电压无功自律协同控制方法、装置和计算机设备与流程

1.本技术涉及电气工程技术领域，特别是涉及一种电压无功自律协同控制方法、装置、计算机设备、存储介质和计算机程序产品。


背景技术：

2.能源短缺已成为现代文明社会的世纪性难题，在此背景下，分布式电源 (distributed generation，dg)和可再生能源的利用得到了越来越广泛的发展。
3.传统技术中，分布式控制作为一种系统无功优化方法，可以在有限的数据交换下较为优秀的完成系统无功平衡，有效避免了单纯的就地控制缺乏协调以及单纯的集中控制对通讯、量测系统的高技术要求等问题。
4.然而，面对分布式电源渗透率的不断增高，传统分布式控制未能实现新型设备与传统补偿装置的协调控制，未能在改善供电质量的同时，促进系统对各种新型dg的消纳。


技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种电压无功自律协同控制方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
6.第一方面，本技术提供了一种电压无功自律协同控制方法。所述方法包括：
7.获取一个多节点网络的无功/电压灵敏度矩阵，基于无功/电压灵敏度矩阵，确定多节点网络中多个候选节点；
8.基于候选节点和多个无功源，建立无功源控制空间；
9.基于无功源控制空间，将多节点网络中对无功源变化响应趋势相似度处于预设相似度区间内的节点归为一簇；
10.对每一簇中的多个节点进行多目标动态无功优化，得到电压参考值；基于电压参考值，以及每一簇中的多个节点的实际电压值，得到电压偏差值；
11.基于电压偏差值，确定额外无功调节量。
12.在其中一个实施例中，获取一个多节点网络的无功/电压灵敏度矩阵，包括：
13.针对多节点网络，在极坐标系下对多节点网络进行牛顿-拉夫逊潮流计算，得到多节点网络对应的无功/电压灵敏度矩阵。
14.在其中一个实施例中，基于无功/电压灵敏度矩阵，确定多节点网络中多个候选节点，包括：
15.基于无功/电压灵敏度矩阵，获取绝对值大于预设阈值的无功/电压灵敏度矩阵所对应的节点，作为候选节点。
16.在其中一个实施例中，基于候选节点和多个无功源，建立无功源控制空间，包括：
17.获取多节点网络中无功源的个数；
18.基于多节点网络中的多个无功源，建立多维无功源控制空间；其中，无功源控制空间的维度与无功源的个数相同。
19.在其中一个实施例中，基于多节点网络中的多个无功源，建立多维无功源控制空间，包括：
20.针对每个无功源，以无功源为一个坐标轴；其中，不同无功源对应不同的坐标轴；
21.基于多个坐标轴，建立多维无功源控制空间。
22.在其中一个实施例中，对每一簇中的多个节点进行多目标动态无功优化是通过预先训练完成的优化模型实现的，优化模型的训练方式，包括：
23.获取第一训练节点集合，第一训练节点集合中包括多个训练节点；
24.以最小网损、最小电压偏差及最优设备调节成本为优化指标，对各训练节点进行第一优化，得到第二训练节点集合；其中，最小网损为多节点网络在实际运行中的最小功率损失；
25.基于熵权及多层次模糊综合评价指标，对第二训练节点集合中的各训练节点进行第二优化，得到第三训练节点集合；
26.将第三训练节点集合输入预先构建的初始优化模型中，通过初始优化模型，对各第三训练节点集合中的各节点进行多目标动态无功优化，生成电压参考值；
27.基于电压参考值以及第一训练节点集合，确定初始优化模型的模型损失；
28.根据模型损失，对初始优化模型进行迭代训练，得到训练完成的优化模型。
29.第二方面，本技术还提供了一种电压无功自律协同控制装置。所述装置包括：
30.候选节点确定模块，用于获取一个多节点网络的无功/电压灵敏度矩阵，基于无功/电压灵敏度矩阵，确定多节点网络中多个候选节点；
31.空间建立模块，用于基于候选节点和多个无功源，建立无功源控制空间；
32.分区模块，用于基于无功源控制空间，将多节点网络中对无功源变化响应趋势相似度处于预设相似度区间内的节点归为一簇；
33.优化模块，用于对每一簇中的多个节点进行多目标动态无功优化，得到电压参考值；基于电压参考值，以及每一簇中的多个节点的实际电压值，得到电压偏差值；
34.额外无功调节量确定模块，用于基于电压偏差值，确定额外无功调节量。
