捷准确。
3、本发明通过在经典的粒子群算法中添加自适应惯性权重的动态调节，在启动对算法的应用过程中，通过提高惯性权重来强化粒子的搜索功能，在靠近全局最优解的情况下，通过降低惯性权重来实现搜索精准程度的强化，从而能在故障时对主动配电网进行快速孤岛划分并对子区域进行电压控制，并提高了电压质量。
附图说明
图1为本发明总体流程图；
图2为本发明时空图结构图；
图3为本发明STGCN的结构图。
具体实施方式
本实施例中，一种基于改进自适应惯性权重的主动配电网电压控制方法，总体过程如图1所示，包括以下步骤：
步骤一、实时获取主动配电网的实际特征数据并进行预处理，得到预处理后的特征数据；主动配电网实际特征数据属性包括：分布式电源实际物理拓扑以及相应分布式电源节点随时间波动的功率与电压信息作为其节点特征；
步骤二、以主动配电网的电网节点作为节点，以电网节点之间的线路连接状况作为边，并构建主动配电网的图结构；
根据图结构和预处理后的特征数据，构建当前t时刻的邻接矩阵以及图结构上所有电网节点的节点特征，从而建立当前t时刻的无向图模型其中，E表示电网节点之间的线路连接状况所构成的边集合；W表示当前t时刻的无向图模型Gt的加权邻接矩阵；/>表示当前t时刻的n个电网节点的节点特征集合；Rn表示n个电网节点的n维向量空间；使用两步构建节点分区的时空图。如图2所示，第一步，不同时间段同一节点之间的边表示节点间的时序关系；第二步，在每一时间点内部，按照配电网实际节点连接关系构造空间图。正式上，边的集合E有两个子集组成，第一个子集是同一时间不同节点的链接。第二个子集表示不同时间的链接。因此图中的每一个边代表一个特定的节点随着时间推移其状态。
利用式(1)得到当前t时刻的后H个时间段的n个电网节点的节点特征
式(1)中，vt表示当前t时刻的n个电网节点的节点特征，表示t+H时刻的n个电网节点的节点特征，M表示当前t时刻之前的时间段数量；
步骤三、建立关于主动配电网的神经网络STGCN模型，如图3所示，包括：F个时空卷积块和一个全连接层组成；每个时空卷积块由两个门控序列卷积层及其中间的图卷积层构成；
STGCN的训练中，代表时间的维度与代表图结构上的节点的节点特征的维度作卷积处理后，使得卷积后生成的维度中含有时间维度的节点的节点特征信息，代表空间的维度作卷积处理后，使得卷积后的代表空间的维度结合了图结构信息；经过训练进行聚类，得到ADN分区结果
步骤3.1时空卷积块的处理：
当f＝1时，将当前t时刻的前M个时间段的n个电网节点的节点特征vt-M+1，…，vt输入第f个时空卷积块中，并经过第一个门控序列卷积层的处理后，得到第f个时间节点特征后，再经过中间的图卷积层的聚合处理，得到第f个空间节点特征，最后经过第二个门控序列卷积层的处理后，输出第f个时空节点特征；
当f＝2,3,…,F时，将第f-1个时空卷积块输出的第f-1个时空节点特征输入第f个时空卷积块中进行处理，并由第f个时空卷积块输出第f个时空节点特征，从而由第F个时空卷积块输出最终第F个时空节点特征并作为全连接层的输入；进而由全连接层对最终第F个时空节点特征进行处理并输出n个电网节点的聚合特征
步骤四、确定分区结果：
步骤4.1利用softmax多分类层对聚合特征进行处理后再进行归一化处理，从而转化为概率分布，并应用argmax函数对概率分布进行处理，得到分区结果标识向量；
步骤4.2利用式(3)构建功率平衡约束：
∑PS,μ(t)+∑PW,μ(t)+∑PPV,μ(t)≥PL(t)+PLoss(t) (3)
式(3)中，PS,μ(t)、PW,μ(t)和PPV,μ(t)分别为主动配电网中当前t时刻的第μ个可调度分布式发电设备、风力发电设备和光伏发电设备的输出功率；PL(t)和PLoss(t)是主动配电网当前t时刻的的总负载和功率损失；
步骤4.30利用式(4)构建分布式电源容量限制约束：
式(4)中：G表示主动配电网的故障下游中所有分布式电源的节点所构成的集合；As表示负荷节点s的所有相邻节点构成的集合；Xs表示负荷节点s的供电恢复状态，当Xs＝0时，表示负荷节点s未恢复供电，Xs＝1时，表示负荷节点s已恢复供电；xδ表示负荷节点s的所有相邻节点构成的集合中的第δ个负荷节点的供电恢复状态；
步骤4.4将分区结果标识向量中，不满足功率平衡约束和分布式电源容量限制约束的概率置零，从而得到处理后的分区结果标识向量，并用于对主动配电网进行分区，并得到分区子区域；
步骤五、根据分区结果，建立优化目标函数；
步骤5.1利用式(5)构建电压偏差最小的优化目标函数J1：
式(5)中：T为优化的时间段；a为分区后的子区域编号，Na为主动配电网的子区域a的电网节点集合；Ui,τ为τ时段第i个电网节点的电压幅值；为τ时段第i个电网节点的基准电压幅值；Ui,max和Ui,min分别为第i个电网节点的最大允许电压和最小允许电压；
