CN116683471B - 无功功率补偿资源的配置方法、装置以及设备 - Google Patents
无功功率补偿资源的配置方法、装置以及设备 Download PDFInfo
- Publication number
- CN116683471B CN116683471B CN202310484578.8A CN202310484578A CN116683471B CN 116683471 B CN116683471 B CN 116683471B CN 202310484578 A CN202310484578 A CN 202310484578A CN 116683471 B CN116683471 B CN 116683471B
- Authority
- CN
- China
- Prior art keywords
- node
- reactive
- load
- power grid
- compensation
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013468 resource allocation Methods 0.000 claims abstract description 43
- 238000009434 installation Methods 0.000 claims abstract description 42
- 238000005457 optimization Methods 0.000 claims abstract description 34
- 238000005192 partition Methods 0.000 claims abstract description 25
- 230000035945 sensitivity Effects 0.000 claims abstract description 23
- 230000006399 behavior Effects 0.000 claims description 83
- 230000006870 function Effects 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 24
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000007704 transition Effects 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 abstract description 12
- 238000003491 array Methods 0.000 description 16
- 239000010410 layer Substances 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 11
- 238000005286 illumination Methods 0.000 description 11
- 230000004044 response Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 239000002245 particle Substances 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 230000006855 networking Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000002355 dual-layer Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Abstract
本公开的实施例提供了一种无功功率补偿资源的配置方法、装置以及设备,应用于电力系统技术领域。该方法包括:在不同电网运行场景下,根据电网中各节点的灵敏度指标对各节点进行划分,得到对应的无功补偿分区;根据不同电网运行场景下各无功补偿分区中的主导节点,确定电网的一个或多个无功补偿设备候选安装位置;根据一个或多个无功补偿设备候选安装位置和各节点负荷和光伏出力预测,对无功功率补偿资源配置优化模型进行求解,得到电网的最优无功功率补偿资源配置方案并进行配置。以此方式,可以有效地提高无功功率补偿资源的配置效果。
Description
技术领域
本公开涉及电力系统技术领域,尤其涉及一种无功功率补偿资源的配置方法、装置以及设备。
背景技术
现代电网电压分布复杂多变,传统无功功率补偿资源的配置忽略了电网的抗风险能力,配置资源不合理,增大了投资成本。因此,如何提高无功功率补偿资源的配置效果就成为了目前亟待解决的技术问题。
发明内容
本公开提供了一种无功功率补偿资源的配置方法、装置以及设备。
第一方面,本公开的实施例提供了一种无功功率补偿资源的配置方法,该方法包括:
在不同电网运行场景下,根据电网中各节点的灵敏度指标对各节点进行划分,得到对应的无功补偿分区;
根据不同电网运行场景下各无功补偿分区中的主导节点,确定电网的一个或多个无功补偿设备候选安装位置;
根据一个或多个无功补偿设备候选安装位置和各节点负荷和光伏出力预测,对无功功率补偿资源配置优化模型进行求解,得到电网的最优无功功率补偿资源配置方案并进行配置。
在第一方面的一些可实现方式中,各节点负荷和光伏出力预测是通过以下步骤确定的:
将各节点的当前负荷和历史负荷输入预先训练的负荷预测模型,得到各节点在下一时间段内各时刻的负荷;
负荷预测模型模型是利用训练数据集对预设神经网络进行训练得到的,其中,训练数据集中的样本以节点在某一时刻的当前负荷和历史负荷为样本特征数据,并以节点在某一时刻的下一时间段内各时刻的实际负荷为标签;
将各节点的当前光伏出力和历史光伏出力输入预先训练的光伏出力预测模型,得到各节点在下一时间段内各时刻的光伏出力;
光伏出力预测模型模型是利用训练数据集对预设神经网络进行训练得到的,其中,训练数据集中的样本以节点在某一时刻的当前光伏出力和历史光伏出力为样本特征数据,并以节点在某一时刻的下一时间段内各时刻的实际光伏出力为标签。
在第一方面的一些可实现方式中,各节点负荷和光伏出力预测是通过以下步骤确定的:
针对任一节点,根据节点的当前负荷行为状态概率分布和当前时刻的负荷行为状态转移概率矩阵,计算节点下一时刻的负荷行为状态概率分布;
根据节点下一时刻的负荷行为状态概率分布和负荷行为状态映射函数,计算节点在下一时刻的负荷行为状态;
根据节点在下一时刻的负荷行为状态和对应的负荷概率密度函数,计算节点在下一时刻的负荷;
不断迭代计算,直至计算出节点在下一时间段内各时刻的负荷;
针对任一节点,根据节点的当前光伏出力行为状态概率分布和当前时刻的光伏出力行为状态转移概率矩阵,计算节点下一时刻的光伏出力行为状态概率分布;
根据节点下一时刻的光伏出力行为状态概率分布和光伏出力行为状态映射函数,计算节点在下一时刻的光伏出力行为状态;
根据节点在下一时刻的光伏出力行为状态和对应的光伏出力概率密度函数,计算节点在下一时刻的光伏出力;
不断迭代计算,直至计算出节点在下一时间段内各时刻的光伏出力。
在第一方面的一些可实现方式中,在不同电网运行场景下,根据电网中各节点的灵敏度指标对各节点进行划分,得到对应的无功补偿分区,包括:
在不同电网运行场景下,根据电网中各节点的灵敏度指标对各节点进行聚类,得到对应的无功补偿分区。
在第一方面的一些可实现方式中,根据不同电网运行场景下各无功补偿分区中的主导节点,确定电网的一个或多个无功补偿设备候选安装位置,包括:
统计不同电网运行场景下各无功补偿分区中的主导节点的重复次数;
若主导节点的重复次数与运行场景数量的比值小于预设阈值,则删除主导节点对应的各电网运行场景下的所有无功补偿分区中的主导节点;
将未删除的主导节点确定为电网的无功补偿设备候选安装位置。
在第一方面的一些可实现方式中,主导节点是通过以下步骤确定的:
将无功补偿分区中灵敏度指标最大的节点确定为主导节点。
在第一方面的一些可实现方式中,根据一个或多个无功补偿设备候选安装位置和各节点负荷和光伏出力预测,对无功功率补偿资源配置优化模型进行求解,得到电网的最优无功功率补偿资源配置方案,包括:
根据一个或多个无功补偿设备候选安装位置和各节点在下一时间段内各时刻的负荷、光伏出力以及光伏逆变器参与构网控制的最大无功功率,对无功功率补偿资源配置优化模型进行求解,得到电网的最优无功功率补偿资源配置方案。
在第一方面的一些可实现方式中,无功功率补偿资源配置优化模型为双层优化模型,其上层求解目标为无功补偿设备总投资费用最小,其下层求解目标为全网电压偏差之和最小。
第二方面,本公开的实施例提供了一种无功功率补偿资源的配置装置,该装置包括:
划分模块,用于在不同电网运行场景下,根据电网中各节点的灵敏度指标对各节点进行划分,得到对应的无功补偿分区;
确定模块,用于根据不同电网运行场景下各无功补偿分区中的主导节点,确定电网的一个或多个无功补偿设备候选安装位置;
求解模块,用于根据一个或多个无功补偿设备候选安装位置和各节点负荷和光伏出力预测,对无功功率补偿资源配置优化模型进行求解,得到电网的最优无功功率补偿资源配置方案并进行配置。
第三方面,本公开的实施例提供了一种电子设备,该电子设备包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行如以上所述的方法。
第四方面,本公开的实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质,计算机指令用于使计算机执行如以上所述的方法。
在本公开的实施例中,可以在不同电网运行场景下,根据电网中各节点的灵敏度指标对各节点进行划分,得到对应的无功补偿分区,进而确定电网的一个或多个无功补偿设备候选安装位置,然后根据一个或多个无功补偿设备候选安装位置和各节点负荷和光伏出力预测,对无功功率补偿资源配置优化模型进行求解,得到电网的最优无功功率补偿资源配置方案并进行配置,有效地提高无功功率补偿资源的配置效果。
应当理解,发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征,亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。附图用于更好地理解本方案,不构成对本公开的限定在附图中,相同或相似的附图标记表示相同或相似的元素,其中:
图1示出了本公开的实施例提供的一种无功功率补偿资源的配置方法的流程图;
图2示出了本公开的实施例提供的一种分布式光伏集群可变直流拓扑结构的示意图;
图3示出了本公开的实施例提供的另一种分布式光伏集群可变直流拓扑结构的示意图;
图4示出了本公开的实施例提供的一种无功功率补偿资源的配置装置的结构图;
图5示出了一种能够实施本公开的实施例的示例性电子设备的结构图。
具体实施方式
为使本公开的实施例的目的、技术方案和优点更加清楚,下面将结合本公开的实施例中的附图,对本公开的实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,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全部其他实施例,都属于本公开保护的范围。
另外,本文中术语“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。
针对背景技术中出现的问题,本公开的实施例提供了一种无功功率补偿资源的配置方法、装置以及设备。具体地,在不同电网运行场景下,根据电网中各节点的灵敏度指标对各节点进行划分,得到对应的无功补偿分区;根据不同电网运行场景下各无功补偿分区中的主导节点,确定电网的一个或多个无功补偿设备候选安装位置;根据一个或多个无功补偿设备候选安装位置和各节点负荷和光伏出力预测,对无功功率补偿资源配置优化模型进行求解,得到电网的最优无功功率补偿资源配置方案并进行配置,有效地提高无功功率补偿资源的配置效果。
下面结合附图,通过具体的实施例对本公开的实施例提供的无功功率补偿资源的配置方法、装置以及设备进行详细地说明。
图1示出了本公开的实施例提供的一种无功功率补偿资源的配置方法的流程图,如图1所示,配置方法100可以包括以下步骤:
S110,在不同电网运行场景下,根据电网中各节点的灵敏度指标对各节点进行划分,得到对应的无功补偿分区。
具体地,在不同电网运行场景下,电网中各节点具有不同的灵敏度指标,针对任一电网运行场景,可以根据电网中各节点的灵敏度指标对各节点进行聚类,快速得到对应的无功补偿分区。可选地,聚类所采用的算法可以是社团发现算法,K-Means算法等,在此不做限制。
S120,根据不同电网运行场景下各无功补偿分区中的主导节点,确定电网的一个或多个无功补偿设备候选安装位置。
在一些实施例中,可以统计不同电网运行场景下各无功补偿分区中的主导节点的重复次数,若主导节点的重复次数与运行场景数量的比值小于预设阈值,则删除该主导节点对应的各电网运行场景下的所有无功补偿分区中的主导节点,并将未删除的主导节点确定为电网的无功补偿设备候选安装位置,如此能够极大地提高无功补偿设备候选安装位置的合理性。
示例性地,无功补偿分区中的主导节点可以通过以下步骤快速确定:
将无功补偿分区中灵敏度指标最大的节点确定为主导节点。
S130,根据一个或多个无功补偿设备候选安装位置和各节点负荷和光伏出力预测,对无功功率补偿资源配置优化模型进行求解,得到电网的最优无功功率补偿资源配置方案并进行配置。
值得注意的是,各节点负荷和光伏出力预测可以通过以下步骤确定:
将各节点的当前负荷和历史负荷输入预先训练的负荷预测模型,由负荷预测模型进行计算,以便快速得到各节点在下一时间段内各时刻的负荷,进而有效地提高预测效果;
负荷预测模型模型是利用训练数据集对预设神经网络(例如卷积神经网络、循环神经网络、长短期记忆神经网络等)进行训练得到的,其中,训练数据集中的样本以节点在某一时刻的当前负荷和历史负荷为样本特征数据,并以节点在某一时刻的下一时间段内各时刻的实际负荷为标签。
将各节点的当前光伏出力和历史光伏出力输入预先训练的光伏出力预测模型,由光伏出力预测模型进行计算,以便快速得到各节点在下一时间段内各时刻的光伏出力,进而有效地提高预测效果;
光伏出力预测模型模型是利用训练数据集对预设神经网络(例如卷积神经网络、循环神经网络、长短期记忆神经网络等)进行训练得到的,其中,训练数据集中的样本以节点在某一时刻的当前光伏出力和历史光伏出力为样本特征数据,并以节点在某一时刻的下一时间段内各时刻的实际光伏出力为标签。
除此之外,各节点负荷和光伏出力预测还可以通过以下步骤确定:
针对任一节点,根据节点的当前负荷行为状态概率分布和当前时刻的负荷行为状态转移概率矩阵,计算节点下一时刻的负荷行为状态概率分布;
根据节点下一时刻的负荷行为状态概率分布和负荷行为状态映射函数,计算节点在下一时刻的负荷行为状态;
根据节点在下一时刻的负荷行为状态和对应的负荷概率密度函数,计算节点在下一时刻的负荷;
不断迭代计算,直至计算出节点在下一时间段内各时刻的负荷。
针对任一节点,根据节点的当前光伏出力行为状态概率分布和当前时刻的光伏出力行为状态转移概率矩阵,计算节点下一时刻的光伏出力行为状态概率分布;
根据节点下一时刻的光伏出力行为状态概率分布和光伏出力行为状态映射函数,计算节点在下一时刻的光伏出力行为状态;
根据节点在下一时刻的光伏出力行为状态和对应的光伏出力概率密度函数,计算节点在下一时刻的光伏出力;
不断迭代计算,直至计算出节点在下一时间段内各时刻的光伏出力。
相应地,可以根据一个或多个无功补偿设备候选安装位置和各节点在下一时间段内各时刻的负荷、光伏出力以及光伏逆变器参与构网控制的最大无功功率,对无功功率补偿资源配置优化模型进行求解,精确快速地得到电网的最优无功功率补偿资源配置方案。
可选地,无功功率补偿资源配置优化模型可以为双层优化模型,其上层求解目标为无功补偿设备总投资费用最小,其下层求解目标为全网电压偏差之和最小,同时考虑了总投资费用与无功补偿效果对无功补偿资源配置的影响,有利于提高后续无功补偿资源配置效果。
在本公开的实施例中,可以在不同电网运行场景下,根据电网中各节点的灵敏度指标对各节点进行划分,得到对应的无功补偿分区,进而确定电网的一个或多个无功补偿设备候选安装位置,然后根据一个或多个无功补偿设备候选安装位置和各节点负荷和光伏出力预测,对无功功率补偿资源配置优化模型进行求解,得到电网的最优无功功率补偿资源配置方案并进行配置,有效地提高无功功率补偿资源的配置效果。
下面结合一个具体实施例,对本公开实施例提供的配置方法100进行详细介绍,具体如下:
(1)获取电网的线路参数、负荷运行数据、光伏运行数据、无功补偿设备运行数据。
其中,负荷运行数据包括各节点的历史负荷功率数据和当前负荷功率数据;光伏运行数据包括历史辐照度数据和当前辐照度数据、光伏安装位置和容量、各台光伏逆变器容量;无功补偿设备运行数据包括无功补偿设备安装位置、单台容量及总容量。可选地,无功补偿设备包括专用无功补偿设备和兼用无功补偿设备,专用无功补偿设备可以为并联电容器组和SVG,兼用无功补偿设备可以为光伏逆变器。
(2)划分电网负荷和光伏出力的行为状态,利用马尔科夫链原理确定相邻时刻行为状态之间的联系,并对每个行为状态下的负荷和光伏出力进行概率建模,从而建立电网不确定性运行场景,并预测各节点在下一时间段内各时刻的负荷和光伏出力。
其中,负荷行为状态划分方法是统计负荷历史运行数据在t时刻最大值PLmax,t与最小值PLmin,t,将t时刻数据区间[PLmin,t,PLmax,t]进行n等分,等分后的每个范围均代表负荷在t时刻的一个行为状态;光伏出力行为状态划分方法是统计当地辐照度历史数据在t时刻最大值Irrmax,t与最小值Irrmin,t,将t时刻数据区间[Irrmin,t,Irrmax,t]进行n等分,等分后的每个范围均代表光伏出力在t时刻的一个行为状态。
为确定行为状态之间的联系,将负荷和光伏出力时间分别划分为tti和tpvti个时间段进行分析,统计每个时间段内行为状态转移情况,建立t时刻行为状态的转移概率矩阵为
其中,Ns为行为状态总数,其中用于居民用电行为状态计算时Ns=K,用于云层状态计算时Ns=LIr。
根据负荷和光伏出力的当前时刻行为状态概率分布Ps(t),结合公式(1)可得下一时刻两者的行为状态概率分布如公式(2)所示。
其中, 为t时刻负荷或光伏出力处于行为状态is的概率。
定义fs(x)为负荷或光伏出力行为状态映射函数,即行为状态则由公式(3)可以根据行为状态概率得到下一时刻随机取得的行为状态。
为构建负荷和光伏出力在不同行为状态下的功率概率分布,统计各行为状态下对应的功率数据,利用正态分布建立负荷的概率密度函数如公式(4)所示,利用Beta分布建立光伏出力的概率密度函数如公式(5)所示。
其中,sL为居民用电的视在功率;k为负荷行为状态位次,其中k∈[1,K],K为负荷行为状态的种类总数;μk和σk分别为行为状态k正态分布的均值及标准差。
其中,Γ(·)为伽马函数;xs=SIrr,t/SIrref,t,其中SIrr,t为t时刻光照强度;SIrref,t为t时刻晴天基准光照强度,晴天基准光照可取固定基准光照,也可根据不同地区和季节动态修正,本文取当地无云条件下各季节平均基准光照进行计算,当某一时刻历史光照数据大于基准光照时,则按基准光照数据进行计算;和/>均为光伏出力在行为状态Ir下的Beta分布参数,可根据不同行为状态下光照强度历史数据与基准光照比值的平均值/>和标准差/>近似计算,其中/>PPV,N为光伏并网额定功率;SIrref为标准光照强度,1000W/m2。
根据当前时刻负荷和光伏出力的行为状态,利用公式(2)-(3)确定下一时刻行为状态,通过公式(4)-(5)得到对应行为状态下负荷和光伏出力的功率值。
以此方式,不断迭代计算,直至得到各节点在下一时间段内各时刻的负荷和光伏出力。
(3)考虑电网不同运行场景,构建节点灵敏度指标,基于社团发现算法划分无功补偿分区,统计不同场景下的分区结果。
(4)根据电网不同运行场景下分区结果,确定无功补偿设备候选安装位置。
统计不同电网运行场景下各无功补偿分区中的主导节点的重复次数,若主导节点的重复次数与运行场景数量的比值小于预设阈值,则删除主导节点对应的各电网运行场景下的所有无功补偿分区中的主导节点,将未删除的主导节点确定为所述电网的无功补偿设备候选安装位置。
(5)利用已有的分布式光伏集群可变直流拓扑结构,构造光伏逆变器构网控制条件。重新分配各光伏逆变器的输入功率,使该集群中部分光伏逆变器承担全部发电工作,并将该集群中其余的光伏逆变器定义为自由状态的光伏逆变器,从而确定各节点在下一时间段内各时刻的光伏逆变器参与构网控制的最大无功功率。
具体地,自由状态的光伏逆变器不受光伏电池板功率波动影响,可以根据集中调控指令采用构网或跟网控制进行无功补偿。
定义光伏电池板与光伏逆变器常规连接下每台光伏逆变器连接的电池板为1个光伏阵列,将光伏阵列按1,2,…,Xzc的顺序进行编号,光伏逆变器按1,2,…,Yinv的顺序进行编号。将光伏阵列分为m个组群,其中各组群中光伏阵列数量可不同。每个组群与1台光伏逆变器相连,而未与光伏阵列连接的光伏逆变器处于自由状态,可根据调度指令选择构网或跟网控制运行。
可选地,分布式光伏集群可变直流拓扑结构可以如图2所示,第1个光伏阵列与第2个光伏阵列有一个开关连接;第2个光伏阵列与第1和第3个光伏阵列都有一个开关连接;第3个光伏阵列与第2和第4个光伏阵列都有一个开关连接;直到第Xzc-1个光伏阵列与第Xzc-2和第Xzc个光伏阵列有一个开关连接。
此外,分布式光伏集群可变直流拓扑结构还可以如图3所示,第1个光伏阵列与第2到第Xzc个光伏阵列都有一个开关连接;第2个光伏阵列与第3到第Xzc个光伏阵列都有一个开关连接;第3个光伏阵列与第4到第Xzc个光伏阵列都有一个开关连接;直到第Xzc-1个光伏阵列与第Xzc个光伏阵列有一个开关连接。
特别地,所述分布式光伏集群因光伏场地大小等限制不能无限大,并且一个集群中光伏逆变器数量越多,开关的连接结构越复杂。因此,一个分布式光伏集群规模不宜太大,且电网一个节点中的光伏可分成多个集群进行操作。
此时,根据各节点在下一时间段内各时刻的光伏出力及各节点的光伏阵列数量,确定各节点中的光伏阵列在下一时间段内各时刻的光伏出力。
定义下一时刻预测得到的第yinv台光伏逆变器输入功率则连接该光伏逆变器的光伏组群j中第z个光伏阵列功率(光伏出力)如公式(6)所示。
其中,kj为第j组光伏组群中光伏阵列数量,j∈[1,m]。
根据各光伏组群的光伏阵列编号可知,光伏阵列总个数Xzc与各组群光伏阵列数量关系如公式(7)所示。
计算直流侧开关拟重构后光伏组群j所连接的光伏逆变器功率如公式(8)所示。
各光伏组群与各光伏逆变器匹配连接机制是各光伏组群按光伏逆变器的编号由小到大进行顺序连接,保证光伏逆变器编号越大者优先处于自由状态。忽略各光伏逆变器在不同时刻DC/AC转换效率的差异性,定义ηinv为光伏逆变器输入和输出的转换效率,得出分布式光伏集群中第yinv台光伏逆变器输入功率和可调剩余容量/>如公式(9)所示。
其中,Sinv为光伏逆变器视在功率。
当光伏逆变器输入功率时,光伏逆变器状态为自由状态,定义该状态下光伏逆变器台数为yzy,t,则光伏集群中光伏逆变器可采用构网型控制的无功功率为Qgw=yzy,t·Sinv。
建立以分布式光伏集群中光伏逆变器自由状态数量最大为目标的函数,即分布式光伏集群中光伏逆变器构网控制的无功可调量最大目标函数如公式(10)所示。
max Fsc=Qgw→max Fsc=yzy,t,i (10)
考虑到配电网一个节点中的分布式光伏可分成多个集群进行操作,假设各节点集群规模一致,则光伏集群输出有功功率和剩余容量如公式(11)所示。
电网t时刻节点i的光伏出力如公式(12)所示。
PPV,t,i=kgc,i·Pgct,t,i (12)
其中,kgc,i为节点i的光伏集群数量;Pgct,t,i为t时刻节点i中每个光伏集群有功出力。
可调用的构网型光伏逆变器剩余容量关系如公式(13)所示。
Qgwmax,t,i=yzy,t,i·Sinv (13)
其中,yzy,t,i为t时刻节点i光伏群控系统中处于自由状态的光伏逆变器数量。
由公式(13)可得到t时刻节点i光伏集群构网控制的无功可调量最大值(也即光伏逆变器参与构网控制的最大无功功率)。
以此方式,确定各节点在下一时间段内各时刻的光伏逆变器参与构网控制的最大无功功率。
(6)根据专用和兼用无功补偿设备属性将其划分为构网型设备和跟网型设备,并根据跟踪响应能力将设备划分为多种响应级别,同时制定各设备在不同跟踪响应级别下的协同控制手段,其中设备跟踪响应级别划分如表1所示。
表1
(7)建立无功功率补偿资源配置优化模型,其中,无功功率补偿资源配置优化模型是双层优化模型,其上层求解目标为总投资费用最小,其下层求解目标为全网电压偏差之和最小。
对不同无功补偿分区的SCB和SVG进行配置时,辅助决策对配电网不确定性运行场景集优化得出不同场景下无功设备期望容量,而主决策根据期望容量优化出最终配置方案。
从固定投资和运维角度出发建立无功设备总投资费用作为上层目标函数如公式(14)所示。
min C=Cfi+Com (14)
式中,C为总投资费用;Cfi和Com分别为无功设备的固定投资成本和运维成本
按等年产值法计算公式(14)中固定投资成本Cfi,即SCB和SVG以及光伏集群系统固定投资成本如公式(15)所示。
其中,CSCBfi、CSVGfi以及CPVfi分别为SCB、SVG以及光伏集群系统的固定投资成本,其中光伏集群系统成本仅算开关成本;SSCB,i、SSVG,j以及SPVfi,j分别为节点i处SCB配置容量、SVG配置容量以及光伏集群系统总容量;cSCB、cSVG以及cPVfi分别为SCB、SVG以及光伏集群系统的单位容量成本;RSCBfi、RSVGfi以及RPVfi分别为SCB、SVG以及光伏集群系统的等年值系数,其中三者表达式可以R表示;r为安装设备或系统的贴现率;Lf为安装设备或系统的使用寿命。
按固定投资成本百分比计算SCB和SVG的运维成本如公式(16)所示。
Com=CSCBom+CSVGom+CPVom=γSCBCSCBfi+γSVGCSVGfi+γPVCPVfi (16)
其中,γSCB、γSVG以及γPV分别为SCB、SVG以及光伏集群系统运维成本占投资的比例系数。
将配电网负荷和光伏一天运行变化作为一种全天运行场景,以全天运行场景电压偏差之和最小为下层目标建立目标函数F2如公式(17)所示。
其中,t为时刻,t∈[1,Tm],其中Tm为一天的分析时刻数量;NL为系统节点的数量;Ut,i为t时刻节点i的电压;U0为节点电压标称值;αop为运行场景中无功补偿效果的置信度。
(8)利用粒子群算法对无功功率补偿资源配置优化模型进行求解,最终得到最优配置方案。
具体地,基于粒子群算法,根据一个或多个无功补偿设备候选安装位置和各节点在下一时间段内各时刻的负荷、光伏出力以及光伏逆变器参与构网控制的最大无功功率,对无功功率补偿资源配置优化模型进行求解,得到所述电网的最优无功功率补偿资源配置方案。
在对双层优化配置模型求解时,需要优先考虑低成本设备。在对配电网运行场景无功优化时,优先考虑跟踪响应相对较慢的设备进行操作。具体求解步骤如下:
①随机给定各无功分区设备配置容量初始值,将该值传递到下层目标中进行优化。
②考虑慢速响应的无功设备及其约束限制,采用粒子群算法计算该级别下设备调控量,将该调控量定义为慢速无功调控曲线。
③在慢速无功调控曲线基础上,利用粒子群算法对中速响应设备输出功率进行优化。
④判断全网电压偏差的改善情况确定各时刻快速响应设备是否需要投入使用,同时判断分布式光伏集群中自由光伏逆变器数量及其可以提供的无功容量,以优先采用兼用设备进行无功优化规则下,采用粒子群算法对快速响应设备投入容量进行优化。
⑤根据大数定律确定根据设备单台安装容量和限制确定各设备的期望容量,同时确定电压越限机会约束条件的置信度。
⑥若满足置信度要求,则确定最终配置方案,否则将各设备的期望容量反馈到上层优化模型中修正无功设备配置方案,并将修正后的设备容量传递到下层优化模型中。
⑦重复②~⑥操作,直到满足机会约束的置信度条件,得到最优无功功率补偿资源配置方案。
(9)根据电网的最优无功功率补偿资源配置方案进行配置。
如此一来,可以基于灵敏度指标,利用社团发现算法对电网无功补偿分区进行划分,为不同分区设备提供候选安装位置。构造具有构网和跟网辅助治理能力的分布式光伏集群系统,考虑电网抗风险能力,采用机会约束处理配电网不确定运行场景,结合无功资源协同控制方法进行专用无功资源的优化配置,从而降低专用无功设备投资成本,改善全网电压偏差。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本公开并不受所描述的动作顺序的限制,因为依据本公开,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于可选实施例,所涉及的动作和模块并不一定是本公开所必须的。
以上是关于方法实施例的介绍,以下通过装置实施例,对本公开所述方案进行进一步说明。
图4示出了本公开的实施例提供的一种无功功率补偿资源的配置装置的结构图,如图4所示,配置装置400可以包括:
划分模块410,用于在不同电网运行场景下,根据电网中各节点的灵敏度指标对各节点进行划分,得到对应的无功补偿分区。
确定模块420,用于根据不同电网运行场景下各无功补偿分区中的主导节点,确定电网的一个或多个无功补偿设备候选安装位置。
求解模块430,用于根据一个或多个无功补偿设备候选安装位置和各节点负荷和光伏出力预测,对无功功率补偿资源配置优化模型进行求解,得到电网的最优无功功率补偿资源配置方案并进行配置。
在一些实施例中,各节点负荷和光伏出力预测是通过以下步骤确定的:
将各节点的当前负荷和历史负荷输入预先训练的负荷预测模型,得到各节点在下一时间段内各时刻的负荷;
负荷预测模型模型是利用训练数据集对预设神经网络进行训练得到的,其中,训练数据集中的样本以节点在某一时刻的当前负荷和历史负荷为样本特征数据,并以节点在某一时刻的下一时间段内各时刻的实际负荷为标签;
将各节点的当前光伏出力和历史光伏出力输入预先训练的光伏出力预测模型,得到各节点在下一时间段内各时刻的光伏出力;
光伏出力预测模型模型是利用训练数据集对预设神经网络进行训练得到的,其中,训练数据集中的样本以节点在某一时刻的当前光伏出力和历史光伏出力为样本特征数据,并以节点在某一时刻的下一时间段内各时刻的实际光伏出力为标签。
在一些实施例中,各节点负荷和光伏出力预测是通过以下步骤确定的:
针对任一节点,根据节点的当前负荷行为状态概率分布和当前时刻的负荷行为状态转移概率矩阵,计算节点下一时刻的负荷行为状态概率分布;
根据节点下一时刻的负荷行为状态概率分布和负荷行为状态映射函数,计算节点在下一时刻的负荷行为状态;
根据节点在下一时刻的负荷行为状态和对应的负荷概率密度函数,计算节点在下一时刻的负荷;
不断迭代计算,直至计算出节点在下一时间段内各时刻的负荷;
针对任一节点,根据节点的当前光伏出力行为状态概率分布和当前时刻的光伏出力行为状态转移概率矩阵,计算节点下一时刻的光伏出力行为状态概率分布;
根据节点下一时刻的光伏出力行为状态概率分布和光伏出力行为状态映射函数,计算节点在下一时刻的光伏出力行为状态;
根据节点在下一时刻的光伏出力行为状态和对应的光伏出力概率密度函数,计算节点在下一时刻的光伏出力;
不断迭代计算,直至计算出节点在下一时间段内各时刻的光伏出力。
在一些实施例中,划分模块410具体用于:
在不同电网运行场景下,根据电网中各节点的灵敏度指标对各节点进行聚类,得到对应的无功补偿分区。
在一些实施例中,确定模块420具体用于:
统计不同电网运行场景下各无功补偿分区中的主导节点的重复次数;
若主导节点的重复次数与运行场景数量的比值小于预设阈值,则删除主导节点对应的各电网运行场景下的所有无功补偿分区中的主导节点;
将未删除的主导节点确定为电网的无功补偿设备候选安装位置。
在一些实施例中,主导节点是通过以下步骤确定的:
将无功补偿分区中灵敏度指标最大的节点确定为主导节点。
在一些实施例中,求解模块430具体用于:
根据一个或多个无功补偿设备候选安装位置和各节点在下一时间段内各时刻的负荷、光伏出力以及光伏逆变器参与构网控制的最大无功功率,对无功功率补偿资源配置优化模型进行求解,得到电网的最优无功功率补偿资源配置方案。
在一些实施例中,无功功率补偿资源配置优化模型为双层优化模型,其上层求解目标为无功补偿设备总投资费用最小,其下层求解目标为全网电压偏差之和最小。
可以理解的是,图4所示的配置装置400中的各个模块/单元具有实现图1所示的配置方法100中的各个步骤的功能,并能达到其相应的技术效果,为了简洁,在此不再赘述。
图5示出了一种能够实施本公开的实施例的示例性电子设备的结构图。电子设备500旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备500还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图5所示,电子设备500可以包括计算单元501,其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序,来执行各种适当的动作和处理。在RAM503中,还可存储电子设备500操作所需的各种程序和数据。计算单元501、ROM502以及RAM503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
电子设备500中的多个部件连接至I/O接口505,包括:输入单元506,例如键盘、鼠标等;输出单元507,例如各种类型的显示器、扬声器等;存储单元508,例如磁盘、光盘等;以及通信单元509,例如网卡、调制解调器、无线通信收发机等。通信单元509允许电子设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理,例如方法100。例如,在一些实施例中,方法100可被实现为计算机程序产品,包括计算机程序,其被有形地包含于计算机可读介质,例如存储单元508。在一些实施例中,计算机程序的部分或者全部可以经由ROM502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM503并由计算单元501执行时,可以执行上文描述的方法100的一个或多个步骤。备选地,在其他实施例中,计算单元501可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法100。
本文中以上描述的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,计算机可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。计算机可读介质可以是计算机可读信号介质或计算机可读储存介质。计算机可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。计算机可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
需要注意的是,本公开还提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使计算机执行方法100,并达到本公开的实施例执行其方法达到的相应技术效果,为简洁描述,在此不再赘述。
另外,本公开还提供了一种计算机程序产品,该计算机程序产品包括计算机程序,计算机程序在被处理器执行时实现方法100。
为了提供与用户的交互,可以在计算机上实施以上描述的实施例,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将以上描述的实施例实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (9)
1.一种无功功率补偿资源的配置方法,其特征在于,所述方法包括:
在不同电网运行场景下,根据电网中各节点的灵敏度指标对各节点进行划分,得到对应的无功补偿分区;
根据不同电网运行场景下各无功补偿分区中的主导节点,确定所述电网的一个或多个无功补偿设备候选安装位置;
根据一个或多个无功补偿设备候选安装位置和各节点负荷和光伏出力预测,对无功功率补偿资源配置优化模型进行求解,得到所述电网的最优无功功率补偿资源配置方案并进行配置;
所述根据不同电网运行场景下各无功补偿分区中的主导节点,确定所述电网的一个或多个无功补偿设备候选安装位置,包括:
统计不同电网运行场景下各无功补偿分区中的主导节点的重复次数;
若主导节点的重复次数与运行场景数量的比值小于预设阈值,则删除所述主导节点对应的各电网运行场景下的所有无功补偿分区中的主导节点;
将未删除的主导节点确定为所述电网的无功补偿设备候选安装位置。
2.根据权利要求1所述的方法,其特征在于,所述各节点负荷和光伏出力预测是通过以下步骤确定的:
将各节点的当前负荷和历史负荷输入预先训练的负荷预测模型,得到各节点在下一时间段内各时刻的负荷;
所述负荷预测模型是利用训练数据集对预设神经网络进行训练得到的,其中,所述训练数据集中的样本以节点在某一时刻的当前负荷和历史负荷为样本特征数据,并以节点在某一时刻的下一时间段内各时刻的实际负荷为标签;
将各节点的当前光伏出力和历史光伏出力输入预先训练的光伏出力预测模型,得到各节点在下一时间段内各时刻的光伏出力;
所述光伏出力预测模型是利用训练数据集对预设神经网络进行训练得到的,其中,所述训练数据集中的样本以节点在某一时刻的当前光伏出力和历史光伏出力为样本特征数据,并以节点在某一时刻的下一时间段内各时刻的实际光伏出力为标签。
3.根据权利要求1所述的方法,其特征在于,所述各节点负荷和光伏出力预测是通过以下步骤确定的:
针对任一节点,根据节点的当前负荷行为状态概率分布和当前时刻的负荷行为状态转移概率矩阵,计算节点下一时刻的负荷行为状态概率分布;
根据节点下一时刻的负荷行为状态概率分布和负荷行为状态映射函数,计算节点在下一时刻的负荷行为状态;
根据节点在下一时刻的负荷行为状态和对应的负荷概率密度函数,计算节点在下一时刻的负荷;
不断迭代计算,直至计算出节点在下一时间段内各时刻的负荷;
针对任一节点,根据节点的当前光伏出力行为状态概率分布和当前时刻的光伏出力行为状态转移概率矩阵,计算节点下一时刻的光伏出力行为状态概率分布;
根据节点下一时刻的光伏出力行为状态概率分布和光伏出力行为状态映射函数,计算节点在下一时刻的光伏出力行为状态;
根据节点在下一时刻的光伏出力行为状态和对应的光伏出力概率密度函数,计算节点在下一时刻的光伏出力;
不断迭代计算,直至计算出节点在下一时间段内各时刻的光伏出力。
4.根据权利要求1所述的方法,其特征在于,所述在不同电网运行场景下,根据电网中各节点的灵敏度指标对各节点进行划分,得到对应的无功补偿分区,包括:
在不同电网运行场景下,根据电网中各节点的灵敏度指标对各节点进行聚类,得到对应的无功补偿分区。
5.根据权利要求1或4所述的方法,其特征在于,所述主导节点是通过以下步骤确定的:
将无功补偿分区中灵敏度指标最大的节点确定为主导节点。
6.根据权利要求2或3所述的方法,其特征在于,
所述根据一个或多个无功补偿设备候选安装位置和各节点负荷和光伏出力预测,对无功功率补偿资源配置优化模型进行求解,得到所述电网的最优无功功率补偿资源配置方案,包括:
根据一个或多个无功补偿设备候选安装位置和各节点在下一时间段内各时刻的负荷、光伏出力以及光伏逆变器参与构网控制的最大无功功率,对无功功率补偿资源配置优化模型进行求解,得到所述电网的最优无功功率补偿资源配置方案。
7.根据权利要求1所述的方法,其特征在于,所述无功功率补偿资源配置优化模型为双层优化模型,其上层求解目标为无功补偿设备总投资费用最小,其下层求解目标为全网电压偏差之和最小。
8.一种无功功率补偿资源的配置装置,其特征在于,所述装置包括:
划分模块,用于在不同电网运行场景下,根据电网中各节点的灵敏度指标对各节点进行划分,得到对应的无功补偿分区;
确定模块,用于根据不同电网运行场景下各无功补偿分区中的主导节点,确定所述电网的一个或多个无功补偿设备候选安装位置;
求解模块,用于根据一个或多个无功补偿设备候选安装位置和各节点负荷和光伏出力预测,对无功功率补偿资源配置优化模型进行求解,得到所述电网的最优无功功率补偿资源配置方案并进行配置;
所述确定模块具体用于:
统计不同电网运行场景下各无功补偿分区中的主导节点的重复次数;
若主导节点的重复次数与运行场景数量的比值小于预设阈值,则删除所述主导节点对应的各电网运行场景下的所有无功补偿分区中的主导节点;
将未删除的主导节点确定为所述电网的无功补偿设备候选安装位置。
9. 一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310484578.8A CN116683471B (zh) | 2023-04-28 | 无功功率补偿资源的配置方法、装置以及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310484578.8A CN116683471B (zh) | 2023-04-28 | 无功功率补偿资源的配置方法、装置以及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116683471A CN116683471A (zh) | 2023-09-01 |
CN116683471B true CN116683471B (zh) | 2024-06-11 |
Family
ID=
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105914758A (zh) * | 2016-05-17 | 2016-08-31 | 华北电力大学 | 考虑分布式电源无功补偿成本的电网无功优化方法 |
CN106600459A (zh) * | 2016-12-09 | 2017-04-26 | 范征 | 一种用于解决光伏接入点电压偏差的优化方法 |
CN109038605A (zh) * | 2018-08-03 | 2018-12-18 | 国网山东省电力公司经济技术研究院 | 一种考虑电压响应特性的电网无功规划方法 |
CN109787247A (zh) * | 2018-12-18 | 2019-05-21 | 广东电网有限责任公司电力调度控制中心 | 一种基于多参数规划的无功补偿规划方法 |
CN110768262A (zh) * | 2019-10-31 | 2020-02-07 | 上海电力大学 | 一种基于节点聚类分区的有源配电网无功电源配置方法 |
CN113541166A (zh) * | 2021-07-27 | 2021-10-22 | 广东电网有限责任公司 | 一种分布式储能优化配置方法、系统、终端和存储介质 |
CN113629723A (zh) * | 2021-07-05 | 2021-11-09 | 燕山大学 | 考虑dg和apf参与电压治理的svg优化配置方法 |
CN115603330A (zh) * | 2022-10-17 | 2023-01-13 | 广东电网有限责任公司中山供电局(Cn) | 一种基于自适应离散粒子群算法的配电网优化方法 |
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105914758A (zh) * | 2016-05-17 | 2016-08-31 | 华北电力大学 | 考虑分布式电源无功补偿成本的电网无功优化方法 |
CN106600459A (zh) * | 2016-12-09 | 2017-04-26 | 范征 | 一种用于解决光伏接入点电压偏差的优化方法 |
CN109038605A (zh) * | 2018-08-03 | 2018-12-18 | 国网山东省电力公司经济技术研究院 | 一种考虑电压响应特性的电网无功规划方法 |
CN109787247A (zh) * | 2018-12-18 | 2019-05-21 | 广东电网有限责任公司电力调度控制中心 | 一种基于多参数规划的无功补偿规划方法 |
CN110768262A (zh) * | 2019-10-31 | 2020-02-07 | 上海电力大学 | 一种基于节点聚类分区的有源配电网无功电源配置方法 |
CN113629723A (zh) * | 2021-07-05 | 2021-11-09 | 燕山大学 | 考虑dg和apf参与电压治理的svg优化配置方法 |
CN113541166A (zh) * | 2021-07-27 | 2021-10-22 | 广东电网有限责任公司 | 一种分布式储能优化配置方法、系统、终端和存储介质 |
CN115603330A (zh) * | 2022-10-17 | 2023-01-13 | 广东电网有限责任公司中山供电局(Cn) | 一种基于自适应离散粒子群算法的配电网优化方法 |
Non-Patent Citations (2)
Title |
---|
Reactive_Power_Chance-constrained_Optimization_Method_for_an_Active_Distribution_Network_Considering_DG_Actively_Regulation;li xiaojun;IEEE;20220908;1293-1298 * |
多风电场接入的灵敏度场景静态无功/电压评估;明杰;电力自动化设备;20171231(第12期);102-115 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108694467B (zh) | 一种对配电网线损率进行预测的方法及系统 | |
CN106899660A (zh) | 基于滚动灰色预测模型的云数据中心节能调度实现方法 | |
CN110162390B (zh) | 一种雾计算系统的任务分配方法及系统 | |
CN107453396A (zh) | 一种分布式光伏电源出力的多目标优化调度方法 | |
CN112884270A (zh) | 一种考虑不确定性因素的多场景配电网规划方法及系统 | |
CN117039895A (zh) | 一种用于储能辅助黑启动的风功率预测方法及系统 | |
CN108155649A (zh) | 一种考虑dg不确定性的配电网网架模糊规划方法 | |
CN114676583A (zh) | 用电对象的能耗预测方法、装置、电子设备和存储介质 | |
CN116307215A (zh) | 一种电力系统的负荷预测方法、装置、设备及存储介质 | |
El Bourakadi et al. | Multi-agent system based sequential energy management strategy for Micro-Grid using optimal weighted regularized extreme learning machine and decision tree | |
CN116683471B (zh) | 无功功率补偿资源的配置方法、装置以及设备 | |
CN116502864B (zh) | 配电网应急电源车调度方法、装置、电子设备和存储介质 | |
CN108110756A (zh) | 考虑不确定性因素的工业园区配电网规划方法 | |
CN116683471A (zh) | 无功功率补偿资源的配置方法、装置以及设备 | |
CN116137445A (zh) | 基于分布式电源的孤岛配网方法、装置、设备及介质 | |
CN113673141B (zh) | 一种基于数据驱动的能量路由器建模及优化控制方法 | |
CN115513945A (zh) | 一种基于物联网的分布式电源管理方法 | |
CN116683472A (zh) | 无功功率补偿方法、装置、设备以及存储介质 | |
CN116780665A (zh) | 基于光伏逆变器与智能控制终端的无功功率补偿方法 | |
CN117575175B (zh) | 碳排放评估方法、装置、电子设备和存储介质 | |
CN116707036A (zh) | 基于光伏逆变器的无功功率补偿方法、装置以及设备 | |
CN116706933A (zh) | 基于智能控制终端的无功功率补偿方法以及装置 | |
CN117691615A (zh) | 微电网客户侧柔性负荷资源互动运营优化方法及设备 | |
CN117875603A (zh) | 基于功率损耗的飞轮阵列功率匹配协同优化方法及装置 | |
CN114696324A (zh) | 一种低压配电网调控方法、装置、配电终端及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |