CN108551175B - 配电网储能容量配置方法 - Google Patents

配电网储能容量配置方法 Download PDF

Info

Publication number
CN108551175B
CN108551175B CN201810402357.0A CN201810402357A CN108551175B CN 108551175 B CN108551175 B CN 108551175B CN 201810402357 A CN201810402357 A CN 201810402357A CN 108551175 B CN108551175 B CN 108551175B
Authority
CN
China
Prior art keywords
energy storage
value
particle
power
objective
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
CN201810402357.0A
Other languages
English (en)
Other versions
CN108551175A (zh
Inventor
潘力强
禹海峰
谢欣涛
侯益灵
盛鵾
杨高才
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
State Grid Hunan Electric Power Co Ltd
Economic and Technological Research Institute of State Grid Hunan Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Hunan Electric Power Co Ltd
Economic and Technological Research Institute of State Grid Hunan 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, State Grid Hunan Electric Power Co Ltd, Economic and Technological Research Institute of State Grid Hunan Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201810402357.0A priority Critical patent/CN108551175B/zh
Publication of CN108551175A publication Critical patent/CN108551175A/zh
Application granted granted Critical
Publication of CN108551175B publication Critical patent/CN108551175B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • 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)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种配电网储能容量配置方法，包括建立储能系统容量配置的多目标优化模型；采用多目标粒子群算法对多目标优化模型进行求解；采用TOPSIS算法对得到的模型解进行选取，从而得到最终的配电网储能容量配置结果。本发明可以为配电网稳定性的提高提供技术依据,既能充分发挥储能装置的优势提高配电网运行的安全可靠性，又能节约储能装置的成本，同时还减少了频率与节点电压的波动。

Description

配电网储能容量配置方法
技术领域
本发明具体涉及一种配电网储能容量配置方法。
背景技术
随着经济社会飞速发展，分布电源大量接入使得电力系统安全稳定问题也随之增加。储能技术为解决这些问题提供了新的方法，电力储能技术己被公认是未来电力系统中的重要组成部分，改变了电力系统中功率刚性平衡性质，提高电网柔性的革新性技术，对电力安全、新能源发电的规模化应用都有着重要的意义。储能的加入给电力系统新能源接入带来的一系列稳定问题的解决提供了新的思路，目前已经有许多国内外学者对其加以研究。由于目前储能的成本还比较高，大容量的储能装置实施还不太现实，所以储能的容量配置就成了一个必须解决的问题。
分布式电源的出力具有不确定性，易受环境因素的影响，因此其大量接入将对配电网的安全稳定运行带来很大影响。储能系统具有快速能量响应能力，能够在一定程度上平抑分布式电源带来的不利影响。储能系统接入容量的不同对其平抑效果的影响很大，目前对于接入电网系统的储能系统的容量评估方法，其在评估过程中仅仅考虑储能系统的容量问题，从而导致评估的结果与实际效果相距较远，已经不再适用于现今的电网系统的评估。
发明内容
本发明的目的在于提供一种针对储能系统配置过程中的多目标进行共同优化的配电网储能容量配置方法。
本发明提供的这种配电网储能容量配置方法，包括如下步骤：
S1.建立储能系统容量配置的多目标优化模型；
S2.采用多目标粒子群算法对步骤S1建立的多目标优化模型进行求解；
S3.采用TOPSIS算法对步骤S2得到的模型解进行选取，从而得到最终的配电网储能容量配置结果。
步骤S1所述的建立储能系统容量配置的多目标优化模型，具体为以配电网的节点电压波动最小、储能系统容量最小和配电网的频率波动最小为目标函数，并以配电网功率平衡、节点电压、储能功率和储能能量平衡为约束条件，构建储能系统容量配置的多目标优化模型。
所述的建立储能系统容量配置的多目标优化模型，具体为采用如下步骤建立模型：
A.采用如下算式计算节点电压波动值f1：
Figure GDA0002953683290000021
式中Nbus为系统节点个数，T为考察时刻数，Vij为节点i在j时刻的电压值，
Figure GDA0002953683290000022
为节点i在考察时间内的电压平均值；
B.采用如下算式计算频率波动值f2：
Figure GDA0002953683290000023
式中T为考察时刻数，Ps(i)为时刻i的电网输入功率，
Figure GDA0002953683290000024
为考察时间内电网输入功率的平均值；
C.采用如下算式计算储能容量配置f3：
Figure GDA0002953683290000025
式中Nstore为储能系统的个数，t0为最大充电或放电开始时刻，t0+nΔt为最大充电或放电结束时刻，Pstorej(i)为第j个储能系统在时刻i的充电或放电功率；
D.采用如下算式作为多目标优化模型的目标函数f：
f＝min[f1,f2,f3]
式中min[f1,f2,f3]表示多目标优化最终值。
E.采用如下算式作为目标函数的功率平衡约束Ps：
Figure GDA0002953683290000031
式中Nbus为系统节点个数，NDG为分布式电源的个数，Nstore为储能系统的个数，Ploadi为节点i的负荷功率，PDGj为第j个分布式电源的出力，Pstorek为第k个储能系统的出力且储能系统放电时Pstorek取值为正；
F.采用如下算式作为目标函数的节点电压约束：
Vmin≤Vij≤Vmax
式中Vmin为节点电压最小值，Vmax为节点电压最大值；
G.采用如下算式作为目标函数的储能功率约束：
Pstore,min≤Pij≤Pstore,max
式中Pstore,min为储能系统的功率最小值，Pstore,max为储能系统的功率最大值；
H.采用如下算式作为目标函数的储能能量平衡约束：
Figure GDA0002953683290000032
式中
Figure GDA0002953683290000033
表示储能周期内能量总和。
步骤S2所述的采用多目标粒子群算法对多目标优化模型进行求解，具体为在现有的多目标粒子群算法中的基本速度更新公式中增加粒子对自身历史经验认知的项，应用粒子与种群最优粒子的差距程度作为指导来进行权重和加速因子的取值，从而形成改进的多目标粒子群算法并对多目标优化模型进行求解。
所述的应用粒子与种群最优粒子的差距程度作为指导来进行权重和加速因子的取值，具体为采用如下算式计算加速因子以及权重因子：
Figure GDA0002953683290000041
Figure GDA0002953683290000042
Figure GDA0002953683290000043
Figure GDA0002953683290000044
Figure GDA0002953683290000045
式中D为解空间维数，
Figure GDA0002953683290000046
为第i个粒子在k时刻位置与种群全局最优解的差值，xmax为粒子位置变量的最大值，xmin为粒子位置变量的最小值，
Figure GDA0002953683290000047
为粒子在k时刻位置向量，
Figure GDA0002953683290000048
为第i个粒子在k时刻种群全局最优解，
Figure GDA0002953683290000049
为第i个粒子在k时刻体现粒子个体经验的加速因子，c1,s为体现个体经验的加速因子初值，c1,e为体现个体经验的加速因子终值，
Figure GDA00029536832900000410
为第i个粒子在k时刻体现粒子群体经验的加速因子，c2,s为体现群体经验的加速因子初值，c2,e为体现群体经验的加速因子终值，
Figure GDA00029536832900000411
为第i个粒子在k时刻体现粒子不好的学习经验对粒子运行轨迹的影响力的加速因子，c3,s为体现粒子不好的学习经验对粒子运行轨迹的影响力的加速因子初值，c3,e为体现粒子不好的学习经验对粒子运行轨迹的影响力的加速因子终值，
Figure GDA00029536832900000412
为第i个粒子在k时刻的权重因子，ωs为权重因子的初值，ωe为权重因子的终值。
步骤S3所述的采用TOPSIS算法对得到的模型解进行选取，具体为采用类间标准差法来确定各目标值的权重，然后根据确定的目标值的权重采用TOPSIS算法对得到的模型解进行选取。
本发明提供的这种配电网储能容量配置方法，以节点电压波动、储能系统容量和频率波动最小为目标函数，考虑其功率平衡约束、节点电压约束、储能功率约束和储能能量平衡约束建立储能系统容量配置的多目标优化模型，通过改进的多目标粒子群算法求解储能系统容量配置的多目标优化模型，最后用基于类间标准差的TOPSIS法来进行最优解的选取，可以为配电网稳定性的提高提供技术依据,既能充分发挥储能装置的优势提高配电网运行的安全可靠性，又能节约储能装置的成本，同时还减少了频率与节点电压的波动。
附图说明
图1为本发明方法的方法流程图。
图2为本发明方法在实施例中的自适应加速因子曲线示意图。
图3为本发明方法在实施例中的惯性权重因子曲线图。
具体实施方式
如图1所示为本发明方法的方法流程图：本发明提供的这种配电网储能容量配置方法，包括如下步骤：
S1.建立储能系统容量配置的多目标优化模型；具体为以配电网的节点电压波动最小、储能系统容量最小和配电网的频率波动最小为目标函数，并以配电网功率平衡、节点电压、储能功率和储能能量平衡为约束条件，构建储能系统容量配置的多目标优化模型；
在具体实施时，采用如下步骤建立模型：
A.采用如下算式计算节点电压波动值f1：
Figure GDA0002953683290000051
式中Nbus为系统节点个数，T为考察时刻数，Vij为节点i在j时刻的电压值，
Figure GDA0002953683290000061
为节点i在考察时间内的电压平均值；
B.采用如下算式计算频率波动值f2：
Figure GDA0002953683290000062
式中T为考察时刻数，Ps(i)为时刻i的电网输入功率，
Figure GDA0002953683290000063
为考察时间内电网输入功率的平均值；
C.采用如下算式计算储能容量配置f3：
Figure GDA0002953683290000064
式中Nstore为储能系统的个数，t0为最大充电或放电开始时刻，t0+nΔt为最大充电或放电结束时刻，Pstorej(i)为第j个储能系统在时刻i的充电或放电功率；
D.采用如下算式作为多目标优化模型的目标函数f：
f＝min[f1,f2,f3]
式中min[f1,f2,f3]表示多目标优化最终值；
E.采用如下算式作为目标函数的功率平衡约束Ps：
Figure GDA0002953683290000065
式中Nbus为系统节点个数，NDG为分布式电源的个数，Nstore为储能系统的个数，Ploadi为节点i的负荷功率，PDGj为第j个分布式电源的出力，Pstorek为第k个储能系统的出力且储能系统放电时Pstorek取值为正；
F.采用如下算式作为目标函数的节点电压约束：
Vmin≤Vij≤Vmax
式中Vmin为节点电压最小值，Vmax为节点电压最大值；
G.采用如下算式作为目标函数的储能功率约束：
Pstore,min≤Pij≤Pstore,max
式中Pstore,min为储能系统的功率最小值，Pstore,max为储能系统的功率最大值；
H.采用如下算式作为目标函数的储能能量平衡约束：
Figure GDA0002953683290000071
式中
Figure GDA0002953683290000072
表示储能周期内能量总和；
S2.采用多目标粒子群算法对步骤S1建立的多目标优化模型进行求解，具体为在现有的多目标粒子群算法中的基本速度更新公式中增加粒子对自身历史经验(尤其是不好的历史经验)认知的项，应用粒子与种群最优粒子的差距程度作为指导来进行权重和加速因子的取值，从而形成改进的多目标粒子群算法并对多目标优化模型进行求解；
在具体实施时，采用如下算式计算加速因子以及权重因子：
Figure GDA0002953683290000073
Figure GDA0002953683290000074
Figure GDA0002953683290000075
Figure GDA0002953683290000076
Figure GDA0002953683290000077
式中D为解空间维数，
Figure GDA0002953683290000078
为第i个粒子在k时刻与种群全局最优解的差值，xmax为粒子位置变量的最大值，xmin为粒子位置变量的最小值，
Figure GDA0002953683290000079
为粒子在k时刻位置向量，
Figure GDA00029536832900000710
为第i个粒子在k时刻种群全局最优解，
Figure GDA00029536832900000711
为第i个粒子在k时刻体现粒子个体经验的加速因子，c1,s为体现个体经验的加速因子初值，c1,e为体现个体经验的加速因子终值，
Figure GDA0002953683290000081
为第i个粒子在k时刻体现粒子群体经验的加速因子，c2,s为体现群体经验的加速因子初值，c2,e为体现群体经验的加速因子终值，
Figure GDA0002953683290000082
为第i个粒子在k时刻体现粒子不好的学习经验对粒子运行轨迹的影响力的加速因子，c3,s为体现粒子不好的学习经验对粒子运行轨迹的影响力的加速因子初值，c3,e为体现粒子不好的学习经验对粒子运行轨迹的影响力的加速因子终值，
Figure GDA0002953683290000083
为第i个粒子在k时刻的权重因子，ωs为权重因子的初值，ωe为权重因子的终值；
其中，可以将c1,s设置为2.5，c2,s设置为0.5，c3,s设置为1；c1,e设置为0.5，c2,e设置为2.5，c3,e设置为0.5，其变化趋势如图2所示；ωs设置为0.9，ωe设置为0.4，其变化趋势如图3所示；
速度公式则变为：
Figure GDA0002953683290000084
Figure GDA0002953683290000085
式中r1、r2和r3为(0,1)内均匀分布的随机数，
Figure GDA0002953683290000086
表示粒子i在t次迭代过程中自我比较适应度值最差时的位置；
S3.采用TOPSIS算法对步骤S2得到的模型解进行选取，从而得到最终的配电网储能容量配置结果，具体为采用类间标准差法来确定各目标值的权重，然后根据确定的目标值的权重采用TOPSIS算法对得到的模型解进行选取；
由Pareto解集中的非劣解构成N个备选方案x1、x2、x3…xN，方案的属性数为n，即目标函数个数，则方案xi的第m个属性值为fm(xi)，由于各属性之间存在量纲差异，因此首先应对其进行标幺化处理，将其转化为无量纲属性。处理后方案xi的各属性值为[f1'(xi),f2'(xi),...,fn'(xi)]；各属性值的表达式为：
Figure GDA0002953683290000091
方案xi的相对距离d(xi)可通过下式来计算：
Figure GDA0002953683290000092
Figure GDA0002953683290000093
Figure GDA0002953683290000094
式中d+(xi)和d-(xi)分别指方案xi到理想方案、负理想方案的距离，λm为属性fm(xi)对应的权重，λm在0～1之间，且所有权重之和为1；f'm-和f'm+分别为所有方案中属性f'm标幺化后的最差值和最右值。
TOPSIS法在计算过程中需要给各目标值赋权重，而权重的选取对决策者的经验知识等有较高要求，为避免决策者自身对最终决策的影响，本发明采用类间标准差法来确定各目标值的权重，类间标准差法是通过判断Pareto解集中各目标值的类间标准差大小来确定权重，类间标准差越大，则说明该目标值在不同类别之间的差异性越大，提供的信息越多，所以权重就越大。

Claims (5)

1.一种配电网储能容量配置方法，包括如下步骤：
S1.建立储能系统容量配置的多目标优化模型；具体为采用如下步骤建立模型：
A.采用如下算式计算节点电压波动值f1：
Figure FDA0002953683280000011
式中Nbus为系统节点个数，T为考察时刻数，Vij为节点i在j时刻的电压值，
Figure FDA0002953683280000012
为节点i在考察时间内的电压平均值；
B.采用如下算式计算频率波动值f2：
Figure FDA0002953683280000013
式中T为考察时刻数，Ps(i)为时刻i的电网输入功率，
Figure FDA0002953683280000014
为考察时间内电网输入功率的平均值；
C.采用如下算式计算储能容量配置f3：
Figure FDA0002953683280000015
式中Nstore为储能系统的个数，t0为最大充电或放电开始时刻，t0+nΔt为最大充电或放电结束时刻，Pstorej(i)为第j个储能系统在时刻i的充电或放电功率；
D.采用如下算式作为多目标优化模型的目标函数f：
f＝min[f1,f2,f3]
式中min[f1,f2,f3]表示多目标优化最终值；
E.采用如下算式作为目标函数的功率平衡约束Ps：
Figure FDA0002953683280000021
式中Nbus为系统节点个数，NDG为分布式电源的个数，Nstore为储能系统的个数，Ploadi为节点i的负荷功率，PDGj为第j个分布式电源的出力，Pstorek为第k个储能系统的出力且储能系统放电时Pstorek取值为正；
F.采用如下算式作为目标函数的节点电压约束：
Vmin≤Vij≤Vmax
式中Vmin为节点电压最小值，Vmax为节点电压最大值；
G.采用如下算式作为目标函数的储能功率约束：
Pstore,min≤Pij≤Pstore,max
式中Pstore,min为储能系统的功率最小值，Pstore,max为储能系统的功率最大值；
H.采用如下算式作为目标函数的储能能量平衡约束：
Figure FDA0002953683280000022
式中
Figure FDA0002953683280000023
表示储能周期内能量总和；
S2.采用多目标粒子群算法对步骤S1建立的多目标优化模型进行求解；
S3.采用TOPSIS算法对步骤S2得到的模型解进行选取，从而得到最终的配电网储能容量配置结果。
2.根据权利要求1所述的配电网储能容量配置方法，其特征在于步骤S1所述的建立储能系统容量配置的多目标优化模型，具体为以配电网的节点电压波动最小、储能系统容量最小和配电网的频率波动最小为目标函数，并以配电网功率平衡、节点电压、储能功率和储能能量平衡为约束条件，构建储能系统容量配置的多目标优化模型。
3.根据权利要求2所述的配电网储能容量配置方法，其特征在于步骤S2所述的采用多目标粒子群算法对多目标优化模型进行求解，具体为在现有的多目标粒子群算法中的基本速度更新公式中增加粒子对自身历史经验认知的项，应用粒子与种群最优粒子的差距程度作为指导来进行权重和加速因子的取值，从而形成改进的多目标粒子群算法并对多目标优化模型进行求解。
4.根据权利要求3所述的配电网储能容量配置方法，其特征在于所述的应用粒子与种群最优粒子的差距程度作为指导来进行权重和加速因子的取值，具体为采用如下算式计算加速因子以及权重因子：
Figure FDA0002953683280000031
Figure FDA0002953683280000032
Figure FDA0002953683280000033
Figure FDA0002953683280000034
Figure FDA0002953683280000035
式中D为解空间维数，
Figure FDA0002953683280000036
为第i个粒子在k时刻与种群全局最优解的差值，xmax为粒子位置变量的最大值，xmin为粒子位置变量的最小值，
Figure FDA0002953683280000037
为粒子在k时刻位置向量，
Figure FDA0002953683280000038
为第i个粒子在k时刻种群全局最优解，
Figure FDA0002953683280000039
为第i个粒子在k时刻体现粒子个体经验的加速因子，c1,s为体现个体经验的加速因子初值，c1,e为体现个体经验的加速因子终值，
Figure FDA00029536832800000310
为第i个粒子在k时刻体现粒子群体经验的加速因子，c2,s为体现群体经验的加速因子初值，c2,e为体现群体经验的加速因子终值，
Figure FDA00029536832800000311
为第i个粒子在k时刻体现粒子不好的学习经验对粒子运行轨迹的影响力的加速因子，c3,s为体现粒子不好的学习经验对粒子运行轨迹的影响力的加速因子初值，c3,e为体现粒子不好的学习经验对粒子运行轨迹的影响力的加速因子终值，
Figure FDA0002953683280000041
为第i个粒子在k时刻的权重因子，ωs为权重因子的初值，ωe为权重因子的终值。
5.根据权利要求4所述的配电网储能容量配置方法，其特征在于步骤S3所述的采用TOPSIS算法对得到的模型解进行选取，具体为采用类间标准差法来确定各目标值的权重，然后根据确定的目标值的权重采用TOPSIS算法对得到的模型解进行选取。
CN201810402357.0A 2018-04-28 2018-04-28 配电网储能容量配置方法 Active CN108551175B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810402357.0A CN108551175B (zh) 2018-04-28 2018-04-28 配电网储能容量配置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810402357.0A CN108551175B (zh) 2018-04-28 2018-04-28 配电网储能容量配置方法

Publications (2)

Publication Number Publication Date
CN108551175A CN108551175A (zh) 2018-09-18
CN108551175B true CN108551175B (zh) 2021-07-27

Family

ID=63512844

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810402357.0A Active CN108551175B (zh) 2018-04-28 2018-04-28 配电网储能容量配置方法

Country Status (1)

Country Link
CN (1) CN108551175B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109873437B (zh) * 2018-12-27 2021-05-07 国网北京市电力公司 优化方法、装置、存储介质及处理器
CN111654046B (zh) * 2020-04-16 2022-03-01 国电南瑞南京控制系统有限公司 一种多应用场景的储能电站布置方法、系统及存储介质
CN111509750B (zh) * 2020-04-27 2021-02-19 湖南经研电力设计有限公司 电网侧储能系统容量配置优化方法
CN111614110B (zh) * 2020-06-15 2022-01-04 南京工程学院 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
CN111754361B (zh) * 2020-06-29 2022-05-03 国网山西省电力公司电力科学研究院 风储联合调频系统的储能容量优化配置方法及计算设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104392394B (zh) * 2014-11-20 2017-05-31 四川大学 一种微电网储能裕度的检测方法
CN106602584B (zh) * 2017-02-06 2020-01-10 上海电力设计院有限公司 一种基于双层优化模型的多能互补微网储能优化配置方法

Also Published As

Publication number Publication date
CN108551175A (zh) 2018-09-18

Similar Documents

Publication Publication Date Title
CN108551175B (zh) 配电网储能容量配置方法
CN111884213B (zh) 一种基于深度强化学习算法的配电网电压调节方法
CN110341690B (zh) 一种基于确定性策略梯度学习的phev能量管理方法
Wu et al. Continuous reinforcement learning of energy management with deep Q network for a power split hybrid electric bus
CN112131733B (zh) 计及电动汽车充电负荷影响的分布式电源规划方法
Zhang et al. Multi-colony ant colony optimization based on generalized jaccard similarity recommendation strategy
CN105138849B (zh) 一种基于ap聚类的无功电压控制分区方法
CN111509781A (zh) 一种分布式电源协调优化控制方法及系统
CN107516892A (zh) 基于处理有功优化约束条件提高电能质量的方法
CN107069708B (zh) 一种基于极限学习机的输电网线路有功安全校正方法
CN113300380A (zh) 一种基于负荷曲线分段的配电网无功优化补偿方法
CN104915788B (zh) 一种考虑多风场相关性的电力系统动态经济调度的方法
CN114204547A (zh) 考虑源网荷储协同优化的配电网多措施组合降损优化方法
CN112257897A (zh) 基于改进多目标粒子群的电动汽车充电优化方法和系统
CN111030149A (zh) 一种基于复合储能装置的微电网供电方法及电子设备
CN116914751A (zh) 一种智能配电控制系统
CN108830451A (zh) 一种用户侧分布式储能的汇聚潜力评估方法及系统
CN110943465A (zh) 一种储能系统选址定容优化方法
CN114217234A (zh) 一种基于ide-asrckf的锂离子电池参数辨识与soc估计方法
CN109447233B (zh) 电动汽车充放电调度方法及系统
CN112787331A (zh) 基于深度强化学习的潮流收敛自动调整方法及系统
CN114048576B (zh) 一种稳定电网输电断面潮流的储能系统智能化控制方法
CN110556868B (zh) 一种考虑电压稳定性的风电接入系统储能充放电控制方法
CN114971250A (zh) 基于深度q学习的综合能源经济调度系统
Wu et al. Research on Multi-Objective reactive power optimization based on modified Particle Swarm Optimization algorithm

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