基于智能控制终端的无功功率补偿方法以及装置

1.本公开涉及电力系统技术领域，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：

2.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。


技术实现要素：

3.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。
4.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：
5.预测电网中各节点在下一时间段内的负荷和光伏出力；
6.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；
7.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。
8.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：
9.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；
10.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；
11.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；
12.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。
13.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：
14.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；
15.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；
16.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；
17.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；
18.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；
19.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；
20.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；
21.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。
22.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：
23.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；
24.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。
25.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：
26.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。
27.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：
28.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；
29.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；
30.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。
31.在第二方面的一些可实现方式中，预测模块具体用于：
32.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；
33.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；
34.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；
35.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。
36.在第二方面的一些可实现方式中，预测模块具体用于：
37.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；
38.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；
39.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；
40.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；
41.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；
42.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；
43.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；
44.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。
45.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。
46.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。
47.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。
48.应当理解，发明内容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。
附图说明
49.结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。附图用于更好地理解本方案，不构成对本公开的限定在附图中，相同或相似的附图标记表示相同或相似的元素，其中：
50.图1示出了本公开的实施例提供的一种基于智能控制终端的无功功率补偿方法的流程图；
51.图2示出了本公开的实施例提供的一种基于智能控制终端的无功功率补偿装置的结构图；
52.图3示出了一种能够实施本公开的实施例的示例性电子设备的结构图。
具体实施方式
53.为使本公开的实施例的目的、技术方案和优点更加清楚，下面将结合本公开的实施例中的附图，对本公开的实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的全部其他实施例，都属于本公开保护的范围。
54.另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
55.针对背景技术中出现的问题，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。具体地，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。
56.下面结合附图，通过具体的实施例对本公开的实施例提供的基于智能控制终端的无功功率补偿方法以及装置进行详细地说明。
57.图1示出了本公开的实施例提供的一种基于智能控制终端的无功功率补偿方法的流程图，如图1所示，无功功率补偿方法100可以包括以下步骤：
58.s110，预测电网中各节点在下一时间段内的负荷和光伏出力。
59.在一些实施例中，可以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，由负荷预测模型进行计算，以便快速得到各节点在下一时间段内各时刻的负荷，进而有效地提高预测效果。
60.负荷预测模型模型是利用训练数据集对预设神经网络(例如卷积神经网络、循环神经网络、长短期记忆神经网络等)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。
61.与此同时，可以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，由光伏出力预测模型进行计算，以便快速得到各节点在下一时间段内各时刻的光伏出力，进而有效地提高预测效果。
62.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(例如卷积神经网络、循环神经网络、长短期记忆神经网络等)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。
63.在另一些实施例中，针对任一节点，可以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，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，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，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。
64.需要注意的是，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，针对任一节点，可以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，精确且快速地生成各时刻的负荷行为状态转移概率矩阵。
65.与此同时，针对任一节点，可以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，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，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，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。
66.需要注意的是，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，针对任一节点，可以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，精确且快速地生成各时刻的光伏出力行为状态转移概率矩阵。
67.s120，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。
68.参见s110，可以根据各节点在下一时间段内各时刻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各时刻所需的无功功率，并以此生成各节点的无功功率需求曲线。
69.其中，无功优化模型可以通过以下步骤构建：
70.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，有利于后续准确计算各节点在下一时间段内各时刻所需的无功功率。
71.s130，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。
72.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。
73.下面结合一个具体实施例，对本公开实施例提供的无功功率补偿方法进行详细介绍，具体如下：
74.(1)获取电网的线路参数、负荷运行数据、光伏运行数据、无功补偿设备运行数据。
75.其中，负荷运行数据包括各节点的历史负荷功率数据和当前负荷功率数据；光伏运行数据包括历史辐照度数据和当前辐照度数据、光伏安装位置和容量、各台光伏逆变器容量；无功补偿设备运行数据包括无功补偿设备安装位置、单台容量及总容量。可选地，无功补偿设备包括专用无功补偿设备和兼用无功补偿设备，专用无功补偿设备可以为并联电容器组和svg，兼用无功补偿设备可以为光伏逆变器。
76.(2)划分电网负荷和光伏出力的行为状态，利用马尔科夫链原理确定相邻时刻行为状态之间的联系，并对每个行为状态下的负荷和光伏出力进行概率建模，从而预测各节点在下一时间段内各时刻的负荷和光伏出力。
77.其中，负荷行为状态划分方法是统计负荷历史运行数据在t时刻最大值p
lmax,t
与最小值p
lmin,t
，将t时刻数据区间[p
lmin,t
,p
lmax,t
]进行n等分，等分后的每个范围均代表负荷在t时刻的一个行为状态；光伏出力行为状态划分方法是统计当地辐照度历史数据在t时刻最大值i
