一种含高比例风光新能源电网的无功电压智能优化方法

1.本发明涉及一种无功电压智能优化方法。特别是涉及一种含高比例风光新能源电网的无功电压智能优化方法。


背景技术：

2.随着风光新能源高比例接入电网，其出力的随机性和波动性对电网的影响加强，大大增加了现代电网的无功调控压力及复杂度。因此含风光新能源电网的无功电压优化问题是一个非线性，且拥有众多目标、变量及约束的复杂优化问题。传统运筹学优化法和启发式搜索法作为处理动态无功电压优化的方法，存在收敛速度慢、计算量大、易陷入局部最优等缺陷。此外，大多数现有方法基于模型求解，高度依赖于模型构建的精确性。
3.另一方面，风光新能源能够通过控制其电力电子装置快速调节其无功输出，为电网提供无功电压支撑。而传统无功电压优化方法难以充分调动各类无功源参与电网运行，且较少考虑风光新能源参与电网无功电压优化。
4.为充分利用风光新能源的无功调节潜力，减少模型精度对控制性能的影响，将风光新能源作为控制对象并利用人工智能算法实现含风光新能源电网的无功电压智能优化，能够使电力系统在各种状况下及时准确地做出应对措施，为电力系统的运行控制提供了新思路。


技术实现要素：

5.本发明所要解决的技术问题是，为了克服现有技术的不足，提供一种能够考虑新能源无功调节特性的含高比例风光新能源电网的无功电压智能优化方法。
6.本发明所采用的技术方案是：一种含高比例风光新能源电网的无功电压智能优化方法，包括如下步骤：
7.1)基于双馈风机无功调节特性构建风电无功调控模型，包括：建立双馈风机的风电有功出力模型，分别通过双馈风机的定、转子最大电流约束和双馈风机的网侧换流器容量约束确立双馈风机定子侧无功调节范围和网侧换流器的无功调节范围，并进一步简化所述的定、转子最大电流约束和网侧换流器容量约束，得到风电无功调控模型；
8.2)构建光伏无功调控模型，包括：建立光伏有功出力模型，通过光伏并网逆变器容量约束确立光伏并网逆变器的无功调节范围，并简化光伏并网逆变器容量约束，得到光伏无功调控模型；
9.3)基于dqn算法进行含高比例风光新能源电网的无功电压优化，包括：建立含高比例风光新能源电网的无功电压优化模型，针对所述的优化模型设计奖励函数，将风电及光伏的无功出力离散化，运用dqn算法对含高比例风光新能源电网的无功电压优化模型进行求解，得到风电及光伏的无功出力计划以及并联电容器组投切计划。
10.步骤1)包括：
11.(1)建立双馈风机的风电有功出力模型，包括：
12.双馈风机中风轮机所捕获的双馈风机的机械功率pm如下：
[0013][0014]
其中，为空气密度；r为风轮机半径；vw为环境风速；c
p
为风能利用系数；
[0015]
双馈风机有功功率输出按最大功率进行追踪控制，双馈风机有功功率大小pw如下：
[0016][0017]
其中，和分别为双馈风机的切入风速和切出风速；为双馈风机的额定风速；为双馈风机的额定输出功率；
[0018]
(2)确立双馈风机定子侧无功调节范围和网侧换流器的无功调节范围：
[0019]
双馈风机的定子侧无功调节范围和网侧换流器的无功调节范围与双馈风机的无功调节范围直接相关，如下：
[0020][0021]
其中，和分别为双馈风机的无功调节范围上、下限；和分别为双馈风机定子侧无功调节范围上、下限；和分别为双馈风机网侧换流器无功调节范围上、下限；
[0022]
双馈风机定子侧的无功调节范围受双馈风机定子侧和转子侧最大电流约束的影响，如下：
[0023][0024][0025][0026]
其中,和分别为双馈风机的受转子侧最大电流约束下的定子侧无功调节
范围上、下限；和分别为双馈风机的受定子侧最大电流约束下的定子侧无功调节范围上、下限；ls和lm分别为双馈风机的定子电感和激磁电感；和分别为双馈风机转子侧最大电流值和定子侧最大电流值；1为双馈风机的同步旋转角速度；s为双馈风机的转差率；us为双馈风机定子电压有效值；
[0027]
网侧换流器的无功调节范围受换流器容量的约束，如下：
[0028][0029]
其中，为网侧换流器容量；pc为网侧换流器输出的有功功率；
[0030]
(3)简化所述的定子、转子最大电流约束和网侧换流器容量约束，得到风电无功调控模型，包括：
[0031]
双馈风机定子侧直接与电网相连，定子电压在电网额定电压ue附近，令：
[0032]us
＝ue[0033]
利用转差率s＝(ω
