CN116565949A - 一种基于态势感知的配电网电能质量治理系统及方法 - Google Patents
一种基于态势感知的配电网电能质量治理系统及方法 Download PDFInfo
- Publication number
- CN116565949A CN116565949A CN202310499987.5A CN202310499987A CN116565949A CN 116565949 A CN116565949 A CN 116565949A CN 202310499987 A CN202310499987 A CN 202310499987A CN 116565949 A CN116565949 A CN 116565949A
- Authority
- CN
- China
- Prior art keywords
- power
- distribution network
- harmonic
- electric energy
- model
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 152
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000003908 quality control method Methods 0.000 title claims abstract description 11
- 230000005611 electricity Effects 0.000 claims abstract description 90
- 238000011282 treatment Methods 0.000 claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 238000005457 optimization Methods 0.000 claims abstract description 22
- 230000000694 effects Effects 0.000 claims abstract description 17
- 238000012706 support-vector machine Methods 0.000 claims abstract description 11
- 239000002245 particle Substances 0.000 claims abstract description 10
- 238000007726 management method Methods 0.000 claims description 35
- 238000000605 extraction Methods 0.000 claims description 18
- 238000005516 engineering process Methods 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 15
- 238000001303 quality assessment method Methods 0.000 claims description 8
- 238000003326 Quality management system Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000013441 quality evaluation Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000008901 benefit Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000006698 induction Effects 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 240000002853 Nelumbo nucifera Species 0.000 description 2
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 2
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- MKHLSGKJYGBQLI-UHFFFAOYSA-N ethoxy-(2-ethylsulfanylethylsulfanyl)-methoxy-sulfanylidene-$l^{5}-phosphane Chemical compound CCOP(=S)(OC)SCCSCC MKHLSGKJYGBQLI-UHFFFAOYSA-N 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011369 optimal treatment Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06Q10/06395—Quality analysis or management
-
- 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
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy 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
- H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
-
- 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
- H02J3/01—Arrangements for reducing harmonics or ripples
-
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- 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
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
-
- 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]
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于态势感知的配电网电能质量治理系统及方法,通过获得新型源荷注入配电网的谐波污染,提取影响电能质量的重要特征量,采用支持向量机算法预测负荷节点的谐波电压畸变率;建立配电网与重要用户的双层优化模型,上层以配电网收益最大为目标,考虑网络拓扑结构对电能质量治理效果影响,建立VDAPF对负荷节点的治理模型,制定不同电能质量等级的电价;下层以用户运行成本最小为目标,根据不同电能质量的电价,建立电能质量选购策略模型。采用双层粒子群优化算法求解双层优化模型,得到配电网谐波电压治理最优方案以及用户电能质量等级选购策略,提高了电力系统的运行效率。
Description
技术领域
本发明属于电力系统优化控制领域,特别涉及一种基于态势感知的配电网电能质量治理系统及方法。
背景技术
在我国提出“双碳”目标背景下,为支撑碳达峰和碳中和目标,电力系统主要从电源侧和负荷侧对电网进行改造。在电源侧,大力发展清洁能源,提升以风电和光伏为代表的清洁能源上网比例;在负荷侧,通过煤改电设备改造、电动汽车推广等方法,提升负荷侧的节能减排力度。随着屋顶光伏、电动汽车等新型源荷的接入,大量电力电子设备的运行使得低压配电网谐波电压畸变率等电能质量问题面临很大的挑战。新型源荷的接入使得配电网电能质量不仅影响电网的安全、稳定与经济运行,而且其质量的好坏直接影响着用户侧用电设备的正常工作。一些高精密设备装置如医疗、半导体制造等,它们对电能质量问题极其敏感,一些微小的电压扰动会造成巨额的经济损失,使得用户对电能质量提出了更高的要求。因此,为了降低由电能质量扰动而造成负荷用电的经济损失,如何合理提升配电网供电的电能质量成为亟需解决的问题。
目前存在的技术问题是各类具有随机性、间歇性和大功率特征的非线性设备规模化和无序接入电网,对区域配电网谐波电压畸变率等电能质量产生了较为严重影响。电能质量的好坏直接影响用户的用电效率,这使得用户对优质电能质量有强烈的需求,从用户用电效率考虑,在用户侧对自身的电能质量进行治理,此时的治理成本很大。
发明内容
本发明的目的就是要提供一种基于态势感知的配电网电能质量治理系统及方法,为用户提供高质量的电能。基于态势感知技术,建立距离相关系数指标模型,提取对负荷节点电能质量影响较大的特征量;然后运用支持向量机算法预测日前的谐波电压畸变率;考虑配电网拓扑结构影响,建立VDAPF对各个负荷节点的谐波电压治理关系模型。基于此,建立配电网电能质量治理双层优化模型,上层配电网模型,考虑VDAPF治理谐波电压的成本,以配电网运行效率最大为目标,建立电压检测型有源滤波器(VDAPF)与负荷节点谐波治理关系模型,制定各电能质量等级的电价;下层用户模型,以用户用电效率最优为目标,建立电能质量选择模型,根据配电网反馈的不同电能质量的电价,制定用户最优的电能质量等级选购策略。
为实现此目的,本发明所设计的基于态势感知的配电网电能质量治理系统,包括特征提取模块、谐波电压预测模块、谐波电压治理模块、电能质量等级电价制定模块、电能质量等级选购模块和电能质量决策模块;所述特征提取模块用于研究新型源荷接入配电网对电能质量的影响,获得所述新型源荷注入配电网的谐波污染;基于态势感知技术,利用SCADA系统中关于特征参数的历史数据,提取影响配电网电能质量的重要特征量;所述谐波电压预测模块基于所述特征提取模块提取的重要特征量,利用支持向量机算法,对当前负荷节点的电能质量进行分析,建立电能质量评估模型;根据光伏出力变化情况,基于所述电能质量评估模型对负荷节点谐波电压畸变率进行预测,获得各负荷节点的谐波电压畸变率;所述谐波电压治理模块用于对所述特征提取模块获得的谐波污染进行诺顿等值,基于所述谐波电压预测模块获得的谐波电压畸变率,研究VDAPF对谐波电压的治理特性,基于谐波潮流模型,建立VDAPF对各个负荷节点的谐波电压治理模型,获得VDAPF对重要用户谐波的治理效果;所述电能质量等级电价制定模块用于考虑所述谐波电压治理模块获得的VDAPF对重要用户谐波的治理效果,建立上层配电网模型,以自身运行效率最大为目标,以各个用户不同用电量需求和电能质量需求为约束,制定各电能质量等级的电价;所述电能质量等级选购模块用于根据所述电能质量等级电价制定模块获得的各电能质量等级的电价,建立下层用户模型,以自身运行效率最优为目标制定最优的电能质量等级选购策略;所述电能质量决策模块采用双层粒子群优化算法,基于所述电能质量等级电价制定模块建立的上层配电网模型和所述电能质量等级选购模块建立的下层用户模型,建立双层优化模型,求解得到配电网谐波电压治理最优方案以及确定用户电能质量等级选购策略。
一种基于态势感知的配电网电能质量治理方法,它包括如下步骤:
步骤1,研究新型源荷接入配电网对电能质量的影响,获得所述新型源荷注入配电网的谐波污染;基于态势感知技术,利用SCADA系统中关于特征参数的历史数据,提取影响配电网电能质量的重要特征量;
步骤2,基于所述步骤1提取的重要特征量,利用支持向量机算法,对当前负荷节点的电能质量进行分析,建立电能质量评估模型;根据光伏出力变化情况,基于所述电能质量评估模型对负荷节点谐波电压畸变率进行预测,获得各负荷节点的谐波电压畸变率;
步骤3,对所述步骤1获得的谐波污染进行诺顿等值,基于所述步骤2获得的谐波电压畸变率,研究VDAPF对谐波电压的治理特性,基于谐波潮流模型,建立VDAPF对各个负荷节点的谐波电压治理模型,获得VDAPF对重要用户谐波的治理效果;
步骤4,考虑所述步骤3获得的VDAPF对重要用户谐波的治理效果,建立上层配电网模型,以自身运行效率最大为目标,以各个用户不同用电量需求和电能质量需求为约束,制定各电能质量等级的电价;
步骤5,根据所述步骤4获得的各电能质量等级的电价,建立下层用户模型,以自身运行效率最优为目标制定最优的电能质量等级选购策略;
步骤6,采用双层粒子群优化算法,基于所述步骤4建立的上层配电网模型和所述步骤5建立的下层用户模型,建立双层优化模型,求解得到配电网谐波电压治理最优方案以及确定用户电能质量等级选购策略。
本发明的有益效果为:
(1)本发明方法分析了多种用电场景下新型源荷的运行特性;基于态势感知技术,态势觉察阶段挖掘并获取电能质量评估的重要特征元素;态势理解阶段对态势觉察获取的元素与信息进行综合分析,提出电能质量评估方法;态势预测阶段根据谐波源变化分析电能质量变化趋势。
(2)本发明考虑了配电网网络拓扑结构,基于谐波潮流方法建立了有源电力滤波器治理谐波电压的效果模型,描述了不同电压等级的电能质量治理成本与治理效果之间的关系,考虑配电网投入治理设备运营成本与维护成本,以有源电力滤波器的实际治理效果来确定配电网电能质量治理措施。
(3)本发明建立了负荷节点谐波电压治理双层优化模型,上层配电网以自身运行效率最优,提供谐波电压治理措施和对应的治理价格;下层以用户运行效率最优为目标,自主选择电能质量等级;同时考虑了配电网运行效率和用户的用电效率,在供用电双方之间找到了一个双赢的决策点,对减少用户的用电损失以及提升配电网运行效率具有重要的实际意义。
附图说明
图1为系统结构示意图;
图2为本发明方法流程图;
图3为上层配电网和下层用户双方互动框架图;
图4为态势感知技术框架图;
图5为双层优化模型求解流程图;
其中,1-特征提取模块、2-谐波电压预测模块、3-谐波电压治理模块、4-电能质量等级电价制定模块、5-电能质量等级选购模块和6-电能质量决策模块。
具体实施方式
以下结合附图和具体实施例对本发明作进一步的详细说明:
一种基于态势感知的配电网电能质量治理系统,如图1所示,它包括特征提取模块1、谐波电压预测模块2、谐波电压治理模块3、电能质量等级电价制定模块4、电能质量等级选购模块5和电能质量决策模块6;
所述特征提取模块1用于研究新型源荷接入配电网对电能质量的影响,获得所述新型源荷注入配电网的谐波污染;基于态势感知技术,利用数据采集与监视控制系统即SCADA系统中关于特征参数的历史数据,提取影响配电网电能质量的重要特征量;
所述谐波电压预测模块2基于所述特征提取模块1提取的重要特征量,利用支持向量机算法,对当前负荷节点的电能质量进行分析,建立电能质量评估模型;根据光伏出力变化情况,基于所述电能质量评估模型对负荷节点谐波电压畸变率进行预测,获得各负荷节点的谐波电压畸变率;
所述谐波电压治理模块3用于对所述特征提取模块1获得的谐波污染进行诺顿等值,基于所述谐波电压预测模块2获得的谐波电压畸变率,研究电压检测型有源滤波器即VDAPF对谐波电压的治理特性,基于谐波潮流模型,建立VDAPF对各个负荷节点的谐波电压治理模型,获得VDAPF对重要用户谐波的治理效果,获得谐波电压治理方案;
所述电能质量等级电价制定模块4用于配电网作为售电主体,为满足用户差异化需求以及提高配电网运行效率,考虑所述谐波电压治理模块3获得的VDAPF对重要用户谐波的治理效果,建立上层配电网模型,以自身运行效率最大为目标,以各个用户不同用电量需求和电能质量需求为约束,制定各电能质量等级的电价;
所述电能质量等级选购模块5用于用户作为购电主体,其电能质量等级决定了用户的运行效率,根据所述电能质量等级电价制定模块4获得的各电能质量等级的电价,建立下层用户模型,以自身运行效率最优为目标制定最优的电能质量等级选购策略;如图3所示;
所述电能质量决策模块6采用双层粒子群优化算法,基于所述电能质量等级电价制定模块4建立的上层配电网模型和所述电能质量等级选购模块5建立的下层用户模型,建立双层优化模型,求解得到配电网谐波电压治理最优方案以及确定用户电能质量等级选购策略。
上述技术方案中,所述特征提取模块1的具体方法为:
研究新型源荷接入配电网对电能质量的影响,随着屋顶光伏、电动汽车等新型源荷的接入,大量电力电子设备的运行使得低压配电网谐波电压畸变率等电能质量问题面临很大的挑战。电力电子化配电网中单个电力电子设备的谐波发射量虽较为有限,可视为微谐波源,但大量微谐波源的叠加会使得谐波畸变率变大,从而严重影响配电网的电能质量。电力系统中影响电能质量稳态指标变化的相关因素众多,谐波畸变率与系统潮流分布、负荷用电特性等有关,综合考虑各个指标变化因素,无疑会增加配电网电能质量分析的复杂度和难度。因此,基于态势感知技术,利用SCADA系统中存储的历史数据,建立距离相关系数指标模型,对所述特征参数进行分析,提取对负荷节点谐波电压畸变率影响大的重要特征量,并以所述重要特征量作为电能质量预测的输入量,输入所述谐波电压预测模块2;
所述特征参数包括感应电压、电流、有功功率、无功功率、频率和功率因数;
所述态势感知技术包括态势觉察阶段、态势理解阶段和态势预测阶段,如图4所示,所述态势觉察阶段用于感应所述特征参数,其感知范围覆盖了配电网基础运行数据、分布式电源消纳等多重内容,其感知系统囊括了馈线自动化、配电自动化等多个体系,感知的范围大,数据量充分,能够充分反映各个负荷运行状态变化对配电网各个节点电能质量的评估;所述态势觉察阶段采用距离相关系数指标模型计算所述特征参数与谐波电压畸变率的距离相关系数,取所述距离相关系数较大的若干个指标为重要特征量,作为电能质量预测的输入,所述重要特征量的数量优选为3-4个;所述态势理解阶段对所述重要特征量进行综合分析,评估此时配电网的运行状态,所述态势预测阶段采用数据驱动算法预测配电网电能质量的未来变化趋势;
所述距离相关系数指标模型为:
式中:样本X集合为所述特征参数,样本Y集合为谐波电压畸变率数据;R2(X,Y)为样本X集合和样本Y集合的距离相关系数,Xi、Xj、Xk、Xl为样本X集合中的第i、j、k、l个样本;Yi、Yj、Yk、Yl为所述样本Y集合中第i、j、k、l个样本。
上述技术方案中,所述谐波电压预测模块2的具体实现方法为:
配电网中各个节点电能质量的变化不仅仅受自身节点的影响,还与配电网中其他节点的功率、电压和电流等参数变动有关。根据所述特征提取模块1输出的重要特征量,根据SCADA系统历史数据,基于支持向量机算法建立负荷节点电能质量预测模型,预测不同运行方式下各负荷节点的谐波电压畸变率;
所述负荷节点电能质量预测模型为多输入模型,输入量为各个谐波源y节点的有功功率、电压、电流;输出量为负荷c节点的谐波电压畸变率;
THDc,t=F(Iy,Uy,Py)
式中:THDc,t为t时间段内第c个负荷节点的谐波电压畸变率;Iy为第y个谐波源节点的电流;Uy为第y个谐波源节点的电压;Py为第y个谐波源节点的有功功率。
上述技术方案中,所述谐波电压治理模块3的具体实现方法为:
由于在实际配电网中,治理装置的位置已经固定,因此只能优化治理设备各个时间段的出力使得各个节点的谐波电压畸变率达到最佳的治理效果。根据配电网网络元件的工作特性,采用诺顿等效模型对含电力电子设备的负荷进行等值,考虑配电网网络元件特性约束和拓扑约束,基于谐波潮流模型,建立各个节点的各次谐波电压与网络元件参数的关系模型,从而得到各个节点的各次谐波电压,并计算出各个节点的谐波电压总畸变率;
所述谐波潮流模型的计算方程式为:
式中:为节点i的h次谐波电压列向量;/>为谐波源节点j的h次谐波注入电流列向量;/>为节点i和节点j的h次谐波互导纳;Yii为节点i的h次谐波自导纳,n为系统中节点的总个数;
传统的有源电力滤波器是对电网注入和谐波源大小相同相位相反的谐波电流来降低谐波电压。而VDAPF的外特性相当于一个并联虚拟电导支路,对于各h次谐波,即在支路中并联一个对应的h次谐波电导,使得谐波导纳矩阵的值变小,从而降低各次谐波电压值。所述VDAPF的等效电导G存在于对角元素中,所述谐波电压治理模型为:
式中:Gi为节点i接入VDAPF的等效电导,未接入节点的Gi=0;
VDAPF的实际补偿容量:
式中:SAPF,ci为VDAPF的实际补偿容量;为VDAPF接入节点的h次补偿谐波电导值;Uh,ci为VDAPF接入节点的h次谐波电压值;
谐波电压畸变率为:
式中:U1,i为i节点基波电压有效值;Uh,i为i节点h次谐波电压有效值,可由h次谐波潮流计算求得;THDi为i节点的谐波电压畸变率;
所述VDAPF的容量约束条件为:所述VDAPF谐波补偿过程中的所述实际补偿容量不能超出容量的限值为:
式中:lAPF,ci为预留容量系数;为VDAPF的额定容量。
上述技术方案中,所述电能质量等级电价制定模块4的具体实现方法为:
配电网作为售电主体,为满足用户差异化需求以及提高配电网运行效率,考虑VDAPF治理谐波电压的成本,以自身运行效率最大为目标,以各个用户不同用电量需求和电能质量需求为约束,制定各电能质量等级的电价。配电网的收益主要来源于出售优质电能的收入、支付给发电商的购电成本以及对各个等级电能质量的治理成本。上层为配电网效益最大化为目标,以用户的购电诉求约束、配电网拓扑约束、功率平衡约束为条件,建立上层配电网模型即配电网收益模型,上层配电网模型的目标函数如下:
maxEs=Cin-CAPF,z-Cb
式中:Es为配电网的净收益;Cin为配电网的售电收入;CAPF,z为配电网电能质量的治理成本;Cb为售电企业的购电成本;
售电企业支付给发电企业的购电成本可表示为:
Cb=pGQe
式中:pG为单位电量的购电价格;Qe为配电网的购电量;
电能质量的治理成本可表示为:
CAPF,z=CAPF,dySAPF,ci
式中:CAPF,dy为VDAPF的单位容量治理成本;SAPF,ci为VDAPF的实际补偿容量;
配电网的售电收入可表示为:
式中:为用户m在t时间段内选购第k电能质量等级的售电价格;m为用户的个数;/>为用户m在t时间段内选购第k电能质量等级的用电量;Pcom为基本电价;/>为t时间段内选购第k电能质量等级的电价;
电能质量电价表示为:
式中:α(gk)∈[1,αmax(gk)],表示为电价修正系数;m为用户的个数;为m第个用户选购电能质量等级为k时的购电量;/>表示用户在g0等级时候的电能使用成本;/>表示用户在gk等级时候的电能使用成本,g0为未治理前用户的初始等级,gk为用户选购的等级;CAPF,z,t为t时间段VDAPF的治理成本;
所述配电网的运行效率目标函数约束条件为系统功率平衡:
式中:PG为配电网的购买的有功功率;Ploss为网络损耗;Pload为负荷需求功率,T为时间段总数,以15分钟为一个调度时间尺度,则在一天内,T=96。
上述技术方案中,所述电能质量等级选购模块5的具体实现方法为:
用户根据配电网反馈的不同电能质量的电价,以自身运行效率最优为目标,建立下层用户模型即用户电能质量决策模型,目标函数如下:
式中:f为用户总的运行成本;CG为时间段t内用户总的购电成本;为用户选购第k电能质量时的电能使用成本;
电能使用成本表示如下:
式中:为用户在k等级下的单位电能使用成本;a0是电能使用成本函数的二次项系数,为常数、a1是电能使用成本函数的一次项系数,为常数;Cs0为用户在电能质量等级为g0时的单位使用成本。
上述技术方案中,所述电能质量治理模块(6)的具体实现方法为:
如图5所示,利用粒子群算法对所述上层配电网模型和下层用户模型形成的双层优化模型进行求解,得到配电网谐波电压治理最优方案以及确定用户电能质量等级选购策略。
一种利用权利要求1所述系统的基于态势感知的配电网电能质量治理方法,如图2所示,它包括以下步骤:
步骤1,研究新型源荷接入配电网对电能质量的影响,获得所述新型源荷注入配电网的谐波污染;基于态势感知技术,利用SCADA系统中关于特征参数的历史数据,提取影响配电网电能质量的重要特征量;
步骤2,基于所述步骤1提取的重要特征量,利用支持向量机算法,对当前负荷节点的电能质量进行分析,建立电能质量评估模型;根据光伏出力变化情况,基于所述电能质量评估模型对负荷节点谐波电压畸变率进行预测,获得各负荷节点的谐波电压畸变率;
步骤3,对所述步骤1获得的谐波污染进行诺顿等值,基于所述步骤2获得的谐波电压畸变率,研究VDAPF对谐波电压的治理特性,基于谐波潮流模型,建立VDAPF对各个负荷节点的谐波电压治理模型,获得VDAPF对重要用户谐波的治理效果;
步骤4,考虑所述步骤3获得的VDAPF对重要用户谐波的治理效果,建立上层配电网模型,以自身运行效率最大为目标,以各个用户不同用电量需求和电能质量需求为约束,制定各电能质量等级的电价;
步骤5,根据所述步骤4获得的各电能质量等级的电价,建立下层用户模型,以自身运行效率最优为目标制定最优的电能质量等级选购策略;
步骤6,采用双层粒子群优化算法,基于所述步骤4建立的上层配电网模型和所述步骤5建立的下层用户模型,建立双层优化模型,求解得到配电网谐波电压治理最优方案以及确定用户电能质量等级选购策略。
本说明书未作详细描述的内容属于本领域专业技术人员公知的现有技术。本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、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。
最后应当说明的是:以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本发明后依然可对发明的具体实施方式进行种种变更、修改或者等同替换,但这些变更、修改或者等同替换,均在发明待批的权利要求保护范围之内。
Claims (10)
1.一种基于态势感知的配电网电能质量治理系统,其特征在于:它包括特征提取模块(1)、谐波电压预测模块(2)、谐波电压治理模块(3)、电能质量等级电价制定模块(4)、电能质量等级选购模块(5)和电能质量决策模块(6);
所述特征提取模块(1)用于研究新型源荷接入配电网对电能质量的影响,获得所述新型源荷注入配电网的谐波污染;基于态势感知技术,利用SCADA系统中关于特征参数的历史数据,提取影响配电网电能质量的重要特征量;
所述谐波电压预测模块(2)基于所述特征提取模块(1)提取的重要特征量,利用支持向量机算法,对当前负荷节点的电能质量进行分析,建立电能质量评估模型;根据光伏出力变化情况,基于所述电能质量评估模型对负荷节点谐波电压畸变率进行预测,获得各负荷节点的谐波电压畸变率;
所述谐波电压治理模块(3)用于对所述特征提取模块(1)获得的谐波污染进行诺顿等值,基于所述谐波电压预测模块(2)获得的谐波电压畸变率,研究VDAPF对谐波电压的治理特性,基于谐波潮流模型,建立VDAPF对各个负荷节点的谐波电压治理模型,获得VDAPF对重要用户谐波的治理效果;
所述电能质量等级电价制定模块(4)用于考虑所述谐波电压治理模块(3)获得的VDAPF对重要用户谐波的治理效果,建立上层配电网模型,以自身运行效率最大为目标,以各个用户不同用电量需求和电能质量需求为约束,制定各电能质量等级的电价;
所述电能质量等级选购模块(5)用于根据电能质量等级电价制定模块(4)获得的各电能质量等级的电价,建立下层用户模型,以自身运行效率最优为目标制定最优的电能质量等级选购策略;
所述电能质量决策模块(6)采用双层粒子群优化算法,基于所述电能质量等级电价制定模块(4)建立的上层配电网模型和所述电能质量等级选购模块(5)建立的下层用户模型,建立双层优化模型,求解得到配电网谐波电压治理最优方案以及确定用户电能质量等级选购策略。
2.基于权利要求1所述的基于态势感知的配电网电能质量治理系统,其特征在于:所述特征提取模块(1)的具体方法为:
基于态势感知技术,利用SCADA系统中存储的历史数据,建立距离相关系数指标模型,对所述特征参数进行分析,提取对负荷节点谐波电压畸变率影响大的重要特征量,并以所述重要特征量作为电能质量预测的输入量,输入所述谐波电压预测模块(2);
所述特征参数包括感应电压,电流,有功功率,无功功率,频率,功率因数;
所述态势感知技术包括态势觉察阶段、态势理解阶段和态势预测阶段,所述态势觉察阶段用于感应提取所述特征参数,采用距离相关系数指标模型计算这些特征参数与谐波电压畸变率的距离相关系数,取所述距离相关系数较大的若干个指标为重要特征量,作为电能质量预测的输入;所述态势理解阶段对所述重要特征量进行综合分析,评估此时配电网的运行状态;所述态势预测阶段采用数据驱动算法预测配电网电能质量的未来变化趋势;
所述距离相关系数指标模型为:
式中:样本X集合为所述特征参数,样本Y集合为谐波电压畸变率数据;R2(X,Y)为样本X集合和样本Y集合的距离相关系数,Xi、Xj、Xk、Xl为样本X集合中的第i、j、k、l个样本;Yi、Yj、Yk、Yl为所述样本Y集合中第i、j、k、l个样本。
3.基于权利要求1所述的基于态势感知的配电网电能质量治理系统,其特征在于:所述谐波电压预测模块(2)的具体实现方法为:
根据所述特征提取模块(1)输出的重要特征量,根据所述SCADA系统中关于特征参数的历史数据,基于支持向量机算法建立负荷节点电能质量预测模型,预测不同运行方式下各负荷节点的谐波电压畸变率;
所述负荷节点电能质量预测模型为多输入模型,输入量为各个谐波源y节点的有功功率、电压、电流;输出量为负荷c节点的谐波电压畸变率;
THDc,t=F(Iy,Uy,Py)
式中:THDc,t为t时间段内第c个负荷节点的谐波电压畸变率;Iy为第y个谐波源节点的电流;Uy为第y个谐波源节点的电压;Py为第y个谐波源节点的有功功率。
4.基于权利要求1所述的基于态势感知的配电网电能质量治理系统,其特征在于:所述谐波电压治理模块(3)的具体实现方法为:
采用诺顿等效模型对含电力电子设备的负荷进行等值,考虑配电网网络元件特性约束和拓扑约束,基于谐波潮流模型,建立各个节点的各次谐波电压与网络元件参数的关系模型,从而得到各个节点的各次谐波电压,并计算出各个节点的谐波电压总畸变率;
所述谐波潮流模型的计算方程式为:
式中:为节点i的h次谐波电压列向量;/>为谐波源节点j的h次谐波注入电流列向量;Yij h为节点i和节点j的h次谐波互导纳;Yii为节点i的h次谐波自导纳,n为系统中节点的总个数;
所述VDAPF的等效电导G存在于对角元素中,所述谐波电压治理模型为:
式中:Gi为节点i接入VDAPF的等效电导,未接入节点的Gi=0;
VDAPF的实际补偿容量:
式中:SAPF,ci为VDAPF的实际补偿容量;为VDAPF接入节点的h次补偿谐波电导值;Uh,ci为VDAPF接入节点的h次谐波电压值;
谐波电压畸变率为:
式中:U1,i为i节点基波电压有效值;Uh,i为i节点h次谐波电压有效值,可由h次谐波潮流计算求得;THDi为i节点的谐波电压畸变率;
所述VDAPF的容量约束条件为:所述VDAPF谐波补偿过程中的所述实际补偿容量不能超出容量的限值为:
式中:lAPF,ci为预留容量系数;为VDAPF的额定容量。
5.基于权利要求1所述的基于态势感知的配电网电能质量治理系统,其特征在于:所述电能质量等级电价制定模块(4)的具体实现方法为:
上层为配电网效益最大化为目标,以用户的购电诉求约束、配电网拓扑约束、功率平衡约束为条件,建立上层配电网模型即配电网收益模型,上层配电网模型的目标函数如下:
maxEs=Cin-CAPF,z-Cb
式中:Es为配电网的净收益;Cin为配电网的售电收入;CAPF,z为配电网电能质量的治理成本;Cb为售电企业的购电成本;
售电企业支付给发电企业的购电成本可表示为:
Cb=pGQe
式中:pG为单位电量的购电价格;Qe为配电网的购电量;
电能质量的治理成本可表示为:
CAPF,z=CAPF,dySAPF,ci
式中:CAPF,dy为VDAPF的单位容量治理成本;SAPF,ci为VDAPF的实际补偿容量;
配电网的售电收入可表示为:
式中:为用户m在t时间段内选购第k电能质量等级的售电价格;m为用户的个数;/>为用户m在t时间段内选购第k电能质量等级的用电量;Pcom为基本电价;/>为t时间段内选购第k电能质量等级的电价;
电能质量电价表示为:
式中:α(gk)∈[1,αmax(gk)],表示为电价修正系数;m为用户的个数;为m第个用户选购电能质量等级为k时的购电量;/>表示用户在g0等级时候的电能使用成本;/>表示用户在gk等级时候的电能使用成本,g0为未治理前用户的初始等级,gk为用户选购的等级;CAPF,z,t为t时间段VDAPF的治理成本;
所述配电网的运行效率目标函数约束条件为系统功率平衡:
式中:PG为配电网的购买的有功功率;Ploss为网络损耗;Pload为负荷需求功率,T为时间段总数。
6.基于权利要求1所述的基于态势感知的配电网电能质量治理系统,其特征在于:所述电能质量等级选购模块(5)的具体实现方法为:
用户根据所述电能质量等级电价制定模块(4)获得的各电能质量等级的电价,以自身运行效率最优为目标,建立下层用户模型,目标函数如下:
式中:f为用户总的运行成本;CG为时间段t内用户总的购电成本;为用户选购第k电能质量时的电能使用成本;
电能使用成本表示如下:
式中:为用户在k等级下的单位电能使用成本;a0是电能使用成本函数的二次项系数,为常数、a1是电能使用成本函数的一次项系数,为常数;Cs0为用户在电能质量等级为g0时的单位使用成本。
7.基于权利要求1所述的基于态势感知的配电网电能质量治理系统,其特征在于:所述电能质量治理模块(6)的具体实现方法为:
利用粒子群算法对所述上层配电网模型和下层用户模型形成的双层优化模型进行求解,得到配电网谐波电压治理最优方案以及确定用户电能质量等级选购策略。
8.一种基于态势感知的配电网电能质量治理方法,其特征在于:它包括以下步骤:
步骤1,研究新型源荷接入配电网对电能质量的影响,获得所述新型源荷注入配电网的谐波污染;基于态势感知技术,利用SCADA系统中关于特征参数的历史数据,提取影响配电网电能质量的重要特征量;
步骤2,基于所述步骤1提取的重要特征量,利用支持向量机算法,对当前负荷节点的电能质量进行分析,建立电能质量评估模型;根据光伏出力变化情况,基于所述电能质量评估模型对负荷节点谐波电压畸变率进行预测,获得各负荷节点的谐波电压畸变率;
步骤3,对所述步骤1获得的谐波污染进行诺顿等值,基于所述谐波电压预测模块(2)获得的谐波电压畸变率,研究VDAPF对谐波电压的治理特性,基于谐波潮流模型,建立VDAPF对各个负荷节点的谐波电压治理模型,获得VDAPF对重要用户谐波的治理效果;
步骤4,考虑所述谐波电压治理模块(3)获得的VDAPF对重要用户谐波的治理效果,建立上层配电网模型,以自身运行效率最大为目标,以各个用户不同用电量需求和电能质量需求为约束,制定各电能质量等级的电价;
步骤5,根据所述步骤4获得的各电能质量等级的电价,建立下层用户模型,以自身运行效率最优为目标制定最优的电能质量等级选购策略;
步骤6,采用双层粒子群优化算法,基于所述步骤4建立的上层配电网模型和所述步骤5建立的下层用户模型,建立双层优化模型,求解得到配电网谐波电压治理最优方案以及确定用户电能质量等级选购策略。
9.基于权利要求8所述的基于态势感知的配电网电能质量治理方法,其特征在于:
所述步骤1的具体方法为:基于态势感知技术,利用SCADA系统中存储的历史数据,建立距离相关系数指标模型,对所述特征参数进行分析,提取对负荷节点谐波电压畸变率影响大的重要特征量,并以所述重要特征量作为电能质量预测的输入量,输入所述步骤2;
所述特征参数包括感应电压,电流,有功功率,无功功率,频率,功率因数;
所述态势感知技术包括态势觉察阶段、态势理解阶段和态势预测阶段,所述态势觉察阶段用于感应提取所述特征参数,采用距离相关系数指标模型计算这些特征参数与谐波电压畸变率的距离相关系数,取所述距离相关系数较大的若干个指标为重要特征量,作为电能质量预测的输入;所述态势理解阶段对所述重要特征量进行综合分析,评估此时配电网的运行状态;所述态势预测阶段采用数据驱动算法预测配电网电能质量的未来变化趋势;
所述距离相关系数指标模型为:
式中:样本X集合为所述特征参数,样本Y集合为谐波电压畸变率数据;R2(X,Y)为样本X集合和样本Y集合的距离相关系数,Xi、Xj、Xk、Xl为样本X集合中的第i、j、k、l个样本;Yi、Yj、Yk、Yl为所述样本Y集合中第i、j、k、l个样本;
所述步骤2的具体实现方法为:根据所述步骤1输出的重要特征量,根据所述SCADA系统中关于特征参数的历史数据,基于支持向量机算法建立负荷节点电能质量预测模型,预测不同运行方式下各负荷节点的谐波电压畸变率;
所述负荷节点电能质量预测模型为多输入模型,输入量为各个谐波源y节点的有功功率、电压、电流;输出量为负荷c节点的谐波电压畸变率;
THDc,t=F(Iy,Uy,Py)
式中:THDc,t为t时间段内第c个负荷节点的谐波电压畸变率;Iy为第y个谐波源节点的电流;Uy为第y个谐波源节点的电压;Py为第y个谐波源节点的有功功率。
10.基于权利要求8所述的基于态势感知的配电网电能质量治理方法,其特征在于:
所述步骤3的具体实现方法为:采用诺顿等效模型对含电力电子设备的负荷进行等值,考虑配电网网络元件特性约束和拓扑约束,基于谐波潮流模型,建立各个节点的各次谐波电压与网络元件参数的关系模型,从而得到各个节点的各次谐波电压,并计算出各个节点的谐波电压总畸变率;
所述谐波潮流模型的计算方程式为:
式中:为节点i的h次谐波电压列向量;/>为谐波源节点j的h次谐波注入电流列向量;Yij h为节点i和节点j的h次谐波互导纳;Yii为节点i的h次谐波自导纳,n为系统中节点的总个数;
所述VDAPF的等效电导G存在于对角元素中,所述谐波电压治理模型为:
式中:Gi为节点i接入VDAPF的等效电导,未接入节点的Gi=0;
VDAPF的实际补偿容量:
式中:SAPF,ci为VDAPF的实际补偿容量;为VDAPF接入节点的h次补偿谐波电导值;Uh,ci为VDAPF接入节点的h次谐波电压值;
谐波电压畸变率为:
式中:U1,i为i节点基波电压有效值;Uh,i为i节点h次谐波电压有效值,可由h次谐波潮流计算求得;THDi为i节点的谐波电压畸变率;
所述VDAPF的容量约束条件为:所述VDAPF谐波补偿过程中的所述实际补偿容量不能超出容量的限值为:
式中:lAPF,ci为预留容量系数;为VDAPF的额定容量;
所述步骤4的具体实现方法为:上层为配电网效益最大化为目标,以用户的购电诉求约束、配电网拓扑约束、功率平衡约束为条件,建立上层配电网模型即配电网收益模型,上层配电网模型的目标函数如下:
maxEs=Cin-CAPF,z-Cb
式中:Es为配电网的净收益;Cin为配电网的售电收入;CAPF,z为配电网电能质量的治理成本;Cb为售电企业的购电成本;
售电企业支付给发电企业的购电成本可表示为:
Cb=pGQe
式中:pG为单位电量的购电价格;Qe为配电网的购电量;
电能质量的治理成本可表示为:
CAPF,z=CAPF,dySAPF,ci
式中:CAPF,dy为VDAPF的单位容量治理成本;SAPF,ci为VDAPF的实际补偿容量;
配电网的售电收入可表示为:
式中:为用户m在t时间段内选购第k电能质量等级的售电价格;m为用户的个数;/>为用户m在t时间段内选购第k电能质量等级的用电量;Pcom为基本电价;/>为t时间段内选购第k电能质量等级的电价;
电能质量电价表示为:
式中:α(gk)∈[1,αmax(gk)],表示为电价修正系数;m为用户的个数;为m第个用户选购电能质量等级为k时的购电量;/>表示用户在g0等级时候的电能使用成本;/>表示用户在gk等级时候的电能使用成本,g0为未治理前用户的初始等级,gk为用户选购的等级;CAPF,z,t为t时间段VDAPF的治理成本;
所述配电网的运行效率目标函数约束条件为系统功率平衡:
式中:PG为配电网的购买的有功功率;Ploss为网络损耗;Pload为负荷需求功率,T为时间段总数;
所述步骤5的具体实现方法为:用户根据所述步骤4获得的各电能质量等级的电价,以自身运行效率最优为目标,建立下层用户模型,目标函数如下:
式中:f为用户总的运行成本;CG为时间段t内用户总的购电成本;为用户选购第k电能质量时的电能使用成本;
电能使用成本表示如下:
式中:为用户在k等级下的单位电能使用成本;a0是电能使用成本函数的二次项系数,为常数、a1是电能使用成本函数的一次项系数,为常数;Cs0为用户在电能质量等级为g0时的单位使用成本;
所述步骤6的具体实现方法为:
利用粒子群算法对所述上层配电网模型和下层用户模型形成的双层优化模型进行求解,得到配电网谐波电压治理最优方案以及确定用户电能质量等级选购策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310499987.5A CN116565949A (zh) | 2023-04-27 | 2023-04-27 | 一种基于态势感知的配电网电能质量治理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310499987.5A CN116565949A (zh) | 2023-04-27 | 2023-04-27 | 一种基于态势感知的配电网电能质量治理系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116565949A true CN116565949A (zh) | 2023-08-08 |
Family
ID=87501216
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310499987.5A Pending CN116565949A (zh) | 2023-04-27 | 2023-04-27 | 一种基于态势感知的配电网电能质量治理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116565949A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117710153A (zh) * | 2024-02-06 | 2024-03-15 | 深圳市先行电气技术有限公司 | 一种基于多终端设备的用能辅助决策方法和系统 |
-
2023
- 2023-04-27 CN CN202310499987.5A patent/CN116565949A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117710153A (zh) * | 2024-02-06 | 2024-03-15 | 深圳市先行电气技术有限公司 | 一种基于多终端设备的用能辅助决策方法和系统 |
CN117710153B (zh) * | 2024-02-06 | 2024-05-10 | 深圳市先行电气技术有限公司 | 一种基于多终端设备的用能辅助决策方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Robust model of electric vehicle charging station location considering renewable energy and storage equipment | |
CN110969284B (zh) | 一种配电网双层优化调度方法 | |
Sun et al. | Optimization planning method of distributed generation based on steady-state security region of distribution network | |
Wu et al. | Source-network-storage joint planning considering energy storage systems and wind power integration | |
CN110137988B (zh) | 含光伏的主动配电网储能系统定容选址规划方法及系统 | |
CN116565949A (zh) | 一种基于态势感知的配电网电能质量治理系统及方法 | |
CN111564898A (zh) | 一种基于智能电表的多功能智能控制系统 | |
CN111861248B (zh) | 一种配电网的电能质量治理效果综合评估方法及装置 | |
Lu et al. | Online optimization of energy management strategy for FCV control parameters considering dual power source lifespan decay synergy | |
CN115395539A (zh) | 一种计及定制电力服务的共享储能运行控制方法 | |
Zou et al. | Hierarchical evaluation framework for coupling effect enhancement of renewable energy and thermal power coupling generation system | |
Li et al. | Double-layer optimized configuration of distributed energy storage and transformer capacity in distribution network | |
Tian et al. | Multi-objective collaborative optimization of VDAPFs and SVGs allocation considering MFGCIs contribution for voltage partitioning mitigation in distribution networks | |
Dong et al. | Nonlinear load harmonic prediction method based on power distribution Internet of Things | |
CN110011424A (zh) | 一种智能微电网分布式云储能系统安全稳定控制方法 | |
CN115693797A (zh) | 考虑v2g与需求响应的配电网调度方法、介质及系统 | |
Tan et al. | Time-of-use price optimizing model and fuzzy solving method | |
Ji et al. | A electric power optimal scheduling study of hybrid energy storage system integrated load prediction technology considering ageing mechanism | |
CN113013909A (zh) | 一种基于平抑牵引的储能容量改进方法 | |
Xia et al. | Assessment of the carrying capacity of distributed generation in distribution network considering soft open point | |
Li et al. | A Two-Layer Scheme for Operating Renewable Based-Micro-Grid by Considering Economics and Grid Stability | |
Xie et al. | Investment Strategy of Reactive Power Compensation Scheme in Wind Turbine Distribution Network Based on Optimal Allocation | |
Afaghzadeh et al. | Loss reduction and voltage improvement of Meshkinshahr distribution network with optimal capacitor placement using BPSO algorithm | |
CN116247722A (zh) | 电能路由器能量优化调度智能控制系统及方法 | |
Luo et al. | Calculation method and system of energy efficiency evaluation based on integrated power grid |
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 |