一种电网无功补偿方法技术

本发明专利技术提供一种电网无功补偿方法，通过在目标电网系统模型上设置不同类型的线路故障；基于所述各项线路故障，设置各项电路故障相对应无功补偿方案；基于所述各项线路故障和无功补偿方案，利用暂态稳定仿真程序，分别获得无功补偿前后的暂态数据；将所述无功补偿前后的暂态数据分别作为输入输出项，利用神经网络进行训练，获得训练后的无功补偿分类器；将新的线路故障信息与各项无功补偿方案进行组合，利用所述训练后的无功补偿分类器进行评分，取得分最高的方案为最优方案；实现了精准、量化的决定无功补偿的地点和总量，减少人为干预，大大提高电网的稳定性和安全性的有益效果。

【技术实现步骤摘要】
一种电网无功补偿方法
本专利技术涉及数据电网控制
，更具体地，涉及一种电网无功补偿方法。
技术介绍
目前，电网算是当今最复杂的人工系统，目前人们还不能完全理解和掌握电力系统的运行规律。传统的仿真建模分析对电力系统进行了大量的假设和简化，使得仿真出的结果与真实系统存在偏差。随着分布式计算和机器学习的发展，大数据分析成为理解复杂系统的重要手段。大数据分析把真实系统当成黑箱，直接对输入输出进行拟合和关联分析。传统的仿真分析需要求解大量的微分方程，与此相比，基于数据的机器学习方法具有速度更快、准确度更高的特点。电网输出的功率包括两部分：一是有功功率，二是无功功率。有功功率直接消耗电能，把电能转变为机械能、热能、化学能或声能，利用这些能量作功，这部分功率称为有功功率；无功功率不消耗电能，只是把电能转换为另一种形式的能量，这种能量是电气设备能够作功的必备条件，并且这种在电网中与电能进行着周期性转换。如：电磁元件建立磁场占用的电能，电容器建立电场所占的电能。电流在电感元件中作功时，电流滞后于电压90°；而电流在电容元件中作功时，电流超前电压90°。在同一电路中，电感电流与电容电流方向相反，互差180°。所谓无功补偿，就是在电磁元件电路中有比例地安装电容元件，使两者的电流相互抵消，使电流的矢量与电压矢量之间的夹角缩小，把具有容性功率负荷的装置与感性功率负荷并联接在同一电路，能量在两种负荷之间相互交换。这样，感性负荷所需要的无功功率可由容性负荷输出的无功功率补偿。无功补偿对于电网的作用主要有一下三点：一、提高供用电系统及负载的功率因数，降低设备容量，减少功率损耗；二是稳定受电端及电网的电压，提高供电质量，在长距离输电线路地合适的地点设施动态无功补偿装置，还可以改善输电系统的稳定性，提高输电能力；在电气化铁道等三相负载不平衡的场合，通过适当的无功补偿可以平和三相的有功及无功负载。然而，目前非线性规划和线性规划法是求解无功规划优化的最常用方法，这两种方法对电网系统进行建模，建立目标函数和约束函数。这两种方法或多或少都具有计算量大、收敛性差、稳定性不好的特点。因此，在现实应用中，主要依靠调度员的经验进行补偿，如集中补偿(整个系统的统一补偿)和分散补偿(用电负荷旁就地补偿)，缺点是比较粗略，无法获得最优效果。
技术实现思路
本专利技术为克服上述问题或者至少部分地解决上述问题，提供一种电网无功补偿方法。根据本专利技术的一个方面，提供一种电网无功补偿方法，包括：步骤1，在目标电网系统模型上设置不同类型的线路故障；基于所述各项线路故障，设置各项电路故障相对应无功补偿方案；步骤2，基于所述各项线路故障和无功补偿方案，利用暂态稳定仿真程序，分别获得无功补偿前后的暂态数据；步骤3，将所述无功补偿前后的暂态数据分别作为输入输出项，利用神经网络进行训练，获得训练后的无功补偿分类器；步骤4，将新的线路故障信息与各项无功补偿方案进行组合，利用所述训练后的无功补偿分类器进行评分，取得分最高的方案为最优方案。本申请提出一种电网无功补偿方法，通过在目标电网系统模型上设置不同类型的线路故障；基于所述各项线路故障，设置各项电路故障相对应无功补偿方案；基于所述各项线路故障和无功补偿方案，利用暂态稳定仿真程序，分别获得无功补偿前后的暂态数据；将所述无功补偿前后的暂态数据分别作为输入输出项，利用神经网络进行训练，获得训练后的无功补偿分类器；将新的线路故障信息与各项无功补偿方案进行组合，利用所述训练后的无功补偿分类器进行评分，取得分最高的方案为最优方案；实现了精准、量化的决定无功补偿的地点和总量，减少人为干预，大大提高电网的稳定性和安全性的有益效果。附图说明图1为根据本专利技术实施例一种电网无功补偿方法总体流程的示意图；图2为根据本专利技术实施例一种电网无功补偿方法中目标电网系统模型的示意图；图3为根据本专利技术实施例一种电网无功补偿方法中将所述无功补偿前后的暂态数据分别作为输入输出项，利用神经网络进行训练的示意图。具体实施方式下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。图1中，根据本专利技术一个具体实施，示出一种电网无功补偿方法总体流程示意图。总体来说，包括：步骤1，在目标电网系统模型上设置不同类型的线路故障；基于所述各项线路故障，设置各项电路故障相对应无功补偿方案；步骤2，基于所述各项线路故障和无功补偿方案，利用暂态稳定仿真程序，分别获得无功补偿前后的暂态数据；步骤3，将所述无功补偿前后的暂态数据分别作为输入输出项，利用神经网络进行训练，获得训练后的无功补偿分类器；步骤4，将新的线路故障信息与各项无功补偿方案进行组合，利用所述训练后的无功补偿分类器进行评分，取得分最高的方案为最优方案。在本法另一个具体实施例中，一种电网无功补偿方法，所述目标电网系统模型利用电力系统级的仿真软件建立。由于本专利技术方法是基于大数据的方法，就要获得大量样本以供机器学习。获得样本的方法主要是基于仿真软件仿真。电力系统级的仿真软件能够为BPA(BonnevillePowerAdministration)、PSASP(PowerSystemAnalysisSoftwarePackage)电力系统分析综合程序或PSAT电力系统分析软件包(PowerSystemAnalysisToolbox)。在本法另一个具体实施例中，一种电网无功补偿方法，所述目标电网系统模型包括节点模型、变压器模型和线路模型。在本法另一个具体实施例中，一种电网无功补偿方法，如图2所示为CEPRI-36交直流混合系统PSASP中所建立的目标电网系统模型。在本法另一个具体实施例中，一种电网无功补偿方法，为了确保机器学习算法的可推广性和泛化性，需要确保可供学习样本的数量，可以通过设置不同的线路故障类型以获得大量数据样本，电路故障至少包括以下至少一种：三相短路故障、单项临时性故障、单项永久性故障、快关阀门、两端直流故障。在本法另一个具体实施例中，一种电网无功补偿方法，所述为了确保机器学习算法的可推广性和泛化性，需要确保可供学习样本的数量，可以通过在目标电网系统模型上设置不同类型的负荷模型以获得大量数据样本，具体来说可以通过通过变换电网不同的负荷来增加样本数量。如下表1所示，为针对图一中的CEPRI-36交直流混合系统电网，通过组合地点一和地点二负荷，来增加样本数量。具体的故障类型和负荷的比例可以来自于真实电网运行的数据，使得最终仿真样本更加具有代表性。表1在本法另一个具体实施例中，一种电网无功补偿方法，所述无功补偿方案包括：无功补偿的量和无功补偿的位置方案。在本法另一个具体实施例中，一种电网无功补偿方法，所述补偿的位置又可以根据不同的电压等级进行细分。在本法另一个具体实施例中，一种电网无功补偿方法，所述暂态数据至少包括：设定时间内的电压、频率、有功功率、无功功率。在本法另一个具体实施例中，一种电网无功补偿方法，所述暂态数据至少包括：10s内的电压、频率、有功功率、无功功率。在本法另一个具体实施例中，一种电网无功补偿方法，所述步骤4后还包括：步骤5，基于所述无功补偿方案最优方案，利用电力系统级的仿真软件进行准确性验证。在本法另一个具体实施例中，一种电网无功补偿方法，所述所述电力本文档来自技高网...

【技术保护点】
一种电网无功补偿方法，其特征在于，包括：步骤1，在目标电网系统模型上设置不同类型的线路故障；基于所述各项线路故障，设置各项电路故障相对应无功补偿方案；步骤2，基于所述各项线路故障和无功补偿方案，利用暂态稳定仿真程序，分别获得无功补偿前后的暂态数据；步骤3，将所述无功补偿前后的暂态数据分别作为输入输出项，利用神经网络进行训练，获得训练后的无功补偿分类器；步骤4，将新的线路故障信息与各项无功补偿方案进行组合，利用所述训练后的无功补偿分类器进行评分，取得分最高的方案为最优方案。

【技术特征摘要】
1.一种电网无功补偿方法，其特征在于，包括：步骤1，在目标电网系统模型上设置不同类型的线路故障；基于所述各项线路故障，设置各项电路故障相对应无功补偿方案；步骤2，基于所述各项线路故障和无功补偿方案，利用暂态稳定仿真程序，分别获得无功补偿前后的暂态数据；步骤3，将所述无功补偿前后的暂态数据分别作为输入输出项，利用神经网络进行训练，获得训练后的无功补偿分类器；步骤4，将新的线路故障信息与各项无功补偿方案进行组合，利用所述训练后的无功补偿分类器进行评分，取得分最高的方案为最优方案。2.如权利要求1所述的方法，其特征在于，所述目标电网系统模型利用电力系统级的仿真软件建立。3.如权利要求1所述的方法，其特征在于所述电路故障至少包括以下至少一种：三相短路故障、单项临时性故障、单项永久性故障、快关阀门、两端直流故障。4.如权利要求1所述的方法，其特征在于，所述步骤1还包括：在目标电网系统模型上设...

【专利技术属性】
技术研发人员：曹军威，赵兵兵，邱金辉，杨飞，贾松江，陶冶，刘君，周培忠，
申请(专利权)人：清华大学，国家电网公司，南京南瑞继保电气有限公司，国网辽宁省电力有限公司，
类型：发明
国别省市：北京,11