CN115241901B - 考虑数据质量的智能储能软开关数据驱动电压控制方法 - Google Patents
考虑数据质量的智能储能软开关数据驱动电压控制方法 Download PDFInfo
- Publication number
- CN115241901B CN115241901B CN202210893877.2A CN202210893877A CN115241901B CN 115241901 B CN115241901 B CN 115241901B CN 202210893877 A CN202210893877 A CN 202210893877A CN 115241901 B CN115241901 B CN 115241901B
- Authority
- CN
- China
- Prior art keywords
- energy storage
- data
- voltage
- time
- soft switch
- 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
- 238000004146 energy storage Methods 0.000 title claims abstract description 194
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000005259 measurement Methods 0.000 claims abstract description 103
- 238000009826 distribution Methods 0.000 claims abstract description 69
- 230000033228 biological regulation Effects 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 44
- 239000013598 vector Substances 0.000 claims description 32
- 230000001629 suppression Effects 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 13
- 238000007599 discharging Methods 0.000 claims description 12
- 238000002347 injection Methods 0.000 claims description 10
- 239000007924 injection Substances 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 230000001276 controlling effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 239000000243 solution Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 125000003275 alpha amino acid group Chemical group 0.000 claims description 2
- 230000003321 amplification Effects 0.000 claims description 2
- 150000001875 compounds Chemical class 0.000 claims description 2
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 2
- 238000002360 preparation method Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 8
- 230000002411 adverse Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 230000035699 permeability Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 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
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- 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
-
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明考虑数据质量的智能储能软开关数据驱动电压控制方法,综合考虑了配电网线路参数不可知性、分布式电源位置和出力情况不确定性,通过量测数据建立数据驱动模型,由于上传数据中存在的量测坏数据和量测数据扰动会影响数据驱动配电网电压调节效果,因此采用基于密度的局部离群因子法对坏数据进行辨识,并在数据驱动调节过程中引入衰减因子对量测扰动进行抑制。本发明提供一种能够在数据质量较差条件下,克服量测数据中量测坏数据和量测扰动给数据驱动电压控制带来的不良影响,对含多端智能储能软开关的配电网进行电压调节,保证数据驱动电压控制的有效性和稳定性,有效提升了配电网的运行可控性和灵活性,对于保障配电网安全经济运行具有重要意义。
Description
技术领域
本发明涉及一种配电网电压调节方法。特别是涉及一种考虑数据质量的智能储能软开关数据驱动电压控制方法。
背景技术
分布式电源的高渗透率接入,使配电网的运行控制面临包括电压越限、潮流倒送等巨大挑战。多端智能储能软开关是一种替代传统馈线联络开关的新型柔性电力电子装置,能够快速、精准地控制潮流分布以实现更大范围内馈线间功率的灵活交换,结合储能环节的快速响应特性,为应对间歇式电源在分布式电源渗透率日益提高形势下电网安全经济运行问题提供了更好的解决方案。多端智能储能软开关在配电网中的应用,为配电网提供了快速响应容量,有助于平抑电压波动、调节功率分布,有效提升了配电网的运行可控性和灵活性。因此对多端智能储能软开关进行合理调控对于保障配电网安全经济运行具有重要意义。
然而基于物理模型的多端智能储能软开关优化策略无法适应配电网运行状态的频繁变化。而且在实际复杂的运行环境下,配电网的准确参数难以获得。智能量测终端和通信网络的快速发展推动了配电***高度信息化,为数据驱动优化方法的实施创造了有利条件。数据驱动不依赖受控***的详细数学模型信息,仅通过利用量测数据,统计性描述复杂环节的输入输出关系,实现复杂环节未知特性的模拟构建,进而实现配电网电压控制的目标。然而,由于量测装置本身的精度限制等原因,量测数据中存在量测扰动,并且由于外界物理因素和其他数据源的出现,也会导致量测数据中存在坏数据,因此实际配电网中的量测上传数据存在数据质量问题,而数据驱动方法完全依赖量测数据,量测数据的质量对数据驱动柔性配电网的电压调节效果有不可避免地影响。
因此,引入坏数据辨识环节对量测数据进行在线识别,并针对量测扰动引入衰减因子,从而设计考虑量测数据质量的数据驱动电压控制方法,削弱坏数据和量测扰动对控制效果的影响,有效提升配电网的电压调节效果。
发明内容
本发明所要解决的技术问题是,为克服现有技术的不足,提供一种能够在数据质量较差条件下,对含多端智能储能软开关的配电网进行电压调节的考虑数据质量的智能储能软开关数据驱动电压控制方法。
本发明所采用的技术方案是:一种考虑数据质量的智能储能软开关数据驱动电压控制方法,包括如下步骤:
1)根据选定的有源配电网,输入***的l天各时刻的有源配电网节点电压、注入功率历史数据及参数信息;
2)依据步骤1)中选定的有源配电网,获取t-Δt′至t时段内含有坏数据和量测扰动wt的各节点电压量测数据,建立t时刻电压量测矩阵对/>中的电压量测数据进行坏数据辨识,并计算坏数据处理后的t时刻电压平均量测数据/>
4)依据所述t时刻电压偏差扰动抑制数据建立t时刻多端智能储能软开关SOP环节第r个端口的伪雅可比矩阵/>结合t时刻电压偏差扰动抑制数据/>与m天各时刻的有源配电网节点电压、注入功率历史数据中所对应时刻的数据,采用多层递阶预报算法,计算t时刻多端智能储能软开关储能环节伪雅可比估计矩阵/>
5)依据t时刻多端智能储能软开关SOP环节第r个端口的伪雅可比矩阵和t时刻多端智能储能软开关储能环节伪雅可比估计矩阵/>建立考虑量测数据质量的数据驱动多端智能储能软开关数据驱动电压控制模型,包括:以有源配电网各节点电压偏差最小为目标的目标函数,多端智能储能软开关SOP环节各端口换流器容量、损耗约束及有功、无功功率出力上下限约束,多端智能储能软开关储能环节的充放电效率约束、充放电功率上下限约束、预测域Tp内荷电状态约束和充放电次数限制约束;
6)采用数学解算器对考虑量测数据质量的数据驱动多端智能储能软开关数据驱动电压控制模型进行求解,下发并执行求解结果,所述求解结果包括:t时刻多端智能储能软开关储能环节的充放电功率t时刻多端智能储能软开关SOP环节第r个端口的有功、无功出力/>
7)更新控制时刻t=t+Δt,判断t-t0≥βΔTc是否成立,若是,则令Tp=Tp-ΔTc,β=β+1,若否,则执行步骤8),其中,β为控制参数,Δt为控制时间间隔,t0为起始时刻,Tp为预测域,ΔTc为控制域;
8)依据步骤7)中的控制时刻t,判断t-t0是否大于优化时长T,若否,则转到步骤2),若是,则结束。