rrmax,t
与最小值i
rrmin,t
，将t时刻数据区间[i
rrmin,t
,i
rrmax,t
]进行n等分，等分后的每个范围均代表光伏出力在t时刻的一个行为状态。
[0078]
为确定行为状态之间的联系，将负荷和光伏出力时间分别划分为t
ti
和t
pvti
个时间段进行分析，统计每个时间段内行为状态转移情况，建立t时刻行为状态的转移概率矩阵为
[0079][0080]
其中，ns为行为状态总数，其中用于居民用电行为状态计算时ns＝k，用于云层状态计算时ns＝l
ir
。
[0081]
根据负荷和光伏出力的当前时刻行为状态概率分布ps(t)，结合公式(1)可得下一时刻两者的行为状态概率分布如公式(2)所示。
[0082][0083]
其中，其中，为t时刻负荷或光伏出力处于行为状态is的概率。
[0084]
定义fs(x)为负荷或光伏出力行为状态映射函数，即行为状态则由公式(3)可以根据行为状态概率得到下一时刻随机取得的行为状态。
[0085][0086]
为构建负荷和光伏出力在不同行为状态下的功率概率分布，统计各行为状态下对应的功率数据，利用正态分布建立负荷的概率密度函数如公式(4)所示，利用beta分布建立光伏出力的概率密度函数如公式(5)所示。
[0087][0088]
其中，s
l
为居民用电的视在功率；k为负荷行为状态位次，其中k∈[1,k]，k为负荷
行为状态的种类总数；μk和σk分别为行为状态k正态分布的均值及标准差。
[0089][0090]
其中，γ(
·
)为伽马函数；xs＝s
irr,t
/s
irref,t
，其中s
irr,t
为t时刻光照强度；s
irref,t
为t时刻晴天基准光照强度，晴天基准光照可取固定基准光照，也可根据不同地区和季节动态修正，本文取当地无云条件下各季节平均基准光照进行计算，当某一时刻历史光照数据大于基准光照时，则按基准光照数据进行计算；和均为光伏出力在行为状态ir下的beta分布参数，可根据不同行为状态下光照强度历史数据与基准光照比值的平均值和标准差近似计算，其中p
pv,n
为光伏并网额定功率；s
irref
为标准光照强度，1000w/m2。
[0091]
根据当前时刻负荷和光伏出力的行为状态，利用公式(2)-(3)确定下一时刻行为状态，通过公式(4)-(5)得到对应行为状态下负荷和光伏出力的功率值。
[0092]
以此方式，不断迭代计算，直至得到各节点在下一时间段内各时刻的负荷和光伏出力。
[0093]
(3)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，建立无功优化模型(多时间尺度无功优化模型)。
[0094]
其中，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，具体如公式(6)所示。
[0095][0096]
其中，t为时刻，t∈[1,tm]，tm为一天划分的分析时刻数量；n为节点的数量；u
t,i
为t时刻节点i电压；u0为节点电压标称值。
[0097]
以任一时刻下的节点功率平衡约束为模型约束，具体如公式(7)所示。
[0098][0099]
其中，p
t,i
和q
t,i
分别为t时刻注入节点i的有功功率和无功功率，其中p
pv,t,i
和q
pv,t,i
分别为t时刻节点i处光伏逆变器输出的有功功率和无功功率；p
l,t,i
和q
l,t,i
分别为t时刻节点i负荷消耗的有功功率和无功功率；q
c,t,i
为t时刻节点i处并联电容器组的投切容量；q
svg,t,i
为t时刻节点i处svg补偿的无功功率；u
t,i
和u
t,j
分别为t时刻节点i和节点j的电压；g
ij
和b
ij
分别为节点i和节点j之间的线路电导和电纳；θ
t,ij
为t时刻节点i和节点j的电压相角差。
[0100]
以任一时刻下的节点控制变量约束为模型约束，具体如公式(8)所示。
[0101][0102]
其中，q
pvmax,t,i
为t时刻节点i的光伏逆变器剩余容量；q
svgmax,i
为节点i的svg安装容量；n
c,t,i
为t时刻节点i并联电容器投切组数；n
cmax
为并联电容器组最大投切组数；qc为并联电容器单组投切容量；s
ins,i
为节点i的光伏安装容量；q
svggfm,t,i
和q
svggfl,t,i
分别为t时刻节点i处svg构网和跟网控制补偿的无功功率。
[0103]
以任一时刻下的节点电压约束为模型约束，具体如公式(9)所示。
[0104]unmin
≤u
t,i
≤u
nmax
(9)
[0105]
其中，u
nmax
和u
nmin
分别为t时刻节点i的电压上限和下限，u
t,i
为t时刻节点i的电压。
[0106]
(4)将各节点在下一时间段内各时刻的负荷和光伏出力代入无功优化模型中相应的参数项，以求解无功优化模型，得到各节点在下一时间段内各时刻所需的无功功率，并生成各节点的无功功率需求曲线。
[0107]
(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。
[0108]
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本公开所必须的。
[0109]
以上是关于方法实施例的介绍，以下通过装置实施例，对本公开所述方案进行进一步说明。
[0110]
图2示出了本公开的实施例提供的一种基于智能控制终端的无功功率补偿装置的结构图，如图2所示，无功功率补偿装置200可以包括：
[0111]
预测模块210，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。
[0112]
生成模块220，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。
[0113]
发送模块230，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。
[0114]
在一些实施例中，预测模块410具体用于：
[0115]
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；
[0116]
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；
[0117]
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；
[0118]
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。
[0119]
在一些实施例中，预测模块410具体用于：
[0120]
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；
[0121]
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；
[0122]
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；
[0123]
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；
[0124]
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；
[0125]
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；
[0126]
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；
[0127]
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。
[0128]
在一些实施例中，生成模块420，还用于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，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。
[0129]
生成模块420，还用于针对任一节点，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。
[0130]
在一些实施例中，无功优化模型是通过以下步骤构建的：
[0131]
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。
[0132]
可以理解的是，图2所示的无功功率补偿装置200中的各个模块/单元具有实现图1所示的无功功率补偿方法100中的各个步骤的功能，并能达到其相应的技术效果，为了简洁，在此不再赘述。
[0133]
图3示出了一种能够实施本公开的实施例的示例性电子设备的结构图。电子设备300旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备300还可以表示
各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
[0134]
如图3所示，电子设备300可以包括计算单元301，其可以根据存储在只读存储器(rom)302中的计算机程序或者从存储单元308加载到随机访问存储器(ram)303中的计算机程序，来执行各种适当的动作和处理。在ram303中，还可存储电子设备300操作所需的各种程序和数据。计算单元301、rom302以及ram303通过总线304彼此相连。输入/输出(i/o)接口305也连接至总线304。
[0135]
电子设备300中的多个部件连接至i/o接口305，包括：输入单元306，例如键盘、鼠标等；输出单元307，例如各种类型的显示器、扬声器等；存储单元308，例如磁盘、光盘等；以及通信单元309，例如网卡、调制解调器、无线通信收发机等。通信单元309允许电子设备300通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0136]
计算单元301可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元301的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元301执行上文所描述的各个方法和处理，例如方法100。例如，在一些实施例中，方法100可被实现为计算机程序产品，包括计算机程序，其被有形地包含于计算机可读介质，例如存储单元308。在一些实施例中，计算机程序的部分或者全部可以经由rom302和/或通信单元309而被载入和/或安装到设备300上。当计算机程序加载到ram303并由计算单元301执行时，可以执行上文描述的方法100的一个或多个步骤。备选地，在其他实施例中，计算单元301可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法100。
[0137]
本文中以上描述的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0138]
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0139]
在本公开的上下文中，计算机可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。计算机可读介质可以是计算机可读信号介质或计算机可读储存介质。计算机可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。计算机可读存储介质的更具体示例会包括基于一个或多个线的电气连
接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0140]
需要注意的是，本公开还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，其中，计算机指令用于使计算机执行方法100，并达到本公开的实施例执行其方法达到的相应技术效果，为简洁描述，在此不再赘述。
[0141]
另外，本公开还提供了一种计算机程序产品，该计算机程序产品包括计算机程序，计算机程序在被处理器执行时实现方法100。
[0142]
为了提供与用户的交互，可以在计算机上实施以上描述的实施例，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0143]
可以将以上描述的实施例实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
[0144]
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
[0145]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
[0146]
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

技术特征：
1.一种基于智能控制终端的无功功率补偿方法，其特征在于，所述方法包括：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；向所述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。2.根据权利要求1所述的方法，其特征在于，所述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：将所述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，得到所述电网中各节点在下一时间段内各时刻的负荷；所述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，所述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；将所述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，得到所述电网中各节点在下一时间段内各时刻的光伏出力；所述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，所述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。3.根据权利要求1所述的方法，其特征在于，所述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：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；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；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；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；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；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；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；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。4.根据权利要求3所述的方法，其特征在于，在所述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，所述方法还包括：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；
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。5.根据权利要求1所述的方法，其特征在于，所述无功优化模型是通过以下步骤构建的：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。6.一种基于智能控制终端的无功功率补偿装置，其特征在于，所述装置包括：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；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；发送模块，用于向所述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。7.根据权利要求6所述的装置，其特征在于，所述预测模块具体用于：将所述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，得到所述电网中各节点在下一时间段内各时刻的负荷；所述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，所述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；将所述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，得到所述电网中各节点在下一时间段内各时刻的光伏出力；所述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，所述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。8.根据权利要求6所述的装置，其特征在于，所述预测模块具体用于：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；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；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；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；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；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；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；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。9.一种电子设备，其特征在于，所述电子设备包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。10.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使计算机执行权利要求1-5中任一项所述的方法。

技术总结
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，应用于电力系统技术领域。该方法包括：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。以此方式，可以有效地提高无功功率补偿效果。高无功功率补偿效果。高无功功率补偿效果。


技术研发人员：薛世伟 曾四鸣 贾清泉 梁纪峰 杨少波
受保护的技术使用者：国家电网有限公司 国网河北能源技术服务有限公司 燕山大学
技术研发日：2023.04.28
技术公布日：2023/9/7