CN110675276A - 一种用于直流输电***反演下垂控制的方法及*** - Google Patents
一种用于直流输电***反演下垂控制的方法及*** Download PDFInfo
- Publication number
- CN110675276A CN110675276A CN201910843022.7A CN201910843022A CN110675276A CN 110675276 A CN110675276 A CN 110675276A CN 201910843022 A CN201910843022 A CN 201910843022A CN 110675276 A CN110675276 A CN 110675276A
- Authority
- CN
- China
- Prior art keywords
- fault
- operation data
- data
- converter station
- occurrence probability
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic 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
- H02J1/00—Circuit arrangements for dc mains or dc distribution networks
-
- 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
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/60—Arrangements for transfer of electric power between AC networks or generators via a high voltage DC link [HVCD]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Analysis (AREA)
- Artificial Intelligence (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种用于直流输电***反演下垂控制的方法及***,方法包括:采集典型柔性直流输电网的运行数据,对运行数据进行预处理,利用经过预处理后的运行数据建立随机功率扰动模型,模拟各换流站的功率扰动,生成功率扰动;通过筛选运行数据,获取运行数据中的故障数据,对故障数据进行分析以获取故障类型,统计故障类型所对应的故障发生概率;基于故障发生概率建立故障发生概率分布模型,获取不同类型概率的分布;基于功率扰动,确定是否生成故障及故障类型,将功率扰动和生成的故障叠加至柔性直流输电网的暂态仿真模型,计算各换流站参考工作点的偏离,获取换流站的可行工作点;基于可行工作点,通过贝叶斯的下垂控制反演构建下垂控制规律。
Description
技术领域
本发明涉及直流输电***控制技术领域,更具体地,涉及一种用于直流输电***反演下垂控制的方法及***。
背景技术
直流电网控制***需确保直流***与外界保持瞬时交换功率平衡,并稳定直流电网电压。目前,柔性直流输电网常用控制方法可分为主从控制、裕度控制和下垂控制。其中,主从控制不适用于远距离输电;裕度控制是主从控制的扩展,当控制直流电压的主换流站交接电压控制权时,***会发生振荡;下垂控制能够克服上述两种控制方法的缺陷,是目前的研究热点。
下垂控制策略最大的优点在于,各换流站只需本地的测量信号便可实现多个换流站间的相互协调以控制直流电网电压。但由于缺乏站间通讯和集中控制,电网稳态功率调控能力很弱,因此,通常会在下垂控制上叠加***控制层,优化潮流,为各换流站节点分配功率,并作为下垂控制的参考工作点。
然而,随着接入柔性直流输电网可再生能源电站容量增大,数量增多,会给直流电网带来长时间、大幅度的功率波动,由于已有的下垂控制都基于线性关系建模,仅能粗略地基于有功功率控制换流站节点电压,而当直流电网中存在长时间大幅度功率波动时,线性控制模型难以保障换流站的鲁棒性。此外,在计算下垂控制参考点时,现有算法往往忽略***随机功率波动带来的影响,控制对象建模不完善,也降低了控制精度。
***控制层控制的实时性要求高,常规的潮流计算方法难以兼顾控制精度和实时性要求,但精确的潮流优化方法往往耗时长,从而导致***与换流站控制层之间时延较长,控制实时性较差。多端直流输电***下垂控制参考工作点的动态优化是一个复杂的非线性规划问题,要求在满足特定的电力***运行和安全约束条件下,计算各换流站控制的参考工作点。
新型群智能算法的参数较少,进化过程相对简单,运算速度快,全局搜索能力较强,适用于解决高维和多目标优化问题。已提出的基于人工蜂群算法的电力***最优潮流,该方法具有良好的全局收敛特性,但容易陷入局部最优。已提出的采用混合蛙跳算法在含风电场的电力***中进行动态潮流优化,增加了全局寻优能力,但后期收敛速度慢。
因此,需要一种技术,以实现直流输电***反演下垂控制的技术。
发明内容
本发明技术方案提供一种用于直流输电***反演下垂控制的方法及***,以解决如何基于直流输电***进行反演下垂控制的问题。
为了解决上述问题,本发明提供了一种用于直流输电***反演下垂控制的方法,所述方法包括:
采集典型柔性直流输电网的运行数据,对所述运行数据进行预处理,利用经过预处理后的运行数据建立随机功率扰动模型,模拟各换流站的功率扰动,生成功率扰动;
通过筛选所述运行数据,获取所述运行数据中的故障数据,对所述故障数据进行分析以获取故障类型,统计故障类型所对应的故障发生概率;基于所述故障发生概率建立故障发生概率分布模型,获取不同类型概率的分布;
基于所述功率扰动,确定是否生成故障及生成故障时的故障类型,将所述功率扰动和生成的所述故障叠加至柔性直流输电网的暂态仿真模型,计算各换流站参考工作点的偏离,获取换流站的可行工作点;
基于所述换流站的可行工作点,通过贝叶斯的下垂控制反演构建下垂控制规律。
优选地,所述采集典型柔性直流输电网的运行数据,对所述运行数据进行预处理,利用经过预处理后的运行数据建立随机功率扰动模型,模拟各换流站的功率扰动,生成功率扰动,还包括:
采集典型柔性直流输电网的运行数据,对所述运行数据进行预处理,利用经过预处理后的运行数据利用最小二乘法建立随机功率扰动模型,模拟各换流站的功率扰动,生成功率扰动。
优选地,所述通过筛选所述运行数据,获取所述运行数据中的故障数据,对所述故障数据进行分析以获取故障类型,统计故障类型所对应的故障发生概率;基于所述故障发生概率建立故障发生概率分布模型,获取不同类型概率的分布,还包括:
通过筛选所述运行数据,获取所述运行数据中的故障数据,对所述故障数据进行分析以获取故障类型,统计故障类型所对应的故障发生概率;基于所述故障发生概率利用最大似然估计法建立故障发生概率分布模型,获取不同类型概率的分布。
优选地,所述基于所述换流站的可行工作点,通过贝叶斯的下垂控制反演构建下垂控制规律,还包括:
按照主从控制方案,获取稳定的工作状态,根据所述稳定的工作状态,设计电压下垂控制的参考工作点;
基于所述参考工作点,设计各换流站下垂特性的参数。
基于本发明的另一方面,提供一种用于直流输电***反演下垂控制的***,所述***包括:
扰动单元,用于采集典型柔性直流输电网的运行数据,对所述运行数据进行预处理,利用经过预处理后的运行数据建立随机功率扰动模型,模拟各换流站的功率扰动,生成功率扰动;
故障单元,用于通过筛选所述运行数据,获取所述运行数据中的故障数据,对所述故障数据进行分析以获取故障类型,统计故障类型所对应的故障发生概率;基于所述故障发生概率建立故障发生概率分布模型,获取不同类型概率的分布;
获取单元,用于基于所述功率扰动,确定是否生成故障及生成故障时的故障类型,将所述功率扰动和生成的所述故障叠加至柔性直流输电网的暂态仿真模型,计算各换流站参考工作点的偏离,获取换流站的可行工作点;
结果单元,用于基于所述换流站的可行工作点,通过贝叶斯的下垂控制反演构建下垂控制规律。
优选地,所述扰动单元用于采集典型柔性直流输电网的运行数据,对所述运行数据进行预处理,利用经过预处理后的运行数据建立随机功率扰动模型,模拟各换流站的功率扰动,生成功率扰动,还用于:
采集典型柔性直流输电网的运行数据,对所述运行数据进行预处理,利用经过预处理后的运行数据利用最小二乘法建立随机功率扰动模型,模拟各换流站的功率扰动,生成功率扰动。
优选地,所述故障单元用于通过筛选所述运行数据,获取所述运行数据中的故障数据,对所述故障数据进行分析以获取故障类型,统计故障类型所对应的故障发生概率;基于所述故障发生概率建立故障发生概率分布模型,获取不同类型概率的分布,还用于:
通过筛选所述运行数据,获取所述运行数据中的故障数据,对所述故障数据进行分析以获取故障类型,统计故障类型所对应的故障发生概率;基于所述故障发生概率利用最大似然估计法建立故障发生概率分布模型,获取不同类型概率的分布。
优选地,所述结果单元,用于基于所述换流站的可行工作点,通过贝叶斯的下垂控制反演构建下垂控制规律,还用于:
按照主从控制方案,获取稳定的工作状态,根据所述稳定的工作状态,设计电压下垂控制的参考工作点;
基于所述参考工作点,设计各换流站下垂特性的参数。
本发明技术方案提供一种用于直流输电***反演下垂控制的方法及***,其中方法包括:采集典型柔性直流输电网的运行数据,对运行数据进行预处理,利用经过预处理后的运行数据建立随机功率扰动模型,模拟各换流站的功率扰动,生成功率扰动;通过筛选运行数据,获取运行数据中的故障数据,对故障数据进行分析以获取故障类型,统计故障类型所对应的故障发生概率;基于故障发生概率建立故障发生概率分布模型,获取不同类型概率的分布;基于功率扰动,确定是否生成故障及生成故障时的故障类型,将功率扰动和生成的故障叠加至柔性直流输电网的暂态仿真模型,计算各换流站参考工作点的偏离,获取换流站的可行工作点;基于换流站的可行工作点,通过贝叶斯的下垂控制反演构建下垂控制规律。本发明技术方案将建立一种基于分层群智能优化的直流输电***反演下垂控制方法。本发明的控制方法将制定基于反演建模法的柔性直流输电网分层群智能优化下垂控制策略,有效提升直流电网接收、传输和消纳可再生能源的能力,为清洁能源外送奠定基础。
附图说明
通过参考下面的附图,可以更为完整地理解本发明的示例性实施方式:
图1为根据本发明优选实施方式的用于直流输电***反演下垂控制的方法流程图;
图2为根据本发明优选实施方式的常用电压下垂控制律示意图;
图3为根据本发明优选实施方式的反演下垂控制设计思路图示意图;以及
图4为根据本发明优选实施方式的用于直流输电***反演下垂控制的***结构图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式,然而,本发明可以用许多不同的形式来实施,并且不局限于此处描述的实施例,提供这些实施例是为了详尽地且完全地公开本发明,并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中,相同的单元/元件使用相同的附图标记。
除非另有说明,此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外,可以理解的是,以通常使用的词典限定的术语,应当被理解为与其相关领域的语境具有一致的含义,而不应该被理解为理想化的或过于正式的意义。
图1为根据本发明优选实施方式的用于直流输电***反演下垂控制的方法流程图。本申请实施方式提出的一种基于分层群智能优化的直流输电***反演下垂控制方法,其改进之处在于:一种基于分层群智能优化的直流输电***反演下垂控制方法,由基于新型群智能优化算法的换流站下垂控制参考工作点计算方法、基于***功率波动的换流站可行工作点构建方法、基于贝叶斯的下垂控制律反演构建方法组成。基于新型群智能优化算法的换流站下垂控制参考工作点计算方法,本优化问题拥有多个目标,且维度高,新型群智能算法参数较少,进化过程相对简单,运算速度快,全局搜索能力强,适用于此类问题,还能减少***控制层时延,优化与换流站控制层的时延匹配效果。其中BFCEA群智能优化算法在云计算环境下平衡负载和资源调度问题中有效提高了收敛速度和求解质量,考虑到与本优化问题的高相似度,拟借鉴BFCEA群智能优化算法进行本问题的优化求解。基于***功率波动的换流站可行工作点构建方法,拟参照实际***运行数据,建立随机功率扰动模型和故障概率分布模型,模拟***功率波动,构建换流站可行工作点计算方法。如图1所示,一种用于直流输电***反演下垂控制的方法,方法包括:
优选地,在步骤101:采集典型柔性直流输电网的运行数据,对运行数据进行预处理,利用经过预处理后的运行数据建立随机功率扰动模型,模拟各换流站的功率扰动,生成功率扰动。优选地,采集典型柔性直流输电网的运行数据,对运行数据进行预处理,利用经过预处理后的运行数据建立随机功率扰动模型,模拟各换流站的功率扰动,生成功率扰动,还包括:采集典型柔性直流输电网的运行数据,对运行数据进行预处理,利用经过预处理后的运行数据利用最小二乘法建立随机功率扰动模型,模拟各换流站的功率扰动,生成功率扰动。本申请的随机功率扰动建模,随机功率扰动会导致换流站的工作点偏离参考点,本申请拟采集某典型柔性直流输电网运行数据,预处理后利用最小二乘法对各换流站的随机功率扰动进行建模,用以模拟各自的功率扰动情况。
优选地,在步骤102:通过筛选运行数据,获取运行数据中的故障数据,对故障数据进行分析以获取故障类型,统计故障类型所对应的故障发生概率;基于故障发生概率建立故障发生概率分布模型,获取不同类型概率的分布。优选地,通过筛选运行数据,获取运行数据中的故障数据,对故障数据进行分析以获取故障类型,统计故障类型所对应的故障发生概率;基于故障发生概率建立故障发生概率分布模型,获取不同类型概率的分布,还包括:通过筛选运行数据,获取运行数据中的故障数据,对故障数据进行分析以获取故障类型,统计故障类型所对应的故障发生概率;基于故障发生概率利用最大似然估计法建立故障发生概率分布模型,获取不同类型概率的分布。本申请的故障概率分布建模,当某个换流站发生故障时,将产生不平衡功率,也会导致换流站的工作点偏离参考点。过滤采集信息,获取故障数据,利用机器学习分析故障类型,并统计其概率,再利用最大似然估计法对故障进行建模,得到故障概率分布模型,用以表示不同的故障分布情况。
优选地,在步骤103:基于功率扰动,确定是否生成故障及生成故障时的故障类型,将功率扰动和生成的故障叠加至柔性直流输电网的暂态仿真模型,计算各换流站参考工作点的偏离,获取换流站的可行工作点。
优选地,在步骤104:基于换流站的可行工作点,通过贝叶斯的下垂控制反演构建下垂控制规律。优选地,基于换流站的可行工作点,通过贝叶斯的下垂控制反演构建下垂控制规律,还包括:按照主从控制方案,获取稳定的工作状态,根据稳定的工作状态,设计电压下垂控制的参考工作点;基于参考工作点,设计各换流站下垂特性的参数。
模拟***功率波动,通过随机发生器生成随机功率扰动,并随即选择是否生成故障及故障类型,将扰动和故障叠加到柔性直流输电网的暂态仿真模型中,计算各换流站参考工作点的偏离,得出换流站i的可行工作点,但此时有功功率与电压之间的约束关系难以维持,需进一步用贝叶斯算法反演构建换流站下垂控制律。
本申请基于贝叶斯的下垂控制律反演构建方法,常规下垂控制中,如何建立下垂控制模型是个难点。本申请拟采用基于***功率波动的换流站可行工作点构建方法得出的换流站可行工作点,利用机器学习中贝叶斯建模法,反演构建换流站下垂控制律。
蜂群蛙跳混合优化算法(Bee and frog coevolution algorithm,BFCEA)在云计算环境下平衡负载和资源调度问题中,能有效提高收敛速度和求解质量。BFCEA与换流站下垂控制参考工作点优化问题相似度高,本申请将其应用到柔性直流输电网潮流优化问题的求解。本申请提出了蜂群蛙跳混合优化算法,以期提高功率分配的准确度和实时性,减少***控制层时延,优化与换流站执行层的时延匹配效果,进一步提升功率分配的合理性。构建电网随机功率波动下换流站下垂控制律反演建模理论和方法,提升下垂控制换流站的鲁棒性。
本申请提出的柔性直流输电网分层下垂控制反演建模理论与新型群智能优化算法,旨在提升换流站分层动态优化的速度与精度,提高换流站下垂控制的稳定性和鲁棒性,探索适用于柔性直流输电网的控制新策略,对提升柔性直流输电网消纳可再生能源的能力有重要意义。
本申请实施方式一种基于分层群智能优化的直流输电***反演下垂控制方法,由基于新型群智能优化算法的换流站下垂控制参考工作点计算方法、基于***功率波动的换流站可行工作点构建方法、基于贝叶斯的下垂控制律反演构建方法组成。
其中基于新型群智能优化算法的换流站下垂控制参考工作点计算方法,优化问题拥有多个目标,且维度高,新型群智能算法参数较少,进化过程相对简单,运算速度快,全局搜索能力强,适用于此类问题,还能减少***控制层时延,优化与换流站控制层的时延匹配效果。其中BFCEA群智能优化算法在云计算环境下平衡负载和资源调度问题中有效提高了收敛速度和求解质量,考虑到与本优化问题的高相似度,拟借鉴BFCEA群智能优化算法进行本问题的优化求解,流程如下:
步骤1:在搜索空间中随机初始化n个蛙类,用Q表示出每个基因组中的蛙类数量,其中内迭代表示每个基因组中的迭代次数,Dmax表示迭代允许的最大步长,max表示最大迭代次数。
步骤2:计算适合度并按降序的方法进行排序,用最佳的适合度初始化全局最优位置gbest,然后根据分组运算符将青蛙重新划分为M基因组。
步骤3:根据公式调整最差位置为
pworsti'=pworsti+Di(k) (5)
步骤4:如步骤3求得的新位置已得到改善,则用新位置替换最差位置,转至步骤6,否则根据公式重新调整最差位置为
步骤5:如果新位置在步骤4中得到改善,用新位置替代最差位置,转至步骤6,或者最好的青蛙发生柯西突变时,用新位置替换最差的位置。
步骤6:计算每组的适合度,并按降序进行排列,判断迭代是否完成,如果没有完成,转至步骤3。
步骤7:在所有的基因组中洗牌青蛙,判断迭代次数是否达到G次,如果达到,则基因组中第一个1/20和最后一个1/20的青蛙调用ABC算法进行操作,最终改革出一个新的种群。
步骤8:判断是否满足终止条件,如果满足,导出最优值,退出算法,否则转至步骤2。
通过BFCEA优化算法可得到各换流站的参考工作点(Pi*,Vi*)。
其中基于***功率波动的换流站可行工作点构建方法,通过动态最优化算法迭代计算出各换流站控制的参考工作点。多端直流输电***各端口电压受直流电网拓扑结构的限制,需满足有功功率与直流电压之间的约束关系。由于各换流站都会受到不同的随机功率扰动和故障干扰,会导致偏离换流站的参考工作点,该约束条件无法成立,且出现***静态偏差,因此必须考虑两种干扰。
其中随机功率扰动建模,随机功率扰动会导致换流站的工作点偏离参考点,本发明拟采集某典型柔性直流输电网运行数据,预处理后利用最小二乘法对各换流站的随机功率扰动进行建模,用以模拟各自的功率扰动情况。
其中故障概率分布建模:当某个换流站发生故障时,将产生不平衡功率,也会导致换流站的工作点偏离参考点。过滤采集信息,获取故障数据,利用机器学习分析故障类型,并统计其概率,再利用最大似然估计法对故障进行建模,得到故障概率分布模型,用以表示不同的故障分布情况。
通过随机发生器生成随机功率扰动,并随即选择是否生成故障及故障类型,将扰动和故障叠加到柔性直流输电网的暂态仿真模型中,计算各换流站参考工作点的偏离,得出换流站i的可行工作点(Pi',Vi'),但此时有功功率与电压之间的约束关系难以维持,需进一步用贝叶斯算法反演构建换流站下垂控制律。
其中基于贝叶斯的下垂控制律反演构建方法以及基于控制实时性、换流站鲁棒性要求的下垂控制律建模复杂度优化,先依照主从控制方案,得到一组稳定的工作状态,并将其设计成为电压下垂控制的参考工作点,再依照参考工作点,设计各换流站下垂特性的其他参数。
通用下垂控制关系表示为:
Vi-Vi *=βi(Pi-Pi *) (8)
其中,Vi、Pi和βi分别表示换流站i的实际电压、实际功率和下垂系数。Pi *和Vi *分别表示换流站i下垂控制的参考功率和参考电压。
图2描绘了公式(1)的电压下垂控制通用关系。
图2中(Pi *,Vi *)表示参考工作点,(Pi,Vi)表示实际工作点,实际工作点将工作在所建立的下垂特征图上。Vi max、Vi min、Pi max、Pi min分别为换流站i的电压和功率的上下限,这些参数需满***直流***和换流器的限制条件。实际工作点在穿越了参考工作点的下垂控制线上工作。
常规下垂控制中的功率和电压是线性关系,其斜率确定是个难点,即使确定了斜率,在随机功率扰动和故障扰动下也无法保证功率和电压依然维持线性关系,因为有功功率与直流电压之间的约束关系不成立。
在本发明工作中,首先考虑了随机功率扰动和故障扰动的影响,通过上述步骤可确定一系列换流站i的可行工作点(Pi',Vi'),从而建立下垂控制律fi(P,V)。图3描绘了建立反演下垂控制方法的基本思路。
如图3所示,利用机器学习中贝叶斯建模法,得到各换流站的下垂控制律。通过反演算法,每个网络站点得到k个时刻的可行工作点(Pmi',Vmi'),其中m∈(0,n),i∈(0,k),n为换流站总个数。将每个网络站点的k个时刻数据(Pk-Pk',Vk-Vk')作为训练集输入到贝叶斯模型中,训练出每个站点的P与V的函数对应关系,其具体做法如下。
首先,将某个换流站k个时刻的数据整合成一个向量其中,xi=[1 Pi-Pi']T,t=[V1-V1' V2-V2' … Vk-Vk']T,其中,ΔV作为输出量t,ΔP作为输入量X。
假设每个站点的功率与电压服从正态分布,确定贝叶斯模型的先验概率服从一个均值为μ0,方差为Σ0的正态分布。通过边缘似然值的峰值来确定贝叶斯模型的阶数,边缘似然值计算方法为
p(t|X,μ0,Σ0)=N(Xμ0,σ2IN+XΣ0XT) (9)
其中,σ2为样本集的方差,得到贝叶斯模型的阶数之后,建立贝叶斯概率模型
t=Xω+ε ε~N(0,σ2IN) (10)
p(t|ω,X,σ2)~N(Xω,σ2IN) (11)
其中,ω为一个l维列向量,其维数等于贝叶斯模型的阶数+1。
通过训练集得到贝叶斯概率模型的各参数ω,最终,当有一个新得到的功率Pnew时,通过得到预测概率最大值作为输出得Vnew,其预测模型如下:
由此计算出换流站的下垂控制律fi(P,V),因为该控制律作用于一个动态范围,可以很好地调节时延导致的各端口有功功率与直流电压关系波动,以满足***约束条件,进一步提升***的工作性能。
图4为根据本发明优选实施方式的用于直流输电***反演下垂控制的***结构图。如图4所示,一种用于直流输电***反演下垂控制的***,***包括:
扰动单元401,用于采集典型柔性直流输电网的运行数据,对运行数据进行预处理,利用经过预处理后的运行数据建立随机功率扰动模型,模拟各换流站的功率扰动,生成功率扰动。优选地,扰动单元401用于采集典型柔性直流输电网的运行数据,对运行数据进行预处理,利用经过预处理后的运行数据建立随机功率扰动模型,模拟各换流站的功率扰动,生成功率扰动,还用于:采集典型柔性直流输电网的运行数据,对运行数据进行预处理,利用经过预处理后的运行数据利用最小二乘法建立随机功率扰动模型,模拟各换流站的功率扰动,生成功率扰动。
故障单元402,用于通过筛选运行数据,获取运行数据中的故障数据,对故障数据进行分析以获取故障类型,统计故障类型所对应的故障发生概率;基于故障发生概率建立故障发生概率分布模型,获取不同类型概率的分布。优选地,故障单元402用于通过筛选运行数据,获取运行数据中的故障数据,对故障数据进行分析以获取故障类型,统计故障类型所对应的故障发生概率;基于故障发生概率建立故障发生概率分布模型,获取不同类型概率的分布,还用于:通过筛选运行数据,获取运行数据中的故障数据,对故障数据进行分析以获取故障类型,统计故障类型所对应的故障发生概率;基于故障发生概率利用最大似然估计法建立故障发生概率分布模型,获取不同类型概率的分布。
获取单元403,用于基于功率扰动,确定是否生成故障及生成故障时的故障类型,将功率扰动和生成的故障叠加至柔性直流输电网的暂态仿真模型,计算各换流站参考工作点的偏离,获取换流站的可行工作点;
结果单元404,用于基于换流站的可行工作点,通过贝叶斯的下垂控制反演构建下垂控制规律。优选地,结果单元404,用于基于换流站的可行工作点,通过贝叶斯的下垂控制反演构建下垂控制规律,还用于:按照主从控制方案,获取稳定的工作状态,根据稳定的工作状态,设计电压下垂控制的参考工作点;基于参考工作点,设计各换流站下垂特性的参数。
本发明优选实施方式的用于直流输电***反演下垂控制的***400与本发明优选实施方式的用于直流输电***反演下垂控制的方法100相对应,在此不再进行赘述。
已经通过参考少量实施方式描述了本发明。然而,本领域技术人员所公知的,正如附带的专利权利要求所限定的,除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
通常地,在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释,除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例,除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行,除非明确地说明。
Claims (8)
1.一种用于直流输电***反演下垂控制的方法,所述方法包括:
采集典型柔性直流输电网的运行数据,对所述运行数据进行预处理,利用经过预处理后的运行数据建立随机功率扰动模型,模拟各换流站的功率扰动,生成功率扰动;
通过筛选所述运行数据,获取所述运行数据中的故障数据,对所述故障数据进行分析以获取故障类型,统计故障类型所对应的故障发生概率;基于所述故障发生概率建立故障发生概率分布模型,获取不同类型概率的分布;
基于所述功率扰动,确定是否生成故障及生成故障时的故障类型,将所述功率扰动和生成的所述故障叠加至柔性直流输电网的暂态仿真模型,计算各换流站参考工作点的偏离,获取换流站的可行工作点;
基于所述换流站的可行工作点,通过贝叶斯的下垂控制反演构建下垂控制规律。
2.根据权利要求1所述的方法,所述采集典型柔性直流输电网的运行数据,对所述运行数据进行预处理,利用经过预处理后的运行数据建立随机功率扰动模型,模拟各换流站的功率扰动,生成功率扰动,还包括:
采集典型柔性直流输电网的运行数据,对所述运行数据进行预处理,利用经过预处理后的运行数据利用最小二乘法建立随机功率扰动模型,模拟各换流站的功率扰动,生成功率扰动。
3.根据权利要求1所述的方法,所述通过筛选所述运行数据,获取所述运行数据中的故障数据,对所述故障数据进行分析以获取故障类型,统计故障类型所对应的故障发生概率;基于所述故障发生概率建立故障发生概率分布模型,获取不同类型概率的分布,还包括:
通过筛选所述运行数据,获取所述运行数据中的故障数据,对所述故障数据进行分析以获取故障类型,统计故障类型所对应的故障发生概率;基于所述故障发生概率利用最大似然估计法建立故障发生概率分布模型,获取不同类型概率的分布。
4.根据权利要求1所述的方法,所述基于所述换流站的可行工作点,通过贝叶斯的下垂控制反演构建下垂控制规律,还包括:
按照主从控制方案,获取稳定的工作状态,根据所述稳定的工作状态,设计电压下垂控制的参考工作点;
基于所述参考工作点,设计各换流站下垂特性的参数。
5.一种用于直流输电***反演下垂控制的***,所述***包括:
扰动单元,用于采集典型柔性直流输电网的运行数据,对所述运行数据进行预处理,利用经过预处理后的运行数据建立随机功率扰动模型,模拟各换流站的功率扰动,生成功率扰动;
故障单元,用于通过筛选所述运行数据,获取所述运行数据中的故障数据,对所述故障数据进行分析以获取故障类型,统计故障类型所对应的故障发生概率;基于所述故障发生概率建立故障发生概率分布模型,获取不同类型概率的分布;
获取单元,用于基于所述功率扰动,确定是否生成故障及生成故障时的故障类型,将所述功率扰动和生成的所述故障叠加至柔性直流输电网的暂态仿真模型,计算各换流站参考工作点的偏离,获取换流站的可行工作点;
结果单元,用于基于所述换流站的可行工作点,通过贝叶斯的下垂控制反演构建下垂控制规律。
6.根据权利要求5所述的***,所述扰动单元用于采集典型柔性直流输电网的运行数据,对所述运行数据进行预处理,利用经过预处理后的运行数据建立随机功率扰动模型,模拟各换流站的功率扰动,生成功率扰动,还用于:
采集典型柔性直流输电网的运行数据,对所述运行数据进行预处理,利用经过预处理后的运行数据利用最小二乘法建立随机功率扰动模型,模拟各换流站的功率扰动,生成功率扰动。
7.根据权利要求5所述的***,所述故障单元用于通过筛选所述运行数据,获取所述运行数据中的故障数据,对所述故障数据进行分析以获取故障类型,统计故障类型所对应的故障发生概率;基于所述故障发生概率建立故障发生概率分布模型,获取不同类型概率的分布,还用于:
通过筛选所述运行数据,获取所述运行数据中的故障数据,对所述故障数据进行分析以获取故障类型,统计故障类型所对应的故障发生概率;基于所述故障发生概率利用最大似然估计法建立故障发生概率分布模型,获取不同类型概率的分布。
8.根据权利要求5所述的***,所述结果单元,用于基于所述换流站的可行工作点,通过贝叶斯的下垂控制反演构建下垂控制规律,还用于:
按照主从控制方案,获取稳定的工作状态,根据所述稳定的工作状态,设计电压下垂控制的参考工作点;
基于所述参考工作点,设计各换流站下垂特性的参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910843022.7A CN110675276B (zh) | 2019-09-06 | 2019-09-06 | 一种用于直流输电***反演下垂控制的方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910843022.7A CN110675276B (zh) | 2019-09-06 | 2019-09-06 | 一种用于直流输电***反演下垂控制的方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110675276A true CN110675276A (zh) | 2020-01-10 |
CN110675276B CN110675276B (zh) | 2023-04-07 |
Family
ID=69076654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910843022.7A Active CN110675276B (zh) | 2019-09-06 | 2019-09-06 | 一种用于直流输电***反演下垂控制的方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110675276B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113312280A (zh) * | 2021-04-28 | 2021-08-27 | 北京瑞风协同科技股份有限公司 | 一种用于确定装备状态及故障规律的方法及*** |
CN113410865A (zh) * | 2021-05-08 | 2021-09-17 | 南昌大学 | 基于改进人工蜂群算法的双并联逆变器控制参数整定方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103414179A (zh) * | 2013-06-04 | 2013-11-27 | 南方电网科学研究院有限责任公司 | 一种适用于多端柔性直流输电***的下垂控制方法 |
CN107171354A (zh) * | 2017-06-19 | 2017-09-15 | 天津大学 | 柔性直流电网换流站下垂系数计算方法 |
CN108808715A (zh) * | 2018-06-07 | 2018-11-13 | 国电南瑞科技股份有限公司 | 考虑直流网络故障功率的多端柔直***静态安全分析方法 |
-
2019
- 2019-09-06 CN CN201910843022.7A patent/CN110675276B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103414179A (zh) * | 2013-06-04 | 2013-11-27 | 南方电网科学研究院有限责任公司 | 一种适用于多端柔性直流输电***的下垂控制方法 |
CN107171354A (zh) * | 2017-06-19 | 2017-09-15 | 天津大学 | 柔性直流电网换流站下垂系数计算方法 |
CN108808715A (zh) * | 2018-06-07 | 2018-11-13 | 国电南瑞科技股份有限公司 | 考虑直流网络故障功率的多端柔直***静态安全分析方法 |
Non-Patent Citations (1)
Title |
---|
邓银秋等: "适用于海上风电接入的多端柔直网内不平衡功率优化分配控制策略", 《中国电机工程学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113312280A (zh) * | 2021-04-28 | 2021-08-27 | 北京瑞风协同科技股份有限公司 | 一种用于确定装备状态及故障规律的方法及*** |
CN113312280B (zh) * | 2021-04-28 | 2022-04-29 | 北京瑞风协同科技股份有限公司 | 一种用于确定装备状态及故障规律的方法及*** |
CN113410865A (zh) * | 2021-05-08 | 2021-09-17 | 南昌大学 | 基于改进人工蜂群算法的双并联逆变器控制参数整定方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110675276B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ma et al. | A hierarchical event detection method based on spectral theory of multidimensional matrix for power system | |
Bahmani-Firouzi et al. | An efficient scenario-based and fuzzy self-adaptive learning particle swarm optimization approach for dynamic economic emission dispatch considering load and wind power uncertainties | |
Wang et al. | MPC-based decentralized voltage control in power distribution systems with EV and PV coordination | |
CN110417015A (zh) | 基于模型预测控制的微电网多目标优化调度方法及*** | |
CN110417011B (zh) | 一种基于互信息与迭代随机森林的在线动态安全评估方法 | |
CN111179121A (zh) | 基于专家***与深度逆向强化学习的电网紧急控制方法 | |
CN105512745A (zh) | 基于粒子群—bp神经网络的风电功率区间预测方法 | |
CN110738344A (zh) | 电力***负荷预测的分布式无功优化方法及装置 | |
Bahmanifirouzi et al. | Multi-objective stochastic dynamic economic emission dispatch enhancement by fuzzy adaptive modified theta particle swarm optimization | |
CN108336739A (zh) | 一种基于rbf神经网络的概率潮流在线计算方法 | |
Xi et al. | A virtual generation ecosystem control strategy for automatic generation control of interconnected microgrids | |
CN110675276B (zh) | 一种用于直流输电***反演下垂控制的方法及*** | |
Yang et al. | Deep learning-based distributed optimal control for wide area energy Internet | |
CN104021315A (zh) | 基于bp神经网络的电厂厂用电率计算方法 | |
CN110852495A (zh) | 一种分布式储能电站选址方法 | |
CN111834996B (zh) | 电网线损计算方法和装置 | |
Li et al. | Multiagent deep meta reinforcement learning for sea computing-based energy management of interconnected grids considering renewable energy sources in sustainable cities | |
Yundra et al. | Hybrid Model Combined Fuzzy Multi-Objective Decision Making with Feed Forward Neural Network (F-MODM-FFNN) For Very Short-Term Load Forecasting Based on Weather Data. | |
Lu et al. | Network simplification-based cluster coordinated optimization method for distributed PVs with inadequate measurement | |
CN115133540A (zh) | 一种配电网无模型的实时电压控制方法 | |
Tajalli et al. | Maximizing social welfare considering the uncertainty of wind power plants using a distributed consensus-based algorithm | |
Luo et al. | Fine-grained bandwidth estimation for smart grid communication network | |
CN113240072A (zh) | 一种用于直流微电网集群的基于深度学习的预测方法 | |
Li et al. | A DRL-Based Approach for System Frequency Response Model Calibration | |
Zheng et al. | Multi-layer double deep Q network for active distribution network equivalent modeling with internal identification for EV loads |
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 |