输电设备数据处理方法与流程

本发明涉及智能配电，特别涉及一种输电设备数据处理方法。

背景技术：

随着智能电网技术的日益发展，世界各国投入了大量精力研究节能调度技术和加大新能源接入电网的力度，其目的就是减少常规能源的消耗以及降低温室气体的排放量，这对于节能减排具有重大的现实意义。电力系统优化调度是电力系统分析和控制中的一个非常重要的问题。其主要任务是保证用户用电需求和电力系统安全稳定的条件下，通过安排电源运行方式，使系统的总发电成本最低。然而对于风电这种不稳定性的能源，给电力系统优化调度带来了极大的挑战。虽然基于风电的随机优化技术已经应用于风电电力系统经济调度中，但是这些现有技术主要是模糊和概率建模，存在一定的局限性，从实际效果来看不够理想。

技术实现要素：

为解决上述现有技术所存在的问题，本发明提出了一种输电设备数据处理方法，包括：

读取智能电网系统参数，确定优化变量及其可行域；设置粒子群算法的仿真参数，令每个粒子的位置为优化变量向量；

在优化变量可行域内随机初始化每个粒子的位置和速度；

评估适应度函数，即对于每个粒子，首先针对当前场景，通过潮流算法计算线路损耗；然后判断是否满足给定概率下平衡节点有功功率和无功功率的约束，如果满足以上约束，则损耗值即作为适应度值；否则，采用绝对值减分函数对越限的约束进行减分，并以减分项和损耗作为适应度函数；

如果当前迭代次数超过预设的最大迭代次数，则结束算法的迭代优化过程；否则更新全局和个体历史最优位置，然后更新粒子的速度，最后更新粒子位置；更新迭代次数标记，然后迭代上述评估适应度函数的步骤。

优选的，所述给定概率下平衡节点有功功率和无功功率的约束，进一步包括：

将P_sum和Q_sum分别记为所有节点负荷的有功功率总和和无功功率总和，并满足正态分布：

分别为节点有功负荷的期望，分别为节点无功负荷的期望；

给定概率水平λ，平衡节点有功功率P_sw和无功功率Q_sw至少以概率水平λ满足其约束条件：

其中F_CP和F_CQ分别为P_sum和Q_sum的累积概率密度函数，上标^-1表示相应反函数；P^ND_i和Q^ND_i分别为节点i的分布式风力发电单元的有功出力和无功出力，P^DD_i和Q^DD_i分别为节点i的分布式热力发电单元的有功出力和无功出力；其中风力发电单元的有功出力和无功出力满足约束：

P^ND_i,min≤P^ND_i≤P^ND_i,max

Q^ND_i,min≤Q^ND_i≤Q^ND_i,max

优选的，所述根据潮流算法计算线路损耗中，当前场景下的潮流约束为：

Pⁱⁿ_i-V_i∑V_j(G_ijcosδ_ij+B_ijsinδ_ij)＝0

Qⁱⁿ_i-V_i∑V_j(G_ijcosδ_ij-B_ijsinδ_ij)＝0

其中，Pⁱⁿ_i和Qⁱⁿ_i分别是母线集合内节点i的有功总输入功率和无功总输入功率，G_ij为节点i和节点j之间的转移电导，B_ij为节点i和节点j之间的转移电纳，V_i和V_j分别为节点i和节点j的电压幅值，δ_ij为节点i和j之间的电压相角差；

所述采用绝对值减分函数对越限的约束进行减分，包括计算绝对值减分函数E(∑τ_idec_i)，具体定义为

若h_i＞h_i,min,则dec_i＝h_i-h_i,max

若h_i≤h_i,min,则dec_i＝h_i,min-h_i

h_i为第i个与优化变量约束有关的状态变量，h_i,min和h_i,max分别为h_i的下限和上限；dec_i为与第i个状态约束有关的状态变量的减分项；τ_i为第i个状态变量越限的减分因数。

本发明相比现有技术，具有以下优点：

本发明提出的输电设备数据处理方法，仅获得风电分布的部分概率参数的情况下，保证线路在各个状态约束不越限，并同时优化智能电网线路损耗，实现运行经济性的提升。

附图说明

图1是本发明输电设备数据处理方法的流程图。

具体实施方式

下文提供对本发明一个或者多个实施例的详细描述。结合这样的实施例描述本发明，但是本发明不限于任何实施例。本发明的范围仅由权利要求书限定，并且本发明涵盖诸多替代、修改和等同物。在下文描述中阐述诸多具体细节以便提供对本发明的透彻理解。出于示例的目的而提供这些细节，并且无这些具体细节中的一些或者所有细节也可以根据权利要求书实现本发明。

本发明的智能电网调度方法，该方法能够保证节点电压幅值、平衡节点有功功率和无功功率约束至少以一定概率水平满足，通过不越限概率水平，来平衡兼顾智能电网安全性和经济性等两方面的要求，故其具有比较好的可伸缩性。

将P^ND_i和Q^ND_i分别记为节点i的分布式风力发电单元的有功出力和无功出力，P^DD_i和Q^DD_i分别记为节点i的分布式热力发电单元的有功出力和无功出力。P^LD_i和Q^LD_i分别记为节点i负荷的有功功率和无功功率。风力发电单元的有功出力和无功出力满足约束：

P^ND_i,min≤P^ND_i≤P^ND_i,max

Q^ND_i,min≤Q^ND_i≤Q^ND_i,max

则平衡节点有功功率P_sw和无功功率Q_sw的越限约束满足：

∑(P^LD_i-P^ND_i,min-P^DD_i)≤P_sw,max

∑(Q^LD_i-Q^ND_i,min-Q^DD_i)≤Q_sw,max

∑(P^LD_i-P^ND_i,max-P^DD_i)≥P_sw,min

∑(Q^LD_i-Q^ND_i,max-Q^DD_i)≥P_sw,min

P_sum和Q_sum分别记为所有节点负荷的有功功率总和和无功功率总和，并满足正态分布：

分别为节点有功负荷的期望，分别为节点无功负荷的期望；

因此，给定概率水平λ，平衡节点有功功率P_sw和无功功率Q_sw至少以概率水平λ满足其约束条件。

其中F_CP和F_CQ分别为P_sum和Q_sum的累积概率密度函数，上标^-1表示相应反函数。

将r_i和x_i分别记为节点i和i-1之间配电线路的电阻值和电抗值；P^LL_i和Q^LL_i分别记为节点i和i-1之间配电线路的有功功率和无功功率。

计算j∈[1，n]范围内的-r_j/x_j；

当节点k∈[j，n]的功率因数调整角度时，节点电压幅值与P^ND_k正相关，此时以给定的概率水平λ而满足如下约束：

其中F_LE为Q^LL_k的正态累计概率分布函数。

当时，节点电压幅值与P^ND_k负相关，此时满足如下约束：

对于节点i和节点i-1之间的配电线路，其配电线路有功和无功功率表达式为：

当线路不过载时，S_i的最大值满足以下约束：

本发明提出的智能电网调度方法，以前述一个或多个约束为基础，以分布式风力发电和节点负荷预测值时的线路损耗值为优化目标，有效地处理概率型的负荷变化量和区间型的分布式风力发电变化量。

以分布式风力发电和节点负荷预测值场景下的潮流约束为：

Pⁱⁿ_i-V_i∑V_j(G_ijcosδ_ij+B_ijsinδ_ij)＝0

Qⁱⁿ_i-V_i∑V_j(G_ijcosδ_ij-B_ijsinδ_ij)＝0

其中，Pⁱⁿ_i和Qⁱⁿ_i分别是母线集合内节点i的有功总输入功率和无功总输入功率，G_ij为节点i和节点j之间的转移电导，B_ij为节点i和节点j之间的转移电纳，V_i和V_j分别为节点i和节点j的电压幅值，δ_ij为节点i和j之间的电压相角差；

本发明的调度模型为一个非线性混合整数优化问题，因此本发明采用粒子群算法进行求解。具体算法流程如下：

读取智能电网系统数据和不确定量参数，确定优化变量及其可行域。设置粒子群算法的仿真参数，令每个粒子的位置为优化变量向量；

在优化变量可行域内随机初始化每个粒子的位置和速度；

评估适应度函数，包括对于每个粒子，首先针对当前场景，通过潮流算法计算线路损耗；然后判断前文所述的一个或多个约束是否满足。如果上述约束满足要求，则损耗值即为适应度值；否则，采用绝对值减分函数E(∑τ_idec_i)对越限的约束进行减分，具体定义为

若h_i＞h_i,min,则dec_i＝h_i-h_i,max

若h_i≤h_i,min,则dec_i＝h_i,min-h_i

h_i为第i个与优化变量约束有关的状态变量，h_i,min和h_i,max分别为h_i的下限和上限；dec_i为与第i个状态约束有关的状态变量的减分项；τ_i为第i个状态变量越限的减分因数；

并以减分项和损耗作为适应度函数；

如果当前迭代次数超过预设的最大迭代次数，则结束算法的迭代优化过程；

更新全局和个体历史最优位置，然后更新粒子的速度，最后更新粒子位置；

更新迭代次数标记，然后迭代上述评估适应度函数的步骤。

应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。