(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 20221084986 3.0 (22)申请日 2022.07.20 (71)申请人 南京理工大 学 地址 210014 江苏省南京市玄武区孝陵卫 街200号 (72)发明人 柳伟　施馨媛　刘克尘　胡添欢　 刘晗　 (74)专利代理 机构 北京和信华成知识产权代理 事务所(普通 合伙) 11390 专利代理师 张菊萍 (51)Int.Cl. H02J 3/16(2006.01) H02J 3/50(2006.01) G06Q 10/04(2012.01) G06Q 50/06(2012.01) (54)发明名称 基于数字孪生的新能源电力系统无功-电压 优化控制方法 (57)摘要 本发明公开了基于数字孪生的新能源电力 系统无功 ‑电压优化控制方法， 基于数字孪生技 术架构和SVG控制参数动态优化策略， 构建了计 及新能源发电的无功 ‑电压优化控制方法。 通过 传感网络和孪生数据动态处理方法， 采集生成对 系统电压 特性具有较大影 响权重的原始数据集， 作为数字孪生体的感知接入； 数字孪生体融合深 度神经网络算法， 对系统运行态势进行实时的推 演分析， 并在多场景多状态下生成动态优化指 令， 通过通信传输网络反馈到物理系统中， 对SVG 控制参数进行动态优化， 以释放其在极端情况下 的无功调节潜力， 缓解新能源高渗透电网突发动 态及故障工况下的不利影 响， 实现对电网电压的 趋优控制， 保障电网的安全稳定运行。 权利要求书3页 说明书9页 附图7页 CN 115224698 A 2022.10.21 CN 115224698 A 1.基于数字孪生的新能源电力系统无功－电压优化控制方法， 其特征在于， 包括以下 步骤： S1、 构建数字孪生技术架构下的物理实体层—计及新能源发电的SVG无功电压优化控 制模型， 并设定约束条件； 选取相关运行数据和状态数据输入传感网络生成初始孪生数据 空间； S2、 动态辨识步骤S1所生成的孪生数据中的不良数据并将其剔除； 建立以深度神经网 络为核心的无功电压优化模型数字孪生体， 并实现物理模型与孪生体之间的数据交互功 能； S3、 将步骤S2中所获得的数据集输入至数字孪生体中， 对深度神经网络进行训练， 生成 SVG控制参数优化决策指令， 经传输层反馈到物理系统中对SVG无功支撑效果进行动态优 化； 并根据评估指标对 优化结果进行分析。 2.根据权利要求1所述的基于数字孪生的新能源电力系统无功－电压优化控制方法， 其特征在于， 步骤S1 中所述的构建数字孪生技术架构下的物理实体层—计及新能源发电的 SVG无功电压优化控制模型， 以SVG优化控制后电压波动最小为目标， 其目标函数写作：                      (1) 其中，ΔUi为系统中节点 i相对于基准电压的压降， i为负荷节点编号； 其中 Ui‑UN为光伏 电站未接入情况下 的自然电压跌落， 其大小为各条输电线路上电压跌落的总和； PV为光伏 电站数量， k’为第k’个光伏电站， Ui， k’为第k’个光伏电站接入系统后对节点 i造成的电压压 升。 3.根据权利要求2所述的基于数字孪生的新能源电力系统无功－电压优化控制方法， 其特征在于， 步骤S1 中所述的约束 条件包括系统潮流约束、 SVG容量约束、 节 点电压约束， 其 中系统潮流约束条件， 采用L inDistFlow潮流约束模型， 其约束条件公式如下：     (2) 其中，Pij，Qij分别为支路 ij流过的有功和无功； k:j→k为以j为上级节点的所有末端节 点的集合； pd j，po j分别为j节点处的有功需求和输出； qd j，qo j分别为j节点处的无功需求和输 出；rij，xij分别为支路 ij的电阻和电抗。 4.根据权利要求3所述的基于数字孪生的新能源电力系统无功－电压优化控制方法， 其特征在于， 步骤S1中所述的SVG容 量、 电压约束条件如下：权　利　要　求　书 1/3 页 2 CN 115224698 A 2  (3) 其中，Qcj， max为节点无功负荷的上限值； UDj， max，UDi， min分别为节点电压允许 的上限值和 下限值。 5.根据权利要求4所述的基于数字孪生的新能源电力系统无功－电压优化控制方法， 其特征在于， 步骤S1 中所述的选取相关运行数据和状态数据输入传感网络生成初始孪生数 据空间， 设定电压灵敏度指标对系统电压的影响因素进行权重分析， 其电压灵敏度指标公 式为： (4) 其中，v为系统电压， u为系统控制量， h为SVG控制 量，‑(∂f/∂vT)‑1为潮流方程雅可比矩 阵；‑(∂f/∂uT)‑1为潮流方程对系统控制量的偏导数； ‑(∂f/∂hT)‑1为潮流方程对SVG控制量的 偏导数。 6.根据权利要求5所述的基于数字孪生的新能源电力系统无功－电压优化控制方法， 其特征在于， 步骤S2中所述的动态 辨识孪生数据中的不良数据并将其剔除采用孤立森林算 法， 其计算过程如下：     (5) 其中，h(x)表示步骤S1中生成的数据样本 x在单棵孤立树上的路径长度， a表示训练集 中当前和数据样 本x属于同一个叶子结点的样 本数目；e表示该样本在预测流程中数据样本 x从根节点到叶子结点经过的边的数目， C(n)是n个数据样本构成的二叉树的平均路径长 度； C(n)的计算公式如下：   (6) 其中，H(n‑1)能被近似认为成 ln(n‑1)+γ，γ为欧拉常数， 最后通过多个孤立树求出单 个数据样本 x在不同二叉树上的路径长度， 利用公式(7)综合计算数据样本 x的异常分数值； (7) 其中，E(h(x))是数据样本 x在多个孤立树上的平均路径长度， φ表示训练集中的样本数。 7.根据权利要求6所述的基于数字孪生的新能源电力系统无功－电压优化控制方法， 其特征在于， 步骤S2中所述的建立以深度神经网络为核心的输入层—隐含层—输出层一体 的无功电压优化模型 数字孪生体， 其隐含层数目选取 经验公式为：     (8) 其中，q为隐含层的神经元个数， m、 n分别为输入层和输出层神经元的个数， a是1~10的 常数， 隐含层的层数根据分析进行选取。权　利　要　求　书 2/3 页 3 CN 115224698 A 3