考虑设备动作损耗的配电网分布式电压无功优化(Matlab代码实现)

简介: 考虑设备动作损耗的配电网分布式电压无功优化(Matlab代码实现)

💥1 概述

文献来源:


摘要:电压无功控制是保证配电网经济安全运行的重要任务,协调多种调节手段能提高配电网的运行效率。考虑了有载调压变压器、电压调节器、分组投切电容器和分布式电源逆变器等电压无功调控设备,并针对现有电压无功控制模型存在的无谓动作和求解效率低等问题,提出了一种考虑设备动作损耗的配电网分布式电压无功优化策略。首先,基于支路潮流方程建立了配电网电压无功控制模型,并松弛为混合整数二阶锥规划。同时考虑到设备的动作损耗,提出了基于模型预测控制的滚动优化模式。进一步基于交替方向乘子法实现配电网多区域分布式协同优化。最后,基于改进的IEEE33节点测试系统进行了仿真。仿真结果表明:所提控制策略能够避免设备的无谓动作,并解决了"维数灾"问题,提高了配电网的电压无功控制效率。


关键词:


主动配电网;电压无功控制;二阶锥规划;模型预测控制;一致性约束;交替方向乘子法;


主动配电网中包含有多种灵活调控设备,例如 OLTC、VR、CB 和 DG。其中 VR 是一种电力电子


调压设备,其类似 OLTC,具有多个可调档位,能够改变支路两侧的电压;但不同于 OLTC 的是 VR用于电压等级相同的支路,能够多次调节;同时 VR两侧的电压均为未知量,使得数学模型的复杂度大大提高,具体将在后文阐述。由于配电网通常为辐射网络,因此本文在标幺值系统下采用支路潮流方程描述配电网络,如图 1 所示。


第 1.1 节建立了单个时间断面的潮流模型,但其无法描述设备的变位情况,没有考虑设备的动作

成本,容易造成设备的无谓动作,这将影响设备的使用寿命。本节基于模型预测控制的思想,将上述潮流模型嵌入在滚动优化模式中,由此考虑设备的操作成本。滚动优化的基本思想如图 2 所示。


由上述可知,造成模型难以求解的原因是 VR模型的非线性,因此本文将包含有 VR 的支路视为两

个网络的联络部分,并将其拆分为两个子网络[28],如图 4 所示。需要注意的是,本文所提配电网络为同一电压等级的配电网,归属于相同的调度部门管辖。

📚2 运行结果

部分代码:

%定义变量
U=sdpvar(33,24);%电压的平方
I=sdpvar(32,24);%电流的平方
P=sdpvar(32,24);%线路有功
Q=sdpvar(32,24);%线路无功
Pg=sdpvar(33,24);%发电机有功
Qg=sdpvar(33,24);%发电机无功
Pin=-father*P+father*(I.*(r*ones(1,24)))+son*P;%节点注入有功
Qin=-father*Q+father*(I.*(x*ones(1,24)))+son*Q;%节点注入无功
Ploss_total=sum(sum(I.*(r*ones(1,24))));%目标函数,网损最小
%约束条件
C1=[U>=Umin,U<=Umax,Pg>=-Pgmax,Pg<=Pgmax,Qg>=-Qgmax,Qg<=Qgmax];%电压边界
C1=[C1,I>=0,I<=0.11,P>=-0.11,P<=0.11,Q>=-0.11,Q<=0.11];%电流和功率边界
C2=[Pin+Pload-Pg==0];%有功KCL约束
C3=[Qin+Qload-Qg==0];%无功KCL约束
C4=[U(Line(:,2),:)==U(Line(:,1),:)-2*(r*ones(1,24)).*P-2*(x*ones(1,24)).*Q+((r.^2+x.^2)*ones(1,24)).*I];%电压降落约束
C5=[U(Line(:,1),:).*I>=P.^2+Q.^2];%二阶锥约束
C=[C1,C2,C3,C4,C5];
toc%建模时间
ops=sdpsettings('solver','cplex');
result=solvesdp(C,Ploss_total,ops); 


🎉3 参考文献

部分理论来源于网络,如有侵权请联系删除。


[1]张蕊,李铁成,李晓明等.考虑设备动作损耗的配电网分布式电压无功优化[J].电力系统保护与控制,2021,49(24):31-40.DOI:10.19783/j.cnki.pspc.210276.


🌈4 Matlab代码实现


相关文章
|
1天前
|
机器学习/深度学习 算法 数据挖掘
基于PSO优化的CNN-GRU-Attention的时间序列回归预测matlab仿真
摘要: 本文介绍了运用粒子群优化(PSO)调整深度学习模型超参数以提升时间序列预测性能的方法。在比较了优化前后的效果(Ttttttttttt12 vs Ttttttttttt34)后,阐述了使用matlab2022a软件的算法。文章详细讨论了CNN、GRU网络和注意力机制在时间序列预测中的作用,以及PSO如何优化这些模型的超参数。核心程序展示了PSO的迭代过程,通过限制和调整粒子的位置(x1)和速度(v1),寻找最佳解决方案(gbest1)。最终,结果保存在R2.mat文件中。
基于PSO优化的CNN-GRU-Attention的时间序列回归预测matlab仿真
|
8天前
|
机器学习/深度学习 算法 数据挖掘
基于PSO优化的CNN-LSTM-Attention的时间序列回归预测matlab仿真
该文档介绍了使用MATLAB2022A中PSO优化算法提升时间序列预测模型性能的过程。PSO优化前后对比显示了优化效果。算法基于CNN、LSTM和Attention机制构建CNN-LSTM-Attention模型,利用PSO调整模型超参数。代码示例展示了PSO的迭代优化过程及训练、预测和误差分析环节。最终,模型的预测结果以图形形式展示,并保存了相关数据。
|
13天前
|
机器学习/深度学习 算法 网络架构
matlab使用贝叶斯优化的深度学习:卷积神经网络CNN
matlab使用贝叶斯优化的深度学习:卷积神经网络CNN
12 0
|
14天前
|
机器学习/深度学习 算法 网络架构
matlab使用贝叶斯优化的深度学习
matlab使用贝叶斯优化的深度学习
19 0
|
20天前
|
机器学习/深度学习 算法
基于GA优化的CNN-LSTM-Attention的时间序列回归预测matlab仿真
时间序列预测是许多领域中的核心问题,如金融市场分析、气候预测、交通流量预测等。近年来,深度学习在时间序列分析上取得了显著的成果,尤其是卷积神经网络(CNN)、长短时记忆网络(LSTM)和注意力机制(Attention)的结合使用
|
1月前
|
NoSQL 算法 安全
Redlock 算法-主从redis分布式锁主节点宕机锁丢失的问题
Redlock 算法-主从redis分布式锁主节点宕机锁丢失的问题
155 0
|
1月前
|
NoSQL 关系型数据库 MySQL
分布式锁(redis/mysql)
分布式锁(redis/mysql)
64 1
|
3月前
|
NoSQL Java 测试技术
字节二面:Spring Boot Redis 可重入分布式锁实现原理?
字节二面:Spring Boot Redis 可重入分布式锁实现原理?
163 1
|
1月前
|
NoSQL Java Redis
如何通俗易懂的理解Redis分布式锁
在多线程并发的情况下,我们如何保证一个代码块在同一时间只能由一个线程访问呢?
39 2
|
1月前
|
缓存 NoSQL Java
【Redis】5、Redis 的分布式锁、Lua 脚本保证 Redis 命令的原子性
【Redis】5、Redis 的分布式锁、Lua 脚本保证 Redis 命令的原子性
63 0