本发明的考虑数据质量的智能储能软开关数据驱动电压控制方法,综合考虑了配电网线路参数不可知性、分布式电源位置和出力情况不确定性,通过量测数据建立数据驱动模型,由于上传数据中存在的量测坏数据和量测数据扰动会影响数据驱动配电网电压调节效果,因此采用基于密度的局部离群因子法对坏数据进行辨识,并在数据驱动调节过程中引入衰减因子对量测扰动进行抑制。本发明的方法,在实际复杂的运行环境和配电网运行状态的频繁变化,配电网的准确参数难以获得的情况下,提供一种能够在数据质量较差条件下,克服量测数据中量测坏数据和量测扰动给数据驱动电压控制带来的不良影响,对含多端智能储能软开关的配电网进行电压调节,保证数据驱动电压控制的有效性和稳定性,有效提升了配电网的运行可控性和灵活性,对于保障配电网安全经济运行具有重要意义。
附图说明
图1是本发明考虑数据质量的智能储能软开关数据驱动电压控制方法的流程图;
图2是采用改进的天津示范区含四端智能储能软开关柔性互联配电网算例结构图;
图3是24小时分布式电源出力曲线;
图4是24小时负荷曲线;
图5是24小时各场景全局电压最大值结果对比图;
图6是24小时各场景全局电压最小值结果对比图;
图7是24小时各区域节点电压最值分布图;
图8是24小时多端智能储能软开关各端口有功出力图;
图9是24小时多端智能储能软开关各端口无功出力图;
图10是24小时储能环节荷电状态变化图。
具体实施方式
下面结合实施例和附图对本发明的考虑数据质量的智能储能软开关数据驱动电压控制方法做出详细说明。
如图1所示,本发明的考虑数据质量的智能储能软开关数据驱动电压控制方法,包括如下步骤:
1)根据选定的有源配电网,输入***的l天各时刻的有源配电网节点电压、注入功率历史数据及参数信息;所述的参数信息,包括:多端智能储能软开关的容量、接入位置及储能环节初始荷电状态和充放电功率限值,节点电压参考区间预测域Tp,控制域ΔTc,控制时间间隔Δt,优化时间T,量测数据获取时间窗Δt′,初始化控制参数β=1,起始时刻t0,初始化控制时刻t=t0。
2)依据步骤1)中选定的有源配电网,获取t-Δt′至t时段内含有坏数据和量测扰动wt的各节点电压量测数据,建立t时刻电压量测矩阵对/>中的电压量测数据进行坏数据辨识,并计算坏数据处理后的t时刻电压平均量测数据/>具体包括:
UΔt′,ξ=[UΔt′,ξ(1),…,UΔt′,ξ(i),…,UΔt′,ξ(I)]T (2)
式中,z表示t-Δt′至t时段内各节点上传的电压量测数据组数,I表示有源配电网的节点数,UΔt′,1、UΔt′,ξ、UΔt′,z分别表示t-Δt′至t时段内各节点上传的第1、ξ、z组电压量测数据,UΔt′,ξ(1)、UΔt′,ξ(i)、UΔt′,ξ(I)分别表示t-Δt′至t时段内第ξ组中有源配电网第1、i、I个节点上传的数据;
定义电压量测矩阵ut中电压数据的二维坐标如下:
[UΔt′,ξ(i),UΔt′,ξ(i)/σnorm(UΔt′,ξ)] (3)
(2.2)确定各电压量测数据的第k距离邻域
以t-Δt′至t时段内第ξ组中有源配电网第x个节点上传的电压量测数据UΔt′,ξ(x)为中心的k距离邻域为Nk[UΔt′,ξ(x)],表示如下:
式中,o为节点。
(2.3)计算第x个节点上传的电压量测数据UΔt′,ξ(x)与其他各节点上传的电压量测数据之间的距离dk[UΔt′,ξ(x),UΔt′,ξ(y)],表示如下:
式中,d[UΔt′,ξ(x),UΔt′,ξ(y)]表示t-Δt′至t时段内第ξ组中有源配电网第x个节点上传的电压量测数据UΔt′,ξ(x)到第y个节点上传的电压量测数据UΔt′,ξ(y)的欧式距离,dk[UΔt′,ξ(x)]表示在Nk[UΔt′,ξ(x)]内与电压量测数据UΔt′,ξ(x)相距最远数据点的欧氏距离,t是与节点x相距k距离中的任一节点。
(2.4)计算各电压量测数据的局部离群因子
电压量测数据UΔt′,ξ(x)的局部离群因子Fk[UΔt′,ξ(x)],表示如下:
式中,ρk[UΔt′,ξ(x)]、ρk[UΔt′,ξ(y)]分别表示电压量测数据UΔt′,ξ(x)和UΔt′,ξ(y)的局部密度,表示如下:
(2.5)计算局部离群因子阈值
若Fk[UΔt′,ξ(i)]>Fk,max,则电压量测数据UΔt′,ξ(i)为坏数据,令UΔt′,ξ(i)=0
式中,Fk,max表示采用四分位分析法设置的局部离群因子阈值,Q1、Q3表示局部离群因子组Fk的下四分位数和上四分位数,Fk=[Fk[UΔt′,ξ(1)],…,Fk[UΔt′,ξ(i)],…,Fk[UΔt′,ξ(I)]],Fk[UΔt′,ξ(1)]、[UΔt′,ξ(i)]、Fk[UΔt′,ξ(I)]分别表示电压量测数据UΔt′,ξ(1)、UΔt′,ξ(i)、UΔt′,ξ(I)的局部离群因子,表示局部离群因子组Fk的标准差,η1、η2表示标准差判别系数。
式中,ew,t表示设定的节点电压参考值Uref与t时刻电压平均量测数据的差值向量,/>表示t时刻电压平均量测数据/>与t-Δt时刻电压平均量测数据/>的差值向量,ζ表示衰减因子,Nk=ΔTc/Δt,表示控制域ΔTc内多端智能储能软开关的调控次数,es为偏差阈值参数,E表示单位列向量;Nw表示在ΔTc内,从|ew,t|≥esE阶段切换到|ew,t|<esE阶段时多端智能储能软开关已完成调控的次数;β表示衰减因子放大系数。
