CN110445167A - 一种光伏接入配网的优化方法及系统 - Google Patents
一种光伏接入配网的优化方法及系统 Download PDFInfo
- Publication number
- CN110445167A CN110445167A CN201910558070.1A CN201910558070A CN110445167A CN 110445167 A CN110445167 A CN 110445167A CN 201910558070 A CN201910558070 A CN 201910558070A CN 110445167 A CN110445167 A CN 110445167A
- Authority
- CN
- China
- Prior art keywords
- population
- genetic entities
- photovoltaic
- constraint
- generation
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000005457 optimization Methods 0.000 title claims abstract description 27
- 230000002068 genetic effect Effects 0.000 claims abstract description 111
- 238000012216 screening Methods 0.000 claims abstract description 32
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 17
- 230000035772 mutation Effects 0.000 claims description 31
- 230000013011 mating Effects 0.000 claims description 17
- 230000001105 regulatory effect Effects 0.000 claims description 9
- 230000006978 adaptation Effects 0.000 claims description 6
- 238000012790 confirmation Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 239000003921 oil Substances 0.000 abstract 1
- 230000006870 function Effects 0.000 description 58
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 239000000243 solution Substances 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 230000005611 electricity Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 5
- 230000033228 biological regulation Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000002347 injection Methods 0.000 description 4
- 239000007924 injection Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 2
- 238000010353 genetic engineering Methods 0.000 description 2
- 238000009401 outcrossing Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 206010033307 Overweight Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 229910002056 binary alloy Inorganic materials 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 235000020825 overweight Nutrition 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 239000011295 pitch Substances 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- OWWYREKLGMILGW-UHFFFAOYSA-N δline Chemical compound COC1C2C3C4(C5C6OC(C)=O)C(OC)CCC5(C)CN(CC)C4C46OCOC42CC(OC)C1C3 OWWYREKLGMILGW-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
Landscapes
- Photovoltaic Devices (AREA)
Abstract
一种光伏接入配网的优化方法及系统，基于光伏构建设定数量的种群，通过牛顿拉夫逊潮流计算，得到各基因个体对应的配网运行参数；基于配网运行参数和多目标函数和约束条件，对基因个体进行筛选；将筛选得到的基因个体进行迭代计算得到各种群的最优子代；将最优子代引入精英种群，若满足设定的迭代结束判据，则得到最优个体基因代表的光伏接入方案；否则，再次执行以上操作；基于所述配网运行参数和预先建立的多目标函数和约束条件，对所述基因个体进行筛选，克服了未成熟收敛的缺陷，在光伏接入优化的过程中，能够全局优化；将筛选得到的基因个体进行迭代计算得到各种群的最优子代，进行局部优化，达到了均衡全局搜索和局部搜索性能的目的。
Description
技术领域
本发明涉及电力新能源优化规划技术领域，具体涉及一种光伏接入配网的优化方法及系统。
背景技术
在能源可持续发展的时代要求下，以可再生能源为主的分布式发电技术依靠其发电方式灵活可靠、清洁环保的优势特成为了大电网供电形式的一种有效补充并得到快速发展。而分布式光伏发电作为新能源的有效利用方式之一，其应用主要以接入配电网运行为主，但其接入会改变原有配电系统的拓扑结构和潮流分布，同时分布式光伏自身输出特性受到环境因素影响而具有间歇性和波动性，因此它的接入会对电网的安全稳定运行造成影响。随着大量高渗透率光伏的接入，为保证电网安全稳定运行，研究分布式光伏接入配网的优化方法具有重要的意义。
针对分布式光伏接入配网的优化模型，有文献考虑光伏接入对配网某一电能质量因素的影响，建立单目标优化模型进行优化规划，如限制配网节点电压的规划数学模型。这类单目标优化模型仅考虑某一电能质量指标，规划结果并不能保证其他指标下配网的安全稳定运行，模型并不具备普适性；也有文献从规划经济性的角度考虑光伏接入规划，建立以经济性为目标的数学模型，以追求经济最优的规划方案，但这类模型应建立在系统稳定运行的基础上才能保证规划结果有意义；故结合前两类优化规划模型，也有文献建立光伏接入的双层规划模型，下层模型规划保证配网稳定运行，上层规划在下层最优解集中进行规划兼顾配网经济性，分层规划的优势在于可以降低运算量，避免处理多目标函数问题，但当上下层规划目标存在矛盾的时候，由于下层模型中不能充分考虑上层寻优目标对下层寻优决策的不利影响，最后模型所寻解并不能保证是系统最优解。
求解光伏接入优化模型的方法包括传统算法和智能算法，但由于一般优化规划模型是一个多目标约束的非线性问题，形式复杂规模较大，同时约束条件使得决策变量可行搜索空间不规则，所以基于梯度的传统算法难以有效寻优；故相关研究多采用智能算法，如遗传算法、粒子群算法等，但这些算法优化性能受优化参数的影响很大，参数设置不当易过早收敛陷入局部最优解，参数的设置需通过多次试验来选取其中最优参数。综上，如何有效求解光伏接入优化模型也是这类研究问题的关键。
发明内容
为了解决现有技术中所存在的缺少有效求解光伏接入优化方法的问题，本发明提供了一种光伏接入配网的优化方法及系统。
本发明提供的技术方案是：
一种光伏接入配网的优化方法，包括：
步骤1：基于多个待接入配网的光伏构建设定数量的种群，通过牛顿拉夫逊潮流计算，得到各种群中各基因个体对应的配网运行参数；
步骤2：基于所述配网运行参数和预先建立的多目标函数和约束条件，对所述基因个体进行筛选；
步骤3：将筛选得到的基因个体进行迭代计算得到各种群的最优子代；
步骤4：将所述最优子代引入精英种群，若满足设定的迭代结束判据，则得到最优个体基因代表的光伏接入方案；否则，再次执行所述步骤1；
所述配网运行参数，包括：配网节点电压、线路电流和分布式光伏容量。
优选的，所述基于多个待接入配网的光伏构建设定数量的种群，通过牛顿拉夫逊潮流计算，得到各种群中各基因个体对应的配网运行参数，包括：
基于所述待接入配网的光伏，以设定数量的光伏构建一个基因个体，并将设定数量的基因个体构建一个种群；
通过光伏的基因组的十进制码表现每个基因个体的接入容量；
将所述基因个体标幺化，并依次按设定的接入位置带入牛顿拉夫逊潮流计算，得到各基因个体对应的配网运行参数。
优选的，所述目标函数和约束条件的建立，包括：
以并网的光伏容量之和最大、运行维护成本最小和并网有功损耗最小构建目标函数；
基于电压偏差约束、线路载流约束、电压波动约束、谐波大小约束和潮流平衡关系约束，构建约束条件。
优选的，所述基于所述配网运行参数和预先建立的多目标函数和约束条件，对所述基因个体进行筛选，包括：
基于每个种群，判断当前种群中每个基因个体对应的所述配网节点电压和线路电流是否满足电压偏差约束和线路载流量约束；判断当前种群中分布式光伏容量是否满足谐波大小约束和电压波动约束；若都满足，则基因个体的适应度非零；否则，基因个体的适应度为零；
基于所述适应度对所述基因个体进行筛选，若当前种群中所有基因个体的适应度都非零，则将当前种群中的基因个体按设定代数引入到相邻种群中，并将各种群中结果非零的基因个体构成交配池；否则，不引入相邻种群中。
优选的，所述适应度，通过下式计算：
其中，F为k代基因个体标定适应度；f为k代基因个体目标函数计算值；为k代基因个体中的最小目标函数值；ξk为k代压力调节值，随着k的增加而减小。
优选的，所述将筛选得到的基因个体进行迭代计算得到各种群的最优子代，包括：
步骤3-1：基于所述基因个体的适应度，将所述交配池中的基因个体通过轮盘赌方法随机选择出父辈和母辈，并得到随机数；
步骤3-2：若所述随机数小于设定的交叉概率时，将所述父辈和母辈进行交叉运算，得到子代基因组；否则，不进行交叉运算，将父辈的基因组作为子代基因组；
步骤3-3：若所述随机数小于设定的变异概率时，对所述子代基因组进行变异运算；否则，不进行变异运算；
步骤3-4：重新执行所述步骤3-1，直至每一个种群都生成子代基因组，并从各种群中选择最优子代。
一种光伏接入配网的优化系统，所述系统，包括：
配网运行参数获取模块，用于基于多个待接入配网的光伏构建设定数量的种群，通过牛顿拉夫逊潮流计算，得到各种群中各基因个体对应的配网运行参数；
筛选模块，用于基于所述配网运行参数和预先建立的多目标函数和约束条件，对所述基因个体进行筛选；
最优子代筛选模块，用于将筛选得到的基因个体进行迭代计算得到各种群的最优子代；
接入方案确认模块，用于将所述最优子代引入精英种群，若满足设定的迭代结束判据，则得到最优个体基因代表的光伏接入方案；否则，再次执行所述步骤1；
