CN109726416B - 一种基于新能源集群预测及潮流计算的调度决策方法 - Google Patents
一种基于新能源集群预测及潮流计算的调度决策方法 Download PDFInfo
- Publication number
- CN109726416B CN109726416B CN201810686746.0A CN201810686746A CN109726416B CN 109726416 B CN109726416 B CN 109726416B CN 201810686746 A CN201810686746 A CN 201810686746A CN 109726416 B CN109726416 B CN 109726416B
- Authority
- CN
- China
- Prior art keywords
- new energy
- regional
- power grid
- load
- power
- 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
Images
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于新能源集群预测及潮流计算的调度决策方法,包括区域新能源集群功率预测模块、基于SCADA系统与EMS系统的数据模块、含新能源接入的PSASP区域电网潮流计算模块、区域电网调度管理决策单元以及应用模块。本发明以区域新能源集群出力数据和气象数据为数据源,构建小波‑神经网络预测模型,实现区域新能源集群出力的高精度预测,并结合区域电网主变、线路负载率、区域电网负荷以及基于PSASP的含新能源接入的区域电网潮流计算结果等信息,建立区域电网调度管理决策单元,应用于新能源并网接入点的选取、新能源日前计划开机方式安排、分析区域电网新能源消纳能力、主网运行方式安排以及寻找区域网架薄弱环节等。
Description
技术领域
本发明涉及新能源集群功率预测技术应用领域,尤其是一种基于新能源集群预测及潮流计算的调度决策方法。
背景技术
目前,新能源发电具有经济、环保、安全、可靠等优势,随着新能源技术的发展,分布式光伏电站、风电场等分布式新能源电站接入电力系统的比例不断增高。新能源具有间歇性、随机性等特征,很难有稳定的能量输出,风力发电、光伏发电具有难预测、难控制、难调度的特点。当前国内新能源功率预测系统大多为单一的电站或电场的功率预测,这一现状并不能满足电力调度的需求。基于PSASP的区域电网潮流计算是分析区域电网薄弱环节的重要手段,但是现有的PSASP区域电网建模较少考虑新能源并网的影响,或者单一的将并网新能源等效为负荷,由于区域电网接入的新能源点较多,这种等效方法难以与实际相符。电网调度决策需要根据电网运行情况作出相应的运行方式调整,现阶段,新能源并网往往采取就地消纳,多余功率上网的策略,较少参与调度决策的制定。
发明内容
本发明所要解决的技术问题是:本发明将区域新能源集群功率预测、考虑新能源接入的PSASP区域电网潮流计算、区域电网调度决策三者结合起来,应用于选择新能源并网接入点、制定日前计划开机方式安排、计算新能源上网功率及分析新能源消纳能力、制定电网运行方式参考、寻找区域电网薄弱环节等。
一种基于新能源集群预测及潮流计算的调度决策方法,其特征在于,所述方法包括区域新能源集群功率预测模块、基于SCADA系统与EMS系统的数据模块、含新能源接入的PSASP区域电网潮流计算模块、区域电网调度管理决策单元以及应用模块;
所述区域新能源集群功率预测模块包括:历史区域新能源集群出力数据模块、历史区域气象数据模块、调度日气象数据模块以及基于MATALB的预测模块;
所述基于SCADA系统与EMS系统的数据模块包括:区域电网主变负载率信息录入模块、区域电网线路负载率信息录入模块以及区域电网负荷总量模块;
所述区域电网调度管理决策单元以及应用模块包括:选择新能源并网接入点、制定日前计划开机方式安排、计算新能源上网功率及分析新能源消纳能力、参考制定电网运行方式、寻找区域电网薄弱环节。
所述区域新能源集群功率预测模块主要在于实现区域新能源集群出力的高精度预测,并按如下步骤实现:
步骤一:收集并整理区域电网所有新能源历史数据;
光伏电站按照15分钟一个点,取总辐射数据矩阵S1、直射辐射数据矩阵V1、散射辐射数据矩阵U1,建立光伏数据矩阵:其中,S1=[s1 … si … st]T,si表示i时刻的电站总辐射数据;V1=[v1 … vi … vt]T,vi表示i时刻的电站直射辐射数据;U1=[u1 … ui … ut]T,ui表示i时刻的电站散射辐射数据。光伏电站出力数据矩阵P1=[p1 … pi … pt]T,pi表示i时刻的光伏电站出力数据。
风电场按照15分钟一个点,取测风塔50m高度的风速数据矩阵V2、测风塔50m高度的风向数据矩阵U2,建立风电场数据矩阵:其中,V2=[v′1 … v′i …v′t]T,v′i表示i时刻的风电场风速数据;U2=[u′1 … u′i … u′t]T,u′i表示i时刻的风电场风向数据。风电场出力数据矩阵P′1=[p′1 … p′i … p′t]T,p′i表示i时刻的风电场出力数据。
区域新能源集群输入数据表示表示为:I=[T1 … Tk D1 … Dn];区域新能源集群出力数据表示为:P=[P1 … Pk P′1 … P′n]。
步骤二:对新能源集群输入数据及出力数据进行归一化处理:
其中,公式(2)为隐含层输出计算公式,公式(3)中,h(j)为隐含层第j个节点输出值;wij为输入层和隐含层的连接权值;bj为小波基函数hj的平移因子;aj为小波基函数hj的伸缩因子;hj为小波基函数;公式(4)为小波神经网络输出层计算公式,式中,wjk为隐含层到输出层权值,h(i)为第i个隐含层节点的输出,l为隐含层节点数,m为输出层节点数。
所述区域电网主变负载率信息录入模块,其数据从SCADA系统及EMS系统中获取得到。
所述区域电网线路负载率信息录入模块,其数据从SCADA系统及EMS系统中获取得到。
所述区域电网负荷总量模块,其数据从SCADA系统及EMS系统中获取得到。
所述含新能源接入的PSASP区域电网潮流计算模块,区域新能源集群高精度预测结果,将区域新能源集群并网等效为主网负荷,负荷大小即为区域新能源集群功率预测结果,搭建含新能源接入的区域电网潮流计算模型;通过PSASP潮流计算,得到区域电网潮流分布情况,从而找到区域电网薄弱环节。
所述区域电网调度管理决策单元,是根据区域新能源集群功率预测结果、区域电网主变负载率、线路负载率、负荷总量等进行信息整合、决策调度指令的单元;
所述区域电网调度管理决策单元信息整合包括以下内容:
1)设定区域电网运行方式A、B、C、D四种,其中A为正常运行方式,B、C、D为当该区域在正常运行方式下出现主变或线路重过载时临时倒换的方式(原因可能为电网负荷过高或一些主变在检修状态)。记区域电网负荷需求总量为Q,根据正常运行方式下该区域以往负荷与主变负载率、线路负载率的相关性,设置主变(线路)重过载负荷临界域[Q1 Q2]。当Q>Q2时,主变(线路)一定会出现重过载;当Q1≤Q≤Q2时,主变(线路)会出现重过载,但通过倒方式的方法可以解决该问题;当Q<Q1时,主变(线路)一定不会出现重过载。
2)采用区域新能源集群功率预测模块实现区域新能源集群功率的高精度预测,取预测值为P。建立含新能源接入的PSASP区域电网潮流计算模型,将新能源注入功率等效为负荷,取值为P,分析含新能源接入的区域电网潮流分布。
根据上述内容1)、2)实现以下调度决策:
1)决策一:当Q>Q2时,该片区负荷过重,选择新能源接入点并入该区域,就地消纳部分主网负荷,解决主变(线路)重载问题。
2)决策二:当Q1≤Q≤Q2时,通过调整区域电网运行方式,如将A运行方式调整为B运行方式,解决过重载问题;并通过选择新能源并网点使该区域达到最优潮流分布,实现经济调度。
3)决策三:根据区域电网负荷总量以及新能源集群功率预测值安排新能源日开机计划。
4)决策四:记区域电网新能源集群功率预测值为P,发电电力为P0,设新能源消纳率为k=P/P0,分析新能源消纳能力。
5)决策五:通过新能源集群功率预测,建立含新能源接入的区域电网潮流计算模型,通过潮流分析,优化运行方式安排,并查找区域电网的薄弱环节。
所述区域电网调度管理决策单元以及应用模块,包含调度决策的具体应用,即选择新能源并网接入点、制定日前计划开机方式安排、计算新能源上网功率及分析新能源消纳能力、制定电网运行方式参考、寻找区域电网薄弱环节。
与现有技术相比,本发明的有益效果在于:本发明可通过一种基于区域新能源集群功率预测及PSASP潮流计算的调度决策方法,创造性的为新能源接入点的选取、解决区域主变、线路重过载问题、灵活安排运行方式等提供调度决策依据,具体如下:
(1)将区域新能源当作一个整体,提出了基于小波神经网络的区域新能源集群功率预测方法,提升了新能源集群功率的预测精度。
(2)将区域新能源集群功率预测与基于PSASP的区域电网潮流计算相结合,并将预测功率作为区域网架新能源注入功率进行建模。这种含新能源接入的PSASP区域电网潮流计算模型能更好的反映区域电网实际运行情况,具有极大的调度决策参考意义。
(3)将区域电网主变、线路负载率、区域电网负荷等数据与含新能源接入的潮流计算结果相结合,提出应用于调度决策的新方法,如选择新能源接入点解决主变、线路重过载问题、灵活安排区域电网运行方式等。
附图说明
图1是本发明基于区域新能源预测及PSASP潮流计算决策模型。
图2是本发明区域新能源集群功率预测小波神经网络训练模型。
图3是本发明含新能源接入的PSASP等效模型。
图4是本发明调度管理单元决策模型。
具体实施方式
下面结合附图,对本发明做进一步阐述,以下实例用于说明本发明,但不能用来限制本发明的范围。
一种基于新能源集群预测及潮流计算的调度决策方法,包括区域新能源集群功率预测模块、基于SCADA系统与EMS系统的数据模块、含新能源接入的PSASP区域电网潮流计算模块、区域电网调度管理决策单元以及应用模块;
所述区域新能源集群功率预测模块包括:历史区域新能源集群出力数据模块、历史区域气象数据模块、调度日气象数据模块以及基于MATALB的预测模块;
所述基于SCADA系统与EMS系统的数据模块包括:区域电网主变负载率信息录入模块、区域电网线路负载率信息录入模块以及区域电网负荷总量模块;
所述区域电网调度管理决策单元以及应用模块包括:选择新能源并网接入点、制定日前计划开机方式安排、计算新能源上网功率及分析新能源消纳能力、参考制定电网运行方式、寻找区域电网薄弱环节。
所述区域新能源集群功率预测模块主要在于实现区域新能源集群出力的高精度预测,并按如下步骤实现:
步骤一:收集并整理区域电网所有新能源历史数据;
光伏电站按照15分钟一个点,取总辐射数据矩阵S1、直射辐射数据矩阵V1、散射辐射数据矩阵U1,建立光伏数据矩阵:其中,S1=[s1 … si … st]T,si表示i时刻的电站总辐射数据;V1=[v1 … vi … vt]T,vi表示i时刻的电站直射辐射数据;U1=[u1 … ui … ut]T,ui表示i时刻的电站散射辐射数据。光伏电站出力数据矩阵P1=[p1 … pi … pt]T,pi表示i时刻的光伏电站出力数据。
风电场按照15分钟一个点,取测风塔50m高度的风速数据矩阵V2、测风塔50m高度的风向数据矩阵U2,建立风电场数据矩阵:其中,V2=[v′1 … v′i …v′t]T,v′i表示i时刻的风电场风速数据;U2=[u′1 …u′i … y′t]T,u′i表示i时刻的风电场风向数据。风电场出力数据矩阵P′1=[p′1 … p′i … p′t]T,p′i表示i时刻的风电场出力数据。
区域新能源集群输入数据表示表示为:I=[T1 … Tk D1 … Dn];区域新能源集群出力数据表示为:P=[P1 … Pk P′1 … P′n]。
步骤二:对新能源集群输入数据及出力数据进行归一化处理:
其中,公式(2)为隐含层输出计算公式,公式(3)中,h(j)为隐含层第j个节点输出值;wij为输入层和隐含层的连接权值;bj为小波基函数hj的平移因子;aj为小波基函数hj的伸缩因子;hj为小波基函数;公式(4)为小波神经网络输出层计算公式,式中,wjk为隐含层到输出层权值,h(i)为第i个隐含层节点的输出,l为隐含层节点数,m为输出层节点数。
所述区域电网主变负载率信息录入模块,其数据从SCADA系统及EMS系统中获取得到。
所述区域电网线路负载率信息录入模块,其数据从SCADA系统及EMS系统中获取得到。
所述区域电网负荷总量模块,其数据从SCADA系统及EMS系统中获取得到。
所述含新能源接入的PSASP区域电网潮流计算模块,区域新能源集群高精度预测结果,将区域新能源集群并网等效为主网负荷,负荷大小即为区域新能源集群功率预测结果,搭建含新能源接入的区域电网潮流计算模型;通过PSASP潮流计算,得到区域电网潮流分布情况,从而找到区域电网薄弱环节。
所述区域电网调度管理决策单元,是根据区域新能源集群功率预测结果、区域电网主变负载率、线路负载率、负荷总量等进行信息整合、决策调度指令的单元;
所述区域电网调度管理决策单元信息整合包括以下内容:
1)设定区域电网运行方式A、B、C、D四种,其中A为正常运行方式,B、C、D为当该区域在正常运行方式下出现主变或线路重过载时临时倒换的方式(原因可能为电网负荷过高或一些主变在检修状态)。记区域电网负荷需求总量为Q,根据正常运行方式下该区域以往负荷与主变负载率、线路负载率的相关性,设置主变(线路)重过载负荷临界域[Q1 Q2]。当Q>Q2时,主变(线路)一定会出现重过载;当Q1≤Q≤Q2时,主变(线路)会出现重过载,但通过倒方式的方法可以解决该问题;当Q<Q1时,主变(线路)一定不会出现重过载。
2)采用区域新能源集群功率预测模块实现区域新能源集群功率的高精度预测,取预测值为P。建立含新能源接入的PSASP区域电网潮流计算模型,将新能源注入功率等效为负荷,取值为P,分析含新能源接入的区域电网潮流分布。
根据上述内容1)、2)实现以下调度决策:
1)决策一:当Q>Q2时,该片区负荷过重,选择新能源接入点并入该区域,就地消纳部分主网负荷,解决主变(线路)重载问题。
2)决策二:当Q1≤Q≤Q2时,通过调整区域电网运行方式,如将A运行方式调整为B运行方式,解决过重载问题;并通过选择新能源并网点使该区域达到最优潮流分布,实现经济调度。
3)决策三:根据区域电网负荷总量以及新能源集群功率预测值安排新能源日开机计划。
4)决策四:记区域电网新能源集群功率预测值为P,发电电力为P0,设新能源消纳率为k=P/P0,分析新能源消纳能力。
5)决策五:通过新能源集群功率预测,建立含新能源接入的区域电网潮流计算模型,通过潮流分析,优化运行方式安排,并查找区域电网的薄弱环节。
所述区域电网调度管理决策单元以及应用模块,包含调度决策的具体应用,即选择新能源并网接入点、制定日前计划开机方式安排、计算新能源上网功率及分析新能源消纳能力、制定电网运行方式参考、寻找区域电网薄弱环节。
Claims (7)
1.一种基于新能源集群预测及潮流计算的调度决策方法,其特征在于,所述方法包括区域新能源集群功率预测模块、基于SCADA系统与EMS系统的数据模块、含新能源接入的PSASP区域电网潮流计算模块、区域电网调度管理决策单元以及应用模块;
所述区域新能源集群功率预测模块包括:历史区域新能源集群出力数据模块、历史区域气象数据模块、调度日气象数据模块以及基于MATALB的预测模块;
所述基于SCADA系统与EMS系统的数据模块包括:区域电网主变负载率信息录入模块、区域电网线路负载率信息录入模块以及区域电网负荷总量模块;
所述区域电网调度管理决策单元以及应用模块包括:选择新能源并网接入点、制定日前计划开机方式安排、计算新能源上网功率及分析新能源消纳能力、参考制定电网运行方式、寻找区域电网薄弱环节;
所述区域新能源集群功率预测模块主要在于实现区域新能源集群出力的高精度预测,并按如下步骤实现:
步骤一:收集并整理区域电网所有新能源历史数据;
光伏电站按照15分钟一个点,取总辐射数据矩阵S1、直射辐射数据矩阵V1、散射辐射数据矩阵U1,建立光伏数据矩阵:其中,S1=[s1...si...st]T,si表示i时刻的电站总辐射数据;V1=[v1...vi...vt]T,vi表示i时刻的电站直射辐射数据;U1=[u1...ui...ut]T,ui表示i时刻的电站散射辐射数据;光伏电站出力数据矩阵P1=[p1...pi...pt]T,pi表示i时刻的光伏电站出力数据;
风电场按照15分钟一个点,取测风塔50m高度的风速数据矩阵V2、测风塔50m高度的风向数据矩阵U2,建立风电场数据矩阵:其中,V2=[v′1...v′i...v′t]T,v′i表示i时刻的风电场风速数据;U2=[u′1...u′i...u′t]T,u′1表示i时刻的风电场风向数据;风电场出力数据矩阵P′1=[p′1...p′i...p′t]T,p′i表示i时刻的风电场出力数据;
区域新能源集群输入数据表示表示为:I=[T1...TkD1...Dn];区域新能源集群出力数据表示为:P=[P1...PkP′1...P′n];
步骤二:对新能源集群输入数椐及出力数椐进行归一化处理:
其中,公式(2)为隐含层输出计算公式,公式(3)中,h(j)为隐含层第j个节点输出值;wij为输入层和隐含层的连接权值;bj为小波基函数hj的平移因子;aj为小波基函数hj的伸缩因子;hj为小波基函数;公式(4)为小波神经网络输出层计算公式,式中,wjk为隐含层到输出层权值,h(i)为第i个隐含层节点的输出,1为隐含层节点数,m为输出层节点数。
2.根据权利要求1所述的一种基于新能源集群预测及潮流计算的调度决策方法,其特征在于,所述区域电网主变负载率信息录入模块,其数据从SCADA系统及EMS系统中获取得到。
3.根据权利要求1所述的一种基于新能源集群预测及潮流计算的调度决策方法,其特征在于,所述区域电网线路负载率信息录入模块,其数据从SCADA系统及EMS系统中获取得到。
4.根据权利要求1所述的一种基于新能源集群预测及潮流计算的调度决策方法,其特征在于,所述区域电网负荷总量模块,其数据从SCADA系统及EMS系统中获取得到。
5.根据权利要求1所述的一种基于新能源集群预测及潮流计算的调度决策方法,其特征在于,所述含新能源接入的PSASP区域电网潮流计算模块,区域新能源集群高精度预测结果,将区域新能源集群并网等效为主网负荷,负荷大小即为区域新能源集群功率预测结果,搭建含新能源接入的区域电网潮流计算模型;通过PSASP潮流计算,得到区域电网潮流分布情况,从而找到区域电网薄弱环节。
6.根据权利要求1所述的一种基于新能源集群预测及潮流计算的调度决策方法,其特征在于,所述区域电网调度管理决策单元,是根据区域新能源集群功率预测结果、区域电网主变负载率、线路负载率、负荷总量进行信息整合、决策调度指令的单元;
所述区域电网调度管理决策单元信息整合包括以下内容:
1)设定区域电网运行方式A、B、C、D四种,其中A为正常运行方式,B、C、D为当该区域在正常运行方式下出现主变或线路重过载时临时倒换的方式;记区域电网负荷需求总量为Q,根据正常运行方式下该区域以往负荷与主变负载率、线路负载率的相关性,设置主变、线路重过载负荷临界域[Q1Q2];当Q>Q2时,主变、线路一定会出现重过载;当Q1≤Q≤Q2时,主变、线路会出现重过载,但通过倒方式的方法可以解决该问题;当Q<Q1时,主变、线路一定不会出现重过载;
2)采用区域新能源集群功率预测模块实现区域新能源集群功率的高精度预测,取预测值为P;建立含新能源接入的PSASP区域电网潮流计算模型,将新能源注入功率等效为负荷,取值为P,分析含新能源接入的区域电网潮流分布;
根据上述内容1)、2)实现以下调度决策:
1)决策一:当Q>Q2时,该片区负荷过重,选择新能源接入点并入该区域,就地消纳部分主网负荷,解决主变、线路重载问题;
2)决策二:当Q1≤Q≤Q2时,通过调整区域电网运行方式,如将A运行方式调整为B运行方式,解决过重载问题;并通过选择新能源并网点使该区域达到最优潮流分布,实现经济调度;
3)决策三:根据区域电网负荷总量以及新能源集群功率预测值安排新能源日开机计划;
4)决策四:记区域电网新能源集群功率预测值为P,发电电力为P0,设新能源消纳率为k=P/P0,分析新能源消纳能力;
5)决策五:通过新能源集群功率预测,建立含新能源接入的区域电网潮流计算模型,通过潮流分析,优化运行方式安排,并查找区域电网的薄弱环节。
7.根据权利要求1所述的一种基于新能源集群预测及潮流计算的调度决策方法,其特征在于,所述区域电网调度管理决策单元及应用模块,包含调度决策的具体应用,即选择新能源并网接入点、制定日前计划开机方式安排、计划新能源上网功率及分析新能源消纳能力、制定电网运行方式参考、寻找区域电网薄弱环节。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810686746.0A CN109726416B (zh) | 2018-06-28 | 2018-06-28 | 一种基于新能源集群预测及潮流计算的调度决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810686746.0A CN109726416B (zh) | 2018-06-28 | 2018-06-28 | 一种基于新能源集群预测及潮流计算的调度决策方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109726416A CN109726416A (zh) | 2019-05-07 |
CN109726416B true CN109726416B (zh) | 2022-11-25 |
Family
ID=66293856
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810686746.0A Active CN109726416B (zh) | 2018-06-28 | 2018-06-28 | 一种基于新能源集群预测及潮流计算的调度决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109726416B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112580957A (zh) * | 2020-12-15 | 2021-03-30 | 国网辽宁省电力有限公司技能培训中心 | 一种基于云平台的智慧能源管控系统 |
CN113572162B (zh) * | 2021-07-28 | 2023-11-28 | 国家电网有限公司 | 新能源汇集区的电压滚动预测方法、装置、终端及介质 |
CN113872210A (zh) * | 2021-10-14 | 2021-12-31 | 广东电网有限责任公司 | 一种电网关键断面潮流校核方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150058061A1 (en) * | 2013-08-26 | 2015-02-26 | Magdy Salama | Zonal energy management and optimization systems for smart grids applications |
CN106874630B (zh) * | 2017-03-28 | 2020-04-21 | 上海理工大学 | 基于电量消纳的区域电网新能源开发潜力评估方法 |
CN107368961A (zh) * | 2017-07-12 | 2017-11-21 | 东南大学 | 一种适用于新能源接入背景下的区域电网碳排放管理方法 |
-
2018
- 2018-06-28 CN CN201810686746.0A patent/CN109726416B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109726416A (zh) | 2019-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113595158B (zh) | 配售电竞争态势下区域配电网的供电能力评估方法 | |
Reddy | Optimal power flow with renewable energy resources including storage | |
Yuan et al. | Stochastic optimization model for the short-term joint operation of photovoltaic power and hydropower plants based on chance-constrained programming | |
CN107423852A (zh) | 一种计及典型场景的光储联合电站优化运营方法 | |
CN108306303A (zh) | 一种考虑负荷增长和新能源出力随机的电压稳定评估方法 | |
Long et al. | Configuration optimization and analysis of a large scale PV/wind system | |
CN102510108B (zh) | 一种用于求取地区电网最大风电装机容量的方法 | |
CN109726416B (zh) | 一种基于新能源集群预测及潮流计算的调度决策方法 | |
CN113937825A (zh) | 一种基于E-C-Kmeans聚类和SOP优化的DG双层优化配置方法 | |
CN117973742A (zh) | 一种虚拟电厂资源优化配置方法及系统 | |
Liu et al. | Bi-level fuzzy stochastic expectation modelling and optimization for energy storage systems planning in virtual power plants | |
CN104578091A (zh) | 一种含多源电网的无延时最优无功协调控制系统及方法 | |
CN115344995A (zh) | 能源承载能力评估方法、装置、计算机设备和存储介质 | |
Han et al. | Optimal sizing considering power uncertainty and power supply reliability based on LSTM and MOPSO for SWPBMs | |
CN108694475B (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
CN118114469A (zh) | 一种虚拟电厂参与配电网协同优化调度方法及系统 | |
CN117748444A (zh) | 一种配电系统的运行模拟方法 | |
Zhang et al. | Multi–objective cluster partition method for distribution network considering uncertainties of distributed generations and loads | |
Yang et al. | Storage-transmission joint planning method to deal with insufficient flexibility and transmission congestion | |
Wu et al. | Research on optimal storage capacity of DC micro‐grid system in PV station | |
Jamahori et al. | IMPACT AND EVALUATION OF OPTIMIZED PV GENERATION IN THE DISTRIBUTION SYSTEM WITH VARYING LOAD DEMANDS | |
Ghiassi et al. | On the use of AI as a requirement for improved insolation forecasting accuracy to achieve optimized PV utilization | |
Balasubramanyam et al. | Dynamic energy management system of microgrid using AI techniques: A comprehensive & comparative study | |
CN116865231A (zh) | 一种基于生成对抗网络的含分布式能源配电网与多微网日前随机调度方法 | |
Yuanyu et al. | Research on Generation and Reduction of Typical Operation Scenarios in Virtual Power Plants |
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 |