步骤5.2利用式(6)构建网损最小的优化目标函数J2：
式(6)中，Iij表示第i个电网节点与第j个电网节点之间支路的电流幅值，rij表示第i个电网节点与第j个电网节点之间支路的阻抗，L为子区域的编号集，Ea为主动配电网的第a个子区域中支路的集合；
步骤5.3利用式(7)构建整合目标函数J*:
J*＝ε1J1+ε2J2 (7)
式(7)中，ε1和ε2为归一化权重系数；
步骤5.3建立主动配电网中的光伏逆变器PV控制的无功功率输出与目标函数中电网节点的电压的关系：
利用式(8)建立主动配电网中电网节点的电压和无功功率的关系式，并通过控制无功功率来调节电压，实现对两个优化目标函数的控制：
式(8)中，Pj、Qj分别为第j个电网节点的有功注入功率和无功注入功率，Ui表示第i个电网节点的电压；Uj表示第j个电网节点的电压幅值；J表示虚数单位；
步骤六、添加电压控制约束；
步骤6.1利用式(9)和式(10)构建配电网潮流约束：
式(9)和式(10)中，θij为第i个电网节点与第j个电网节点之间的电压向量的相位差；Gij和Bij分别为第i个电网节点与第j个电网节点之间线路的电导和电纳；Uj表示第j个电网节点的电压；
步骤6.2利用式(11)和式(12)分别构建安全电压约束、安全电流约束：
式(11)和式(12)中，和/>分别为第i个电网节点的电压Ui允许的电压最小值和最大值，/>和/>分别为第i个电网节点和第j个电网节点之间允许经过的电流最小值和最大值；
步骤6.3利用式(13)构建光伏逆变器的容量约束：
式(13)中，和/>分别为第ξ个电网节点的光伏逆变器实时有功功率和容量；为安装在第ξ个电网节点的光伏逆变器在t时刻的无功功率；ξ∈NPV，NPV为所有光伏逆变器所在的电网节点的序号集合；
步骤七、由调控无功功率的目标函数、电压控制约束、安全电压电流约束和PV容量约束构成无功电压控制模型，并以基于自适应惯性权重改进的粒子群优化算法对无功电压控制模型进行求解，得到电压控制的最优方案；
步骤7.1：初始化粒子群参数：
设定粒子群的种群大小为λ，令ζ个具有PV逆变器的电网节点的粒子群记为 其中，Qη表示第η个粒子，且/> 表示第η个粒子的第ξ个PV节点的无功功率，ξ∈[1,ζ]；
初始化粒子群中的每个粒子的速度向量为0；初始化粒子群/>中的每个粒子的位置向量为满足从PV节点无功功率最小值到最大值的正态分布的λ个值；初始化第η个粒子Qη的个体历史最优位置为/>初始化粒子群/>的群体历史最优位置为gsite；
定义最大迭代次数为K、当前迭代次数为k，设置惩罚系数为令第k次迭代的粒子群/>的第η个粒子/>的适应度/>为第k次迭代的第η个粒子/>的位置向量调控无功功率所对应的目标函数值；
步骤7.2：初始化k＝1，计算第k次迭代的粒子群的第η个粒子/>的适应度并初始化第η个粒子/>的个体历史最优适应度为/>初始化第k次迭代的粒子群/>的群体历史最优适应度为gfitness；
步骤7.3：比较第k次迭代的粒子群中第η个粒子/>的适应度/>是否小于自身个体历史最优适应度/>若是，则将第k次迭代的粒子群中第η个粒子/>中的位置向量赋值给第η个粒子/>的个体历史最优位置，并更新个体历史最优适应度/>否则，保留第η个粒子/>的个体历史最优位置及其个体历史最优适应度/>
步骤7.4：比较第k次迭代的粒子群中所有粒子的最小适应度是否小于群体历史最优适应度gfitness，若是，则将第k次迭代的粒子群/>中最小适应度所对应的粒子的位置向量赋值给群体历史最优位置并更新群体历史最优适应度gfitness，否则，保留群体历史最优位置及其群体历史最优适应度gfitness；
步骤7.5：利用式(14)计算第k次迭代的粒子群中第η个粒子/>的惯性权重/>在粒子群算法中，惯性权重控制着粒子在进化过程中速度惯性的保留程度，惯性权重越大，保留程度越好，具有较强的全局搜索能力；较小的惯性权重则意味着粒子自身速度惯性保留较少，易受到之前状态的影响，具有较强的局部开发能力。粒子适应度在一定程度上反应了粒子所处状态的优劣，因此适应度较小时，需要减小惯性权重使粒子可以在其邻域内搜索，增加其局部搜索能力。当适应度较差时，需要增加其惯性权重，使得其可以跳出当前搜寻范围。提出方法令惯性权重随着适应度值改变而调整。
/>
式(14)中，ωmin为所设定的惯性权重的最小值，ωmax为所设定的惯性权重的最大值，为第k次迭代的粒子群/>中所有粒子的适应度的平均值，/>为第k次迭代的粒子群/>的适应度的下界；
步骤7.6：更新第k次迭代的粒子群的位置向量和速度向量：
根据粒子第k次迭代的粒子群中第η个粒子/>的速度向量和位置向量，得到第k+1次迭代的粒子群/>中第η个粒子/>的位置向量；
