CN116345470B - 一种融合知识图谱的电力系统潮流优化方法及装置 - Google Patents

一种融合知识图谱的电力系统潮流优化方法及装置 Download PDF

Info

Publication number
CN116345470B
CN116345470B CN202310629641.2A CN202310629641A CN116345470B CN 116345470 B CN116345470 B CN 116345470B CN 202310629641 A CN202310629641 A CN 202310629641A CN 116345470 B CN116345470 B CN 116345470B
Authority
CN
China
Prior art keywords
load
voltage
objective function
node
power
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.)
Active
Application number
CN202310629641.2A
Other languages
English (en)
Other versions
CN116345470A (zh
Inventor
那琼澜
苏丹
李信
肖娜
杨艺西
任建伟
马跃
邢宁哲
庞思睿
邬小波
李莉
于然
尚芳剑
张海明
卢嫱舒
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 CN202310629641.2A priority Critical patent/CN116345470B/zh
Publication of CN116345470A publication Critical patent/CN116345470A/zh
Application granted granted Critical
Publication of CN116345470B publication Critical patent/CN116345470B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • 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
    • 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
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • 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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/48—Controlling the sharing of the in-phase component
    • 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]
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Quality & Reliability (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Databases & Information Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本文涉及电力系统领域，尤其涉及一种融合知识图谱的电力系统潮流优化方法及装置。该方法包括获取电力系统性能参数及负载状态；根据所述电力系统性能参数、负载状态，构建与性能指数相关的目标函数及约束条件；利用所述约束条件实现对所述目标函数的第一优化；利用蜉蝣算法对第一优化后的目标函数进行第二优化，得到目标函数的最优解。本文以燃料成本、有功网损、电压偏差和电压稳定性共同构成目标函数求解最优潮流问题，并且考虑了不同负载水平，使最优潮流计算更加准确；利用改进蜉蝣算法，提高搜索空间利用率和整体性能，以便更好优化目标函数。

