CN106099987B - 一种分散式风电机组无功优化策略 - Google Patents

一种分散式风电机组无功优化策略 Download PDF

Info

Publication number
CN106099987B
CN106099987B CN201610676506.3A CN201610676506A CN106099987B CN 106099987 B CN106099987 B CN 106099987B CN 201610676506 A CN201610676506 A CN 201610676506A CN 106099987 B CN106099987 B CN 106099987B
Authority
CN
China
Prior art keywords
value
particle
wind turbines
population
node
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610676506.3A
Other languages
English (en)
Other versions
CN106099987A (zh
Inventor
肖华锋
李彦青
过亮
田炜
石磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Southeast University
Nari Technology Co Ltd
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Southeast University
Nari Technology Co Ltd
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Southeast University, Nari Technology Co Ltd, Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201610676506.3A priority Critical patent/CN106099987B/zh
Publication of CN106099987A publication Critical patent/CN106099987A/zh
Application granted granted Critical
Publication of CN106099987B publication Critical patent/CN106099987B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H02J3/386—
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/18—Arrangements for adjusting, eliminating or compensating reactive power in networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/30—Reactive power compensation

Abstract

本发明公开了一种分散式风电机组无功优化策略，包括输入原始数据、单纯体法初始化、潮流计算、计算目标函数适应值、更新极值、判断是否满足变异条件、变异操作、判断计算是否满足终止条件的步骤。该方法基于粒子群优化算法，提出一种通过改变粒子群初始化方式，在迭代中引入变异因子，修正基本粒子群算法的迭代公式和参数的改进粒子群算法。本发明方法以网损与平均电压偏离度之和为目标函数的无功优化模型，以双馈型异步风力发电机(DFIG)的无功极限为约束条件，利用改进粒子群算法求解出分散式风电场无功需求和各风电机组的无功分配。与以往的控制方式相比，本方法更具有成本优势和工程实用性，且控制更加灵活迅速。

