CN115102195B - 一种基于农村电网的三相负荷不平衡治理方法及装置 - Google Patents
一种基于农村电网的三相负荷不平衡治理方法及装置 Download PDFInfo
- Publication number
- CN115102195B CN115102195B CN202210842738.7A CN202210842738A CN115102195B CN 115102195 B CN115102195 B CN 115102195B CN 202210842738 A CN202210842738 A CN 202210842738A CN 115102195 B CN115102195 B CN 115102195B
- Authority
- CN
- China
- Prior art keywords
- phase
- load
- commutation
- unbalance
- switch
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000008859 change Effects 0.000 claims abstract description 78
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 51
- 238000012163 sequencing technique Methods 0.000 claims abstract description 25
- 238000007726 management method Methods 0.000 claims abstract description 22
- 238000009434 installation Methods 0.000 claims abstract description 21
- 230000000737 periodic effect Effects 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims description 29
- 238000012216 screening Methods 0.000 claims description 24
- 230000002457 bidirectional effect Effects 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000004891 communication Methods 0.000 claims description 16
- 238000003062 neural network model Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 230000009471 action Effects 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 230000003247 decreasing effect Effects 0.000 claims description 7
- 238000005067 remediation Methods 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 5
- 238000011217 control strategy Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000013210 evaluation model Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011867 re-evaluation Methods 0.000 description 1
- 238000010200 validation analysis 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
- H02J3/26—Arrangements for eliminating or reducing asymmetry in polyphase 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]
-
- 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
- Y02E40/50—Arrangements for eliminating or reducing asymmetry in polyphase networks
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于三相不平衡治理领域,提供了一种基于农村电网的三相负荷不平衡治理方法及装置,包括获取台区负荷数据,通过计算每个三相负荷开关的贝叶斯平均值,根据贝叶斯平均值的排序结果,确定三相负荷开关的安装位置;基于确定的三相负荷开关的安装位置,确定柔性换相装置的安装位置;周期性采集电网的三相电流、三相电压以及三相负荷开关的电压、电流和换相次数;依据采集的数据判断三相负荷的不平衡度是否高于不平衡度阈值,如果高于,则根据训练好的换相算法模型迭代计算输出MIV值,依据MIV值进行排序,按照MIV值由大到小进行换相动作;如果低于,则继续进行周期性的数据采集,进行三相负荷不平衡治理;能够解决三相负荷换相不平衡的问题。
Description
技术领域
本发明属于三相不平衡治理技术领域,具体涉及一种基于农村电网的三相负荷不平衡治理方法及装置。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
三相不平衡是电能质量的一个重要指标,农村电网三相负荷不平衡的存在不仅增加变压器和线路损耗,而且会影响设备安全运行,因此治理三相负荷不平衡具有很重要的实际意义。
目前,为了治理农村电网三相不平衡的问题,采用安装换相装置的方式来解决,但是人工进行安装时换相开关位置难以选择及选择不当;而且在换相开关选定位置后负荷发生减少,负荷频繁波动导致难以治理农村电网三相不平衡的问题。
发明内容
为了解决上述问题,本发明提出了一种基于农村电网的三相负荷不平衡治理方法及装置,本发明通过每个换相开关的贝叶斯平均值确定换相开关的位置,同时根据采集的换相开关的数据判断不平衡度进行三相负荷不平衡治理,能够解决现有技术中人工进行安装位置选择的问题、换相开关位置难以选择及选择不当的问题、选定位置后负荷发生减少的情况,负荷频繁波动导致难以治理的问题,换相开关次数超限引起电网短路等安全事故。
根据一些实施例,本发明的第一方案提供了一种基于农村电网的三相负荷不平衡治理方法,采用如下技术方案:
一种基于农村电网的三相负荷不平衡治理方法,包括:
获取台区负荷数据,通过计算每个三相负荷开关的贝叶斯平均值,根据贝叶斯平均值的排序结果,确定三相负荷开关的安装位置;
基于确定的三相负荷开关的安装位置,确定柔性换相装置的安装位置;
周期性采集电网的三相电流、三相电压以及三相负荷开关的电压、电流和换相次数;
依据采集的数据判断三相负荷的不平衡度是否高于不平衡度阈值,如果高于,则根据训练好的换相算法模型迭代计算输出MIV值,依据MIV值进行排序,按照MIV值由大到小进行换相动作;
如果低于,则继续进行周期性的数据采集,进行三相负荷不平衡治理。
进一步地,当根据训练好的换相算法模型迭代计算结果进行换相完成后重新计算三相负荷的不平衡度,判断换相完成后重新计算三相负荷开关的不平衡度是否高于不平衡度阈值,包括:
当重新计算后的不平衡度高于不平衡度阈值,执行柔性模块调整三相负荷开关的电流值以降低不平衡度,基于执行结果再次根据换相算法模型迭代计算并换相;
当重新计算后的不平衡度低于不平衡度阈值,则继续进行周期性的数据采集,进行三相负荷不平衡治理。
进一步地,所述柔性换相装置包括三相负荷开关以及柔性模块,所述三相负荷开关通过三相进线端子电网三相支路,所述三相负荷开关通过单相进线端子并联连接多个电表;所述三相负荷开关还分别与控制模块和负荷采集模块连接;
所述三相负荷开关还通过单相出线端子并联连接柔性模块,所述负荷采集模块采集三相负荷开关的电流、电压以及换相次数;所述负荷采集模块还与柔性模块连接,采集柔性模块的电流和电压;
所述柔性换相装置还包括电源模块,所述电源模块为柔性换相装置供电;
所述柔性换相装置还包括通信模块,所述通信模块与电网变压器二次侧的控制器自身的通讯模块进行通讯,获取控制器的换相指令并发送给控制模块。
进一步地,所述柔性模块中包括并联连接的第一支路、第二支路以及第三支路;
所述第一支路上包括第一双向晶闸管以及第一开关,所述第一双向晶闸管和第一开关均与第一电表连接;
所述第二支路上包括第二双向晶闸管以及第二开关,所述第二双向晶闸管和第二开关均与第二电表连接;
所述第三支路上包括第三双向晶闸管以及第三开关,所述第三双向晶闸管和第三开关均与第三电表连接。
进一步地,所述通过计算每个三相负荷开关的贝叶斯平均值,根据贝叶斯平均值的排序结果,确定三相负荷开关的安装位置,具体为:
选择三相下户线的表箱作为待确定的安装点;
获取待确定的安装点的负荷电流超标的次数以及对应的用户地址进行贝叶斯平均值计算;
根据待确定安装点的贝叶斯平均值的排序结果,贝叶斯均值越大,且如果原用户负荷超标次数多,在出现负荷不均衡时负荷电流大的用户会先被选中进行负荷转移。
进一步地,所述换相算法模型的训练过程,包括:
根据上一次换相结束后产生的偏差,构建换相算法模型;
获取采集电网的三相电流、三相电压以及三相负荷开关的电压、电流和换相次数构建数据集,不断进行变量筛选,筛选出对换相算法模型的输出结果有影响的变量;
通过不断进行变量筛选,迭代更新换相算法模型权重系数,训练换相算法模型;
得到训练好的换相算法模型。
进一步地,所述采集电网的三相电流、三相电压以及三相负荷开关的电压、电流和换相次数构建数据集,不断进行变量筛选,筛选出对换相算法模型的输出结果有影响的变量,包括:
选择电流值大的三相负荷开关作为输入变量,将换相次数大的和电流值小的三相负荷开关作为噪声数据;
将噪声数据加入到输入变量中得到新的输入变量,得出输出结果;
通过增加或者减小自变量,不断进行变量筛选,筛选出对换相算法模型的输出结果有影响的变量。
根据一些实施例,本发明的第二方案提供了一种基于农村电网的三相负荷不平衡治理装置,采用如下技术方案:
一种基于农村电网的三相负荷不平衡治理装置,包括:
三相负荷开关位置确定模块,被配置为获取台区负荷数据,通过计算每个三相负荷开关的贝叶斯平均值,根据贝叶斯平均值的排序结果,确定三相负荷开关的安装位置;
柔性换相装置位置确定模块,被配置为基于确定的三相负荷开关的安装位置,确定柔性换相装置的安装位置;
换相数据采集模块,被配置为周期性采集电网的三相电流、三相电压以及三相负荷开关的电压、电流和换相次数;
三相负荷不平衡治理模块,被配置为依据采集的数据判断三相负荷的不平衡度是否高于不平衡度阈值,如果高于,则根据训练好的换相算法模型迭代计算输出MIV值,依据MIV值进行排序,按照MIV值由大到小进行换相动作;
如果低于,则继续周期性的数据采集,进行三相负荷不平衡治理。
根据一些实施例,本发明的第三方案提供了一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述第一个方面所述的一种基于农村电网的三相负荷不平衡治理方法中的步骤。
根据一些实施例,本发明的第四方案提供了一种计算机设备。
一种计算机设备,包括存储器、处理器及存储在存储器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程序时实现如上述第一个方面所述的一种基于农村电网的三相负荷不平衡治理方法中的步骤。
与现有技术相比,本发明的有益效果为:
本发明根据换相策略决策结果实时增加或减少换相开关的电流值,当换相算法模型执行换相动作后,仍然在不平衡度阈值以下时,启用柔性换相模块工作,通过柔性换相模块能够解决现有技术中换相开关选定位置后换相开关负荷电流很小,导致无法降低至不平衡阈值以下的问题。
本发明基于贝叶斯平均的可信度评价模型输出评价分数,对评价分数进行排序,从而确定换相开关的安装位置,解决现有技术中安装位置不准确的问题。
本发明采用基于改进MIV的神经网络算法,利用每次换相结束后不平衡率又发生改变时的每个换相开关电流与上一次换相后换相开关电流的差值,作为步长,在此基础上引入神经网络模型,通过不断进行变量筛选,迭代更新神经网络权重系数,训练神经网络,建立不平衡度控制策略的最佳神经网络模型;通过建立的神经网络模型对三相负荷不平衡进行治理能够解决负荷频繁波动导致难以治理的问题,换相开关次数超限引起电网短路等安全事故。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明实施例所述的一种基于农村电网的三相负荷不平衡治理方法流程图;
图2是本发明实施例所述的变量筛选的流程图;
图3是本发明实施例所述的控制器安装示意图;
图4是本发明实施例所述的柔性换相装置电路结构图;
图5是本发明实施例所述的负荷特征曲线图;
图6是本发明实施例所述的三相负荷均衡治理效果折线图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例一
如图1所示,本实施例提供了一种基于农村电网的三相负荷不平衡治理方法,本实施例以该方法应用于服务器进行举例说明,可以理解的是,该方法也可以应用于终端,还可以应用于包括终端和服务器和系统,并通过终端和服务器的交互实现。服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务器、云通信、中间件服务、域名服务、安全服务CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等,但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请在此不做限制。本实施例中,该方法包括以下步骤:
获取台区负荷数据,通过计算每个三相负荷开关的贝叶斯平均值,根据贝叶斯平均值的排序结果,确定三相负荷开关的安装位置;
基于确定的三相负荷开关的安装位置,确定柔性换相装置的安装位置;
周期性采集电网的三相电流、三相电压以及三相负荷开关的电压、电流和换相次数;
依据采集的数据判断三相负荷的不平衡度是否高于不平衡度阈值,如果高于,则根据训练好的换相算法模型迭代计算输出MIV值,依据MIV值进行排序,按照MIV值由大到小进行换相动作;
如果低于,则继续进行周期性的数据采集,进行三相负荷不平衡治理。
具体地,如图1所示,该方法的过程,具体为:
步骤S1:换相开关安装位置的判断,通过计算每个换相开关的贝叶斯平均值,根据贝叶斯平均值的排序结果,确定换相开关的位置判断策略;
步骤S2:基于换相开关位置的判断策略,实施柔性换相装置的定点安装;
步骤S3:周期性采集电网的三相电流、三相电压以及三相负荷开关的电压、电流和换相次数;
步骤S4:依据采集的数据判断不平衡度是否高于阈值,如果高于,则执行换相算法模型迭代计算输出MIV值,依据MIV值进行排序,按照MIV值由大到小进行换相动作,换相动作执行完毕后,重新计算不平衡度;
如果低于,则返回步骤S3,进行三相负荷不平衡治理;
步骤S5:根据重新计算的不平衡度,判断是否高于阈值,如果高于,则执行柔性模块,重新执行换相算法模型,
如果低于,则停止迭代,返回步骤S3,进行三相负荷不平衡治理,实现三相负荷不平衡治理的目的。
具体地,台区负荷数据获取:
从电力部门获取所在台区的三相电压、电流、负载率、不平衡度、线损等数据。台区运行的数据要至少在一年以上。
具体地,对于安装选点评价模型:
优先选择三相下户线的表箱作为待确定的安装点,在此基础上,按照通常1小时的电力系统数据采集周期,统计每个表箱电流负荷数据,统计方法如下:
针对变压器容量为200KVA的台区累计计算每天每小时负荷电流超过10A的次数;
针对变压器容量为315KVA的台区累计计算每天每小时负荷电流超过20A的次数;
针对变压器容量为400KVA的台区累计计算每天每小时负荷电流超过30A的次数;
将统计完的数据输入到基于贝叶斯平均的可信度评价模型输出评价分数,对评价分数进行排序,从而确定换相开关的安装位置。
换相开关变量排序
基于贝叶斯平均的公式应用到安装位置的确定是将贝叶斯理论(Bayes’theorem)理解为在理想情况下理智的人如何对一个结果的可信度给出答案,而贝叶斯平均值(Bayesian average)就是根据贝叶斯理论给出的一种计算平均值的方法,贝叶斯平均值公式如下:
(1)
式中,是一个常量,与数据集的大小成正比,/>是一个给定集合的算术平均值,是给定集合的总数。利用公式先计算每个用户出现负荷超标次数的贝叶斯平均值,然后对计算结果进行排序:
,(2)
式中,AvgNum_Phase_Change是每次不平衡度超标时选择出的用户负荷超标次数的平均值,其计算结果保持不变,所有用户负荷超标次数优先级排序评价计算公式:
(3)
式中,Avg_Score_All:所有用户负荷超标次数优先级排序评价分数,每次选点算法后,其计算结果保持不变。
Total_Score_All-换相开关优先级分数总和;Num_ Change_SW-换相切换次数总和;
以换相算法决策后的4个换相开关进行一次评价举例,
AvgNum_Phase_Change=4750,Avg_Score_All=78.75,换相结果评价表如表1所示。
表1换相结果评价表
计算结果表明贝叶斯平均基本相同,00000001号用户算法评价分数的平均值最高,负荷超标次数最少,00000001号是最佳选点用户。
如果按照贝叶斯平均值进行排序,为常数,/>越大,作为目标用户的概率越大,假如在新选定的用户概率不大的情况下,原有用户负荷超标次数很大的情况下,新增用户,排序将会较小,为保持均衡,改变常量/>的值,减少/>,令/>=0.7,则公式变为:
,(4)
重新评价后的计算结果如表2所示。
表2换相结果评价表
不难发现转移次数较少的用户的贝叶斯均值会变大,而负荷超标次数较多的则贝叶斯均值会略微增加。
因此,在进行安装位置选点时,按照贝叶斯平均值策略对用户进行排序会更加均衡合理,如果原用户负荷超标次数多,在出现负荷不均衡时负荷电流较大的用户会被优先选中进行负荷转移,负荷超标次数多且负荷较小的用户被选中进行换相的概率较小,与单纯依据每个用户的负荷排序相比,这种结果更有意义。
具体地,选点完毕后,需要进行施工,安装控制器、电流互感器、柔性换相装置等。
控制器安装
控制器安装在变压器二次侧,电流互感器安装在三相母线上,控制器通过电流互感器采集三相电压电流数据,三相负荷开关安装于电表箱中,控制器通过自身携带的通信模块与电表箱中的三相负荷开关进行通信,通过电表箱中负荷采集模块周期性获取当前相的相别、电压、电流等数据,并计算不平衡度,如果不平衡度超出阈值则执行换相策略,下发指令给电表箱中的三相负荷开关执行换相动作,如图3所示。
所述柔性换相装置包括三相负荷开关以及柔性模块,所述三相负荷开关通过三相进线端子电网三相支路,所述三相负荷开关通过单相进线端子并联连接多个电表;所述三相负荷开关还分别与控制模块和负荷采集模块连接;
所述三相负荷开关还通过单相出线端子并联连接柔性模块,所述负荷采集模块采集三相负荷开关的电流、电压以及换相次数;所述负荷采集模块还与柔性模块连接,采集柔性模块的电流和电压;
所述柔性换相装置还包括电源模块,所述电源模块为柔性换相装置供电;
所述柔性换相装置还包括通信模块,所述通信模块与电网变压器二次侧的控制器自身的通讯模块进行通讯,获取控制器的换相指令并发送给控制模块。
所述柔性模块中包括并联连接的第一支路、第二支路以及第三支路;
所述第一支路上包括第一双向晶闸管TR1以及第一开关K1,所述第一双向晶闸管TR1和第一开关K1均与第一电表连接;
所述第二支路上包括第二双向晶闸管TR2以及第二开关K2,所述第二双向晶闸管TR2和第二开关K2均与第二电表连接;
所述第三支路上包括第三双向晶闸管TR2以及第三开关K2,所述第三双向晶闸管TR2和第三开关K2均与第三电表连接。
如图4所示,柔性换相装置核心部件为三相负荷开关、柔性模块,柔性模块安装于电表箱内部由双向晶闸管TR1、双向晶闸管TR2、双向晶闸管TR3、开关K1、开关K2、开关K3等组成。
三相负荷开关即换相开关,执行换相功能,安装于电表箱内部,含有三相进线端子、三相负荷开关、单相出线端子、电源模块、控制模块、负荷采集模块、通信模块、柔性模块、多只电表。
当不平衡度超过阈值时,电表箱中的控制模块会通过通信模块接收到控制器的指令,三相负荷开关接收到指令后立即进行换相动作。
需要控制电流和控制电压,控制电流不能太大也不能太小,例如控制电流超过25A,就启动柔性换相模块,降低换相开关电流,反之控制电流低于10A,就启动柔性换相模块增加换相开关电流。
数据采集模块
数据采集模块即负荷采集模块,其周期性采集所在相的电压、电流、换相次数等数据,数据采集模块将采集到的数据传输给控制器,控制器通过通信模块与台区变压器所在位置的控制器通信。
需要说明的是,上述控制器、通信模块以及控制模块等芯片产品均采用现有技术中的常规产品,故此处不再赘述。
换相算法模型
模型建立
不平衡度控制模型的建立是在上一次换相结束后产生的偏差基础上引入神经网络模型,通过不断进行变量筛选,迭代更新神经网络权重系数,训练神经网络,建立最佳模型。不平衡度控制模型就是三相负荷不平衡治理的控制模型。
第j次换相后不平衡度的控制模型如下:
(5)
:每一次换相后的不平衡度偏差。
:神经网络模型权重系数
(6)
:最大相与最小相电流之差;
,所有n×m个换相开关被选中的概率系数。
(7)
变量筛选
在实际应用中,由于换相开关电流值的大小不是固定的,无法事先确定神经网络的输入量,无论将很大的换相开关电流值还是较小电流值作为神经网络的输入自变量,都会导致训练的模型不准确,因此选择符合要求的换相开关电流值是负荷调整策略的关键环节。基本思想是将电流值较大的换相开关作为神经网络模型的输入变量,将换相次数较多和电流值较小的换相开关剔除,采用基于改进MIV的神经网络算法来找到对输入模型有较大影响的输入变量即对应的换相开关,用绝对值表示其影响指标的大小,其具体实现过程是:
设置步长,产生多组输入数据,对每组输入列向量数据进行由大到小的顺序进行排序,选择较大数值为输入数据,将较大换相次数和较小换相开关电流值作为噪声数据。
将噪声数据加入原输入数据作为新的输入数据,将新的输入数据代入到负荷调整模型求得相应的函数值,作为网络输出值。
将网络输入输出值,增加或减少自变量,分别得到增加数据和减少数据。
建立网络、初始化神经网络、神经网络参数设置;
训练网络即利用加入噪声的数据训练一个神经网络,直至满足设定的最小误差精度,停止训练。
分别求增加的输出和减少的输出,进行差值计算,计算每个输入变量对应输出的MIV值。
按照上面步骤计算每一个输入变量对应输出变量产生的MIV,将取MIV绝对值后进行排序,得到各自变量对网络输出影晌大小或重要程度,选择影响程度累积超过50%的特征集,便实现了换相开关的筛选。
按照式(5)产生网络训练数据,将 ,/>………/>以及它们决定的/>作为BP神经网络的训练样本,同时加入换相次数/>,负载率/>作为噪声数据,通过MIV方法,筛选对神经网络结果有主要影响的变量,流程如图2所示。
设置步长的依据:当前新出现不平衡时的每个换相开关电流与上一次换相后的换相开关电路的差值。
不平衡度阈值的计算过程,具体为:
三相负荷不平衡度为三相电流最大值与三相电流最小值之差与最大电流之比,不平衡度计算公式为:
(8)
约束条件:负荷不平衡度,台区A/B/C三相电流的最大值/>,最小值/>
不平衡度阈值:15%
柔性模块的作用是根据换相策略需要增加或减少换相开关的电流值,当换相算法模型执行换相动作后,仍然在不平衡度阈值以下时,启用柔性换相模块工作。
改进后的MIV算法主要目的是为了建立最佳的神经网络模型,通过神经网络模型选择合适的换相开关进行换相,从而降低不平衡度。
具体地,根据换相策略决策结果实时增加或减少换相开关的电流值,当换相算法模型执行换相动作后,仍然在不平衡度阈值以下时,启用柔性换相模块工作,通过柔性换相模块能够解决现有技术中换相开关选定位置后换相开关负荷电流很小,导致无法降低至不平衡阈值以下的问题。
采用基于改进MIV的神经网络算法,利用每次换相结束后不平衡率又发生改变时的每个换相开关电流与上一次换相后换相开关电流的差值,作为步长,在此基础上引入神经网络模型。
将换相次数较多和电流值较小的换相开关剔除,电流值较大的换相开关作为神经网络模型的输入变量,
在不平衡度控制模型中加入噪声数据得出网络模型输出值,通过增加或减少自变量得到网络增加数据和减少数据。
每一个输入变量对应输出变量会产生一个MIV,MIV取绝对值后,进行排序,筛选出对神经网络结果有主要影响的变量。
通过不断进行变量筛选,迭代更新神经网络权重系数,训练神经网络,建立不平衡度控制策略的最佳神经网络模型。
通过建立的神经网络模型对三相负荷不平衡进行治理能够解决负荷频繁波动导致难以治理的问题,换相开关次数超限引起电网短路等安全事故。
仿真验证
将输入变量按照极大值和极小值处理后,利用随机数函数产生1000组不平衡度大于50%的三相电流数据,每个换相开关随机分配1000组电流值,按照训练集:测试集:验证集=7:2:1的比例关系进行设计,利用MatlabR2020a平台进行预测模型仿真,最大训练次数为1000,训练算法采用误差梯度下降法修正每层矩阵权重。
现场验证
数据获取与分析
为验证本文所提出的换相策略的有效性,选出一个典型配电台区进行测试实验,配变额定容量为200kVA,低压主干线和主要分支线为三相供电方式,且无对可靠性要求高的敏感性负荷,零线电流达到150A以上,常年线损居高不下,通过日常运维管理措施也难以治理。每隔一小时采集三相负荷在0:00~22:00的数据,其负荷特征曲线如图5所示。
从图中可以看出三相不平衡情况较为严重,A相电流始终明显大于B相和C相电流,三相不平衡度在60%左右,在早上4时至晚上20时之间负荷波动较大,说明负荷随机性较强,故需频繁换相,而且换相后换相开关和不平衡度波动均较大。
应用本文的负荷控制策略后,三相负荷均衡治理效果如图6所示。可以看出,利用负荷控制策略后,ABC三相负荷特征曲线基本趋向一致,A相负荷电流明显下降,在0:00~22:00内三相不平衡度大幅下降,平均在15%以下。
效果评价
以MIV算法筛选换相开关变量,选择重要程度超过50%的12个换相开关的电流阈值,换相开关1:10A,换相开关2:15A,换相开关3:20A,换相开关4:25A,换相开关5:30A,换相开关6:35A,换相开关7:40A,换相开关8:45A。
由此可见,有换相开关电流值较大的变量得出的MIV值较大,而且换相开关的换相次数相对较小,因为输出变量由输入变量计算而来,与噪声较小的电流值以及当前不平衡度无关,所以,神经网络利用MIV进行参数选择对结果有重要影响。
MIP-BP神经网络换相算法进行治理农村电网三相不平衡负荷效果比较理想,平均每次换相的不平衡度在15%左右,智能换相的准确的较高。
实施例二
本实施例提供了一种基于农村电网的三相负荷不平衡治理装置,包括:
三相负荷开关位置确定模块,被配置为获取台区负荷数据,通过计算每个三相负荷开关的贝叶斯平均值,根据贝叶斯平均值的排序结果,确定三相负荷开关的安装位置;
柔性换相装置位置确定模块,被配置为基于确定的三相负荷开关的安装位置,确定柔性换相装置的安装位置;
换相数据采集模块,被配置为周期性采集电网的三相电流、三相电压以及三相负荷开关的电压、电流和换相次数;
三相负荷不平衡治理模块,被配置为依据采集的数据判断三相负荷的不平衡度是否高于不平衡度阈值,如果高于,则根据训练好的换相算法模型迭代计算输出MIV值,依据MIV值进行排序,按照MIV值由大到小进行换相动作;
如果低于,则继续周期性的数据采集,进行三相负荷不平衡治理。
上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例一所公开的内容。需要说明的是,上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
上述实施例中对各个实施例的描述各有侧重,某个实施例中没有详述的部分可以参见其他实施例的相关描述。
所提出的系统,可以通过其他的方式实现。例如以上所描述的系统实施例仅仅是示意性的,例如上述模块的划分,仅仅为一种逻辑功能划分,实际实现时,可以有另外的划分方式,例如多个模块可以结合或者可以集成到另外一个系统,或一些特征可以忽略,或不执行。
实施例三
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述实施例一所述的一种基于农村电网的三相负荷不平衡治理方法中的步骤。
实施例四
本实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器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程序时实现如上述实施例一所述的一种基于农村电网的三相负荷不平衡治理方法中的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明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和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、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。
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,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (7)
1.一种基于农村电网的三相负荷不平衡治理方法,其特征在于,包括:
获取台区负荷数据,通过计算每个三相负荷开关的贝叶斯平均值,根据贝叶斯平均值的排序结果,确定三相负荷开关的安装位置;
所述通过计算每个三相负荷开关的贝叶斯平均值,根据贝叶斯平均值的排序结果,确定三相负荷开关的安装位置,具体为:
选择三相下户线的表箱作为待确定的安装点;
获取待确定的安装点的负荷电流超标的次数以及对应的用户地址进行贝叶斯平均值计算;
根据待确定安装点的贝叶斯平均值的排序结果,贝叶斯均值越大,且如果原用户负荷超标次数多,在出现负荷不均衡时负荷电流大的用户会先被选中进行负荷转移;
基于确定的三相负荷开关的安装位置,确定柔性换相装置的安装位置;
周期性采集电网的三相电流、三相电压以及三相负荷开关的电压、电流和换相次数;
依据采集的数据判断三相负荷的不平衡度是否高于不平衡度阈值,如果高于,则根据训练好的换相算法模型迭代计算输出MIV值,依据MIV值进行排序,按照MIV值由大到小进行换相动作;
如果低于,则继续进行周期性的数据采集,进行三相负荷不平衡治理;
不平衡度控制模型的建立是在上一次换相结束后产生的偏差基础上引入神经网络模型,通过不断进行变量筛选,迭代更新神经网络权重系数,训练神经网络,建立最佳模型,不平衡度控制模型就是三相负荷不平衡治理的控制模型;
第j次换相后不平衡度的控制模型如下:
:每一次换相后的不平衡度偏差;
:神经网络模型权重系数;
:最大相电流与最小相电流之差;
,所有n×m个换相开关被选中的概率系数;
所述换相算法模型的训练过程,包括:
根据上一次换相结束后产生的偏差,构建换相算法模型;
采集电网的三相电流、三相电压以及三相负荷开关的电压、电流和换相次数构建数据集,不断进行变量筛选,筛选出对换相算法模型的输出结果有影响的变量;
通过不断进行变量筛选,迭代更新换相算法模型权重系数,训练换相算法模型;
得到训练好的换相算法模型;
所述采集电网的三相电流、三相电压以及三相负荷开关的电压、电流和换相次数构建数据集,不断进行变量筛选,筛选出对换相算法模型的输出结果有影响的变量,包括:
设置步长,产生多组输入数据,对每组输入列向量数据进行由大到小的顺序进行排序,选择较大数值为输入数据,将较大换相次数和较小换相开关电流值作为噪声数据;
将噪声数据加入到输入变量中得到新的输入变量,得出输出结果;
通过增加或者减小自变量,不断进行变量筛选,筛选出对换相算法模型的输出结果有影响的变量;
建立网络、初始化神经网络、神经网络参数设置;
训练网络即利用加入噪声的数据训练一个神经网络,直至满足设定的最小误差精度,停止训练;
分别求增加的输出和减少的输出,进行差值计算,计算每个输入变量对应输出的MIV值;
按照上面步骤计算每一个输入变量对应输出变量产生的MIV,将MIV取绝对值后进行排序,得到各自变量对网络输出影晌大小或重要程度,选择影响程度累积超过50%的特征集,便实现了换相开关的筛选。
2.如权利要求1所述的一种基于农村电网的三相负荷不平衡治理方法,其特征在于,当根据训练好的换相算法模型迭代计算结果进行换相完成后重新计算三相负荷的不平衡度,判断换相完成后重新计算三相负荷开关的不平衡度是否高于不平衡度阈值,包括:
当重新计算后的不平衡度高于不平衡度阈值,执行柔性模块调整三相负荷开关的电流值以降低不平衡度,基于执行结果再次根据换相算法模型迭代计算并换相;
当重新计算后的不平衡度低于不平衡度阈值,则继续进行周期性的数据采集,进行三相负荷不平衡治理。
3.如权利要求1所述的一种基于农村电网的三相负荷不平衡治理方法,其特征在于,所述柔性换相装置包括三相负荷开关以及柔性模块,所述三相负荷开关通过三相进线端子连接电网三相支路,所述三相负荷开关通过单相进线端子并联连接多个电表;所述三相负荷开关还分别与控制模块和负荷采集模块连接;
所述三相负荷开关还通过单相出线端子并联连接柔性模块,所述负荷采集模块采集三相负荷开关的电流、电压以及换相次数;所述负荷采集模块还与柔性模块连接,采集柔性模块的电流和电压;
所述柔性换相装置还包括电源模块,所述电源模块为柔性换相装置供电;
所述柔性换相装置还包括通信模块,所述通信模块与电网变压器二次侧的控制器自身的通讯模块进行通讯,获取控制器的换相指令并发送给控制模块。
4.如权利要求3所述的一种基于农村电网的三相负荷不平衡治理方法,其特征在于,所述柔性模块中包括并联连接的第一支路、第二支路以及第三支路;
所述第一支路上包括第一双向晶闸管以及第一开关,所述第一双向晶闸管和第一开关均与第一电表连接;
所述第二支路上包括第二双向晶闸管以及第二开关,所述第二双向晶闸管和第二开关均与第二电表连接;
所述第三支路上包括第三双向晶闸管以及第三开关,所述第三双向晶闸管和第三开关均与第三电表连接。
5.一种基于农村电网的三相负荷不平衡治理装置,其特征在于,包括:
三相负荷开关位置确定模块,被配置为获取台区负荷数据,通过计算每个三相负荷开关的贝叶斯平均值,根据贝叶斯平均值的排序结果,确定三相负荷开关的安装位置;
所述通过计算每个三相负荷开关的贝叶斯平均值,根据贝叶斯平均值的排序结果,确定三相负荷开关的安装位置,具体为:
选择三相下户线的表箱作为待确定的安装点;
获取待确定的安装点的负荷电流超标的次数以及对应的用户地址进行贝叶斯平均值计算;
根据待确定安装点的贝叶斯平均值的排序结果,贝叶斯均值越大,且如果原用户负荷超标次数多,在出现负荷不均衡时负荷电流大的用户会先被选中进行负荷转移;
柔性换相装置位置确定模块,被配置为基于确定的三相负荷开关的安装位置,确定柔性换相装置的安装位置;
换相数据采集模块,被配置为周期性采集电网的三相电流、三相电压以及三相负荷开关的电压、电流和换相次数;
三相负荷不平衡治理模块,被配置为依据采集的数据判断三相负荷的不平衡度是否高于不平衡度阈值,如果高于,则根据训练好的换相算法模型迭代计算输出MIV值,依据MIV值进行排序,按照MIV值由大到小进行换相动作;
如果低于,则继续周期性的数据采集,进行三相负荷不平衡治理;
不平衡度控制模型的建立是在上一次换相结束后产生的偏差基础上引入神经网络模型,通过不断进行变量筛选,迭代更新神经网络权重系数,训练神经网络,建立最佳模型,不平衡度控制模型就是三相负荷不平衡治理的控制模型;
第j次换相后不平衡度的控制模型如下:
:每一次换相后的不平衡度偏差;
:神经网络模型权重系数;
:最大相电流与最小相电流之差;
,所有n×m个换相开关被选中的概率系数;
所述换相算法模型的训练过程,包括:
根据上一次换相结束后产生的偏差,构建换相算法模型;
采集电网的三相电流、三相电压以及三相负荷开关的电压、电流和换相次数构建数据集,不断进行变量筛选,筛选出对换相算法模型的输出结果有影响的变量;
通过不断进行变量筛选,迭代更新换相算法模型权重系数,训练换相算法模型;
得到训练好的换相算法模型;
所述采集电网的三相电流、三相电压以及三相负荷开关的电压、电流和换相次数构建数据集,不断进行变量筛选,筛选出对换相算法模型的输出结果有影响的变量,包括:
设置步长,产生多组输入数据,对每组输入列向量数据进行由大到小的顺序进行排序,选择较大数值为输入数据,将较大换相次数和较小换相开关电流值作为噪声数据;
将噪声数据加入到输入变量中得到新的输入变量,得出输出结果;
通过增加或者减小自变量,不断进行变量筛选,筛选出对换相算法模型的输出结果有影响的变量;
建立网络、初始化神经网络、神经网络参数设置;
训练网络即利用加入噪声的数据训练一个神经网络,直至满足设定的最小误差精度,停止训练;
分别求增加的输出和减少的输出,进行差值计算,计算每个输入变量对应输出的MIV值;
按照上面步骤计算每一个输入变量对应输出变量产生的MIV,将MIV取绝对值后进行排序,得到各自变量对网络输出影晌大小或重要程度,选择影响程度累积超过50%的特征集,便实现了换相开关的筛选。
6.一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,该程序被处理器执行时实现如权利要求1-4中任一项所述的一种基于农村电网的三相负荷不平衡治理方法中的步骤。
7.一种计算机设备,包括存储器、处理器及存储在存储器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程序时实现如权利要求1-4中任一项所述的一种基于农村电网的三相负荷不平衡治理方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210842738.7A CN115102195B (zh) | 2022-07-18 | 2022-07-18 | 一种基于农村电网的三相负荷不平衡治理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210842738.7A CN115102195B (zh) | 2022-07-18 | 2022-07-18 | 一种基于农村电网的三相负荷不平衡治理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115102195A CN115102195A (zh) | 2022-09-23 |
CN115102195B true CN115102195B (zh) | 2024-06-21 |
Family
ID=83298059
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210842738.7A Active CN115102195B (zh) | 2022-07-18 | 2022-07-18 | 一种基于农村电网的三相负荷不平衡治理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115102195B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117117910B (zh) * | 2023-10-25 | 2024-01-16 | 成都汉度科技有限公司 | 一种台区三相不平衡自动调节方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017032996A1 (en) * | 2015-08-21 | 2017-03-02 | Mc Power Innovations Ltd | Switch, distributor system and method of adjusting current imbalance or phase to neutral voltages |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105846453A (zh) * | 2016-05-10 | 2016-08-10 | 北京泰豪电力科技有限公司 | 一种治理低压配电网三相负荷不平衡的方法 |
CN106849137A (zh) * | 2017-04-07 | 2017-06-13 | 武汉大学 | 一种降低网络损耗的三相不平衡调节方法 |
CN110417034A (zh) * | 2019-06-21 | 2019-11-05 | 国网上海市电力公司 | 一种适用于智能负荷换相的控制方法 |
CN111275240B (zh) * | 2019-12-27 | 2023-06-09 | 华北电力大学 | 一种基于多能耦合场景下的负荷预测方法 |
CN111200290B (zh) * | 2020-03-16 | 2021-12-31 | 广东电网有限责任公司 | 一种用于台区三相不平衡治理的换相开关智能控制方法 |
CN112290544B (zh) * | 2020-10-21 | 2022-11-01 | 国网山东省电力公司日照供电公司 | 一种基于粒子群优化算法的换相开关优化配置方法及系统 |
-
2022
- 2022-07-18 CN CN202210842738.7A patent/CN115102195B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017032996A1 (en) * | 2015-08-21 | 2017-03-02 | Mc Power Innovations Ltd | Switch, distributor system and method of adjusting current imbalance or phase to neutral voltages |
Non-Patent Citations (1)
Title |
---|
智能配电网运行状态管控与综合评价体系研究;李莉 等;自动化与仪器仪表(第11期);第152-153、156页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115102195A (zh) | 2022-09-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Miu et al. | Capacitor placement, replacement and control in large-scale distribution systems by a GA-based two-stage algorithm | |
Masoum et al. | Optimal placement, replacement and sizing of capacitor banks in distorted distribution networks by genetic algorithms | |
Xu et al. | Multi-objective dynamic VAR planning against short-term voltage instability using a decomposition-based evolutionary algorithm | |
Hsiao et al. | Optimal capacitor placement in distribution systems using a combination fuzzy-GA method | |
Huang et al. | Three-phase balancing of distribution feeders using immune algorithm | |
CN110932281B (zh) | 一种基于电网准稳态灵敏度的多断面协同校正方法和系统 | |
Reddy et al. | 2Index and GA based optimal location and sizing of distribution system capacitors | |
CN107464048A (zh) | 一种基于研究态的日前计划安全校核方法 | |
CN115102195B (zh) | 一种基于农村电网的三相负荷不平衡治理方法及装置 | |
CN109742776B (zh) | 一种基于排序算法的三相不平衡台区用户调整方法 | |
Sonwane et al. | Optimal capacitor placement and sizing for enhancement of distribution system reliability and power quality using PSO | |
CN110994589B (zh) | 电力电子接入电力系统调频能力在线评价方法及系统 | |
Fang et al. | A statistical approach to guide phase swapping for data-scarce low voltage networks | |
CN113890039B (zh) | 一种多端柔性直流配电网潮流调度优化方法 | |
Dahej et al. | Optimal allocation of SVC and TCSC for improving voltage stability and reducing power system losses using hybrid binary genetic algorithm and particle swarm optimization | |
Su et al. | Modified differential evolution method for capacitor placement of distribution systems | |
CN110048407B (zh) | 分布式能源发电计划可行域优化分析方法 | |
Kanwar et al. | Genetic algorithm based method for capacitor placement using new sensitivity based approach | |
Keypour et al. | A comparative study on performance of metaheuristics optimization methods for optimal var sizing and allocation | |
CN112701700B (zh) | 一种基于多目标优化的台区三相不平衡治理方法和系统 | |
CN108539799A (zh) | 一种电网中风电的调度方法及装置 | |
CN115049254A (zh) | 基于层次分析法的合环倒负荷操作风险评估方法及系统 | |
Lo et al. | Hierarchical micro-genetic algorithm paradigm for automatic optimal weight selection in ℋ∞ loop-shaping robust flexible AC transmission system damping control design | |
CN109242308B (zh) | 计及负荷不确定性的配电网故障恢复方案区间评估方法 | |
Kavitha | Optimal Installation for Enhancing Power System Security using Integrated BBO-PSO Techniques |
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 |