35.第三方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一实施例所述的方法的步骤。
36.第四方面，本技术还提供了一种计算机设备可读存储介质。所述计算机设备可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一实施例所述的方法的步骤。
37.第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述任一实施例所述的方法的步骤。
38.上述电压无功自律协同控制方法、装置、计算机设备、存储介质和计算机程序产品，先获取一个多节点网络的无功/电压灵敏度矩阵，基于无功/电压灵敏度矩阵，确定多节点网络中多个候选节点；然后基于候选节点和多个无功源，建立无功源控制空间；再基于无功源控制空间，将多节点网络中对无功源变化响应趋势相似度处于预设相似度区间内的节点归为一簇。进一步，对每一簇中的多个节点进行多目标动态无功优化，得到电压参考值；基于电压参考值，以及每一簇中的多个节点的实际电压值，得到电压偏差值。最后，基于电
压偏差值，确定额外无功调节量。本技术通过对候选节点进行分区，再基于多目标动态无功优化的结果，对每个分区内电压进行指导，可以支持分布式电源、分布式储能等新型设备的接入。
附图说明
39.图1为一个实施例中电压无功自律协同控制方法的应用环境图；
40.图2为一个实施例中电压无功自律协同控制方法的流程示意图；
41.图3为一个实施例中三相不平衡情况下电压无功自律协同控制方法的流程示意图；
42.图4为一个实施例中电压无功自律协同控制装置的结构框图；
43.图5为一个实施例中计算机设备的内部结构图。
具体实施方式
44.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
45.本技术实施例提供的电压无功自律协同控制方法，可以应用于如图1所示的应用环境中。其中，配电网102通过网络与服务器104进行通信。数据存储系统可以存储接收机104需要处理的数据。数据存储系统可以放在云上或其他网络服务器上。服务器104可以给配电网102提供电压无功自律协同控制的环境。首先，服务器104获取配电网102的无功/电压灵敏度矩阵，基于无功/电压灵敏度矩阵，确定配电网102中多个候选节点。然后，服务器104可以基于候选节点和多个无功源，建立无功源控制空间；再基于无功源控制空间，将配电网102中对无功源变化响应趋势相似度处于预设相似度区间内的节点归为一簇。进一步，服务器104可以对每一簇中的多个节点进行多目标动态无功优化，得到电压参考值；基于电压参考值，以及每一簇中的多个节点的实际电压值，得到电压偏差值。最后，服务器104可以基于电压偏差值，确定额外无功调节量。其中，配电网102可以是多节点网络；服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
46.本技术实施例提供的电压无功自律协同控制方法，可以应用于包括配电网和服务器的系统，通过配电网和服务器的交互实现。
47.在一个实施例中，如图2所示，提供了一种电压无功自律协同控制方法，以该方法应用于配电网和服务器的系统实现为例进行说明，包括以下步骤202 至步骤210。
48.步骤202，获取一个多节点网络的无功/电压灵敏度矩阵，基于无功/电压灵敏度矩阵，确定多节点网络中多个候选节点。
49.在本实施例中，在配电网实际运行中，往往由于负荷及dg出力的波动性导致系统电压失稳，而网络中各节点功率-电压变化关系在雅可比矩阵中有着直观体现，各节点电压灵敏度可由雅可比矩阵求逆获得。
50.在本实施例中，服务器可以依据中高压情况下的多节点网络中电压幅值与无功强耦合，以及电压幅值与有功弱耦合的关系，提取无功/电压灵敏度矩阵s。
51.在本实施例中，候选节点为重负荷、对无功需求量高的节点。
52.在本实施例中，服务器基于节点区域分布的合理性，以及无功功率不宜远距离传输的特性，通过候选节点进行无功功率的就地补偿。
53.步骤204，基于候选节点和多个无功源，建立无功源控制空间。
54.在本实施例中，服务器可以依据发电机、无功补偿装置等无功源的控制能力与候选节点电压等被控对象之间的关系，建立无功源控制空间。
55.在本实施例中，每个候选节点的无功/电压关系都可以通过矢量坐标在无功源控制空间中进行表示。
56.步骤206，基于无功源控制空间，将多节点网络中对无功源变化响应趋势相似度处于预设相似度区间内的节点归为一簇。
57.在本实施例中，多节点网络中，多个节点对无功源变化响应趋势相似度，是由多个节点中每两个节点之间的电气距离决定的。其中，两个节点之间的电气距离，是对该两个节点在无功源控制空间中的矢量坐标进行计算得到的。按照各节点之间的距离特性进行分区(簇)，有利于后续对各个区内节点进行电压自律控制。
58.步骤208，对每一簇中的多个节点进行多目标动态无功优化，得到电压参考值；基于电压参考值，以及每一簇中的多个节点的实际电压值，得到电压偏差值。
59.在本实施例中，服务器可以通过快速粒子群算法对每一簇中的多个节点进行优化计算，计算得到每小时最优运行状态及各节点电压参考值。
60.在本实施例中，服务器可以根据每一簇内候选节点的电压值ui(
t
)与电压参考值计算此时刻系统电压偏差值δui(t)；其中，
61.步骤210，基于电压偏差值，确定额外无功调节量。
62.在本实施例中，额外无功调节量δqi(t)由公式(1)计算得到：
[0063][0064]
其中，α为一个大于零的常数，其取值需要避免各本地控制器同时运行后出现过高的超调，保障多节点网络的稳定性。优选的，令α等于多节点网络中节点数的倒数，能保证多节点网络的电压质量稳定在合理范围内。
[0065]
上述电压无功自律协同控制方法中，先获取一个多节点网络的无功/电压灵敏度矩阵，基于无功/电压灵敏度矩阵，确定多节点网络中多个候选节点；然后基于候选节点和多个无功源，建立无功源控制空间；再基于无功源控制空间，将多节点网络中对无功源变化响应趋势相似度处于预设相似度区间内的节点归为一簇。进一步，对每一簇中的多个节点进行多目标动态无功优化，得到电压参考值；基于电压参考值，以及每一簇中的多个节点的实际电压值，得到电压偏差值。最后，基于电压偏差值，确定额外无功调节量。本技术通过对候选节点进行分区，再基于多目标动态无功优化的结果，对每个分区内电压进行指导，可以支持分布式电源、分布式储能等新型设备的接入。
[0066]
在一些实施例中，获取一个多节点网络的无功/电压灵敏度矩阵，包括：针对多节点网络，在极坐标系下对多节点网络进行牛顿-拉夫逊潮流计算，得到多节点网络对应的无功/电压灵敏度矩阵。
[0067]
在本实施例中，针对一个n节点网络，假定节点1～m为电源点吸取或发出的有功功
率和无功功率(pq节点)，m+1～n-1为给定电压控制点的电压幅值和有功功率(pv节点)，第n个节点为平衡节点。在极坐标下，对上述n节点网络进行牛顿-拉夫逊潮流计算的方程如公式(2)所示：
[0068][0069]
其中：δp、δq分别为节点注入有功、无功的微增列向量；δθ、δu分别为节点电压相角、幅值变化列向量；h为子阵；n为子阵；j 为子阵；l为子阵。
[0070]
在本实施例中，令有功注入维持不变，即δp＝0，无功的微增列向量如公式(3)所示：
[0071]
δq＝(jh-1
n-l)δu
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0072]
进一步，令(jh-1
n-l)-1
＝s，幅值变化列向量如公式(4)所示：
[0073]
δu＝sδq
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0074]
在一些实施例中，基于无功/电压灵敏度矩阵，确定多节点网络中多个候选节点，包括：基于无功/电压灵敏度矩阵，获取绝对值大于预设阈值的无功/电压灵敏度矩阵所对应的节点，作为候选节点。
[0075]
在本实施例中，服务器可以依据多节点网络中各节点对应的矩阵s，获取每个节点对应的矩阵s的绝对值。
[0076]
在本实施例中，服务器结合节点区域分布的合理性，充分考虑无功功率不宜远距离传输的特性、发挥其就地补偿能力，最终确定候选节点，即各无功源最需要接入的薄弱节点。其中，薄弱节点是指：带有重负荷等问题，对无功需求量高的节点。
[0077]
在一些实施例中，基于候选节点和多个无功源，建立无功源控制空间，包括：获取多节点网络中无功源的个数；基于多节点网络中的多个无功源，建立多维无功源控制空间；其中，无功源控制空间的维度与无功源的个数相同。
[0078]
在本实施例中，当多节点网络中具有g个无功源，对应建立一个g维无功源控制空间。
[0079]
在本实施例中，每个候选节点在多维无功源控制空间中对应有一个矢量坐标。例如，在g维无功源控制空间内，每个候选节点都可以通过一个g维矢量 (x
i1
,x
i2
,
…
,x
ig
)作为坐标来描述，该矢量中各分量的计算如公式(5)所以：
[0080]
x
ij
＝-lg|s
ij
|
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0081]
其中，s
ij
为无功源节点j的注入无功对候选节点i电压的控制灵敏度。
[0082]
在本实施例中，任意两个候选节点v、w之间的欧式电气距离d
vw
如公式(6) 所示：
[0083][0084]
其中，x
vg
为节点v在第g个无功源节点下的坐标分量；x
wg
为节点w在第g 个无功源节点下的坐标分量。
[0085]
在一些实施例中，基于多节点网络中的多个无功源，建立多维无功源控制空间，包括：针对每个无功源，以无功源为一个坐标轴；其中，不同无功源对应不同的坐标轴；基于多
个坐标轴，建立多维无功源控制空间。
[0086]
在一些实施例中，对每一簇中的多个节点进行多目标动态无功优化是通过预先训练完成的优化模型实现的，优化模型的训练方式，包括：获取第一训练节点集合，第一训练节点集合中包括多个训练节点；以最小网损、最小电压偏差及最优设备调节成本为优化指标，对各训练节点进行第一优化，得到第二训练节点集合；其中，最小网损为多节点网络在实际运行中的最小功率损失；基于熵权及多层次模糊综合评价指标，对第二训练节点集合中的各训练节点进行第二优化，得到第三训练节点集合；将第三训练节点集合输入预先构建的初始优化模型中，通过初始优化模型，对各第三训练节点集合中的各节点进行多目标动态无功优化，生成电压参考值；基于电压参考值以及第一训练节点集合，确定初始优化模型的模型损失；根据模型损失，对初始优化模型进行迭代训练，得到训练完成的优化模型。
[0087]
在本实施例中，最优设备调节成本表示的是：最低无功补偿设备调节成本。
[0088]
在本实施例中，以最小网损、最小电压偏差及最优设备调节成本为优化指标，对各训练节点进行第一优化的计算如公式(7)所示：
[0089][0090]
其中，k为与训练节点i直接相连的训练节点集合；ui、uj分别为t时刻训练节点i、j的电压；g
ij
、θ
ij
分别为训练节点i、j之间线路的电导以及电压相位差；ui(t)为t时刻训练节点i电压值；为t时刻训练节点i电压期望值；nq为接有无功补偿设备的训练节点的总数；δbq(t)为t时刻无功补偿训练节点q离散控制变量的变化列向量；c
ust
为补偿设备单位投切投资；c
ct,max
、c
ct,min
分别为t 时刻各并联电容器节点投切组数上、下限；q
dgt,max
、q
dgt,min
分别为t时刻各dg节点无功注入上、下界限；u
t,max
、u
t,min
为t时刻各训练节点的电压最大、最小值。
[0091]
在本实施例中，基于熵权及多层次模糊综合评价指标的构建按照以下方式：针对基于熵权理论的客观决策法，对α个样本，β个指标，x
ij
为第i个样本在第 j个指标下的数值(i＝1,
…
,α；j＝1,
…
,β)。由于各项指标的计量单位不同，首先进行归一化处理，其中正、负向指标数据归一化如公式(8)所示：
[0092][0093]
进一步，服务器计算第j项指标下第i个样本值x
′
ij
占该指标的比重p
ij
，并计算第j
项指标的熵值ej，如公式(9)所示：
[0094][0095]
其中，k＝[1/ln(α)]》0；ej≥0；α为一个大于零的常数，其取值需要避免各本地控制器同时运行后出现过高的超调，保障系统的稳定性。优选的，令α等于系统节点数的倒数，能保证系统对稳定性的要求。
[0096]
进一步，服务器计算信息熵冗余度rj，并由此计算各项指标的客观权重系数aj，如公式(10)所示：
[0097][0098]
在本实施例中，针对基于多层次模糊综合评价理论的主观决策方法，首先从配电网电压稳定性出发，选取电压稳定裕度、电压波动和传统设备疲劳状态作为三种评价指标，并采用梯形分布隶属度函数来描述各状态控制之间的关系；其中，电压稳定裕度指标及其隶属度函数如公式(11)所示：
[0099][0100]
其中，ui为负荷节点i的电压值；为节点i电压的期望值；u
p
为电压允许偏差；u
sm
为电压稳定裕度评价优界；为电压稳定裕度评价劣界；f(u
sm
)＝1表示状态为优，f(u
sm
)＝0表示状态为差。
[0101]
在本实施例中，电压波动评价指标及其隶属度函数如公式(12)所示：
[0102][0103]
其中，δu为电压波动评价优界：为电压波动评价劣界。
[0104]
在本实施例中，出于对传统设备机械寿命的考虑，建立疲劳状态评价指标，主要考虑系统内无功补偿设备距离上次投切的时长，距离越短应避免再次启动，距离越长则倾向于动作。疲劳状态评价指标的隶属度函数见式(13)：
[0105][0106]
其中，为疲劳状态评价优界；t为疲劳状态评价劣界。
[0107]
进一步，服务器可以将各子目标数据分别代入对应隶属度函数，得到评价矩阵ri，并采用合适的模糊合成算子计算总评价得到主观权重bj，如公式(14) 所示：
[0108][0109]
在本实施例中，基于公式(10)、公式(14)，服务器可以计算综合权重，得到整体优化目标函数，如公式(15)所示：
[0110][0111]
其中，aj、bj分别为客观权重值与主观权重值；m
obj
为子目标数。
[0112]
在本实施例中，多节点网络处于平衡状态，按照单相处理。
[0113]
在一个示例性的实施例中，如图3所示，当多节点网络处于不平衡状态(三相不平衡)的情况下，可以分相进行处理。
[0114]
中低压情况下，以及有单相负荷接入的多节点网络中会出现三相不平衡的问题。
[0115]
在本实施例中，当多节点网络处于三相不平衡状态时，服务器可以以综合电压偏差、负序电压、网损为优化指标进行训练，同时考虑逆变型dg的接入，建立针对三相不平衡状态下的优化模型。针对三相不平衡系统，以综合电压偏差、负序电压及网损为优化目标，以可连续调节的静止无功补偿装置，以及dg 分相无功出力作为决策变量建立优化模型，在三相不平衡状态下能够良好的实现其经济性，同时展现其对电压、三相不平衡度方面的优异处理能力。
[0116]
在本实施例中，以综合电压偏差、负序电压、网损为优化指标，对各训练节点进行第一优化的计算如公式(16)所示：
[0117][0118]
其中，n为节点总数，v
iγ
为节点i的γ相电压有效值；v
iγ,exp
为节点i的γ相电压期
望值；e
i,-和f
i,-为节点i负序电压(v
i，-)的实部与虚部。其中式中分别为节点i的a，b，c 相电压；nb为全部支路集合；和f
iγ
为节点i的γ相电压的实、虚部；和为节点导纳矩阵中节点i的γ相与节点j的β相对应元素的实、虚部；且本方法假定各补偿设备均可以三相独立调节，因此式中，γ＝a，b，c；v
max
、v
min
表示节点电压幅值的最大、最小值；分别表示逆变型dg及svg 各相的无功输出最大、最小值。
[0119]
在本实施例中，基于公式(12)，出于对三相稳定度的考虑，服务器可以建立静态电压稳定评价指标，如公式(17)所示：
[0120][0121]
l
ij
的隶属度函数如公式(18)所示：
[0122][0123]
其中，l
ij
为电压稳定裕度评价优界；为电压稳定裕度评价劣界；f(l
ij
)＝1表示状态为优，f(l
ij
)＝0表示状态为差。
[0124]
在本实施例中，服务器可以将将各子目标数据分别代入对应隶属度函数，得到评价矩阵ri，并代入公式(14)，计算得到主观权重bj。进一步，服务器计算综合权重，得到整体优化目标函数。
[0125]
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0126]
基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的电压无功自律协同控制方法的电压无功自律协同控制装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个电压无功自律协同控制装置实施例中的具体限定可以参见上文中对于电压无功自律协同控制方法的限定，在此不再赘述。
[0127]
在一个实施例中，如图4所示，提供了一种电压无功自律协同控制装置，包括：候选节点确定模块402、空间建立模块404、分区模块406、优化模块408 和额外无功调节量确定模块410，其中：
[0128]
候选节点确定模块402，用于获取一个多节点网络的无功/电压灵敏度矩阵，基于
无功/电压灵敏度矩阵，确定多节点网络中多个候选节点。
[0129]
空间建立模块404，用于基于候选节点和多个无功源，建立无功源控制空间。
[0130]
分区模块406，用于基于无功源控制空间，将多节点网络中对无功源变化响应趋势相似度处于预设相似度区间内的节点归为一簇。
[0131]
优化模块408，用于对每一簇中的多个节点进行多目标动态无功优化，得到电压参考值；基于电压参考值，以及每一簇中的多个节点的实际电压值，得到电压偏差值。
[0132]
额外无功调节量确定模块410，用于基于电压偏差值，确定额外无功调节量。
[0133]
在其中一个实施例中，候选节点确定模块402可以包括：
[0134]
矩阵获取子模块，用于针对多节点网络，在极坐标系下对多节点网络进行牛顿-拉夫逊潮流计算，得到多节点网络对应的无功/电压灵敏度矩阵。
[0135]
在其中一个实施例中，候选节点确定模块402可以包括：
[0136]
候选节点选取子模块，用于基于无功/电压灵敏度矩阵，获取绝对值大于预设阈值的无功/电压灵敏度矩阵所对应的节点，作为候选节点。
[0137]
在其中一个实施例中，空间建立模块404可以包括：
[0138]
无功源数量获取子模块，用于获取多节点网络中无功源的个数。
[0139]
无功源控制空间建立子模块，用于基于多节点网络中的多个无功源，建立多维无功源控制空间；其中，无功源控制空间的维度与无功源的个数相同。
[0140]
在其中一个实施例中，无功源控制空间建立子模块可以包括：
[0141]
坐标轴确定单元，用于针对每个无功源，以无功源为一个坐标轴；其中，不同无功源对应不同的坐标轴。
[0142]
多维空间建立单元，用于基于多个坐标轴，建立多维无功源控制空间。
[0143]
在其中一个实施例中，上述装置还可以包括：模型训练模块，用于训练优化模型。
[0144]
在本实施例中，模型训练模块，可以包括：
[0145]
第一训练节点集合获取子模块，用于获取第一训练节点集合，第一训练节点集合中包括多个训练节点。
[0146]
第一优化子模块，用于以最小网损、最小电压偏差及最优设备调节成本为优化指标，对各训练节点进行第一优化，得到第二训练节点集合；其中，最小网损为多节点网络在实际运行中的最小功率损失。
[0147]
第二优化子模块，用于基于熵权及多层次模糊综合评价指标，对第二训练节点集合中的各训练节点进行第二优化，得到第三训练节点集合。
[0148]
电压参考值生成子模块，用于将第三训练节点集合输入预先构建的初始优化模型中，通过初始优化模型，对各第三训练节点集合中的各节点进行多目标动态无功优化，生成电压参考值。
[0149]
模型损失确定子模块，用于基于电压参考值以及第一训练节点集合，确定初始优化模型的模型损失。
[0150]
迭代训练子模块，用于根据模型损失，对初始优化模型进行迭代训练，得到训练完成的优化模型。
[0151]
上述电压无功自律协同控制装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以
以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0152]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储各节点的电压参考值、实际电压值等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电压无功自律协同控制方法。
[0153]
本领域技术人员可以理解，图5中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0154]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取一个多节点网络的无功/电压灵敏度矩阵，基于无功/电压灵敏度矩阵，确定多节点网络中多个候选节点；基于候选节点和多个无功源，建立无功源控制空间；基于无功源控制空间，将多节点网络中对无功源变化响应趋势相似度处于预设相似度区间内的节点归为一簇；对每一簇中的多个节点进行多目标动态无功优化，得到电压参考值；基于电压参考值，以及每一簇中的多个节点的实际电压值，得到电压偏差值；基于电压偏差值，确定额外无功调节量。
[0155]
在一个实施例中，处理器执行计算机程序时还实现获取一个多节点网络的无功/电压灵敏度矩阵，可以包括：针对多节点网络，在极坐标系下对多节点网络进行牛顿-拉夫逊潮流计算，得到多节点网络对应的无功/电压灵敏度矩阵。
[0156]
在一个实施例中，处理器执行计算机程序时还实现基于无功/电压灵敏度矩阵，确定多节点网络中多个候选节点，可以包括：基于无功/电压灵敏度矩阵，获取绝对值大于预设阈值的无功/电压灵敏度矩阵所对应的节点，作为候选节点。
[0157]
在一个实施例中，处理器执行计算机程序时还实现基于候选节点和多个无功源，建立无功源控制空间，可以包括：获取多节点网络中无功源的个数；基于多节点网络中的多个无功源，建立多维无功源控制空间；其中，无功源控制空间的维度与无功源的个数相同。
[0158]
在一个实施例中，处理器执行计算机程序时还实现基于多节点网络中的多个无功源，建立多维无功源控制空间，可以包括：针对每个无功源，以无功源为一个坐标轴；其中，不同无功源对应不同的坐标轴；基于多个坐标轴，建立多维无功源控制空间。
[0159]
在一个实施例中，处理器执行计算机程序时还实现对每一簇中的多个节点进行多目标动态无功优化是通过预先训练完成的优化模型实现的，优化模型的训练方式，可以包括：获取第一训练节点集合，第一训练节点集合中包括多个训练节点；以最小网损、最小电压偏差及最优设备调节成本为优化指标，对各训练节点进行第一优化，得到第二训练节点集合；其中，最小网损为多节点网络在实际运行中的最小功率损失；基于熵权及多层次模糊综合评价指标，对第二训练节点集合中的各训练节点进行第二优化，得到第三训练节点集合；将第三训练节点集合输入预先构建的初始优化模型中，通过初始优化模型，对各第三训
练节点集合中的各节点进行多目标动态无功优化，生成电压参考值；基于电压参考值以及第一训练节点集合，确定初始优化模型的模型损失；根据模型损失，对初始优化模型进行迭代训练，得到训练完成的优化模型。
[0160]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取一个多节点网络的无功/电压灵敏度矩阵，基于无功/电压灵敏度矩阵，确定多节点网络中多个候选节点；基于候选节点和多个无功源，建立无功源控制空间；基于无功源控制空间，将多节点网络中对无功源变化响应趋势相似度处于预设相似度区间内的节点归为一簇；对每一簇中的多个节点进行多目标动态无功优化，得到电压参考值；基于电压参考值，以及每一簇中的多个节点的实际电压值，得到电压偏差值；基于电压偏差值，确定额外无功调节量。
[0161]
在一个实施例中，计算机程序被处理器执行时还实现获取一个多节点网络的无功/电压灵敏度矩阵，可以包括：针对多节点网络，在极坐标系下对多节点网络进行牛顿-拉夫逊潮流计算，得到多节点网络对应的无功/电压灵敏度矩阵。
[0162]
在一个实施例中，计算机程序被处理器执行时还实现基于无功/电压灵敏度矩阵，确定多节点网络中多个候选节点，可以包括：基于无功/电压灵敏度矩阵，获取绝对值大于预设阈值的无功/电压灵敏度矩阵所对应的节点，作为候选节点。
[0163]
在一个实施例中，计算机程序被处理器执行时还实现基于候选节点和多个无功源，建立无功源控制空间，可以包括：获取多节点网络中无功源的个数；基于多节点网络中的多个无功源，建立多维无功源控制空间；其中，无功源控制空间的维度与无功源的个数相同。
[0164]
在一个实施例中，计算机程序被处理器执行时还实现基于多节点网络中的多个无功源，建立多维无功源控制空间，可以包括：针对每个无功源，以无功源为一个坐标轴；其中，不同无功源对应不同的坐标轴；基于多个坐标轴，建立多维无功源控制空间。
[0165]
在一个实施例中，计算机程序被处理器执行时还实现对每一簇中的多个节点进行多目标动态无功优化是通过预先训练完成的优化模型实现的，优化模型的训练方式，可以包括：获取第一训练节点集合，第一训练节点集合中包括多个训练节点；以最小网损、最小电压偏差及最优设备调节成本为优化指标，对各训练节点进行第一优化，得到第二训练节点集合；其中，最小网损为多节点网络在实际运行中的最小功率损失；基于熵权及多层次模糊综合评价指标，对第二训练节点集合中的各训练节点进行第二优化，得到第三训练节点集合；将第三训练节点集合输入预先构建的初始优化模型中，通过初始优化模型，对各第三训练节点集合中的各节点进行多目标动态无功优化，生成电压参考值；基于电压参考值以及第一训练节点集合，确定初始优化模型的模型损失；根据模型损失，对初始优化模型进行迭代训练，得到训练完成的优化模型。
[0166]
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：获取一个多节点网络的无功/电压灵敏度矩阵，基于无功/电压灵敏度矩阵，确定多节点网络中多个候选节点；基于候选节点和多个无功源，建立无功源控制空间；基于无功源控制空间，将多节点网络中对无功源变化响应趋势相似度处于预设相似度区间内的节点归为一簇；对每一簇中的多个节点进行多目标动态无功优化，得到电压参考值；基于电压参考值，以及每一簇中的多个节点的实际电压值，得到电压偏差值；基
于电压偏差值，确定额外无功调节量。
[0167]
在一个实施例中，计算机程序被处理器执行时还实现获取一个多节点网络的无功/电压灵敏度矩阵，可以包括：针对多节点网络，在极坐标系下对多节点网络进行牛顿-拉夫逊潮流计算，得到多节点网络对应的无功/电压灵敏度矩阵。
[0168]
在一个实施例中，计算机程序被处理器执行时还实现基于无功/电压灵敏度矩阵，确定多节点网络中多个候选节点，可以包括：基于无功/电压灵敏度矩阵，获取绝对值大于预设阈值的无功/电压灵敏度矩阵所对应的节点，作为候选节点。
[0169]
在一个实施例中，计算机程序被处理器执行时还实现基于候选节点和多个无功源，建立无功源控制空间，可以包括：获取多节点网络中无功源的个数；基于多节点网络中的多个无功源，建立多维无功源控制空间；其中，无功源控制空间的维度与无功源的个数相同。
[0170]
在一个实施例中，计算机程序被处理器执行时还实现基于多节点网络中的多个无功源，建立多维无功源控制空间，可以包括：针对每个无功源，以无功源为一个坐标轴；其中，不同无功源对应不同的坐标轴；基于多个坐标轴，建立多维无功源控制空间。
[0171]
在一个实施例中，计算机程序被处理器执行时还实现对每一簇中的多个节点进行多目标动态无功优化是通过预先训练完成的优化模型实现的，优化模型的训练方式，可以包括：获取第一训练节点集合，第一训练节点集合中包括多个训练节点；以最小网损、最小电压偏差及最优设备调节成本为优化指标，对各训练节点进行第一优化，得到第二训练节点集合；其中，最小网损为多节点网络在实际运行中的最小功率损失；基于熵权及多层次模糊综合评价指标，对第二训练节点集合中的各训练节点进行第二优化，得到第三训练节点集合；将第三训练节点集合输入预先构建的初始优化模型中，通过初始优化模型，对各第三训练节点集合中的各节点进行多目标动态无功优化，生成电压参考值；基于电压参考值以及第一训练节点集合，确定初始优化模型的模型损失；根据模型损失，对初始优化模型进行迭代训练，得到训练完成的优化模型。
[0172]
需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
[0173]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器 (ferroelectric random access memory，fram)、相变存储器(phase changememory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器 (random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random accessmemory，sram)或动态随机存取存储器(dynamic random access memory， dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据
库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0174]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0175]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。