Description

一种分散式风电机组无功优化策略
技术领域
本发明涉及一种分散式风电机组无功优化策略，属于分布式发电系统、智能电网中的发电单元运行控制技术领域。
背景技术
分散式风电场可以直接接入低压配电网，建设成本低，减少远距离输电，很大程度上缓解了风电大规模集中开发遭遇的消纳和输送瓶颈。因此受到各国高度重视，丹麦接入20kV或更低电压配电网的风电装机容量约占全国风电装机总量80％以上；美国Minnesota州采用分散式风电开发思想建设了4个风场，根据负荷的分布统一优化选址和确定容量、集中监控提高风电并网系统的可靠性。
随着分散式风电场的规模化应用和普及，风速和负荷变化等扰动会引起电网电压波动，目前，解决风电并网引起的电网电压稳定问题，通常采用在风电场出口母线上安装电容器组补偿风电场无功需求的方法，而这种主要靠外加无功补偿装置的方案变得不利于分散式风电场的快速建设和运行维护，且双馈风力发电机的动态无功调节能力并未得到充分利用。
发明内容
本发明的目的是提供一种分散式风电机组无功优化策略，充分利用双馈风电机组的无功调节能力，以解决现有技术中主要靠外加无功补偿装置的方法存在的不利于分散式风电场的快速建设和运行维护的问题。
为实现上述目的，本发明采用的技术方案为：
一种分散式风电机组无功优化策略，包括以下步骤：
步骤一，输入原始数据：设定粒子群规模M，最大迭代次数DT，粒子维数N，DFIG无功出力的上下限，惯性权重ω、学习因子C1、C2的最大值、最小值；
步骤二，单纯体法初始化：基于下述公式(1)～(5)对粒子群中的粒子进行初始化；其中，Xi为第i个粒子的顶点；yi为顶点的目标函数值；h、l为最大值、最小值的下标；为除了最大值顶点外所有顶点的重心：
通过公式(2)～(4)分别对应反射、收缩和扩张算法，a，b，c分别为反射、收缩和扩张系数；
若yl<y’<yh，则用X’代替Xh；若y’<yl，则进行扩张计算；
若y’>yl，用X’代替Xh；若y”<yl，用X’代替Xh；若y”>yh，则进行收缩计算；
y”<yh，则用X”代替Xh；若y”>yh，则将所有顶点进行如下替换：
步骤三，潮流计算：对粒子群中的每个粒子进行潮流计算，求出各自对应的节点电压Uj和相角θj；
步骤四，计算目标函数适应值：将上一步骤的结果代入下述目标函数公式(6)，求出此时目标函数适应值y；
其中：λ1，λ2为权重系数，且满足λ1+λ2＝1；Ploss max，Uad max为初始状态的网损和平均电压偏离度；Ploss min，Uad min为单目标优化下网损和平均电压偏离度；Ploss，Uad为粒子对应的网损和平均电压偏离度；
步骤五，更新极值：惯性权重ω和学习因子C1、C2均设置为自适应调整；
根据下述公式(8)更新惯性权重ω和学习因子C1、C2的值以及粒子的状态，K为迭代次数；下标max,min分别表示权重的上下限；Pi K、PK为个体极值和全局极值，分别表示目前为止粒子自身搜索到的最优解和整个群体搜索到的最优解；比较当前适应值和历史最优极值，基于下述公式(9)更新Pi K和PK，Vi K+1为下次迭代的搜素方向：
步骤六，判断是否满足变异条件：MeanA是群中所有粒子位置到最优位置的距离的平均值；A是群内粒子聚集程度的判断阈值；K1是PK连续不变化或变化极小的迭代次数，当MeanA<A时，K1自加1；Kn是连续不变化迭代次数的阈值；K1≥Kn时，若满足则对粒子群进行变异操作，转到步骤七，不满足则转到步骤八；
步骤七，变异操作：按变异率ρ，重新初始化粒子群中的粒子，然后转入步骤三；
步骤八，判断计算是否满足终止条件：若达到最大迭代次数或满足精度要求，则进行最优解的潮流计算，并输出最优解Pbest，否则转向步骤四。
步骤四中，Ploss，Uad的计算方法如下：
式中n为节点个数；j，k为节点编号；UNj为节点j的参考电压值：
步骤五中，初期使用较大ω，算法具有更强的全局搜索能力；后期使用较小ω值，提高局部搜索能力；C1、C2反应了本身经验信息和其他粒子的经验信息对粒子运行轨迹的影响，初期设置较大的C1值，有利于跳出局部极值，后期设置较大的C2值，可加快收敛速度。
步骤七中，所述变异率ρ介于0.01～0.05，根据粒子的维数选择变异率，当粒子维数偏低时选择较大的变异率。
本发明基于DFIG型分散式风电场的全无功补偿能力，在DFIG的无功极限约束的基础上研究含分散式风场的配电网无功优化方法，建立以网损与平均电压偏离度之和为目标函数的分散式风电场无功优化模型，利用改进粒子群算法求解出无功需求。
本发明提出配电系统中无功需求完全由风电机组提供，充分利用DFIG的动态调节能力，对风速和负荷的变化快速反应，从而降低了系统投资成本，并能克服分散式风场接入对系统网损和电压质量的影响。
有益效果：本发明提供的一种分散式风电机组无功优化策略，通过改变粒子群初始化方式来改善粒子的初始质量，在迭代中引入变异因子以提高粒子多样性，修正基本粒子群算法的迭代公式和参数等,使计算速度和计算精度均有明显提高；充分利用DFIG的动态调节能力，在一定的范围内根据需要调节其无功出力，可有效抑制风速扰动负荷变化电网故障等因素引起的电压波动，维持风电场接入地区电网的电压稳定性，工程实用性强。
附图说明
图1为本发明一种分散式风电机组无功优化策略流程图；
图2为IEEE-14节点系统接线图；
图3a为采用单纯体法初始化种群粒子分布图；
图3b为采用普通方法初始化种群粒子分布图；
图4a为粒子群规模M＝10时，最大迭代次数与精度的关系曲线；
图4b为粒子群规模M＝20时，最大迭代次数与精度的关系曲线；
图4c为粒子群规模M＝30时，最大迭代次数与精度的关系曲线；
图4d为粒子群规模M＝40时，最大迭代次数与精度的关系曲线；
图5为不同情况下节点电压幅值。
具体实施方式
下面结合附图和具体实例对本发明作进一步详细描述。
