CN115860170A - 一种考虑电力电子负载的配电系统电能质量优化方法 - Google Patents

一种考虑电力电子负载的配电系统电能质量优化方法 Download PDF

Info

Publication number
CN115860170A
CN115860170A CN202211281047.0A CN202211281047A CN115860170A CN 115860170 A CN115860170 A CN 115860170A CN 202211281047 A CN202211281047 A CN 202211281047A CN 115860170 A CN115860170 A CN 115860170A
Authority
CN
China
Prior art keywords
power
node
evaluated
distribution network
power distribution
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
Application number
CN202211281047.0A
Other languages
English (en)
Inventor
陈蕾
王立岩
徐重酉
宋晓阳
吕广宪
陆一鸣
魏心泉
杜建
周水良
江灏
李海龙
孙雯雯
刘鹏
王国庆
谭璐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Online Shanghai Energy Internet Research Institute Co ltd
State Grid Corp of China SGCC
Ningbo Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
China Online Shanghai Energy Internet Research Institute Co ltd
State Grid Corp of China SGCC
Ningbo Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Online Shanghai Energy Internet Research Institute Co ltd, State Grid Corp of China SGCC, Ningbo Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical China Online Shanghai Energy Internet Research Institute Co ltd
Priority to CN202211281047.0A priority Critical patent/CN115860170A/zh
Publication of CN115860170A publication Critical patent/CN115860170A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种考虑电力电子负载的配电系统电能质量优化方法，包括以下步骤：建立电能质量综合评估模型，并采用所述电能质量综合评估模型针对电力电子负载对目标配电网的待评估监测点的电能质量影响严重程度进行综合评估，实现对待评估监测点的分级，得到各个待评估监测点的等级；针对不同待评估监测点的等级，建立基于遗传算法的电能质量优化配置模型，采用电能质量优化配置模型对负载接入下的目标配电网的电能质量进行优化配置。本发明能够有效考虑配电网运行的多个运行条件，优化补偿设备的分组、提高设备利用效率。

Description

一种考虑电力电子负载的配电系统电能质量优化方法
技术领域
本发明涉及电力系统配电优化技术领域，特别是涉及一种考虑电力电子负载的配电系统电能质量优化方法。
背景技术
随着工业的迅速发展和电子技术不断更新，人们对各种电气设备要求也越来越高，电能质量的优劣直接影响着人们的生活。随着电力电子设备的大规模使用，电子设备与技术常常会出现一些不常见的指标问题，如暂态和瞬态时过电压、电压凹陷和短时间间断等，需要有效的电能质量优化方法来应对这些问题。
发明内容
本发明所要解决的技术问题是提供一种考虑电力电子负载的配电系统电能质量优化方法，能够有效考虑配电网运行的多个运行条件，优化补偿设备的分组、提高设备利用效率。
本发明解决其技术问题所采用的技术方案是：提供一种考虑电力电子负载的配电系统电能质量优化方法，包括以下步骤：
建立电能质量综合评估模型，并采用所述电能质量综合评估模型针对电力电子负载对目标配电网的待评估监测点的电能质量影响严重程度进行综合评估，实现对待评估监测点的分级，得到各个待评估监测点的等级；
针对不同待评估监测点的等级，建立基于遗传算法的电能质量优化配置模型，采用电能质量优化配置模型对负载接入下的目标配电网的电能质量进行优化配置。
所述建立电能质量综合评估模型，并采用所述电能质量综合评估模型针对电力电子负载对目标配电网的待评估监测点的电能质量影响严重程度进行综合评估，实现对待评估监测点的分级，具体为：
针对各个待评估监测点，建立电能质量的指标体系并对单项指标进行等级划分；基于待评估监测点的各单项指标的监测值，判断待评估监测点的各单项指标是否合格，若有一项不合格，则将待评估监测点作为不合格等级；若都合格，则建立待评估监测点的电能质量物元模型，并构造关联函数；其中，将电能质量物元模型作为电能质量综合评估模型；
设定待评估监测点的各单项指标的权重，并基于权重和关联函数计算关联度；其中，将关联度作为电力电子负载对目标配电网的待评估监测点的电能质量影响严重程度；
根据关联度确定待评估监测点的等级。
所述建立电能质量综合评估模型，并采用所述电能质量综合评估模型针对电力电子负载对目标配电网的待评估监测点的电能质量影响严重程度进行综合评估，实现对待评估监测点的分级，具体为：
针对各个待评估监测点，建立电能质量的指标体系并对单项指标进行等级划分；
基于待评估监测点的各单项指标的监测值，判断待评估监测点的各单项指标是否合格，若有一项不合格，则将所述待评估监测点作为不合格等级；若都合格，则确定各项指标的参考样本，所述参考样本的取值为各项指标的取值范围的右边界值；
根据各合格的待评估监测点的各单项指标的监测值，建立同向指标矩阵；
基于参考样本和同向指标矩阵，建立标准化矩阵；
采用取最小值或最大值的方式确定标准化矩阵的各单项指标的最优点和最劣点，以构建电能质量综合评估模型；
基于电能质量综合评估模型，计算各合格的待评估监测点到最优点和最劣点的欧式距离；
根据各合格的待评估监测点到最优点和最劣点的距离计算各合格的待评估监测点的密切值；其中，将密切值作为电力电子负载对目标配电网的待评估监测点的电能质量影响严重程度；
基于密切值确定待评估监测点的等级。
所述建立电能质量综合评估模型，并采用所述电能质量综合评估模型针对电力电子负载对目标配电网的待评估监测点的电能质量影响严重程度进行综合评估，实现对目标配电网的待评估监测点的分级，具体为：
针对各个待评估监测点，选定电能质量的评估指标并对评估指标进行分级处理，得到分级标准；
根据分级标准建立样本集，所述样本集包括各个待评估监测点各评估指标的历史监测值，以及期望输出值；
根据期望输出值确定神经网络模型理论输出值；
采用样本集和理论输出值对神经网络模型进行训练，并根据训练结果确定神经网络模型的结构，得到电能质量综合评估模型；
根据训练结果确定监测点等级的边界值；
根据各个待评估监测点各评估指标的监测值，利用电能质量综合评估模型针对电力电子负载对目标配电网的待评估监测点的电能质量影响严重程度进行综合评估，并利用边界值实现对目标配电网的待评估监测点的分级。
所述针对不同待评估监测点的等级，建立基于遗传算法的电能质量优化配置模型，采用电能质量优化配置模型对负载接入下的目标配电网的电能质量进行优化配置，具体包括：
根据各不同待评估监测点的等级构建不同的适应度函数，得到电能质量优化配置模型，并对中压补偿设备和配变低压侧无功补偿设备进行编码，其中，补偿设备在编码中占两部分，分别为：单组容量大小和分组数；采用遗传算法对电能质量优化配置模型进行求解得到每个中压补偿设备和配变低压侧无功补偿设备对应的补偿方案；
基于补偿方案采用前推回代法计算配电网潮流；
对于最大负荷水平，根据配电网潮流决定补偿容量，对于其它负荷水平，针对每个中压补偿设备和配变低压侧无功补偿设备对应的补偿方案进行投切模拟，找到最佳补偿方案。
构建适应度函数时，针对目标函数最小化问题，所述适应度函数Fit(f(x))为：
Figure BDA0003898243420000031
其中，Cmax为f(x)的最大估计值；针对目标函数最大化问题，所述适应度函数Fit(f(x))为：
Figure BDA0003898243420000032
其中，C为适应度函数界限的保守估计值，f(x)表示目标函数。
所述电能质量优化配置模型的约束条件包括：
有功功率平衡约束和无功功率平衡约束，表达式为：
Figure BDA0003898243420000033
其中，Pi,G代表了目标配电网中节点i的总有功发电量；Pi,L代表了目标配电网中节点i的有功需求；Qi,G代表了目标配电网中节点i的总无功发电量；Qi,L代表了目标配电网中节点i的无功需求；Ui代表了目标配电网中节点i的电压幅值，Uk代表了目标配电网中节点k的电压幅值；Gi′,k′和Bi′,k′分别代表了目标配电网中节点导纳矩阵第i′行第k′列的实部和虚部；θi,k代表了目标配电网中节点i和节点k之间的相角差；
节点电压约束，表达式为：Ui,min≤Ui≤Ui,max，其中，Ui,min和Ui,max分别表示目标配电网中节点i电压的最小值和最大值；
节点功率约束，表达式为：
Figure BDA0003898243420000041
其中，Pi表示目标配电网中节点i注入的有功功率，Qi表示目标配电网中节点i注入的无功功率，Pi,min和Pi,max分别表示目标配电网中节点i注入有功功率的最小值和最大值，Qi,min和Qi,max分别表示目标配电网中节点i注入无功功率的最小值和最大值；
电容器安装容量约束，表达式为：Qc,min≤Qc≤Qc,max，其中，Qc表示电容器发出的无功功率，Qc,min和Qc,max分别表示电容器发出无功功率的最小值和最大值；
SVG安装容量约束，表达式为：QSVG,min≤QSVG≤QSVG,max，其中，QSVG表示SVG安装容量，QSVG,min和QSVG,max分别表示SVG安装容量的最小值和最大值；
变压器分接头挡位约束，表达式为：Ti,min≤Ti≤Ti,max，其中，Ti表示变压器的分接头档位，Ti,min和Ti,max分别表示变压器分接头挡位的下限和上限；
功率平衡约束，表达式为：
Figure BDA0003898243420000042
其中，Si,Pi,Qi分别表示节点i的注入视在功率、注入有功功率和注入无功功率，SLDi,PLDi,QLDi分别表示节点i的负荷视在功率、有功功率和无功功率，Sij,Pij,Qij分别表示经节点i流入到配电网线路j的视在功率、有功功率和无功功率，Ci表示与节点i相连的配电网线路集合。
所述基于补偿方案采用前推回代法计算配电网潮流具体为：
初始化目标配电网的参数，给定配电网根节点的初始电压，同时对除根节点以外的节点赋初始电压，给定潮流算法的控制参数；
确定配电网中的根节点以及目标配电网中节点间的联络关系，并计算各节点的负荷数据；
从配电网末端节点出发，按照先子节点后父节点的原则，计算各条线路的功率损耗，再通过回代计算，利用各节点的负荷数据和初始电压计算各个节点的注入功率；
从配电网的根节点出发，按照先父节点后子节点的原则，利用已计算得到的各个节点的注入功率，按照前推电压计算公式计算各个节点电压；
将相邻两次迭代的电压偏差模值的最大值，作为迭代收敛条件，判断相邻两次迭代的电压偏差模值的最大值是否小于已给定的控制参数，如果是，则停止计算，输出计算结果；否则返回计算直至满足给定的控制参数。
通过
Figure BDA0003898243420000051
计算各条线路的功率损耗，ΔSij表示线路的功率损耗，Pj表示节点j的有功功率，Qj表示节点j的无功功率，ej表示流入节点j的电流的实部，fj表示流入节点j的电流的虚部，Rij表示节点i和节点j之间的电阻，Xij表示节点i和节点j之间的电抗。
通过
Figure BDA0003898243420000052
计算各个节点的注入功率；通过Uj＝Ui-(Rij+jXij)Iij计算各个节点电压，其中，Iij表示流经线路的电流。
本发明所要解决的技术问题是提供一种考虑电力电子负载的配电系统电能质量优化装置，包括：
分级模块，用于建立电能质量综合评估模型，并采用所述电能质量综合评估模型针对电力电子负载对目标配电网的待评估监测点的电能质量影响严重程度进行综合评估，实现对待评估监测点的分级，得到各个待评估监测点的等级；
优化配置模块，用于针对不同待评估监测点的等级，建立基于遗传算法的电能质量优化配置模型，采用电能质量优化配置模型对负载接入下的目标配电网的电能质量进行优化配置。
本发明所要解决的技术问题是提供一种电子设备，包括存储器、处理器及存储在存储器上并可在所述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上述考虑电力电子负载的配电系统电能质量优化方法的步骤。
本发明所要解决的技术问题是提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述考虑电力电子负载的配电系统电能质量优化方法的步骤。
有益效果
由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明通过建立电能质量综合评估模型，实现了电力电子负载对配网电能质量影响严重程度的综合评估。针对不同等级的待评估监测点，建立基于遗传算法的电能质量优化配置模型，提出了针对负载接入下的电能质量优化配置方案，实现了电能质量的提升。
附图说明
图1是本发明第一实施方式的流程图；
图2是本发明第一实施方式中物元分析法评估电能质量的流程图；
图3是本发明第一实施方式中密切值法评估电能质量的流程图；
图4是本发明第一实施方式中BP神经网络评估电能质量的流程图；
图5是IEEE33节点线路拓扑图；
图6是采用遗传算法优化后的最优参数示意图；
图7是采用遗传算法优化后的三相不平衡度示意图
图8是采用遗传算法优化后的电压偏差示意图。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的第一实施方式涉及一种考虑电力电子负载的配电系统电能质量优化方法，如图1所示，包括以下步骤：
步骤1，建立电能质量综合评估模型，并采用所述电能质量综合评估模型针对电力电子负载对目标配电网的待评估监测点的电能质量影响严重程度进行综合评估，实现对待评估监测点的分级，得到各个待评估监测点的等级；
步骤2，针对不同待评估监测点的等级，建立基于遗传算法的电能质量优化配置模型，采用电能质量优化配置模型对负载接入下的目标配电网的电能质量进行优化配置。
在步骤1中，可以采用物元分析法构建电能质量评估模型。物元指事物的三个基本要素：事物、特征和量值，可记作R＝(P,C,V)，其中，P指事物，C指事物的特征，V指特征C的量值。物元模型包括经典域物元、节域物元和待评估物元。用物元分析法进行综合评估时需要将非数量值转化为数量值，利用可拓学原理，将事物与量值之间的关系放在实数轴上研究，建立关联函数来描述可拓集合，并量化矛盾的解决过程。
在电能质量综合评估中，由于要遵循国家标准限值，故首先运用短板效应(木桶原理)判断监测点是否合格，然后再对其进行评估。监测点的合格与否根据单指标的等级值判定，即如果某监测点任一项单指标等级值为不合格，则认为该监测点是不合格的。
设有n个指标，每个指标分为5个等级，分别为优质(1级)、良好(2级)、中等(3级)、一般(4级)和不合格(5级)，运用物元分析法进行评估的过程如图2所示，包括以下步骤：
A.判断监测点是否合格；
B.对合格的监测点建立电能质量的物元模型
①经典域物元R0，如公式所示：
Figure BDA0003898243420000071
其中，Nj表示划分的第j个电能质量等级，c1,c2,…,cn表示电能质量的n项指标，X0＝[aij,bij]表示j等级下第i项指标的取值范围。
②节域物元Rp，如公式所示：
Figure BDA0003898243420000081
其中，Np指评价等级的全体，c1,c2,…,cn表示电能质量的n项指标，X＝[ci,di]表示某一个指标的取值范围。
③待评估物元Rd，如公式所示：
Figure BDA0003898243420000082
其中，Nd指待评估对象，c1,c2,…,cn表示电能质量的n项指标，x表示第i个指标的具体监测值。
C.建立关联函数
当物元量值符合所要求的取值范围时，假设p(x,X0)表示点x到区间X0的距离，p(x,X)表示点x到区间X的距离，关联函数k(x)如公式所示：
Figure BDA0003898243420000083
其中，
Figure BDA0003898243420000084
|X0|＝b-a，a,b分别表示区间X0的下限和上限，c,d分别表示区间X的下限和上限。
D.计算关联度并确定电能质量评估等级
设电能质量指标权重系数为w＝(w1,w2,...,wn)，由关联函数可得第i个指标关于第j个等级的关联度为kj(xi)，则可以得到待评估对象N关于第j个等级的关联度为
Figure BDA0003898243420000091
关联度最大值所对应的等级即为电能质量综合评估等级。
步骤1还可以采用密切值法构建电能质量评估模型。密切值法属于多目标决策方法。当决策评价系统中同时存在正向和负向指标时，密切值法首先将指标转化为同向指标(同正向或同负向)，其次计算各指标的最优和最劣点，然后计算被评价对象与最优、最劣点的距离以及密切值，最后根据密切值大小对被评价对象进行排序。该方法与理想解法很相似，不涉及权重问题。
在电能质量综合评估中，为了实现对电能质量的分级评估，需要对密切值法的评估过程进行改进。设m为总的待评估监测点个数，n为指标个数，yij为第i个监测点第j项指标的监测值，每个指标分为5个等级，分别为优质(1级)、良好(2级)、中等(3级)、一般(4级)和不合格(5级)，则基于密切值法的电能质量综合评估过程如图3所示，具体包括以下步骤：
A.确定电能质量为不合格(5级)的监测点
找出存在任一单项指标不合格的监测点，将其划分为5等级。
B.确定参考样本
由于灰色关联分析法主要是用于排序评价，因此在评价中需要确定四个参考样本，分别定义为1级、2级、3级、4级，各样本相应指标的取值为该指标优质(1级)、良好(2级)、中等(3级)、一般(4级)各等级取值范围的右边界值。
C.建立同向指标矩阵
当评价指标越大越好时，即正向指标，数值取正；当评价指标越小越好时，即负向指标，数值取负，即可得到同向指标矩阵:Y＝(yij)mon,i＝1,2,…,m,j＝1,2,…,n
D.建立标准化矩阵
将参考样本和各合格的监测点组合起来，构成原始数据矩阵，然后运用公式
Figure BDA0003898243420000092
将原始数据矩阵标准化，xij表示第i个监测点第j项指标的参考样本。
E.确定最优点和最劣点
最优点:
Figure BDA0003898243420000093
其中，
Figure BDA0003898243420000094
表示第j项指标的最优点；
最劣点:
Figure BDA0003898243420000101
其中，
Figure BDA0003898243420000102
表示第j项指标的最劣点
F.计算各监测点到最优点和最劣点的距离
第i个监测点到最优点的距离
Figure BDA0003898243420000103
Figure BDA0003898243420000104
第i个监测点到最劣点的距离
Figure BDA0003898243420000105
Figure BDA0003898243420000106
G.计算密切值并确定评估等级
密切值
Figure BDA0003898243420000107
其中，
Figure BDA0003898243420000108
根据密切值对电能质量进行等级划分，设四个参考样本的贴近度值分别为Cy2,Cy3,Cy4,Cy5，若第i个监测点的贴近度值满足Ci≥Cy2，则该监测点为优质(1级)；若第i个监测点的贴近度值满足Cy3＜Ci≤Cy2，则该监测点为良好(2级)；若第i个监测点的贴近度值满足Cy4＜Ci≤Cy3，则该监测点为中等(3级)；若第i个监测点的贴近度值满足Cy5＜Ci≤Cy4，则该监测点为一般(4级)。
步骤1还可以BP神经网络构建电能质量评估模型。目前，比较成熟的神经网络模型及相应的算法有上百种，各种修正和演变的模型、算法就更多。这些模型和算法是为解决不同问题而设计的，有其各自的功能特点和适用范围。神经网络模型的选择通常要考虑其相应的学习算法。采用有导师学习算法的神经网络通常能够很好地解决分类问题,而釆用无导师学习算法的神经网络则更适用于聚类问题。采用有导式学习算法的神经网络是合适的。建立电能质量综合评估BP神经网络模型流程如图4所示。
对于模型输入层的神经元，其输出与输入相同。中间隐含层和输出层的神经元的操作规则如下：
Figure BDA0003898243420000109
式中：Y(k-1)i——k-1层第i个神经元的输出,也是第k层神经元的输入；
W(k-1)i,kj——k-1层第i个神经元与k层第j个神经元的连接权值；
Ykj——k层第j个神经元的输出，也是第k+1层神经元的输出。
f(·)——Sigmoid函数，f(u)＝1/(1+e-u)。
n——第k-1层的神经元数目。
可见，除输入层外，神经网络的处理单元的输入一输出关系是非线性的。处理单元的输入、输出值可以连续变化。
三层的BP神经网络可以完成任意的n到m维的映射。增加层数虽然可以提高精度,但会使网络复杂，并延缓训练过程。误差精度的提高也可以通过增加隐含层中的神经元数目达到，这样也更容易观察和调整，因此，一般优先考虑增加隐含层的神经元数目。隐含层单元数的选择一直是人工神经网络应用中一个复杂的问题。具体设计时，一般对不同神经元数进行训练对比，然后适当地加一点余量。
进行BP神经网络训练时，首先要提供一组训练样本给定输入及相应的期望输出，计算得出的网络输出为实际输出。当网络的实际输出与期望输出一致时，则训练结束；否则，修正网络的权值，使实际输出与期望输出一致。设BP神经网络每层有N个处理单元，训练样本有M个。
对第p个样本(p＝1,2,…,M)，节点j的输入总和记为netpj，输出记为Opj，则：
Figure BDA0003898243420000111
Opi＝f(netpj)
其中，Wji表示权重，如果网络的权值初始化为任意值,则对每个输入样本p,网络实际输出Opj与期望输出dpj间的误差E为：
E＝[∑jdpj-Opj)]2/2
BP神经网络的权值修正公式为：
Wji＝Wji(t)+ηδpjOpj
Figure BDA0003898243420000112
上式中,引入学习速率η的目的是加快网络的收敛,但也可能导致振荡，δpj表示学习规则。权值修正公式中一般还需引入势态因子α,即：
Wji＝Wji(t)+ηδpjOpj+α[Wji(t)-Wji(t-1)]
势态因子α为常数项，表示上次的权值对本次权值修正的影响程度。
权值的修正是在误差反向传播过程中逐层完成的。由输出层误差修正各输出层神经元的连接权值，再计算相连隐含层神经元的误差量，并修正各隐含层神经元的连接权值,如此迭代。训练过程往往需要经过多次迭代。一般地，权值的更新随着迭代过程不断进行并且是收敛的。权值的初值和学习步长都一定程度上影响着网络的收敛速度。一般地,神经网络的训练步骤如下：
A.初始化网络及训练参数,包括设置网络初始权矩阵、学习因子η，势态因子α等；
B.确定训练模式,进行网络训练,直到满足训练要求；
C.前向传播过程：对给定训练样本的输入,计算网络的实际输出,并与期望输出比较,如有误差,则执行步骤D，否则,执行步骤B；
D.反向传播过程：计算同层神经元的误差,修正权值和阈值,返回步骤B。
利用特征值赋权法对BP神经网络方法得到的评估结果进行不同方面的综合加权，可以得到地区各电压等级、以及整个系统电能质量情况的综合评估结果。其实质是根据评价指标的相对重要程度来确定评价指标权重系数。特征值法的关键在于根据实际情况构造合理的比较判断矩阵，从而达到合理反映实际情况的目的。
比较判断矩阵的定义是：若矩阵A中的元素αij满足：
αij＞0,i,j＝1,2,…,m
αii＝0,i＝1,2,…,m
αji＝1/αij,i,j＝1,2,…,m
则称A为比较判断矩阵，其中m为评价指标的个数。
当A为一致性矩阵时，称其与特征根λmax(A)＝m对应的归一化了的非负特征向量为排序权重向量。
根据特征值法的基本思想，评价指标的权重系数即为归一化后的与A的特征值m相对应的特征向量ω＝(ω1,ω2,…,ωm)T
实例分析：将电能质量分为9个等级，生成训练集，采用训练集对BP神经网络进行训练，根据训练结果确定监测点等级的边界值，如下表1所示。
表1边界值评估结果
电能质量等级 评估值
1 1.5454
2 2.5418
3 3.5383
4 4.5347
5 5.4470
6 6.3934
7 7.4396
8 8.4857
9 9.5487
对IEEE33电能质量数据进行综合评估。
表2IEEE33部分节点电能质量数据
节点 电压偏差/％ 三相不平衡度/％
1 7.1*10^-15 2.22*10^-14
2 0.3937 1.68*10^-14
3 2.1493 0.1525
4 3.1050 0.1540
5 4.0449 0.1554
6 6.3646 0.1593
7 6.9580 0.2804
8 7.6052 0.2823
9 8.4368 0.2849
10 9.2048 0.2873
11 9.3189 0.2876
12 9.5176 0.2883
13 10.1417 0.2903
14 10.4411 0.2913
15 10.6187 0.2875
单点综合评估结果如下表3所示。
表3综合评估结果
Figure BDA0003898243420000131
Figure BDA0003898243420000141
如表，系统电能质量综合评估结果为2.7397。
为能够考虑配电网运行的多个运行条件，优化补偿设备的分组、提高设备利用效率，设计了可考虑多个负荷水平的优化算法。在给定多个负荷水平的前提下，能够给出各候选补偿点的补偿容量和分组数。本实施方式中的步骤2具体包括：
根据各不同待评估监测点的等级构建不同的适应度函数，得到电能质量优化配置模型，并对中压补偿设备和配变低压侧无功补偿设备进行编码，其中，补偿设备在编码中占两部分，分别为：单组容量大小和分组数；采用遗传算法对电能质量优化配置模型进行求解得到每个中压补偿设备和配变低压侧无功补偿设备对应的补偿方案；
基于补偿方案采用前推回代法计算配电网潮流；
对于最大负荷水平，根据配电网潮流决定补偿容量，对于其它负荷水平，针对每个中压补偿设备和配变低压侧无功补偿设备对应的补偿方案进行投切模拟，找到最佳补偿方案。
本实施方式在采用遗传算法计算得到每个中压补偿设备和配变低压侧无功补偿设备对应的补偿方案时，与一般遗传算法采用的方式相同，即目标函数值加约束条件的罚函数值。编码采用二进制编码，中压补偿设备和配变低压侧无功补偿设备的编码分开处理。每个补偿设备在编码中占两部分，即单组容量大小和分组数。单组容量和分组数的大小在设定最大、最小值之间，同时考虑补偿点可补容量的大小。值得一提的是，本实施方式中遗传算法的适应度函数的构建基于不同待评估监测点的等级构建的，因此适应度函数可能会是最大化问题，也可能会是最小化问题，因此，在设置适应度函数时，若目标函数为最小化问题，则：
Figure BDA0003898243420000142
其中，f(x)表示所要求解的问题函数，如电压与基准电压的差值，或者是线路损耗，Cmax为f(x)的最大估计值，该最大估计值可以是一个适合的输入值，也可以采用迄今为止过程中f(x)的最大值或当前群体中的最大值，当然Cmax也可以是前K代中f(x)的最大值。显然，存在多种方式来选择系数Cmax，但最好与群体无关。
若目标函数为最大化问题，则：
Figure BDA0003898243420000151
其中，C为适应度函数界限的保守估计值。
电能质量优化的约束条件包括：
Figure BDA0003898243420000152
Figure BDA0003898243420000153
该式表示了有功功率平衡约束和无功功率平衡约束，Pi,G代表了目标配电网中节点i的总有功发电量；Pi,L代表了目标配电网中节点i的有功需求；Qi,G代表了目标配电网中节点i的总无功发电量；Qi,L代表了目标配电网中节点i的无功需求；Ui代表了目标配电网中节点i的电压幅值，Uk代表了目标配电网中节点k的电压幅值；Gi′,k′和Bi′,k′分别代表了目标配电网中节点导纳矩阵第i′行第k′列的实部和虚部；θi,k代表了目标配电网中节点i和节点k之间的相角差。
Ui,min≤Ui≤Ui,max
该式表示了节点电压约束，其中，Ui,min和Ui,max分别表示目标配电网中节点i电压的最小值和最大值。
Pi,min≤Pi≤Pi,max
Qi,min≤Qi≤Qi,max
该式表示了节点功率约束，其中，Pi表示目标配电网中节点i注入的有功功率，Qi表示目标配电网中节点i注入的无功功率，Pi,min和Pi,max分别表示目标配电网中节点i注入有功功率的最小值和最大值，Qi,min和Qi,max分别表示目标配电网中节点i注入无功功率的最小值和最大值。
Qc,min≤Qc≤Qc,max
该式表示了电容器安装容量约束，其中，Qc表示电容器发出的无功功率，Qc,min和Qc,max分别表示电容器发出无功功率的最小值和最大值。
QSVG,min≤QSVG≤QSVG,max
该式表示了SVG安装容量约束，其中，QSVG表示SVG安装容量，QSVG,min和QSVG,max分别表示SVG安装容量的最小值和最大值。
Ti,min≤Ti≤Ti,max
该式表示了变压器分接头挡位约束，其中，Ti表示变压器的分接头档位，Ti,min和Ti,max分别表示变压器分接头挡位的下限和上限。
Figure BDA0003898243420000161
Figure BDA0003898243420000162
Figure BDA0003898243420000163
Figure BDA0003898243420000164
该式功率平衡约束，其中，Si,Pi,Qi分别表示节点i的注入视在功率、注入有功功率和注入无功功率，SLDi,PLDi,QLDi分别表示节点i的负荷视在功率、有功功率和无功功率，Sij,Pij,Qij分别表示经节点i流入到配电网线路j的视在功率、有功功率和无功功率，Ci表示与节点i相连的配电网线路集合。通过遗传算法对上述目标函数进行求解，得到的适应度函数最佳的解，即为每个中压补偿设备和配变低压侧无功补偿设备对应的补偿方案。
在计算配电网潮流时，本实施方式基于补偿方案采用无需形成导纳矩阵和雅可比矩阵的前推回代法进行计算。该方法的计算速度快，占用内存小。采用IEEE33节点为例来说明本实施方式中配电网潮流计算方法，IEEE33节点线路拓扑图如图5所示；采用遗传算法优化后的最优参数、三相不平衡度、电压偏差分别如图6-图8所示。具体如下：
1)初始化目标配单网的参数，给定配电网根节点的初始电压Ui，同时对除根节点以外的节点赋初始电压，给定潮流算法的控制参数，如算法收敛的精度以及最大迭代的次数。
2)确定配电网中的根节点(电源点)以及目标配电网中节点间的联络关系，并计算各节点的负荷数据。
3)从配电网络末端节点出发，按照先子节点后父节点的原则，计算各条线路的功率损耗，再进行回代计算，利用各节点的负荷数据得到各个节点的注入功率。赋迭代次数k＝0，并赋各支路损耗初值为0。
本步骤中，计算各条线路的功率损耗时采用的计算公式为：
Figure BDA0003898243420000171
其中，ΔSij表示线路的功率损耗，Pj表示节点j的有功功率，Qj表示节点j的无功功率，ej表示流入节点j的电流的实部，fj表示流入节点j的电流的虚部，Rij表示节点i和节点j之间的电阻，Xij表示节点i和节点j之间的电抗。
计算各个节点的注入功率时采用的计算公式为：
Figure BDA0003898243420000172
Figure BDA0003898243420000173
Figure BDA0003898243420000174
4)从配电网的根节点出发，按照先父节点后子节点的原则，利用已计算得到的各个节点注入功率，按照前推电压计算公式计算各个节点电压，计算公式为：
Uj＝Ui-(Rij+jXij)Iij
其中，Iij表示流经线路的电流。
Figure BDA0003898243420000175
Figure BDA0003898243420000176
从上式可以看出流经线路的电流不仅与线路两端的电压差有关而且还与线路末端节点的电压和节点注入功率有关。
5)将相邻两次迭代的电压偏差模值的最大值max|Δu|，作为算法的迭代收敛条件，分别计算配电网系统中各个节点电压相邻两次迭代电压偏差，求出其模值最大值，判断max|Δu|是否小于已给定的算法迭代精度值，如果是，则可判断计算已经收敛，停止计算，输出计算结果；否则的话，则迭代次数k＝k+1，返回步骤3)继续计算，直至精度达到要求或到达最大迭代次数为止。
对考虑多个负荷水平的无功补偿优化问题，一般最大负荷水平决定补偿容量，而其他负荷水平共同决定补偿电容器的分组。对于其他负荷水平，针对遗传算法每个个体对应的补偿方案(各待选补偿点的补偿容量)，需要进行相应的投切模拟，以检验补偿方案的运行效果。
不难发现，本发明通过建立电能质量综合评估模型，实现了电力电子负载对配网电能质量影响严重程度的综合评估。针对不同重要电力用户等级，建立基于遗传算法的电能质量优化配置模型，提出了针对负载接入下的电能质量优化配置方案，实现了电能质量的提升。
本发明的第二实施方式涉及一种考虑电力电子负载的配电系统电能质量优化装置，包括：分级模块，用于建立电能质量综合评估模型，并采用所述电能质量综合评估模型针对电力电子负载对目标配电网的待评估监测点的电能质量影响严重程度进行综合评估，实现对待评估监测点的分级，得到各个待评估监测点的等级；优化配置模块，用于针对不同待评估监测点的等级，建立基于遗传算法的电能质量优化配置模型，采用电能质量优化配置模型对负载接入下的目标配电网的电能质量进行优化配置。
所述分级模块可以有三种形式，第一种包括：
划分单元，用于针对各个待评估监测点，建立电能质量的指标体系并对单项指标进行等级划分；
判断单元，用于待评估监测点的各单项指标的监测值，判断待评估监测点的各单项指标是否合格；
建立单元，用于在各单项指标都合格的情况下，待评估监测点的电能质量物元模型，并构造关联函数；其中，将电能质量物元模型作为电能质量综合评估模型；
计算单元，用于设定待评估监测点的各单项指标的权重，并基于权重和关联函数计算关联度；其中，将关联度作为电力电子负载对目标配电网的待评估监测点的电能质量影响严重程度；
确定单元，用于根据关联度确定待评估监测点的等级。
第二种包括：
划分单元，用于针对各个待评估监测点，建立电能质量的指标体系并对单项指标进行等级划分；
判断单元，用于基于待评估监测点的各单项指标的监测值，判断待评估监测点的各单项指标是否合格；
确定单元，用于在合格时，确定各项指标的参考样本，所述参考样本的取值为各项指标的取值范围的右边界值；
第一建立单元，用于根据各合格的待评估监测点的各单项指标的监测值，建立同向指标矩阵；
第二建立单元，用于基于参考样本和同向指标矩阵，建立标准化矩阵；
确定单元，用于采用取最小值或最大值的方式确定标准化矩阵的各单项指标的最优点和最劣点，以构建电能质量综合评估模型；
计算单元，用于基于电能质量综合评估模型，计算各合格的待评估监测点到最优点和最劣点的欧式距离；
评估单元，用于根据各合格的待评估监测点到最优点和最劣点的距离计算各合格的待评估监测点的密切值；其中，将密切值作为电力电子负载对目标配电网的待评估监测点的电能质量影响严重程度。
第三种包括：
分级单元，用于针对各个待评估监测点，选定电能质量的评估指标并对评估指标进行分级处理，得到分级标准；
建立单元，用于根据分级标准建立样本集，所述样本集包括各个待评估监测点各评估指标的历史监测值，以及期望输出值；
第一确定单元，用于根据期望输出值确定神经网络模型理论输出值；
模型确定单元，用于采用样本集和理论输出值对神经网络模型进行训练，并根据训练结果确定神经网络模型的结构，得到电能质量综合评估模型；
第二确定单元，用于根据根据训练结果确定监测点等级的边界值；
评估单元，用于根据各个待评估监测点各评估指标的监测值，利用电能质量综合评估模型针对电力电子负载对目标配电网的待评估监测点的电能质量影响严重程度进行综合评估，并利用边界值实现对目标配电网的待评估监测点的分级。
所述优化配置模块包括：
适应度函数构建单元，用于根据各不同待评估监测点的等级构建不同的适应度函数，得到电能质量优化配置模型，并对中压补偿设备和配变低压侧无功补偿设备进行编码，其中，补偿设备在编码中占两部分，分别为：单组容量大小和分组数；采用遗传算法对电能质量优化配置模型进行求解得到每个中压补偿设备和配变低压侧无功补偿设备对应的补偿方案；
配电网潮流计算单元，用于基于补偿方案采用前推回代法计算配电网潮流；
补偿单元，用于对于最大负荷水平，根据配电网潮流决定补偿容量，对于其它负荷水平，针对每个中压补偿设备和配变低压侧无功补偿设备对应的补偿方案进行投切模拟，找到最佳补偿方案。
所述适应度函数构建单元在构建适应度函数时，针对目标函数最小化问题，所述适应度函数Fit(f(x))为：
Figure BDA0003898243420000201
其中，Cmax为f(x)的最大估计值；针对目标函数最大化问题，所述适应度函数Fit(f(x))为：
Figure BDA0003898243420000202
其中，C为适应度函数界限的保守估计值，f(x)表示目标函数。
所述电能质量优化配置模型的约束条件包括：
有功功率平衡约束和无功功率平衡约束，表达式为：
Figure BDA0003898243420000203
其中，Pi,G代表了目标配电网中节点i的总有功发电量；Pi,L代表了目标配电网中节点i的有功需求；Qi,G代表了目标配电网中节点i的总无功发电量；Qi,L代表了目标配电网中节点i的无功需求；Ui代表了目标配电网中节点i的电压幅值，Uk代表了目标配电网中节点k的电压幅值；Gi′,k′和Bi′,k′分别代表了目标配电网中节点导纳矩阵第i′行第k′列的实部和虚部；θi,k代表了目标配电网中节点i和节点k之间的相角差；
节点电压约束，表达式为：Ui,min≤Ui≤Ui,max，其中，Ui,min和Ui,max分别表示目标配电网中节点i电压的最小值和最大值；
节点功率约束，表达式为：
Figure BDA0003898243420000211
其中，Pi表示目标配电网中节点i注入的有功功率，Qi表示目标配电网中节点i注入的无功功率，Pi,min和Pi,max分别表示目标配电网中节点i注入有功功率的最小值和最大值，Qi,min和Qi,max分别表示目标配电网中节点i注入无功功率的最小值和最大值；
电容器安装容量约束，表达式为：Qc,min≤Qc≤Qc,max，其中，Qc表示电容器发出的无功功率，Qc,min和Qc,max分别表示电容器发出无功功率的最小值和最大值；
SVG安装容量约束，表达式为：QSVG,min≤QSVG≤QSVG,max，其中，QSVG表示SVG安装容量，QSVG,min和QSVG,max分别表示SVG安装容量的最小值和最大值；
变压器分接头挡位约束，表达式为：Ti,min≤Ti≤Ti,max，其中，Ti表示变压器的分接头档位，Ti,min和Ti,max分别表示变压器分接头挡位的下限和上限；
功率平衡约束，表达式为：
Figure BDA0003898243420000212
其中，Si,Pi,Qi分别表示节点i的注入视在功率、注入有功功率和注入无功功率，SLDi,PLDi,QLDi分别表示节点i的负荷视在功率、有功功率和无功功率，Sij,Pij,Qij分别表示经节点i流入到配电网线路j的视在功率、有功功率和无功功率，Ci表示与节点i相连的配电网线路集合。
所述配电网潮流计算单元包括：
初始化子单元，用于初始化目标配电网的参数，给定配电网根节点的初始电压，同时对除根节点以外的节点赋初始电压，给定潮流算法的控制参数；
负荷数据计算子单元，用于确定配电网中的根节点以及目标配电网中节点间的联络关系，并计算各节点的负荷数据；
注入功率计算子单元，用于从配电网末端节点出发，按照先子节点后父节点的原则，计算各条线路的功率损耗，再通过回代计算，利用各节点的负荷数据和初始电压计算各个节点的注入功率；
节点电压计算子单元，用于从配电网的根节点出发，按照先父节点后子节点的原则，利用已计算得到的各个节点的注入功率，按照前推电压计算公式计算各个节点电压；
迭代计算子单元，用于将相邻两次迭代的电压偏差模值的最大值，作为迭代收敛条件，判断相邻两次迭代的电压偏差模值的最大值是否小于已给定的控制参数，如果是，则停止计算，输出计算结果；否则返回计算直至满足给定的控制参数。
所述注入功率计算子单元中通过
Figure BDA0003898243420000221
计算各条线路的功率损耗，ΔSij表示线路的功率损耗，Pj表示节点j的有功功率，Qj表示节点j的无功功率，ej表示流入节点j的电流的实部，fj表示流入节点j的电流的虚部，Rij表示节点i和节点j之间的电阻，Xij表示节点i和节点j之间的电抗；通过
Figure BDA0003898243420000222
计算各个节点的注入功率；通过Uj＝Ui-(Rij+jXij)Iij计算各个节点电压，其中，Iij表示流经线路的电流。
本发明的第三实施方式涉及一种电子设备，包括存储器、处理器及存储在存储器上并可在所述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第一实施方式的考虑电力电子负载的配电系统电能质量优化方法的步骤。
本发明的第四实施方式涉及一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一实施方式的考虑电力电子负载的配电系统电能质量优化方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。本申请实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本申请是参照根据本申请实施例的方法、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。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (13)

1.一种考虑电力电子负载的配电系统电能质量优化方法，其特征在于，包括以下步骤：
建立电能质量综合评估模型，并采用所述电能质量综合评估模型针对电力电子负载对目标配电网的待评估监测点的电能质量影响严重程度进行综合评估，实现对待评估监测点的分级，得到各个待评估监测点的等级；
针对不同待评估监测点的等级，建立基于遗传算法的电能质量优化配置模型，采用电能质量优化配置模型对负载接入下的目标配电网的电能质量进行优化配置。
2.根据权利要求1所述的考虑电力电子负载的配电系统电能质量优化方法，其特征在于，所述建立电能质量综合评估模型，并采用所述电能质量综合评估模型针对电力电子负载对目标配电网的待评估监测点的电能质量影响严重程度进行综合评估，实现对待评估监测点的分级，具体为：
针对各个待评估监测点，建立电能质量的指标体系并对单项指标进行等级划分；
基于待评估监测点的各单项指标的监测值，判断待评估监测点的各单项指标是否合格，若有一项不合格，则将待评估监测点作为不合格等级；若都合格，则建立待评估监测点的电能质量物元模型，并构造关联函数；其中，将电能质量物元模型作为电能质量综合评估模型；
设定待评估监测点的各单项指标的权重，并基于权重和关联函数计算关联度；其中，将关联度作为电力电子负载对目标配电网的待评估监测点的电能质量影响严重程度；根据关联度确定待评估监测点的等级。
3.根据权利要求1所述的考虑电力电子负载的配电系统电能质量优化方法，其特征在于，所述建立电能质量综合评估模型，并采用所述电能质量综合评估模型针对电力电子负载对目标配电网的待评估监测点的电能质量影响严重程度进行综合评估，实现对待评估监测点的分级，具体为：
针对各个待评估监测点，建立电能质量的指标体系并对单项指标进行等级划分；
基于待评估监测点的各单项指标的监测值，判断待评估监测点的各单项指标是否合格，若有一项不合格，则将所述待评估监测点作为不合格等级；若都合格，则确定各项指标的参考样本，所述参考样本的取值为各项指标的取值范围的右边界值；
根据各合格的待评估监测点的各单项指标的监测值，建立同向指标矩阵；
基于参考样本和同向指标矩阵，建立标准化矩阵；
采用取最小值或最大值的方式确定标准化矩阵的各单项指标的最优点和最劣点，以构建电能质量综合评估模型；
基于电能质量综合评估模型，计算各合格的待评估监测点到最优点和最劣点的欧式距离；
根据各合格的待评估监测点到最优点和最劣点的距离计算各合格的待评估监测点的密切值；其中，将密切值作为电力电子负载对目标配电网的待评估监测点的电能质量影响严重程度；
基于密切值确定待评估监测点的等级。
4.根据权利要求1所述的考虑电力电子负载的配电系统电能质量优化方法，其特征在于，所述建立电能质量综合评估模型，并采用所述电能质量综合评估模型针对电力电子负载对目标配电网的待评估监测点的电能质量影响严重程度进行综合评估，实现对目标配电网的待评估监测点的分级，具体为：
针对各个待评估监测点，选定电能质量的评估指标并对评估指标进行分级处理，得到分级标准；
根据分级标准建立样本集，所述样本集包括各个待评估监测点各评估指标的历史监测值，以及期望输出值；
根据期望输出值确定神经网络模型理论输出值；
采用样本集和理论输出值对神经网络模型进行训练，并根据训练结果确定神经网络模型的结构，得到电能质量综合评估模型；
根据训练结果确定监测点等级的边界值；
根据各个待评估监测点各评估指标的监测值，利用电能质量综合评估模型针对电力电子负载对目标配电网的待评估监测点的电能质量影响严重程度进行综合评估，并利用边界值实现对目标配电网的待评估监测点的分级。
5.根据权利要求1所述的考虑电力电子负载的配电系统电能质量优化方法，其特征在于，所述针对不同待评估监测点的等级，建立基于遗传算法的电能质量优化配置模型，采用电能质量优化配置模型对负载接入下的目标配电网的电能质量进行优化配置，具体包括：
根据各不同待评估监测点的等级构建不同的适应度函数，得到电能质量优化配置模型，并对中压补偿设备和配变低压侧无功补偿设备进行编码，其中，补偿设备在编码中占两部分，分别为：单组容量大小和分组数；采用遗传算法对电能质量优化配置模型进行求解得到每个中压补偿设备和配变低压侧无功补偿设备对应的补偿方案；
基于补偿方案采用前推回代法计算配电网潮流；
对于最大负荷水平，根据配电网潮流决定补偿容量，对于其它负荷水平，针对每个中压补偿设备和配变低压侧无功补偿设备对应的补偿方案进行投切模拟，找到最佳补偿方案。
6.根据权利要求5所述的考虑电力电子负载的配电系统电能质量优化方法，其特征在于，构建适应度函数时，针对目标函数最小化问题，所述适应度函数Fit(f(x))为：
Figure FDA0003898243410000031
其中，Cmax为f(x)的最大估计值；针对目标函数最大化问题，所述适应度函数Fit(f(x))为：
Figure FDA0003898243410000032
其中，C为适应度函数界限的保守估计值，f(x)表示目标函数。
7.根据权利要求5所述的考虑电力电子负载的配电系统电能质量优化方法，其特征在于，所述电能质量优化配置模型的约束条件包括：
有功功率平衡约束和无功功率平衡约束，表达式为：
Figure FDA0003898243410000033
其中，Pi,G代表了目标配电网中节点i的总有功发电量；Pi,L代表了目标配电网中节点i的有功需求；Qi,G代表了目标配电网中节点i的总无功发电量；Qi,L代表了目标配电网中节点i的无功需求；Ui代表了目标配电网中节点i的电压幅值，Uk代表了目标配电网中节点k的电压幅值；Gi′,k′和Bi′,k′分别代表了目标配电网中节点导纳矩阵第i′行第k′列的实部和虚部；θi,k代表了目标配电网中节点i和节点k之间的相角差；
节点电压约束，表达式为：Ui,min≤Ui≤Ui,max，其中，Ui,min和Ui,max分别表示目标配电网中节点i电压的最小值和最大值；
节点功率约束，表达式为：
Figure FDA0003898243410000034
其中，Pi表示目标配电网中节点i注入的有功功率，Qi表示目标配电网中节点i注入的无功功率，Pi,min和Pi,max分别表示目标配电网中节点i注入有功功率的最小值和最大值，Qi,min和Qi,max分别表示目标配电网中节点i注入无功功率的最小值和最大值；
电容器安装容量约束，表达式为：Qc,min≤Qc≤Qc,max，其中，Qc表示电容器发出的无功功率，Qc,min和Qc,max分别表示电容器发出无功功率的最小值和最大值；
SVG安装容量约束，表达式为：QSVG,min≤QSVG≤QSVG,max，其中，QSVG表示SVG安装容量，QSVG,min和QSVG,max分别表示SVG安装容量的最小值和最大值；
变压器分接头挡位约束，表达式为：Ti,min≤Ti≤Ti,max，其中，Ti表示变压器的分接头档位，Ti,min和Ti,max分别表示变压器分接头挡位的下限和上限；
功率平衡约束，表达式为：
Figure FDA0003898243410000041
其中，Si,Pi,Qi分别表示节点i的注入视在功率、注入有功功率和注入无功功率，SLDi,PLDi,QLDi分别表示节点i的负荷视在功率、有功功率和无功功率，Sij,Pij,Qij分别表示经节点i流入到配电网线路j的视在功率、有功功率和无功功率，Ci表示与节点i相连的配电网线路集合。
8.根据权利要求7所述的考虑电力电子负载的配电系统电能质量优化方法，其特征在于，所述基于补偿方案采用前推回代法计算配电网潮流具体为：
初始化目标配电网的参数，给定配电网根节点的初始电压，同时对除根节点以外的节点赋初始电压，给定潮流算法的控制参数；
确定配电网中的根节点以及目标配电网中节点间的联络关系，并计算各节点的负荷数据；
从配电网末端节点出发，按照先子节点后父节点的原则，计算各条线路的功率损耗，再通过回代计算，利用各节点的负荷数据和初始电压计算各个节点的注入功率；
从配电网的根节点出发，按照先父节点后子节点的原则，利用已计算得到的各个节点的注入功率，按照前推电压计算公式计算各个节点电压；
将相邻两次迭代的电压偏差模值的最大值，作为迭代收敛条件，判断相邻两次迭代的电压偏差模值的最大值是否小于已给定的控制参数，如果是，则停止计算，输出计算结果；否则返回计算直至满足给定的控制参数。
9.根据权利要求8所述的考虑电力电子负载的配电系统电能质量优化方法，其特征在于，通过
Figure FDA0003898243410000051
计算各条线路的功率损耗，ΔSij表示线路的功率损耗，Pj表示节点j的有功功率，Qj表示节点j的无功功率，ej表示流入节点j的电流的实部，fj表示流入节点j的电流的虚部，Rij表示节点i和节点j之间的电阻，Xij表示节点i和节点j之间的电抗。
10.根据权利要求9所述的考虑电力电子负载的配电系统电能质量优化方法，其特征在于，通过
Figure FDA0003898243410000052
计算各个节点的注入功率；通过Uj＝Ui-(Rij+jXij)Iij计算各个节点电压，其中，Iij表示流经线路的电流。
11.一种考虑电力电子负载的配电系统电能质量优化装置，其特征在于，包括：
分级模块，用于建立电能质量综合评估模型，并采用所述电能质量综合评估模型针对电力电子负载对目标配电网的待评估监测点的电能质量影响严重程度进行综合评估，实现对待评估监测点的分级，得到各个待评估监测点的等级；
优化配置模块，用于针对不同待评估监测点的等级，建立基于遗传算法的电能质量优化配置模型，采用电能质量优化配置模型对负载接入下的目标配电网的电能质量进行优化配置。
12.一种电子设备，包括存储器、处理器及存储在存储器上并可在所述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如权利要求1-10中任一所述考虑电力电子负载的配电系统电能质量优化方法的步骤。
13.一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，所述计算机程序被处理器执行时实现如权利要求1-10中任一所述考虑电力电子负载的配电系统电能质量优化方法的步骤。
CN202211281047.0A 2022-10-19 2022-10-19 一种考虑电力电子负载的配电系统电能质量优化方法 Pending CN115860170A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211281047.0A CN115860170A (zh) 2022-10-19 2022-10-19 一种考虑电力电子负载的配电系统电能质量优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211281047.0A CN115860170A (zh) 2022-10-19 2022-10-19 一种考虑电力电子负载的配电系统电能质量优化方法

Publications (1)

Publication Number Publication Date
CN115860170A true CN115860170A (zh) 2023-03-28

Family

ID=85661615

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211281047.0A Pending CN115860170A (zh) 2022-10-19 2022-10-19 一种考虑电力电子负载的配电系统电能质量优化方法

Country Status (1)

Country Link
CN (1) CN115860170A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116613823A (zh) * 2023-07-18 2023-08-18 华北电力科学研究院有限责任公司 配电网电能质量评估方法、装置及系统
CN117828243A (zh) * 2024-03-06 2024-04-05 国网上海能源互联网研究院有限公司 一种fpga潮流并行计算系统和方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116613823A (zh) * 2023-07-18 2023-08-18 华北电力科学研究院有限责任公司 配电网电能质量评估方法、装置及系统
CN116613823B (zh) * 2023-07-18 2023-12-08 华北电力科学研究院有限责任公司 配电网电能质量评估方法、装置及系统
CN117828243A (zh) * 2024-03-06 2024-04-05 国网上海能源互联网研究院有限公司 一种fpga潮流并行计算系统和方法
CN117828243B (zh) * 2024-03-06 2024-05-14 国网上海能源互联网研究院有限公司 一种fpga潮流并行计算系统和方法

Similar Documents

Publication Publication Date Title
CN115860170A (zh) 一种考虑电力电子负载的配电系统电能质量优化方法
CN110059887B (zh) 基于自适应遗传算法的bp神经网络风险识别方法及系统
CN103105246A (zh) 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法
CN104636801A (zh) 一种基于优化bp神经网络的预测输电线路可听噪声方法
WO2023005700A1 (zh) 模型数据混合驱动的电网可靠性快速计算方法及装置
CN112633577A (zh) 一种短期家庭用电负荷预测方法、系统、存储介质及设备
CN112036651A (zh) 基于量子免疫优化bp神经网络算法的电价预测方法
CN109214546A (zh) 一种基于改进的hs-narx神经网络的电力短期负荷预测方法
CN116544934B (zh) 根据电力负荷预测的电力调度方法及系统
Moradifar et al. Comprehensive identification of multiple harmonic sources using fuzzy logic and adjusted probabilistic neural network
CN114784823A (zh) 基于深度确定性策略梯度的微电网频率控制方法及系统
CN113919221A (zh) 一种基于bp神经网络的风机载荷预测及分析方法、装置及存储介质
CN110826798B (zh) 一种储能系统定容选址方法
Xu et al. Multi-cluster based equilibrium optimizer algorithm with compact approach for power system network
CN116108982A (zh) 一种水库群多目标调度合作搜索方法及系统
CN114066250A (zh) 一种输电项目修理成本测算方法、装置、设备及存储介质
Wang et al. A Short-term Wind Speed Prediction Method Based on the DGA-BP Neural Network.
CN117335425A (zh) 一种基于ga-bp神经网络的潮流计算方法
CN113743003B (zh) 考虑温度、湿度影响的高压线路对地电场强度计算方法
CN115374823A (zh) 一种基于tlbo算法的电能质量扰动分类方法及系统
Ying et al. A novel optimization algorithm for BP neural network based on RS-MEA
CN114202063A (zh) 一种基于遗传算法优化的模糊神经网络温室温度预测方法
CN109038609B (zh) 电力系统无功优化方法和系统
Xu et al. Multi-objective optimization of extreme learning machine using physical programming
Wang et al. Dynamic neural network based genetic algorithm optimizing for short term load forecasting

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