CN116707036A - 基于光伏逆变器的无功功率补偿方法、装置以及设备 - Google Patents
基于光伏逆变器的无功功率补偿方法、装置以及设备 Download PDFInfo
- Publication number
- CN116707036A CN116707036A CN202310483653.9A CN202310483653A CN116707036A CN 116707036 A CN116707036 A CN 116707036A CN 202310483653 A CN202310483653 A CN 202310483653A CN 116707036 A CN116707036 A CN 116707036A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic
- node
- reactive power
- moment
- time period
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000004044 response Effects 0.000 claims abstract description 54
- 238000005457 optimization Methods 0.000 claims abstract description 38
- 238000010276 construction Methods 0.000 claims abstract description 24
- 230000006399 behavior Effects 0.000 claims description 81
- 238000012549 training Methods 0.000 claims description 24
- 230000007704 transition Effects 0.000 claims description 24
- 230000000737 periodic effect Effects 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 21
- 238000003491 array Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000015572 biosynthetic process Effects 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 239000003990 capacitor Substances 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 239000002245 particle Substances 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 9
- 238000004590 computer program Methods 0.000 description 11
- 230000006855 networking Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000009434 installation Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 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
- 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
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 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
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement 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
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—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
- H02J3/50—Controlling the sharing of the out-of-phase component
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural 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
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- 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
- H02J3/16—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by adjustment of reactive power
-
- 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
- H02J3/18—Arrangements for adjusting, eliminating or compensating reactive power in 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
- 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
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/30—Reactive power compensation
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本公开的实施例提供了一种基于光伏逆变器的无功功率补偿方法、装置以及设备,应用于电力系统技术领域。该方法包括:根据各节点中的光伏阵列在下一时间段内的光伏出力,计算各节点在下一时间段内的光伏出力和光伏逆变器参与构网控制的最大无功功率;根据各节点在下一时间段内的负荷、光伏出力和光伏逆变器参与构网控制的最大无功功率,求解无功优化模型,生成各节点的无功功率需求曲线;对各节点的无功功率需求曲线进行分解,得到各节点中不同可调控周期响应等级的无功补偿设备的无功功率需求曲线,并基于此在下一时间段内调整对应无功补偿设备的无功功率。以此方式,可以有效地提高无功功率补偿效果。
Description
技术领域
本公开涉及电力系统技术领域,尤其涉及一种基于光伏逆变器的无功功率补偿方法、装置以及设备。
背景技术
目前台区用电、光伏出力等源荷功率有快速和慢速的波动变化,致使电网电压变化的时变尺度是不同的。仅靠传统无功补偿设备进行无功功率补偿难以根据电压短时间波动变化做出快速响应,这增大了电压越限等风险发生。因此,如何提高无功功率补偿效果就成为了目前亟待解决的技术问题。
发明内容
本公开的实施例提供了一种基于光伏逆变器的无功功率补偿方法、装置以及设备。
第一方面,本公开的实施例提供了一种基于光伏逆变器的无功功率补偿方法,该方法包括:
预测电网中各节点在下一时间段内的负荷,以及各节点中的光伏阵列在下一时间段内的光伏出力;
根据各节点中的光伏阵列在下一时间段内的光伏出力,计算各节点在下一时间段内的光伏出力和光伏逆变器参与构网控制的最大无功功率;
根据各节点在下一时间段内的负荷、光伏出力和光伏逆变器参与构网控制的最大无功功率,求解无功优化模型,得到各节点在下一时间段内所需的无功功率,并生成各节点的无功功率需求曲线,对其进行分解,得到各节点中不同可调控周期响应等级的无功补偿设备的无功功率需求曲线,并基于此在下一时间段内调整对应无功补偿设备的无功功率。
在第一方面的一些可实现方式中,预测电网中各节点在下一时间段内的负荷,以及各节点中的光伏阵列在下一时间段内的光伏出力,包括:
将电网中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,得到电网中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;
将电网中各节点中的光伏阵列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,得到电网中各节点中的光伏阵列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光伏阵列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,并以光伏阵列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,预测电网中各节点在下一时间段内的负荷,以及各节点中的光伏阵列在下一时间段内的光伏出力,包括:
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;
针对任一节点中的光伏阵列,根据光伏阵列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,计算光伏阵列下一时刻的光伏出力行为状态概率分布;
根据光伏阵列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,计算光伏阵列在下一时刻的光伏出力行为状态;
根据光伏阵列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,计算光伏阵列在下一时刻的光伏出力;
不断迭代计算,直至计算出光伏阵列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,在预测电网中各节点在下一时间段内的负荷,以及各节点中的光伏阵列在下一时间段内的光伏出力之前,该方法还包括:
针对任一节点,根据节点的历史负荷划分节点在一天中各时刻的负荷行为状态,统计节点在一天中各时刻的负荷行为状态的转移概率,生成各时刻的负荷行为状态转移概率矩阵;
针对任一节点中的光伏阵列,根据光伏阵列的历史光伏出力划分光伏阵列在一天中各时刻的光伏出力行为状态,统计光伏阵列在一天中各时刻的光伏出力行为状态的转移概率,生成各时刻的光伏出力行为状态转移概率矩阵。
在第一方面的一些可实现方式中,各节点中的光伏逆变器与光伏阵列组成分布式光伏集群可变直流拓扑结构,用于使光伏逆变器可变更连接的光伏阵列,其中,未与光伏阵列连接的光伏逆变器处于自由状态,其既是构网型无功补偿设备又是跟网型无功补偿设备;
根据各节点中的光伏阵列在下一时间段内的光伏出力,计算各节点在下一时间段内的光伏出力和光伏逆变器参与构网控制的最大无功功率,包括:
根据各节点中的光伏阵列在下一时间段内各时刻的光伏出力,对分布式光伏逆变器自由状态数量优化模型进行求解,得到各节点在下一时间段内各时刻处于自由状态的光伏逆变器的最大数量;
根据各节点在下一时间段内各时刻处于自由状态的光伏逆变器的最大数量和光伏逆变器的视在功率,计算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;
根据各节点中的光伏阵列在下一时间段内各时刻的光伏出力,计算各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,无功优化模型是通过以下步骤构建的:
以任一时刻下各节点的电压偏差之和最小为模型求解目标,以任一时刻下的节点功率平衡约束、任一时刻下的节点控制变量约束、任一时刻下的节点电压约束为模型约束,构建无功优化模型。
在第一方面的一些可实现方式中,对各节点的无功功率需求曲线进行分解,得到各节点中不同可调控周期响应等级的无功补偿设备的无功功率需求曲线,包括:
采用粒子群算法对各节点的无功功率需求曲线进行分解,得到各节点中不同可调控周期响应等级的无功补偿设备的无功功率需求曲线。
在第一方面的一些可实现方式中,无功补偿设备的可调控周期响应等级是通过以下步骤确定的:
若无功补偿设备为并联电容器,则确定其可调控周期响应等级为第一级别;
若无功补偿设备为跟网型控制的电力电子设备,则确定其可调控周期响应等级为第二级别;
若无功补偿设备为构网型控制的电力电子设备,则确定其可调控周期响应等级为第三级别;
其中,第一级别对应的响应速度低于第二级别对应的响应速度,第二级别对应的响应速度低于第三级别对应的响应速度。
第二方面,本公开的实施例提供了一种基于光伏逆变器的无功功率补偿装置,该装置包括:
预测模块,用于预测电网中各节点在下一时间段内的负荷,以及各节点中的光伏阵列在下一时间段内的光伏出力;
计算模块,用于根据各节点中的光伏阵列在下一时间段内的光伏出力,计算各节点在下一时间段内的光伏出力和光伏逆变器参与构网控制的最大无功功率;
求解模块,用于根据各节点在下一时间段内的负荷、光伏出力和光伏逆变器参与构网控制的最大无功功率,求解无功优化模型,得到各节点在下一时间段内所需的无功功率,并生成各节点的无功功率需求曲线,对其进行分解,得到各节点中不同可调控周期响应等级的无功补偿设备的无功功率需求曲线,并基于此在下一时间段内调整对应无功补偿设备的无功功率。
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,可以开发出光伏逆变器的构网能力,并充分发挥光伏逆变器的跟网和构网能力,实现多设备协同无功优化,有效地提高无功功率补偿效果,在减少专用无功补偿设备投入同时有效改善电网电压运行水平。
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基于光伏逆变器的无功功率补偿方法的流程图;
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基于光伏逆变器的无功功率补偿装置的结构图;
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基于光伏逆变器的无功功率补偿方法、装置以及设备。具体地,根据各节点中的光伏阵列在下一时间段内的光伏出力,计算各节点在下一时间段内的光伏出力和光伏逆变器参与构网控制的最大无功功率;根据各节点在下一时间段内的负荷、光伏出力和光伏逆变器参与构网控制的最大无功功率,求解无功优化模型,生成各节点的无功功率需求曲线;对各节点的无功功率需求曲线进行分解,得到各节点中不同可调控周期响应等级的无功补偿设备的无功功率需求曲线,并基于此在下一时间段内调整对应无功补偿设备的无功功率。
如此一来,可以开发出光伏逆变器的构网能力,并充分发挥光伏逆变器的跟网和构网能力,实现多设备协同无功优化,有效地提高无功功率补偿效果,在减少专用无功补偿设备投入同时有效改善电网电压运行水平。
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基于光伏逆变器的无功功率补偿方法、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基于光伏逆变器的无功功率补偿方法的流程图,如图1所示,无功功率补偿方法100可以包括以下步骤:
S110,预测电网中各节点在下一时间段内的负荷,以及各节点中的光伏阵列在下一时间段内的光伏出力。
在一些实施例中,可以将电网中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,以便快速得到电网中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。
与此同时,可以将电网中各节点中的光伏阵列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,以便快速得到电网中各节点中的光伏阵列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光伏阵列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,并以光伏阵列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。
在另一些实施例中,针对任一节点,可以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。
需要注意的是,在预测电网中各节点在下一时间段内的负荷,以及各节点中的光伏阵列在下一时间段内的光伏出力之前,针对任一节点,可以根据节点的历史负荷划分节点在一天中各时刻的负荷行为状态,统计节点在一天中各时刻的负荷行为状态的转移概率,精确且快速地生成各时刻的负荷行为状态转移概率矩阵。
与此同时,针对任一节点中的光伏阵列,可以根据光伏阵列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,计算光伏阵列下一时刻的光伏出力行为状态概率分布,根据光伏阵列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,计算光伏阵列在下一时刻的光伏出力行为状态,根据光伏阵列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,计算光伏阵列在下一时刻的光伏出力,不断迭代计算,直至计算出光伏阵列在下一时间段内各时刻的光伏出力。
需要注意的是,在预测电网中各节点在下一时间段内的负荷,以及各节点中的光伏阵列在下一时间段内的光伏出力之前,针对任一节点中的光伏阵列,可以根据光伏阵列的历史光伏出力划分光伏阵列在一天中各时刻的光伏出力行为状态,统计光伏阵列在一天中各时刻的光伏出力行为状态的转移概率,生成各时刻的光伏出力行为状态转移概率矩阵。
S120,根据各节点中的光伏阵列在下一时间段内的光伏出力,计算各节点在下一时间段内的光伏出力和光伏逆变器参与构网控制的最大无功功率。
在一些实施例中,各节点中的光伏逆变器与光伏阵列组成分布式光伏集群可变直流拓扑结构,用于使光伏逆变器可变更连接的光伏阵列,其中,未与光伏阵列连接的光伏逆变器处于自由状态,其既是构网型无功补偿设备又是跟网型无功补偿设备。
参见S110,可以根据各节点中的光伏阵列在下一时间段内各时刻的光伏出力,对分布式光伏逆变器自由状态数量优化模型进行求解,得到各节点在下一时间段内各时刻处于自由状态的光伏逆变器的最大数量,然后根据各节点在下一时间段内各时刻处于自由状态的光伏逆变器的最大数量和光伏逆变器的视在功率,快速计算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。与此同时,可以根据各节点中的光伏阵列在下一时间段内各时刻的光伏出力,快速计算各节点在下一时间段内各时刻的光伏出力。
S130,根据各节点在下一时间段内的负荷、光伏出力和光伏逆变器参与构网控制的最大无功功率,求解无功优化模型,得到各节点在下一时间段内所需的无功功率,并生成各节点的无功功率需求曲线,对其进行分解,得到各节点中不同可调控周期响应等级的无功补偿设备的无功功率需求曲线,并基于此在下一时间段内调整对应无功补偿设备的无功功率。
参见S110和S120,可以根据各节点在下一时间段内各时刻的负荷、光伏出力和光伏逆变器参与构网控制的最大无功功率,求解无功优化模型,得到各节点在下一时间段内各时刻所需的无功功率,并以此生成各节点的无功功率需求曲线。
其中,无功优化模型可以通过以下步骤构建:
以任一时刻下各节点的电压偏差之和最小为模型求解目标,以任一时刻下的节点功率平衡约束、任一时刻下的节点控制变量约束、任一时刻下的节点电压约束为模型约束,构建无功优化模型,有利于后续准确计算各节点在下一时间段内各时刻所需的无功功率。
示例性地,可以采用高效的粒子群算法对各节点的无功功率需求曲线进行快速分解,以便得到各节点中不同可调控周期响应等级的无功补偿设备的无功功率需求曲线。
可选地,无功补偿设备的可调控周期响应等级可以通过以下步骤确定:
若无功补偿设备为并联电容器,则确定其可调控周期响应等级为第一级别也即慢速;
若无功补偿设备为跟网型控制的电力电子设备,则确定其可调控周期响应等级为第二级别也即中速;
若无功补偿设备为构网型控制的电力电子设备,则确定其可调控周期响应等级为第三级别也即快速。
在本公开的实施例中,可以开发出光伏逆变器的构网能力,并充分发挥光伏逆变器的跟网和构网能力,实现多设备协同无功优化,有效地提高无功功率补偿效果,在减少专用无功补偿设备投入同时有效改善电网电压运行水平。
下面结合一个具体实施例,对本公开实施例提供的无功功率补偿方法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)将电网中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,得到电网中各节点在下一时间段内各时刻的负荷。将电网中各节点中的光伏阵列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,得到电网中各节点中的光伏阵列在下一时间段内各时刻的光伏出力。
(3)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,从而根据各节点中的光伏阵列在下一时间段内各时刻的光伏出力,计算各节点在下一时间段内各时刻的光伏出力和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,定义下一时刻预测得到的第yinv台光伏逆变器输入功率Pinvbe,yinv,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(1)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(2)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(3)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(4)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。
建立分布式光伏逆变器自由状态数量优化模型,即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,也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(5)所示。
maxFsc=Qgw→maxFsc=yzy,t,i (5)
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(6)所示。
电网t时刻节点i的光伏出力如公式(7)所示。
PPV,t,i=kgc,i·Pgct,t,i (7)
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(8)所示。
Qgwmax,t,i=yzy,t,i·Sinv (8)
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(8)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出力和光伏逆变器参与构网控制的最大无功功率。
(4)以任一时刻下各节点的电压偏差之和最小为模型求解目标,以任一时刻下的节点功率平衡约束、任一时刻下的节点控制变量约束、任一时刻下的节点电压约束为模型约束,建立无功优化模型。
其中,以任一时刻下各节点的电压偏差之和最小为模型求解目标,具体如公式(9)所示。
其中,t为时刻,t∈[1,Tm],Tm为一天划分的分析时刻数量;n为节点的数量;Ut,i为t时刻节点i电压;U0为节点电压标称值。
以任一时刻下的节点功率平衡约束为模型约束,具体如公式(10)所示。
其中,Pt,i和Qt,i分别为t时刻注入节点i的有功功率和无功功率,其中PPV,t,i和QPV,t,i分别为t时刻节点i处光伏逆变器输出的有功功率和无功功率;PL,t,i和QL,t,i分别为t时刻节点i负荷消耗的有功功率和无功功率;QC,t,i为t时刻节点i处并联电容器组的投切容量;QSVG,t,i为t时刻节点i处SVG补偿的无功功率;Ut,i和Ut,j分别为t时刻节点i和节点j的电压;Gij和Bij分别为节点i和节点j之间的线路电导和电纳;θt,ij为t时刻节点i和节点j的电压相角差。
以任一时刻下的节点控制变量约束为模型约束,具体如公式(11)所示。
其中,QPVmax,t,i为t时刻节点i的光伏逆变器其余容量;QSVGmax,i为节点i的SVG安装容量;NC,t,i为t时刻节点i并联电容器投切组数;NCmax为并联电容器组最大投切组数;qC为并联电容器单组投切容量;Sins,i为节点i的光伏安装容量;QPVGFM,t,i和QPVGFL,t,i分别为t时刻节点i处光伏逆变器构网和跟网控制补偿的无功功率;QSVGGFM,t,i和QSVGGFL,t,i分别为t时刻节点i处SVG构网和跟网控制补偿的无功功率。
以任一时刻下的节点电压约束为模型约束,具体如公式(12)所示。
UNmin≤Ut,i≤UNmax (12)
其中,UNmax和UNmin分别为t时刻节点i的电压上限和下限,Ut,i为t时刻节点i的电压。
(5)根据无功补偿设备的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其划分为多种可调控周期响应等级,并制定不同可调控周期响应等级下的协同控制手段。
具体地,根据专用和兼用无功补偿设备的分析,从集中控制指令发布的时间角度对并联电容器、SVG、光伏逆变器的无功指令控制类型和可调控周期响应等级进行划分如表1所示。并联电容器由于自身机械动作特性,调控指令周期的时间尺度为小时级,根据控制类型将其划分为跟网型控制,并将该设备可调控周期响应等级定义为慢速,对应电网无功优化最外层,即设备的协同操作顺序最先考虑;SVG和光伏逆变器特性相似,两者的跟网型控制主要跟随集中控制指令动作,调控指令周期和集中控制指令发布时间相同,故将其可调控周期响应等级定义为中速,对应电网无功优化最外层和中间层;构网型设备可以在集中控制指令间隔期间自由控制无功功率输出,无功指令相当于实时调整,故将其可调控周期响应等级定义为快速,对应电网无功优化最内层,其中电网前两层无功优化不足情况下也可以将其容量用于前两层进行优化。通过多种无功补偿设备在小时级别、集中控制指令时刻级别、实时级别的多时间尺度协同控制关系为后续求解无功优化模型提供基础。
表1
制定构网型设备控制手段时需要预测下两个时刻内负荷和光伏出力可能出现的场景,当超过50%的预测场景满足启动构网型设备有利于降低电压偏差条件时,则启动构网型设备,否则不启动。
当构网型设备安装节点在下一时段内出现电压自身kF%浮动变化时执行强制调节,对于是否执行输出或吸收无功则根据公式(13)进行判断。在下一个时段内当该节点电压大于(1+kF)Ut时构网型设备消耗无功功率,小于(1-kF)Ut时构网型设备输出无功功率,直到达到该设备最大补偿容量为止。
(6)将各节点在下一时间段内各时刻的负荷、光伏出力和光伏逆变器参与构网控制的最大无功功率代入无功优化模型中相应的参数项,以求解无功优化模型,得到各节点在下一时间段内各时刻所需的无功功率,并生成各节点的无功功率需求曲线。
(7)采用粒子群算法对各节点的无功功率需求曲线进行快速分解,得到各节点中不同可调控周期响应等级的无功补偿设备的无功功率需求曲线。
具体地,考虑中速和慢速无功补偿设备参与小时级别无功优化,再考虑中速无功补偿设备对集中控制指令时间段的电网运行进行无功优化,最后考虑快速无功补偿设备参与更短时间内电压波动的调节。
由于无功功率补偿资源根据调控指令进行构网或跟网控制,且在优先满足跟网控制的前提下再对剩余的可用无功功率补偿无功资源进行判断是否进行构网控制,即可用于构网控制的无功功率补偿资源如SVG根据调度指令需要可将其容量全部用于跟网控制。
考虑设备慢速响应能力,采用粒子群算法计算小时级时间段最优无功功率需求量,获得小时级专用和兼用无功补偿设备无功功率需求曲线,并将其作为最外层无功功率需求曲线,也即慢速无功补偿设备无功功率需求曲线。若光伏安装节点和区域无功补偿设备安装位置相同,则专用和兼用无功补偿设备无功功率需求量为叠加后的总量;若两种位置不同,则会分别优化出专用和兼用无功补偿设备无功功率需求曲线,对于每一层无功功率需求曲线原理相同。
考虑设备中速响应能力,在最外层无功功率需求量基础上,对专用和兼用中速无功补偿设备进一步无功优化,得到专用和兼用中速无功补偿设备无功功率需求曲线,并将其作为中间层无功功率需求曲线,也即中速无功补偿设备无功功率需求曲线。
考虑设备快速响应能力,在中间层无功功率需求量基础上,选用构网无功补偿设备对电网运行进行无功优化,得到专用构网无功补偿设备无功功率需求曲线,并将其作为最内层无功功率需求曲线,也即快速无功补偿设备无功功率需求曲线。
(8)根据各节点中不同可调控周期响应等级的无功补偿设备的无功功率需求曲线,在下一时间段内调整对应无功补偿设备的无功功率。
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基于光伏逆变器的无功功率补偿装置的结构图,如图4所示,无功功率补偿装置400可以包括:
预测模块410,用于预测电网中各节点在下一时间段内的负荷,以及各节点中的光伏阵列在下一时间段内的光伏出力。
计算模块420,用于根据各节点中的光伏阵列在下一时间段内的光伏出力,计算各节点在下一时间段内的光伏出力和光伏逆变器参与构网控制的最大无功功率。
求解模块430,用于根据各节点在下一时间段内的负荷、光伏出力和光伏逆变器参与构网控制的最大无功功率,求解无功优化模型,得到各节点在下一时间段内所需的无功功率,并生成各节点的无功功率需求曲线,对其进行分解,得到各节点中不同可调控周期响应等级的无功补偿设备的无功功率需求曲线,并基于此在下一时间段内调整对应无功补偿设备的无功功率。
在一些实施例中,预测模块410具体用于:
将电网中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,得到电网中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;
将电网中各节点中的光伏阵列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,得到电网中各节点中的光伏阵列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光伏阵列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,并以光伏阵列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,预测模块410具体用于:
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;
针对任一节点中的光伏阵列,根据光伏阵列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,计算光伏阵列下一时刻的光伏出力行为状态概率分布;
根据光伏阵列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,计算光伏阵列在下一时刻的光伏出力行为状态;
根据光伏阵列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,计算光伏阵列在下一时刻的光伏出力;
不断迭代计算,直至计算出光伏阵列在下一时间段内各时刻的光伏出力。
在一些实施例中,无功功率补偿装置400还包括:
生成模块,用于在预测电网中各节点在下一时间段内的负荷,以及各节点中的光伏阵列在下一时间段内的光伏出力之前,针对任一节点,根据节点的历史负荷划分节点在一天中各时刻的负荷行为状态,统计节点在一天中各时刻的负荷行为状态的转移概率,生成各时刻的负荷行为状态转移概率矩阵;
针对任一节点中的光伏阵列,根据光伏阵列的历史光伏出力划分光伏阵列在一天中各时刻的光伏出力行为状态,统计光伏阵列在一天中各时刻的光伏出力行为状态的转移概率,生成各时刻的光伏出力行为状态转移概率矩阵。
在一些实施例中,各节点中的光伏逆变器与光伏阵列组成分布式光伏集群可变直流拓扑结构,用于使光伏逆变器可变更连接的光伏阵列,其中,未与光伏阵列连接的光伏逆变器处于自由状态,其既是构网型无功补偿设备又是跟网型无功补偿设备。
计算模块420具体用于:
根据各节点中的光伏阵列在下一时间段内各时刻的光伏出力,对分布式光伏逆变器自由状态数量优化模型进行求解,得到各节点在下一时间段内各时刻处于自由状态的光伏逆变器的最大数量;
根据各节点在下一时间段内各时刻处于自由状态的光伏逆变器的最大数量和光伏逆变器的视在功率,计算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;
根据各节点中的光伏阵列在下一时间段内各时刻的光伏出力,计算各节点在下一时间段内各时刻的光伏出力。
在一些实施例中,无功优化模型是通过以下步骤构建的:
以任一时刻下各节点的电压偏差之和最小为模型求解目标,以任一时刻下的节点功率平衡约束、任一时刻下的节点控制变量约束、任一时刻下的节点电压约束为模型约束,构建无功优化模型。
在一些实施例中,求解模块430具体用于:
采用粒子群算法对各节点的无功功率需求曲线进行分解,得到各节点中不同可调控周期响应等级的无功补偿设备的无功功率需求曲线。
在一些实施例中,无功补偿设备的可调控周期响应等级是通过以下步骤确定的:
若无功补偿设备为并联电容器,则确定其可调控周期响应等级为第一级别;
若无功补偿设备为跟网型控制的电力电子设备,则确定其可调控周期响应等级为第二级别;
若无功补偿设备为构网型控制的电力电子设备,则确定其可调控周期响应等级为第三级别;
其中,第一级别对应的响应速度低于第二级别对应的响应速度,第二级别对应的响应速度低于第三级别对应的响应速度。
可以理解的是,图4所示的无功功率补偿装置400中的各个模块/单元具有实现图1所示的无功功率补偿方法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 (10)
1.一种基于光伏逆变器的无功功率补偿方法,其特征在于,包括:
预测电网中各节点在下一时间段内的负荷,以及各节点中的光伏阵列在下一时间段内的光伏出力;
根据各节点中的光伏阵列在下一时间段内的光伏出力,计算各节点在下一时间段内的光伏出力和光伏逆变器参与构网控制的最大无功功率;
根据各节点在下一时间段内的负荷、光伏出力和光伏逆变器参与构网控制的最大无功功率,求解无功优化模型,得到各节点在下一时间段内所需的无功功率,并生成各节点的无功功率需求曲线,对其进行分解,得到各节点中不同可调控周期响应等级的无功补偿设备的无功功率需求曲线,并基于此在下一时间段内调整对应无功补偿设备的无功功率。
2.根据权利要求1所述的方法,其特征在于,所述预测电网中各节点在下一时间段内的负荷,以及各节点中的光伏阵列在下一时间段内的光伏出力,包括:
将所述电网中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,得到所述电网中各节点在下一时间段内各时刻的负荷;
所述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,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;
将所述电网中各节点中的光伏阵列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,得到所述电网中各节点中的光伏阵列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光伏阵列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,并以光伏阵列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,所述预测电网中各节点在下一时间段内的负荷,以及各节点中的光伏阵列在下一时间段内的光伏出力,包括:
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;
针对任一节点中的光伏阵列,根据光伏阵列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,计算光伏阵列下一时刻的光伏出力行为状态概率分布;
根据光伏阵列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,计算光伏阵列在下一时刻的光伏出力行为状态;
根据光伏阵列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,计算光伏阵列在下一时刻的光伏出力;
不断迭代计算,直至计算出光伏阵列在下一时间段内各时刻的光伏出力。
4.根据权利要求3所述的方法,其特征在于,在所述预测电网中各节点在下一时间段内的负荷,以及各节点中的光伏阵列在下一时间段内的光伏出力之前,所述方法还包括:
针对任一节点,根据节点的历史负荷划分节点在一天中各时刻的负荷行为状态,统计节点在一天中各时刻的负荷行为状态的转移概率,生成各时刻的负荷行为状态转移概率矩阵;
针对任一节点中的光伏阵列,根据光伏阵列的历史光伏出力划分光伏阵列在一天中各时刻的光伏出力行为状态,统计光伏阵列在一天中各时刻的光伏出力行为状态的转移概率,生成各时刻的光伏出力行为状态转移概率矩阵。
5.根据权利要求2或3所述的方法,其特征在于,各节点中的光伏逆变器与光伏阵列组成分布式光伏集群可变直流拓扑结构,用于使光伏逆变器可变更连接的光伏阵列,其中,未与光伏阵列连接的光伏逆变器处于自由状态,其既是构网型无功补偿设备又是跟网型无功补偿设备;
所述根据各节点中的光伏阵列在下一时间段内的光伏出力,计算各节点在下一时间段内的光伏出力和光伏逆变器参与构网控制的最大无功功率,包括:
根据各节点中的光伏阵列在下一时间段内各时刻的光伏出力,对分布式光伏逆变器自由状态数量优化模型进行求解,得到各节点在下一时间段内各时刻处于自由状态的光伏逆变器的最大数量;
根据各节点在下一时间段内各时刻处于自由状态的光伏逆变器的最大数量和光伏逆变器的视在功率,计算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;
根据各节点中的光伏阵列在下一时间段内各时刻的光伏出力,计算各节点在下一时间段内各时刻的光伏出力。
6.根据权利要求1所述的方法,其特征在于,所述无功优化模型是通过以下步骤构建的:
以任一时刻下各节点的电压偏差之和最小为模型求解目标,以任一时刻下的节点功率平衡约束、任一时刻下的节点控制变量约束、任一时刻下的节点电压约束为模型约束,构建无功优化模型。
7.根据权利要求1所述的方法,其特征在于,对各节点的无功功率需求曲线进行分解,得到各节点中不同可调控周期响应等级的无功补偿设备的无功功率需求曲线,包括:
采用粒子群算法对各节点的无功功率需求曲线进行分解,得到各节点中不同可调控周期响应等级的无功补偿设备的无功功率需求曲线。
8.根据权利要求7所述的方法,其特征在于,所述无功补偿设备的可调控周期响应等级是通过以下步骤确定的:
若无功补偿设备为并联电容器,则确定其可调控周期响应等级为第一级别;
若无功补偿设备为跟网型控制的电力电子设备,则确定其可调控周期响应等级为第二级别;
若无功补偿设备为构网型控制的电力电子设备,则确定其可调控周期响应等级为第三级别;
其中,第一级别对应的响应速度低于第二级别对应的响应速度,第二级别对应的响应速度低于第三级别对应的响应速度。
9.一种基于光伏逆变器的无功功率补偿装置,其特征在于,包括:
预测模块,用于预测电网中各节点在下一时间段内的负荷,以及各节点中的光伏阵列在下一时间段内的光伏出力;
计算模块,用于根据各节点中的光伏阵列在下一时间段内的光伏出力,计算各节点在下一时间段内的光伏出力和光伏逆变器参与构网控制的最大无功功率;
求解模块,用于根据各节点在下一时间段内的负荷、光伏出力和光伏逆变器参与构网控制的最大无功功率,求解无功优化模型,得到各节点在下一时间段内所需的无功功率,并生成各节点的无功功率需求曲线,对其进行分解,得到各节点中不同可调控周期响应等级的无功补偿设备的无功功率需求曲线,并基于此在下一时间段内调整对应无功补偿设备的无功功率。
10.一种电子设备,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1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310483653.9A CN116707036B (zh) | 2023-04-28 | 2023-04-28 | 基于光伏逆变器的无功功率补偿方法、装置以及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310483653.9A CN116707036B (zh) | 2023-04-28 | 2023-04-28 | 基于光伏逆变器的无功功率补偿方法、装置以及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116707036A true CN116707036A (zh) | 2023-09-05 |
CN116707036B CN116707036B (zh) | 2024-06-14 |
Family
ID=87838264
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310483653.9A Active CN116707036B (zh) | 2023-04-28 | 2023-04-28 | 基于光伏逆变器的无功功率补偿方法、装置以及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116707036B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118074152A (zh) * | 2024-04-19 | 2024-05-24 | 兴盛电器股份有限公司 | 一种无级补偿方法、装置、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180013287A1 (en) * | 2016-07-07 | 2018-01-11 | University Of Hawai'i | Dynamic reactive compensation |
CN108321810A (zh) * | 2018-02-12 | 2018-07-24 | 华南理工大学 | 抑制光伏并网点电压波动的配网多时间尺度无功控制方法 |
CA3081459A1 (en) * | 2019-05-26 | 2020-11-26 | Battelle Memorial Institute | Coordinated voltage control and reactive power regulation between transmission and distribution systems |
CN114844115A (zh) * | 2022-07-01 | 2022-08-02 | 浙江大学 | 一种基于模型预测控制的光伏变流器构网控制方法及装置 |
CN115395566A (zh) * | 2022-09-01 | 2022-11-25 | 国网冀北电力有限公司电力科学研究院 | 光伏电站控制系统及方法 |
CN115411743A (zh) * | 2022-09-20 | 2022-11-29 | 武汉大学 | 一种分布式光伏参与配网无功优化的多阶段电压控制方法 |
CN115841045A (zh) * | 2023-01-03 | 2023-03-24 | 国网冀北电力有限公司电力科学研究院 | 一种光伏电站的无功支撑能力指标获取方法及装置 |
-
2023
- 2023-04-28 CN CN202310483653.9A patent/CN116707036B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180013287A1 (en) * | 2016-07-07 | 2018-01-11 | University Of Hawai'i | Dynamic reactive compensation |
CN108321810A (zh) * | 2018-02-12 | 2018-07-24 | 华南理工大学 | 抑制光伏并网点电压波动的配网多时间尺度无功控制方法 |
CA3081459A1 (en) * | 2019-05-26 | 2020-11-26 | Battelle Memorial Institute | Coordinated voltage control and reactive power regulation between transmission and distribution systems |
CN114844115A (zh) * | 2022-07-01 | 2022-08-02 | 浙江大学 | 一种基于模型预测控制的光伏变流器构网控制方法及装置 |
CN115395566A (zh) * | 2022-09-01 | 2022-11-25 | 国网冀北电力有限公司电力科学研究院 | 光伏电站控制系统及方法 |
CN115411743A (zh) * | 2022-09-20 | 2022-11-29 | 武汉大学 | 一种分布式光伏参与配网无功优化的多阶段电压控制方法 |
CN115841045A (zh) * | 2023-01-03 | 2023-03-24 | 国网冀北电力有限公司电力科学研究院 | 一种光伏电站的无功支撑能力指标获取方法及装置 |
Non-Patent Citations (2)
Title |
---|
ZHOU HAO ET AL: "The efficiency analysis for three-level grid-connected photovoltaic inverters", 《2012 IEEE INTERNATIONAL SYMPOSIUM ON INDUSTRIAL ELECTRONICS》, 31 May 2012 (2012-05-31), pages 1086 - 1090, XP032199866, DOI: 10.1109/ISIE.2012.6237239 * |
徐志成等: "基于电压灵敏度的配电网光伏消纳能力随机场景模拟及逆变器控制参数优化整定", 《中国电机工程学报》, vol. 36, no. 6, 20 March 2016 (2016-03-20), pages 1578 - 1587 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118074152A (zh) * | 2024-04-19 | 2024-05-24 | 兴盛电器股份有限公司 | 一种无级补偿方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116707036B (zh) | 2024-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Grid-side flexibility of power systems in integrating large-scale renewable generations: A critical review on concepts, formulations and solution approaches | |
Di Piazza et al. | An artificial neural network-based forecasting model of energy-related time series for electrical grid management | |
CN104636822B (zh) | 一种基于elman神经网络的居民负荷预测方法 | |
Yang et al. | A novel strategy of pareto-optimal solution searching in multi-objective particle swarm optimization (MOPSO) | |
CN112003330B (zh) | 一种基于自适应控制的微网能量优化调度方法 | |
CN116707036B (zh) | 基于光伏逆变器的无功功率补偿方法、装置以及设备 | |
CN111367349A (zh) | 一种基于预测模型的光伏mppt控制方法及系统 | |
Zeng et al. | Scenario-set-based economic dispatch of power system with wind power and energy storage system | |
CN116722608B (zh) | 一种基于光伏逆变器的无功功率补偿系统 | |
CN113872213B (zh) | 一种配电网电压自主优化控制方法及装置 | |
CN116799780A (zh) | 一种配电网分布式光伏承载力评估方法、系统及评估终端 | |
Petrusev et al. | Reinforcement learning for robust voltage control in distribution grids under uncertainties | |
CN116722561B (zh) | 一种无功功率补偿系统 | |
Huang et al. | Distributed real-time economic dispatch for islanded microgrids with dynamic power demand | |
CN116780665B (zh) | 基于光伏逆变器与智能控制终端的无功功率补偿方法 | |
CN108110756A (zh) | 考虑不确定性因素的工业园区配电网规划方法 | |
CN116683472B (zh) | 无功功率补偿方法、装置、设备以及存储介质 | |
CN116137445A (zh) | 基于分布式电源的孤岛配网方法、装置、设备及介质 | |
CN115549204A (zh) | 一种微电网群双层分布式集群调峰方法及装置 | |
CN116683471B (zh) | 无功功率补偿资源的配置方法、装置以及设备 | |
Richmond et al. | Optimal planning of slow-ramping power production in energy systems with renewables forecasts and limited storage | |
Chang et al. | Frequency regulation in adaptive virtual inertia and power reserve control with high PV penetration by probabilistic forecasting | |
CN116706933A (zh) | 基于智能控制终端的无功功率补偿方法以及装置 | |
CN117196180B (zh) | 含高比例分布式光伏的配电线路光伏汇集点选址方法 | |
CN118412934A (zh) | 一种光伏集群功率分配方法及装置 |
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 |