如图1所示，一种分散式风电机组无功优化策略，包括以下步骤：
步骤一，输入原始数据：设定粒子群规模M＝20，最大迭代次数DT＝40，粒子维数N＝2；反射系数a＝0.9，收缩系数b＝1.2，扩张系数c＝0.5；DFIG的无功出力范围Q＝[-918,635kVar]；惯性权重最大值ωmax＝0.9，最小值ωmin＝0.4；学习因子C1、C2的最大值C1max＝C2max＝2.5，最小值C1min＝C2min＝0.5；
步骤二，单纯体法初始化：基于下述公式(1)～(5)对粒子群中的粒子进行初始化；其中，Xi为第i个粒子的顶点，Xi＝[Xi1,Xi2]，Xi1，Xi2表示风电机组安装处每台DFIG的无功出力；yi为顶点的目标函数值；h、l为最大值、最小值的下标；为除了最大值顶点外所有顶点的重心：
通过公式(2)～(4)分别对应反射、收缩和扩张算法，a，b，c分别为反射、收缩和扩张系数；
若yl<y’<yh，则用X’代替Xh；若y’<yl，则进行扩张计算；
若y’>yl，用X’代替Xh；若y”<yl，用X’代替Xh；若y”>yh，则进行收缩计算；
y”<yh，则用X”代替Xh；若y”>yh，则将所有顶点进行如下替换：
步骤三，潮流计算：对粒子群中的每个粒子进行潮流计算，求出各自对应的节点电压Uj和相角θj；
步骤四，计算目标函数适应值：将上步的结果代入下述目标函数公式(6)，求出此时目标函数适应值y；
其中：λ1，λ2为权重系数，且满足λ1+λ2＝1，权重系数的取值反映了系统在经济运行和电压偏离度的倾向性，为了兼顾两个子目标函数，取λ1＝λ2＝0.5。Ploss max，Uad max为初始状态的网损和平均电压偏离度；Ploss min，Uad min为单目标优化下网损和平均电压偏离度；Ploss，Uad为粒子对应的网损和平均电压偏离度，计算方法如下，式中n为节点个数；j，k为节点编号；UNj为节点j的参考电压值：
步骤五，更新极值：惯性权重ω和学习因子C1、C2均设置为自适应调整，即它们的值随着迭代次数的变化而变化；初期使用较大ω，算法具有更强的全局搜索能力；后期使用较小ω值，提高局部搜索能力；C1、C2反应了本身经验信息和其他粒子的经验信息对粒子运行轨迹的影响，初期设置较大的C1值，有利于跳出局部极值，后期设置较大的C2值，可加快收敛速度。
根据下述公式(8)更新惯性权重ω和学习因子C1、C2的值以及粒子的状态，K为迭代次数；下标max,min分别表示权重的上下限；Pi K、PK为个体极值和全局极值，分别表示目前为止粒子自身搜索到的最优解和整个群体搜索到的最优解。比较当前适应值和历史最优极值，基于下述公式(9)更新Pi K和PK，Vi K+1为下次迭代的搜素方向：
步骤六，判断是否满足变异条件：MeanA是群中所有粒子位置到最优位置的距离的平均值；A是群内粒子聚集程度的判断阈值，取D＝10^-3；K1是PK连续不变化或变化极小的迭代次数，当MeanA<A时，K1自加1；Kn是连续不变化迭代次数的阈值，取值为10；K1≥Kn时，若满足则对粒子群进行变异操作，转到步骤七，不满足则转到步骤八；
步骤七，变异操作：按变异率ρ＝0.05，对粒子群中的部分粒子重新初始化，然后转入步骤三；
步骤八，判断计算是否满足终止条件：若达到最大迭代次数或满足精度要求，则进行最优解的潮流计算，并输出最优解Pbest，否则转向步骤四。
本发明将初始化后的粒子进行潮流计算，得到相应的节点电压和相角，按照目标函数公式求出此时的系统网损和平均电压偏离度；将该函数值和目前最优解比较确定是否更新最优极值；接下来判断粒子是否满足变异的条件，防止过早收敛于局部极值，提高数据精度；最后判断是否满足终止条件，最终得到的全局最优解即为DFIG机组的无功出力。
本发明的具体实例采用IEEE-14节点系统，其中节点1和2为发电机节点，发电机功率分别为SG1＝2.324+j0.169(p.u)，SG2＝0.4+j0.424(p.u)；选择节点1为平衡节点，节点2为PV节点；节点9和节点14处建有分散式风电场，分别安装了30台1.5MW的双馈异步发电机，作为PQ节点；其他的节点均作为PQ节点处理。系统接线如图2所示，其节点数据和支路参数见表1和表2。
表1 IEEE-14节点系统的节点数据(p.u)
表2 IEEE-14节点系统支路参数(p.u)
图3a为采用单纯体法初始化种群粒子分布图，图3b为采用普通方法初始化种群粒子分布图。从图中可以看出通过单纯体法来对粒子群进行初始化，和普通的初始化方法相比，提高了初始粒子的质量，粒子的分布更均匀，有效避免粒子局部收敛。尤其当粒子维数增大时，单纯体法优势更加明显，可使粒子免受维数增大的影响。
图4a-d分别给出了最大迭代次数为10-60次时，不同种群规模的精度收敛曲线。图中横坐标为最大迭代次数，纵坐标为精度取对数，esp表示精度，为当前全局极值和最优解的误差esp＝|PK-Pbest|。比较图中精度变化曲线，当迭代次数达到40次以后，精度对于迭代次数的变化并不明显；比较后面三副图，种群规模达到20以后，增加种群规模只会带来较小的精度提升。故选取DT＝40，M＝20。
图5不同情况下节点电压幅值，分别表示节点电压的初始值、未加入DFIG、加入DFIG但工作在单位功率因数以及非单位功率因数下的节点电压幅值状况。从图中可以看出，在加入DFIG但工作在单位功率因数时，系统的稳定性是恶化的，系统的网损和平均电压偏离度均会有明显的增大，当工作在非单位功率因数下且采用本发明提出的方法时，由图可以看出各节点处的电压值也通过无功优化基本上恢复到初始电压水平。
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，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (4)

1.一种分散式风电机组无功优化策略，其特征在于：包括以下步骤：
步骤一，输入原始数据：设定粒子群规模M，最大迭代次数DT，粒子维数N，DFIG无功出力的上下限，惯性权重ω、学习因子C1、C2的最大值、最小值；
步骤二，单纯体法初始化：基于下述公式(1)～(5)对粒子群中的粒子进行初始化；其中，Xi为第i个粒子的顶点；yi为顶点的目标函数值；h、l为最大值、最小值的下标；为除了最大值顶点外所有顶点的重心：
通过公式(2)～(4)分别对应反射、收缩和扩张算法，a，b，c分别为反射、收缩和扩张系数；
若yl<y’<yh，则用X’代替Xh；若y’<yl，则进行扩张计算；
若y’>yl，用X’代替Xh；若y”<yl，用X’代替Xh；若y”>yh，则进行收缩计算；
y”<yh，则用X”代替Xh；若y”>yh，则将所有顶点进行如下替换：
步骤三，潮流计算：对粒子群中的每个粒子进行潮流计算，求出各自对应的节点电压Uj和相角θj；
步骤四，计算目标函数适应值：将上一步骤的结果代入下述目标函数公式(6)，求出此时目标函数适应值y；
其中：λ1，λ2为权重系数，且满足λ1+λ2＝1；Ploss max，Uad max为初始状态的网损和平均电压偏离度；Ploss min，Uad min为单目标优化下网损和平均电压偏离度；Ploss，Uad为粒子对应的网损和平均电压偏离度；
步骤五，更新极值：惯性权重ω和学习因子C1、C2均设置为自适应调整；
根据下述公式(8)更新惯性权重ω和学习因子C1、C2的值以及粒子的状态，K为迭代次数；下标max,min分别表示权重的上下限；Pi K、PK为个体极值和全局极值，分别表示目前为止粒子自身搜索到的最优解和整个群体搜索到的最优解；比较当前适应值和历史最优极值，基于下述公式(9)更新Pi K和PK，Vi K+1为下次迭代的搜素方向：
步骤六，判断是否满足变异条件：MeanA是群中所有粒子位置到最优位置的距离的平均值；A是群内粒子聚集程度的判断阈值；K1是PK连续不变化或变化极小的迭代次数，当MeanA<A时，K1自加1；Kn是连续不变化迭代次数的阈值；K1≥Kn时，若满足则对粒子群进行变异操作，转到步骤七，不满足则转到步骤八；
步骤七，变异操作：按变异率ρ，重新初始化粒子群中的粒子，然后转入步骤三；
步骤八，判断计算是否满足终止条件：若达到最大迭代次数或满足精度要求，则进行最优解的潮流计算，并输出最优解Pbest，否则转向步骤四。
2.根据权利要求1所述的分散式风电机组无功优化策略，其特征在于：步骤四中，Ploss，Uad的计算方法如下：
式中n为节点个数；j，k为节点编号；UNj为节点j的参考电压值：
3.根据权利要求1所述的分散式风电机组无功优化策略，其特征在于：步骤五中，初期使用较大ω，后期使用较小ω值；初期设置较大的C1值，后期设置较大的C2值。
4.根据权利要求1所述的分散式风电机组无功优化策略，其特征在于：步骤七中，所述变异率ρ介于0.01～0.05，根据粒子的维数选择变异率，当粒子维数偏低时选择较大的变异率。
CN201610676506.3A 2016-08-15 2016-08-15 一种分散式风电机组无功优化策略 Active CN106099987B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610676506.3A CN106099987B (zh) 2016-08-15 2016-08-15 一种分散式风电机组无功优化策略

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610676506.3A CN106099987B (zh) 2016-08-15 2016-08-15 一种分散式风电机组无功优化策略

Publications (2)

Publication Number Publication Date
CN106099987A CN106099987A (zh) 2016-11-09
CN106099987B true CN106099987B (zh) 2019-01-29

Family

ID=58070344

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610676506.3A Active CN106099987B (zh) 2016-08-15 2016-08-15 一种分散式风电机组无功优化策略

Country Status (1)

Country Link
CN (1) CN106099987B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107317342B (zh) * 2017-08-21 2019-07-30 浙江运达风电股份有限公司 一种分散式风电场无功规划与无功控制方法
CN108198091B (zh) * 2017-12-25 2021-11-05 贵州电网有限责任公司电力调度控制中心 一种基于改进粒子群算法的风电系统无功优化方法
CN108258699B (zh) * 2017-12-25 2023-03-17 华北电力大学 一种考虑dfig无功出力能力的风电场无功优化控制方法
CN109038653A (zh) * 2018-07-18 2018-12-18 西安理工大学 一种追求分散式风电高效消纳的配电网优化运行方法
CN109599894B (zh) * 2018-12-10 2020-01-14 贵州电网有限责任公司 一种基于改进遗传算法的dg并网优化配置方法
CN117639082B (zh) * 2024-01-26 2024-04-19 南京师范大学 基于改进量子粒子群算法的配电网多目标无功优化方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103647467B (zh) * 2013-11-15 2016-07-06 浙江大学 一种基于粒子群算法的不平衡电网下vsc多目标优化直接功率控制方法
CN104166877A (zh) * 2014-05-31 2014-11-26 徐多 基于改进二进制粒子群优化算法的微网优化运行方法
CN105119292A (zh) * 2015-09-23 2015-12-02 国网山东省电力公司东营供电公司 基于预测和粒子群算法的多目标电压无功滚动优化方法
CN105354628A (zh) * 2015-10-20 2016-02-24 南京邮电大学 一种输电系统鲁棒可用输电能力评估方法

Also Published As

Publication number Publication date
CN106099987A (zh) 2016-11-09

Similar Documents

Publication Publication Date Title
CN106099987B (zh) 一种分散式风电机组无功优化策略
CN104242337B (zh) 光伏微网系统的实时协调控制方法
CN110247438B (zh) 基于天牛须算法的主动配电网资源优化配置
CN102299527B (zh) 一种风电场无功功率控制方法和系统
Zhao et al. Reactive power control of wind farm made up with doubly fed induction generators in distribution system
CN100578911C (zh) 变速恒频风电机组风电场的电压无功快速控制方法
CN109409705B (zh) 一种区域综合能源系统的多目标优化调度方法
CN111799813A (zh) 计及风电机组无功调节的海上风电场无功优化配置方法
CN108711868A (zh) 一种计及孤岛运行电压安全的配电网无功优化规划方法
CN109787297A (zh) 一种考虑暂态特性的特高压直流送端电网无功优化方法
CN104269855B (zh) 一种适应多种能源接入的站点无功电压快速调节方法
CN108539797A (zh) 一种考虑经济性的孤岛微电网二次频率和电压控制方法
CN114759620A (zh) 一种风光储场站群无功协同优化调控方法、装置及系统
CN111614110A (zh) 一种基于改进多目标粒子群算法的受端电网储能优化配置方法
CN108390387A (zh) 一种动态自律分散协调的源荷调峰控制方法
CN108365610A (zh) 一种基于源网协调的无功电压控制方法
CN104638654A (zh) 兼顾风电场和网络节点电压调节的statcom控制方法
CN112736917A (zh) 一种风光火打捆外送系统statcom-pod协调优化设计方法
CN106849189B (zh) 考虑可再生能源随机性的微电网经济性与稳定性优化方法
CN115759384A (zh) Gl-apso算法与dn重构的dpv选址定容方法
Jiang et al. Dynamic optimization of reactive power and voltage control in distribution network considering the connection of DFIG
CN113852091A (zh) 一种基于mpc的新能源并网无功电压调节方法
Ping et al. Voltage control strategy for integrated medium and low voltage distribution network based on active-reactive power coordination optimization
Yu et al. Optimal voltage control of power systems with uncertain wind power using FACTS devices
CN111555308A (zh) 一种光伏电站参与区域电网频率调节的方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant