CN113657032A - 一种预先集中协调实时分布控制的低频减载方法及*** - Google Patents

一种预先集中协调实时分布控制的低频减载方法及*** Download PDF

Info

Publication number
CN113657032A
CN113657032A CN202110924308.5A CN202110924308A CN113657032A CN 113657032 A CN113657032 A CN 113657032A CN 202110924308 A CN202110924308 A CN 202110924308A CN 113657032 A CN113657032 A CN 113657032A
Authority
CN
China
Prior art keywords
load
time
average
future
line
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
CN202110924308.5A
Other languages
English (en)
Other versions
CN113657032B (zh
Inventor
田宏强
熊峰
刘辉
朱赟
麦立
陈永华
丁超
彭伟
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.)
State Grid Anhui Electric Power Co Ltd
NARI Nanjing Control System Co Ltd
Original Assignee
State Grid Anhui Electric Power Co Ltd
NARI Nanjing Control System 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 State Grid Anhui Electric Power Co Ltd, NARI Nanjing Control System Co Ltd filed Critical State Grid Anhui Electric Power Co Ltd
Priority to CN202110924308.5A priority Critical patent/CN113657032B/zh
Publication of CN113657032A publication Critical patent/CN113657032A/zh
Application granted granted Critical
Publication of CN113657032B publication Critical patent/CN113657032B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution 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
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
    • Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
    • Y02B70/3225—Demand response systems, e.g. load shedding, peak shaving
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems
    • Y04S20/222—Demand response systems, e.g. load shedding, peak shaving

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Power Engineering (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Water Supply & Treatment (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种预先集中协调实时分布控制的低频减载方法，包括：预测得到负荷线路未来Tf时刻负荷预测值；每间隔一段时间搜索可切负荷线路，直到搜索的可切负荷线路未来Tf时刻负荷预测值的总和达到低频需切量时停止搜索，获得未来Tf时刻的需切负荷线路；将未来Tf时刻的需切负荷线路信息转换为低频跳闸出口定值下发给装置，以供其在Tf时刻判断发生低频故障时，结合本地防误策略，按照低频跳闸出口定值动作切除相应的负荷线路。本发明能够预测负荷预测值，尽可能地提高切负荷精度、避免欠切与过切，实现精准的负荷控制。

Description

一种预先集中协调实时分布控制的低频减载方法及***
技术领域
本发明属于电力***安全稳定技术领域，具体涉及一种预先集中协调实时分布控制的低频减载方法，还涉及一种预先集中协调实时分布控制的低频减载***。
背景技术
互联电网规模和范围的成倍扩大，新能源占比的快速提升，使电网特性发生根本改变。电力市场使得运行方式变化多样，电网稳定水平变化莫测，由于相继事件导致互联电网失去安全稳定性的概率大大增加。
长期以来，低频减负荷装置作为安全稳定第三道防线的重要技术装备，为保证电力***安全稳定运行和防止大停电事故的发生发挥了重要作用。传统的低频减负荷装置只反应于就地电气量的变化而实施切除本地确定的负荷线，这一方面有利于保证装置本身动作的可靠性，但另一方面却不利于***整体控制行为的协调和优化，甚至在国外电力***的大停电事故中，已经发现低频减负荷装置不能及时、正确地反映于***动态的情形，这也是电力***的发展所导致***稳定特性复杂化的一个体现。
目前安徽电网已部署了大量的低频减载装置，包括新型的集中式低频减载装置(以下简称：集中式装置)和在保护装置内集成了低频功能的分散式装置(以下简称：分散式装置)，但当前使用的所有低频减载装置普遍存在整体协作程度不高、不能精确切除负荷线路，与第二道防线电网安全稳定控制装置措施协调不足等方面的缺点，主要表现在：
(1)随着分布式电源、微电网、储能、电动汽车等新型用能设备广泛接入，电力供需形态呈现多样化特征，负荷特性呈现明显差异性和互补性。原来的传统负荷线路具备“源荷”双重特征的比重不断上升，并且常规低频装置不对线路功率方向进行检测，不能保证动作时切除的线路一定是负荷线路。当分布式光伏出力越大时，光伏电源所在线路的功率倒送，往***侧输送功率，低频减载负荷控制率降低幅度越大；随着分布式光伏并网规模增大，光伏出力大时段，低频减载负荷控制率逐步下降。
(2)低频减载措施量按照电网总负荷量的比例配置，装置不能监测变电站的线路功率信息，只能按照事先整定的固定顺序切除特定的线路，无法准确掌握各轮切负荷量。装置动作时采取盲切，实际切负荷量难以准确统计，存在过切或欠切情况。无法准确评估实际可切负荷量是否满足电网极端故障发生时负荷切除比例要求，存在电网崩溃风险。
这些新情况使得电网的第三道防线低频减负荷措施出现了不适应性，主要可以概括为两点，一是装置动作时难以区分负荷线、电源线；二是无法保证可切负荷量满足低频动作需切量，这两点严重影响***频率电压稳定。
发明内容
本发明的目的在于克服现有技术中的不足，提供了一种预先集中协调实时分布控制的低频减载方法，解决现有技术中装置预先设定切负荷总量而无法根据电网情况实时计算的技术问题。
为解决上述技术问题，本发明的技术方案如下。
第一方面，本发明提供了一种预先集中协调实时分布控制的低频减载方法，包括以下过程：
获取负荷线路有功功率，计算得到低频需切量；
预测得到负荷线路未来Tf时刻负荷预测值；
每间隔一段时间搜索可切负荷线路，直到搜索的可切负荷线路未来Tf时刻负荷预测值的总和达到低频需切量时停止搜索，获得未来Tf时刻的需切负荷线路；
将未来Tf时刻的需切负荷线路信息转换为低频跳闸出口定值下发给装置，以供其在Tf时刻判断发生低频故障时，结合本地防误策略，按照低频跳闸出口定值动作切除相应的负荷线路。
可选地，所述预测得到未来Tf时刻负荷预测值，包括：
基于未来Tf时刻的相关时间信息，预测得到负荷线路未来Tf时刻不同时间尺度的预测负荷，包括未来Tf时刻负荷的年平均预测负荷、月平均预测负荷以及时段平均预测负荷；
将得到的负荷线路未来Tf时刻的年平均预测负荷Pav_Y(TY)、月平均预测负荷Pav_M(TM)以及时段平均预测负荷Pav_TK(TK)，连同所在区域的气象因素数据，输入利用BP人工神经网络训练得到的负荷预测模型，得到负荷线路未来Tf时刻负荷预测值。
可选地，所述气象因素数据包括气温数据、日照强度、雾霾指数和云量。
可选地，所述基于未来Tf时刻的相关时间信息，预测得到负荷线路未来Tf时刻不同时间尺度的预测负荷，包括：
S1.获得负荷线路预测Tf时刻所在年份TY之前i年的年平均负荷序列{Pav_Y(tn)|n＝1～i}，其中，年平均负荷Pav_Y(tn)按下式计算：
Figure BDA0003208601680000041
其中，P(t)为某条线路t时刻之后ΔT时段内的功率均值，ΔT这里取值为1年，p(t)为ΔT时段内实时采样数据；
考虑到采样值为离散序列，上述公式离散化表示为：
Figure BDA0003208601680000042
其中，p(tn)为在ΔT时段内功率p(t)在时间轴上等间隔离散化的序列，Δt为采样间隔，ΔT取值为1年；
S2.获得负荷线路预测Tf时刻所在月份TM之前m月的月平均负荷序列{Pav_M(tn)|n＝1～m}，其中，月平均负荷Pav_M(tn)按照如下公式计算：
Figure BDA0003208601680000043
其中，p(tn)为在ΔT时段内功率p(t)在时间轴上等间隔离散化的序列，Δt为采样间隔，ΔT这里取值为1个月；
S3.根据所要预测的负荷线路预测Tf时刻的属性TW确定其是否是周末，根据日期TD往前推q天同为周末或同为工作日的日期，跳过属性TW不一致的日期；将一天划分为若干个时段，每两个时段之差为两次预测的间隔时间，从当前时刻所在时段TK’往前推P个时段的集合为{Tk|k＝1～P}；首先计算某一时段负荷的平均值：
Figure BDA0003208601680000044
其中，p(tn)为在ΔT时段内功率p(t)在时间轴上等间隔离散化的序列，Δt为采样间隔，ΔT这里取值为(Tk+1-Tk)；
接下来计算属性TW相同的q天同一时段Tk的平均负荷的平均值PTk_Dq，则属性TW相同的q天同一时段Tk的平均负荷的平均值为表中按列累加取平均值，例如q天内T1时段的负荷的平均值为：
Figure BDA0003208601680000051
计算q天内所有时段负荷平均值，得到时段平均负荷序列{Pav_TK(tn)|n＝1～p}。
接着分别对年平均负荷序列、月平均负荷序列以及时段平均负荷序列做多项式拟合，获得对应的年平均负荷曲线函数、月平均负荷曲线函数以及时段平均负荷曲线函数；
分别将Tf时刻所在年份TY、所在月份TM以及所处时段TK代入年平均负荷曲线函数、月平均负荷曲线函数以及时段平均负荷曲线函数，得到未来Tf时刻的年平均预测负荷Pav_Y(TY)、月平均预测负荷Pav_M(TM)以及时段平均预测负荷Pav_TK(TK)。
可选地，所述分别对年平均负荷序列、月平均负荷序列以及时段平均负荷序列做多项式拟合，获得对应的年平均负荷曲线函数、月平均负荷曲线函数以及时段平均负荷曲线函数，包括：
S1.年平均负荷曲线用(i-1)次多项式进行拟合，设由i年年平均负荷确定的年平均负荷曲线函数为：
Pav_Y(t)＝a0ti-1+a1ti-2+…+ai-1
将之前得到的年平均负荷序列{Pav_Y(tn)|n＝1～i}代入上式中，即可确定该函数的各个系数a0…ai-1；
S2.类似的，得到月平均负荷曲线函数为：
Pav_M(t)＝b0tm-1+b1tm-2+…+bm-1
将之前得到的月平均负荷序列{Pav_M(tn)|n＝1～m}带入上式中，即可确定该函数的各个系数b0…bi-1；
S3.类似的，得到时段平均负荷曲线函数为：
Pav_TK(t)＝c0tp-1+c1tp-2+…+cp-1
将之前得到的时段平均负荷序列{Pav_TK(tn)|n＝1～p}带入上式中，即可确定该函数的各个系数c0…ci-1。
可选地，所述BP人工神经网络包括信息的正向传递与误差的反向传播；在正向传播过程中，输入信息从输入层经隐含层逐层计算传向输出层，每一层神经元的状态只影响下一层神经元的状态，如果在输出层没有得到期望输出，则计算输出层的误差变化值，然后转向误差反向传播，通过网络将误差信号沿原来的连接通路反传回来修改各神经元的权值直至达到期望目标；
设输入节点为xj(j＝1…r)，r为输入节点数，隐节点为yi(i＝1…S1)，S1为输出节点数，输出节点为ok(k＝1…S2)，S2为输出节点数；输入节点与隐节点之间的网络权值为w1ij，隐节点与输出节点间的连接权值为w2ki，隐节点的阈值为θ1i，输出接点的阈值为θ2k，隐含层和输出层的激活函数为
Figure BDA0003208601680000061
期望输出为tk；
BP神经网络的算法步骤如下：
(1)信息的正向传播
①隐含层中第i个神经元的输出为：
Figure BDA0003208601680000062
②输出层中第k个神经元的输出为：
Figure BDA0003208601680000071
③定义误差函数为：
Figure BDA0003208601680000072
(2)利用梯度下降法求权值变化及阈值变化；
①输出层的权值变化对从第i个输入到第k个输出的权值有：
Figure BDA0003208601680000073
②输出层的阈值变化对从第i个输入到第k个输出的阈值有：
Figure BDA0003208601680000074
③隐含层的权值变化对从第j个输入到第i个输出的权值有：
Figure BDA0003208601680000075
其中，γi为第i个隐含层节点的输出；
④隐含层的阈值变化对从第j个输入到第i个输出的阈值有：
Figure BDA0003208601680000076
利用历史负荷数据中年平均预测负荷、月平均预测负荷和时段平均预测负荷以及气象因素数据作为BP神经网络的输入，负荷预测值作为神经网络的输出，对BP神经网络进行训练。
可选地，所述搜索可切负荷线路，包括：
S1.依据每条负荷线路多维属性综合评价得分对负荷线路切除优先级进行排序，并据此确定每条负荷线路的层级定值，优先切除优先级高的线路；
S2.依据负荷线路实际所属变电站将各负荷线路划分至相应的逻辑子站，并对每个逻辑子站设置优先级定值；
S3.按照先层级、后逻辑子站优先级的二维列表的顺序依次搜索可切负荷线路，直到搜索的可切负荷线路未来Tf时刻负荷预测值的总和达到低频需切量PT时停止搜索，得到需切负荷。
可选地，搜索过程为：
首先对层级1内的所有负荷线路依照逻辑子站优先级由高到低的顺序进行可切负荷线路搜索，当搜索到的可切负荷线路未来Tf时刻负荷预测值的总和大于低频需切量时，停止搜索，搜索到的所有可切负荷线路即是未来Tf时刻需切线路；
若层级1内所有负荷线路搜索完毕后，搜索到的可切负荷线路未来Tf时刻负荷预测值的总和仍然小于低频需切量时，则继续搜索下一层级，重复以上过程，直至满足搜索到的可切负荷线路未来Tf时刻负荷预测值的总和大于低频需切量条件，停止搜索，搜索到的所有可切负荷线路即是未来Tf时刻需切线路；
搜索停止之前，由于最后一个层级内最后一个逻辑子站内负荷线路是部分切除，所搜索的最后一个层级的最后一个逻辑子站内的负荷线路按照未来Tf时刻负荷预测值从大到小的顺序进行搜索。
可选地，所述依据每条负荷线路多维属性综合评价得分对负荷线路切除优先级进行排序，并据此确定每条负荷线路的层级定值；
统计中断损失、所属用电部门、灵敏度、电气距离四个维度的属性，将其作为评价指标；对于一条负荷线路，某个评价指标得分越低代表在该维度下该条负荷线路切除优先级越低；
给每个评价指标分配一个权重，然后将负荷线路的每个评价指标得分与其权重相乘，得出每条负荷线路的加权综合得分；
按照各条负荷线路加权综合得分高低排序，从而确定每条负荷线路的层级定值。
可选地，所述逻辑子站优先级定值根据该逻辑子站下辖的所有负荷线路综合评价得分的平均值确定。
可选地，所述本地防误策略为当装置动作时，只有当需切线路的实时功率Pr>0时，才允许出口。
第二方面，本发明还提供了一种预先集中协调实时分布控制的低频减载***，包括装置和主站：
所述装置，用于采集负荷线路有功功率上传主站，以及每间隔一段时间接收主站下发的低频跳闸出口定值，在Tf时刻判断发生低频故障时，结合本地防误策略，按照低频跳闸出口定值动作切除相应的负荷线路；
所述主站，用于接收负荷线路有功功率，基于负荷线路有功功率计算得到低频需切量；预测得到负荷线路未来Tf时刻负荷预测值；每间隔一段时间搜索可切负荷线路，直到搜索的可切负荷线路未来Tf时刻负荷预测值的总和达到低频需切量时停止搜索，获得未来Tf时刻的需切负荷线路；将未来Tf时刻的需切负荷线路信息转换为低频跳闸出口定值下发给装置。
与现有技术相比，本发明所达到的有益效果是：本发明实时计算低频需切量，使得切负荷量能尽可能匹配电网运行方式及故障情况；可在区域内进行切负荷的综合协调控制，最大程度满足需切量要求的同时可保证最小过切，有效解决光伏大发情况下低频控制量不足的问题；监测负荷线路实时功率，避免切除属性为“源”的线路；通过主站端预先协调、装置端分布控制的方式最大程度保证***的安全可靠。
附图说明
图1为区域低频减载装置典型架构图；
图2为本发明方法主流程图；
图3为神经网络结构示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
本发明提出了一种“预先集中协调，实时分布控制”的低频减载方法，预先集中协调是指综合区域内***运行方式以及潮流情况计算***发生低频故障时的功率缺额情况；接收低频减负荷装置(以下简称装置)上送的实时电气量信息、线路投停运信息，根据历史负荷数据拟合得到的曲线对负荷数据进行多时间尺度的分解，把多时间尺度预测的结果以及未来Tf时刻气象因素数据作为BP人工神经网络的输入，未来Tf时刻线路的负荷量作为输出，利用历史数据进行训练，实现对未来Tf时刻线路负荷量的预测；将每条线路Tf时刻的预测功率求和获得总可切量，按照负荷层级和所属区域生成二维负荷排序，动态分配每个变电站发生故障时的负荷切除量，并由负荷协调控制主站(以下简称主站)每间隔一定时间将负荷切除量以低频跳闸出口定值的方式下发给低频装置。实时分布控制是指装置每间隔一段时间接收主站下发的Tf时刻的低频跳闸出口定值并存储下来，当达到Tf时刻时，装置将实时跳闸出口定值更新为该定值。当发生低频故障时仅基于就地信息判断故障，结合一定的本地防误策略，按照主站预先下发的跳闸出口定值动作切除相应的负荷线路。
本方法能够实现站间、站内负荷的协调控制，尽可能地提高切负荷精度、避免欠切与过切，同时避开属性为“源”的线路以及重要敏感用户，实现精准的负荷控制，降低稳控措施代价影响；同时因为实时分布控制不依赖于通道而仅基于就地信息判断故障并动作出口，其可靠性也有所保障。
实施例1
本发明的一种预先集中协调实时分布控制的低频减载方法，以某一轮切荷量为例进行描述，参见图2所示，包括如下步骤：
步骤1：装置实时监测线路有功功率P，并上送主站；主站根据当前电网运行方式和潮流断面情况，计算低频需切量PT。
如图1区域低频减负荷装置典型架构图所示，主站作为调度主站端电力***调控***的内部应用，与变电站内的分散式/集中式低频减负荷装置通过调度数据网进行通信。分散式低频装置经过工业以太网(对于不具备以太网口的保测一体化装置需经过串口服务器转接)与远动机组网，通过远动机经调度数据网与主站进行通信；集中式低频装置直接经过调度数据网与主站进行通信。装置上送负荷线路有功功率P至主站。主站综合区域内***运行方式以及负荷线路有功功率P计算***发生低频故障时的功率缺额情况，得到发生特定低频故障时的***低频需切量PT，即低频减负荷预先设定的切负荷总量。
步骤2：主站获得未来Tf时刻的相关时间信息，获取历史功率数据并对数据做预测得到负荷线路未来Tf时刻不同时间尺度的预测负荷，包括未来Tf时刻负荷的年平均预测负荷、月平均预测负荷以及时段平均预测负荷；
在所述步骤2中，主站首先获得Tf时刻的相关时间信息，包括Tf时刻所在年份TY、所在月份TM、所在日期TD、星期几TW以及所处时段TK。星期TW取值范围为星期一至星期日；时段TK与TK+1之差为两次预测的间隔时间，该时间越短，负荷预测精度越高，相反对通信资源、计算资源的占用越大，可根据工程的实际需求来选取。
主站获取历史功率数据并对数据做预测，得到未来Tf时刻不同时间尺度的负荷时间序列，具体包括如下步骤：
S1.获得某条负荷线路预测Tf时刻所在年份TY之前i年的年平均负荷序列{Pav_Y(tn)|n＝1～i}，其中年平均负荷Pav_Y(tn)按下式计算：
Figure BDA0003208601680000121
其中，P(t)为某条线路t时刻之后ΔT时段内的功率均值，ΔT这里取值为1年，p(t)为ΔT时段内实时采样数据。
考虑到采样值为离散序列，上述公式离散化表示为：
Figure BDA0003208601680000122
其中，p(tn)为在ΔT时段内功率p(t)在时间轴上等间隔离散化的序列，Δt为采样间隔，ΔT取值为1年。
年平均负荷代表一年的负荷平均水平，以年为单位对负荷进行平滑过滤掉了季节性变化对负荷的影响，年平均负荷的发展趋势反映国民经济的发展趋势。
S2.获得某条负荷线路预测Tf时刻所在月份TM之前m月的月平均负荷序列{Pav_M(tn)|n＝1～m}，考虑到需要涵盖完整的季节变化，m的值取12。月平均负荷Pav_M(tn)按照如下公式计算：
Figure BDA0003208601680000131
其中，p(tn)为在ΔT时段内功率p(t)在时间轴上等间隔离散化的序列，Δt为采样间隔，ΔT这里取值为1个月。
以月为单位对负荷进行平滑生成的月平均负荷过滤掉了日负荷波动，而只反映季节性变化对负荷的影响。
S3.根据所要预测的线路预测Tf时刻的属性TW确定其是否是周末，根据日期TD往前推q天同为周末或同为工作日的日期，跳过属性TW不一致的日期。将一天划分为若干个时段，每两个时段之差为两次预测的间隔时间，从当前时刻所在时段TK’往前推P个时段的集合为{Tk|k＝1～P}。首先计算某一时段负荷的平均值：
Figure BDA0003208601680000132
其中，p(tn)为在ΔT时段内功率p(t)在时间轴上等间隔离散化的序列，Δt为采样间隔，ΔT这里取值为(Tk+1-Tk)。
接下来计算属性TW相同的q天同一时段Tk的平均负荷的平均值PTk_Dq，日期与时段如下表所示：
Figure BDA0003208601680000133
Figure BDA0003208601680000141
则属性TW相同的q天同一时段Tk的平均负荷的平均值为表中按列累加取平均值，例如q天内T1时段的负荷的平均值为：
Figure BDA0003208601680000142
计算q天内所有时段负荷平均值，得到时段平均负荷序列{Pav_TK(tn)|n＝1～p}。
选取与预测Tf时刻同为周末或同为工作日的q天对某一时段的负荷进行累加取平均考虑了工作日或周末负荷的波动性、过滤掉了随机的天气因素对负荷(分布式光伏)的影响，而只反映一天之内不同时段负荷的波动性。
接着分别对年平均负荷序列、月平均负荷序列以及时段平均负荷序列做多项式拟合，获得未来Tf时刻负荷的年平均预测负荷、月平均预测负荷以及时段平均预测负荷，
拟合具体步骤包括：
S1.年平均负荷曲线可以用(i-1)次多项式进行拟合，设由i年年平均负荷确定的年平均负荷曲线函数为：
Pav_Y(t)＝a0ti-1+a1ti-2+…+ai-1
将之前得到的年平均负荷序列{Pav_Y(tn)|n＝1～i}代入上式中，即可确定该函数的各个系数a0…ai-1。在实际工程中，拟合曲线所用的年平均负荷的数据点i取值越大，函数系数计算所需时间越长，曲线拟合效果越好，通常只要不影响年平均负荷趋势的判断，i值的选取应该尽可能小。
S2.类似的，得到月平均负荷曲线函数为：
Pav_M(t)＝b0tm-1+b1tm-2+…+bm-1
将之前得到的月平均负荷序列{Pav_M(tn)|n＝1～m}带入上式中，即可确定该函数的各个系数b0…bi-1。
S3.类似的，得到时段平均负荷曲线函数为：
Pav_TK(t)＝c0tp-1+c1tp-2+…+cp-1
将之前得到的时段平均负荷序列{Pav_TK(tn)|n＝1～p}带入上式中，即可确定该函数的各个系数c0…ci-1。
S4.分别将Tf时刻所在年份TY、所在月份TM以及所处时段TK代入年平均负荷曲线函数、月平均负荷曲线函数以及时段平均负荷曲线函数，得到未来Tf时刻的年平均预测负荷Pav_Y(TY)、月平均预测负荷Pav_M(TM)以及时段平均预测负荷Pav_TK(TK)。
步骤3：将步骤2得到的负荷线路未来Tf时刻的年平均预测负荷Pav_Y(TY)、月平均预测负荷Pav_M(TM)以及时段平均预测负荷Pav_TK(TK)，连同该装置所在区域的气象因素数据(包括气温数据、日照强度、雾霾指数、云量)作为输入，未来Tf时刻负荷预测值作为输出，利用BP人工神经网络训练得到的负荷预测模型，实现对未来Tf时刻负荷的预测。
负荷预测模型是由BP人工神经网络利用历史数据训练后得到，BP人工神经网络的输入层神经元数目为7，输出层神经元数目为1。
BP人工神经网络训练时，首先对输入数据的每一维度进行归一化处理，具体归一化处理公式为：
Figure BDA0003208601680000151
其中，minA和maxA分别是维度A数据中的最小值和最大值，将维度A的一个原始值x映射到区间[0,1]上的值x’。
通过下式确定
Figure BDA0003208601680000161
其中m为输入层神经元数，n为输出层神经元数，a为1～10的常数，根据此公式及试错法取隐含层神经元数为3，从而得到一个结构为7-3-1的BP网络，如图3所示。
BP神经网络是由两部分组成：信息的正向传递与误差的反向传播。在正向传播过程中，输入信息从输入层经隐含层逐层计算传向输出层，每一层神经元的状态只影响下一层神经元的状态，如果在输出层没有得到期望输出，则计算输出层的误差变化值，然后转向误差反向传播，通过网络将误差信号沿原来的连接通路反传回来修改各神经元的权值直至达到期望目标。设输入节点为xj(j＝1…r)，r为输入节点数，隐节点为yi(i＝1…S1)，S1为输出节点数，输出节点为ok(k＝1…S2)，S2为输出节点数；输入节点与隐节点之间的网络权值为w1ij，隐节点与输出节点间的连接权值为w2ki，隐节点的阈值为θ1i，输出接点的阈值为θ2k，隐含层和输出层的激活函数为
Figure BDA0003208601680000162
期望输出为tk。
BP人工神经网络的算法步骤如下：
(1)信息的正向传播
①隐含层中第i个神经元的输出为：
Figure BDA0003208601680000163
②输出层中第k个神经元的输出为：
Figure BDA0003208601680000164
③定义误差函数为：
Figure BDA0003208601680000171
(2)利用梯度下降法求权值变化及阈值变化；
①输出层的权值变化对从第i个输入到第k个输出的权值有：
Figure BDA0003208601680000172
②输出层的阈值变化对从第i个输入到第k个输出的阈值有：
Figure BDA0003208601680000173
③隐含层的权值变化对从第j个输入到第i个输出的权值有：
Figure BDA0003208601680000174
其中，γi为第i个隐含层节点的输出。
④隐含层的阈值变化对从第j个输入到第i个输出的阈值有：
Figure BDA0003208601680000175
利用历史负荷数据中年平均预测负荷、月平均预测负荷和时段平均预测负荷以及气象因素数据作为BP神经网络的输入，负荷预测值作为神经网络的输出，对BP神经网络进行训练。
某一个区域负荷受历史负荷以及气象因素的影响的程度差不多，故一个区域可生成一个人工神经网络，经过大量历史数据的训练，BP人工神经网络的预测结果将更接近真实值。
完成BP人工神经网络的训练后，只需获得未来Tf时刻的气象因素数据，包括气温数据、日照强度、雾霾指数、云量，以及未来Tf时刻预测得到的不同时间尺度的负荷预测值输入BP人工神经网络，得到未来Tf时刻的负荷预测值Pf。
负荷的波动中包含延续性的规律性的波动，如因为国民经济发展、季节性变化、工作日与周末的变换等导致的负荷波动；同时也包含随机性的波动，主要是气象因素的变化引起的分布式光伏出力的变化和负荷的波动。延续性规律性的波动适合使用数学表达式进行拟合，而BP人工神经网络对于随机性波动的识别和预测具有很好的效果。相比较单纯使用气象因素进行人工神经网络的训练，引入历史负荷数据可以更好地反映负荷的发展趋势，预测更加准确；而将年平均负荷、月平均负荷与时段平均负荷函数拟合的预测结果引入BP人工神经网络的输入节点，可以降低人工神经网络输入的维数，加快收敛，缩短训练时间。
步骤4：主站每间隔一定时间按照负荷层级与逻辑子站优先级组合切除原则搜索可切负荷线路，直到搜索的可切负荷线路未来Tf时刻负荷预测值的总和达到低频需切量PT时停止搜索，并将需切线路信息转换为装置的低频跳闸出口定值下发给装置。
步骤4中所述按照负荷层级与逻辑子站优先级组合切除原则搜索可切负荷线路，具体步骤包括：
S1.依据每条负荷线路多维属性综合评价得分对负荷线路进行排序，并据此确定每条负荷线路的层级定值，优先切除层级定值较小的线路。
所述多维属性包括但不限于中断损失、所属用电部门、灵敏度、电气距离、负荷的频率电压特性等。
主站统计中断损失、所属用电部门、灵敏度、电气距离四个维度的属性，将其作为评价指标。对于一条负荷线路，某个评价指标得分越低代表在该维度下该条负荷线路切除优先级越低。给每个评价指标分配一个权重，然后将负荷线路的每个评价指标得分与其权重相乘，得出每条负荷线路的加权综合得分。按照各条负荷线路加权综合得分高低排序，从而确定每条负荷线路的切除优先级。优先切除优先级高的负荷线路。
若负荷线路得分较低，则认为是重要敏感负荷，其切负荷优先级较低。
S2.依据负荷线路实际所属变电站将各负荷线路划分至相应的逻辑子站，并对每个逻辑子站设置优先级定值。所述逻辑子站优先级定值可根据该逻辑子站下辖的所有负荷线路综合评价得分的平均值确定。
S3.主站按照先层级、后逻辑子站优先级的二维列表的顺序依次搜索可切负荷线路。直到搜索的可切负荷线路未来Tf时刻负荷预测值的总和达到低频需切量PT时停止搜索，得到需切负荷。
所述可切负荷线路是指功率为正且出口跳闸压板状态为退出的负荷线路。
搜索过程为：首先对层级1内的所有负荷线路依照逻辑子站优先级由高到低的顺序进行可切负荷线路搜索，当搜索到的可切负荷线路未来Tf时刻负荷预测值的总和大于低频需切量时，说明所要切除的线路已经足够，所以停止搜索，搜索到的所有可切负荷线路即是未来Tf时刻需切线路；若层级1内所有负荷线路搜索完毕后，搜索到的可切负荷线路未来Tf时刻负荷预测值的总和仍然小于低频需切量时，则继续搜索下一层级(层级2)，重复以上过程，直至满足搜索到的可切负荷线路未来Tf时刻负荷预测值的总和大于低频需切量条件，停止搜索，搜索到的所有可切负荷线路即是未来Tf时刻需切线路。
搜索停止之前，由于最后一个层级内最后一个逻辑子站内负荷线路是部分切除，所搜索的最后一个层级的最后一个逻辑子站内的负荷线路按照未来Tf时刻负荷预测值从大到小的顺序进行搜索。
S4.得到需切线路后，负荷协调控制主站将其转换为装置的未来Tf时刻低频跳闸出口定值下发给装置。
本发明中需切线路的搜索过程综合考虑了负荷多维属性及其地域分布，自动根据低频需切量和当前可切线路功率情况进行变电站内、变电站间的负荷协调控制，并且其过切量仅仅是最后一个层级最后一个逻辑子站中的某一条负荷线路，实现了最小过切。该方法减小了过切或欠切，实现了站内、站间以及各轮次间负荷的协调优化控制，提升了负荷控制精细化水平，减少对正常的生产生活造成的影响和经济损失，具有显著的经济效益和社会效益。
步骤5：装置每间隔一段时间接收主站下发的Tf时刻的低频跳闸出口定值并存储下来，当达到Tf时刻时，装置将实时跳闸出口定值更新为该定值。当发生低频故障时仅基于就地信息判断故障，结合一定的本地防误策略，按照主站预先下发的跳闸出口定值动作切除相应的负荷线路。
当装置发生低频故障时仅基于就地信息判断故障，不依赖远方命令，通道发生故障时仍然可以按照预先设定的跳闸出口定值进行动作，可靠性有所保障。
所述本地防误策略是指当装置动作时，只有当主站下发的需切线路的实时功率Pr>0时，才允许出口。此处实时功率Pr>0表示功率方向为正，为正说明是负荷线，为负则为电源线。
传统低频减负荷装置按照预先设定的定值切除指定的线路，不清楚当时切除的线路是负荷还是电源，也不知道总的切负荷量是否满足设定值。本发明中低频装置实现对线路功率方向进行检测，保证动作时切除的线路一定是负荷线路。
本发明能够实现站间、站内负荷的协调控制，尽可能地提高切负荷精度、实现最小过切，同时避开属性为“源”的线路以及重要敏感用户，实现精准的负荷控制，降低稳控措施代价影响；同时因为预先集中协调具有预测性质，对于通道实时通信依赖性较小；而实时分布控制不依赖于通道而仅基于就地信息判断故障并动作出口，其可靠性也有所保障。
实施例2
基于与实施例1同样的发明构思，本发明的一种预先集中协调实时分布控制的低频减载***，包括装置和主站：
所述装置，用于采集负荷线路有功功率上传主站，以及每间隔一段时间接收主站下发的低频跳闸出口定值，在Tf时刻判断发生低频故障时，结合本地防误策略，按照低频跳闸出口定值动作切除相应的负荷线路；
所述主站，用于接收负荷线路有功功率，基于负荷线路有功功率计算得到低频需切量；预测得到负荷线路未来Tf时刻负荷预测值；每间隔一段时间搜索可切负荷线路，直到搜索的可切负荷线路未来Tf时刻负荷预测值的总和达到低频需切量时停止搜索，获得未来Tf时刻的需切负荷线路；将未来Tf时刻的需切负荷线路信息转换为低频跳闸出口定值下发给装置。
本发明***中各模块的具体实现方案参见实施例1方法的各步骤过程。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(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。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (10)

1.一种预先集中协调实时分布控制的低频减载方法，其特征在于，包括以下过程：
获取负荷线路有功功率，计算得到低频需切量；
预测得到负荷线路未来Tf时刻负荷预测值；
每间隔一段时间搜索可切负荷线路，直到搜索的可切负荷线路未来Tf时刻负荷预测值的总和达到低频需切量时停止搜索，获得未来Tf时刻的需切负荷线路；
将未来Tf时刻的需切负荷线路信息转换为低频跳闸出口定值下发给装置，以供其在Tf时刻判断发生低频故障时，结合本地防误策略，按照低频跳闸出口定值动作切除相应的负荷线路。
2.根据权利要求1所述的一种预先集中协调实时分布控制的低频减载方法，其特征在于，所述预测得到未来Tf时刻负荷预测值，包括：
基于未来Tf时刻的相关时间信息，预测得到负荷线路未来Tf时刻不同时间尺度的预测负荷，包括未来Tf时刻负荷的年平均预测负荷、月平均预测负荷以及时段平均预测负荷；
将得到的负荷线路未来Tf时刻的年平均预测负荷Pav_Y(TY)、月平均预测负荷Pav_M(TM)以及时段平均预测负荷Pav_TK(TK)，连同所在区域的气象因素数据，输入利用BP人工神经网络训练得到的负荷预测模型，得到负荷线路未来Tf时刻负荷预测值。
3.根据权利要求2所述的一种预先集中协调实时分布控制的低频减载方法，其特征在于，所述基于未来Tf时刻的相关时间信息，预测得到负荷线路未来Tf时刻不同时间尺度的预测负荷，包括：
S1.获得负荷线路预测Tf时刻所在年份TY之前i年的年平均负荷序列{Pav_Y(tn)|n＝1～i}，其中，年平均负荷Pav_Y(tn)按下式计算：
Figure FDA0003208601670000021
其中，P(t)为某条线路t时刻之后ΔT时段内的功率均值，ΔT这里取值为1年，p(t)为ΔT时段内实时采样数据；
考虑到采样值为离散序列，上述公式离散化表示为：
Figure FDA0003208601670000022
其中，p(tn)为在ΔT时段内功率p(t)在时间轴上等间隔离散化的序列，Δt为采样间隔，ΔT取值为1年；
S2.获得负荷线路预测Tf时刻所在月份TM之前m月的月平均负荷序列{Pav_M(tn)|n＝1～m}，其中，月平均负荷Pav_M(tn)按照如下公式计算：
Figure FDA0003208601670000023
其中，p(tn)为在ΔT时段内功率p(t)在时间轴上等间隔离散化的序列，Δt为采样间隔，ΔT这里取值为1个月；
S3.根据所要预测的负荷线路预测Tf时刻的属性TW确定其是否是周末，根据日期TD往前推q天同为周末或同为工作日的日期，跳过属性TW不一致的日期；将一天划分为若干个时段，每两个时段之差为两次预测的间隔时间，从当前时刻所在时段TK’往前推P个时段的集合为{Tk|k＝1～P}；首先计算某一时段负荷的平均值：
Figure FDA0003208601670000031
其中，p(tn)为在ΔT时段内功率p(t)在时间轴上等间隔离散化的序列，Δt为采样间隔，ΔT这里取值为(Tk+1-Tk)；
接下来计算属性TW相同的q天同一时段Tk的平均负荷的平均值PTk_Dq，则属性TW相同的q天同一时段Tk的平均负荷的平均值为表中按列累加取平均值，例如q天内T1时段的负荷的平均值为：
Figure FDA0003208601670000032
计算q天内所有时段负荷平均值，得到时段平均负荷序列{Pav_TK(tn)|n＝1～p}。
接着分别对年平均负荷序列、月平均负荷序列以及时段平均负荷序列做多项式拟合，获得对应的年平均负荷曲线函数、月平均负荷曲线函数以及时段平均负荷曲线函数；
分别将Tf时刻所在年份TY、所在月份TM以及所处时段TK代入年平均负荷曲线函数、月平均负荷曲线函数以及时段平均负荷曲线函数，得到未来Tf时刻的年平均预测负荷Pav_Y(TY)、月平均预测负荷Pav_M(TM)以及时段平均预测负荷Pav_TK(TK)。
4.根据权利要求3所述的一种预先集中协调实时分布控制的低频减载方法，其特征在于，所述分别对年平均负荷序列、月平均负荷序列以及时段平均负荷序列做多项式拟合，获得对应的年平均负荷曲线函数、月平均负荷曲线函数以及时段平均负荷曲线函数，包括：
S1.年平均负荷曲线用(i-1)次多项式进行拟合，设由i年年平均负荷确定的年平均负荷曲线函数为：
Pav_Y(t)＝a0ti-1+a1ti-2+…+ai-1
将之前得到的年平均负荷序列{Pav_Y(tn)|n＝1～i}代入上式中，即确定该函数的各个系数a0…ai-1；
S2.类似的，得到月平均负荷曲线函数为：
Pav_M(t)＝b0tm-1+b1tm-2+…+bm-1
将之前得到的月平均负荷序列{Pav_M(tn)|n＝1～m}带入上式中，即确定该函数的各个系数b0…bi-1；
S3.类似的，得到时段平均负荷曲线函数为：
Pav_TK(t)＝c0tp-1+c1tp-2+…+cp-1
将之前得到的时段平均负荷序列{Pav_TK(tn)|n＝1～p}带入上式中，即确定该函数的各个系数c0…ci-1。
5.根据权利要求1所述的一种预先集中协调实时分布控制的低频减载方法，其特征在于，所述BP人工神经网络包括信息的正向传递与误差的反向传播；在正向传播过程中，输入信息从输入层经隐含层逐层计算传向输出层，每一层神经元的状态只影响下一层神经元的状态，如果在输出层没有得到期望输出，则计算输出层的误差变化值，然后转向误差反向传播，通过网络将误差信号沿原来的连接通路反传回来修改各神经元的权值直至达到期望目标；
设输入节点为xj(j＝1…r)，r为输入节点数，隐节点为yi(i＝1…S1)，S1为输出节点数，输出节点为ok(k＝1…S2)，S2为输出节点数；输入节点与隐节点之间的网络权值为w1ij，隐节点与输出节点间的连接权值为w2ki，隐节点的阈值为θ1i，输出接点的阈值为θ2k，隐含层和输出层的激活函数为
Figure FDA0003208601670000041
期望输出为tk；
BP神经网络的算法步骤如下：
(1)信息的正向传播
①隐含层中第i个神经元的输出为：
Figure FDA0003208601670000051
②输出层中第k个神经元的输出为：
Figure FDA0003208601670000052
③定义误差函数为：
Figure FDA0003208601670000053
(2)利用梯度下降法求权值变化及阈值变化；
①输出层的权值变化对从第i个输入到第k个输出的权值有：
Figure FDA0003208601670000054
②输出层的阈值变化对从第i个输入到第k个输出的阈值有：
Figure FDA0003208601670000055
③隐含层的权值变化对从第j个输入到第i个输出的权值有：
Figure FDA0003208601670000056
其中，γi为第i个隐含层节点的输出；
④隐含层的阈值变化对从第j个输入到第i个输出的阈值有：
Figure FDA0003208601670000061
利用历史负荷数据中年平均预测负荷、月平均预测负荷和时段平均预测负荷以及气象因素数据作为BP神经网络的输入，负荷预测值作为神经网络的输出，对BP神经网络进行训练。
6.根据权利要求1所述的一种预先集中协调实时分布控制的低频减载方法，其特征在于，所述搜索可切负荷线路，包括：
S1.依据每条负荷线路多维属性综合评价得分对负荷线路切除优先级进行排序，并据此确定每条负荷线路的层级定值，优先切除优先级高的线路；
S2.依据负荷线路实际所属变电站将各负荷线路划分至相应的逻辑子站，并对每个逻辑子站设置优先级定值；
S3.按照先层级、后逻辑子站优先级的二维列表的顺序依次搜索可切负荷线路，直到搜索的可切负荷线路未来Tf时刻负荷预测值的总和达到低频需切量PT时停止搜索，得到需切负荷。
7.根据权利要求6所述的一种预先集中协调实时分布控制的低频减载方法，其特征在于，搜索过程为：
首先对层级1内的所有负荷线路依照逻辑子站优先级由高到低的顺序进行可切负荷线路搜索，当搜索到的可切负荷线路未来Tf时刻负荷预测值的总和大于低频需切量时，停止搜索，搜索到的所有可切负荷线路即是未来Tf时刻需切线路；
若层级1内所有负荷线路搜索完毕后，搜索到的可切负荷线路未来Tf时刻负荷预测值的总和仍然小于低频需切量时，则继续搜索下一层级，重复以上过程，直至满足搜索到的可切负荷线路未来Tf时刻负荷预测值的总和大于低频需切量条件，停止搜索，搜索到的所有可切负荷线路即是未来Tf时刻需切线路；
搜索停止之前，由于最后一个层级内最后一个逻辑子站内负荷线路是部分切除，所搜索的最后一个层级的最后一个逻辑子站内的负荷线路按照未来Tf时刻负荷预测值从大到小的顺序进行搜索。
8.根据权利要求6所述的一种预先集中协调实时分布控制的低频减载方法，其特征在于，所述依据每条负荷线路多维属性综合评价得分对负荷线路切除优先级进行排序，并据此确定每条负荷线路的层级定值；
统计中断损失、所属用电部门、灵敏度、电气距离四个维度的属性，将其作为评价指标；对于一条负荷线路，某个评价指标得分越低代表在该维度下该条负荷线路切除优先级越低；
给每个评价指标分配一个权重，然后将负荷线路的每个评价指标得分与其权重相乘，得出每条负荷线路的加权综合得分；
按照各条负荷线路加权综合得分高低排序，从而确定每条负荷线路的层级定值。
9.根据权利要求1所述的一种预先集中协调实时分布控制的低频减载方法，其特征在于，所述本地防误策略为当装置动作时，只有当需切线路的实时功率Pr>0时，才允许出口。
10.一种预先集中协调实时分布控制的低频减载***，其特征在于，包括装置和主站：
所述装置，用于采集负荷线路有功功率上传主站，以及每间隔一段时间接收主站下发的低频跳闸出口定值，在Tf时刻判断发生低频故障时，结合本地防误策略，按照低频跳闸出口定值动作切除相应的负荷线路；
所述主站，用于接收负荷线路有功功率，基于负荷线路有功功率计算得到低频需切量；预测得到负荷线路未来Tf时刻负荷预测值；每间隔一段时间搜索可切负荷线路，直到搜索的可切负荷线路未来Tf时刻负荷预测值的总和达到低频需切量时停止搜索，获得未来Tf时刻的需切负荷线路；将未来Tf时刻的需切负荷线路信息转换为低频跳闸出口定值下发给装置。
CN202110924308.5A 2021-08-12 2021-08-12 一种预先集中协调实时分布控制的低频减载方法及*** Active CN113657032B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110924308.5A CN113657032B (zh) 2021-08-12 2021-08-12 一种预先集中协调实时分布控制的低频减载方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110924308.5A CN113657032B (zh) 2021-08-12 2021-08-12 一种预先集中协调实时分布控制的低频减载方法及***

Publications (2)

Publication Number Publication Date
CN113657032A true CN113657032A (zh) 2021-11-16
CN113657032B CN113657032B (zh) 2023-11-24

Family

ID=78491532

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110924308.5A Active CN113657032B (zh) 2021-08-12 2021-08-12 一种预先集中协调实时分布控制的低频减载方法及***

Country Status (1)

Country Link
CN (1) CN113657032B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116415801A (zh) * 2023-06-12 2023-07-11 山东创宇环保科技有限公司 基于大数据的商业能源负荷智能分配方法及***

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5295078A (en) * 1991-05-17 1994-03-15 Best Power Technology Corporation Method and apparatus for determination of battery run-time in uninterruptible power system
JP2006204039A (ja) * 2005-01-21 2006-08-03 Chugoku Electric Power Co Inc:The 配電系統負荷想定方法、配電系統負荷想定装置
CN104242316A (zh) * 2014-09-24 2014-12-24 广州供电局有限公司 低频低压切负荷总量的分析方法和***
CN104466971A (zh) * 2014-12-22 2015-03-25 南京加伏沃新能源科技有限公司 考虑分布式电源点的低频减载被切负荷分配的方法
CN106779129A (zh) * 2015-11-19 2017-05-31 华北电力大学（保定） 一种考虑气象因素的短期电力负荷预测方法
CN107301478A (zh) * 2017-06-26 2017-10-27 广东电网有限责任公司珠海供电局 一种电缆线路短时负荷预测方法
CN107591814A (zh) * 2017-10-25 2018-01-16 贵州电网有限责任公司电力调度控制中心 一种低频低压自适应精确切负荷方法
CN109449922A (zh) * 2018-09-30 2019-03-08 国网浙江省电力有限公司温州供电公司 海岛智能用电***及其与微电网控制中心交互方法
CN110348592A (zh) * 2019-05-21 2019-10-18 华电电力科学研究院有限公司 一种基于人工神经网络的负荷模型预测方法及预测***
CN110601208A (zh) * 2019-09-12 2019-12-20 深圳供电局有限公司 一种基于多维度负荷属性的精准负荷控制方法及***
CN112186782A (zh) * 2020-09-30 2021-01-05 山东大学 一种与频率偏移成比例的精准低频减载***及方法
CN112712203A (zh) * 2020-12-29 2021-04-27 湖南大学 一种配电网日最高负荷预测方法和***

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5295078A (en) * 1991-05-17 1994-03-15 Best Power Technology Corporation Method and apparatus for determination of battery run-time in uninterruptible power system
JP2006204039A (ja) * 2005-01-21 2006-08-03 Chugoku Electric Power Co Inc:The 配電系統負荷想定方法、配電系統負荷想定装置
CN104242316A (zh) * 2014-09-24 2014-12-24 广州供电局有限公司 低频低压切负荷总量的分析方法和***
CN104466971A (zh) * 2014-12-22 2015-03-25 南京加伏沃新能源科技有限公司 考虑分布式电源点的低频减载被切负荷分配的方法
CN106779129A (zh) * 2015-11-19 2017-05-31 华北电力大学（保定） 一种考虑气象因素的短期电力负荷预测方法
CN107301478A (zh) * 2017-06-26 2017-10-27 广东电网有限责任公司珠海供电局 一种电缆线路短时负荷预测方法
CN107591814A (zh) * 2017-10-25 2018-01-16 贵州电网有限责任公司电力调度控制中心 一种低频低压自适应精确切负荷方法
CN109449922A (zh) * 2018-09-30 2019-03-08 国网浙江省电力有限公司温州供电公司 海岛智能用电***及其与微电网控制中心交互方法
CN110348592A (zh) * 2019-05-21 2019-10-18 华电电力科学研究院有限公司 一种基于人工神经网络的负荷模型预测方法及预测***
CN110601208A (zh) * 2019-09-12 2019-12-20 深圳供电局有限公司 一种基于多维度负荷属性的精准负荷控制方法及***
CN112186782A (zh) * 2020-09-30 2021-01-05 山东大学 一种与频率偏移成比例的精准低频减载***及方法
CN112712203A (zh) * 2020-12-29 2021-04-27 湖南大学 一种配电网日最高负荷预测方法和***

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
史军;王加澍;熊峰;程维杰;宋俊文;马刚;: "基于智能负载的微电网精准切负荷控制策略", 电力工程技术, no. 02 *
王传旭;: "基于RBF神经网络的短期电力负荷预测", 供用电, no. 12 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116415801A (zh) * 2023-06-12 2023-07-11 山东创宇环保科技有限公司 基于大数据的商业能源负荷智能分配方法及***
CN116415801B (zh) * 2023-06-12 2023-08-29 山东创宇环保科技有限公司 基于大数据的商业能源负荷智能分配方法及***

Also Published As

Publication number Publication date
CN113657032B (zh) 2023-11-24

Similar Documents

Publication Publication Date Title
CN106972481B (zh) 规模化充电设施接入有源配电网的安全性量化评估方法
CN107818385B (zh) 一种梯级水电站群实时运行趋势预测方法
JP4890920B2 (ja) 複数の分散型電源が連系された配電系統の電力品質維持支援方法及び電力品質維持支援システム
CN104167734B (zh) 基于时序模拟的并网型微网可靠性评估方法
CN102509173B (zh) 一种基于马尔科夫链的电力***负荷准确预测方法
KR20160076376A (ko) 다중 에너지저장장치 시스템의 계통 주파수 제어 방법 및 그를 위한 시스템
CN110137952B (zh) 一种实现源-荷-储协调运行的优化模型与方法
CN104299057A (zh) 基于多因素的油浸式变压器顶层油温预测方法
CN111049193B (zh) 一种风电***多调度场景的备用需求动态评估方法
CN111260188B (zh) 一种电压暂降治理装置配置方法
CN107144764A (zh) 一种基于电表数据的用户电压暂降事故检测方法
CN110969306A (zh) 基于深度学习的配电低压台区负荷预测方法及装置
CN113300403B (zh) 太阳能微网储能容量配置优化处理***及处理方法
CN107069835B (zh) 新能源电站实时有功的分配方法及分配装置
CN116308306B (zh) 一种基于5g的新能源场站智慧管理***及方法
CN114386833A (zh) 主动配电网弹性评估与移动储能调控方法
CN115036978A (zh) 分布式光伏集群的运行控制方法和***
CN113205252A (zh) 基于需求侧负荷调峰潜力参数预测的聚合负荷调度方法
CN113657032B (zh) 一种预先集中协调实时分布控制的低频减载方法及***
CN117477541A (zh) 一种基于分区控制的城市电网无功电压动态优化控制方法
CN114362246A (zh) 一种电网可接入分布式光伏容量测算方法
CN107491866B (zh) 一种省地一体化电网安全稳定综合防御方法
CN107749631B (zh) 机组一次调频能力预估方法
CN104252647B (zh) 基于反距离权重插值法的用电负荷预测方法
CN105162173A (zh) 一种接入风力发电的电力***备用容量确定方法

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