Reactive power optimization method of distribution network based on large data free entropy theory and scene matching belongs to the field of reactive power optimization of distribution network. The methods include: combining with distribution network system, constructing free entropy index sequence; calculating free entropy index at the time to be optimized and free entropy index at each time in historical data according to the method of constructing free entropy index; calculating Pearson correlation coefficient between free entropy index and total load in historical data; calculating indexes at the time to be optimized and indexes at historical time. The overall deviation degree; find the historical moment with the lowest overall deviation degree, and realize intelligent scene matching. The reactive power optimization strategy corresponding to the historical moment is taken as the reactive power optimization strategy at the current time to be optimized. By using large data technology, the invention breaks away from the limitation of model parameters, considers the influence of distributed generation and new random load on distribution network, realizes reactive power optimization and voltage management of distribution network, and provides a new way for optimal operation of distribution network.
【技术实现步骤摘要】
基于大数据自由熵理论和场景匹配的配电网无功优化方法
本专利技术涉及配电网无功优化领域,具体涉及一种基于大数据自由熵理论和场景匹配的配电网无功优化方法。
技术介绍
配电网的无功优化和电压管理是配电网优化运行的一项重要工作,它利用配电网中变压器的可调分接头、固定电容器组和SVC等无功补偿资源尽可能地减小有功网损和节点电压偏移,使配电网运行于一个更优的状态从而保持电网的正常运行。传统的无功优化方法,依赖于配电网的模型和参数,并在优化过程中反复计算配电网的潮流,计算工作量大,决策时间长,适应性较差;以粒子群算法、人工神经网络为代表的人工智能优化算法,随着配电网复杂程度的增加计算结果不稳定,易陷于局部最优。目前,随着传感技术和通信技术的发展,大数据技术快速发展并且在电力领域得到了越来越多的应用。大数据这一概念是指通过对大量的、种类和来源复杂的数据进行高速地捕捉、发现和分析,从而建立数学模型对系统运行或生产实践进行指导。配电网处于电力系统的末端,具有地域分布广、电网规模大、设备种类多等鲜明特点,其监测节点众多在数据库中储存大量异构多源的数据,其中的数据规模和特点符合大数据的各项特征。因此,将大数据理论应用于配电网无功优化领域具备基础条件。刘科研等发表的《基于负荷分布匹配与熵权法的配电网无功优化》文献中提到一种基于负荷分布匹配与熵权法的配电网无功优化方法,首先基于拉依达准则进行了负荷分布匹配,从历史数据库中选出若干个与待优化时刻近似的负荷分布,并将其对应的历史控制方案确定为无功优化的备选方案;然后,提出基于熵权法的多属性决策方法,对多个备选方案进行分析评价,确定无功优化 ...
【技术保护点】
1.基于大数据自由熵理论和场景匹配的配电网无功优化方法,其特征在于:所述方法包括以下步骤:步骤(1),结合配电网系统,构建自由熵指标序列;步骤(2),根据自由熵指标的构建方法,计算出待优化时刻的自由熵指标和历史大数据中各时刻的自由熵指标;步骤(3),计算历史大数据中自由熵指标与系统总负荷间的皮尔森相关系数;步骤(4),利用步骤(2)中得到的自由熵指标和步骤(3)中得到的皮尔森相关性系数计算待优化时刻各指标与历史时刻各指标的总体偏离度;步骤(5),利用步骤(4)中得到的总体偏离度,找到对应总体偏离度最低的历史时刻,实现智能场景匹配,该历史时刻所对应的无功优化策略作为当前待优化时刻的无功优化策略。
【技术特征摘要】
1.基于大数据自由熵理论和场景匹配的配电网无功优化方法,其特征在于:所述方法包括以下步骤:步骤(1),结合配电网系统,构建自由熵指标序列;步骤(2),根据自由熵指标的构建方法,计算出待优化时刻的自由熵指标和历史大数据中各时刻的自由熵指标;步骤(3),计算历史大数据中自由熵指标与系统总负荷间的皮尔森相关系数;步骤(4),利用步骤(2)中得到的自由熵指标和步骤(3)中得到的皮尔森相关性系数计算待优化时刻各指标与历史时刻各指标的总体偏离度;步骤(5),利用步骤(4)中得到的总体偏离度,找到对应总体偏离度最低的历史时刻,实现智能场景匹配,该历史时刻所对应的无功优化策略作为当前待优化时刻的无功优化策略。2.根据权利要求1所述的基于大数据自由熵理论和场景匹配的配电网无功优化方法,其特征在于:在所述步骤(1)中,结合配电网系统,基于自由熵理论,选取负荷功率、节点电压、光伏出力、风机出力、电动汽车充电负荷等电气量和温度、光照强度、风速等非电气量计算自由熵指标从而构建自由熵序列:H={H1,H2,…,Hm};式中Hm为自由熵指标。3.根据权利要求1所述的基于大数据自由熵理论和场景匹配的配电网无功优化方法,其特征在于:在所述步骤(2)中,根据指标类型的不同,可以将其分为三类进行自由熵指标的构建;第一类是负荷数据与节点电压等在某一时刻具有较多数据源的指标,可用于计算负荷熵、电压熵等;第二类为分布式电源、电动汽车充电数据等由系统大小和分布特点来决定数据源个数的指标,可用于计算光伏熵、电动汽车充电负荷熵等,其中电动汽车充电负荷熵简称为ev熵;第三类为环境数据,在某一时刻仅有唯一确定值的指标,可用于计算环境熵;然后将三类自由熵指标进行汇总,从而得到该系统的自由熵序列:1)第一类自由熵指标的构建以负荷熵为例,介绍第一类自由熵指标的构建方法:设节点i最大视在功率为Simax,系统运行时节点i实际功率为Si,则节点i的负荷率为:式中:n为负荷节点数,给定常数序列F={F0,F1,…,FN},N为区间数,实际取F={0,0.01,…,1},用lk表示负荷率μi∈(Fk-1,Fk]的节点数,对不同负荷率区间内的节点数概率化得:式中p(k)为负荷率μi∈(Fk-1,Fk]的节点数占总节点数的比例,综上可得负荷熵:2)...
【专利技术属性】
技术研发人员:吴俊勇,朱孝文,石琛,安然,邵美阳,郝亮亮,
申请(专利权)人:北京交通大学,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。