含分布式光伏的配电网集群划分和集群电压协调控制(Matlab代码实现)

简介: 含分布式光伏的配电网集群划分和集群电压协调控制(Matlab代码实现)

👨‍🎓个人主页:研学社的博客

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势:🌞🌞🌞博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。

⛳️座右铭:行百里者,半于九十。

📋📋📋本文目录如下:🎁🎁🎁

目录

💥1 概述

📚2 运行结果

🎉3 文献来源

🌈4 Matlab代码及文章讲解


image.gif

💥1 概述

摘要:针对配电网中高渗透率分布式光伏接入引起的电压越限问题,本文提出了一种基于网络划分的双层电压控制策略,通过优化光伏变流器的有功和无功输出功率实现光伏发电损失和线路有功损耗最小的优化目标。基于社团检测算法,本文提出了综合考虑电气距离和区域电压调节能力的集群性能指标和网络划分方法。在集群划分基础上,本文提出包含群内自治优化和群间分布式协调的双层电压控制策略,利用其在不同时间尺度上的配合实现了配电网全局电压的快速优化控制。集群自治优化控制通过交替更新群内最优解和虚拟平衡节点电压实现群内电压的实时快速控制。长时间尺度的群间分布式协调控制基于交换方向乘子法,通过相邻集群的有限边界数据交换实现对分布式光伏输出功率的全局优化控制。所提方法被应用于中国安徽金寨的一条实际10.5kV线路和IEEE 123节点系统以验证所提方法的有效性和可行性。

关键词:网络划分;分布式光伏;集群电压控制;分布式优化;有功缩减。

随着分布式光伏发电在配电网中渗透率的提高,配电网的稳定运行面临诸多挑战,其中潮流倒送和过电压问题尤为显著。这不但限制了配电网接纳分布式光伏的能力,而且严重威胁配电网的安全稳定运行。中国安徽金寨地区推行的“光伏扶贫”项目,在配电网中接入了大量的分布式光伏,使得当地配电网面临的调压问题日趋严重。

目前的电压控制方式主要分为四大类[1]:1)集中控制[2],以全局优化为目标,统一调配可控资源,但投资成本高、通讯负担重;2)就地控制[3],具有快响应速度和低投资成本优势,但调压能力有限;3)分布式控制[4],通过节点间的协调,改善了电压调节能力和投资成本,但优化效果有限;4)分散式控制[5],在集群划分基础上利用分群自治和群间协调能够综合集中控制和分布式控制的优势,具有巨大潜力。

在集群划分方面,文献[6]提出一种基于k-means聚类算法的网络划分方法,用于降低配电网辅助服务分析的计算量。聚类算法[7][8]被应用于集群划分时,通常需要根据研究目标对距离指标进行定义。文献[6]、[9]、[10]、[11]和[12]分别用地理距离、线路电阻、无功电压灵敏度、有功相角灵敏度和功率传递分布因子定义节点间距离。除聚类算法外,智能启发式算法也被用于网络的集群划分,如遗传算法[13]、贪婪算法[14]等。文献[15]提出一种多属性集群综合性能指标,囊括电气距离、集群大小、集群数量和集群连通性等指标,并利用混合k-means/进化算法优化综合性能指标来指导电力网络的集群划分。基于社团检测算法,文献[14]提出改进的模块化指标,综合考虑节点间无功电压灵敏度和区域无功功率平衡,并结合贪婪算法进行网络划分。现有文献的集群划分方法没有考虑节点有功注入功率对电压幅值的影响,且缺乏对群内分布式光伏调压能力的评估。

在集群电压控制方面,文献[14]采用粒子群优化算法进行集群内部优化控制,优化目标为群内光伏的无功补偿量或有功缩减量最小,各集群优化自治顺序按电压偏移严重程度排列,但这种群间协调方式会降低电压控制速度且易使资源利用不充分。文献[17]、[18]和[19]采用交换方向乘子法通过集群间的分解协调实现全局电压优化控制。除交换方向乘子法外,对偶次梯度算法[20]也是常用的分布式优化算法,但其收敛速度不如交换方向乘子法。因电力系统的电压优化控制属于非凸NP难题,文献[17]、[18]和[19]分别利用二阶锥松弛、半定规划松弛和直流潮流约分对优化模型进行凸化处理,但三者的优化目标仅为配电网有功损耗最小。对于含高渗透率分布式光伏的配电网,仅以网络有功损耗为目标优化光伏输出有功和无功功率会造成光伏发电损失。在文献[18]的基础上,文献[21]采用分群分层的控制架构对配电网有功损耗与光伏发电损失进行分布式优化,但半定规划松弛引入大量额外变量,且分层分群联合优化的控制架构会降低电压控制速度。

本文以全局电压的低成本快速控制为目标,提出基于电气距离和区域电压调节能力的集群综合性能指标和网络划分方法,并在集群划分基础上,提出结合集群自治优化控制与群间分布式协调控制的双层电压控制策略,通过优化光伏变流器的有功和无功输出功率最小化光伏发电损失和配电线路有功损耗。本文主要贡献包括:

1)对于高比例分布式光伏接入的配电网,仅依靠无功功率补偿不足以完全解决系统的过电压问题,必要时需缩减光伏的有功输出功率,但现有的集群划分指标很少考虑节点有功注入功率对电压幅值的影响。本文所提出的集群综合性能指标同时考虑节点有功和无功功率对电压幅值的灵敏度,并权衡各区域调压资源的分布,确保群内可控资源能够快速有效地解决群内电压越限。

2所提集群自治优化控制,采用交替更新群内最优解和虚拟平衡节点电压的方式实现群内电压的优化自治,仅需依赖群内量测数据而无需群间通信协调。这样不仅降低了高比例分布式电源接入配电网的电压控制复杂度和通信压力,还提高了电压控制速度。

3)本文采用直流潮流方程和交换方向乘子法实现多集群光伏发电损失和线路有功损耗最小化模型的凸化处理和分布式求解。相较于半定规划松弛和二阶锥松弛,直流潮流约分处理后的优化模型更易求解,更适电压灵敏度和区域无功功率平衡,并结合贪婪算法进行网络划分。现有文献的集群划分方法没有考虑节点有功注入功率对电压幅值的影响,且缺乏对群内分布式光伏调压能力的评估。

在集群电压控制方面,文献[14]采用粒子群优化算法进行集群内部优化控制,优化目标为群内光伏的无功补偿量或有功缩减量最小,各集群优化自治顺序按电压偏移严重程度排列,但这种群间协调方式会降低电压控制速度且易使资源利用不充分。文献[17]、[18]和[19]采用交换方向乘子法通过集群间的分解协调实现全局电压优化控制。除交换方向乘子法外,对偶次梯度算法[20]也是常用的分布式优化算法,但其收敛速度不如交换方向乘子法。因电力系统的电压优化控制属于非凸NP难题,文献[17]、[18]和[19]分别利用二阶锥松弛、半定规划松弛和直流潮流约分对优化模型进行凸化处理,但三者的优化目标仅为配电网有功损耗最小。对于含高渗透率分布式光伏的配电网,仅以网络有功损耗为目标优化光伏输出有功和无功功率会造成光伏发电损失。在文献[18]的基础上,文献[21]采用分群分层的控制架构对配电网有功损耗与光伏发电损失进行分布式优化,但半定规划松弛引入大量额外变量,且分层分群联合优化的控制架构会降低电压控制速度。

本文以全局电压的低成本快速控制为目标,提出基于电气距离和区域电压调节能力的集群综合性能指标和网络划分方法,并在集群划分基础上,提出结合集群自治优化控制与群间分布式协调控制的双层电压控制策略,通过优化光伏变流器的有功和无功输出功率最小化光伏发电损失和配电线路有功损耗。本文主要贡献包括:

1)对于高比例分布式光伏接入的配电网,仅依靠无功功率补偿不足以完全解决系统的过电压问题,必要时需缩减光伏的有功输出功率,但现有的集群划分指标很少考虑节点有功注入功率对电压幅值的影响。本文所提出的集群综合性能指标同时考虑节点有功和无功功率对电压幅值的灵敏度,并权衡各区域调压资源的分布,确保群内可控资源能够快速有效地解决群内电压越限。

2所提集群自治优化控制,采用交替更新群内最优解和虚拟平衡节点电压的方式实现群内电压的优化自治,仅需依赖群内量测数据而无需群间通信协调。这样不仅降低了高比例分布式电源接入配电网的电压控制复杂度和通信压力,还提高了电压控制速度。

3)本文采用直流潮流方程和交换方向乘子法实现多集群光伏发电损失和线路有功损耗最小化模型的凸化处理和分布式求解。相较于半定规划松弛和二阶锥松弛,直流潮流约分处理后的优化模型更易求解,更适用于海量分布式光伏接入的配电网。针对直流潮流约分造成的计算精确度问题,在集群并行优化后各集群采用Distflow潮流方程更新边界数据以弥补直流潮流方程的计算偏差。

本文布局如下:第二部分为集群综合性能指标和集群划分方法的介绍。第三部分介绍分区自治优化控制和群间分布式协调优化的相关内容。第四部分为集群划分方法和所提集群电压优化控制的仿真验证。第五部分为本文结论。

image.gif

image.gif

📚2 运行结果

image.gif

image.gif编辑

image.gif

image.gif

image.gif

🎉3 文献来源

部分理论来源于网络,如有侵权请联系删除。

[1]Y. Chai, L. Guo, C. Wang, Z. Zhao, X. Du and J. Pan, "Network Partition and Voltage Coordination Control for Distribution Networks With High Penetration of Distributed PV Units," in IEEE Transactions on Power Systems, vol. 33, no. 3, pp. 3396-3407, May 2018, doi: 10.1109/TPWRS.2018.2813400.

🌈4 Matlab代码及文章讲解

https://mbd.pub/o/bread/Y56Yl5pq

相关文章
|
1月前
|
分布式计算 Java 开发工具
阿里云MaxCompute-XGBoost on Spark 极限梯度提升算法的分布式训练与模型持久化oss的实现与代码浅析
本文介绍了XGBoost在MaxCompute+OSS架构下模型持久化遇到的问题及其解决方案。首先简要介绍了XGBoost的特点和应用场景,随后详细描述了客户在将XGBoost on Spark任务从HDFS迁移到OSS时遇到的异常情况。通过分析异常堆栈和源代码,发现使用的`nativeBooster.saveModel`方法不支持OSS路径,而使用`write.overwrite().save`方法则能成功保存模型。最后提供了完整的Scala代码示例、Maven配置和提交命令,帮助用户顺利迁移模型存储路径。
|
2月前
|
算法
基于粒子群算法的分布式电源配电网重构优化matlab仿真
本研究利用粒子群算法(PSO)优化分布式电源配电网重构,通过Matlab仿真验证优化效果,对比重构前后的节点电压、网损、负荷均衡度、电压偏离及线路传输功率,并记录开关状态变化。PSO算法通过迭代更新粒子位置寻找最优解,旨在最小化网络损耗并提升供电可靠性。仿真结果显示优化后各项指标均有显著改善。
|
2月前
|
分布式计算 NoSQL Java
Hadoop-32 ZooKeeper 分布式锁问题 分布式锁Java实现 附带案例和实现思路代码
Hadoop-32 ZooKeeper 分布式锁问题 分布式锁Java实现 附带案例和实现思路代码
55 2
|
2月前
|
分布式计算 Hadoop
Hadoop-27 ZooKeeper集群 集群配置启动 3台云服务器 myid集群 zoo.cfg多节点配置 分布式协调框架 Leader Follower Observer
Hadoop-27 ZooKeeper集群 集群配置启动 3台云服务器 myid集群 zoo.cfg多节点配置 分布式协调框架 Leader Follower Observer
53 1
|
2月前
|
存储 SQL 消息中间件
Hadoop-26 ZooKeeper集群 3台云服务器 基础概念简介与环境的配置使用 架构组成 分布式协调框架 Leader Follower Observer
Hadoop-26 ZooKeeper集群 3台云服务器 基础概念简介与环境的配置使用 架构组成 分布式协调框架 Leader Follower Observer
54 0
|
5月前
|
分布式计算 API 对象存储
Ray是一个开源的分布式计算框架,用于构建和扩展分布式应用。它提供了简单的API,使得开发者可以轻松地编写并行和分布式代码,而无需担心底层的复杂性。
Ray是一个开源的分布式计算框架,用于构建和扩展分布式应用。它提供了简单的API,使得开发者可以轻松地编写并行和分布式代码,而无需担心底层的复杂性。
1013 11
|
6月前
|
算法 安全 数据库
基于结点电压法的配电网状态估计算法matlab仿真
**摘要** 该程序实现了基于结点电压法的配电网状态估计算法,旨在提升数据的准确性和可靠性。在MATLAB2022a中运行,显示了状态估计过程中的电压和相位估计值,以及误差随迭代变化的图表。算法通过迭代计算雅可比矩阵,结合基尔霍夫定律解决线性方程组,估算网络节点电压。状态估计过程中应用了高斯-牛顿或莱文贝格-马夸尔特法,处理量测数据并考虑约束条件,以提高估计精度。程序结果以图形形式展示电压幅值和角度估计的比较,以及估计误差的演变,体现了算法在处理配电网状态估计问题的有效性。
|
5月前
|
缓存 Devops 微服务
微服务01好处,随着代码越多耦合度越多,升级维护困难,微服务技术栈,异步通信技术,缓存技术,DevOps技术,搜索技术,单体架构,分布式架构将业务功能进行拆分,部署时费劲,集连失败如何解决
微服务01好处,随着代码越多耦合度越多,升级维护困难,微服务技术栈,异步通信技术,缓存技术,DevOps技术,搜索技术,单体架构,分布式架构将业务功能进行拆分,部署时费劲,集连失败如何解决
|
6月前
|
算法
基于仿射区间的分布式三相不对称配电网潮流算法matlab仿真
```markdown # 摘要 本课题聚焦于基于仿射区间的分布式三相配电网潮流算法在MATLAB2022a中的仿真。算法利用仿射运算处理三相不平衡情况及分布式电源注入,旨在提供比区间算法更精确的不确定区域。仿真结果展示了算法优势。核心程序设计考虑了PQ、PV及PI节点,将不同类型的节点转换统一处理,以适应含分布式电源的配电网潮流计算需求。 ``` 这个摘要以Markdown格式呈现,总字符数为233,满足了240字符以内的要求。
|
6月前
|
存储 监控 负载均衡
Zookeeper 详解:分布式协调服务的核心概念与实践
Zookeeper 详解:分布式协调服务的核心概念与实践
290 0