CN108063456B - 分布式光伏发电并网规划方法及终端设备 - Google Patents
分布式光伏发电并网规划方法及终端设备 Download PDFInfo
- Publication number
- CN108063456B CN108063456B CN201711375743.7A CN201711375743A CN108063456B CN 108063456 B CN108063456 B CN 108063456B CN 201711375743 A CN201711375743 A CN 201711375743A CN 108063456 B CN108063456 B CN 108063456B
- Authority
- CN
- China
- Prior art keywords
- photovoltaic
- probability
- distribution network
- load
- model
- 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
Links
- 238000013439 planning Methods 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 85
- 238000010248 power generation Methods 0.000 title claims abstract description 48
- 238000009826 distribution Methods 0.000 claims abstract description 178
- 238000005070 sampling Methods 0.000 claims abstract description 35
- 230000006870 function Effects 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 20
- 239000002245 particle Substances 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000009434 installation Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 27
- 230000035699 permeability Effects 0.000 abstract description 12
- 230000007774 longterm Effects 0.000 abstract description 9
- 238000004364 calculation method Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 9
- 238000005457 optimization Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 238000004088 simulation Methods 0.000 description 5
- 238000005315 distribution function Methods 0.000 description 4
- 238000005286 illumination Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 101150067055 minC gene Proteins 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- H02J3/383—
-
- 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
-
- 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
- H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
- H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明适用于光伏发电技术领域,提供了一种分布式光伏发电并网规划方法及终端设备。该方法包括:建立光伏概率模型和负荷概率模型;根据中值拉丁超立方抽样、所述光伏概率模型和所述负荷概率模型,计算各个预设时段的初始时序样本;根据多重积分逼近法、Gram‑Charlier级数、概率潮流方程和所述初始时序样本,计算配电网节点电压的概率分布;根据所述配电网节点电压的概率分布,建立光伏并网机会约束规划模型。本发明能够提高分布式光伏渗透率,降低配电网长期规划过程中的综合经济成本,并能够提高配电网短期运行过程中的电压水平。
Description
技术领域
本发明属于光伏发电技术领域,尤其涉及一种分布式光伏发电并网规划方法及终端设备。
背景技术
近年来,绿色、清洁的太阳能发电得到了迅猛的发展,分布式光伏发电技术成为可再生能源的主要利用形式。然而,光伏发电输出功率受外界环境影响,具有随机波动性,且光伏与负荷之间有明显的时序差异性,其大规模高渗透率接入配电网,改变了原有配电网中的潮流分布,这种潮流的改变会对电网的稳态运行电压分布产生影响,造成光伏发电并网容量受到限制。
目前,国内外学者对分布式光伏发电并网规划有了深入的研究。例如,黄炜等人建立了负荷和分布式光伏电源引起电压偏差与电压波动的计算模型,推导出6种典型负荷分布下线路电压偏差与电压波动不越限时所能允许接入的光伏电源极端容量极限;王璟等人建立了光伏集中并网后引起并网电压偏差的数学模型,推导出以电压偏差不越限为约束的光伏准入容量,定义反应母线电压波动的指标;范元亮等人通过计算在配电网馈线上所有负荷等级下分布式光伏电源的最大允许输出功率并结合相关观测数据,得出光伏最大允许接入峰值容量,然后将分布式光伏电源的实际接入峰值容量控制在最大允许接入峰值容量内,从而避免出现过电压现象。上述光伏并网容量计算方法均是采用确定性计算模型,忽略光伏发电随机性对电网电压的影响,约束条件表述不够合理。
而对含有随机因素的规划问题通常采用基于机会约束条件,并利用概率潮流法处理随机性问题,考虑分布式发电出力随机性的基础上,从不同角度建立规划模型,对电网进行规划研究,但是忽略了光伏与负荷出力概率分布参数时序差异性特征,而光伏发电的出力的时序差异性会对配电网电压产生影响,在规划过程中需充分考虑。
综上,目前分布式光伏发电并网规划的约束条件不够合理,导致分布式光伏渗透率较低,且长期规划过程中的经济成本较高。
发明内容
有鉴于此,本发明实施例提供了分布式光伏发电并网规划方法及终端设备,以解决目前分布式光伏发电并网规划的约束条件不够合理,导致分布式光伏渗透率较低,且长期规划过程中的经济成本较高的问题。
本发明实施例的第一方面提供了分布式光伏发电并网规划方法,包括:
建立光伏概率模型和负荷概率模型;
根据中值拉丁超立方抽样、所述光伏概率模型和所述负荷概率模型,计算各个预设时段的初始时序样本;
根据多重积分逼近法、Gram-Charlier级数、概率潮流方程和所述初始时序样本,计算配电网节点电压的概率分布;
根据所述配电网节点电压的概率分布,建立光伏并网机会约束规划模型。
本发明实施例的第二方面提供了分布式光伏发电并网规划装置,包括:
第一构建模块,用于建立光伏概率模型和负荷概率模型;
第一处理模块,用于根据中值拉丁超立方抽样、所述光伏概率模型和所述负荷概率模型,计算各个预设时段的初始时序样本;
第二处理模块,用于根据多重积分逼近法、Gram-Charlier级数、概率潮流方程和所述初始时序样本,计算配电网节点电压的概率分布;
第二构建模块,用于根据所述配电网节点电压的概率分布,建立光伏并网机会约束规划模型。
本发明实施例的第三方面提供了分布式光伏发电并网规划终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现第一方面中的分布式光伏发电并网规划方法。
本发明实施例的第四方面提供了计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现第一方面中的分布式光伏发电并网规划方法。
本发明实施例与现有技术相比存在的有益效果是:考虑光伏与负荷出力概率分布的时序差异性,利用中值拉丁超立方抽样技术形成各个预设时段的初始时序样本;采用多重积分逼近法和Gram-Charlier级数展开得到配电网节点电压的概率分布;根据配电网节点电压的概率分布,建立光伏并网机会约束规划模型。本发明实施例针对光伏与负荷概率分布参数的时序差异性对配电网电压的影响,建立光伏并网机会约束规划模型,能够提高分布式光伏渗透率,降低配电网长期规划过程中的综合经济成本,并能够提高配电网短期运行过程中的电压水平。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的分布式光伏发电并网规划方法的实现流程图;
图2是本发明实施例提供的某地区不同时段的形状参数的示意图;
图3是本发明实施例提供的由经验算法得到的1MW光伏电站在不同时段的带宽的示意图;
图4是本发明实施例提供的分布式光伏发电并网规划方法中计算各个预设时段的初始时序样本的实现流程图;
图5是本发明实施例提供的计算各个预设时段的初始时序样本的过程示意图;
图6是本发明实施例提供的分布式光伏发电并网规划方法中计算配电网节点电压的概率分布的实现流程图;
图7是本发明实施例提供的分布式光伏发电并网规划方法中光伏并网机会约束规划模型的示意图;
图8是本发明实施例提供的仿真结果示意图;
图9是本发明实施例提供的分布式光伏发电并网规划装置的示意图;
图10是本发明实施例提供的分布式光伏发电并网规划终端设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
图1为本发明实施例提供的分布式光伏发电并网规划方法的实现流程图,详述如下:
在S101中,建立光伏概率模型和负荷概率模型。
在本实施例中,光伏概率模型是光伏电源输出功率的概率模型。负荷概率模型为配电网系统负荷功率的概率模型。可选地,所述光伏概率模型包括基于参数Beta分布的概率模型和基于非参数核密度估计的概率模型。
光伏发电的输出功率具有随机波动性,且光伏与负荷出力存在时序差异性,而光伏发电随机性以及时序性会对配电网节点电压产生影响。为了在光伏并网规划过程中计及其随机性与时序性,首先需建立光伏概率模型和负荷概率模型。
光伏电源的出力随光照强度变化而变化。在一段时间段内光照强度可近似看成Beta分布,由此,可以推导出光伏电源的随机出力也成Beta分布。由于基于参数Beta分布的概率模型简单易实现,而基于非参数核密度估计的概率模型模拟准确度高。在本实施例中对光伏出力同时考虑上述两种模型,部分光伏出力服从基于参数Beta分布的概率模型对应的概率分布,部分光伏出力服从基于非参数核密度估计的概率模型对应的概率分布。
基于参数Beta分布的概率模型,其概率密度函数为:
式中,PPV、Pmax分别为一定时段内光伏电源的随机出力和最大出力;Γ为Gamma函数;α、β为光照强度Beta分布的形状参数,由一定时间段内光照强度的均值和标准差得到。其中,不同时段内其形状参数不同。图2所示为某地区不同时段的形状参数。
基于非参数核密度估计的概率模型,其概率密度函数为:
其中,n为光伏数据样本数;K(·)为核函数,在本实施例中选取高斯函数作为核函数;h为带宽,可由经验算法得到。其中,图3所示为由经验算法得到的1MW光伏电站在不同时段的带宽。
负荷概率模型在进行概率潮流计算时不可忽略。作为中长期负荷预测结果,负荷概率模型基本符合正态分布,其概率密度函数为:
其中,μP、μQ分别为一定时间段内负荷有功功率、无功功率均值;σP、σQ分别有功功率、无功功率标准差。同样,不同时段内负荷概率函数的均值和方差不同。
根据上述光伏概率模型和负荷概率模型,可知光伏与负荷在不同时段具有不同的分布参数。因此,在规划过程中,需要计及每个时段内光伏与负荷出力相对应的分布参数的时序差异性。
在S102中,根据中值拉丁超立方抽样、所述光伏概率模型和所述负荷概率模型,计算各个预设时段的初始时序样本。
在本实施例中,预设时段可以根据实际需求进行设置,每个预设时段的时长可以相等,也可以不相等。例如可以将一天24小时划分为等长的24个时段,或者将一天24小时分为等长的12的时段,或者将一天24小时划分为不相等的6段,分别是0h~6h,6h~9h,9h~12h,12h~15h,15h~18h,18h~14h。
根据中值拉丁超立方抽样可以对各个预设时段内服从光伏概率分布和负荷概率分布的数据抽样形成各个预设时段的初始时序样本。
作为本发明的一个实施例,所述初始时序样本包括光伏初始时序样本和负荷初始时序样本。如图4所示,S102可以包括:
在S401中,获取各个所述预设时段。
在S402中,根据所述中值拉丁超立方抽样,对各个所述预设时段中服从所述光伏概率模型对应的概率分布的数据进行采样,并将采样到的数据生成各个所述预设时段的光伏初始时序样本。
在S403中,根据所述中值拉丁超立方抽样,对各个所述预设时段内服从所述负荷概率模型对应的概率分布的数据进行采样,并将采样到的数据生成各个所述预设时段的负荷初始时序样本。
在本实施例中,针对光伏发电与负荷的概率分布,首先划分时段,然后根据每个时段内特定的概率分布参数,利用改进的中值拉丁超立方抽样技术对光伏与负荷进行处理,得到每个时段内光伏与负荷的初始时序样本。
假设配电网系统中共有n个光伏变量与负荷变量,表示为H=(h1,h2,…,hn),其中有k个服从Beta分布的光伏变量、n-k个服从正态分布的负荷变量。利用中值拉丁超立方抽样技术对某时段内服从对应概率分布的光伏和负荷进行处理,处理过程如下:
1.设定采样规模为M次,F(hi)为变量hi在某个时段内服从对应分布参数的累积分布函数。
2.将区间[0,1]平均分成M等份,则每个区间的概率均为1M,并选取每个区间的中间值。
3.利用反变换得到变量hi累积分布函数F(hi)的反函数Fi -1(·),根据式(5)得到变量hi在某时段服从特定分布参数的第m次的采样值him。
him=Fi -1((m-0.5)M) (5)
4.当向量H中所有变量采样完成后,得到某个时段内向量H对应的n×M阶的样本矩阵。
由上述内容可知,各个预设时段的光伏初始时序样本和负荷初始时序样本形成过程可以如图5所示。
在S103中,根据多重积分逼近法、Gram-Charlier级数、概率潮流方程和所述初始时序样本,计算配电网节点电压的概率分布。
在本实施例中,为解决传统概率潮流算法输入和输出变量之间的非线性关系造成计算的复杂性,采用多重积分逼近法简化求解配电网节点电压的各阶统计矩,再利用Gram-Charlier级数对配电网节点电压的各阶统计矩进行展开,得到配电网节点电压的概率分布。
作为本发明的一个实施例,如图6所示,S103可以包括:
在S601中,将所述初始时序样本作为所述概率潮流方程的输入变量,得到对应的输出变量。
在本实施例中,含有多维随机输入量的概率潮流方程可表示为:
其中,Zi为当其他变量取均值时,第i个独立标准的正态随机变量;gμ为输入随机变量取均值时潮流方程的值;N-1()为Nataf变换的逆变换。
将初始时序样本代入概率潮流方程中作为输入变量,可以得到对应的输出变量。
在S602中,根据所述多重积分逼近法计算所述输出变量,得到配电网节点电压的各阶矩。
在本实施例中,假定输出是输入的多元函数y(x1,x2,...,xn),则光伏输出功率联合概率分布为:
式(8)为多变量的多重积分算式,可以利用多重积分逼近法对算式进行求解,具体如下:
已知Stroud积分公式如式(9):
其中,Ai为权系数;vi1,vi2,...,vin为配点。
记多项式函数g(s1,s2,...,sn)为输入乘积多项式之和,且每个乘积多项式如下所示:
当函数g中各输入的乘积多项式均满足式(11),其中C为常数,且能达到最大值时,称C为函数g的阶次,当式(10)对小于等于C阶的多项式函数都成立时,则称积分公式具有C阶代数精度。其中,3阶代数精度对应的配点及权系数为
其中,FS为全排列得到的点。将式(12)代入式(8)即可求出配电网节点电压的各阶矩。
本实施例采用多重积分法对配电网概率潮流进行求解,仅需对少数输入量进行潮流计算,相比于传统概率潮流求解方法的点估计法,可以提供更高的代数精度公式;相比于半不变量法,可以直接处理非线性的输入输出关系,而不需要对潮流方程进行线性化处理。
在S603中,根据所述Gram-Charlier级数对配电网节点电压的各阶矩进行展开,得到配电网节点电压的概率分布。
在本实施例中,在求得配电网节点电压的各阶矩后,可利用Gram-Charlier级数展开求出其概率分布。
设连续随机变量X的均值和方差分别为μu、σu,该随机变量的标准形式为ξu=(x-μu)/σu。其概率分布函数F(ξ)和概率密度函数fξ(x)可由Gram-Charlier级数展开计算得到:
采取有限阶的级数展开可以使计算结果更加精确,故在此计算期望、方差、3阶和4阶中心矩。
在S104中,根据所述配电网节点电压的概率分布,建立光伏并网机会约束规划模型。
在本实施例中,如图7所示,所述光伏并网机会约束规划模型的约束条件为配电网运行电压机会约束、配电网功率平衡约束和光伏电源总量约束;所述光伏并网机会约束规划模型的目标函数为配电网年综合经济成本最优;所述光伏并网机会约束规划模型的决策变量为光伏安装位置与容量;其中,所述光伏电源总量约束由所述配电网节点电压的概率分布确定。下面进行具体说明。
目标函数可以表示为:
minC=CPV+CNet (16)
其中,CPV为光伏电源的年安装运行维护成本,CNet为电网年运行成本,上述成本的计算式如下:
式(17)中,为光伏现值转等年值系数,其中ypv为光伏经济使用年限,d为贴现率;Nd为光伏并网安装节点数;Ppv.i.j分别为安装在节点i的光伏额定容量、第j个时段内光伏有功出力;分别为光伏单位容量所对应的安装、运行、维护成本;j为时段数,tj为一年中每个时段所对应的天数。
电网年运行成本CNet包括网络损耗成本CLoss、环境成本CE、向上级电网的购电成本CG,即
式中,Closs、Ce、Cg分别为单位损耗电量的成本、单位电量对应废气排放成本、单位电价成本;Ploss.j、Pg.j为对应的第j个时段内的网损、向上级电网的购电量。
配电网运行电压机会约束,是以每个时段j内节点电压、线路载流量、功率倒送大电网等安全运行指标为机会约束条件,可以表示为
式中,Pr{·}为某事件成立的概率;βU、βl、βgrid分别为电压、线路载流量、功率倒送主网的置信水平,是一个不大于1的非负数,δ越接近1则表示对合格率要求越严格,取δ=1表示不允许指标越限。依据电网实际要求,可选取适当的置信水平δ,一般取0.90~0.99之间。Ik.j、Imax为在时段j内第k条线路的电流幅值、最大值;Ppv.j、PG.j分别为在时段j内光伏并网总有功和主网提供的总有功。
光伏电源总量约束,包括单个节点i的光伏并网容量约束和整个系统光伏渗透率约束。
式中,Ppv.i.max为节点i处光伏最大允许并网容量;Ppv.max、PL.max分别为光伏、负荷总最大容量;PSE.max为系统允许的光伏最大渗透率。
配电网功率平衡约束可以表示为
式中,Pi.j、Qi.j分别为时段j内节点i注入的有功、无功;δik.j为时段j内电压相角差;Gik、Bik为网络导纳。
本发明实施例考虑光伏与负荷出力概率分布的时序差异性,利用中值拉丁超立方抽样技术形成各个预设时段的初始时序样本;采用多重积分逼近法和Gram-Charlier级数展开得到配电网节点电压的概率分布;根据配电网节点电压的概率分布,建立光伏并网机会约束规划模型。本发明实施例针对光伏与负荷概率分布参数的时序差异性对配电网电压的影响,建立光伏并网机会约束规划模型,能够提高分布式光伏渗透率,降低配电网长期规划过程中的综合经济成本,并能够提高配电网短期运行过程中的电压水平。
作为本发明的一个实施例,在S104之后,还可以包括:
根据随机权重粒子群算法对所述光伏并网机会约束规划模型进行求解。
在本实施例中,针对光伏并网机会约束规划模型,本文采用改进的随机权重粒子群算法进行优化求解。其中优化变量粒子为配电网各节点接入的光伏发电容量,变量维数为光伏并网数量。
在迭代的过程中,通过随机权重ω的计算式随机生成粒子的速度与位置。如果粒子的初始位置与最优位置接近,则产生较小的权重ω,使粒子快速找到最优位置;如果在初始阶段无法快速找到最优位置,而ω的随机生成可以克服该局限。因此,该算法具有兼顾全局与局部的搜索能力。随机生成的ω计算公式为
式中,rand(0,1)表示0~1之间的随机数;N(0,1)表示标准正态分布随机数;μ为平均随机权重;μmin为最小随机权重平均值;μmax为最大随机权重平均值;σ为随机权重的方差。
具体优化求解过程如下:
(1)输入电力网络元件参数与算法参数,随机权重的粒子群算法种群规模为50,迭代次数为100次,最小随机权重平均值μmin=0.5,最大随机权重平均值μmax=0.8,随机权重的方差σ=0.2。
(2)每个粒子对应光伏并网准入容量的一个方案。根据光伏接入位置,随机生成每个粒子,重复若干次得到初始粒子群体。利用计及光伏与负荷出力时序性的配电网概率潮流计算过程来统计输出变量的特性,形成并求解具有惩罚项的目标函数,计算出每个粒子的目标函数值,经过比较后,得出最优粒子的位置。
(3)由式(22)计算ω值,进而更新各粒子速度与位置。由概率潮流计算得出各粒子的目标函数值,并与前次迭代结果进行比较,更新并记录各粒子中最大目标函数值与粒子的最优位置。
(4)若满足迭代次数则终止,输出最优结果。否则返回步骤(3)重复迭代。
下面通过仿真示例对本发明实施例的有益效果进行一步说明。
本实施例选取IEEE33节点系统进行算例仿真分析,电压等级为12.66kV,节点电压范围为0.95~1.05(标幺值),置信水平为0.9,节点光伏并网容量上限为1MW,最大渗透率为70%,并网待选节点为8、17、24、31。选取光伏与负荷出力的概率分布参数以及模型中经济参数的取值。模型求解算法参数设置:整个时段数为24,抽样次数为100。
为分析光伏和负荷出力在不同时段内概率分布的时序差异性对光伏并网优化结果的影响,本实施例通过划分24个时段来计算各时段内的优化结果,并与单个时段,即第7个、第12个、第24时段的优化结果进行对比。优化结果如表1。
表1时序性对规划结果的影响
由表1可知,不同时段的光伏与负荷概率分布参数对结果会产生影响。概率分布为第13个时段参数时,光伏并网总容量最大;概率分布为第9个时段参数时,光伏并网总容量最小。原因为,仅考虑单个时段时,不能计及不同时段参数分布的差异性,仅能按照此时段的参数进行优化,而第13时段光伏出力最大,第9时段光伏出力偏小,所以光伏总容量分别在各自时段为最大与最小值。
采用不同模型对光伏准入容量进行仿真计算,以验证本实施例所提方法的准确性和优越性。模型设置如下:
模型1:不考虑光伏及负荷时序性,约束条件为电压不越限的确定性光伏准入容量计算模型;
模型2:考虑光伏和负荷时序性的光伏并网机会约束规划模型;
上述模型都具有相同的目标函数及等式约束条件,只是在不同形式的电压质量约束条件下仿真计算光伏准入容量,得到计算结果如图8所示。
确定性的光伏准入容量计算模型忽略光伏随机性、光伏与负荷时序差异性,要求在任何情况下系统电压均满足要求,使得规划结果过于保守,限制了光伏的接入容量。图8中,模型2规划的光伏准入容量优于模型1,体现了采用机会约束规划能够减少小概率情况对规划结果的负面影响;且采用概率潮流模型可以量化计算出节点电压,使得规划信息更加全面可信。
本发明实施例计及了光伏与负荷概率模型分布参数时序差异性,建立了光伏并网机会约束规划模型,针对光伏与负荷概率分布参数时序差异性特征,本实施例通过划分时段并根据每个时段的概率参数,形成整个规划阶段中各时段光伏与负荷的随机样本数据。在光伏并网规划过程中,计及变量时序差异性特征,不仅提高了分布式光伏渗透率,同时降低了长期规划过程中的经济成本。
本发明实施例考虑光伏与负荷出力概率分布的时序差异性,利用中值拉丁超立方抽样技术形成各个预设时段的初始时序样本;采用多重积分逼近法和Gram-Charlier级数展开得到配电网节点电压的概率分布;根据配电网节点电压的概率分布,建立光伏并网机会约束规划模型。本发明实施例针对光伏与负荷概率分布参数的时序差异性对配电网电压的影响,建立光伏并网机会约束规划模型,能够提高分布式光伏渗透率,降低配电网长期规划过程中的综合经济成本,并能够提高配电网短期运行过程中的电压水平。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
对应于上文实施例所述的分布式光伏发电并网规划方法,图9示出了本发明实施例提供的分布式光伏发电并网规划装置的示意图。为了便于说明,仅示出了与本实施例相关的部分。
参照图9,该装置包括第一构建模块91、第一处理模块92、第二处理模块93和第二构建模块94。
第一构建模块91,用于建立光伏概率模型和负荷概率模型。
第一处理模块92,用于根据中值拉丁超立方抽样、所述光伏概率模型和所述负荷概率模型,计算各个预设时段的初始时序样本。
第二处理模块93,用于根据多重积分逼近法、Gram-Charlier级数、概率潮流方程和所述初始时序样本,计算配电网节点电压的概率分布。
第二构建模块94,用于根据所述配电网节点电压的概率分布,建立光伏并网机会约束规划模型。
优选地,所述光伏概率模型包括基于参数Beta分布的概率模型和基于非参数核密度估计的概率模型。
优选地,所述初始时序样本包括光伏初始时序样本和负荷初始时序样本;所述第一处理模块92用于:
获取各个所述预设时段;
根据所述中值拉丁超立方抽样,对各个所述预设时段中服从所述光伏概率模型对应的概率分布的数据进行采样,并将采样到的数据生成各个所述预设时段的光伏初始时序样本;
根据所述中值拉丁超立方抽样,对各个所述预设时段内服从所述负荷概率模型对应的概率分布的数据进行采样,并将采样到的数据生成各个所述预设时段的负荷初始时序样本。
优选地,所述第二处理模块93用于:
将所述初始时序样本作为所述概率潮流方程的输入变量,得到对应的输出变量;
根据所述多重积分逼近法计算所述输出变量,得到配电网节点电压的各阶矩;
根据所述Gram-Charlier级数对配电网节点电压的各阶矩进行展开,得到配电网节点电压的概率分布。
优选地,所述光伏并网机会约束规划模型的约束条件为配电网运行电压机会约束、配电网功率平衡约束和光伏电源总量约束;所述光伏并网机会约束规划模型的目标函数为配电网年综合经济成本最优;所述光伏并网机会约束规划模型的决策变量为光伏安装位置与容量;其中,所述光伏电源总量约束由所述配电网节点电压的概率分布确定。
优选地,该装置还可以包括求解模块。所述求解模块用于:
根据随机权重粒子群算法对所述光伏并网机会约束规划模型进行求解。
本发明实施例考虑光伏与负荷出力概率分布的时序差异性,利用中值拉丁超立方抽样技术形成各个预设时段的初始时序样本;采用多重积分逼近法和Gram-Charlier级数展开得到配电网节点电压的概率分布;根据配电网节点电压的概率分布,建立光伏并网机会约束规划模型。本发明实施例针对光伏与负荷概率分布参数的时序差异性对配电网电压的影响,建立光伏并网机会约束规划模型,能够提高分布式光伏渗透率,降低配电网长期规划过程中的综合经济成本,并能够提高配电网短期运行过程中的电压水平。
图10是本发明一实施例提供的分布式光伏发电并网规划终端设备的示意图。如图10所示,该实施例的分布式光伏发电并网规划终端设备10包括:处理器100、存储器101以及存储在所述存储器101中并可在所述处理器100上运行的计算机程序102,例如分布式光伏发电并网规划程序。所述处理器100执行所述计算机程序102时实现上述各个分布式光伏发电并网规划方法实施例中的步骤,例如图1所示的步骤101至104。或者,所述处理器100执行所述计算机程序102时实现上述各装置实施例中各模块/单元的功能,例如图9所示模块91至94的功能。
示例性的,所述计算机程序102可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器101中,并由所述处理器100执行,以完成本发明。所述一个或多个模块/单元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102在所述分布式光伏发电并网规划终端设备10中的执行过程。例如,所述计算机程序102可以被分割成第一构建模块、第一处理模块、第二处理模块和第二构建模块,各模块具体功能如下:
第一构建模块,用于建立光伏概率模型和负荷概率模型;
第一处理模块,用于根据中值拉丁超立方抽样、所述光伏概率模型和所述负荷概率模型,计算各个预设时段的初始时序样本;
第二处理模块,用于根据多重积分逼近法、Gram-Charlier级数、概率潮流方程和所述初始时序样本,计算配电网节点电压的概率分布;
第二构建模块,用于根据所述配电网节点电压的概率分布,建立光伏并网机会约束规划模型。
所述分布式光伏发电并网规划终端设备10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。所述分布式光伏发电并网规划终端设备可包括,但不仅限于,处理器100、存储器101。本领域技术人员可以理解,图10仅仅是分布式光伏发电并网规划终端设备10的示例,并不构成对分布式光伏发电并网规划终端设备10的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述分布式光伏发电并网规划终端设备还可以包括输入输出设备、网络接入设备、总线、显示器等。
所称处理器100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。
所述存储器101可以是所述分布式光伏发电并网规划终端设备10的内部存储单元,例如分布式光伏发电并网规划终端设备10的硬盘或内存。所述存储器101也可以是所述分布式光伏发电并网规划终端设备10的外部存储设备,例如所述分布式光伏发电并网规划终端设备10上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器101还可以既包括所述分布式光伏发电并网规划终端设备10的内部存储单元也包括外部存储设备。所述存储器101用于存储所述计算机程序以及所述分布式光伏发电并网规划终端设备所需的其他程序和数据。所述存储器101还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,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-Only Memory)、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是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (8)
1.一种分布式光伏发电并网规划方法,其特征在于,包括:
建立光伏概率模型和负荷概率模型;
根据中值拉丁超立方抽样、所述光伏概率模型和所述负荷概率模型,计算各个预设时段的初始时序样本;
根据多重积分逼近法、Gram-Charlier级数、概率潮流方程和所述初始时序样本,计算配电网节点电压的概率分布;
根据所述配电网节点电压的概率分布,建立光伏并网机会约束规划模型;
其中,所述初始时序样本包括光伏初始时序样本和负荷初始时序样本;
所述根据中值拉丁超立方抽样、所述光伏概率模型和所述负荷概率模型,计算各个预设时段的初始时序样本包括:
获取各个所述预设时段;
根据所述中值拉丁超立方抽样,对各个所述预设时段中服从所述光伏概率模型对应的概率分布的数据进行采样,并将采样到的数据生成各个所述预设时段的光伏初始时序样本;
根据所述中值拉丁超立方抽样,对各个所述预设时段内服从所述负荷概率模型对应的概率分布的数据进行采样,并将采样到的数据生成各个所述预设时段的负荷初始时序样本;
所述根据多重积分逼近法、Gram-Charlier级数、概率潮流方程和所述初始时序样本,计算配电网节点电压的概率分布包括:
将所述初始时序样本作为所述概率潮流方程的输入变量,得到对应的输出变量;
根据所述多重积分逼近法计算所述输出变量,得到配电网节点电压的各阶矩;
根据所述Gram-Charlier级数对配电网节点电压的各阶矩进行展开,得到配电网节点电压的概率分布。
2.如权利要求1所述的分布式光伏发电并网规划方法,其特征在于,所述光伏概率模型包括基于参数Beta分布的概率模型和基于非参数核密度估计的概率模型。
3.如权利要求1所述的分布式光伏发电并网规划方法,其特征在于,所述光伏并网机会约束规划模型的约束条件为配电网运行电压机会约束、配电网功率平衡约束和光伏电源总量约束;所述光伏并网机会约束规划模型的目标函数为配电网年综合经济成本最优;所述光伏并网机会约束规划模型的决策变量为光伏安装位置与容量;其中,所述光伏电源总量约束由所述配电网节点电压的概率分布确定。
4.如权利要求1至3任一项所述的分布式光伏发电并网规划方法,其特征在于,在所述根据所述配电网节点电压的概率分布,建立光伏并网机会约束规划模型之后,还包括:
根据随机权重粒子群算法对所述光伏并网机会约束规划模型进行求解。
5.一种分布式光伏发电并网规划装置,其特征在于,包括:
第一构建模块,用于建立光伏概率模型和负荷概率模型;
第一处理模块,用于根据中值拉丁超立方抽样、所述光伏概率模型和所述负荷概率模型,计算各个预设时段的初始时序样本;
第二处理模块,用于根据多重积分逼近法、Gram-Charlier级数、概率潮流方程和所述初始时序样本,计算配电网节点电压的概率分布;
第二构建模块,用于根据所述配电网节点电压的概率分布,建立光伏并网机会约束规划模型;
其中,所述初始时序样本包括光伏初始时序样本和负荷初始时序样本;
所述根据中值拉丁超立方抽样、所述光伏概率模型和所述负荷概率模型,计算各个预设时段的初始时序样本包括:
获取各个所述预设时段;
根据所述中值拉丁超立方抽样,对各个所述预设时段中服从所述光伏概率模型对应的概率分布的数据进行采样,并将采样到的数据生成各个所述预设时段的光伏初始时序样本;
根据所述中值拉丁超立方抽样,对各个所述预设时段内服从所述负荷概率模型对应的概率分布的数据进行采样,并将采样到的数据生成各个所述预设时段的负荷初始时序样本;
所述根据多重积分逼近法、Gram-Charlier级数、概率潮流方程和所述初始时序样本,计算配电网节点电压的概率分布包括:
将所述初始时序样本作为所述概率潮流方程的输入变量,得到对应的输出变量;
根据所述多重积分逼近法计算所述输出变量,得到配电网节点电压的各阶矩;
根据所述Gram-Charlier级数对配电网节点电压的各阶矩进行展开,得到配电网节点电压的概率分布。
6.如权利要求5所述的分布式光伏发电并网规划装置,其特征在于,所述光伏概率模型包括基于参数Beta分布的概率模型和基于非参数核密度估计的概率模型。
7.一种分布式光伏发电并网规划终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述方法的步骤。
8.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711375743.7A CN108063456B (zh) | 2017-12-19 | 2017-12-19 | 分布式光伏发电并网规划方法及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711375743.7A CN108063456B (zh) | 2017-12-19 | 2017-12-19 | 分布式光伏发电并网规划方法及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108063456A CN108063456A (zh) | 2018-05-22 |
CN108063456B true CN108063456B (zh) | 2020-05-26 |
Family
ID=62139578
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711375743.7A Active CN108063456B (zh) | 2017-12-19 | 2017-12-19 | 分布式光伏发电并网规划方法及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108063456B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108898287A (zh) * | 2018-06-11 | 2018-11-27 | 国网江西省电力有限公司电力科学研究院 | 大规模光伏并网的配电网运行风险评估方法 |
CN108960628A (zh) * | 2018-07-04 | 2018-12-07 | 中国电力科学研究院有限公司 | 一种光伏发电接入配电网的风险评估方法及系统 |
CN109669987A (zh) * | 2018-12-13 | 2019-04-23 | 国网河北省电力有限公司石家庄供电分公司 | 一种大数据存储优化方法 |
CN110112790B (zh) * | 2019-06-06 | 2023-10-20 | 南方电网科学研究院有限责任公司 | 有源配电网运行效率的评价方法、装置、设备及存储介质 |
CN110707816B (zh) * | 2019-10-16 | 2020-08-14 | 佳源科技有限公司 | 一种分布式配网终端 |
CN111490544B (zh) * | 2020-03-13 | 2022-04-22 | 国网江苏省电力有限公司盐城供电分公司 | 基于打洞函数的无源滤波器参数优化方法 |
CN112039122B (zh) * | 2020-09-24 | 2022-04-12 | 南方电网科学研究院有限责任公司 | 基于电网准入容量设计分布式电源并网的规划方法及装置 |
CN113452028B (zh) * | 2021-07-29 | 2022-05-10 | 广东电网有限责任公司 | 低压配电网概率潮流计算方法、系统、终端和存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140244187A1 (en) * | 2013-02-25 | 2014-08-28 | Mitsubishi Electric Research Laboratories, Inc. | Method for Detecting Islanding with Periodically Transmitted Sequence of Unsynchronized Signals |
CN105932723B (zh) * | 2016-06-13 | 2018-05-18 | 国网浙江省电力公司电力科学研究院 | 一种交直流混合微电网的网架结构优化规划方法 |
-
2017
- 2017-12-19 CN CN201711375743.7A patent/CN108063456B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108063456A (zh) | 2018-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108063456B (zh) | 分布式光伏发电并网规划方法及终端设备 | |
Prusty et al. | A critical review on probabilistic load flow studies in uncertainty constrained power systems with photovoltaic generation and a new approach | |
Wang et al. | A scenario-based analytical method for probabilistic load flow analysis | |
CN110429653B (zh) | 考虑储能和dr的农网分布式光伏消纳方法及终端设备 | |
Prusty et al. | An over-limit risk assessment of PV integrated power system using probabilistic load flow based on multi-time instant uncertainty modeling | |
Ke et al. | Coordinative real‐time sub‐transmission volt–var control for reactive power regulation between transmission and distribution systems | |
Kou et al. | Many-objective optimization for coordinated operation of integrated electricity and gas network | |
Liu et al. | Probabilistic load flow analysis of active distribution network adopting improved sequence operation methodology | |
Guo et al. | Sizing energy storage to reduce renewable power curtailment considering network power flows: a distributionally robust optimisation approach | |
Li et al. | States prediction for solar power and wind speed using BBA‐SVM | |
Ran et al. | Probabilistic evaluation for static voltage stability for unbalanced three‐phase distribution system | |
CN110783918A (zh) | 一种基于线性模型的配电三相区间状态估计求解算法 | |
Peng et al. | Multi-objective robust optimization allocation for energy storage using a novel confidence gap decision method | |
CN108462180B (zh) | 一种基于vine copula函数确定概率最优潮流的方法 | |
Li et al. | Decentralised conic optimisation of reactive power considering uncertainty of renewable energy sources | |
Li et al. | An intelligent method for wind power forecasting based on integrated power slope events prediction and wind speed forecasting | |
Wu et al. | Uncertain flow calculations of a distribution network containing DG based on blind number theory | |
Zhang et al. | Stochastic optimal transmission switching considering the correlated wind power | |
Lujano‐Rojas et al. | Probabilistic methodology for estimating the optimal photovoltaic capacity in distribution systems to avoid power flow reversals | |
CN116760006A (zh) | 一种风电功率预测方法、装置、设备及存储介质 | |
CN109066709B (zh) | 一种基于元模型的分布式电源就地电压控制策略改进方法 | |
CN113609699B (zh) | 辐射状配电网交流潮流模型的计算方法和系统 | |
CN112733348B (zh) | 基于多项式和最大熵模型的混联电网概率计算方法及装置 | |
CN113437749B (zh) | 电力系统无功优化方法、装置及设备 | |
CN115275975A (zh) | 一种光储充电站电力数据匹配度的确定方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |