一种动态储能有功-无功电压控制方法及装置

技术领域

本发明涉及电压控制的技术领域，特别是涉及一种动态储能有功-无功电压控制方法及装置。

背景技术

随着新能源发电场站的增加，电力系统的电压调节面临着越来越大的挑战。在这种背景下，分级的电压控制模式被广泛应用，其中合理的分级模式是将电压控制分为三个层级：三级电压控制(TVR)，二级电压控制(SVR)和一级电压控制(PVR)；在该模式下，SVR的主要目标是通过某种协调策略优化本区域内PVR控制层的各电压管理装置的参考值，使得中枢点的电压值偏离TVR控制层优化后下发的中枢点电压参考值在可接受的范围内。

然而，随着新能源场站的并网增多，电力系统的电压调节面临着更大的挑战，因为新能源场站的出力快速变化导致电压波动性增大，并且当前新能源场站的无功调节能力有限。另外，不同电源比例的地区电网运行时，多类型无功源之间的协调控制也变得更加困难。

因此，如何在新能源发电预测准确率较低的情况下，准确把握新型电力系统的无功电压变化规律，并获得相应的自动电压控制策略，成为新型电力系统电压控制面临的重大挑战，这就迫切需要一套动态电压控制优化策略，以实现强鲁棒性电压调节。

发明内容

本发明要解决的技术问题是：提供一种动态储能有功-无功电压控制方法及装置；灵活地适应电力系统的变化，提高电压稳定性和可靠性。

为了解决上述技术问题，本发明提供了一种动态储能有功-无功电压控制方法，包括：

获取负荷预测数据和新能源出力预测数据，将所述负荷预测数据和所述新能源出力预测数据输入到预构建的预测误差模型中，以使所述预测误差模型输出负荷预测误差数据和新能源出力预测误差数据；

基于所述负荷预测误差数据和所述新能源出力预测误差数据，分别计算负荷随机扰动上下限值和新能源出力随机扰动上下限值，并基于所述负荷随机扰动上下限值和所述新能源出力随机扰动上下限值，确定对应的预测分位数区间；

基于所述预测分位数区间，构建待优化控制时刻的极限爬坡场景，在所述极限爬坡场景下对电力系统进行动态储能有功-无功控制，得到优化控制结果。

在一种可能的实现方式中，基于所述负荷预测误差数据和所述新能源出力预测误差数据，分别计算负荷随机扰动上下限值和新能源出力随机扰动上下限值，具体包括：

基于所述负荷预测数据，计算负荷预测平均值，并将所述负荷预测平均值作为第一正态分布平均值，基于所述负荷预测误差数据，确定正态分布的第一标准差；

基于所述新能源出力预测误差数据，计算新能源出力预测平均值，并将新能源出力预测平均值作为所述第二正态分布平均值，基于所述新能源出力预测误差数据，确定正态分布的第二标准差；

设置上边界分位数和下边界分位数；

基于所述第一正态分布平均值和所述第一标准差，确定所述第一正态分布，基于所述上边界分位数，确定所述第一正态分布对应的第一随机扰动上限值，并基于所述下边界分位数，确定所述第一正态分布对应的第一随机扰动下限值；

基于所述第一随机扰动上限值和所述第一随机扰动下限值，确定负荷随机扰动上下限值；

基于所述第二正态分布平均值和所述第二标准差，确定所述第二正态分布，基于所述上边界分位数，确定所述第二正态分布对应的第二随机扰动上限值，并基于所述下边界分位数，确定所述第二正态分布对应的第二随机扰动下限值；

基于所述第二随机扰动上限值和所述第二随机扰动下限值，确定新能源出力随机扰动上下限值。

在一种可能的实现方式中，基于所述预测分位数区间，构建待优化控制时刻的极限爬坡场景，具体包括：

获取控制时隙，确定待优化控制时刻中所述控制时隙的偶数倍时刻和奇数倍时刻；

在所述偶数倍时刻，获取所述预测分位数区间的第一预测分位数区间上限值，在所述奇数倍时刻，获取所述预测分位数区间的第一预测分位数区间下限值；

根据所述第一预测分位数区间上限值和所述第一预测分位数区间下限值，构建所述待优化控制时刻的第一极限爬坡场景；

在所述偶数倍时刻，获取所述预测分位数区间的第二预测分位数区间下限值，在所述奇数倍时刻，获取所述预测分位数区间的第二预测分位数区间上限值；

根据所述第二预测分位数区间上限值和所述第二预测分位数区间下限值，构建所述待优化控制时刻的第二极限爬坡场景。

在一种可能的实现方式中，在所述极限爬坡场景下对电力系统进行动态储能有功-无功控制，得到优化控制结果，具体包括：

设置动态储能有功-无功优化控制模型，并以最小化控制周期内网络损耗和电压偏差平方和为无功电压控制目标，对所述动态储能有功-无功优化控制模型设置无功电压控制目标函数，并对所述动态储能有功-无功优化控制模型设置多个约束条件；

在所述极限爬坡场景下，基于所述多个约束条件，求解所述无功电压控制目标函数，对电力系统进行动态储能有功-无功控制，得到优化控制结果。

在一种可能的实现方式中，对所述动态储能有功-无功优化控制模型设置无功电压控制目标函数，其中，所述无功电压控制目标函数，如下所示：

式中，

在一种可能的实现方式中，所述对所述动态储能有功-无功优化控制模型设置多个约束条件，其中，所述多个约束条件包括节点功率平衡、潮流方程、同步发电机约束、节点电压约束、有载调压变压器变比约束、静止无功补偿器无功功率约束、并联无功补偿电容器组的无功功率限值约束、储能充放电功率约束、储能电池能量等式和限值约束、光伏电站和风电场站配套储能不吸收负荷约束。

本发明还提供了一种动态储能有功-无功电压控制装置，包括：误差预测模块、预测分位数区间确定模块和优化控制模块；

其中，所述误差预测模块，用于获取负荷预测数据和新能源出力预测数据，将所述负荷预测数据和所述新能源出力预测数据输入到预构建的预测误差模型中，以使所述预测误差模型输出负荷预测误差数据和新能源出力预测误差数据；

所述预测分位数区间确定模块，用于基于所述负荷预测误差数据和所述新能源出力预测误差数据，分别计算负荷随机扰动上下限值和新能源出力随机扰动上下限值，并基于所述负荷随机扰动上下限值和所述新能源出力随机扰动上下限值，确定对应的预测分位数区间；

所述优化控制模块，用于基于所述预测分位数区间，构建待优化控制时刻的极限爬坡场景，在所述极限爬坡场景下对电力系统进行动态储能有功-无功控制，得到优化控制结果。

在一种可能的实现方式中，所述预测分位数区间确定模块，用于基于所述负荷预测误差数据和所述新能源出力预测误差数据，分别计算负荷随机扰动上下限值和新能源出力随机扰动上下限值，具体包括：

基于所述负荷预测数据，计算负荷预测平均值，并将所述负荷预测平均值作为第一正态分布平均值，基于所述负荷预测误差数据，确定正态分布的第一标准差；

基于所述新能源出力预测误差数据，计算新能源出力预测平均值，并将新能源出力预测平均值作为所述第二正态分布平均值，基于所述新能源出力预测误差数据，确定正态分布的第二标准差；

设置上边界分位数和下边界分位数；

基于所述第一正态分布平均值和所述第一标准差，确定所述第一正态分布，基于所述上边界分位数，确定所述第一正态分布对应的第一随机扰动上限值，并基于所述下边界分位数，确定所述第一正态分布对应的第一随机扰动下限值；

基于所述第一随机扰动上限值和所述第一随机扰动下限值，确定负荷随机扰动上下限值；

基于所述第二正态分布平均值和所述第二标准差，确定所述第二正态分布，基于所述上边界分位数，确定所述第二正态分布对应的第二随机扰动上限值，并基于所述下边界分位数，确定所述第二正态分布对应的第二随机扰动下限值；

基于所述第二随机扰动上限值和所述第二随机扰动下限值，确定新能源出力随机扰动上下限值。

在一种可能的实现方式中，所述优化控制模块，用于基于所述预测分位数区间，构建待优化控制时刻的极限爬坡场景，具体包括：

获取控制时隙，确定待优化控制时刻中所述控制时隙的偶数倍时刻和奇数倍时刻；

在所述偶数倍时刻，获取所述预测分位数区间的第一预测分位数区间上限值，在所述奇数倍时刻，获取所述预测分位数区间的第一预测分位数区间下限值；

根据所述第一预测分位数区间上限值和所述第一预测分位数区间下限值，构建所述待优化控制时刻的第一极限爬坡场景；

在所述偶数倍时刻，获取所述预测分位数区间的第二预测分位数区间下限值，在所述奇数倍时刻，获取所述预测分位数区间的第二预测分位数区间上限值；

根据所述第二预测分位数区间上限值和所述第二预测分位数区间下限值，构建所述待优化控制时刻的第二极限爬坡场景。

在一种可能的实现方式中，所述优化控制模块，用于在所述极限爬坡场景下对电力系统进行动态储能有功-无功控制，得到优化控制结果，具体包括：

设置动态储能有功-无功优化控制模型，并以最小化控制周期内网络损耗和电压偏差平方和为无功电压控制目标，对所述动态储能有功-无功优化控制模型设置无功电压控制目标函数，并对所述动态储能有功-无功优化控制模型设置多个约束条件；

在所述极限爬坡场景下，基于所述多个约束条件，求解所述无功电压控制目标函数，对电力系统进行动态储能有功-无功控制，得到优化控制结果。

在一种可能的实现方式中，所述优化控制模块，用于对所述动态储能有功-无功优化控制模型设置无功电压控制目标函数，其中，所述无功电压控制目标函数，如下所示：

式中，

在一种可能的实现方式中，所述优化控制模块，用于对所述动态储能有功-无功优化控制模型设置多个约束条件，其中，所述多个约束条件包括节点功率平衡、潮流方程、同步发电机约束、节点电压约束、有载调压变压器变比约束、静止无功补偿器无功功率约束、并联无功补偿电容器组的无功功率限值约束、储能充放电功率约束、储能电池能量等式和限值约束、光伏电站和风电场站配套储能不吸收负荷约束。

本发明还提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任意一项所述的动态储能有功-无功电压控制方法。

本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述任意一项所述的动态储能有功-无功电压控制方法。

本发明实施例一种动态储能有功-无功电压控制方法及装置，与现有技术相比，具有如下有益效果：

通过将获取的负荷预测数据和新能源出力预测数据输入到预构建的预测误差模型中，得到负荷预测误差数据和新能源出力预测误差数据，能更准确地衡量负荷和新能源出力的波动范围，提高控制精度；同时基于负荷预测误差数据和新能源出力预测误差数据，分别计算负荷随机扰动上下限值和新能源出力随机扰动上下限值，并基于负荷随机扰动上下限值和新能源出力随机扰动上下限值，确定对应的预测分位数区间，从而更好地量化负荷和新能源出力的不确定性；根据预测分位数区间，构建待优化控制时刻的极限爬坡场景，在该场景下，进行动态储能有功-无功控制，以实现对电力系统的电压调节。这种方法可以更加灵活地适应电力系统的变化，提高电压稳定性和可靠性；最后通过优化控制结果，可以更好地平衡负荷和新能源出力之间的矛盾；这种动态控制方法可以提高电力系统对电压变化的准确度和响应速度，使系统能够更有效地适应新能源发电场站增多的挑战。

附图说明

图1是本发明提供的一种动态储能有功-无功电压控制方法的一种实施例的流程示意图；

图2是本发明提供的一种动态储能有功-无功电压控制装置的一种实施例的结构示意图；

图3是本发明提供的一种实施例的极限爬坡场景示意图；

图4是本发明提供的一种实施例的采用2倍标准方差生成节点127风电场的3个爬坡场景示意图；

图5是本发明提供的一种实施例的2倍标准方差区间优化后所有无电源负荷节点SVC无功出力示意图；

图6是本发明提供的一种实施例的节点127风电场的100抽样爬坡场景示意图；

图7是本发明提供的一种实施例的100个蒙特卡洛抽样场景和用2倍标准方差生成随机变量的3个爬坡场景节点103电压变化示意图；

图8是本发明提供的一种实施例的基于分位数区间法优化后103个验证场景节点103的电压变化示意图；

图9是本发明提供的一种实施例的100个蒙特卡洛抽样场景和用2倍标准方差生成随机变量的3个爬坡场景节点109电压变化示意图；

图10是本发明提供的一种实施例的基于分位数区间法优化后103个验证场景节点109的电压变化示意图。

具体实施方式

下面将结合本发明中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1，参见图1，图1是本发明提供的一种动态储能有功-无功电压控制方法的一种实施例的流程示意图，如图1所示，该方法包括步骤101-步骤104，具体如下：

步骤101：获取负荷预测数据和新能源出力预测数据，将所述负荷预测数据和所述新能源出力预测数据输入到预构建的预测误差模型中，以使所述预测误差模型输出负荷预测误差数据和新能源出力预测误差数据。

一实施例中，获取负荷预测数据和新能源出力预测数据时，基于动态储能有功-无功电压控制主站服务器通过光纤连接于调度中心SCADA/EMS双主网，从EMS高级应用软件PAS的超短期负荷预测和负荷预测模块中获得电网各节点对应的负荷预测数据，从SCADA工作站中获得新能源场站对应的新能源出力预测数据。

一实施例中，还从SCADA工作站中获得同步机组参数、有载调压变压器阻抗和变比档位/最大/最小值、静止无功补偿器无功功率容量限制、并联无功补偿电容器组变化档位和无功功率限值、储能逆变器的输出有功功率下上限、无功功率下上限；也从PAS网络拓扑分析和动态着色模块中获取网络拓扑结构参数。

一实施例中，构建预测误差模型，通过采集历史负荷预测数据和历史新能源出力预测数据作为样本集，对所述预测误差模型进行模型训练，并在模型训练过程中，使用交叉验证等技术进行参数调优，以获得最佳的模型性能，调优的目标是减小预测误差值，提高模型的准确性和泛化能力。

步骤102：基于所述负荷预测误差数据和所述新能源出力预测误差数据，分别计算负荷随机扰动上下限值和新能源出力随机扰动上下限值，并基于所述负荷随机扰动上下限值和所述新能源出力随机扰动上下限值，确定对应的预测分位数区间。

一实施例中，基于所述负荷预测数据，计算负荷预测平均值，并将所述负荷预测平均值作为第一正态分布平均值，基于所述负荷预测误差数据，确定正态分布的第一标准差。

具体的，以负荷预测数据作为满足正态分布的期望值，通过计算所述负荷预测数据的平均值，得到第一正态分布平均值。

具体的，以所述负荷预测误差数据作为满足正态分布的标准差，得到所述正态分布的第一标准差。

一实施例中，基于所述新能源出力预测误差数据，计算新能源出力预测平均值，并将新能源出力预测平均值作为所述第二正态分布平均值，基于所述新能源出力预测误差数据，确定正态分布的第二标准差。

具体的，以新能源出力预测数据作为满足正态分布的期望值，通过计算所述新能源出力预测数据的平均值，得到第二正态分布平均值。

具体的，以所述新能源出力预测误差数据作为满足正态分布的标准差，得到所述正态分布的第二标准差。

一实施例中，设置上边界分位数和下边界分位数。

具体的，设实数α满足0<α<1，采用α/2分位数为随机变量的下边界分位数，1-α/2分位数为随机变量上边界分位数。

一实施例中，基于所述第一正态分布平均值和所述第一标准差，确定所述第一正态分布，基于所述上边界分位数，确定所述第一正态分布对应的第一随机扰动上限值，并基于所述下边界分位数，确定所述第一正态分布对应的第一随机扰动下限值。

一实施例中，基于所述第一随机扰动上限值和所述第一随机扰动下限值，确定负荷随机扰动上下限值，其中，以所述第一随机扰动上限值作为负荷随机扰动上限值，以所述第一随机扰动下限值作为负荷随机扰动下限值。

一实施例中，基于所述负荷随机扰动上限值和所述负荷随机扰动下限值，确定所述负荷对应的预测分位数区间。

一实施例中，基于所述第二正态分布平均值和所述第二标准差，确定所述第二正态分布，基于所述上边界分位数，确定所述第二正态分布对应的第二随机扰动上限值，并基于所述下边界分位数，确定所述第二正态分布对应的第二随机扰动下限值。

一实施例中，基于所述第二随机扰动上限值和所述第二随机扰动下限值，确定新能源出力随机扰动上下限值，其中，以所述第二随机扰动上限值作为新能源出力随机扰动上限值，以所述第二随机扰动下限值作为新能源出力随机扰动下限值。

一实施例中，基于所述新能源出力随机扰动上限值和所述新能源出力随机扰动下限值，确定所述新能源出力对应的预测分位数区间。

步骤103：基于所述预测分位数区间，构建待优化控制时刻的极限爬坡场景，在所述极限爬坡场景下对电力系统进行动态储能有功-无功控制，得到优化控制结果。

一实施例中，获取控制时隙，确定待优化控制时刻中所述控制时隙的偶数倍时刻和奇数倍时刻。

优选的，设置所述待优化控制时刻为未来一小时，优化时隙取15分钟。

一实施例中，在所述偶数倍时刻，获取所述预测分位数区间的第一预测分位数区间上限值，在所述奇数倍时刻，获取所述预测分位数区间的第一预测分位数区间下限值；根据所述第一预测分位数区间上限值和所述第一预测分位数区间下限值，构建所述待优化控制时刻的第一极限爬坡场景。

一实施例中，在所述偶数倍时刻，获取所述预测分位数区间的第二预测分位数区间下限值，在所述奇数倍时刻，获取所述预测分位数区间的第二预测分位数区间上限值；根据所述第二预测分位数区间上限值和所述第二预测分位数区间下限值，构建所述待优化控制时刻的第二极限爬坡场景；如图3所示，图3是本实施例提供的极限爬坡场景示意图。

优选的，除了设置上述第一极限爬坡场景和第二极限爬坡场景外，还设置期望场景，其中，所述期望场景中的所有随机变量均采用期望值。

一实施例中，设置动态储能有功-无功优化控制模型，并以最小化控制周期内网络损耗和电压偏差平方和为无功电压控制目标，对所述动态储能有功-无功优化控制模型设置无功电压控制目标函数，并对所述动态储能有功-无功优化控制模型设置多个约束条件。

具体的，为了平抑新能源和负荷波动，在风电场、光伏电站和负荷节点配备一定容量的储能平抑有功功率，其配套逆变装置提供无功补偿，在所提动态储能有功-无功优化控制模型中加入了储能功率和能量约束，优化控制中特别考虑了同步机组的爬坡约束和实际调控中水火机组调频作用。

具体的，所述无功电压控制目标函数，如下所示：

式中，

具体的，所述多个约束条件包括节点功率平衡、潮流方程、同步发电机约束、节点电压约束、有载调压变压器变比约束、静止无功补偿器无功功率约束、并联无功补偿电容器组的无功功率限值约束、储能充放电功率约束、储能电池能量等式和限值约束、光伏电站和风电场站配套储能不吸收负荷约束。

对于节点功率平衡：

式中，其中，

对于潮流方程：

式中，

对于同步发电机约束：包括平衡发电机有功功率

式中，k

和/>

对于节点电压约束：

式中，

对于有载调压变压器变比

式中，其中，

对于静止无功补偿器无功功率

式中，

对于并联无功补偿电容器组的无功功率限值约束：

式中，

对于在风电场、光伏电站和负荷节点装设储能用以平抑其功率波动，忽略储能逆变器的损耗，储能充放电功率约束：

式中，

对于设t

其中，

对于后续时隙结束时刻节点k上储能电池能量

对于节点k上储能电池能量

式中，

对于光伏电站和风电场站配套储能不吸收负荷约束：

一实施例中，所述预约束条件还包括优化时间集合约束和节点集合约束。

对于优化时间集合约束：

t∈Ω

对于节点集合约束：

k∈Ω

上述动态无功优化模型中的控制变量包括：连续变量和离散变量

一实施例中，电力系统有功调度是以负荷预测和新能源场站的出力预测结果进行的，并没有考虑预测误差，也就是以其期望值得到的有功调度。实际运行中当这些随机变量波动时，各个同步发电机有功功率值会随之按照系统设定的调频方式自动调节有功出力；如果选用主导发电机法调频，在分位数区间法中任一场景中除平衡发电机外各台同步发电机的有功出力按照下式计算得到：

式中，同步发电机功率分配系数为

一实施例中，在所述极限爬坡场景下，基于所述多个约束条件，求解所述无功电压控制目标函数，对电力系统进行动态储能有功-无功控制，得到优化控制结果。

具体的，在所述极限爬坡场景下，基于所述多个约束条件，求解所述无功电压控制目标函数，对电力系统进行动态储能有功-无功控制时，还基于设置的控制时隙，将未来一个小时分为若干时段，在所述若干时段内循环滚动对电力系统进行动态储能有功-无功控制。

一实施例中，基于设置的所述多个约束条件和所述无功电压控制目标函数，得到的优化控制结果包括控制发电机机端电压设定值或无功功率、静止无功补偿器无功功率、储能有功功率及其配套逆变装置无功功率、可投切电容器或电抗器的无功出力和可调变压器的变比。

一实施例中，还将优化控制结果发送给第二级电压控制。

对本实施例提供的一种动态储能有功-无功电压控制方法进行举例说明：

将IEEE 118节点系统修改为128节点系统，验证本实施例中提供的动态储能有功-无功电压控制方法的控制效果；设系统基准功率为100MVA。假设36台同步发电机中10台发电机充当调频机组，采用主导发电机调频法，平衡机组为主导发电机，其余机组的功率分配系数与其额定容量成正比。在IEEE 118节点系统节点1、2、3、15、6、7、9、11、13、14分别通过一台有载调压升压变压器接入10个风电场，对应风电场所在节点分别编号为节点119～128，风电场装机容量均为160MW，风电场中风机全部采用双馈风机，此处用单位功率因数确定双馈风机发出的无功功率为0。在负荷节点28～30分别接入3个光伏电站，光伏电站额定容量均为8MW。

在光伏电站所在负荷节点配备储能电池及配套整流逆变装置，储能逆变器的输出有功功率下/上限为-10/10p.u.、所有时段初始值为0p.u.，无功功率下/上限为-10/10p.u.、所有时段初始值为0p.u.，视在功率为10p.u.，容量为2000MWh；在风电场配备储能电池及配套整流逆变装置，储能逆变器的输出有功功率下/上限为-3/3p.u.、所有时段初始值为0p.u.，无功功率下/上限为-3/3p.u.、所有时段初始值为0p.u.，视在功率为3p.u.，容量为2000MWh；储能电池最小最大SOC分别为0.2/0.85、SOC初始值均设为0.5。在风电场配备SVC，其无功功率下/上限为-5.0/5.0p.u.，所有时段初始值为0p.u.。

此处，动态储能有功-无功电压控制优化时间为未来1个小时，控制时隙为15分钟，因此，将未来1个小时分为4个时段t0至t4，由于优化初始时刻t0离散变量和平衡发电机功率是上一小时的优化结果，取值未知，忽略初始时刻t0到t1时刻离散变量动作次数约束、有载调压变压器变比约束、并联无功补偿电容器组的无功功率限值约束、平衡发电机有功功率限制和爬坡约束，即认为t0到t1时刻这四个约束式自然满足。参见表1，表1是光伏和风电场出力预测值示意表，表1中详细列出光伏和风电场出力预测值，假设负荷每15分钟增加2％。

表1光伏和风电场出力预测值

所有电容器最小最大档位分为为0和10，所有时段初始值为5，在4个时段内动作次数上限为2，步长为0.5p.u.；有载调压变压器变比最小、最大值分为为0和16，所有时段初始值为8，每个时段内动作次数上限为2，步长为0.0125p.u.。

设SBB迭代次数上限10000，整数可行性收敛精度为1×10-5。在Windows 8操作系统中运行GAMS25.1.3求解，计算机配置为Intel四核3.6-GHz CPU，32GB RAM。

光伏和风电场出力预测误差的标准方差分别取其装机容量的5.25％和3.25％；以负荷实际值为基准的短期负荷预测误差取3％；此处分别采用2倍标准方差生成随机变量的预测区间，采用2倍标准方差生成的节点127所在风电场爬坡场景如下图4所示，图4是采用2倍标准方差生成节点127风电场的3个爬坡场景示意图；优化时隙取15分钟。场景1是期望值产生的，场景2和3是2个极限爬坡场景，分别对应极限爬坡场景1和2；第2时段场景3风电场和光伏出力占总负荷的0.4％，第4个时段场景2风电场和光伏出力占总负荷的32.1％。

将系统中的同步机分成以下情况运行，说明基于预测分位数区间的动态无功电压控制法的特点。

(1)9台PQ同步发电机

假设36台同步发电机中连接于节点100、103、105、107、110、111、112、113和116的9台采用PQ控制，其余为PV节点，同步发电机的无功出力上下限分别为10p.u.和-10p.u.；在所有无源的负荷节点配备SVC，其无功功率下/上限为-2.0/2.0p.u.，所有时段初始值为0p.u.。

1)分位数区间法

目标函数权重系数取104，节点电压限值放松0.03，采用2倍标准方差生成随机变量的预测区间进行区间优化，经过5638次迭代，115个分支得到最优解，耗时5小时6分9秒，优化后，变压器和电容器所有时刻动作次数统计分别见表2和表3，表2为变压器分接头动作次数统计示意表，表3为电容器组投入情况示意表；风电场和光伏电站负荷节点储能最优解见表4所示，表4为风电场和光伏电站节点储能最优解示意表，SVC无功出力最优解见表5所示，表5为风电场配备SVC无功出力最优解示意表，节点69平衡发电机有功出力最优解见表6所示，表6为节点69平衡发电机有功出力最优解示意表，均满足约束条件；在30min风电场出力大幅降低，其配备储能电池放电；在60min风电场出力大幅升高，除节点119外的风电场储能电池充电；3个光伏电站出力占比较低、出力变化较小，其配备储能电池4个时段均放电。光伏电站节点储能逆变器消耗无功，风电场储能逆变器提供无功支撑。无电源负荷节点SVC无功出力如图5所示，图5是本实施例提供的2倍标准方差区间优化后所有无电源负荷节点SVC无功出力示意图，大部分节点需要提供无功支撑；优化后，所有节点电压在3个场景下都在限值范围内。

表2

表3

表4

/>

表5

表6

优化后，对风电场、光伏电站出力和负荷用蒙特卡洛抽样100个样本，仿真验证分位数区间优化结果的控制效果，如图6所示，图6是节点127风电场的100抽样爬坡场景示意图；验证中，采用无功优化控制结果为固定值，考虑平衡发电机组爬坡约束，计算PV同步发电机的无功功率、PQ同步发电机的机端电压和相角、平衡发电机的功率，统计电压越限情况。验证中，同样需要考虑调频的作用，任一场景中除平衡发电机外各台同步发电机的有功出力按照系统设定的调频方式自动调节有功出力计算得到。

将越上限情况中电压越限比例

表7

/>

2)确定性优化

另外，将随机变量取为期望值进行确定性的优化，即采用风电场、光伏电站出力和负荷的期望值进行无功电压控制目标函数和约束条件的优化，目标函数权重系数为0。经过1931次迭代，149个分支得到最优解，耗时52分22秒；利用该优化结果对100个蒙特卡洛样本和采用2倍标准方差生成随机变量的3个爬坡场景的仿真计算表明最大电压幅值越上限节点103越上限率高达0.0346，越限发生率高达0.1215；如图7所示，图7是100个蒙特卡洛抽样场景和用2倍标准方差生成随机变量的3个爬坡场景节点103电压变化示意图，图中虚线是对应电压限值；如图8所示，图8是基于分位数区间法优化后103个验证场景节点103的电压变化示意图。

如果缩窄节点电压限制范围进行确定性无功优化，有可能应对新能源出力的随机波动，同样降低电压越限程度；继而，缩小电压限制范围0.03p.u.和0.05p.u.将随机变量取为期望值进行确定性的优化计算，可见越限发生率显著降低，但电压幅值越上/下限率并未显著降低；如图9所示，图9是100个蒙特卡洛抽样场景和用2倍标准方差生成随机变量的3个爬坡场景节点109电压变化示意图，图中虚线是对应电压限值；如图10所示，图10是基于分位数区间法优化后103个验证场景节点109的电压变化示意图，由表7可见，与确定性的优化计算，区间优化后平均网损升高，电容器和变压器分接头动作次数没有太大变化，电压质量达标。

实施例2，参见图2，图2是本发明提供的一种动态储能有功-无功电压控制装置的一种实施例的结构示意图，如图2所示，该装置包括误差预测模块201、预测分位数区间确定模块202和优化控制模块203，具体如下：

所述误差预测模块201，用于获取负荷预测数据和新能源出力预测数据，将所述负荷预测数据和所述新能源出力预测数据输入到预构建的预测误差模型中，以使所述预测误差模型输出负荷预测误差数据和新能源出力预测误差数据。

所述预测分位数区间确定模块202，用于基于所述负荷预测误差数据和所述新能源出力预测误差数据，分别计算负荷随机扰动上下限值和新能源出力随机扰动上下限值，并基于所述负荷随机扰动上下限值和所述新能源出力随机扰动上下限值，确定对应的预测分位数区间。

所述优化控制模块203，用于基于所述预测分位数区间，构建待优化控制时刻的极限爬坡场景，在所述极限爬坡场景下对电力系统进行动态储能有功-无功控制，得到优化控制结果。

一实施例中，所述预测分位数区间确定模块202，用于基于所述负荷预测误差数据和所述新能源出力预测误差数据，分别计算负荷随机扰动上下限值和新能源出力随机扰动上下限值，具体包括：基于所述负荷预测数据，计算负荷预测平均值，并将所述负荷预测平均值作为第一正态分布平均值，基于所述负荷预测误差数据，确定正态分布的第一标准差；基于所述新能源出力预测误差数据，计算新能源出力预测平均值，并将新能源出力预测平均值作为所述第二正态分布平均值，基于所述新能源出力预测误差数据，确定正态分布的第二标准差；设置上边界分位数和下边界分位数；基于所述第一正态分布平均值和所述第一标准差，确定所述第一正态分布，基于所述上边界分位数，确定所述第一正态分布对应的第一随机扰动上限值，并基于所述下边界分位数，确定所述第一正态分布对应的第一随机扰动下限值；基于所述第一随机扰动上限值和所述第一随机扰动下限值，确定负荷随机扰动上下限值；基于所述第二正态分布平均值和所述第二标准差，确定所述第二正态分布，基于所述上边界分位数，确定所述第二正态分布对应的第二随机扰动上限值，并基于所述下边界分位数，确定所述第二正态分布对应的第二随机扰动下限值；基于所述第二随机扰动上限值和所述第二随机扰动下限值，确定新能源出力随机扰动上下限值。

一实施例中，所述优化控制模块203，用于基于所述预测分位数区间，构建待优化控制时刻的极限爬坡场景，具体包括：获取控制时隙，确定待优化控制时刻中所述控制时隙的偶数倍时刻和奇数倍时刻；在所述偶数倍时刻，获取所述预测分位数区间的第一预测分位数区间上限值，在所述奇数倍时刻，获取所述预测分位数区间的第一预测分位数区间下限值；根据所述第一预测分位数区间上限值和所述第一预测分位数区间下限值，构建所述待优化控制时刻的第一极限爬坡场景；在所述偶数倍时刻，获取所述预测分位数区间的第二预测分位数区间下限值，在所述奇数倍时刻，获取所述预测分位数区间的第二预测分位数区间上限值；根据所述第二预测分位数区间上限值和所述第二预测分位数区间下限值，构建所述待优化控制时刻的第二极限爬坡场景。

一实施例中，所述优化控制模块203，用于在所述极限爬坡场景下对电力系统进行动态储能有功-无功控制，得到优化控制结果，具体包括：设置动态储能有功-无功优化控制模型，并以最小化控制周期内网络损耗和电压偏差平方和为无功电压控制目标，对所述动态储能有功-无功优化控制模型设置无功电压控制目标函数，并对所述动态储能有功-无功优化控制模型设置多个约束条件；在所述极限爬坡场景下，基于所述多个约束条件，求解所述无功电压控制目标函数，对电力系统进行动态储能有功-无功控制，得到优化控制结果。

一实施例中，所述优化控制模块203，用于对所述动态储能有功-无功优化控制模型设置无功电压控制目标函数，其中，所述无功电压控制目标函数，如下所示：

式中，

一实施例中，所述优化控制模块203，用于对所述动态储能有功-无功优化控制模型设置多个约束条件，其中，所述多个约束条件包括节点功率平衡、潮流方程、同步发电机约束、节点电压约束、有载调压变压器变比约束、静止无功补偿器无功功率约束、并联无功补偿电容器组的无功功率限值约束、储能充放电功率约束、储能电池能量等式和限值约束、光伏电站和风电场站配套储能不吸收负荷约束。

所属领域的技术人员可以清楚的了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不在赘述。

需要说明的是，上述动态储能有功-无功电压控制装置的实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

在上述的动态储能有功-无功电压控制方法的实施例的基础上，本发明另一实施例提供了一种动态储能有功-无功电压控制终端设备，该动态储能有功-无功电压控制终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时，实现本发明任意一实施例的动态储能有功-无功电压控制方法。

示例性的，在这一实施例中所述计算机程序可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述动态储能有功-无功电压控制终端设备中的执行过程。

所述动态储能有功-无功电压控制终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述动态储能有功-无功电压控制终端设备可包括，但不仅限于，处理器、存储器。

所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述动态储能有功-无功电压控制终端设备的控制中心，利用各种接口和线路连接整个动态储能有功-无功电压控制终端设备的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述动态储能有功-无功电压控制终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据手机的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart MediaCard,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

在上述动态储能有功-无功电压控制方法的实施例的基础上，本发明另一实施例提供了一种存储介质，所述存储介质包括存储的计算机程序，其中，在所述计算机程序运行时，控制所述存储介质所在的设备执行本发明任意一实施例的动态储能有功-无功电压控制方法。

在这一实施例中，上述存储介质为计算机可读存储介质，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

综上，本发明提供的一种动态储能有功-无功电压控制方法及装置，通过获取负荷预测数据和新能源出力预测数据，将负荷预测数据和新能源出力预测数据输入到预构建的预测误差模型中，以使预测误差模型输出负荷预测误差数据和新能源出力预测误差数据；基于负荷预测误差数据和新能源出力预测误差数据，分别计算负荷随机扰动上下限值和新能源出力随机扰动上下限值，并基于负荷随机扰动上下限值和新能源出力随机扰动上下限值，确定对应的预测分位数区间；基于预测分位数区间，构建待优化控制时刻的极限爬坡场景，在极限爬坡场景下对电力系统进行动态储能有功-无功控制，得到优化控制结果；与现有技术相比，本发明的技术方案能提高电压稳定性和可靠性。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本发明的保护范围。