文献综述（或调研报告）：
随着社会的发展，经济的进步，对电能的需求越来越旺盛，电力在国民经济中发挥着不可替代的作用。电力系统一旦发生故障将对国民经济的发展和居民的生活造成很大的影响。而作为输电线路末端的配电网，起到连接输电网与用户的作用，对用户的影响也最直接。根据相关研究人员统计，用户80%的停电故障都是由配网故障导致的[1]。因此对配电网电压进行合理的控制，维持配电网的可靠性对于保障电能质量和国民经济的发展具有重要作用。然而在实际运行过程中，由于负荷往往由用户决定，如果想要调节配电网电压只能改变配电网的无功分布。因此研究配电网无功电压控制技术具有重要的意义。
越来越多的分布式电源接入配电网，由于其出力具有随机性和波动性等不确定特征[2-3]，使得电网电压波动更加频繁和剧烈，给电网无功优化增加了很大的困难。同时，在实际运行中，目前无功电压相关标准和量化分析不够明确具体，很难对大规模无功电压数据做出评价。在分布式电源并网后，对其无功电压进行准确评估，能够对提高电能质量管理水平提供必要的理论依据[4]。
无功优化的概念首先由法国研究人员J.Carpentier第一次提出，后来J.Peschon等人提出了无功最优潮流的概念[5]。之后越来越多的人投身无功优化的研究中，从最开始仅考虑单一优化目标到后来的多目标优化模型；从最开始的常规数学优化算法到后来的智能算法[6-9]，这一领域取得了飞速的发展。
最近几年，由于大数据和人工智能的飞速发展，对社会产生了深刻的变革，也对无功电压优化这一领域产生了巨大的推动。文献[10]提出了一种基于历史数据挖掘的配电网态势感知方法。该方法提高了配电网电压、相角预测的收敛速度和收敛精度，为调度方案的生成提供了准确的信息。文献[11]提出了一种基于大数据的低压配电网无功运行评价体系，文章提出了基于大数据的包含数据层，指标层，应用层低压配电网无功运行评价体系，实现了对低压配电网络单元的横向比较。文献[12]提出了一种使用数据挖掘方法的配电网风险预警方法，使用数据挖掘的方法找出了配电网故障的特征量，并用SVM的方法预测了配电网的故障，取得了比较好的效果。文献[13] 探索了在智能电网背景下使用深度强化学习方法对建筑物进行在线能量优化，建筑物负荷包含光伏、电动汽车等。优化所得的策略可以向用户实时反馈以提高用电效率。文献[14]则提出了一种使用数据挖掘方法的最优电压控制方法。首先定义了一个计算风电场到传输线节点的损耗变量Ploss，进而使用回归法则估计风电场的最优无功，用决策树估计最优变压器分接头位置，并以实际电网结构为例，分析了不同风电场对Ploss的影响程度，验证了这个方法的优越性。文献[15]提出了一种基于数据挖掘和机器学习的实时评估大扰动下短期电压稳定（STV）的新方法，该方法具有预测电压稳定问题的能力，有足够的时间进行自动控制，以防止或缓解问题。
综上所述，目前对于无功电压控制的研究已经比较成熟，数据挖掘和人工智能方法的发展为这一领域注入新的活力。因此研究基于数据挖掘的无功电压控制技术在目前来看，有一定的理论支持和研究前景。
参考文献：
- Billinton R, Wang P. Reliability－network－equivalent approach to distribution －system-reliability evaluation[J]．IET Proceedings-Generation Transmission and Distribution，1998，145（2）：149-153．
- 薛禹胜，雷兴，薛峰，等． 关于风电不确定性对电力系统影响的评述［Ｊ］． 中国电机工程学报，2014,34(29):5029-5040.
- Gu Wei，Liu Wei，Zhu Junpeng，Adaptive Decentralized Under-Frequency Load Shedding for Islanded Smart Distribution Networks[J]. IEEE TRANSACTIONS ON SUSTAINABLE ENERGY,2014, p886-p895, 10p
- 王宁．微网系统能量管理技术研究［Ｄ］北京:北京交通大学，2011．
- 黄小银．电力系统动态无功功率优化调度的研究[D]．南昌：南昌大学，2010．
- 王瑞，林飞，游小杰，郑琼林．基于遗传算法的分布式发电系统无功优化控制策略研究[J]．电力系统保护与控制，2009，37(2)：24-27，52．
- 王旭斌，李鹏，窦鹏冲．基于改进遗传模拟退火算法的电网无功优化[J]．陕西电力，2013，41(7)：40-44.
- 阙仕美．基于改进粒子群算法的电力系统无功优化[D]．南京：南京邮电大学，2017．
- 吴小刚，刘宗歧，田立亭，丁冬，杨水丽．基于改进多目标粒子群算法的配电网储能选址定容[J]．电网技术，2014，38(12)：3405-3411．
- 黄蔓云，卫志农，孙国强，等．基于历史数据挖掘的配电网态势感知方法 [J]．电网技术，2017， 41 (4) ：1139-1145．
- 郑翔，赵凤展，杨仁刚，等.基于大数据的低压配电网无功运行评价体系[J].电网技术,2017,41(01):272-278.
- 刘科研，吴心忠，石琛，等.基于数据挖掘的配电网故障风险预警[J].电力自动化设备,2018,38(05):148-153.
- E. Mocanu et al, On-line Building Energy Optimization using Deep Reinforcement Learning[J], IEEE Transactions on Smart Grid,2018，p1-p1
- Elena Saacute;iz-Mariacute;n, Enrique Lobato, Ignacio Egido，Optimal voltage control by wind farms using data mining techniques[J],IET Renewable Power Generation,2014，p141-p150
- Jaime D. Pinzoacute;n，D. Graciela Colomeacute;. Real-time multi-state classification of short-term voltage stability based on multivariate time series machine learning[J],International Journal of Electrical Power and Energy Systems,2019,p402-p413
资料编号：[178154]