配网运行参数获取模块中得到的所述配网运行参数，包括：配网节点电压、线路电流和分布式光伏容量。
优选的，所述配网运行参数获取模块，包括：
基因个体构建子模块：基于所述待接入配网的光伏，以设定数量的光伏构建一个基因个体，并将设定数量的基因个体构建一个种群；
接入容量构建子模块：通过光伏的基因组的十进制码表现每个基因个体的接入容量；
潮流计算子模块：将所述基因个体标幺化，并依次按设定的接入位置带入牛顿拉夫逊潮流计算，得到各基因个体对应的配网运行参数。
优选的，所述筛选模块中，包括：
目标函数构建子模块：以并网的光伏容量之和最大、运行维护成本最小和并网有功损耗最小构建目标函数；
约束条件构建子模块：基于电压偏差约束、线路载流约束、电压波动约束、谐波大小约束和潮流平衡关系约束，构建约束条件。
优选的，所述筛选模块，还包括：
适应度计算子模块：基于每个种群，判断当前种群中每个基因个体对应的所述配网节点电压和线路电流是否满足电压偏差约束和线路载流量约束；判断当前种群中分布式光伏容量是否满足谐波大小约束和电压波动约束；若都满足，则基因个体的适应度非零；否则，基因个体的适应度为零；
筛选子模块：基于所述适应度对所述基因个体进行筛选，若当前种群中所有基因个体的适应度都非零，则将当前种群中的基因个体按设定代数引入到相邻种群中，并将各种群中结果非零的基因个体构成交配池；否则，不引入相邻种群中。
优选的，所述适应度计算子模块通过下式计算适应度：
其中，F为k代基因个体标定适应度；f为k代基因个体目标函数计算值；为k代基因个体中的最小目标函数值；ξk为k代压力调节值，随着k的增加而减小。
优选的，所述最优子代筛选模块，包括：
父辈母辈筛选子模块：基于所述基因个体的适应度，将所述交配池中的基因个体通过轮盘赌方法随机选择出父辈和母辈，并得到随机数；
交叉运算子模块：若所述随机数小于设定的交叉概率时，将所述父辈和母辈进行交叉运算，得到子代基因组；否则，不进行交叉运算，将父辈的基因组作为子代基因组；
变异运算子模块：若所述随机数小于设定的变异概率时，对所述子代基因组进行变异运算；否则，不进行变异运算；
迭代子模块：重新运行父辈母辈筛选子模块，直至每一个种群都生成子代基因组，并从各种群中选择最优子代。
与现有技术相比，本发明的有益效果为：
本发明提供的技术方案，包括：基于多个待接入配网的光伏构建设定数量的种群，通过牛顿拉夫逊潮流计算，得到各种群中各基因个体对应的配网运行参数；基于所述配网运行参数和预先建立的多目标函数和约束条件，对所述基因个体进行筛选；将筛选得到的基因个体进行迭代计算得到各种群的最优子代；将所述最优子代引入精英种群，若满足设定的迭代结束判据，则得到最优个体基因代表的光伏接入方案；否则，再次执行以上操作；所述配网运行参数，包括：配网节点电压、线路电流和分布式光伏容量。本方案以基于所述配网运行参数和预先建立的多目标函数和约束条件，对所述基因个体进行筛选，克服了未成熟收敛的缺陷，在光伏接入优化的过程中，能够全局优化；将筛选得到的基因个体进行迭代计算得到各种群的最优子代，进行局部优化，达到了均衡全局搜索和局部搜索性能的目的。
附图说明
图1为本发明的一种光伏接入配网的优化方法流程图；
图2为本发明的光伏并网优化建模及求解流程图；
图3为本发明实施例的IEEE33节点配网拓扑结构图。
具体实施方式
为了更好地理解本发明，下面结合说明书附图和实例对本发明的内容做进一步的说明。
实施例1：
本实施例提供了一种光伏接入配网的优化方法，方法流程图如图1所示。
步骤1：
考虑光伏所接入的配网系统的基本参数，便于后续模型建立和求解，如系统电压等级、标称电压、基准短路容量、配网结构拓扑、节点数、支路数、有无联络线等。
步骤2：
考虑多个光伏系统的接入规划，为了提高光伏系统利用率，以多个光伏系统并网的容量之和最大为经济性子目标一。
式中，F1为并网总容量函数；SDGi为第i个光伏的接入容量；N为光伏的装机并网数。
步骤3：
为提高配网经济性，以分布式光伏的投资运行维护成本最小为子目标二。
式中，Y1为投资费用(万元)；KDG为单位容量光伏的投资费用(万元/kVA)；Y2为运行维护费用(万元)；t为光伏的使用寿命(年)；r为贴现率；TDG为单位容量光伏运行维护成本(万元/kVA)；Y3为光伏发电效益；Ei为每台光伏年发电量(kW·h)；γ为发电效益(万元/kW·h)。
则投资运行维护成本最小的子目标函数为：
minF2＝Y1+Y2-Y3
式中，F2——投资运行维护成本函数。
步骤4：
为提高配网经济性，以分布式光伏接入后配网网络有功损耗最小为子目标三。
式中，F3为配网有功网损函数；M为配网系统支路数；Gh,ij为h支路的电导，i,j为支路两侧节点标号，Uh,i,Uh,j为i,j节点的电压有效值，δij为i,j节点电压的相位差。
步骤5：
使用线性加权组合法将三个经济性目标函数组合成总体经济性目标函数。
maxF＝ω1F1-ω2F2-ω3F3
式中，F经济性目标函数；ω1,ω2,ω3为三个子目标函数的权重。
步骤6：
考虑电压偏差约束，确定规划约束条件一。根据GB/T12325-2008《电能质量供电电压偏差》规定，不同电压等级的线路允许的电压偏差限值不同，故电压偏差约束为：
UN(1-ε)≤Ui≤UN(1+ε)
式中，UN为系统标称电压，ε为系统电压等级规定的电压偏差率限值。
步骤7：
考虑线路载流约束，确定规划约束条件二；为防止线路的载流量过大，出现线路过载的现象，故对线路载流量进行约束：
|Ik|≤Ik,max
式中，Ik为线路k上电流值；Ik,max为线路k允许输送的最大电流值。
步骤8：
考虑电压波动约束，确定规划约束条件三。根据GB/T12325-2008《电能质量-电压波动和闪变》规定，不同电压等级和电压变动频度的系统所允许的电压波动限值不同，电压波动确定的约束条件为:
dk％≤dmax％
式中，dk％为由光伏系统引起系统电压波动值，dmax％为国标规定的最大电压波动值。
GB/T12325-2008《电能质量-电压波动和闪变》中给出了电压波动的估算方法，当已知三相负荷的有功功率和无功功率的变化量ΔP、ΔQ,可用下式进行估算:
式中RL,XL为线路电阻和电抗，ΔP,ΔQ为负荷有功和无功变化量，考虑负荷为恒功率负荷，此处有功无功变化量即为光伏输出的有功无功变化量。
步骤9：
考虑谐波大小约束，确定规划约束条件四；根据GB/T14549-1993《电能质量公用电网谐波》规定，不同电压等级的系统对接入点注入的各次谐波电流允许值有明确限值，同时对于奇次谐波电压含有率、偶次谐波电压含有率及电压总谐波畸变率也都规定了允许达到的临界值。
确定谐波电流对光伏接入的约束，根据GB/T14549-1993《电能质量公用电网谐波》规定，电压等级不同、基准短路容量不同的系统规定允许注入的各次谐波电流最大值；根据GB/T19939-2005《光伏系统并网技术要求》，规定光伏并网发电系统允许输出的最大电流谐波含有率。为保证谐波电流约束条件的有效性，取光伏在最大谐波输出情况下的注入电流来确定其极限准入容量，则由谐波电流确定的约束条件为：
式中，SDG为接入光伏容量；UN为系统标称电压；μk为GB/T19939-2005《光伏系统并网技术要求》中规定的光伏系统输出的各次谐波含有率限值，Ik为GB/T14549-1993《电能质量公用电网谐波》中规定的允许接入电网的各次谐波电流，下标k为谐波次数。
研究谐波电压含有率和电压总谐波畸变率对光伏接入的约束，根据GB/T14549-1993《电能质量公用电网谐波》，规定不同电压等级系统允许的各次谐波电压含有率和电压总谐波畸变率。为保证谐波电压含有率约束条件的有效性，取光伏系统在最大谐波输出情况下的注入电流来确定其准入容量。
Uh＝HRUh×UN
式中Ik为光伏注入的各次谐波电流；k为谐波次数；HRUk为各次谐波电压含有率；Sk为系统短路容量；Uh为各次谐波电压；THDU为谐波电压总畸变率。由奇、偶次谐波电压含有率和电压总谐波畸变率确定的约束条件为:
HRUk≤0.032k＝2n+1,n＝1,2,3…
HRUk≤0.016k＝2n,n＝1,2,3…
THDU≤0.04
接入的光伏容量SDG应同时满足接入后配网系统的谐波电流值大小限制、奇次谐波电压含有率限制、偶次谐波电压含有率限制、电压总谐波畸变率限制的要求。
步骤10：
考虑潮流平衡关系约束，确定规划约束条件五：
式中，PDG,k,QDG,k为k节点处所接光伏的有功无功出力；Pk,Qk为k节点有功无功负荷；Gkj,Bkj为节点导纳矩阵中的电导、电纳。
步骤11：
结合总体经济性目标函数和电能质量约束，确定兼顾经济性和安全性的光伏并网优化模型：
式中，目标函数由光伏容量SDG,电压U、相位δ、线路电导G确定，SDG通过潮流等式与有功无功负荷P,Q、系统电压U、电流I、相位δ线路电导G、网损P损建立联系，g函数为电压U电流I确定的电压偏差及线路热约束，m函数为容量SDG确定的电压波动及谐波约束。
步骤12：
确定配网系统结构参数和光伏接入个数及接入位置。确定光伏规划问题中配网的拓扑结构和其网络参数，包括线路阻抗、有功无功负荷大小。确定光伏拟规划的接入数量和接入位置，以便于后续优化规划。光伏并网优化建模及求解流程图，如图2所示。
步骤13：
初始化编码，确定各遗传初始种群基因组。
由分布式光伏自身出力约束0＜SPV＜aMW和光伏容量离散精度ξ＝bKW,确定单个光伏容量个体基因组二进制码长为：
由于研究多个光伏的接入优化，种群中每个个体中含有N个光伏个体，则每个个体基因型码长为LN,种群中的个体数为100，种群数量为10，则初始化利用随机函数生成1000个码长LN的个体基因型。则此即为各初始种群中各个体的基因初始化。
步骤14：
利用牛顿拉夫逊潮流算法解算有源配电网运行参数。
对于每一个种群中的对每一个个体，将其二进制基因型换算为十进制表现型，即为其代表的N个光伏接入容量大小，并标幺化按接入位置带入牛顿拉夫逊潮流计算程序，计算其在对应接入位置下的配网潮流分布、各线路电流大小、各节点电压大小等。重复上述潮流计算程序求得各种群中所有个体代表的接入方案下配网系统的运行参数。
步骤15：
适应度计算，判断各种群中每一个个体所代表的接入方案是否满足电能质量各约束条件，判断潮流计算的各节点电压、线路电流是否满足电压偏差、线路载流量约束，判断分布式光伏容量是否满足谐波、电压波动约束。如果某项约束条件不满足，则设定该个体的适应度为f(k)＝0，如果都满足上述电能质量约束，则按照经济性目标函数的大小作为适应度函数的值，其值的大小反映了该中接入方案下经济成本大小，其值越大达标经济性越佳。但考虑到潮流计算得到的光伏容量、网络有功损耗等都为标幺制，其最终表达的适应度大小值很小，不同个体之间差别较小，被选择的几率很接近，影响选择功能的有效性，故本文采用动态线性标定法对适应度函数进行标定，来提高选择动作的有效性，遗传的k代个体适应度函数为：
式中，F为k代个体标定适应度函数值；f为k代个体经济性目标函数计算值；为k代个体中的最小目标函数值；ξk为k代压力调节值，其随着k的增加而减小，本发明采用如下的设置方法：
式中，M为压力调节值初值；c为压力调节值的缩小系数，取值范围为[0.9,0.999]。
同时为实现多种群协同寻优，在一定迭代次数后，利用移民算子实现多个种群之间的沟通，将k种群中适应度最优个体引入k+1种群。最后将一个种群中适应度函数值非零的个体形成该种群的交配池。
则按照适应度函数标定的经济性目标确定适应度大小。并将适应度非零的个体形成该种群的交配池。如果都满足，则按照动态线性标定的适应度函数进行设定其适应度值，并按一定代数将k种群中适应度最优个体引入k+1种群，最后将各种群中适应度非零的个体构成交配池。
步骤16：
进行遗传操作，首先交配池中个体按适应度大小形成轮盘，适应度越大个体被选择几率越大，用轮盘赌方式随机选择出父辈及母辈。不同个体被选中的概率为：
式中，Fi为交配池中第i个个体的适应度函数值大小，Pi为交配池中第i个个体被选中的概率大小。
利用轮盘赌随机选出父辈或者母辈后，进行交叉动作，首先利用随机函数生成一个随机数，当随机数小于交差概率时，进行交叉动作，利用随机函数确定父辈和母辈基因组交叉的位置所在，然后交叉父母基因生成新个体基因组；反之当随机数大于交叉概率时，则不进行交叉动作，选取父辈基因作为新子代的基因组。同时由于多种群和个体数量庞大，为尽可能提高寻优性能和寻优速率，引入自适应交叉概率，交叉概率随着适应度函数变动而改动。
式中，Pc为自适应变异概率；fmax为种群中每一代中最大适应度值；favg为种群中所有个体的平均适应度值；f为要交叉的两个个体中较大的适应度值；k1,k3为比例常数。
引入自适应交叉概率的优势在于：对于适应度高于平均值的个体设定较小的交叉概率使得本种群优秀个体得以保留，适应度低于平均值的个体设定为该种群设定的常值交叉概率进行寻优，可有效提高各群体向各自目标函数寻优的性能。
利用交叉动作求得新子代后，进行变异操作，利用随机函数生成一随机数，当随机数值大于变异概率时，对新子代不进行变异动作，但当随机数值小于变异概率时，随机选择变异位置对新子代进行变异操作，以扩展种群个体的多元化。同时由于多种群和个体数量庞大，为尽可能提高寻优性能和寻优速率，引入自适应变异概率，变异概率随着适应度函数变动而改动。
式中，Pm为自适应变异概率；fmax为种群中每一代中最大适应度值；favg为种群中所有个体的平均适应度值；f'为判断是否进行变异动作个体的适应度值；k3,k4——比例常数。
同理，引入自适应交叉概率的优势在于：对于适应度高于平均值的个体设定较小的变异概率使得本种群优秀个体得以保留，适应度低于平均值的个体设定为该种群设定的常值变异概率进行寻优，可有效提高各群体向各自目标函数寻优的性能。
重复上述选择、交叉、变异动作，直至每一个种群都生成新一代子代。
步骤17：
生成新的子代后，将各种群中所有个体的最优子代引入精英种群，判断精英种群中最优个体是否满足迭代结束判据，满足则输出最优个体基因组代表的光伏接入方案，不满足则转至步骤13重复迭代寻优直至满足迭代结束判据。
实施例2：
步骤1：确定配网系统的基本参数。选择IEEE33节点配网模型，其结构拓扑如图3，系统由4条馈线共33节点组成，虚线为系统联络线，系统电压等级为10KV，1号节点表示变电站低压侧，设定为平衡节点，电压值为1.05pu，其他节点均为PQ节点，总有功负荷3715kW，总无功负荷2300kvar，线电压基准值UB＝10KV，三相功率基准值SB＝10000KV·A，研究接入位置为7、9、11、13时的光伏规划。
步骤2：考虑接入容量大小因素，确定经济性目标函数一为：
步骤3：考虑光伏的投资运行维护成本，确定经济性目标函数二为：
步骤4：以分布式光伏接入后配网网络有功损耗最小为子目标三。
步骤5：使用线性加权组合法将三个经济性目标函数组合成总体经济性目标函数；
maxF＝0.6ω1F1-0.2F2-0.2F3
步骤6：考虑电压偏差约束，系统电压等级10KV，确定规划约束条件一；
0.93UN≤Ui≤1.07UN
步骤7：考虑线路载流约束，确定规划约束条件二；
|Ik|≤175A
步骤8：考虑电压波动约束，确定规划约束条件三；
dk％≤3％
步骤9：考虑谐波大小约束，确定规划约束条件四；
HRUk≤0.032 k＝2n+1,n＝1,2,3…
HRUk≤0.016 k＝2n,n＝1,2,3…
THDU≤0.04
其中10KV系统的各次谐波限值如下表。
表1各次谐波电流允许值
步骤10：考虑潮流平衡关系约束，确定规划约束条件五；
步骤11：结合总体经济性目标函数和电能质量约束，确定光伏并网优化模型
步骤12：确定配网系统结构参数和光伏接入个数及接入位置。并采用牛顿拉夫逊法编写潮流计算程序，用于计算光伏接入情况下系统的节点电压、线路载流、潮流分布等。部分配网线路阻抗及负荷大小如下表
表2配网部分线路阻抗和节点负荷大小
步骤13：初始化编码，确定各遗传初始种群基因组,由分布式光伏自身出力约束0＜SPV＜6MW和光伏容量离散精度ξ＝1KW,确定光伏容量基因组二进制码长为：
利用随机函数生成各种群中初始个体的基因组，码长都为54。
步骤15：适应度计算，
遗传的k代个体适应度函数为和压力调节值设定为：
步骤16：进行遗传操作，利用轮盘赌方式从交配池中选择父母，并利用自适应交叉、变异概率进行交叉变异动作，自适应交叉和变异概率如下：
式中，k2,k4在不同种群时设定不一样，实现对不同寻优性能的侧重，值取较大，偏向于全局寻优，值较小侧重于局部寻优。
步骤17：经过多种群遗传寻优后，选取各种群中最优解，将其引入精英种群，判断本代引入精英个体是否与上一代精英个体相同，如果保持5代相同，则判断寻优稳定结束，输出最优解代表的接入方案，否则转至步骤13重复进行寻优迭代。
最终通过寻优求得的光伏接入位置7、9、11、13时的规划容量为：
PV1＝303kW,PV2＝695kW,PV3＝852kW,PV4＝803kW,
实施例3：
本实施提供了一种光伏接入配网的优化系统，包括：
配网运行参数获取模块，用于基于多个待接入配网的光伏构建设定数量的种群，通过牛顿拉夫逊潮流计算，得到各种群中各基因个体对应的配网运行参数；
筛选模块，用于基于所述配网运行参数和预先建立的多目标函数和约束条件，对所述基因个体进行筛选；
最优子代筛选模块，用于将筛选得到的基因个体进行迭代计算得到各种群的最优子代；
接入方案确认模块，用于将所述最优子代引入精英种群，若满足设定的迭代结束判据，则得到最优个体基因代表的光伏接入方案；否则，再次执行所述步骤1；
配网运行参数获取模块中得到的所述配网运行参数，包括：配网节点电压、线路电流和分布式光伏容量。
所述配网运行参数获取模块，包括：
基因个体构建子模块：基于所述待接入配网的光伏，以设定数量的光伏构建一个基因个体，并将设定数量的基因个体构建一个种群；
接入容量构建子模块：通过光伏的基因组的十进制码表现每个基因个体的接入容量；
潮流计算子模块：将所述基因个体标幺化，并依次按设定的接入位置带入牛顿拉夫逊潮流计算，得到各基因个体对应的配网运行参数。
所述筛选模块中，包括：
目标函数构建子模块：以并网的光伏容量之和最大、运行维护成本最小和并网有功损耗最小构建目标函数；
约束条件构建子模块：基于电压偏差约束、线路载流约束、电压波动约束、谐波大小约束和潮流平衡关系约束，构建约束条件。
所述筛选模块，还包括：
适应度计算子模块：基于每个种群，判断当前种群中每个基因个体对应的所述配网节点电压和线路电流是否满足电压偏差约束和线路载流量约束；判断当前种群中分布式光伏容量是否满足谐波大小约束和电压波动约束；若都满足，则基因个体的适应度非零；否则，基因个体的适应度为零；
筛选子模块：基于所述适应度对所述基因个体进行筛选，若当前种群中所有基因个体的适应度都非零，则将当前种群中的基因个体按设定代数引入到相邻种群中，并将各种群中结果非零的基因个体构成交配池；否则，不引入相邻种群中。
所述适应度计算子模块通过下式计算适应度：
其中，F为k代基因个体标定适应度；f为k代基因个体目标函数计算值；为k代基因个体中的最小目标函数值；ξk为k代压力调节值，随着k的增加而减小。
所述最优子代筛选模块，包括：
父辈母辈筛选子模块：基于所述基因个体的适应度，将所述交配池中的基因个体通过轮盘赌方法随机选择出父辈和母辈，并得到随机数；
交叉运算子模块：若所述随机数小于设定的交叉概率时，将所述父辈和母辈进行交叉运算，得到子代基因组；否则，不进行交叉运算，将父辈的基因组作为子代基因组；
变异运算子模块：若所述随机数小于设定的变异概率时，对所述子代基因组进行变异运算；否则，不进行变异运算；
迭代子模块：重新运行父辈母辈筛选子模块，直至每一个种群都生成子代基因组，并从各种群中选择最优子代。
显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。
Claims (12)
1.一种光伏接入配网的优化方法，其特征在于，包括：
步骤1：基于多个待接入配网的光伏构建设定数量的种群，通过牛顿拉夫逊潮流计算，得到各种群中各基因个体对应的配网运行参数；
步骤2：基于所述配网运行参数和预先建立的多目标函数和约束条件，对所述基因个体进行筛选；
步骤3：将筛选得到的基因个体进行迭代计算得到各种群的最优子代；
步骤4：将所述最优子代引入精英种群，若满足设定的迭代结束判据，则得到最优个体基因代表的光伏接入方案；否则，再次执行所述步骤1；
所述配网运行参数，包括：配网节点电压、线路电流和分布式光伏容量。
2.如权利要求1所述的方法，其特征在于，所述基于多个待接入配网的光伏构建设定数量的种群，通过牛顿拉夫逊潮流计算，得到各种群中各基因个体对应的配网运行参数，包括：
基于所述待接入配网的光伏，以设定数量的光伏构建一个基因个体，并将设定数量的基因个体构建一个种群；
通过光伏的基因组的十进制码表现每个基因个体的接入容量；
将所述基因个体标幺化，并依次按设定的接入位置带入牛顿拉夫逊潮流计算，得到各基因个体对应的配网运行参数。
3.如权利要求1所述的方法，其特征在于，所述目标函数和约束条件的建立，包括：
以并网的光伏容量之和最大、运行维护成本最小和并网有功损耗最小构建目标函数；
基于电压偏差约束、线路载流约束、电压波动约束、谐波大小约束和潮流平衡关系约束，构建约束条件。
4.如权利要求3所述的方法，其特征在于，所述基于所述配网运行参数和预先建立的多目标函数和约束条件，对所述基因个体进行筛选，包括：
基于每个种群，判断当前种群中每个基因个体对应的所述配网节点电压和线路电流是否满足电压偏差约束和线路载流量约束；判断当前种群中分布式光伏容量是否满足谐波大小约束和电压波动约束；若都满足，则基因个体的适应度非零；否则，基因个体的适应度为零；
基于所述适应度对所述基因个体进行筛选，若当前种群中所有基因个体的适应度都非零，则将当前种群中的基因个体按设定代数引入到相邻种群中，并将各种群中结果非零的基因个体构成交配池；否则，不引入相邻种群中。
5.如权利要求4所述的方法，其特征在于，所述适应度，通过下式计算：
其中，F为k代基因个体标定适应度；f为k代基因个体目标函数计算值；为k代基因个体中的最小目标函数值；ξk为k代压力调节值，随着k的增加而减小。
6.如权利要求4所述的方法，其特征在于，所述将筛选得到的基因个体进行迭代计算得到各种群的最优子代，包括：
步骤3-1：基于所述基因个体的适应度，将所述交配池中的基因个体通过轮盘赌方法随机选择出父辈和母辈，并得到随机数；
步骤3-2：若所述随机数小于设定的交叉概率时，将所述父辈和母辈进行交叉运算，得到子代基因组；否则，不进行交叉运算，将父辈的基因组作为子代基因组；
步骤3-3：若所述随机数小于设定的变异概率时，对所述子代基因组进行变异运算；否则，不进行变异运算；
步骤3-4：重新执行所述步骤3-1，直至每一个种群都生成子代基因组，并从各种群中选择最优子代。
7.一种光伏接入配网的优化系统，其特征在于，所述系统，包括：
配网运行参数获取模块，用于基于多个待接入配网的光伏构建设定数量的种群，通过牛顿拉夫逊潮流计算，得到各种群中各基因个体对应的配网运行参数；
筛选模块，用于基于所述配网运行参数和预先建立的多目标函数和约束条件，对所述基因个体进行筛选；
最优子代筛选模块，用于将筛选得到的基因个体进行迭代计算得到各种群的最优子代；
接入方案确认模块，用于将所述最优子代引入精英种群，若满足设定的迭代结束判据，则得到最优个体基因代表的光伏接入方案；否则，再次执行所述步骤1；
配网运行参数获取模块中得到的所述配网运行参数，包括：配网节点电压、线路电流和分布式光伏容量。
8.如权利要求7所述的系统，其特征在于，所述配网运行参数获取模块，包括：
基因个体构建子模块：基于所述待接入配网的光伏，以设定数量的光伏构建一个基因个体，并将设定数量的基因个体构建一个种群；
接入容量构建子模块：通过光伏的基因组的十进制码表现每个基因个体的接入容量；
潮流计算子模块：将所述基因个体标幺化，并依次按设定的接入位置带入牛顿拉夫逊潮流计算，得到各基因个体对应的配网运行参数。
9.如权利要求7所述的系统，其特征在于，所述筛选模块中，包括：
目标函数构建子模块：以并网的光伏容量之和最大、运行维护成本最小和并网有功损耗最小构建目标函数；
约束条件构建子模块：基于电压偏差约束、线路载流约束、电压波动约束、谐波大小约束和潮流平衡关系约束，构建约束条件。
10.如权利要求9所述的系统，其特征在于，所述筛选模块，还包括：
适应度计算子模块：基于每个种群，判断当前种群中每个基因个体对应的所述配网节点电压和线路电流是否满足电压偏差约束和线路载流量约束；判断当前种群中分布式光伏容量是否满足谐波大小约束和电压波动约束；若都满足，则基因个体的适应度非零；否则，基因个体的适应度为零；
筛选子模块：基于所述适应度对所述基因个体进行筛选，若当前种群中所有基因个体的适应度都非零，则将当前种群中的基因个体按设定代数引入到相邻种群中，并将各种群中结果非零的基因个体构成交配池；否则，不引入相邻种群中。
11.如权利要求10所述的系统，其特征在于，所述适应度计算子模块通过下式计算适应度：
其中，F为k代基因个体标定适应度；f为k代基因个体目标函数计算值；为k代基因个体中的最小目标函数值；ξk为k代压力调节值，随着k的增加而减小。
12.如权利要求10所述的系统，其特征在于，所述最优子代筛选模块，包括：
父辈母辈筛选子模块：基于所述基因个体的适应度，将所述交配池中的基因个体通过轮盘赌方法随机选择出父辈和母辈，并得到随机数；
交叉运算子模块：若所述随机数小于设定的交叉概率时，将所述父辈和母辈进行交叉运算，得到子代基因组；否则，不进行交叉运算，将父辈的基因组作为子代基因组；
变异运算子模块：若所述随机数小于设定的变异概率时，对所述子代基因组进行变异运算；否则，不进行变异运算；
迭代子模块：重新运行父辈母辈筛选子模块，直至每一个种群都生成子代基因组，并从各种群中选择最优子代。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910558070.1A CN110445167A (zh) | 2019-06-26 | 2019-06-26 | 一种光伏接入配网的优化方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910558070.1A CN110445167A (zh) | 2019-06-26 | 2019-06-26 | 一种光伏接入配网的优化方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110445167A true CN110445167A (zh) | 2019-11-12 |
Family
ID=68428341
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910558070.1A Pending CN110445167A (zh) | 2019-06-26 | 2019-06-26 | 一种光伏接入配网的优化方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110445167A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110955970A (zh) * | 2019-11-27 | 2020-04-03 | 合肥阳光新能源科技有限公司 | 光伏电站布局方法和装置 |
| CN112288136A (zh) * | 2020-09-30 | 2021-01-29 | 国网河北省电力有限公司电力科学研究院 | 光伏最大准入容量计算方法、装置、终端及存储介质 |
| CN114069687A (zh) * | 2020-07-31 | 2022-02-18 | 南京理工大学 | 一种计及逆变器无功调节作用的分布式光伏规划方法 |
| CN114142467A (zh) * | 2021-11-30 | 2022-03-04 | 上海电力大学 | 一种基于无精确建模潮流模型的配电网光伏最大接入容量测算方法 |
| CN114362246A (zh) * | 2022-01-13 | 2022-04-15 | 国网福建省电力有限公司经济技术研究院 | 一种电网可接入分布式光伏容量测算方法 |
| CN115907306A (zh) * | 2023-01-04 | 2023-04-04 | 国网江苏省电力有限公司丹阳市供电分公司 | 一种配电网电能质量治理装置的选址方法及系统 |
-
2019
- 2019-06-26 CN CN201910558070.1A patent/CN110445167A/zh active Pending
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110955970A (zh) * | 2019-11-27 | 2020-04-03 | 合肥阳光新能源科技有限公司 | 光伏电站布局方法和装置 |
| CN110955970B (zh) * | 2019-11-27 | 2023-06-30 | 阳光新能源开发股份有限公司 | 光伏电站布局方法和装置 |
| CN114069687A (zh) * | 2020-07-31 | 2022-02-18 | 南京理工大学 | 一种计及逆变器无功调节作用的分布式光伏规划方法 |
| CN114069687B (zh) * | 2020-07-31 | 2024-04-23 | 南京理工大学 | 一种计及逆变器无功调节作用的分布式光伏规划方法 |
| CN112288136A (zh) * | 2020-09-30 | 2021-01-29 | 国网河北省电力有限公司电力科学研究院 | 光伏最大准入容量计算方法、装置、终端及存储介质 |
| CN114142467A (zh) * | 2021-11-30 | 2022-03-04 | 上海电力大学 | 一种基于无精确建模潮流模型的配电网光伏最大接入容量测算方法 |
| CN114362246A (zh) * | 2022-01-13 | 2022-04-15 | 国网福建省电力有限公司经济技术研究院 | 一种电网可接入分布式光伏容量测算方法 |
| CN114362246B (zh) * | 2022-01-13 | 2024-04-09 | 国网福建省电力有限公司经济技术研究院 | 一种电网可接入分布式光伏容量测算方法 |
| CN115907306A (zh) * | 2023-01-04 | 2023-04-04 | 国网江苏省电力有限公司丹阳市供电分公司 | 一种配电网电能质量治理装置的选址方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110445167A (zh) | 一种光伏接入配网的优化方法及系统 | |
| Mahdavi et al. | Reconfiguration of electric power distribution systems: Comprehensive review and classification | |
| Reddy et al. | Efficiency improvements in meta-heuristic algorithms to solve the optimal power flow problem | |
| CN109871989A (zh) | 一种含分布式电源的配电网分层规划方法 | |
| CN106487005A (zh) | 一种考虑输配电价的电网规划方法 | |
| Tang et al. | Study on day-ahead optimal economic operation of active distribution networks based on Kriging model assisted particle swarm optimization with constraint handling techniques | |
| CN105488593A (zh) | 一种基于遗传算法的定容分布式电源发电最优选址及容量分配方法 | |
| CN105279615A (zh) | 一种基于双层规划的主动配电网网架规划方法 | |
| CN107612016A (zh) | 基于电压最大相关熵的配电网中分布式电源的规划方法 | |
| Balamurugan et al. | Performance comparison of evolutionary programming and differential evolution approaches for social welfare maximization by placement of multi type FACTS devices in pool electricity market | |
| CN111490542B (zh) | 一种多端柔性多状态开关的选址定容方法 | |
| CN106803130B (zh) | 分布式电源接入配电网的规划方法 | |
| CN112561273B (zh) | 一种基于改进pso的主动配电网可再生dg规划方法 | |
| Abbasi et al. | Simultaneous Integrated stochastic electrical and thermal energy expansion planning | |
| CN112508731A (zh) | 一种考虑主动管理模式的分布式电源优化配置方法 | |
| CN115640963A (zh) | 一种考虑投资运营模式的海上风电接入系统鲁棒规划方法 | |
| CN106295885A (zh) | 基于主动管理模式的主动配电网联合规划方法 | |
| CN110611305B (zh) | 考虑配网电压越限风险的光伏接入规划方法 | |
| CN109888817B (zh) | 对光伏电站和数据中心进行位置部署和容量规划方法 | |
| CN108734349A (zh) | 基于改进遗传算法的分布式电源选址定容优化方法及系统 | |
| Mendoza et al. | Automatic voltage regulators siting in distribution systems considering hourly demand | |
| CN110504675A (zh) | 一种交直流混合配电网改造规划方法及系统 | |
| Olamaei et al. | Impact of distributed generators on distribution feeder reconfiguration | |
| Gallego et al. | A specialized genetic algorithm to solve the short term transmission network expansion planning | |
| Samajpati | Distributed generation allocation for power loss minimization and voltage improvement of radial distribution systems using genetic algorithm |
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 |