CN115841045A

CN115841045A - 一种光伏电站的无功支撑能力指标获取方法及装置

Info

Publication number: CN115841045A
Application number: CN202310001695.4A
Authority: CN
Inventors: 董昱; 樊小伟; 孙荣富; 丁然; 王靖然; 吴林林; 柯德平; 起盼; 张涛; 邓立; 刘一民
Original assignee: State Grid Corp of China SGCC; State Grid Jibei Electric Power Co Ltd; Electric Power Research Institute of State Grid Jibei Electric Power Co Ltd
Current assignee: State Grid Corp of China SGCC; State Grid Jibei Electric Power Co Ltd; Electric Power Research Institute of State Grid Jibei Electric Power Co Ltd
Priority date: 2023-01-03
Filing date: 2023-01-03
Publication date: 2023-03-24

Abstract

本发明提供一种光伏电站的无功支撑能力指标获取方法及装置，涉及新能源技术领域。所述方法包括：获取多源协调的无功电压优化模型；将拉格朗日乘子的预设初值、采集的节点电压和无功源的出力确定为最优性条件分解算法的初始变量，并利用最优性条件分解算法求解所述无功电压优化模型，得到无功支撑能力指标。所述装置执行上述方法。本发明实施例提供的光伏电站的无功支撑能力指标获取方法及装置，能够提高光伏电站的无功支撑能力指标计算效率，进而为光伏电站的无功支撑能力评估提供技术支撑。

Description

一种光伏电站的无功支撑能力指标获取方法及装置

技术领域

本发明涉及新能源技术领域，具体涉及一种光伏电站的无功支撑能力指标获取方法及装置。

背景技术

弱同步支撑直流送端电网呈现出本地同步电源支撑少、抗扰动能力弱的特征，容易发生因大规模新能源汇集引发连续换相失败导致过电压、因新能源机组与柔直电网阻抗不匹配产生的功率振荡等问题，致使运行风险和调控难度增加。另外，现有监控手段仅能获取新能源电站的运行状态信息，无法获知其并网适应性和支撑能力等深层次信息，尤其针对具备多种无功调节资源的新能源电站在不同运行工况下的无功/电压支撑能力的综合分析变得更加困难。

及时掌握各个新能源电站对电网的无功/电压支撑能力、运行风险和安全边界，对于制订有效的调控手段，保证新能源电站乃至新能源基地的运行稳定性至关重要。为了满足光伏电站中各节点电压的安全稳定运行要求，考虑到站内存在光伏逆变器、SVG等多种无功调节资源，在充分挖掘自身无功调节潜力的前提下建立多源协调的无功电压优化模型，根据当前运行状态实时评估光伏电站的无功调节能力。

现有计算光伏电站的无功支撑能力指标的方法，基于模型复杂等原因使得计算耗时较大，亟需提高计算效率。

发明内容

针对现有技术中的问题，本发明实施例提供一种光伏电站的无功支撑能力指标获取方法及装置，能够至少部分地解决现有技术中存在的问题。

一方面，本发明提出一种光伏电站的无功支撑能力指标获取方法，包括：

获取多源协调的无功电压优化模型；所述无功电压优化模型的目标函数为最小化的新能源基地区域电网有功损耗；

所述无功电压优化模型的约束包括不等式约束和等式约束；

其中，所述不等式约束包括无功源的出力在其无功调节范围内波动范围，以及节点电压在其对应电压等级的规定范围内波动范围；

所述等式约束包括新能源基地区域电网的各节点应满足的潮流方程约束；

将拉格朗日乘子的预设初值、采集的节点电压和无功源的出力确定为最优性条件分解算法的初始变量，并利用最优性条件分解算法求解所述无功电压优化模型，得到无功支撑能力指标。

其中，所述利用最优性条件分解算法求解所述无功电压优化模型，包括：

将分解得到的与各区域分别对应的有功损耗确定为求解目标函数的第一求解项，将所述目标函数中各区域的等式约束和与其对应的拉格朗日乘子之积确定为求解目标函数的第二求解项；

将分解得到的各区域本身的等式约束确定为求解目标函数的第一约束条件，将分解得到的各区域本身的不等式约束确定为求解目标函数的第二约束条件；

获取子问题搜索方向；所述子问题搜索方向为包含节点电压和无功源的出力的第一子问题搜索方向，以及包含拉格朗日乘子的第二子问题搜索方向；

根据所述第一子问题搜索方向更新节点电压和无功源的出力，以及根据所述第二子问题搜索方向更新拉格朗日乘子；

计算与各区域分别对应的更新数据，若根据汇总计算结果确定所述最优性条件分解算法满足预设收敛条件，则终止计算。

其中，所述获取子问题搜索方向，包括：

采用非线性内点法对不等式约束进行处理；

采用修改牛顿法求解处理结果，得到所述子问题搜索方向。

其中，所述获取子问题搜索方向，包括：

利用分布式计算方式计算所述子问题搜索方向。

其中，所述光伏电站的无功支撑能力指标获取方法还包括：

利用分布式计算方式计算与各区域分别对应的更新数据，接收各分布式计算方式方的计算结果并汇总，得到所述汇总计算结果。

其中，所述光伏电站的无功支撑能力指标获取方法还包括：

若根据汇总计算结果确定所述最优性条件分解算法不满足预设收敛条件，则继续执行所述获取子问题搜索方向，以及后续步骤。

一方面，本发明提出一种光伏电站的无功支撑能力指标获取装置，包括：

获取单元，用于获取多源协调的无功电压优化模型；所述无功电压优化模型的目标函数为最小化的新能源基地区域电网有功损耗；

所述无功电压优化模型的约束包括不等式约束和等式约束；

求解单元，用于将拉格朗日乘子的预设初值、采集的节点电压和无功源的出力确定为最优性条件分解算法的初始变量，并利用最优性条件分解算法求解所述无功电压优化模型，得到无功支撑能力指标。

其中，所述求解单元具体用于：

其中，所述求解单元还具体用于：

采用非线性内点法对不等式约束进行处理；

采用修改牛顿法求解处理结果，得到所述子问题搜索方向。

其中，所述求解单元还具体用于：

利用分布式计算方式计算所述子问题搜索方向。

其中，所述光伏电站的无功支撑能力指标获取装置还用于：

再一方面，本发明实施例提供一种计算机设备，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计算机程序时实现如下方法：

所述无功电压优化模型的约束包括不等式约束和等式约束；

本发明实施例提供一种计算机可读存储介质，包括：

所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如下方法：

所述无功电压优化模型的约束包括不等式约束和等式约束；

本发明实施例提供的光伏电站的无功支撑能力指标获取方法及装置，获取多源协调的无功电压优化模型；所述无功电压优化模型的目标函数为最小化的新能源基地区域电网有功损耗；所述无功电压优化模型的约束包括不等式约束和等式约束；其中，所述不等式约束包括无功源的出力在其无功调节范围内波动范围，以及节点电压在其对应电压等级的规定范围内波动范围；所述等式约束包括新能源基地区域电网的各节点应满足的潮流方程约束；将拉格朗日乘子的预设初值、采集的节点电压和无功源的出力确定为最优性条件分解算法的初始变量，并利用最优性条件分解算法求解所述无功电压优化模型，得到无功支撑能力指标，能够提高光伏电站的无功支撑能力指标计算效率，进而为光伏电站的无功支撑能力评估提供技术支撑。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，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的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1是本发明一实施例提供的光伏电站的无功支撑能力指标获取方法的流程示意图。

图2是本发明实施例提供的新能源基地区域电网的网络拓扑说明示意图。

图3是本发明一实施例提供的光伏电站的无功支撑能力指标获取装置的结构示意图。

图4为本发明实施例提供的计算机设备实体结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。

图1是本发明一实施例提供的光伏电站的无功支撑能力指标获取方法的流程示意图，如图1所示，本发明实施例提供的光伏电站的无功支撑能力指标获取方法，包括：

步骤S1：获取多源协调的无功电压优化模型；所述无功电压优化模型的目标函数为最小化的新能源基地区域电网有功损耗；

所述无功电压优化模型的约束包括不等式约束和等式约束；

所述等式约束包括新能源基地区域电网的各节点应满足的潮流方程约束。

步骤S2：将拉格朗日乘子的预设初值、采集的节点电压和无功源的出力确定为最优性条件分解算法的初始变量，并利用最优性条件分解算法求解所述无功电压优化模型，得到无功支撑能力指标。

在上述步骤S1中，装置获取多源协调的无功电压优化模型；所述无功电压优化模型的目标函数为最小化的新能源基地区域电网有功损耗；

所述无功电压优化模型的约束包括不等式约束和等式约束；

所述等式约束包括新能源基地区域电网的各节点应满足的潮流方程约束。装置可以是执行该方法的计算机设备等，例如为服务器。本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。

光伏电站的主变低压侧通常配备了无功补偿装置，然而光伏逆变器本身也具有较强的无功调节能力，光伏电站应充分利用自身的无功调节能力实现基于逆变器的无功电压控制，由此光伏电站对电网的无功支撑能力评估是在多无功源协调的背景下进行。新能源电站向电网注入无功功率的大小直接决定了对并网点乃至电网无功支撑能力的强弱，因此新能源电站中无功源的输出量是衡量电站无功支撑能力的一项重要指标。另外，在新能源电站向电网提供无功支撑的同时，应该充分考虑无功分配方案引起的有功损耗及其整个系统的经济运行需求，因此选取新能源基地的有功损耗作为评估新能源电站无功支撑能力的又一重要指标。

如图2所示，选取弱同步支撑直流送端新能源基地区域电网。其中

表示新能源基地区域电网中光伏电站的并网点电压，/>

表示光伏电站的主变低压侧电压。

对无功电压优化模型的目标函数说明如下：

新能源基地区域电网有功损耗f_loss主要分为电网侧的有功损耗f_loss1和光伏电站内部的有功损耗f_loss2。目标函数如下：

min f_loss (1-1)式中f_loss表示新能源基地区域电网的有功损耗。

式中：f_loss1表示新能源基地区域电网中电网侧的有功损耗，N表示区域电网中电网侧的节点数，G_gij表示区域电网中电网侧节点i与节点j之间的电导，U_gi和U_gj分别表示节点i和节点j的电压幅值，θ_ij表示节点i与节点j之间的相角差。

式中：m表示大型光伏电站中集电线路的条数，n表示每条集电线路上光伏发电单元的个数，G_kij表示第k条集电线路上光伏发电单元节点i与节点j之间的电导，U_{ki_2}和U_{kj_2}分别表示第k条集电线路上第i个和第j个光伏发电单元中箱式变压器低压侧的电压，θ_{ki2_kj2}表示第k条集电线路上第i个和第j个光伏发电单元中箱式变压器低压侧电压的相角差；G_Tki表示第k条集电线路上第i个光伏发电单元的箱式变压器的电导，假设各光伏发电单元使用的箱式变压器参数相同则G_Tki为同一个定值，U_{ki_1}和U_{ki_2}分别表示第k条集电线路上第i个光伏发电单元中箱式变压器高压侧和低压侧的电压，θ_{ki1_ki2}表示第k条集电线路上第i个光伏发电单元中箱式变压器高压侧和低压侧电压的相角差。

对无功电压优化模型的不等式约束说明如下：

为保证系统安全稳定运行，各无功源的出力应该在其允许范围内，节点电压应在其对应电压等级的规定范围内波动。

Q_imin≤Q_i≤Q_imax (1-4)

式中：Q_i表示新能源基地区域电网中第i个无功源的无功出力，Q_imax和Q_imin分别表示第i个无功源的无功调节范围上限和无功调节范围下限。

U_imin≤U_i≤U_imax(1-5)

式中：U_i表示新能源基地区域电网中(包括电网侧和大型光伏电站内部)节点i的电压，U_imax和U_imin分别表示该节点电压对应的电压上限和电压下限。

对无功电压优化模型的等式约束说明如下：

新能源基地区域电网的各节点应满足潮流方程约束。

式中：M表示新能源基地区域电网中(包括电网侧和大型光伏电站内部)的节点数，G_ij和B_ij分别表示新能源基地区域电网中(包括电网侧和大型光伏电站内部)节点i和节点j之间的电导和电纳，P_is和Q_is分别表示节点i的有功注入量和无功注入量，U_i和U_j分别表示新能源基地区域电网中节点i和节点j的电压幅值，θ_ij表示节点i与节点j之间的相角差。

在上述步骤S2中，装置将拉格朗日乘子的预设初值、采集的节点电压和无功源的出力确定为最优性条件分解算法的初始变量，并利用最优性条件分解算法求解所述无功电压优化模型，得到无功支撑能力指标。

根据上述内容，建立了多源协调的无功电压优化模型以评估光伏电站的无功电压支撑能力，但是可以看出由于光伏电站内部节点众多、等式约束具有多变量耦合的特性，使得上述评估问题变成了一个具有复杂约束条件的大规模非线性非凸问题，若采用常规的集中式算法将会导致计算规模庞大、无功支撑能力指标计算速度慢的问题，无法满足实时性求解的要求，因此拟采用最优性条件分解算法解决前述问题。最优性条件分解算法旨在将大规模优化的原问题分解为若干个区域的子问题，分别放于各自区域所在的无功电压控制中心进行计算，可以实现区域电网调度中心与厂站级无功电压控制中心之间的分层分布式求解以及厂站级无功电压控制中心之间的并行求解，在每次迭代计算的过程中只需要交互很少的变量，可以提高计算效率，根据电网当前运行状态实时评估光伏电站的无功支撑能力。

对最优性条件分解算法进行说明如下：

最优性条件分解可以认为是拉格朗日松弛的一种特殊实现形式，它是受原问题最优性条件的自然分解的启发而提出的。对于一般的数学规划问题通常具有以下结构：

约束条件为：

a(x)＝0 (2-2)

b(x)≤0 (2-3)

c(x)＝0 (2-4)

d(x)≤0 (2-5)

式(2-1)～(2-5)中，f(x)：IRⁿ→IR，a(x)：

b(x)：/>

c(x)：

d(x)：/>

n_a，n_b，n_c和n_d为标量；式(2-4)和(2-5)为复杂约束条件。为了方便分析，式(2-1)～(2-5)可以写成如下的形式：

约束条件为：

h(x₁,x₂...x_A)≤0；a＝1,2...A (2-7)

g_a(x_a)≤0；a＝1,2...A (2-8)

式(2-6)～(2-8)中，x_a是从原问题中分解出的a区的所有变量；式(2-7)和(2-8)的集合都包含了等式和不等式约束条件，其中式(2-7)代表复杂约束条件，当中的等式约束条件中包含了来自不同区的变量，从而为每个子问题的独立求解带来了阻碍。如果能将这些复杂等式约束条件从原问题中移除，则产生的新问题可以简单地分解为每个区的一个子问题。式(2-8)代表简单约束条件，它所包含的变量仅来自本区。考虑到式(2-6)～(2-8)描述的问题中拉格朗日乘子的最优值是已知的，该问题可以用以下等价形式来表示：

约束条件为：

h_a(x₁,x₂...x_A)≤0；a＝1,2...A (2-10)

g_a(x_a)≤0；a＝1,2...A(2-11)

从式(2-10)可以看出，复杂约束条件(2-7)已经被分配到不同的区里。需要注意到，分配这些约束条件的方式并不会对原问题的求解产生影响，也就是说它们是基于工程的视角来分配的。

假设a区之外的所有变量和拉格朗日乘子的值都被给定，式(2-9)～(2-11)可以简写为以下形式：

约束条件为：

g_a(x_a)≤0；a＝1,2...A(2-14)

式(2-12)中

是一个常数。对应于式(2-13)的对偶变量向量被定义为λ_a。这个简化的问题(2-12)～(2-14)能够从原问题的每个分区中获得。

本发明采用的分解方法实际上是基于这些简化的区域相关的问题的求解方案而提出的，是基于全局问题(2-6)～(2-8)的最优性条件的分解。根据标准的优化理论，对于问题(2-6)～(2-8)的一阶KKT最优性条件可以表示为：

a＝1,2...A(2-15)

这些条件是使用假设已知的最优值

和/>

来构建的，/>

和/>

分别是与式(2-7)和(2-8)相关的最优拉格朗日乘子值。

为了简便起见，针对最优值

和/>

分区简化的子问题(2-12)～(2-14)可以进行重新表述，具体形式如下：

约束条件为：

h_a(x^a)≤0 (2-23)

g_a(x_a)≤0 (2-24)

上式中的

如果将每个子问题(2-22)～(2-24)的一阶KKT条件组合在一起，可以看到它和全局问题(2-6)～(2-8)的一阶KKT条件(2-15)～(2-21)是等效的。需要注意的是，这是在下面的算法中使用的一个相关结果。和前面的描述类似，该区子问题(2-22)～(2-24)是通过松弛其他区的所有复杂约束条件得到的，即将其他区的复杂约束条件添加到原全局问题中，保留了自身的复杂约束条件。采用与(2-23)相关的拉格朗日乘数来协调全局问题，可以确保满足复杂的约束条件。然后只要给定优化变量的试验(初始)值，这种分解就是可以实现的。拉格朗日松弛算法与这里采用分解算法的主要区别在于，前者需要将所有复杂的约束添加到目标函数中，需要采用辅助程序来实现对拉格朗日乘数的更新。相比之下，该分解算法不需要使用任何特殊程序来更新乘子，乘子的更新是每个子问题保持各自复杂约束条件(2-23)的结果，是可以自动更新的。最优性条件分解算法的优点在于不要求在算法的每次迭代中获得子问题的最优解，只要求对每个子问题执行一次迭代后更新变量值就足够了。因此，与需要计算子问题的最优值以实现收敛的其他方法相比，计算时间可以显著减少。

对算法收敛性分析说明如下：

最优性条件分解的收敛性分析如下，为了分析简便同时又不失一般性，可以忽略具有独立可分离性的简单约束条件(2-8)，因为它可以通过内点法引入到目标函数中，另外整个主问题仅被分为两个区m和n，这两个区分别对应一个子问题。在集中式算法中，子问题的搜索方向

是通过在每次迭代中求解如式(2-25)的形式的线性方程组来计算的。

上式中，上标N'代表牛顿方向，

L是式(2-6)～(2-8)的拉格朗日函数，用式(2-26)表示：

基于上述分析，对于提出的分解算法步骤二中子问题的搜索方向也可以采用求解可分解的近似线性方程组(2-27)来获得。

根据上述定义以及分解算法步骤二的并行计算，式(2-28)给出了该分解算法收敛的充分条件：

其中

被定义为矩阵/>

的谱半径，I是单位矩阵。假设问题(2-6)～(2-8)是连续二次可微的，且它的最优解满足式(2-28)，那么对其采用的分解算法将会以一个线性的速率局部收敛到各个子问题的最优解。式(2-28)可以看作对全局问题和区域问题之间耦合的度量，对于具有少量复杂约束的问题而言这种度量是比较小的。这个收敛特性对于大多数实际案例都是可以满足的，特别地，有文献指出经验证，条件(2-28)适用于所有可用于测试该程序的多区域最优潮流情况。

需要注意的是，所提出的最优性条件分解算法也可以用来求解子问题直至达到最优解，不仅仅只是一次迭代，这样可能会导致效率损失，但是执行起来会更加简单。

基于上述分析采用最优性条件分解算法对模型进行求解，引入拉格朗日乘子将复杂等式约束条件松弛到目标函数中，给定a区域之外的所有变量和拉格朗日乘子的初值可以将a区域的子问题从原问题中分解出来。在本发明中由于不等式约束是简单约束，可以采用内点法进行处理。分解得到的不同区域的子问题分别在各自区域对应的无功电压控制中心中进行并行计算，然后将需要交互的关键信息(即耦合到其他区域的变量和本区域计算的和收敛条件相关的值)上传到区域电网调度中心进行收敛性检验，若收敛则停止计算，否则基于上一次的计算结果更新各区域的变量值，进行下一次计算直至收敛。具体步骤如下：

第一步，以某一时刻数据采集和监视系统采集的相应数据(对应采集的节点电压和无功源的出力)作为初值初始化每个区域的变量，即节点电压和无功源的无功出力。这里以a区域为例进行说明，即初始化

对于拉格朗日乘子的初值/>

可以根据实际情况进行自主定义赋值。

第二步，每个区域对其相应的子问题式(2-29)～(2-31)进行单独的迭代。

式中：f_a(x_a)对应第一求解项，

对应第二求解项，f_a(x_a)表示a区域的有功损耗，h_k(x^a)表示引入原目标函数中的第k个区域的复杂等式约束条件即潮流方程约束，/>

为对应复杂等式约束条件的拉格朗日乘子。/>

x_a表示a区域的待求变量即节点电压和无功源的出力，/>

表示来自其他区域的给定的变量值。

约束条件为：

h_a(x^a)≤0 (2-30)

g_a(x_a)≤0 (2-31)

式中：h_a(x^a)表示a区域本身的复杂等式约束条件即潮流方程约束(对应第一约束条件)，g_a(x_a)表示a区域本身的简单约束条件即电压约束和无功源出力约束(对应第二约束条件)。对于子问题搜索方向的计算首先可以采用非线性内点法对不等式约束条件进行处理，使得子问题变成一个无约束条件的优化问题，从而可以采用修改牛顿法进行求解。值得注意的是这些子问题的搜索方向可以在一个分布式的环境下实现彼此并行且独立的求取，通过这一步骤的迭代可以获得子问题的搜索方向Δx_a和Δλ_a(分别对应第一子问题搜索方向和第二子问题搜索方向)。

第三步，每个区更新其对应的变量

然后上传需要交互的关键信息(对应更新数据的计算结果)。这一步中需要区域电网调度中心(对应计算结果接收方)来协调，即区域电网调度中心从子问题中接收关键信息进行整合、判断和分发。实际上在子问题和区域电网调度中心之间交换的信息很少。在拉格朗日松弛和增广拉格朗日算法中，区域电网调度中心需要把待交换的信息分配到不同的子问题之前先在内部进行计算并更新信息，而在最优性条件分解算法中，区域电网调度中心不需要更新任何信息，信息的更新是在子问题的每次迭代中实现，它仅仅只需要接收整合、判断这些已经更新的信息然后分发给对应的子问题。

第四步，在区域电网调度中心进行收敛性判断。定义矩阵H：

将本次更新得到的变量值带入计算，若||H||≤ε(对应满足预设收敛条件)，则表示原问题中待优化的变量在连续的两次迭代中不发生明显的变化，终止计算，否则(对应不满足预设收敛条件)，各区域无功电压控制中心(对应分布式计算方)以本次计算更新的变量值为初值返回到第一步中继续计算；其中ε为预设误差阈值，可以根据实际情况自主设置。

本发明的目的就是针对现有监测手段无法获取新能源电站无功电压支撑能力深层次信息的问题，考虑到站内中存在多种无功资源，在充分利用自身逆变器无功调节能力的前提下建立多源协调无功电压优化模型，提出一种实时计算方法，达到根据新能源基地当前运行状态快速计算出光伏电站内部各无功源的无功出力，实现对光伏电站的无功电压支撑能力的在线评估。

本发明属于新能源电站并网适应性评估领域，尤其涉及对新能源基地区域电网中光伏电站的无功支撑能力评估和无功支撑指标的实时计算。基于新能源基地区域电网的网络拓扑，考虑光伏电站内部多种无功资源的可调范围，构建多源协调的无功电压优化模型；在此基础上为充分实现光伏电站AVC主站与外部网络调度中心的关键信息交互和光伏电站无功支撑能力的在线评估，提出基于最优性条件分解算法的无功支撑能力指标实时计算方法。

本发明的内容可以概括为以下两个方面：1、基于新能源基地区域电网网络拓扑，考虑光伏电站内部多种无功资源的可调范围，建立多源协调的无功电压优化模型；2、根据模型的典型特征选择适宜的求解算法，实现光伏电站AVC主站与外部网络调度中心的关键信息交互，在此基础上完成光伏电站无功电压支撑能力评估指标的实时计算。

本发明实施例提供的光伏电站的无功支撑能力指标获取方法，获取多源协调的无功电压优化模型；所述无功电压优化模型的目标函数为最小化的新能源基地区域电网有功损耗；所述无功电压优化模型的约束包括不等式约束和等式约束；其中，所述不等式约束包括无功源的出力在其无功调节范围内波动范围，以及节点电压在其对应电压等级的规定范围内波动范围；所述等式约束包括新能源基地区域电网的各节点应满足的潮流方程约束；将拉格朗日乘子的预设初值、采集的节点电压和无功源的出力确定为最优性条件分解算法的初始变量，并利用最优性条件分解算法求解所述无功电压优化模型，得到无功支撑能力指标，能够提高光伏电站的无功支撑能力指标计算效率，进而为光伏电站的无功支撑能力评估提供技术支撑。

进一步地，所述利用最优性条件分解算法求解所述无功电压优化模型，包括：

将分解得到的与各区域分别对应的有功损耗确定为求解目标函数的第一求解项，将所述目标函数中各区域的等式约束和与其对应的拉格朗日乘子之积确定为求解目标函数的第二求解项；可参照上述说明，不再赘述。

将分解得到的各区域本身的等式约束确定为求解目标函数的第一约束条件，将分解得到的各区域本身的不等式约束确定为求解目标函数的第二约束条件；可参照上述说明，不再赘述。

获取子问题搜索方向；所述子问题搜索方向为包含节点电压和无功源的出力的第一子问题搜索方向，以及包含拉格朗日乘子的第二子问题搜索方向；可参照上述说明，不再赘述。

根据所述第一子问题搜索方向更新节点电压和无功源的出力，以及根据所述第二子问题搜索方向更新拉格朗日乘子；可参照上述说明，不再赘述。

计算与各区域分别对应的更新数据，若根据汇总计算结果确定所述最优性条件分解算法满足预设收敛条件，则终止计算。可参照上述说明，不再赘述。

进一步地，所述获取子问题搜索方向，包括：

采用非线性内点法对不等式约束进行处理；可参照上述说明，不再赘述。

采用修改牛顿法求解处理结果，得到所述子问题搜索方向。可参照上述说明，不再赘述。

进一步地，所述获取子问题搜索方向，包括：

利用分布式计算方式计算所述子问题搜索方向。可参照上述说明，不再赘述。

进一步地，所述光伏电站的无功支撑能力指标获取方法还包括：

利用分布式计算方式计算与各区域分别对应的更新数据，接收各分布式计算方式方的计算结果并汇总，得到所述汇总计算结果。可参照上述说明，不再赘述。

若根据汇总计算结果确定所述最优性条件分解算法不满足预设收敛条件，则继续执行所述获取子问题搜索方向，以及后续步骤。可参照上述说明，不再赘述。

图3是本发明一实施例提供的光伏电站的无功支撑能力指标获取装置的结构示意图，如图3所示，本发明实施例提供的光伏电站的无功支撑能力指标获取装置，包括获取单元301和求解单元302，其中：

获取单元301用于获取多源协调的无功电压优化模型；所述无功电压优化模型的目标函数为最小化的新能源基地区域电网有功损耗；所述无功电压优化模型的约束包括不等式约束和等式约束；其中，所述不等式约束包括无功源的出力在其无功调节范围内波动范围，以及节点电压在其对应电压等级的规定范围内波动范围；所述等式约束包括新能源基地区域电网的各节点应满足的潮流方程约束；求解单元302用于将拉格朗日乘子的预设初值、采集的节点电压和无功源的出力确定为最优性条件分解算法的初始变量，并利用最优性条件分解算法求解所述无功电压优化模型，得到无功支撑能力指标。

具体的，装置中的获取单元301用于获取多源协调的无功电压优化模型；所述无功电压优化模型的目标函数为最小化的新能源基地区域电网有功损耗；所述无功电压优化模型的约束包括不等式约束和等式约束；其中，所述不等式约束包括无功源的出力在其无功调节范围内波动范围，以及节点电压在其对应电压等级的规定范围内波动范围；所述等式约束包括新能源基地区域电网的各节点应满足的潮流方程约束；求解单元302用于将拉格朗日乘子的预设初值、采集的节点电压和无功源的出力确定为最优性条件分解算法的初始变量，并利用最优性条件分解算法求解所述无功电压优化模型，得到无功支撑能力指标。

本发明实施例提供的光伏电站的无功支撑能力指标获取装置，获取多源协调的无功电压优化模型；所述无功电压优化模型的目标函数为最小化的新能源基地区域电网有功损耗；所述无功电压优化模型的约束包括不等式约束和等式约束；其中，所述不等式约束包括无功源的出力在其无功调节范围内波动范围，以及节点电压在其对应电压等级的规定范围内波动范围；所述等式约束包括新能源基地区域电网的各节点应满足的潮流方程约束；将拉格朗日乘子的预设初值、采集的节点电压和无功源的出力确定为最优性条件分解算法的初始变量，并利用最优性条件分解算法求解所述无功电压优化模型，得到无功支撑能力指标，能够提高光伏电站的无功支撑能力指标计算效率，进而为光伏电站的无功支撑能力评估提供技术支撑。

进一步地，所述求解单元302具体用于：

进一步地，所述求解单元302还具体用于：

采用非线性内点法对不等式约束进行处理；

采用修改牛顿法求解处理结果，得到所述子问题搜索方向。

进一步地，所述求解单元302还具体用于：

利用分布式计算方式计算所述子问题搜索方向。

进一步地，所述光伏电站的无功支撑能力指标获取装置还用于：

本发明实施例提供光伏电站的无功支撑能力指标获取装置的实施例具体可以用于执行上述各方法实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。

图4为本发明实施例提供的计算机设备实体结构示意图，如图4所示，所述计算机设备包括：存储器401、处理器402及存储在存储器401上并可在处理器402上运行的计算机程序，所述处理器402执行所述计算机程序时实现如下方法：

所述无功电压优化模型的约束包括不等式约束和等式约束；

本实施例公开一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现如下方法：

所述无功电压优化模型的约束包括不等式约束和等式约束；

本实施例提供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，所述计算机程序被处理器执行时实现如下方法：

所述无功电压优化模型的约束包括不等式约束和等式约束；

本发明实施例与现有技术中的技术方案相比，获取多源协调的无功电压优化模型；所述无功电压优化模型的目标函数为最小化的新能源基地区域电网有功损耗；所述无功电压优化模型的约束包括不等式约束和等式约束；其中，所述不等式约束包括无功源的出力在其无功调节范围内波动范围，以及节点电压在其对应电压等级的规定范围内波动范围；所述等式约束包括新能源基地区域电网的各节点应满足的潮流方程约束；将拉格朗日乘子的预设初值、采集的节点电压和无功源的出力确定为最优性条件分解算法的初始变量，并利用最优性条件分解算法求解所述无功电压优化模型，得到无功支撑能力指标，能够提高光伏电站的无功支撑能力指标计算效率，进而为光伏电站的无功支撑能力评估提供技术支撑。

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，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本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、CD-ROM、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。

在本说明书的描述中，参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种光伏电站的无功支撑能力指标获取方法，其特征在于，包括：

所述无功电压优化模型的约束包括不等式约束和等式约束；

2.根据权利要求1所述的光伏电站的无功支撑能力指标获取方法，其特征在于，所述利用最优性条件分解算法求解所述无功电压优化模型，包括：

3.根据权利要求2所述的光伏电站的无功支撑能力指标获取方法，其特征在于，所述获取子问题搜索方向，包括：

采用非线性内点法对不等式约束进行处理；

采用修改牛顿法求解处理结果，得到所述子问题搜索方向。

4.根据权利要求2所述的光伏电站的无功支撑能力指标获取方法，其特征在于，所述获取子问题搜索方向，包括：

利用分布式计算方式计算所述子问题搜索方向。

5.根据权利要求2所述的光伏电站的无功支撑能力指标获取方法，其特征在于，所述光伏电站的无功支撑能力指标获取方法还包括：

6.根据权利要求2所述的光伏电站的无功支撑能力指标获取方法，其特征在于，所述光伏电站的无功支撑能力指标获取方法还包括：

7.一种光伏电站的无功支撑能力指标获取装置，其特征在于，包括：

所述无功电压优化模型的约束包括不等式约束和等式约束；

8.根据权利要求7所述的光伏电站的无功支撑能力指标获取装置，其特征在于，所述求解单元具体用于：

9.根据权利要求8所述的光伏电站的无功支撑能力指标获取装置，其特征在于，所述求解单元还具体用于：

采用非线性内点法对不等式约束进行处理；

采用修改牛顿法求解处理结果，得到所述子问题搜索方向。

10.根据权利要求8所述的光伏电站的无功支撑能力指标获取装置，其特征在于，所述求解单元还具体用于：

利用分布式计算方式计算所述子问题搜索方向。

11.根据权利要求8所述的光伏电站的无功支撑能力指标获取装置，其特征在于，所述光伏电站的无功支撑能力指标获取装置还用于：

12.根据权利要求8所述的光伏电站的无功支撑能力指标获取装置，其特征在于，所述光伏电站的无功支撑能力指标获取装置还用于：

13.一种计算机设备，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计算机程序时实现权利要求1至6任一所述方法。

14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至6任一所述方法。