CN108471133A - 基于两阶段随机模糊模拟的配电网随机模糊潮流算法 - Google Patents
基于两阶段随机模糊模拟的配电网随机模糊潮流算法 Download PDFInfo
- Publication number
- CN108471133A CN108471133A CN201810220119.8A CN201810220119A CN108471133A CN 108471133 A CN108471133 A CN 108471133A CN 201810220119 A CN201810220119 A CN 201810220119A CN 108471133 A CN108471133 A CN 108471133A
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- random
- model
- function
- photovoltaic
- 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.)
- Granted
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims abstract description 21
- 238000005286 illumination Methods 0.000 claims description 22
- 238000005315 distribution function Methods 0.000 claims description 12
- 230000005611 electricity Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims 1
- 239000004744 fabric Substances 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 12
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000002948 stochastic simulation Methods 0.000 abstract description 4
- 238000013461 design Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- H02J3/383—
-
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
-
- 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]
-
- 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
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了基于两阶段随机模糊模拟的配电网随机模糊潮流算法,属于电力系统不确定潮流计算领域,本方法考虑了风电出力、光伏出力及负荷需求的随机和模糊两种不确定性对网络状态变量的影响。首先建立风电出力、光伏出力和负荷需求的随机模糊不确定性模型,然后通过两阶段随机模糊模拟技术得到系统电压和功率的分布特征模型。其中,随机模拟阶段利用了多点估计技术,模糊阶段利用了模糊模拟技术,提高了算法的计算效率。本发明能够同时考虑系统中随机和模糊两种不确定性的影响,能够适应更多的系统环境并与系统稳定控制等算法兼容。
Description
技术领域
本发明属于配电网接入风电和光伏等新能源潮流计算领域,提出了基于两阶段随机模糊模拟的配电网随机模糊潮流算法。
背景技术
潮流计算是电力系统稳定计算、安全运行、可靠性规划的基础计算和基础。潮流计算的结果好坏将直接影响电力系统规划设计和安全运行。随着风电光伏等不确定性新能源的接入配电网日益增多,将给配电网的运行带来不确定性,特别是对节点电压质量的影响。这些不确定性通常包含有随机和模糊两种特性。
计及电源出力的随机性,国内外通常采用随机潮流,常见的做法有蒙特卡洛法、半不变量法和点估计法,这些算法中蒙特卡诺法需要大量采样,导致计算效率极低;半不变量法需要对潮流方程线性化出力,结果不够准确;点估计法利用少数点代替多数点,只需要计算少量的潮流计算即可得到所需的结果,是一种高效的算法。当计及电源出力的模糊性,采用的是模糊数学的处理方式。这两种潮流计算通常是分开讨论计算的,并不能应对电源出力同时存在随机性和模糊性的潮流计算。
发明内容
本发明的目的在于克服上述现有技术的不足,提供一种基于两阶段随机模糊模拟的配电网随机模糊潮流算法,利用两阶段随机模糊得到含有随机性和模糊性影响因素的配电网的潮流以及各种网络变量的分布情况,以利于电力系统规划设计和安全运行。
为了实现上述目的,本发明的技术方案是:
基于两阶段随机模糊模拟的配电网随机模糊潮流算法,包括如下步骤:
S1、根据风速、光照强度以及负荷的历史数据建立其随机模糊模型;
S2、根据步骤S1建立的随机模糊模型来建立风电、光伏出力和负荷需求的随机模糊不确定模型;
S3、对步骤S2建立的随机模糊不确定模型进行随机模糊模拟,该随机模糊模拟包括两个阶段,分别为随机模糊阶段和模糊模拟阶段;
S4、建立输出变量的随机模糊模型,输出变量包括节点电压幅值、节点电压相角、线路有功功率、线路无功功率的随机模糊期望值和随机模糊标准差。
具体地,在步骤S1中,风速和光照强度分别采用威布尔分布函数和beta分布函数来拟合其分布规律,具体为:
根据在一段时间内风速的历史数据拟合得到两参数威布尔函数,其参数的范围作为风速随机模糊模型的模糊数的起始点参考值;
根据一段时间内的光照历史数据用beta函数拟合,其函数参数的范围作为光照随机模糊模型的模糊数的起始点参考值。
在步骤S2中,风电出力的随机模糊不确定模型由风速的随机模糊模型与风机出力-风速函数结合得到;光伏出力的随机模糊不确定模型由光照的随机模糊模型和光伏出力-光照函数结合得到;风电出力的随机模糊不确定模型如下:
风速的随机模糊模型和风机出力-风速函数分别为:
式中,Pw和Prw分别是风机出力和风机额定出力;v为风速;vi,vr和vo分别为切入,额定和切出风速;ξk和ξc是形状和尺度参数,皆为三角模糊数;k1和k2分别计算如下:
光伏出力的随机模糊不确定模型:
光照的随机模糊模型和光伏出力-风速函数分别为:
PM=rAη
式中,r和rmax分别是实际和最大的太阳辐照度;A表示光伏组件的面积;η是光伏的转换效率;RM是光伏最大有功出力;PM是光伏出力;ξa和ξb是伽马分布函数的参数,为三角模糊数;Γ表示伽马函数。
在步骤S4中,随机模糊阶段具体包括如下步骤:
通过下面的公式得到每个输入变量的三个估计点:
xl,k=μl+ξl,kσl
其中,μl和σl分别是随机输入变量xl的均值和标准差;m为输入变量的个数,l为第l个变量;k为每个随机输入变量取的第k个点;ξl,k和wl,k是标准位置系数和权重系数,计算公式如下:
λl,3和λl,4分别为随机变量xl的偏度和峰度系数,计算公式如下:
当所有估计点取好之后,对2m+1个组合进行计算,计算公式如下:
Z(l,k)=f(μ1,μ2,...,xk,…μm)k=1,2
Z(l,3)=f(μ1,μ2,…,μk,…μm)
其中,f()为目标函数计算式;
最后利用权重系数计算得到输出变量的各阶矩,计算公式如下:
得到输出变量的随机期望值;
模糊模拟阶段包括如下步骤:
(1)设置e=1,样本数i=1;
(2)随机抽取风电出力、光伏出力和负荷需求的随机模糊不确定模型的模糊数的样本作为威布尔、beta和正态随机分布函数的参数,得到输入变量的随机分布函数;(3)进行N次随机潮流计算;
(4)取a=min1≤i≤NEpro(Zl),b=max1≤i≤NEpro(Zl);
(5)设置w=1;
(6)随机产生rw∈(a,b);
(7)若rw≥0,e=e+Cr{θ∈Θ|(Epro(Zl))≥rw},若rw<0,e=e-Cr{θ∈Θ|(Epro(Zl))≤rw}
(8)w=w+1;重复N次;
(9)
本发明与现有技术相比,其有益效果在于:
本发明首先建立风电出力、光伏出力和负荷需求的随机模糊不确定性模型,然后通过两阶段随机模糊模拟技术得到系统电压和功率的分布特征模型。其中,随机模拟阶段利用了多点估计技术,模糊阶段利用了模糊模拟技术,提高了算法的计算效率。本发明能够同时考虑系统中随机和模糊两种不确定性的影响,能够适应更多的系统环境并与系统稳定控制等算法兼容,从而利于电力系统规划设计和安全运行。
附图说明
图1是风电出力、光伏出力和负荷需求的随机模糊不确定模型的示意图;
图2是随机潮流计算流程图;
图3是随机模糊潮流计算流程图。
具体实施方式
下面结合附图和具体实施方式对本发明的内容做进一步详细说明。
实施例:
本发明实施例提供的基于两阶段随机模糊模拟的配电网随机模糊潮流算法具体包括如下步骤:
S1、根据风速、光照强度以及负荷的历史数据建立其随机模糊模型;
其中,风速和光照强度分别采用威布尔分布函数和beta分布函数来拟合其分布规律,具体为:
根据在一段时间内风速的历史数据拟合得到两参数威布尔函数,其参数的范围作为风速随机模糊模型的模糊数的起始点参考值;
根据一段时间内的光照历史数据用beta函数拟合,其函数参数的范围作为光照随机模糊模型的模糊数的起始点参考值。
S2、根据步骤S1建立的随机模糊模型来建立风电、光伏出力和负荷需求的随机模糊不确定模型,具体如图1所示;
由于天气、测量仪器的精度等因素的影响,在一段时间内,难以用单一的随机分布函数来描述风速和光照强度的分布规律,因此,本步骤在步骤S1的基础上在进行模糊数学描述,具体为:风电出力的随机模糊不确定模型由风速的随机模糊模型与风机出力-风速函数结合得到;光伏出力的随机模糊不确定模型由光照的随机模糊模型和光伏出力-光照函数结合得到;风电出力的随机模糊不确定模型如下:
风速的随机模糊模型和风机出力-风速函数分别为:
式中,Pw和Prw分别是风机出力和风机额定出力;v为风速;vi,vr和vo分别为切入,额定和切出风速;ξk和ξc是形状和尺度参数,皆为三角模糊数;k1和k2分别计算如下:
光伏出力的随机模糊不确定模型:
光照的随机模糊模型和光伏出力-风速函数分别为:
PM=rAη
式中,r和rmax分别是实际和最大的太阳辐照度;A表示光伏组件的面积;η是光伏的转换效率;RM是光伏最大有功出力;PM是光伏出力;ξa和ξb是伽马分布函数的参数,为三角模糊数;Γ表示伽马函数。
S3、对步骤S2建立的随机模糊不确定模型进行随机模糊模拟,包括两个阶段,分别为随机模糊阶段和模糊模拟阶段;该随机模糊模拟就是将随机模拟嵌入到模糊模拟当中。
如图2所示,该随机模糊阶段进行进行随机潮流计算,并采用2m+1点估计法;2m+1点估计法是一种概率统计方法,它能够通过已知变量的概率分布,求得输出随机变量的各阶矩。对于一个有m各输入随机变量的函数,在每个随机变量上取三个估计点,对于取到的每一个估计点,其他随机变量保持期望值,这样就组成3m个组合中,有m个组合是重复的,因此只需要对2m+1个组合进行计算。因此,在本实施例中,随机模糊阶段具体包括如下步骤:
通过下面的公式得到每个输入变量的三个估计点;
xl,k=μl+ξl,kσl
其中,μl和σl分别是随机输入变量xl的均值和标准差;m为输入变量的个数,l为第l个变量;k为每个随机输入变量取的第k个点;ξl,k和wl,k是标准位置系数和权重系数,计算公式如下:
λl,3和λl,4分别为随机变量xl的偏度和峰度系数,计算公式如下:
当所有估计点取好之后,对2m+1个组合进行计算,计算公式如下:
Z(l,k)=f(μ1,μ2,…,xk,…μm)k=1,2
Z(l,3)=f(μ1,μ2,…,μk,…μm)
其中,f()为目标函数计算式;
最后利用权重系数计算得到输出变量的各阶矩,计算公式如下:
得到输出变量的随机期望值;
而该模糊模拟阶段则如图3所示,具体包括如下步骤:
(1)设置e=1,样本数i=1;
(2)随机抽取模糊数的样本作为随机分布函数的参数,得到输入变量的随机分布函数;
(3)进行N次随机潮流计算;
(4)取a=min1≤i≤NEpro(Zl),b=max1≤i≤NEpro(Zl);
(5)设置w=1;
(6)随机产生rw∈(a,b);
(7)若rw≥0,e=e+Cr{θ∈Θ|(Epro(Zl))≥rw},若rw<0,e=e-Cr{θ∈Θ|(Epro(Zl))≤rw}
(8)w=w+1;重复N次;
(9)
S4、经过步骤S3的随机模糊处理之后,则可以得到节点电压幅值、节点电压相角、线路有功功率、线路无功功率的各阶矩,然后计算可以得到这些状态变量的随机模糊期望值和随机模糊标准差,以此作为正态分布函数的参数,用该正态分布函数表征网络状态变量受随机模糊不确定影响下的分布情况。
由此可知,本实施例提供的方法首先建立风电出力、光伏出力和负荷需求的随机模糊不确定性模型,然后通过两阶段随机模糊模拟技术得到系统电压和功率的分布特征模型。其中,随机模拟阶段利用了多点估计技术,模糊阶段利用了模糊模拟技术,提高了算法的计算效率。本发明能够同时考虑系统中随机和模糊两种不确定性的影响,能够适应更多的系统环境并与系统稳定控制等算法兼容,从而利于电力系统规划设计和安全运行。
上述实施例只是为了说明本发明的技术构思及特点,其目的是在于让本领域内的普通技术人员能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡是根据本发明内容的实质所做出的等效的变化或修饰,都应涵盖在本发明的保护范围内。
Claims (4)
1.基于两阶段随机模糊模拟的配电网随机模糊潮流算法,其特征在于,包括如下步骤:
S1、根据风速、光照强度以及负荷的历史数据建立其随机模糊模型;
S2、根据步骤S1建立的随机模糊模型来建立风电、光伏出力和负荷需求的随机模糊不确定模型;
S3、对步骤S2建立的随机模糊不确定模型进行随机模糊模拟,该随机模糊模拟包括两个阶段,分别为随机模糊阶段和模糊模拟阶段;
S4、建立输出变量的随机模糊模型,输出变量包括节点电压幅值、节点电压相角、线路有功功率、线路无功功率的随机模糊期望值和随机模糊标准差。
2.如权利要求1所述的基于两阶段随机模糊模拟的配电网随机模糊潮流算法,其特征在于,在步骤S1中,风速和光照强度分别采用威布尔分布函数和beta分布函数来拟合其分布规律,具体为:
根据在一段时间内风速的历史数据拟合得到两参数威布尔函数,其参数的范围作为风速随机模糊模型的模糊数的起始点参考值;
根据一段时间内的光照历史数据用beta函数拟合,其函数参数的范围作为光照随机模糊模型的模糊数的起始点参考值。
3.如权利要求1或2所述的基于两阶段随机模糊模拟的配电网随机模糊潮流算法,其特征在于,在步骤S2中,风电出力的随机模糊不确定模型由风速的随机模糊模型与风机出力-风速函数结合得到;光伏出力的随机模糊不确定模型由光照的随机模糊模型和光伏出力-光照函数结合得到;风电出力的随机模糊不确定模型如下:
风速的随机模糊模型和风机出力-风速函数分别为:
式中,Pw和Prw分别是风机出力和风机额定出力;v为风速;vi,vr和vo分别为切入,额定和切出风速;ξk和ξc是形状和尺度参数,皆为三角模糊数;k1和k2分别计算如下:
光伏出力的随机模糊不确定模型:
光照的随机模糊模型和光伏出力-风速函数分别为:
PM=rAη
式中,r和rmax分别是实际和最大的太阳辐照度;A表示光伏组件的面积;η是光伏的转换效率;RM是光伏最大有功出力;PM是光伏出力;ξa和ξb是伽马分布函数的参数,为三角模糊数;Γ表示伽马函数。
4.如权利要求1或2所述的基于两阶段随机模糊模拟的配电网随机模糊潮流算法,其特征在于,在步骤S4中,随机模糊阶段具体包括如下步骤:
通过下面的公式得到每个输入变量的三个估计点:
xl,k=μl+ξl,kσl
其中,μl和σl分别是随机输入变量xl的均值和标准差;m为输入变量的个数,l为第l个变量;k为每个随机输入变量取的第k个点;ξl,k和wl,k是标准位置系数和权重系数,计算公式如下:
λl,3和λl,4分别为随机变量xl的偏度和峰度系数,计算公式如下:
当所有估计点取好之后,对2m+1个组合进行计算,计算公式如下:
Z(l,k)=f(μ1,μ2,...,xk,...μm)k=1,2
Z(l,3)=f(μ1,μ2,...,μk,...μm)
其中,f()为目标函数计算式;
最后利用权重系数计算得到输出变量的各阶矩,计算公式如下:
得到输出变量的随机期望值;
模糊模拟阶段包括如下步骤:
(1)设置e=1,样本数i=1;
(2)随机抽取风电出力、光伏出力和负荷需求的随机模糊不确定模型的模糊数的样本作为威布尔、beta和正态随机分布函数的参数,得到输入变量的随机分布函数;(3)进行N次随机潮流计算;
(4)取a=min1≤i≤NEpro(Zl),b=max1≤i≤NEpro(Zl);
(5)设置w=1;
(6)随机产生rw∈(a,b);
(7)若rw≥0,e=e+Cr{θ∈Θ|(Epro(Zl))≥rw},若rw<0,e=e-Cr{θ∈Θ|(Epro(Zl))≤rw}
(8)w=w+1;重复N次;
(9)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810220119.8A CN108471133B (zh) | 2018-03-16 | 2018-03-16 | 基于两阶段随机模糊模拟的配电网随机模糊潮流算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810220119.8A CN108471133B (zh) | 2018-03-16 | 2018-03-16 | 基于两阶段随机模糊模拟的配电网随机模糊潮流算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108471133A true CN108471133A (zh) | 2018-08-31 |
CN108471133B CN108471133B (zh) | 2021-05-25 |
Family
ID=63264420
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810220119.8A Expired - Fee Related CN108471133B (zh) | 2018-03-16 | 2018-03-16 | 基于两阶段随机模糊模拟的配电网随机模糊潮流算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108471133B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110739687A (zh) * | 2019-10-24 | 2020-01-31 | 福州大学 | 一种考虑风电高阶不确定性的电力系统分布鲁棒调度方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105633948A (zh) * | 2015-12-09 | 2016-06-01 | 长沙理工大学 | 一种分布式风电、光伏发电等不确定能源接入电力系统随机模糊潮流算法 |
CN107104442A (zh) * | 2017-04-20 | 2017-08-29 | 河海大学 | 计及参数模糊性的含风电场电力系统概率潮流计算方法 |
-
2018
- 2018-03-16 CN CN201810220119.8A patent/CN108471133B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105633948A (zh) * | 2015-12-09 | 2016-06-01 | 长沙理工大学 | 一种分布式风电、光伏发电等不确定能源接入电力系统随机模糊潮流算法 |
CN107104442A (zh) * | 2017-04-20 | 2017-08-29 | 河海大学 | 计及参数模糊性的含风电场电力系统概率潮流计算方法 |
Non-Patent Citations (2)
Title |
---|
吴华仪 等: "PPSO Method forDistribution Network Reconfiguration Considering the Stochastic Uncertainty of Wind Turbine, Photovoltaic and Load", 《JOURNAL OF ENGINEERING》 * |
秦泽宇 等: "考虑风光互补的电力系统多目标随机优化", 《电力科学与技术学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110739687A (zh) * | 2019-10-24 | 2020-01-31 | 福州大学 | 一种考虑风电高阶不确定性的电力系统分布鲁棒调度方法 |
CN110739687B (zh) * | 2019-10-24 | 2021-06-01 | 福州大学 | 一种考虑风电高阶不确定性的电力系统分布鲁棒调度方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108471133B (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103887815B (zh) | 基于运行数据的风电场参数辨识及动态等值方法 | |
CN113572163B (zh) | 基于改进仿射算法的分布式电源主动配电网优化调度方法 | |
CN105449713A (zh) | 考虑分布式电源特性的有源配电网智能软开关规划方法 | |
CN103390116A (zh) | 采用分步方式的光伏电站发电功率预测方法 | |
CN103715688B (zh) | 并网型微网优化配置方法及装置 | |
CN107749638B (zh) | 多微电网组合的虚拟发电厂分布式随机非重叠抽样的无中心优化方法 | |
CN109802394A (zh) | 一种计及分布式电源与电动汽车接入的概率潮流计算方法 | |
CN104901309B (zh) | 考虑风速相关性的电力系统静态安全评估方法 | |
CN107834593B (zh) | 一种下垂控制型孤岛微电网静态电压稳定概率评估方法 | |
CN109274121B (zh) | 一种风电场控制参数优化方法及系统 | |
CN102623993A (zh) | 一种分布式电力系统状态估计方法 | |
CN103106314A (zh) | 太阳能光伏电源输出功率的时序概率建模方法 | |
CN106548410A (zh) | 一种含分布式电源的配电网电压不平衡概率评估方法 | |
CN108599239A (zh) | 一种下垂控制型孤岛微电网电压质量概率评估方法 | |
CN103986193B (zh) | 一种最大风电并网容量获取的方法 | |
Abdullah et al. | A noniterative method to estimate load carrying capability of generating units in a renewable energy rich power grid | |
CN110429637A (zh) | 一种概率静态电压稳定域的可视化方法 | |
CN105743093B (zh) | 一种考虑风光出力不确定性的配电网潮流计算方法 | |
CN103927597A (zh) | 基于自回归滑动平均模型的风电功率超短期预测方法 | |
CN111523947B (zh) | 一种虚拟电厂发电成本生成方法 | |
CN108471133A (zh) | 基于两阶段随机模糊模拟的配电网随机模糊潮流算法 | |
CN105633971A (zh) | 一种基于帝国主义竞争算法的智能配电网随机潮流方法 | |
CN113437749B (zh) | 电力系统无功优化方法、装置及设备 | |
CN113408924B (zh) | 基于统计机器学习的园区综合能源系统的规划方法 | |
CN104850914B (zh) | 一种基于特征建模的新能源发电量预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210525 |