CN110429593A - 一种考虑电动汽车充电需求的配电最优容载比确定方法 - Google Patents
一种考虑电动汽车充电需求的配电最优容载比确定方法 Download PDFInfo
- Publication number
- CN110429593A CN110429593A CN201910763436.9A CN201910763436A CN110429593A CN 110429593 A CN110429593 A CN 110429593A CN 201910763436 A CN201910763436 A CN 201910763436A CN 110429593 A CN110429593 A CN 110429593A
- Authority
- CN
- China
- Prior art keywords
- load
- model
- transformer
- substation
- electric
- 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.)
- Pending
Links
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
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于电力系统负荷预测及配电容载比配置技术领域,尤其涉及到一种考虑电动汽车充电需求的配电最优容载比确定方法。该方法包括:选取电动汽车负荷的LS‑SVM输入向量;建立基础LS‑SVM空间负荷预测模型;考虑电动汽车充电需求,建立拓展因素的LS‑SVM综合负荷预测模型;处理拓展LS‑SVM综合负荷预测模型中的历史数据,并根据贝叶斯框架选取模型的最优参数;根据参数优化结果,确定模型内容,对指定区域进行负荷预测;评估某一区域基础用电负荷;计及电动汽车预测负荷得到用电复合峰值;建立多电压等级下配电网容载比优化模型,从而确定最优容载比。本发明可较精确地预测电动汽车充电负荷,并在考虑电动汽车充电需求情况下确定配电最优容载比,具有较高应用价值。
Description
技术领域
本发明属于电力系统负荷预测及配电容载比配置技术领域,尤其涉及到一种考虑电动汽车充电需求的配电最优容载比确定方法。
背景技术
容载比作为电网规划方案评估体系中的核心指标,能够综合反映电网的适应能力和经济性,是进行电网规划的重要参考依据,被广泛应用于电网的规划、建设和改造过程中。但随着能源利用形式的转变和国家政策的推动,近些年来,大量以电动汽车为代表的新型负荷逐渐在城市电网中渗入,给电网的运行带来了一定的影响,由于在传统的电网规划中对容载比进行取值时没有考虑到上述现象的影响,导致规划结果缺乏对规模化接入的电动汽车负荷的适应性。
电动汽车的充电行为具有明显的随机性和波动性,在电网规划阶段精确地预测电动汽车充电负荷具有重要意义。为了保证负荷预测的精确度,需要根据系统的运行特性、增容决策、自然条件与社会影响等诸多因数,建立符合地区实际情况的负荷预测模型。但随着电动汽车的飞速发展,原有的城市负荷发展规律被打破,城市空间负荷分布变得更为复杂,采用原有基于时间序列的负荷预测方法可能给预测结果带来较大误差,不利于城市电网规划的经济性与可靠性。因此,在进行负荷预测时,需要充分考虑负荷类型的发展变化,计及电动汽车充电需求的影响,进一步提高负荷预测的精度。
因此,有必要建立计及电动汽车发展的负荷预测模型,并分析其对电网容载比取值的影响,建立考虑电动汽车充电需求的电网经济性的容载比优化模型,从而确定变压器选型和配电最优容载比。
发明内容
为解决传统配电容载比规划方法对电动汽车充电需求考虑不足的问题,本发明提出了一种虑电动汽车充电需求的配电最优容载比确定方法,能够较精确地预测某一地区电动汽车负荷,并在考虑电动汽车不同渗透率的情况下确定配电最优容载比。
为达到上述技术目的,本发明采取如下技术方案。
一种考虑电动汽车充电需求的配电最优容载比确定方法,具体包括以下步骤:
步骤1:根据影响电动汽车负荷变化的因素,选取电动汽车负荷的LS-SVM输入向量;
步骤2:根据传统负荷空间预测的影响因素,建立基础LS-SVM空间负荷预测模型;
步骤3:分析传统负荷与电动汽车之间的关系,在基础LS-SVM模型的基础上建立拓展因素的LS-SVM综合负荷预测模型;
步骤4:对拓展的LS-SVM综合负荷预测模型中的历史数据进行处理,并通过处理后的历史数据和贝叶斯框架选取模型的最优参数;
步骤5:根据参数优化结果,确定模型内容,结合数据进行指定区域的负荷预测;
步骤6:对某一区域基础用电负荷进行评估;
步骤7:根据步骤5所得电动汽车预测负荷及相关影响因素,得到复合用电峰值;
步骤8:建立多电压等级下配电网容载比优化模型,从而确定配电最优容载比。
进一步,所述步骤1的具体方法为:针对电动汽车负荷,影响因素主要为电动汽车类型、续航里程、充电桩特性、用户出行需求及用车习惯。假定其影响因素个数N为4,其中电动汽车总量为第一个影响因素x1,总续航里程为第二个影响因素x2,汽车总电池容量为第三个影响因素x3,财政补贴为第三个影响因素x4,则电动汽车的空间负荷预测模型为:
其中,y(m)为电动汽车负荷,xk为负荷影响因素,αm是权重变量,Km(x,xk)为电动汽车负荷模型的核函数,εm为常值偏差参数。
进一步,所述步骤2的具体方法为:针对传统负荷,分析影响其负荷预测的主要因素为地区总人口x1、地区人均可支配收入为x2、GDP总量为x3、地区的年售电量为x4、地区的平均电价为x5,则传统负荷的空间负荷预测模型为:
其中,y(l)为传统负荷,xk为传统负荷影响因素,αl是权重变量,Kl(x,xk)为传统负荷预测模型的核函数,εl为传统负荷模型的常值偏差参数。
进一步,所述步骤3的具体方法为:由于采集负荷为综合负荷,且一般无法直接获取各个类型的分类负荷量,导致LS-SVM模型无法获得分离的样本,因此将步骤2和步骤3进行合并,电动汽车负荷取正向负荷,从而可以不用分离样本,得到拓展因素的LS-SVM模型为:y(l,m)=y(l)+y(m)
其中,y(l,m)为计及传统负荷与电动汽车的综合负荷。
进一步,所述步骤4的具体方法为:在步骤3所建立的模型中,y(l,m)表示综合考虑传统负荷与电动汽车的总负荷,x表示扩展的影响因素,当某年度历史数据中不存在相应数据时,取0值即可。对于决定模型特性的正则化参数γ和核参数σ,利用贝叶斯框架对模型的参数进行优化选择,从而保证模型的预测精度和推广能力,进一步得到完整的预测模型。
进一步,所述步骤5的具体方法为:根据步骤4所述的优化模型结果,利用检验集的数据对模型的预测精度进行检验,然后对确定区域内未来的负荷量进行预测,得到负荷预测结果。
进一步,所述步骤6的具体方法为:根据台区用户数量、产业结构及功能定位,计算台区的基础用电负荷,并基于此选择合适的变压器容量。
进一步,所述步骤7的具体方法为:根据步骤5得到的台区配电网电动汽车充电负荷预测值,计及电动汽车渗透率、充电功率以及电动汽车的充电负荷同时率得到复合用电峰值的大小。
进一步,所述步骤8的配电网容载比优化模型,其目标函数为各电压等级变电站的投资费用最小,约束条件包括变电站内变压器数量配置符合《城市电力网规划设计导则》的要求、变压器不过载或严重轻载、正常运行时满足N-1条件以及变压器的类型必须是实际能够选择的类型。经济性综合优化模型的目标函数为:
其中x=1,2,3
其中,变电站的总投资成本;Z1为设备成本,主要指变电站的原料采购成本,具体可以分为两部分,一是厂站建设材料的采购成本,二是不同型号变压器及相关设备的采购,如果在已有的变电站进行规划,则可以不考虑变电站建造材料成本,只考虑设备成本即可;Z2为建造维护成本,主要指的是变电站建造成本,包括土地费用、施工费用等,此外还包括规划年限内对变压器的维护检修以及故障条件下的维修成本,根据经验可简化为Z2=Z1×15%;Z3为电能损耗成本,配电网的主要损耗是变压器损耗,在进行容载比经济性评价时,可以通过输配电费将变压器的电能损耗转化为经济量,从而与其他费用一起总体考虑。变压器电能损耗费用分为有功损耗费用和无功损耗费用。无功损耗费用乘上无功经济当量即可转化为有功损耗费用,变压器有功功率损耗为ΔP=P0+β2Pk,无功功率损耗为ΔQ=Q0+β,式中β为负载率,P0为空载损耗,Pk为负载损耗,Q0为无功空载损耗,Qk为无功负载损耗,故电能损耗成本Z3=e(ΔP+k'ΔQ)T,式中T为变压器在规划年内运行服役的时间;e为电网的输配电价。
约束条件为:
(Ni-1)Si0≥Pi
Si0∈RT
同时,为保证电网的可靠性,要求变电站不能重载,即每个变电站都要在合理的负载区间内:
其中,i为不同变电站的编号,Ni为变电站的变压器数量,Pi为变电站辖区的最大有功负荷,Si0为变电站的单台变压器容量,Sin为第i座变电站的第n台变压器,RT为可以选择的变压器类型集合。
本发明的有益效果为:
本发明计及了电动汽车充电需求对电网规划的影响,对分区负荷预测模型的输入向量进行拓展,将其影响引入到区域负荷预测模型中来,更精确地预测电动汽车负荷,分析了其对电网容载比取值的影响,并进一步提出一种综合考虑不同电压等级电网经济性的容载比优化模型,分析不同电动汽车渗透率对容载比取值和变压器选型的影响,从而提高规划方案对电动汽车等新型负荷的适应性,具有较高应用价值。
附图说明
图1为本发明所述一种考虑电动汽车充电需求的配电最优容载比确定方法的流程图。
图2为本发明所建立LS-SVM原理图。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步的说明,但本发明的保护范围并不限于此。
如图1所示,本发明所述一种考虑电动汽车充电需求的配电最优容载比确定方法,具体实施步骤如下:
(1)根据影响电动汽车负荷变化的因素,选取电动汽车负荷的LS-SVM输入向量:
针对电动汽车负荷,影响因素主要为电动汽车类型、续航里程、充电桩特性、用户出行需求及用车习惯。假定其影响因素个数N为4,其中电动汽车总量为第一个影响因素x1,总续航里程为第二个影响因素x2,汽车总电池容量为第三个影响因素x3,财政补贴为第三个影响因素x4,则电动汽车的空间负荷预测模型为:
其中,y(m)为电动汽车负荷,xk为负荷影响因素,αm是权重变量,Km(x,xk)为电动汽车负荷模型的核函数,εm为常值偏差参数。
(2)根据传统负荷空间预测的影响因素,建立基础LS-SVM空间负荷预测模型:
原理图如附图2所示。针对传统负荷,分析影响其负荷预测的主要因素为地区总人口x1、地区人均可支配收入为x2、GDP总量为x3、地区的年售电量为x4、地区的平均电价为x5,则传统负荷的空间负荷预测模型为:
其中,y(l)为传统负荷,xk为传统负荷影响因素,αl是权重变量,Kl(x,xk)为传统负荷预测模型的核函数,εl为传统负荷模型的常值偏差参数。
(3)分析传统负荷与电动汽车之间的关系,在基础LS-SVM模型的基础上建立拓展因素的LS-SVM综合负荷预测模型:
由于采集负荷为综合负荷,且一般无法直接获取各个类型的分类负荷量,导致LS-SVM模型无法获得分离的样本,因此将步骤2和步骤3进行合并,电动汽车负荷取正向负荷,从而可以不用分离样本,得到拓展因素的LS-SVM模型为:
y(l,m)=y(l)+y(m)
其中,y(l,m)为计及传统负荷与电动汽车的综合负荷。
(4)对拓展的LS-SVM综合负荷预测模型中的历史数据进行处理,并通过处理后的历史数据和贝叶斯框架选取模型的最优参数:
在步骤3所建立的模型中,y(l,m)表示综合考虑传统负荷与电动汽车的总负荷,x表示扩展的影响因素,当某年度历史数据中不存在相应数据时,取0值即可。对于决定模型特性的正则化参数γ和核参数σ,利用贝叶斯框架对模型的参数进行优化选择,从而保证模型的预测精度和推广能力,进一步得到完整的预测模型。
(5)根据参数优化结果,确定模型内容,结合数据进行指定区域的负荷预测:
根据步骤4所述的优化模型结果,利用检验集的数据对模型的预测精度进行检验,然后对确定区域内未来的负荷量进行预测,得到负荷预测结果。
(6)对某一区域基础用电负荷进行评估:
根据台区用户数量、产业结构及功能定位,计算台区的基础用电负荷,并基于此选择合适的变压器容量。
(7)根据步骤5所得电动汽车预测负荷及相关影响因素,得到复合用电峰值:
根据步骤5得到的台区配电网电动汽车充电负荷预测值,计及电动汽车渗透率、充电功率以及电动汽车的充电负荷同时率得到电动汽车充电负荷峰值的大小。
(8)建立多电压等级下配电网容载比优化模型,从而确定配电最优容载比:
配电网容载比优化模型目标函数为各电压等级变电站的投资费用最小,约束条件包括变电站内变压器数量配置符合《城市电力网规划设计导则》的要求、变压器不过载或严重轻载、正常运行时满足N-1条件以及变压器的类型必须是实际能够选择的类型。经济性综合优化模型的目标函数为:
其中x=1,2,3
其中,变电站的总投资成本;Z1为设备成本,主要指变电站的原料采购成本,具体可以分为两部分,一是厂站建设材料的采购成本,二是不同型号变压器及相关设备的采购,如果在已有的变电站进行规划,则可以不考虑变电站建造材料成本,只考虑设备成本即可;Z2为建造维护成本,主要指的是变电站建造成本,包括土地费用、施工费用等,此外还包括规划年限内对变压器的维护检修以及故障条件下的维修成本,根据经验可简化为Z2=Z1×15%;Z3为电能损耗成本,配电网的主要损耗是变压器损耗,在进行容载比经济性评价时,可以通过输配电费将变压器的电能损耗转化为经济量,从而与其他费用一起总体考虑。变压器电能损耗费用分为有功损耗费用和无功损耗费用。无功损耗费用乘上无功经济当量即可转化为有功损耗费用,变压器有功功率损耗为ΔP=P0+β2Pk,无功功率损耗为ΔQ=Q0+β,式中β为负载率,P0为空载损耗,Pk为负载损耗,Q0为无功空载损耗,Qk为无功负载损耗,故电能损耗成本Z3=e(ΔP+k'ΔQ)T,式中T为变压器在规划年内运行服役的时间;e为电网的输配电价。
约束条件为:
(Ni-1)Si0≥Pi
Si0∈RT
同时,为保证电网的可靠性,要求变电站不能重载,即每个变电站都要在合理的负载区间内:
其中,i为不同变电站的编号,Ni为变电站的变压器数量,Pi为变电站辖区的最大有功负荷,Si0为变电站的单台变压器容量,Sin为第i座变电站的第n台变压器,RT为可以选择的变压器类型集合。
下面进一步通过一具体实施例对本发明作介绍。在我国一地区的实际电网2007-2017年负荷数据如表1所示。
表1某地区2007-2017年负荷数据
根据本专利提出的负荷预测方法,首先选取影响电动汽车负荷的因素集,在此实施例中,电动汽车负荷影响因素集总数N为4,具体因素包括:电动汽车总量为x1,总续航里程为x2,汽车电池总容量为x3,财政补贴总量为x4。根据影响因素集,采集相关历史数据如表2所示。
表2电动汽车负荷影响因素集
根据上述数据,将所有因素(共9个)的影响叠加到一起,建立该地区的综合负荷预测模型为:
将2007-2016年的历史数据带入建立的负荷预测模型中,然后通过贝叶斯框架对模型的基本参数进行优化,经优化确定正则化参数和核参数分别为:γ=19.2975;σ=127.6455。然后将2017年的数据带入建立的ls-svm负荷预测模型,仿真得到模型预测结果。
选取一个变电站等级为35kV的居民区为研究对象,居民区内包含三个小区住宅楼,其中两个普通住宅小区,一个高档住宅小区,三个居民区的变电等级均为10kV,电动汽车充电桩功率为3.5kW。所有小区均选用S11型变压器,10kV和35kV电压等级下的额定容量分别为:10kV:630、800、1000、1250和1600kVA。35kV:2000、3150、5000、6300和16000kVA。具体参数如表3和表4所示。
表3 10kV电压等级各容量S11型变压器参数
表4 35kV电压等级各容量S11型变压器参数
其中,变压器的无功损耗采用下式表示:
各电压等级下的变压器不同型号的造价如表5所示。
表5各型号变压器造价
变压器的平均负载系数取70%,无功经济当量k'取0.1kW/kvar,变压器运行小时数T=8760h。输配电价为1.5元/度。
居民小区住户数比例及不同住户的用电同时率如表6所示,实施例中假设普通住宅小区A有750户居民,普通住宅小区B有1200户居民,高档住宅小区C有450户居民。进一步假设,规划储备年限为5年,负荷平均增长率为10%。
表6不同规模小区用电负荷同时率
另外,小区居民用电负荷功率因数取0.85,普通小区计算负荷6kW/户,计算负荷10kW/户,需用系数均取0.6。
将上述条件代入到前面建立的规划模型中,根据实施例中的数据设定可得:在规划初年度,小区A的年最大负荷为750*6*0.6*0.4=1080kW,小区B的年最大负荷为1200*6*0.6*0.4=1728kW,小区C的年最大负荷为450*10*0.6*0.45=1215kW。若不计电动汽车充电负荷,以10%的负荷增长率计,到规划年度(5年后),小区A的年最大负荷为1080*(1+10%)5=1739kW,小区B的年最大负荷为1728*(1+10%)5=2783kW,小区C的年最大负荷为1215*(1+10%)5=1957kW。
针对电动汽车充电负荷预测值,在进行负荷峰值的估算时,还要考虑到电动汽车负荷和传统负荷之间的互同时率,由于慢充耗时较多,因此假设电动汽车负荷的互同时率为0.96,同时要求10kV变电站在无故障下的负载率不低于60%,35kV负载率不低于50%。考虑到变电站的面积和建设成本,每座变电站内变压器的台数不多于4台下面将不同的电动汽车渗透率代入仿真优化模型中进行经济性分析,得到不同电动汽车渗透率下的变压器最优配置如下:
表7不同电动汽车渗透率下的变压器最优选型
进一步根据变压器的最优选型,可以得出不同电动汽车渗透率的最优容载比如表8所示。
表8不同电动汽车渗透率下的最优容载比
以上所述仅为本发明较优的具体实施方案,但本发明的使用范围并不局限于此,在不背离本发明实质内容的情况下,本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。因此,本发明的适用范围应该以权利要求的适用范围为准。
Claims (9)
1.一种考虑电动汽车充电需求的配电最优容载比确定方法,其特征在于,具体包括以下步骤:
步骤1:根据影响电动汽车负荷变化的因素,选取电动汽车负荷的LS-SVM输入向量;
步骤2:根据传统负荷空间预测的影响因素,建立基础LS-SVM空间负荷预测模型;
步骤3:分析传统负荷与电动汽车之间的关系,在基础LS-SVM模型的基础上建立拓展因素的LS-SVM综合负荷预测模型;
步骤4:对拓展的LS-SVM综合负荷预测模型中的历史数据进行处理,并通过处理后的历史数据和贝叶斯框架选取模型的最优参数;
步骤5:根据参数优化结果,确定模型内容,结合数据进行指定区域的负荷预测;
步骤6:对某一区域基础用电负荷进行评估;
步骤7:根据步骤5所得电动汽车预测负荷及相关影响因素,得到复合用电峰值;
步骤8:建立多电压等级下配电网容载比优化模型,从而确定配电最优容载比。
2.根据权利要求1所述的一种考虑电动汽车充电需求的配电最优容载比确定方法,其特征在于,所述步骤1的具体方法为:
针对电动汽车负荷,影响因素主要为电动汽车类型、续航里程、充电桩特性、用户出行需求及用车习惯,假定其影响因素个数N为4,其中电动汽车总量为第一个影响因素x1,总续航里程为第二个影响因素x2,汽车总电池容量为第三个影响因素x3,财政补贴为第三个影响因素x4,则电动汽车的空间负荷预测模型为:
其中,y(m)为电动汽车负荷,xk为负荷影响因素,αm是权重变量,Km(x,xk)为电动汽车负荷模型的核函数,εm为常值偏差参数。
3.根据权利要求1所述的一种考虑电动汽车充电需求的配电最优容载比确定方法,其特征在于,所述步骤2的具体方法为:
针对传统负荷,分析影响其负荷预测的主要因素为地区总人口x1、地区人均可支配收入为x2、GDP总量为x3、地区的年售电量为x4、地区的平均电价为x5,则传统负荷的空间负荷预测模型为:
其中,y(l)为传统负荷,xk为传统负荷影响因素,αl是权重变量,Kl(x,xk)为传统负荷预测模型的核函数,εl为传统负荷模型的常值偏差参数。
4.根据权利要求1所述的一种考虑电动汽车充电需求的配电最优容载比确定方法,其特征在于,所述步骤3的具体方法为:
由于采集负荷为综合负荷,且一般无法直接获取各个类型的分类负荷量,导致LS-SVM模型无法获得分离的样本,因此将步骤2和步骤3进行合并,电动汽车负荷取正向负荷,从而可以不用分离样本,得到拓展因素的LS-SVM模型为:
y(l,m)=y(l)+y(m)
其中,y(l,m)为计及传统负荷与电动汽车的综合负荷。
5.根据权利要求1所述的一种考虑电动汽车充电需求的配电最优容载比确定方法,其特征在于,所述步骤4的具体方法为:
在步骤3所建立的模型中,y(l,m)表示综合考虑传统负荷与电动汽车的总负荷,x表示扩展的影响因素,当某年度历史数据中不存在相应数据时,取0值即可,对于决定模型特性的正则化参数γ和核参数σ,利用贝叶斯框架对模型的参数进行优化选择,从而保证模型的预测精度和推广能力,进一步得到完整的预测模型。
6.根据权利要求1所述的一种考虑电动汽车充电需求的配电最优容载比确定方法,其特征在于,所述步骤5的具体方法为:
根据步骤4所述的优化模型结果,利用检验集的数据对模型的预测精度进行检验,然后对确定区域内未来的负荷量进行预测,得到负荷预测结果。
7.根据权利要求1所述的一种考虑电动汽车充电需求的配电最优容载比确定方法,其特征在于,所述步骤6的具体方法为:
根据台区用户数量、产业结构及功能定位,计算台区的基础用电负荷,并基于此选择合适的变压器容量。
8.根据权利要求1所述的一种考虑电动汽车充电需求的配电最优容载比确定方法,其特征在于,所述步骤7的具体方法为:
根据步骤5得到的台区配电网电动汽车充电负荷预测值,计及电动汽车渗透率、充电功率以及电动汽车的充电负荷同时率得到用电复合峰值的大小。
9.根据权利要求1所述的一种考虑电动汽车充电需求的配电最优容载比确定方法,其特征在于,所述步骤8的配电网容载比优化模型,其目标函数为各电压等级变电站的投资费用最小,约束条件包括变电站内变压器数量配置符合《城市电力网规划设计导则》的要求、变压器不过载或严重轻载、正常运行时满足N-1条件以及变压器的类型必须是实际能够选择的类型,经济性综合优化模型的目标函数为:
其中x=1,2,3
其中,变电站的总投资成本;Z1为设备成本,主要指变电站的原料采购成本,具体可以分为两部分,一是厂站建设材料的采购成本,二是不同型号变压器及相关设备的采购,如果在已有的变电站进行规划,则可以不考虑变电站建造材料成本,只考虑设备成本即可;Z2为建造维护成本,主要指的是变电站建造成本,包括土地费用、施工费用等,此外还包括规划年限内对变压器的维护检修以及故障条件下的维修成本,根据经验可简化为Z2=Z1×15%;Z3为电能损耗成本,配电网的主要损耗是变压器损耗,在进行容载比经济性评价时,可以通过输配电费将变压器的电能损耗转化为经济量,从而与其他费用一起总体考虑,变压器电能损耗费用分为有功损耗费用和无功损耗费用,无功损耗费用乘上无功经济当量即可转化为有功损耗费用,变压器有功功率损耗为ΔP=P0+β2Pk,无功功率损耗为ΔQ=Q0+β,式中β为负载率,P0为空载损耗,Pk为负载损耗,Q0为无功空载损耗,Qk为无功负载损耗,故电能损耗成本Z3=e(ΔP+k'ΔQ)T,式中T为变压器在规划年内运行服役的时间;e为电网的输配电价;
约束条件为:
(Ni-1)Si0≥Pi
Si0∈RT
同时,为保证电网的可靠性,要求变电站不能重载,即每个变电站都要在合理的负载区间内:
其中,i为不同变电站的编号,Ni为变电站的变压器数量,Pi为变电站辖区的最大有功负荷,Si0为变电站的单台变压器容量,Sin为第i座变电站的第n台变压器,RT为可以选择的变压器类型集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910763436.9A CN110429593A (zh) | 2019-08-19 | 2019-08-19 | 一种考虑电动汽车充电需求的配电最优容载比确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910763436.9A CN110429593A (zh) | 2019-08-19 | 2019-08-19 | 一种考虑电动汽车充电需求的配电最优容载比确定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110429593A true CN110429593A (zh) | 2019-11-08 |
Family
ID=68416831
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910763436.9A Pending CN110429593A (zh) | 2019-08-19 | 2019-08-19 | 一种考虑电动汽车充电需求的配电最优容载比确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110429593A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113435663A (zh) * | 2021-07-15 | 2021-09-24 | 国网冀北电力有限公司唐山供电公司 | 一种考虑电动汽车充电负荷影响的cnn-lstm联合负荷预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109103878A (zh) * | 2018-09-14 | 2018-12-28 | 国网冀北电力有限公司张家口供电公司 | 电动汽车群有序充电方法及配电网用电优化方法 |
CN109193727A (zh) * | 2018-10-30 | 2019-01-11 | 国网江苏省电力有限公司南通供电分公司 | 一种含电动汽车的智能配电网概率协调规划方法 |
-
2019
- 2019-08-19 CN CN201910763436.9A patent/CN110429593A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109103878A (zh) * | 2018-09-14 | 2018-12-28 | 国网冀北电力有限公司张家口供电公司 | 电动汽车群有序充电方法及配电网用电优化方法 |
CN109193727A (zh) * | 2018-10-30 | 2019-01-11 | 国网江苏省电力有限公司南通供电分公司 | 一种含电动汽车的智能配电网概率协调规划方法 |
Non-Patent Citations (2)
Title |
---|
TIANLUN HAN ET AL.: "Load ratio optimization of Urban Power Grid Considering penetration of electric vehicles", 《2018 IEEE 3RD ADVANCED INFORMATION TECHNOLOGY, ELECTRONIC AND AUTOMATION CONTROL CONFERENCE》 * |
蒯圣宇等: "计及分布式能源与电动汽车接入的空间负荷预测", 《电力需求侧管理》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113435663A (zh) * | 2021-07-15 | 2021-09-24 | 国网冀北电力有限公司唐山供电公司 | 一种考虑电动汽车充电负荷影响的cnn-lstm联合负荷预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103177395B (zh) | 一种基于社会期望的智能配电网节能减排综合评价方法 | |
CN112541618B (zh) | 基于网格化的主动配电网规划方法及存储介质 | |
CN102609792B (zh) | 一种特高压交直流输电方式适用选择方法及其装置 | |
CN107038530A (zh) | 一种配电网统筹规划方法及系统 | |
CN104852399B (zh) | 光储微网系统的储能容量动态优化方法 | |
CN106651225A (zh) | 智能电网示范工程综合评估方法和系统 | |
CN108199404A (zh) | 高渗透率分布式能源系统的谱聚类集群划分方法 | |
CN110119888A (zh) | 一种基于分布式电源接入的有源网格化规划方法 | |
CN108985602B (zh) | 一种计及风险的电网分类项目的投入产出评价方法及系统 | |
CN104376371B (zh) | 一种基于拓扑的配网分层负荷预测方法 | |
CN113326467B (zh) | 基于多重不确定性的多站融合综合能源系统多目标优化方法、存储介质及优化系统 | |
CN106529737A (zh) | 一种配电网供给侧调峰电源规划布局方法 | |
CN109492874B (zh) | 一种三层级配电网投资决策体系的决策方法 | |
CN112288303A (zh) | 确定线损率的方式、装置 | |
CN107437135A (zh) | 一种新型储能选型方法 | |
CN104376207A (zh) | 一种配电网交流输电损耗计算与参数估计方法 | |
CN107679289A (zh) | 一种降低多馈入直流换相失败风险的动态无功补偿配置方法 | |
CN108418302A (zh) | 一种基于大数据分析的配电网平台 | |
CN110738345A (zh) | 基于精准投资策略的单元制配电网规划项目优选方法 | |
CN110429593A (zh) | 一种考虑电动汽车充电需求的配电最优容载比确定方法 | |
CN112633605A (zh) | 一种城市配电网规划方法 | |
CN106709634A (zh) | 一种计及电动汽车接入的主动配电网承载能力评估方法 | |
CN106296464A (zh) | 大数据多点负荷预测方法 | |
CN105701735A (zh) | 一种配电网降损潜力评估方法及装置 | |
Qin et al. | Comprehensive evaluation of microgrid integration based on combination weighting |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191108 |