Description

一种融合知识图谱的电力系统潮流优化方法及装置
技术领域
本文涉及电力系统领域，尤其是一种融合知识图谱的电力系统潮流优化方法及装置。
背景技术
最优潮流指当系统的结构参数和负载情况都已给定时，调节可利用的控制变量（如发电机输出功率、可调变压器抽头等）以找到能满足所有运行约束条件的、并使系统的某些性能指标（如发电成本或网络损耗）达到最优值下的潮流分布，而潮流是指电力系统中电压、功率等的稳态分布。最优潮流是电力系统优化运行管理过程中的关键对象之一。
目前，电力系统的最优潮流计算通常只考虑单一目标，以此构建最优潮流模型进行求解。而在实际的应用场景中，负载不确定性以及线路拥堵、线路损耗引起的总电压偏差、电压稳定性的影响很少被考虑、求解目标单一、相关优化算法效果不好，存在过早收敛等问题，容易降低解的有效性。
由此计算得到的最优潮流并不是实际上的最优解，难以使系统的性能指标达到最优，优化管理效果较差。
发明内容
为解决上述现有技术中计算最优潮流极少考虑负载导致无法得到最优解的问题，本文实施例提供了一种融合知识图谱的电力系统潮流优化方法及装置。
本文实施例提供了一种融合知识图谱的电力系统潮流优化方法，所述方法包括：获取电力系统性能参数及负载状态；根据所述电力系统性能参数、负载状态，构建与性能指数相关的目标函数及约束条件；利用所述约束条件实现对所述目标函数的第一优化；利用蜉蝣算法对第一优化后的目标函数进行第二优化，得到目标函数的最优解。
根据本文实施例的一个方面，构建与性能指数相关的目标函数包括：根据所述电力系统的性能参数或负载状态，分别构建与各性能指数相关的目标子函数；基于知识表示学习模型及所有目标子函数，确定与性能指数相关的目标函数。
根据本文实施例的一个方面，所述构建与性各能指数相关的目标子函数包括：根据性能参数中的母线燃料成本及负载状态中的负载燃料成本，确定总燃料成本的目标子函数；根据性能参数中的输电线路各节点电压，确定总有功功率损耗的目标子函数；
根据负载状态中负载总线的数量及负载总线各节点电压，确定总电压偏差的目标子函数；根据所述负载状态中负载总线的电压稳定指数，确定电压稳定指数相关的目标子函数。
根据本文实施例的一个方面，根据所述性能参数、负载状态中的至少一种，构建约束条件包括：根据所述电力系统性能参数中的控制变量，确定等式约束条件；根据所述电力系统性能参数中的状态变量及各变量的规范阈值范围，确定不等式约束条件，其中，所述状态变量包括负载相关的变量。
根据本文实施例的一个方面，利用所述约束条件实现对所述目标函数的第一优化，包括：根据电力系统性能参数中的状态变量，确定等式约束条件：
其中，为负载总线上节点k有功功率；/>为总线上的k节点电压大小；/>为总线上j节点的电压大小；/>为总线上的k和j节点之间的电导；/>为总线上的k和j节点之间的电纳；根据电力系统性能参数中的状态变量及各变量的规范阈值范围，确定不等式约束条件，其中，所述状态变量包括负载相关的变量；
，
其中，为发电机总线上k节点有功功率；/>为位于发电机总线上的第k个节点的电压大小；/>为第k个变压器的分接比；/>为第k个并联补偿器的无功功率；/>为并联补偿器的总数，/>表示发电机总线上的节点总数；LP 表示下限，HP表示上限；根据等式约束条件和不等式约束条件，对目标函数进行第一优化。
根据本文实施例的一个方面，利用蜉蝣算法对第一优化后的目标函数进行第二优化，得到目标函数的最优解：根据目标函数，确定蜉蝣在各维度的初始适应度值；根据所述初始适应度值，确定蜉蝣个体最优位置、群体最优位置；根据所述蜉蝣个体最优位置、群体最优位置，迭代计算蜉蝣的适应度值；判断所述蜉蝣的适应度值的次数是否达到预设迭代次数；若未达到迭代次数，继续更新所述蜉蝣的适应度值；若达到迭代次数，将当前蜉蝣的适应度值作为所述目标函数的输入，优化所述第一优化后的目标函数。
本文实施例提供了一种融合知识图谱的电力系统潮流优化装置，所述装置包括：获取单元，用于获取电力系统性能参数及负载状态； 构建单元，用于根据所述电力系统性能参数、负载状态，构建与性能指数相关的目标函数及约束条件；第一优化单元，用于利用所述约束条件实现对所述目标函数的第一优化；第二优化单元，用于利用蜉蝣算法对第一优化后的目标函数进行第二优化，得到目标函数的最优解。
本文实施例还提供了一种计算机设备，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所述基于负载的潮流优化方法。
本文实施例还提供了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所述基于负载的潮流优化方法。
本文实施例还提供了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所述融合知识图谱的电力系统潮流优化方法。
本文以燃料成本、有功网损、电压偏差和电压稳定性共同构成目标函数求解最优潮流问题，并且考虑了不同负载水平，使最优潮流计算更加准确；利用改进蜉蝣算法，提高搜索空间利用率和整体性能，以便更好优化目标函数。
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所示为本文实施例一种融合知识图谱的电力系统潮流优化方法的流程图；
图2所示为本文实施例一种构建目标函数的方法流程图；
图3所示为本文实施例一种构建与性能指数相关的目标子函数的方法流程图；
图4所示为本文实施例一种构建约束条件的方法流程图；
图5所示为本文实施例一种得到目标函数的最优解的方法流程图；
图6所示为本文实施例一种装置的结构示意图；
图7a至图7d所示为本实施例不同负载水平下不同目标函数的电压幅值变化示意图；
图8所示为本文实施例一种计算机设备的结构示意图。
附图符号说明：
601、获取单元；
602、构建单元；
603、第一优化单元；
604、第二优化单元；
802、计算机设备；
804、处理器；
806、存储器；
808、驱动机构；
810、输入/输出模块；
812、输入设备；
814、输出设备；
816、呈现设备；
818、图形用户接口；
820、网络接口；
822、通信链路；
824、通信总线。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案，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。
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。
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，本文的融合知识图谱的电力系统潮流优化方法可用于电力系统领域，本文对融合知识图谱的电力系统潮流优化方法及装置的应用领域不做限定。
图1所示为本文实施例一种融合知识图谱的电力系统潮流优化方法的流程图，具体包括如下步骤：
步骤101，获取电力系统性能参数及负载状态。在本说明书实施例中，电力系统性能参数为电力系统的结构参数。本说明书实施例中，电力系统性能参数包括：电力线路的电器参数、输电线路的等值电路参数、电力变压器的电器参数、电力网参数等。负载状态为电力系统中正常运行过程承受的负荷。
步骤102，根据所述性能参数、负载状态，分别构建与性能指数相关的目标函数及约束条件。本说明书实施例中，需要考虑不同负载水平下的总燃料成本、总有功网损、总电压偏差、和电压稳定指数，因此本说明书实施例中的性能指数包括：总燃料成本、总有功功率损耗、总电压偏差、电压稳定性指数等。
本步骤中，根据性能参数及负载状态构建用于优化目标函数的约束条件。其中，约束条件包括等式约束条件及不等式约束条件。
步骤103，利用所述约束条件实现对所述目标函数的第一优化。本步骤中利用约束条件优化目标函数，旨在抵消电力系统中由负载总线产生的影响，且随着负载状态的变化，不断适应负载变化并抵消负载产生的影响。
步骤104，利用蜉蝣算法对第一优化后的目标函数进行第二优化，得到目标函数的最优解。本步骤中，利用蜉蝣算法对步骤103经过约束条件优化后的目标函数进一步优化，得到目标函数的最优解。本说明书实施例考虑了负载不确定引起的总电压偏差、电压稳定性的问题，以及最优潮流优化求解精度和速度不够高的问题。
图2所示为本文实施例一种构建目标函数的方法流程图，具体包括如下步骤：
步骤201，根据所述电力系统性能参数或负载参数，分别构建与各性能指数相关的目标子函数。本说明书实施例中，电力系统性能参数包括：电力线路的电器参数、输电线路的等值电路参数、电力变压器的电器参数、电力网参数等。
本步骤中，根据业务所关注的参数，分别构建与这些参数所属的性能指数相关的目标子函数。例如，电力系统性能参数中的部分参数与燃料成本相关、与有功功率损耗相关，或与电压稳定指数相关，由此，分别构建与各性能指数相关的目标子函数。
步骤202，基于知识表示学习模型及所有目标子函数，确定与性能指数相关的目标函数。本说明书实施例中，采用知识表示学习模型对电力系统进行知识表示学习。具体的，知识表示学习模型可以由Trans R模型表示，使用知识表示学习模型及步骤201中构建的电力系统的所有目标子函数。
其中，知识表示学习基础模型如下式表示：
；
其中，h为头实体；t为尾实体；M r 为关系的投影矩阵；h ⊥为h在投影矩阵M r 下的分量；t ⊥为t在投影矩阵M r 下的分量。
进一步，根据各目标子函数及知识表示学习模型，确定总的目标函数。
其中，F1，F2，F3，F4分别为四个不同的目标子函数，关于目标子函数的描述在图3中详细描述；
， />， />， />分别为F1，F2，F3，F4归一化后的值；/>为知识学习模型表示的总目标函数。
图3所示为本文实施例一种构建与性能指数相关的目标子函数的方法流程图。本步骤中，根据业务关注的性能指标，从电力系统的性能参数中选择与性能指标相关的性能参数，并分别构建与性能指标相关的目标子函数。由此看看不同负载水平下的性能指标。具体包括如下步骤：
步骤301，根据性能参数中的母线燃料成本及负载状态中的负载燃料成本，确定总燃料成本的目标子函数。在本步骤中，总燃料成本为电力系统中所有发电机用于发电的成本。总燃料成本的目标子函数F1表示如下：
；
其中，表示发电机母线上的燃料成本，/>为调度负载上的燃料成本，二者之差为总燃料成本；/>为发电机总线上k节点的报价量；/>为发电机总线上k节点的报价，/>为调度负载的k节点的报价量，/>为调度负载k节点的报价，/>为发电机总线的总数；/>为调度负载的总数。
步骤302，根据性能参数中的输电线路各节点电压，确定总有功功率损耗的目标子函数。在本说明书实施例中，总有功功率损耗为输电线路上的实际功率损耗之和，其中，最小总有功功率损耗表示线路的最大功率传输能力，因此，总有功功率损耗的目标子函数F2根据如下方式构建：；其中，为输电线路上第k个节点和第j个节点之间的电导；/>为输电线路上第j个节点电压大小；/>为输电线路上第k个节点电压大小；/>为输电线路上第k个节点和第j个节点之间的电压相位；/>为电力系统的输电线路总数。
步骤303，根据负载状态中负载总线的数量及负载总线各节点电压，确定总电压偏差的目标子函数。在本说明书实施例中，总电压偏差为电力系统与理想状态之间的偏差，最小总电压偏差表示电力系统在理想状态下运行对应的电压状态。其中，总电压偏差的目标函数F3表达公式如下：；其中，/>为在负载总线上节点k处的电压幅值；/>；/>为负载总线的数量；/>为安装并联补偿器上第n个节点的无功功率。
步骤304，根据所述负载状态中负载总线的电压稳定指数，确定电压稳定指数相关的目标子函数。在本说明书实施例中，电压稳定指数表示电力系统抵御崩溃的能力，最小电压稳定指数表示系统具有较少的电压崩溃。
本步骤中，电压稳定指数的目标子函数可以通过如下公式构建：
；
；
其中，为负载总线j节点与发电总线k节点间的部分逆矩阵；/>为负载总线上的电压稳定指数；/>，其中，/>为发电机总线上第n个节点上的有功功率；/>为发电机总线上第n个节点的电压幅值；/>为安装并联补偿器上第n个节点的无功功率，/>、/>及/>均为控制变量。
图4所示为本文实施例一种构建约束条件的方法流程图，具体包括如下步骤：
步骤401，根据电力系统性能参数中的状态变量，确定等式约束条件。在本说明书实施例中，状态变量为表示电力系统运行状态的量。状态变量的量值会随着运行状态的变化而发生改变。例如：母线电压或节点电压均为状态变量。具体的，状态变量是受控制变量控制的因变量。本说明书实施例中的状态变量包括：母线各节点有功功率、负载总线各节点的电压幅值、发电机总线各节点的无功功率、输电线路各节点的视在功率。
在本说明书实施例中，等式约束可以由如下公式表示：
；
其中，为发电机总线上k节点有功功率；/>为负载总线上节点k有功功率；/>为总线上的k节点电压大小；/>为总线上j节点的电压大小；/>为总线上的k和j节点之间的电导；/>为总线上的k和j节点之间的电纳；/>为总线的k节点和j节点之间的电压相位；/>为总线总数。
步骤402，根据电力系统性能参数中的状态变量及各变量的规范阈值范围，确定不等式约束条件，其中，所述状态变量包括负载相关的变量。
在本步骤中，通过不等式约束将控制变量的值控制在一定范围内，从而形成对控制变量的约束。其中，控制变量包括但不限于：电源发出的有功功率、无功功率等变量。
本步骤中的控制变量可以包括发电机总线上各节点的有功功率、发电机总线上各节点的电压幅值、安装并联补偿器上各节点的无功功率、各变压器分接头的整定比等参数。在本说明书实施例的一些实施例中，针对电力系统性能参数中的控制变量，不等式约束可以由如下公式表示：
，其中，/>为发电机总线上k节点有功功率；/>为位于发电机总线上的第k个节点的电压大小；/>为第k个变压器的分接比；/>为第k个并联补偿器的无功功率；/>为并联补偿器的总数，/>表示发电机总线上的节点总数；LP 表示下限，HP表示上限。
在本步骤中，不等式约束可以仅限于对发电机总线有功功率、电压幅值、变压器分接头百分比及并联补偿器无功值的限制。
步骤403，根据等式约束条件和不等式约束条件，对目标函数进行第一优化。分别通过约束条件约束状态变量的值，通过不等式约束条件约束控制变量的值，将控制变量的值约束在合理范围内，以此实现对目标函数进行初步优化。
图5所示为本文实施例一种得到目标函数的最优解的方法流程图。在前述步骤中构建了与性能指数相关的目标函数，本说明书实施例进一步利用改进的蜉蝣算法对该知识学习后总目标函数进行优化求解，从而实现潮流优化。具体包括如下步骤：
步骤501，根据目标函数，确定蜉蝣在各维度的初始适应度值。初始时，随机生成雄性和雌性两个蜉蝣种群，每只蜉蝣作为一个候选解被随机置于问题空间中，该候选解可通过一个n维向量来表达，每只蜉蝣在搜索空间中的位置代表了问题的一个可行解，且其性能可根据预定义的目标函数F1、F2、F3、F4评估得到。
本步骤中，将雄性蜉蝣、雌性蜉蝣的初始速度分别作为四个目标子函数的输入，由此计算每个蜉蝣对应的初始目标函数值，初始目标函数值即为初始适应度值。
具体的，蜉蝣的速度定义为其位置的变化，蜉蝣的初始化位置可以由x表示，蜉蝣的初始化速度可以由v表示。
具体的，蜉蝣的初始位置和初始速度可以由如下方式表示：
，
其中，为第i个雄蜉蝣的位置；/>为第i个雌蜉蝣的位置； />为第i个雄蜉蝣的速度；/>为第i个雌蜉蝣的速度，n为蜉蝣的数量。步骤502，根据所述初始适应度值，确定蜉蝣个体最优位置、群体最优位置。
在本步骤中，雄性蜉蝣在每个时刻的位置是根据其本身及其周围的蜉蝣的经验调整的。雄性蜉蝣在t+1次迭代时的位置是其在t次迭代时的位置基础上增加第t+1次迭代时的速度实现的。蜉蝣根据当前的个体最优位置（pbest）以及当前种群的最优位置（gbest）调整其轨迹。为第t次迭代时j维雄性蜉蝣的速度，/>为第t次迭代时第i个雄性蜉蝣在j维的位置；其中，j表示目标函数的个数；
因此，雄性蜉蝣在第t+1迭代时的速度可以由如下公式表示：；/>为婚配系数；/>为随机数；第i个雄性蜉蝣在j维，在第t+1次迭代时的速度可以由如下公式表示：
；
其中，为第t+1次迭代过程中的个体最佳位置；/> 为第t次迭代期间全局最优位置；/>为个体与个体最佳之间的笛卡尔距离；/>为个体与全局最优之间的笛卡尔距离；g为重力系数；/>、/>均为正的吸引力系数。
步骤503，根据所述蜉蝣个体最优位置、群体最优位置，迭代计算蜉蝣的适应度值。最优雄性蜉蝣吸引最优雌性，第二优的雄性蜉蝣吸引第二优的次新蜉蝣，因此，第i个雌性蜉蝣在第j维的个体最佳位置可以由如下公式表示：，其中，f表示目标子函数，/>为雄性蜉蝣在第t次迭代过程中的个体最佳位置；/>为第t+1次迭代中第i个雄性蜉蝣在j维的位置；/>为第t次迭代中第i个雄性蜉蝣在j维的位置。由此，雌性蜉蝣在第t次迭代期间的全局最优位置由如下公式表示：
；
雌性蜉蝣的更新速度为：
；
其中，为第t+1次迭代中j维雌性蜉蝣的速度；/>为第t次迭代中j维雌性蜉蝣的速度；/>为第t+1次迭代中第i个雌性蜉蝣在j维的位置；/>为第t次迭代中第i个雌性蜉蝣在j维的位置；/>为雌雄蜉蝣之间的笛卡尔空间；/>为随机游走系数。
在本说明书实施例中，在蜉蝣迭代过程中进行模拟二进制交叉和多项式变异，以提高蜉蝣每一次迭代得到的适应度值，使得蜉蝣个体和全局的最优适应度函数值保持最新。
；
其中，、/>分别为通过模拟二进制交叉产生的两个雌雄蜉蝣产生的后代个体；/>是由分布因子d随机决定的；di为交叉指数。
进行多项式变异：
；
；
其中，为变异指数；/>为多项式变异因子。本说明书实施例利用改进蜉蝣算法，将模拟二进制交叉和多项式变异纳入原始蜉蝣算法，收敛速度快，可以提高搜索空间利用率和整体性能，以便找到更好的解。
步骤504，判断所述蜉蝣的适应度值的次数是否达到预设迭代次数。本步骤中，预设迭代次数为蜉蝣算法中设定的更新停止点。计算迭代次数t与预设迭代次数的大小关系，确定是否继续迭代蜉蝣的适应度值。
步骤505，若未达到迭代次数，继续更新所述蜉蝣的适应度值。
步骤506，若达到迭代次数，将当前蜉蝣的适应度值作为所述目标函数的输入，优化所述第一优化后的目标函数。若已达到迭代次数，则确定当前迭代后的蜉蝣的适应度值，并根据适应度值对蜉蝣进行从高到低的排序。将最佳蜉蝣的速度最为最优输入，最好蜉蝣的适应度值，即为各目标子函数的最优值。由此实现多目标子甘薯的优化，最终得到总目标函数的最优总得分。
本说明书实施例在标准测试系统上测试了在不同负载水平下的电力市场中的IEEE-30总线系统。测试系统包括30条母线、41条支路、6台完全投入运行的发电机和20个负载，其中包括17个固定的负载、3个可调度的负载。两个并联补偿器安装在输电线路之间。该标准差屙屎系统的最大发电量为360兆瓦，实际运行发电量为215.3兆瓦。平均固定负荷为151.6 MW。调度的负荷范围从60兆瓦到90兆瓦。每条输电线路的总输电能力为33.1兆瓦。3.67 MW为总有功功率损耗。使用14个控制变量来模拟解除管制环境中测试系统的OPF问题的解决方案。负载在基本负载的50%(50%)和200%(100%)之间变化。
如图6所示为本文实施例一种融合知识图谱的电力系统潮流优化装置的结构示意图，在本图中描述了基于负载的潮流优化装置的基本结构，其中的功能单元、模块可以采用软件方式实现，也可以采用通用芯片或者特定芯片实现，该装置具体包括：
获取单元601，用于获取电力系统性能参数及负载状态；
构建单元602，用于根据所述电力系统性能参数、负载状态，构建与性能指数相关的目标函数及约束条件；
第一优化单元603，用于利用所述约束条件实现对所述目标函数的第一优化；
第二优化单元604，用于利用蜉蝣算法对第一优化后的目标函数进行第二优化，得到目标函数的最优解。
如图7a至7d所示为本实施例不同负载水平下不同目标函数的电压幅值变化示意图。图中BL为基本负载值，-50%表示基本负载的50%；+100%表示基本负载的两倍。
图7a描述了在不同负载变化时，改进蜉蝣算法优化后目标子函数总燃料成TFC在不同母线节点的电压幅值。
图7b描述了在不同负载变化时，改进蜉蝣算法优化后目标子函数总有功功率损耗TAPL在不同母线节点的电压幅值。
图7c描述了在不同负载变化时，改进蜉蝣算法优化后目标子函数总电压偏差TVD在不同母线节点的电压幅值。
图7d描述了在不同负载变化时，改进蜉蝣算法优化后目标子函数电压稳定性指数VSI在不同母线节点的电压幅值。
可以看出，具有特定负载波动的各子目标函数电压大小，均在母线节点13、22和27处波动较大，受到了影响。本文的最优潮流优化方法在不同负载水平的具体实施例进行了验证，证明了所提出了算法具有很高的市场价值和实用意义。
如图8所示，为本文实施例提供的一种计算机设备，所述计算机设备执行本文所述融合知识图谱的电力系统潮流优化方法。计算机设备802可以包括一个或多个处理器804，诸如一个或多个中央处理单元(CPU)，每个处理单元可以实现一个或多个硬件线程。计算机设备802还可以包括任何存储器806，其用于存储诸如代码、设置、数据等之类的任何种类的信息。非限制性的，比如，存储器806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802的固定或可移除部件。在一种情况下，当处理器804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802可以执行相关联指令的任一操作。计算机设备802还包括用于与任何存储器交互的一个或多个驱动机构808，诸如硬盘驱动机构、光盘驱动机构等。
计算机设备802还可以包括输入/输出模块810（I/O），其用于接收各种输入(经由输入设备812)和用于提供各种输出(经由输出设备814)。一个具体输出机构可以包括呈现设备816和相关联的图形用户接口(GUI)818。在其他实施例中，还可以不包括输入/输出模块810（I/O）、输入设备812以及输出设备814，仅作为网络中的一台计算机设备。计算机设备802还可以包括一个或多个网络接口820，其用于经由一个或多个通信链路822与其他设备交换数据。一个或多个通信总线824将上文所描述的部件耦合在一起。
通信链路822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822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至图5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5所示的方法。
本文实施例还提供了一种计算机程序产品，计算机程序产品包括计算机程序，计算机程序被处理器执行时实现如图1至图5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 (9)

1.一种融合知识图谱的电力系统潮流优化方法，其特征在于，所述方法包括：
获取电力系统性能参数及负载状态；
根据所述电力系统性能参数、负载状态，构建与性能指数相关的目标函数及约束条件，其中，所述性能指数包括：总燃料成本、总有功功率损耗、总电压偏差、电压稳定性指数；所述目标函数由公式表示： ，其中，/>为知识学习模型表示的总目标函数，/>，/>，/>，/>分别为四个不同的目标子函数F1，F2，F3，F4归一化后的值，其中，
,/>表示发电机母线上的燃料成本，/>为调度负载上的燃料成本；
，其中，/>为输电线路上第k个节点和第j个节点之间的电导；/>为输电线路上第j个节点电压大小；/>为输电线路上第k个节点电压大小；/>为输电线路上第k个节点和第j个节点之间的电压相位；/>为电力系统的输电线路总数；/>；其中，/>为在负载总线上节点k处的电压幅值；；/>为负载总线的数量；/>为安装并联补偿器上第n个节点的无功功率；
，/>为负载总线上的电压稳定指数；
根据电力系统性能参数中的状态变量，确定等式约束条件；
，其中，/>为负载总线上节点k有功功率；/>为总线上的k节点电压大小；/>为总线上j节点的电压大小；/>为总线上的k和j节点之间的电导；/>为总线上的k和j节点之间的电纳；
根据电力系统性能参数中的状态变量及各变量的规范阈值范围，确定不等式约束条件，其中，所述状态变量包括负载相关的变量；，其中，为发电机总线上k节点有功功率；/>为位于发电机总线上的第k个节点的电压大小；为第k个变压器的分接比；/>为第k个并联补偿器的无功功率；/>为并联补偿器的总数，LP 表示下限，HP表示下限；
利用所述约束条件实现对所述目标函数的第一优化；
利用蜉蝣算法对第一优化后的目标函数进行第二优化，得到目标函数的最优解。
2.根据权利要求1所述的融合知识图谱的电力系统潮流优化方法，其特征在于，构建与性能指数相关的目标函数包括：
根据所述电力系统的性能参数或负载状态，分别构建与各性能指数相关的目标子函数；
基于知识表示学习模型及所有目标子函数，确定与性能指数相关的目标函数。
3.根据权利要求2所述的融合知识图谱的电力系统潮流优化方法，其特征在于，所述构建与性各能指数相关的目标子函数包括：
根据性能参数中的母线燃料成本及负载状态中的负载燃料成本，确定总燃料成本的目标子函数；
根据性能参数中的输电线路各节点电压，确定总有功功率损耗的目标子函数；
根据负载状态中负载总线的数量及负载总线各节点电压，确定总电压偏差的目标子函数；
根据所述负载状态中负载总线的电压稳定指数，确定电压稳定指数相关的目标子函数。
4.根据权利要求3所述的融合知识图谱的电力系统潮流优化方法，其特征在于，根据所述性能参数、负载状态中的至少一种，构建约束条件包括：
根据所述电力系统性能参数中的控制变量，确定等式约束条件；
根据所述电力系统性能参数中的状态变量及各变量的规范阈值范围，确定不等式约束条件，其中，所述状态变量包括负载相关的变量。
5.根据权利要求4所述的融合知识图谱的电力系统潮流优化方法，其特征在于，利用蜉蝣算法对第一优化后的目标函数进行第二优化，得到目标函数的最优解：
根据目标函数，确定蜉蝣在各维度的初始适应度值；
根据所述初始适应度值，确定蜉蝣个体最优位置、群体最优位置；
根据所述蜉蝣个体最优位置、群体最优位置，迭代计算蜉蝣的适应度值；
判断所述蜉蝣的适应度值的次数是否达到预设迭代次数；
若未达到迭代次数，继续更新所述蜉蝣的适应度值；
若达到迭代次数，将当前蜉蝣的适应度值作为所述目标函数的输入，优化所述第一优化后的目标函数。
6.一种融合知识图谱的电力系统装置，其特征在于，所述装置包括：
获取单元，用于获取电力系统性能参数及负载状态；
构建单元，用于根据所述电力系统性能参数、负载状态，构建与性能指数相关的目标函数及约束条件，其中，所述性能指数包括：总燃料成本、总有功功率损耗、总电压偏差、电压稳定性指数；所述目标函数由公式表示：，其中，/>为知识学习模型表示的总目标函数，/>，/>，/>，/>分别为四个不同的目标子函数F1，F2，F3，F4归一化后的值，其中，
,/>表示发电机母线上的燃料成本，/>为调度负载上的燃料成本；
，其中，/>为输电线路上第k个节点和第j个节点之间的电导；/>为输电线路上第j个节点电压大小；/>为输电线路上第k个节点电压大小；/>为输电线路上第k个节点和第j个节点之间的电压相位；/>为电力系统的输电线路总数；/>；其中，/>为在负载总线上节点k处的电压幅值；；/>为负载总线的数量；/>为安装并联补偿器上第n个节点的无功功率；
，/>为负载总线上的电压稳定指数；
根据电力系统性能参数中的状态变量，确定等式约束条件；
，其中，/>为负载总线上节点k有功功率；/>为总线上的k节点电压大小；/>为总线上j节点的电压大小；/>为总线上的k和j节点之间的电导；/>为总线上的k和j节点之间的电纳；
根据电力系统性能参数中的状态变量及各变量的规范阈值范围，确定不等式约束条件，其中，所述状态变量包括负载相关的变量；，其中，为发电机总线上k节点有功功率；/>为位于发电机总线上的第k个节点的电压大小；为第k个变压器的分接比；/>为第k个并联补偿器的无功功率；/>为并联补偿器的总数，LP 表示下限，HP表示下限；
第一优化单元，用于利用所述约束条件实现对所述目标函数的第一优化；
第二优化单元，用于利用蜉蝣算法对第一优化后的目标函数进行第二优化，得到目标函数的最优解。
7.一种计算机设备，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5任意一项所述的方法。
8.一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5任意一项所述的方法。
9.一种计算机程序产品，其特征在于，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权利要求1至5任意一项所述的方法。
CN202310629641.2A 2023-05-31 2023-05-31 一种融合知识图谱的电力系统潮流优化方法及装置 Active CN116345470B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310629641.2A CN116345470B (zh) 2023-05-31 2023-05-31 一种融合知识图谱的电力系统潮流优化方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310629641.2A CN116345470B (zh) 2023-05-31 2023-05-31 一种融合知识图谱的电力系统潮流优化方法及装置

Publications (2)

Publication Number Publication Date
CN116345470A CN116345470A (zh) 2023-06-27
CN116345470B true CN116345470B (zh) 2023-08-08

Family

ID=86880824

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310629641.2A Active CN116345470B (zh) 2023-05-31 2023-05-31 一种融合知识图谱的电力系统潮流优化方法及装置

Country Status (1)

Country Link
CN (1) CN116345470B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020032662A (ko) * 2000-10-25 2002-05-04 이종훈 최적화 조류측정방법을 이용한 전압안정도 해석방법 및 그시스템
CN104269847A (zh) * 2014-10-11 2015-01-07 国家电网公司 一种柔性环网控制系统运行及潮流优化方法
CN108665098A (zh) * 2018-05-04 2018-10-16 国网山东省电力公司菏泽供电公司 一种分布式电源接入配电网的选址定容优化方法及装置
CN113346504A (zh) * 2021-06-17 2021-09-03 国家电网有限公司 基于数据知识驱动的主动配电网电压控制方法
CN113629715A (zh) * 2021-07-15 2021-11-09 国网浙江省电力有限公司嘉兴供电公司 一种计及可输电能力的upfc多目标优化配置方法
CN113850481A (zh) * 2021-09-07 2021-12-28 华南理工大学 电力系统调度业务辅助决策方法、系统、装置和存储介质
CN114389277A (zh) * 2022-01-12 2022-04-22 福州大学 基于蜉蝣算法的配电网无功优化方法
CN114792981A (zh) * 2022-05-07 2022-07-26 宁波市电力设计院有限公司 一种基于lssvm负荷预测的电力系统无功优化方法及终端

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104008434A (zh) * 2014-06-06 2014-08-27 上海交通大学 一种电力系统柔性约束优化方法
US9964980B2 (en) * 2014-08-14 2018-05-08 Bigwood Technology, Inc. Method and apparatus for optimal power flow with voltage stability for large-scale electric power systems

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020032662A (ko) * 2000-10-25 2002-05-04 이종훈 최적화 조류측정방법을 이용한 전압안정도 해석방법 및 그시스템
CN104269847A (zh) * 2014-10-11 2015-01-07 国家电网公司 一种柔性环网控制系统运行及潮流优化方法
CN108665098A (zh) * 2018-05-04 2018-10-16 国网山东省电力公司菏泽供电公司 一种分布式电源接入配电网的选址定容优化方法及装置
CN113346504A (zh) * 2021-06-17 2021-09-03 国家电网有限公司 基于数据知识驱动的主动配电网电压控制方法
CN113629715A (zh) * 2021-07-15 2021-11-09 国网浙江省电力有限公司嘉兴供电公司 一种计及可输电能力的upfc多目标优化配置方法
CN113850481A (zh) * 2021-09-07 2021-12-28 华南理工大学 电力系统调度业务辅助决策方法、系统、装置和存储介质
CN114389277A (zh) * 2022-01-12 2022-04-22 福州大学 基于蜉蝣算法的配电网无功优化方法
CN114792981A (zh) * 2022-05-07 2022-07-26 宁波市电力设计院有限公司 一种基于lssvm负荷预测的电力系统无功优化方法及终端

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
考虑经济性和电压稳定性的含电子电力变压器的多目标最优潮流计算;欧阳蓉;;电力大数据(第12期);全文 *

Also Published As

Publication number Publication date
CN116345470A (zh) 2023-06-27

Similar Documents

Publication Publication Date Title
Yang et al. Reinforcement learning in sustainable energy and electric systems: A survey
Roald et al. Chance-constrained AC optimal power flow: Reformulations and efficient algorithms
Wang et al. Reinforcement learning in energy trading game among smart microgrids
Cao et al. Deep reinforcement learning based approach for optimal power flow of distribution networks embedded with renewable energy and storage devices
Luo et al. Short‐term operational planning framework for virtual power plants with high renewable penetrations
Arabali et al. A multi-objective transmission expansion planning framework in deregulated power systems with wind generation
Zhou et al. Multistage transmission-constrained unit commitment with renewable energy and energy storage: Implicit and explicit decision methods
Roy Ghatak et al. Optimised planning of distribution network with photovoltaic system, battery storage, and DSTATCOM
Lee et al. Determining the optimal reserve capacity in a microgrid with islanded operation
CN111709672A (zh) 基于场景和深度强化学习的虚拟电厂经济调度方法
Kok Multi-agent coordination in the electricity grid, from concept towards market introduction
Andoni et al. Analysis of strategic renewable energy, grid and storage capacity investments via Stackelberg-cournot modelling
Ramasubramanian et al. Optimal location of FACTS devices by evolutionary programming based OPF in deregulated power systems
Shi et al. Modelling and solutions of coordinated economic dispatch with wind–hydro–thermal complex power source structure
Wu et al. Optimal economic dispatch model based on risk management for wind‐integrated power system
Ghatak et al. Optimal allocation of DG using exponentential PSO with reduced search space
Lee et al. Optimal optimisation‐based microgrid scheduling considering impacts of unexpected forecast errors due to the uncertainty of renewable generation and loads fluctuation
Rahmani et al. Non‐deterministic optimal power flow considering the uncertainties of wind power and load demand by multi‐objective information gap decision theory and directed search domain method
Liu et al. Flexible network planning of autonomy microgrid
Moazzami et al. A new optimal under-frequency load-shedding method using hybrid culture–particle swarm optimization–co-evolutionary algorithm and artificial neural networks
Liu et al. Chance‐constrained scheduling model of grid‐connected microgrid based on probabilistic and robust optimisation
Ghavidel et al. Hybrid power plant bidding strategy for voltage stability improvement, electricity market profit maximization, and congestion management
De Clercq et al. Optimal sizing of an industrial microgrid considering socio‐organisational aspects
Hu et al. Optimal operation of power systems with energy storage under uncertainty: A scenario-based method with strategic sampling
Kushwaha et al. PFR constrained energy storage and interruptible load scheduling under high RE penetration

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