CN118040643A - 一种电压越限分析方法、装置及设备及存储介质 - Google Patents
一种电压越限分析方法、装置及设备及存储介质 Download PDFInfo
- Publication number
- CN118040643A CN118040643A CN202311412985.4A CN202311412985A CN118040643A CN 118040643 A CN118040643 A CN 118040643A CN 202311412985 A CN202311412985 A CN 202311412985A CN 118040643 A CN118040643 A CN 118040643A
- Authority
- CN
- China
- Prior art keywords
- distribution network
- partition
- power distribution
- voltage
- reactive
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 50
- 238000003860 storage Methods 0.000 title claims abstract description 23
- 238000005192 partition Methods 0.000 claims abstract description 151
- 230000035945 sensitivity Effects 0.000 claims abstract description 65
- 241000282461 Canis lupus Species 0.000 claims abstract description 57
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 230000008878 coupling Effects 0.000 claims description 41
- 238000010168 coupling process Methods 0.000 claims description 41
- 238000005859 coupling reaction Methods 0.000 claims description 41
- 230000006870 function Effects 0.000 claims description 26
- 238000000034 method Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 23
- 241000282421 Canidae Species 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- YBJHBAHKTGYVGT-ZKWXMUAHSA-N (+)-Biotin Chemical compound N1C(=O)N[C@@H]2[C@H](CCCCC(=O)O)SC[C@@H]21 YBJHBAHKTGYVGT-ZKWXMUAHSA-N 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 8
- FEPMHVLSLDOMQC-UHFFFAOYSA-N virginiamycin-S1 Natural products CC1OC(=O)C(C=2C=CC=CC=2)NC(=O)C2CC(=O)CCN2C(=O)C(CC=2C=CC=CC=2)N(C)C(=O)C2CCCN2C(=O)C(CC)NC(=O)C1NC(=O)C1=NC=CC=C1O FEPMHVLSLDOMQC-UHFFFAOYSA-N 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 7
- 238000004891 communication Methods 0.000 description 8
- 230000006399 behavior Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- VYMDGNCVAMGZFE-UHFFFAOYSA-N phenylbutazonum Chemical compound O=C1C(CCCC)C(=O)N(C=2C=CC=CC=2)N1C1=CC=CC=C1 VYMDGNCVAMGZFE-UHFFFAOYSA-N 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research 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
- H02J3/001—Methods to deal with contingencies, e.g. abnormalities, faults or failures
- H02J3/00125—Transmission line or load transient problems, e.g. overvoltage, resonance or self-excitation of inductive loads
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Power Engineering (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种电压越限分析方法、装置、设备及存储介质，其通过获取配电网中的节点信息；根据节点信息，通过改进后的分区模块度函数对配电网进行集群划分，获取配电网分区结果；根据配电网分区结果，通过灰狼算法，获取目标配电网分区；对目标配电网分区内的节点参数进行更新，获取电压越限分析结果。本发明通过优化后的模块度函数，建立起无功‑有功灵敏度分区的指标，并通过灰狼优化算法定位电压波动最明显的区域，通过对该区域进行电压越限分析，能够及时且精准的评价当前配电网中的电压越限情况，从而更好的指导后续配电网的调压，保证电力系统安全运行。
Description
技术领域
本申请实施例涉及电网故障分析技术领域，特别是涉及一种电压越限分析方法、装置、设备及存储介质。
背景技术
电压越限是指电力系统中的电压超过了设定的正常工作范围。电力系统中的电压通常有一个标准的工作范围，例如在交流电系统中，标准的电压范围通常是以额定电压为中心，允许一定范围内的波动。当电压超过了这个正常工作范围，就会发生电压越限。电压越限可能会对电力设备和系统产生负面影响。目前，为避免电压越限情况的发生，电力系统运行管理中通常会对电压进行监测和控制，以确保电压在正常范围内稳定运行。
然而，如今以户用光伏为代表的分布式电源获得快速发展，低压配电网中分布式电源的占比越来越高。而在分布式电源接入下，电压变化具有不确定性以及连续海量数据难以处理的特性。通过传统的监测方法将无法及时的确定配电网电压波动情况，一旦发生电压越限而无法及时处理，将会对电力系统造成安全隐患。
发明内容
本发明提供了一种电压越限分析方法、装置、计算机设备及存储介质，通过改进后的分区模块度函数与灰狼算法的结合对配电网进行分区，从而及时进行电压越限分析，规避风险。
第一方面，本发明提供了一种电压越限分析方法，包括如下步骤：
获取配电网中的节点信息，所述节点信息包括节点之间的有功功率和无功功率；
根据所述节点信息，通过改进后的分区模块度函数对所述配电网进行集群划分，获取配电网分区结果，其中，所述改进后的分区模块度函数包括无功电压灵敏度和有功电压灵敏度；
根据所述配电网分区结果，通过灰狼算法，获取目标配电网分区；
对所述目标配电网分区内的节点参数进行更新，获取电压越限分析结果。
进一步地，通过改进后的分区模块度函数对所述配电网进行集群划分，包括如下步骤：
获取所述配电网中的负载潮流；
根据所述负载潮流，获取无功电压灵敏度因子和有功电压灵敏度因子；
根据所述无功电压灵敏度因子和所述有功电压灵敏度因子，获取所述配电网的有功分区权重和无功分区权重；
根据所述有功分区权重和所述无功分区权重，获取有功分区耦合度指标和无功分区耦合度指标；
根据所述有功分区耦合度指标和所述无功分区耦合度指标，对所述配电网进行集群划分。
进一步地，所述改进后的分区模块度函数的表达式为：
其中，所述γ为所述功分区耦合度指标，所述β为所述无功分区耦合度指标，k指示配电网中的节点。
进一步地，获取无功电压灵敏度因子和有功电压灵敏度因子，包括如下步骤：
通过雅可比矩阵，获取所述配电网中的潮流计算方程，所述潮流计算方程表达式如下为：
其中，ΔP和ΔQ分别为所述配电网节点注入有功功率和无功功率的变化量；Δδ和ΔU分别为所述配电网节点电压相角和幅值的变化量；由APδ，BPU，CQδ，DQU组成的雅可比矩阵指示所述配电网节点注入的功率波动(ΔP，ΔQ)与所述配电网节点电压变化之间的关系；
对所述潮流计算方程进行矩阵变换，计算所述无功电压灵敏度因子和所述有功电压灵敏度因子，所述变换后的矩阵表达式为：
其中，所述有功电压灵敏度因子SPU和所述无功电压灵敏度因子SQU分别表示所述配电网节点注入单位数量的有功功率和无功功率时该节点电压幅值的变化；SPδ和SQδ分别为所述配电网节点注入单位数量的有功功率和无功功率时该节点电压相角的变化。
进一步地，所述通过灰狼算法，获取目标配电网分区，包括如下步骤：
对灰狼种群进行初始化，其中，所述灰狼种群指示配电网节点集合；
根据所述有功分区耦合度指标和无功分区耦合度指标，通过灰狼算法，计算灰狼个体的适应度，获取适应度最高的前三个灰狼个体；
根据所述适应度最高的前三个灰狼个体，更新全部灰狼个体位置，并进行迭代计算；
当达到预设最大迭代计算次数时，输出当前全部灰狼个体位置，并根据所述灰狼个体位置，获取狼群位置；
根据所述狼群位置，确定所述目标配电网分区。
进一步地，对所述目标配电网分区内的节点参数进行更新，获取电压越限分析结果，包括如下步骤：
获取所述目标配电网分区的网架参数、光伏功率和负荷数据；
通过更新所述光伏攻略和所述负荷数据，获取目标配电网分区内节点的电压分布图。
第二方面，本发明还提供了一种电压越限分析装置，其特征在于，包括：
节点信息获取模块，用于获取配电网中的节点信息，所述节点信息包括节点之间的有功功率和无功功率；
分区结果获取模块，用于根据所述节点信息，通过改进后的分区模块度函数对所述配电网进行集群划分，获取配电网分区结果，其中，所述改进后的分区模块度函数包括无功电压灵敏度和有功电压灵敏度；
目标分区获取模块，用于根据所述配电网分区结果，通过灰狼算法，获取目标配电网分区；
分析结果输出模块，用于对所述目标配电网分区内的节点参数进行更新，获取电压越限分析结果。
进一步地，所述分区结果获取模块，还包括：
潮流获取单元，用于获取所述配电网中的负载潮流；
灵敏度因子计算单元，用于根据所述负载潮流，获取无功电压灵敏度因子和有功电压灵敏度因子；
权重计算单元，用于根据所述无功电压灵敏度因子和所述有功电压灵敏度因子，获取所述配电网的有功分区权重和无功分区权重；
指标计算单元，用于根据所述有功分区权重和所述无功分区权重，获取有功分区耦合度指标和无功分区耦合度指标；
集群划分单元，用于根据所述有功分区耦合度指标和所述无功分区耦合度指标，对所述配电网进行集群划分。
第三方面，本发明还提供一种计算机设备，包括：
至少一个存储器以及至少一个处理器；
所述存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如第一方面所述的一种电压越限分析方法的步骤。
第四方面，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的一种电压越限分析方法的步骤。
本发明通过获取配电网中的节点信息，节点信息包括节点之间的有功功率和无功功率；根据节点信息，通过改进后的分区模块度函数对配电网进行集群划分，获取配电网分区结果，其中，改进后的分区模块度函数包括无功电压灵敏度和有功电压灵敏度；根据配电网分区结果，通过灰狼算法，获取目标配电网分区；对目标配电网分区内的节点参数进行更新，获取电压越限分析结果。本发明通过优化后的模块度函数，建立起无功-有功灵敏度分区的指标，并通过灰狼优化算法定位电压波动最明显的区域，通过对该区域进行电压越限分析，能够及时且精准的评价当前配电网中的电压越限情况，从而更好的指导后续配电网的调压，保证电力系统安全运行。
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。
附图说明
图1为在一个示例性的实施例中提供的一种电压越限分析方法的步骤流程图；
图2为在一个示例性的实施例中提供的一种电压越限分析方法的配电网节点示意图；
图3为在一个示例性的实施例中提供的一种电压越限分析方法的电压波动情况示意图；
图4为在一个示例性的实施例中提供的一种电压越限分析装置的模块示意图；
图5为在一个示例性的实施例中提供的计算机设备的内部结构图；
图6为在一个示例性的实施例中提供的计算机设备的内部结构图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例方式作进一步地详细描述。
应当明确，所描述的实施例仅仅是本申请实施例一部分实施例，而不是全部的实施例。基于本申请实施例中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本申请实施例保护的范围。
在本申请实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请实施例。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
此外，在本申请的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，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。字符“/”一般表示前后关联对象是一种“或”的关系。
以户用光伏为代表的分布式电源由此获得快速发展，低压配电网中分布式电源的占比越来越高。从2005年后光伏的并网装机容量呈现出快速增长的趋势，预计到2040年前后光伏发电在所有可再生能源发电中的比重将达到最大，光伏分散式并网及其电能的就地消纳已经成为趋势。当中低压配电网中有大量光伏电源并网后，对配电网中用户的电压质量造成较大影响时，很有必要研究对高渗透率的分布式光伏接入配电网后的中低压配电网的电压波动情况。
正因如此，电力系统领域对于集群的研究与应用开始引起关注，集群划分的应用场景主要包括系统规划与调度控制两个领域。合理的应用集群划分解决电压越限建模问题，可以为配电网的电压波动问题提供支持。
集群划分分为两个问题，即集群划分的判据及指标体系以及集群划分的有效算法与实现。目前的划分判据多以集群的耦合性为指标，即集群内部联系紧密、群间联系稀疏；划分算法可以分为聚类分析、复杂网络的社团发现及优化算法三类。
目前常见的集群划分方法主要根据地理位置或行政区域来实现，但该种划分过于粗糙，无法解决复杂网络的分区问题。而模块度函数不同于其他的分区方法，其能够自动生成最佳分区数目而不需要提前设定。
然而传统模块度函数依然需要基于空间位置上进行区域划分，无法针对于就分布式电源接入造成的电压变化问题进行处理，并且以往在大电网侧根据电压灵敏度矩阵对大电网进行分区时，考虑大电网的网络电阻远远小于电抗这一阻抗特性，往往忽略有功变化对电网电压的影响，只对大电网进行无功分区。但在配电网侧，由于配电网的阻抗比较大，且电压控制策略涉及光伏逆变器有功功率控制，所以有功功率变化对电网分区的影响不可忽略。若依然采用传统方法对电网进行分区，很可能遗漏电压波动薄弱区域，忽略电压越限风险，为电力系统带来安全隐患。
基于上述思考，本申请实施例提供了一种电压越限分析方法，如图1所示，包括如下方法步骤：
S201：获取配电网中的节点信息，节点信息包括节点之间的有功功率和无功功率。
具体的，配电网节点信息是指插入配电网中的各个节点的相关数据和属性信息，该信息可以用于监测、控制和管理配电系统的运行。配电网节点信息包括但不限于：节点编号、节点位置、节点类型、节点连接关系、电压等级、负荷信息、设备信息、监测数据及配置参数等。在一个示例性的例子中，配电网节点关系如图2所示。
S202：根据所述节点信息，通过改进后的分区模块度函数对配电网进行集群划分，获取配电网分区结果，其中，改进后的分区模块度函数包括无功电压灵敏度和有功电压灵敏度。
在一个优选的实施例中，通过改进后的分区模块度函数对配电网进行集群划分，包括如下步骤：
获取所述配电网中的负载潮流；并根据所述负载潮流，获取无功电压灵敏度因子和有功电压灵敏度因子；根据所述无功电压灵敏度因子和所述有功电压灵敏度因子，获取所述配电网的有功分区权重和无功分区权重；再根据所述有功分区权重和所述无功分区权重，获取有功分区耦合度指标和无功分区耦合度指标；再根据所述有功分区耦合度指标和所述无功分区耦合度指标，对所述配电网进行集群划分。
具体的，由于在电力系统的馈线末端与用户侧均有配备智能电表，因此可以对节点电压数据进行监控与采集。由电力系统负载潮流雅可比矩阵可知，配电网中的潮流计算满足如下方程：
其中，ΔP和ΔQ分别为所述配电网节点注入有功功率和无功功率的变化量；Δδ和ΔU分别为所述配电网节点电压相角和幅值的变化量；由APδ，BPU，CQδ，DQU组成的雅可比矩阵指示所述配电网节点注入的功率波动(ΔP，ΔQ)与所述配电网节点电压变化之间的关系。
对所述潮流计算方程进行矩阵变换，计算所述无功电压灵敏度因子和所述有功电压灵敏度因子，所述变换后的矩阵表达式为：
其中，所述有功电压灵敏度因子SPU和所述无功电压灵敏度因子SQU分别表示所述配电网节点注入单位数量的有功功率和无功功率时该节点电压幅值的变化；SPδ和SQδ分别为所述配电网节点注入单位数量的有功功率和无功功率时该节点电压相角的变化。
在本申请实施例中，配电网的权重主要由无功电压灵敏度因子SQU和有功电压灵敏度因子SPU决定。为了描述两个节点之间的耦合度，本申请实施例通过边权重的均值分别表示有功分区的权重和无功分区的权重。
无功分区区内耦合度指标β表示如下：
有功分区区内耦合度指标γ表示如下：
其中，Aij为连接节点i和节点j的边的权重，当节点i和节点j直接相连时Aij＝1，不相连时Aij＝0。
改进后的分区模块度函数的表达式为：
其中，所述γ为所述功分区耦合度指标，所述β为所述无功分区耦合度指标，k指示配电网中的节点。
S203：根据所述配电网分区结果，通过灰狼算法，获取目标配电网分区。
灰狼算法(GWO)算法是一种受狼群捕食行为启发而提出的新型智能优化算法，其基本思想是狼群社会组织层级领导机制和群体捕食行为。灰狼等级按适应度分为首领狼α、副首领狼β、普通狼δ以及底层狼ω，其中：α狼适应度最高，数量最少，负责指定狼群移动方向；β狼和δ狼适应度依次降低，负责辅佐α狼；ω狼适应度最低，数量最多，负责给α、β、δ狼提供信息。
狼群在发动攻击之前，需要先根据下式包围猎物：
X(t+1)＝Xp(t)-A·D
其中，D为狼群到猎物的距离；XP(t)为t时刻猎物的位置向量；X(t)为t时刻灰狼个体的位置向量；X(t+1)为t+1时刻灰狼个体的位置向量；C＝2r1为摆动因子；A＝2ar2-a为收敛因子；r1、r2分别为取值为[0，1]的随机数；a呈线性变化，随迭代次数的增加从2衰减至0。
狼群成功包围猎物之后，由于α、β和δ狼的适应度最高，最靠近猎物，将由其来判断猎物所在方位：
其中，Di为狼到猎物的距离；Xi(t)为t时刻狼所追踪的猎物的位置向量，i＝α，β，δ；Xj为i狼到所追踪猎物的位置向量，j＝1，2，3。
狼群的位置最终由α、β、δ狼共同决定：
其中，Xp(t+1)为t+1时刻猎物的位置向量。
在本申请实施例中，通过灰狼算法，获取目标配电网分区，包括如下步骤：对灰狼种群进行初始化，其中，所述灰狼种群指示配电网节点集合；根据所述有功分区耦合度指标和无功分区耦合度指标，通过灰狼算法，计算灰狼个体的适应度，获取适应度最高的前三个灰狼个体；根据所述适应度最高的前三个灰狼个体，更新全部灰狼个体位置，并进行迭代计算；当达到预设最大迭代计算次数时，输出当前全部灰狼个体位置，并根据所述灰狼个体位置，获取狼群位置；根据所述狼群位置，确定所述目标配电网分区。
同时，由于GWO算法在优化过程中展示出随机搜索行为，因此灰狼优化算法有很强的鲁棒性，对初始解的依赖性较低，即便在初期解的质量较差的情况下，仍能够有效地找到更佳的分区。通过对配电网的分区，区域内的节点电气耦合关系紧密，不同区域之间的电气耦合关系很小。
S204：对所述目标配电网分区内的节点参数进行更新，获取电压越限分析结果。
在一个优选的实施例中，通过获取所述目标配电网分区的网架参数、光伏功率和负荷数据，并更新所述光伏攻略和所述负荷数据，获取目标配电网分区内节点的电压分布图，进而根据电压波动情况，进行电压越限分析，并获取电压越限分析结果。在一个示例性的例子中，配电网分区内电压波动情况如图3所示。
在一些其他的例子中，也可以通过静态电压越限分析方法及动态电压越限分析等进行电压越限分析。
本申请实施例所提供的一种电压越限分析方法，通过获取配电网中的节点信息，节点信息包括节点之间的有功功率和无功功率；根据节点信息，通过改进后的分区模块度函数对配电网进行集群划分，获取配电网分区结果，其中，改进后的分区模块度函数包括无功电压灵敏度和有功电压灵敏度；根据配电网分区结果，通过灰狼算法，获取目标配电网分区；对目标配电网分区内的节点参数进行更新，获取电压越限分析结果。本发明通过优化后的模块度函数，建立起无功-有功灵敏度分区的指标，并通过灰狼优化算法定位电压波动最明显的区域，通过对该区域进行电压越限分析，能够及时且精准的评价当前配电网中的电压越限情况，从而更好的指导后续配电网的调压，保证电力系统安全运行。
本申请实施例还提供了一种电压越限分析装置300，如图4所示，包括：
节点信息获取模块301，用于获取配电网中的节点信息，所述节点信息包括节点之间的有功功率和无功功率；
分区结果获取模块302，用于根据所述节点信息，通过改进后的分区模块度函数对所述配电网进行集群划分，获取配电网分区结果，其中，所述改进后的分区模块度函数包括无功电压灵敏度和有功电压灵敏度；
目标分区获取模块303，用于根据所述配电网分区结果，通过灰狼算法，获取目标配电网分区；
分析结果输出模块304，用于对所述目标配电网分区内的节点参数进行更新，获取电压越限分析结果。
在一个示例性的例子中，分区结果获取模块302，还包括：
潮流获取单元，用于获取所述配电网中的负载潮流；
灵敏度因子计算单元，用于根据所述负载潮流，获取无功电压灵敏度因子和有功电压灵敏度因子；
权重计算单元，用于根据所述无功电压灵敏度因子和所述有功电压灵敏度因子，获取所述配电网的有功分区权重和无功分区权重；
指标计算单元，用于根据所述有功分区权重和所述无功分区权重，获取有功分区耦合度指标和无功分区耦合度指标；
集群划分单元，用于根据所述有功分区耦合度指标和所述无功分区耦合度指标，对所述配电网进行集群划分。
需说明的是，一种电压越限分析装置与一种电压越限分析方法均出自同一发明构思，关于一种电压越限分析装置的相关解释可以参考一种电压越限分析方法中的实施例，在此不再赘述。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电压越限分析方法。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图6所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种电压越限分析方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本申请实施例还提供了一种计算机可读存储介质，其上储存有计算机程序，该计算机程序被处理器执行时实现上述任意一个实施例所述的一种电压越限分析方法。
本发明可采用在一个或多个其中包含有程序代码的存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。计算机可读储存介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其它数据。计算机的存储介质的例子包括但不限于：相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其它类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其它内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其它光学存储、磁盒式磁带，磁带磁磁盘存储或其它磁性存储设备或任何其它非传输介质，可用于存储可以被计算设备访问的信息。
应当理解的是，本申请实施例并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请实施例的范围仅由所附的权利要求来限制。
以上所述实施例仅表达了本申请实施例的几种实施方式，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，在不脱离本申请实施例构思的前提下，还可以做出若干变形和改进，这些都属于本申请实施例的保护范围。
Claims (10)
1.一种电压越限分析方法，其特征在于，包括如下步骤：
获取配电网中的节点信息，所述节点信息包括节点之间的有功功率和无功功率；
根据所述节点信息，通过改进后的分区模块度函数对所述配电网进行集群划分，获取配电网分区结果，其中，所述改进后的分区模块度函数包括无功电压灵敏度和有功电压灵敏度；
根据所述配电网分区结果，通过灰狼算法，获取目标配电网分区；
对所述目标配电网分区内的节点参数进行更新，获取电压越限分析结果。
2.根据权利要求1所述的一种电压越限分析方法，其特征在于，通过改进后的分区模块度函数对所述配电网进行集群划分，包括如下步骤：
获取所述配电网中的负载潮流；
根据所述负载潮流，获取无功电压灵敏度因子和有功电压灵敏度因子；
根据所述无功电压灵敏度因子和所述有功电压灵敏度因子，获取所述配电网的有功分区权重和无功分区权重；
根据所述有功分区权重和所述无功分区权重，获取有功分区耦合度指标和无功分区耦合度指标；
根据所述有功分区耦合度指标和所述无功分区耦合度指标，对所述配电网进行集群划分。
3.根据权利要求1所述的一种电压越限分析方法，其特征在于，所述改进后的分区模块度函数的表达式为：
其中，所述γ为所述功分区耦合度指标，所述β为所述无功分区耦合度指标，k指示配电网中的节点。
4.根据权利要求2所述的一种电压越限分析方法，其特征在于，获取无功电压灵敏度因子和有功电压灵敏度因子，包括如下步骤：
通过雅可比矩阵，获取所述配电网中的潮流计算方程，所述潮流计算方程表达式如下为：
其中，ΔP和ΔQ分别为所述配电网节点注入有功功率和无功功率的变化量；Δδ和ΔU分别为所述配电网节点电压相角和幅值的变化量；由APδ，BPU，CQδ，DQU组成的雅可比矩阵指示所述配电网节点注入的功率波动(ΔP，ΔQ)与所述配电网节点电压变化之间的关系；
对所述潮流计算方程进行矩阵变换，计算所述无功电压灵敏度因子和所述有功电压灵敏度因子，所述变换后的矩阵表达式为：
其中，所述有功电压灵敏度因子SPU和所述无功电压灵敏度因子SQU分别表示所述配电网节点注入单位数量的有功功率和无功功率时该节点电压幅值的变化；SPδ和SQδ分别为所述配电网节点注入单位数量的有功功率和无功功率时该节点电压相角的变化。
5.根据权利要求2所述的一种电压越限分析方法，其特征在于，所述通过灰狼算法，获取目标配电网分区，包括如下步骤：
对灰狼种群进行初始化，其中，所述灰狼种群指示配电网节点集合；
根据所述有功分区耦合度指标和无功分区耦合度指标，通过灰狼算法，计算灰狼个体的适应度，获取适应度最高的前三个灰狼个体；
根据所述适应度最高的前三个灰狼个体，更新全部灰狼个体位置，并进行迭代计算；
当达到预设最大迭代计算次数时，输出当前全部灰狼个体位置，并根据所述灰狼个体位置，获取狼群位置；
根据所述狼群位置，确定所述目标配电网分区。
6.根据权利要求1所述的一种电压越限分析方法，其特征在于，对所述目标配电网分区内的节点参数进行更新，获取电压越限分析结果，包括如下步骤：
获取所述目标配电网分区的网架参数、光伏功率和负荷数据；
通过更新所述光伏攻略和所述负荷数据，获取目标配电网分区内节点的电压分布图。
7.一种电压越限分析装置，其特征在于，包括：
节点信息获取模块，用于获取配电网中的节点信息，所述节点信息包括节点之间的有功功率和无功功率；
分区结果获取模块，用于根据所述节点信息，通过改进后的分区模块度函数对所述配电网进行集群划分，获取配电网分区结果，其中，所述改进后的分区模块度函数包括无功电压灵敏度和有功电压灵敏度；
目标分区获取模块，用于根据所述配电网分区结果，通过灰狼算法，获取目标配电网分区；
分析结果输出模块，用于对所述目标配电网分区内的节点参数进行更新，获取电压越限分析结果。
8.根据权利要求7所述的一种电压越限分析装置，其特征在于，所述分区结果获取模块，还包括：
潮流获取单元，用于获取所述配电网中的负载潮流；
灵敏度因子计算单元，用于根据所述负载潮流，获取无功电压灵敏度因子和有功电压灵敏度因子；
权重计算单元，用于根据所述无功电压灵敏度因子和所述有功电压灵敏度因子，获取所述配电网的有功分区权重和无功分区权重；
指标计算单元，用于根据所述有功分区权重和所述无功分区权重，获取有功分区耦合度指标和无功分区耦合度指标；
集群划分单元，用于根据所述有功分区耦合度指标和所述无功分区耦合度指标，对所述配电网进行集群划分。
9.一种计算机设备，其特征在于，包括：
至少一个存储器以及至少一个处理器；
所述存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1至6任一项所述的一种电压越限分析方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的一种电压越限分析方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311412985.4A CN118040643A (zh) | 2023-10-27 | 2023-10-27 | 一种电压越限分析方法、装置及设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311412985.4A CN118040643A (zh) | 2023-10-27 | 2023-10-27 | 一种电压越限分析方法、装置及设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118040643A true CN118040643A (zh) | 2024-05-14 |
