面向主网电压越限预防的AVC主动自适应协同控制方法与流程

面向主网电压越限预防的avc主动自适应协同控制方法
技术领域
1.本技术涉及avc投切逻辑算法技术领域，尤其涉及面向主网电压越限预防的avc主动自适应协同控制方法。


背景技术：

2.目前，大理发电站中占比较大的新能源发电站由于发电不确定性突出，以及人为用电随机性强，导致电压越限告警占总告警的比例较高，并且逐年以1.1％的速率递增，尤其以冬季最为严重，部分月份越限告警占比可能达到55％。
3.虽然电压越低限和越高限可以采取电容器投切和变压器调档的方法来解决，但是由于缺乏负荷预测能力和变电站上下游之间的联动，导致电压越低限的情况屡次发生。此外，avc调节变压器档位和投切电容器的依据是本站电压是否正常，导致可能忽视与其连接的上级站、下级站和平级站的进线电压。
4.如110kv变电站的avc动作主要是看该站内10kv母线和35kv母线电压是否正常，却会忽视其接入站的35kv母线电压是否正常，故经常出现站内母线电压正常，但接入35kv变电站母线电压低的情况。因此新能源发电频繁出现电压越限告警，在收到越限告警后再进行调压会导致用户使用新能源电力时电压不稳，进而放弃新能源电力，新能源电力消纳困难的情况。


技术实现要素：

5.本技术提供了面向主网电压越限预防的avc主动自适应协同控制方法，以解决新能源发电频繁出现电压越限告警，在收到越限告警后再进行调压会导致用户使用新能源电力时电压不稳，进而放弃新能源电力，新能源电力消纳困难的问题。
6.本技术提供面向主网电压越限预防的avc主动自适应协同控制方法，所述方法包括：
7.利用改进后的arima算法预测用电量和发电量；
8.通过隶属度函数改进自适应阈值小波滤波方法；
9.通过改进阈值的自适应小波滤波方法消除新能源发电误差；
10.对新能源发电的倾向性进行arima乘积；
11.进行伊藤过程乘积arima模型改进；
12.进行sadmm改进；
13.利用改进sadmm优化后的knowledge graph选择变压器进行调档，选择电容器进行投切；
14.如果变电站电压越下限且持续下降，利用avc对其上级的变电站进行电容器投切和变压器调档；
15.如果变电站电压仍然下降且有接入电站，则要求接入电站加大发电量；
16.如果变电站电压仍然下降且无接入电站，则在当前运行方式许可的情况下，对与
其相连的变电站进行电容器投切和变压器调档。
17.可选的，所述通过改进阈值的自适应小波滤波方法消除新能源发电误差的步骤包括：
[0018][0019][0020]
式中：δ为噪声均方差，n为信号提升层数，m为信号范围。
[0021]
可选的，所述对新能源发电的倾向性进行arima乘积的步骤包括：
[0022]
对t时刻的∑pf进行arima(p,d,q)
×
(p,d,q)r乘积，
[0023][0024][0025]
式中：c、a
t
分别为后移数子、白噪声，d和d为差分阶数。
[0026]
可选的，所述进行伊藤过程乘积arima模型改进的步骤包括：
[0027]
d∑pf(t)＝μ(∑pf(t))dt+σ(∑pf(t))dw
t
[0028]
式中：w
t
为维纳标准特性随机过程，μ(∑pf(t))为t时刻风力发电量σpf向期望移动的趋势，σ(∑pf(t))为t时刻w
t
对随机性对σpf的随机影响。
[0029]
可选的，所述进行sadmm改进的步骤包括：
[0030]
两个互联变电站x1、x2的标准sadmm选取上一次迭代结果作为下一次计算的固定值，其内部条件f1(x1)、f2(x2)考虑损耗成本，表述为：
[0031][0032]
式中：a、b分别为系数矩阵，k、β、λ1、λ2分别为迭代次数、大于0的常数、第一部分的
增广拉格朗日乘子向量和第二部分的增广拉格朗日乘子向量，分别为第k次迭代的边界值，f1(x1)、f2(x2)为不同区域的成本，分别为两个互联区域x1、x2的内部变量更新。
[0033]
由以上技术方案可知，本技术提供面向主网电压越限预防的avc主动自适应协同控制方法，所述方法包括利用改进后的arima算法预测用电量和发电量；通过隶属度函数改进自适应阈值小波滤波方法；通过改进阈值的自适应小波滤波方法消除新能源发电误差；对新能源发电的倾向性进行arima乘积；进行伊藤过程乘积arima模型改进；进行sadmm改进；利用改进sadmm优化后的knowledge graph选择变压器进行调档，选择电容器进行投切；如果变电站电压越下限且持续下降，利用avc对其上级的变电站进行电容器投切和变压器调档；如果变电站电压仍然下降且有接入电站，则要求接入电站加大发电量；如果变电站电压仍然下降且无接入电站，则在当前运行方式许可的情况下，对与其相连的变电站进行电容器投切和变压器调档。
[0034]
本技术利用改进阈值的自适应小波滤波方法对新能源发电的不确定性和人为用电的随机性进行误差消除；由于光伏发电白天工作夜间不工作、风电时序规律性较差导致了新能源发电的数据梯度较大、平稳性差，于是，在arima基础上针对新能源发电的倾向性，对t时刻的∑pf进行arima(p,d,q)
×
(p,d,q)r乘积，以及为了消除随机波动，进行了伊藤过程乘积arima模型改进，利用改进sadmm优化后的knowledge graph选择合理的与之相连的变电站avc对变压器进行调档和电容器进行投切。
[0035]
本技术根据多种新能源发电特点和用户用电规律预测未来新能源发电量和用户用电量，并根据电网架构利用avc提前进行电容器投切和变压器调档；利用改进arima算法对短期用电负荷和发电负荷进行预测，以此实现供需关系的提前获知；利用改进sadmm模型对knowledge graph进行优化，即通过与变电站上、下级的连接关系对电容器进行合理的投切、变压器调档。
附图说明
[0036]
为了更清楚地说明本技术的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0037]
图1为本技术提供的面向主网电压越限预防的avc主动自适应协同控制方法的流程示意图；
[0038]
图2为本技术提供的变电站电压仍然下降且有接入电站情况下就地平衡示意图；
[0039]
图3为本技术提供的变电站电压仍然下降且无接入电站情况下通过上下级电站电容器投切或者变压器调档示意图。
具体实施方式
[0040]
下面将详细地对实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下实施例中描述的实施方式并不代表与本技术相一致的所有实施方式。仅是与权利要求书中所详述的、本技术的
一些方面相一致的系统和方法的示例。
[0041]
参见图1，为本技术提供的面向主网电压越限预防的avc主动自适应协同控制方法的流程示意图，所述方法包括：
[0042]
利用改进后的arima算法预测用电量和发电量；
[0043]
通过隶属度函数改进自适应阈值小波滤波方法；
[0044]
通过改进阈值的自适应小波滤波方法消除新能源发电误差；
[0045]
对新能源发电的倾向性进行arima乘积；
[0046]
进行伊藤过程乘积arima模型改进；
[0047]
进行sadmm改进；
[0048]
利用改进sadmm优化后的knowledge graph选择变压器进行调档，选择电容器进行投切；
[0049]
如果变电站电压越下限且持续下降，利用avc对其上级的变电站进行电容器投切和变压器调档；
[0050]
如果变电站电压仍然下降且有接入电站，参见图2，为本技术提供的变电站电压仍然下降且有接入电站情况下就地平衡示意图，则要求接入电站加大发电量；
[0051]
变电站接入电站的情况下，如果预测的发电量》用电量，且通道受阻，将切除电容器和通知电站少发电；当预测的发电量《用电量,将自动投入电容器，并通知电站多发电。
[0052]
如果变电站电压仍然下降且无接入电站，参见图3，为本技术提供的变电站电压仍然下降且无接入电站情况下通过上下级电站电容器投切或者变压器调档示意图，则在当前运行方式许可的情况下，对与其相连的变电站进行电容器投切和变压器调档。
[0053]
35kv变电站没接入电站的情况下，当用电量较大时，本站avc自动投入10kv电容器，调高变压器档位；如果电压持续降低，将利用改进sadmm优化的knowledge graph投入上级110kv变电站的10kv电容器调高变压器档位；如果还持续降低，将投入220kv变电站的35kv电容器或调节220kv变压器档位。
[0054]
110kv变电站没接入电站的情况下，当用电量较大时，本站avc自动投入10kv电容器，调高变压器档位；如果电压持续降低，将利用改进sadmm优化的knowledge graph投入上级220kv变电站的35kv电容器调高变压器档位；如果还持续降低,在当前运行方式允许的情况下，将投入其接入的35kv变电站10kv电容器或调节35kv变压器档位。
[0055]
进一步的，所述通过改进阈值的自适应小波滤波方法消除新能源发电误差的步骤包括：
[0056][0057][0058]
式中：δ为噪声均方差，n为信号提升层数，m为信号范围。
[0059]
进一步的，所述对新能源发电的倾向性进行arima乘积的步骤包括：
[0060]
对t时刻的∑pf进行arima(p,d,q)
×
(p,d,q)r乘积，
[0061][0062][0063]
式中：c、a
t
分别为后移数子、白噪声，d和d为差分阶数。
[0064]
进一步的，所述进行伊藤过程乘积arima模型改进的步骤包括：
[0065]
d∑pf(t)＝μ(∑pf(t))dt+σ(∑pf(t))dw
t
[0066]
式中：w
t
为维纳标准特性随机过程，μ(∑pf(t))为t时刻风力发电量σpf向期望移动的趋势，σ(∑pf(t))为t时刻w
t
对随机性对σpf的随机影响。
[0067]
进一步的，所述进行sadmm改进的步骤包括：
[0068]
两个互联变电站x1、x2的标准sadmm选取上一次迭代结果作为下一次计算的固定值，其内部条件f1(x1)、f2(x2)考虑损耗成本，表述为：
[0069][0070]
式中：a、b分别为系数矩阵，k、β、λ1、λ2分别为迭代次数、大于0的常数、第一部分的增广拉格朗日乘子向量和第二部分的增广拉格朗日乘子向量，分别为第k次迭代的边界值，f1(x1)、f2(x2)为不同区域的成本，分别为两个互联区域x1、x2的内部变量更新。
[0071]
本技术提供的面向主网电压越限预防的avc主动自适应协同控制方法，所述方法包括利用改进后的arima算法预测用电量和发电量；通过隶属度函数改进自适应阈值小波滤波方法；通过改进阈值的自适应小波滤波方法消除新能源发电误差；对新能源发电的倾向性进行arima乘积；进行伊藤过程乘积arima模型改进；进行sadmm改进；利用改进sadmm优化后的knowledge graph选择变压器进行调档，选择电容器进行投切；如果变电站电压越下限且持续下降，利用avc对其上级的变电站进行电容器投切和变压器调档；如果变电站电压仍然下降且有接入电站，则要求接入电站加大发电量；如果变电站电压仍然下降且无接入电站，则在当前运行方式许可的情况下，对与其相连的变电站进行电容器投切和变压器调
档。
[0072]
本技术根据多种新能源发电特点和用户用电规律预测未来新能源发电量和用户用电量，并根据电网架构利用avc提前进行电容器投切和变压器调档；利用改进arima算法对短期用电负荷和发电负荷进行预测，以此实现供需关系的提前获知；利用改进sadmm模型对knowledge graph进行优化，即通过与变电站上、下级的连接关系对电容器进行合理的投切、变压器调档。
[0073]
本技术的新能源发电负荷短期预测准确率提高至95％，用户用电负荷短期预测准确率提高至97％，且能自动利用avc选择最优等级变电站的电容器投切和变压器调档，实现电压越下限告警降低至10％。
[0074]
以上显示和描述了本技术的基本原理和主要特征以及本技术的优点，对于本领域技术人员而言，显然本技术不限于上述示范性实施例的细节，而且在不背离本技术的精神或基本特征的情况下，能够以其他的具体形式实现本技术。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本技术的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本技术内。
[0075]
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
[0076]
本技术提供的实施例之间的相似部分相互参见即可，以上提供的具体实施方式只是本技术总的构思下的几个示例，并不构成本技术保护范围的限定。对于本领域的技术人员而言，在不付出创造性劳动的前提下依据本技术方案所扩展出的任何其他实施方式都属于本技术的保护范围。