4)依据所述t时刻电压偏差扰动抑制数据建立t时刻多端智能储能软开关SOP环节第r个端口的伪雅可比矩阵/>结合t时刻电压偏差扰动抑制数据/>与m天各时刻的有源配电网节点电压、注入功率历史数据中所对应时刻的数据,采用多层递阶预报算法,计算t时刻多端智能储能软开关储能环节伪雅可比估计矩阵/>其中,
式中,和/>分别表示t时刻和t-Δt时刻智能储能软开关SOP环节第r个端口的伪雅可比矩阵,/>为/>的初始值;/> 表示t-Δt时刻多端智能储能软开关SOP环节第r个端口有功控制量的变化量向量,/> 分别表示t-Δt时刻、t-2Δt时刻多端智能储能软开关SOP环节第r个端口的出力策略,/>分别表示t-Δt时刻多端智能储能软开关SOP环节第r个端口的有功、无功功率差值向量,/>ηSOP、μSoP表示权重系数。
式中,θα,t表示t时刻的预测系数,其中α=1,…,l,Td表示以天为单位的估计时长;
定义回归系数向量θt=(θ1,t,…,θα,t,…,θl,t)T,θ1,t、θα,t、θl,t分别表示t时刻θt中第1、α、l个元素,θt迭代求解公式如下:
式中,t-Δt的伪雅可预测矩阵组 和/>分别表示利用t+nΔTc-Td时刻和t+nΔTc-lTd时刻由有源配电网历史量测数据计算得到的伪雅可比矩阵,δ代表权重系数,θt-Δt为t-Δt时刻的回归系数向量。
5)依据t时刻多端智能储能软开关SOP环节第r个端口的伪雅可比矩阵和t时刻多端智能储能软开关储能环节伪雅可比估计矩阵/>建立考虑量测数据质量的数据驱动多端智能储能软开关数据驱动电压控制模型,包括:以有源配电网各节点电压偏差最小为目标的目标函数,多端智能储能软开关SOP环节各端口换流器容量、损耗约束及有功、无功功率出力上下限约束,多端智能储能软开关储能环节的充放电效率约束、充放电功率上下限约束、预测域Tp内荷电状态约束和充放电次数限制约束;其中,
所述的目标函数,表示如下:
式中,J表示目标函数,J1、J′1表示调整后的目标函数,表示t+Δt时刻的电压参考值,/>表示t时刻电压平均量测数据,/>分别为电压参考区间上下限,/> r表示多端智能储能软开关的端口数量,/>表示t时刻多端智能储能软开关储能环节充放电功率差值向量,/>分别表示t时刻和t-Δt时刻的储能环节充放电功率,表示t时刻多端智能储能软开关SOP环节第r个端口有功和无功控制量的变化量向量,分别表示t时刻多端智能储能软开关SOP环节第r个端口的有功、无功功率差值向量,λES、λSOP表示权重系数,ζ表示衰减因子;/>为t+Δt时刻各节点电压估计值,表示如下:
式中,表示t时刻多端智能储能软开关SOP环节电压调控变化量向量,/>表示t时刻多端智能储能软开关SOP环节的第r个端口的伪雅可比矩阵;/>表示从t时刻开始,至t+NΔTc时刻的多端智能储能软开关储能环节电压调控变化量向量,/>分别表示t时刻、t+(N-1)ΔTc时刻多端智能储能软开关储能环节电压调控变化量向量;/>表示t时刻多端智能储能软开关储能环节伪雅可比估计矩阵;/>表示从t时刻开始,至t+(N-1)ΔTc时刻储能环节充放电功率变化量向量,/> 分别表示t时刻、t+(N-1)ΔTc时刻储能环节的充放电功率差值向量。
所述的多端智能储能软开关SOP环节各端口换流器容量、各端口换流器损耗约束及各端口换流器有功、无功功率出力上下限约束,表示如下:
式中,表示储能环节的实际充放电功率,/>分别表示t时刻多端智能储能软开关SOP环节第r个端口的有功和无功出力,/>表示t时刻多端智能储能软开关SOP环节第r个端口的换流器的损耗,/>表示多端智能储能软开关SOP环节第r个端口换流器的损耗系数,/>分别表示多端智能储能软开关SOP环节有功功率的上下限,表示t时刻多端智能储能软开关SOP环节第r个端口的实际注入有功功率,/>分别表示t时刻多端智能储能软开关SOP环节无功功率的上下限,/>表示多端智能储能软开关SOP环节第r个端口换流器的容量。
中所述的多端智能储能软开关储能环节的充放电效率约束、充放电功率上下限约束、预测域Tp内荷电状态约束和充放电次数限制约束,表示如下:
式中,表示储能环节的实际充放电功率,/>分别表示t、t-Δt时刻的储能环节充放电功率,/>分别表示储能环节的充放电效率,/>分别表示储能环节充放电功率计算值的上下限,/>分别表示t+ΔTc时刻和t+(N-1)ΔTc时刻储能环节的充放电功率差值,SES表示储能环节的容量,/>表示储能环节荷电状态上下限,/>分别表示储能***初始状态和预测域Tp结束后的荷电状态,/>表示阈值系数,/>分别表示t、t-Δt时刻多端智能储能软开关储能环节的荷电状态,N=Tp/ΔTc表示预测域Tp与控制域ΔTc的比值,/>表示t时刻多端智能储能软开关储能环节的充放电功率差值。
6)采用数学解算器对考虑量测数据质量的数据驱动多端智能储能软开关数据驱动电压控制模型进行求解,下发并执行求解结果,所述求解结果包括:t时刻多端智能储能软开关储能环节的充放电功率t时刻多端智能储能软开关SOP环节第r个端口的有功、无功出力/>
7)更新控制时刻t=t+Δt,判断t-t0≥βΔTc是否成立,若是,则令Tp=Tp-ΔTc,β=β+1,若否,则执行步骤8),其中,β为控制参数,Δt为控制时间间隔,t0为起始时刻,Tp为预测域,ΔTc为控制域;
8)依据步骤7)中的控制时刻t,判断t-t0是否大于优化时长T,若否,则转到步骤2),若是,则结束。
下面给出实例:
本发明的实施例,是改进的天津示范区含四端智能储能软开关柔性互联配电网算例,拓扑如图2所示。详细参数见表1~表2。
表1天津示范区配电网算例负荷接入位置及功率
表2天津示范区配电网算例线路参数
示范区以两个110kV变电站作为中心形成包含四条馈线的双环网结构,四个配电网区域通过四端智能储能软开关柔性互联,电压等级均设置为10.5kV,负荷总有功功率需求和总无功功率需求分别为9.9880MW和7.3350Mvar。
在本实施例中,为充分考虑高渗透率分布式电源接入对柔性配电网运行损耗与电压波动的影响,在示范区含四端智能储能软开关柔性互联配电网算例中分别接入3组光伏***和3台风电机组,分布式电源的渗透率达到90.11%。其中光伏***的接入位置为节点8、37、41,容量均为1MVA;风电机组的接入位置为节点12、21、44,容量均为2MVA,且不允许分布式电源出力削减。分布式电源的日有功出力曲线如图3所示。此外,算例中四端智能储能软开关的每个端口换流器容量为3MVA,储能环节容量为2MWh,充放电功率限制为0.5MW,荷电状态范围为20%-80%。
依据无模型自适应控制方法的收敛性和控制要求,将各权重因子设置为λES=20、μEs=0.5、λSOP=0.1、μEs=10,ηEs、ηSOP、ρSOP、δ均设置为1,储能环节的充放电效率均设置为99%,换流器损耗系数/>阈值系数ε=0.001,优化时间T设置为24小时,预测域Tp设置为24小时,控制域ΔTc设置为1小时,控制时间间隔Δt设置为5分钟,量测数据获取时间窗Δt′设置为0.5分钟。
为充分验证考虑量测数据质量的智能储能软开关数据驱动电压控制方法的先进性,本实施例中,采取如下四种场景进行对比分析:
场景1:不对多端智能储能软开关进行控制,得到配电网初始运行状态;
场景2:对多端智能储能软开关进行数据驱动控制,不含有坏数据处理和量测扰动抑制环节;
场景3:采用本发明方法对多端智能储能软开关进行数据驱动控制,含有坏数据处理和量测扰动抑制环节;
场景4:采用集中式优化方法对多端智能储能软开关进行控制。
执行优化计算的计算机硬件环境为Intel(R)Core(TM)i7-10700,主频为2.90GHz,内存为24GB;软件环境为Windows10操作***。
场景1、2、3、4中24小时全局电压最大值结果对比如图5所示。场景1、2、3、4中24小时全局电压最小值结果对比如图6所示。场景1、2、3、4中24小时各区域节点电压最值分布如图7所示。场景3中24小时多端智能储能软开关各端口有功出力如图8所示。场景3中24小时多端智能储能软开关各端口无功出力如图9所示。场景3中24小时储能环节荷电状态变化如图10所示。场景1、2、3、4中各电压指标对比如表3所示。
表3各场景电压指标对比
从图4至图6中可以看出,场景3能有效调节本实施例配电网电压水平。结合表3,再通过对比图4和图5中场景2、3的全局电压分布可以看出,场景3中在加入坏数据处理环节和量测扰动抑制环节后,配电网电压水平相比场景2有明显提升,对比图4和图5中场景3、4的全局电压分布可以看出,考虑量测数据质量的数据驱动电压控制场景的电压控制效果达到了接近全局最优。综合图4至图9可以看出,考虑量测数据质量的智能储能软开关数据驱动电压控制方法可以在数据质量较差的条件下有效解决配电网电压优化调节问题。
Claims (8)
1.一种考虑数据质量的智能储能软开关数据驱动电压控制方法,其特征在于,包括如下步骤:
1)根据选定的有源配电网,输入***的l天各时刻的有源配电网节点电压、注入功率历史数据及参数信息;
2)依据步骤1)中选定的有源配电网,获取t-Δt′至t时段内含有坏数据和量测扰动wt的各节点电压量测数据,建立t时刻电压量测矩阵对/>中的电压量测数据进行坏数据辨识,并计算坏数据处理后的t时刻电压平均量测数据/>具体包括:
UΔt′,ξ=[UΔt′,ξ(1),…,UΔt′,ξ(i),…,UΔt′,ξ(I)]T (2)
式中,z表示t-Δt′至t时段内各节点上传的电压量测数据组数,I表示有源配电网的节点数,UΔt′,1、UΔt′,ξ、UΔt′,z分别表示t-Δt′至t时段内各节点上传的第1、ξ、z组电压量测数据,UΔt′,ξ(1)、UΔt′,ξ(i)、UΔt′,ξ(I)分别表示t-Δt′至t时段内第ξ组中有源配电网第1、i、I个节点上传的数据;
[UΔt′,ξ(i),UΔt′,ξ(i)/σnorm(UΔt′,ξ)] (3)
(2.2)确定各电压量测数据的第k距离邻域
以t-Δt′至t时段内第ξ组中有源配电网第x个节点上传的电压量测数据UΔt′,ξ(x)为中心的k距离邻域为Nk[UΔt′,ξ(x)],表示如下:
式中,o为节点;
(2.3)计算第x个节点上传的电压量测数据UΔt′,ξ(x)与其他各节点上传的电压量测数据之间的距离dk[UΔt′,ξ(x),UΔt′,ξ(y)],表示如下:
式中,d[UΔt′,ξ(x),UΔt′,ξ(y)]表示t-Δt′至t时段内第ξ组中有源配电网第x个节点上传的电压量测数据UΔt′,ξ(x)到第y个节点上传的电压量测数据UΔt′,ξ(y)的欧式距离,dk[UΔt′,ξ(x)]表示在Nk[UΔt′,ξ(x)]内与电压量测数据UΔt′,ξ(x)相距最远数据点的欧氏距离,y是与节点x相距k距离中的任一节点;
(2.4)计算各电压量测数据的局部离群因子
电压量测数据UΔt′,ξ(x)的局部离群因子Fk[UΔt′,ξ(x)],表示如下:
式中,ρk[UΔt′,ξ(x)]、ρk[UΔt′,ξ(y)]分别表示电压量测数据UΔt′,ξ(x)和UΔt′,ξ(y)的局部密度,表示如下:
(2.5)计算局部离群因子阈值
若Fk[UΔt′,ξ(i)]>Fk,max,则电压量测数据UΔt′,ξ(i)为坏数据,令UΔt′,ξ(i)=0
式中,Fk,max表示采用四分位分析法设置的局部离群因子阈值,Q1、Q3表示局部离群因子组Fk的下四分位数和上四分位数,Fk=[Fk[UΔt′,ξ(1)],…,Fk[UΔt′,ξ(i)],…,Fk[UΔt′,ξ(I)]],Fk[UΔt′,ξ(1)]、[UΔt′,ξ(i)]、Fk[UΔt′,ξ(I)]分别表示电压量测数据UΔt′,ξ(1)、UΔt′,ξ(i)、UΔt′,ξ(I)的局部离群因子,表示局部离群因子组Fk的标准差,η1、η2表示标准差判别系数;
4)依据所述t时刻电压偏差扰动抑制数据建立t时刻多端智能储能软开关SOP环节第r个端口的伪雅可比矩阵/>结合t时刻电压偏差扰动抑制数据/>与m天各时刻的有源配电网节点电压、注入功率历史数据中所对应时刻的数据,采用多层递阶预报算法,计算t时刻多端智能储能软开关储能环节伪雅可比估计矩阵/>
5)依据t时刻多端智能储能软开关SOP环节第r个端口的伪雅可比矩阵和t时刻多端智能储能软开关储能环节伪雅可比估计矩阵/>建立考虑量测数据质量的数据驱动多端智能储能软开关数据驱动电压控制模型,包括:以有源配电网各节点电压偏差最小为目标的目标函数,多端智能储能软开关SOP环节各端口换流器容量、损耗约束及有功、无功功率出力上下限约束,多端智能储能软开关储能环节的充放电效率约束、充放电功率上下限约束、预测域Tp内荷电状态约束和充放电次数限制约束;
6)采用数学解算器对考虑量测数据质量的数据驱动多端智能储能软开关数据驱动电压控制模型进行求解,下发并执行求解结果,所述求解结果包括:t时刻多端智能储能软开关储能环节的充放电功率t时刻多端智能储能软开关SOP环节第r个端口的有功、无功出力/>
7)更新控制时刻t=t+Δt,判断t-t0≥βΔTc是否成立,若是,则令Tp=Tp-ΔTc,β=β+1,若否,则执行步骤8),其中,β为控制参数,Δt为控制时间间隔,t0为起始时刻,Tp为预测域,ΔTc为控制域;
8)依据步骤7)中的控制时刻t,判断t-t0是否大于优化时长T,若否,则转到步骤2),若是,则结束。
4.根据权利要求1所述的考虑数据质量的智能储能软开关数据驱动电压控制方法,其特征在于,步骤4)中所述的依据t时刻电压偏差扰动抑制数据建立t时刻多端智能储能软开关SOP环节第r个端口的伪雅可比矩阵/>表示如下:
5.根据权利要求1所述的考虑数据质量的智能储能软开关数据驱动电压控制方法,其特征在于,步骤4)中所述的结合t时刻电压偏差扰动抑制数据与m天各时刻的有源配电网节点电压、注入功率历史数据中所对应时刻的数据,采用多层递阶预报算法,计算t时刻多端智能储能软开关储能环节伪雅可比估计矩阵/>表示如下:
式中,θα,t表示t时刻的预测系数,其中α=1,…,l,Td表示以天为单位的估计时长;
定义回归系数向量θt=(θ1,t,…,θα,t,…,θl,t)T,θ1,t、θα,t、θl,t分别表示t时刻θt中第1、α、l个元素,θt迭代求解公式如下:
6.根据权利要求1所述的考虑数据质量的智能储能软开关数据驱动电压控制方法,其特征在于,步骤5)中所述的目标函数,表示如下:
式中,J表示目标函数,J1、J′1表示调整后的目标函数,表示t+Δt时刻的电压参考值,表示t时刻电压平均量测数据,/>分别为电压参考区间上下限,/> r表示多端智能储能软开关的端口数量,/>表示t时刻多端智能储能软开关储能环节充放电功率差值向量,/>分别表示t时刻和t-Δt时刻的储能环节充放电功率,表示t时刻多端智能储能软开关SOP环节第r个端口有功和无功控制量的变化量向量,/>分别表示t时刻多端智能储能软开关SOP环节第r个端口的有功、无功功率差值向量,λES、λSOP表示权重系数,ζ表示衰减因子;/>为t+Δt时刻各节点电压估计值,表示如下:
7.根据权利要求1所述的考虑数据质量的智能储能软开关数据驱动电压控制方法,其特征在于,步骤5)中所述的多端智能储能软开关SOP环节各端口换流器容量、各端口换流器损耗约束及各端口换流器有功、无功功率出力上下限约束,表示如下:
8.根据权利要求1所述的考虑数据质量的智能储能软开关数据驱动电压控制方法,其特征在于,步骤5)中所述的多端智能储能软开关储能环节的充放电效率约束、充放电功率上下限约束、预测域Tp内荷电状态约束和充放电次数限制约束,表示如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210893877.2A CN115241901B (zh) | 2022-07-27 | 2022-07-27 | 考虑数据质量的智能储能软开关数据驱动电压控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210893877.2A CN115241901B (zh) | 2022-07-27 | 2022-07-27 | 考虑数据质量的智能储能软开关数据驱动电压控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115241901A CN115241901A (zh) | 2022-10-25 |
CN115241901B true CN115241901B (zh) | 2023-06-20 |
Family
ID=83676697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210893877.2A Active CN115241901B (zh) | 2022-07-27 | 2022-07-27 | 考虑数据质量的智能储能软开关数据驱动电压控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115241901B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106249101A (zh) * | 2016-06-30 | 2016-12-21 | 湖南大学 | 一种智能配电网故障辨识方法 |
CN110263391A (zh) * | 2019-05-31 | 2019-09-20 | 广东电网有限责任公司 | 一种基于机会约束的有源配电网智能软开关规划方法 |
CN111443259A (zh) * | 2020-03-30 | 2020-07-24 | 国网山东省电力公司德州供电公司 | 基于局部异常因子检测的有源配电网故障诊断方法及*** |
CN111682594A (zh) * | 2020-06-15 | 2020-09-18 | 天津大学 | 数据驱动的配电网柔性变电站无模型自适应电压控制方法 |
WO2020223883A1 (en) * | 2019-05-06 | 2020-11-12 | Abb Schweiz Ag | Power converter and control method therefor |
CN114142498A (zh) * | 2021-11-30 | 2022-03-04 | 天津大学 | 一种数据驱动的分布式储能自适应预测控制电压调节方法 |
-
2022
- 2022-07-27 CN CN202210893877.2A patent/CN115241901B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106249101A (zh) * | 2016-06-30 | 2016-12-21 | 湖南大学 | 一种智能配电网故障辨识方法 |
WO2020223883A1 (en) * | 2019-05-06 | 2020-11-12 | Abb Schweiz Ag | Power converter and control method therefor |
CN110263391A (zh) * | 2019-05-31 | 2019-09-20 | 广东电网有限责任公司 | 一种基于机会约束的有源配电网智能软开关规划方法 |
CN111443259A (zh) * | 2020-03-30 | 2020-07-24 | 国网山东省电力公司德州供电公司 | 基于局部异常因子检测的有源配电网故障诊断方法及*** |
CN111682594A (zh) * | 2020-06-15 | 2020-09-18 | 天津大学 | 数据驱动的配电网柔性变电站无模型自适应电压控制方法 |
CN114142498A (zh) * | 2021-11-30 | 2022-03-04 | 天津大学 | 一种数据驱动的分布式储能自适应预测控制电压调节方法 |
Non-Patent Citations (3)
Title |
---|
Data-Driven Adaptive Operation of Soft Open Points in Active Distribution Networks;Yanda Huo等;IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS;第17卷(第12期);8230-8242 * |
基于局部离群因子的PMU连续坏数据检测方法;刘灏 等;电力***自动化;第46卷(第1期);25-32 * |
基于机会约束的有源配电网智能软开关电压控制方法;马世乾 等;电力***及其自动化学报;第31卷(第9期);104-115 * |
Also Published As
Publication number | Publication date |
---|---|
CN115241901A (zh) | 2022-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109361242B (zh) | 一种光伏发电自动电压控制方法 | |
CN111756050B (zh) | 一种风电场群分布式电压协调控制方法及*** | |
CN110265991B (zh) | 一种直流微电网的分布式协调控制方法 | |
CN116365506A (zh) | 含分布式光伏主动配电网节能降损优化方法及*** | |
CN106786630B (zh) | 一种含多类型分布式电源的电压无功优化控制方法 | |
CN112418496B (zh) | 一种基于深度学习的配电台区储能配置方法 | |
CN114142498A (zh) | 一种数据驱动的分布式储能自适应预测控制电压调节方法 | |
Mi et al. | Multiagent distributed secondary control for energy storage systems with lossy communication networks in DC microgrid | |
Ivic et al. | An extended control strategy for weakly meshed distribution networks with soft open points and distributed generation | |
CN111969662B (zh) | 数据驱动的多智能软开关分区协同自适应电压控制方法 | |
CN115241901B (zh) | 考虑数据质量的智能储能软开关数据驱动电压控制方法 | |
CN113890016A (zh) | 数据驱动的配电网多时间尺度电压协调控制方法 | |
Haileselassie et al. | Secondary control in multi-terminal VSC-HVDC transmission system | |
CN111651878B (zh) | 计及态势评估的大电网静态电压稳定优化决策方法及*** | |
CN111064201B (zh) | 一种基于网络拓扑优化控制的配电网电压优化调节方法 | |
Didden et al. | Sample efficient reinforcement learning with domain randomization for automated demand response in low-voltage grids | |
Li et al. | Short-term load forecasting for an industrial park using LSTM-RNN considering energy storage | |
CN115000994B (zh) | 一种多储能单元分组一致性功率分配方法 | |
Qin et al. | Tertiary control based on non-parametric model prediction for dc microgrid cluster | |
CN113537646B (zh) | 电网设备停电检修方案制定方法、***、设备及存储介质 | |
CN113285474B (zh) | 一种参数优化的交流微电网储能soc均衡分布式控制方法 | |
CN115347556A (zh) | 一种促进新能源消纳的储能电站容量配置方法 | |
Xiangyu et al. | Regional power grid AGC control strategy research based on Q-learning algorithm under WACPB mode | |
Wang et al. | A multi-agent deep reinforcement learning based multi-timescale voltage control for distribution system | |
Fu et al. | Electricity market price prediction based on differential evolutionary algorithm and neural network |
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 |