CN115912372B - 一种含高比例分布式光伏接入配电网电压控制方法及系统 - Google Patents

Abstract

本发明公开了一种含高比例分布式光伏接入配电网电压控制方法及系统，涉及配电网技术领域，其技术方案要点是：获取馈线各节点的实时电压，并确定光伏逆变器的实时功率和无功可调浴度；将多个节点的有功量测值和无功量测值输入多元状态学习网络进行训练；将功率扰动值加入多元状态学习网络模型后，分别得到有功电压灵敏度和无功电压灵敏度；依据馈线各节点的实时电压确定配电网节点电压的越限参考量；依据有功电压灵敏度、无功电压灵敏度确定各个可控节点的调控优先级，并优先通过调控优先级大的可控节点对越限参考量大的配电网节点进行电压调控。本发明增加了对分布式光伏发电的无功功率调节能力的利用，能够快速的对配电网节点电压进行控制。

Description

一种含高比例分布式光伏接入配电网电压控制方法及系统

技术领域

本发明涉及配电网技术领域，更具体地说，它涉及一种含高比例分布式光伏接入配电网电压控制方法及系统。

背景技术

电力系统承载高比例新能源需解决功率平衡和安全并网两个问题。并网问题关注新能源能否安全接入配电网而不引起电压和潮流越限，其中电压问题是突出问题之一。

电压控制是配电网日常的一项重要任务，目前配电网的电压控制方法，依赖电容器、有载调压变压器等传统电压调节设备，忽略了光伏的无功能力，经济性较差。在电压控制的同时，忽略了光伏发电无功电压支撑能力，以及对其他配电网电压调节设备的依赖，投资较高，经济性较差。

因此，如何研究设计一种能够克服上述缺陷的含高比例分布式光伏接入配电网电压控制方法及系统是我们目前急需解决的问题。

发明内容

为解决现有技术中的不足，本发明的目的是提供一种含高比例分布式光伏接入配电网电压控制方法及系统，只需配电网系统中节点电压和注入功率的数据，增加了对分布式光伏发电的无功功率调节能力的利用，能够快速的对配电网节点电压进行控制。

