CN116247676A - 一种基于实时市场电价的配电网拓扑推导方法 - Google Patents
一种基于实时市场电价的配电网拓扑推导方法 Download PDFInfo
- Publication number
- CN116247676A CN116247676A CN202211697152.2A CN202211697152A CN116247676A CN 116247676 A CN116247676 A CN 116247676A CN 202211697152 A CN202211697152 A CN 202211697152A CN 116247676 A CN116247676 A CN 116247676A
- Authority
- CN
- China
- Prior art keywords
- power
- distribution network
- electricity price
- power distribution
- node
- 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
- H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
- H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- 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
- H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
-
- 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
- H02J2203/10—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
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Mathematical Analysis (AREA)
- Biomedical Technology (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种基于实时市场电价的配电网拓扑推导方法,属于电力技术领域。该方法包括如下步骤:S1:建立综合能源需求响应模型;S2:潮流分析与电价对比;S3:电网拓扑重构。本发明改进现有的配电网拓扑结构推导方案,能够用于配网拓扑分析、故障恢复、电价分析,建立更高效、更快速的拓扑推测模型。
Description
技术领域
本发明属于电力技术领域,涉及一种基于实时市场电价的配电网拓扑推导方法。
背景技术
常见的配网重构模型一般以网损最小、负载均衡或最大恢复供电为目标,根据问题研究的性质不同,改变其约束条件。然而,目标函数数据获取困难,大部分数据以仿真为主,缺少事实依据,且忽略了配电网拓扑实时变换的动态特性。因此,急需建立一种基于学习推断的推理模型,从配电网结构特点出发,将网络拓扑简化为数学模型,并基于真实的、易获取的数据为目标,进行配电网拓扑分析,系统的展开并检查拓扑中多有节点,直至搜索完完整的电网结构。为电网故障恢复、潮流分析、降损等措施,提供模型基础。
目前,求解配网重构的算法主要包括:数学优化算法、最优流模式算法、支路交换法和人工智能算法。数学优化算法是以最优化理论为基础的解析方法;最优流模式算法是以AC-PF计算为基础,借助启发式方法进行拓扑重构;支路交换法的基本思想是通过改变联络和分段开关的状态,从而达到减少网络损耗的目的;人工神经网络算法是通过事先优化好的大量样本对神经网络进行训练学习,从而求解其他网络重构问题。
这些方法各有利弊,在实践使用中,都能较好地求解某些约束条件下配网静态重构问题,但不能有效解决配网拓扑动态重构问题。
现有目前针对配电网拓扑推断的方法还存在以下问题及难点,(1)当前拓扑变换,主要依据公开拓扑网络进行建模分析,公开拓扑结构更新慢,不能准确及时的放应当前拓扑变换情况;(2)当前研究主要以网损最小、负载均衡或最大恢复供电为目标,不能较好体现新型电力系统下,电价波动特性;(3)当前基于人工神经网络的算法,易限于局部最优。
针对当前配网拓扑推导算法无法满足实时性、真实性的问题,本推导方法基于真实电价数据,将混沌技术引入二进制粒子群算法中,并对其进行改进,以克服二进制粒子群算法容易陷入局部最优的缺点,得到更精确地优化结果。通过电价与能源的需求建模分析,建立电价与能源需求之间的关系,然后对比分析潮流与电价的关系,最后以电价差值最小为目标函数进行网络拓扑重构,得到在该电价下的最优运行拓扑。
发明内容
有鉴于此,本发明的目的在于提供一种基于实时市场电价的配电网拓扑推导方法。得到当前电价下,电网实时拓扑结构;解决优化算法局部最优的问题;体现电价与能源需求间数学关系。
为达到上述目的,本发明提供如下技术方案:
一种基于实时市场电价的配电网拓扑推导方法,该方法包括如下步骤:
S1:建立综合能源需求响应模型
S2:潮流分析与电价对比;
S3:电网拓扑重构。
可选的,所述S1具体为:
价格型需求响应模型如式(1)所示;
式中:ELt,HLt,CLt为施行价格型需求响应后的t时刻负荷;E(t,t′),H(t,t′),C(t,t′)分别为电、热、冷负荷的价格弹性系数,若t′时刻和t时刻相同,参数取为自弹性,若不同则为交叉弹性;p0,t′,pt′分别为在t′时刻施行需求响应前后的电价,分别采用购电分时电价以及购电实时电价;
以综合能源系统IES内调度成本最小为目标,构建综合能源需求响应优化模型,具体表示为:
TC=min(Ce+Cg) (2)
式中:TC为IES内调度费用总和;Ce为购电成本;Cg为购天然气成本;其中:
式中:Td为调度周期:ce,t为t时段从电网购电电价;Pe,t为t时段从电网购电功率;cs,t为t时段向电网售电电价;Ps,t为t时段向电网售电功率;cg为所购天然气的单位热值价格;Pg,t为IES购气功率。
可选的,所述S2具体为:
采用前推回代法进行配电网络的潮流计算;前推回代法是根据已知的配电网始端电压和末端负荷,以馈线为基本计算单位,求解配电网中各节点电压的潮流计算方法;首先假设电网中电压均为额定值,根据负荷有功功率由末端向始端逐段推算,只计算各元件的功率损耗,而不计算节点电压,求解得到各支路的电流以及功率损耗,并由此得到始端功率,为回代过程:再根据已知的始端电压及求得的始端功率,由始端向末端逐段推算电压降落,求得每个节点电压,是前推过程;重复上述过程,直至每个节点的功率偏差满足允许条件为止;
前推回代法的基本操作步骤是首先从离电源点最远的点开始,利用线路的额定电压,沿着功率的反方向依次算出各线路阻抗中的功率损耗和功率分布;然后根据求得的网络功率分布,从电源点开始,沿着功率的传递方向,依次计算各段线路的电压降落,从而求出各节点电压;
配电网分解成若干个不连通的单电源子网,每个负荷节点都是由符合辐射状分布网络的单电源子网供电;潮流计算根据给定的网络结构和其他已知条件,计算网络中的功率分布、功率损耗和未知节点的节点电压值。
可选的,所述S3具体为:
对于Logistic映射,有:
Xn+1=Xn×μ×(1-Xn) (4)
受控的Logistic映射方程为:
Xn+1=Xn×μ×(1-Xn)+μ(n) (5)
配网重构目标函数,以电价相差最小为目标的函数,表示如下:
minΔLMPj=LMPj-LMPj-1 (6)
其中:ΔLMPj为节点j的电价差值,LMPj为现阶段计算的电价,LMPj-1为基准电价;通过调用潮流分析程序得到在次拓扑下节点电价的数据,与标准拓扑下的基准电价作比较,得出差值;
配网重构约束条件为:
潮流约束为:
容量约束为:
St<Stmax·it≤IUt (8)
其中St为元件t容量;Stmax为元件最大容量;it元件实际通过电流;IUt元件最大允许通过电流;
电压约束为:
Uimin≤Ui≤Uimax (9)
其中Umin、Umin分别表示节点i的电压下界和上界;
拓扑约束为:
gk∈G(10)
其中,g为重构后网络;G辐射状拓扑结构;若网络重构后,网络仍然为辐射状结构,不影响继电保护装置的动作;
网络重构是保证满足以上约束条件的情况下,通过配电网络中的联络开关或者分段开关的开关状态开合的调整,以优化网络的运行结构,从而使配电网达到电价相差最小的指标,完成配电网络重构。
本发明的有益效果在于:改进现有的配电网拓扑结构推导方案,能够用于配网拓扑分析、故障恢复、电价分析,建立更高效、更快速的拓扑推测模型。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为结构组成图;
图2为电网重构流程图;
图3为系统流程图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
请参阅图1-图3。
1、综合能源需求响应模型
综合能源用户的需求响应,可以理解为当综合能源用户受到分时电价的经济激励或价格激励时,结合影响自身用能安排的各种要素,做出有利于自身的用能计划安排,提升IES经济性。价格型需求响应模型如式(1)所示。
式中:ELt,HLt,CLt为施行价格型需求响应后的t时刻负荷;E(t,t′),H(t,t′),C(t,t′)分别为电、热、冷负荷的价格弹性系数,若t′时刻和t时刻相同,上述参数取为自弹性,若不同则为交叉弹性;p0,t′,pt′分别为在t′时刻施行需求响应前后的电价,文中分别采用购电分时电价以及购电实时电价。
以综合能源系统(IES)内调度成本最小为目标,构建综合能源需求响应优化模型,具体表示为:
TC=min(Ce+Cg) (2)
式中:TC为IES内调度费用总和;Ce为购电成本;Cg为购天然气成本。其中:
式中:Td为调度周期:ce,t为t时段从电网购电电价;Pe,t为t时段从电网购电功率;cs,t为t时段向电网售电电价;Ps,t为t时段向电网售电功率;cg为所购天然气的单位热值价格;Pg,t为IES购气功率。
2、潮流分析与电价对比
目前,在电力系统中广泛采用的潮流算法是牛顿拉夫逊算法及其变种,如PQ算法等,这些方法已经成功地运用在环状结构的输电网络中。对大规模系统,牛顿-拉夫逊算法本身的计算量很大,难以广泛普及。
根据实际电网拓扑结构,本算法采用前推回代法进行配电网络的潮流计算。前推回代法是根据已知的配电网始端电压和末端负荷,以馈线为基本计算单位,求解配电网中各节点电压的潮流计算方法。首先假设电网中电压均为额定值,根据负荷有功功率(无功功率)由末端向始端逐段推算,只计算各元件的功率损耗,而不计算节点电压,求解得到各支路的电流以及功率损耗,并由此得到始端功率,此过程为回代过程:再根据已知的始端电压及求得的始端功率,由始端向末端逐段推算电压降落,求得每个节点电压,这是前推过程。重复上述过程,直至每个节点的功率偏差满足允许条件为止。
前推回代法的基本操作步骤是首先从离电源点(根节点)最远的点开始,利用线路的额定电压,沿着功率的反方向依次算出各线路阻抗中的功率损耗和功率分布。然后根据求得的网络功率分布,从电源点开始,沿着功率的传递方向,依次计算各段线路的电压降落,从而求出各节点电压。
正常运行情况下,配电网可以分解成若干个不连通的单电源子网,每个负荷节点都是由符合辐射状分布网络的单电源子网供电。潮流计算的主要任务就是根据由给定的网络结构和其他已知条件,计算网络中的功率分布、功率损耗和未知节点的节点电压值。
3、电网拓扑重构
混沌映射二进制粒子群算法简介
混沌映射二进制粒子群算法(CPSO)是在粒子群优化(PSO)算法的基础上改进而来的。它采用自适应惯性权重加快收敛速度,通过在邻域内进行混沌搜索来避免陷入局部最优。CPSO可用于解决大规模优化问题,同时也可用于论文的对比算法。混沌(Chaos)覆盖面涉及到自然科学以及社会科学的几乎每一分支。混沌具有其独有的特性,混沌现象貌似随机,却有其内在的精致结构,而不是错综复杂、杂乱无章的混乱,是一个在[0,1]区间波动的变量。近几十年来,混沌理论研究取得的了可喜的成果,近似方法和非线性微分方程的数值积分法使人们对混沌的能够更加全面透彻地认识、理解和应用。
混沌变量具有遍历性,即它可以不重复的对空间每个状态进行搜索。混沌变量的随机性则表示混沌变量像随机变量那样杂乱。混沌变量对初始条件很敏感,初值发生极小的改变也将会引发后期运动的巨大变化,差之毫厘谬以千里。由于这些特点,基于混沌的搜索技术更具优越性。
以Logistic映射为例来说明混沌运动的基本性质,著名的Logistic映射方程为:
Xn+1=Xn×μ×(1-Xn) (4)
受控的Logistic映射方程为:
Xn+1=Xn×μ×(1-Xn)+μ(n) (5)
将混沌变量作为惯性权重时有以下特点:
(a)将Logistic函数的映射使得惯性权重为非线性函数。因此,粒子对环境的认识能力提高。
(b)当Logistic混沌映射函数在u的取值为u∈[3.571448,4]之间时,迭代生成出于一种伪随机分布的状态的值,粒子搜索能力提高。
(c)混沌变量具有遍历性。对空间每个状态不重复搜索,避免算法陷入“早熟”。
配电网重构数学模型
配网重构目标函数
配电网重构的目标函数有很多,本算法提出一种以电价相差最小为目标的函数,表示如下:
minΔLMPj=LMPj-LMPj-1 (6)
其中:ΔLMPj为节点j的电价差值,LMPj为现阶段计算的电价,LMPj-1为基准电价。通过调用潮流分析程序得到在次拓扑下节点电价的数据,与标准拓扑下的基准电价作比较,得出差值,这个差值可以是节点的边际电价,也可是系统的平均电价。
配网重构约束条件
以下简要介绍本网络重构的几个约束条件。
潮流约束
容量约束
St<Stmax·it≤IUt (8)
其中:St为元件t容量;Stmax为元件最大容量;it元件实际通过电流;IUt元件最大允许通过电流。
电压约束
Uimin≤Ui≤Uimax (9)
其中Uimin、Uimin分别表示节点i的电压下界和上界。
拓扑约束
gk∈G(10)
其中,g为重构后网络;G辐射状拓扑结构。若网络重构后,网络仍然为辐射状结构,不影响继电保护装置的动作。
网络重构是保证满足以上约束条件的情况下,通过配电网络中的联络开关或者分段开关的开关状态开合的调整,以优化网络的运行结构,从而使配电网达到电价相差最小的指标,完成配电网络重构。
基于logistic混沌映射的二进制粒子群算法的重构流程图如图2所示:
基于Logistic混沌映射的二进制粒子群优化算法运用于网络重构的步骤如下:
(1)初始化。配电网原始数据的读入,主要包括:粒子的长度即开关的总数,也就是支路数;在配电网网络化简的基础上,获得各节点和支路的相关信息:设置粒子群算法的参数,即粒子群最大迭代次数iter、种群规模M、学习因子c1和c2、各参数存储矩阵等。
(2)随机产生初始粒子种群。根据上节可行解的产生和编码。设置粒子的初始位置为其随机生成的一个可能解,设置粒子的初始速度,该初始值为[-4,4]之间的某一随机数。
(3)设置粒子的初始个体极值和群体极值。对每个粒子对应的配电网进行潮流计算,将每个粒子调用潮流计算程序计算得出潮流数据,再按照节点电价计算方法计算出电价后,计算得到平均电价与上一时刻的基准电价比较,得到差值。并且,将每个粒子对应的电价差值进行从小到大的排序;粒子当前的位置即粒子的当前个体最优解pbest,将群体中适应值最佳的粒子,及电价差异值最小的粒子,作为当前全局最优解gbest。当前迭代次数设置为:iter=1。
(4)更新粒子。Logistic函数映射到惯性权重中,计算惯性权重的当前值。然后按公式计算粒子的速度和更新粒子的位置。
(5)个体极值pbest的更新及群体全局最优解pbest的更新。计算新一代每个粒子对应的适应值,即电价计算的差异结果。将其值与个体极值pbest进行比较,若小于pbest,则将粒子的当前位置记为个体极值pbest,否则保留之前个体极值;选出适应值最佳的粒子,若其电价差异值小于群体极值gbest的适应值,则将该个体的当前位置记为群体极值gbest。
(6)迭代次数iter=iter+1,判断是否到达最大迭代次数iter,如果到达,结则束算法并输出当前群体最优解。
(7)将最后每个粒子的结果进行排序,删除无效结果,最终得到从小到大的粒子位置以及电价差异值。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (4)
1.一种基于实时市场电价的配电网拓扑推导方法,其特征在于:该方法包括如下步骤:
S1:建立综合能源需求响应模型
S2:潮流分析与电价对比;
S3:电网拓扑重构。
2.根据权利要求1所述的一种基于实时市场电价的配电网拓扑推导方法,其特征在于:所述S1具体为:
价格型需求响应模型如式(1)所示;
式中:ELt,HLt,CLt为施行价格型需求响应后的t时刻负荷;E(t,t′),H(t,t′),C(t,t′)分别为电、热、冷负荷的价格弹性系数,若t′时刻和t时刻相同,参数取为自弹性,若不同则为交叉弹性;p0,t′,pt′分别为在t′时刻施行需求响应前后的电价,分别采用购电分时电价以及购电实时电价;
以综合能源系统IES内调度成本最小为目标,构建综合能源需求响应优化模型,具体表示为:
TC=min(Ce+Cg) (2)
式中:TC为IES内调度费用总和;Ce为购电成本;Cg为购天然气成本;其中:
式中:Td为调度周期:ce,t为t时段从电网购电电价;Pe,t为t时段从电网购电功率;cs,t为t时段向电网售电电价;Ps,t为t时段向电网售电功率;cg为所购天然气的单位热值价格;Pg,t为IES购气功率。
3.根据权利要求2所述的一种基于实时市场电价的配电网拓扑推导方法,其特征在于:所述S2具体为:
采用前推回代法进行配电网络的潮流计算;前推回代法是根据已知的配电网始端电压和末端负荷,以馈线为基本计算单位,求解配电网中各节点电压的潮流计算方法;首先假设电网中电压均为额定值,根据负荷有功功率由末端向始端逐段推算,只计算各元件的功率损耗,而不计算节点电压,求解得到各支路的电流以及功率损耗,并由此得到始端功率,为回代过程:再根据已知的始端电压及求得的始端功率,由始端向末端逐段推算电压降落,求得每个节点电压,是前推过程;重复上述过程,直至每个节点的功率偏差满足允许条件为止;
前推回代法的基本操作步骤是首先从离电源点最远的点开始,利用线路的额定电压,沿着功率的反方向依次算出各线路阻抗中的功率损耗和功率分布;然后根据求得的网络功率分布,从电源点开始,沿着功率的传递方向,依次计算各段线路的电压降落,从而求出各节点电压;
配电网分解成若干个不连通的单电源子网,每个负荷节点都是由符合辐射状分布网络的单电源子网供电;潮流计算根据给定的网络结构和其他已知条件,计算网络中的功率分布、功率损耗和未知节点的节点电压值。
4.根据权利要求3所述的一种基于实时市场电价的配电网拓扑推导方法,其特征在于:所述S3具体为:
对于Logistic映射,有:
Xn+1=Xn×μ×(1-Xn) (4)
受控的Logistic映射方程为:
Xn+1=Xn×μ×(1-Xn)+μ(n) (5)
配网重构目标函数,以电价相差最小为目标的函数,表示如下:
minΔLMPj=LMPj-LMPj-1 (6)
其中:ΔLMPj为节点j的电价差值,LMPj为现阶段计算的电价,LMPj-1为基准电价;通过调用潮流分析程序得到在次拓扑下节点电价的数据,与标准拓扑下的基准电价作比较,得出差值;
配网重构约束条件为:
潮流约束为:
容量约束为:
St<Stmax·it≤IUt (8)
其中St为元件t容量;Stmax为元件最大容量;it元件实际通过电流;IUt元件最大允许通过电流;
电压约束为:
Uimin≤Ui≤Uimax (9)
其中Uimin、Uimin分别表示节点i的电压下界和上界;
拓扑约束为:
gk∈G(10)其中,g为重构后网络;G辐射状拓扑结构;若网络重构后,网络仍然为辐射状结构,不影响继电保护装置的动作;
网络重构是保证满足以上约束条件的情况下,通过配电网络中的联络开关或者分段开关的开关状态开合的调整,以优化网络的运行结构,从而使配电网达到电价相差最小的指标,完成配电网络重构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211697152.2A CN116247676A (zh) | 2022-12-28 | 2022-12-28 | 一种基于实时市场电价的配电网拓扑推导方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211697152.2A CN116247676A (zh) | 2022-12-28 | 2022-12-28 | 一种基于实时市场电价的配电网拓扑推导方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116247676A true CN116247676A (zh) | 2023-06-09 |
Family
ID=86623333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211697152.2A Pending CN116247676A (zh) | 2022-12-28 | 2022-12-28 | 一种基于实时市场电价的配电网拓扑推导方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116247676A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116757760A (zh) * | 2023-08-22 | 2023-09-15 | 国网山东省电力公司聊城供电公司 | 工商业用户电费核算方法、系统、终端及存储介质 |
-
2022
- 2022-12-28 CN CN202211697152.2A patent/CN116247676A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116757760A (zh) * | 2023-08-22 | 2023-09-15 | 国网山东省电力公司聊城供电公司 | 工商业用户电费核算方法、系统、终端及存储介质 |
CN116757760B (zh) * | 2023-08-22 | 2023-11-24 | 国网山东省电力公司聊城供电公司 | 工商业用户电费核算方法、系统、终端及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Afrasiabi et al. | Multi-agent microgrid energy management based on deep learning forecaster | |
CN109347149B (zh) | 基于深度q值网络强化学习的微电网储能调度方法及装置 | |
Miranda et al. | Evolutionary computation in power systems | |
Datta et al. | A binary-real-coded differential evolution for unit commitment problem | |
Niu et al. | A review on applications of heuristic optimization algorithms for optimal power flow in modern power systems | |
Zaman et al. | Configuring two-algorithm-based evolutionary approach for solving dynamic economic dispatch problems | |
Syahputra | Fuzzy multi-objective approach for the improvement of distribution network efficiency by considering DG | |
Pappala et al. | A new approach for solving the unit commitment problem by adaptive particle swarm optimization | |
Shukla et al. | Clustering based unit commitment with wind power uncertainty | |
Datta | Unit commitment problem with ramp rate constraint using a binary-real-coded genetic algorithm | |
Nie et al. | Optimizing the post-disaster control of islanded microgrid: A multi-agent deep reinforcement learning approach | |
Ala et al. | Evaluating the performance of various algorithms for wind energy optimization: a hybrid decision-making model | |
Yang et al. | DISTRIBUTED OPTIMAL DISPATCH OF VIRTUAL POWER PLANT BASED ON ELM TRANSFORMATION. | |
Vosoogh et al. | An intelligent day ahead energy management framework for networked microgrids considering high penetration of electric vehicles | |
Khaleel | Intelligent control techniques for microgrid systems | |
Wu et al. | Binary neighbourhood field optimisation for unit commitment problems | |
Suresh et al. | Microgrid energy management using metaheuristic optimization algorithms | |
CN116207739B (zh) | 配电网优化调度方法、装置、计算机设备和存储介质 | |
Vanithasri et al. | Radial movement optimization (RMO) technique for solving unit commitment problem in power systems | |
CN116247676A (zh) | 一种基于实时市场电价的配电网拓扑推导方法 | |
Chandrasekaran et al. | Binary/real coded particle swarm optimization for unit commitment problem | |
Zhang et al. | Physical-model-free intelligent energy management for a grid-connected hybrid wind-microturbine-PV-EV energy system via deep reinforcement learning approach | |
Habachi et al. | Eagle strategy based crow search algorithm for solving unit commitment problem in smart grid system | |
CN112465301B (zh) | 一种基于差分隐私机制的边缘智能电网协作决策方法 | |
Saric et al. | Optimal DG allocation for power loss reduction considering load and generation uncertainties |
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 |