风-光-储混合系统区域无功储备多目标优化方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113708380A(43)申请公布日2021.11.26(21)申请号202111021764.5H02J3/50(2006.01)(22)申请日2021.09.01G06Q10/04(2012.01)G06Q50/06(2012.01)(71)申请人南京工程学院地址211167江苏省南京市江宁区科学园弘景大道1号(72)发明人陈光宇吴文龙张仰飞郝思鹏李家兴周思佳(74)专利代理机构南京钟山专利代理有限公司32252代理人戴朝荣(51)Int.Cl.H02J3/16(2006.01)H02J3/18(2006.01)H02J3/28(2006.01)H02J3/38(2006.01)权利要求书5页说明书11页附图7页(54)发明名称风-光-储混合系统区域无功储备多目标优化方法(57)摘要本发明公开了一种风‑光‑储混合系统区域无功储备多目标优化方法，步骤如下：S1、获取风‑光‑储混合系统典型场景集数据；S2、构建无功源的电压关联指标值，基于关联指标筛选出有效无功源；S3、对所有典型场景进行预想故障扫描，得到故障场景集数据，基于故障场景中有效无功源的无功储备构建故障场景特征向量；S4、对故障场景集进行场景缩减，得到典型故障场景；S5、对风光储系统进行分区；S6、构建典型故障场景下区域无功储备多目标优化模型；S7、采用多目标优化算法对模型进行求解得到Pareto最优解集；S8、通过模糊理论得到折中最优解。本发明能够提高风光储混合系统在故障情况下电网电压安全水平，降低系统的运行风险。CN113708380ACN113708380A权利要求书1/5页1.风‑光‑储混合系统区域无功储备多目标优化方法，其特征在于，包括如下步骤：S1、获取风‑光‑储混合系统的典型场景集数据；S2、构建无功源的电压关联指标值，基于关联指标筛选出有效无功源；S3、对所有典型场景进行预想故障扫描，得到故障场景集数据，基于故障场景中有效无功源的无功储备构建故障场景特征向量；S4、基于场景特征向量对故障场景集进行场景缩减，得到典型故障场景；S5、对风‑光‑储系统进行分区；S6、构建典型故障场景下区域无功储备多目标优化模型；S7、采用多目标优化算法对模型进行求解得到Pareto最优解集；S8、基于Pareto最优解集通过模糊理论得到折中最优解。2.如权利要求1所述的风‑光‑储混合系统区域无功储备多目标优化方法，其特征在于，步骤S2中，包括如下步骤：S21、计算电网内所有无功源对全部节点的电压/无功灵敏度k，得到灵敏度集合K；S22、采用最大类间方差法对电压/无功灵敏度集合K进行分割，得到分割阈值kth；S23、根据分割阈值kth判断无功源与节点间关系；S24、基于无功源与节点间关系，计算全部无功源的电压关联指标Z，得到电压关联指标集合；无功源电压关联指标表达式为：其中，Z为电网中无功源的电压关联指标的标准化数值；Xm是1或0的数值，表示无功源与无功负荷m(或无功源m)所在节点的电压之间是否存在关系；M为电网中负荷数目；N为电网中无功源数目；S25、采用S22中方法对电压关联指标集合进行分割，得到电压关联指标的分割阈值Zth；S26、基于电压关联指标的分割阈值Zth，筛选出有效无功源集表达式为:其中，Zi为无功源i的电压关联指标；Zth为电压关联指标分割阈值；SN为无功源集。3.如权利要求2所述的风‑光‑储混合系统区域无功储备多目标优化方法，其特征在于，步骤S22，具体如下：首先构建类间方差优化模型，流程为：1)设集合K中节点y对无功源x的电压/无功灵敏度kxy的平面坐标为(x,y)，灰度等级为G＝{0,1，…,N‑1}，N为节点数，坐标点(x,y)上对应的灰度值为f(x,y)，等于kxy；t∈G为分割阈值，B＝{b0,b1}表示一个二值灰度级别；2)在阈值t上的分割结果ft(x,y)为：2CN113708380A权利要求书2/5页3)设灰度级为i的坐标点个数为fi，则坐标点的总个数M为灰度级别i出现的概率pi计算公式为：4)将坐标点分为两类(C0,C1)，C0包含灰度等级在{0,1,…,t}内的坐标点，对应于无功源与节点电压之间不存在关系，C1包含灰度等级在{t+1,t+2，…,L‑1}内的坐标点，对应于无功源与节点电压之间存在关系；5)不存在关系的坐标点比例p(t)大小为不存在关系的平均灰度值μ0和存在关系的平均灰度值μ1的计算公式为：6)得到类间方差优化模型的表达式为：最后采用粒子群算法求解类间方差优化模型，类间方差达到最大时的t为所需要的分割阈值kth。4.如权利要求2所述的风‑光‑储混合系统区域无功储备多目标优化方法，其特征在于，步骤S23，具体如下：根据分割阈值kth判断无功源与节