CN110365050A - 基于差分元胞遗传算法的dwf并网多目标优化方法 - Google Patents
基于差分元胞遗传算法的dwf并网多目标优化方法 Download PDFInfo
- Publication number
- CN110365050A CN110365050A CN201910698116.XA CN201910698116A CN110365050A CN 110365050 A CN110365050 A CN 110365050A CN 201910698116 A CN201910698116 A CN 201910698116A CN 110365050 A CN110365050 A CN 110365050A
- Authority
- CN
- China
- Prior art keywords
- dwf
- grid
- power
- node
- genetic algorithm
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000002068 genetic effect Effects 0.000 title claims abstract description 24
- 230000001413 cellular effect Effects 0.000 title claims abstract description 18
- 230000003068 static effect Effects 0.000 claims abstract description 17
- 230000035699 permeability Effects 0.000 claims abstract description 15
- 230000005540 biological transmission Effects 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 9
- 230000035515 penetration Effects 0.000 claims abstract description 7
- 230000035772 mutation Effects 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 241000254158 Lampyridae Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Classifications
-
- 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]
-
- 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
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种基于差分元胞遗传算法的DWF并网多目标优化方法,包括:1、在DWF并网规划过程中将DWF接入后的配电网总网损最小、节点电压静态稳定裕度最大、DWF渗透率最大作为目标函数,将电网中的潮流平衡、节点电压限制、支路传输功率限制、DWF的穿透功率极限和装机容量限制作为约束条件,建立含DWF的配电网多目标优化模型;2、采用差分元胞遗传算法求解多目标优化模型,得到优化的并网参数;3、利用优化的并网参数实现DWF并网。与现有技术相比,本发明提高了DWF并网电压稳定性;采用差分元胞遗传算法求解多目标优化模型,在保证种群多样性的同时,也提高了对pareto解集的寻优能力,易于实施。
Description
技术领域
本发明涉及分散式风电场并网规划技术领域,尤其是涉及一种基于差分元胞遗传算法的DWF并网多目标优化方法。
背景技术
传统的大规模集中式风电并网带来了弃风、脱网、并网困难等一系列危及电网安全稳定运行的问题。因此,近年来我国风电由集中式发电逐步调整为分散式发电。分散式风电场(dispersed wind farm,DWF)作为一种风电并网的新形式,具有就地消纳、风电选址灵活、投资小、安全高效等优点。然而,随着DWF大规模的接入配电网,原本的平衡状态、电压分布以及潮流方向会受到影响。若DWF在配电网中接入位置不合理,将造成电网中出现电压不稳定和电能质量问题。因此,DWF接入电网的合理规划显得尤为重要。
对于DWF并网的规划问题,近年来有相关文献提出关于分散式风电并网优化策略。2015年,刘柏良在文献含分布式电源及电动汽车充电站的配电网多目标规划研究中提出采用人工智能算法优化以有功损耗为目标函数的数学模型,而没有考虑无功损耗作为优化目标的重要性。然而,相较于降低有功损耗,降低无功损耗对于含DWF的电网规划具有更重要的意义。2015年,杨俊友在文献计及网损最小的含分散式风电场配电网多目标优化策略中提出建立以有功损耗和无功损耗为最小目标的多目标优化模型,却未考虑功率因数的变化对电压稳定性的影响。2017年,王波在文献基于恒功率因数控制的风电场无功控制策略优化方法中提出基于功率因数优化的DWF运行控制策略,以提高静态电压稳定性和降低总网损,并采用改进的萤火虫算法进行求解。然而在实际的分散式风电场并网过程中,DWF渗透率对电压稳定性的影响不容忽略。同时,在多目标优化模型求解过程中,传统的多目标优化算法存在计算复杂、收敛速度慢、优化效果不佳等缺陷。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于差分元胞遗传算法的DWF并网多目标优化方法。
本发明的目的可以通过以下技术方案来实现:
一种基于差分元胞遗传算法的DWF并网多目标优化方法,包括以下步骤:
S1、在DWF并网规划过程中将DWF接入后的配电网总网损最小、节点电压静态稳定裕度最大、DWF渗透率最大作为目标函数,将电网中的潮流平衡、节点电压限制、支路传输功率限制、DWF的穿透功率极限和装机容量限制作为约束条件,建立含DWF的配电网多目标优化模型;
S2、采用差分元胞遗传算法求解步骤S1的多目标优化模型,得到优化的并网参数;
S3、利用优化的并网参数实现DWF并网。
优选的,所述N节点配电网总网损包括有功网损PDWF和无功网损QDWF,分别为:
其中, Pj与Qj分别表示节点j注入的有功功率与无功功率;Pei表示节点i的DWF注入的有功功率;PLi与QLi分别表示节点i的负荷有功功率与无功功率;PGi与QGi分别表示节点i从网侧注入的有功功率与无功功率;为节点i的功率因数角;Vi、Vj分别为节点i与j的电压;rij、xij分别为节点i与j之间的电阻与电抗;δij为节点i与j之间的功率角;αij、βij与γij、ξij分别为节点i与j之间的有功与无功网损变量。
优选的,所述节点电压静态稳定裕度最大的目标函数为f2:
f2=L=max[L1,L2,…LM]
其中,Lm=4[(XmPm-RmQm)2+(XmQm+RmPm)V2]/V4
m=1,2…M为电网中的第m条支路,M为总支路数,L为各支路的静态电压稳定性指标的最大值;Rm、Xm分别为支路m的电阻与电抗;Pm、Qm分别为支路m的有功功率与无功功率;V为支路m的端点电压。
优选的,所述DWF渗透率为SDWFi:
SDWFi=PDWFi+jQDWFi
其中,PDWFi和QDWFi分别电网接入点i处DWF发出的有功功率和无功功率。
优选的,所述潮流平衡约束条件为:
其中,Pi与Qi分别表示节点i的有功功率与无功功率;Gij与Bij分别表示支路ij的电导与电纳;θij为支路ij的首末电压相位差。
优选的,所述节点电压限制为:
Vimin≤Vi≤Vimax
其中,Vi表示节点电压,Vimax、Vimin分别表示各节点电压的上、下限值;
所述支路传输功率限制为:
Pij≤Pijmax
其中,Pijmax表示支路ij传输功率Pij的上限值;
DWF的穿透功率极限为:
其中,ρ为DWF装机容量的最大值与系统总负荷的比值;Slmax为电网中最大负荷,SDWFi表示待选节点i的DWF装机容量值;N表示待选节点总数。
所述装机容量限制为:
0≤SDWFi≤SDWFimax
其中,SDWFimax为待选节点i允许DWF最大装机容量值。
优选的,所述步骤S2具体包括:
S21、参数设置:设置种群规模、最大进化代数、缩放因子、交叉因子;
S22、初始化:随机生成初始种群,将种群中每个个体随机分配至二维环形网格;
S23、选择父代:对每一个个体,从其邻居中通过二元锦标赛选出两个较优秀的个体,将其与当前个体作为三个父代个体Xr1、Xr2、Xr3;
S24、变异交叉:通过变异操作、交叉操作得到子代个体Ui,j;
S25、子代评估:计算子代的目标函数值,若子代支配当前个体,则将子代替换当前个体;反之,将子代替换当前个体周围邻居中最差的个体;经替换操作后,判断子代是否为非支配个体,若是,则存入外部文档;
S26、种群更新:重复步骤S23~S25,完成网格中所有个体的进化操作;在每代进化结束之后,若子代个体优于当前个体,则将其替换,继续进化,直至满足进化的终止条件
优选的,所述步骤S24中变异操作包括:
vi,j=Xr1,j+F(Xr2,j-Xr3,j),i∈[1,Np],j∈[1,d]
其中,vi,j为变异个体;Np为种群规模;Xr1,j、Xr2,j、Xr3,j为选择出来的三个父本,d为解空间维数,F为缩放因子,且F∈[0,1];
交叉操作包括:
其中,randi,j为随机产生的数,且randi,j∈[0,1];CR为交叉因子,且CR∈[0,1];K为[1,d-1]之间的整数。
与现有技术相比,本发明中将配电网总网损、节点电压静态稳定裕度、DWF渗透率作为优化目标,更加全面的考虑了影响DWF并网的重要指标,提高了DWF并网电压稳定性;采用差分元胞遗传算法求解多目标优化模型,在保证种群多样性的同时,也提高了对pareto解集的寻优能力,获得了高质量的优化结果,易于实施。
附图说明
图1为本发明中采用差分元胞遗传算法求解多目标优化模型的流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例
本申请提出一种基于差分元胞遗传算法的DWF并网多目标优化方法,包括以下步骤:
S1、在DWF并网规划过程中将DWF接入后的配电网总网损最小、节点电压静态稳定裕度最大、DWF渗透率最大作为目标函数,将电网中的潮流平衡、节点电压限制、支路传输功率限制、DWF的穿透功率极限和装机容量限制作为约束条件,建立含DWF的配电网多目标优化模型;
S2、采用差分元胞遗传算法求解步骤S1的多目标优化模型,得到优化的并网参数;
S3、利用优化的并网参数实现DWF并网。
在配电网中,若将总网损控制到最小,不仅能够减少能量损耗、无功功率传输损耗以及压降,还能提升电网带载力以及改善电压波形。因此,本申请将DWF接入后的配电网总网损f1作为一优化目标。N节点配电网总网损包括有功网损PDWF和无功网损QDWF,分别为:
其中, Pj与Qj分别表示节点j注入的有功功率与无功功率;Pei表示节点i的DWF注入的有功功率;PLi与QLi分别表示节点i的负荷有功功率与无功功率;PGi与QGi分别表示节点i从网侧注入的有功功率与无功功率;为节点i的功率因数角;Vi、Vj分别为节点i与j的电压;rij、xij分别为节点i与j之间的电阻与电抗;δij为节点i与j之间的功率角;αij、βij与γij、ξij分别为节点i与j之间的有功与无功网损变量。
节点电压静态稳定裕度是衡量系统负载承受力的重要指标。在DWF并网过程中,因DWF具有不可控性,将导致配电网的电压稳定性下降,进而造成系统负载承受力变弱,系统易崩溃。因此,本申请提出将节点电压静态稳定裕度f2控制在最大化作为一目标函数。节点电压静态稳定裕度最大的目标函数f2为:
f2=L=max[L1,L2,…LM]
其中,Lm=4[(XmPm-RmQm)2+(XmQm+RmPm)V2]/V4
m=1,2…M为电网中的第m条支路,M为总支路数,L为各支路的静态电压稳定性指标的最大值;Rm、Xm分别为支路m的电阻与电抗;Pm、Qm分别为支路m的有功功率与无功功率;V为支路m的端点电压。
在DWF并网过程中,DWF渗透率的大小与系统损耗、静态电压稳定性有较大关联。随着DWF渗透率的增大,主网到配网的功率传送容量减少,电网损耗降低,当渗透率增大到一定值后,导致电网中出现潮流倒送现象,使得电网损耗加重。因此,在保证总网损最小的情况下,DWF渗透率SDWFi越大,系统的电压稳定性越好。因此,DWF渗透率最大可作为一优化目标f3,DWF渗透率为:
SDWFi=PDWFi+jQDWFi
其中,PDWFi和QDWFi电网接入点i处DWF发出的有功功率和无功功率。
约束条件包括等式约束条件和不等式约束条件。
等式约束条件包括潮流平衡约束条件。当DWF接入配电网中,电网中各条支路的有功功率、无功功率平衡,即潮流平衡约束应满足下式:
其中,Pi与Qi分别表示节点i的有功功率与无功功率;Gij与Bij分别表示支路ij的电导与电纳;θij为支路ij的首末电压相位差。
不等式约束条件包括:
(1)节点电压限制为:
Vimin≤Vi≤Vimax
其中,Vi表示节点电压,Vimax、Vimin分别表示各节点电压的上、下限值;
(2)支路传输功率限制为:
Pij≤Pijmax
其中,Pijmax表示支路ij传输功率Pij的上限值;
(3)DWF的穿透功率极限为:
其中,ρ为DWF装机容量的最大值与系统总负荷的比值;Slmax为电网中最大负荷,SDWFi表示待选节点i的DWF装机容量值;N表示待选节点总数。
(4)装机容量限制为:
0≤SDWFi≤SDWFimax
其中,SDWFimax为待选节点i允许DWF最大装机容量值。
步骤S1建立了以配电网总网损最小、节点电压静态稳定裕度最大、DWF渗透率最大为目标函数的数学模型,约束条件包含不等式约束和等式约束。其具体的数学模型如下表示:
式中,目标函数:f1(x,u)为DWF接入配电网之后的总网损;f2(x,u)为节点电压静态稳定裕度;f3(x,u)为DWF渗透率。约束条件:hi(x,u)为不等式约束条件;gj(x,u)为等式约束条件。
差分元胞算法(DEcell)是在多目标元胞遗传算法(MOcell)的基础上通过引入差分策略(DE),并采用换位变异算子而形成的多目标遗传算法,该算法能够在保证种群多样性的同时,也提高了对pareto解集的寻优能力,以获得高质量的优化结果。差分进化策略利用个体间的方向信息与相互距离来求解非线性、高维的多目标优化问题,该策略具有全局并行搜索的优点,且易于实施。DEcell主要分为变异操作与交叉操作。
变异操作包括:
vi,j=Xr1,j+F(Xr2,j-Xr3,j),i∈[1,Np],j∈[1,d]
其中,vi,j为变异个体;Np为种群规模;Xr1,j、Xr2,j、Xr3,j为选择出来的三个父本,d为解空间维数,F为缩放因子,且F∈[0,1];
交叉操作包括:
其中,randi,j为随机产生的数,且randi,j∈[0,1];CR为交叉因子,且CR∈[0,1];K为[1,d-1]之间的整数。
如图1所示,步骤S2具体包括:
S21、参数设置:设置种群规模、最大进化代数、缩放因子、交叉因子、外部文档存储容量;
S22、初始化:随机生成初始种群,创建一个存放非支配解的外部文档,将种群中每个个体随机分配至二维环形网格;
S23、选择父代:对每一个个体,从其邻居中通过二元锦标赛选出两个较优秀的个体,将其与当前个体作为三个父代个体Xr1、Xr2、Xr3;
S24、变异交叉:通过变异操作、交叉操作得到子代个体Ui,j;
S25、子代评估:计算子代的目标函数值,若子代支配当前个体,则将子代替换当前个体;反之,将子代替换当前个体周围邻居中最差的个体;经替换操作后,判断子代是否为非支配个体,若是,则存入外部文档;
S26、种群更新:重复步骤S23~S25,完成网格中所有个体的进化操作;在每代进化结束之后,若子代个体优于当前个体,则将其替换,继续进化,直至满足进化的终止条件。
Claims (8)
1.一种基于差分元胞遗传算法的DWF并网多目标优化方法,其特征在于,包括以下步骤:
S1、在DWF并网规划过程中将DWF接入后的配电网总网损最小、节点电压静态稳定裕度最大、DWF渗透率最大作为目标函数,将电网中的潮流平衡、节点电压限制、支路传输功率限制、DWF的穿透功率极限和装机容量限制作为约束条件,建立含DWF的配电网多目标优化模型;
S2、采用差分元胞遗传算法求解步骤S1的多目标优化模型,得到优化的并网参数;
S3、利用优化的并网参数实现DWF并网。
2.根据权利要求1所述的基于差分元胞遗传算法的DWF并网多目标优化方法,其特征在于,所述N节点配电网总网损包括有功网损PDWF和无功网损QDWF,分别为:
其中, Pj与Qj分别表示节点j注入的有功功率与无功功率;Pei表示节点i的DWF注入的有功功率;PLi与QLi分别表示节点i的负荷有功功率与无功功率;PGi与QGi分别表示节点i从网侧注入的有功功率与无功功率;为节点i的功率因数角;Vi、Vj分别为节点i与j的电压;rij、xij分别为节点i与j之间的电阻与电抗;δij为节点i与j之间的功率角;αij、βij与γij、ξij分别为节点i与j之间的有功与无功网损变量。
3.根据权利要求1所述的基于差分元胞遗传算法的DWF并网多目标优化方法,其特征在于,所述节点电压静态稳定裕度最大的目标函数为f2:
f2=L=max[L1,L2,…LM]
其中,Lm=4[(XmPm-RmQm)2+(XmQm+RmPm)V2]/V4
m=1,2…M为电网中的第m条支路,M为总支路数,L为各支路的静态电压稳定性指标的最大值;Rm、Xm分别为支路m的电阻与电抗;Pm、Qm分别为支路m的有功功率与无功功率;V为支路m的端点电压。
4.根据权利要求1所述的基于差分元胞遗传算法的DWF并网多目标优化方法,其特征在于,所述DWF渗透率为SDWFi:
SDWFi=PDWFi+jQDWFi
其中,PDWFi和QDWFi分别电网接入点i处DWF发出的有功功率和无功功率。
5.根据权利要求1所述的基于差分元胞遗传算法的DWF并网多目标优化方法,其特征在于,所述潮流平衡约束条件为:
其中,Pi与Qi分别表示节点i的有功功率与无功功率;Gij与Bij分别表示支路ij的电导与电纳;θij为支路ij的首末电压相位差。
6.根据权利要求1所述的基于差分元胞遗传算法的DWF并网多目标优化方法,其特征在于,所述节点电压限制为:
Vimin≤Vi≤Vimax
其中,Vi表示节点电压,Vimax、Vimin分别表示各节点电压的上、下限值;
所述支路传输功率限制为:
Pij≤Pijmax
其中,Pijmax表示支路ij传输功率Pij的上限值;
DWF的穿透功率极限为:
其中,ρ为DWF装机容量的最大值与系统总负荷的比值;Slmax为电网中最大负荷,SDWFi表示待选节点i的DWF装机容量值;N表示待选节点总数。
所述装机容量限制为:
0≤SDWFi≤SDWFimax
其中,SDWFimax为待选节点i允许DWF最大装机容量值。
7.根据权利要求1所述的基于差分元胞遗传算法的DWF并网多目标优化方法,其特征在于,所述步骤S2具体包括:
S21、参数设置:设置种群规模、最大进化代数、缩放因子、交叉因子;
S22、初始化:随机生成初始种群,将种群中每个个体随机分配至二维环形网格;
S23、选择父代:对每一个个体,从其邻居中通过二元锦标赛选出两个较优秀的个体,将其与当前个体作为三个父代个体Xr1、Xr2、Xr3;
S24、变异交叉:通过变异操作、交叉操作得到子代个体Ui,j;
S25、子代评估:计算子代的目标函数值,若子代支配当前个体,则将子代替换当前个体;反之,将子代替换当前个体周围邻居中最差的个体;经替换操作后,判断子代是否为非支配个体,若是,则存入外部文档;
S26、种群更新:重复步骤S23~S25,完成网格中所有个体的进化操作;在每代进化结束之后,若子代个体优于当前个体,则将其替换,继续进化,直至满足进化的终止条件。
8.根据权利要求7所述的基于差分元胞遗传算法的DWF并网多目标优化方法,其特征在于,所述步骤S24中变异操作包括:
vi,j=Xr1,j+F(Xr2,j-Xr3,j),i∈[1,Np],j∈[1,d]
其中,vi,j为变异个体;Np为种群规模;Xr1,j、Xr2,j、Xr3,j为选择出来的三个父本,d为解空间维数,F为缩放因子,且F∈[0,1];
交叉操作包括:
其中,randi,j为随机产生的数,且randi,j∈[0,1];CR为交叉因子,且CR∈[0,1];K为[1,d-1]之间的整数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910698116.XA CN110365050B (zh) | 2019-07-31 | 2019-07-31 | 基于差分元胞遗传算法的dwf并网多目标优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910698116.XA CN110365050B (zh) | 2019-07-31 | 2019-07-31 | 基于差分元胞遗传算法的dwf并网多目标优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110365050A true CN110365050A (zh) | 2019-10-22 |
CN110365050B CN110365050B (zh) | 2023-04-28 |
Family
ID=68221565
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910698116.XA Active CN110365050B (zh) | 2019-07-31 | 2019-07-31 | 基于差分元胞遗传算法的dwf并网多目标优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110365050B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111159921A (zh) * | 2020-01-17 | 2020-05-15 | 安徽瑞迪微电子有限公司 | 一种igbt的设计方法 |
CN111931322A (zh) * | 2020-08-12 | 2020-11-13 | 国网浙江省电力有限公司经济技术研究院 | 自主式元胞电网的电源及耦合点规划方法及系统 |
CN113507134A (zh) * | 2021-06-24 | 2021-10-15 | 东北电力大学 | 一种规划目标年新能源电源装机容量的优化规划方法 |
CN116599162A (zh) * | 2023-07-19 | 2023-08-15 | 昆明理工大学 | 一种n-1下新能源渗透率的确定方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090295165A1 (en) * | 2008-05-30 | 2009-12-03 | Ge Wind Energy Gmbh | Method for wind turbine placement in a wind power plant |
CN103441506A (zh) * | 2013-06-18 | 2013-12-11 | 国家电网公司 | 不同时间尺度下多目标协调分散风电场无功优化控制方法 |
CN104361403A (zh) * | 2014-10-27 | 2015-02-18 | 国家电网公司 | 一种分布式电源与微电网的优化分组配置方法 |
CN106300438A (zh) * | 2015-05-15 | 2017-01-04 | 中国电力科学研究院 | 一种配电网日前两阶段优化调度方法 |
CN107069784A (zh) * | 2017-04-13 | 2017-08-18 | 北京国网普瑞特高压输电技术有限公司 | 一种利用分布式储能提高配电网负荷和光伏承载能力的优化运行方法 |
CN108258699A (zh) * | 2017-12-25 | 2018-07-06 | 华北电力大学 | 一种考虑dfig无功出力能力的风电场无功优化控制方法 |
CN108258724A (zh) * | 2018-01-22 | 2018-07-06 | 佛山科学技术学院 | 一种风电场机组布局多目标优化方法 |
CN109586303A (zh) * | 2018-11-20 | 2019-04-05 | 天津大学 | 一种配电网区域电压分布式协调控制方法及系统 |
CN109599894A (zh) * | 2018-12-10 | 2019-04-09 | 贵州电网有限责任公司 | 一种基于改进遗传算法的dg并网优化配置方法 |
CN112054512A (zh) * | 2020-08-20 | 2020-12-08 | 三峡大学 | 基于fcs-mpc控制的高渗透率主动配电网电能质量治理方法 |
-
2019
- 2019-07-31 CN CN201910698116.XA patent/CN110365050B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090295165A1 (en) * | 2008-05-30 | 2009-12-03 | Ge Wind Energy Gmbh | Method for wind turbine placement in a wind power plant |
CN103441506A (zh) * | 2013-06-18 | 2013-12-11 | 国家电网公司 | 不同时间尺度下多目标协调分散风电场无功优化控制方法 |
CN104361403A (zh) * | 2014-10-27 | 2015-02-18 | 国家电网公司 | 一种分布式电源与微电网的优化分组配置方法 |
CN106300438A (zh) * | 2015-05-15 | 2017-01-04 | 中国电力科学研究院 | 一种配电网日前两阶段优化调度方法 |
CN107069784A (zh) * | 2017-04-13 | 2017-08-18 | 北京国网普瑞特高压输电技术有限公司 | 一种利用分布式储能提高配电网负荷和光伏承载能力的优化运行方法 |
CN108258699A (zh) * | 2017-12-25 | 2018-07-06 | 华北电力大学 | 一种考虑dfig无功出力能力的风电场无功优化控制方法 |
CN108258724A (zh) * | 2018-01-22 | 2018-07-06 | 佛山科学技术学院 | 一种风电场机组布局多目标优化方法 |
CN109586303A (zh) * | 2018-11-20 | 2019-04-05 | 天津大学 | 一种配电网区域电压分布式协调控制方法及系统 |
CN109599894A (zh) * | 2018-12-10 | 2019-04-09 | 贵州电网有限责任公司 | 一种基于改进遗传算法的dg并网优化配置方法 |
CN112054512A (zh) * | 2020-08-20 | 2020-12-08 | 三峡大学 | 基于fcs-mpc控制的高渗透率主动配电网电能质量治理方法 |
Non-Patent Citations (1)
Title |
---|
亢岚: "提高风电渗透率的电力系统多目标优化调度研究", 《电网与清洁能源》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111159921A (zh) * | 2020-01-17 | 2020-05-15 | 安徽瑞迪微电子有限公司 | 一种igbt的设计方法 |
CN111159921B (zh) * | 2020-01-17 | 2023-06-16 | 安徽瑞迪微电子有限公司 | 一种igbt的设计方法 |
CN111931322A (zh) * | 2020-08-12 | 2020-11-13 | 国网浙江省电力有限公司经济技术研究院 | 自主式元胞电网的电源及耦合点规划方法及系统 |
CN111931322B (zh) * | 2020-08-12 | 2022-03-04 | 国网浙江省电力有限公司经济技术研究院 | 自主式元胞电网的电源及耦合点规划方法及系统 |
CN113507134A (zh) * | 2021-06-24 | 2021-10-15 | 东北电力大学 | 一种规划目标年新能源电源装机容量的优化规划方法 |
CN113507134B (zh) * | 2021-06-24 | 2022-04-05 | 东北电力大学 | 一种规划目标年新能源电源装机容量的优化规划方法 |
CN116599162A (zh) * | 2023-07-19 | 2023-08-15 | 昆明理工大学 | 一种n-1下新能源渗透率的确定方法 |
CN116599162B (zh) * | 2023-07-19 | 2023-09-15 | 昆明理工大学 | 一种n-1下新能源渗透率的确定方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110365050B (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110365050A (zh) | 基于差分元胞遗传算法的dwf并网多目标优化方法 | |
CN107979092A (zh) | 一种考虑分布式电源与软开关接入的配电网动态重构方法 | |
CN105449675B (zh) | 优化分布式能源接入点和接入比例的电力网络重构方法 | |
CN110247438B (zh) | 基于天牛须算法的主动配电网资源优化配置 | |
Ghadimi | Genetically tuning of lead-lag controller in order to control of fuel cell voltage | |
CN107392418B (zh) | 一种城市配电网网络重构方法及系统 | |
CN111049173B (zh) | 多端直流配网自组织下垂控制方法 | |
CN110265991B (zh) | 一种直流微电网的分布式协调控制方法 | |
CN113644693B (zh) | 含可再生能源/氢能交直流混联系统分散式运行管控方法 | |
CN111490542B (zh) | 一种多端柔性多状态开关的选址定容方法 | |
CN114928057B (zh) | 一种适用于新能源多端柔直系统的多目标潮流优化方法 | |
CN110838590A (zh) | 一种质子交换膜燃料电池气体供应控制系统及方法 | |
CN111682557A (zh) | 电力系统无功设备配置地点和最佳补偿容量的优化方法 | |
CN106777521A (zh) | 基于双链量子遗传算法的发电机组涉网参数优化方法 | |
CN116667325A (zh) | 一种基于改进布谷鸟算法的微电网并网运行优化调度方法 | |
CN113629715A (zh) | 一种计及可输电能力的upfc多目标优化配置方法 | |
CN109390971A (zh) | 一种基于门当户对遗传算法的配电网多目标主动重构方法 | |
CN117913789A (zh) | 一种分布式光储参与配电网改进多目标优化控制方法 | |
CN117610828A (zh) | 一种步长逐密多目标梯级水电站群优化调度方法 | |
CN103515964A (zh) | 无功补偿控制方法和无功补偿控制装置 | |
CN115765035A (zh) | 一种适应于全时段动态重构的柔性配电网扰动恢复方法 | |
CN113346501B (zh) | 基于头脑风暴算法的配电网电压优化方法及其系统 | |
CN110930263B (zh) | 基于黑洞粒子群算法的含光伏电源和感应电动机的中压配电网短路电流计算方法 | |
Aghdam et al. | Adjusting PID controllers coefficients to control fuel cell using genetic algorithm | |
Shakarami et al. | A new approach for network reconfiguration problem in order to deviation bus voltage minimization with regard to probabilistic load model and DGs |
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 |