CN115224698A - 基于数字孪生的新能源电力系统无功-电压优化控制方法 - Google Patents
基于数字孪生的新能源电力系统无功-电压优化控制方法 Download PDFInfo
- Publication number
- CN115224698A CN115224698A CN202210849863.0A CN202210849863A CN115224698A CN 115224698 A CN115224698 A CN 115224698A CN 202210849863 A CN202210849863 A CN 202210849863A CN 115224698 A CN115224698 A CN 115224698A
- Authority
- CN
- China
- Prior art keywords
- voltage
- reactive
- data
- new energy
- layer
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 238000010248 power generation Methods 0.000 claims abstract description 11
- 230000005540 biological transmission Effects 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 230000000694 effects Effects 0.000 claims abstract description 8
- 210000002569 neuron Anatomy 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000011084 recovery Methods 0.000 claims description 8
- 230000035945 sensitivity Effects 0.000 claims description 7
- 230000001052 transient effect Effects 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 101100380328 Dictyostelium discoideum asns gene Proteins 0.000 claims description 4
- 241000623377 Terminalia elliptica Species 0.000 claims description 4
- 101150062095 asnA gene Proteins 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000006641 stabilisation Effects 0.000 claims description 3
- 238000011105 stabilization Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims 1
- 238000003379 elimination reaction Methods 0.000 claims 1
- 230000033228 biological regulation Effects 0.000 abstract description 6
- 230000004927 fusion Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000002411 adverse Effects 0.000 abstract description 3
- 238000004891 communication Methods 0.000 abstract description 3
- 230000008447 perception Effects 0.000 abstract description 3
- 238000003672 processing method Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 9
- 230000002159 abnormal effect Effects 0.000 description 4
- 150000001875 compounds Chemical class 0.000 description 4
- 238000011217 control strategy Methods 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002079 cooperative effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- H02J3/50—Controlling the sharing of the out-of-phase component
-
- 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
- Y02E40/10—Flexible AC transmission systems [FACTS]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Power Engineering (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了基于数字孪生的新能源电力系统无功‑电压优化控制方法,基于数字孪生技术架构和SVG控制参数动态优化策略,构建了计及新能源发电的无功‑电压优化控制方法。通过传感网络和孪生数据动态处理方法,采集生成对系统电压特性具有较大影响权重的原始数据集,作为数字孪生体的感知接入;数字孪生体融合深度神经网络算法,对系统运行态势进行实时的推演分析,并在多场景多状态下生成动态优化指令,通过通信传输网络反馈到物理系统中,对SVG控制参数进行动态优化,以释放其在极端情况下的无功调节潜力,缓解新能源高渗透电网突发动态及故障工况下的不利影响,实现对电网电压的趋优控制,保障电网的安全稳定运行。
Description
技术领域
本发明属于新能源电网电压控制技术领域,涉及基于数字孪生的新能源电力系统无功-电压优化控制方法。
背景技术
我国风电、光伏等新能源必将呈现大规模发展、高比例发展、市场化发展、高质量发展的新趋势。新能源由于其资源丰富、清洁低碳的特点受到广泛关注,但随着高比例新能源不断接入电力系统,其所具有的间歇性和波动性也给系统带来了高度的不确定性,其中,扰动情况下的电压失稳、故障场景下的电压恢复对电力系统的稳定运行有着深刻的影响。静止无功发生器(Static Var Generator,SVG)作为一种高动态无功补偿装置,凭借其快速灵活、可控性强、控制精度高等特点,广泛应用于输、配电系统的动态补偿和电压控制。
数字孪生(Digital Twin,DT)是一种数字化技术手段,于2003年被首次提及,它将数据与模型融合作为其核心与基础,通过数字化方式创建物理实体的虚拟“映射”,借助数据模拟物理实体在现实环境中的行为,通过虚实交互反馈、数据融合分析、决策迭代优化等手段,为物理实体提供实时、高效、智能的服务。数字孪生技术作为一种前沿的控制方式,有望在未来成为数字化转型的通用技术。
现有技术中,大多数学者围绕无功源间的协调控制策略,挖掘新能源自身无功调节潜力展开研究,实时调节无功源间的协同配合效果来实现电压优化。文献《考虑多无功源的光伏电站两阶段无功电压协调控制策略》(刘双,国网电力科学研究院)提出一种综合利用SVG、光伏逆变器和电容器组的大型光伏电站无功电压协调控制策略,通过进行无功代替的优化控制,保留SVG足够的无功裕度来提高电网应对电压崩溃的能力。上述文献存在以下缺点:1)SVG仅作为异常工况下的动态无功支撑装置,却未考虑根据系统实际运行情况对SVG自身无功调节控制效果进行实时优化;2)该协调控制策略仅实现滞后调节,不具备对系统运行状态的态势感知、推演能力,无法对电压波动进行超前预测,实时优化。
因此,本发明专利融合数字孪生技术架构,提出一种基于数字孪生的新能源电力系统无功电压优化方法,通过数字孪生体对高比例新能源并网下的系统运行情况进行推演分析,实时反馈控制决策,动态优化无功指令,改善系统电压的暂态特性,保持电网安全稳定运行。
发明内容
本发明所要解决的技术问题在于通过数字孪生架构如何实现静止无功发生器控制参数的动态优化,跟踪电压变化,实时调节无功出力,以改善新能源并网带来的电网电压频繁波动,及故障工况下的暂态失稳问题。
本发明是通过以下技术方案解决上述技术问题的:
基于数字孪生的新能源电力系统无功-电压优化控制方法,包括以下步骤:
S1、构建数字孪生技术架构下的物理实体层—计及新能源发电的SVG无功电压优化控制模型,并设定约束条件;选取相关运行数据和状态数据输入传感网络生成初始孪生数据空间;
S2、动态辨识步骤S1所生成的孪生数据中的不良数据并将其剔除;建立以深度神经网络为核心的无功电压优化模型数字孪生体,并实现物理模型与孪生体之间的数据交互功能;
S3、将步骤S2中所获得的数据集输入至数字孪生体中,对深度神经网络进行训练,生成SVG控制参数优化决策指令,经传输层反馈到物理系统中对SVG无功支撑效果进行动态优化;并根据评估指标对优化结果进行分析。
优选的,步骤S1中所述的构建数字孪生技术架构下的物理实体层—计及新能源发电的SVG无功电压优化控制模型,以SVG优化控制后电压波动最小为目标,其目标函数写作:
其中,ΔU i 为系统中节点i相对于基准电压的压降,i为负荷节点编号;其中U i -U N 为光伏电站未接入情况下的自然电压跌落,其大小为各条输电线路上电压跌落的总和;PV为光伏电站数量,k’为第k’个光伏电站,U i,k’ 为光伏电站接入系统后对节点i造成的电压压升。
优选的,步骤S1中所述的约束条件主要包括系统潮流约束、SVG容量约束、节点电压约束,其中系统潮流约束条件,采用LinDistFlow潮流约束模型,其约束条件公式如下:
其中,P ij ,Q ij 分别为支路ij流过的有功和无功;k:j→k为以j为上级节点的所有末端节点的集合;p d j ,p o j 分别为j节点处的有功需求和输出;q d j ,q o j 分别为j节点处的无功需求和输出;r ij ,x ij 分别为支路ij的电阻和电抗。
优选的,步骤S1中所述的SVG容量、电压约束条件如下:
其中,Q cj,max 为节点无功负荷的上限值;U Dj,max ,U Di,min 分别为节点电压允许的上限值和下限值。
优选的,步骤S1中所述的选取相关运行数据和状态数据输入传感网络生成初始孪生数据空间,设定电压灵敏度指标对系统电压的影响因素进行权重分析,其电压灵敏度指标公式为:
其中,v为系统电压,u为系统控制量,h为SVG控制量,-(∂f/∂v T )-1为潮流方程雅可比矩阵;-(∂f/∂u T )-1为潮流方程对系统控制量的偏导数;-(∂f/∂h T )-1为潮流方程对SVG控制量的偏导数。
优选的,步骤S2中所述的动态辨识孪生数据中的不良数据并将其剔除采用孤立森林算法,其计算过程如下:
其中,h(x)表示步骤S1中生成的数据样本x在单棵孤立树上的路径长度,a表示训练集中当前和数据样本x属于同一个叶子结点的样本数目;e表示该样本在预测流程中数据样本x从根节点到叶子结点经过的边的数目,C(n)是n个数据样本构成的二叉树的平均路径长度;
C(n)的计算公式如下:
其中,H(n-1)能被近似认为成ln(n-1)+γ,γ为欧拉常数,最后通过多个孤立树求出单个数据样本x在不同二叉树上的路径长度,利用公式(7)综合计算数据样本x的异常分数值;
其中,E(h(x))是数据样本x在多个孤立树上的平均路径长度,φ表示训练集中的样本数。
优选的,步骤S2中所述的建立以深度神经网络为核心的输入层—隐含层—输出层一体的无功电压优化模型数字孪生体,其隐含层数目选取经验公式为:
其中,q为隐含层的神经元个数,m、n分别为输入层和输出层神经元的个数,a是1~10的常数,隐含层的层数根据分析进行选取。
优选的,步骤S3中所述的数字孪生体深度神经网络算法流程如下:
以上一个隐含层的输出向量作为下一个隐含层的输入向量,则深度神经网络中第k(0<k≤n,k∈Z)层隐含层输出O k 写作:
其中,μ k 指的是第k-1个隐含层中神经元与第k个隐含层中神经元的连接权重;ω k 指的是第k-1个隐含层中神经元与第k层隐含层之间的阈值,只有神经元接收到的信息达到阈值才会被激活;
第k个隐含层输出的向量O k 中的每一个元素都是经过激励函数f进行非线性变换得到的,表示为:
其中,q指的是第k-1个隐含层所包含的神经元数量,μ k,p,i 指的是第k-1个隐含层与第1个隐含层之间的权重矩阵中p行的第i个元素,o k-1,p 指的是第k-1个隐含层输出向量O k-1 中的第p个元素,ω k,p 指的是第k-1个隐含层与第l个隐含层之间的阈值向量中对应的第p个元素;
输入量从输入层到第一个隐含层以后,后续的隐含层不断传递的同时也在不断的学习训练,最后将变换后的数据传送到输出层,得到最终的结果,表示为:
其中,μ n+1 指的是第n个隐含层与输出层之间的权重矩阵,O n 指的是第n个隐含层的向量,ω n+1 指的是第n个隐含层与输出层之间的阈值向量,c指的是深度神经网络输出层的非线性激活函数。
优选的,步骤S3中所述的评估指标为:
其中,η为权重系数;TRSC为暂态无功支撑能力指标,ΔU m 为大扰动下故障跌落的幅度差;Δt min 为从故障切除到电压恢复到0.95pu的时间差;Δt max 为从故障切除到电压恢复稳定的时间差;α为比例权重;VFQI为电压波动合格率指标,n为某波动时间T内的波动次数,n ex 为单位时间内电压波动超过1%的次数。
与现有技术相比,本发明的有益效果是:
本发明的技术方案基于数字孪生技术架构和SVG控制参数动态优化策略,构建了计及新能源发电的无功-电压优化控制方法。通过传感网络和孪生数据动态处理方法,采集生成对系统电压特性具有较大影响权重的原始数据集,作为数字孪生体的感知接入;数字孪生体融合深度神经网络算法,对系统运行态势进行实时的推演分析,并在多场景多状态下生成动态优化指令,通过通信传输网络反馈到物理系统中,对SVG控制参数进行动态优化,以释放其在极端情况下的无功调节潜力,缓解新能源高渗透电网突发动态及故障工况下的不利影响,实现对电网电压的趋优控制,保障电网的安全稳定运行。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一的基于数字孪生的新能源电力系统无功-电压优化控制流程图;
图2是本发明实施例一的新能源电力系统无功-电压优化控制的数字孪生技术架构;
图3是本发明实施例一的深度神经网络预测模型拓扑结构图;
图4是本发明实施例一的基于数字孪生的新能源电力系统无功-电压优化控制物理仿真模型结构图;
图5是本发明实施例一的基于数字孪生的新能源电力系统无功-电压优化控制前后系统电压对比图;
图6是本发明实施例一的基于数字孪生的新能源电力系统无功-电压优化控制前后系统频率对比图;
图7是本发明实施例一基于数字孪生的新能源电力系统无功-电压优化控制前后系统有功功率对比图;
图8是本发明实施例一的基于数字孪生的新能源电力系统无功-电压优化控制前后系统无功功率对比图;
图9是本发明实施例一的基于数字孪生的新能源电力系统无功-电压优化控制前后SVG无功释放量对比图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1至图9,本发明提供一种具体实施例的技术方案:
步骤1、以电压波动最小为目标,构建数字孪生技术架构下的物理实体层—计及新能源发电的SVG无功电压优化控制模型,并设定系统潮流、SVG容量及节点电压约束条件;利用电压灵敏度指标对影响系统电压的运行数据、状态数据进行对比分析,选取具有较大影响权重的控制量作为初始数据集;
步骤1.1、构建数字孪生技术架构下的物理实体层—计及新能源发电的SVG无功电压优化控制模型,考虑新能源发电架构对系统电压波动的影响,以SVG优化控制后电压波动最小为目标,其目标函数可以写作:
公式(1)中,ΔU i 为系统中节点i相对于基准电压的压降,i为负荷节点编号;其中U i -U N 为光伏电站未接入情况下的自然电压跌落,其大小为各条输电线路上电压跌落的总和;PV为光伏电站数量,k’为第k’个光伏电站,U i,k’ 为光伏电站接入系统后对节点i造成的电压压升。
步骤1.2、根据系统实际情况,约束条件主要包括系统潮流约束、SVG容量约束、节点电压约束,其中系统潮流约束条件,采用LinDistFlow潮流约束模型,其约束条件公式如下:
公式(2)中,P ij ,Q ij 分别为支路ij流过的有功和无功;k:j→k为以j为上级节点的所有末端节点的集合;p d j ,p o j 分别为j节点处的有功需求和输出;q d j ,q o j 分别为j节点处的无功需求和输出;r ij ,x ij 分别为支路ij的电阻和电抗。
步骤1.3、为了保障电力系统的安全稳定运行,各变量都要在规定的范围内,SVG容量,节点电压应该满足约束:
公式(3)中,Q cj,max 为节点无功负荷的上限值;U Dj,max ,U Di,min 分别为节点电压允许的上限值和下限值。
步骤1.4、在建立优化目标函数并定义各约束条件的基础上,开始对传感网络的感知输入量进行选取,利用电压灵敏度指标,对系统运行参数、状态参数进行计算分析,最终选取系统侧电压、频率、有功功率、无功功率,负荷侧电压、频率、有功功率、无功功率,SVG无功释放量作为初始数据集,其电压灵敏度计算公式如式(4)所示:
其中,v为系统电压,u为系统控制量,h为SVG控制量,-(∂f/∂v T )-1为潮流方程雅可比矩阵;-(∂f/∂u T )-1为潮流方程对系统控制量的偏导数;-(∂f/∂h T )-1为潮流方程对SVG控制量的偏导数。
步骤2、考虑孪生数据的多样性、不健全性以及非确定性等因素,在步骤1生成的初始孪生数据空间的基础上对数据进行预处理,采用孤立森林算法动态辨识孪生数据中的不良数据并将其剔除;根据经验公式计算神经网络隐含层神经元数目,建立以深度神经网络为核心的无功电压优化模型数字孪生体,并实现物理模型与孪生体之间的数据交互功能;
步骤2.1、采用孤立森林算法对数据集中的异常值进行动态辨识,其检测过程为:
将数据样本沿着孤立树,从根节点开始,通过判断该数据样本在该属性上的值与孤立树当前结点的值的大小关系,决定数据样本走向。当数据样本到达孤立树中的某个叶子结点或到达孤立树的最大高度时,该数据样本的检测流程结束,可通过公式(5)计算该数据样本x在这颗孤立树上的路径长度h(x):
公式(5)中,h(x)表示步骤S1中生成的数据样本x在单棵孤立树上的路径长度,a表示训练集中当前和数据样本x属于同一个叶子结点的样本数目;e表示该样本在预测流程中数据样本x从根节点到叶子结点经过的边的数目,C(n)是n个数据样本构成的二叉树的平均路径长度;
C(n)的计算公式如下:
公式(6)中,H(n-1)被近似认为成ln(n-1)+γ,γ为欧拉常数,最后通过多个孤立树求出单个数据样本x在不同二叉树上的路径长度,利用公式(7)综合计算数据样本x的异常分数值;
公式(7)中,E(h(x))是数据样本x在多个孤立树上的平均路径长度,φ表示训练集中的样本数。通过以上三个公式可以求出数据样本在经过模型检测后的异常分数值。一般异常分数的取值在0 到1 之间。当异常分数值在0.5 左右时,说明该样本在多棵孤立树中的平均路径长度与训练集整体的平均路径长度接近。当分数越接近1 时,该数据样本的异常程度越高。相反越接近0,异常程度越低。
步骤2.2、如图3所示,建立以深度神经网络为核心的输入层—隐含层—输出层一体的无功电压优化模型数字孪生体,其隐含层数目选取经验公式为:
公式(8)中,q为隐含层的神经元个数,m、n分别为输入层和输出层神经元的个数,a是1~10的常数,隐含层的层数根据分析进行选取。
步骤3、根据步骤2中所获得的数据集和无功电压优化模型数字孪生体,对深度神经网络进行训练,经推演分析后的预测结果生成SVG控制参数优化决策指令,经数据传输层反馈到物理系统中对SVG无功支撑效果进行实时优化;并根据评估指标对优化结果进行分析。
步骤3.1、搭建以深度神经网络为主体的数字孪生体,对数据集进行预测分析,动态感知系统运行状态并输出相应控制指令,定义深度神经网络算法流程如下:
以上一个隐含层的输出向量作为下一个隐含层的输入向量,则深度神经网络中第k(0<k≤n,k∈Z)层隐含层输出O k 可写作:
公式(9)中,μ k 指的是第k-1个隐含层中神经元与第k个隐含层中神经元的连接权重;ω k 指的是第k-1个隐含层中神经元与第k层隐含层之间的阈值,只有神经元接收到的信息达到阈值才会被激活;
第k个隐含层输出的向量O k 中的每一个元素都是经过激励函数f进行非线性变换得到的,可以表示为:
公式(10)中,q指的是第k-1个隐含层所包含的神经元数量,μ k,p,i 指的是第k-1个隐含层与第1个隐含层之间的权重矩阵中p行的第i个元素,o k-1,p 指的是第k-1个隐含层输出向量O k-1 中的第p个元素,ω k,p 指的是第k-1个隐含层与第l个隐含层之间的阈值向量中对应的第p个元素;
输入量从输入层到第一个隐含层以后,后续的隐含层不断传递的同时也在不断的学习训练,最后将变换后的数据传送到输出层,得到最终的结果,可以表示为:
公式(11)中,μ n+1 指的是第n个隐含层与输出层之间的权重矩阵,O n 指的是第n个隐含层的向量,ω n+1 指的是第n个隐含层与输出层之间的阈值向量,c指的是深度神经网络输出层的非线性激活函数。
步骤3.2、将数字孪生体推演分析后的预测结果生成SVG控制参数优化指令,动态改善无功支持效果,分别从电压波动合格率和故障工况下暂态无功支撑能力两个指标对系统优化结果进行评估分析,通过测量三相接地短路时故障恢复时间和电压跌落程度,判断系统的电压支撑能力大小,其评估指标为:
公式(12)中,η为权重系数;TRSC为暂态无功支撑能力指标,ΔU m 为大扰动下故障跌落的幅度差;Δt min 为从故障切除到电压恢复到0.95pu的时间差;Δt max 为从故障切除到电压恢复稳定的时间差;α为比例权重;VFQI为电压波动合格率指标,n为某波动时间T内的波动次数,n ex 为单位时间内电压波动超过1%的次数。
如图4所示,建立含SVG的新能源发电系统仿真模型,该系统由光伏阵列、SVG、负载所构成;系统额定电压为115kV,系统阻抗为22.19∠78°Ω,负载阻抗为145.85∠21.24°Ω,功率因数为0.932,光伏电池的参考照度为1000W/m2,参考温度为25℃,SVG通过变压器接入PCC点,变压器绕组电压为115kV/25kV。在1s时设置三相短路故障,故障持续时间0.5s,故障阻抗为69∠313.8°Ω。
如图5和图6所示,系统采取基于数字孪生的无功电压优化控制前后系统电压/频率情况波形图,从图中可以看出,当系统发生短路故障,通过数字孪生实时优化SVG无功出力,系统电压/频率的波动情况均获得了极大的改善,尤其故障切除后,经优化的系统电压/频率恢复至稳定的速度大大提高,有效提升了系统暂态响应特性。
如图7和图8所示,系统采取基于数字孪生的无功电压优化控制前后系统有功/无功功率情况波形图,从图中可以看出,所提优化方法可以有效改善故障工况下功率波动幅度,维持系统的功率稳定。
如图9所示,系统采取基于数字孪生的无功电压优化控制前后SVG无功释放量曲线图,从图中可得,所提优化方法动态提升了SVG在系统故障工况下的无功释放量,有效改善了无功出力的稳定性和动态调节潜力。
本发明基于数字孪生技术架构和SVG控制参数动态优化策略,构建了计及新能源发电的无功-电压优化控制方法。通过传感网络和孪生数据动态处理方法,采集生成对系统电压特性具有较大影响权重的原始数据集,作为数字孪生体的感知接入;数字孪生体融合深度神经网络算法,对系统运行态势进行实时的推演分析,并在多场景多状态下生成动态优化指令,通过通信传输网络反馈到物理系统中,对SVG控制参数进行动态优化,以释放其在极端情况下的无功调节潜力,缓解新能源高渗透电网突发动态及故障工况下的不利影响,实现对电网电压的趋优控制,保障电网的安全稳定运行。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (9)
1.基于数字孪生的新能源电力系统无功-电压优化控制方法,其特征在于,包括以下步骤:
S1、构建数字孪生技术架构下的物理实体层—计及新能源发电的SVG无功电压优化控制模型,并设定约束条件;选取相关运行数据和状态数据输入传感网络生成初始孪生数据空间;
S2、动态辨识步骤S1所生成的孪生数据中的不良数据并将其剔除;建立以深度神经网络为核心的无功电压优化模型数字孪生体,并实现物理模型与孪生体之间的数据交互功能;
S3、将步骤S2中所获得的数据集输入至数字孪生体中,对深度神经网络进行训练,生成SVG控制参数优化决策指令,经传输层反馈到物理系统中对SVG无功支撑效果进行动态优化;并根据评估指标对优化结果进行分析。
6.根据权利要求5所述的基于数字孪生的新能源电力系统无功-电压优化控制方法,其特征在于,步骤S2中所述的动态辨识孪生数据中的不良数据并将其剔除采用孤立森林算法,其计算过程如下:
其中,h(x)表示步骤S1中生成的数据样本x在单棵孤立树上的路径长度,a表示训练集中当前和数据样本x属于同一个叶子结点的样本数目;e表示该样本在预测流程中数据样本x从根节点到叶子结点经过的边的数目,C(n)是n个数据样本构成的二叉树的平均路径长度;
C(n)的计算公式如下:
其中,H(n-1)能被近似认为成ln(n-1)+γ,γ为欧拉常数,最后通过多个孤立树求出单个数据样本x在不同二叉树上的路径长度,利用公式(7)综合计算数据样本x的异常分数值;
其中,E(h(x))是数据样本x在多个孤立树上的平均路径长度,φ表示训练集中的样本数。
8.根据权利要求7所述的基于数字孪生的新能源电力系统无功-电压优化控制方法,其特征在于,步骤S3中所述的数字孪生体深度神经网络算法流程如下:
以上一个隐含层的输出向量作为下一个隐含层的输入向量,则深度神经网络中第k(0<k≤n,k∈Z)层隐含层输出O k 写作:
其中,μ k 指的是第k-1个隐含层中神经元与第k个隐含层中神经元的连接权重;ω k 指的是第k-1个隐含层中神经元与第k层隐含层之间的阈值,只有神经元接收到的信息达到阈值才会被激活;
第k个隐含层输出的向量O k 中的每一个元素都是经过激励函数f进行非线性变换得到的,表示为:
其中,q指的是第k-1个隐含层所包含的神经元数量,μ k,p,i 指的是第k-1个隐含层与第1个隐含层之间的权重矩阵中p行的第i个元素,o k-1,p 指的是第k-1个隐含层输出向量O k-1 中的第p个元素,ω k,p 指的是第k-1个隐含层与第l个隐含层之间的阈值向量中对应的第p个元素;
输入量从输入层到第一个隐含层以后,后续的隐含层不断传递的同时也在不断的学习训练,最后将变换后的数据传送到输出层,得到最终的结果,表示为:
其中,μ n+1 指的是第n个隐含层与输出层之间的权重矩阵,O n 指的是第n个隐含层的向量,ω n+1 指的是第n个隐含层与输出层之间的阈值向量,c指的是深度神经网络输出层的非线性激活函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210849863.0A CN115224698B (zh) | 2022-07-20 | 2022-07-20 | 基于数字孪生的新能源电力系统无功-电压优化控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210849863.0A CN115224698B (zh) | 2022-07-20 | 2022-07-20 | 基于数字孪生的新能源电力系统无功-电压优化控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115224698A true CN115224698A (zh) | 2022-10-21 |
CN115224698B CN115224698B (zh) | 2023-06-30 |
Family
ID=83612833
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210849863.0A Active CN115224698B (zh) | 2022-07-20 | 2022-07-20 | 基于数字孪生的新能源电力系统无功-电压优化控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115224698B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116599162A (zh) * | 2023-07-19 | 2023-08-15 | 昆明理工大学 | 一种n-1下新能源渗透率的确定方法 |
CN117155237A (zh) * | 2023-03-17 | 2023-12-01 | 中国电建集团贵阳勘测设计研究院有限公司 | 一种基于数字孪生的光伏跟踪支架系统及方法 |
CN117217008A (zh) * | 2023-09-15 | 2023-12-12 | 国网四川省电力公司电力科学研究院 | 一种输电网变压器的数字孪生模型构建方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109636009A (zh) * | 2018-11-22 | 2019-04-16 | 中国电力科学研究院有限公司 | 一种建立确定电网线损的神经网络模型的方法和系统 |
CN112016748A (zh) * | 2020-08-26 | 2020-12-01 | 国网重庆市电力公司电力科学研究院 | 一种稳控装置运行状态的动态分析与量化评估方法 |
CN113011085A (zh) * | 2021-02-26 | 2021-06-22 | 青岛弯弓信息技术有限公司 | 一种设备数字孪生建模方法及系统 |
CN113162055A (zh) * | 2021-01-28 | 2021-07-23 | 国网河南省电力公司电力科学研究院 | 一种储能与新能源电站无功电压的协调控制方法及系统 |
CN113675863A (zh) * | 2021-08-23 | 2021-11-19 | 南京理工大学 | 一种基于数字孪生的微电网频率二次协同控制方法 |
-
2022
- 2022-07-20 CN CN202210849863.0A patent/CN115224698B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109636009A (zh) * | 2018-11-22 | 2019-04-16 | 中国电力科学研究院有限公司 | 一种建立确定电网线损的神经网络模型的方法和系统 |
CN112016748A (zh) * | 2020-08-26 | 2020-12-01 | 国网重庆市电力公司电力科学研究院 | 一种稳控装置运行状态的动态分析与量化评估方法 |
CN113162055A (zh) * | 2021-01-28 | 2021-07-23 | 国网河南省电力公司电力科学研究院 | 一种储能与新能源电站无功电压的协调控制方法及系统 |
CN113011085A (zh) * | 2021-02-26 | 2021-06-22 | 青岛弯弓信息技术有限公司 | 一种设备数字孪生建模方法及系统 |
CN113675863A (zh) * | 2021-08-23 | 2021-11-19 | 南京理工大学 | 一种基于数字孪生的微电网频率二次协同控制方法 |
Non-Patent Citations (2)
Title |
---|
XINYUAN SHI等: "Optimization Strategy of STATCOM Control Parameters Based on Digital Twin", 2022 IEEE 5TH INTERNATIONAL ELECTRICAL AND ENERGY CONFERENCE (CIEEC), pages 4697 - 4702 * |
高扬等: "基于数字孪生驱动的智慧微电网多智能体协调优化控制策略", 《电网技术》, vol. 45, no. 07, pages 2483 - 2491 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117155237A (zh) * | 2023-03-17 | 2023-12-01 | 中国电建集团贵阳勘测设计研究院有限公司 | 一种基于数字孪生的光伏跟踪支架系统及方法 |
CN117155237B (zh) * | 2023-03-17 | 2024-05-17 | 中国电建集团贵阳勘测设计研究院有限公司 | 一种基于数字孪生的光伏跟踪支架系统及方法 |
CN116599162A (zh) * | 2023-07-19 | 2023-08-15 | 昆明理工大学 | 一种n-1下新能源渗透率的确定方法 |
CN116599162B (zh) * | 2023-07-19 | 2023-09-15 | 昆明理工大学 | 一种n-1下新能源渗透率的确定方法 |
CN117217008A (zh) * | 2023-09-15 | 2023-12-12 | 国网四川省电力公司电力科学研究院 | 一种输电网变压器的数字孪生模型构建方法 |
CN117217008B (zh) * | 2023-09-15 | 2024-05-07 | 国网四川省电力公司电力科学研究院 | 一种输电网变压器的数字孪生模型构建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115224698B (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115224698B (zh) | 基于数字孪生的新能源电力系统无功-电压优化控制方法 | |
Wang et al. | Toward the prediction level of situation awareness for electric power systems using CNN-LSTM network | |
CN107039995A (zh) | 一种考虑电能质量问题的分布式光伏电源接入规划方法 | |
CN105069236B (zh) | 考虑风电场节点空间相关性的广义负荷联合概率建模方法 | |
CN107123988A (zh) | 一种考虑恢复量不确定的停电电网负荷恢复二阶锥规划方法 | |
CN112564127A (zh) | 一种光伏并网电力系统频率暂态稳定性分析方法 | |
CN112947672B (zh) | 一种光伏电池最大功率点跟踪方法及装置 | |
Lalljith et al. | Applications of flower pollination algorithm in electrical power systems: a review | |
CN114865649B (zh) | 一种风光储一体化场站无功调节方法、装置及电子设备 | |
CN113872213A (zh) | 一种配电网电压自主优化控制方法及装置 | |
Tian et al. | Application of improved whale optimization algorithm in parameter identification of hydraulic turbine at no-load | |
Liu et al. | Review of grid stability assessment based on AI and a new concept of converter-dominated power system state of stability assessment | |
CN116231671A (zh) | 一种基于梯度提升决策树算法的在线配电网无功控制方法 | |
Jegajothi et al. | Combination BFPSO Tuned Intelligent Controller for Maximum Power Point Tracking in Solar Photovoltaic Farm Interconnected to Grid Supply | |
CN116896093A (zh) | 一种风电场并网振荡稳定性在线分析与优化方法 | |
CN116882105A (zh) | 大规模光伏接入的交直流配电网供电模式边界分析方法 | |
Tabatabaei et al. | Fuzzy PID controller base on LFC in the deregulated power system including SMES | |
CN114937999A (zh) | 基于机器学习的同步发电机提高电压暂稳的稳态无功优化方法 | |
Kaysal et al. | Comparison the performance of different optimization methods in artificial intelligence based electricity production forecasting | |
Huang | Application of genetic based fuzzy systems to hydroelectric generation scheduling | |
Mahider et al. | Optimization of STATCOM PI Controller Parameters Using the Hybrid GA-PSO Algorithm | |
Li et al. | Wind farms reactive power optimization using genetic/tabu hybrid algorithm | |
Metodieva et al. | Neural network a way to forecast the generation of electricity from a wind turbine | |
CN114692513B (zh) | 基于深度学习的新能源承载力评估方法、预警方法 | |
Li et al. | Short-term wind power prediction method based on genetic algorithm optimized xgboost regression model |
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 |