配电网无功优化方法、装置、设备和存储介质与流程

1.本技术涉及智能配电网发电技术领域，特别是涉及一种配电网无功优化方法、装置、计算机设备、存储介质和计算机程序产品。


背景技术：

2.电压的大小是判断电力质量是否合格的重要标准，其质量影响整个电力系统的安全性能和风险保障。要想拥有良好的电能质量，要保证电力系统拥有充足的无功补偿容量来确保电力系统达到无功平衡。因此，针对不同的电压偏移情况应该采取不同的电压调整措施。
3.现阶段，已采用的电压调节手段大多数是依靠变电站的并联电容器组。传统的并联电容器组具有的调压分接头对于解决长距离的尾端电压调节问题无法起到很好的效果，同时受到设备只具备单向调压作用的影响，提高电压仅仅只能依赖于输出无功来实现，所以，只通过现有的调压措施可能会在特定环境下出现不能有效的对配电网调压的情况。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种配电网无功优化方法、装置、计算机设备、存储介质和计算机程序产品。
5.本技术提供一种配电网无功优化方法，所述方法包括：
6.将分布式发电配电网的无功功率输出、有载分接开关比和并联电容器开关容量，作为控制变量；
7.获取目标函数；所述目标函数使分布式发电配电网有功功率损失的期望值与节点电压偏差的期望值之和最小化；
8.根据所述变量和所述目标函数，得到所述分布式发电配电网的模糊无功优化模型；
9.获取模糊无功优化模型的约束条件；所述约束条件至少包括如下任一项：所述分布式发电配电网的潮流方程约束、控制变量的不等式约束以及节点电压的不等式约束；
10.根据所述约束条件和所述目标函数，对所述模糊无功优化模型的控制变量进行求解，将满足条件的求解结果作为配电网无功优化结果。
11.在一个实施例中，在光伏电站通过逆变器并至分布式发电配电网的情况下，所述方法还包括：
12.根据光伏电站的无功调节能力分析所用的数据，得到光伏电站的无功调节能力的上限和下限；
13.根据光伏电站的无功调节能力的上限和下限，得到关于分布式发电配电网的无功功率输出的不等式约束。
14.在一个实施例中，光伏电站的无功调节能力分析所用的数据包括：所用光伏阵列输出的有功功率和无功功率、所述逆变器与分布式发电配电网连接点的电压、分布式发电
配电网的最大工作电流幅值、所述逆变器的中间直流电压、所述逆变器的电感、分布式发电配电网的电感和角频率。
15.在一个实施例中，在双馈感应风力发电机通过逆变器连接至分布式发电配电网的情况下，所述方法还包括：
16.根据双馈感应风力发电机的无功调节能力分析所用的数据，得到双馈感应风力发电机的无功调节能力的上限和下限；
17.根据双馈感应风力发电机的无功调节能力的上限和下限，得到关于分布式发电配电网的无功功率输出的不等式约束。
18.在一个实施例中，双馈感应风力发电机的无功调节能力分析所用的数据包括：双馈感应风力发电机输出的有功功率和无功功率、双馈感应风力发电机定子侧的电压、双馈感应风力发电机转子侧变流器的最大电流、双馈感应风力发电机定子侧绕组的最大电流、双馈感应风力发电机的定子漏抗、励磁电抗和滑差率。
19.在一个实施例中，根据所述约束条件和所述目标函数，对所述模糊无功优化模型的控制变量进行求解，包括：
20.获取基于混沌序列改进的萤火虫算法；
21.利用基于混沌序列改进的萤火虫算法，根据所述约束条件和所述目标函数，对所述模糊无功优化模型的控制变量进行求解。
22.本技术提供一种配电网无功优化装置，所述装置包括：
23.控制变量获取模块，用于将分布式发电配电网的无功功率输出、有载分接开关比和并联电容器开关容量，作为控制变量；
24.目标函数获取模块，用于获取目标函数；所述目标函数使分布式发电配电网有功功率损失的期望值与节点电压偏差的期望值之和最小化；
25.模型获取模块，用于根据所述变量和所述目标函数，得到所述分布式发电配电网的模糊无功优化模型；
26.约束条件获取模块，用于获取模糊无功优化模型的约束条件；所述约束条件至少包括如下任一项：所述分布式发电配电网的潮流方程约束、控制变量的不等式约束以及节点电压的不等式约束；
27.求解模块，用于根据所述约束条件和所述目标函数，对所述模糊无功优化模型的控制变量进行求解，将满足条件的求解结果作为配电网无功优化结果。
28.本技术提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行上述方法。
29.本技术提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行上述方法。
30.本技术提供一种计算机程序产品，其上存储有计算机程序，所述计算机程序被处理器执行上述方法。
31.上述配电网无功优化方法、装置、计算机设备、存储介质和计算机程序产品，将分布式发电配电网的无功功率输出、有载分接开关比和并联电容器开关容量，作为控制变量；获取目标函数；所述目标函数使分布式发电配电网有功功率损失的期望值与节点电压偏差的期望值之和最小化；根据所述变量和所述目标函数，得到所述分布式发电配电网的模糊
无功优化模型；获取模糊无功优化模型的约束条件；所述约束条件至少包括如下任一项：所述分布式发电配电网的潮流方程约束、控制变量的不等式约束以及节点电压的不等式约束；根据所述约束条件和所述目标函数，对所述模糊无功优化模型的控制变量进行求解，将满足条件的求解结果作为配电网无功优化结果。本技术以分布式发电的无功功率、并联电容器的运行数量和负载调节变压器的抽头为优化变量，选择有功损耗期望值和节点电压偏差最小化作为目标函数，所得的配电网无功优化结果不仅有效地降低配电网的网络损耗，而且提高电压质量。
附图说明
32.图1为一个实施例中配电网无功优化方法的流程示意图；
33.图2为另一个实施例中配电网无功优化方法的流程示意图；
34.图3为再一个实施例中配电网无功优化方法的流程示意图；
35.图4为一个实施例中考虑分布式发电前后每个节点的电压幅值示意图；
36.图5为一个实施例中考虑分布式发电前后每个节点的预期电压的隶属度示意图；
37.图6为一个实施例中考虑分布式发电前后节点的隶属函数示意图；
38.图7为一个实施例中三种算法的收敛性曲线示意图；
39.图8为一个实施例中配电网无功优化装置的结构框图；
40.图9为一个实施例中计算机设备的内部结构图。
具体实施方式
41.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
42.在本技术中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本技术所描述的实施例可以与其它实施例相结合。
43.本技术基于配电网多数呈放射结构，合理使用分布式电源，让目前的网络结构由单一电源转变为多个电源联合。灵活的在分布式发电接入的基础上充分利用其容量控制其有功功率与无功功率的输出，在并网发电的基础上参与配电网调压，可以实现无功功率的就地补偿并有效解决电压越限的问题。
44.本技术提供的配电网无功优化方法，包括图1示出的步骤：
45.步骤s101，将分布式发电配电网的无功功率输出、有载分接开关比和并联电容器开关容量，作为控制变量；
46.步骤s102，获取目标函数；所述目标函数使分布式发电配电网有功功率损失的期望值与节点电压偏差的期望值之和最小化；
47.步骤s103，根据所述变量和所述目标函数，得到所述分布式发电配电网的模糊无功优化模型；
48.步骤s104，获取模糊无功优化模型的约束条件；所述约束条件至少包括如下任一
项：所述分布式发电配电网的潮流方程约束、控制变量的不等式约束以及节点电压的不等式约束；
49.本技术可以对分布式发电配电网的无功功率调节能力进行分析，包括光伏电站的无功调节能力和双馈感应风力发电机的无功调节能力；然后，建立分布式发电配电网的模糊无功优化模型。其中，建立模糊无功优化模型的目标函数，该目标函数使分布式发电配电网有功功率损失的期望值与节点电压偏差的期望值之和最小化；然后，建立模糊无功优化模型的约束条件，约束条件包括分布式发电配电网的潮流方程约束、控制变量的不等式约束以及节点电压的不等式约束。
50.步骤s105，根据所述约束条件和所述目标函数，对所述模糊无功优化模型的控制变量进行求解，将满足条件的求解结果作为配电网无功优化结果。
51.在构建得到模糊无功优化模型后，如图2所示，可以采用改进的萤火虫算法进行求解，同时将混沌运动引入萤火虫算法的迭代过程，利用混沌变量的随机、遍历和规则特性进行搜索，避免萤火虫算法陷入局部最优，得到满足条件的求解结果，将该求解结果作为配电网无功优化结果。
52.本技术以分布式发电的无功功率、并联电容器的运行数量和负载调节变压器的抽头为优化变量，选择有功损耗期望值和节点电压偏差最小化作为目标函数，所得的配电网无功优化结果不仅有效地降低配电网的网络损耗，而且提高电压质量。
53.在一个实施例中，在光伏电站通过逆变器并至分布式发电配电网的情况下，本技术提供的方法还包括：根据光伏电站的无功调节能力分析所用的数据，得到光伏电站的无功调节能力的上限和下限；根据光伏电站的无功调节能力的上限和下限，得到关于分布式发电配电网的无功功率输出的不等式约束。
54.其中，光伏电站的无功调节能力分析所用的数据包括：所用光伏阵列输出的有功功率和无功功率、所述逆变器与分布式发电配电网连接点的电压、分布式发电配电网的最大工作电流幅值、所述逆变器的中间直流电压、所述逆变器的电感、分布式发电配电网的电感和角频率。
55.当光伏电站通过逆变器并至分布式发电配电网时，光伏电站的无功调节能力与逆变器的稳定运行密切相关。受逆变器的最大工作电流和可逆电压的限制，单个光伏发出的有功功率和无功功率之间的关系为：
[0056][0057][0058]
在模型中，p
pv
、q
pv
分别为光伏阵列输出的有功功率和无功功率；u
pcc
是逆变器与电网连接点的电压，即电网的额定电压；i
max
是最大工作电流幅值，其可以表示为in是电网的额定电流；u
dc
是逆变器的中间直流电压；l＝l1+l2，l1和l2分别是逆变器的电感和电网侧的电感；ω是网侧的角频率。
[0059]
根据式(1)和(2)，分别获得光伏电站的无功功率调节能力(q
pvmin
，q
pvmax
)的下限和上限：
[0060][0061]
在一个实施例中，在双馈感应风力发电机通过逆变器连接至分布式发电配电网的情况下，本技术提供的方法还包括：根据双馈感应风力发电机的无功调节能力分析所用的数据，得到双馈感应风力发电机的无功调节能力的上限和下限；根据双馈感应风力发电机的无功调节能力的上限和下限，得到关于分布式发电配电网的无功功率输出的不等式约束。
[0062]
其中，双馈感应风力发电机的无功调节能力分析所用的数据包括：双馈感应风力发电机输出的有功功率和无功功率、双馈感应风力发电机定子侧的电压、双馈感应风力发电机转子侧变流器的最大电流、双馈感应风力发电机定子侧绕组的最大电流、双馈感应风力发电机的定子漏抗、励磁电抗和滑差率。
[0063]
双馈感应风力发电机通过逆变器连接到电网，因此风力发电的无功功率调节能力受到逆变器运行的影响。受双馈感应风力发电机定子和双馈感应风力发电机转子侧变流器的最大电流限制，单个风力发电机发出的有功功率和无功功率之间的关系如下：
[0064][0065][0066]
式中：pw、qw为双馈感应风力发电机输出的有功功率和无功功率；us为定子侧电压；i
s,max
和i
r,max
分别为转子侧变流器和定子绕组的最大电流；xs为定子漏抗；xm为励磁电抗；s是滑差率。
[0067]
同时，风力发电机受到静态稳定性的限制，如式(6)所示：
[0068][0069]
根据式(4)、(5)和(6)，风力涡轮机的无功功率调节下限和上限(q
wmin
、q
wmax
)可如下获得：
[0070][0071]
本技术的目标函数使分布式发电配电网有功功率损失的期望值与节点电压偏差的期望值之和最小化，最佳控制变量为分布式发电的无功功率输出、有载分接开关比和并联电容器开关容量，建立无功优化的模糊期望值模型，目标函数如下：
[0072]
minf(x)＝λ1e(p
loss
)+λ2e(v
offset
)
ꢀꢀꢀꢀꢀ
(8)
[0073]
式中：e()是期望值；λ1和λ2为权重系数；x是控制变量x＝[t
ap
,qc,q
dg
]；t
ap
是有载分接开关比率矢量；qc是并联电容器开关容量矢量；q
dg
是分布式发电的无功功率输出矢量，满足q
dg
＝[q
pv
,qw]；p
loss
为配电网总有功功率损耗；v
offset
是配电网电压偏差。
[0074]
其中，p
loss
和v
offset
是梯形模糊数，由模糊潮流计算，具体公式如下：
[0075][0076][0077]
在式中，ui、uj是节点i和节点j的电压幅值；g
ij
，b
ij
，δ
ij
是每个支路i-j的电导率以及节点i和j之间的相角差，n
l
是传输线的集合，n是系统节点的数量。
[0078]
在一个实施例中，建立模糊无功优化模型约束条件的步骤包括：
[0079]
模糊无功优化模型中的等式约束是配电网的潮流方程，其表示为：
[0080][0081][0082]
式中，pi和qi分别为配电网输入节点的预测有功功率和无功功率；p
dgi
和q
dgi
分别是分布式发电单元注入节点的预测有功功率和无功功率；q
ci
是注入电容器补偿节点的无功功率；p
di
和q
di
是分别针对节点处的负载预测的预测有功功率和无功功率。
[0083]
控制变量的不等式约束表示为：
[0084]qdgimin
≤q
dgi
≤q
dgimax
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)
[0085]qcimin
≤q
ci
≤q
cimax
ꢀꢀꢀꢀꢀꢀ
(14)
[0086]
t
apimin
≤t
api
≤t
apimax
ꢀꢀꢀꢀꢀꢀ
(15)
[0087]
式中，q
dgimax
、q
dgimin
是分布式发电配电网里的分布式发电单元的无功功率调节能力的上限和下限，q
cimax
、q
cimin
是开关电容器的电容的上限和上限，t
apimax
、t
apimin
分别是有载分接开关的变换比的上限和下限。
[0088]
状态变量的受约束节点的电压幅度由梯形模糊数ui＝(u
i1
,u
i2
,u
i3
,u
i4
)表示。为了确保负载节点的电压幅值在所有情况下都不超过极限，采用节点电压约束不等式。
[0089]uimin
≤u
i1
≤u
i2
≤u
i3
≤u
i4
≤u
imax
ꢀꢀꢀꢀꢀ
(16)
[0090]
式中：u
imax
和u
imin
分别是节点电压的上限和下限。
[0091]
在一个实施例中，根据所述约束条件和所述目标函数，对所述模糊无功优化模型的控制变量进行求解，包括：获取基于混沌序列改进的萤火虫算法；利用基于混沌序列改进的萤火虫算法，根据所述约束条件和所述目标函数，对所述模糊无功优化模型的控制变量进行求解。
[0092]
萤火虫算法通过在萤火虫个体之间相互吸引来实现优化目标，它的主要概念是亮度和吸引力，优化过程中的基本概念如下：
[0093]
1)相对亮度；萤火虫i在萤火虫j所在位置的光强度是萤火虫i与萤火虫j的相对亮度，记录为i
ij
，计算公式如下：
[0094][0095]
式中，萤火虫i的绝对亮度等于萤火虫i的目标函数，即γ所表示的光的吸收量；r
ij
是萤火虫i和萤火虫j之间的笛卡尔距离。
[0096]
2)吸引力；萤火虫i对萤火虫j的吸引力与萤火虫j中萤火虫i的绝对亮度成正比，其用公式表示为：
[0097][0098]
式中，β0为最大吸引力，即萤火虫对光源的吸引力，可取β0＝1。
[0099]
在标准的萤火虫算法中，由于被萤火虫i吸引，萤火虫j向它移动并更新其位置，更新萤火虫j的位置的公式如下：
[0100]
xj＝xj+β
ij
(x
i-xj)+α(rand-0.5)
ꢀꢀꢀꢀꢀꢀ
(19)
[0101]
式中，xi和xj是萤火虫i和萤火虫j的空间位置；α是常数；随机分布是均匀分布。位置更新公式的第二项取决于吸引力，第三项是具有特定系数的随机项。
[0102]
针对基本萤火虫算法的过早停滞的问题，将混沌运动引入算法迭代，利用混沌变量的随机、遍历和规则特性进行搜索，避免算法陷入局部最优。本文选择一个典型的logistic方程来生成混沌序列。同时，萤火虫算法在远距离的吸引力很弱，很难影响位置更新。本技术提出一种根据萤火虫之间的距离调整位置更新公式的方法，以提高收敛速度和搜索精度。改进的萤火虫算法的位置更新公式如下：
[0103][0104]
式中，α(t)和γ(t)是混沌序列。为了增加种群的多样性，其迭代公式如下：
[0105]
γ(t)＝μ1·
γ(t-1)
·
[1-γ(t-1)]
ꢀꢀꢀꢀꢀꢀ
(21)
[0106]
α(t)＝μ2·
γ(t-1)
·
[1-α(t-1)]
ꢀꢀꢀꢀꢀ
(22)
[0107]
式中：μ1和μ2为控制参数，且满足1≤μ1，μ2≤4。
[0108]
在一个实施例中，利用改进的萤火虫算法模型求解的步骤，如图3所示，包括：
[0109]
s1：系统参数初始化：输入配电网和分布式发电的相关参数、分布式发电和负荷预测值以及模糊参数，计算分布式发电的无功功率调节范围。
[0110]
s2：算法初始化：设置萤火虫算法的参数k＝0，设置最大迭代次数k、种群大小n和混沌序列参数α(t)和γ(t)。
[0111]
s3：初始萤火虫位置根据控制变量的范围随机生成。利用模糊功率流得到单个萤火虫的目标函数，并利用惩罚项处理萤火虫的不平等约束，即萤火虫的绝对亮度。
[0112]
s4：根据公式(21)更新萤火虫的位置以生成新个体，同时保留萤火虫的旧位置。
[0113]
s5：计算新个体的绝对亮度，合并新的和旧的萤火虫位置，并选择最佳个体进入下一次迭代。
[0114]
s6：k＝k+1；根据公式(22)和(23)更新混沌序列的参数，如果满足k》k，则结束并输出最佳个体；否则转到步骤s4。
[0115]
参阅图4、图5和图6，采用matlab进行在线仿真，最大迭代次数为200次，总体数量为50次，优化操作重复20次。
[0116]
先分析第一阶段的优化结果，然后对五个阶段进行了总体分析。
[0117]
对于阶段1，考虑分布式发电的无功功率调节能力前后的优化结果如下：在不考虑分布式发电的无功率调节能力的情况下，有功功率损失的预期值为116.7869kw，电压偏差的预期值是0.5932pu；当考虑分布式发电的无功率调节能力的情况下，有功功率损失预期值为103.1953kw，减少11.64％；电压偏差预期值为0.4409pu，减少16.67％。图4和图5分别考虑了分布式发电前后每个节点的预期电压和无功功率损失的隶属度。在图4中，可以看到节点32具有最低电压。因此，图6显示了考虑分布式发电之前和之后节点32的隶属函数。在图6中，在不考虑分布式发电调节能力的情况下，节点32电压有可能超过极限。考虑分布式发电后，消除了这种可能性，并提高了电压电平。
[0118]
表1比较了五个时期配电网无功优化的结果，以便更好地了解分布式发电的无功调节能力对配电网无功率优化的影响。在每个周期，分布式发电与电容器和变压器协调以优化网络损耗和电压偏差。同时，也可以看出风光不仅在有功功率输出方面是互补的，在无功调节能力方面也是互补的，更有利于配电网的无功优化。
[0119][0120]
表1
[0121]
参照图7，为了验证提出的改进萤火虫算法(mfa)的有效性，进一步比较了粒子群优化(pso)算法和基本的萤火虫算法(fa)的收敛性曲线。相比于基本的萤火虫算法和粒子群优化算法，所提出的改进的萤火虫算法信息交换更加充分，使得萤火虫算法的收敛速度和最优解比粒子群优化算法更快。本文稿提出的改进萤火虫算法增加了种群的多样性，增强了算法的全局搜索和局部搜索。因此，最优解优于基本的萤火虫算法。
[0122]
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0123]
在一个实施例中，如图8所示，提供了一种配电网无功优化装置，包括：
[0124]
控制变量获取模块801，用于将分布式发电配电网的无功功率输出、有载分接开关比和并联电容器开关容量，作为控制变量；
[0125]
目标函数获取模块802，用于获取目标函数；所述目标函数使分布式发电配电网有功功率损失的期望值与节点电压偏差的期望值之和最小化；
[0126]
模型获取模块803，用于根据所述变量和所述目标函数，得到所述分布式发电配电网的模糊无功优化模型；
[0127]
约束条件获取模块804，用于获取模糊无功优化模型的约束条件；所述约束条件至少包括如下任一项：所述分布式发电配电网的潮流方程约束、控制变量的不等式约束以及节点电压的不等式约束；
[0128]
求解模块805，用于根据所述约束条件和所述目标函数，对所述模糊无功优化模型的控制变量进行求解，将满足条件的求解结果作为配电网无功优化结果。
[0129]
在一个实施例中，在光伏电站通过逆变器并至分布式发电配电网的情况下，所述装置还包括不等式约束获取模块，用于根据光伏电站的无功调节能力分析所用的数据，得到光伏电站的无功调节能力的上限和下限；根据光伏电站的无功调节能力的上限和下限，得到关于分布式发电配电网的无功功率输出的不等式约束。
[0130]
在一个实施例中，光伏电站的无功调节能力分析所用的数据包括：所用光伏阵列输出的有功功率和无功功率、所述逆变器与分布式发电配电网连接点的电压、分布式发电配电网的最大工作电流幅值、所述逆变器的中间直流电压、所述逆变器的电感、分布式发电配电网的电感和角频率。
[0131]
在一个实施例中，在双馈感应风力发电机通过逆变器连接至分布式发电配电网的情况下，所述装置还包括不等式约束获取模块，用于根据双馈感应风力发电机的无功调节能力分析所用的数据，得到双馈感应风力发电机的无功调节能力的上限和下限；根据双馈感应风力发电机的无功调节能力的上限和下限，得到关于分布式发电配电网的无功功率输出的不等式约束。
[0132]
在一个实施例中，双馈感应风力发电机的无功调节能力分析所用的数据包括：双馈感应风力发电机输出的有功功率和无功功率、双馈感应风力发电机定子侧的电压、双馈感应风力发电机转子侧变流器的最大电流、双馈感应风力发电机定子侧绕组的最大电流、双馈感应风力发电机的定子漏抗、励磁电抗和滑差率。
[0133]
在一个实施例中，求解模块805，还用于获取基于混沌序列改进的萤火虫算法；利用基于混沌序列改进的萤火虫算法，根据所述约束条件和所述目标函数，对所述模糊无功优化模型的控制变量进行求解。
[0134]
关于配电网无功优化装置的具体限定可以参见上文中对于配电网无功优化方法的限定，在此不再赘述。上述配电网无功优化装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0135]
在一个实施例中，提供了一种计算机设备，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储配电网无功优化数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机设备还包括输入输出接口，输入输出接口是处理器与外部设备之间交换信息的连接电路，它们通过总线与处理器相连，简称i/o接口。该计算机程序被处理器执行时以实现一种配电网无功优化方法。
[0136]
本领域技术人员可以理解，图9中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0137]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述各个方法实施例中的步骤。
[0138]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各个方法实施例中的步骤。
[0139]
在一个实施例中，提供了一种计算机程序产品，其上存储有计算机程序，所述计算机程序被处理器执行上述各个方法实施例中的步骤。
[0140]
需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
[0141]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，上述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。
[0142]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0143]
以上的实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。

技术特征：
1.一种配电网无功优化方法，其特征在于，所述方法包括：将分布式发电配电网的无功功率输出、有载分接开关比和并联电容器开关容量，作为控制变量；获取目标函数；所述目标函数使分布式发电配电网有功功率损失的期望值与节点电压偏差的期望值之和最小化；根据所述变量和所述目标函数，得到所述分布式发电配电网的模糊无功优化模型；获取模糊无功优化模型的约束条件；所述约束条件至少包括如下任一项：所述分布式发电配电网的潮流方程约束、控制变量的不等式约束以及节点电压的不等式约束；根据所述约束条件和所述目标函数，对所述模糊无功优化模型的控制变量进行求解，将满足条件的求解结果作为配电网无功优化结果。2.根据权利要求1所述的方法，其特征在于，在光伏电站通过逆变器并至分布式发电配电网的情况下，所述方法还包括：根据光伏电站的无功调节能力分析所用的数据，得到光伏电站的无功调节能力的上限和下限；根据光伏电站的无功调节能力的上限和下限，得到关于分布式发电配电网的无功功率输出的不等式约束。3.根据权利要求2所述的方法，其特征在于，光伏电站的无功调节能力分析所用的数据包括：所用光伏阵列输出的有功功率和无功功率、所述逆变器与分布式发电配电网连接点的电压、分布式发电配电网的最大工作电流幅值、所述逆变器的中间直流电压、所述逆变器的电感、分布式发电配电网的电感和角频率。4.根据权利要求1所述的方法，其特征在于，在双馈感应风力发电机通过逆变器连接至分布式发电配电网的情况下，所述方法还包括：根据双馈感应风力发电机的无功调节能力分析所用的数据，得到双馈感应风力发电机的无功调节能力的上限和下限；根据双馈感应风力发电机的无功调节能力的上限和下限，得到关于分布式发电配电网的无功功率输出的不等式约束。5.根据权利要求4所述的方法，其特征在于，双馈感应风力发电机的无功调节能力分析所用的数据包括：双馈感应风力发电机输出的有功功率和无功功率、双馈感应风力发电机定子侧的电压、双馈感应风力发电机转子侧变流器的最大电流、双馈感应风力发电机定子侧绕组的最大电流、双馈感应风力发电机的定子漏抗、励磁电抗和滑差率。6.根据权利要求1至5任一项所述的方法，其特征在于，根据所述约束条件和所述目标函数，对所述模糊无功优化模型的控制变量进行求解，包括：获取基于混沌序列改进的萤火虫算法；利用基于混沌序列改进的萤火虫算法，根据所述约束条件和所述目标函数，对所述模糊无功优化模型的控制变量进行求解。7.一种配电网无功优化装置，其特征在于，所述装置包括：控制变量获取模块，用于将分布式发电配电网的无功功率输出、有载分接开关比和并联电容器开关容量，作为控制变量；目标函数获取模块，用于获取目标函数；所述目标函数使分布式发电配电网有功功率
损失的期望值与节点电压偏差的期望值之和最小化；模型获取模块，用于根据所述变量和所述目标函数，得到所述分布式发电配电网的模糊无功优化模型；约束条件获取模块，用于获取模糊无功优化模型的约束条件；所述约束条件至少包括如下任一项：所述分布式发电配电网的潮流方程约束、控制变量的不等式约束以及节点电压的不等式约束；求解模块，用于根据所述约束条件和所述目标函数，对所述模糊无功优化模型的控制变量进行求解，将满足条件的求解结果作为配电网无功优化结果。8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法。9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法。10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法。

技术总结
本申请涉及智能配电网发电技术领域，提供一种配电网无功优化方法，可以有效地降低配电网的网络损耗的同时，提高电压质量。将分布式发电配电网的无功功率输出、有载分接开关比和并联电容器开关容量，作为控制变量；获取目标函数；目标函数使分布式发电配电网有功功率损失的期望值与节点电压偏差的期望值之和最小化；根据变量和目标函数，得到分布式发电配电网的模糊无功优化模型；获取模糊无功优化模型的约束条件；根据约束条件和目标函数，对模糊无功优化模型的控制变量进行求解，将满足条件的求解结果作为配电网无功优化结果。的求解结果作为配电网无功优化结果。的求解结果作为配电网无功优化结果。


技术研发人员：陈明辉 王斐 肖健 齐锐 曾顺奇 徐艳 黄维家 王富友
受保护的技术使用者：广东电网有限责任公司广州供电局
技术研发日：2023.06.21
技术公布日：2023/9/25