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


目录
打赏
0
0
0
0
78
分享
相关文章
ACK Gateway with Inference Extension:优化多机分布式大模型推理服务实践
本文介绍了如何利用阿里云容器服务ACK推出的ACK Gateway with Inference Extension组件,在Kubernetes环境中为多机分布式部署的LLM推理服务提供智能路由和负载均衡能力。文章以部署和优化QwQ-32B模型为例,详细展示了从环境准备到性能测试的完整实践过程。
分布式机器学习系统:设计原理、优化策略与实践经验
本文详细探讨了分布式机器学习系统的发展现状与挑战,重点分析了数据并行、模型并行等核心训练范式,以及参数服务器、优化器等关键组件的设计与实现。文章还深入讨论了混合精度训练、梯度累积、ZeRO优化器等高级特性,旨在提供一套全面的技术解决方案,以应对超大规模模型训练中的计算、存储及通信挑战。
235 4
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。
深度解析:Hologres分布式存储引擎设计原理及其优化策略
【10月更文挑战第9天】在大数据时代,数据的规模和复杂性不断增加,这对数据库系统提出了更高的要求。传统的单机数据库难以应对海量数据处理的需求,而分布式数据库通过水平扩展提供了更好的解决方案。阿里云推出的Hologres是一个实时交互式分析服务,它结合了OLAP(在线分析处理)与OLTP(在线事务处理)的优势,能够在大规模数据集上提供低延迟的数据查询能力。本文将深入探讨Hologres分布式存储引擎的设计原理,并介绍一些关键的优化策略。
332 0
【PolarDB-X 技术揭秘】Lizard B+tree:揭秘分布式数据库索引优化的终极奥秘!
【8月更文挑战第25天】PolarDB-X是阿里云的一款分布式数据库产品,其核心组件Lizard B+tree针对分布式环境优化,解决了传统B+tree面临的数据分片与跨节点查询等问题。Lizard B+tree通过一致性哈希实现数据分片,确保分布式一致性;智能分区实现了负载均衡;高效的搜索算法与缓存机制降低了查询延迟;副本机制确保了系统的高可用性。此外,PolarDB-X通过自适应分支因子、缓存优化、异步写入、数据压缩和智能分片等策略进一步提升了Lizard B+tree的性能,使其能够在分布式环境下提供高性能的索引服务。这些优化不仅提高了查询速度,还确保了系统的稳定性和可靠性。
168 5
WPF控件大全:初学者必读,掌握控件使用技巧,让你的应用程序更上一层楼!
【8月更文挑战第31天】在WPF应用程序开发中,控件是实现用户界面交互的关键元素。WPF提供了丰富的控件库,包括基础控件(如`Button`、`TextBox`)、布局控件(如`StackPanel`、`Grid`)、数据绑定控件(如`ListBox`、`DataGrid`)等。本文将介绍这些控件的基本分类及使用技巧,并通过示例代码展示如何在项目中应用。合理选择控件并利用布局控件和数据绑定功能,可以提升用户体验和程序性能。
281 0
自研分布式训练框架EPL问题之实现显存的极致优化如何解决
自研分布式训练框架EPL问题之实现显存的极致优化如何解决
分布式爬虫框架Scrapy-Redis实战指南
本文介绍如何使用Scrapy-Redis构建分布式爬虫系统,采集携程平台上热门城市的酒店价格与评价信息。通过代理IP、Cookie和User-Agent设置规避反爬策略,实现高效数据抓取。结合价格动态趋势分析,助力酒店业优化市场策略、提升服务质量。技术架构涵盖Scrapy-Redis核心调度、代理中间件及数据解析存储,提供完整的技术路线图与代码示例。
分布式爬虫框架Scrapy-Redis实战指南
【📕分布式锁通关指南 02】基于Redis实现的分布式锁
本文介绍了从单机锁到分布式锁的演变,重点探讨了使用Redis实现分布式锁的方法。分布式锁用于控制分布式系统中多个实例对共享资源的同步访问,需满足互斥性、可重入性、锁超时防死锁和锁释放正确防误删等特性。文章通过具体示例展示了如何利用Redis的`setnx`命令实现加锁,并分析了简化版分布式锁存在的问题,如锁超时和误删。为了解决这些问题,文中提出了设置锁过期时间和在解锁前验证持有锁的线程身份的优化方案。最后指出,尽管当前设计已解决部分问题,但仍存在进一步优化的空间,将在后续章节继续探讨。
524 131
【📕分布式锁通关指南 02】基于Redis实现的分布式锁
|
2月前
|
Springboot使用Redis实现分布式锁
通过这些步骤和示例,您可以系统地了解如何在Spring Boot中使用Redis实现分布式锁,并在实际项目中应用。希望这些内容对您的学习和工作有所帮助。
222 83

热门文章

最新文章