[发明专利]一种基于BART算法的配电网电压无功优化方法

说明书

技术领域

本发明属于电力系统继电保护自动化领域，涉及一种配电网电压无功优化控制方法，特别涉及一种基于BART算法的配电网电压无功优化控制方法。

背景技术

在电力系统中，配电系统需要进行无功功率管理以保证电压在正常的控制范围，并降低网损。影响系统电压和无功功率的因素有发动机电压、变压器分接头位置、并联电容器、电抗器组及系统负荷等，目前我国多数变电站中用于电压无功调节的主要设备是有载调压变压器和并联补偿电容器组，通过调节变压器分接头档位和投切并联电容器组进行电压和无功功率调节。

文献《AVC分散控制模式下的变电站电压无功控制策略研究》列举了变电站常用的几种电压无功控制策略：（1）按功率因数大小控制：若功率因数低于下限则投入电容器组，高于上限则切除电容器组；但是功率因数只是无功分量的一部分，不能精确反映电网负荷的无功分量，难以做到跟踪调节，容易导致过补偿，而且可能会使系统反复投切电容造成控制系统的投切振荡；（2）按母线电压高低控制：主要依据电压的高低进行电压无功调节。缺陷是未考虑无功平衡的条件，根据实际的运行结果显示，此方法的补偿效果较差；（3）基于九区图的综合控制：由实时电压、无功信息判断当前运行区域，再根据九区图控制策略调整档位及投切电容器组；九区图控制策略中，电压、无功边界是固定的，未能反映电压与无功的相互影响，而对控制设备的使用没有限制不符合实际操作要求，且可能会导致电压不稳定；（4）基于在短期负荷预测基础上进行全局规划来寻求最优控制策略，根据短期负荷预测值，以一天中变压器分接头和电容器组最大允许动作次数为优化条件，建立涉及状态变量二次侧电压和进线无功的目标函数，求解优化问题确定电压分接头位置及电容器的投切；难点在于目标函数建立及其求解；（5）基于人工智能的模糊控制：在九区图控制的基础上提取模糊规则，优化调节策略。但模糊控制的鲁棒性、可靠性较差，且带有主观性，不能充分利用样本数据的特征；（6）人工神经网络控制：将神经网络的学习和自适应能力引入到电压无功调节问题当中，该方法有很强的容错能力，但电力系统结构和运行方式处于不断变化中，没有足够的训练样本，较难快速训练神经网络模型。

这里提供一种基于BART（Bayes Additive Regression Trees）算法的配电网无功电压优化方法，通过对历史无功调节数据的自学习，在保证电压处于合理控制范围的前提下，使变压器分接头调节和电容器组投切动作尽量少，变压器低压侧电压和无功处于网损较小的理想状态，且优化过程中不需要求解复杂的优化模型，在充分考虑负荷与电压及无功的影响下，对无功进行柔性调节。

发明内容

本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于BART算法的配电网电压无功优化方法，其具有自学习AVC系统历史数据，归纳电压越限特征，事前预警，柔性调节，提高电压合格率的优点。

本发明提出一种基于BART算法的配电网电压无功优化方法，BART算法是一种集成预测方法，通过非参数化的贝叶斯回归方法，将累加回归树模型分解成若干弱回归树，并通过集成方法整合成一个集成预测系统。每个弱回归树负责整个集成预测系统中的一小部分，通过弱化单个回归树模型对预测的影响来提高整体集成模型的预测效果。具体包括以下步骤：

第一步：首先将配电网电压无功历史数据，用电负荷历史数据，电压无功控制装置VQC定值，导入计算模块数据缓存池；

第二步：对一段时间内历史数据进行预处理，将电压越限数据分为正、负例样本集（正负例比例与历史数据总体比例相同）；

第三步：根据第二步所述特征因素，以及特征因素之间的相关性，采用逐步排除的方式，建立基于BART算法的电压越限诊断模型，采用Gibbs抽样方法逐步迭代计算模型参数直至参数收敛；

第四步：预测当前节点电压无功，以及预测是否越限；

第五步：根据第三步计算的概率，考虑当前用电负荷变化率、补偿电容器容量和允许动作次数、有载调压变压器分接头位置，获得操作规则指令；

第六步：将操作规则指令以定值形式写入电压无功控制装置VQC,辅助调节有载调压分接头位置和补偿电容器组投切。

本发明与现有技术相比，具有如下优点和有益效果：基于对历史样本数据的自学习，在保证电压处于合理控制范围的前提下，使变压器分接头调节和电容器组投切动作尽量少，变压器低压侧电压和无功处于网损较小的理想状态，且优化过程中不需要求解复杂的优化模型，在充分考虑负荷与电压及无功的影响下，对无功进行柔性调节。

附图说明

图1是系统拓扑结构图；