基于智能控制终端的无功功率补偿方法以及装置与流程

本公开涉及电力系统，尤其涉及一种基于智能控制终端的无功功率补偿方法以及装置。

背景技术：

1、目前由于台区用电、光伏出力等源荷功率的波动变化，致使电网电压变化的时变尺度是不同的。仅靠传统无功补偿设备进行无功功率补偿难以根据电压短时间波动变化做出快速响应，这增大了电压越限等风险发生。因此，如何提高无功功率补偿效果就成为了目前亟待解决的技术问题。

技术实现思路

1、本公开的实施例提供了一种基于智能控制终端的无功功率补偿方法以及装置。

2、第一方面，本公开的实施例提供了一种基于智能控制终端的无功功率补偿方法，该方法包括：

3、预测电网中各节点在下一时间段内的负荷和光伏出力；

4、根据各节点在下一时间段内的负荷和光伏出力求解无功优化模型，得到各节点在下一时间段内所需的无功功率，并生成各节点的无功功率需求曲线；

5、向电网中的智能控制终端发送各节点的无功功率需求曲线，以便智能控制终端根据各节点的无功功率需求曲线，在下一时间段内调整各节点中无功补偿设备的无功功率。

6、在第一方面的一些可实现方式中，预测电网中各节点在下一时间段内的负荷和光伏出力，包括：

7、将电网中各节点的当前负荷和历史负荷输入预先训练的负荷预测模型，得到电网中各节点在下一时间段内各时刻的负荷；

8、负荷预测模型模型是利用训练数据集对预设神经网络进行训练得到的，其中，训练数据集中的样本以节点在某一时刻的当前负荷和历史负荷为样本特征数据，并以节点在某一时刻的下一时间段内各时刻的实际负荷为标签；

9、将电网中各节点的当前光伏出力和历史光伏出力输入预先训练的光伏出力预测模型，得到电网中各节点在下一时间段内各时刻的光伏出力；

10、光伏出力预测模型模型是利用训练数据集对预设神经网络进行训练得到的，其中，训练数据集中的样本以节点在某一时刻的当前光伏出力和历史光伏出力为样本特征数据，并以节点在某一时刻的下一时间段内各时刻的实际光伏出力为标签。

11、在第一方面的一些可实现方式中，预测电网中各节点在下一时间段内的负荷和光伏出力，包括：

12、针对任一节点，根据节点的当前负荷行为状态概率分布和当前时刻的负荷行为状态转移概率矩阵，计算节点下一时刻的负荷行为状态概率分布；

13、根据节点下一时刻的负荷行为状态概率分布和负荷行为状态映射函数，计算节点在下一时刻的负荷行为状态；

14、根据节点在下一时刻的负荷行为状态和对应的负荷概率密度函数，计算节点在下一时刻的负荷；

15、不断迭代计算，直至计算出节点在下一时间段内各时刻的负荷；

16、针对任一节点，根据节点的当前光伏出力行为状态概率分布和当前时刻的光伏出力行为状态转移概率矩阵，计算节点下一时刻的光伏出力行为状态概率分布；

17、根据节点下一时刻的光伏出力行为状态概率分布和光伏出力行为状态映射函数，计算节点在下一时刻的光伏出力行为状态；

18、根据节点在下一时刻的光伏出力行为状态和对应的光伏出力概率密度函数，计算节点在下一时刻的光伏出力；

19、不断迭代计算，直至计算出节点在下一时间段内各时刻的光伏出力。

20、在第一方面的一些可实现方式中，在预测电网中各节点在下一时间段内的负荷和光伏出力之前，该方法还包括：

21、针对任一节点，根据节点的历史负荷划分节点在一天中各时刻的负荷行为状态，统计节点在一天中各时刻的负荷行为状态的转移概率，生成各时刻的负荷行为状态转移概率矩阵；

22、针对任一节点，根据节点的历史光伏出力划分节点在一天中各时刻的光伏出力行为状态，统计节点在一天中各时刻的光伏出力行为状态的转移概率，生成各时刻的光伏出力行为状态转移概率矩阵。

23、在第一方面的一些可实现方式中，无功优化模型是通过以下步骤构建的：

24、以任一时刻下各节点的电压偏差之和最小为模型求解目标，以任一时刻下的节点功率平衡约束、任一时刻下的节点控制变量约束、任一时刻下的节点电压约束为模型约束，构建无功优化模型。

25、第二方面，本公开的实施例提供了一种基于智能控制终端的无功功率补偿装置，该装置包括：

26、预测模块，用于预测电网中各节点在下一时间段内的负荷和光伏出力；

27、生成模块，用于根据各节点在下一时间段内的负荷和光伏出力求解无功优化模型，得到各节点在下一时间段内所需的无功功率，并生成各节点的无功功率需求曲线；

28、发送模块，用于向电网中的智能控制终端发送各节点的无功功率需求曲线，以便智能控制终端根据各节点的无功功率需求曲线，在下一时间段内调整各节点中无功补偿设备的无功功率。

29、在第二方面的一些可实现方式中，预测模块具体用于：

30、将电网中各节点的当前负荷和历史负荷输入预先训练的负荷预测模型，得到电网中各节点在下一时间段内各时刻的负荷；

31、负荷预测模型模型是利用训练数据集对预设神经网络进行训练得到的，其中，训练数据集中的样本以节点在某一时刻的当前负荷和历史负荷为样本特征数据，并以节点在某一时刻的下一时间段内各时刻的实际负荷为标签；

32、将电网中各节点的当前光伏出力和历史光伏出力输入预先训练的光伏出力预测模型，得到电网中各节点在下一时间段内各时刻的光伏出力；

33、光伏出力预测模型模型是利用训练数据集对预设神经网络进行训练得到的，其中，训练数据集中的样本以节点在某一时刻的当前光伏出力和历史光伏出力为样本特征数据，并以节点在某一时刻的下一时间段内各时刻的实际光伏出力为标签。

34、在第二方面的一些可实现方式中，预测模块具体用于：

35、针对任一节点，根据节点的当前负荷行为状态概率分布和当前时刻的负荷行为状态转移概率矩阵，计算节点下一时刻的负荷行为状态概率分布；

36、根据节点下一时刻的负荷行为状态概率分布和负荷行为状态映射函数，计算节点在下一时刻的负荷行为状态；

37、根据节点在下一时刻的负荷行为状态和对应的负荷概率密度函数，计算节点在下一时刻的负荷；

38、不断迭代计算，直至计算出节点在下一时间段内各时刻的负荷；

39、针对任一节点，根据节点的当前光伏出力行为状态概率分布和当前时刻的光伏出力行为状态转移概率矩阵，计算节点下一时刻的光伏出力行为状态概率分布；

40、根据节点下一时刻的光伏出力行为状态概率分布和光伏出力行为状态映射函数，计算节点在下一时刻的光伏出力行为状态；

41、根据节点在下一时刻的光伏出力行为状态和对应的光伏出力概率密度函数，计算节点在下一时刻的光伏出力；

42、不断迭代计算，直至计算出节点在下一时间段内各时刻的光伏出力。

43、第三方面，本公开的实施例提供了一种电子设备，该电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如以上所述的方法。

44、第四方面，本公开的实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如以上所述的方法。

45、在本公开的实施例中，可以预测电网中各节点在下一时间段内的负荷和光伏出力，根据各节点在下一时间段内的负荷和光伏出力求解无功优化模型，得到各节点在下一时间段内所需的无功功率，并生成各节点的无功功率需求曲线，向电网中的智能控制终端发送各节点的无功功率需求曲线，以便智能控制终端根据各节点的无功功率需求曲线，在下一时间段内调整各节点中无功补偿设备的无功功率，如此能够基于精准的无功功率需求曲线，有效地提高无功功率补偿效果，进而便于降低电网全网电压偏差。

46、应当理解，
技术实现要素：
部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。