根据粒子第k次迭代的粒子群中第η个粒子/>的速度向量、位置向量、惯性权重、个体历史最优位置和群体历史最优位置，得到第k+1次迭代的粒子群/>中第η个粒子的速度向量；
步骤7.7：根据第k+1次迭代的粒子群中第η个粒子/>的位置向量，计算第k+1次迭代的粒子群/>中第η个粒子/>的适应度/>
步骤7.8：将k+1赋值给k后，若k>K，则停止迭代，并将第K次迭代的粒子群的群体历史最优位置作为所有PV节点的光伏逆变器输出的无功功率，从而对子区域a中所有电网节点进行电压控制，否则，返回执行步骤7.3顺序执行。/>
Claims (1)
1.一种基于改进自适应惯性权重的主动配电网电压控制方法，其特征在于，包括以下步骤：
步骤一、实时获取主动配电网的实际特征数据并进行预处理，得到预处理后的特征数据；
步骤二、以主动配电网的电网节点作为节点，以电网节点之间的线路连接状况作为边，并构建主动配电网的图结构；
根据所述图结构和预处理后的特征数据，构建当前t时刻的邻接矩阵以及图结构上所有电网节点的节点特征，从而建立当前t时刻的无向图模型其中，E表示电网节点之间的线路连接状况所构成的边集合；W表示当前t时刻的无向图模型Gt的加权邻接矩阵；/>表示当前t时刻的n个电网节点的节点特征集合；Rn表示n个电网节点的n维向量空间；
利用式(1)得到当前t时刻的后H个时间段的n个电网节点的节点特征
式(1)中，vt表示当前t时刻的n个电网节点的节点特征，表示t+H时刻的n个电网节点的节点特征，M表示当前t时刻之前的时间段数量；
步骤三、建立关于主动配电网的神经网络STGCN模型，包括：F个时空卷积块和一个全连接层组成；每个时空卷积块由两个门控序列卷积层及其中间的图卷积层构成；
步骤3.1所述时空卷积块的处理：
当f＝1时，将当前t时刻的前M个时间段的n个电网节点的节点特征vt-M+1，…，vt输入第f个时空卷积块中，并经过第一个门控序列卷积层的处理后，得到第f个时间节点特征后，再经过中间的图卷积层的聚合处理，得到第f个空间节点特征，最后经过第二个门控序列卷积层的处理后，输出第f个时空节点特征；
当f＝2,3,…,F时，将第f-1个时空卷积块输出的第f-1个时空节点特征输入第f个时空卷积块中进行处理，并由第f个时空卷积块输出第f个时空节点特征，从而由第F个时空卷积块输出最终第F个时空节点特征并作为全连接层的输入；进而由所述全连接层对最终第F个时空节点特征进行处理并输出n个电网节点的聚合特征
步骤四、确定分区结果：
步骤4.1利用softmax多分类层对聚合特征进行处理后再进行归一化处理，从而转化为概率分布，并应用argmax函数对所述概率分布进行处理，得到分区结果标识向量；
步骤4.2利用式(3)构建功率平衡约束：
∑PS,μ(t)+∑PW,μ(t)+∑PPV,μ(t)≥PL(t)+PLoss(t) (3)
式(3)中，PS,μ(t)、PW,μ(t)和PPV,μ(t)分别为主动配电网中当前t时刻的第μ个可调度分布式发电设备、风力发电设备和光伏发电设备的输出功率；PL(t)和PLoss(t)是主动配电网当前t时刻的的总负载和功率损失；
步骤4.3利用式(4)构建分布式电源容量限制约束：
式(4)中：G表示主动配电网的故障下游中所有分布式电源的节点所构成的集合；As表示负荷节点s的所有相邻节点构成的集合；Xs表示负荷节点s的供电恢复状态，当Xs＝0时，表示负荷节点s未恢复供电，Xs＝1时，表示负荷节点s已恢复供电；xδ表示负荷节点s的所有相邻节点构成的集合中的第δ个负荷节点的供电恢复状态；
步骤4.4将分区结果标识向量中，不满足功率平衡约束和分布式电源容量限制约束的概率置零，从而得到处理后的分区结果标识向量，并用于对主动配电网进行分区，并得到分区子区域；
步骤五、根据所述分区结果，建立优化目标函数；
步骤5.1利用式(5)构建电压偏差最小的优化目标函数J1：
式(5)中：T为优化的时间段；a为分区后的子区域编号，Na为主动配电网的子区域a的电网节点集合；Ui,τ为τ时段第i个电网节点的电压幅值；为τ时段第i个电网节点的基准电压幅值；Ui,max和Ui,min分别为第i个电网节点的最大允许电压和最小允许电压；
步骤5.2利用式(6)构建网损最小的优化目标函数J2：
式(6)中，Iij表示第i个电网节点与第j个电网节点之间支路的电流幅值，rij表示第i个电网节点与第j个电网节点之间支路的阻抗，L为子区域的编号集，Ea为主动配电网的第a个子区域中支路的集合；
步骤5.3利用式(7)构建整合目标函数J*:
J*＝ε1J1+ε2J2 (7)
式(7)中，ε1和ε2为归一化权重系数；
步骤5.3建立主动配电网中的光伏逆变器PV控制的无功功率输出与目标函数中电网节点的电压的关系：
