[发明专利]一种考虑负荷不确定性的RPC多场景容量优化设计

说明书

铁路功率调节器(Railway Power Conditioner，RPC)能够全面解决电能质量问题。现有的优化方法是在计算补偿容量时设置一个固定的负荷值，而不考虑实际负荷波动的随机性和不确定性。这可能会造成补偿容量不足的不良后果，或巨大补偿容量带来的高额成本。针对这一问题，设计了一种在计算RPC容量时引入了考虑牵引负载不确定性的多场景分析方法。将K‑means聚类算法与优化算法相结合，对采样的海量数据进行聚类，生成多个运行场景，进行多场景分析，并计算每个场景的优化补偿能力，最终得到适合每个场景的补偿能力。本发明在使RPC容量在满足补偿要求和国家标准的同时，减少了它的安装容量，提高了它的经济性。

技术领域

本发明涉及铁路功率调节器(RPC)容量配置，特别涉及铁路负荷不确定性的多场景分析下的RPC容量优化设计方法。

背景技术

近年来，在运营机车数量日益增长。大量的运行机车对牵引电网电能质量产生了电压波动、负序电流、谐波等不良影响。它们将威胁牵引供电系统的安全稳定运行，影响机车的正常运行，进而影响社会生产和人类生活。

针对这些问题，目前的研究大多致力于电气化牵引变电所电能质量综合控制系统的开发和性能改进，包括有源电力滤波器(APF)、RPC、统一电能质量调节器(UPQC)等。RPC的研究和利用尤其广泛。这些发现在RPC方面取得了巨大的成就，RPC在处理牵引负荷给牵引系统带来的多种问题方面具有良好的效果和快速的响应速度。

现有的研究和方法确实在改善RPC方面取得了很大的进展。然而，目前的研究仍然局限于利用一个较大的固定负荷运行值来估算所需的电量，确定电能质量补偿装置所需的容量。这些研究忽略了实际负荷波动的随机性和不确定性。在当今大功率牵引系统中，最大牵引负荷可达100MVA以上，因此RPC的装机容量可达几十MVA。因此，上述情况可能使电能质量难以管理和控制，并使得RPC具有巨大安装成本，也可能对牵引供电电网的进一步发展构成严重挑战。在电网和电气化铁路牵引系统中，研究致力于电能质量综合控制系统的装机容量，通过建立优化模型，缩小了装机容量规模。在实际应用中，使用一个固定的值来代替波动的负载，这并非对实际运行情况的合理推断。这些研究忽略了由波动负荷引起的巨大负荷的瞬时不确定性问题(包括其它瞬时很大的电能质量问题)。这可能会造成补偿容量不足的不良后果，或巨大补偿容量带来的高额成本。这种不确定性给变电站及其RPC带来了一定的危害，给决策者带来了一系列的麻烦。

发明内容

针对以上情况，设计了一种基于电气化铁路牵引变电所的运行情况多情景分析的多场景容量优化设计。在此基础上，利用改进的聚类遗传算法对各场景下的负荷进行同步优化，得到适合于各方案的补偿能力。将新算法得到的补偿容量与基于平均负载值和概率负载值的传统优化算法得到的补偿容量进行比较。分析了多场景分析的优点和控制装置的装机容量。

为实现上述目的，本发明的技术方案是：

一种考虑负荷不确定性的RPC多场景容量优化设计方法，包括如下步骤：

步骤1：对采集得到的原始负荷数据进行初步的分析和数据预处理。

步骤2：对初步处理后牵引负荷负荷数据进行David-Bouldin Index(DBI)计算，通过分析David-Bouldin指数的有效性曲线，通过获得的K值来对K-means聚类算法的有效性进行评价。

步骤3：对负荷进行多场景分析，即将预处理得到的负荷数据和K值调入K-means聚类算法，将负荷聚成K类，并得到它们的权重(η₁,η₂,…,η_k)。

步骤4：根据牵引变电所的RPC拓扑，建立RPC的容量优化模型，以RPC容量最小为目标，以电压不平衡度、功率因数、以及RPC对两臂的输出极限为约束建立优化模型。并根据考虑了负荷波动的多场景分析思想，建立如下容量方程：