CN116154798A - 基于数字孪生的配电网分布式静止同步补偿器的配置方法 - Google Patents

基于数字孪生的配电网分布式静止同步补偿器的配置方法 Download PDF

Info

Publication number
CN116154798A
CN116154798A CN202310325832.XA CN202310325832A CN116154798A CN 116154798 A CN116154798 A CN 116154798A CN 202310325832 A CN202310325832 A CN 202310325832A CN 116154798 A CN116154798 A CN 116154798A
Authority
CN
China
Prior art keywords
node
load
distribution network
power distribution
representing
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
Application number
CN202310325832.XA
Other languages
English (en)
Other versions
CN116154798B (zh
Inventor
那琼澜
苏丹
任建伟
杨艺西
李信
肖娜
马跃
邢宁哲
庞思睿
王艺霏
邬小波
岳巍澎
于胜
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.)
State Grid Corp of China SGCC
State Grid Jibei Electric Power Co Ltd
Information and Telecommunication Branch of State Grid Jibei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Jibei Electric Power Co Ltd
Information and Telecommunication Branch of State Grid Jibei 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 State Grid Corp of China SGCC, State Grid Jibei Electric Power Co Ltd, Information and Telecommunication Branch of State Grid Jibei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202310325832.XA priority Critical patent/CN116154798B/zh
Publication of CN116154798A publication Critical patent/CN116154798A/zh
Application granted granted Critical
Publication of CN116154798B publication Critical patent/CN116154798B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H02J3/18—Arrangements for adjusting, eliminating or compensating reactive power in networks
    • H02J3/1821—Arrangements for adjusting, eliminating or compensating reactive power in networks using shunt compensators
    • H02J3/1835—Arrangements for adjusting, eliminating or compensating reactive power in networks using shunt compensators with stepless control
    • H02J3/1842—Arrangements for adjusting, eliminating or compensating reactive power in networks using shunt compensators with stepless control wherein at least one reactive element is actively controlled by a bridge converter, e.g. active filters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Power Engineering (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本文提供了一种基于数字孪生的配电网分布式静止同步补偿器的配置方法，包括：将目标配电网的数字模型中，计算得到输出参数；基于节点负荷不确定性模型，得到节点负荷对应的连续多个取值范围，以及多个取值范围分别对应的节点负荷值；利用原始参数、输出参数和多个取值范围分别对应的节点负荷值，构建多个取值范围的满足约束条件的最优多目标函数；求解最优多目标函数，得到多个取值范围分别对应的最佳安装节点与最佳容量，将其中出现频率最高的最佳安装节点与最佳容量作为最终安装节点和最终容量；根据最终安装节点和最终容量，在目标配电网中配置分布式静止同步补偿器。本文能够克服现有技术中缺少充分考虑负荷不确定性及以电压稳定性的问题。

Description

基于数字孪生的配电网分布式静止同步补偿器的配置方法
技术领域
本发明涉及电网领域，特别地，涉及一种基于数字孪生的配电网分布式静止同步补偿器的配置方法。
背景技术
近年来，我国以风电、光伏发电为代表的新能源发展成效显著，装机规模稳居全球首位，发电量占比稳步提升，成本快速下降，已基本进入平价无补贴发展的新阶段，同时随着我国现代设备集成度与精密度的提高，对于电压稳定性的要求愈发严格而各节点负荷的不确定性也愈发明显。
以分布式静止同步补偿器为代表的动态无功补偿装置是维持系统无功功率平衡的重要装置，基于所接入节点的母线电压大小动态调整输出的无功电流，有效解决了配电网的电能质量问题。针对现如今负荷的高不确定性与对配电网电压稳定性的高要求，合理地设计一种充分考虑负荷不确定性，并且以电压稳定性为主要目标的数字孪生智能配电网的分布式静止同步补偿器配置优化方法已经成为了设计人员研究的重要课题。
现有的分布式静止同步补偿器配置方法的研究主要集中在了对于光伏、风电输出不确定性的研究，缺少了从现如今日益复杂的负荷侧出发，考虑负荷不确定性对分布式静止同步补偿器配置优化研究。
因此现在亟需一种基于数字孪生的配电网分布式静止同步补偿器的配置方法，能够克服现有技术中缺少充分考虑负荷不确定性及以电压稳定性的问题。
发明内容
本文实施例的目的在于提供一种基于数字孪生的配电网分布式静止同步补偿器的配置方法，能够克服现有技术中缺少充分考虑负荷不确定性及以电压稳定性的问题。
为达到上述目的，一方面，本文实施例提供了一种基于数字孪生的配电网分布式静止同步补偿器的配置方法，包括：
假设某一容量的分布式静止同步补偿器安装在目标配电网中某一节点，将目标配电网的原始参数输入配电网安装分布式静止同步补偿器后得到的数字模型中，计算得到输出参数；
基于配电网节点负荷不确定性模型，得到节点负荷对应的连续多个取值范围，以及多个取值范围分别对应的节点负荷值，其中节点负荷在所述多个取值范围内取值的概率相同；
利用所述原始参数、输出参数和多个取值范围分别对应的节点负荷值，构建所述多个取值范围分别对应的满足约束条件的最优多目标函数；
求解所述最优多目标函数，得到多个取值范围分别对应的最佳安装节点与最佳容量，将其中出现频率最高的最佳安装节点与最佳容量作为最终安装节点和最终容量；
根据所述最终安装节点和最终容量，在目标配电网中配置分布式静止同步补偿器。
优选的，所述数字模型为：
Figure SMS_1
其中，
Figure SMS_2
、IB分别为分布式静止同步补偿器提供给配电网节点向量形式的电流与电流大小，VkB、ViB分别为配电网节点k和节点i在安装分布式静止同步补偿器之后的电压大小，/>
Figure SMS_3
分别为配电网节点k和节点i在安装分布式静止同步补偿器之后的电压相角，Rik、Xik分别表示节点i和节点k间支路上的电阻与电抗，IikB表示节点k和节点i间支路上在安装分布式静止同步补偿器之后的电流大小，θB为节点k和节点i间支路上在安装分布式静止同步补偿器之后的电流相角，PB、QB表示分布式静止同步补偿器所补偿给其安装节点的有功功率、无功功率，VB表示分布式静止同步补偿器的绝对电压大小，Xk，B表示安装分布式静止同步补偿器之后节点k上的电阻。优选的，所述配电网节点负荷不确定性模型的确定方法进一步包括：
分别建立用于描述配电网节点有功负荷和无功负荷的高斯混合分布子模型；
迭代计算所述高斯混合分布子模型的数学期望、数学方差和权重，直至所述高斯混合分布子模型的数学期望、数学方差和权重的对数似然函数收敛；
根据收敛后的所述高斯混合分布子模型的数学期望、数学方差和权重，建立节点负荷概率分布函数，作为配电网节点负荷不确定性模型。
优选的，所述高斯混合分布子模型的数学期望、数学方差和权重为：
Figure SMS_4
其中，
Figure SMS_7
，/>
Figure SMS_8
Figure SMS_10
和/>
Figure SMS_6
为辅助计算因子，/>
Figure SMS_9
分别表示用于描述有功负荷的第i个高斯混合分布子模型的数学期望、数学方差和权重，/>
Figure SMS_11
分别表示用于描述无功负荷的第i个高斯混合分布子模型的数学期望、数学方差和权重，/>
Figure SMS_12
分别表示用于描述有功负荷的第i-1个高斯混合分布子模型的数学期望、数学方差和权重，/>
Figure SMS_5
分别表示用于描述无功负荷的第i-1个高斯混合分布子模型的数学期望、数学方差和权重，NP、NQ分别表示配电网节点k有功负荷、无功负荷历史数据总量，PDkj表示配电网节点k的第j个有功负荷历史数据，QDkj表示配电网节点k的第j个无功负荷历史数据，MP表示用于描述配电网节点k有功负荷的高斯混合分布子模型的总数量，MQ表示用于描述配电网节点k无功负荷的高斯混合分布子模型的总数量。
优选的，所述节点负荷概率分布函数为：
Figure SMS_13
其中，
Figure SMS_14
为节点k的有功负荷概率分布函数，/>
Figure SMS_15
为节点k的无功负荷概率分布函数，PDk、QDk分别表示配电网节点k的有功负荷和无功负荷，MP表示用于描述配电网节点k有功负荷的高斯混合分布子模型的总数量，MQ表示用于描述配电网节点k无功负荷的高斯混合分布子模型的总数量。
优选的，所述最优多目标函数为：
Figure SMS_16
其中，/>
Figure SMS_17
，/>
Figure SMS_18
，/>
Figure SMS_19
分别为最小功率损失目标函数、最优电压分布目标函数、最高电压稳定性目标函数的权重系数，f1、f2、f3分别为最小功率损失目标函数、最优电压分布目标函数、最高电压稳定性目标函数；
最小功率损失目标函数为：
Figure SMS_20
其中，
Figure SMS_21
，Pikloss表示节点i和节点k间支路上的有功功率损耗，PTL表示配电网总有功功率损耗，Nb为节点i和节点k间支路的总数量，IikB表示节点k和节点i间支路上在安装分布式静止同步补偿器之后的电流大小，Rik、Xik分别表示节点i和节点k间支路上的电阻与电抗，VkB、ViB分别为配电网节点k和节点i在安装分布式静止同步补偿器之后的电压大小，/>
Figure SMS_22
分别为配电网节点k和节点i在安装分布式静止同步补偿器之后的电压相角；
最优电压分布目标函数为：
Figure SMS_23
其中，
Figure SMS_24
，Vdev表示电压偏差，Vref为节点参考电压，Nbus为节点的总数量；/>
最高电压稳定性目标函数为：
Figure SMS_25
其中，
Figure SMS_26
，VSIk表示节点k的电压稳定系数，
Figure SMS_27
分别表示配电网节点k的在某一取值范围内的有功负荷、无功负荷。
优选的，所述最优多目标函数的约束条件包括：
功率平衡约束条件：
Figure SMS_28
其中，PGK、QGK分别是节点k的总有功发电量、无功发电量，QTL表示配电网总无功功率损耗，Qikloss表示节点k和节点i间各支路上的无功功率损耗；
电压上下限约束条件：
Figure SMS_29
其中，Vk min、Vk max分别表示节点k的最小电压限值、最大电压限值；
分布式静止同步补偿器无功功率补偿能力上下限约束条件：
Figure SMS_30
其中，QD min、QD max分别表示分布式静止同步补偿器最小容量限值、最大容量限值，QD表示分布式静止同步补偿器容量。
优选的，所述基于配电网节点负荷不确定性模型，得到节点负荷对应的多个取值范围，以及多个取值范围分别对应的节点负荷值，其中节点负荷在所述多个取值范围内取值的概率相同进一步包括：
基于配电网节点负荷不确定性模型，根据设定概率，确定节点负荷对应某一取值范围的两个端点值；
计算所述两个端点值的平均值，得到节点负荷对应某一取值范围的节点负荷值。
优选的，基于配电网节点负荷不确定性模型，根据设定概率，确定节点负荷对应某一取值范围的两个端点值进一步包括：
通过如下公式确定节点负荷对应某一取值范围的两个端点值：
Figure SMS_31
其中，
Figure SMS_32
为设定概率，PDk、QDk分别表示配电网节点k的有功负荷、无功负荷，
Figure SMS_33
分别表示用于描述有功负荷的第i个高斯混合分布子模型的数学期望、数学方差和权重，/>
Figure SMS_34
分别表示用于描述无功负荷的第i个高斯混合分布子模型的数学期望、数学方差和权重，PDk，a和PDk，a+1为配电网节点k的有功负荷对应取值范围
Figure SMS_35
的两个端点值，QDk，b和QDk，b+1为配电网节点k的无功负荷对应取值范围
Figure SMS_36
的两个端点值。
另一方面，本文实施例提供了一种基于数字孪生的配电网分布式静止同步补偿器的配置装置，所述装置包括：
输出参数计算模块，用于假设某一容量的分布式静止同步补偿器安装在目标配电网中某一节点，将目标配电网的原始参数输入配电网安装分布式静止同步补偿器后得到的数字模型中，计算得到输出参数；
取值范围确定模块，用于基于配电网节点负荷不确定性模型，得到节点负荷对应的连续多个取值范围，以及多个取值范围分别对应的节点负荷值，其中节点负荷在所述多个取值范围内取值的概率相同；
构建模块，用于利用所述原始参数、输出参数和多个取值范围分别对应的节点负荷值，构建所述多个取值范围分别对应的满足约束条件的最优多目标函数；
求解模块，用于求解所述最优多目标函数，得到多个取值范围分别对应的最佳安装节点与最佳容量，将其中出现频率最高的最佳安装节点与最佳容量作为最终安装节点和最终容量；
配置模块，用于根据所述最终安装节点和最终容量，在目标配电网中配置分布式静止同步补偿器。
由以上本文实施例提供的技术方案可见，可以将目标配电网的原始参数输入配电网安装分布式静止同步补偿器后得到的数字模型中，计算得到输出参数，进一步划分节点负荷对应的连续多个取值范围，然后利用原始参数、输出参数和多个取值范围分别对应的节点负荷值，构建多个取值范围分别对应的最优多目标函数，通过求解最优多目标函数，得到最终安装节点和最终容量，进而在目标配电网中最终安装节点处配置最终容量的分布式静止同步补偿器，以克服现有技术中缺少充分考虑负荷不确定性及以电压稳定性的问题，确定分布式静止同步补偿器的最优配置方式。
为让本文的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。
附图说明
为了更清楚地说明本文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文的一些实施例，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。
图1示出了本文实施例提供的一种基于数字孪生的配电网分布式静止同步补偿器的配置方法的流程示意图；
图2示出了本文实施例提供的配电网节点负荷不确定性模型的确定方法的流程示意图；
图3示出了本文实施例提供的基于配电网节点负荷不确定性模型，得到节点负荷对应的多个取值范围，以及多个取值范围分别对应的节点负荷值的流程示意图；
图4示出了本文实施例提供的一种基于数字孪生的配电网分布式静止同步补偿器的配置装置的模块结构示意图；
图5示出了本文实施例提供的计算机设备的结构示意图。
附图符号说明：
100、输出参数计算模块；
200、取值范围确定模块；
300、构建模块；
400、求解模块；
500、配置模块；
502、计算机设备；
504、处理器；
506、存储器；
508、驱动机构；
510、输入/输出模块；
512、输入设备；
514、输出设备；
516、呈现设备；
518、图形用户接口；
520、网络接口；
522、通信链路；
524、通信总线。
具体实施方式
下面将结合本文实施例中的附图，对本文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文一部分实施例，而不是全部的实施例。基于本文中的实施例，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，都属于本文保护的范围。
现有的分布式静止同步补偿器配置方法的研究主要集中在了对于光伏、风电输出不确定性的研究，缺少了从现如今日益复杂的负荷侧出发，考虑负荷不确定性对分布式静止同步补偿器配置优化研究。
为了解决上述问题，本文实施例提供了一种基于数字孪生的配电网分布式静止同步补偿器的配置方法。图1是本文实施例提供的一种基于数字孪生的配电网分布式静止同步补偿器的配置方法的流程示意图，本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或装置产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行。
需要说明的是，本文的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本文的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
参照图1，本文提供了一种基于数字孪生的配电网分布式静止同步补偿器的配置方法，包括：
S101：假设某一容量的分布式静止同步补偿器安装在目标配电网中某一节点，将目标配电网的原始参数输入配电网安装分布式静止同步补偿器后得到的数字模型中，计算得到输出参数；
S102：基于配电网节点负荷不确定性模型，得到节点负荷对应的连续多个取值范围，以及多个取值范围分别对应的节点负荷值，其中节点负荷在所述多个取值范围内取值的概率相同；
S103：利用所述原始参数、输出参数和多个取值范围分别对应的节点负荷值，构建所述多个取值范围分别对应的满足约束条件的最优多目标函数；
S104：求解所述最优多目标函数，得到多个取值范围分别对应的最佳安装节点与最佳容量，将其中出现频率最高的最佳安装节点与最佳容量作为最终安装节点和最终容量；
S105：根据所述最终安装节点和最终容量，在目标配电网中配置分布式静止同步补偿器。
在目标配电网中安装分布式静止同步补偿器的前提是要确定分布式静止同步补偿器安装在哪一节点，以及分布式静止同步补偿器的容量。为了确定这一前提，需要假设某一容量的分布式静止同步补偿器安装在目标配电网中某一节点，然后将目标配电网的原始参数输入数字模型中，得到输出参数，其中数字模型为配电网安装分布式静止同步补偿器后得到的，目标配电网的原始参数为目标配电网中某一节点的电压、负荷、发电量、功率损耗参数等相关量。
节点负荷对应的连续多个取值范围中任意两个取值范围的大小不一定相同，但节点负荷在任意两个取值范围内取值的概率相同，而多个取值范围中每一取值范围均对应一个节点负荷值，该节点负荷值表征对应取值范围内的平均节点负荷。例如，以横坐标作为节点负荷，纵坐标作为该节点负荷出现的概率，对横坐标进行划分，得到多个取值范围，每一取值范围对应的节点负荷值为该取值范围内所有节点负荷的平均值，而划分取值范围的依据是概率，任意两个取值范围内所有节点负荷出现的概率之和相等。
利用原始参数、输出参数和多个取值范围分别对应的节点负荷值，可以构建多个取值范围分别对应的满足约束条件的最优多目标函数。具体的，可以利用原始参数、输出参数和多个取值范围分别对应的节点负荷值，构建多个取值范围分别对应的最小功率损失目标函数、最优电压分布目标函数、最高电压稳定性目标函数，最小功率损失目标函数、最优电压分布目标函数、最高电压稳定性目标函数可以组成最优多目标函数。
求解最优多目标函数，得到多个取值范围分别对应的最佳安装节点与最佳容量，每一取值范围均对应一最佳安装节点与最佳容量，将其中出现频率最高的最佳安装节点与最佳容量作为最终安装节点和最终容量，例如存在三个取值范围，第一个取值范围对应的最佳安装节点为a1，对应的最佳容量为b1；第二个取值范围对应的最佳安装节点为a2，对应的最佳容量为b2；第三个取值范围对应的最佳安装节点为a1，对应的最佳容量为b1，则其中a1和b1出现频率最高，最终安装节点为a1，最终容量为b1。
在本文实施例中，可以将目标配电网的原始参数输入配电网安装分布式静止同步补偿器后得到的数字模型中，计算得到输出参数，进一步划分节点负荷对应的连续多个取值范围，然后利用原始参数、输出参数和多个取值范围分别对应的节点负荷值，构建多个取值范围分别对应的最优多目标函数，通过求解最优多目标函数，得到最终安装节点和最终容量，进而在目标配电网中最终安装节点处配置最终容量的分布式静止同步补偿器，以克服现有技术中缺少充分考虑负荷不确定性及以电压稳定性的问题，确定分布式静止同步补偿器的最优配置方式。
在本文实施例中，所述数字模型为：
Figure SMS_37
其中，
Figure SMS_38
、IB分别为分布式静止同步补偿器提供给配电网节点向量形式的电流与电流大小，VkB、ViB分别为配电网节点k和节点i在安装分布式静止同步补偿器之后的电压大小，/>
Figure SMS_39
分别为配电网节点k和节点i在安装分布式静止同步补偿器之后的电压相角，Rik、Xik分别表示节点i和节点k间支路上的电阻与电抗，IikB表示节点k和节点i间支路上在安装分布式静止同步补偿器之后的电流大小，θB为节点k和节点i间支路上在安装分布式静止同步补偿器之后的电流相角，PB、QB表示分布式静止同步补偿器所补偿给其安装节点的有功功率、无功功率，VB表示分布式静止同步补偿器的绝对电压大小，Xk，B表示安装分布式静止同步补偿器之后节点k上的电阻。
在本文实施例中，所述配电网节点负荷不确定性模型的确定方法进一步包括：
S201：分别建立用于描述配电网节点有功负荷和无功负荷的高斯混合分布子模型；
S202：迭代计算所述高斯混合分布子模型的数学期望、数学方差和权重，直至所述高斯混合分布子模型的数学期望、数学方差和权重的对数似然函数收敛；
S203：根据收敛后的所述高斯混合分布子模型的数学期望、数学方差和权重，建立节点负荷概率分布函数，作为配电网节点负荷不确定性模型。
具体的，所述高斯混合分布子模型的数学期望、数学方差和权重为：
Figure SMS_40
其中，
Figure SMS_41
，
Figure SMS_42
Figure SMS_43
和/>
Figure SMS_44
为辅助计算因子，/>
Figure SMS_45
分别表示用于描述有功负荷的第i个高斯混合分布子模型的数学期望、数学方差和权重，
Figure SMS_46
分别表示用于描述无功负荷的第i个高斯混合分布子模型的数学期望、数学方差和权重，/>
Figure SMS_47
分别表示用于描述有功负荷的第i-1个高斯混合分布子模型的数学期望、数学方差和权重，/>
Figure SMS_48
分别表示用于描述无功负荷的第i-1个高斯混合分布子模型的数学期望、数学方差和权重，NP、NQ分别表示配电网节点k有功负荷、无功负荷历史数据总量，PDkj表示配电网节点k的第j个有功负荷历史数据，QDkj表示配电网节点k的第j个无功负荷历史数据，MP表示用于描述配电网节点k有功负荷的高斯混合分布子模型的总数量，MQ表示用于描述配电网节点k无功负荷的高斯混合分布子模型的总数量。
所建立的节点负荷概率分布函数，即配电网节点负荷不确定性模型为：
Figure SMS_49
其中，
Figure SMS_50
为节点k的有功负荷概率分布函数，/>
Figure SMS_51
为节点k的无功负荷概率分布函数，PDk、QDk分别表示配电网节点k的有功负荷和无功负荷，MP表示用于描述配电网节点k有功负荷的高斯混合分布子模型的总数量，MQ表示用于描述配电网节点k无功负荷的高斯混合分布子模型的总数量。
进一步的，可以利用原始参数、输出参数和多个取值范围分别对应的节点负荷值，构建多个取值范围分别对应的满足约束条件的最优多目标函数，最优多目标函数具体为：
Figure SMS_52
其中，
Figure SMS_53
，/>
Figure SMS_54
，/>
Figure SMS_55
分别为最小功率损失目标函数、最优电压分布目标函数、最高电压稳定性目标函数的权重系数，f1、f2、f3分别为最小功率损失目标函数、最优电压分布目标函数、最高电压稳定性目标函数；
最小功率损失目标函数为：
Figure SMS_56
其中，
Figure SMS_57
，Pikloss表示节点i和节点k间支路上的有功功率损耗，PTL表示配电网总有功功率损耗，Nb为节点i和节点k间支路的总数量，IikB表示节点k和节点i间支路上在安装分布式静止同步补偿器之后的电流大小，Rik、Xik分别表示节点i和节点k间支路上的电阻与电抗，VkB、ViB分别为配电网节点k和节点i在安装分布式静止同步补偿器之后的电压大小，/>
Figure SMS_58
分别为配电网节点k和节点i在安装分布式静止同步补偿器之后的电压相角；
最优电压分布目标函数为：
Figure SMS_59
其中，
Figure SMS_60
，Vdev表示电压偏差，Vref为节点参考电压，Nbus为节点的总数量；
最高电压稳定性目标函数为：
Figure SMS_61
其中，
Figure SMS_62
，VSIk表示节点k的电压稳定系数，
Figure SMS_63
分别表示配电网节点k的在某一取值范围内的有功负荷、无功负荷。
对于最优多目标函数来说，需要满足如下约束条件：
功率平衡约束条件：
Figure SMS_64
其中，PGK、QGK分别是节点k的总有功发电量、无功发电量，QTL表示配电网总无功功率损耗，Qikloss表示节点k和节点i间各支路上的无功功率损耗；
电压上下限约束条件：
Figure SMS_65
其中，Vk min、Vk max分别表示节点k的最小电压限值、最大电压限值；
分布式静止同步补偿器无功功率补偿能力上下限约束条件：
Figure SMS_66
其中，QD min、QD max分别表示分布式静止同步补偿器最小容量限值、最大容量限值，QD表示分布式静止同步补偿器容量。
在本文实施例中，所述基于配电网节点负荷不确定性模型，得到节点负荷对应的多个取值范围，以及多个取值范围分别对应的节点负荷值，其中节点负荷在所述多个取值范围内取值的概率相同进一步包括：
S301：基于配电网节点负荷不确定性模型，根据设定概率，确定节点负荷对应某一取值范围的两个端点值；
S302：计算所述两个端点值的平均值，得到节点负荷对应某一取值范围的节点负荷值。
具体的，通过如下公式确定节点负荷对应某一取值范围的两个端点值：
Figure SMS_67
其中，
Figure SMS_68
为设定概率，PDk、QDk分别表示配电网节点k的有功负荷、无功负荷，
Figure SMS_69
分别表示用于描述有功负荷的第i个高斯混合分布子模型的数学期望、数学方差和权重，/>
Figure SMS_70
分别表示用于描述无功负荷的第i个高斯混合分布子模型的数学期望、数学方差和权重，PDk，a和PDk，a+1为配电网节点k的有功负荷对应取值范围
Figure SMS_71
的两个端点值，QDk，b和QDk，b+1为配电网节点k的无功负荷对应取值范围
Figure SMS_72
的两个端点值。
公式中
Figure SMS_73
和/>
Figure SMS_74
均可以根据配电网节点负荷不确定性模型得到。
在本文实施例中，可以通过海鸥算法、人工蜂群算法、鲸鱼算法和蝙蝠算法等求解最优多目标函数，得到多个取值范围分别对应的最佳安装节点与最佳容量。具体的，海鸥算法具体如下：
步骤1：根据最优多目标函数，计算最优多目标函数所对应的安装节点和最优海鸥位置。
步骤2：引入附加变量A更新海鸥个体位置，来避免碰撞其他海鸟：
Figure SMS_75
其中，Ps(x)为当前个体位置，Cs(x)表示与其它海鸥无位置冲突的新位置；A表示海鸥在指定空间中的运动行为；x为当前迭代次数；fc为控制因子，将其设为2；M为迭代最大次数，Ms(x)为最优个体的相对方向，Pbs(x)表示最优个体的位置；其中rd为[0,1]内一个服从均匀分布的随机数。
步骤3：确定与最优个体的相对距离：
当海鸥成功判断与最优个体的相对方向之后，开始确定相对距离：
Figure SMS_76
其中，Ds(x)表示海鸥个体与最优个体之间的相对距离；
步骤4：攻击行为中，海鸥个体在空中不断改变角度和速度做螺旋运动，海鸥个体执行攻击行为时位置更新公式为：
Figure SMS_77
其中，u、v、w表示海鸥个体攻击猎物时在三维空间的运动行为，r表示每圈螺旋线半径，α表示海鸥做螺旋运动时飞行角度，h和g为定义螺旋形状的常数，e自然对数的底数，α为[0,2π]范围内的随机数。
步骤5：基于约束条件以及海鸥算法，对最优多目标函数进行迭代计算；其中，在每次迭代过程中，海鸥算法计算不同海鸥个体对应的各个最优多目标函数所对应的安装节点，并根据最优多目标函数所对应的安装节点从各个海鸥个体对应的解中选取，同时更新海鸥个体位置；然后进行循环，如果满足终止条件，则输出最优多目标函数所对应的安装节点为最佳安装节点，结束程序；终止条件通常取在连续若干个链中新解都没有被接受时或者达到最大迭代次数终止算法；否则返回步骤1，即被接受的新的解一直在产生，结果愈发收敛于最优解，最优解即为相应取值范围下最优多目标函数所对应的最佳安装节点。
在得到每一取值范围对应的最佳安装节点后，将最佳安装节点代入上述公式
Figure SMS_78
中得到最佳容量，进一步将其中出现频率最高的最佳安装节点与最佳容量作为最终安装节点和最终容量。
基于上述所述的一种基于数字孪生的配电网分布式静止同步补偿器的配置方法，本文实施例还提供一种基于数字孪生的配电网分布式静止同步补偿器的配置装置。所述的装置可以包括使用了本文实施例所述方法的系统（包括分布式系统）、软件（应用）、模块、组件、服务器、客户端等并结合必要的实施硬件的装置。基于同一创新构思，本文实施例提供的一个或多个实施例中的装置如下面的实施例所述。由于装置解决问题的实现方案与方法相似，因此本文实施例具体的装置的实施可以参见前述方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
具体地，图4是本文实施例提供的一种基于数字孪生的配电网分布式静止同步补偿器的配置装置一个实施例的模块结构示意图，参照图4所示，本文实施例提供的一种基于数字孪生的配电网分布式静止同步补偿器的配置装置包括：输出参数计算模块100、取值范围确定模块200、构建模块300、求解模块400、配置模块500。
输出参数计算模块100，用于假设某一容量的分布式静止同步补偿器安装在目标配电网中某一节点，将目标配电网的原始参数输入配电网安装分布式静止同步补偿器后得到的数字模型中，计算得到输出参数；
取值范围确定模块200，用于基于配电网节点负荷不确定性模型，得到节点负荷对应的连续多个取值范围，以及多个取值范围分别对应的节点负荷值，其中节点负荷在所述多个取值范围内取值的概率相同；
构建模块300，用于利用所述原始参数、输出参数和多个取值范围分别对应的节点负荷值，构建所述多个取值范围分别对应的满足约束条件的最优多目标函数；
求解模块400，用于求解所述最优多目标函数，得到多个取值范围分别对应的最佳安装节点与最佳容量，将其中出现频率最高的最佳安装节点与最佳容量作为最终安装节点和最终容量；
配置模块500，用于根据所述最终安装节点和最终容量，在目标配电网中配置分布式静止同步补偿器。
参照图5所示，基于上述所述的种基于数字孪生的配电网分布式静止同步补偿器的配置方法，本文一实施例中还提供一种计算机设备502，其中上述方法运行在计算机设备502上。计算机设备502可以包括一个或多个处理器504，诸如一个或多个中央处理单元(CPU)或图形处理器（GPU），每个处理单元可以实现一个或多个硬件线程。计算机设备502还可以包括任何存储器506，其用于存储诸如代码、设置、数据等之类的任何种类的信息，一具体实施方式中，存储器506上并可在处理器504上运行的计算机程序，所述计算机程序被所述处理器504运行时，可以执行根据上述方法的指令。非限制性的，比如，存储器506可以包括以下任一项或多种组合：任何类型的RAM，任何类型的ROM，闪存设备，硬盘，光盘等。更一般地，任何存储器都可以使用任何技术来存储信息。进一步地，任何存储器可以提供信息的易失性或非易失性保留。进一步地，任何存储器可以表示计算机设备502的固定或可移除部件。在一种情况下，当处理器504执行被存储在任何存储器或存储器的组合中的相关联的指令时，计算机设备502可以执行相关联指令的任一操作。计算机设备502还包括用于与任何存储器交互的一个或多个驱动机构508，诸如硬盘驱动机构、光盘驱动机构等。
计算机设备502还可以包括输入/输出模块510（I/O），其用于接收各种输入(经由输入设备512)和用于提供各种输出(经由输出设备514)。一个具体输出机构可以包括呈现设备516和相关联的图形用户接口518(GUI)。在其他实施例中，还可以不包括输入/输出模块510（I/O）、输入设备512以及输出设备514，仅作为网络中的一台计算机设备。计算机设备502还可以包括一个或多个网络接口520，其用于经由一个或多个通信链路522与其他设备交换数据。一个或多个通信总线524将上文所描述的部件耦合在一起。
通信链路522可以以任何方式实现，例如，通过局域网、广域网(例如，因特网)、点对点连接等、或其任何组合。通信链路522可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务器等的任何组合。
对应于图1-图3中的方法，本文实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法的步骤。
本文实施例还提供一种计算机可读指令，其中当处理器执行所述指令时，其中的程序使得处理器执行如图1至图3所示的方法。
应理解，在本文的各种实施例中，上述各过程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，而不应对本文实施例的实施过程构成任何限定。
还应理解，在本文实施例中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系。例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本文的范围。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本文所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本文实施例方案的目的。
另外，在本文各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的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，本文的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本文各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
本文中应用了具体实施例对本文的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本文的方法及其核心思想；同时，对于本领域的一般技术人员，依据本文的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本文的限制。

Claims (10)

1.一种基于数字孪生的配电网分布式静止同步补偿器的配置方法，其特征在于，包括：
假设某一容量的分布式静止同步补偿器安装在目标配电网中某一节点，将目标配电网的原始参数输入配电网安装分布式静止同步补偿器后得到的数字模型中，计算得到输出参数；
基于配电网节点负荷不确定性模型，得到节点负荷对应的连续多个取值范围，以及多个取值范围分别对应的节点负荷值，其中节点负荷在所述多个取值范围内取值的概率相同；
利用所述原始参数、输出参数和多个取值范围分别对应的节点负荷值，构建所述多个取值范围分别对应的满足约束条件的最优多目标函数；
求解所述最优多目标函数，得到多个取值范围分别对应的最佳安装节点与最佳容量，将其中出现频率最高的最佳安装节点与最佳容量作为最终安装节点和最终容量；
根据所述最终安装节点和最终容量，在目标配电网中配置分布式静止同步补偿器。
2.根据权利要求1所述的方法，其特征在于，所述数字模型为：
Figure QLYQS_1
其中，/>
Figure QLYQS_2
、IB分别为分布式静止同步补偿器提供给配电网节点向量形式的电流与电流大小，VkB、ViB分别为配电网节点k和节点i在安装分布式静止同步补偿器之后的电压大小，/>
Figure QLYQS_3
分别为配电网节点k和节点i在安装分布式静止同步补偿器之后的电压相角，Rik、Xik分别表示节点i和节点k间支路上的电阻与电抗，IikB表示节点k和节点i间支路上在安装分布式静止同步补偿器之后的电流大小，θB为节点k和节点i间支路上在安装分布式静止同步补偿器之后的电流相角，PB、QB表示分布式静止同步补偿器所补偿给其安装节点的有功功率、无功功率，VB表示分布式静止同步补偿器的绝对电压大小，Xk，B表示安装分布式静止同步补偿器之后节点k上的电阻。
3.根据权利要求1所述的方法，其特征在于，所述配电网节点负荷不确定性模型的确定方法进一步包括：
分别建立用于描述配电网节点有功负荷和无功负荷的高斯混合分布子模型；
迭代计算所述高斯混合分布子模型的数学期望、数学方差和权重，直至所述高斯混合分布子模型的数学期望、数学方差和权重的对数似然函数收敛；
根据收敛后的所述高斯混合分布子模型的数学期望、数学方差和权重，建立节点负荷概率分布函数，作为配电网节点负荷不确定性模型。
4.根据权利要求3所述的方法，其特征在于，所述高斯混合分布子模型的数学期望、数学方差和权重为：
Figure QLYQS_4
其中，/>
Figure QLYQS_5
，
Figure QLYQS_6
Figure QLYQS_7
和/>
Figure QLYQS_8
为辅助计算因子，/>
Figure QLYQS_9
分别表示用于描述有功负荷的第i个高斯混合分布子模型的数学期望、数学方差和权重，/>
Figure QLYQS_10
分别表示用于描述无功负荷的第i个高斯混合分布子模型的数学期望、数学方差和权重，
Figure QLYQS_11
分别表示用于描述有功负荷的第i-1个高斯混合分布子模型的数学期望、数学方差和权重，/>
Figure QLYQS_12
分别表示用于描述无功负荷的第i-1个高斯混合分布子模型的数学期望、数学方差和权重，NP、NQ分别表示配电网节点k有功负荷、无功负荷历史数据总量，PDkj表示配电网节点k的第j个有功负荷历史数据，QDkj表示配电网节点k的第j个无功负荷历史数据，MP表示用于描述配电网节点k有功负荷的高斯混合分布子模型的总数量，MQ表示用于描述配电网节点k无功负荷的高斯混合分布子模型的总数量。
5.根据权利要求4所述的方法，其特征在于，所述节点负荷概率分布函数为：
Figure QLYQS_13
其中，/>
Figure QLYQS_14
为节点k的有功负荷概率分布函数，/>
Figure QLYQS_15
为节点k的无功负荷概率分布函数，PDk、QDk分别表示配电网节点k的有功负荷和无功负荷，MP表示用于描述配电网节点k有功负荷的高斯混合分布子模型的总数量，MQ表示用于描述配电网节点k无功负荷的高斯混合分布子模型的总数量。
6.根据权利要求1所述的方法，其特征在于，所述最优多目标函数为：
Figure QLYQS_16
其中，/>
Figure QLYQS_17
，/>
Figure QLYQS_18
，/>
Figure QLYQS_19
分别为最小功率损失目标函数、最优电压分布目标函数、最高电压稳定性目标函数的权重系数，f1、f2、f3分别为最小功率损失目标函数、最优电压分布目标函数、最高电压稳定性目标函数；
最小功率损失目标函数为：
Figure QLYQS_20
其中，/>
Figure QLYQS_21
，Pikloss表示节点i和节点k间支路上的有功功率损耗，PTL表示配电网总有功功率损耗，Nb为节点i和节点k间支路的总数量，IikB表示节点k和节点i间支路上在安装分布式静止同步补偿器之后的电流大小，Rik、Xik分别表示节点i和节点k间支路上的电阻与电抗，VkB、ViB分别为配电网节点k和节点i在安装分布式静止同步补偿器之后的电压大小，/>
Figure QLYQS_22
分别为配电网节点k和节点i在安装分布式静止同步补偿器之后的电压相角；
最优电压分布目标函数为：
Figure QLYQS_23
其中，/>
Figure QLYQS_24
，Vdev表示电压偏差，Vref为节点参考电压，Nbus为节点的总数量；
最高电压稳定性目标函数为：
Figure QLYQS_25
其中，
Figure QLYQS_26
，VSIk表示节点k的电压稳定系数，/>
Figure QLYQS_27
分别表示配电网节点k的在某一取值范围内的有功负荷、无功负荷。
7.根据权利要求6所述的方法，其特征在于，所述最优多目标函数的约束条件包括：
功率平衡约束条件：
Figure QLYQS_28
其中，PGK、QGK分别是节点k的总有功发电量、无功发电量，QTL表示配电网总无功功率损耗，Qikloss表示节点k和节点i间各支路上的无功功率损耗；电压上下限约束条件：/>
Figure QLYQS_29
其中，Vk min、Vk max分别表示节点k的最小电压限值、最大电压限值；分布式静止同步补偿器无功功率补偿能力上下限约束条件：
Figure QLYQS_30
其中，QD min、QD max分别表示分布式静止同步补偿器最小容量限值、最大容量限值，QD表示分布式静止同步补偿器容量。
8.根据权利要求1所述的方法，其特征在于，所述基于配电网节点负荷不确定性模型，得到节点负荷对应的多个取值范围，以及多个取值范围分别对应的节点负荷值，其中节点负荷在所述多个取值范围内取值的概率相同进一步包括：
基于配电网节点负荷不确定性模型，根据设定概率，确定节点负荷对应某一取值范围的两个端点值；
计算所述两个端点值的平均值，得到节点负荷对应某一取值范围的节点负荷值。
9.根据权利要求8所述的方法，其特征在于，基于配电网节点负荷不确定性模型，根据设定概率，确定节点负荷对应某一取值范围的两个端点值进一步包括：
通过如下公式确定节点负荷对应某一取值范围的两个端点值：
Figure QLYQS_31
其中，/>
Figure QLYQS_32
为设定概率，PDk、QDk分别表示配电网节点k的有功负荷、无功负荷，/>
Figure QLYQS_33
分别表示用于描述有功负荷的第i个高斯混合分布子模型的数学期望、数学方差和权重，/>
Figure QLYQS_34
分别表示用于描述无功负荷的第i个高斯混合分布子模型的数学期望、数学方差和权重，PDk，a和PDk，a+1为配电网节点k的有功负荷对应取值范围/>
Figure QLYQS_35
的两个端点值，QDk，b和QDk，b+1为配电网节点k的无功负荷对应取值范围
Figure QLYQS_36
的两个端点值。
10.一种基于数字孪生的配电网分布式静止同步补偿器的配置装置，其特征在于，所述装置包括：
输出参数计算模块，用于假设某一容量的分布式静止同步补偿器安装在目标配电网中某一节点，将目标配电网的原始参数输入配电网安装分布式静止同步补偿器后得到的数字模型中，计算得到输出参数；
取值范围确定模块，用于基于配电网节点负荷不确定性模型，得到节点负荷对应的连续多个取值范围，以及多个取值范围分别对应的节点负荷值，其中节点负荷在所述多个取值范围内取值的概率相同；
构建模块，用于利用所述原始参数、输出参数和多个取值范围分别对应的节点负荷值，构建所述多个取值范围分别对应的满足约束条件的最优多目标函数；
求解模块，用于求解所述最优多目标函数，得到多个取值范围分别对应的最佳安装节点与最佳容量，将其中出现频率最高的最佳安装节点与最佳容量作为最终安装节点和最终容量；
配置模块，用于根据所述最终安装节点和最终容量，在目标配电网中配置分布式静止同步补偿器。
CN202310325832.XA 2023-03-30 2023-03-30 基于数字孪生的配电网分布式静止同步补偿器的配置方法 Active CN116154798B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310325832.XA CN116154798B (zh) 2023-03-30 2023-03-30 基于数字孪生的配电网分布式静止同步补偿器的配置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310325832.XA CN116154798B (zh) 2023-03-30 2023-03-30 基于数字孪生的配电网分布式静止同步补偿器的配置方法

Publications (2)

Publication Number Publication Date
CN116154798A true CN116154798A (zh) 2023-05-23
CN116154798B CN116154798B (zh) 2023-06-23

Family

ID=86356448

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310325832.XA Active CN116154798B (zh) 2023-03-30 2023-03-30 基于数字孪生的配电网分布式静止同步补偿器的配置方法

Country Status (1)

Country Link
CN (1) CN116154798B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160094033A1 (en) * 2013-05-27 2016-03-31 State Grid Corporation Of China Svc compensation strategy optimization method
CN107437813A (zh) * 2017-07-17 2017-12-05 安徽大学 基于布谷鸟‑粒子群的配电网无功功率优化方法
CN109768573A (zh) * 2019-01-29 2019-05-17 三峡大学 基于多目标差分灰狼算法的配电网无功优化方法
CN109787247A (zh) * 2018-12-18 2019-05-21 广东电网有限责任公司电力调度控制中心 一种基于多参数规划的无功补偿规划方法
CN110445127A (zh) * 2019-06-25 2019-11-12 中国电力科学研究院有限公司 一种面向多重随机不确定性的配电网无功优化方法及系统
CN111146821A (zh) * 2019-12-31 2020-05-12 国网浙江省电力有限公司嘉兴供电公司 一种计及光伏不确定性的dstatcom优化配置方法
US20210356923A1 (en) * 2020-05-15 2021-11-18 Tsinghua University Power grid reactive voltage control method based on two-stage deep reinforcement learning
CN115085211A (zh) * 2022-05-25 2022-09-20 国网湖南省电力有限公司 一种配电网的多目标动态无功优化方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160094033A1 (en) * 2013-05-27 2016-03-31 State Grid Corporation Of China Svc compensation strategy optimization method
CN107437813A (zh) * 2017-07-17 2017-12-05 安徽大学 基于布谷鸟‑粒子群的配电网无功功率优化方法
CN109787247A (zh) * 2018-12-18 2019-05-21 广东电网有限责任公司电力调度控制中心 一种基于多参数规划的无功补偿规划方法
CN109768573A (zh) * 2019-01-29 2019-05-17 三峡大学 基于多目标差分灰狼算法的配电网无功优化方法
CN110445127A (zh) * 2019-06-25 2019-11-12 中国电力科学研究院有限公司 一种面向多重随机不确定性的配电网无功优化方法及系统
CN111146821A (zh) * 2019-12-31 2020-05-12 国网浙江省电力有限公司嘉兴供电公司 一种计及光伏不确定性的dstatcom优化配置方法
US20210356923A1 (en) * 2020-05-15 2021-11-18 Tsinghua University Power grid reactive voltage control method based on two-stage deep reinforcement learning
CN115085211A (zh) * 2022-05-25 2022-09-20 国网湖南省电力有限公司 一种配电网的多目标动态无功优化方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张涛;余利;姚剑峰;冯朕;郭?彤;: "基于改进多目标差分灰狼算法的配电网无功优化", 信息与控制, no. 01 *

Also Published As

Publication number Publication date
CN116154798B (zh) 2023-06-23

Similar Documents

Publication Publication Date Title
US8588993B2 (en) Voltage regulation optimization
CN111181164B (zh) 一种改进的主从分裂输配协同潮流计算方法及系统
CN107729648A (zh) 一种基于Shepard插值的曲线纤维复合结构设计瀑布型多级优化方法
CN113315166B (zh) 一种多虚拟同步机惯量配置方法、装置和终端设备
CN112818588A (zh) 一种电力系统的最优潮流计算方法、装置及存储介质
Gattami et al. Reinforcement learning for multi-objective and constrained Markov decision processes
CN113821983A (zh) 基于代理模型的工程设计优化方法、装置及电子设备
CN115313519A (zh) 一种配电网储能优化配置方法、装置、设备及存储介质
CN116154798B (zh) 基于数字孪生的配电网分布式静止同步补偿器的配置方法
CN116093995B (zh) 一种配电系统多目标网络重构方法及系统
CN111834996B (zh) 电网线损计算方法和装置
CN111146815A (zh) 一种智能配电网分布式发电规划配置方法
CN115912493A (zh) 分布式电源接入方法、电子设备、配电网及存储介质
CN116260130A (zh) 微网群功率协同调度方法和装置
CN113642766B (zh) 一种电力系统站点停电数的预测方法、装置、设备及介质
CN111682552B (zh) 数据驱动的无功电压控制方法、装置、设备及存储介质
Saxena et al. A review of load flow and network reconfiguration techniques with their enhancement for radial distribution network
CN110518644B (zh) 风电场的无功优化方法、装置及风电场
CN109687445B (zh) 配电网对异步风机接纳能力的评估方法、系统及终端设备
CN117911197B (zh) 基于改进多目标粒子群算法的光伏选址定容方法及系统
CN108390407A (zh) 分布式光伏接入量计算方法、装置及计算机设备
CN116388183B (zh) 一种有向非平衡网络下的指定时间分布式经济调度方法
CN116885790A (zh) 新能源汇集系统调相机优化配置方法
CN117391123A (zh) 一种基于自适应惯性权重的粒子群优化方法及装置
CN116070535A (zh) 一种数字孪生配电网的电压区间计算方法、装置及设备

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