利用式(8)建立所述主动配电网中电网节点的电压和无功功率的关系式，并通过控制所述无功功率来调节电压，实现对两个优化目标函数的控制：
式(8)中，Pj、Qj分别为第j个电网节点的有功注入功率和无功注入功率，Ui表示第i个电网节点的电压；Uj表示第j个电网节点的电压幅值；J表示虚数单位；
步骤六、添加电压控制约束；
步骤6.1利用式(9)和式(10)构建配电网潮流约束：
式(9)和式(10)中，θij为第i个电网节点与第j个电网节点之间的电压向量的相位差；Gij和Bij分别为第i个电网节点与第j个电网节点之间线路的电导和电纳；Uj表示第j个电网节点的电压；
步骤6.2利用式(11)和式(12)分别构建安全电压约束、安全电流约束：
式(11)和式(12)中，和/>分别为第i个电网节点的电压Ui允许的电压最小值和最大值，/>和/>分别为第i个电网节点和第j个电网节点之间允许经过的电流最小值和最大值；
步骤6.3利用式(13)构建光伏逆变器的容量约束：
式(13)中，和/>分别为第ξ个电网节点的光伏逆变器实时有功功率和容量；/>为安装在第ξ个电网节点的光伏逆变器在t时刻的无功功率；ξ∈NPV，NPV为所有光伏逆变器所在的电网节点的序号集合；
步骤七、由调控无功功率的目标函数、电压控制约束、安全电压电流约束和PV容量约束构成无功电压控制模型，并以基于自适应惯性权重改进的粒子群优化算法对所述无功电压控制模型进行求解，得到电压控制的最优方案；
步骤7.1：初始化粒子群参数：
设定粒子群的种群大小为λ，令ζ个具有PV逆变器的电网节点的粒子群记为 其中，Qη表示第η个粒子，且/> 表示第η个粒子的第ξ个PV节点的无功功率，ξ∈[1,ζ]；
初始化粒子群中的每个粒子的速度向量为0；初始化粒子群/>中的每个粒子的位置向量为满足从PV节点无功功率最小值到最大值的正态分布的λ个值；初始化第η个粒子Qη的个体历史最优位置为/>初始化粒子群/>的群体历史最优位置为gsite；
定义最大迭代次数为K、当前迭代次数为k，设置惩罚系数为令第k次迭代的粒子群/>的第η个粒子/>的适应度/>为第k次迭代的第η个粒子/>的位置向量调控无功功率所对应的目标函数值；
步骤7.2：初始化k＝1，计算第k次迭代的粒子群的第η个粒子/>的适应度/>并初始化第η个粒子/>的个体历史最优适应度为/>初始化第k次迭代的粒子群/>的群体历史最优适应度为gfitness；
步骤7.3：比较第k次迭代的粒子群中第η个粒子/>的适应度/>是否小于自身个体历史最优适应度/>若是，则将第k次迭代的粒子群中第η个粒子/>中的位置向量赋值给第η个粒子/>的个体历史最优位置，并更新个体历史最优适应度/>否则，保留所述第η个粒子/>的个体历史最优位置及其个体历史最优适应度/>
步骤7.4：比较第k次迭代的粒子群中所有粒子的最小适应度是否小于群体历史最优适应度gfitness，若是，则将第k次迭代的粒子群/>中最小适应度所对应的粒子的位置向量赋值给群体历史最优位置并更新群体历史最优适应度gfitness，否则，保留所述群体历史最优位置及其群体历史最优适应度gfitness；
步骤7.5：利用式(14)计算第k次迭代的粒子群中第η个粒子/>的惯性权重/>
式(14)中，ωmin为所设定的惯性权重的最小值，ωmax为所设定的惯性权重的最大值，为第k次迭代的粒子群/>中所有粒子的适应度的平均值，/>为第k次迭代的粒子群/>的适应度的下界；
步骤7.6：更新第k次迭代的粒子群的位置向量和速度向量：
根据粒子第k次迭代的粒子群中第η个粒子/>的速度向量和位置向量，得到第k+1次迭代的粒子群/>中第η个粒子/>的位置向量；
根据粒子第k次迭代的粒子群中第η个粒子/>的速度向量、位置向量、惯性权重、个体历史最优位置和群体历史最优位置，得到第k+1次迭代的粒子群/>中第η个粒子/>的速度向量；
步骤7.7：根据第k+1次迭代的粒子群中第η个粒子/>的位置向量，计算第k+1次迭代的粒子群/>中第η个粒子/>的适应度/>
步骤7.8：将k+1赋值给k后，若k>K，则停止迭代，并将第K次迭代的粒子群的群体历史最优位置作为所有PV节点的光伏逆变器输出的无功功率，从而对子区域a中所有电网节点进行电压控制，否则，返回执行步骤7.3顺序执行。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210653051.9A CN114977205B (zh) | 2022-06-09 | 2022-06-09 | 基于改进自适应惯性权重的主动配电网电压控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210653051.9A CN114977205B (zh) | 2022-06-09 | 2022-06-09 | 基于改进自适应惯性权重的主动配电网电压控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114977205A CN114977205A (zh) | 2022-08-30 |
| CN114977205B true CN114977205B (zh) | 2024-03-05 |
Family
ID=82961155
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210653051.9A Active CN114977205B (zh) | 2022-06-09 | 2022-06-09 | 基于改进自适应惯性权重的主动配电网电压控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114977205B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014201849A1 (zh) * | 2013-06-18 | 2014-12-24 | 国网辽宁省电力有限公司电力科学研究院 | 配有储能电站的分散式风电场有功优化调控方法 |
| CN108879708A (zh) * | 2018-08-28 | 2018-11-23 | 东北大学 | 一种主动配电网的无功电压分区方法及系统 |
| CN109672184A (zh) * | 2018-12-12 | 2019-04-23 | 国网江西省电力有限公司电力科学研究院 | 一种含高比例光伏配电网电压控制方法和系统 |
| CN110490390A (zh) * | 2019-09-06 | 2019-11-22 | 河海大学常州校区 | 一种基于多决策理论的分布式光伏多目标优化配置方法 |
| CN110752626A (zh) * | 2019-12-12 | 2020-02-04 | 厦门大学 | 一种主动配电网滚动优化调度方法 |
-
2022
- 2022-06-09 CN CN202210653051.9A patent/CN114977205B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014201849A1 (zh) * | 2013-06-18 | 2014-12-24 | 国网辽宁省电力有限公司电力科学研究院 | 配有储能电站的分散式风电场有功优化调控方法 |
| CN108879708A (zh) * | 2018-08-28 | 2018-11-23 | 东北大学 | 一种主动配电网的无功电压分区方法及系统 |
| CN109672184A (zh) * | 2018-12-12 | 2019-04-23 | 国网江西省电力有限公司电力科学研究院 | 一种含高比例光伏配电网电压控制方法和系统 |
| CN110490390A (zh) * | 2019-09-06 | 2019-11-22 | 河海大学常州校区 | 一种基于多决策理论的分布式光伏多目标优化配置方法 |
| CN110752626A (zh) * | 2019-12-12 | 2020-02-04 | 厦门大学 | 一种主动配电网滚动优化调度方法 |
Non-Patent Citations (4)
| Title |
|---|
| 卢锦玲 ; 初文奇 ; 於慧敏 ; 郭金体 ; 马冲 ; .基于需求侧响应的主动配电网多源协调优化调度.电力科学与工程.2018,(11),34-41. * |
| 吴富杰 ; 苏小林 ; 阎晓霞 ; 刘孝杰 ; .基于多目标的主动配电网有功无功协调优化.自动化技术与应用.2015,(11),63-69. * |
| 赵丰明 ; 樊艳芳 ; 钱福如 ; .计及新能源电站参与的配电网全天无功计划.可再生能源.2018,(07),123-129. * |
| 鲍祚睿 ; 孙强 ; 韩林 ; .一种基于改进粒子群算法的主动配电网优化运行分析方法.自动化应用.2017,(05),121-123+126. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114977205A (zh) | 2022-08-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108471143A (zh) | 基于正负反馈粒子群算法的微电网多能源调度优化方法 | |
| CN105826944B (zh) | 一种微电网群的功率预测方法和系统 | |
| Zhang et al. | Research on bi-level optimized operation strategy of microgrid cluster based on IABC algorithm | |
| CN109886446B (zh) | 基于改进混沌粒子群算法的电力系统动态经济调度方法 | |
| CN107069814A (zh) | 配网分布式电源容量布点的模糊机会约束规划方法与系统 | |
| CN107968430A (zh) | 考虑风-储联合系统概率模型的储输协同随机规划方法 | |
| CN104112237A (zh) | 一种基于wams的改进遗传算法的电网无功容量优化配置方法 | |
| CN110445186B (zh) | 一种自同步微电网控制系统及二次调频控制方法 | |
| Anu Shalini et al. | Hybrid power generation forecasting using CNN based BILSTM method for renewable energy systems | |
| CN109586279A (zh) | 一种互联电网规划方法 | |
| CN114977205B (zh) | 基于改进自适应惯性权重的主动配电网电压控制方法 | |
| CN115759384A (zh) | Gl-apso算法与dn重构的dpv选址定容方法 | |
| CN106887838B (zh) | 一种基于网络重构的配电网可再生能源消纳方法 | |
| CN114389261A (zh) | 一种考虑并网管理方式的分布式光伏电源集群划分方法 | |
| Li et al. | Distributed Cooperative AGC Method for New Power System with Heterogeneous Frequency Regulation Resources | |
| CN112215462A (zh) | 基于马氏距离的k均值聚类电网适应性评价方法 | |
| Javadi et al. | Optimal design and economic assessment of battery based stand-alone wind/PV generating system using ABC | |
| CN112202210A (zh) | 一种基于鲁棒优化的信息能源耦合微电网运行系统及方法 | |
| Chen et al. | Intelligent Coordinated Control Strategy of Distributed Photovoltaic Power Generation Cluster Based on Digital Twin Technology | |
| Chi et al. | Multi-Objective Joint Planning Method of Distributed Photovoltaic and Battery Energy Storage System Based on NSGA-III Algorithm | |
| CN112446521B (zh) | 考虑经济性和安全性的风电场接入系统多目标规划方法 | |
| Mengting | Multi-objective Optimal Scheduling Analysis of Power System Based on Improved Particle Swarm Algorithm | |
| Abd Khalid et al. | Optimal Sitting and Sizing of Distributed Generators using Pareto-Based Multi-Objective Particle Swarm Optimization for Improving Power System Operation | |
| Datta et al. | Smoothing output power variations of isolated utility connected multiple PV systems by coordinated control | |
| Dai et al. | Research on Optimization of Active Distribution Network Frame with Improved Particle Swarm Optimization Algorithm |
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 |