本发明的上述技术目的是通过以下技术方案得以实现的：

第一方面，提供了一种含高比例分布式光伏接入配电网电压控制方法，包括以下步骤：

获取馈线各节点的实时电压，并确定光伏逆变器的实时功率和无功可调裕度；

将多个节点的有功量测值和无功量测值输入多元状态学习网络进行训练，并校验后得到多元状态学习网络模型；

将功率扰动值加入多元状态学习网络模型后，分别计算得到功率扰动后的有功电压灵敏度和无功电压灵敏度；

依据馈线各节点的实时电压确定配电网节点电压的越限参考量；

依据有功电压灵敏度、无功电压灵敏度确定各个可控节点的调控优先级，并优先通过调控优先级大的可控节点对越限参考量大的配电网节点进行电压调控。

进一步的，所述无功可调裕度的计算公式具体为：

其中，表示节点i光伏逆变器的无功可调裕度；P_PV，i表示节点i光伏逆变器的实时有功功率；Ψ_N，i表示节点i光伏逆变器的额定输出容量。

进一步的，所述多元状态学习网络模型的构建过程具体为：

初始化多元状态学习网络参数，多元状态学习网络参数包括输入层神经元数量、储备池神经元数量和输出层神经元数量；

计算储备池的更新状态；

计算多元状态学习网络的输出函数；

将多个节点的有功量测值和无功量测值输入多元状态学习网络进行训练，得到输出数据为节点电压预测值的多元状态学习网络模型；

以及，在节点电压预测值与实时电压之差的累积和小于设定阈值时，则多元状态学习网络模型校验通过；若校验不通过，则重新训练模型。

进一步的，所述设定阈值为电压控制的参考收敛精度值。

进一步的，所述有功电压灵敏度的计算公式具体为：

其中，表示节点i相对于节点j的有功电压灵敏度；U_i表示扰动前的电压；U′_i表示扰动后的电压；ΔP_j表示节点j的有功扰动值；

和/或，所述无功电压灵敏度的计算公式具体为：

其中，表示节点i相对于节点j的无功电压灵敏度；ΔQ_j表示节点j的无功扰动值。

进一步的，所述越限参考量的计算公式具体为：

ΔU_up＝U_i-1.07U_N

ΔU_down＝U_i-0.93U_N

|ΔU_i|＝|ΔU_up-ΔU_down|

其中，ΔU_up表示超过电压合格上限的值；U_i表示节点i的实时电压；U_N表示电压的额定值；ΔU_down表示未达到电压合格下限的值；ΔU_i表示越限参考量。

进一步的，所述可控节点的调控优先级确定过程具体为：

将所有可控节点划分为有无功可调裕度的第一类节点以及没有无功可调裕度的第二类节点，第一类节点的调控优先级高于第二类节点的调控优先级；

所述第一类节点的调控优先级高低与无功电压灵敏度的大小呈正相关；

以及，所述第二类节点的调控优先级高低与有功电压灵敏度的大小呈正相关。

进一步的，所述第一类节点采用无功可调裕度参与电压调控，第一类节点采用有功功率参与电压调控。

进一步的，该方法还包括：

若电压调控后，仍存在电压越限的节点，则更新所有可控节点的功率裕度进行下一轮的馈线电压调节，直至所有节点电压达到合格水平

第二方面，提供了一种含高比例分布式光伏接入配电网电压控制系统，包括：

数据获取模块，用于获取馈线各节点的实时电压，并确定光伏逆变器的实时功率和无功可调裕度；

模型构建模块，用于将多个节点的有功量测值和无功量测值输入多元状态学习网络进行训练，并校验后得到多元状态学习网络模型；

扰动分析模块，用于将功率扰动值加入多元状态学习网络模型后，分别计算得到功率扰动后的有功电压灵敏度和无功电压灵敏度；

越限分析模块，用于依据馈线各节点的实时电压确定配电网节点电压的越限参考量；

电源调控模块，用于依据有功电压灵敏度、无功电压灵敏度确定各个可控节点的调控优先级，并优先通过调控优先级大的可控节点对越限参考量大的配电网节点进行电压调控。

与现有技术相比，本发明具有以下有益效果：

1、本发明提供的一种含高比例分布式光伏接入配电网电压控制方法，通过对训练好的模多元状态学习网络模型进行功率扰动，获取配电网的有功电压灵敏度和无功电压灵敏度，结合所有可控光伏电源的无功调节容量实现电压的协调控制，该方法只需配电网系统中节点电压和注入功率的数据，增加了对分布式光伏发电的无功功率调节能力的利用，能够快速的对配电网节点电压进行控制；

2、本发明无需集中量测全网的线路参数、各节点的负荷数据，在不同的配电网运行情形下可以很好的将节点电压控制在规定的安全范围；

3、本发明在电压控制时，减少了对光伏发电出力的影响以及对其他配电网电压调节设备的依赖，提高了经济性。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：

图1是本发明实施例中的流程图；

图2是本发明实施例中的系统框图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

实施例1：一种含高比例分布式光伏接入配电网电压控制方法，如图1所示，包括以下步骤：

步骤一：获取馈线各节点的实时电压，并确定光伏逆变器的实时功率和无功可调裕度；

步骤二：将多个节点的有功量测值和无功量测值输入多元状态学习网络进行训练，并校验后得到多元状态学习网络模型；

步骤三：将功率扰动值加入多元状态学习网络模型后，分别计算得到功率扰动后的有功电压灵敏度和无功电压灵敏度；

步骤四：依据馈线各节点的实时电压确定配电网节点电压的越限参考量；

步骤五：依据有功电压灵敏度、无功电压灵敏度确定各个可控节点的调控优先级，并优先通过调控优先级大的可控节点对越限参考量大的配电网节点进行电压调控。

在步骤一中，可通过位于馈线首端的主站遥测获取到各节点的实时电压，接入配电网的光伏逆变器的各节点i的实时有功功率和实时无功功率，则无功可调裕度的计算公式具体为：

其中，表示节点i光伏逆变器的无功可调裕度；P_PV，i表示节点i光伏逆变器的实时有功功率；Ψ_N，i表示节点i光伏逆变器的额定输出容量。

多元状态学习网络模型的构建过程具体由以下步骤实现。

S1：初始化多元状态学习网络参数，多元状态学习网络参数包括输入层神经元数量、储备池神经元数量和输出层神经元数量。

具体的，输入层神经元个数K，t时刻状态向量u(t)＝[u₁(t)，u₂(t)，...，u_K(t)]^T，1号储备池神经元个数N₁，t时刻状态向量2号储备池神经元个数N₂，t时刻状态向量/>输出层神经元个数L，t时刻状态向量y(t)＝[y₁(t)，y₂(t)，...，y_L(t)]^T。

S2：计算储备池的更新状态。

状态更新的表达式具体为：

x¹(t+1)＝f₁(Wⁱⁿ¹u(t+1)+W¹x¹(t))(2)

x²(t+1)＝f₂(Wⁱⁿ²x¹(t+1)+W²x²(t)+W^backy(t))

其中，f₁、f₂为双曲正切函数；Wⁱⁿ¹为输入到1号储备池的连接权重矩阵，维数为N₁×K；Wⁱⁿ²为1号储备池到2号储备池的连接权重矩阵，维数为N₂×N₁；W¹、W²为两个储备池的内部连通权重矩阵，维数分别为N₁×N₁和N₂×N₂；W^back为输出反馈到第二个储备池的连接权矩阵，维数是N₂×L。

S3：计算多元状态学习网络的输出函数。

输出函数的表达式为：

y(t+1)＝F(W^out[x²(t+1)；u(t+1)])

其中，F为输出层激活函数；W^out为输出权重矩阵，维度为L×(K+N₂)。

S4：将多个节点的有功量测值Pⁿ和无功量测值Qⁿ输入多元状态学习网络进行训练，将有功矩阵与无功矩阵拼接后的[Pⁿ，Qⁿ]作为模型的输入，得到输出数据为节点电压预测值的多元状态学习网络模型。

S5：在节点电压预测值与实时电压之差的累积和小于设定阈值时，则多元状态学习网络模型校验通过；若校验不通过，则重新训练模型。若校验不通过，利用最新的运行数据重新训练模型，直至校验通过才能用于电压控制。

设定阈值为电压控制的参考收敛精度值，其计算公式具体为：

||Uⁿ-U||₂＜ε

其中，Uⁿ表示节点电压预测值；U表示实时电压；ε表示设定阈值。

有功电压灵敏度的计算公式具体为：

其中，表示节点i相对于节点j的有功电压灵敏度；U_i表示扰动前的电压；U′_i表示扰动后的电压；ΔP_j表示节点j的有功扰动值；

无功电压灵敏度的计算公式具体为：

其中，表示节点i相对于节点j的无功电压灵敏度；ΔQ_j表示节点j的无功扰动值。

根据采集到各节点的实时电压，判断实时电压是否处于电压合格范。对电压未达标的节点计算其电压待调整量。越限参考量的计算公式具体为：

ΔU_up＝U_i-1.07U_N

ΔU_down＝U_i-0.93U_N

|ΔU_i|＝|ΔU_up-ΔU_down|

其中，ΔU_up表示超过电压合格上限的值；U_i表示节点i的实时电压；U_N表示电压的额定值；ΔU_down表示未达到电压合格下限的值；ΔU_i表示越限参考量，根据ΔU_i将电压越限节点排序，优先调节越限情况最严重的节点。

光伏逆变器具有一定范围内的无功动态可调能力和有功削减能力，可充分利用接入光伏节点的调压能力，将其设为可控节点。

可控节点的调控优先级确定过程具体为：将所有可控节点划分为有无功可调裕度的第一类节点以及没有无功可调裕度的第二类节点，第一类节点的调控优先级高于第二类节点的调控优先级；第一类节点的调控优先级高低与无功电压灵敏度的大小呈正相关；以及，第二类节点的调控优先级高低与有功电压灵敏度的大小呈正相关。需要说明的是，当一个节点的无功可调裕度用尽后，考虑用灵敏度次高的节点依次参与调压动作。

判断计算得到节点的无功待调量是否超出的无功可调裕度，假如超出，则按最大能力参与电压调节；再按灵敏度大小顺序依次计算其他逆变器的功率待调量。

第一类节点采用无功可调裕度参与电压调控，第一类节点采用有功功率参与电压调控。

此外，若电压调控后，仍存在电压越限的节点，则更新所有可控节点的功率裕度进行下一轮的馈线电压调节，直至所有节点电压达到合格水平

实施例2：一种含高比例分布式光伏接入配电网电压控制系统，该系统用于实现实施例1中所记载的一种含高比例分布式光伏接入配电网电压控制方法，如图2所示，包括数据获取模块、模型构建模块、扰动分析模块、越限分析模块和电源调控模块。

其中，数据获取模块，用于获取馈线各节点的实时电压，并确定光伏逆变器的实时功率和无功可调裕度；模型构建模块，用于将多个节点的有功量测值和无功量测值输入多元状态学习网络进行训练，并校验后得到多元状态学习网络模型；扰动分析模块，用于将功率扰动值加入多元状态学习网络模型后，分别计算得到功率扰动后的有功电压灵敏度和无功电压灵敏度；越限分析模块，用于依据馈线各节点的实时电压确定配电网节点电压的越限参考量；电源调控模块，用于依据有功电压灵敏度、无功电压灵敏度确定各个可控节点的调控优先级，并优先通过调控优先级大的可控节点对越限参考量大的配电网节点进行电压调控。

工作原理：本发明通过对训练好的模多元状态学习网络模型进行功率扰动，获取配电网的有功电压灵敏度和无功电压灵敏度，结合所有可控光伏电源的无功调节容量实现电压的协调控制，该方法只需配电网系统中节点电压和注入功率的数据，增加了对分布式光伏发电的无功功率调节能力的利用，能够快速的对配电网节点电压进行控制；本发明无需集中量测全网的线路参数、各节点的负荷数据，在不同的配电网运行情形下可以很好的将节点电压控制在规定的安全范围。

以上所述的具体实施方式，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方式而已，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 (7)

1.一种含高比例分布式光伏接入配电网电压控制方法，其特征是，包括以下步骤：

获取馈线各节点的实时电压，并确定光伏逆变器的实时功率和无功可调裕度；

将多个节点的有功量测值和无功量测值输入多元状态学习网络进行训练，并校验后得到多元状态学习网络模型；

将功率扰动值加入多元状态学习网络模型后，分别计算得到功率扰动后的有功电压灵敏度和无功电压灵敏度；

依据馈线各节点的实时电压确定配电网节点电压的越限参考量；

依据有功电压灵敏度、无功电压灵敏度确定各个可控节点的调控优先级，并优先通过调控优先级大的可控节点对越限参考量大的配电网节点进行电压调控；

所述多元状态学习网络模型的构建过程具体为：

初始化多元状态学习网络参数，多元状态学习网络参数包括输入层神经元数量、储备池神经元数量和输出层神经元数量；

计算储备池的更新状态；

计算多元状态学习网络的输出函数；

将多个节点的有功量测值和无功量测值输入多元状态学习网络进行训练，得到输出数据为节点电压预测值的多元状态学习网络模型；

以及，在节点电压预测值与实时电压之差的累积和小于设定阈值时，则多元状态学习网络模型校验通过；若校验不通过，则重新训练模型；

所述有功电压灵敏度的计算公式具体为：

其中，表示节点i相对于节点j的有功电压灵敏度；U_i表示扰动前的电压；U′_i表示扰动后的电压；ΔP_j表示节点j的有功扰动值；

和/或，所述无功电压灵敏度的计算公式具体为：

其中，表示节点i相对于节点j的无功电压灵敏度；ΔQ_j表示节点j的无功扰动值；

所述越限参考量的计算公式具体为：

ΔU_up＝U_i-1.07U_N

ΔU_down＝U_i-0.93U_N

|ΔU_i|＝|ΔU_up-ΔU_down|

其中，ΔU_up表示超过电压合格上限的值；U_i表示节点i的实时电压；U_N表示电压的额定值；ΔU_down表示未达到电压合格下限的值；ΔU_i表示越限参考量。

2.根据权利要求1所述的一种含高比例分布式光伏接入配电网电压控制方法，其特征是，所述无功可调裕度的计算公式具体为：

其中，表示节点i光伏逆变器的无功可调裕度；P_PV，i表示节点i光伏逆变器的实时有功功率；Ψ_N，i表示节点i光伏逆变器的额定输出容量。

3.根据权利要求1所述的一种含高比例分布式光伏接入配电网电压控制方法，其特征是，所述设定阈值为电压控制的参考收敛精度值。

4.根据权利要求1所述的一种含高比例分布式光伏接入配电网电压控制方法，其特征是，所述可控节点的调控优先级确定过程具体为：

将所有可控节点划分为有无功可调裕度的第一类节点以及没有无功可调裕度的第二类节点，第一类节点的调控优先级高于第二类节点的调控优先级；

所述第一类节点的调控优先级高低与无功电压灵敏度的大小呈正相关；

以及，所述第二类节点的调控优先级高低与有功电压灵敏度的大小呈正相关。

5.根据权利要求4所述的一种含高比例分布式光伏接入配电网电压控制方法，其特征是，所述第一类节点采用无功可调裕度参与电压调控，第一类节点采用有功功率参与电压调控。

6.根据权利要求1所述的一种含高比例分布式光伏接入配电网电压控制方法，其特征是，该方法还包括：

若电压调控后，仍存在电压越限的节点，则更新所有可控节点的功率裕度进行下一轮的馈线电压调节，直至所有节点电压达到合格水平。

7.一种含高比例分布式光伏接入配电网电压控制系统，其特征是，包括：

数据获取模块，用于获取馈线各节点的实时电压，并确定光伏逆变器的实时功率和无功可调裕度；

模型构建模块，用于将多个节点的有功量测值和无功量测值输入多元状态学习网络进行训练，并校验后得到多元状态学习网络模型；

扰动分析模块，用于将功率扰动值加入多元状态学习网络模型后，分别计算得到功率扰动后的有功电压灵敏度和无功电压灵敏度；

越限分析模块，用于依据馈线各节点的实时电压确定配电网节点电压的越限参考量；

电源调控模块，用于依据有功电压灵敏度、无功电压灵敏度确定各个可控节点的调控优先级，并优先通过调控优先级大的可控节点对越限参考量大的配电网节点进行电压调控；

所述多元状态学习网络模型的构建过程具体为：

初始化多元状态学习网络参数，多元状态学习网络参数包括输入层神经元数量、储备池神经元数量和输出层神经元数量；

计算储备池的更新状态；

计算多元状态学习网络的输出函数；

将多个节点的有功量测值和无功量测值输入多元状态学习网络进行训练，得到输出数据为节点电压预测值的多元状态学习网络模型；

以及，在节点电压预测值与实时电压之差的累积和小于设定阈值时，则多元状态学习网络模型校验通过；若校验不通过，则重新训练模型；

所述有功电压灵敏度的计算公式具体为：

其中，表示节点i相对于节点j的有功电压灵敏度；U_i表示扰动前的电压；U′_i表示扰动后的电压；ΔP_j表示节点j的有功扰动值；

和/或，所述无功电压灵敏度的计算公式具体为：

其中，表示节点i相对于节点j的无功电压灵敏度；ΔQ_j表示节点j的无功扰动值；

所述越限参考量的计算公式具体为：

ΔU_up＝U_i-1.07U_N

ΔU_down＝U_i-0.93U_N

|ΔU_i|＝|ΔU_up-ΔU_down|

其中，ΔU_up表示超过电压合格上限的值；U_i表示节点i的实时电压；U_N表示电压的额定值；ΔU_down表示未达到电压合格下限的值；ΔU_i表示越限参考量。