CN106549396B - 一种配电网多目标概率无功优化方法 - Google Patents
一种配电网多目标概率无功优化方法 Download PDFInfo
- Publication number
- CN106549396B CN106549396B CN201611123906.8A CN201611123906A CN106549396B CN 106549396 B CN106549396 B CN 106549396B CN 201611123906 A CN201611123906 A CN 201611123906A CN 106549396 B CN106549396 B CN 106549396B
- Authority
- CN
- China
- Prior art keywords
- node
- voltage
- power
- reactive power
- load
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 60
- 238000009826 distribution Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000010248 power generation Methods 0.000 claims description 10
- 238000002347 injection Methods 0.000 claims description 7
- 239000007924 injection Substances 0.000 claims description 7
- 239000003990 capacitor Substances 0.000 claims description 4
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 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 claims description 2
- 238000012797 qualification Methods 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
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
-
- 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
- H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
- H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected 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
- 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]
-
- 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)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种配电网多目标概率无功优化方法,该方法包括:根据预先确定的配电网的随机性因素构建随机模型;计算概率潮流,得到节点电压的概率密度函数;根据节点电压的概率密度函数,计算配电网络电压熵;构建并求解多目标概率无功优化模型;本发明提供的技术方案使节点电压的概率分布较单目标无功优化更加集中化,提高了***的电压合格率。
Description
技术领域
本发明涉及配电网无功优化领域的概率方法应用,具体讲涉及一种配电网多目标概率无功优化方法。
背景技术
智能配电***作为智能电网的重要分支,含有大量分布式电源与波动性负荷,配电网络呈现负荷需求的随机性,及风力、光伏等DG发出功率的随机性,均给配电网络潮流控制、电压波动、电能质量、无功优化等多个方面带来了巨大挑战。
随着智能配电***的快速发展,负荷的不确定性与分布式电源发出功率的随机性给配电网无功优化带来了新的挑战。传统无功优化研究中采用的数学模型和求解方法大多属于确定性分析的范畴,即假定负荷水平等保持不变,优化某些运行指标的无功调控方案,然而电力***的运行面临诸多随机扰动,无功优化获得的控制变量对于电网中的不确定性因素异常敏感,会影响其实施效果,甚至导致不可行运行方式或***安全稳定状况恶化。
涉及随机性的无功优化研究中,一般用随机无功优化机会约束规划模型,通过概率潮流计算有功损耗和状态变量的概率分布,将确定性的电压约束处理为概率性电压约束,所得的优化结果是对目标函数作了一定程度的牺牲的基础上来提高其在不确定性环境下的可行性的,但该方法无法改变状态变量概率分布的标准差,可能会使状态变量的越限概率增大,从而会更大程度的牺牲目标函数。
