CN110110948A - 一种多目标分布式电源优化配置方法 - Google Patents
一种多目标分布式电源优化配置方法 Download PDFInfo
- Publication number
- CN110110948A CN110110948A CN201910512372.5A CN201910512372A CN110110948A CN 110110948 A CN110110948 A CN 110110948A CN 201910512372 A CN201910512372 A CN 201910512372A CN 110110948 A CN110110948 A CN 110110948A
- Authority
- CN
- China
- Prior art keywords
- distributed generation
- generation resource
- power
- power supply
- multiple target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000009826 distribution Methods 0.000 claims abstract description 47
- 230000007613 environmental effect Effects 0.000 claims abstract description 45
- 238000005457 optimization Methods 0.000 claims abstract description 44
- 230000008901 benefit Effects 0.000 claims abstract description 39
- 238000010248 power generation Methods 0.000 claims description 38
- 239000000243 solution Substances 0.000 claims description 23
- 230000005611 electricity Effects 0.000 claims description 12
- 239000003344 environmental pollutant Substances 0.000 claims description 9
- 231100000719 pollutant Toxicity 0.000 claims description 9
- 238000005286 illumination Methods 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 4
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims description 3
- 240000002853 Nelumbo nucifera Species 0.000 claims description 3
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims description 3
- 238000002347 injection Methods 0.000 claims description 3
- 239000007924 injection Substances 0.000 claims description 3
- 241000894007 species Species 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims 1
- 230000002045 lasting effect Effects 0.000 claims 1
- 230000035699 permeability Effects 0.000 claims 1
- 238000013468 resource allocation Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 17
- 230000002123 temporal effect Effects 0.000 description 7
- 230000035772 mutation Effects 0.000 description 5
- 230000006872 improvement Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000002360 explosive Substances 0.000 description 3
- 239000004744 fabric Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000009738 saturating Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开了一种多目标分布式电源优化配置方法,通过构建基于环境效益、供电可靠性和经济成本的多目标优化模型,根据可再生能源分布式电源的概率模型建立多目标优化模型的约束条件,通过预置算法对多目标优化模型进行寻优求解,将得到的最优解对应的多目标分布式电源配置方案作为最终的多目标分布式电源优化配置方案,本申请同时考虑了分布式电源的环境效益、供电可靠性和经济成本,能够有效提高配电网运行的经济性,解决了现有的配电网中分布式电源规划未将环境效益和经济成本因素考虑进去,导致配电网运行的经济性较低的技术问题。
Description
技术领域
本申请涉及电力系统规划技术领域,尤其涉及一种多目标分布式电源优化配置方法。
背景技术
随着分布式发电技术的迅速发展,分布式电源在电力系统中所占的比重越来越大,这对传统的电力系统规划提出了新的挑战和要求。
电力系统配电网中分布着众多数量的分布式电源,分布式电源的日负荷特性和出力情况除了与其所处位置网络结构有关,还与气象因素和时序因素有关,为了能够真实反映配电网的各项经济技术指标以实现资源的优化配置,提高配电网的可靠性,在优化配置模型中必须考虑分布式电源出力的时序特性,同时随着社会对环境保护的重视程度不断提高,在进行分布式电源优化配置时,应充分考虑分布式电源的环保效益,才能使分布式电源规划结果更贴合实际,符合未来环境保护发展趋势。目前对配电网中分布式电源的规划方式并未将环境效益和经济成本因素考虑进去,导致配电网运行的经济性较低。
发明内容
本申请实施例提供了一种多目标分布式电源优化配置方法,用于解决现有的配电网中分布式电源规划未将环境效益和经济成本因素考虑进去,导致配电网运行的经济性较低的技术问题。
有鉴于此,本申请提供了一种分布式电源多目标优化规划方法,包括以下步骤:
101、构建基于环境效益、供电可靠性和经济成本的待规划地区分布式电源的多目标优化模型,并根据建立的可再生能源分布式电源的概率模型,构建所述多目标优化模型的约束条件;
102、根据预置算法对所述多目标优化模型进行求解,输出满足所述环境效益的成本最小、所述供电可靠性的指标最优和所述经济成本的成本最小的最优解,得到最优的多目标分布式电源优化配置方案。
优选地,步骤101之前,还包括:
100、获取待规划地区分布式电源的若干个日负荷序列和若干个日出力序列,所述若干个日负荷序列为若干个预置时段的日负荷序列,所述若干个日出力序列为若干个分布式电源的日出力序列;
相应地,步骤101具体包括:
根据典型日负荷序列和典型日出力序列,构建基于环境效益、供电可靠性和经济成本的多目标优化模型,并根据建立的所述可再生能源分布式电源的概率模型,构建所述多目标优化模型的约束条件;
其中,所述典型日负荷序列根据对所述若干个日负荷序列进行平均化获得,所述典型日出力序列根据对所述若干个日出力序列进行平均化和单位化获得。
优选地,所述可再生能源分布式电源包括:风力发电分布式电源和光伏发电分布式电源;
所述可再生能源分布式电源的概率模型包括:风力发电分布式电源出力概率模型和光伏发电分布式电源出力概率模型;
所述风力发电分布式电源出力概率模型为:
其中,PW为风电机组的有功输出功率,为风机的额定容量,Vci为风机的切入风速,Vr为风机的额定风速,Vco为风机的切出风速,Vh为风速;
所述光伏发电分布式电源出力概率模型为:
其中,Ps为光伏输出的有功输出功率,Ps r为光伏额定容量,I为光照强度,Ir为额定光照强度。
优选地,所述典型日负荷序列为:
所述典型日出力序列为:
其中,Ki为典型日负荷序列上的第i个数据点,nl为日负荷序列的总条数,kji为第j条日负荷序列上的第i个数据点,m为日负荷序列上数据点的总个数,Hi为典型日出力序列上的第i个数据点,s为分布式电源的容量,nd为日出力序列上数据点的总个数。
优选地,所述预置算法为改进烟花算法。
优选地,所述多目标优化模型为:
F=w1f1+w2f2+w3f3;
其中,w1、w2和w3均为权重系数,且w1+w2+w3=1,f1为关于环境效益的函数,f2为关于供电可靠性的函数,f3为关于经济成本的函数。
优选地,所述关于环境效益的函数f1具体为:
其中,NDG为目标电网区域的分布式电源的总个数,Qk为第k个分布式电源的年发电量,Np为污染物的种类数,CFi为火力发电电源排放第i种污染物的环境价值成本,CDGki为第k个可再生能源分布式电源排放第i种污染物的环境价值成本,Num为可再生能源分布式电源的日出力序列特性曲线和日负荷序列特性曲线的分段数,Pkt为第k个可再生能源分布式电源在日负荷序列上的第t时段的有功出力,Δt为发电时间。
优选地,所述关于供电可靠性的函数f2具体为:
其中,cprice为单位电价,λj为负荷点j的故障率,γj为负荷点j的故障平均停电持续时间,Pij为负荷点j在时段i的负荷大小。
优选地,所述关于经济成本的函数f3具体为:
其中,为将第t年的费用转化得到的当前价值,η为贴现率;T为可再生能源分布式电源规划水平年,NC为可再生能源分布式电源安装候选点数目;Ntype为可再生能源分布式电源类型数目;Si,k、Ti,k分别为候选点i安装第k类可再生能源分布式电源的容量和年发电运行小时数,CI,k和COM,k分别为第k类可再生能源分布式电源的单位容量投资成本和发电运行维护成本。
优选地,所述约束条件包括机会约束条件、等式约束条件和不等式约束条件;
所述机会约束条件为:
所述等式约束条件为:
所述不等式约束条件为:
其中,Pr{.}为事件{.}成立的置信水平,a、b分别为节点i的电压幅值和馈线传输容量不越限的置信水平,Ui为节点i的电压幅值,Umin为电压最小值,Umax为电压最大值,PDGi和QDGi分别为节点i处所接分布式电源有功功率和无功功率注入量,PLDi和QLDi分别是节点i的负荷功率,Gij和Bij分别为节点i和j之间线路的电导和电纳,δij为节点i和j之间电压的相位差大小,PLi为支路i的有功功率;Nbus为支路数目,pmax为配电网最大允许的分布式电源渗透率,SDGi、SDGimax分别为第i台分布式电源的安装容量和容量上限。
从以上技术方案可以看出,本申请实施例具有以下优点:
本申请中,提供了一种多目标分布式电源优化配置方法,包括以下步骤:101、构建基于环境效益、供电可靠性和经济成本的待规划地区分布式电源的多目标优化模型,并根据建立的可再生能源分布式电源的概率模型,构建多目标优化模型的约束条件;102、根据预置算法对多目标优化模型进行求解,输出满足环境效益的成本最小、供电可靠性的指标最优和经济成本的成本最小的最优解,得到最优的多目标分布式电源优化配置方案。本申请中提供的方法,通过构建基于环境效益、供电可靠性和经济成本的多目标优化模型,根据可再生能源分布式电源的概率模型建立多目标优化模型的约束条件,通过预置算法对多目标优化模型进行寻优求解,将得到的最优解对应的多目标分布式电源配置方案作为最终的多目标分布式电源优化配置方案,本申请同时考虑了分布式电源的环境效益、供电可靠性和经济成本,能够有效提高配电网运行的经济性,解决了现有的配电网中分布式电源规划未将环境效益和经济成本因素考虑进去,导致配电网运行的经济性较低的技术问题。
附图说明
图1为本申请提供的一种多目标分布式电源优化配置方法的一个实施例的流程示意图;
图2为本申请提供的一种多目标分布式电源优化配置方法的另一个实施例的流程示意图;
图3为本申请提供的一种多目标分布式电源优化配置装置的一个实施例的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
为了便于理解,请参阅图1,本申请提供的一种多目标分布式电源优化配置方法的一个实施例,包括:
步骤101、构建基于环境效益、供电可靠性和经济成本的待规划地区分布式电源的多目标优化模型,并根据建立的可再生能源分布式电源的概率模型,构建多目标优化模型的约束条件。
需要说明的是,本申请实施例中,同时考虑待规划地区分布式电源的环境效益、供电可靠性和经济成本,基于环境效益、供电可靠性和经济成本构建待规划地区分布式电源的多目标优化模型。分布式电源通常分为两类,一类是利用不可再生能源的分布式电源,如微型燃气轮机等,其出力一般具有可控性,另一类是利用可再生能源的分布式电源,如风力发电和光伏发电等,其出力的时序特性主要受时间因素的影响,存在不确定因素。考虑可再生能源分布式电源的不确定因素,本申请实施例中对可再生能源分布式电源的随机性进行出力概率建模,建立可再生能源分布式电源的概率模型,根据可再生能源分布式电源的概率模型构建多目标优化模型的约束条件,用于对多目标优化模型的约束。
步骤102、根据预置算法对多目标优化模型进行求解,输出满足环境效益的成本最小、供电可靠性的指标最优和经济成本的成本最小的最优解,得到最优的多目标分布式电源优化配置方案。
需要说明的是,在完成待规划地区分布式分布电源的多目标优化模型的构建之后,为合理选择待规划地区的分布式电源的接入位置和容量大小,需要对分布式电源的多目标优化模型进行求解,求出满足分布式电源的接入位置和容量大小的最优配置方案对应的多目标优化模型的最优解。本申请实施例中,采用预置算法对多目标优化模型进行求解,求出满足环境效益的成本最小、供电可靠性的指标最优和经济成本的成本最小的最优解,从而得到最优的多目标分布式电源优化配置方案。
本申请实施例中提供的多目标分布式电源优化配置方法,通过构建基于环境效益、供电可靠性和经济成本的多目标优化模型,根据可再生能源分布式电源的概率模型建立多目标优化模型的约束条件,通过预置算法对多目标优化模型进行寻优求解,将得到的最优解对应的多目标分布式电源配置方案作为最终的多目标分布式电源优化配置方案,本申请同时考虑了分布式电源的环境效益、供电可靠性和经济成本,能够有效提高配电网运行的经济性,解决了现有的配电网中分布式电源规划未将环境效益和经济成本因素考虑进去,导致配电网运行的经济性较低的技术问题。
请参阅图2,本申请中还提供了一种多目标分布式电源优化配置方法的另一个实施例,包括:
步骤201、获取待规划地区分布式电源的若干个日负荷序列和若干个日出力序列,若干个日负荷序列为若干个预置时段的日负荷序列,若干个日出力序列为若干个分布式电源的日出力序列。
进一步地,典型日负荷序列为:
典型日出力序列为:
其中,Ki为典型日负荷序列上的第i个数据点,nl为日负荷序列的总条数,kji为第j条日负荷序列上的第i个数据点,m为日负荷序列上数据点的总个数,Hi为典型日出力序列上的第i个数据点,s为分布式电源的容量,nd为日出力序列上数据点的总个数。
需要说明的是,本申请实施例中,首先需要分析待规划地区的负荷和分布式电源出力的时序特性。获取若干个预置时段的日负荷序列,可以是连续一个月或几个月的日负荷序列,对若干个日负荷序列进行平均化即可得到典型日负荷序列。获取若干个相应预置时段的分布式电源的日出力序列,对其进行平均化和单位化即可得到单位容量分布式电源的典型日出力序列。典型日负荷序列则代表了负荷的时序特性,典型日出力序列则代表了分布式电源的日出力时序特性。
步骤202、根据典型日负荷序列和典型日出力序列,构建基于环境效益、供电可靠性和经济成本的多目标优化模型,并根据建立的可再生能源分布式电源的概率模型,构建多目标优化模型的约束条件。
步骤203、根据预置算法对多目标优化模型进行求解,输出满足环境效益的成本最小、供电可靠性的指标最优和经济成本的成本最小的最优解,得到最优的多目标分布式电源优化配置方案。
进一步地,可再生能源分布式电源包括:风力发电分布式电源和光伏发电分布式电源;
可再生能源分布式电源的概率模型包括:风力发电分布式电源出力概率模型和光伏发电分布式电源出力概率模型;
风力发电分布式电源出力概率模型为:
其中,PW为风电机组的有功输出功率,为风机的额定容量,Vci为风机的切入风速,Vr为风机的额定风速,Vco为风机的切出风速,Vh为风速;
光伏发电分布式电源出力概率模型为:
其中,Ps为光伏输出的有功输出功率,Ps r为光伏额定容量,I为光照强度,Ir为额定光照强度。
需要说明的是,本申请实施例中的可再生能源分布式电源包括风力发电分布式电源和光伏发电分布式电源,但并不限于风力发电分布式电源和光伏发电分布式电源。考虑到风力发电分布式电源和光伏发电分布式电源出力的不确定因素,本申请实施例中对风力发电分布式电源和光伏发电分布式电源出力的随机性进行概率建模。
关于风力发电分布式电源的不确定性建立出力概率模型:
风力发电机的输出功率随风速变化而变化,风速V服从Weibull分布,其概率密度为:
式中:k,c分别为形状参数和尺度参数。
风电机组的有功输出功率PW与风机参数(额定容量Pr W、切入风速Vci、额定风速Vr和切出风速Vco)和风速Vh有关,可用下式表示风电的有功出力:
关于光伏发电分布式电源出力的不确定性建立出力概率模型:
光伏发电的出力受气象因素影响大,其中太阳能光照强度的影响最大,用Beta分布描述光照强度的不确定性:
式中:Γ(.)为伽马函数,分布参数α和β用于确定Beta分布的性质;I为光照强度,Im为对应的最大值。
光伏输出的有功功率与光照强度之间的关系可近似表示为:
进一步地,多目标优化模型为:
F=w1f1+w2f2+w3f3;
其中,w1、w2和w3均为权重系数,且w1+w2+w3=1,f1为关于环境效益的函数,f2为关于供电可靠性的函数,f3为关于经济成本的函数。
进一步地,关于环境效益的函数f1具体为:
其中,NDG为目标电网区域的分布式电源的总个数,Qk为第k个分布式电源的年发电量,Np为污染物的种类数,CFi为火力发电电源排放第i种污染物的环境价值成本,CDGki为第k个可再生能源分布式电源排放第i种污染物的环境价值成本,Num为可再生能源分布式电源的日出力序列特性曲线和日负荷序列特性曲线的分段数,Pkt为第k个可再生能源分布式电源在日负荷序列上的第t时段的有功出力,Δt为发电时间。
需要说明的是,分布式电源比传统集中式燃煤的发电方式更加环保,特别是可再生能源分布式电源,如风力发电和光伏发电,将大大减少污染气体的排放,从社会公共效益角度,分布式电源发电产生的污染气体(如CO2,NOx,SO2,CO等)对环境的影响,将环境效益成本最低作为目标函数之一。因此,本申请实施例中将,关于环境效益的函数f1设置为:
其中,式中的Num=24,即按一天24小时进行分段,将分布式电源的日出力序列特性曲线和日负荷序列特性曲线分为24段。
进一步地,关于供电可靠性的函数f2具体为:
其中,cprice为单位电价,λj为负荷点j的故障率,γj为负荷点j的故障平均停电持续时间,Pij为负荷点j在时段i的负荷大小。
需要说明的是,供电可靠性是指供电系统持续供电的能力,是考核供电系统电能质量的重要指标。当配电网发生系统故障中断供电时,分布式电源可对其孤岛范围内的负荷持续供电,从而提高供电可靠性。本申请实施例中,采用年缺供电量成本作为评价供电可靠性的指标,可表示为:
进一步地,关于经济成本的函数f3具体为:
其中,为将第t年的费用转化得到的当前价值,η为贴现率;T为可再生能源分布式电源规划水平年,NC为可再生能源分布式电源安装候选点数目;Ntype为可再生能源分布式电源类型数目;Si,k、Ti,k分别为候选点i安装第k类可再生能源分布式电源的容量和年发电运行小时数,CI,k和COM,k分别为第k类可再生能源分布式电源的单位容量投资成本和发电运行维护成本。
需要说明的是,本申请实施例中的经济成本由投资费用CI和运行维护费用COM两部分组成,其表达式为:
进一步地,约束条件包括机会约束条件、等式约束条件和不等式约束条件;
机会约束条件为:
等式约束条件为:
不等式约束条件为:
其中,Pr{.}为事件{.}成立的置信水平,a、b分别为节点i的电压幅值和馈线传输容量不越限的置信水平,Ui为节点i的电压幅值,Umin为电压最小值,Umax为电压最大值,PDGi和QDGi分别为节点i处所接分布式电源有功功率和无功功率注入量,PLDi和QLDi分别是节点i的负荷功率,Gij和Bij分别为节点i和j之间线路的电导和电纳,δij为节点i和j之间电压的相位差大小,PLi为支路i的有功功率;Nbus为支路数目,pmax为配电网最大允许的分布式电源渗透率,SDGi、SDGimax分别为第i台分布式电源的安装容量和容量上限。
需要说明的是,考虑不确定因素的机会约束规划允许节点电压U和馈线传输容量S在一定置信水平内有少数的越限情况发生,本申请实施例中对节点电压幅值和馈线传输容量采用机会约束如下:
同时,还应满足约束条件:
和
进一步地,本申请实施例中采用的预置算法为改进烟花算法。
需要说明的是,本申请实施例中采用改进烟花算法对多目标优化模型进行求解,首先初始化改进烟花算法的参数,在可行解空间中随机产生一定数量的烟花,每个烟花代表解空间中的一个可行解。假设分布式电源均接入到配电网负荷节点上,粒子的位置信息包含接入分布式电源的类型和接入容量,采用二进制编码方式对烟花编码,编码信息具体为:
X={Z1,S1,Z2,S2,…,Tn,Sn};
式中,X为烟花的位置信息,Ti为配电网节点i处的分布式电源的类型,Si为配电网节点i处的分布式电源的容量。
本申请实施例中的改进烟花算法中,设置最大迭代次数为50次。
根据多目标优化模型计算每个烟花的适应度,并据此确定烟花质量的优劣和不同爆炸半径下产生火花的数量。
在可行域Ω内初始化一定数量烟花,为了达到烟花差异化的目的,每个烟花的爆炸半径和爆炸产生的火花数目是根据其相对于烟花种群中其他烟花适应度值计算得到的。每个烟花Xi产生的火花的数量Ji和爆炸半径Ai分别为:
式中:ymin=min(f(xi)),(i=1,2,...,N)为当前烟花种群中适应度最小值,ymax=max(f(xi)),(i=1,2,...,N)是当前烟花种群中适应度最大值。是调整爆炸半径大小的常数,M是调整产生的爆炸火花数目大小的常数,ε是一个机器最小量,用来避免除零操作。
为了限制适应度值好的烟花位置不会产生过多的爆炸烟花,同时适应度值差的烟花位置不会产生过少的火花粒子,对产生的火花个数进行了如下限制。
式中round(.)是根据四舍五入原则的取整函数。
使用改进烟花算法对优化配置模型进行求解,输出计算结果,获得最优的分布式电源配置方案。
为了增加爆炸火花种群的多样性,引入了变异算子用于产生变异火花,即高斯变异火花。首先在烟花种群中随机选择一个烟花Xi,然后对该烟花随机选择一定数量的维度进行高斯变异操作。对于烟花Xi的某一个选择得到的维度k执行高斯变异操作即为
式中:N(1,1)表示均值为1,方差为1的高斯分布。
在爆炸算子和变异算子分别产生爆炸火花和高斯变异火花过程中,可能产生的火花会超出可行域Ω的边界范围。当火花Xi在维度k上超出边界,将通过下式的映射规则映射到一个新的位置。
式中:XUB,k、XLB,k为解空间在维度k上的上边界和下边界。
假设候选者集合为K,烟花种群大小为N。候选者集合中适应度值最小的个体会被确定性地选择到下一代作为烟花,而对剩下的N-1个烟花的选择使用轮盘赌的方法在候选者集合中进行选择。对于候选者Xi,其被选择概率的计算公式为
式中:R(Xi)为当前个体到候选者集合K除Xi所有的个体之间的距离之和。在候选者集合中,如果个体密度较高,即该个体周围有很多其他候选者个体时,该个体被选择的概率会降低。
判断是否达到迭代次数,如果满足则停止搜索并输出结果,否则新一代烟花进入下一次迭代计算。
本申请实施例中提供的多目标分布式电源优化配置方法,相对于现有技术具有以下优点及效果:
(1)本申请提供的方法考虑了环境效益、供电可靠性和经济成本,可以更加客观地评价分布式电源的价值,使得最优配置方案具有可行性;
(2)本申请提供的方法考虑了负荷和分布式电源的时序特性对配电网的影响,所建立的数学模型更接近于实际,有利于真实反映配电网的各项经济技术指标;
(3)本申请提供的方法,采用改进烟花算法对多目标优化模型进行求解,能够避免陷入局部最优进而寻找全局最优,有效解决多目标优化配置问题。
本申请还提供了一种多目标分布式电源优化配置装置的实施例,包括以下模块:
建模模块301,用于构建基于环境效益、供电可靠性和经济成本的待规划地区分布式电源的多目标优化模型,并根据建立的可再生能源分布式电源的概率模型,构建多目标优化模型的约束条件。
求解模块302,用于根据预置算法对多目标优化模型进行求解,输出满足环境效益的成本最小、供电可靠性的指标最优和经济成本的成本最小的最优解,得到最优的多目标分布式电源优化配置方案。
获取模块303,用于获取待规划地区分布式电源的若干个日负荷序列和若干个日出力序列,若干个日负荷序列为若干个预置时段的日负荷序列,若干个日出力序列为若干个分布式电源的日出力序列。
相应地,建模模块301具体用于:
根据典型日负荷序列和典型日出力序列,构建基于环境效益、供电可靠性和经济成本的多目标优化模型,并根据建立的可再生能源分布式电源的概率模型,构建多目标优化模型的约束条件;
其中,典型日负荷序列根据对若干个日负荷序列进行平均化获得,典型日出力序列根据对若干个日出力序列进行平均化和单位化获得。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,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,在本申请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,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文全称:Read-OnlyMemory,英文缩写:ROM)、随机存取存储器(英文全称:Random Access Memory,英文缩写:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围。
Claims (10)
1.一种多目标分布式电源优化配置方法,其特征在于,包括以下步骤:
101、构建基于环境效益、供电可靠性和经济成本的待规划地区分布式电源的多目标优化模型,并根据建立的可再生能源分布式电源的概率模型,构建所述多目标优化模型的约束条件;
102、根据预置算法对所述多目标优化模型进行求解,输出满足所述环境效益的成本最小、所述供电可靠性的指标最优和所述经济成本的成本最小的最优解,得到最优的多目标分布式电源优化配置方案。
2.根据权利要求1所述的多目标分布式电源优化配置方法,其特征在于,步骤101之前,还包括:
100、获取待规划地区分布式电源的若干个日负荷序列和若干个日出力序列,所述若干个日负荷序列为若干个预置时段的日负荷序列,所述若干个日出力序列为若干个分布式电源的日出力序列;
相应地,步骤101具体包括:
根据典型日负荷序列和典型日出力序列,构建基于环境效益、供电可靠性和经济成本的多目标优化模型,并根据建立的所述可再生能源分布式电源的概率模型,构建所述多目标优化模型的约束条件;
其中,所述典型日负荷序列根据对所述若干个日负荷序列进行平均化获得,所述典型日出力序列根据对所述若干个日出力序列进行平均化和单位化获得。
3.根据权利要求1所述的多目标分布式电源优化配置方法,其特征在于,所述可再生能源分布式电源包括:风力发电分布式电源和光伏发电分布式电源;
所述可再生能源分布式电源的概率模型包括:风力发电分布式电源出力概率模型和光伏发电分布式电源出力概率模型;
所述风力发电分布式电源出力概率模型为:
其中,PW为风电机组的有功输出功率,为风机的额定容量,Vci为风机的切入风速,Vr为风机的额定风速,Vco为风机的切出风速,Vh为风速;
所述光伏发电分布式电源出力概率模型为:
其中,Ps为光伏输出的有功输出功率,Ps r为光伏额定容量,I为光照强度,Ir为额定光照强度。
4.根据权利要求2所述的多目标分布式电源优化配置方法,其特征在于,所述典型日负荷序列为:
所述典型日出力序列为:
其中,Ki为典型日负荷序列上的第i个数据点,nl为日负荷序列的总条数,kji为第j条日负荷序列上的第i个数据点,m为日负荷序列上数据点的总个数,Hi为典型日出力序列上的第i个数据点,s为分布式电源的容量,nd为日出力序列上数据点的总个数。
5.根据权利要求1所述的多目标分布式电源优化配置方法,其特征在于,所述预置算法为改进烟花算法。
6.根据权利要求1所述的多目标分布式电源优化配置方法,其特征在于,所述多目标优化模型为:
F=w1f1+w2f2+w3f3;
其中,w1、w2和w3均为权重系数,且w1+w2+w3=1,f1为关于环境效益的函数,f2为关于供电可靠性的函数,f3为关于经济成本的函数。
7.根据权利要求6所述的多目标分布式电源优化配置方法,其特征在于,所述关于环境效益的函数f1具体为:
其中,NDG为目标电网区域的分布式电源的总个数,Qk为第k个分布式电源的年发电量,Np为污染物的种类数,CFi为火力发电电源排放第i种污染物的环境价值成本,CDGki为第k个可再生能源分布式电源排放第i种污染物的环境价值成本,Num为可再生能源分布式电源的日出力序列特性曲线和日负荷序列特性曲线的分段数,Pkt为第k个可再生能源分布式电源在日负荷序列上的第t时段的有功出力,Δt为发电时间。
8.根据权利要求7所述的多目标分布式电源优化配置方法,其特征在于,所述关于供电可靠性的函数f2具体为:
其中,cprice为单位电价,λj为负荷点j的故障率,γj为负荷点j的故障平均停电持续时间,Pij为负荷点j在时段i的负荷大小。
9.根据权利要求8所述的多目标分布式电源优化配置方法,其特征在于,所述关于经济成本的函数f3具体为:
其中,为将第t年的费用转化得到的当前价值,η为贴现率;T为可再生能源分布式电源规划水平年,NC为可再生能源分布式电源安装候选点数目;Ntype为可再生能源分布式电源类型数目;Si,k、Ti,k分别为候选点i安装第k类可再生能源分布式电源的容量和年发电运行小时数,CI,k和COM,k分别为第k类可再生能源分布式电源的单位容量投资成本和发电运行维护成本。
10.根据权利要求9所述的多目标分布式电源优化配置方法,其特征在于,所述约束条件包括机会约束条件、等式约束条件和不等式约束条件;
所述机会约束条件为:
所述等式约束条件为:
所述不等式约束条件为:
其中,Pr{.}为事件{.}成立的置信水平,a、b分别为节点i的电压幅值和馈线传输容量不越限的置信水平,Ui为节点i的电压幅值,Umin为电压最小值,Umax为电压最大值,PDGi和QDGi分别为节点i处所接分布式电源有功功率和无功功率注入量,PLDi和QLDi分别是节点i的负荷功率,Gij和Bij分别为节点i和j之间线路的电导和电纳,δij为节点i和j之间电压的相位差大小,PLi为支路i的有功功率;Nbus为支路数目,pmax为配电网最大允许的分布式电源渗透率,SDGi、SDGimax分别为第i台分布式电源的安装容量和容量上限。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910512372.5A CN110110948B (zh) | 2019-06-13 | 2019-06-13 | 一种多目标分布式电源优化配置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910512372.5A CN110110948B (zh) | 2019-06-13 | 2019-06-13 | 一种多目标分布式电源优化配置方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110110948A true CN110110948A (zh) | 2019-08-09 |
CN110110948B CN110110948B (zh) | 2023-01-20 |
Family
ID=67495020
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910512372.5A Active CN110110948B (zh) | 2019-06-13 | 2019-06-13 | 一种多目标分布式电源优化配置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110110948B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110766239A (zh) * | 2019-11-05 | 2020-02-07 | 深圳供电局有限公司 | 基于烟花算法的微电网优化调度方法 |
CN110853010A (zh) * | 2019-11-11 | 2020-02-28 | 江苏君英天达人工智能研究院有限公司 | 基于fwa和sm的高速铁路线缆检测方法 |
CN111553075A (zh) * | 2020-04-27 | 2020-08-18 | 广东电网有限责任公司 | 一种考虑分布式电源入网的配电网可靠性评估方法和装置 |
CN112234604A (zh) * | 2020-09-10 | 2021-01-15 | 西安交通大学 | 一种多能互补电源基地优化配置方法、存储介质及设备 |
CN112464454A (zh) * | 2020-11-19 | 2021-03-09 | 广东电网有限责任公司电力调度控制中心 | 一种基于预计算优化的分布式执行优化方法及系统 |
CN113742994A (zh) * | 2021-07-28 | 2021-12-03 | 广东电网有限责任公司 | 一种含分布式电源的配电网多目标优化方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005151730A (ja) * | 2003-11-18 | 2005-06-09 | Chugoku Electric Power Co Inc:The | 最適エネルギー源の適否判定方法 |
US20080319923A1 (en) * | 2007-06-21 | 2008-12-25 | Copperleaf Technologies Inc | Investment Analysis and Planning System and Method |
US20110029461A1 (en) * | 2009-07-31 | 2011-02-03 | Invensys Systems Inc. | Dynamic Electrical Power Pricing Communication Architecture |
US20120150679A1 (en) * | 2012-02-16 | 2012-06-14 | Lazaris Spyros J | Energy management system for power transmission to an intelligent electricity grid from a multi-resource renewable energy installation |
CN104362681A (zh) * | 2014-11-18 | 2015-02-18 | 湖北省电力勘测设计院 | 一种考虑随机性的孤岛微电网容量优化配置方法 |
US20150206246A1 (en) * | 2014-03-28 | 2015-07-23 | Jeffrey S. Lange | Systems and methods for crowdsourcing of algorithmic forecasting |
CN104881716A (zh) * | 2015-05-28 | 2015-09-02 | 贵州电网公司电网规划研究中心 | 一种微电网电源的优化规划及评估方法 |
CN106549419A (zh) * | 2016-12-07 | 2017-03-29 | 国网重庆市电力公司电力科学研究院 | 基于万有引力算法的独立微网系统设计方法 |
CN106815657A (zh) * | 2017-01-05 | 2017-06-09 | 国网福建省电力有限公司 | 一种考虑时序性和可靠性的配电网双层规划方法 |
CN107069814A (zh) * | 2017-04-14 | 2017-08-18 | 广东电网有限责任公司东莞供电局 | 配网分布式电源容量布点的模糊机会约束规划方法与系统 |
CN107480885A (zh) * | 2017-08-14 | 2017-12-15 | 国家电网公司 | 基于非支配排序差分进化算法的分布式电源布点规划方法 |
CN108446805A (zh) * | 2018-04-02 | 2018-08-24 | 国网江西省电力有限公司电力科学研究院 | 一种计及供电可靠性的多目标分布式电源选址定容方法 |
CN108681823A (zh) * | 2018-05-23 | 2018-10-19 | 云南电网有限责任公司 | 一种含微电网的配电网分布式电源规划方法 |
-
2019
- 2019-06-13 CN CN201910512372.5A patent/CN110110948B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005151730A (ja) * | 2003-11-18 | 2005-06-09 | Chugoku Electric Power Co Inc:The | 最適エネルギー源の適否判定方法 |
US20080319923A1 (en) * | 2007-06-21 | 2008-12-25 | Copperleaf Technologies Inc | Investment Analysis and Planning System and Method |
US20110029461A1 (en) * | 2009-07-31 | 2011-02-03 | Invensys Systems Inc. | Dynamic Electrical Power Pricing Communication Architecture |
US20120150679A1 (en) * | 2012-02-16 | 2012-06-14 | Lazaris Spyros J | Energy management system for power transmission to an intelligent electricity grid from a multi-resource renewable energy installation |
US20150206246A1 (en) * | 2014-03-28 | 2015-07-23 | Jeffrey S. Lange | Systems and methods for crowdsourcing of algorithmic forecasting |
CN104362681A (zh) * | 2014-11-18 | 2015-02-18 | 湖北省电力勘测设计院 | 一种考虑随机性的孤岛微电网容量优化配置方法 |
CN104881716A (zh) * | 2015-05-28 | 2015-09-02 | 贵州电网公司电网规划研究中心 | 一种微电网电源的优化规划及评估方法 |
CN106549419A (zh) * | 2016-12-07 | 2017-03-29 | 国网重庆市电力公司电力科学研究院 | 基于万有引力算法的独立微网系统设计方法 |
CN106815657A (zh) * | 2017-01-05 | 2017-06-09 | 国网福建省电力有限公司 | 一种考虑时序性和可靠性的配电网双层规划方法 |
CN107069814A (zh) * | 2017-04-14 | 2017-08-18 | 广东电网有限责任公司东莞供电局 | 配网分布式电源容量布点的模糊机会约束规划方法与系统 |
CN107480885A (zh) * | 2017-08-14 | 2017-12-15 | 国家电网公司 | 基于非支配排序差分进化算法的分布式电源布点规划方法 |
CN108446805A (zh) * | 2018-04-02 | 2018-08-24 | 国网江西省电力有限公司电力科学研究院 | 一种计及供电可靠性的多目标分布式电源选址定容方法 |
CN108681823A (zh) * | 2018-05-23 | 2018-10-19 | 云南电网有限责任公司 | 一种含微电网的配电网分布式电源规划方法 |
Non-Patent Citations (1)
Title |
---|
王凯 等: "含风/光互补发电系统可靠性与经济性评估", 《电工电能新技术》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110766239A (zh) * | 2019-11-05 | 2020-02-07 | 深圳供电局有限公司 | 基于烟花算法的微电网优化调度方法 |
CN110853010A (zh) * | 2019-11-11 | 2020-02-28 | 江苏君英天达人工智能研究院有限公司 | 基于fwa和sm的高速铁路线缆检测方法 |
CN110853010B (zh) * | 2019-11-11 | 2022-05-13 | 江苏君英天达人工智能研究院有限公司 | 基于fwa和sm的高速铁路线缆检测方法 |
CN111553075A (zh) * | 2020-04-27 | 2020-08-18 | 广东电网有限责任公司 | 一种考虑分布式电源入网的配电网可靠性评估方法和装置 |
CN112234604A (zh) * | 2020-09-10 | 2021-01-15 | 西安交通大学 | 一种多能互补电源基地优化配置方法、存储介质及设备 |
CN112234604B (zh) * | 2020-09-10 | 2023-04-28 | 西安交通大学 | 一种多能互补电源基地优化配置方法、存储介质及设备 |
CN112464454A (zh) * | 2020-11-19 | 2021-03-09 | 广东电网有限责任公司电力调度控制中心 | 一种基于预计算优化的分布式执行优化方法及系统 |
CN112464454B (zh) * | 2020-11-19 | 2024-04-05 | 广东电网有限责任公司电力调度控制中心 | 一种基于预计算优化的分布式执行优化方法及系统 |
CN113742994A (zh) * | 2021-07-28 | 2021-12-03 | 广东电网有限责任公司 | 一种含分布式电源的配电网多目标优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110110948B (zh) | 2023-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110110948A (zh) | 一种多目标分布式电源优化配置方法 | |
Diab et al. | Application of different optimization algorithms for optimal sizing of PV/wind/diesel/battery storage stand-alone hybrid microgrid | |
Diab et al. | Optimal sizing of hybrid solar/wind/hydroelectric pumped storage energy system in Egypt based on different meta-heuristic techniques | |
Roberts et al. | Robust multi-objective optimization of a renewable based hybrid power system | |
Nyeche et al. | Modelling and optimisation of a hybrid PV-wind turbine-pumped hydro storage energy system for mini-grid application in coastline communities | |
Gao et al. | Optimal dispatching of wind-PV-mine pumped storage power station: A case study in Lingxin Coal Mine in Ningxia Province, China | |
Askarzadeh | Electrical power generation by an optimised autonomous PV/wind/tidal/battery system | |
Kayal et al. | Strategic approach for reinforcement of intermittent renewable energy sources and capacitor bank for sustainable electric power distribution system | |
Tan et al. | Allocation and sizing of DG using cuckoo search algorithm | |
Gonzalez et al. | Optimization of wind farm turbine layout including decision making under risk | |
Sediqi et al. | Optimal economical sizing of grid-connected hybrid renewable energy system | |
CN109980700A (zh) | 一种分布式电源多目标优化规划方法、装置和设备 | |
Li et al. | Optimal allocation of intermittent distributed generators in active distribution network | |
CN112561273B (zh) | 一种基于改进pso的主动配电网可再生dg规划方法 | |
Barone et al. | Supporting the sustainable energy transition in the Canary Islands: Simulation and optimization of multiple energy system layouts and economic scenarios | |
Tang et al. | Optimisation of wind farm layout in complex terrain via mixed‐installation of different types of turbines | |
Samakpong et al. | Optimal power flow incorporating renewable uncertainty related opportunity costs | |
Kalita et al. | Feasibility study of installation of MW level grid connected solar photovoltaic power plant for northeastern region of India | |
Abazari et al. | A reliable and cost-effective planning framework of rural area hybrid system considering intelligent weather forecasting | |
Banik et al. | A review on architecture, performance and reliability of hybrid power system | |
Khan et al. | Placement optimization for renewable energy sources: Ontology, tools, and wake models | |
Kasi et al. | Operation cost minimization of micro grid using particle swarm optimizer and eagle strategy micro grid's operation cost minimization using PSO and ES | |
Abedi et al. | Risk‐Constrained Unit Commitment of Power System Incorporating PV and Wind Farms | |
Bhol et al. | Decarbonizing the grid by optimal scheduling of solar PV‐WIND turbine‐pumped hydro storage considering application on heuristic algorithms: A comprehensive review | |
AbuElrub et al. | Hybrid wind‐solar grid‐connected system planning using scenario aggregation method |
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 |