受端电网发电机无功备用优化方法及系统与流程

1.本发明属于电力系统无功优化技术领域，尤其涉及一种考虑特高压和新能源不确定性的受端电网发电机无功备用优化方法。


背景技术：

2.本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
3.无功备用是指在电网发生扰动时系统可以发出的最大可用无功。无功备用是维持电压稳定、功角稳定以及电能质量的重要条件之一，对维持电网安全稳定运行和避免电压崩溃具有重要的作用。按照作用时间尺度的不同，可分为静态无功备用和暂态无功备用。静态无功备用主要针对电网负荷增加，为电力系统的准稳态问题；而暂态无功备用针对的扰动主要是电网系统故障，尤其是线路故障。发电机即可以在负荷增长时作为静态无功备用，又可以在系统故障中提供暂态无功备用。因此建立发电机无功备用模型，并对其进行优化是无功备用的重要研究方向。
4.发电机无功备用优化是电力系统无功优化问题的一个分支，即通过调节发电机机端电压、无功补偿投切容量、调整变压器抽头变比等措施来调整发电机无功出力以及改变系统无功潮流，优化配置电网中发电机无功储备。发电机无功备用中的关键问题是如何对发电机备用进行定义。目前研究中，单个发电机无功备用的定义主要分为物理备用和有效备用，前者为发电机无功出力最大值与当前状态下无功出力之差，后者为发电机在电压稳定临界点处无功出力与当前状态下无功出力之差。有效无功备用由于更加符合电网运行方式的变化，因此在实际中得到广泛应用。在单个发电机无功备用基础上，通过加权的方法便可得到整个电网的总发电机无功备用。
5.随着直流输电和新能源发电大规模接入电网，交直流混联运行逐步成为未来电网的主要特征。而直流输电不仅没有电压支撑能力，反而需要交流系统中吸收大量的无功，降低系统电压稳定性。因此，需要对交直流混联系统的无功优化以及发电机无功备用问题进行研究。


技术实现要素：

6.为克服上述现有技术的不足，本发明提供了受端电网发电机无功备用优化方法，该方法提高了目标优化的精度和收敛速度。
7.为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：
8.第一方面，公开了受端电网发电机无功备用优化方法，包括：
9.利用梯形隶属度函数表示特高压直流消耗无功功率和新能源出力的不确定性，并计算受端电网模糊潮流；
10.基于受端电网模糊潮流对受端电网的分区；
11.基于受端电网模糊潮流，计算发电机节点无功备用权系数；
12.在受端电网的分区中，利用发电机节点无功备用权系数，建立模糊电机无功备用优化模型；
13.对模糊电机无功备用优化模型求解，得到模型最优受端电网发电机无功备用。
14.进一步的技术方案，所述梯形隶属度函数由预测值或历史值和四元比例参数表示。
15.进一步的技术方案，利用梯形隶属度函数表示特高压直流消耗无功功率和新能源出力的不确定性，具体为利用模糊隶属度函数求解状态变量可信分布。
16.进一步的技术方案，利用模糊隶属度函数求解状态变量可信分布的过程为：
17.构建交直流系统的潮流方程组；
18.求解基准值情况下的交直流系统潮流；
19.求解节点注入有功无功的模糊增量；
20.求解节点电压以及相角的的模糊增量；
21.求解模糊变量；
22.通过模糊隶属度函数和可信性测度以及期望值之间的关系，求解状态模糊变量的可信性分布及目标函数模糊变量的期望值。
23.进一步的技术方案，基于受端电网模糊潮流对受端电网的分区时，先求解电网pq节点间电气距离以及pv节点区域电压调控灵敏度，然后用ap聚类算法对电网进行分区。
24.进一步的技术方案，求解电网pq节点间电气距离时，基于潮流计算所得的雅可比矩阵，获取电压灵敏度进而定义电气距离。
25.进一步的技术方案，求解pv节点区域电压调控灵敏度时，基于pv节点对pq节点的电压调控灵敏度关系式获得任意pv节点对各pq节点的电压调控灵敏度；
26.基于以期望表征节点间的调控能力，定义pv节点对任意pq分区内各节点电压调控灵敏度期望均值作为其区域电压调控灵敏度。
27.进一步的技术方案，基于节点参与因子和极限曲面法向量指标乘积的权系数，计算发电机节点无功备用权系数。
28.进一步的技术方案，计算发电机节点无功备用权系数的过程为：
29.受端电网的连续潮流中，定义极限运行曲面，利用曲面的法向量在q维度上的投影来表征节点电压的薄弱性；
30.对潮流雅可比矩阵进行特征值分解，得第j个节点电压灵敏度，基于灵敏度得到状态j对模态i的参与因子；
31.基于曲面的法向量在q维度上的投影及状态j对模态i的参与因子，得到发电机节点无功备用权系数。
32.进一步的技术方案，所述模糊电机无功备用优化模型发电机无功备用模型的目标函数及发电机无功备用模型的变量约束。
33.第二方面，公开了受端电网发电机无功备用优化系统，包括：
34.不确定性表示模块，被配置为：利用梯形隶属度函数表示特高压直流消耗无功功率和新能源出力的不确定性；
35.受端电网模糊潮流利用模块，被配置为：计算受端电网模糊潮流，基于受端电网模糊潮流对受端电网的分区并计算发电机节点无功备用权系数；
36.模糊电机无功备用优化模型建立模块，被配置为：在受端电网的分区中，利用发电机节点无功备用权系数，建立模糊电机无功备用优化模型；
37.受端电网发电机无功备用求解模块，被配置为：对模糊电机无功备用优化模型求解，得到模型最优受端电网发电机无功备用。
38.以上一个或多个技术方案存在以下有益效果：
39.本发明利用梯形模糊数表示特高压和新能源不确定性，并结合模糊潮流，进行受端电网的分区；在发电机节点无功备用权系数的基础上，建立受端电网发电机无功备用优化模型，采用生物地理学算法进行求解，提高了目标优化的精度和收敛速度。
40.本发明的方法能够同时对风电和高压直流的不确定性建模，并基于相同模型进行模糊潮流计算，解决受端电网不确定的建模和潮流计算问题。
41.本发明的方法能够基于受端电网的不确定性进行分区，建立受端电网发电机无功备用优化模型，提高受端电网的电压稳定性。
42.本发明的发电机无功备用优化模型具有非凸性和多极值性，采用生物地理学算法这种群体智能优化算法，计算过程更加简单、高效且调整的参数较少。
43.本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
44.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
45.图1是电力系统交直流分界面；
46.图2是电网分区流程图；
47.图3是ieee 39改进系统；
48.图4为优化前后系统电压稳定裕度示意图。
具体实施方式
49.应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
50.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。
51.在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
52.实施例一
53.本实施例公开了受端电网发电机无功备用优化方法，包括：
54.步骤(1)：对受端电网的模糊特性分析，用梯形隶属度函数表征受端新能源出力和高压直流消耗无功功率的不确定性，并计算受端电网模糊潮流；
55.步骤(2)：计算电网pq节点间电气距离以及pv节点区域电压调控灵敏度，用ap聚类算法对电网进行分区，得到电气距离解耦的独立电网区域；
56.步骤(3)：基于节点参与因子和极限曲面法向量指标乘积的权系数，计算发电机节
点无功备用权系数；
57.步骤(4)：在受端电网的分区中，利用发电机节点无功备用权系数，建立模糊发电机无功备用优化模型；
58.步骤(5)：采用生物地理学算法，对模糊电机无功备用优化模型，得到模型最优解，即分区内最优无功备用的发电机出力。
59.所述步骤(1)受端电网的模糊特性分析如下：
60.电力系统无功优化需要实时数据，而由于节点数目众多或投资的原因，电网运行得不到各个节点新能源出力和负荷的实时数据，部分数据只能取自历史数据或者预测数据，因此负荷数据只能看作当前运行数据的模糊信息。梯形隶属度函数由于具有丰富的理论基础，而且现实中符合人们对事物的主观判断，被广泛的用在电力系统中。负荷的梯形隶属度函数由预测值(或历史值)和四元比例参数表示为
61.p＝(p1,p2,p3,p4)＝p
fc
(w1,w2,w3,w4)
62.式中，p
fc
代表新能源出力的基准值(预测值或历史值)；wk为比例系数，且k＝1,2,3,4。
63.不管换流站处于整流还是逆变运行状态，都需要从交流系统获取无功功率，即换流站对于交流系统来说是一种无功负荷。而且，换流站消耗的无功功率除了受有功功率影响外，还与很多运行参数相关。上述公式计算得出的无功消耗量都是在确定的设备、运行、控制参数下求出的，实际运行中，在计算换流站消耗的无功时，除了给定的运行控制等确定性参数外，由于一些参数具有不确定性，如母线电压的不确定性，换流变压器的阻抗公差，一些测量数据和控制误差引起的控制参数的不准确，都会造成换流器的消耗无功具有一定的确定性。详细的分析不同工况和考虑因素下换流器消耗的无功功率，如表1。
64.表1正常运行时换流器侧消耗的无功功率(m var)
[0065][0066][0067]
步骤(1)中，模糊潮流中利用模糊隶属度函数求解状态变量可信分布，(可信性分
布式由不确定性及受端电网模糊潮流决定，表示变量可信能力d变量)，计算过程如下：
[0068]
1-1)将公式(1)、(2)和交流系统方程组成交直流系统的潮流方程组。
[0069]
1-2)不考虑系统地模糊变量，通过牛顿法求解基准值情况下的交直流系统潮流，求出vd、θd、p
lossd
、v
vdd
其中vd为节点电压，θd为相角，p
lossd
为网损，v
vdd
电压偏移，下标d为相应变量的基准值。
[0070]
1-3)求解节点注入有功无功的模糊增量δp、δq。
[0071]
1-4)利用牛顿潮流算法中的雅可比矩阵求解节点电压以及相角的的模糊增量δθ，δv。
[0072][0073]
1-5)求解模糊变量电压v、相角θ。
[0074]
1-6)求解电压偏移v
vd
和网络损耗p
loss
的模糊变量。
[0075][0076]
式中:y为发电机无功出力、电压偏移和网络损耗；xj为与y相对应系统模糊变量。求解出状态变量对应的模糊增量后，由公式3求解目标函数(目标函数表示电压偏移和网络损耗)的隶属度函数
[0077]
y＝yd δy
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0078]
1-7)通过隶属度函数和可信性测度以及期望值之间的关系，求解状态模糊变量的可信性分布及目标函数模糊变量的期望值，表示不确定条件下的目标函数。
[0079]
关于高压直流接入受端电网的潮流计算，具体为：
[0080]
高压接入受端电网的潮流，是交直流电网潮流的一种特殊形式。因此，借助交直流电网潮流，可以对受端电网潮流进行分析。通常交直流电网潮流需要将系统分成交流系统和直流系统，并分别对两个系统建立模型，交直流分界面如图1所示。
[0081]
图1中p
ac
jq
ac
是注入交流系统的功率；pd jqd是注入直流系统的功率；ps jqs是滤波器和无功补偿以及负荷的注入功率；ui∠θi为换流站交流母线i电压；ud和id为直流系统电压和电流；t为变压器变比；xi为直流平波电抗器电抗。
[0082]
然而受端电网以交流系统为主，主要建立交流系统模型。与纯交流受端系统相比，交直流受端电网的逆变换流站交流母线多了一项直流注入功率。对于受端电网逆变换流母线，如果换流变压器分接头确定，直流系统电压确定，则直流系统的注入功率根据不同的控制模式有如下：
[0083][0084]
式中，α为换流器的延迟触发角，f和g取决于直流换流器的控制模型。换流站交流母线的功率平衡方程为：
[0085][0086]
当用牛顿法求解交直流系统的潮流问题时，其jacobi矩阵与纯交流系统的jacobi
矩阵的不同之处在于需要考虑直流注入功率相关的因素，如下：
[0087][0088]
式中，u
d0i
为换流器无逆变延迟角的逆变电压，ci简化参数，如下式：
[0089][0090]
式中，kb＝k
p
·
kh，k
p
为极数，kh为每极的6脉冲桥，k为交流电压基准值和直流电压基准值的比值。整流器定电流(或定功率),逆变器定电压控制方式下,受端电压稳定性最好，因此本文受端电网采用控制模式。在这种控制方式下，式(1-3)简化为：
[0091][0092]
步骤(2)中，求解电网pq节点间电气距离，其过程为：
[0093]
电气距离作为节点间联系紧密度大小量度指标,在电压分区中直接决定分区结果与质量，基于潮流计算所得的雅可比矩阵，获取电压灵敏度进而定义电气距离：
[0094][0095]
式中，β
ij
为任意pq节点i与j之间的电压灵敏度；和分别为节点i对节点j的和节点j对自身的无功电压灵敏度；l
ji
和uj分别为节点i和节点j电压；l
ji
和l
jj
为雅可比矩阵对应元素。
[0096]
为方便构建相似度矩阵,本专利定义初步的pq节点间电气距离矩阵d1如下:
[0097][0098]
式中，-lg|β
nn
|pq节点i到节点j间的电气距离；n为全网pq节点个数。一般情况下d
1ij
≠d
1ji
，但是二者接近，所以保障电气距离矩阵对称，本文定义最终的pq节点间电气距离矩阵d。
[0099][0100]
式中，为d1的转置。
[0101]
步骤(2)中求解考虑模糊特性的pv节点区域电压调控灵敏度的过程为：
[0102]
电力系统中，pv节点对pq节点的电压灵敏度受到电网参数和运行状态的双重影响。pv节点对pq节点的电压调控灵敏度关系如下式：
[0103]
f(i)δv
pv
(i)＝δv
pq(i)ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)
[0104]
式中：i表示为电网参数下的某个运行状态；f(i)为运行状态i下的灵敏度矩阵；δv
pv
(i)和δv
pq
(i)分别为在运行状态i下pv节点和pq节点的电压变化量。
[0105]
通过摄动法可以由式(12)可获得任意pv节点对各pq节点的电压调控灵敏度。受端电网中，为了更突出电网的总体影响，采用以期望表征节点间的调控能力，基于此定义pv节
点对任意pq分区内各节点电压调控灵敏度期望均值作为其区域电压调控灵敏度。定义:
[0106][0107]
式中:g为区域电压调控灵敏度矩阵；m和l分别为电网中pv节点和pq节点数目。
[0108]
目前多数分区算法需指定聚类数作为算法输入量，因而会增加聚类过程主观干扰，另外部分算法在启动时要基于随机选取的聚类中心或搜索方向，使得聚类结果易陷入局部最优。基于以上考虑，本文在分区算法上选取更先进的ap聚类。ap聚类是由freybj,dueckd等人提出的一种新的无人监督学习方法。结合电气距离和区域电压调控灵敏度，通过ap聚类算法就可以对受端电网进行区域划分，流程图如图2所示。
[0109]
步骤(3)中，发电机节点无功备用权系数的过程为：
[0110]
受端电网的连续潮流中，极限运行曲面定义为：
[0111]
σ＝{(p,q)|f(x,p,q)＝0,x∈ω}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(14)
[0112]
其中，p、q分别为电网中有功、无功注入功率；f(
·
)＝0为临界点处的潮流方程；ω为电压稳定临界点集。曲面∑的法向量在q维度上的投影nq可以表征节点电压的薄弱性。nq越大，代表该节点对无功的扰动越敏感，越需要增加无功支撑。
[0113]
参与因子法是一种特征值分析法，系统共有nb个节点，对潮流雅可比矩阵进行特征值分解，得到：
[0114][0115]
其中，δp、δq、δθ和δu分别为节点注入有功、无功、节点电压相角和幅值的微分，均为n
b-1维列向量；矩阵a和b
t
分别为左、右特征向量对应的矩阵。
[0116]
由式(15)易得：
[0117][0118]
其中，ai和bi分别为a和b的第i列。
[0119]
令δp＝0,δq＝ξj(即第j个量为1、其余为0的单位向量)，可得第j个节点电压灵敏度为：
[0120][0121]
其中，p
ji
为状态j对模态i的参与因子。由式(17)，系统中对应特征值最小的模态对系统的行为影响最大，而参与因子较大的节点对的贡献也大，也即该节点越需要无功支撑。不失一般性，下文的参与因子均针对主模态(即最小特征值对应的模态)，将此模态下第j个节点的参与因子表示为pj。
[0122]
在nq和p
j,i
的基础上，本文定义的发电机wg＝{w
gi
|i∈n
gen
}无功备用权系数为：
[0123][0124]
其中，w
gi
为发电机i的无功备用权系数；n
gen
为系统的发电机集；n
pq
为系统的pq节点集；为节点j电压对发电机节点i端电压灵敏度，其值越大代表发电机主动控制节点电压的能力越强，为发电机节点i的无功出力对于节点j无功扰动的灵敏度，其值越大代表发电机响应节点无功扰动的能力越强，这2项衡量发电机对节点电压的控制能力和无功支撑能力；pj为节点j对主失稳模式的参与因子，n
oj
为no中节点j对应的元素，如前文所述，这2项衡量节点电压的薄弱性。
[0125]
为避免数值差距影响指标准确性，本文采用将上述4项相乘的形式。这一指标综合表征了发电机对节点电压的控制能力及无功响应能力，其值越大代表其对薄弱节点的无功支撑能力越强，在无功备用优化中的价值越高。为便于分析比较，下文将不包含n
oj
项的权系数称为基于参与因子的权系数，而将不包含pj项的权系数称为基于法向量的权系数。
[0126]
步骤(4)中建立的发电机无功备用模型的目标函数，能够在不确定条件下考虑分区内无功备用，具有全面表示分区电网无功备用能力，如下：
[0127][0128]
其中，k表示受端电网的分区；i为分区中发电机的编号；为k分区内的发电机节点集合；e(
·
)为期望值；为k分区内的无功备用；为本文定义的发电机权系数；q
gci
和q
gci
分别为系统发电机i在临界点和基态情况下的无功出力。
[0129]
所述步骤(4)中建立的发电机无功备用模型的变量约束为：
[0130][0131][0132]
其中，f为潮流方程；vk和θk分别为分区k中节点电压幅值及其相角；p
lk
和q
lk
分别为分区k中的节点有功负荷以及无功负荷，新能源发电的有功、无功出力也作为负的负荷计入这一部分；为发电机的基态无功出力；uk为控制变量，包括发电机端电压、节点无功补偿量、可调变压器变比；下标max和min分别表示上限和下限；cr(
·
)表示事件发生的可信度；p为给定的越限可信度。
[0133]
本发明的受端电网发电机无功备用优化方法属于高维非线性多约束的混合整数优化问题，而且具有非凸性和多极值性，使得传统优化算法难以奏效。智能优化算法，如粒子群算法、遗传算法、蚁群算法和进化规划算法，求解此类问题具有很大的优势。生物地理学算法是一种新的群体智能优化算法，简单、高效且调整的参数较少，比较适合本文优化模型的求解。
[0134]
生物地理学算法(bbo)是一种基于岛屿生物地理学平衡理论的群体进化算法。bbo算法拥有进化算法共同的特点，即以一定的概率在候选解之间共享信息；同时，bbo算法也有其独特之处，bbo算法通过个体的适宜度值计算每一代的迁入率和迁出率，使质量低的解有较高的概率接受质量高的解的特征来提高自身的质量。bbo算法自被提出以来，在各种基准函数的优化上表现出优良的性能，并且被成功地应用到各种现实问题中。
[0135]
所述步骤(5)中，把目标函数作为优化目标，用惩罚项的方式处理约束，利用的生物地理学算法，其算法如下：在bbo中，每个个体称为一个栖息地，每个栖息地用适宜度指数(hsi)衡量其好坏，栖息地的hsi与生物多样性成正比。描述栖息地适于居住程度的特征变量组成的d维实数向量称为适宜度向量(siv，公式中用vsiv表示)。栖息地之间通过迁移和突变进行物种之间信息的交换与共享，提高物种多样性。在生物地理学算法中，每个栖息地的迁入率和迁出率是该栖息地物种数量的函数，用于栖息地之间信息的分享。
[0136]
迁入率λi和迁出率μi的算式为
[0137][0138]
式中：i,e分别表示最大迁入率和最大迁出率；si表示当前种群数；s
max
表示最大种群数。
[0139]
利用bbo包含两大基本的操作即迁移和变异。迁移操作通过分享栖息地之间的特征值改变选中的栖息地的siv。迁移操作可以表示为
[0140]hi
(v
siv
)
←
he(v
siv
)(23)
[0141]
式中：hi是准备迁入的栖息地；he是准备迁出的栖息地。
[0142]
变异操作模拟了栖息地生态环境的突变，用于增加种群的多样性。在bbo算法中，栖息地hi中的一个siv被选中用随机生成的siv代替，其变异概率mi与它的物种数量的先验概率pi有关。变异概率的算式为
[0143]
mi＝m
max
(1-pi/p
max
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(24)
[0144]
式中：m
max
是自定义参数，代表最大变异概率，p
max
＝maxpi。
[0145]
算例分析
[0146]
为说明所提模糊无功备用优化模型的有效性，以ieee 10机39节点系统(如图3)为例进行分析。该系统共有9个发电机节点、12台变压器和2个电容补偿节点，补偿容量上限均为100mvar。节点电压上限均设为1.06p.u.，下限为0.96p.u.，可信度置信水平设为98％。ieee 10机39节点系统将外网等值为发电机组，为了适应受端电网的实际需求，本发明将其通过直流输电送入，如图3所示。8、13、24这3个节点装设20mw的风电。区域内的负荷和风电相关系数见表2。
[0147]
表2梯形模糊参数
[0148]
模糊参数w1w2w3w4风电出力0.960.981.021.04负荷0.980.991.011.02
[0149]
算法参数设置为：栖息地数量为200，最大迭代次数为100，初始变异率为0.4，最大迁入率为1，最大迁出率为1。
[0150]
表3优化前后部分节点电压范围
[0151][0152]
考虑风电和特高压直流的模糊特性之后，从表3中可以看出，优化前运行节点违反机会约束有6个，优化后节点电压落在电压范围内，只有节点31和39超过电压上限，系统的运行风险大大降低。
[0153]
表4节点13优化前后节点电压范围
[0154]
模糊参数w1w2w3w4优化前0.910.920.950.96优化后0.980.991.011.02
[0155]
如表4为优化前后节点13电压的隶属度函数，可见优化前节点13电压的的隶属度虽然满足节点电压约束，但是接近下限，存在违反约束的可能性。优化后的隶属度函数明显提升，基本位于额定值附近，不存在任何违反机会约束的可能性。进一步分析所提模型的优化结果，图4为优化前后系统电压稳定裕度。可知，优化后ieee 39节点的电压稳定裕度得到明显提升，这表明本文所提模型的优化结果能够有效提高系统的安全稳定性。
[0156]
实施例二
[0157]
本实施例的目的是提供一种计算装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法的步骤。
[0158]
实施例三
[0159]
本实施例的目的是提供一种计算机可读存储介质。
[0160]
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时执行上述方法的步骤。
[0161]
实施例四
[0162]
本实施例的目的是提供了受端电网发电机无功备用优化系统，包括：
[0163]
不确定性表示模块，被配置为：利用梯形隶属度函数表示特高压直流消耗无功功率和新能源出力的不确定性；
[0164]
受端电网模糊潮流利用模块，被配置为：计算受端电网模糊潮流，基于受端电网模
糊潮流对受端电网的分区并计算发电机节点无功备用权系数；
[0165]
模糊电机无功备用优化模型建立模块，被配置为：在受端电网的分区中，利用发电机节点无功备用权系数，建立模糊电机无功备用优化模型；
[0166]
受端电网发电机无功备用求解模块，被配置为：对模糊电机无功备用优化模型求解，得到模型最优受端电网发电机无功备用。
[0167]
以上实施例二、三和四的装置中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
[0168]
本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
[0169]
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。