基于数据驱动和深度置信网络的配电网无功优化

随着分布式电源和随机负荷电动汽车等的大量接入,配电网的运行环境日益复杂,对在线无功优化及其快速性提出了更高的要求。该文将"深度学习"引入配电网无功优化,提出了基于深度置信网络的无功优化方法。通过构造高维随机矩阵,从配电网运行数据中提取统计特征作为输入,将历史控制策略进行编码作为输出,利用先无监督后有监督的方式训练深层架构,学习系统特征与无功优化策略之间的映射关系,建立基于数据驱动和深度置信网络的配电网无功优化模型。基于改造的IEEE-37节点主动配电网仿真模型,对比分析了历史数据量和分布式电源渗透率场景对传统优化方法,场景匹配方法和所提方法的无功优化效果的影响。结果表明,所提方法可明显降低网络损耗和节点电压偏移,它不依赖于系统的模型和参数,在线决策速度快,且对历史数据量要求较低,在高渗透率分布式发电等未知场景下仍能表现优良,验证了该方法的正确性、有效性和较强的鲁棒性。     

基于随机矩阵和历史场景匹配的配电网无功优化

配电网的无功优化是保证配电网供电可靠、经济运行的一项重要工作。将大数据理论引入配电网无功优化,提出一种基于随机矩阵的无功优化方法,它不依赖于配电网的模型和参数,直接利用配电网在运行过程中产生的运行大数据以及当地的环境数据构造7种高维随机矩阵,提取57种特征指标,再应用主成分分析法对这些特征指标进行降维处理,然后匹配历史数据库中已有的场景,快速找到特征指标与当前系统最相近的场景,直接采用匹配场景的控制策略作为当前系统的无功优化控制策略,以减小有功网损和节点电压偏移。最后,在改造的IEEE-37节点配电网仿真模型上进行算例验证,其中增加了光伏/风电等分布式发电和电动汽车充电站等随机负荷模型。结果表明,方法可有效地对配电网进行无功优化,摆脱了配电网模型的限制,可快速做出控制决策。     

基于在线极限学习机的配电网无功电压控制

柔性可控资源的接入使得配电网无功电压控制关系更加复杂。提出基于数据驱动的配电网无功电压控制方法,通过蒙特卡洛方法生成配电网运行场景,构建配电网运行状态和对应的无功优化策略的映射数据集;利用在线极限学习机（Online Sequential Extreme Learning Machine,OS-ELM）构建无功优化的数据驱动模型,将配电网节点电压、负荷以及其他运行参数作为输入,将无功调节设备状态以及控制参数作为输出,建立系统的特征与优化策略之间的隐性关系;最后,将电网实时运行状态将其作为在线无功优化模型的输入得到系统实时的无功电压控制策略。基于IEEE33节点主动配电网对比仿真分析可知,所提方法在系统模型和参数建模未知的情况下实现无功电压的精准控制。     

一种基于粒子群算法的配电网低电压诊断模型研究

随着智能电网建设的发展,传统的基于检测技术的配电低电压原因诊断已变成基于数据挖掘的电力大数据分类技术,而着眼于低电压故障原因的数据分类研究在国内尚处于起步阶段,为此该文提出一种采用改进聚类算法和支持向量机分类算法的配电网低电压诊断模型。该模型首先采用Canopy-Kmeans的聚类算法基于配电网历史运行数据进行低电压原因的聚类分析并得出可能存在的低电压原因,然后采用经粒子群算法对支持向量机数据分类算法进行参数优化,最后使用结果参数优化的支持向量机算法对智能电表所采集的配电网实时运行数据进行低电压原因分类并最终输出低压故障原因的诊断结果。实验表明,采样基于粒子群优化的支持向量机诊断模型能够实现90%的低电压原因诊断准确度。     

考虑动态重构的主动配电网多目标双层优化调度方法

提出一种考虑网架动态重构的主动配电网双层优化调度模型。模型上下层的优化目标均为运行费用最小和系统快速电压稳定性最优,下层优化目标是上层优化目标的组成部分,通过定义相同目标函数实现上下层决策变量的协同优化。模型上层决策变量是各个重构时段内的网架结构,采用基于基本环路的网架十进制编码方式,提高网络重构的求解效率。模型下层的决策变量是各主动管理时段内分布式电源出力、补偿电容器、静态无功补偿器的投切、OLTC动作情况,实现主动配电网的最优调度。采用IEEE 33节点配电系统验证所提方法的有效性。仿真结果表明,所提动态重构方法能大大提升网络重构的求解效率,所提双层优化模型能有效降低配电网运行费用,同时提升系统电压稳定性。     

基于双状态评估器与深度强化学习的配电网无功优化

本文将“深度强化学习”引入配电网无功优化,提出了基于双状态评估器与深度强化学习的配电网无功优化方法。首先提出了一种配电网融合特征的提取方法,从配电网运行数据中提取统计特征,然后将统计特征与历史控制策略作为输入,网损与电压偏差分别作为输出,训练了网损评估器与电压偏差评估器。将无功优化问题转化为一个多步马尔科夫决策过程,以最小化网损和电压偏差之和为目标函数,以无功补偿设备的动作指令为策略,并采用基于Double DQN的深度强化学习算法进行求解。对改造后的IEEE 37节点配电网进行无功优化控制实验。结果表明,本文方法有效降低了节点电压偏移和网络损耗,他与配电网系统的模型和参数无关,在线决策速度快,可以实现在线无功优化控制,提高配电网运行经济性。     

基于光伏并网点电压优化的配电网多时间尺度趋优控制

为应对高比例分布式光伏并网引起的电压越限和电压波动问题,充分发挥光伏逆变器的实时无功调节能力,提高光伏消纳率,提出基于光伏并网点电压优化的配电网多时间尺度趋优控制方法。长时间尺度下,建立以配电网运行成本期望值最小为目标,考虑状态变量机会约束的两阶段动态随机优化调度模型,制定传统无功电压设备和光伏并网点电压的经济趋优调度计划。短时间尺度下,以并网点电压调度值为追踪目标,提出基于并网点PV-PQ-QV节点类型转换的自适应趋优控制策略,实时调整光伏无功出力和有功削减量。为提高算法效率,提出二阶锥规划与基于拉丁超立方采样概率潮流交互迭代的随机最优潮流解耦法求解两阶段动态随机优化调度模型。算例结果表明,所提方法能够有效解决配电网实时运行过程的电压安全问题,并提高系统运行的经济性。     

交直流混合配电网多阶段随机优化调度模型

高比例间歇性分布式光伏的接入给交直流混合配电网的运行带来了挑战。当前所提两阶段随机优化调度模型对不确定变量的观测较为粗略,导致配电网实时决策与日前决策偏差较大。鉴于此,提出了基于场景树的交直流混合配电网多阶段随机优化模型。所提模型以日前购电成本、日内调节成本和实时平衡成本之和最小为目标,通过储能装置的充放电功率调节、换流站输出功率调节和需求响应等灵活调节措施,实现了间歇性光伏的就地消纳和系统的削峰填谷。多阶段随机优化模型的日前离散决策变量可随日内和实时阶段的不确定信息改变而自适应调整,更符合实际高比例光伏渗透下交直流混合配电网的运行需求,为其经济灵活运行提供技术支撑。     

计及光储快充一体站的配电网随机-鲁棒混合优化调度

针对区域配电网内新建快充电站所带来的充电负荷增长可能引起的线路阻塞、电压越限和网损增加等问题,提出一种计及光储快充一体站的配电网日前优化调度方法,通过储能的有功和无功优化决策,改善充电负荷大规模接入带来的运行问题。首先,基于历史车辆出行数据和电动汽车用户出行行为模拟,获取区域内各快充电站充电负荷的随机概率场景;其次,综合考虑快充负荷、光伏及配电网原有负荷的不确定性,基于二阶锥松弛和对偶理论,建立配电网随机-鲁棒混合优化调度模型;最后,以13节点路网和改进的IEEE-33节点配电网耦合系统为例进行仿真分析,结果表明所提方法能够有效提升配电网运行经济性,保障不确定环境下系统运行的可靠性。     

典型电能质量稳态指标预测模型研究EI北大核心CSCD

电网典型电能质量稳态指标的准确预测对优化电网运行方式和提高电网供电质量具有重要意义。根据电能质量稳态指标似周期、非周期的特点,提出一种基于混沌理论和最小二乘支持向量机（least squares support vector machine,LSSVM）的电能质量稳态指标预测模型。首先采用混沌理论对典型电能质量稳态指标历史数据进行相空间重构,构造包含吸引子的新数据空间;其次利用最小二乘支持向量机在高维空间下进行样本训练,并结合粒子群算法优化最小二乘支持向量机参数;最后得到最佳预测模型。基于某地配电网电能质量实际监测数据,采用所提模型进行典型电能质量稳态指标预测,平均相对误差均在8%以下,优于传统BP神经网络预测方法。     

含高渗透可再生能源的动态网络重构与无功电压调整协同优化

具有出力不确定性的可再生能源高渗透并入,导致传统单一的主动管理策略难以实现配网最优运行。在此背景下,提出一种动态网络重构与无功电压调整协同优化方法。首先,采用基于形态和幅值的双尺度相似性度量谱聚类算法对负荷进行聚类,进一步利用反映负荷曲线波动特征的自适应聚合算法对时段做出合理划分。其次,计及风光不确定性,构建考虑配电网动态重构与储能和微型燃气轮机出力调控协同的机会约束双层优化模型,模型上层以配电网综合运行成本最小为目标,下层以系统电压总偏差最小为目标,实现对配电网运行经济性和系统电压质量的综合优化。然后,针对该模型提出了基于十进制编码的改进鲸鱼优化算法和内点法相结合的混合策略对模型进行求解。最后,在改进的IEEE33节点系统中,对所提的运行优化模型进行分析和验证。仿真结果表明：所提双层优化模型能够有效提高电压质量和降低配电网运行费用,所提时段划分方法能够得到符合曲线变化趋势的分段方案,改进后的算法大大提高了求解效率。     

典型电能质量稳态指标预测模型研究

电网典型电能质量稳态指标的准确预测对优化电网运行方式和提高电网供电质量具有重要意义。根据电能质量稳态指标似周期、非周期的特点,提出一种基于混沌理论和最小二乘支持向量机(least squares support vector machine,LSSVM)的电能质量稳态指标预测模型。首先采用混沌理论对典型电能质量稳态指标历史数据进行相空间重构,构造包含吸引子的新数据空间;其次利用最小二乘支持向量机在高维空间下进行样本训练,并结合粒子群算法优化最小二乘支持向量机参数;最后得到最佳预测模型。基于某地配电网电能质量实际监测数据,采用所提模型进行典型电能质量稳态指标预测,平均相对误差均在8%以下,优于传统BP神经网络预测方法。     

考虑主动配电网不确定性的随机无功优化及求解

为了解决分布式电源在主动配电网无功优化中的不确定输出,随机规划模型得到广泛的应用。但随机规划模型中不确定性的概率分布受到历史数据数量的限制,使得经验分布存在偏差,易导致次优的控制策略。为此,引入了数据驱动的建模方法,将模型分为两阶段求解。第一阶段在第二阶段的最恶劣概率分布下,找到了离散无功补偿设备的最优控制策略;第二阶段为变量的不确定概率分布,用于校验第一阶段的结果,并采用列与约束生成(Column and Constraint Generation,CCG) 算法来求解模型。最后,通过算例验证所提方法的有效性。     

面向光伏集群的配电网模型-数据联合驱动无功/电压控制

传统配电网的无功/电压控制(VVC)方法,难以兼顾控制决策的全局最优性与实时响应能力,分布式光伏(DPV)的分散化、高比例并网导致该矛盾日益突出。结合模型优化的寻优能力与深度强化学习的在线决策效率,提出了面向光伏（PV）集群的配电网模型-数据联合驱动VVC策略。首先,考虑日前优化调度与日内实时控制的运行特征,结合DPV集群划分,构建了配电网分布式两阶段VVC框架;然后,以系统运行网损最低为目标,建立了配电网分布式日前VVC模型,并提出了基于Nesterov加速梯度的分布式求解算法;其次,以日前决策为输入量,建立了基于部分可观马尔可夫博弈的配电网实时VVC模型,并提出了基于迭代终止惩罚函数的改进多智能体深度确定性策略梯度算法;最后,基于MATLAB/PyCharm软件平台进行了算例分析,验证了所提方法的全局趋优性以及实时响应能力,提高了PV高比例接入配电网运行的经济性和安全性。     

基于状态空间线性变换的主动配电网分布式电压控制

大规模分布式发电的接入使得主动配电网电压控制问题日益凸显。受限于配电网模型参数的精度,传统集中式的电压控制和基于模型的分布式电压控制策略效果受到显著影响。提出了一种基于状态空间线性升维变换的主动配电网分布式电压控制方法。通过矩阵分裂方法实现了海森矩阵的分布式求逆,将分布式控制收敛速提升至超线性收敛。基于Koopman数据驱动方法,利用配电网历史运行数据作为训练样本,构建高维线性精确潮流模型,从而推导得到电压-无功全局灵敏度,以此校正分布式牛顿控制中的迭代方向。算例结果证明,相比依赖于模型的分布式电压控制方法,所提方法具有更快的收敛速度和更优的控制收敛结果,且不受参数不精确问题影响,具有更强的工程适用性。     

基于运行层面相关性场景的含风机配电网多目标无功优化

针对含间歇性分布式电源(distribution generation,DG)配电网的无功优化问题,研究了基于运行层面相关性场景的配电网多目标无功优化模型及决策方法。从运行层面对风速和负荷进行了不确定性建模,构建了运行层面的相关性场景;以静态电压稳定性最好、网损期望最小和电压偏移期望最少为目标函数,建立了含间歇性DG配电网的多目标无功优化模型,并提出了基于优先级的多目标决策方法进行最优非支配解的选取。算例验证了所提方法的有效性,结果表明:基于运行层面的相关性场景构建方法可提高配电网的无功优化性能,基于优先级的多目标决策方法可根据系统实际运行状态动态调整目标偏好,从而保证系统运行稳定、经济及优质供电。     

基于改进蝠鲼觅食优化SVM的配电网拓扑辨识

针对配电网的拓扑结构变化频繁的问题,提出了一种基于改进蝠鲼觅食优化支持向量机的配电网拓扑辨识方法.考虑到量测数据缺失的问题,提出了基于电压方差K近邻的缺失数据填补方法.利用改进蝠鲼觅食算法同时进行特征选择和支持向量机参数的优化,筛选出对配电网拓扑辨识最有效的部分电压幅值量测.所提方法仅需一个时间断面的部分电压幅值量测数据,且能处理不同类型的分布式电源,适用于量测不足的区县农村配电网,计算速度可满足在线应用需求.通过IEEE 33节点配电网和PG&E 69节点配电网验证了所提方法的有效性.     

基于深度强化学习的配电网实时电压优化控制方法

大规模分布式电源的接入使得配电网电压优化控制策略与传统配电网差异较大。针对就地控制中光伏逆变器调压之间缺乏协同的问题，该文提出了一种基于多智能体深度强化学习的配电网实时电压控制方法。首先根据电压控制模型设计了部分可观测的马尔科夫决策过程，然后采用多智能体双延迟深度确定性策略梯度算法求解，根据中心化训练、分散式执行的框架实现光伏逆变器的无功协同控制。该方法能智能决策各个逆变器的无功调节量，且能够根据源荷的随机变化实时给出电压控制策略，具有较好的实时性和控制经济性。最后通过仿真算例验证了所提方法的有效性。     

基于改进支持向量机的电力物联网入侵检测方法

针对传统入侵检测方法存在精度不高、耗时长等问题,提出基于改进支持向量机的电力物联网入侵检测方法。对电力物联网数据进行标准化处理,采用粒子群优化方法改进支持向量机关键参数,构建支持向量机检测模型;输入标准化处理完成的数据,通过支持向量机模型训练完成入侵检测研究。实验结果表明,所提方法的检测精度高达93.5%,检测耗时最高仅为8 s,相比传统方法具有明显优势,为电力物联网安全稳定运行提供了基础保障。     

计及分布式电源随机出力的三相配电网可调鲁棒无功优化

具有出力不确定性的可再生能源大量接入给配电网的规划与运行带来了巨大挑战。因此,考虑分布式电源出力随机性的无功优化成为配电网运行的重要研究内容。提出计及分布式电源随机出力的三相配电网可调鲁棒无功优化模型,利用二阶锥技术和对偶范数理论将原模型转换成混合整数凸规划优化模型并求解。针对鲁棒优化解过于保守的问题,通过调整不确定度协调解的经济性与安全性。IEEE-13节点和IEEE-123节点三相配电网系统仿真结果表明,相比传统确定性模型和随机优化模型,所提可调鲁棒无功优化模型鲁棒性较好,计算效率高。