CN117477587A - 一种10kV配电站智能控制方法、系统及存储介质 - Google Patents

一种10kV配电站智能控制方法、系统及存储介质 Download PDF

Info

Publication number
CN117477587A
CN117477587A CN202311835408.6A CN202311835408A CN117477587A CN 117477587 A CN117477587 A CN 117477587A CN 202311835408 A CN202311835408 A CN 202311835408A CN 117477587 A CN117477587 A CN 117477587A
Authority
CN
China
Prior art keywords
threshold
compensation scheme
power distribution
intelligent control
population
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
Application number
CN202311835408.6A
Other languages
English (en)
Other versions
CN117477587B (zh
Inventor
贾冬霞
吴朝晖
李榕
江厚华
王清勇
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.)
Quanzhou Weidun Electric Co ltd
Original Assignee
Quanzhou Weidun Electric Co ltd
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 Quanzhou Weidun Electric Co ltd filed Critical Quanzhou Weidun Electric Co ltd
Priority to CN202311835408.6A priority Critical patent/CN117477587B/zh
Publication of CN117477587A publication Critical patent/CN117477587A/zh
Application granted granted Critical
Publication of CN117477587B publication Critical patent/CN117477587B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H02J3/18—Arrangements for adjusting, eliminating or compensating reactive power in networks
    • H02J3/1821—Arrangements for adjusting, eliminating or compensating reactive power in networks using shunt compensators
    • H02J3/1835—Arrangements for adjusting, eliminating or compensating reactive power in networks using shunt compensators with stepless control
    • H02J3/1864—Arrangements for adjusting, eliminating or compensating reactive power in networks using shunt compensators with stepless control wherein the stepless control of reactive power is obtained by at least one reactive element connected in series with a semiconductor switch
    • 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
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00006—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment
    • H02J13/00016—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment using a wired telecommunication network or a data transmission bus
    • 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
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00032—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for
    • H02J13/00036—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for the elements or equipment being or involving switches, relays or circuit breakers
    • 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)
  • Computer Networks & Wireless Communication (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种10kV配电站智能控制方法、系统及存储介质；初始化阶段，设定种群规模为N，表示要生成和维护的候选解的数量。在阈值T的搜索空间中，随机初始化一组初始的候选解，这些解代表可能的阈值。设阈值T的搜索空间为S，则随机初始化的候选解可以表示为一个初始种群P，其中每个成员分别代表一个可能的阈值T的数值：；本发明的智能控制方法通过实时监测和分析电力系统的电气特性，能够优化电压和功率因数等参数，从而提高系统的电气性能。采用最新的SWO算法作为智能控制算法的应用，可以有效降低负荷点电压升高和功率因数较低等问题的发生频率，提高系统的稳定性和可靠性。

