CN116645238A - 基于电压损失的含光伏电源低压配电网线损率计算方法 - Google Patents

基于电压损失的含光伏电源低压配电网线损率计算方法 Download PDF

Info

Publication number
CN116645238A
CN116645238A CN202310578165.6A CN202310578165A CN116645238A CN 116645238 A CN116645238 A CN 116645238A CN 202310578165 A CN202310578165 A CN 202310578165A CN 116645238 A CN116645238 A CN 116645238A
Authority
CN
China
Prior art keywords
photovoltaic
user
voltage
determining
data
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
Application number
CN202310578165.6A
Other languages
English (en)
Inventor
谭煌
于海波
陈天阳
陈昊
乔文俞
刘婧
李媛
刁新平
李亚杰
谷凯
田成明
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.)
China Electric Power Research Institute Co Ltd CEPRI
Original Assignee
China Electric Power Research Institute Co Ltd CEPRI
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 China Electric Power Research Institute Co Ltd CEPRI filed Critical China Electric Power Research Institute Co Ltd CEPRI
Priority to CN202310578165.6A priority Critical patent/CN116645238A/zh
Publication of CN116645238A publication Critical patent/CN116645238A/zh
Pending legal-status Critical Current

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Biomedical Technology (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Human Resources & Organizations (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于电压损失的含光伏电源低压配电网线损率计算方法，包括：光伏电源接入配电网线路后，收集用电数据，其中用电数据包括：台区线损统计表、用户日用电量明细、电压曲线数据、电流曲线数据、功率因数曲线和功率曲线数据；利用电压降落法和光伏出力时刻分析法，根据电压曲线数据，确定光伏邻近用户；根据预先设定的线性约束条件、用电数据以及光伏邻近用户，利用遗传算法确定消纳用户以及消纳用户对应的光伏消纳区域；根据光伏消纳范围以及线损计算公式，计算光伏电源接入配电网后的配电网线损。

Description

基于电压损失的含光伏电源低压配电网线损率计算方法
技术领域
本发明涉及配电网线损计算技术领域，并且更具体地，涉及一种基于电压损失的含光伏电源低压配电网线损率计算方法。
背景技术
配电网中的线路、变压器和串联电抗器因电阻的存在，当电流经过时会产生功率损失和电能损耗，理论线损值的准确计算有利于降损节能，增加线损管理精细程度，助力企业保证经济效益。
目前对台区线损计算主要分为传统方法和基于机器学习的方法。传统方法包括台区损耗率法、等值电阻法、潮流法等方法，存在计算精度不高或数据质量要求较高的问题，无法满足现阶段大规模台区精益化管理要求。机器学习的方法有基于支持向量机的计算方法、基于传统BP神经网络的算法、基于改进K-means聚类和BP神经网络的计算方法等，但存在算法计算开销大、收敛速度慢或聚类随机设定中心的问题，导致计算的线损值不是相对最优解，无法支撑线损精益化管理。
电压损失法因其所需数据种类少，程序简单，计算精度较高等优点而广泛应用于低压配电网线损率计算。电压损失法(简称压降法)计算理论线损原理：基于台区每一个用户每一时刻的电压损失百分比与功率损失百分比之间存在的比例关系，通过易于测量的电压损失百分比来计算台区线损。针对非光伏台区(单电源供电)，该方法基于总表有功功率曲线、无功功率曲线、用户相序、电压曲线、电流曲线、功率因数曲线进行计算，计算较为准确。
但随着清洁型分布式光伏电源接入配电网数量的增加，对配电网潮流分布产生影响，导致线路节点电压的变化，传统电压损失法计算线路损耗误差较大，不能准确反映线路损耗的变化。
发明内容
针对现有技术的不足，本发明提供一种基于电压损失的含光伏电源低压配电网线损率计算方法。
根据本发明的一个方面，提供了一种基于电压损失的含光伏电源低压配电网线损率计算方法，包括：
光伏电源接入配电网线路后，收集用电数据，其中用电数据包括：台区线损统计表、用户日用电量明细、电压曲线数据、电流曲线数据、功率因数曲线和功率曲线数据；
利用电压降落法和光伏出力时刻分析法，根据电压曲线数据，确定光伏邻近用户；
根据预先设定的线性约束条件、用电数据以及光伏邻近用户，利用遗传算法确定消纳用户以及消纳用户对应的光伏消纳区域；
根据光伏消纳范围以及线损计算公式，计算光伏电源接入配电网后的配电网线损。
可选地，还包括：
采用箱线图分析方法对用电数据中的异常值进行剔除；
对用电数据中的缺失值采用各户各个时刻的曲线均值进行填充。
可选地，利用电压降落法和光伏出力时刻分析法，根据电压曲线数据，确定光伏邻近用户，包括：
利用电压降落法，根据电压曲线数据，确定各用户与考核表的电气距离，确定第一光伏邻近用户；
利用光伏用户的电流曲线数据确定光伏出力时刻，并计算光伏用户和普通用户在光伏出力时刻的电压曲线相关性，确定第二光伏邻近用户；
通过综合相关性分析法对第一光伏邻近用户和第二光伏邻近用户进行综合相关性计算，确定光伏邻近用户。
可选地，利用电压降落法，根据电压曲线数据，确定各用户与考核表的电气距离，确定第一光伏邻近用户，包括：
计算出所有用户的7天的电压均值，根据电压均值进行降序排列，确定各用户的距离台区上电表的相对位置，确定第一光伏邻近用户。
可选地，利用光伏用户的电流曲线数据确定光伏出力时刻，并计算光伏用户和普通用户在光伏出力时刻的电压曲线相关性，确定第二光伏邻近用户，包括：
对台区上网表和普通用户表在光伏出力时刻的7天电压曲线进行分析，采用皮尔逊相关系数方法与余弦距离相结合的方法，对台区下用户的电压曲线与台区上网表的电压曲线分别进行相关性和距离计算；
将相关性和距离计算结果进行综合加权并排序，根据最终相关性排名确定第二光伏邻近用户。
可选地，线性规划的目标函数表达式如下：
dgi＝1-Ci
其中，xi是0-1变量；dgi表示光伏用户和普通用户i的距离；N为光伏用户邻近普通用户数的集合；Ii为普通用户i的电流值；Ci为普通用户i的相关性系数；Ui为普通用户i的电压值；Ug为光伏用户的电压值；
目标函数的约束条件为：1)保证光伏的上网电量被邻近用户完全消纳，偏差在一个预设的极小值范围；2)消纳用户数量小于等于邻近用户数；
约束条件的表达式为：
其中，Pg表示光伏上网功率；Pi为普通用户i的用电功率；ξ为极小数，取0.5。
可选地，根据预先设定的线性约束条件、用电数据以及光伏邻近用户，利用遗传算法确定消纳用户以及消纳用户对应的光伏消纳区域，包括：
光伏邻近用户作为遗传算法问题的所有候选解，根据遗传算法的计算步骤计算满足线性规划约束的最优用户为最终的消纳用户；
根据消纳用户，确定光伏消纳区域。
根据本发明的另一个方面，提供了一种基于电压损失的含光伏电源低压配电网线损率计算装置，包括：
收集模块，用于光伏电源接入配电网线路后，收集用电数据，其中用电数据包括：台区线损统计表、用户日用电量明细、电压曲线数据、电流曲线数据、功率因数曲线和功率曲线数据；
第一确定模块，用于利用电压降落法和光伏出力时刻分析法，根据电压曲线数据，确定光伏邻近用户；
第二确定模块，用于根据预先设定的线性约束条件、用电数据以及光伏邻近用户，利用遗传算法确定消纳用户以及消纳用户对应的光伏消纳区域；
计算模块，用于根据光伏消纳范围以及线损计算公式，计算光伏电源接入配电网后的配电网线损。
根据本发明的又一个方面，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行本发明上述任一方面所述的方法。
根据本发明的又一个方面，提供了一种电子设备，所述电子设备包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现本发明上述任一方面所述的方法。
从而，本发明提供的一种基于电压损失法的含光伏电源低压配电网线损计算方法，首先给出光伏电源接入后，根据电压降落法和光伏出力时刻的电压相关性综合确定光伏上网表的邻近用户，然后基于电压、电流和功率等数据将消纳范围划分转化为多约束条件下的线性规划问题，利用遗传算法确定消纳用户，最终确定光伏消纳范围，最后给出划定光伏台区消纳范围后低压配电网线损计算方法，实现光伏台区线损的精益化管理。
附图说明
通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：
图1是本发明一示例性实施例提供的基于电压损失的含光伏电源低压配电网线损率计算方法的流程示意图；
图2是本发明一示例性实施例提供的基于电压损失的含光伏电源低压配电网线损率计算方法的另一流程示意图；
图3是本发明一示例性实施例提供的某含光伏电源的低压配电网线路图；
图4是本发明一示例性实施例提供的基于电压损失的含光伏电源低压配电网线损率计算装置的结构示意图；
图5是本发明一示例性实施例提供的电子设备的结构。
具体实施方式
下面，将参考附图详细地描述根据本发明的示例实施例。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。
应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
本领域技术人员可以理解，本发明实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等，既不代表任何特定技术含义，也不表示它们之间的必然逻辑顺序。
还应理解，在本发明实施例中，“多个”可以指两个或两个以上，“至少一个”可以指一个、两个或两个以上。
还应理解，对于本发明实施例中提及的任一部件、数据或结构，在没有明确限定或者在前后文给出相反启示的情况下，一般可以理解为一个或多个。
另外，本发明中术语“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，本发明中字符“/”，一般表示前后关联对象是一种“或”的关系。
还应理解，本发明对各个实施例的描述着重强调各个实施例之间的不同之处，其相同或相似之处可以相互参考，为了简洁，不再一一赘述。
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，技术、方法和设备应当被视为说明书的一部分。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
本发明实施例可以应用于终端设备、计算机系统、服务器等电子设备，其可与众多其它通用或专用计算系统环境或配置一起操作。适于与终端设备、计算机系统、服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于：个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统﹑大型计算机系统和包括上述任何系统的分布式云计算技术环境，等等。
终端设备、计算机系统、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施，分布式云计算环境中，任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
示例性方法
图1是本发明一示例性实施例提供的基于电压损失的含光伏电源低压配电网线损率计算方法的流程示意图。本实施例可应用在电子设备上，如图1所示，基于电压损失的含光伏电源低压配电网线损率计算方法100包括以下步骤：
步骤101，光伏电源接入配电网线路后，收集用电数据，其中用电数据包括：台区线损统计表、用户日用电量明细、电压曲线数据、电流曲线数据、功率因数曲线和功率曲线数据；
步骤102，利用电压降落法和光伏出力时刻分析法，根据电压曲线数据，确定光伏邻近用户；
步骤103，根据预先设定的线性约束条件、用电数据以及光伏邻近用户，利用遗传算法确定消纳用户以及消纳用户对应的光伏消纳区域；
步骤104，根据光伏消纳范围以及线损计算公式，计算光伏电源接入配电网后的配电网线损。
可选地，还包括：
采用箱线图分析方法对用电数据中的异常值进行剔除；
对用电数据中的缺失值采用各户各个时刻的曲线均值进行填充。
可选地，利用电压降落法和光伏出力时刻分析法，根据电压曲线数据，确定光伏邻近用户，包括：
利用电压降落法，根据电压曲线数据，确定各用户与考核表的电气距离，确定第一光伏邻近用户；
利用光伏用户的电流曲线数据确定光伏出力时刻，并计算光伏用户和普通用户在光伏出力时刻的电压曲线相关性，确定第二光伏邻近用户；
通过综合相关性分析法对第一光伏邻近用户和第二光伏邻近用户进行综合相关性计算，确定光伏邻近用户。
可选地，利用电压降落法，根据电压曲线数据，确定各用户与考核表的电气距离，确定第一光伏邻近用户，包括：
计算出所有用户的7天的电压均值，根据电压均值进行降序排列，确定各用户的距离台区上电表的相对位置，确定第一光伏邻近用户。
可选地，利用光伏用户的电流曲线数据确定光伏出力时刻，并计算光伏用户和普通用户在光伏出力时刻的电压曲线相关性，确定第二光伏邻近用户，包括：
对台区上网表和普通用户表在光伏出力时刻的7天电压曲线进行分析，采用皮尔逊相关系数方法与余弦距离相结合的方法，对台区下用户的电压曲线与台区上网表的电压曲线分别进行相关性和距离计算；
将相关性和距离计算结果进行综合加权并排序，根据最终相关性排名确定第二光伏邻近用户。
可选地，线性规划的目标函数表达式如下：
dgi＝1-Ci
其中，xi是0-1变量；dgi表示光伏用户和普通用户i的距离；N为光伏用户邻近普通用户数的集合；Ii为普通用户i的电流值；Ci为普通用户i的相关性系数；Ui为普通用户i的电压值；Ug为光伏用户的电压值；
目标函数的约束条件为：1)保证光伏的上网电量被邻近用户完全消纳，偏差在一个预设的极小值范围；2)消纳用户数量小于等于邻近用户数；
约束条件的表达式为：
其中，Pg表示光伏上网功率；Pi为普通用户i的用电功率；ξ为极小数，取0.5。
可选地，根据预先设定的线性约束条件、用电数据以及光伏邻近用户，利用遗传算法确定消纳用户以及消纳用户对应的光伏消纳区域，包括：
光伏邻近用户作为遗传算法问题的所有候选解，根据遗传算法的计算步骤计算满足线性规划约束的最优用户为最终的消纳用户；
根据消纳用户，确定光伏消纳区域。
具体地，传统压降法因其原理清晰简单、依赖数据少、计算精度高等优点而广泛应用于低压配电网线损率计算。针对光伏台区，因为涉及到多电源供电的问题(市供电、光伏发电户供电)，压降计算方法需要确定的用电用户每刻的供电来源，因此需要应用数据挖掘方法，计算出用电用户各个时刻的供电来源，即识别出光伏上网表的消纳用户，然后再基于压降法精准计算台区线损率，提升含光伏电源配电网线损率计算的准确性。
本发明提出一种基于电压损失法的含光伏电源低压配电网线损计算方法，首先给出光伏电源接入后，配电网节点电压变化量的计算过程，接着是根据电压降落法和光伏出力时刻的电压相关性综合确定光伏上网表的邻近用户，然后基于电压、电流和功率等数据将消纳范围划分转化为多约束条件下的线性规划问题，利用遗传算法确定消纳用户，最终确定光伏消纳范围，最后给出划定光伏台区消纳范围后低压配电网线损计算方法。
具体地，参考图2所示，本发明光伏电源消纳区域划分具体步骤如下：
(1)光伏台区消纳区域分析流程
光伏台区消纳区域分析流程如图2所示，首先对光伏电源接入对配电网线路节点电压变化进行分析；然后获取数据并对数据进行清洗处理；其次根据光伏上网电量的“就近消纳”原则，需要识别出光伏用户的邻近用户；最后再结合电压、电流等数据，准确识别出光伏上网电量的最终消纳用户，实现消纳区域的划分。
(2)数据获取和预处理
需要获取的数据包括台区线损统计表、用户日用电量明细、电压曲线数据、电流曲线数据、功率因数曲线和功率曲线数据等。
由于异常值的存在会影响模型计算，本文采用箱线图分析方法进行异常值剔除，对于缺失值采用各户各个时刻的曲线均值进行填充。
(3)光伏邻近用户识别模型
分布式光伏邻近用户的判定方法是根据光伏用户和普通用户的电压潮流降落和在光伏出力时刻的电压相关性综合确定。
首先利用光伏未发电时刻的台区电压数据，计算各用户与考核表的电气距离，初步识别光伏用户邻近的普通用户。然后利用光伏用户电流曲线数据确定光伏出力时刻，并计算光伏用户和普通用户在光伏出力时刻的电压曲线相关性，最终确定光伏用户邻近的普通用户。具体实现过程为：
1)电压潮流降落法
根据电气学原理，当线路上同时存在负载时，因为线路存在电阻会产生压降。理论上距离台区电源电气距离越近，电压越高；离台区电源电气距离越远，电压越低。根据台区各用户7天内无光伏发电影响且都有负载的时刻电压均值，来判断台区下各用户与台区电源考核表的相对位置，根据相对位置来判断上网表邻近的用户表。其相关系数如式(3)所示，距离越近，则相关系数越大。
ΔUgi＝|Ug-Ui| (2)
其中，Ui表示用户i的7天电压均值，Ug是上网表的电压均值，以ΔUgi作为判断距离上网表的远近。每个用户t天利用的时刻点一致。
计算出所有用户的7天的电压均值后，根据电压均值进行降序排列，可以相对画出各用户的相对位置，从而找到发电用户的位置，在上网表周围的用户可以认为是它的邻近用户。
2)光伏出力时刻的相关性方法
根据大量现场上网表在光伏出力时刻和未出力时刻的电流曲线的变化规律，确定光伏出力时刻。对台区上网表和普通用户表在光伏出力时刻的7天电压曲线进行分析，采用皮尔逊相关系数方法与余弦距离相结合的方法，对台区下用户的电压曲线与台区上网表的电压曲线分别进行相关性和距离计算，利用两种方法的结果进行综合加权并排序，根据最终相关性排名确定上网表的邻近用户。具体计算实现如下：
皮尔逊相关系数的计算公式如下：
其中，Xi为普通用户表i七天的n个出力时刻点电压数据的向量化表示(按照时间顺序把光伏出力时刻的电压数据拼接为一个时间序列数据)，Yj为发电表j七天的n个时刻点电压数据/>的向量化表示(按照时间顺序把光伏出力时刻的电压数据拼接为一个时间序列数据)，E(Xi)代表Xi的数学期望。
余弦距离即余弦相似度，它用两个向量夹角的余弦值度量两个向量的相似性。计算公式如下：
光伏出力时刻相关性计算：
gi＝w1*corr(Xi,Yj)+w2*cos(Xi,Yj) (6)
其中，w1和w2取0.5，corr(Xi,Yj)和cos(Xi,Yj)分别是皮尔逊相关系数和余弦相似度，最终利用两种方法的结果进行综合加权，计算每个普通用户i与各发电表的光伏出力时刻相关性gi，从而根据最终相关性排名判定各发电表的邻近用户。
3)综合相关性：
结合电压降落法的相关性ρi和光伏出力时刻的相关性gi计算综合相关性。
Ci＝w1*gi+w2*ρi (7)
其中，w1取0.8,w2取0.2，因为电压降落法是一种相对评估发电表邻近用户的方法，准确性没有光伏出力时刻相关性方法高，因此权重相对较低。
(4)分布式光伏消纳区域识别模型
基于分时分相电压、电流、功率和邻近用户等多维数据，将光伏消纳区域抽象为多约束下的数学关系，建立光伏用户与消纳区域之间的联系，构建光伏消纳区域识别模型。该模型以光伏台区为对象构建线性规划方程组，利用遗传算法进行迭代搜索，最终输出光伏消纳区域，为光伏台区按照消纳范围拆分台区并进行压降计算提供支撑。(线性规划模型是以分时分相的粒度构建及计算求解的，即每个时刻都按照台区不同的相位分别构建求解线性规划模型。每个时刻每个相位的线性规划模型是根据电压、电流、功率和邻近用户等多维数据构建和求解)
1)线性规划：线性规划是研究在多个限定条件(线性等式或不等式表示)下，使线性目标函数取得最大值(最小值)的问题。线性规划问题的目标函数及约束条件均为线性函数；约束条件记为s.t.(即subject to)。其目标为：该时刻的光伏上网电量完全被最近的普通用户消纳完，即用最小距离来优先选取光伏上网表的最近用户。
目标函数表达式为：
dgi＝1-Ci (10)
其中，xi是0-1变量；dgi表示光伏用户和普通用户i的距离；N为光伏用户邻近普通用户数的集合；Ii为普通用户i的电流值；Ci为普通用户i的相关性系数；Ui为普通用户i的电压值；Ug为光伏用户的电压值。
其约束条件为：1)保证光伏的上网电量被邻近用户完全消纳，偏差在一个极小值范围；2)是消纳用户数量小于等于邻近用户数；
约束条件的表达式为：
其中，Pg表示光伏上网功率；Pi为普通用户i的用电功率；ξ为极小数，取0.5。
2)遗传算法：遗传算法是模仿自然界生物进化机制发展起来的随机全局搜索和优化方法，其本质是一种高效、并行、全局搜索的方法，能在搜索过程中自动获取和积累有关搜索空间的知识，并自适应地控制搜索过程以求得最佳解。消纳区域划分方案中，邻近的光伏消纳用户是问题的所有候选解，根据遗传算法的计算步骤计算满足线性规划约束的最优用户为最终的消纳用户，完成消纳区域划分。遗传算法计算步骤：
(a)初始化染色体群体。随机抽取一组根据综合相关性计算的邻近用户作为候选解，问题的候选解用染色体表示，产生代表问题可能潜在解集的一个初始群体。本问题含有N个光伏邻近用户，问题的候选解是满足条件的用户组合，设定染色体的长度为N，表示为一个长度为N的序列(1,2,…,N)，设定第i个用户在该可行解(满足基本电压约束条件)中则第i个位置为1，不在则为0，例如：一个染色体可以表示为(1,0,0,1,1,…,0)。随机M次满足约束条件的光伏邻近用户，生成M个候选解，每个候选解即为一个染色体，组成初始染色体群体；
(b)评价得到群体中每个染色体的适应值。利用群体中每个个体的适应程度来指导搜索，适应度是根据目标函数值转换得到；
(c)根据适应值选择父母。首先，计算当前群体中各个染色体的适应度fit(m),＝1,2,…,M；然后，计算群体中所有染色体的适应度之和最后，计算当前群体中各个染色体的选择概率/>遵照适应度越高，选择概率越大的原则，从种群中选择两个染色体个体作为父方和母方。
以图3某低压配电网线路为例。其中，首端为变压器，G为光伏用户，R为线路电阻，I为电流，P为用户负荷功率。
线路理论线损计算方法如式(18)所示：
假设光伏G的消纳范围为R4。划分光伏消纳范围后，计算流程如下：
(1)首端变压器供电压降：
(2)光伏供电压降：
(3)压降算法损失功率，即本申请中计算配电网线损所使用的线损计算公式：
(4)计算理论损失功率和压降法损失功率的偏差：
如果光伏消纳范围内的用户全部消纳光伏功率，则此时ΔP＝0。因此，若以光伏用户为中心获得准确的消纳范围，通过拆分等效台区的形式叠加台区和光伏的压差损耗，与实际的理论线损是相等的，即光伏台区基于准确消纳范围的压降计算方法与实例的理论线损是相等的。
根据某网省全部含分布式电源的配电网台区应用该计算方法，计算的理论线损率和统计线损率偏差绝对值小于2的占比达到90％；验证了100个含拓扑结构的台区，利用潮流方法计算结果和本方法的结果对比，平均绝对百分比误差(MAPE)为4.51％，方法计算的精确度很高。从而本发明的方法可以更加精准的对含分布式电源的台区进行管理。
其中，评估指标：平均绝对百分比误差(MAPE)
其中，n是模型应用的样本数，yi是统计线损率，是该模型计算的线损率，取值范围为[0,+∞)，MAPE为0％表示完美模型，MAPE大于100％则表示劣质模型。MAPE的值越小，说明预测模型拥有更好的精确度。
从而，本发明提供的一种基于电压损失法的含光伏电源低压配电网线损计算方法，首先给出光伏电源接入后，根据电压降落法和光伏出力时刻的电压相关性综合确定光伏上网表的邻近用户，然后基于电压、电流和功率等数据将消纳范围划分转化为多约束条件下的线性规划问题，利用遗传算法确定消纳用户，最终确定光伏消纳范围，最后给出划定光伏台区消纳范围后低压配电网线损计算方法，实现光伏台区线损的精益化管理。
示例性装置
图4是本发明一示例性实施例提供的基于电压损失的含光伏电源低压配电网线损率计算装置的结构示意图。如图4所示，装置400包括：
收集模块410，用于光伏电源接入配电网线路后，收集用电数据，其中用电数据包括：台区线损统计表、用户日用电量明细、电压曲线数据、电流曲线数据、功率因数曲线和功率曲线数据；
第一确定模块420，用于利用电压降落法和光伏出力时刻分析法，根据电压曲线数据，确定光伏邻近用户；
第二确定模块430，用于根据预先设定的线性约束条件、用电数据以及光伏邻近用户，利用遗传算法确定消纳用户以及消纳用户对应的光伏消纳区域；
计算模块440，用于根据光伏消纳范围以及线损计算公式，计算光伏电源接入配电网后的配电网线损。
可选地，装置400还包括：
剔除模块，用于采用箱线图分析方法对用电数据中的异常值进行剔除；
填充模块，用于对用电数据中的缺失值采用各户各个时刻的曲线均值进行填充。
可选地，第一确定模块420，包括：
第一确定子模块，用于利用电压降落法，根据电压曲线数据，确定各用户与考核表的电气距离，确定第一光伏邻近用户；
第二确定子模块，用于利用光伏用户的电流曲线数据确定光伏出力时刻，并计算光伏用户和普通用户在光伏出力时刻的电压曲线相关性，确定第二光伏邻近用户；
第三确定子模块，用于通过综合相关性分析法对第一光伏邻近用户和第二光伏邻近用户进行综合相关性计算，确定光伏邻近用户。
可选地，第一确定子模块，包括：
第一确定单元，用于计算出所有用户的7天的电压均值，根据电压均值进行降序排列，确定各用户的距离台区上电表的相对位置，确定第一光伏邻近用户。
可选地，第二确定子模块，包括：
计算单元，用于对台区上网表和普通用户表在光伏出力时刻的7天电压曲线进行分析，采用皮尔逊相关系数方法与余弦距离相结合的方法，对台区下用户的电压曲线与台区上网表的电压曲线分别进行相关性和距离计算；
第二确定单元，用于将相关性和距离计算结果进行综合加权并排序，根据最终相关性排名确定第二光伏邻近用户。
可选地，线性规划的目标函数表达式如下：
dgi＝1-Ci
其中，xi是0-1变量；dgi表示光伏用户和普通用户i的距离；N为光伏用户邻近普通用户数的集合；Ii为普通用户i的电流值；Ci为普通用户i的相关性系数；Ui为普通用户i的电压值；Ug为光伏用户的电压值；
目标函数的约束条件为：1)保证光伏的上网电量被邻近用户完全消纳，偏差在一个预设的极小值范围；2)消纳用户数量小于等于邻近用户数；
约束条件的表达式为：
其中，Pg表示光伏上网功率；Pi为普通用户i的用电功率；ξ为极小数，取0.5。
可选地，第二确定模块430，包括：
计算子模块，用于光伏邻近用户作为遗传算法问题的所有候选解，根据遗传算法的计算步骤计算满足线性规划约束的最优用户为最终的消纳用户；
第四确定子模块，用于根据消纳用户，确定光伏消纳区域。
示例性电子设备
图5是本发明一示例性实施例提供的电子设备的结构。如图5所示，电子设备50包括一个或多个处理器51和存储器52。
处理器51可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备中的其他组件以执行期望的功能。
存储器52可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器51可以运行所述程序指令，以实现上文所述的本发明的各个实施例的软件程序的方法以及/或者其他期望的功能。在一个示例中，电子设备还可以包括：输入装置53和输出装置54，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
此外，该输入装置53还可以包括例如键盘、鼠标等等。
该输出装置54可以向外部输出各种信息。该输出装置54可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图5中仅示出了该电子设备中与本发明有关的组件中的一些，省略了诸如总线、输入/输出接口等的组件。除此之外，根据具体应用情况，电子设备还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本发明的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本发明各种实施例的方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本发明的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本发明各种实施例的方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本发明的基本原理，但是，需要指出的是，在本发明中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本发明的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本发明为必须采用上述具体的细节来实现。
本说明书中各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本发明中涉及的器件、系统、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、系统、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
可能以许多方式来实现本发明的方法和系统。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明的方法和系统。用于所述方法的步骤的上述顺序仅是为了进行说明，本发明的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本发明实施为记录在记录介质中的程序，这些程序包括用于实现根据本发明的方法的机器可读指令。因而，本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。
还需要指出的是，在本发明的系统、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本发明。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本发明的范围。因此，本发明不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本发明的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种基于电压损失的含光伏电源低压配电网线损率计算方法，其特征在于，包括：
光伏电源接入配电网线路后，收集用电数据，其中所述用电数据包括：台区线损统计表、用户日用电量明细、电压曲线数据、电流曲线数据、功率因数曲线和功率曲线数据；
利用电压降落法和光伏出力时刻分析法，根据所述电压曲线数据，确定光伏邻近用户；
根据预先设定的线性约束条件、所述用电数据以及所述光伏邻近用户，利用遗传算法确定消纳用户以及所述消纳用户对应的光伏消纳区域；
根据所述光伏消纳范围以及线损计算公式，计算所述光伏电源接入所述配电网后的配电网线损。
2.根据权利要求1所述的方法，其特征在于，还包括：
采用箱线图分析方法对所述用电数据中的异常值进行剔除；
对所述用电数据中的缺失值采用各户各个时刻的曲线均值进行填充。
3.根据权利要求1所述的方法，其特征在于，利用电压降落法和光伏出力时刻分析法，根据所述电压曲线数据，确定光伏邻近用户，包括：
利用电压降落法，根据所述电压曲线数据，确定各用户与考核表的电气距离，确定第一光伏邻近用户；
利用光伏用户的所述电流曲线数据确定光伏出力时刻，并计算所述光伏用户和所述普通用户在光伏出力时刻的电压曲线相关性，确定第二光伏邻近用户；
通过综合相关性分析法对所述第一光伏邻近用户和所述第二光伏邻近用户进行综合相关性计算，确定所述光伏邻近用户。
4.根据权利要求3所述的方法，其特征在于，利用电压降落法，根据所述电压曲线数据，确定各用户与考核表的电气距离，确定第一光伏邻近用户，包括：
计算出所有用户的7天的电压均值，根据所述电压均值进行降序排列，确定各用户的距离台区上电表的相对位置，确定所述第一光伏邻近用户。
5.根据权利要求4所述的方法，其特征在于，利用光伏用户的所述电流曲线数据确定光伏出力时刻，并计算所述光伏用户和所述普通用户在光伏出力时刻的电压曲线相关性，确定第二光伏邻近用户，包括：
对所述台区上网表和普通用户表在光伏出力时刻的7天电压曲线进行分析，采用皮尔逊相关系数方法与余弦距离相结合的方法，对台区下用户的电压曲线与所述台区上网表的电压曲线分别进行相关性和距离计算；
将相关性和距离计算结果进行综合加权并排序，根据最终相关性排名确定所述第二光伏邻近用户。
6.根据权利要求1所述的方法，其特征在于，所述线性规划的目标函数表达式如下：
dgi＝1-Ci
其中，xi是0-1变量；dgi表示光伏用户和普通用户i的距离；N为光伏用户邻近普通用户数的集合；Ii为普通用户i的电流值；Ci为普通用户i的相关性系数；Ui为普通用户i的电压值；Ug为光伏用户的电压值；
所述目标函数的约束条件为：1)保证光伏的上网电量被邻近用户完全消纳，偏差在一个预设的极小值范围；2)消纳用户数量小于等于邻近用户数；
约束条件的表达式为：
其中，Pg表示光伏上网功率；Pi为普通用户i的用电功率；ξ为极小数，取0.5。
7.根据权利要求1所述的方法，其特征在于，根据预先设定的线性约束条件、所述用电数据以及所述光伏邻近用户，利用遗传算法确定消纳用户以及所述消纳用户对应的光伏消纳区域，包括：
所述光伏邻近用户作为所述遗传算法问题的所有候选解，根据所述遗传算法的计算步骤计算满足线性规划约束的最优用户为最终的消纳用户；
根据所述消纳用户，确定光伏消纳区域。
8.一种基于电压损失的含光伏电源低压配电网线损率计算装置，其特征在于，包括：
收集模块，用于光伏电源接入配电网线路后，收集用电数据，其中所述用电数据包括：台区线损统计表、用户日用电量明细、电压曲线数据、电流曲线数据、功率因数曲线和功率曲线数据；
第一确定模块，用于利用电压降落法和光伏出力时刻分析法，根据所述电压曲线数据，确定光伏邻近用户；
第二确定模块，用于根据预先设定的线性约束条件、所述用电数据以及所述光伏邻近用户，利用遗传算法确定消纳用户以及所述消纳用户对应的光伏消纳区域；
计算模块，用于根据所述光伏消纳范围以及线损计算公式，计算所述光伏电源接入所述配电网后的配电网线损。
9.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-7任一所述的方法。
10.一种电子设备，其特征在于，所述电子设备包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述权利要求1-7任一所述的方法。
CN202310578165.6A 2023-05-22 2023-05-22 基于电压损失的含光伏电源低压配电网线损率计算方法 Pending CN116645238A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310578165.6A CN116645238A (zh) 2023-05-22 2023-05-22 基于电压损失的含光伏电源低压配电网线损率计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310578165.6A CN116645238A (zh) 2023-05-22 2023-05-22 基于电压损失的含光伏电源低压配电网线损率计算方法

Publications (1)

Publication Number Publication Date
CN116645238A true CN116645238A (zh) 2023-08-25

Family

ID=87614658

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310578165.6A Pending CN116645238A (zh) 2023-05-22 2023-05-22 基于电压损失的含光伏电源低压配电网线损率计算方法

Country Status (1)

Country Link
CN (1) CN116645238A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116909201A (zh) * 2023-09-13 2023-10-20 南京德克威尔自动化有限公司 一种总线式io采集与控制扩展方法、系统与计算机储存介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116909201A (zh) * 2023-09-13 2023-10-20 南京德克威尔自动化有限公司 一种总线式io采集与控制扩展方法、系统与计算机储存介质
CN116909201B (zh) * 2023-09-13 2023-11-24 南京德克威尔自动化有限公司 一种总线式io采集与控制扩展方法、系统与计算机储存介质

Similar Documents

Publication Publication Date Title
Zhang et al. Improved K-means algorithm based on density Canopy
Meisner et al. Inferring population structure and admixture proportions in low-depth NGS data
US20200349229A1 (en) Open domain targeted sentiment classification using semisupervised dynamic generation of feature attributes
Tseng et al. Price prediction of e-commerce products through Internet sentiment analysis
Heitsch et al. Scenario tree generation for multi-stage stochastic programs
Raghavendra et al. Artificial humming bird with data science enabled stability prediction model for smart grids
CN116645238A (zh) 基于电压损失的含光伏电源低压配电网线损率计算方法
CN113111924A (zh) 电力客户分类方法及装置
Pereira et al. TS-stream: clustering time series on data streams
CN113177366A (zh) 一种综合能源系统规划方法、装置和终端设备
CN116186630A (zh) 一种异常漏电电流数据识别方法及相关装置
CN112732786A (zh) 金融数据处理方法、装置、设备及存储介质
Nair et al. Comparative Review on Sentiment analysis-based Recommendation system
CN115203570A (zh) 预测模型的训练方法、专家推荐匹配方法、装置以及介质
Jianyuan et al. Anomaly electricity detection method based on entropy weight method and isolated forest algorithm
Darena et al. Machine learning-based analysis of the association between online texts and stock price movements
Guan et al. Community-aware social recommendation: A unified SCSVD framework
CN116742603A (zh) 基于电压损失的含光伏电源低压配电网线损率计算方法
CN110020195B (zh) 文章推荐方法及装置、存储介质、电子设备
CN114880915B (zh) 综合能源计量仿真数据生成方法、装置和存储介质
Du et al. Integrating KNN and Gradient Boosting Decision Tree for Recommendation
CN115659967A (zh) 运筹优化方法、运筹优化装置、电子设备及存储介质
Liang et al. A parallel probabilistic latent semantic analysis method on MapReduce platform
Li et al. Research on recommendation algorithm based on e-commerce user behavior sequence
Zhang et al. Research on massive data analysis of power utilization based on improved K-means algorithm and cloud computing

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