1-ω)/ω1，并将双馈风机的转速与环境风速的对应关系简化为：
[0034][0035]
其中，k
ω-v
为描述转速与风速之间对应关系的斜率系数；
[0036]
受双馈风机转子侧最大电流约束下的定子侧无功调节范围上、下限简化为：
[0037][0038]
其中，常数项con表达式如下：
[0039][0040]
受双馈风机定子侧最大电流约束下的定子侧无功调节范围上、下限简化为：
[0041][0042]
忽略双馈风机网侧换流器瞬时有功出力pc的波动性，用网侧换流器有功出力最大值代替pc，取则双馈风机网侧换流器的无功调节范围上、下限简化为：
[0043][0044]
步骤2)包括：
[0045]
(1)建立光伏有功出力模型：
[0046]
光伏电站的有功功率输出p
pv
如下：
[0047][0048]
其中，为光伏电站的额定输出功率；α
pv
为光伏的温度转换功率系数；t为环境温度；t
ref
为环境气温参考值；s
pv
为环境光照强度；
[0049]
(2)确立光伏电站的无功调节范围：
[0050]
光伏电站的无功调节范围受光伏并网逆变器容量的影响，如下：
[0051][0052]
其中，和分别为光伏电站的无功调节范围上、下限；为光伏并网逆变器容量；
[0053]
(3)简化光伏并网逆变器容量约束，得到光伏无功调控模型：
[0054]
忽略光伏电站的有功功率输出p
pv
的波动性，用光伏电站的有功出力最大值代替p
pv
，取则光伏电站无功调节范围上、下限简化为：
[0055][0056]
步骤3)所述的含高比例风光新能源电网的无功电压优化模型，包括：
[0057]
(1)含高比例风光新能源电网的无功电压优化模型的目标函数f为：
[0058][0059]
其中，fi为第i个决策阶段的目标函数；n为一天内指令周期的个数；为第i个决策阶段的系统网络损耗；n为系统内节点数目；为第i个决策阶段内节点j的电压幅值；为第i个决策阶段内节点j的电压参考值；α1和α2分别为网损和电压偏差的权重系数；
[0060]
(2)考虑电网运行潮流约束以及电压约束：
[0061][0062][0063][0064]
其中，pj表示注入节点j的有功功率；qj表示注入节点j的无功功率；vj和vk分别为节点j和节点k的电压幅值；和分别为节点j的电压幅值上、下限；g
jk
表示节点j和节点k间的电导；b
jk
表示节点j和节点k间的电纳；ω
jk
表示节点j和节点k间的电压相角差；
[0065]
(3)考虑发电机无功出力约束：
[0066][0067]
其中，为第v台发电机组的无功出力；和分别为第v台发电机组的无功出力上、下限；
[0068]
(4)考虑风电和光伏的离散无功出力约束：
[0069][0070]
其中，qw和q
pv
分别为风电和光伏注入电网的无功功率；和分别为风电的无功调节范围上、下限；和分别为光伏的无功调节范围上、下限；
[0071]
(5)第m台并联电容器组的投切档位tm受到投切档位上下限和的限制：
[0072][0073]
(6)第m台并联电容器组一天内的投切次数上限设置为
[0074][0075]
其中，是一个0-1函数，定义为在第i个决策阶段周期内，如果第m台并联电容器组动作，则该值为1，如果不动作，则该值为0；
[0076]
步骤3)所述的奖励函数的设计，包括：
[0077]
设计第i个决策阶段周期的奖励ri如下：
[0078][0079]
其中，fi为第i个决策阶段的目标函数；n为系统内节点数目；为第i个决策阶段内节点j的电压幅值；和分别为第i个决策阶段内节点j的电压幅值上、下限；是一个0-1函数，定义为在第l个决策阶段周期内，如果第m台并联电容器组动作，则该值为1，如果不动作，则该值为0；为从起始阶段到第i个决策阶段，第m台并联电容器组的动作次数；为第m台并联电容器组一天内的投切次数上限；σ为系统越限的惩罚因子，通常设置为较大正值；
[0080]
步骤3)所述的风电及光伏的无功出力离散化，包括：
[0081][0082]
其中，和分别为风电无功出力以及光伏无功出力的离散取值；qw和q
pv
分别为风电和光伏注入电网的无功功率；和分别为风电的无功调节范围上、下限；和分别为光伏的无功调节范围上、下限；mw和m
pv
分别为风电无功调节范围等宽划分的间隔数以及光伏无功调节范围等宽划分的间隔数；为向下取整符号；
[0083]
步骤3)所述的运用dqn算法对含高比例风光新能源电网的无功电压优化模型进行求解，得到风电及光伏的无功出力计划以及并联电容器组投切计划，包括：
[0084]
(1)计算dqn网络损失函数l(θ)：
[0085][0086]
其中，ri表示第i个决策阶段的奖励；si和s
i 1
分别表示智能体在第i个决策阶段和第i 1个决策阶段时的状态，由信息向量集合组成，v、p、q分别为各节点电压幅值向量、注入各节点的有功功率向量和无功功率向量，t、c分别为全部并联电容器组投切状态向量以及全部并联电容器组一天内已投切次数向量，和分别为风电无功出力离散取值向量以及光伏无功出力的离散取值向量；a为智能体的动作空间；a表示智能体所选择的动作；是智能体基于第i个决策阶段的状态si实施策略得出的；q
π
由估计价值网络输出；由一个与估计价值网络形式相同的目标网络输出，该目标网络参数由估计价值网络每隔固定步长传入，θ和θ
target
分别为估计价值网络参数和目标网络参数；
[0087]
(2)采用随机梯度下降法对估计价值网络参数进行更新，更新公式为：
[0088][0089]
其中，θi和θ
i 1
分别为第i个决策阶段和第i 1个决策阶段的估计价值网络参数；α表示估计价值网络在更新过程中的学习率；
▽
表示梯度求取；表示dqn网络损失函数l(θ)的梯度在θ＝θi时的取值。
[0090]
本发明的一种含高比例风光新能源电网的无功电压智能优化方法，具有如下优点：
[0091]
1、本发明的方法构建了新能源的无功调控模型，能够很好充分发挥新能源的无功调节能力，具备更强的无功电压优化能力。
[0092]
2、本发明的方法以抑制新能源变化和负荷变化带来的电压大范围波动和最小化全系统网损为目标，将dqn算法作为优化内核，可依据电力系统状态对新能源无功出力计划以及电容器投切计划进行统筹安排。
[0093]
3、本发明所提出的电网电压优化方法可有效应对高比例新能源接入下电网电压频繁波动问题，对工程应用具有实际意义。
附图说明
[0094]
图1是本发明一种含高比例风光新能源电网的无功电压智能优化方法的流程图；
[0095]
图2是本发明实例中改进的ieee9节点测试系统示意图；
[0096]
图3a是本发明实例中9900-10000内节点5的电压优化效果示意图；
[0097]
图3b是本发明实例中9900-10000内节点7的电压优化效果示意图；
[0098]
图3c是本发明实例中9900-10000内节点9的电压优化效果示意图；
[0099]
图4是本发明实例中网络损耗优化效果示意图。
具体实施方式
[0100]
下面结合实施例和附图对本发明的一种含高比例风光新能源电网的无功电压智能优化方法做出详细说明。
[0101]
如图1所示，本发明的一种含高比例风光新能源电网的无功电压智能优化方法，包括如下步骤：
[0102]
1)基于双馈风机无功调节特性构建风电无功调控模型，包括：建立双馈风机的风电有功出力模型，分别通过双馈风机的定、转子最大电流约束和双馈风机的网侧换流器容量约束确立双馈风机定子侧无功调节范围和网侧换流器的无功调节范围，并进一步简化所述的定、转子最大电流约束和网侧换流器容量约束，得到风电无功调控模型；包括：
[0103]
(1)建立双馈风机的风电有功出力模型，包括：
[0104]
双馈风机中风轮机所捕获的双馈风机的机械功率pm如下：
[0105][0106]
其中，为空气密度；r为风轮机半径；vw为环境风速；c
p
为风能利用系数；
[0107]
双馈风机有功功率输出按最大功率进行追踪控制，双馈风机有功功率大小pw如下：
[0108][0109]
其中，和分别为双馈风机的切入风速和切出风速；为双馈风机的额定风速；为双馈风机的额定输出功率；
[0110]
(2)确立双馈风机定子侧无功调节范围和网侧换流器的无功调节范围：
[0111]
双馈风机的定子侧无功调节范围和网侧换流器的无功调节范围与双馈风机的无功调节范围直接相关，如下：
[0112]
[0113]
其中，和分别为双馈风机的无功调节范围上、下限；和分别为双馈风机定子侧无功调节范围上、下限；和分别为双馈风机网侧换流器无功调节范围上、下限；
[0114]
双馈风机定子侧的无功调节范围受双馈风机定子侧和转子侧最大电流约束的影响，如下：
[0115][0116][0117][0118]
其中,和分别为双馈风机的受转子侧最大电流约束下的定子侧无功调节范围上、下限；和分别为双馈风机的受定子侧最大电流约束下的定子侧无功调节范围上、下限；ls和lm分别为双馈风机的定子电感和激磁电感；分别为双馈风机转子侧最大电流值和定子侧最大电流值；1为双馈风机的同步旋转角速度；s为双馈风机的转差率；us为双馈风机定子电压有效值；
[0119]
网侧换流器的无功调节范围受换流器容量的约束，如下：
[0120][0121]
其中，为网侧换流器容量；pc为网侧换流器输出的有功功率；
[0122]
(3)简化所述的定子、转子最大电流约束和网侧换流器容量约束，得到风电无功调控模型，包括：
[0123]
双馈风机定子侧直接与电网相连，定子电压在电网额定电压ue附近，不会大范围变动，因此令：
[0124][0125]
利用转差率并将双馈风机的转速与环境风速的对应关系简化为：
[0126][0127]
其中，为描述转速与风速之间对应关系的斜率系数；
[0128]
受双馈风机转子侧最大电流约束下的定子侧无功调节范围上、下限简化为：
[0129][0130]
其中，常数项con表达式如下：
[0131][0132]
受双馈风机定子侧最大电流约束下的定子侧无功调节范围上、下限简化为：
[0133][0134]
忽略双馈风机网侧换流器瞬时有功出力pc的波动性，用网侧换流器有功出力最大值代替取则双馈风机网侧换流器的无功调节范围上、下限简化为：
[0135][0136]
2)构建光伏无功调控模型，包括：建立光伏有功出力模型，通过光伏并网逆变器容量约束确立光伏并网逆变器的无功调节范围，并简化光伏并网逆变器容量约束，得到光伏无功调控模型；包括：
[0137]
(1)建立光伏有功出力模型：
[0138]
光伏电站的有功功率输出p
pv
如下：
[0139][0140]
其中，为光伏电站的额定输出功率；α
pv
为光伏的温度转换功率系数；t为环境温度；t
ref
为环境气温参考值；s
pv
为环境光照强度；
[0141]
(2)确立光伏电站的无功调节范围：
[0142]
光伏电站的无功调节范围受光伏并网逆变器容量的影响，如下：
[0143][0144]
其中，和分别为光伏电站的无功调节范围上、下限；为光伏并网逆变器容量；
[0145]
(3)简化光伏并网逆变器容量约束，得到光伏无功调控模型：
[0146]
忽略光伏电站的有功功率输出p
pv
的波动性，用光伏电站的有功出力最大值代
替p
pv
，取则光伏电站无功调节范围上、下限简化为：
[0147][0148]
3)基于dqn算法进行含高比例风光新能源电网的无功电压优化，包括：建立含高比例风光新能源电网的无功电压优化模型，针对所述的优化模型设计奖励函数，将风电及光伏的无功出力离散化，运用dqn算法对含高比例风光新能源电网的无功电压优化模型进行求解，得到风电及光伏的无功出力计划以及并联电容器组投切计划；其中，
[0149]
(1)所述的含高比例风光新能源电网的无功电压优化模型，包括：
[0150]
(1.1)含高比例风光新能源电网的无功电压优化模型的目标函数f为：
[0151][0152]
其中，fi为第i个决策阶段的目标函数；n为一天内指令周期的个数；为第i个决策阶段的系统网络损耗；n为系统内节点数目；为第i个决策阶段内节点j的电压幅值；为第i个决策阶段内节点j的电压参考值；α1和α2分别为网损和电压偏差的权重系数；
[0153]
(1.2)考虑电网运行潮流约束以及电压约束：
[0154][0155][0156][0157]
其中，pj表示注入节点j的有功功率；qj表示注入节点j的无功功率；vj和vk分别为节点j和节点k的电压幅值；和分别为节点j的电压幅值上、下限；g
jk
表示节点j和节点k间的电导；b
jk
表示节点j和节点k间的电纳；ω
jk
表示节点j和节点k间的电压相角差；
[0158]
(1.3)考虑发电机无功出力约束：
[0159][0160]
其中，为第v台发电机组的无功出力；和分别为第v台发电机组的无功出力上、下限；
[0161]
(1.4)考虑风电和光伏的离散无功出力约束：
[0162][0163][0164]
其中，qw和q
pv
分别为风电和光伏注入电网的无功功率；和分别为风电的无功调节范围上、下限；和分别为光伏的无功调节范围上、下限；
[0165]
(1.5)第m台并联电容器组的投切档位tm受到投切档位上下限和的限制：
[0166][0167]
(1.6)第m台并联电容器组一天内的投切次数上限设置为
[0168][0169]
其中，是一个0-1函数，定义为在第i个决策阶段周期内，如果第m台并联电容器组动作，则该值为1，如果不动作，则该值为0；
[0170]
(2)所述的奖励函数的设计，包括：
[0171]
设计第i个决策阶段周期的奖励ri如下：
[0172][0173]
其中，fi为第i个决策阶段的目标函数；n为系统内节点数目；为第i个决策阶段内节点j的电压幅值；和分别为第i个决策阶段内节点j的电压幅值上、下限；是一个0-1函数，定义为在第l个决策阶段周期内，如果第m台并联电容器组动作，则该值为1，如果不动作，则该值为0；为从起始阶段到第i个决策阶段，第m台并联电容器组的动作次数；为第m台并联电容器组一天内的投切次数上限；σ为系统越限的惩罚因子，通常设置为较大正值；
[0174]
(3)所述的风电及光伏的无功出力离散化，包括：
[0175][0176]
其中，和分别为风电无功出力以及光伏无功出力的离散取值；qw和q
pv
分别为风电和光伏注入电网的无功功率；和分别为风电的无功调节范围上、下限；和分别为光伏的无功调节范围上、下限；mw和m
pv
分别为风电无功调节范围等宽划分的间隔数以及光伏无功调节范围等宽划分的间隔数；为向下取整符号；
[0177]
(4)所述的运用dqn算法对含高比例风光新能源电网的无功电压优化模型进行求解，得到风电及光伏的无功出力计划以及并联电容器组投切计划，包括：
[0178]
(4.1)计算dqn网络损失函数l(θ)：
[0179][0180]
其中，ri表示第i个决策阶段的奖励；si和s
i 1
分别表示智能体在第i个决策阶段和第i 1个决策阶段时的状态，由信息向量集合组成，v、p、q分别为各节点电压幅值向量、注入各节点的有功功率向量和无功功率向量，t、c分别为全部并联电容器组投切状态向量以及全部并联电容器组一天内已投切次数向量，和分别为风电无功出力离散取值向量以及光伏无功出力的离散取值向量；a为智能体的动作空间；a表示智能体所选择的动作；是智能体基于第i个决策阶段的状态si实施策略得出的；q
π
由估计价值网络输出；由一个与估计价值网络形式相同的目标网络输出，该目标网络参数由估计价值网络每隔固定步长传入，因此目标网络相对估计价值网络具有一定滞后，θ和θ
target
分别为估计价值网络参数和目标网络参数；
[0181]
(4.2)采用随机梯度下降法对估计价值网络参数进行更新，更新公式为：
[0182][0183]
其中，θi和θ
i 1
分别为第i个决策阶段和第i 1个决策阶段的估计价值网络参数；α表示估计价值网络在更新过程中的学习率；
▽
表示梯度求取；表示dqn网络损失函数l(θ)的梯度在θ＝θi时的取值。
[0184]
下面给出实例：
[0185]
根据图1所示的本发明一种含高比例风光新能源电网的无功电压智能优化方法的流程图，对图2所示的改进ieee9节点测试系统在新能源出力不确定以及负荷不确定的情况下进行无功电压优化。节点7处为风电场，额定容量为15.56mw，此时风电场的无功调节范围为-8mvar～9mvar，按1mvar的间隔划分为17个等宽区间。节点9处为光伏电站，额定容量为16mw，此时光伏电站的无功调节范围为-8mvar～8mvar，按1mvar的间隔划分为16个等宽区间。在原系统的5号安装并联电容器组(shunt capacitor bank)，最大档位为5，每档3mvar，总容量为12mvar，每天最多调节次数为8次。根据新能源出力波动以及负荷波动设置10000组随机运行条件供智能体学习。电压的上下限分别设置为1.02p.u.以及0.98p.u.。本实例通过对dqn算法与遗传算法得出的优化效果对比来分析比较算法的运算性能。
[0186]
根据图3a、图3b、图3c可以看到，在9900回合到10000回合之间，采用本发明的方法进行优化后，节点5、节点7、节点9的电压相比遗传算法(genetic algorithm,ga)，有着更优的优化效果。
[0187]
根据图4可以看出，本发明的方法在7800回合、8800回合以及9800回合起到了明显的降低网络损耗的作用，网络损耗较优化前分别下降了1.67％、1.22％和1.64％，充分显示了本发明一种含高比例风光新能源电网的无功电压智能优化方法的优越性。
[0188]
综上，在含高比例风光新能源电网中充分发挥新能源的无功调节能力，提高电网的经济性与安全性，具备更强的无功电压优化能力，具有良好的可行性。