CN115498643A - 新能源高密度电网多功能逆变器优化配置方法及装置 - Google Patents
新能源高密度电网多功能逆变器优化配置方法及装置 Download PDFInfo
- Publication number
- CN115498643A CN115498643A CN202211114714.6A CN202211114714A CN115498643A CN 115498643 A CN115498643 A CN 115498643A CN 202211114714 A CN202211114714 A CN 202211114714A CN 115498643 A CN115498643 A CN 115498643A
- Authority
- CN
- China
- Prior art keywords
- node
- harmonic
- power grid
- multifunctional inverter
- new energy
- 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
Links
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
- H02J3/01—Arrangements for reducing harmonics or ripples
-
- 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
- H02J3/381—Dispersed generators
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种新能源高密度电网多功能逆变器优化配置方法及装置。该方法包括:获取新能源高密度电网在历史时期内各节点的谐波数据;基于历史时期内各节点的谐波数据,对新能源高密度电网的运行状况进行场景划分,得到多个场景;在每个场景下,基于各节点的谐波数据,确定各节点中需要安装多功能逆变器的节点,以及多功能逆变器的安装容量;多功能逆变器生成并向电网注入与谐波源相反的控制信号;基于各场景下,需要安装多功能逆变器的节点位置和多功能逆变器的安装容量,对新能源高密度电网中多功能逆变器进行优化配置。本发明能够以较低成本实现了大量分布式谐波的治理,提高新能源高密度电网的谐波治理效果。
Description
技术领域
本发明涉及输变电技术领域,尤其涉及一种新能源高密度电网多功能逆变器优化配置方法及装置。
背景技术
随着电网中分布式电源的大量并网和电力电子非线性负荷的大量使用,其向电网注入的谐波呈现高密度、分散化、全网化的趋势。由于传统电网谐波污染排放源数量较少且分布较为集中,一般采用就地补偿的方式,直接在污染源侧利用有源滤波器APF并联电网节点上,治理原理是向电网注入反相的谐波电流从而降低网络谐波水平。
在相关技术中,均以常规APF为治理设备,主要适用于传统电网中点对点的污染源侧治理方式。
点对点的污染源侧治理方式只适用于传统的电网,现代电网的谐波源从数量和分布广度上均发生巨大的改变,且谐波的不确定性增强,点对点的谐波治理方式并不能满足现代电网的谐波治理需求。因此,急需探索新的方法来治理现代电网谐波问题。
发明内容
本发明提供了一种新能源高密度电网多功能逆变器优化配置方法及装置,能够以较低成本实现了大量分布式谐波的治理,提高新能源高密度电网的谐波治理效果。
第一方面,本发明提供了一种新能源高密度电网多功能逆变器优化配置方法,包括:获取新能源高密度电网在历史时期内各节点的谐波数据,谐波数据包括谐波电流和谐波阶数;基于历史时期内各节点的谐波数据,对新能源高密度电网的运行状况进行场景划分,得到多个场景;在每个场景下,基于各节点的谐波数据,确定各节点中需要安装多功能逆变器的节点,以及多功能逆变器的安装容量;多功能逆变器生成并向电网注入与谐波源相反的控制信号;基于各场景下,需要安装多功能逆变器的节点位置和多功能逆变器的安装容量,对新能源高密度电网中多功能逆变器进行优化配置。
本发明提供一种新能源高密度电网多功能逆变器优化配置方法,通过对新能源高密度电网的运行状况进行场景划分,得到多个代表典型运行状况的场景,并在每个场景下,确定多个需要安装多功能逆变器的节点,以及多功能逆变器的安装容量,对新能源高密度电网中多功能逆变器进行优化配置后,通过多功能逆变器的剩余容量生成与谐波源相反的控制信号,并向电网注入,实现新能源高密度电网的谐波治理。也即,本发明通过多功能逆变器的剩余容量对电网的谐波进行治理,能够应对大量分布式谐波源,实现分布式新能源系统的谐波治理。本发明无需另设谐波治理设备,减小了谐波治理成本。本发明以较低成本实现了大量分布式谐波的治理,提高了新能源高密度电网的谐波治理效果。
第二方面,本发明实施例提供了一种新能源高密度电网多功能逆变器优化配置装置,包括:通信模块,用于获取新能源高密度电网在历史时期内各节点的谐波数据,谐波数据包括谐波电流和谐波阶数;处理模块,用于基于历史时期内各节点的谐波数据,对新能源高密度电网的运行状况进行场景划分,得到多个场景;在每个场景下,基于各节点的谐波数据,确定各节点中需要安装多功能逆变器的节点,以及多功能逆变器的安装容量;基于各场景下,需要安装多功能逆变器的节点位置和多功能逆变器的安装容量,对新能源高密度电网中多功能逆变器进行优化配置。
第三方面,本发明实施例提供了一种电子设备,其特征在于,所述电子设备包括存储器和处理器,该存储器存储有计算机程序,所述处理器用于调用并运行所述存储器中存储的计算机程序执行如上述第一方面以及第一方面中任一种可能的实现方式所述方法的步骤。
