CN108199371A - 一种基于vcg的主动配电网故障动态恢复策略制定方法 - Google Patents
一种基于vcg的主动配电网故障动态恢复策略制定方法 Download PDFInfo
- Publication number
- CN108199371A CN108199371A CN201810005676.8A CN201810005676A CN108199371A CN 108199371 A CN108199371 A CN 108199371A CN 201810005676 A CN201810005676 A CN 201810005676A CN 108199371 A CN108199371 A CN 108199371A
- Authority
- CN
- China
- Prior art keywords
- distribution network
- vcg
- user
- auction
- recovery
- 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.)
- Pending
Links
Classifications
-
- 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
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于VCG的主动配电网故障动态恢复策略制定方法,包含步骤如下:设计配电网故障恢复多代理系统结构;获取故障恢复信息并动态划分恢复时段;建立基于VCG的主动配电网故障动态双层恢复模型;设计VCG电量拍卖机制模型;用matlab软件对算例进行仿真分析。本发明方法能降低求解维度,满足快速性的要求;还能够在满足配电网故障情况下,主动用户为追求自身最大利益对有限电力资源的竞争,同时给出了指导用户理性竞拍的算法。
Description
技术领域
本发明涉及主动配电网技术领域,尤其涉及一种含有主动负荷的主动配电网故障情况下如何制定恢复策略问题的方法。
背景技术
电力系统众多环节之中,配电网位于输电网与电力用户之间,起着枢纽作用,其供电可靠性以及电能质量在电力系统中至关重要。配电网故障后的恢复重构是保证配电网可靠运行的核心能力,也是主动配电网实现自愈的主要任务。随着电力改革的推进,增大了电网中清洁能源与柔性负荷占比,运行方式变得更加灵活,提高电网可靠性,同时,主动配电网故障的恢复方案制定也更加复杂。
通过需求侧主动负荷主动响应,为配电网故障恢复方案的制定提供了新的思路。对此,国内外专家在制定配电网故障恢复方案时,将主动用户看成一个其负荷在一个区间内可调的动态负荷,然后制定符合配电网利益最大化的恢复方案。
上述配电网故障恢复模型中,主动负荷均设为理想模式,被动的接受配电网的对其所得电量的调整,不能完全发挥电力市场的优势。但实际上主动配电网中需求侧主动负荷用户可根据市场的实时信息、实时数据,积极调整自己的用电模式在追求自身利益最大化的同时实现配电网故障恢复响应。对于主动配电网长时间故障,分布式电源和负荷具有时变性导致故障恢复策略的制定更加复杂,已有国内外专家采用动态划分恢复时段或恢复范围。但是很少考虑主动负荷的具体响应机制。
发明内容
本发明目的在于提供一种考虑电力市场中主动负荷利益和荷源时变性的基于VCG的主动配电网故障动态恢复策略制定方法。
为实现上述目的,本发明所述方法包括以下步骤:
步骤1,设计配电网故障恢复多代理系统结构;
步骤2,获取故障恢复信息并动态划分恢复时段;
步骤3,建立双层故障恢复模型;
步骤4,设计VCG电量拍卖机制模型;
步骤5,确定算例及其必要特征,采用matlab软件编写对算例进行仿真分析。
进一步的,所述步骤1的具体过程如下:
步骤1-1,多代理系统的特征;
多代理系统具备分散自制,集中协调的特点,可根据不同的情况做出理性的抉择。基于代理间事先的协议,多代理系统通过信息共享,对事件做出回应;由于多代理系统各代理之间采用并行计算的方式,满足主动配电网故障恢复快速性的要求;
步骤1-2,配电网故障恢复多代理系统结构;
设计信息采集代理、主任务协调代理、子任务协调代理;其中,信息采集代理负责采集电网的实时数据;主任务协调代理将恢复任务分配给子任务协调代理并制定总体恢复方案;子任务协调所辖范围内含有DG代理、电量拍卖代理、开关代理、主动负荷代理,制定各自恢复时段的恢复方案。
进一步的,所述步骤2的具体过程如下:
步骤2-1,收集故障信息;
信息采集代理将采集与监控系统(Supervisory Control and Data Acquision简称SCADA)从站内远程终端(Remote Terminal Unit简称RTU)收集到的站内馈线开关状态信息和现场终端(Feeder Terminal Unit简称FTU)收集到的线路上的联络开关、负荷开关的状态信息、各分布式电源的出力预测信息以及负荷预测信息上传至主任务协调代理;
步骤2-2,故障恢复时段划分;
针对荷源时变性定义故障恢复情景指标用于动态划分故障恢复时段;
式中,分别为t时段电网最大恢复能力、固定负荷失电量、二级主动负荷失电量、三级主动负荷失电量。
进一步的,所述步骤3的具体过程如下:
步骤3-1,下层恢复目标;
当重大故障发生后,由于荷源的时变性,在不同的时段下的恢复能力并不相同,恢复目标也所有差异,根据恢复情景指标建立以网损最小、主动负荷切除量最小和综合负荷量切除最小三种情景下的恢复模型;
步骤3-2,上层恢复目标;
动态故障恢复对负荷开关操作较为频繁,严重影响开关的寿命,因此上层目标函数将综合恢复失电负荷量、网络损耗和开关工作次数为指标对子任务协调代理上报的恢复策略整体寻优。
进一步的,所述步骤4的具体过程如下:
步骤4-1,VCG拍卖机制;
微观经济学中的VCG机制拥有比较优良的特性,被广泛的应用在网络资源分配问题中。本发明基于改进的VCG机制,各个竞拍者不需要向拍卖代理递交无限维的效用函数,通过一维的竞价信息反映用户对电量的需求程度;
步骤4-2,VCG拍卖机制竞拍要素;
配电网在故障下给出电价的拍卖区间[a,b],但该机制下用户每轮的竞价策略是随机选的,故本发明只考虑用户的竞价策略集是离散的。假设每个用户i有Ki个不同的策略,即用户i的策略集为Bi={bi1,bi2,…biK},策略集中包含最符合用户现状的真是竞价θi,即故每轮各用户上传至拍卖代理处的竞价向量为b={b1,b1,…bn};
为了减少买卖双方之间的信息传递给通讯带来的负担,拍卖代理处预存了描述各用户满意度的函数u(xi),该函数是关于xi∈R+上严格拟凹函数;用户的效用函数是由它的竞价与满意度函数共同决定的,即vi(xi)=biui(xi);拍卖代理根据接收到的竞价策略,分配原则如下:
用户i的支付为:
用户i的收益函数为:
其中是纳什均衡状态下用户i的最优功率;
步骤4-3,离散随机式学习算法;
离散随机式学习算法是基于离散策略分布的一类学习式算法。该算法通过更新下一轮竞拍策略的概率,引导用户选取带来更大收益的策略,并逐渐使得所有策略的概率趋于稳定。
与现有技术相比,本发明方法具有如下优点:
1、通过定义恢复情景指标和拍卖等级指标解决了清洁能源出力和负荷时变性的问题,同时也降低了求解维度,满足快速性的要求;
2、能够满足配电网故障情况下,主动用户为追求自身最大利益对有限电力资源的竞争,同时给出了指导用户理性竞拍的算法;
3、设置含有VCG拍卖约束,采用matlab编写蚁群函数对算例进行仿真研究,来研究主动用户对故障恢复调度的响应,仿真结果证明该方法行之有效。
附图说明
图1本发明方法的主任务协调代理结构图。
图2本发明方法的子任务协调代理结构图。
图3本发明方法的VCG拍卖流程图。
图4本发明方法的离散随机式学习算法流程图。
图5本发明方法的故障恢复流程图。
具体实施方式
下面结合附图对本发明做进一步说明:
结合图5,本发明所述具体步骤如下:
(1)设计配电网故障恢复多代理系统结构;
(1-1)主任务协调代理结构
主任务协调代理是多代理系统的最高级代理,主任务协调代理由通信模块、信息整合分析模块、数据知识库模块以及故障恢复策略求解模块构成。主要功能是根据故障恢复情景指标将任务划分恢复时段和确定故障恢复策略。其中通信模块服务于代理之间的信息传递;信息整合分析模块主要用来确定故障的位置、时刻以及故障程度;知识数据库用来存放不同故障情况下的恢复经验;故障恢复求解模块用于求解最优策略组合,如附图1所示;
(1-2)子任务协调代理结构
子任务协调代理功能是接收主任务协调代理分配的任务和协调优化各分布式电源的孤岛划分。其所辖范围内含有DG多代理、电量拍卖代理、开关代理、主动负荷代理。其中DG多代理主要负责各自的孤岛范围。用户根据对电力资源评价通过电量拍卖代理竞争有限电力资源。开关代理和主动负荷代理主要执行由DG代理和电量拍卖代理制定的决策,如附图2所示。
(2)获取故障恢复信息并动态划分恢复时段;
(2-1)收集故障信息
信息采集代理将采集到的故障位置、类型、联络开关、分段开关、以及负荷预测和DG出力预测等信息,通过通信模块上传至主任务协调代理。
(2-2)恢复时段划分
信息整合分析模块整合收到的信息,依据故障恢复情景指标划分故障恢复时段。
当时,能够恢复所有失电负荷,定义为情景一;
当时,能够恢复所有失电固定负荷,定义为情景二;
当时,仅能够恢复部分失电固定负荷,定义为情景三。
(3)建立基于VCG的主动配电网故障动态双层恢复模型;
(3-1)下层目标函数
当重大故障发生后,由于荷源的时变性,在不同的时段下的恢复能力并不相同,恢复目标也所有差异,根据恢复情景指标建立不同情境下的恢复模型。
情景一
当配电网恢复最大恢复能力即所有连接非故障失电区的联络开关转供容量和处在非故障失电区的DG容量之和,大于非故障失电区所有失电负荷量,则以恢复所有负荷供电的网络损耗最小为目标。
式中,Ij、Rj分别是支路j的电流和电阻。
情景二
主动配电网的提出调动了用户参与电网调度的积极性,当配电网恢复能力不足完全恢复非故障失电区失电负荷,但可依靠部分用户主动削减负荷达到完全恢复,则以主动负荷切除量最小为目标。
式中,分别为主动负荷节点i在t时段所需有功功率和参与竞拍得到的有功功率;m为主动负荷数。
情景三
当主动负荷完全切除后电网的恢复能力仍不足以恢复非故障失电区负荷量,则涉及到固定负荷的(投切)电力供应情况,此时以电网的总切除负荷量最小为目标函数。
式中,为t时段节点i所得有功功率;θi为节点i的等级系数;n为节点数。
(3-2)上层目标函数
动态故障恢复频繁操作开关,严重影响其寿命,因此主任务协调代理将以恢复失电负荷量、网络损耗和开关工作次数为指标对子任务协调代理上报的恢复策略整体寻优。目标函数如式()。
Fk2*Fk3=0 (10)
式中,w1、w2、w3分别为的切除负荷量、网损和开关变化次数的权重系数;Fkj第k个时段的第j个恢复情景目标;Xi={x1…xn}为开关的0、1状态向量其中X0为初始开关状态向量。
(3-3)约束条件
(1)DG退出运行后辐射状网络结构。
gk∈Gk (11)
式中,gk、Gk分别为当前配电网运行结构和配电网所有辐射状运行情况集合。
(2)支路容量约束
式中,Ij max分别为支路j在t时段电流和允许最大电流。
(3)节点电压约束
式中,Uimin、Uimax分别为节点i在t时段的电压以及电压上下限。
(4)光伏出力约束
式中,分别为第i个光伏电源在t时段的出力以及出力上下限。
(5)ESD充放电约束
充电约束
放电约束
式中,分别为储能系统t时段的充放电功率以及上下限;P(t)为t时段末剩余的电量;分别为储能状态上下限。
(4)设计VCG电量拍卖机制模型;
(4-1)拍卖流程
首先,竞拍者(主动用户)向资源拍卖代理(卖方)发送它们的竞价。资源拍卖代理根据当前的需求和电量裕度进行合理分配,计算并向每个竞拍者发送所获有功功率和所需支付,用户根据功率计算自己的收益,利用离散随机式学习算法调整自己的竞价策略。至此完成一轮完整的拍卖过程。为了满足快速性的要求,直到所有博弈者满意当前的结果即纳什均衡或进行N轮拍卖时拍卖结束,如附图3所示。
(4-2)纳什均衡及其存在性
纳什均衡是指博弈人都认为自己当前的策略是对自己最有利的,大家都不会主动改变自己策略的一种状态。其数学表示如下:
式中,分别为博弈人i的收益函数、纳什均衡下的策略、非均衡下的策略以及其他博弈人纳什均衡下的策略、非均衡下的策略。
纳什均衡状态能否达到,是判断博弈是否成功的标准。用户i的效用函数是用户所得有功功率与竞价的函数,用vi(xi,bi)表示。同时ui(xi)为确定函数,故用户i所得的有功功率xi为其竞价策略bi的函数,故由式()可得用户所获有功功率为:
当用户i不参与拍卖时,其他用户分的有功功率为:
由式()可得,博弈者i的收益为:
式中,x-i表示用户i不参与时,其它用户所分的有功功率,即x-i={x1、x2…xi-1、xi+1…xn},同理θ-i={θ1、θ2…θi-1、θi+1…θn}。
当用户i选择真实竞价策略θi时,其收益为:
当用户i选择非真实竞价策略时,其收益为:
以上两式相减得:
由式(7)知x*(θi,b-i)(即和是寻优问题的解。由上面的假设可知,当博弈者的竞价策略上报至拍卖代理后,该问题是严格的凸优化问题,故该问题存在唯一的最优解x*(θi,b-i),所以由式(9)可得:
所以θi为用户i的占有策略,同理每个用户都有占有策略,故该机制满足占有策略激励兼容特性。当每个用户都选择其占有策略时,将获得最大收益,便没有在改变策略的动机,即达到纳什均衡状态,{θ1、θ2…θn}为该拍卖模型的一个NES,且为纯NES。反正法易证其唯一性。
(4-3)离散随机式学习算法
离散随机式学习算法是基于离散策略分布的一类学习式算法。该算法通过更新下一轮竞拍策略的概率,引导用户选取带来更大收益的策略,并逐渐使得所有策略的概率趋于稳定。令为用户i的第k个策略的概率,其中k∈{1,…Ki}为博弈者i的策略概率集。每个博弈者的离散随机式学习算法流程如图4所示。
策略概率Pik(t+1)的更新是离散随机式学习算法的关键,其中β∈(0,1)为迭代的步长。πi(t)为博弈者i在t时刻的正则化收益值,
Pik(t+1)=Pik(t)-βπi(t)Pik(t) (26)
其中Mi(t)、mi(t)分别为博弈者i在t时段存储空间里最大、最小收益值。当Mi(t)=mi(t),令πi(t)=0,概率更新结束。
(4-3)参与人的确定
随着电力市场改革的推进,需求侧主动负荷所占比例逐渐增大,提高了电网的稳定性,同时也增加了ADN故障恢复求解的难度。
定义2:拍卖等级指标ξ,确定参与电量拍卖的用户,降低求解维度。
当时,三级主动负荷全部切除,二级主动负荷参与电量拍卖;
当时,二级可控负荷正常供电,三级主动负荷参与电量拍卖。
(5)用matlab软件对算例进行仿真分析;
(5-1)确定算例以及其必要特征;
本发明采用的算例是改进的IEEE69节点配电网,该配电系统共有69个节点,光储系统DG1、DG2、DG3、DG4、DG5的安装位置为节点7、19、37、52、69。负荷的权重系数分别为100、10、1,指标权重系数分别为0.7、0.2、0.1。设置蚂蚁的个数为33,初始化信息素浓度τ=1,挥发系数ρ=0.9,信息素权重因子α=2,最大迭代次数N=10,用户满意度函数为ui(xi)=log(xi),竞价区间为[0.5,1.5],利用MATLAB7.10进行仿真。
(5-2)采用matlab软件编写蚁群函数对算例进行仿真分析
通过仿真可知该模型能快速制定恢复策略,在满足用户和电网追求自身利益最大化的基础上实现最大限度恢复失电负荷有效降低开关动作次数。
以上所述的实施算例仅仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (5)
1.一种基于VCG的主动配电网故障动态恢复策略制定方法,其特征在于,所述方法包括以下步骤:
步骤1,设计配电网故障恢复多代理系统结构;
步骤2,获取故障恢复信息并动态划分恢复时段;
步骤3,建立双层故障恢复模型;
步骤4,设计VCG电量拍卖机制模型;
步骤5,确定算例及其必要特征,采用matlab软件编写对算例进行仿真分析。
2.根据权利要求1所述的一种基于VCG的主动配电网故障动态恢复策略制定方法,其特征在于,所述步骤1的具体过程如下:
步骤1-1,多代理系统的特征;
基于代理间事先的协议,多代理系统通过信息共享,对事件做出回应;
步骤1-2,配电网故障恢复多代理系统结构;
设计信息采集代理、主任务协调代理、子任务协调代理;其中,信息采集代理负责采集电网的实时数据;主任务协调代理将恢复任务分配给子任务协调代理并制定总体恢复方案;子任务协调所辖范围内含有DG代理、电量拍卖代理、开关代理、主动负荷代理,制定各自恢复时段的恢复方案。
3.根据权利要求1所述的一种基于VCG的主动配电网故障动态恢复策略制定方法,其特征在于,所述步骤2的具体过程如下:
步骤2-1,收集故障信息;
信息采集代理将采集与监控系统(Supervisory Control and Data Acquision简称SCADA)从站内远程终端(Remote Terminal Unit简称RTU)收集到的站内馈线开关状态信息和现场终端(Feeder Terminal Unit简称FTU)收集到的线路上的联络开关、负荷开关的状态信息、各分布式电源的出力预测信息以及负荷预测信息上传至主任务协调代理;
步骤2-2,故障恢复时段划分;
针对荷源时变性定义故障恢复情景指标用于动态划分故障恢复时段;
式中,P1 t、分别为t时段电网最大恢复能力、固定负荷失电量、二级主动负荷失电量、三级主动负荷失电量。
4.根据权利要求1所述的一种基于VCG的主动配电网故障动态恢复策略制定方法,其特征在于,所述步骤3的具体过程如下:
步骤3-1,下层恢复目标;
根据恢复情景指标建立以网损最小、主动负荷切除量最小和综合负荷量切除最小三种情景下的恢复模型;
步骤3-2,上层恢复目标;
上层目标函数将综合恢复失电负荷量、网络损耗和开关工作次数为指标对子任务协调代理上报的恢复策略整体寻优。
5.根据权利要求1所述的一种基于VCG的主动配电网故障动态恢复策略制定方法,其特征在于,所述步骤4的具体过程如下:
步骤4-1,VCG拍卖机制;
基于改进的VCG机制,各个竞拍者不需要向拍卖代理递交无限维的效用函数,通过一维的竞价信息反映用户对电量的需求程度;
步骤4-2,VCG拍卖机制竞拍要素;
假设每个用户i有Ki个不同的策略,即用户i的策略集为Bi={bi1,bi2,…biK},策略集中包含最符合用户现状的真是竞价θi,即故每轮各用户上传至拍卖代理处的竞价向量为b={b1,b1,…bn};
为了减少买卖双方之间的信息传递给通讯带来的负担,拍卖代理处预存了描述各用户满意度的函数u(xi),该函数是关于xi∈R+上严格拟凹函数;用户的效用函数是由它的竞价与满意度函数共同决定的,即vi(xi)=biui(xi);拍卖代理根据接收到的竞价策略,分配原则如下:
用户i的支付为:
用户i的收益函数为:
其中是纳什均衡状态下用户i的最优功率;
步骤4-3,离散随机式学习算法;
通过更新下一轮竞拍策略的概率,引导用户选取带来更大收益的策略,并逐渐使得所有策略的概率趋于稳定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810005676.8A CN108199371A (zh) | 2018-01-03 | 2018-01-03 | 一种基于vcg的主动配电网故障动态恢复策略制定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810005676.8A CN108199371A (zh) | 2018-01-03 | 2018-01-03 | 一种基于vcg的主动配电网故障动态恢复策略制定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108199371A true CN108199371A (zh) | 2018-06-22 |
Family
ID=62587731
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810005676.8A Pending CN108199371A (zh) | 2018-01-03 | 2018-01-03 | 一种基于vcg的主动配电网故障动态恢复策略制定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108199371A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109004639A (zh) * | 2018-06-30 | 2018-12-14 | 南京理工大学 | 基于完全分布式算法的配电网分区供电恢复策略优化方法 |
CN109902916A (zh) * | 2019-01-15 | 2019-06-18 | 中国电力科学研究院有限公司 | 一种面向攻击的电力工控系统业务自恢复方法及系统 |
CN111049132A (zh) * | 2019-12-17 | 2020-04-21 | 国网冀北电力有限公司张家口供电公司 | 主动配电网大面积断电动态孤岛恢复方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20000054750A (ko) * | 2000-06-21 | 2000-09-05 | 손동일 | 전광판이 부착된 인터넷 실시간 화상경매 |
CN105958486A (zh) * | 2016-06-15 | 2016-09-21 | 华北电力大学 | 考虑分布式电源出力曲线的配电网多时段动态故障恢复方法 |
CN106655155A (zh) * | 2016-10-12 | 2017-05-10 | 中国农业大学 | 一种考虑故障恢复时间不确定性的配电网故障恢复方法 |
CN107316160A (zh) * | 2017-07-10 | 2017-11-03 | 电子科技大学中山学院 | 基于迭代双边拍卖的无线充电市场能源调度方法及系统 |
-
2018
- 2018-01-03 CN CN201810005676.8A patent/CN108199371A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20000054750A (ko) * | 2000-06-21 | 2000-09-05 | 손동일 | 전광판이 부착된 인터넷 실시간 화상경매 |
CN105958486A (zh) * | 2016-06-15 | 2016-09-21 | 华北电力大学 | 考虑分布式电源出力曲线的配电网多时段动态故障恢复方法 |
CN106655155A (zh) * | 2016-10-12 | 2017-05-10 | 中国农业大学 | 一种考虑故障恢复时间不确定性的配电网故障恢复方法 |
CN107316160A (zh) * | 2017-07-10 | 2017-11-03 | 电子科技大学中山学院 | 基于迭代双边拍卖的无线充电市场能源调度方法及系统 |
Non-Patent Citations (2)
Title |
---|
杨丽君: "基于博弈思想的主动配电网故障灵活分层恢复策略", 《电工技术学报》 * |
杨丽君: "基于多代理系统的主动配电网多故障动态修复策略研究", 《中国电机学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109004639A (zh) * | 2018-06-30 | 2018-12-14 | 南京理工大学 | 基于完全分布式算法的配电网分区供电恢复策略优化方法 |
CN109004639B (zh) * | 2018-06-30 | 2020-08-11 | 南京理工大学 | 基于完全分布式算法的配电网分区供电恢复策略优化方法 |
CN109902916A (zh) * | 2019-01-15 | 2019-06-18 | 中国电力科学研究院有限公司 | 一种面向攻击的电力工控系统业务自恢复方法及系统 |
CN111049132A (zh) * | 2019-12-17 | 2020-04-21 | 国网冀北电力有限公司张家口供电公司 | 主动配电网大面积断电动态孤岛恢复方法 |
CN111049132B (zh) * | 2019-12-17 | 2021-10-26 | 国网冀北电力有限公司张家口供电公司 | 主动配电网大面积断电动态孤岛恢复方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109190802B (zh) | 云储能环境下基于发电预测的多微网博弈优化方法 | |
Park et al. | Joint geometric unsupervised learning and truthful auction for local energy market | |
CN108199371A (zh) | 一种基于vcg的主动配电网故障动态恢复策略制定方法 | |
CN109920252B (zh) | 一种电气交通互联系统的协调优化方法及系统 | |
CN111079971A (zh) | 一种考虑车、站、网三方的充电站定价方法 | |
Abu-Mahfouz et al. | Toward developing a distributed autonomous energy management system (DAEMS) | |
Chen et al. | Operating reserves provision from residential users through load aggregators in smart grid: A game theoretic approach | |
CN110854891B (zh) | 一种配电网灾前资源配置方法及系统 | |
CN110097190B (zh) | 一种基于双时间限制的群智感知任务分配方法 | |
CN115719149B (zh) | 一种基于区块链的分布式光伏配储方法 | |
CN111259315B (zh) | 一种多主体协调定价模式的去中心化调度方法 | |
Pengfei et al. | Construction method of ancillary emergency backup service based on battery energy storage system | |
Cheng et al. | An innovative profit allocation to distributed energy resources integrated into virtual power plant | |
CN113609439A (zh) | 一种考虑发电侧同报价比例出清的现货市场出清方法及装置 | |
CN116885714A (zh) | 一种电力市场均衡方法、系统、设备及存储介质 | |
CN111799848A (zh) | 市场环境下含抽水蓄能机组的电力系统节点电价评估方法 | |
CN115459254B (zh) | 一种5g基站集群和配电网的协同优化调度方法及系统 | |
CN110322092B (zh) | 一种源网荷多层博弈经济调度方法 | |
CN110648191A (zh) | 一种发电商电能及备用市场联合报价方法及系统 | |
CN107708124B (zh) | Lte230电力系统专网主备核心网稳定性优化方法 | |
CN106102095A (zh) | 协同多点通信系统下的双尺度动态资源优化配置方法 | |
Shi et al. | A bidding optimization framework of district energy systems under market environment | |
Oladejo et al. | Management of grid-connected micro-grid using game theory approach | |
Hu et al. | Energy Management for Microgrids Using a Hierarchical Game-Machine Learning Algorithm | |
Khalid et al. | Blockchain based service restoration in a power distribution system during crisis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180622 |
|
WD01 | Invention patent application deemed withdrawn after publication |