为克服现有技术的不足,需要提供一种多目标概率的无功优化方法,实现节点电压的集中优化。
发明内容
为满足现有技术发展的需要,本发明提供一种配电网多目标概率的功优化方法。
本发明提供的配电网多目标概率无功优化方法,其改进之处在于,所述方法包括:
(1)根据预先确定的配电网随机性因素构建随机模型;
(2)根据概率潮流确定节点电压的概率密度函数;
(3)计算配电网络电压熵;
(4)构建并求解多目标概率无功优化模型。
进一步的,步骤(1)中所述随机模型的建立包括:
(1-1)建立下式(1)和(2)所示的负荷随机模型:
其中,PL,i:节点i处负荷的有功功率;μP,i:节点i处负荷的均值;σP,i:节点i处标准差;QL,i:节点i处负荷的无功功率;μQ,i:节点i处负荷的均值;σQ,i:节点i处负荷的标准差;
(1-2)建立下式(3)所示的风力发电随机模型的概率密度函数f(v):
其中,v为风速;k:形状参数;c:尺度参数。
进一步的,所述风力发电随机模型中风电机组的输出功率如下式(4)所示:
其中,PW:风电机组在t时刻的出力;v:t时刻的风速,vci、vr、vco:分别表示风电机组的切入风速、额定风速和切除风速;PM:风电机组的额定功率。
进一步的,步骤(2)中概率潮流方程如下式所示:
g(X,Z)=0 (5)
其中,g():表示节点注入功率净向量;Z:输出向量;X:输入向量,包括随机变量和确定量。
进一步的,概率潮流的计算包括:
(2-1)随机变量集合XK的取值点xk,r如下式所示:
(2-2)所述随机变量集合XK的取值点xk,r的权重ωk,r如下式(7)所示:
其中,m:随机变量个数;ωk,1、ωk,2和ωk,3:为取值点xk,1、xk,2和xk,3的权重;
(2-3)按下式(8)计算待求变量Z的j阶原点矩:
(2-4)概率密度函数fz如下式(9)所示:
进一步的,步骤(3)中所述电压熵如下式(10)所示:
其中,fv为***各节点电压熵的和;Hi:节点i的电压熵值;fi(v)为节点i电压的概率密度函数;N为***节点个数。
进一步的,步骤(4)中所述无功优化模型如下式(11)所示:
其中,Ploss为***有功网损;Qg为发电机无功功率;Tk为有载调压变压器分接头;Qc为可投切电容器;Hi为节点i的***电压波动熵;ω1、ω2分别为网损和电压波动的权重;
进一步的,所述无功优化模型的约束条件包括:
(4-1)节点i注入的有功功率Pi和无功功率Qi分别如下式(12)和(13)所示:
其中,PGi、QGi:分别为节点i所带发电机发出的有功和无功功率;PL,i、QL,i:分别为节点i所带负荷需要的有功和无功功率;Gij、Bij:分别为节点i与节点j之间的电导和电纳;Ui、Uj:分别为节点i、j的电压幅值;δij:为节点i电压与节点j电压的相位差;
(4-2)对有载调压变压器分接头Tk、节点i的无功补偿量QCi及节点电压Ui的范围限定如下式(14)、(15)和(16)所示:
Tkmin≤Tk≤Tkmax k∈NT (14)
Qcimin≤QCi≤QCimax i∈NC (15)
Uimin≤Ui≤Uimax (16)
其中,Uimin、Uimax:分别为节点电压上下限值;Tkmax、Tkmin:分别为有载调压变压器分接头的最大值与最小值;QCimax、QCimin:分别为节点i上的无功补偿量的上下限值;NT:为有载调压变压器的集合;NC:可进行无功补偿的母线集合。
进一步的,用内点法求解无功优化模型,得到各节点的电压分布,进而优化各节点的电压分布。
与最接近的现有技术比,本发明具有以下优异效果:
1、本发明提供的技术方案通过负荷与风力发电的随机模型,应用基于三点估计法的概率潮流算法解决潮流计算时的不确定性问题,将反映电压波动的信息熵加入到无功优化的目标函数中,提高了***电压稳定性。
2、本发明提供的技术方案将电压熵最小加入无功优化目标函数中,使节点电压的概率分布较单目标无功优化更加集中化,即使***电压以大概率分布在可控范围内的某一值附近,提高了***的电压合格率,且所提的多目标概率无功优化模型适用于具有随机特性的实际配电网无功电压控制中。
附图说明
图1为本发明提供的配电网多目标概率无功优化算法流程图;
图2为本发明实施例中IEEE33节点算例***接线图;
图3为本发明实施例中第九节点电压概率分布图。
具体实施方式
以下将结合附图说明,以具体实施例的方式详细介绍本发明提供的技术方案。
本发明提供的配电网多目标概率无功优化方法,综合考虑了负荷与风力发电的随机性,建立负荷与风机的点估计法概率潮流模型,在无功优化目标函数中引入用于度量电压波动的电压熵,将概率潮流计算结果(即节点电压的概率分布)与无功优化中的目标函数相结合,建立基于电压波动与有功损耗最小的多目标无功优化模型,应用内点法求解变压器分接头位置、无功补偿装置投切容量,实现最大强度降低对负荷、DG随机性敏感程度的无功调节手段。
基于信息熵的配电网多目标概率无功优化方法,以概率潮流求得各个节点电压的概率密度函数为基础,提出应用信息熵度量电压波动的方法,并以电压熵和网损最小为目标函数确定多目标无功优化模型对配电网进行无功优化。
本发明提供的技术如附图1的方法流程图所示,该方法包括如下步骤:
(一)确定配电网中需要考虑的随机性因素,如负荷随机性、风光发电出力随机性,并构建其随机模型;
1)建立负荷随机模型
节点负荷功率的随机分量是由负荷预测误差或负荷随机波动引起的,一般可用正态分布随机变量来描述负荷量,即
其中,PL,i、μP,i和σP,i分别为节点i处负荷的有功功率、及其均值和标准差;
QL,i、μQ,i和σQ,i分别为节点i处负荷的无功功率、及其均值和标准差。
智能配电***中大量的量测数据为负荷的随机性模型提供数据支持。根据某一时间段负荷量测数据的统计特征,即可得到概率潮流中输入负荷的随机模型。
2)风力发电随机模型
风力发电的输出功率具有随机性,该风力发电随机模型应用目前使用最多的Weibull分布模型,其概率密度函数f(v)为
其中,v为风速;k和c为Weibull分布的2个参数;k称为形状参数,c称为尺度参数。
风电机组的输出功率与风速的关系如下:
其中,PW为t时刻风电机组出力;v为t时刻的风速,vci、vr、vco分别表示风电机组的切入风速、额定风速和切除风速;PM为风电机组的额定功率。
(二):对配电网络进行概率潮流计算,获得各节点电压的概率密度函数;基于三点估计法的概率潮流计算,点估计法就是在每个随机变量上取若干点进行确定性潮流计算来估计输出量的概率密度。
概率潮流方程可用式(5)描述:
g(X,Z)=0 (5)
式中:g()表示节点注入功率净向量;Z为待求向量(输出向量),即节点电压的模值和相角;X为已知向量(输入向量),包括随机变量和确定量,X=(X1,X2,…,Xm;Xm+1,Xm+2,…,XM),X1,X2,…,Xm为随机变量,Xm+1,Xm+2,…,XM为确定量。
三点估计法是在每个随机变量的均值及其两侧取值,进行确定性潮流计算来估计输出量的概率密度。每个随机变量集合Xk在均值及其两侧的取值方法如式(6):
其中如式(7)所示的λk,3和λk,4分别为Xk的偏度系数和峰度系数。
对于m个随机注入功率,Xk用式(5)确定的三个点分别代替,其他随机注入功率量在均值处取值,即进行三次确定性潮流计算,可得到待求解的某变量Z的三个估计值Z(k,1)、Z(k,2)和Z(k,3)。每个随机变量在m个随机变量中的权重为1/m。
对于某一随机变量集合Xk,所取点xk,r的权重为ωk,r,ωk,r的计算方法如式(8):
求得每个估计点权重ωk,r后即可利用式(9)求取Z的j阶原点矩:
式中,Z(k,r)为第k个待求变量的第r个估计值;h()表示在求解式(4)所表示的概率潮流收敛后,待求向量(输出向量)Z和已知向量(输入向量)X之间的函数关系,即Z=h(X)。Z的标准差为可用潮流输出量的统计矩来估计其概率密度函数fZ。式(11)是由Gram-Charlier展开级数求变量概率函数的结果。
对于有m个注入功率随机变量的电力***,三点估计法需进行2m+1次确定性潮流计算。与现有的线性化方法相比,采用三点估计法计算概率潮流,不需要对潮流方程作任何特殊处理,可直接调用已有的确定性算法和程序,提高计算效率;和蒙特卡罗仿真相比,三点法的计算次数较少,提高计算速度。本发明中,随机变量为各节点负荷的有功功率和无功功率、风力发电机的注入功率,其余变量为常数,待求变量是各节点的电压概率密度函数。
(三):应用信息熵度量电压的波动性,得到配电网络电压熵;
1)信息熵原理
熵用来描述体系的混乱的程度,它在控制论、概率论、数论、天体物理、生命科学等领域都有重要应用,在不同的学科中也有引申出的更为具体的定义,是各领域十分重要的参量。
对离散型变量,假设某***X可能出现几种不同的状态,用x1,x2,x3,…,xn表示,p(xi)代表状态xi(i=1,2,3,…,n)出现的概率,则该***的信息熵H(x)定义为
其中,0≤p(xi)≤1,且∑p(xi)=1,当p(xi)=0时,规定0log0=0。
对连续型随机变量,容易得到类似的计量公式。
对于一维连续型随机变量x,若它的概率密度分布函数为f(x),则x在区间(a,b)的信息熵H为
信息熵是信息无序度的度量,信息熵越大,信息的无序度越高,其信息的贡献越小;反之,信息熵越小,信息的无序度越小,信息的贡献越大。
2)度量电压波动的信息熵模型
熵在电力***中的应用主要有潮流熵和小波熵,潮流熵用于分析电网的临界状态,小波熵用于检测***故障。本文提出电压熵的概念,用来度量节点电压的波动性。***的电压熵如下式(13)所示:
其中,fv为某时刻***各节点电压熵的和,Hi为第i个节点的电压熵值,fi(v)为第i个节点电压的概率密度函数,N为***节点个数。
电压的熵越小,电压越有序、电压以大概率趋于某一值,说明无功调节的结果越贴近***实际运行状态,可有效降低电压越限风险。
(四):以电压熵和网损最小为目标函数,构建多目标概率无功优化模型并进行求解。
(1)所建立的多目标无功优化模型以***总有功网损与总电压熵的和最小为目标函数,如下式(14)所示:
约束条件包括:
Tkmin≤Tk≤Tkmax k∈NT (17)
QCimin≤QCi≤QCimax i∈NC (18)
Uimin≤Ui≤Uimax (19)
其中,Ploss为***有功网损;Qs为发电机无功功率;Tk为有载调压变压器分接头;Qc为可投切电容器;Hi为i节点***电压波动熵,ω1、ω2分别为网损和电压波动的权重,Pi、Qi分别为节点i注入的有功和无功功率;PGi、QGi分别为节点i所带发电机发出的有功和无功功率;PL,i、QL,i分别为节点i所带负荷需要的有功和无功功率;Gij、Bij分别为节点i与节点j之间的电导和电纳;Ui、Uj分别为节点i、j的电压幅值;Uimin、Uimax分别为节点电压上下限值;σij为节点i电压与节点j电压的相位差;NT为有载调压变压器的集合;NC为可以进行无功补偿的母线集合;QCi为节点i上的无功补偿量。
无功优化过程中,电压熵越小,说明电压的有序程度越高,即随机性越小,若按照此时的无功优化结果对***进行无功补偿,可提高***的电压稳定性,使***电压以大概率分布在可控范围内的某一值附近。
2)考虑随机性的无功优化流程
无功优化指通过调节配电网中的变压器分接头与无功补偿装置,降低网络损耗、提高电压合格率、改善电网稳定性的技术手段。基于三点估计的概率潮流求解无功优化最优估计值的算法,可解决配电***中存在的随机性问题,同时将各节点的电压熵引入到无功优化的目标函数中,应用内点法对无功优化模型进行求解,改善各节点的电压分布,减小无功调节的随机性误差,提高无功调节的可靠性。考虑随机性的多目标概率无功优化算法流程图如图1所示。
采用Matlab R2010a对改进的IEEE 33节点示例***进行无功优化计算,***线路参数保持不变,在6节点处接入风机,在13、23和29节点处接入无功补偿电容器,***的接线图如图2所示。根据某地一周内的负荷数据、风力发电数据,应用统计的方法求出IEEE33节点配电***负荷的均值和标准差、Weibull分布的k和c参数,再计算时可使用k=4、c=10.89。潮流计算中收敛精度取为ε=10-4,基准电压为10kV,基准容量为1MVA。负荷的有功、无功分布如表1、表2所示。
表1负荷的有功分布
节点号 | 均值 | 标准差 | 节点号 | 均值 | 标准差 |
1 | 95.7 | 0.618 | 17 | 86.6 | 0.693 |
2 | 86.4 | 0.533 | 18 | 86.4 | 0.602 |
3 | 115.1 | 0.743 | 19 | 86.3 | 0.527 |
4 | 57.7 | 0.400 | 20 | 86.2 | 0.702 |
5 | 57.9 | 0.175 | 21 | 86.4 | 0.572 |
6 | 191.9 | 1.353 | 22 | 86.3 | 0.558 |
7 | 192.2 | 1.424 | 23 | 402.0 | 3.164 |
8 | 57.8 | 0.348 | 24 | 403.0 | 3.087 |
9 | 57.6 | 0.438 | 25 | 57.5 | 0.484 |
10 | 43.2 | 0.277 | 26 | 57.6 | 0.433 |
11 | 57.7 | 0.332 | 27 | 57.6 | 0.444 |
12 | 57.6 | 0.381 | 28 | 115.6 | 0.842 |
13 | 115.2 | 0.894 | 29 | 192.4 | 1.248 |
14 | 57.4 | 0.319 | 30 | 114.1 | 1.209 |
15 | 57.8 | 0.479 | 31 | 201.7 | 1.644 |
16 | 57.8 | 0.406 | 32 | 57.4 | 0.474 |
表2负荷的无功分布
节点号 | 均值 | 标准差 | 节点号 | 均值 | 标准差 |
1 | 65.2 | 0.335 | 17 | 43.6 | 0.215 |
2 | 43.6 | 0.176 | 18 | 43.4 | 0.173 |
3 | 86.9 | 0.383 | 19 | 43.6 | 0.222 |
4 | 32.7 | 0.147 | 20 | 43.6 | 0.173 |
5 | 21.8 | 0.100 | 21 | 43.5 | 0.206 |
6 | 108.9 | 0.484 | 22 | 54.6 | 0.279 |
7 | 108.9 | 0.552 | 23 | 218.4 | 0.976 |
8 | 21.8 | 0.092 | 24 | 218.3 | 0.911 |
9 | 21.7 | 0.106 | 25 | 27.2 | 0.142 |
10 | 32.6 | 0.169 | 26 | 27.3 | 0.137 |
11 | 38.2 | 0.182 | 27 | 21.8 | 0.096 |
12 | 38.1 | 0.180 | 28 | 76.3 | 0.335 |
13 | 87.0 | 0.394 | 29 | 653.8 | 3.518 |
14 | 10.9 | 0.050 | 30 | 76.1 | 0.407 |
15 | 21.8 | 0.098 | 31 | 108.9 | 0.589 |
16 | 21.7 | 0.101 | 32 | 39.6 | 0.185 |
表3有功网损比较
单目标无功优化 | 多目标无功优化 | |
网损/p.u. | 0.1179 | 0.1192 |
把考虑网损最小的单目标无功优化结果与综合考虑网损与电压熵最小的多目标无功优化结果做比较,结果如表3、图3所示。由表3可知,单目标无功优化结果的网损小于多目标无功优化结果的网损,但相差不多。这是由于,多目标无功优化的目标函数除了网损最小外还有其他目标,无法使网损达到极限小。由图3可知,多目标无功优化结果中,节点电压的概率分布较单目标无功优化结果更加集中(概率分布的方差小),即多目标无功优化的计算结果更加降低***节点电压的随机波动性,提高***的稳定性、可靠性。
以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换,这些未脱离本发明精神和范围的任何修改或者等同替换,均在申请待批的本发明的权利要求保护范围之内。
Claims (4)
1.一种配电网多目标概率无功优化方法,其特征在于,所述方法包括:
(1)根据预先确定的配电网随机性因素构建随机模型;
(2)根据概率潮流确定节点电压的概率密度函数;
(3)计算配电网络电压熵;
(4)构建并求解多目标概率无功优化模型;
步骤(2)中概率潮流方程如下式所示:
g(X,Z)=0 (5)
其中,g():表示节点注入功率净向量;Z:输出向量;X:输入向量,包括随机变量和确定量;
概率潮流的计算包括:
(2-1)随机变量集合XK的取值点xk,r如下式所示:
(2-2)所述随机变量集合XK的取值点xk,r的权重ωk,r如下式(7)所示:
其中,m:随机变量个数;ωk,1、ωk,2和ωk,3:为取值点xk,1、xk,2和xk,3的权重;
(2-3)按下式(8)计算待求变量Z的j阶原点矩:
(2-4)概率密度函数fz如下式(9)所示:
步骤(3)中所述电压熵如下式(10)所示:
其中,fv为***各节点电压熵的和;Hi:节点i的电压熵值;fi(v)为节点i电压的概率密度函数;N为***节点个数;
步骤(4)中所述无功优化模型如下式(11)所示:
其中,Ploss为***有功网损;Qg为发电机无功功率;Tk为有载调压变压器分接头;Qc为可投切电容器;Hi为节点i的电压熵值;ω1、ω2分别为网损和电压波动的权重;
所述无功优化模型的约束条件包括:
(4-1)节点i注入的有功功率Pi和无功功率Qi分别如下式(12)和(13)所示:
其中,PGi、QGi:分别为节点i所带发电机发出的有功和无功功率;PL,i、QL,i:分别为节点i处负荷的有功和无功功率;Gij、Bij:分别为节点i与节点j之间的电导和电纳;Ui、Uj:分别为节点i、j的电压幅值;δij:为节点i电压与节点j电压的相位差;
(4-2)对有载调压变压器分接头Tk、节点i的无功补偿量QCi及节点电压Ui的范围限定如下式(14)、(15)和(16)所示:
Tk min≤Tk≤Tk maxk∈NT (14)
QCi min≤QCi≤QCi max i∈NC (15)
Ui min≤Ui≤Ui max (16)
其中,Uimin、Uimax:分别为节点电压上下限值;Tk max、Tk min:分别为有载调压变压器分接头的最大值与最小值;QCi max、QCi min:分别为节点i上的无功补偿量的上下限值;NT:为有载调压变压器的集合;NC:可进行无功补偿的母线集合。
4.如权利要求1所述的方法,其特征在于,用内点法求解无功优化模型,得到各节点的电压分布,进而优化各节点的电压分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611123906.8A CN106549396B (zh) | 2016-12-08 | 2016-12-08 | 一种配电网多目标概率无功优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611123906.8A CN106549396B (zh) | 2016-12-08 | 2016-12-08 | 一种配电网多目标概率无功优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106549396A CN106549396A (zh) | 2017-03-29 |
CN106549396B true CN106549396B (zh) | 2023-05-23 |
Family
ID=58396751
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611123906.8A Active CN106549396B (zh) | 2016-12-08 | 2016-12-08 | 一种配电网多目标概率无功优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106549396B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106953338B (zh) * | 2017-04-12 | 2021-04-30 | 中国电力科学研究院 | 一种配电网无功优化方法及装置 |
CN107276077A (zh) * | 2017-06-26 | 2017-10-20 | 国网山东省电力公司菏泽供电公司 | 基于三点式平均值评估法的含风电电网风险评估方法 |
CN107658878B (zh) * | 2017-10-25 | 2020-02-21 | 华中科技大学 | 一种含大规模储能装置的电力***概率最优潮流方法 |
CN108155676B (zh) * | 2017-12-22 | 2020-08-04 | 北京金风科创风电设备有限公司 | 新能源发电场谐波的抑制方法、装置、控制器及存储介质 |
CN108871347B (zh) * | 2018-03-09 | 2022-04-05 | 南京航空航天大学 | 一种基于视线概率密度的导航敏感器安装构型确定方法 |
CN110112790B (zh) * | 2019-06-06 | 2023-10-20 | 南方电网科学研究院有限责任公司 | 有源配电网运行效率的评价方法、装置、设备及存储介质 |
CN110707706B (zh) * | 2019-11-22 | 2023-05-05 | 燕山大学 | 一种基于线路潮流分布的输电网规划方法及*** |
CN111224399B (zh) * | 2020-02-25 | 2022-03-11 | 山东大学 | 一种用于分析电网不确定性潮流的方法及*** |
CN111416359B (zh) * | 2020-04-20 | 2023-09-26 | 国网上海市电力公司 | 一种考虑加权潮流熵的配电网络重构方法 |
CN112069639B (zh) * | 2020-09-09 | 2023-09-12 | 国网山东省电力公司威海供电公司 | 一种电力***网架规划方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103401248A (zh) * | 2013-07-17 | 2013-11-20 | 华南理工大学 | 一种含风电场配电网随机无功优化方法 |
CN105186499A (zh) * | 2015-09-09 | 2015-12-23 | 中国电力科学研究院 | 一种配电网多目标概率最优潮流模糊建模与求解方法 |
CN105207573A (zh) * | 2015-09-04 | 2015-12-30 | 浙江大学 | 基于离散概率模型的风光互补供电***定量优化配置方法 |
-
2016
- 2016-12-08 CN CN201611123906.8A patent/CN106549396B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103401248A (zh) * | 2013-07-17 | 2013-11-20 | 华南理工大学 | 一种含风电场配电网随机无功优化方法 |
CN105207573A (zh) * | 2015-09-04 | 2015-12-30 | 浙江大学 | 基于离散概率模型的风光互补供电***定量优化配置方法 |
CN105186499A (zh) * | 2015-09-09 | 2015-12-23 | 中国电力科学研究院 | 一种配电网多目标概率最优潮流模糊建模与求解方法 |
Non-Patent Citations (2)
Title |
---|
"基于2n+1点估计法的含分布式电源配电网的电压质量概率评估";陈伟等;《电网与清洁能源》;20160725;第32卷(第7期);第23-28页 * |
"考虑大规模风电随机性的高抗优化配置研究";汪莹;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20150715;第26-32页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106549396A (zh) | 2017-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106549396B (zh) | 一种配电网多目标概率无功优化方法 | |
Shams et al. | Maximum power point tracking using modified butterfly optimization algorithm for partial shading, uniform shading, and fast varying load conditions | |
CN107301472B (zh) | 基于场景分析法和电压调节策略的分布式光伏规划方法 | |
CN109861202B (zh) | 一种柔性互联配电网动态优化调度方法及*** | |
Reddy et al. | Optimal capacitor placement for loss reduction in distribution systems using fuzzy and harmony search algorithm | |
CN114362196B (zh) | 一种多时间尺度主动配电网电压控制方法 | |
Lee et al. | Novel supervisory control method for islanded droop-based AC/DC microgrids | |
CN109066692A (zh) | 一种分布式能源接入的电力网络潮流优化方法 | |
CN111756050B (zh) | 一种风电场群分布式电压协调控制方法及*** | |
CN106786606B (zh) | 一种基于多种随机变量的电力***概率潮流的计算方法 | |
CN110380444B (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
CN110429637B (zh) | 一种概率静态电压稳定域的可视化方法 | |
Chávez-Ramírez et al. | A hybrid power plant (Solar–Wind–Hydrogen) model based in artificial intelligence for a remote-housing application in Mexico | |
CN111884195A (zh) | 考虑概率潮流的直流电网下垂控制裕度优化方法及*** | |
Yoon et al. | Optimal placement algorithm of multiple dgs based on model-free lyapunov exponent estimation | |
CN116388302A (zh) | 一种协调网侧资源的配电网有功-无功联合优化方法 | |
Ali et al. | Optimal planning of uncertain renewable energy sources in unbalanced distribution systems by a multi‐objective hybrid PSO–SCO algorithm | |
CN109586268B (zh) | 一种基于支路电阻偏差的牛顿-拉夫逊法直流电网潮流计算方法 | |
CN106208118B (zh) | 一种储能***多目标优化规划方法 | |
CN113690930B (zh) | 基于nsga-iii算法的分布式光伏电源中长期选址定容方法 | |
Kumari et al. | Optimal selection of conductor in RDS considering weather condition | |
Dongmei et al. | Reactive power optimization by genetic algorithm integrated with reduced gradient method | |
Cho et al. | A variable step size incremental conductance MPPT of a photovoltaic system using DC-DC converter with direct control scheme | |
CN114548828A (zh) | 一种分布式光伏电源的选址和定容方法、装置及设备 | |
Zakka et al. | Optimal capacitor placement using fuzzy and artificial bee colony algorithm for maximum loss reduction |
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 |