新能源电站人工智能控制电网节点电压的方法及系统与流程

1.本发明属于电网运行技术领域，尤其是涉及一种新能源电站人工智能控制电网节点电压的方法及系统。


背景技术：

2.电网的节点电压，是衡量电网运行状态和稳定性的最重要的指标之一，尤其是对于正常运行状态下的电网，通过调节节点的电压进行优化，一方面可以使得电网运行的状态更加稳定，另一方面也可以使得电网运行的效益更加的好。随着大规模可再生能源的并网，电网的电压问题也成为了调度部门所必须关注的问题，如何更有效的调节局部区域的节点电压，也成为调度部门所必须关注的问题。


技术实现要素：

3.本发明的目的在于提供一种新能源电站人工智能控制电网节点电压的方法及系统，以有效的调节局部区域的节点电压，提升电网运行状态的稳定性。
4.为了实现上述目的，本发明采用如下技术方案：
5.第一方面，本发明提供一种新能源电站人工智能控制电网节点电压的方法，包括：
6.获取目标电网目前待辨识场景的潮流数据；
7.获取潮流数据中的输入数据；将所述输入数据和待控制节点的电压变化量输入预先建立的待控制节点与所有敏感新能源电站的卷积人工神经网络分析模型中，进行辨识，获得所有敏感新能源电站的控制方案；核对所有敏感新能源电站实际的控制区间，对辨识得到的控制方案进行修正，消减控制方案中超出敏感新能源电站实际的控制区间的部分无功调节量，获得修正后的控制方案；
8.核对是否有能够达到控制目标的修正后的控制方案，如果有，输出能够达到控制目标的修正后的控制方案；如果没有，保留与待控制节点电压控制偏差最小的修正后的控制方案，对应敏感新能源电站不再参与辨识；以目前潮流为断面，以待控制节点电压与目标电压差值为输入，带入到待控制节点与其他敏感新能源电站的卷积人工神经网络分析模型中进行下一次辨识，获得其他敏感新能源电站的控制方案；对控制方案进行修正，获得修正后的控制方案；核对历次保留的修正后的控制方案和本次辨识获得的若干修正后的控制方案中的一个叠加，是否能够达到控制目标，如果能够达到控制目标，输出叠加的修正后的控制方案；如果否，保留本次辨识中与待控制节点电压控制偏差最小的修正后的控制方案，对应敏感新能源电站不再参与辨识，然后，进行下一次辨识，直至获得的叠加方案能够达到控制目标。
9.本发明进一步的改进在于：所述输入数据包括目标电网中所有节点电压的幅值和相角。
10.本发明进一步的改进在于：所述预先建立的待控制节点与所有敏感新能源电站的卷积人工神经网络分析模型的建立步骤包括：
11.s11、针对目标电网，选择一个典型潮流断面；
12.s12、在目标电网当前拓扑下，选择一个新能源电站，对其无功的输入敏感度分析；
13.s13、对敏感度分析获得的数据进行归一化处理，得到新能源电站单位无功变化，对应目标电网所有节点的节点电压变化值；
14.s14、对节点电压变化值进行排序，设定门槛值，保留大于或等于门槛值的节点电压变化值；所选新能源电站为保留节点的敏感新能源电站；
15.s15、针对目标电网的每个节点，以0.001电压变化，以1pu为基准，取正和负，得到节点电压变化新能源电站无功控制值，从而得到目标电网的每个节点电压控制的样本；
16.s16、核对所选择的典型潮流断面下，目标电网中所有新能源电站是否都进行了步骤s12至s15的分析，如果否则转到步骤s12，如果是进行下一步；
17.s17、核对目标电网所有的潮流断面都是否都经过了步骤s11至s16的分析，如果否则转到步骤s11，如果是进行下一步；
18.s18、以目标电网的潮流断面中的所有节点电压幅值和相角，以及待控制节点的电压变化量为输入，以待控制节点对应的所选一个敏感新能源电站的无功调节控制值为输出，通过训练建立一个待控制节点与敏感新能源电站的卷积人工神经网络分析模型；
19.s19、选择其它敏感新能源电站，重复s18获得待控制节点与所有敏感新能源电站的卷积人工神经网络分析模型。
20.本发明进一步的改进在于：还包括以下步骤：
21.重复步骤s18和s19，获得目标电网的所有待控制节点与所选敏感新能源电站的卷积人工神经网络分析模型。
22.本发明进一步的改进在于：所述步骤s12具体包括：
23.根据所选择的新能源电站的无功出力区间，从最小值开始按照设定的步长逐步的累加直至最大值，计算新能源电站的无功出力对目标电网中各节点电压的影响，得到所选择的新能源电站无功变化和目标电网中各节点电压变化对应列表。
24.第二方面，本发明提供一种新能源电站人工智能控制电网节点电压的装置，包括：
25.获取模块，用于获取目标电网目前待辨识场景的潮流数据；
26.初次辨识修正模块，用于获取潮流数据中的输入数据；将所述输入数据和待控制节点的电压变化量输入预先建立的待控制节点与所有敏感新能源电站的卷积人工神经网络分析模型中，进行辨识，获得所有敏感新能源电站的控制方案；核对所有敏感新能源电站实际的控制区间，对辨识得到的控制方案进行修正，消减控制方案中超出敏感新能源电站实际的控制区间的部分无功调节量，获得修正后的控制方案；
27.判断再辨识模块，用于核对是否有能够达到控制目标的修正后的控制方案，如果有，输出能够达到控制目标的修正后的控制方案；如果没有，保留与待控制节点电压控制偏差最小的修正后的控制方案，对应敏感新能源电站不再参与辨识；以目前潮流为断面，以待控制节点电压与目标电压差值为输入，带入到待控制节点与其他敏感新能源电站的卷积人工神经网络分析模型中进行下一次辨识，获得其他敏感新能源电站的控制方案；对控制方案进行修正，获得修正后的控制方案；核对历次保留的修正后的控制方案和本次辨识获得的若干修正后的控制方案中的一个叠加，是否能够达到控制目标，如果能够达到控制目标，输出叠加的修正后的控制方案；如果否，保留本次辨识中与待控制节点电压控制偏差最小
的修正后的控制方案，对应敏感新能源电站不再参与辨识，然后，进行下一次辨识，直至获得的叠加方案能够达到控制目标。
28.本发明进一步的改进在于：所述输入数据包括目标电网中所有节点电压的幅值和相角。
29.本发明进一步的改进在于：所述预先建立的待控制节点与所有敏感新能源电站的卷积人工神经网络分析模型的建立步骤包括：
30.s11、针对目标电网，选择一个典型潮流断面；
31.s12、在目标电网当前拓扑下，选择一个新能源电站，对其无功的输入敏感度分析；
32.s13、对敏感度分析获得的数据进行归一化处理，得到新能源电站单位无功变化，对应目标电网所有节点的节点电压变化值；
33.s14、对节点电压变化值进行排序，设定门槛值，保留大于或等于门槛值的节点电压变化值；所选新能源电站为保留节点的敏感新能源电站；
34.s15、针对目标电网的每个节点，以0.001电压变化，以1pu为基准，取正和负，得到节点电压变化新能源电站无功控制值，从而得到目标电网的每个节点电压控制的样本；
35.s16、核对所选择的典型潮流断面下，目标电网中所有新能源电站是否都进行了步骤s12至s15的分析，如果否则转到步骤s12，如果是进行下一步；
36.s17、核对目标电网所有的潮流断面都是否都经过了步骤s11至s16的分析，如果否则转到步骤s11，如果是进行下一步；
37.s18、以目标电网的潮流断面中的所有节点电压幅值和相角，以及待控制节点的电压变化量为输入，以待控制节点对应的所选一个敏感新能源电站的无功调节控制值为输出，通过训练建立一个待控制节点与敏感新能源电站的卷积人工神经网络分析模型；
38.s19、选择其它敏感新能源电站，重复s18获得待控制节点与所有敏感新能源电站的卷积人工神经网络分析模型。
39.第三方面，本发明提供一种电子设备，所述电子设备包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序以实现所述的新能源电站人工智能控制电网节点电压的方法。
40.第四方面，本发明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至少一个指令，所述至少一个指令被处理器执行时实现所述的新能源电站人工智能控制电网节点电压的方法。
41.相对于现有技术，本发明具有以下有益效果：
42.本发明提出了一种新能源电站人工智能控制电网节点电压的方法及系统，以电网的电压幅值相角以及所需要控制节点电压目标与当前电压的差值为输入，通过人工神经网络实现，以新能源场站无功出力输出为输出；本发明一方面能够充分利用新能源场站无功出力来实现对电网节点电压的调节，另一方面能够实现无功的就地最近调节避免了无功传输引起的线损，能够很好的实现电网节点电压的优化控制。
附图说明
43.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
44.图1为单机无穷大系统电压稳定分析示意图；
45.图2为本发明一种新能源电站人工智能控制电网节点电压的方法的流程示意图；
46.图3为训练模型的流程示意图；
47.图4为辨识步骤的流程示意图；
48.图5为本发明一种新能源电站人工智能控制电网节点电压的装置的结构框图；
49.图6为本发明一种电子设备的结构框图。
具体实施方式
50.下面将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
51.以下详细说明均是示例性的说明，旨在对本发明提供进一步的详细说明。除非另有指明，本发明所采用的所有技术术语与本发明所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式，而并非意图限制根据本发明的示例性实施方式。
52.随着大规模新能源作为电源接入电力系统，一方面其出力的随机性和间歇性对电网的电压造成了很大的影响，另一方面其不参与系统无功电压控制也没有承担起作为电源的调节责任。本发明提出了一种新能源电站人工智能控制电网节点电压的方法及系统，分析控制新能源电站的无功对所在区域节点电压的影响，通过人工神经网络建立相应的分析和评估模型，当调度系统发出对应区域电压调节的指令，则通过建立的模型启动对应的新能源电站的无功电压控制，从而实现对节点电压的优化调整。
53.从本质上讲，电压调节定问题是一个须考虑到电力系统元件动态特性的动态问题，通常也可以用静态潮流计算的方法对电压问题进行说明。图1为用于静态电压分析的单机～无穷大系统单线图，据此分析以风电为代表的可再生能源接入后的影响。
54.在上图中，风电场通过一等值线路接入无穷大系统，其中：
55.为风电场送出系统并网电的电压；
56.为无穷大系统节点电压；
57.为送出系统的电流；
58.s1为送出系统的功率；
59.z＝r+jx是等值线路的电阻和电抗(也称为短路阻抗)。
60.两节点之间的电压差可以表示为：
[0061][0062]
在工程中，为了清楚的说明问题，常常忽略次要的因素，只抓住问题的主要方面进行分析。为了避免分析中复数带来的影响，将整个风电场及其等值线路作为一个整体，从接入无穷大系统端进行分析。
[0063][0064][0065][0066][0067]
在一般情况下，由于
[0068][0069]
所以可以将上式简化为：
[0070][0071]
无穷大系统电压u2为恒定值，因此，风电场出口电压仍然是与等值线路的r、x值有密切的关系，当等值的线路参数确定时，则机端电压水平完全由风电场与等值线路作为一个子系统的有功、无功决定；由于风电场其无功特性不同，因此其接入电网后对电网电压稳定影响的程度也不同。
[0072]
因此，可以看出新能源电站可以通过无功控制来改善其相邻节点的电压，从而实现电压的优化控制。
[0073]
实施例1
[0074]
请参阅图2所示，本发明提供一种新能源电站人工智能控制电网节点电压的方法，包括：
[0075]
s1、获取目标电网目前待辨识场景的潮流数据；
[0076]
s2、获取潮流数据中的输入数据；将所述输入数据和待控制节点的电压变化量输入预先建立的待控制节点与所有敏感新能源电站的卷积人工神经网络分析模型中，进行辨识，获得所有敏感新能源电站的控制方案；核对所有敏感新能源电站实际的控制区间，对辨识得到的控制方案进行修正，消减控制方案中超出敏感新能源电站实际的控制区间的部分无功调节量，获得修正后的控制方案；
[0077]
s3、核对是否有能够达到控制目标的修正后的控制方案，如果有，输出能够达到控制目标的修正后的控制方案；如果没有，保留与待控制节点电压控制偏差最小的修正后的控制方案，对应敏感新能源电站不再参与辨识；以目前潮流为断面，以待控制节点电压与目标电压差值为输入，带入到待控制节点与其他敏感新能源电站的卷积人工神经网络分析模型中进行下一次辨识，获得其他敏感新能源电站的控制方案；对控制方案进行修正，获得修正后的控制方案；核对历次保留的修正后的控制方案和本次辨识获得的若干修正后的控制方案中的一个叠加，是否能够达到控制目标，如果能够达到控制目标，输出叠加的修正后的
控制方案；如果否，保留本次辨识中与待控制节点电压控制偏差最小的修正后的控制方案，对应敏感新能源电站不再参与辨识，然后，进行下一次辨识，直至获得的叠加方案能够达到控制目标。
[0078]
在一具体实施方式中，所述输入数据包括目标电网中所有节点电压的幅值和相角。
[0079]
在一具体实施方式中，所述预先建立的待控制节点与所有敏感新能源电站的卷积人工神经网络分析模型的建立步骤包括：
[0080]
s11、针对目标电网，选择一个典型潮流断面；
[0081]
s12、在目标电网当前拓扑下，选择一个新能源电站，对其无功的输入敏感度分析；
[0082]
s13、对敏感度分析获得的数据进行归一化处理，得到新能源电站单位无功变化，对应目标电网所有节点的节点电压变化值；
[0083]
s14、对节点电压变化值进行排序，设定门槛值，保留大于或等于门槛值的节点电压变化值；所选新能源电站为保留节点的敏感新能源电站；
[0084]
s15、针对目标电网的每个节点，以0.001电压变化，以1pu为基准，取正和负，得到节点电压变化新能源电站无功控制值，从而得到目标电网的每个节点电压控制的样本；
[0085]
s16、核对所选择的典型潮流断面下，目标电网中所有新能源电站是否都进行了步骤s12至s15的分析，如果否则转到步骤s12，如果是进行下一步；
[0086]
s17、核对目标电网所有的潮流断面都是否都经过了步骤s11至s16的分析，如果否则转到步骤s11，如果是进行下一步；
[0087]
s18、以目标电网的潮流断面中的所有节点电压幅值和相角，以及待控制节点的电压变化量为输入，以待控制节点对应的所选一个敏感新能源电站的无功调节控制值为输出，通过训练建立一个待控制节点与敏感新能源电站的卷积人工神经网络分析模型；
[0088]
s19、选择其它敏感新能源电站，重复s18获得待控制节点与所有敏感新能源电站的卷积人工神经网络分析模型。
[0089]
在一具体实施方式中，重复步骤s18和s19，获得目标电网的所有待控制节点与所选敏感新能源电站的卷积人工神经网络分析模型。
[0090]
在一具体实施方式中，所述步骤s12具体包括：
[0091]
根据所选择的新能源电站的无功出力区间，从最小值开始按照设定的步长逐步的累加直至最大值，计算新能源电站的无功出力对目标电网中各节点电压的影响，得到所选择的新能源电站无功变化和目标电网中各节点电压变化对应列表。
[0092]
实施例2
[0093]
本发明提出了一种新能源电站人工智能控制电网节点电压的方法，以电网所有节点的电压幅值和相角，以及所需要节点电压控制的目标(与当前值的插值)为输入，通过人工神经网络作为分析模型，输出需要调节的新能源电站及其无功出力的方案。
[0094]
请参阅图2所示，本发明的样本获取方案以及训练如图3所示。
[0095]
s11、首先，针对目标电网，选择一个典型潮流断面。
[0096]
s12、然后，在目标电网当前拓扑下，选择一个新能源电站，对其无功的输入敏感度分析；
[0097]
在一具体实施方式中，无功的输入敏感度分析方法具体包括：
[0098]
根据所选择的新能源电站的无功出力区间，从最小值开始按照设定的步长(通常取其无功出力区间的10％)来逐步的累加直至最大值，计算新能源电站的无功出力对目标电网中各节点电压的影响，得到所选择的新能源电站无功变化和目标电网中各节点电压变化对应列表。
[0099]
s13、对列表中的数据进行归一化处理，得到新能源电站单位无功变化，对应目标电网所有节点的节点电压变化值。
[0100]
s14、对节点电压变化值进行排序，以0.001为间隔并做四舍五入处理，设定门槛值，保留大于或等于门槛值的节点电压变化值；这些保留的节点电压变化值对应的节点对步骤s12选择的新能源电站的无功调节敏感，这些保留的节点称为对应新能源电站无功调节的敏感节点；对应的新能源电站称为保留节点的敏感新能源电站；
[0101]
在一具体实施方式中，一个新能源电站对应有多个敏感节点；一个节点对应可以有多个敏感新能源电站；
[0102]
s15、针对目标电网的每个节点，以0.001电压变化，以1pu为基准，取正和负，得到节点电压变化新能源电站无功控制值，从而得到目标电网的每个节点电压控制的样本。
[0103]
s16、核对所选择的典型潮流断面下，目标电网中所有新能源电站是否都进行了步骤s12至s15的分析，如果否则转到步骤s12，如果是进行下一步。
[0104]
s17、核对目标电网所有的潮流断面都是否都经过了步骤s11至s16的分析，如果否则转到步骤s11，如果是进行下一步。
[0105]
s18、以目标电网的潮流断面中的所有节点电压幅值和相角，以及待控制节点的电压变化量为输入，以待控制节点对应的所选一个敏感新能源电站的无功调节控制值为输出，通过训练建立一个待控制节点与敏感新能源电站的卷积人工神经网络分析模型；
[0106]
s19、选择其它敏感新能源电站，重复s18获得待控制节点与所有敏感新能源电站的卷积人工神经网络分析模型；如果待控制节点有m个敏感新能源电站，即获得m个待控制节点与所选敏感新能源电站的卷积人工神经网络分析模型；
[0107]
重复步骤s18和s19，可以获得目标电网的所有待控制节点与所选敏感新能源电站的卷积人工神经网络分析模型，完成模型的训练。
[0108]
针对目标电网中节点电压优化控制方法如图4所示，具体包括：
[0109]
s21、针对目标电网，导入目前需要辨识场景对应的潮流数据。
[0110]
s22、以所有节点电压的幅值和相角，以及待控制节点的电压变化量(需要以0.001为精度进行四舍五入)为输入。
[0111]
s23、代入待控制节点与所有敏感新能源电站的卷积人工神经网络分析模型中，进行辨识，获得所有敏感新能源电站的控制方案；所述控制方案为调节待控制节点的电压变化量，敏感新能源电站的无功调节量；
[0112]
s24、核对所有新能源电站实际的控制区间，对辨识得到的控制方案进行修正，消减控制方案中超出新能源电站实际的控制区间的部分无功调节量，获得修正后的控制方案。
[0113]
s25、将每个新能源电站修正后的控制方案带入到电网分析程序中，核对修正后的控制方案的是否达到控制目标。如果达到控制目标，输出能够达到控制目标的修正后的控制方案；如果不能达到控制目标，进入步骤s26；
digital，sd)卡，闪存卡(flash card)、至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。
[0124]
所述至少一个处理器102可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器102可以是微处理器或者该处理器102也可以是任何常规的处理器等，所述处理器102是所述电子设备100的控制中心，利用各种接口和线路连接整个电子设备100的各个部分。
[0125]
所述电子设备100中的所述存储器101存储多个指令以实现一种新能源电站人工智能控制电网节点电压的方法，所述处理器102可执行所述多个指令从而实现：
[0126]
获取目标电网目前待辨识场景的潮流数据；
[0127]
获取潮流数据中的输入数据；将所述输入数据和待控制节点的电压变化量输入预先建立的待控制节点与所有敏感新能源电站的卷积人工神经网络分析模型中，进行辨识，获得所有敏感新能源电站的控制方案；核对所有敏感新能源电站实际的控制区间，对辨识得到的控制方案进行修正，消减控制方案中超出敏感新能源电站实际的控制区间的部分无功调节量，获得修正后的控制方案；
[0128]
核对是否有能够达到控制目标的修正后的控制方案，如果有，输出能够达到控制目标的修正后的控制方案；如果没有，保留与待控制节点电压控制偏差最小的修正后的控制方案，对应敏感新能源电站不再参与辨识；以目前潮流为断面，以待控制节点电压与目标电压差值为输入，带入到待控制节点与其他敏感新能源电站的卷积人工神经网络分析模型中进行下一次辨识，获得其他敏感新能源电站的控制方案；对控制方案进行修正，获得修正后的控制方案；核对历次保留的修正后的控制方案和本次辨识获得的若干修正后的控制方案中的一个叠加，是否能够达到控制目标，如果能够达到控制目标，输出叠加的修正后的控制方案；如果否，保留本次辨识中与待控制节点电压控制偏差最小的修正后的控制方案，对应敏感新能源电站不再参与辨识，然后，进行下一次辨识，直至获得的叠加方案能够达到控制目标。
[0129]
实施例5
[0130]
所述电子设备100集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器及只读存储器(rom，read-only memory)。
[0131]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
[0132]
本发明是参照根据本发明实施例的方法、设备(系统)、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。
[0133]
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。
[0134]
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。
[0135]
最后应当说明的是：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应当理解：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，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。