Family
ID=90997542
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311412985.4A Pending CN118040643A (zh) | 2023-10-27 | 2023-10-27 | 一种电压越限分析方法、装置及设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118040643A (zh) |
-
2023
- 2023-10-27 CN CN202311412985.4A patent/CN118040643A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108448620B (zh) | 基于综合性能指标的高渗透率分布式电源集群划分方法 | |
| CN109002892A (zh) | 一种改进de-gwo算法的实现方法 | |
| CN116167581A (zh) | 电池需求量预估方法、装置、调度方法和计算机设备 | |
| Liu et al. | Flexible network planning of autonomy microgrid | |
| CN110084865A (zh) | 一种离散点分级加权拟合规则格网的方法 | |
| CN114676583A (zh) | 用电对象的能耗预测方法、装置、电子设备和存储介质 | |
| CN116167289A (zh) | 电网运行场景生成方法、装置、计算机设备和存储介质 | |
| CN110190615A (zh) | 一种微网储能系统控制策略优化方法 | |
| CN117713249A (zh) | 具备灵活组网功能的微电网控制方法、装置和计算机设备 | |
| Hassannejad Marzouni et al. | Measurement devices allocation in distribution system using state estimation: A multi‐objective approach | |
| Erdeljan et al. | Distributed PSO algorithm for data model partitioning in power distribution systems | |
| CN118040643A (zh) | 一种电压越限分析方法、装置及设备及存储介质 | |
| CN116722589A (zh) | 一种分布式能源配电网拓扑结构选取方法及相关装置 | |
| CA3223563A1 (en) | Trained models for discovering target device presence | |
| Ye et al. | Comprehensive mitigation strategy of voltage sag based on sensitive load clustering | |
| Wang et al. | SecPSO-optimized 5G network slice security isolation algorithm | |
| CN116227249B (zh) | 功率气象数据智能迁移的新能源长期电量预测方法与系统 | |
| CN116976060B (zh) | 分布式新能源集群-负荷-网络动态重构的灵活组网方法 | |
| CN115630772B (zh) | 综合能源检测配电方法、系统、设备及存储介质 | |
| Jiao et al. | Location and capacity planning method of distribution network energy storage based on improved grey wolf algorithm | |
| US20240054322A1 (en) | Targeted Energy Usage Device Presence Detection Using Multiple Trained Machine Learning Models | |
| Aliyu et al. | Digital Twinning of a Pressurized Water Reactor Startup Operation and Partial Computational Offloading in In-network Computing-Assisted Multiaccess Edge Computing | |
| CN117748513A (zh) | 一种基于ddpg算法的电网调度方法、装置和计算机设备 | |
| CN117371300A (zh) | 含风电的电力系统可靠性测试方法、装置及电子设备 | |
| CN117236726A (zh) | 灵活性评估方法、装置、设备、存储介质和程序产品 |
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 |