Description

一种10kV配电站智能控制方法、系统及存储介质
技术领域
本发明涉及变电站技术领域，特别涉及一种10kV配电站智能控制方法、系统及存储介质。
背景技术
铁路沿线的负荷点较多，通常会在相邻的两个配电所（站）之间设置两回10kV配电站，以执行电力线路为沿线的非牵引负荷供电。这两回线路即为电力贯通线。电缆作为一种电力输送方式，其优势在于受环境影响小、不占地面空间、不暴露目标、安全性好、可靠性高等方面。在铁路电力贯通线中，我国高速铁路普遍采用10kV电力全电缆贯通线供电方式。
在电缆贯通线空载或轻载时，由于电缆线路中分布电容的作用，导致功率因数超前，进而引起线路末端电压升高。为应对这一现象，本领域通过并联电抗器可以吸收多余的电容无功功率，有效将线路在空载或轻载时的电压维持在允许范围之内。并联电抗器的作用在于削弱轻载或空载线路电容效应引起的电压升高，改善线路电压分布，提高用户电压质量，并同时限制操作过电压水平。此外，并联电抗器还能够改善线路中的无功潮流分布，使线路功率因数达到较高的数值，减少空载或轻载时无功功率的不合理流动，从而实现无功功率就地平衡，降低线路的有功功率损耗，提高供电效率。
目前，电缆线路容性无功的补偿主要采用并联电抗器补偿方式，即并联在电网上向电力系统提供无功功率的电抗器。这种补偿方式具有容量可大可小、可分相补偿、随时投切部分或全部电抗器的灵活性，以及运行灵活、有功损耗小、检修方便、投资较少等优点，因此在电力系统中应用广泛。
当前阶段，已投入运营的高速铁路10kV电力贯通线无功补偿方案主要有两种：一是集中补偿方案，即在配电所处进行集中动态补偿；二是综合补偿方案，即在沿线分散设置固定容量的电抗器，并在车站配电所处设置可动态调节的无功补偿装置，以综合解决贯通线沿线电压升高和功率因数较低的问题。
相较于集中补偿方案，综合补偿方案能够同时解决贯通线沿线电压升高和功率因数较低的问题，因此在现有技术中更为常见，甚至有逐步取代集中补偿方案的趋势。这种方案的优势在于能够就地补偿铁路沿线的容性电流，从而改善贯通线沿线的电压分布，并综合补偿电力贯通线产生的无功功率。
正如前文所述，由于综合补偿方案能够同时解决贯通线沿线电压升高和功率因数较低的问题，因此逐渐取代了集中补偿方案。然而，值得注意的是，集中补偿方案在管理和维护方面仍然具有一系列优势。其管理容易、维护便捷的特点使得其在一些特定情境下仍然具备一定的竞争力。尽管综合补偿方案在问题解决的全面性上占据主导地位，但相对于集中补偿方案，其运营维护工作量较大的缺点也不可忽视。综合补偿方案的复杂性和分布式设置导致了对设备状态的更为频繁的监测和维护需求。这一情况可能会增加维护人员的工作负担，同时可能引发一些运行中的挑战。
发明人认为：对于当前技术发展趋势，集中补偿方案弃之可惜，完全可以将集中补偿方案和综合补偿方案相结合起来，通过智能的管理方法对当前10kV电力贯通线无功补偿的场景执行评估与预测，选择性执行集中补偿方案或综合补偿方案，使二者相辅相成，共同实现更有益的技术效果。
为此，本发明提出一种10kV配电站智能控制方法、系统及存储介质。
发明内容
有鉴于此，本发明实施例希望提供一种10kV配电站智能控制方法、系统及存储介质，旨在将集中补偿方案和综合补偿方案相结合起来，通过智能的管理方法对当前10kV电力贯通线无功补偿的场景执行评估与预测，选择性执行集中补偿方案或综合补偿方案，使二者相辅相成，共同实现更有益的技术效果；本发明实施例的技术方案是这样实现的：
第一方面，
本发明提出一种10kV配电站智能控制方法：
（一）技术先导
执行本发明的技术前，首先需要明确集中补偿方案及综合补偿方案的原理及其接线图，请参阅图2~5。
1.1集中补偿方案
请参阅图2、3：图中为贯通线相间容性电流，/>表示贯通线对地容性电流，/>表示流入配电所的容性电流，/>表示配电所补偿的感性电流。根据图3，可以得到配电所流入三相电力系统的容性电流/>（下文简称为容性电容）为：/>
1.2综合补偿方案
请参阅图4、5：图中表示流入配电所的容性电流，/>表示沿线固定补偿装置提供的感性电流，/>表示配电所处的动态补偿装置的感性电流。根据图5得到配电所流入三相电力系统的总容性电流/>（下文简称为总容性电容）为：
1.3集中补偿方案与综合补偿方案结合的硬件原理：
如图3、5所示，综合补偿方案相较于集中补偿方案，其在贯通线沿线设置了另一电抗器，其余结构与综合补偿方案相同；
具体的，在硬件上，综合补偿方案与集中补偿方案结合的原理涉及到贯通线沿线设置的另一电抗器。综合补偿方案和集中补偿方案共享一些基本结构，例如并联电容器和并联电抗器。在这两个方案中，通常都有用于改善功率因数和电网电气性能的并联电容器。
而综合补偿方案与集中补偿方案结合的硬件原理的核心在于引入了另一电抗器，并通过对该电抗器的通路或断路切换来实现两种补偿方案的切换。这一电抗器的状态控制，即通路或断路，可以通过相应的开关或控制装置来实现。
在不同的运行状态下，可以通过控制这一电抗器的通路或断路来选择性地启用综合补偿方案或集中补偿方案。这种切换允许根据系统的实际运行情况和需求，动态地选择最优的补偿方式。这种灵活性和智能性可以更好地适应电网的变化和负载条件的波动，以提高系统的整体性能和效率。
（二）技术内容
2.1技术概述
本发明旨在将集中补偿方案和综合补偿方案相结合起来，选择性执行集中补偿方案或综合补偿方案；对此可将所要解决的技术问题视作对一个启发式问题的求解；而在此之前，需要明确综合补偿方案和集中补偿方案相互切换的判断依据，因此还应当具备一个负载特性模型LCM；
2.2负载特性模型LCM
2.2.1模型架构
负载特性模型LCM考虑电压波动情况和功率因数要求，然后输出负载特性因子LCF。这样的模型可以定量地评估配电站系统的负荷特性，为方案选择提供依据。
请参阅图6，在这个模型的基础上，本发明设定一个阈值T，通过比对负载特性因子LCF和阈值T的关系，可以进行判断。即如果负载特性因子LCF超过阈值T，意味着系统出现了通线沿线电压升高和功率因数较低的问题同时出现，需要进行综合补偿方案。反之，如果负载特性因子LCF在可接受范围内，系统处于通线沿线电压升高或功率因数较低中的一种，需要进行集中补偿方案。
2.2.2 LCM模型内容
2.2.2.1有功功率和无功功率
功率因数按照行业标准取值为0.9，且沿线负荷的有功功率P和无功功率Q的计算方式为：
表示负载率；/>表示箱式变压器的额定容量。
2.2.2.2集中补偿方案和综合补偿方案
基于1.1~1.2，对于集中补偿方案，得出容性电流：
是容性电流的倍率；
基于1.1~1.2，对于综合补偿方案，得到总容性电流：
有功功率P'：
容性电流：
总容性电流（同上）：
2.2.2.3得出负载特性因子LCF’：
LCF反应（输出）的是一个比率值（即LCF’），LCF’反映了综合补偿方案和集中补偿方案在容性电流上的相对大小。因此，LCF’越接近1，就意味着综合补偿方案的容性电流趋近于集中补偿方案的容性电流，反之亦然。
2.2.2.4 LCF’的信息
负载特性因子LCF’的数值大小反映了综合补偿方案和集中补偿方案在无功功率补偿方面的相对强弱。当LCF’>1 时，综合补偿方案的容性电流相对较大，对功率因数的提升起到积极作用；反之，当LCF’<1 时，集中补偿方案对功率因数的改善起到主导作用。其原理在于：
当综合补偿方案引入的总容性电流较大时，它可以有效地补偿系统中的感性电流，从而提高功率因数。容性电流与感性电流之间的相位差是功率因数改善的关键。综合补偿方案通过引入大量容性电流，有助于降低感性电流引起的功率因数下降。
综合补偿方案不仅仅关注容性电流的引入，还可以通过动态调节的方式综合补偿系统中产生的无功功率。这种综合的补偿机制使得综合补偿方案更加灵活，可以更全面地应对系统的无功功率问题，从而改善功率因数。
2.3启发式问题求解
基于2.1所提到的“视作对一个启发式问题的求解”，本发明选择执行蜘蛛蜂优化算法（Spider wasp optimizer，SWO），这是一个在2023年最新提出的启发式算法；这种算法模拟了雌性蜘蛛蜂的狩猎、筑巢和交配行为，具有搜索速度快和求解精度高的优势。
SWO算法是受自然界蜘蛛蜂的狩猎、筑巢和交配行为的启发而设计的。SWO的特色是能够进行全局搜索，并有效地避免陷入局部最优解。这使得SWO在许多优化问题上都能够表现出色。
在2.2.1中所提到的阈值T，是该“启发式问题的求解”的目标。合理的阈值T的值提供了一个可靠的决策依据，用于根据LCF 的数值进行综合补偿和集中补偿方案的选择。LCF与阈值T的比较结果可以指导系统操作员或自动控制系统决定采用哪种补偿方案。
2.3.1 SWO算法架构
P1、初始化：设置种群规模，即确定要生成和维护的候选解的数量。在阈值T的搜索空间中，随机初始化一组初始的候选解，这些解代表可能的阈值。
P2、狩猎阶段：利用SWO算法的全局搜索特性，在阈值T的搜索空间中执行全局搜索，以寻找新的可能的阈值解。根据蜘蛛蜂的狩猎行为，通过搜索策略，更新和调整候选解，以更好地适应搜索空间。
P3、筑巢阶段：在当前解的邻域内，利用SWO算法的局部搜索特性进行搜索，以加强对阈值T的精度优化。模拟蜘蛛蜂的筑巢行为，通过调整阈值解，使其更符合局部优化的要求。
P4、交配阶段：模拟蜘蛛蜂的交配行为，通过对候选解的评价，确定其优劣程度。
P5、更新与选择：根据SWO算法的规则，更新经过狩猎、筑巢和交配阶段的候选解。选择具有更好适应性的候选解进入下一代，确保新一代的阈值T解更优于之前的解。
在每个迭代周期中，重复执行上述步骤，直到满足停止准则。最终，蜘蛛蜂优化算法将提供一个较为优化的阈值T，使其适应问题的特定需求和优化目标。
2.3.2算法思想
SWO算法是基于对雌性蜘蛛蜂的狩猎、筑巢和交配行为的模拟。在自然界中，蜘蛛蜂通过其独特的行为模式高效地寻找食物和筑巢地点。SWO算法正是受此启发，将这些行为转化为计算机算法中的搜索和优化操作。
在狩猎阶段，SWO算法进行全局搜索，就像蜘蛛蜂在大范围内寻找食物一样，这一阶段的目的是找到可能的解。在筑巢阶段，算法进行局部搜索，模拟蜘蛛蜂在找到食物后，回到巢穴并对其进行精细的修建。这一阶段致力于在当前解的邻域内寻找更好的解，提高解的精度。交配阶段则模拟了蜘蛛蜂之间的信息交流，这有助于算法在搜索过程中共享信息，避免陷入局部最优，并促进全局最优解的找到。
3本发明的SWO算法内容
3.1 初始化阶段
设定种群规模为N，表示要生成和维护的候选解的数量。在阈值T的搜索空间中，随机初始化一组初始的候选解，这些解代表可能的阈值。
设阈值T的搜索空间为S，则随机初始化的候选解可以表示为一个初始种群P，其中每个成员分别代表一个可能的阈值T的数值（在下文中将称之为“候选解”）：
可以是一个实数或离散的取值，但是需要与负载特性因子LCF的性质相同。
3.2 狩猎阶段
利用SWO算法的全局搜索特性，在阈值T的搜索空间S中执行全局搜索：
3.2.1首先定义蜘蛛蜂的位置（阈值）更新规则，采用以下形式：
其中：
是候选解/>的新位置；
是候选解/>的当前位置；
α和β是控制搜索步长的参数；
是当前全局最优解；
rand是范围在[0, 1]之间的随机数。
3.2.2对整个种群进行更新，形成新种群集：
N是种群规模；
在3.3.2整体上可以看做为一种更新规则，而该更新规则模拟了蜘蛛蜂在狩猎阶段通过全局搜索寻找更优解的过程，并使得候选解更好地适应搜索空间。
3.2.3筑巢阶段
设是通过局部搜索得到的某一新解。在筑巢阶段执行梯度下降法来调整阈值解，使其更符合局部优化的要求：
γ是学习率，控制搜索步长。
是目标函数，表示在阈值T的搜索空间中的性能评估。
表示目标函数f在/>处的梯度，即目标函数关于阈值T的变化率。梯度方向表示函数增长最快的方向，因此减去梯度的倍数可以沿着函数的减小方向更新阈值T。
因此同样的，形成新种群集：
3.2.4 交配阶段
使用评价值来确定优劣程度，然后选择进入下一代的个体。本发明的选择方式是按照评价值的大小排序，选取排名较高的个体。
3.2.4.1评价
设是评价函数，它输出了候选解/>的评价值，/>是选中的个体集合，N是种群规模；
设有两个目标函数和/>，以及一个约束条件/>，则评价函数/>为：
、/>和/>是相应目标函数和约束条件的权重，三者之和为1。
3.2.4.2根据评价值对候选解进行排序：
选择排名最高或者较高的个体进入下一代。
其中，到/>是按照评价值从小到大排序后的候选解。
3.2.5 更新与选择阶段
利用前述经过狩猎、筑巢和交配阶段的候选解集，将新种群集和/>来更新当前种群；其中筑巢阶段通过局部搜索调整了候选解，这可能对整体的搜索产生积极的影响；设当前种群为/>，则更新后的种群为/>。
本发明所公开的更新规则方案为：选择保留评价值较好的前一半个体，并将其与经过狩猎、筑巢和交配阶段得到的新个体结合（合并），形成更新后的种群：
指代的是选择当前种群中评价值较好的前一半个体的选择操作。STH的意思是“SelectTopHalf”；
Merge将三个个体集合合并为一个新的个体集合的函数。
3.2.6获取阈值
在SWO算法中，候选解对应于阈值/>的搜索空间S中的一个可能解。更新后的种群是在更新与选择阶段得到的新的个体集合，每个个体都对应一个可能的阈值。本发明公开一种择值规则：选择最大值或最小值的方案：
可以利用类似如3.2.4.1中的评价函数E2，设的输出表示对更新后的种群中的候选解/>的经评价函数E所输出的评价值（注意，在2.4中的所有/>均指代/>中的候选解，而非前文的初始化的候选解），选择评价值最小或最大的个体对应的阈值为最终的阈值T，表示为/>：
、/>和/>是相应目标函数和约束条件的权重，三者之和为1。
和/>是两个目标函数；/>是一个约束条件。
是经评价函数。
通过综合考虑目标函数值和约束条件值，根据加权求和评价方案，得到阈值：
或是，
其中表示取使括号内表达式最小的i值。/>则是取使括号内表达式最大的i值。
3.3执行对比及方案的选择
通过比对负载特性因子LCF’和阈值的关系，可以进行判断。即如果负载特性因子LCF’超过阈值/>，需要进行综合补偿方案。反之，如果负载特性因子LCF’在可接受范围内，需要进行集中补偿方案：
3.4 负载特性因子LCF’超过阈值，综合补偿方案：
原因：超过阈值表示系统电气特性的不正常状态，包括通线沿线电压升高和功率因数较低这两个问题同时存在。
具体的：综合补偿方案被认为是更综合、更全面的解决方案，可以同时应对通线沿线电压升高和功率因数较低这两个问题，以提高系统的稳定性和性能。
3.5在可接受范围内，集中补偿方案：
原因：在可接受范围内表示系统处于正常状态，其存在通线沿线电压升高或功率因数较低中的一种情况。
具体的：集中补偿方案可能被认为足以处理系统处于正常操作条件下的电气问题，这种情况下集中补偿可能更为简单、经济，并能够有效地改善电气特性。
第二方面，
本发明公开了一种10kV配电站智能监测系统：系统包括处理器、与所述处理器耦接的寄存器，所述寄存器中存储有程序指令，所述程序指令被所述处理器执行时，使所述处理器对电抗器开关作开启或关闭，执行如上述所述的10kV配电站智能控制方法。
与现有技术相比，本发明的有益效果是：
（1）电气特性优化：本发明的智能控制方法通过实时监测和分析电力系统的电气特性，能够优化电压和功率因数等参数，从而提高系统的电气性能。采用最新的SWO算法作为智能控制算法的应用，可以有效降低负荷点电压升高和功率因数较低等问题的发生频率，提高系统的稳定性和可靠性。
（2）能效提升：本发明的智能控制方法通过对系统运行状态的精确控制，有助于减少无效功率的流动，提高电力线路的能效。这有助于降低系统的有功功率损耗，从而提高供电效率，减少电能浪费。
（3）负荷管理：本发明的智能控制方法可以对负荷进行智能管理，通过对电缆贯通线空载或轻载时的电压升高问题的处理，实现对负荷的有效调节。这有助于避免系统在不同负载条件下出现电气问题，提高系统的运行灵活性和稳定性。
（4）成本降低：本发明的智能控制方法的应用可以实现对电力系统的精细化控制，避免不必要的能量损失和设备损耗。通过优化系统运行，可以降低运行成本，延长设备寿命，减少维护费用。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的方法逻辑示意图；
图2为集中补偿方案的接线示意图；
图3为集中补偿方案的集中补偿原理示意图；
图4为综合补偿方案的接线示意图；
图5为综合补偿方案的综合补偿原理示意图；
图6为本发明的负载特性模型LCM的逻辑流程示意图。
图7为本发明的接线图；
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施例的限制；
需要指出的是，本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对于本领域技术人员而言，还可以进一步意识到结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
需要指出的是，结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
实施例一：如图1所示，10kV配电站智能控制方法的初始步骤为建立负载特性模型LCM，负载特性模型LCM的作用是用于定量评估配电站的负荷特性，运算并得出负载特性因子LCF；因此建立负载特性模型LCM包括有功功率和无功功率；
有功功率是电力系统中实际进行有用功率传输和能量转换的功率。它决定了系统中的实际电能消耗或产生，以千瓦（kW）为单位。在负载特性模型中，有功功率P的计算与负载率和箱式变压器的额定容量/>相关，功率因数按照行业标准取值为0.9，具体计算方式如下：
无功功率是电力系统中用于维持电压稳定和无功功率平衡的功率。它通常以千乏（kVAR）为单位。在负载特性模型中，无功功率Q的计算与负载率和箱式变压器的额定容量相关，具体计算方式如下：
这两个功率参数在电力系统中是相互关联的，它们的合成形成了视在功率S，其中S 的计算方式为：
在本实施例中，对于集中补偿方案，需要得出容性电流：容性电流是指通过并联电抗器进行无功功率补偿所引入的电流。容性电流的目的是补偿负载端引入的感性电流，从而提高系统的功率因数。容性电流的计算通常取决于系统的电气参数和负载特性。
具体的，集中补偿方案通过并联电抗器产生容性电流，使系统的功率因数得到提升。这有助于降低系统的感性无功功率，改善电力系统的电气特性，避免感性无功功率对系统造成的不利影响，如电压升高等问题：
是容性电流的倍率；
在本实施例中，对于综合补偿方案需得到总容性电流，其中有功功率P'：表示电力系统中实际进行有用功率传输和能量转换的功率。在综合补偿方案中，有功功率的计算与负载率/>和箱式变压器的额定容量/>相关，具体计算方式如下：
在本实施例中，容性电流：
进一步的，总容性电流（同上）：总容性电流表示在综合补偿方案中，通过固定补偿装置和动态补偿装置引入的容性电流的总和。在综合补偿方案中，这些容性电流的产生旨在改善系统的功率因数、电压稳定性和电能质量。
总容性电流的计算涉及到固定补偿装置提供的感性电流和配电所处动态补偿装置的感性电流/>，具体计算方式如下：
总容性电流通过动态调节可以对系统的无功功率进行补偿，从而维持系统在不同工况下的电气性能。
在本实施例中，负载特性模型LCM最终得出负载特性因子LCF’：
LCF反应（输出）的是一个比率值LCF’，LCF’反映了综合补偿方案和集中补偿方案在容性电流上的相对大小。因此，LCF’越接近1，就意味着综合补偿方案的容性电流趋近于集中补偿方案的容性电流，反之亦然。具体的：
1）当LCF’≥1 时，说明综合补偿方案引入的总容性电流大于集中补偿方案引入的容性电流。这表明综合补偿方案在容性电流方面占据主导地位，对电力系统的无功功率进行更强的补偿，相对于集中补偿方案来说更为强势。
2）当LCF’＜1 时，说明综合补偿方案引入的总容性电流小于集中补偿方案引入的容性电流。这表示集中补偿方案在容性电流方面起主导作用，对电力系统的无功功率进行更有效的调控。
进一步的，当负载特性因子LCF’的数值偏离 1，即LCF’≠1，表明综合补偿方案和集中补偿方案在容性电流方面存在不平衡。这种不平衡可能导致通线沿线电压的变化，特别是当综合补偿方案引入的总容性电流较大时，可能会引起沿线电压的升高。
进一步的，负载特性因子的数值大小可被视为对电力系统中无功功率补偿程度的一个定量指标。当LCF’接近1时，表明综合补偿方案和集中补偿方案在容性电流方面达到了平衡，系统的电气性能相对较好。反之LCF’的偏离意味着需要进一步调整无功功率补偿策略，以保持系统的稳定运行。
在本实施例中，通过比对负载特性因子LCF’和阈值的关系，可以进行判断。即如果负载特性因子LCF’超过阈值/>，需要进行综合补偿方案。反之，如果负载特性因子LCF’在可接受范围内，需要进行集中补偿方案：
这个判断条件的含义是，如果负载特性因子超过了阈值，说明系统当前存在通线沿线电压升高和功率因数较低的问题，因此需要执行综合补偿方案。反之，如果负载特性因子在可接受范围内，则系统处于通线沿线电压升高或功率因数较低中的一种情况，需要执行集中补偿方案。
在本实施例中，上述阈值是由SWO算法计算得出的，其包括：
P1、初始化：需要设定种群规模，即要生成和维护的候选解的数量。在阈值T的搜索空间中，通过随机初始化一组初始的候选解，这些解代表可能的阈值。具体而言，设定种群规模为N，随机生成N个初始阈值解，用于在搜索空间中进行后续的全局搜索。
P2、狩猎阶段：在这一阶段，利用SWO算法的全局搜索特性，执行全局搜索以寻找新的可能的阈值解。通过模拟蜘蛛蜂的狩猎行为，采用搜索策略来更新和调整候选解，使其更好地适应搜索空间。
P3、筑巢阶段：在当前解的邻域内，利用SWO算法的局部搜索特性进行搜索，以加强对阈值T的精度优化。模拟蜘蛛蜂的筑巢行为，通过调整阈值解，使其更符合局部优化的要求。
P4、交配阶段：模拟蜘蛛蜂的交配行为，通过对候选解的评价，确定其优劣程度。根据问题的性质设计评价机制。
P5、更新与选择：根据SWO算法的规则，更新经过狩猎、筑巢和交配阶段的候选解。选择具有更好适应性的候选解进入下一代，确保新一代的阈值T解更优于之前的解。在每个迭代周期中，重复执行上述步骤，直到满足停止准则。最终，蜘蛛蜂优化算法将提供一个较为优化的阈值T，使其适应问题的特定需求和优化目标。
在本实施例中，SWO算法的初始化阶段（S200）的具体实施方式如下：
设定种群规模为N，表示要生成和维护的候选解的数量。这决定了在搜索空间中探索可能解的多样性。
在阈值T的搜索空间中，随机初始化一组初始的候选解，这些解代表可能的阈值。
设阈值T的搜索空间为S，则随机初始化的候选解可以表示为一个初始种群P，其中每个成员分别代表一个可能的阈值T的数值（在下文中将称之为“候选解”）：
可以是一个实数或离散的取值，但是需要与负载特性因子LCF的性质相同。
设阈值T的搜索空间为S=[0,1]，即T可以在0到1之间取值。如果种群规模为N=5，则初始化阶段的初始种群P可能如下所示：
这里，每个代表一个可能的阈值T（数学性质为比值）。/>
这个初始种群将成为蜘蛛蜂优化算法中后续全局搜索和局部搜索阶段的起点，通过一系列的搜索策略和更新机制逐步优化得到更适应问题的解。
在本实施例中，SWO算法的狩猎阶段（S201）的具体实施方式如下：
利用SWO算法的全局搜索特性，在阈值T的搜索空间S中执行全局搜索：需要定义蜘蛛蜂的位置更新规则，以寻找可能的全局最优解。采用以下形式的位置更新规则：
其中：
是候选解/>的新位置；
是候选解/>的当前位置；
α和β是控制搜索步长的参数；
的解是当前全局最优解；
rand是范围在[0, 1]之间的随机数。
这个位置更新规则模拟了蜘蛛蜂在全局搜索中通过调整位置寻找更优解的过程，其中通过全局最优解的引导以及随机性的引入，增加了算法的多样性，有助于更好地探索搜索空间。
3.2.2通过应用上述位置更新规则，对整个种群进行更新，形成新的种群集：
N是种群规模；
在3.3.2整体上可以看做为一种更新规则，而该更新规则模拟了蜘蛛蜂在狩猎阶段通过全局搜索寻找更优解的过程，并使得候选解更好地适应搜索空间。
整体上，这个过程可以看作是一种全局搜索的更新规则，模拟了蜘蛛蜂在狩猎阶段通过全局搜索寻找更优解的过程。新的种群集将成为下一步狩猎阶段的起点，通过一系列的迭代逐步优化得到更适应问题的解。这样的全局搜索特性有助于在搜索空间中更广泛地寻找可能的解，并提高算法的全局搜索能力。
具体的，的解是当前全局最优解，也可以看做是全局搜索策略，其应基于对电气特性的评估，以确保在搜索空间中找到更优的解；本实施例提供一个技术方案：是一个适应度函数，涉及功率因数和负载特性因子的平方误差，设本实施例的目标是最小化功率因数和负载特性因子的平方误差。适应度函数可以定义为这两个特性的平方误差之和：
其中，
/>
和/>是目标功率因数和负载特性因子，/>和/>是候选解/>对应的目标功率因数和负载特性因子；
负载特性因子（Load Characteristic Factor，LCF）通常是通过计算负载的无功功率和有功功率的比率得出的。在电力系统中，无功功率（Q）和有功功率（P）之间的关系可以用功率因数（Power Factor，PF）表示。功率因数是有功功率与视在功率（S）的比值：；
其中，S为视在功率。视在功率和无功功率之间的关系可以用下面的公式表示：
通过这两个公式，本实施例可以得到无功功率Q的表达式：
随后可以计算无功功率和有功功率的比值，得到功率因数。在负载特性因子的定义中，使用这个功率因数的补数表示，即：
这个负载特性因子反映了负载的无功功率相对于视在功率的比例，其值越接近零，说明无功功率占比较小，负载趋向于纯阻性；值越接近1，说明无功功率占比较大，负载具有明显的感性成分。
同理，对于和/>：
其中，为候选解对应的有功功率，/>为候选解对应的视在功率。
计算负载特性因子:
回到适应度函数中，对蜘蛛蜂的位置更新规则进行更新，即：
代表了一种搜索策略，即以减小功率因数和负载特性因子的离目标值的差异为目标。这种策略追求的是使系统的功率因数和负载特性因子尽可能地接近预定的目标值。通过最小化它们的平方误差，优化算法就被引导着朝着使功率因数和负载特性因子更好地满足预期目标的方向进行搜索。
具体的，适应度函数的最小化反映了以下目标：
1）功率因数的优化：通过减小功率因数的平方误差，系统被引导朝着目标功率因数靠近的方向进行调整。这可以帮助系统更好地满足功率因数的要求，提高电力系统的效率。
2）负载特性因子的优化：同样，通过减小负载特性因子的平方误差，系统被导向朝着目标负载特性因子接近的方向进行调整。这有助于确保系统的负载特性满足设计要求，提高电力系统的稳定性和可靠性。
在本实施例中，SWO算法的筑巢阶段（S202）的具体实施方式如下：设是通过局部搜索得到的某一新解。在筑巢阶段，通过梯度下降法来调整阈值解，以更符合局部优化的要求：
γ是学习率，控制搜索步长。
是目标函数，表示在阈值T的搜索空间中的性能评估。
表示目标函数f在/>处的梯度，即目标函数关于阈值T的变化率。
是候选解，在该表达式中指代候选解的当前位置。
梯度下降法的思想是沿着目标函数下降的方向调整参数，使目标函数值逐渐减小。通过减去目标函数梯度的倍数，可以沿着目标函数下降的方向更新阈值 T。学习率γ控制了更新的步长，是一个正实数，且本实施例给定如下三种学习率γ的确定方案，在执行时选择一种即可：
1）固定学习率：直接设定一个固定的小常数作为学习率，γ=0.01；
2）自适应学习率：直接使用AdaGrad库；
3）线性递减学习率：从一个较大的初始学习率开始，随着迭代次数的增加，逐渐减小学习率，以降低更新的步幅；示例性的，线性递减规则：
其中γ0是初始学习率， β 是一个控制线性递减速率的参数，t是迭代次数。
梯度方向表示函数增长最快的方向，因此减去梯度的倍数可以沿着函数的减小方向更新阈值T。
因此同样的，这个过程模拟了蜘蛛蜂筑巢时通过局部搜索调整位置的行为，使得阈值解更好地适应局部搜索空间，并形成新种群集：
在本方案中，目标函数是关键因素，同样的可以考虑最小化功率因数和负载特性因子的平方误差：
其中：
是候选解/>对应的功率因数。
是候选解/>对应的负载特性因子。
目标功率因数是期望的功率因数。
目标负载特性因子是期望的负载特性因子。
通过调整，算法试图使/>和/>分别接近期望的功率因数和负载特性因子，从而实现对电气特性的优化。
在本实施例中，SWO算法的交配阶段（S203）的具体实施方式如下：SWO算法的交配阶段主要涉及个体的选择，评价每个个体的适应度，并根据适应度进行排序。这一步是演化算法中的一个重要环节，用于确定哪些个体将进入下一代。
在本方案中的交配阶段，首先需要定义一个评价函数，该函数的输出表示对候选解/>的评价值。使用评价值来确定优劣程度，然后选择进入下一代的个体。本发明的选择方式是按照评价值的大小排序，选取排名较高的个体。
在本方案中，评价函数包括：设是选中的个体集合，N是种群规模；设有两个目标函数/>和/>，表示对电气特性的优化目标。以及一个约束条件/>，确保所选解符合系统要求。则评价函数为：
、/>和/>是相应目标函数和约束条件的权重，三者之和为1。如果认为三者的权重一致，则将三者分别设定为0.33、0.33和0.34即可。
具体的，目标函数和/>中，一个涉及功率因数的优化，另一个涉及负载特性因子的优化：
其中，目标功率因数是系统希望达到的功率因数，当前功率因数是使用阈值T计算得到的当前功率因数。这样设计的目标函数的优化目标是使功率因数更接近设定的目标值。
其中，目标负载特性因子是系统希望达到的负载特性因子，当前负载特性因子是使用阈值T计算得到的当前负载特性因子。这个目标函数的优化目标是使负载特性因子更接近设定的目标值。
在本方案中，约束条件的形式需根据实际需求选择并设定，本实施例提供两个方案：
1）方案一：系统要求阈值T在一个特定的范围内，那么约束条件表示为：
和/>是对阈值T赋值的最小值和最大值；
2）方案二：系统要求功率因数在某个范围内，那么约束条件表示为：
在本方案中，需要根据评价值对候选解进行排序：排序是按照评价值的大小，从小到大对候选解进行排列。选择排名最高或较高的个体进入下一代。
选择排名最高或者较高的个体进入下一代。
其中，到/>是按照评价值从小到大排序后的候选解。这个过程确保较优秀的个体更有可能被选择，以便进入下一代，从而逐渐优化阈值T，使系统电气特性更好地满足要求。
在本实施例中，SWO算法的更新阶段（S204）的具体实施方式如下：利用前述经过狩猎、筑巢和交配阶段的候选解集，将新种群集和/>来更新当前种群；其中筑巢阶段通过局部搜索调整了候选解，对整体的搜索产生积极的影响；设当前种群为/>，则更新后的种群为/>。具体的，本发明所公开的更新规则方案为：选择保留评价值较好的前一半个体，并将其与经过狩猎、筑巢和交配阶段得到的新个体结合（合并），形成更新后的种群：
指代的是选择当前种群中评价值较好的前一半个体的选择操作；选择操作是从当前种群/>中选择评价值较好的前一半个体的过程。通常选择可以通过排序种群中个体的评价值，然后选择评价值较高的一半个体，其通过对/>进行排序来实现。
和/>是局部搜索得到的新个体；
Merge将三个个体集合合并为一个新的个体集合的函数。将这三个个体集合合并为一个新的个体集合，新一代的种群就包括了评价值较好的前一半个体以及经过狩猎、筑巢和交配阶段得到的新个体。
更新后的种群是在更新与选择阶段得到的新的个体集合，每个个体都对应一个可能的阈值。通过择一候选解/>作为最终的阈值/>，参与与负载特性因子LCF’的判断即可；
具体的，SWO算法中的全局搜索和局部搜索阶段使用了搜索策略和随机性，以在搜索空间中寻找新的可能解。在交配阶段，通过对候选解的评价确定其优劣程度。在更新与选择阶段，根据蜘蛛蜂算法的规则，更新经过狩猎、筑巢和交配阶段的候选解，并选择具有更好适应性的解进入下一代。综合这些过程，的计算结果包含了对搜索空间中可能解的整体性能评价。因此，/>的大小和数值特性与系统的电气状况、优化目标因素有关。
进一步的，通过比对负载特性因子LCF'和的关系，可以实现对电气特性的判断。如果LCF'超过/>，说明系统存在通线沿线电压升高和功率因数较低的问题，需要执行综合补偿方案。反之，如果LCF'在可接受范围内，说明系统处于通线沿线电压升高或功率因数较低中的一种情况，需要执行集中补偿方案。这样的判断过程基于/>的优化结果，能够根据系统实际状况选择合适的补偿方案。
实施例二：本实施例与实施例一不同的是，本实施例中的不通过在更新后的种群/>以择一的形式提出，而是通过进一步的运算来确定；
在开始之前，需要指出的是，在本实施例中的所有均指代/>中的候选解，而非前文的初始化的候选解；
在本实施例中，更新后的种群是在更新与选择阶段得到的新的个体集合，每个个体都对应一个可能的阈值。本发明公开一种择值规则：选择最大值或最小值的方案：这一过程通过综合考虑目标函数值和约束条件值，基于加权求和评价方案，选择最符合优化目标的阈值。这样的方法充分考虑了电气系统的多个特性，确保选定的阈值在电气性能上得到有效的平衡。
在本方案中：利用评价函数E2，设表示对更新后的种群/>中的候选解的评价值，选择评价值最小或最大的个体对应的阈值为最终的阈值T，表示为/>：
、/>和/>是相应目标函数和约束条件的权重，三者之和为1。通过加权求和，得到每个候选解/>的评价值。/>是经评价函数
和/>是两个目标函数；/>是一个约束条件。
具体的，通过综合考虑目标函数值和约束条件值，根据加权求和评价方案，得到阈值：
或是，
其中表示取使括号内表达式最小的i值。/>则是取使括号内表达式最大的i值。
在本实施例中，选择最大值或最小值的方案在优化问题中有不同的应用。在这里，通过选择最小值或最大值的方案，实际上是为了找到最优的阈值 ，使得评价函数达到最小或最大。这对应了优化问题的两种不同目标；
具体的，以选择最小值的方案为主要说明：通过最小化目标函数，系统试图找到一个与之对应的阈值，以在电气特性方面取得最佳性能，包括最大化功率因数、最小化负载特性因子。具象化到场景中，当需要最小化某一性能指标时，例如功率因数的提高或者负载特性因子的降低时，选择最小值的方案更合适。同理，最大化目标函数反之亦然。/>
在本实施例中，w4、w5和w6通过加权求和得到每个候选解的评价值，实际上是对不同的目标函数和约束条件进行综合考虑，以综合评估每个候选解的性能。当系统面临多个目标函数和约束条件时，通过权重赋值可以进行合理的权衡。不同的目标可能具有不同的重要性，而通过设置权重，可以在不同目标之间进行平衡。权重的设定反映了设计者对各个性能指标的相对重要性。如果认为三个性能指标同样重要，则分别设定为0.33、0.33和0.34；
具体的，将目标函数和约束条件的值通过权重加权求和，得到的评价值综合反映了每个候选解在多个性能指标上的综合表现。这样的评价值更全面地描述了系统在电气特性方面的整体性能。同时将多个目标函数和约束条件综合为一个评价值，有助于简化决策过程。在最优化问题中，决策者通常更容易处理单一的评价值，而不是同时考虑多个指标。
在本实施例中，目标函数的目标是使系统的功率因数尽可能接近1，表示系统对电能的有效利用。因此，可以定义目标函数/>为功率因数PF的负值（因为目标是最大化功率因数）：
在本实施例中，目标函数的目标是使系统的负载特性因子尽可能小，表示系统对电能的稳定性和优质性。因此，可以定义目标函数/>为负载特性因子的值：
这样，通过最大化和最小化/>，可以综合考虑系统功率因数和负载特性因子两个方面的性能。
在本实施例中，如实施例一所述的，集中补偿方案通过并联电抗器产生容性电流，使系统的功率因数得到提升。而约束条件的目标是对容性电流进行限制：
设系统中通过集中补偿方案产生的容性电流为，而系统对容性电流有一个最大允许值/>。目标是确保通过集中补偿方案引入的容性电流不超过这个限制。因此，可以定义约束条件/>如下：
这个约束条件确保所选择的解产生的容性电流不超过系统允许的最大值。对容性电流进行限制的目的可能是为了确保在集中补偿方案中引入的容性电流不会导致系统出现电压波动、谐波扭曲或其他不良电气特性。容性电流的引入可能对系统的电气性能产生影响，而这些影响需要在一定范围内进行控制，以确保系统的稳定性和正常运行。
实施例三：本实施例与实施例一、二不同的是，合并函数Merge的合并策略并非将三个个体集合合并为一个新的个体集合，而是按照评价值将个体进行排序，然后选择排名较高的个体，同时保留一定比例的局部搜索和全局搜索得到的新个体：
/>
表示选择集合S 中评价值最高的 K个个体。在这个排序过程中，保留了一定比例的局部搜索（（/>））和全局搜索（/>）得到的新个体，其中k'和k''是两个个体选择参数。
具体的，k'和k''是介于0到1之间的参数，用于控制新个体来自局部搜索和全局搜索的比例。k'和k''的和应该等于1。例如如果k'=0.2，那么表示新个体中有20%是来自局部搜索，而k''则是1减去k'的值。
如果k'＞k''，则表示更多的个体将从当前种群中选择；反之，如果k'＜k''，则表示更多的个体将从局部搜索结果中选择。但k'不应当等于k''。
这样，新的种群就是从当前种群中选择评价值较好的前一半个体，以及从局部搜索和全局搜索中选择评价值较高的个体组成的。这种策略保留了较好的个体，同时引入了新的搜索结果，有助于保持种群的多样性和推动搜索过程。
在本实施例中，这种策略的原理涉及到保留优秀个体和引入新搜索结果两方面的考虑：
1）保留优秀个体：通过选择当前种群中评价值较好的前一半个体，本实施例保留了在上一代中表现较好的解。这有助于维持种群中优秀解的存在，防止丧失对已找到的优秀解的探索。
2）引入新搜索结果： 同时，通过引入局部搜索得到的新个体和全局搜索得到的新个体/>，本实施例引入了未经过交叉和变异的新解。这有助于在搜索空间中进行更广泛的探索，推动算法跳出局部最优解，提高搜索的多样性。
这两个方面的结合可以使算法在不同的搜索空间中进行探索，既保留了已知好的解，又通过引入新解来尝试发现更优解。这样的策略有助于平衡利用过去的经验和对新搜索空间的探索，从而推动算法更全面地搜索问题空间。
实施例四：请参阅图7，本实施例公开了一种10kV配电站智能监测系统；
在本实施例中，系统中的处理器是中央控制单元，负责执行程序指令。这些程序指令被设计为实现10kV配电站智能控制方法中所述的各个阶段，包括SWO算法的初始化、狩猎、筑巢、交配、更新等步骤。其中的关键步骤包括根据监测到的电气特性信息进行全局搜索、局部搜索、评价、选择和更新等操作。
寄存器用于存储程序指令，这些指令包括对电抗器开关进行开启或关闭的控制命令。处理器执行这些指令时，将影响电抗器的运行状态，从而实现综合补偿方案和集中补偿方案之间的切换。
图7所示的为实际中的集中补偿方案和综合补偿方案的接线图，该接线图的原理与传统综合补偿方案相似，因为在硬件上，综合补偿方案与集中补偿方案结合的原理涉及到贯通线沿线设置的另一电抗器。综合补偿方案和集中补偿方案共享一些基本结构，例如并联电容器和并联电抗器。在这两个方案中，通常都有用于改善功率因数和电网电气性能的并联电容器。而综合补偿方案与集中补偿方案结合的硬件原理的核心在于引入了另一电抗器，并通过对该电抗器的通路或断路切换来实现两种补偿方案的切换。这一电抗器的状态控制，即通路或断路，可以通过相应的开关或控制装置来实现。
具体的，本系统还采用LBB-1000型电压无功补偿智能控制器，在按无功需量自动投切电容器补偿无功的同时，综合考虑线路电压，保持补偿过程中电压平稳，改善电压质量。按逻辑顺序投切，避免投切震荡。由于网络中大部分为感性负荷，因而当线路停电后，再送电时，线路中未退出运行的感性负荷在电压变化时，极易在某点同系统的电容器发生并联谐振，造成系统电压震荡，对设备造成损坏。LBB-1000/型自动补偿装置安装控制震荡的逻辑顺序投切电路，在网内的电容器组，先送电再按时间逻辑投切，避免电压过渡过程中造成感性和容性负荷的涌流震荡。
进一步的，利用LBB-1000/型自动补偿装置自带的458通讯接口，与后台安置的本系统的控制器所通讯连接；当控制器发出指令时，基于LBB-1000/型自动补偿装置实现在线(GPRS)远方控制。
这个智能监测系统通过处理器执行预先设定的程序指令，根据实时监测到的电气特性信息，智能地控制电抗器的运行状态，以达到提高功率因数和电气性能的目的。系统的设计使得它能够根据电网和负载的实际情况，动态地选择最优的补偿方式，从而实现对电力系统的智能监测和控制。
实施例五：本实施例公开了一种存储介质，该存储介质内存储有用于实现如实施例一至三所述的10kV配电站智能控制方法的程序指令，本实施例将以C++伪代码的形式仅供展示其逻辑：
#include<iostream>
#include<vector>
#include<algorithm>
// 定义电气特性结构
struct ElectricalCharacteristics {
double powerFactor;
double loadCharacteristicFactor;
};
// 定义候选解结构
struct CandidateSolution {
double threshold;
ElectricalCharacteristics characteristics;
};
// 函数：初始化种群
std::vector<CandidateSolution>initializePopulation(intpopulationSize) {
std::vector<CandidateSolution>population;
// 在阈值搜索空间中随机初始化候选解，添加到population中
return population;
}
// 函数：全局搜索
void globalSearch(std::vector<CandidateSolution>&population) {
// 在阈值搜索空间中执行全局搜索
}
// 函数：筑巢阶段
void nestBuilding(std::vector<CandidateSolution>&population) {
}
// 函数：交配阶段
void mating(std::vector<CandidateSolution>&population) {
}
// 函数：更新与选择
void updateAndSelect(std::vector<CandidateSolution>&population) {
}
// 函数：获取阈值
double getFinalThreshold(const std::vector<CandidateSolution>&population) {
// 选择评价值最小或最大的个体对应的阈值
return 0.0; // 返回具体的阈值
}
int main() {
// 初始化种群
std::vector<CandidateSolution>population = initializePopulation(100);
// 迭代循环，执行SWO算法的各个阶段
for (int iteration = 0; iteration<maxIterations; ++iteration) {
// 狩猎阶段
globalSearch(population);
// 筑巢阶段
nestBuilding(population);
// 交配阶段
mating(population);
// 更新与选择
updateAndSelect(population);
}
// 获取最终阈值
double finalThreshold = getFinalThreshold(population);
std::cout<<"Final Threshold: "<<finalThreshold<<std::endl;
return 0;
}
上述程序的原理在于：
initializePopulation函数：该函数用于初始化种群。它创建一个包含多个候选解的初始种群，其中每个候选解都包括一个可能的阈值和与电气特性相关的参数。
globalSearch函数：这个函数模拟了狩猎阶段。在全局搜索中，候选解根据蜘蛛蜂的狩猎行为进行更新和调整，以更好地适应搜索空间。
nestBuilding函数：这个函数代表了筑巢阶段。在当前解的邻域内，候选解通过局部搜索进行调整，以加强对阈值的精度优化。
mating函数：这个函数执行交配阶段，通过对候选解的评价确定其优劣程度。
updateAndSelect函数：在这个函数中，根据SWO算法的规则，经过狩猎、筑巢和交配阶段的候选解被更新。具有更好适应性的候选解被选择进入下一代，确保新一代的阈值解更优于之前的解。
getFinalThreshold函数：该函数根据评价函数E2选择评价值最小或最大的个体对应的阈值作为最终的阈值。评价函数E2综合考虑了目标函数值和约束条件值。
以上实施例仅表达了本发明的相关实际应用的实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种10kV配电站智能控制方法，包括集中补偿方案和综合补偿方案，分别用于获取配电所流入三相电力系统的容性电流，以及配电所流入三相电力系统的总容性电流/>，其特征在于：包括如下步骤：
S1、建立负载特性模型LCM，定量评估配电站的负荷特性，运算并得出负载特性因子LCF；
S2、执行蜘蛛蜂优化算法SWO：
S200、初始化阶段：在阈值T的搜索空间为S中随机初始化若干个候选解，形成初始种群P；
S201、狩猎阶段：在阈值T的搜索空间S中执行全局搜索，形成新种群集；
S202、筑巢阶段：执行局部搜索以调整阈值解，形成新种群集；
S203、交配阶段：使用评价值来确定优劣程度，对所述新种群集及所述新种群集中各自的候选解进行排序，选择进入下一代的个体；
S204、更新与选择阶段：将所述新种群集和所述新种群集/>相结合，得到更新后的种群/>；
S3、获取阈值：对于所述更新后的种群/>，按照择值规则择取出阈值/>；
S4、执行对比及方案的选择：如果负载特性因子LCF’超过阈值
，执行所述综合补偿方案；反之，执行所述集中补偿方案。
2.根据权利要求1所述的10kV配电站智能控制方法，其特征在于：在所述S1中，所述负载特性模型LCM包括：；
LCF’是一个比率值，反映了综合补偿方案和集中补偿方案在容性电流上的相对大小；LCF’越接近1，综合补偿方案的容性电流趋近于集中补偿方案的容性电流，反之亦然。
3.根据权利要求1所述的10kV配电站智能控制方法，其特征在于：在所述S200中，所述候选解分别代表一个阈值T的数值：
；
为搜索空间，随机初始化的候选解的集合表示为所述初始种群P。
4.根据权利要求1所述的10kV配电站智能控制方法，其特征在于：在所述S201中，包括：
S2010、定义蜘蛛蜂的位置更新规则，执行所述全局搜索：
；
其中，是候选解/>的新位置；/>是候选解/>的当前位置；α和β是控制搜索步长的参数；/>是当前全局最优解；rand是范围在[0, 1]之间的随机数；
S2011、对整个种群进行更新，将所有的归纳为一个集合，该集合即为所述新种群集/>。
5.根据权利要求4所述的10kV配电站智能控制方法，其特征在于：在所述S202中，包括：
S2020、所述局部搜索：执行梯度下降法：
；
γ是学习率；
是一个目标函数；
表示目标函数f在候选解/>处的梯度；
S2021、对整个种群进行更新，将所有的归纳为一个集合，该集合即为所述新种群集/>。
6.根据权利要求5所述的10kV配电站智能控制方法，其特征在于：在所述S203中，包括：
S2031、评价：
；
、/>和/>是相应目标函数和约束条件的权重，三者之和为1；
和/>分别是另两个目标函数，/>是约束条件；/>是评价函数；
S2032、根据评价值对候选解进行排序：
；
是选中的个体集合，N是种群规模；其中，/>到/>是按照评价值从小到大排序后的候选解；
S2033、选择排名最高的个体进入下一代。
7.根据权利要求1、3、4或5所述的10kV配电站智能控制方法，其特征在于：在所述S204中，所述结合包括：
；
指代的是选择当前种群中评价值较好的前一半个体的选择操作，Merge将三个个体集合合并为一个新的个体集合的函数。
8.根据权利要求1、3、4或5所述的10kV配电站智能控制方法，其特征在于：在所述S3中，所述择值规则为选择最大值或最小值的方案：
；
或是，
；
其中表示取使括号内表达式最小的i值，/>则是取使括号内表达式最大的i值，/>是经评价函数。
9.一种10kV配电站智能监测系统，其特征在于：包括处理器、与所述处理器耦接的寄存器，所述寄存器中存储有程序指令，所述程序指令被所述处理器执行时，使所述处理器对电抗器开关作开启或关闭，执行如权利要求1-8中任一项所述的10kV配电站智能控制方法。
10.一种存储介质，其特征在于：所述存储介质内存储有用于执行如权利要求1-8中任一项所述的10kV配电站智能控制方法的程序指令。
CN202311835408.6A 2023-12-28 2023-12-28 一种10kV配电站智能控制方法、系统及存储介质 Active CN117477587B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311835408.6A CN117477587B (zh) 2023-12-28 2023-12-28 一种10kV配电站智能控制方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311835408.6A CN117477587B (zh) 2023-12-28 2023-12-28 一种10kV配电站智能控制方法、系统及存储介质

Publications (2)

Publication Number Publication Date
CN117477587A true CN117477587A (zh) 2024-01-30
CN117477587B CN117477587B (zh) 2024-04-02

Family

ID=89638336

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311835408.6A Active CN117477587B (zh) 2023-12-28 2023-12-28 一种10kV配电站智能控制方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN117477587B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101127442A (zh) * 2007-06-22 2008-02-20 泰州苏源科电有限公司 10kV及以下配电网无功电压优化运行控制方法及系统
CN101882237A (zh) * 2010-05-14 2010-11-10 长沙理工大学 一种改进的免疫-粒子群优化算法
CN113555878A (zh) * 2021-07-12 2021-10-26 国网安徽省电力有限公司滁州供电公司 一种台区电能质量综合补偿系统
CN117059169A (zh) * 2023-08-10 2023-11-14 山东师范大学 基于参数自适应成长优化器的生物多序列比对方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101127442A (zh) * 2007-06-22 2008-02-20 泰州苏源科电有限公司 10kV及以下配电网无功电压优化运行控制方法及系统
CN101882237A (zh) * 2010-05-14 2010-11-10 长沙理工大学 一种改进的免疫-粒子群优化算法
CN113555878A (zh) * 2021-07-12 2021-10-26 国网安徽省电力有限公司滁州供电公司 一种台区电能质量综合补偿系统
CN117059169A (zh) * 2023-08-10 2023-11-14 山东师范大学 基于参数自适应成长优化器的生物多序列比对方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
B. E. OSHIOJUM: "《Chaotic Sparrow Search Optimizer for Structural Design Challenges》", 《 2023 INTERNATIONAL CONFERENCE ON SUSTAINABLE EMERGING INNOVATIONS IN ENGINEERING AND TECHNOLOGY》, 7 November 2023 (2023-11-07) *
张鹏;: "城市10KV高压配电线路降损措施优化", 品牌研究, no. 05, 27 August 2018 (2018-08-27) *
王勇军;: "农村电网无功补偿", 中国科技信息, no. 05, 1 March 2007 (2007-03-01) *
谭树华;: "工厂低压无功补偿方式的优化", 电气时代, no. 09, 10 September 2007 (2007-09-10) *

Also Published As

Publication number Publication date
CN117477587B (zh) 2024-04-02

Similar Documents

Publication Publication Date Title
Delfanti et al. Optimal capacitor placement using deterministic and genetic algorithms
Sedighizadeh et al. Reconfiguration of distribution systems to improve re-liability and reduce power losses using imperialist com-petitive algorithm
Tehrani et al. Design of fractional order PID controller for boost converter based on multi-objective optimization
CN113612239A (zh) 配电台区多目标三相负荷不平衡相序调整方法及系统
Chang et al. Fuzzy logic and immune-based algorithm for placement and sizing of shunt capacitor banks in a distorted power network
CN112380694A (zh) 一种基于差异化可靠性需求的配电网优化规划方法
CN110783913A (zh) 基于群的计及预想事故集最佳电网拓扑在线优化方法
Rupolo et al. A new parallel and decomposition approach to solve the medium-and low-voltage planning of large-scale power distribution systems
CN117477587B (zh) 一种10kV配电站智能控制方法、系统及存储介质
CN112234613A (zh) 一种交直流混合系统储能优化配置方法
Muthusamy et al. An intelligent hybrid interfacing converter of fuel cell powered telecom loads for efficient power conversion
Nguyen et al. Power loss minimization by optimal placement of distributed generation considering the distribution network configuration based on artificial ecosystem optimization
CN115912254A (zh) 一种配电网多目标重构策略自愈控制方法及装置
Xianchao et al. Service restoration of distribution system with distributed generation
CN114006410B (zh) 一种基于机会约束规划的大规模海上风电接入点优化方法
Guo et al. Distribution network reconfiguration based on opposition learning genetic algorithm
Li et al. Optimal planning method for power system line impedance based on a comprehensive stability margin
CN114548266A (zh) 基于曲线聚类和覆盖法的变电站无功优化配置方法及装置
CN112491067A (zh) 一种基于复合储能的主动配电网容量配置方法
Wang et al. Efficiency optimization design of three-level active neutral point clamped inverter based on deep reinforcement learning
Yang et al. Loss-minimized distribution system reconfiguration by using improved multi-agent based particle swarm optimization
Ahmadi et al. Multi-objective distributed energy resource integration in radial distribution networks
CN112734590A (zh) 基于内点法和变领域搜索的动态规划法的二阶段区域电网无功优化方法
Malhotra et al. CLPSO based droop optimization technique for DC Microgrid
CN111784086A (zh) 一种直流配用电系统供电方案评估方法及系统

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