CN117239770A - 一种分布式电源电压实时控制方法和系统 - Google Patents
一种分布式电源电压实时控制方法和系统 Download PDFInfo
- Publication number
- CN117239770A CN117239770A CN202311516980.6A CN202311516980A CN117239770A CN 117239770 A CN117239770 A CN 117239770A CN 202311516980 A CN202311516980 A CN 202311516980A CN 117239770 A CN117239770 A CN 117239770A
- Authority
- CN
- China
- Prior art keywords
- target
- voltage
- representing
- distributed power
- power supply
- 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 110
- 230000035945 sensitivity Effects 0.000 claims abstract description 207
- 238000011217 control strategy Methods 0.000 claims abstract description 81
- 238000005457 optimization Methods 0.000 claims description 95
- 238000002347 injection Methods 0.000 claims description 59
- 239000007924 injection Substances 0.000 claims description 59
- 230000006870 function Effects 0.000 claims description 40
- 230000008569 process Effects 0.000 claims description 37
- 238000013528 artificial neural network Methods 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000001105 regulatory effect Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 13
- 230000001276 controlling effect Effects 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 8
- 241000283690 Bos taurus Species 0.000 claims description 6
- 230000008859 change Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000013507 mapping Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 206010003591 Ataxia Diseases 0.000 description 1
- 206010010947 Coordination abnormal Diseases 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 208000028756 lack of coordination Diseases 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Abstract
本发明公开了一种分布式电源电压实时控制方法和系统，涉及电压控制技术领域，构建目标分布式电源优化控制策略库模型，确定目标分布式电源并获取电网数据和电压灵敏度数据，采用电压灵敏度数据输入预设电压灵敏度潮流模型确定目标电压灵敏度，采用电压灵敏度数据、电网数据和目标电压灵敏度确定目标分布式电源功率数据，采用目标分布式电源优化控制策略库模型生成目标电压值和目标调控量，基于目标电压值对各节点的出力进行修正，直至满足预设收敛条件，则将目标调控量下发至各节点的可调设备；解决现有的分布式电源大规模接入配电网条件下的电压控制，无法对存在不可全观测区域的配电网的实时电压精确控制的技术问题。
Description
技术领域
本发明涉及电压控制技术领域，尤其涉及一种分布式电源电压实时控制方法和系统。
背景技术
近年来，屋顶光伏、风电等分布式电源规模化接入电网，使得传统配电网结构变得更为复杂，潮流流向多变，同时由于自然因素的影响分布式电源出力呈现出一定波动性和很大随机性，造成配电网电压安全等问题，对调度控制形成新的挑战。
针对现有的分布式电源大规模接入配电网条件下的电压控制，由于设备间缺乏协调控制，因此全局最优难以实现，并且存在网络复杂、学习速度较慢、算力要求高等问题，从而导致无法对存在不可全观测区域的配电网的实时电压精确控制。
发明内容
本发明提供了一种分布式电源电压实时控制方法和系统，解决了现有的分布式电源大规模接入配电网条件下的电压控制，无法对存在不可全观测区域的配电网的实时电压精确控制的技术问题。
本发明第一方面提供的一种分布式电源电压实时控制方法，包括：
基于预置单隐层前馈神经网络建立极限学习机，以最小母线电压偏差和调控成本为优化目标，构建目标分布式电源优化控制策略库模型；
响应于接收到的电压波动信息，确定所述电压波动信息对应的目标分布式电源并获取对应的电网数据和电压灵敏度数据；
采用所述目标分布式电源关联的电压灵敏度数据输入预设电压灵敏度潮流模型，确定各节点的目标电压灵敏度；
采用所述电压灵敏度数据、所述电网数据和所述目标电压灵敏度进行运算，确定目标分布式电源功率数据；
采用所述目标分布式电源功率数据和所述目标电压灵敏度输入所述目标分布式电源优化控制策略库模型，生成对应的目标电压值和目标调控量；
基于所述目标电压值，对各节点的出力进行修正，直至满足预设收敛条件，则将所述目标调控量下发至各节点的可调设备。
可选地，所述基于预置单隐层前馈神经网络建立极限学习机，以最小母线电压偏差和调控成本为优化目标，构建目标分布式电源优化控制策略库模型的步骤，包括：
基于预置单隐层前馈神经网络建立极限学习机；
基于建立的所述极限学习机，以最小母线电压偏差和调控成本为优化目标，构建初始分布式电源优化控制策略库模型；
采集电网电力历史策略数据进行归一化处理，生成训练样本数据；
采用所述训练样本数据输入所述初始分布式电源优化控制策略库模型进行训练，生成目标分布式电源优化控制策略库模型。
可选地，所述电压灵敏度数据包括节点电压相角和节点电压幅值，所述电网数据包括初始有功功率和初始无功功率，所述目标电压灵敏度包括有功电压灵敏度和无功电压灵敏度，所述采用所述电压灵敏度数据、所述电网数据和所述目标电压灵敏度进行运算，确定目标分布式电源功率数据的步骤，包括：
采用所述节点电压相角和所述节点电压幅值输入预设注入功率函数，生成对应的目标注入有功功率和目标注入无功功率；
所述预设注入功率函数具体为：
；
；
式中，表示所述目标注入有功功率，/>表示所述目标注入无功功率，/>表示节点i的所述节点电压幅值，/>表示节点j的所述节点电压幅值，/>表示节点i、j间线路导纳的实部，/>表示节点i、j间线路导纳的虚部，/>表示节点i和j之间的电压相角差；
采用所述目标注入有功功率、所述目标注入无功功率和所述目标电压灵敏度进行乘值运算，确定目标实时有功变化量和目标实时无功变化量；
所述目标实时有功变化量和所述目标实时无功变化量的计算公式具体为：
；
；
式中，表示所述目标实时有功变化量，/>表示所述目标实时无功变化量，表示所述有功电压灵敏度，/>表示所述无功电压灵敏度；
采用所述目标实时有功变化量、所述目标实时无功变化量、所述初始有功功率和所述初始无功功率进行和值运算，确定目标分布式电源功率数据；
其中，所述目标分布式电源功率数据包括目标分布式电源有功功率和目标分布式电源无功功率；
所述目标分布式电源有功功率和所述目标分布式电源无功功率的计算公式具体为：
；
；
式中，表示所述目标分布式电源有功功率数据，/>表示所述目标分布式电源无功功率数据，/>表示所述初始有功功率，/>表示所述初始无功功率。
可选地，所述电网数据还包括初始母线电压，所述目标分布式电源优化控制策略库模型的目标函数具体为：
；
；
式中，表示所述目标分布式电源优化控制策略库模型的目标函数，/>表示权重系数，/>表示调节后的母线电压，/>表示电压参考值，/>表示权重系数，/>表示调节成本，/>表示所述初始母线电压，/>表示电压变化量，/>表示配网中分布式电源的个数。
可选地，所述预设收敛条件具体为：
；
式中，表示所述目标电压值，/>表示电压参考值，/>表示预设收敛值。
可选地，所述采用所述目标分布式电源关联的电压灵敏度数据输入预设电压灵敏度潮流模型，确定各节点的目标电压灵敏度的步骤之前，还包括：
通过牛拉法在极坐标下建立电压灵敏度潮流模型；
所述电压灵敏度潮流模型具体为：
；
式中，表示所述节点电压相角，/>表示节点电压幅值修正量，/>表示节点电压幅值的对角阵，/>表示雅可比矩阵，/>表示节点注入有功扰动，/>表示节点注入无功的扰动量，/>表示目标电压灵敏度矩阵；/>表示偏导。
本发明第二方面提供的一种分布式电源电压实时控制系统，包括：
优化构建模块，用于基于预置单隐层前馈神经网络建立极限学习机，以最小母线电压偏差和调控成本为优化目标，构建目标分布式电源优化控制策略库模型；
响应模块，用于响应于接收到的电压波动信息，确定所述电压波动信息对应的目标分布式电源并获取对应的电网数据和电压灵敏度数据；
电压灵敏度获取模块，用于采用所述目标分布式电源关联的电压灵敏度数据输入预设电压灵敏度潮流模型，确定各节点的目标电压灵敏度；
功率数据获取模块，用于采用所述电压灵敏度数据、所述电网数据和所述目标电压灵敏度进行运算，确定目标分布式电源功率数据；
数据处理模块，用于采用所述目标分布式电源功率数据和所述目标电压灵敏度输入所述目标分布式电源优化控制策略库模型，生成对应的目标电压值和目标调控量；
调控量下发模块，用于基于所述目标电压值，对各节点的出力进行修正，直至满足预设收敛条件，则将所述目标调控量下发至各节点的可调设备。
可选地，所述优化构建模块包括：
极限学习机建立子模块，用于基于预置单隐层前馈神经网络建立极限学习机；
初始分布式电源优化控制策略库模型子模块，用于基于建立的所述极限学习机，以最小母线电压偏差和调控成本为优化目标，构建初始分布式电源优化控制策略库模型；
归一化子模块，用于采集电网电力历史策略数据进行归一化处理，生成训练样本数据；
目标分布式电源优化控制策略库模型子模块，用于采用所述训练样本数据输入所述初始分布式电源优化控制策略库模型进行训练，生成目标分布式电源优化控制策略库模型。
可选地，所述电压灵敏度数据包括节点电压相角和节点电压幅值，所述电网数据包括初始有功功率和初始无功功率，所述目标电压灵敏度包括有功电压灵敏度和无功电压灵敏度，所述功率数据获取模块包括：
预设注入功率函数子模块，用于采用所述节点电压相角和所述节点电压幅值输入预设注入功率函数，生成对应的目标注入有功功率和目标注入无功功率；
所述预设注入功率函数具体为：
；
；
式中，表示所述目标注入有功功率，/>表示所述目标注入无功功率，/>表示节点i的所述节点电压幅值，/>表示节点j的所述节点电压幅值，/>表示节点i、j间线路导纳的实部，/>表示节点i、j间线路导纳的虚部，/>表示节点i和j之间的电压相角差；
乘值运算子模块，用于采用所述目标注入有功功率、所述目标注入无功功率和所述目标电压灵敏度进行乘值运算，确定目标实时有功变化量和目标实时无功变化量；
所述目标实时有功变化量和所述目标实时无功变化量的计算公式具体为：
；
；
式中，表示所述目标实时有功变化量，/>表示所述目标实时无功变化量，表示所述有功电压灵敏度，/>表示所述无功电压灵敏度；
和值运算子模块，用于采用所述目标实时有功变化量、所述目标实时无功变化量、所述初始有功功率和所述初始无功功率进行和值运算，确定目标分布式电源功率数据；
其中，所述目标分布式电源功率数据包括目标分布式电源有功功率和目标分布式电源无功功率；
所述目标分布式电源有功功率和所述目标分布式电源无功功率的计算公式具体为：
；
；
式中，表示所述目标分布式电源有功功率数据，/>表示所述目标分布式电源无功功率数据，/>表示所述初始有功功率，/>表示所述初始无功功率。
可选地，所述电网数据还包括初始母线电压，所述目标分布式电源优化控制策略库模型的目标函数具体为：
；
；
式中，表示所述目标分布式电源优化控制策略库模型的目标函数，/>表示权重系数，/>表示调节后的母线电压，/>表示电压参考值，/>表示权重系数，/>表示调节成本，/>表示所述初始母线电压，/>表示电压变化量，/>表示配网中分布式电源的个数。
从以上技术方案可以看出，本发明具有以下优点：
基于预置单隐层前馈神经网络建立极限学习机，以最小母线电压偏差和调控成本为优化目标，构建目标分布式电源优化控制策略库模型，响应于接收到的电压波动信息，确定电压波动信息对应的目标分布式电源并获取对应的电网数据和电压灵敏度数据，采用电压灵敏度数据输入预设电压灵敏度潮流模型，确定各节点的目标电压灵敏度，采用电压灵敏度数据、电网数据和目标电压灵敏度进行运算，确定目标分布式电源功率数据，采用目标分布式电源功率数据和目标电压灵敏度输入目标分布式电源优化控制策略库模型，生成对应的目标电压值和目标调控量，基于目标电压值，对各节点的出力进行修正，直至满足预设收敛条件，则将目标调控量下发至各节点的可调设备；解决了现有的分布式电源大规模接入配电网条件下的电压控制，无法对存在不可全观测区域的配电网的实时电压精确控制的技术问题；通过利用电压灵敏度潮流模型计算出目标电压灵敏度，进而计算得到分布式电源有功无功调节指令关联的目标调控量，实现了对存在不可全观测区域的配电网的实时电压精确控制，并且通过基于电网电力历史策略数据所构建的目标分布式电源优化控制策略库模型修正实时电压调控，可以优化无功、有功调节指令，提高调节精度，降低母线电压偏差。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种分布式电源电压实时控制方法的步骤流程图；
图2为本发明实施例提供的一种分布式电源电压实时控制方法的步骤流程图；
图3为本发明实施例提供的实时调控流程示意图；
图4为本发明实施例提供的含不可全观测区域的配电网仿真系统拓扑结构示意图；
图5为本发明实施例提供的一种虚拟阻抗控制参数优化系统的结构框图。
具体实施方式
本发明实施例提供了一种分布式电源电压实时控制方法和系统，用于解决现有的分布式电源大规模接入配电网条件下的电压控制，无法对存在不可全观测区域的配电网的实时电压精确控制的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1，图1为本发明实施例提供的一种分布式电源电压实时控制方法的步骤流程图。
本发明提供的一种分布式电源电压实时控制方法，包括：
步骤101、基于预置单隐层前馈神经网络建立极限学习机，以最小母线电压偏差和调控成本为优化目标，构建目标分布式电源优化控制策略库模型。
基于预置单隐层前馈神经网络建立极限学习机，极限学习机是一种新型的单隐层前馈神经网络，在训练网络的过程中随机给定输入层权值和隐藏层偏差，训练速度非常快。
单隐层前馈神经网络指的是前馈神经网络（feedforward neural network，FNN）是人工神经网络的一种。前馈神经网络采用一种单向多层结构。其中每一层包含若干个神经元。在此种神经网络中，各神经元可以接收前一层神经元的信号，并产生输出到下一层。第0层叫输入层，最后一层叫输出层，其他中间层叫做隐含层（或隐藏层、隐层）。隐层可以是一层，也可以是多层。
目标分布式电源优化控制策略库模型，指的是采用母线电压偏差及调控成本为共同的优化目标，以分布式电源的有功、无功出力作为控制变量，建立含分布式电源的三维配电网优化控制策略库模型，估算可控资源的可调容量。
在本发明实施例中，基于预置单隐层前馈神经网络建立极限学习机，以最小母线电压偏差和调控成本为优化目标，以分布式电源的有功、无功出力作为控制变量，构建含分布式电源的目标分布式电源优化控制策略库模型。
步骤102、响应于接收到的电压波动信息，确定电压波动信息对应的目标分布式电源并获取对应的电网数据和电压灵敏度数据。
电压波动信息，指的是配电网的电压方均根值(有效值)一系列的变动或连续的改变，根据电压方均根值曲线来评估当前配电网的电压波动情况。
目标分布式电源，指的是根据电压方均根值曲线确定当前电压方均根值处于一系列的变动或连续的改变的配电网关联的分布式电源，将其作为目标分布式电源。
电网数据，指的是目标分布式电源的初始有功功率、初始无功功率和初始母线电压。
电压灵敏度数据，指的是目标分布式电源的节点电压相角、节点电压幅值、节点电压幅值修正量、节点电压幅值的对角阵、节点注入有功扰动和节点注入无功的扰动量。
在本发明实施例中，响应于接收到的针对配电网电压进行监测的波动信息，确定当前电压方均根值处于一系列的变动或连续的改变的配电网关联的分布式电源，将其作为目标分布式电源，并获取目标分布式电源的电网数据和电压灵敏度数据。
步骤103、采用目标分布式电源关联的电压灵敏度数据输入预设电压灵敏度潮流模型，确定各节点的目标电压灵敏度。
预设电压灵敏度潮流模型，指的是通过牛拉法在极坐标下建立电压灵敏度潮流模型，用于计算目标分布式电源关联的各节点的目标电压灵敏度。
在本发明实施例中，采用目标分布式电源关联的电压灵敏度数据输入预设电压灵敏度潮流模型进行计算，输出目标分布式电源关联的各节点的目标电压灵敏度。
步骤104、采用电压灵敏度数据、电网数据和目标电压灵敏度进行运算，确定目标分布式电源功率数据。
目标分布式电源功率数据，指的是目标分布式电源关联的分布式电源有功功率和分布式电源无功功率，用于输入目标分布式电源优化控制策略库模型的输入参数，从而确定输出目标分布式电源对应的目标电压值和目标调控量。
在本发明实施例中，采用电压灵敏度数据、电网数据和目标电压灵敏度进行输入预设注入功率函数操作、乘值运算和和值运算，确定目标分布式电源功率数据。
步骤105、采用目标分布式电源功率数据和目标电压灵敏度输入目标分布式电源优化控制策略库模型，生成对应的目标电压值和目标调控量。
在本发明实施例中，采用目标分布式电源功率数据和目标电压灵敏度输入目标分布式电源优化控制策略库模型，生成对应的目标电压值和目标调控量。
步骤106、基于目标电压值，对各节点的出力进行修正，直至满足预设收敛条件，则将目标调控量下发至各节点的可调设备。
节点，指的是配电网中的各个分布式电源所接入的节点，其中，包括可调电源节点和不可调电源节点；
可调设备，指的是配电网中的可调电源节点所关联的分布式电源设备。
在本发明实施例中，根据目标分布式电源优化控制策略库模型输出的目标电压值对可调电源节点关联的分布式电源设备的出力进行修正，直至满足预设收敛条件，则将目标调控量，也即有功和无功指令下发到各节点的可调设备，并结束调控。
在本发明中，基于预置单隐层前馈神经网络建立极限学习机，以最小母线电压偏差和调控成本为优化目标，构建目标分布式电源优化控制策略库模型，响应于接收到的电压波动信息，确定电压波动信息对应的目标分布式电源并获取对应的电网数据和电压灵敏度数据，采用电压灵敏度数据输入预设电压灵敏度潮流模型，确定各节点的目标电压灵敏度，采用电压灵敏度数据、电网数据和目标电压灵敏度进行运算，确定目标分布式电源功率数据，采用目标分布式电源功率数据和目标电压灵敏度输入目标分布式电源优化控制策略库模型，生成对应的目标电压值和目标调控量，基于目标电压值，对各节点的出力进行修正，直至满足预设收敛条件，则将目标调控量下发至各节点的可调设备；解决了现有的分布式电源大规模接入配电网条件下的电压控制，无法对存在不可全观测区域的配电网的实时电压精确控制的技术问题；通过利用电压灵敏度潮流模型计算出目标电压灵敏度，进而计算得到分布式电源有功无功调节指令关联的目标调控量，实现了对存在不可全观测区域的配电网的实时电压精确控制，并且通过基于电网电力历史策略数据所构建的目标分布式电源优化控制策略库模型修正实时电压调控，可以优化无功、有功调节指令，提高调节精度，降低母线电压偏差。
请参阅图2，图2为本发明实施例提供的一种分布式电源电压实时控制方法的步骤流程图。
本发明提供的一种分布式电源电压实时控制方法，包括：
步骤201、基于预置单隐层前馈神经网络建立极限学习机，以最小母线电压偏差和调控成本为优化目标，构建目标分布式电源优化控制策略库模型。
进一步地，步骤201可以包括以下子步骤：
S11、基于预置单隐层前馈神经网络建立极限学习机。
值得一提的是，基于单隐层前馈神经网络提出的，由输入层、隐含层和输出层三层构成；
单隐层前馈神经网络包括输入层、隐含层和输出层；
输入层用于接收外部的输入信号或数据；
输入信号包括电网节点的有功功率和无功功率；
输出层用于输出处理信号；
处理信号为第一预设数量的可调节点的目标电压；
隐含层处于输入层与输出层之间，由第二预设数量的节点并行组成；
其中，桥接隐含层和输出层的激活函数采用Sigmoid或Sine函数。
在本发明实施例中，极限学习机中输入层的功能是接受外部的信号或数据，输出层输出系统处理结果，输入层信号包括了配电网节点的有功功率PDG和无功功率QDG，总共n个节点，输出层信号为K个可调节点的电压UK；隐含层处于输入层与输出层之间，由大量具有计算功能的节点并行组成，这些节点建立起输入层与输出层之间的非线性关系，桥接隐含层和输出层的激活函数采用Sigmoid或Sine函数。
S12、基于建立的极限学习机，以最小母线电压偏差和调控成本为优化目标，构建初始分布式电源优化控制策略库模型。
值得一提的是，基于建立的极限学习机，以最小母线电压偏差和调控成本为优化目标，构建初始分布式电源优化控制策略库模型；
初始化初始分布式电源优化控制策略库模型的模型参数；
模型参数包括隐含层输出矩阵、输出矩阵和隐含层节点数。
在本发明实施例中，基于建立的极限学习机，以最小母线电压偏差和调控成本为优化目标，构建初始分布式电源优化控制策略库模型，初始化初始分布式电源优化控制策略库模型的模型参数，模型参数包括隐含层输出矩阵H0，输出矩阵β0和隐含层节点数L。
S13、采集电网电力历史策略数据进行归一化处理，生成训练样本数据。
在本发明实施例中，以电网调控相关的有功Pi、无功Qi和电压Ui的历史数据作为策略库模型训练样本，进行数据归一化处理，产生n组样本，记为{Xi=(Pi，Qi)，Ui},i=1,2…n。随机初始化输入权重矩阵和偏置向量b，设隐含层节点数L的取值范围为[0，N]，激活函数为Sigmoid。
S14、采用训练样本数据输入初始分布式电源优化控制策略库模型进行训练，生成目标分布式电源优化控制策略库模型。
训练样本数据{Xi=(Pi，Qi)，Ui},i=1,2…n中存在两种状态，即越限状态和目标状态，记某越限状态为CO={XO=(Po，Qo)，UO}，历史数据中存在与该越限状态相对应的目标状态，记为CT={XT=(PT，QT)，UT}，且满足电压约束和调控成本最优，由此能够知道配电网状态CO与CT存在映射关系，即CT状态所记录节点的（PT，QT）是CO的对应调控方案，建立历史策略库映射机制。
在本发明实施例中，采用训练样本数据输入初始分布式电源优化控制策略库模型进行训练，根据损失函数进行迭代优化，生成目标分布式电源优化控制策略库模型，此处为常规的模型训练过程，在此不再赘述。
步骤202、响应于接收到的电压波动信息，确定电压波动信息对应的目标分布式电源并获取对应的电网数据和电压灵敏度数据。
在本发明实施例中，步骤202的具体实施过程与步骤102类似，在此不再赘述。
步骤203、通过牛拉法在极坐标下建立电压灵敏度潮流模型。
电压灵敏度潮流模型具体为：
；
式中，表示节点电压相角，/>表示节点电压幅值修正量，/>表示节点电压幅值的对角阵，/>表示雅可比矩阵，/>表示节点注入有功扰动，/>表示节点注入无功的扰动量，/>表示目标电压灵敏度矩阵；/>表示偏导。
需要说明的是，解析并确定电压灵敏度潮流模型的模型构建数据，模型构建数据包括节点电压幅值修正量数据、节点电压幅值的对角阵数据、节点注入有功扰动数据和节点注入无功的扰动量数据。因此，基于节点电压幅值修正量数据、节点电压幅值的对角阵数据、节点注入有功扰动数据和节点注入无功的扰动量数据构，并通过牛拉法在极坐标下建立电压灵敏度潮流模型。
值得一提的是，和/>分别为节点注入有功扰动和节点注入无功的扰动量，电压灵敏度即通过对配电网不可全观测区域稳定运行点的局部线性化，得节点电压变化量与节点注入有功、无功功率变化量之间的映射关系。
目标电压灵敏度的计算借助于基于负荷历史平均值建立的电压灵敏度潮流模型。电压灵敏度潮流模型为离线模型。
值得一提的是，雅可比矩阵的逆矩阵为有功/无功-目标电压灵敏度矩阵/>，电压灵敏度潮流模型中为通用的灵敏度矩阵计算函数。需要哪个节点的灵敏度，就代入哪个节点的电压灵敏度数据，即可得到对应的目标电压灵敏度矩阵/>，目标电压灵敏度矩阵/>内包含有节点的目标电压灵敏度。
在本发明实施例中，通过牛拉法在极坐标下建立电压灵敏度潮流模型。以便于采用后续获取到的目标分布式电源关联的电压灵敏度数据输入电压灵敏度潮流模型中，计算各节点的目标电压灵敏度。
步骤204、采用目标分布式电源关联的电压灵敏度数据输入预设电压灵敏度潮流模型，确定各节点的目标电压灵敏度。
电压灵敏度数据包括目标分布式电源关联的节点电压幅值修正量、目标分布式电源关联的节点电压幅值的对角阵、目标分布式电源关联的节点注入有功扰动和目标分布式电源关联的节点注入无功的扰动量。
需要说明的是，可以理解为此步骤的电压灵敏度数据指的是目标分布式电源关联的电压灵敏度数据，预设电压灵敏度潮流模型指的是采用步骤203中采用模型构建数据所构建的电压灵敏度潮流模型。将目标分布式电源关联的电压灵敏度数据输入预设电压灵敏度潮流模型，即可确定各节点的目标电压灵敏度。
在本发明实施例中，采用目标分布式电源关联的电压灵敏度数据输入预设电压灵敏度潮流模型，确定各节点的目标电压灵敏度。
步骤205、采用电压灵敏度数据、电网数据和目标电压灵敏度进行运算，确定目标分布式电源功率数据。
进一步地，电压灵敏度数据包括节点电压相角和节点电压幅值，电网数据包括初始有功功率和初始无功功率，目标电压灵敏度包括有功电压灵敏度和无功电压灵敏度，步骤205可以包括以下子步骤：
S21、采用节点电压相角和节点电压幅值输入预设注入功率函数，生成对应的目标注入有功功率和目标注入无功功率；
预设注入功率函数具体为：
；
；
式中，表示目标注入有功功率，/>表示目标注入无功功率，/>表示节点i的节点电压幅值，/>表示节点j的节点电压幅值，/>表示节点i、j间线路导纳的实部，/>表示节点i、j间线路导纳的虚部，/>表示节点i和j之间的电压相角差；
值得一提的是，考虑到功率平衡约束：
；
；
式中，表示节点i处的PV有功功率，/>表示节点i处的负荷有功功率，/>表示节点i处的PV无功功率，/>表示节点i处的负荷无功功率，/>表示节点i处电压，/>表示节点j处电压，/>表示n条支路，/>表示节点导纳矩阵的相应元素，/>表示节点导纳矩阵的相应元素，/>表示节点i和j之间的电压相角差。/>
考虑到运行安全约束：
运行安全约束包括电压安全约束和支路潮流约束：
；
式中，表示节点i的电压下限值，/>表示节点i的电压实时量测值，/>表示节点i的电压上限值，/>表示支路ij的电流实时量测值，/>表示支路ij的电流允许最大值。
在本发明实施例中，采用节点电压相角和节点电压幅值输入预设注入功率函数，生成对应的目标注入有功功率和目标注入无功功率。
S22、采用目标注入有功功率、目标注入无功功率和目标电压灵敏度进行乘值运算，确定目标实时有功变化量和目标实时无功变化量；
目标实时有功变化量和目标实时无功变化量的计算公式具体为：
；
；
式中，表示目标实时有功变化量，/>表示目标实时无功变化量，/>表示有功电压灵敏度，/>表示无功电压灵敏度；
在本发明实施例中，采用目标注入有功功率与有功电压灵敏度进行乘值运算，得到目标实时有功变化量，采用目标注入无功功率与无功电压灵敏度进行乘值运算，得到目标实时无功变化量。
S23、采用目标实时有功变化量、目标实时无功变化量、初始有功功率和初始无功功率进行和值运算，确定目标分布式电源功率数据；
其中，目标分布式电源功率数据包括目标分布式电源有功功率和目标分布式电源无功功率；
目标分布式电源有功功率和目标分布式电源无功功率的计算公式具体为：
；
；
式中，表示目标分布式电源有功功率数据，/>表示目标分布式电源无功功率数据，/>表示初始有功功率，/>表示初始无功功率。
在本发明实施例中，采用目标实时有功变化量与初始有功功率进行和值运算，得到目标分布式电源有功功率数据，采用目标实时无功变化量与初始无功功率进行和值运算，得到目标分布式电源无功功率数据。
步骤206、采用目标分布式电源功率数据和目标电压灵敏度输入目标分布式电源优化控制策略库模型，生成对应的目标电压值和目标调控量。
进一步地，电网数据还包括初始母线电压，目标分布式电源优化控制策略库模型的目标函数具体为：
；/>
；
式中，表示目标分布式电源优化控制策略库模型的目标函数，/>表示权重系数，表示调节后的母线电压，/>表示电压参考值，/>表示权重系数，/>表示调节成本，表示初始母线电压，/>表示电压变化量，/>表示配网中分布式电源的个数。
在本发明实施例中，采用目标分布式电源功率数据和目标电压灵敏度输入目标分布式电源优化控制策略库模型，生成对应的目标电压值和目标调控量。
步骤207、基于目标电压值，对各节点的出力进行修正，直至满足预设收敛条件，则将目标调控量下发至各节点的可调设备。
进一步地，预设收敛条件具体为：
；
式中，表示目标电压值，/>表示电压参考值，/>表示预设收敛值。
在本发明实施例中，根据目标分布式电源优化控制策略库模型输出的目标电压值对可调电源节点关联的分布式电源设备的出力进行修正，直至满足预设收敛条件，则将目标调控量，也即有功和无功指令下发到各节点的可调设备，并结束调控。
请参阅图3，实时调控流程包括以下步骤：
1）获取母线电压、分布式电源初始有功功率和分布式电源初始无功功率，初始化变量，设置迭代计算器k=0；
2）采用基于近似灵敏度关联的电压灵敏度潮流模型实时计算目标实时有功变化量和目标实时无功变化量；
3）将第2步计算得到的分布式电源出力（目标实时有功变化量和目标实时无功变化量）叠加到第1步的初始值（分布式电源初始有功功率和分布式电源初始无功功率）上，代入历史策略库（目标分布式电源优化控制策略库模型）得到对应的目标电压值和控制策略关联的目标调控量；
4）以第3步中得到的目标电压值对第2步中可控电源的出力进行修正，然后与历史调控策略比对，当满足的收敛条件后，将有功无功指令下发到各节点的可调设备，并结束调控；否则转步骤5；
5）k=k+1，若k小于预设门槛，则转步骤1，否则提示算法失败，退出。
其中，步骤六中搭建了含不可全观测区域的仿真系统，拓扑结构如图4所示。其中，2节点为母线；17、19、21、29节点为可调电源节点，功率因数下限为0.95，可调容量分别为800、400、400、200（kW），而6和11节点为不可调电源节点；24-27节点为不可全观测区域。母线电压标幺值上、下限设为1.05，和0.95，参考值Uref设为1.03，以节点历史平均值规定24-27节点数据，补全节点导纳矩阵和注入有功无功向量即可求解得电压近似灵敏度，但以此获得的调控策略存在一定误差。规定四个可调电源节点17、19、21、29分别为DG1、DG2、DG3、DG4，表1为这个四个可调电源节点电压灵敏度计算结果：
表1 分布式电源电压灵敏度计算结果
| 电源编号 | DG1 | DG2 | DG3 | DG4 |
| 有功-电压灵敏度10-5/kW | 5.40 | 6.66 | 6.76 | 6.35 |
| 无功-电压灵敏度10-5/kVar | 5.69 | 6.29 | 6.55 | 5.78 |
。
从表1可知，四个可控电源的无功-电压灵敏度值在数值上接近，其中DG1与母线电压的电气距离最远，其有功-电压灵敏度较其余三个分布式电源的对应灵敏度值小，因此其对母线电压的调节作用最低。
另外在对极限学习机进行分析时，搜集2000组配电网调控数据样本，选取其中1800组用作训练样本，建立多个隐含层节点数目不同的极限学习机模型，剩余200组数据作为测试样本。采用Sigmoid函数作为激活函数，令隐含层节点数目L从1开始递增，分别计算不同L值下测试样本的均方根误差：
表2 不同隐含层层数均方根误差
| 隐含层节点数 | 均方根误差 | 隐含层节点数 | 均方根误差 |
| 22 | 0.03321 | 28 | 0.03339 |
| 23 | 0.03364 | 29 | 0.03552 |
| 24 | 0.03158 | 30 | 0.03738 |
| 25 | 0.02802 | 31 | 0.04127 |
| 26 | 0.02135 | 32 | 0.04569 |
| 27 | 0.03210 | 33 | 0.04329 |
。
由结果可知，在隐含层节点数达到23层后，学习精度趋于饱和，校验精度逼近100%，当隐含层节点数目L为26时，均方根误差为0.02135，学习效果达到最优。
在本发明中，基于预置单隐层前馈神经网络建立极限学习机，以最小母线电压偏差和调控成本为优化目标，构建目标分布式电源优化控制策略库模型，响应于接收到的电压波动信息，确定电压波动信息对应的目标分布式电源并获取对应的电网数据和电压灵敏度数据，采用目标分布式电源关联的电压灵敏度数据输入预设电压灵敏度潮流模型，确定各节点的目标电压灵敏度，采用电压灵敏度数据、电网数据和目标电压灵敏度进行运算，确定目标分布式电源功率数据，采用目标分布式电源功率数据和目标电压灵敏度输入目标分布式电源优化控制策略库模型，生成对应的目标电压值和目标调控量，基于目标电压值，对各节点的出力进行修正，直至满足预设收敛条件，则将目标调控量下发至各节点的可调设备；解决了现有的分布式电源大规模接入配电网条件下的电压控制，无法对存在不可全观测区域的配电网的实时电压精确控制的技术问题；实现了对存在不可全观测区域的配电网的实时电压精确控制，并且通过基于电网电力历史策略数据所构建的目标分布式电源优化控制策略库模型修正实时电压调控，可以优化无功、有功调节指令，提高调节精度，降低母线电压偏差。
请参阅图5，图5为本发明实施例提供的一种虚拟阻抗控制参数优化系统的结构框图。
本发明提供的一种虚拟阻抗控制参数优化系统，包括：
优化构建模块301，用于基于预置单隐层前馈神经网络建立极限学习机，以最小母线电压偏差和调控成本为优化目标，构建目标分布式电源优化控制策略库模型；
响应模块302，用于响应于接收到的电压波动信息，确定电压波动信息对应的目标分布式电源并获取对应的电网数据和电压灵敏度数据；
电压灵敏度获取模块303，用于采用目标分布式电源关联的电压灵敏度数据输入预设电压灵敏度潮流模型，确定各节点的目标电压灵敏度；
功率数据获取模块304，用于采用电压灵敏度数据、电网数据和目标电压灵敏度进行运算，确定目标分布式电源功率数据；
数据处理模块305，用于采用目标分布式电源功率数据和目标电压灵敏度输入目标分布式电源优化控制策略库模型，生成对应的目标电压值和目标调控量；
调控量下发模块306，用于基于目标电压值，对各节点的出力进行修正，直至满足预设收敛条件，则将目标调控量下发至各节点的可调设备。
进一步地，优化构建模块301包括：
极限学习机建立子模块，用于基于预置单隐层前馈神经网络建立极限学习机；
初始分布式电源优化控制策略库模型子模块，用于基于建立的极限学习机，以最小母线电压偏差和调控成本为优化目标，构建初始分布式电源优化控制策略库模型；
归一化子模块，用于采集电网电力历史策略数据进行归一化处理，生成训练样本数据；
目标分布式电源优化控制策略库模型子模块，用于采用训练样本数据输入初始分布式电源优化控制策略库模型进行训练，生成目标分布式电源优化控制策略库模型。
进一步地，电压灵敏度数据包括节点电压相角和节点电压幅值，电网数据包括初始有功功率和初始无功功率，目标电压灵敏度包括有功电压灵敏度和无功电压灵敏度，功率数据获取模块304包括：
预设注入功率函数子模块，用于采用节点电压相角和节点电压幅值输入预设注入功率函数，生成对应的目标注入有功功率和目标注入无功功率；
预设注入功率函数具体为：
；
；
式中，表示目标注入有功功率，/>表示目标注入无功功率，/>表示节点i的节点电压幅值，/>表示节点j的节点电压幅值，/>表示节点i、j间线路导纳的实部，/>表示节点i、j间线路导纳的虚部，/>表示节点i和j之间的电压相角差；
乘值运算子模块，用于采用目标注入有功功率、目标注入无功功率和目标电压灵敏度进行乘值运算，确定目标实时有功变化量和目标实时无功变化量；
目标实时有功变化量和目标实时无功变化量的计算公式具体为：
；
；/>
式中，表示目标实时有功变化量，/>表示目标实时无功变化量，/>表示有功电压灵敏度，/>表示无功电压灵敏度；
和值运算子模块，用于采用目标实时有功变化量、目标实时无功变化量、初始有功功率和初始无功功率进行和值运算，确定目标分布式电源功率数据；
其中，目标分布式电源功率数据包括目标分布式电源有功功率和目标分布式电源无功功率；
目标分布式电源有功功率和目标分布式电源无功功率的计算公式具体为：
；
；
式中，表示目标分布式电源有功功率数据，/>表示目标分布式电源无功功率数据，/>表示初始有功功率，/>表示初始无功功率。
进一步地，电网数据还包括初始母线电压，目标分布式电源优化控制策略库模型的目标函数具体为：
；
；
式中，表示目标分布式电源优化控制策略库模型的目标函数，/>表示权重系数，表示调节后的母线电压，/>表示电压参考值，/>表示权重系数，/>表示调节成本，表示初始母线电压，/>表示电压变化量，/>表示配网中分布式电源的个数。
进一步地，预设收敛条件具体为：
；
式中，表示目标电压值，/>表示电压参考值，/>表示预设收敛值。
进一步地，还包括：
电压灵敏度潮流模型模块，用于通过牛拉法在极坐标下建立电压灵敏度潮流模型；
电压灵敏度潮流模型具体为：
；
式中，表示节点电压相角，/>表示节点电压幅值修正量，/>表示节点电压幅值的对角阵，/>表示雅可比矩阵，/>表示节点注入有功扰动，/>表示节点注入无功的扰动量，/>表示目标电压灵敏度矩阵；/>表示偏导。/>
在本发明中，基于预置单隐层前馈神经网络建立极限学习机，以最小母线电压偏差和调控成本为优化目标，构建目标分布式电源优化控制策略库模型，响应于接收到的电压波动信息，确定电压波动信息对应的目标分布式电源并获取对应的电网数据和电压灵敏度数据，采用目标分布式电源关联的电压灵敏度数据输入预设电压灵敏度潮流模型，确定各节点的目标电压灵敏度，采用电压灵敏度数据、电网数据和目标电压灵敏度进行运算，确定目标分布式电源功率数据，采用目标分布式电源功率数据和目标电压灵敏度输入目标分布式电源优化控制策略库模型，生成对应的目标电压值和目标调控量，基于目标电压值，对各节点的出力进行修正，直至满足预设收敛条件，则将目标调控量下发至各节点的可调设备；解决了现有的分布式电源大规模接入配电网条件下的电压控制，无法对存在不可全观测区域的配电网的实时电压精确控制的技术问题；实现了对存在不可全观测区域的配电网的实时电压精确控制，并且通过基于电网电力历史策略数据所构建的目标分布式电源优化控制策略库模型修正实时电压调控，可以优化无功、有功调节指令，提高调节精度，降低母线电压偏差。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种分布式电源电压实时控制方法，其特征在于，包括：
基于预置单隐层前馈神经网络建立极限学习机，以最小母线电压偏差和调控成本为优化目标，构建目标分布式电源优化控制策略库模型；
响应于接收到的电压波动信息，确定所述电压波动信息对应的目标分布式电源并获取对应的电网数据和电压灵敏度数据；
采用所述目标分布式电源关联的电压灵敏度数据输入预设电压灵敏度潮流模型，确定各节点的目标电压灵敏度；
采用所述电压灵敏度数据、所述电网数据和所述目标电压灵敏度进行运算，确定目标分布式电源功率数据；
采用所述目标分布式电源功率数据和所述目标电压灵敏度输入所述目标分布式电源优化控制策略库模型，生成对应的目标电压值和目标调控量；
基于所述目标电压值，对各节点的出力进行修正，直至满足预设收敛条件，则将所述目标调控量下发至各节点的可调设备。
2.根据权利要求1所述的分布式电源电压实时控制方法，其特征在于，所述基于预置单隐层前馈神经网络建立极限学习机，以最小母线电压偏差和调控成本为优化目标，构建目标分布式电源优化控制策略库模型的步骤，包括：
基于预置单隐层前馈神经网络建立极限学习机；
基于建立的所述极限学习机，以最小母线电压偏差和调控成本为优化目标，构建初始分布式电源优化控制策略库模型；
采集电网电力历史策略数据进行归一化处理，生成训练样本数据；
采用所述训练样本数据输入所述初始分布式电源优化控制策略库模型进行训练，生成目标分布式电源优化控制策略库模型。
3.根据权利要求1所述的分布式电源电压实时控制方法，其特征在于，所述电压灵敏度数据包括节点电压相角和节点电压幅值，所述电网数据包括初始有功功率和初始无功功率，所述目标电压灵敏度包括有功电压灵敏度和无功电压灵敏度，所述采用所述电压灵敏度数据、所述电网数据和所述目标电压灵敏度进行运算，确定目标分布式电源功率数据的步骤，包括：
采用所述节点电压相角和所述节点电压幅值输入预设注入功率函数，生成对应的目标注入有功功率和目标注入无功功率；
所述预设注入功率函数具体为：
；
；
式中，表示所述目标注入有功功率，/>表示所述目标注入无功功率，/>表示节点i的所述节点电压幅值，/>表示节点j的所述节点电压幅值，/>表示节点i、j间线路导纳的实部，/>表示节点i、j间线路导纳的虚部，/>表示节点i和j之间的电压相角差；
采用所述目标注入有功功率、所述目标注入无功功率和所述目标电压灵敏度进行乘值运算，确定目标实时有功变化量和目标实时无功变化量；
所述目标实时有功变化量和所述目标实时无功变化量的计算公式具体为：
；
；
式中，表示所述目标实时有功变化量，/>表示所述目标实时无功变化量，/>表示所述有功电压灵敏度，/>表示所述无功电压灵敏度；
采用所述目标实时有功变化量、所述目标实时无功变化量、所述初始有功功率和所述初始无功功率进行和值运算，确定目标分布式电源功率数据；
其中，所述目标分布式电源功率数据包括目标分布式电源有功功率和目标分布式电源无功功率；
所述目标分布式电源有功功率和所述目标分布式电源无功功率的计算公式具体为：
；
；
式中，表示所述目标分布式电源有功功率数据，/>表示所述目标分布式电源无功功率数据，/>表示所述初始有功功率，/>表示所述初始无功功率。
4.根据权利要求1或2所述的分布式电源电压实时控制方法，其特征在于，所述电网数据还包括初始母线电压，所述目标分布式电源优化控制策略库模型的目标函数具体为：
；
；
式中，表示所述目标分布式电源优化控制策略库模型的目标函数，/>表示权重系数，表示调节后的母线电压，/>表示电压参考值，/>表示权重系数，/>表示调节成本，表示所述初始母线电压，/>表示电压变化量，/>表示配网中分布式电源的个数。
5.根据权利要求1所述的分布式电源电压实时控制方法，其特征在于，所述预设收敛条件具体为：
；
式中，表示所述目标电压值，/>表示电压参考值，/>表示预设收敛值。
6.根据权利要求3所述的分布式电源电压实时控制方法，其特征在于，所述采用所述目标分布式电源关联的电压灵敏度数据输入预设电压灵敏度潮流模型，确定各节点的目标电压灵敏度的步骤之前，还包括：
通过牛拉法在极坐标下建立电压灵敏度潮流模型；
所述电压灵敏度潮流模型具体为：
；
式中，表示所述节点电压相角，/>表示节点电压幅值修正量，/>表示节点电压幅值的对角阵，/>表示雅可比矩阵，/>表示节点注入有功扰动，/>表示节点注入无功的扰动量，/>表示目标电压灵敏度矩阵；/>表示偏导。
7.一种分布式电源电压实时控制系统，其特征在于，包括：
优化构建模块，用于基于预置单隐层前馈神经网络建立极限学习机，以最小母线电压偏差和调控成本为优化目标，构建目标分布式电源优化控制策略库模型；
响应模块，用于响应于接收到的电压波动信息，确定所述电压波动信息对应的目标分布式电源并获取对应的电网数据和电压灵敏度数据；
电压灵敏度获取模块，用于采用所述目标分布式电源关联的电压灵敏度数据输入预设电压灵敏度潮流模型，确定各节点的目标电压灵敏度；
功率数据获取模块，用于采用所述电压灵敏度数据、所述电网数据和所述目标电压灵敏度进行运算，确定目标分布式电源功率数据；
数据处理模块，用于采用所述目标分布式电源功率数据和所述目标电压灵敏度输入所述目标分布式电源优化控制策略库模型，生成对应的目标电压值和目标调控量；
调控量下发模块，用于基于所述目标电压值，对各节点的出力进行修正，直至满足预设收敛条件，则将所述目标调控量下发至各节点的可调设备。
8.根据权利要求7所述的分布式电源电压实时控制系统，其特征在于，所述优化构建模块包括：
极限学习机建立子模块，用于基于预置单隐层前馈神经网络建立极限学习机；
初始分布式电源优化控制策略库模型子模块，用于基于建立的所述极限学习机，以最小母线电压偏差和调控成本为优化目标，构建初始分布式电源优化控制策略库模型；
归一化子模块，用于采集电网电力历史策略数据进行归一化处理，生成训练样本数据；
目标分布式电源优化控制策略库模型子模块，用于采用所述训练样本数据输入所述初始分布式电源优化控制策略库模型进行训练，生成目标分布式电源优化控制策略库模型。
9.根据权利要求7所述的分布式电源电压实时控制系统，其特征在于，所述电压灵敏度数据包括节点电压相角和节点电压幅值，所述电网数据包括初始有功功率和初始无功功率，所述目标电压灵敏度包括有功电压灵敏度和无功电压灵敏度，所述功率数据获取模块包括：
预设注入功率函数子模块，用于采用所述节点电压相角和所述节点电压幅值输入预设注入功率函数，生成对应的目标注入有功功率和目标注入无功功率；
所述预设注入功率函数具体为：
；
；
式中，表示所述目标注入有功功率，/>表示所述目标注入无功功率，/>表示节点i的所述节点电压幅值，/>表示节点j的所述节点电压幅值，/>表示节点i、j间线路导纳的实部，/>表示节点i、j间线路导纳的虚部，/>表示节点i和j之间的电压相角差；
乘值运算子模块，用于采用所述目标注入有功功率、所述目标注入无功功率和所述目标电压灵敏度进行乘值运算，确定目标实时有功变化量和目标实时无功变化量；
所述目标实时有功变化量和所述目标实时无功变化量的计算公式具体为：
；
；
式中，表示所述目标实时有功变化量，/>表示所述目标实时无功变化量，/>表示所述有功电压灵敏度，/>表示所述无功电压灵敏度；
和值运算子模块，用于采用所述目标实时有功变化量、所述目标实时无功变化量、所述初始有功功率和所述初始无功功率进行和值运算，确定目标分布式电源功率数据；
其中，所述目标分布式电源功率数据包括目标分布式电源有功功率和目标分布式电源无功功率；
所述目标分布式电源有功功率和所述目标分布式电源无功功率的计算公式具体为：
；
；
式中，表示所述目标分布式电源有功功率数据，/>表示所述目标分布式电源无功功率数据，/>表示所述初始有功功率，/>表示所述初始无功功率。
10.根据权利要求7或8所述的分布式电源电压实时控制系统，其特征在于，所述电网数据还包括初始母线电压，所述目标分布式电源优化控制策略库模型的目标函数具体为：
；
；
式中，表示所述目标分布式电源优化控制策略库模型的目标函数，/>表示权重系数，表示调节后的母线电压，/>表示电压参考值，/>表示权重系数，/>表示调节成本，表示所述初始母线电压，/>表示电压变化量，/>表示配网中分布式电源的个数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311516980.6A CN117239770B (zh) | 2023-11-15 | 2023-11-15 | 一种分布式电源电压实时控制方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311516980.6A CN117239770B (zh) | 2023-11-15 | 2023-11-15 | 一种分布式电源电压实时控制方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117239770A true CN117239770A (zh) | 2023-12-15 |
| CN117239770B CN117239770B (zh) | 2024-03-19 |
Family
ID=89098850
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311516980.6A Active CN117239770B (zh) | 2023-11-15 | 2023-11-15 | 一种分布式电源电压实时控制方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117239770B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105281360A (zh) * | 2015-09-14 | 2016-01-27 | 国家电网公司 | 一种基于灵敏度的分布式光伏自动发电控制方法 |
| CN105958497A (zh) * | 2016-06-01 | 2016-09-21 | 国网江西省电力科学研究院 | 基于灵敏度分析的智能配电网节点电压实时控制方法 |
| CN106849057A (zh) * | 2016-12-30 | 2017-06-13 | 西安理工大学 | 基于现代内点法和灵敏度分析法的分布式风电源优化方法 |
| CN110635518A (zh) * | 2019-08-22 | 2019-12-31 | 国网浙江海宁市供电有限公司 | 一种基于光伏高渗透率的源网荷储优化方法 |
| KR20200033562A (ko) * | 2018-09-20 | 2020-03-30 | 전남대학교산학협력단 | 실시간 계측 기반 전압 및 무효전력 제어 방법 및 그 프로그램 |
| US20220109326A1 (en) * | 2020-10-01 | 2022-04-07 | Tianjin University | Quick-response voltage control method of distribution system considering multiple participants |
| CN114784890A (zh) * | 2022-05-19 | 2022-07-22 | 国网浙江省电力有限公司嘉善县供电公司 | 基于无功电压灵敏度的分布式光伏调压方法 |
| CN115276091A (zh) * | 2022-08-10 | 2022-11-01 | 杭州东华电力设备有限公司 | 基于全纯函数嵌入电压灵敏度的分布式电源电压控制方法 |
| CN116545042A (zh) * | 2023-06-14 | 2023-08-04 | 深圳供电局有限公司 | 一种光伏逆变器无功裕量分配方法 |
-
2023
- 2023-11-15 CN CN202311516980.6A patent/CN117239770B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105281360A (zh) * | 2015-09-14 | 2016-01-27 | 国家电网公司 | 一种基于灵敏度的分布式光伏自动发电控制方法 |
| CN105958497A (zh) * | 2016-06-01 | 2016-09-21 | 国网江西省电力科学研究院 | 基于灵敏度分析的智能配电网节点电压实时控制方法 |
| CN106849057A (zh) * | 2016-12-30 | 2017-06-13 | 西安理工大学 | 基于现代内点法和灵敏度分析法的分布式风电源优化方法 |
| KR20200033562A (ko) * | 2018-09-20 | 2020-03-30 | 전남대학교산학협력단 | 실시간 계측 기반 전압 및 무효전력 제어 방법 및 그 프로그램 |
| CN110635518A (zh) * | 2019-08-22 | 2019-12-31 | 国网浙江海宁市供电有限公司 | 一种基于光伏高渗透率的源网荷储优化方法 |
| US20220109326A1 (en) * | 2020-10-01 | 2022-04-07 | Tianjin University | Quick-response voltage control method of distribution system considering multiple participants |
| CN114784890A (zh) * | 2022-05-19 | 2022-07-22 | 国网浙江省电力有限公司嘉善县供电公司 | 基于无功电压灵敏度的分布式光伏调压方法 |
| CN115276091A (zh) * | 2022-08-10 | 2022-11-01 | 杭州东华电力设备有限公司 | 基于全纯函数嵌入电压灵敏度的分布式电源电压控制方法 |
| CN116545042A (zh) * | 2023-06-14 | 2023-08-04 | 深圳供电局有限公司 | 一种光伏逆变器无功裕量分配方法 |
Non-Patent Citations (1)
| Title |
|---|
| 陈楚靓 等: "考虑源荷储匹配的配电网集群划分与优化运行", 《电力建设》, vol. 44, no. 9, pages 80 - 93 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117239770B (zh) | 2024-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110535146B (zh) | 基于深度确定策略梯度强化学习的电力系统无功优化方法 | |
| CN107194625B (zh) | 基于神经网络的风电场弃风电量评估方法 | |
| CN113471982B (zh) | 云边协同与电网隐私保护的分布式电源就地电压控制方法 | |
| CN110738344A (zh) | 电力系统负荷预测的分布式无功优化方法及装置 | |
| CN110009135B (zh) | 一种基于宽度学习的风电功率预测方法 | |
| CN107834593B (zh) | 一种下垂控制型孤岛微电网静态电压稳定概率评估方法 | |
| CN113489015B (zh) | 一种基于强化学习的配电网多时间尺度无功电压控制方法 | |
| CN113361188A (zh) | 多目标配电网动态重构方法、装置及终端 | |
| CN110889535A (zh) | 一种基于卷积循环神经网络的风电场内多点位风速预测方法 | |
| CN114784823A (zh) | 基于深度确定性策略梯度的微电网频率控制方法及系统 | |
| CN111799808B (zh) | 基于多智能体深度强化学习的电压分布式控制方法及系统 | |
| CN113422371B (zh) | 一种基于图卷积神经网络的分布式电源就地电压控制方法 | |
| CN114583710B (zh) | 基于数据驱动建模的风电场无功电压优化控制方法 | |
| CN115588998A (zh) | 一种基于图强化学习的配电网电压无功优化方法 | |
| CN113872213B (zh) | 一种配电网电压自主优化控制方法及装置 | |
| CN112821420B (zh) | 一种基于XGBoost的ASFR模型中动态阻尼因子、多维频率指标的预测方法及系统 | |
| CN114336632A (zh) | 一种基于模型信息辅助深度学习校正交流潮流的方法 | |
| CN111756049B (zh) | 计及配电网实时量测信息缺失的数据驱动无功优化方法 | |
| CN117239770B (zh) | 一种分布式电源电压实时控制方法和系统 | |
| CN115793456A (zh) | 基于轻量型灵敏度的配电网边缘侧多模态自适应控制方法 | |
| CN115632406B (zh) | 基于数字-机理融合驱动建模的无功电压控制方法及系统 | |
| CN116826728A (zh) | 一种少测量样本条件下的配电网状态结构估计方法及系统 | |
| Wanfeng et al. | Adaptive PID controller based on online LSSVM identification | |
| Tanemura et al. | Closed-loop data-driven estimation on passivity property | |
| Arefi et al. | A novel algorithm based on honey bee mating optimization for distribution harmonic state estimation including distributed generators |
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 |