CN110350517A - 一种基于运行风险的电动汽车并网配电网络重构方法 - Google Patents

一种基于运行风险的电动汽车并网配电网络重构方法 Download PDF

Info

Publication number
CN110350517A
CN110350517A CN201910566149.9A CN201910566149A CN110350517A CN 110350517 A CN110350517 A CN 110350517A CN 201910566149 A CN201910566149 A CN 201910566149A CN 110350517 A CN110350517 A CN 110350517A
Authority
CN
China
Prior art keywords
risk
moment
power
voltage
electric car
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
Application number
CN201910566149.9A
Other languages
English (en)
Other versions
CN110350517B (zh
Inventor
杨景旭
宋伟伟
张勇军
莫一夫
陈家超
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN201910566149.9A priority Critical patent/CN110350517B/zh
Publication of CN110350517A publication Critical patent/CN110350517A/zh
Application granted granted Critical
Publication of CN110350517B publication Critical patent/CN110350517B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L55/00—Arrangements for supplying energy stored within a vehicle to a power network, i.e. vehicle-to-grid [V2G] arrangements
    • 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
    • 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
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • 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
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • Y02A30/60—Planning or developing urban green infrastructure
    • 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
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B10/00—Integration of renewable energy sources in buildings
    • Y02B10/10—Photovoltaic [PV]
    • 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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供一种基于运行风险的电动汽车并网配电网络重构方法,包括步骤：步骤1、根据常规负荷和分布式电源历史数据，建立常规负荷和分布式电源时序概率模型；步骤2、根据电动汽车历史数据，建立电动汽车负荷时序概率模型；步骤3、构建利用损失严重度赋权的加权分布熵，基于加权分布熵建立电压风险指标和潮流风险指标；步骤4、构建配电网运行风险综合评估模型；步骤5、在Matlab软件上进行动态概率潮流仿真计算配电网的运行风险，基于支路交换法进行减小配电网运行风险的网络重构。本发明能反映其分布不确定性引起的风险的弊端,并以降低配电网运行风险为目标进行网络重构。

Description

一种基于运行风险的电动汽车并网配电网络重构方法
技术领域
本申请涉及电动汽车技术领域，特别是涉及一种基于运行风险的电动汽车并网配电网络重构方法。
背景技术
随着电动汽车规模的爆发式增长，电动汽车负荷的接入将为电网带来巨大挑战，可能会对配电网安全运行造成不利的影响，因此如何评估和采取措施来减小电动汽车负荷接入配电网导致的运行风险，是电动汽车普及过程中亟待解决的问题。
在实现过程中，发明人发现传统运行风险评估中至少存在以下问题：
传统风险函数以严重度函数来评估节点电压和支路潮流等状态变量越限的严重程度，但由于采用标幺值时状态变量的损失量很小，严重度函数增长速度较小，用以反映损失量增大时状态变量越限对电网的影响明显加速增大的现象有所不足；
对配电网而言，节点电压和支路潮流等状态变量分布的不确定性越大，说明配电网运行状态越不稳定，这种不稳定导致配电网不能安全运行的风险越大；因此配电网的运行风险不仅反映在状态变量越限带来的风险上，还反映在状态变量分布不确定性引起的风险上；而传统的风险函数只能反映状态变量越限带来的风险，无法反映状态变量分布不确定性引起的风险。
同时，目前以电价等策略引导电动汽车用户进行有序充电和错峰充电来减小电动汽车并网给电网造成的运行风险或其他影响的做法比较多，但是还没有发明或文献尝试以网络重构来降低配电网的运行风险。
发明内容
基于此，本发明利用描述状态变量越限严重程度的损失严重度对描述状态变量分布不确定性和度量其分布不确定性引起的风险的分布熵进行加权处理，建立加权分布熵来综合反映状态变量越限及其分布不确定性引起的风险，并以此为基础提出以减小运行风险为目标的电动汽车并网配电网络重构方法。
本发明至少通过如下技术方案之一实现。
一种基于运行风险的电动汽车并网配电网络重构方法，包括以下步骤：
与现有技术相比，本发明基于运行风险的电动汽车并网配电网络重构方法具有如下显著的效果：能够综合评估节点电压或支路潮流等状态变量越限及其分布不确定性引起的风险，能够更加准确全面地考虑配电网运行的风险因素，对配电网运行风险的评估更加准确；提出一种通过配电网络重构来减小电动汽车并网造成的运行风险的方法，从而达到控制配电网运行风险的目的，具有实际意义。
附图说明
图1为本发明实施例中通过动态概率潮流计算进行配电网运行风险评估流程图；
图2为本发明实施例中基于配电网运行风险的网络重构流程图；
图3为本发明实施例中电动汽车负荷计算流程图；
图4为本发明实施例中改进型IEEE 33节点配电网络系统图；
图5为本发明实施例中不同类型用户的日负荷曲线图；
图6为本发明实施例中风速Weibull分布和光伏出力Beta分布参数图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下通过实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本发明实施例将给出基于运行风险的电动汽车并网配电网络重构方法的具体应用实例，包括以下步骤：
步骤1：根据历史数据，建立不同的时序概率模型，具体如下：
步骤1-1、根据常规负荷历史数据，构建常规负荷时序概率模型：
式中，PLD和QLD分别为某配电节点t时刻的常规负荷的有功功率和无功功率，f(PLD)和f(QLD)分别为该节点t时刻常规负荷有功功率和无功功率的概率密度函数，μLPt和μLQt分别是该节点t时刻常规负荷有功功率和无功功率的期望值，λLPt是该节点t时刻常规负荷有功功率的变异系数，λLQt是该节点t时刻无功功率的期望值的变异系数；
步骤1-2、根据风力发电历史数据，构建风力发电时序概率模型：
根据风力发电历史数据，风速近似服从双参数韦伯(Weibull)分布，其概率分布密度函数为：
式中：v为风速，单位为m/s；K为Weibull分布形状参数；C为Weibull分布尺度参数，单位为m/s；
风力发电功率计算公式为：
式中，Pw(vx)为风速vx下风机发出的有功功率，vci为切入风速，vco为切出风速，vr为额定风速，Pwr为额定风速下风机发的有功功率；
步骤1-3、根据光伏发电历史数据，构建光伏发电时序概率模型：
根据对光伏历史数据的分析，用贝塔分布(Beta分布)估计光伏功率p的概率函数f(p)为：
式中，pmax为光伏功率的最大值；Г()为伽玛函数(Gamma Function)；d和q均为Beta分布的形状参数。
步骤2：根据电动汽车历史数据，建立电动汽车负荷时序概率模型；
步骤2-1、采用电动汽车容量来描述区域内电动汽车的规模，由于各类电动汽车的充电功率不尽相同，仅仅知道电动汽车的数量不能直观清楚地了解电动汽车充电负荷的规模大小；为此本发明定义电动汽车容量为区域内所有电动汽车额定充电功率的总和，包括处于充电状态和非充电状态的全部电动汽车；
步骤2-2、根据电动汽车电池实际充电过程，构建电动汽车恒流-恒压二阶段变功率充电模型：
电动汽车在充电过程中，实际上是采用一种恒流-恒压二阶段变功率充电模式，当电池端电压小于最大电池端电压Ubmax时，电池是以恒电流模式进行充电；当电池端电压达到最大电池端电压Ubmax时，电池进入恒压阶段，电流迅速衰减为零，充电功率为零；描述其充电过程的方程为：
式中，Ub(t)为t时刻电池两端的电压，ic为充电时的电流，C0是电池的标称容量，R为电池内阻，K0是电池的极化常数，E0是电池的恒定电势，A和B分别为电池充电指数段的乘积系数和指数系数，SOC(t0)代表电池在开始充电时的剩余电量，h(t)为t时刻电池的可充电容量，即已放电容量；
在恒流充电过程中，电流ic是一个常数，电动汽车的充电功率可以表示为：
P(t)＝Ub(t)In (6)
式中，In为恒流充电模式下的充电电流，P(t)为t时刻的充电功率；
步骤2-3、根据电动汽车历史出行数据，构建电动汽车充电负荷时序概率模型：如图3电动汽车负荷计算流程所示，由于是逐辆进行电动汽车负荷求解，a表示正在求解的电动汽车的序号，N表示电动汽车总数量。a<N表示当已求解充电负荷的电动汽车数量未达到总数量时，继续求解。电动汽车的充电负荷模拟须根据电动汽车的类型来选择各抽样环节的概率模型，抽取其行驶距离、到达时间、起始荷电状态、离开时间等行为状态，进而计算相应时刻电动汽车的SOC值，得到其一天的SOC曲线，计算方法如下：
(1)充电时
式中，SOC(t)是电动汽车的起始荷电状态；
(2)行驶时
SOC(t+Δt)＝SOC(t)-dr/Dr·Δt/Tr (8)
式中，dr是电动汽车的行驶距离，Dr是电动汽车的最大续航里程，Tr是电动汽车的行驶时长，Δt为计算时间间隔；
然后，借助公式(5)和公式(6)算出其一天的充电功率；再将各类电动汽车的负荷逐辆叠加，得到电动汽车充电总负荷；t时刻电动汽车充电总负荷有功功率的计算公式为：
式中：N1、N2和N3分别代表t时刻该地区处于充电状态的电动私家车、公交车和出租车的数量；P1nt、P2nt和P3nt分别代表t时刻第n辆处于充电状态的电动私家车、公交车和出租车的实时充电功率。
步骤3、构建利用损失严重度赋权的加权分布熵，基于加权分布熵建立电压风险指标和潮流风险指标；
步骤3-1、建立损失严重度
由于在传统的严重度函数中，损失量一般采用标幺值，数值很小，因此严重度函数斜率也很小，其增长速度较小，难以反映损失量增大时状态变量越限对电网影响的严重程度明显加速增大的现象；针对严重度函数的不足，本发明建立损失严重度新指标来描述状态变量越限对电网造成不利影响的严重程度；针对电压等状态变量的损失量标幺化后数值很小的问题，损失严重度可以采用带有放大系数μ的指数型函数；
加权分布熵在损失严重度为0时值为0，无法评估不越限情况下状态变量分布不确定性引起的风险；为了能评估不越限情况下状态变量分布不确定性引起的风险，同时能够体现出越限与不越限情况下损失严重度大小的差异，当损失量为0时，可将损失严重度设为大于0的较小值b；
因此损失严重度S的计算公式为：
式中，w为损失量；
对于节点电压越限和线路潮流越限问题，为使电压损失严重度和潮流损失严重度具有相同的灵敏性，两者采用相同的放大系数；
电压损失严重度由电压损失量的大小决定；电压损失量的计算公式为：
式中，V为节点电压值，Vmax和Vmin为电压合格范围上下限的标幺值；
潮流损失严重度由潮流损失量的大小决定；潮流损失量的计算公式为：
式中，Li为线路电流的过载率；
步骤3-2、建立分布熵以反映状态变量分布不确定性引起的风险：
假设元件(配电节点或支路)i在t时刻的状态变量Zi(t)存在ni(t)个状态，即状态变量Zi(t)的状态数为ni(t)，Zi(t)的第j个状态的概率为Pj(t)，则描述状态变量Zi(t)的分布情况的分布熵为：
状态变量各状态的概率通过动态概率潮流仿真计算来获得：经过n0次动态概率潮流仿真计算得到状态变量Zi(t)的ni(t)个状态，若第h个状态的发生次数为X，则该状态的概率为X/n0；
由公式(11)可知，状态变量的分布熵越大，意味着状态变量的分布越离散，即状态变量分布的不确定性越大，说明电网运行状态越不稳定，这种不稳定导致电网不能安全运行的风险越大；因此状态变量的分布熵能够度量其分布不确定性引起的风险，分布熵越大，其分布不确定性引起的风险越大；
步骤3-3、利用损失严重度对分布熵进行加权处理，建立加权分布熵：
针对分布熵无法准确分辨状态变量各状态的重要程度及其对风险贡献差异的缺点，需要利用损失严重度对其进行加权，由此建立新的加权分布熵指标：
式中，Hi(t)是t时刻元件i的状态变量Zi(t)的加权分布熵，ni(t)是Zi(t)的状态数，Sj(t)和Pj(t)分别是Zi(t)的第j个状态的损失严重度和概率；
由公式(12)可知，对于两个状态相同的序列，对应状态的损失严重度是相同的，状态分布更加离散的序列，其由于状态变量分布不确定性引起的风险更大，相应的加权分布熵值也更大；对于两个具有相同分布的序列，各状态总体的越限情况更加严重的序列，其由于状态变量越限带来的风险更大，相应的加权分布熵也更大；
步骤3-4、基于加权分布熵建立电压风险指标和潮流风险指标：
以加权电压分布熵表征电压越限及电压分布不确定性引起的电压风险，以加权潮流分布熵表征潮流越限及潮流分布不确定性引起的潮流风险，计算公式为
式中，HV_i(t)和Hl_i(t)分别为t时刻节点i的加权电压分布熵和支路i的加权潮流分布熵；nV_i(t)和nl_i(t)分别为t时刻节点i的电压状态数和支路i的潮流状态数；SV_j(t)和PV_j(t)分别为t时刻节点i第j个电压状态的电压损失严重度和概率；Sl_j(t)和Pl_j(t)分别为t时刻支路i第j个潮流状态的潮流损失严重度和概率。
步骤4、构建配电网运行风险综合评估模型，包括以下步骤；
步骤4-1、建立网络电压风险和网络潮流风险：
为获得配电网电压风险和潮流风险一天的变化情况，对t时刻各节点的加权电压分布熵进行求和，求取t时刻网络电压风险；对t时刻各支路的加权潮流分布熵进行求和，求取t时刻网络潮流风险，计算公式分别为：
式中，HV(t)和Hl(t)分别为t时刻的网络电压风险和网络潮流风险；z1和z2分别为配电网的节点数和支路数；
步骤4-2、建立配电网运行风险综合评估指标：
综合网络电压风险和网络潮流风险对含大规模电动汽车的配电网进行运行风险评估；为考察配电网运行风险一天的变化情况，将t时刻配电网络运行风险定义为：
H0(t)＝β1Hv(t)+β2Hl(t) (17)
式中，H0(t)为t时的配电网络运行风险；β1和β2为权重系数，有β1+2＝1；
为获得配电网络安全运行面对的最严重的风险情况，定义网络最大运行风险为配电网络运行风险一天的最大值，其计算公式为：
H0max＝max(H0(t))t＝1,2,…,24 (18)
式中，H0max为网络最大运行风险。
步骤5、在Matlab软件上进行动态概率潮流仿真计算配电网的运行风险，基于支路交换法进行减小配电网运行风险的网络重构。
如图1所示，通过动态概率潮流仿真计算可以求出网络最大运行风险，其中最大方差系数计算方法为：采用方差系数来评判蒙特卡洛法模拟的精度，以最大方差系数来表示所有元件(节点或支路)在所有时刻的状态变量仿真数据的方差系数的最大值，即：
式中，dmax为最大方差系数，di_j为元件i在第j个时刻状态变量仿真数据的方差系数，σi_j 2是元件i在第j个时刻状态变量仿真数据的方差，Ei_j是元件i在第j个时刻状态变量仿真数据的期望，Q为仿真计算次数。具体步骤如下，
1)输入配电网络数据，构建仿真配电网络系统；
2)输入光伏功率、风速和常规负荷历史数据，分别构建光伏发电、风电发电和常规负荷的时序概率模型；
3)输入各类电动汽车容量的比例、一天的行驶距离分布、到达时间分布、充电起始SOC分布、离开时间分布，构建电动汽车充电负荷的概率模型；
4)进行动态概率潮流计算：给定电动汽车容量，通过蒙特卡洛抽样得到一天24个整时点常规负荷、电动汽车负荷以及分布式电源功率，将风电和光伏以及电动汽车负荷接入固定位置，每个时刻都进行潮流计算，得到各时刻各节点的电压和各支路的电流，重复抽样计算Q次；图2中m表示第m次动态概率潮流仿真计算，m<Q，表示当目前已进行潮流仿真次数m未达到Q次时，继续进行动态概率潮流仿真计算；
5)分别计算节点电压和支路电流的最大方差系数dv_max和dl_max，若dv_max和dl_max都小于蒙特卡罗模拟精度ke，进入下一步，否则重新抽样计算；
6)计算各时刻各元件的加权分布熵、各时刻的网络运行风险以及网络最大运行风险。
配电网网络重构的支路交换法主要在配电网络系统的辐射状网络的基础上，每次闭合一条支路形成单环网，并断开环路另一条支路，实现目标的进一步接近并保证电网的辐射状运行，重复该过程直到目标不能再接近为止；基于本发明提出的运行风险指标的支路交换法计算流程如图2所示，主要步骤如下：
(1)给定收敛精度e、电动汽车负荷接入方式、电动汽车容量，迭代次数k＝0；
(2)读入配电网络系统，输入电网中退运连枝支路编号组成的集合M；
(3)计算当前网络最大运行风险，记为H0max(0)，并令k＝k+1；
(4)计算逐个闭合集合M中各条支路形成环路时的网络最大运行风险，选出闭合后网络最大运行风险最小的支路；
(5)闭合选定支路并将该支路编号从M中删除，形成单环网，计算逐条开断环路上各条支路时的网络最大运行风险，选出断开后网络最大运行风险最小的支路；
(6)开断选定支路，检查M中是否还有支路，若是则返回步骤(4)，否则转到步骤(7)；
(7)更新退运支路集合M，记当前状态网络最大运行风险为H0max(k)；
(8)若满足0≤(H0max(k-1)-0max(k))/0max(k-1)≤e，则执行步骤(9)，否则k＝k+1并返回步骤(4)；
(9)输出集合M、H0max(0)、H0max(k)。
在实施例中，IEEE 33节点配电系统如图4所示。其中1-19节点作为主干线路选取LGJ-120，其最大载流量为380A；其他线路选取LGJ-70，其最大载流量为275A。节点1为平衡节点，其电压设为1.05p.u.，系统等值电抗Xs为2.5Ω。将风电等效接入节点19，将光伏等效接入节点34。常规负荷的变异系数设为0.3，配电网常规负荷期望峰值取3.715MW，工业、农业、商业和居民用户的负荷占比分别为0.3、0.2、0.2和0.3，不同类型用户的日负荷曲线如图5所示。电动私家车、公交车和出租车的容量占比分别为0.61、0.21和0.18。所有负荷与分布式电源的功率因数皆为0.95。风速Weibull分布和光伏出力Beta分布参数如图6所示。损失严重度的放大系数μ的值为82.422。损失严重度在损失量为0时的值b设为0.01。网络运行风险计算公式中权重系数β1和β2皆为0.5。网络重构流程中收敛精度e设为0.05。蒙特卡罗模拟精度ke设为0.5％，动态概率潮流的仿真次数设为4000次。其他仿真参数设置如表1-表4。
表1风电和光伏仿真参数
表2不同类型电动汽车电池参数设置
表3锂电池恒流-恒压二阶段变功率充电过程参数
表4电动汽车充电概率模型参数
为证明本发明的风险指标的有效性和相对传统风险评估方法的优越性，在节点28等效接入容量为15.3MW的电动汽车负荷仿真时加权分布熵和传统风险函数的对比结果展示如表5-表7。
其中，本发明通过灵敏度来比较加权分布熵和传统风险函数的灵敏性和分辨率。各样本的评分差距可反映指标的灵敏度，灵敏度的算法为：
式中，αmax和αsec分别为运行风险指标最优样本和次优样本的评分值，即通过动态概率潮流仿真计算得到各元件的运行风险的最大值和第二大值。
其中，传统风险函数的计算公式为：
式中，Ri(t)是t时刻元件i的风险，Pj(t)、S′j和wj分别为t时刻元件i的状态变量的第j个状态的概率、严重度和损失量。
表5节点的电压风险
表6支路的潮流风险
表7运行风险指标灵敏度对比分析
由表7可知，加权电压分布熵和加权潮流分布熵的灵敏度分别大于电压越限风险和过负荷风险的灵敏度，因此加权分布熵的灵敏度大于传统风险函数的灵敏度。这是由于加权分布熵采用了具有放大系数的损失严重度来反映状态变量越限的严重程度，比采用严重度函数的传统风险函数具有更高的灵敏性。
由表5和表6可知，节点28的电压越限风险比节点14的大，但由于其电压分布不确定性引起的风险比节点14的小，其加权电压分布熵比节点14的小；支路7-27的过负荷风险比支路2-3的大，但由于其潮流分布不确定性引起的风险比节点2-3的小，其加权潮流分布熵比支路2-3的小。因此相比传统风险评估方法，本发明考虑了状态变量分布不确定引起的风险，评估结果更加准确。
如表5和表6所示，节点23和24的电压越限风险以及支路12-13和18-19的过负荷风险在21:00时皆为0，因此传统的风险函数不能反映在合格范围内的状态变量的分布特性，更不能体现出无越限情况下这些元件运行风险的差异。而上述元件的加权分布熵值能够根据电压或潮流的状态数不同所反映出的电压或潮流分布离散性的不同，而分辨出这些元件电压或潮流分布不确定性引起的风险差异。
因此，在配电网运行风险评估上，相比于传统的风险函数，加权分布熵采用具有放大系数的损失严重度进行加权，灵敏性更强，区分度更高；综合考虑状态变量的分布情况和越限的严重程度，能够综合反映状态变量越限带来的风险及其分布不确定性引起的风险，考虑的风险因素更加全面，风险评估结果更加准确；能够反映包含合格范围内状态变量的分布特性，并分辨出无越限情况下各元件风险的差异。因此，在配电网运行风险评估上，加权分布熵比传统的风险函数具有更优的性能。
为证明本发明提出的基于配电网运行风险的网络重构方法的有效性，将容量为13MW的电动汽车负荷分别按各节点常规负荷比重接入各节点和平均接入各节点，按实施例步骤5中所述支路交换法进行网络重构。重构前后配电网断开支路和网络最大运行风险如表8和表9所示。
表8电动汽车负荷按常规负荷比重接入各节点
表9电动汽车负荷平均接入各节点
由表8和表9可知，进行配电网络重构优化后，配电网的运行风险极大地减小了，因此通过网络重构能够非常有效地减小配电网的运行风险，从而达到控制运行风险的目的。同时，对于电动汽车负荷空间分布不同的情况，本发明提出的基于运行风险的配电网络重构方法能够提供不同的网络重构方案以使得配电网的运行风险最小，充分证明了本发明方法的有效性和灵活性。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他任何未背离本发明的精神实质和原理下所作的修改、修饰、替代、组合、简化，均应为等效的置换方式，都应包含在本发明的保护范围之内。

Claims (7)

1.一种基于运行风险的电动汽车并网配电网络重构方法，其特征在于，包括步骤：
步骤1、根据历史数据，建立不同的时序概率模型；
步骤2、根据电动汽车历史数据，建立电动汽车负荷时序概率模型；
步骤3、构建利用损失严重度赋权的加权分布熵，基于加权分布熵建立电压风险指标和潮流风险指标；
步骤4、构建配电网运行风险综合评估模型；
步骤5、在Matlab软件上进行动态概率潮流仿真计算配电网的运行风险，基于支路交换法进行减小配电网运行风险的网络重构。
2.根据权利要求1所述的一种基于运行风险的电动汽车并网配电网络重构方法，其特征在于，步骤1所述的建立不同的时序概率模型包括以下步骤：
步骤1-1、根据常规负荷历史数据，构建常规负荷时序概率模型：
式中，PLD和QLD分别为某配电节点t时刻的常规负荷的有功功率和无功功率，f(PLD)和f(QLD)分别为该节点t时刻常规负荷有功功率和无功功率的概率密度函数，μLPt和μLQt分别是该节点t时刻常规负荷有功功率和无功功率的期望值，λLPt是该节点t时刻常规负荷有功功率的变异系数，λLQt是该节点t时刻无功功率的期望值的变异系数；
步骤1-2、根据风力发电历史数据，构建风力发电时序概率模型
根据风力发电历史数据，风速近似服从双参数韦伯(Weibull)分布，其概率分布密度函数为：
式中：v为风速，单位为m/s；K为Weibull分布形状参数；C为Weibull分布尺度参数，单位为m/s；
风力发电功率计算公式为：
式中，Pw(vx)为风速vx下风机发出的有功功率，vci为切入风速，vco为切出风速，vr为额定风速，Pwr为额定风速下风机发的有功功率；
步骤1-3、根据光伏发电历史数据，构建光伏发电时序概率模型
根据对光伏历史数据的分析，用贝塔分布(Beta分布)估计光伏功率p的概率函数f(p)为：
式中，pmax为光伏功率的最大值；Г()为伽玛函数(Gamma Function)；d和q均为Beta分布的形状参数。
3.根据权利要求1所述的一种基于运行风险的电动汽车并网配电网络重构方法，其特征在于，步骤2根据电动汽车历史数据，建立电动汽车负荷时序概率模型包括以下步骤：
步骤2-1、采用电动汽车容量来描述区域内电动汽车的规模，所述电动汽车容量为区域内所有电动汽车额定充电功率的总和，包括处于充电状态和非充电状态的全部电动汽车；
步骤2-2、根据电动汽车电池实际充电过程，构建电动汽车恒流-恒压二阶段变功率充电模型
电动汽车在充电过程中，采用一种恒流-恒压二阶段变功率充电模式，当电池端电压小于最大电池端电压Ubmax时，电池是以恒电流模式进行充电；当电池端电压达到最大电池端电压Ubmax时，电池进入恒压阶段，电流迅速衰减为零，充电功率为零；描述其充电过程的方程为：
式中，Ub(t)为t时刻电池两端的电压，ic为充电时的电流，C0是电池的标称容量，R为电池内阻，K0是电池的极化常数，E0是电池的恒定电势，A和B分别为电池充电指数段的乘积系数和指数系数，SOC(t0)代表电池在开始充电时的剩余电量，h(t)为t时刻电池的可充电容量，即已放电容量；
在恒流充电过程中，电流i为常数，电动汽车的充电功率表示为：
P(t)＝Ub(t)In (6)
式中，In为恒流充电模式下的充电电流，P(t)为t时刻的充电功率；
步骤2-3、根据电动汽车历史出行数据，构建电动汽车充电负荷时序概率模型
电动汽车的充电负荷模拟须根据电动汽车的类型来选择各抽样环节的概率模型，抽取其行驶距离、到达时间、起始荷电状态和离开时间，从而确定每个时刻电动汽车的行为状态，进而计算相应时刻电动汽车的SOC值，得到其一天的SOC曲线，计算公式为：
(1)充电时
式中，SOC(t)是电动汽车的起始荷电状态；
(2)行驶时
SOC(t+Δt)＝SOC(t)-dr/Dr·Δt/Tr (8)
式中，dr是电动汽车的行驶距离，Dr是电动汽车的最大续航里程，Tr是电动汽车的行驶时长，Δt为计算时间间隔；
然后，借助公式(5)和公式(6)算出其一天的充电功率；再将各类电动汽车的负荷逐辆叠加，得到电动汽车充电总负荷；t时刻电动汽车充电总负荷有功功率的计算公式为：
式中：N1、N2和N3分别代表t时刻该地区处于充电状态的电动私家车、公交车和出租车的数量；P1nt、P2nt和P3nt分别代表t时刻第n辆处于充电状态的电动私家车、公交车和出租车的实时充电功率。
4.根据权利要求1所述的一种基于运行风险的电动汽车并网配电网络重构方法，其特征在于，步骤3利用损失严重度赋权的加权分布熵建立电压风险指标和潮流风险指标，构建配电网运行风险综合评估模型包括以下步骤：
步骤3-1、建立损失严重度
建立损失严重度指标来描述状态变量越限对电网造成不利影响的严重程度；针对电压状态变量的损失量标幺化后数值小的问题，损失严重度采用带有放大系数μ的指数型函数；当损失量为0时，将损失严重度设为大于0的值b，因此损失严重度指标S的计算公式为：
式中，w为损失量；
对于节点电压越限和线路潮流越限问题，为使电压损失严重度和潮流损失严重度具有相同的灵敏性，两者采用相同的放大系数；
电压损失严重度由电压损失量的大小决定，电压损失量wv的计算公式为：
式中，V为节点电压值，Vmax和Vmin为电压合格范围上下限的标幺值；
潮流损失严重度由潮流损失量的大小决定，潮流损失量wl的计算公式为：
式中，Li为线路电流的过载率；
步骤3-2、采用分布熵反映状态变量分布不确定性引起的风险
假设元件即配电节点或支路i在t时刻的状态变量Zi(t)存在ni(t)个状态，即状态变量Zi(t)的状态数为ni(t)，Zi(t)的第j个状态的概率为Pj(t)，则描述状态变量Zi(t)的分布情况的分布熵为：
状态变量各状态的概率通过动态概率潮流仿真计算来获得：经过n0次动态概率潮流仿真计算得到状态变量Zi(t)的ni(t)个状态，若第h个状态的发生次数为X，则该状态的概率为X/n0；
步骤3-3、利用损失严重度对分布熵进行加权处理，建立加权分布熵，包括：
利用损失严重度对其进行加权，建立加权分布熵指标：
式中，Hi(t)是t时刻元件i的状态变量Zi(t)的加权分布熵，ni(t)是Zi(t)的状态数，Sj(t)和Pj(t)分别是Zi(t)的第j个状态的损失严重度和概率；
步骤3-4、基于加权分布熵建立电压风险指标和潮流风险指标
以加权电压分布熵表征电压越限及电压分布不确定性引起的电压风险指标，以加权潮流分布熵表征潮流越限及潮流分布不确定性引起的潮流风险指标，计算公式为
式中，HV_i(t)和Hl_i(t)分别为t时刻节点i的加权电压分布熵和支路i的加权潮流分布熵；nV_i(t)和nl_i(t)分别为t时刻节点i的电压状态数和支路i的潮流状态数；SV_j(t)和PV_j(t)分别为t时刻节点i第j个电压状态的电压损失严重度和概率；Sl_j(t)和Pl_j(t)分别为t时刻支路i第j个潮流状态的潮流损失严重度和概率。
5.根据权利要求1所述的一种基于运行风险的电动汽车并网配电网络重构方法，其特征在于，步骤4构建配电网运行风险综合评估模型包括以下步骤：
步骤4-1、建立网络电压风险和网络潮流风险
为获得配电网电压风险和潮流风险一天的变化情况，对t时刻各节点的加权电压分布熵进行求和，求取t时刻网络电压风险；对t时刻各支路的加权潮流分布熵进行求和，求取t时刻网络潮流风险，计算公式分别为：
式中，HV(t)和Hl(t)分别为t时刻的网络电压风险和网络潮流风险；z1和z2分别为配电网的节点数和支路数；
步骤4-2、建立配电网运行风险综合评估指标
综合网络电压风险和网络潮流风险对含大规模电动汽车的配电网进行运行风险评估；为考察配电网运行风险一天的变化情况，将t时刻配电网络运行风险定义为：
H0(t)＝β1Hv(t)+β2Hl(t) (17)
式中，H0(t)为t时的配电网络运行风险；β1和β2为权重系数，有β1+β2＝1；
为获得配电网络安全运行面对的最严重的风险情况，定义网络最大运行风险为配电网络运行风险一天的最大值，其计算公式为：
H0max＝max(H0(t)) t＝1,2,…,24 (18)
式中，H0max为网络最大运行风险。
6.根据权利要求1所述的一种基于运行风险的电动汽车并网配电网络重构方法，其特征在于,步骤5通过动态概率潮流仿真计算配电网的运行风险，包括以下步骤：
1)输入配电网络数据，构建仿真配电网络系统；
2)输入光伏功率、风速和常规负荷历史数据，分别构建光伏发电、风电发电和常规负荷的时序概率模型；
3)输入各类电动汽车容量的比例、一天的行驶距离分布、到达时间分布、充电起始SOC分布、离开时间分布，构建电动汽车充电负荷的概率模型；
4)进行动态概率潮流计算：给定电动汽车容量，通过蒙特卡洛抽样得到一天24个整时点常规负荷、电动汽车负荷以及分布式电源功率，将风电和光伏以及电动汽车负荷接入固定位置，每个时刻都进行潮流计算，得到各时刻各节点的电压和各支路的电流，重复抽样计算Q次；
5)分别计算节点电压和支路电流的最大方差系数dv_max和dl_max，若dv_max和dl_max都小于蒙特卡罗模拟精度ke，进入下一步，否则重新抽样计算；
其中最大方差系数的计算是通过方差系数来评判蒙特卡洛法模拟的精度，以最大方差系数来表示所有元件在所有时刻的状态变量仿真数据的方差系数的最大值，即：
式中，dmax为最大方差系数，di_j为元件i在第j个时刻状态变量仿真数据的方差系数，σi_j 2是元件i在第j个时刻状态变量仿真数据的方差，Ei_j是元件i在第j个时刻状态变量仿真数据的期望，M为仿真次数；
6)计算各时刻各元件的加权分布熵、各时刻的网络运行风险以及网络最大运行风险。
7.根据权利要求1所述的一种基于运行风险的电动汽车并网配电网络重构方法，其特征在于,步骤5所述的支路交换法主要包括以下步骤：
(1)给定收敛精度e、电动汽车负荷接入方式、电动汽车容量，迭代次数k＝0；
(2)读入配电网络系统，输入电网中退运连枝支路编号组成的集合M；
(3)计算当前网络最大运行风险，记为H0max(0)，并令k＝k+1；
(4)计算逐个闭合集合M中各条支路形成环路时的网络最大运行风险，选出闭合后网络最大运行风险最小的支路；
(5)闭合选定支路并将该支路编号从M中删除，形成单环网，计算逐条开断环路上各条支路时的网络最大运行风险，选出断开后网络最大运行风险最小的支路；
(6)开断选定支路，检查M中是否还有支路，若是则返回步骤(4)，否则转到步骤(7)；
(7)更新退运支路集合M，记当前状态网络最大运行风险为H0max(k)；
(8)若满足0≤(H0max(k-1)-H0max(k))/H0max(k-1)≤e，则执行步骤(9)，否则k＝k+1并返回步骤(4)；
(9)输出集合M、H0max(0)、H0max(k)。
CN201910566149.9A 2019-06-27 2019-06-27 一种基于运行风险的电动汽车并网配电网络重构方法 Active CN110350517B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910566149.9A CN110350517B (zh) 2019-06-27 2019-06-27 一种基于运行风险的电动汽车并网配电网络重构方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910566149.9A CN110350517B (zh) 2019-06-27 2019-06-27 一种基于运行风险的电动汽车并网配电网络重构方法

Publications (2)

Publication Number Publication Date
CN110350517A true CN110350517A (zh) 2019-10-18
CN110350517B CN110350517B (zh) 2023-05-23

Family

ID=68183351

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910566149.9A Active CN110350517B (zh) 2019-06-27 2019-06-27 一种基于运行风险的电动汽车并网配电网络重构方法

Country Status (1)

Country Link
CN (1) CN110350517B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111080169A (zh) * 2019-12-30 2020-04-28 国网辽宁省电力有限公司电力科学研究院 一种极端天气下主动配电网风险评估方法
CN111160746A (zh) * 2019-12-23 2020-05-15 国网冀北电力有限公司张家口供电公司 基于风险评估的智能配电网规划评价方法
CN112671045A (zh) * 2019-12-24 2021-04-16 国网新疆电力有限公司伊犁供电公司 一种基于改进遗传算法的分布式电源优化配置方法
CN113098075A (zh) * 2021-05-24 2021-07-09 广东电网有限责任公司 光伏消纳能力的分析方法、装置、电子设备及存储介质
CN113705986A (zh) * 2021-08-12 2021-11-26 武汉大学 一种基于风险理论的核心骨干网架构建方法
CN115833267A (zh) * 2023-02-15 2023-03-21 江西惜能照明有限公司 基于智慧灯杆和区块链的充电控制方法及系统
CN117436706A (zh) * 2023-12-18 2024-01-23 国网天津市电力公司电力科学研究院 考虑光伏和电动汽车的配电台区安全风险评估方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102945296A (zh) * 2012-10-15 2013-02-27 河海大学 一种需求响应视角下的配电网不确定性重构建模方法
CN104218620A (zh) * 2014-09-26 2014-12-17 国家电网公司 基于伪序贯蒙特卡洛模拟的主动配电网可靠性分析方法
CN104934964A (zh) * 2015-03-18 2015-09-23 华南理工大学 一种含分布式电源的配电网重构和孤岛划分方法
CN106602557A (zh) * 2017-02-24 2017-04-26 三峡大学 一种含电动汽车的主动配电网多时段优化重构方法
CN107591844A (zh) * 2017-09-22 2018-01-16 东南大学 考虑节点注入功率不确定性的主动配电网鲁棒重构方法
CN108805745A (zh) * 2018-06-06 2018-11-13 浙江大学 一种配电网的灵活性评估方法
CN109149657A (zh) * 2018-09-27 2019-01-04 东南大学 一种多阶段主动配电网调度方法
CN109146176A (zh) * 2018-08-22 2019-01-04 大连理工大学 一种面向电动汽车充换电服务费引导的配电网阻塞调度方法
CN109214593A (zh) * 2018-10-19 2019-01-15 天津大学 一种主动配电网供电能力多目标评价方法
CN109523303A (zh) * 2018-10-21 2019-03-26 天津大学 一种基于节点边际电价的低压有源配电网阻塞管理方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102945296A (zh) * 2012-10-15 2013-02-27 河海大学 一种需求响应视角下的配电网不确定性重构建模方法
CN104218620A (zh) * 2014-09-26 2014-12-17 国家电网公司 基于伪序贯蒙特卡洛模拟的主动配电网可靠性分析方法
CN104934964A (zh) * 2015-03-18 2015-09-23 华南理工大学 一种含分布式电源的配电网重构和孤岛划分方法
CN106602557A (zh) * 2017-02-24 2017-04-26 三峡大学 一种含电动汽车的主动配电网多时段优化重构方法
CN107591844A (zh) * 2017-09-22 2018-01-16 东南大学 考虑节点注入功率不确定性的主动配电网鲁棒重构方法
CN108805745A (zh) * 2018-06-06 2018-11-13 浙江大学 一种配电网的灵活性评估方法
CN109146176A (zh) * 2018-08-22 2019-01-04 大连理工大学 一种面向电动汽车充换电服务费引导的配电网阻塞调度方法
CN109149657A (zh) * 2018-09-27 2019-01-04 东南大学 一种多阶段主动配电网调度方法
CN109214593A (zh) * 2018-10-19 2019-01-15 天津大学 一种主动配电网供电能力多目标评价方法
CN109523303A (zh) * 2018-10-21 2019-03-26 天津大学 一种基于节点边际电价的低压有源配电网阻塞管理方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
徐岩等: "基于加权潮流熵的电网故障传播脆弱线路识别", 《现代电力》 *
杨景旭等: "基于加权分布熵的配电网电动汽车并网运行风险分析", 《电力系统自动化》 *
欧阳森等: "改进熵权法及其在电能质量评估中的应用", 《电力系统自动化》 *
王浩林等: "基于时刻充电概率的电动汽车充电负荷预测方法", 《电力自动化设备》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111160746A (zh) * 2019-12-23 2020-05-15 国网冀北电力有限公司张家口供电公司 基于风险评估的智能配电网规划评价方法
CN111160746B (zh) * 2019-12-23 2023-04-18 国网冀北电力有限公司张家口供电公司 基于风险评估的智能配电网规划评价方法
CN112671045A (zh) * 2019-12-24 2021-04-16 国网新疆电力有限公司伊犁供电公司 一种基于改进遗传算法的分布式电源优化配置方法
CN112671045B (zh) * 2019-12-24 2023-09-22 国网新疆电力有限公司伊犁供电公司 一种基于改进遗传算法的分布式电源优化配置方法
CN111080169A (zh) * 2019-12-30 2020-04-28 国网辽宁省电力有限公司电力科学研究院 一种极端天气下主动配电网风险评估方法
CN111080169B (zh) * 2019-12-30 2024-02-09 国网辽宁省电力有限公司电力科学研究院 一种极端天气下主动配电网风险评估方法
CN113098075A (zh) * 2021-05-24 2021-07-09 广东电网有限责任公司 光伏消纳能力的分析方法、装置、电子设备及存储介质
CN113705986A (zh) * 2021-08-12 2021-11-26 武汉大学 一种基于风险理论的核心骨干网架构建方法
CN113705986B (zh) * 2021-08-12 2023-11-07 武汉大学 一种基于风险理论的核心骨干网架构建方法
CN115833267A (zh) * 2023-02-15 2023-03-21 江西惜能照明有限公司 基于智慧灯杆和区块链的充电控制方法及系统
CN117436706A (zh) * 2023-12-18 2024-01-23 国网天津市电力公司电力科学研究院 考虑光伏和电动汽车的配电台区安全风险评估方法及系统

Also Published As

Publication number Publication date
CN110350517B (zh) 2023-05-23

Similar Documents

Publication Publication Date Title
CN110350517A (zh) 一种基于运行风险的电动汽车并网配电网络重构方法
Wu et al. A charging-scheme decision model for electric vehicle battery swapping station using varied population evolutionary algorithms
CN103926538B (zh) 基于aic准则的变阶数rc等效电路模型及实现方法
CN106772064B (zh) 一种锂离子电池健康状态预测方法及装置
CN104376504B (zh) 一种基于解析法的配电系统概率可靠性评估方法
CN109061506A (zh) 基于神经网络优化ekf的锂离子动力电池soc估计方法
CN107785624A (zh) 一种评估锂电池性能的方法
CN109459699A (zh) 一种锂离子动力电池soc实时监测方法
Shukla et al. Voltage‐dependent modelling of fast charging electric vehicle load considering battery characteristics
Guo et al. Research on SOC fuzzy weighted algorithm based on GA‐BP neural network and ampere integral method
CN105976108A (zh) 一种配电网分布式储能规划方法
CN110398691A (zh) 基于改进自适应双无迹卡尔曼滤波器的锂离子动力电池SoC估计方法
Zhu et al. Battery management system for Li‐ion battery
CN107589379A (zh) 一种在线估计锂电池soc和阻抗的方法
Ahmadian et al. Optimal WDG planning in active distribution networks based on possibilistic–probabilistic PEVs load modelling
CN105182245A (zh) 基于无迹卡尔曼滤波的大容量电池系统荷电状态估计方法
CN105183994A (zh) 一种基于改进的i-elm的动力电池soc预测方法及装置
CN105353315A (zh) 一种基于无迹卡尔曼滤波的电池系统荷电状态估计方法
CN110299762A (zh) 基于pmu准实时数据的主动配电网抗差估计方法
CN105182246A (zh) 基于无迹卡尔曼滤波的并联型电池系统荷电状态估计方法
CN109839599A (zh) 基于二阶ekf算法的锂离子电池soc估计方法
CN105116346A (zh) 一种串联型锂离子电池系统及其荷电状态估计方法
CN105353314A (zh) 一种并联型电池系统荷电状态估计方法
CN106443496A (zh) 一种带改进型噪声估计器的电池荷电状态估计方法
CN110929464A (zh) 一种基于改进蜻蜓算法的蓄电池参数辨识方法

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