第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上述第一方面以及第一方面中任一种可能的实现方式所述方法的步骤。
上述第二方面至第四方面中任一种实现方式所带来的技术效果可以参见第一方面对应实现方式所带来的技术效果,此处不再赘述。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种新能源高密度电网多功能逆变器优化配置方法的流程示意图;
图2是本发明实施例提供的一种配电系统模型的网络结构示意图;
图3是本发明实施例提供的一种模块度函数与区域数关系的关系示意图;
图4是本发明实施例提供的一种配电系统模型的最终划分区域的示意图;
图5是本发明实施例提供的一种谐波治理前后各节点电压畸变率的对比示意图;
图6是本发明实施例提供的一种新能源高密度电网多功能逆变器优化配置装置的结构示意图;
图7是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
在本申请实施例中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念,便于理解。
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明的附图通过具体实施例来进行说明。
在相关技术中,均以常规APF为治理设备,主要适用于传统电网中点对点的污染源侧治理方式。现代电网的谐波源从数量和分布广度上均发生巨大的改变,且谐波的不确定性增强,所以点对点的谐波治理方式并不能满足现代电网的谐波治理需求。因此,急需探索新的方法来治理现代电网谐波问题。
为了解决现有技术中点对点的谐波治理方式并不能满足现代电网的谐波治理需求的问题,如图1所示,本申请实施例提供了一种新能源高密度电网多功能逆变器优化配置方法。该方法的执行主体为优化配置装置。该方法包括步骤 S101-S104。
S101、获取新能源高密度电网在历史时期内各节点的谐波数据。
本申请实施例中,谐波数据包括谐波电流和谐波阶数。
在一些实施例中,每个节点均安装新能源和逆变器的现代电网中包括多个谐波源,一个谐波源作用于一个节点,其中,谐波源会向电网输送谐波电流,进而导致电网中的电能质量变差。
S102、基于历史时期内各节点的谐波数据,对新能源高密度电网的运行状况进行场景划分,得到多个场景。
本申请实施例中,场景由谐波不确定场景和多功能逆变器(multi function gridconnected inverter,MFGCI)剩余容量不确定场景组成。
在一些实施例中,谐波不确定场景是不同典型日不同时间段光伏发电产生的谐波电流对应的场景。
在一些实施例中,MFGCI剩余容量不确定场景是基于不同典型日不同时间段MFGCI剩余容量划分得到的场景。
示例性的,在MFGCI剩余容量处于第一数值范围时,优化配制装置确定为“低”场景,在MFGCI剩余容量处于第二数值范围时,优化配制装置确定为“中”场景,在MFGCI剩余容量处于第三数值范围时,优化配制装置确定为“高”场景。
例如,将全年按季节划分为不同的典型日,再按时序在典型日中选取多时段。如将全年分为4个典型日,在每个典型日中分别选取早、中、晚三个时间段。其中,“早”指8:00-9:00,“中”指13:00-14:00,“晚”指19: 00-20:00。假设第一个典型日8:00-9:00产生的谐波电流作为一个谐波不确定场景,且第一个典型日8:00-9:00的MFGCI剩余容量在第一数值范围内,则优化配制装置确定为MFGCI剩余容量不确定场景中的“低”场景。
S103、在每个场景下,基于各节点的谐波数据,确定各节点中需要安装多功能逆变器的节点,以及多功能逆变器的安装容量。
本申请实施例中,多功能逆变器生成并向电网注入与谐波源相反的控制信号。
需要说明的是,多功能逆变器MFGCI不仅能够完成有功并网,MFGCI的剩余容量可以对谐波进行治理。MFGCI安装容量即MFGCI的额定容量。额定容量为MFGCI在额定工作条件下能长期持续工作的容量。对于同一节点而言,在不同场景下的节点数据一般是不同的。
作为一种可能的实现方式,优化配置装置可以基于步骤S1031-S1036,确定各节点中需要安装多功能逆变器的节点,以及多功能逆变器的安装容量。
S1031、计算各节点中任意两个节点之间的谐波响应灵敏度。
作为一种可能的实现方式,优化配置装置可以基于各节点的谐波数据和结构数据,计算各节点中任意两个节点之间的谐波响应灵敏度。
在一些实施例中,谐波数据包括每个场景下每个节点产生的谐波电流和谐波阶数。
在一些实施例中,结构数据包括每个节点之间的位移数据。示例性的,结构数据可以包括每个节点对应的编号和各编号之间的相对位置关系。
作为一种可能的实现方式,优化配置装置可以根据电网在每个场景下的运行数据以及网络结构数据,构建在每个场景下的电网仿真模型,该电网仿真模型可以模拟电网的真实运行情况。
S1032、基于谐波响应灵敏度,对新能源高密度电网中各节点进行划分,得到多个初始区域。
作为一种可能的实现方式,优化配置装置可以基于如下公式,确定谐波响应灵敏度。
其中,Eji表示节点j的谐波电压对节点i注入谐波电流的总谐波响应灵敏度,H表示最大谐波阶数,Eh,ji表示第h次节点j的谐波电压对节点i注入谐波电流的灵敏度,N表示谐波频率总个数,Uh,j表示被控节点的第h次谐波电压,Gh,i表示控制节点i的等效电导。
需要说明的是,对于每个场景,电网仿真模型为IEEE33节点配电系统模型。对IEEE33节点配电系统模型进行仿真验证。新能源高密度电网的网络结构如图2所示。优化配置装置计算各节点两两之间的谐波响应灵敏度,并根据谐波响应灵敏度大于第一阈值的节点划分与其响应灵敏度最大的节点的控制区域,得到初始划分区域。
S1033、在每个初始区域中,计算初始区域中各节点中任意两个节点之间的谐波电压耦合度。
作为一种可能的实现方式,优化配置装置可以基于如下公式,确定谐波电压耦合度。
其中,γij表示节点i和节点j之间的谐波耦合度,γh,ij表示节点i和节点j 之间的h次谐波耦合度,H表示最大谐波阶数,N表示谐波频率总个数,Uh,i表示节点i的第h次谐波电压,Uh,j表示节点j的第h次谐波电压,Gh,i表示节点i的等效电导,Gh,j表示节点j的等效电导。
S1034、基于谐波电压耦合度,对各初始区域中的节点进行筛选,得到筛选后的初始区域。
作为一种可能的实现方式,对于在每个场景下的每个初始划分区域,优化配置装置可以计算该初始划分区域内各节点之间的谐波电压耦合度,在这些谐波电压耦合度中确定出小于第二阈值的谐波电压耦合度,并将小于第二阈值的谐波电压耦合度对应的节点对确定为待定节点对。对于待定节点对中的每个节点,计算该节点与除待定节点对包括的节点之外的节点的谐波耦合度,并将这些谐波耦合度进行相加,得到谐波耦合度和,进而得到待定节点对中的每个节点对应的谐波耦合度和。比较两个谐波耦合度和,并将谐波耦合度和较小的节点剔除。通过上述方法,对各初始区域中的节点进行筛选,得到筛选后的初始区域。
S1035、基于社团发现算法,对筛选后的初始区域中的节点和新能源高密度电网中的其他节点进行区域划分,得到多个最终区域。
作为一种可能的实现方式,优化配置装置可以基于步骤A1-A4,进行区域划分,得到多个最终区域。
A1、基于筛选后的初始区域和其他节点进行区域划分,得到多种分区组合。
其中,每种分区组合包括多个分区。
A2、计算每种分区组合的模块度函数值。
作为一种可能的实现方式,优化配置装置可以基于如下公式,确定模块度函数值。
其中,m表示电网中所有线路权重之和,n表示节点个数,Aij表示节点i 与j的连边权重,ki表示节点i的加权度,kj表示节点j的加权度,当ci和cj在同一个区域,则δ(ci,cj)=1,当ci和cj不在同一个区域,否则δ(ci,cj)=0。
A3、将模块度函数值最大时对应的分区组合中的多个分区,确定为多个最终区域。
需要说明的是,对于某个场景而言,基于图2所示的IEEE33节点配电系统模型,如表1所示,初始区域1包括节点18,19和20。初始区域2包括节点22,23和24。初始区域3包括节点7,8,9和10。初始区域4包括15,16 和17。初始区域5包括29,30和31。初始区域6包括25,26和27。将未在初始区域中的节点与初始区域进行组合,得到多个分区。
基于模块度函数值Q的计算公式计算模块度函数值Q。其中,同一初始区域内的节点始终在同一最终区域内。如图3所示,区域数为5时Q值最大,最大值为0.589,则最佳分区数为5,得到此时对应的多个最终区域。图4为新能源高密度电网区域划分示意图。图4中包括多个最终区域。
表1
初始区域编号 | 最终区域中节点 |
1 | 18,19,20 |
2 | 22,23,24 |
3 | 7,8,9,10 |
4 | 15,16,17 |
5 | 29,30,31 |
6 | 25,26,27 |
S1036、在每个最终区域中,基于谐波响应灵敏度,确定需要安装多功能逆变器的参考节点。
S1037、以综合成本最低和所有场景下各节点谐波电压总畸变率最低为目标函数,以潮流方程等式约束,多功能逆变器配置容量约束,多功能逆变器安装容量约束,节点总谐波电压畸变率约束和有功削减约束为约束条件,求解目标函数的最优解,最优解为各节点中需要安装多功能逆变器的节点和多功能逆变器的安装容量。
作为一种可能的实现方式,优化配置装置可以基于遗传算法,通过步骤 21-29,求解目标函数的最优解。
步骤21,建立M个场景下目标函数和约束条件。
在一些实施例中,目标函数表示综合经济性和治理效果的综合目标。其中,综合经济性为综合成本最低。治理效果为各节点谐波电压总畸变率最低。
示例性的,目标函数中的综合成本包括投资成本、运营成本和有功削减造成的发电损失成本。
示例性的,优化配置装置可以将每个场景发生的概率和在该场景下所有节点谐波电压总畸变率的乘积进行相加,得到所有节点谐波电压总畸变率。
目标函数表示为如下公式:
其中,min F为目标函数,min f1为综合成本最低,min f2为各节点谐波电压总畸变率最低,CINV为投资成本,CMC为运营成本,CLOSS为因有功削减造成的发电损失成本,Py为场景y发生的概率,THDy为场景y下各节点谐波电压总畸变率,场景y为多个不同场景中的第y个场景,Y为场景数量。
示例性的,投资成本可以表示为如下公式。
其中,CINV为MFGCI的单位容量投资成本,α表示贴现率,γ表示运营年限,这里取20年。cINV0为初始投资成本,Nd为节点数量,分别表示在运行场景y下第i个节点MFGCI可以参与谐波治理的最大容量。
示例性的,运营成本为在运营年限内MFGCI的运行维修费用设置为投资费用的比值。运营成本可以表示为如下公式。
其中,CMC为运营成本,α表示贴现率,γ表示运营年限,CINV为 MFGCI的单位容量投资成本,η表示MFGCI每年维修费用与投资费用的比值。
示例性的,有功削减造成的发电损失成本可以表示为如下公式。
需要说明的是,minf2实际上是将每个场景发生的概率和在该场景下所有节点谐波电压总畸变率的乘积进行相加,得到所有节点谐波电压总畸变率。
C={Hy|y≤c,y∈N+}
G={Gδ|δ≤g,δ∈N+}
其中,Hy为第γ个典型谐波场景,c为典型谐波场景的数量。nγ为某一典型日中某一时段所包含的场景数量,m为谐波总场景数量,f(PPV)表示PV有功输出的概率密度函数;表示第δ个逆变器剩余容量场景发生的概率。
例如,谐波不确定场景总数量包括12个场景,分别是四个典型日的早中晚产生的谐波。谐波不确定场景为第一个典型日的早上产生的谐波。因此,谐波不确定场景发生的概率为十二分之一。
在一些实施例中,约束条件包括潮流方程等式约束,多功能逆变器配置容量约束,多功能逆变器安装容量约束,节点总谐波电压畸变率约束和有功削减约束。
示例性的,潮流方程等式约束可以表示为如下公式。
示例性的,多功能逆变器配置容量约束可以表示为如下公式。
其中,表示在运行场景y下第i个节点MFGCI的谐波补偿容量,分别表示在运行场景y下第i个节点MFGCI可以参与谐波治理的最大容量;dMFGCI表示MFGCI的容量裕度系数;场景y为多个不同场景中的任意一个场景。
示例性的,多功能逆变器安装容量约束可以表示为如下公式。
示例性的,节点总谐波电压畸变率约束可以表示为如下公式。
其中,H表示谐波次数,表示场景y下节点i的h次谐波电压,UN,i表示节点i的额定基波电压,场景y为多个不同场景中的任意一个场景,为场景y下节点i的总谐波电压畸变率,CTHD为总谐波电压畸变率的上限值。
示例性的,有功削减约束可以表示为如下公式。
0≤ΔPy DG,i≤σiPDG,i;
其中,σi表示第i个DG节点有功功率削减系数,PDG,i表示第i个DG节点有功出力,ΔPy DG,i表示场景y下第i个DG的有功削减量。
步骤22,初始化n=1,基于M个场景下约束条件生成第n代种群;计算种群中各个体对应的目标函数值,并基于目标函数值由小到大的顺序,对种群中各个体进行排序。
步骤23,选取排序结果中的前E个个体,构成优秀个体库。
步骤24,选择优秀个体库中最优个体以及n代种群中M/4个个体,进行交叉操作,生成M/2个个体进行变异操作,得到第一个体库。
步骤25,选择优秀个体库中任一非最优个体,随机选择n代种群中(1- e)×M/4个个体,随机生成e×M/4个个体,进行交叉操作,生成M/2个个体进行变异操作,得到第二个体库。
步骤26,将n加1,合并第一个体库和第二个体库,得到第n代种群,计算各个体的目标函数值,将第n代种群中各个体按目标函数值升序排列。
步骤27,判断第n代种群中最小的目标函数值小于优秀个体库中最小的目标函数值;若是,则更新优秀个体库后,执行步骤28;若否,直接执行步骤28。
步骤28,判断n是否大于预设阈值;若是,则执行步骤29;若否,则执行步骤24-步骤28。
步骤29,输出优秀个体库中最优个体的信息,最优个体的信息包括各节点中需要安装多功能逆变器的节点和多功能逆变器的安装容量。
示例性的,目标函数的最优解可以如表2所示。
表2
需要安装多功能逆变器的节点 | MFGCI安装容量/(KA) |
9 | 758.73 |
16 | 513.81 |
20 | 427.65 |
23 | 838.59 |
30 | 594.51 |
9 | 758.73 |
需要说明的是,本申请实施例中的遗传算法实质上是以目标函数为评估指标,在约束条件下,对需要安装MFGCI的节点的位置进行优化,进而在电网中找到安装MFGCI的最佳位置和MFGCI安装容量。
示例性的,选取IEEE33节点配电系统模型进行仿真验证,网络结构如图 2所示。在电网各个节点安装普通光伏逆变器和谐波污染排放源来表示光伏在电网中的高渗透率和高密度分散的谐波。每个节点的光伏安装容量如表3所示,MFGCI的容量域度安全系数均设为95%。按国标GB/T14549-93规定,设置谐波电压畸变率的允许上限CTHD为4%。谐波响应灵敏度阈值取最大灵敏度的80%,设置初始划分区域内节点耦合度最低限值ξ=60%。应用改进的遗传算法求解优化问题。遗传算法中,设定种群规模为60,优秀个体库规模为20,随机个体占比6.7%,最大进化代数为200,交叉率65%,变异率 0.15%。在设置好上述参数之后,得到需要设置多功能逆变器MFGCI的节点以及MFGCI安装容量。
表3
DG节点 | 容量(MW) | DG节点 | 容量(MW) |
1 | 0.8 | 17 | 0.9 |
2 | 0.5 | 18 | 0.7 |
3 | 0.7 | 19 | 0.6 |
4 | 0.6 | 20 | 0.5 |
5 | 0.8 | 21 | 0.9 |
6 | 0.6 | 22 | 0.8 |
7 | 0.5 | 23 | 1.0 |
8 | 0.7 | 24 | 0.6 |
9 | 0.9 | 25 | 0.8 |
10 | 1.0 | 26 | 0.9 |
11 | 0.8 | 27 | 0.7 |
12 | 0.6 | 28 | 0.5 |
13 | 0.7 | 29 | 0.6 |
14 | 0.5 | 30 | 0.7 |
15 | 0.8 | 31 | 0.8 |
16 | 0.6 | 32 | 1.0 |
需要说明的是,本申请实施例得到的安装MFGCI的最佳位置和MFGCI 安装容量是对目标函数优化求解得到的,而在优化过程中使用的目标函数是考虑到不同场景下的经济性和谐波治理效果的,这样,基于MFGCI的最佳安装位置和MFGCI最佳安装容量安装MFGCI所需的成本较低且治理效果较好,兼顾了场景,成本以及治理效果的需求。
S104、基于各场景下,需要安装多功能逆变器的节点位置和多功能逆变器的安装容量,对新能源高密度电网中多功能逆变器进行优化配置。
本发明提供一种新能源高密度电网多功能逆变器优化配置方法,通过对新能源高密度电网的运行状况进行场景划分,得到多个代表典型运行状况的场景,并在每个场景下,确定多个需要安装多功能逆变器的节点,以及多功能逆变器的安装容量,对新能源高密度电网中多功能逆变器进行优化配置后,通过多功能逆变器的剩余容量生成与谐波源相反的控制信号,并向电网注入,实现新能源高密度电网的谐波治理。也即,本发明通过多功能逆变器的剩余容量对电网的谐波进行治理,能够应对大量分布式谐波源,实现分布式新能源系统的谐波治理。本发明无需另设谐波治理设备,减小了谐波治理成本。本发明以较低成本实现了大量分布式谐波的治理,提高了新能源高密度电网的谐波治理效果。
可选的,步骤S102可以具体实现为步骤31-步骤37,从而进行场景划分,得到多个场景。
步骤31、对历史时期内各节点的谐波数据进行归一化处理,得到归一化数据。
步骤32、基于归一化数据,随机选定历史时期内的K个典型日作为K个聚类中心。
其中,K为正整数。
步骤33、采用K-means聚类算法,计算归一化数据中历史时期内各天的数据至K个聚类中心的欧氏距离;并将多个欧式距离加和,得到总欧氏距离。
步骤34、改变K个聚类中心的位置,重复步骤23,比较多次计算得到的总欧氏距离,选取多个总欧氏距离中最小值对应的K个典型日为聚类中心。
步骤35、基于K个典型日对应的归一化数据,计算聚类有效性指标。
步骤36、改变K值,重复步骤22-步骤25,得到多次计算得到的聚类有效性指标,选取多个聚类有效性指标中最大值对应的K个典型日作为K个场景。
步骤37、基于K个场景对应的归一化数据,按时段将K个场景中每个场景划分为三个子场景,其中,三个子场景包括:早时段场景、中时段场景和晚时段场景。
如此,本申请实施例可以基于聚类算法对历史时期内各节点的谐波数据进行聚类分析,得到代表电网中谐波实际情况的多个典型场景,进一步提升新能源高密度电网的谐波治理效果。
可选的,在步骤S104之后,本申请实施例提供的新能源高密度电网多功能逆变器优化配置方法,还包括步骤S201。
S201、基于优化配置后的多功能逆变器,对新能源高密度电网中的谐波进行处理。
如此一来,本发明实施例利用MFGCI进行谐波治理,得到谐波治理前后各节点电压畸变率如图5所示。治理前,各节点电压畸变率均超过国标规定值 4%,整体处于8.2%左右。治理后所有场景下各节点谐波污染状况明显改善,达到国家标准。利用MFGCI治理后,所有节点谐波电压畸变率明显下降,均降至规定的4%以下,整体保持在3.1%左右。说明使用MFGCI辅助谐波治理的配置策略,可有效进行谐波治理并达到规定标准。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
以下为本发明的装置实施例,对于其中未详尽描述的细节,可以参考上述对应的方法实施例。
图6示出了本发明实施例提供的一种新能源高密度电网多功能逆变器优化配置装置的结构示意图。该优化配置装置300包括通信模块301和处理模块 302。
通信模块301,用于获取新能源高密度电网在历史时期内各节点的谐波数据,谐波数据包括谐波电流和谐波阶数。
处理模块302,用于基于历史时期内各节点的谐波数据,对新能源高密度电网的运行状况进行场景划分,得到多个场景;在每个场景下,基于各节点的谐波数据,确定各节点中需要安装多功能逆变器的节点,以及多功能逆变器的安装容量;基于各场景下,需要安装多功能逆变器的节点位置和多功能逆变器的安装容量,对新能源高密度电网中多功能逆变器进行优化配置。
在一种可能的实现方式中,处理模块302,具体用于计算各节点中任意两个节点之间的谐波响应灵敏度;基于谐波响应灵敏度,对新能源高密度电网中各节点进行划分,得到多个初始区域;在每个初始区域中,计算初始区域中各节点中任意两个节点之间的谐波电压耦合度;基于谐波电压耦合度,对各初始区域中的节点进行筛选,得到筛选后的初始区域;基于社团发现算法,对筛选后的初始区域中的节点和新能源高密度电网中的其他节点进行区域划分,得到多个最终区域;在每个最终区域中,基于谐波响应灵敏度,确定需要安装多功能逆变器的参考节点;以综合成本最低和所有场景下各节点谐波电压总畸变率最低为目标函数,以潮流方程等式约束,多功能逆变器配置容量约束,多功能逆变器安装容量约束,节点总谐波电压畸变率约束和有功削减约束为约束条件,求解目标函数的最优解,最优解为各节点中需要安装多功能逆变器的节点和多功能逆变器的安装容量。
在一种可能的实现方式中,处理模块302,具体用于基于筛选后的初始区域和其他节点进行区域划分,得到多种分区组合;每种分区组合包括多个分区;计算每种分区组合的模块度函数值;将模块度函数值最大时对应的分区组合中的多个分区,确定为多个最终区域。
在一种可能的实现方式中,处理模块302,具体用于执行如下步骤:步骤 21,建立M个场景下目标函数和约束条件,目标函数中的综合成本包括投资成本、运营成本和有功削减造成的发电损失成本;步骤22,初始化n=1,基于 M个场景下约束条件生成第n代种群;计算种群中各个体对应的目标函数值,并基于目标函数值由小到大的顺序,对种群中各个体进行排序;步骤23,选取排序结果中的前E个个体,构成优秀个体库;步骤24,选择优秀个体库中最优个体以及n代种群中M/4个个体,进行交叉操作,生成M/2个个体进行变异操作,得到第一个体库;步骤25,选择优秀个体库中任一非最优个体,随机选择n代种群中(1-e)×M/4个个体,随机生成e×M/4个个体,进行交叉操作,生成M/2个个体进行变异操作,得到第二个体库;步骤26,将n加 1,合并第一个体库和第二个体库,得到第n代种群,计算各个体的目标函数值,将第n代种群中各个体按目标函数值升序排列;步骤27,判断第n代种群中最小的目标函数值小于优秀个体库中最小的目标函数值;若是,则更新优秀个体库后,执行步骤28;若否,直接执行步骤28;步骤28,判断n是否大于预设阈值;若是,则执行步骤29;若否,则执行步骤24-步骤28;步骤 29,输出优秀个体库中最优个体的信息,最优个体的信息包括各节点中需要安装多功能逆变器的节点和多功能逆变器的安装容量。
在一种可能的实现方式中,目标函数表示为如下公式:
其中,min F为目标函数,min f1为综合成本最低,min f2为各节点谐波电压总畸变率最低,CINV为投资成本,CMC为运营成本,CLOSS为因有功削减造成的发电损失成本,Py为场景y发生的概率,THDy为场景y下各节点谐波电压总畸变率,场景y为多个不同场景中的第y个场景,Y为场景数量。
在一种可能的实现方式中,处理模块302,具体用于执行如下步骤:步骤 31、对历史时期内各节点的谐波数据进行归一化处理,得到归一化数据;步骤 32、基于归一化数据,随机选定历史时期内的K个典型日作为K个聚类中心;其中,K为正整数;步骤33、采用K-means聚类算法,计算归一化数据中历史时期内各天的数据至K个聚类中心的欧氏距离;并将多个欧式距离加和,得到总欧氏距离;步骤34、改变K个聚类中心的位置,重复步骤23,比较多次计算得到的总欧氏距离,选取多个总欧氏距离中最小值对应的K个典型日为聚类中心;步骤35、基于K个典型日对应的归一化数据,计算聚类有效性指标;步骤36、改变K值,重复步骤22-步骤25,得到多次计算得到的聚类有效性指标,选取多个聚类有效性指标中最大值对应的K个典型日作为 K个场景;步骤37、基于K个场景对应的归一化数据,按时段将K个场景中每个场景划分为三个子场景,其中,三个子场景包括:早时段场景、中时段场景和晚时段场景。
在一种可能的实现方式中,处理模块302,还用于基于优化配置后的多功能逆变器,对新能源高密度电网中的谐波进行处理。
图7是本发明实施例提供的一种电子设备的结构示意图。如图7所示,该实施例的电子设备400包括:处理器401、存储器402以及存储在所述存储器 402中并可在所述处理器401上运行的计算机程序403。所述处理器401执行所述计算机程序403时实现上述各方法实施例中的步骤,例如图1所示的步骤 101至步骤104。或者,所述处理器401执行所述计算机程序403时实现上述各装置实施例中各模块/单元的功能,例如,图6所示通信模块301和处理模块302的功能。
示例性的,所述计算机程序403可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器402中,并由所述处理器401 执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序403在所述电子设备400中的执行过程。例如,所述计算机程序403可以被分割成图6所示通信模块301和处理模块302。
所称处理器401可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列 (Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器402可以是所述电子设备400的内部存储单元,例如电子设备 400的硬盘或内存。所述存储器402也可以是所述电子设备400的外部存储设备,例如所述电子设备400上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card) 等。进一步地,所述存储器402还可以既包括所述电子设备400的内部存储单元也包括外部存储设备。所述存储器402用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器402还可以用于暂时地存储已经输出或者将要输出的数据。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory, ROM)、随机存取存储器(RandomAccess Memory,RAM)、电载波信号、电信信号以及软件分发介质等。
以上所述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精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种新能源高密度电网多功能逆变器优化配置方法,其特征在于,包括:
获取新能源高密度电网在历史时期内各节点的谐波数据,所述谐波数据包括谐波电流和谐波阶数;基于所述历史时期内各节点的谐波数据,对新能源高密度电网的运行状况进行场景划分,得到多个场景;
在每个场景下,基于各节点的谐波数据,确定各节点中需要安装多功能逆变器的节点,以及多功能逆变器的安装容量;所述多功能逆变器生成并向电网注入与谐波源相反的控制信号;
基于各场景下,需要安装多功能逆变器的节点位置和多功能逆变器的安装容量,对新能源高密度电网中多功能逆变器进行优化配置。
2.根据权利要求1所述的新能源高密度电网多功能逆变器优化配置方法,其特征在于,所述在每个场景下,基于各节点的谐波数据,确定各节点中需要安装多功能逆变器的节点,以及多功能逆变器的安装容量,包括:
计算各节点中任意两个节点之间的谐波响应灵敏度;
基于所述谐波响应灵敏度,对所述新能源高密度电网中各节点进行划分,得到多个初始区域;
在每个初始区域中,计算初始区域中各节点中任意两个节点之间的谐波电压耦合度;
基于所述谐波电压耦合度,对各初始区域中的节点进行筛选,得到筛选后的初始区域;
基于社团发现算法,对筛选后的初始区域中的节点和新能源高密度电网中的其他节点进行区域划分,得到多个最终区域;
在每个最终区域中,基于所述谐波响应灵敏度,确定需要安装多功能逆变器的参考节点;
以综合成本最低和所有场景下各节点谐波电压总畸变率最低为目标函数,以潮流方程等式约束,多功能逆变器配置容量约束,多功能逆变器安装容量约束,节点总谐波电压畸变率约束和有功削减约束为约束条件,求解目标函数的最优解,所述最优解为各节点中需要安装多功能逆变器的节点和多功能逆变器的安装容量。
3.根据权利要求2所述的新能源高密度电网多功能逆变器优化配置方法,其特征在于,所述基于社团发现算法,对筛选后的初始区域中的节点和新能源高密度电网中的其他节点进行区域划分,得到多个最终区域,包括:
基于所述筛选后的初始区域和所述其他节点进行区域划分,得到多种分区组合;每种分区组合包括多个分区;
计算每种分区组合的模块度函数值;
将模块度函数值最大时对应的分区组合中的多个分区,确定为多个最终区域。
4.根据权利要求2所述的新能源高密度电网多功能逆变器优化配置方法,其特征在于,所述以综合成本最低和所有场景下各节点谐波电压总畸变率最低为目标函数,以潮流方程等式约束,多功能逆变器配置容量约束,多功能逆变器安装容量约束,节点总谐波电压畸变率约束和有功削减约束为约束条件,求解目标函数的最优解,包括:
步骤21,建立M个场景下目标函数和约束条件,所述目标函数中的综合成本包括投资成本、运营成本和有功削减造成的发电损失成本;
步骤22,初始化n=1,基于所述M个场景下约束条件生成第n代种群;计算种群中各个体对应的目标函数值,并基于目标函数值由小到大的顺序,对种群中各个体进行排序;
步骤23,选取排序结果中的前E个个体,构成优秀个体库;
步骤24,选择优秀个体库中最优个体以及n代种群中M/4个个体,进行交叉操作,生成M/2个个体进行变异操作,得到第一个体库;
步骤25,选择优秀个体库中任一非最优个体,随机选择n代种群中(1-e)×M/4个个体,随机生成e×M/4个个体,进行交叉操作,生成M/2个个体进行变异操作,得到第二个体库;
步骤26,将n加1,合并第一个体库和第二个体库,得到第n代种群,计算各个体的目标函数值,将第n代种群中各个体按目标函数值升序排列;
步骤27,判断第n代种群中最小的目标函数值小于优秀个体库中最小的目标函数值;若是,则更新优秀个体库后,执行步骤28;若否,直接执行步骤28;
步骤28,判断n是否大于预设阈值;若是,则执行步骤29;若否,则执行步骤24-步骤28;
步骤29,输出优秀个体库中最优个体的信息,所述最优个体的信息包括各节点中需要安装多功能逆变器的节点和多功能逆变器的安装容量。
6.根据权利要求1所述的新能源高密度电网多功能逆变器优化配置方法,其特征在于,所述基于所述历史时期内各节点的谐波数据,对新能源高密度电网的运行状况进行场景划分,得到多个场景,包括:
步骤31、对所述历史时期内各节点的谐波数据进行归一化处理,得到归一化数据;
步骤32、基于所述归一化数据,随机选定历史时期内的K个典型日作为K个聚类中心;其中,K为正整数;
步骤33、采用K-means聚类算法,计算所述归一化数据中历史时期内各天的数据至K个聚类中心的欧氏距离;并将多个欧式距离加和,得到总欧氏距离;
步骤34、改变K个聚类中心的位置,重复步骤23,比较多次计算得到的总欧氏距离,选取多个总欧氏距离中最小值对应的K个典型日为聚类中心;
步骤35、基于所述K个典型日对应的归一化数据,计算聚类有效性指标;
步骤36、改变K值,重复步骤22-步骤25,得到多次计算得到的聚类有效性指标,选取多个聚类有效性指标中最大值对应的K个典型日作为K个场景;
步骤37、基于K个场景对应的归一化数据,按时段将K个场景中每个场景划分为三个子场景,其中,三个子场景包括:早时段场景、中时段场景和晚时段场景。
7.根据权利要求1所述的新能源高密度电网多功能逆变器优化配置方法,其特征在于,所述基于各场景下,需要安装多功能逆变器的节点位置和多功能逆变器的安装容量,对新能源高密度电网中多功能逆变器进行优化配置之后,还包括:
基于优化配置后的多功能逆变器,对所述新能源高密度电网中的谐波进行处理。
8.一种新能源高密度电网多功能逆变器优化配置装置,其特征在于,包括:
通信模块,用于获取新能源高密度电网在历史时期内各节点的谐波数据,所述谐波数据包括谐波电流和谐波阶数;
处理模块,用于基于所述历史时期内各节点的谐波数据,对新能源高密度电网的运行状况进行场景划分,得到多个场景;在每个场景下,基于各节点的谐波数据,确定各节点中需要安装多功能逆变器的节点,以及多功能逆变器的安装容量;基于各场景下,需要安装多功能逆变器的节点位置和多功能逆变器的安装容量,对新能源高密度电网中多功能逆变器进行优化配置。
9.一种电子设备,其特征在于,所述电子设备包括存储器和处理器,该存储器存储有计算机程序,所述处理器用于调用并运行所述存储器中存储的计算机程序执行如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上的权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211114714.6A CN115498643A (zh) | 2022-09-14 | 2022-09-14 | 新能源高密度电网多功能逆变器优化配置方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211114714.6A CN115498643A (zh) | 2022-09-14 | 2022-09-14 | 新能源高密度电网多功能逆变器优化配置方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115498643A true CN115498643A (zh) | 2022-12-20 |
Family
ID=84468891
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211114714.6A Pending CN115498643A (zh) | 2022-09-14 | 2022-09-14 | 新能源高密度电网多功能逆变器优化配置方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115498643A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116599067A (zh) * | 2023-07-18 | 2023-08-15 | 国网浙江省电力有限公司宁波供电公司 | 一种微电网电能质量全局优化方法 |
-
2022
- 2022-09-14 CN CN202211114714.6A patent/CN115498643A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116599067A (zh) * | 2023-07-18 | 2023-08-15 | 国网浙江省电力有限公司宁波供电公司 | 一种微电网电能质量全局优化方法 |
CN116599067B (zh) * | 2023-07-18 | 2023-09-26 | 国网浙江省电力有限公司宁波供电公司 | 一种微电网电能质量全局优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Singh et al. | Optimal allocation of capacitors in distribution systems using particle swarm optimization | |
CN108390393B (zh) | 配电网多目标无功优化方法及终端设备 | |
Yang et al. | A novel strategy of pareto-optimal solution searching in multi-objective particle swarm optimization (MOPSO) | |
Ding et al. | Clusters partition and zonal voltage regulation for distribution networks with high penetration of PVs | |
CN112054519B (zh) | 一种配电网低电压优化治理方法、系统及设备 | |
CN111738519A (zh) | 一种配电网规划方法、系统及设备 | |
CN115189370A (zh) | 一种混合储能参与调频的容量分配方法及系统 | |
CN110909939A (zh) | 一种含分布式电源的配电网多阶段规划方法 | |
CN115498643A (zh) | 新能源高密度电网多功能逆变器优化配置方法及装置 | |
Meena et al. | Modified taguchi-based approach for optimal distributed generation mix in distribution networks | |
CN115759336A (zh) | 一种面向短期电力负荷预测的预测方法及存储介质 | |
CN110414796B (zh) | 一种交直流混合配电网网架规划方法、装置及存储介质 | |
CN114417719A (zh) | 一种基于图注意力网络的配电网网格化方法及装置 | |
CN112727743B (zh) | 多水泵系统的控制方法、装置、控制终端和存储介质 | |
CN112564160A (zh) | 一种计及风电不确定性的储能系统随机配置方法、终端及存储介质 | |
CN109066783B (zh) | 光伏最大接入量的确定方法、系统及终端设备 | |
CN117196668A (zh) | 一种基于边际收益大规模新能源基地接入规划方法及系统 | |
Azizipour et al. | Reliability-based operation of reservoirs: a hybrid genetic algorithm and cellular automata method | |
CN115764900A (zh) | 一种考虑阻塞缓解效益的配网资源聚合方法及系统 | |
CN116404642A (zh) | 一种分布式电源集群划分方法、装置、电子设备及存储介质 | |
CN116345565A (zh) | 一种新能源与储能容量联合优化方法、系统、设备和介质 | |
CN115983733A (zh) | 基于水位控制的电力市场出清数据处理方法和装置 | |
CN107196298A (zh) | 一种可再生能源与电网协调规划方法、装置及计算设备 | |
CN114243704B (zh) | 优化配电网谐波方法、装置、终端及存储介质 | |
CN113792911A (zh) | 光储系统储能容量双层协同优化配置方法及系统 |
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 |