基于数据挖掘的配电网无功电压控制技术研究

论文总字数：26416字

摘 要

随着越来越多的分布式能源（distributed energy resource，DER）接入配电网，配电网的电压控制方式的灵活性有了很大的提升。传统的电容器、变压器将配合DER、储能等新型元件对配电网进行优化调度。以无功优化为代表的优化方法能够降低网损，提升电力系统的经济性，因而受到了广泛的研究。从最开始的数学优化算法到现在流行的智能算法，无功优化算法得到飞速发展。同时，由于近年来人工智能的飞速发展，数据挖掘、机器学习等方法广泛应用于电力系统当中。而配电自动化系统、用电信息采集系统的推广使用，大量历史数据得到了积累，为数据挖掘创造了有利的条件。本文讨论了在DER和储能接入配电网条件下的配电网无功电压控制方法，以网损最小为目标函数，利用内点法进行最优潮流计算，得到最优潮流出力情况。再利用BP神经网络进行学习，在已知负荷的情况下，可得到日前调度曲线，在此调度方案下，配电网网损得到了有效降低，利用神经网络使得计算速度也得以提高。

关键词：无功优化，最优潮流，内点法，数据挖掘，神经网络

Abstract

As more and more distributed energy resources (DER) are connected to the distribution network, the flexibility of the voltage control mode of the distribution network has been greatly improved. Traditional capacitors and transformers will be equipped with new components such as DER and energy storage to optimize the dispatching of the distribution network. The optimization method represented by reactive power optimization which can be used to reduce network losses and improve the economics of the power system has been widely studied. From the initial mathematical optimization algorithms to the popular intelligent algorithms, reactive power optimization algorithms have developed rapidly. At the same time, due to the rapid development of artificial intelligence in recent years, methods such as data mining and machine learning are widely used in power systems. With the popularization and use of distribution automation systems and electricity information collection systems, a large amount of historical data has been accumulated, which has created favorable conditions for data mining. In this paper, the reactive power voltage control method of distribution network under the condition of DER and energy storage access distribution network is discussed. The minimum power loss is taken as the objective function, and the interior point method is used to calculate the optimal power flow, and then the optimal power flow output will be obtained. Then BP neural network is used for learning. Under the condition of known load, the day ahead scheduling curve can be obtained. Under this scheduling scheme, the network loss of the distribution network is effectively reduced.

KEY WORDS: reactive power optimization, optimal power flow, interior point method, data mining, neural network

目 录

摘 要 Ⅰ

Abstract Ⅱ

第一章 绪论 1

1.1选题背景和意义 1

1.2国内外研究现状 1

1.2.1数据挖掘的发展和应用现状 1

1.2.2无功电压控制研究现状 2

1.3论文主要研究内容 5

第二章 数据挖掘理论和方法 5

2.1概述 5

2.2数据挖掘过程 6

2.3数据挖掘常用方法 7

2.3.1聚类分析算法 7

2.3.2支持向量机 9

2.3.3遗传算法 10

2.3.4神经网络 11

2.4数据挖掘在电力系统中的应用 12

2.5本章小结 13

第三章 基于数据挖掘的配电网无功电压控制 14

3.1概述 14

3.2历史数据库的建立 14

3.2.1基于内点法的最优潮流计算 14

3.2.2历史调度曲线的建立 19

3.3电网优化模型的建立 19

3.3.1配电网无功电压优化目标函数 19

3.3.2约束条件 20

3.4基于BP神经网络的无功电压优化控制 21

3.4.1BP神经网络 21

3.4.2BP神经网络设计步骤 26

3.5算例分析 26

3.6本章小结 29

第四章 总结与展望 30

参考文献 32

致 谢 34

第一章 绪论

1.1选题背景和意义

经济的发展需要电能的支持。近年来经济的发展促进电力行业的飞速发展，社会各界对电力的需求也不断增加。因此，在提供高质量电能的情况下，尽可能的降低成本，提高电力系统的经济性便尤为重要。近年来，越来越多的可再生分布式能源接入电网，并逐渐占据重要的位置^[1]。可再生能源主要包含光伏发电、风力发电、潮汐能发电等，由于可再生能源发电受天气影响较大，因此具有波动性、随机性的特点^[2,3]，使得电网电压波动剧烈，给无功优化增加了很大的困难。

一直以来，由于对无功优化的疏忽，导致大量无功功率在电网中流动，使得电压质量下降、网损增加。因而，尽可能在保证电压质量的情况下降低网损，提高电力系统运行效率是一个迫切的需求。传统的无功优化方法往往具有计算量大、计算时间长、内存占用高的特点^[4]，由于神经网络的前向计算所需时间很短，可以大幅度减小运算时间^[5]。因此，在确保准确率的基础上应用神经网络方法，不失为一种提升。而如今配电自动化系统，用电采集系统的大量应用，使得这些系统中存储了大量的数据，这些数据背后蕴藏着的丰富信息，为无功优化、神经网络学习等打下了数据基础。

剩余内容已隐藏，请支付后下载全文，论文总字数：26416字