CN110474338A - 一种交直流混合微电网优化配置方法 - Google Patents
一种交直流混合微电网优化配置方法 Download PDFInfo
- Publication number
- CN110474338A CN110474338A CN201910721906.5A CN201910721906A CN110474338A CN 110474338 A CN110474338 A CN 110474338A CN 201910721906 A CN201910721906 A CN 201910721906A CN 110474338 A CN110474338 A CN 110474338A
- Authority
- CN
- China
- Prior art keywords
- capacitance sensor
- direct current
- power
- alternating current
- micro
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 22
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 238000009826 distribution Methods 0.000 claims description 22
- 230000005611 electricity Effects 0.000 claims description 21
- 238000009434 installation Methods 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 230000003993 interaction Effects 0.000 claims description 14
- 238000012423 maintenance Methods 0.000 claims description 10
- 238000006073 displacement reaction Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000005286 illumination Methods 0.000 claims description 6
- 238000007599 discharging Methods 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 4
- 241000208340 Araliaceae Species 0.000 claims description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 239000012141 concentrate Substances 0.000 claims description 3
- 230000007812 deficiency Effects 0.000 claims description 3
- 235000008434 ginseng Nutrition 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical class CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims 1
- 230000002045 lasting effect Effects 0.000 claims 1
- 230000000295 complement effect Effects 0.000 abstract description 5
- 238000004146 energy storage Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 210000003739 neck Anatomy 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
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
- H02J3/02—Circuit arrangements for ac mains or ac distribution networks using a single network for simultaneous distribution of power at different frequencies; using a single network for simultaneous distribution of ac power and of dc power
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种交直流混合微电网优化配置方法，所述交直流混合微电网优化配置方法包括以下步骤：S1、收集所述交直流混合微电网所在区域的数据并构建数据集；S2、对数据进行预处理；S3、构建多目标容量优化配置模型；S4、求解优化配置Pareto最优解集；S5、选取最符合需求的配置方案。本发明的交直流混合微电网优化配置方法能充分发挥风光水资源的互补特性，进一步提高可再生能源的利用率，减少微电网对大电网的依赖，提高微电网系统的经济性，更好地对整个交直流混合微电网进行优化配置。
Description
技术领域
本发明涉及微电网优化配置技术领域，具体涉及一种交直流混合微电网优化配置方法。
背景技术
微电网是新能源利用的有效途径之一。近年来，越来越多的可再生能源以微电网的形式接入电网并得到了良好的利用，但随着分布式电源种类的增加和直流负荷的增长，过去常用的交流微电网在结构方面的局限性越来越明显，而单纯的直流微电网亦有着换流设备昂贵、消耗无功功率多等缺点。交直流混合微电网结合了交流微电网和直流微电网的优点，能有效地将多种分布式电源和储能设备整合到配电网中，是目前最优的微电网组网形式，也是未来智能微电网的重要发展方向。其主要特点有：1、同时存在交流母线和直流母线，便于各种分布式电源和储能设备的接入，有效地减少了变流器的使用，降低了微电网的建设成本。2、可同时接入交流负荷和直流负荷，节省了直流负荷设备内的变换装置，减少了直流设备的体积和生产成本。
交直流混合微电网的优化配置问题是未来智能微电网建设的核心问题之一。但目前为止，国内外对交直流混合微电网的研究主要集中在运行优化和协调控制方面，在优化配置方面的研究较为薄弱。我国的风能、太阳能和水能呈现季节互补的特性，但过去的研究在选取交直流混合微电网的分布式电源时，往往只考虑过光伏、风机和储能装置，没有将小水电纳入优化配置中，无法利用风光水资源的互补特性。同时，所用模型只能针对一个或两个指标进行优化，如果简单地推广到三个或以上的优化目标，计算将变得复杂，所得的解难以均匀地分布在Pareto前沿上，且无法完全覆盖Pareto前沿，模型的收敛性和多样性不好。基于参考点的非支配排序算法采用参考点方法对临界层进行选择，能较好地处理高维优化问题，但其收敛性和多样性仍不能满足需要。
发明内容
本发明为了克服现有的交直流混合微电网无法利用风光水资源的互补特性以及运行优化配置方案不好的问题，提供了一种交直流混合微电网优化配置方法，能充分发挥风光水资源的互补特性，从而进一步提高可再生能源的利用率，减少微电网对大电网的依赖，提高微电网系统的经济性，更好地对整个交直流混合微电网进行优化配置。
为解决上述技术问题，本发明提供以下技术方案：
一种交直流混合微电网优化配置方法，应用于交直流混合微电网中，所述交直流混合微电网包括交流子微电网以及直流子微电网，交流子微电网包括小水电、风机以及交流负荷，交流子微电网中的小水电、风机以及交流负荷均与主电网连接，直流子微电网通过换流器与交流子微电网连接，直流子微电网包括光伏电池、储能设备以及直流负荷，直流子微电网中的光伏电池、储能设备以及直流负荷均通过换流器与交流子微电网连接，所述交直流混合微电网优化配置方法包括以下步骤：
S1：收集所述交直流混合微电网所在区域的数据并构建数据集；
S2：对数据进行预处理；
S3：构建多目标容量优化配置模型；
S4：求解优化配置Pareto最优解集；
S5：选取最符合需求的配置方案。
本发明的交直流混合微电网优化配置方法提供一种可以将小水电、风机、光伏电池纳入交直流混合微电网的优化配置，充分利用水风光互补特性，同时能针对三个及以上的目标函数进行优化，不降低模型收敛性和多样性的交直流混合微电网优化配置方法，从而为交直流混合微电网的设计提供必要的技术支撑。
进一步的，在步骤S1中，从所述交直流混合微电网所在区域的数据库中获取A年内气象和负荷量的原始数据，确定当地的风速、光照强度、径流量、交流负荷量和直流负荷量，并构建A年内的每小时数据集，其中A为正整数，收集以往的数据，为接下来的预处理做好准备，提高整个配置方法的准确性以及可靠性。
进一步的，在步骤S2中，对风速、光照强度、径流量、交流负荷量和直流负荷量的每小时数据集进行预处理，进行识别、删除奇异点、填写空缺值、平滑噪声数据以及解决不一致性，提高整个配置方法的准确性以及可靠性。
进一步的，在步骤S3中，考虑决策变量x＝[x1,x2,x3,x4,x5]，其中x1、x2、x3、x4、x5分别为所述交直流混合微电网中小水电中的水轮机、风机、光伏电池、蓄电池、换流器的装机数量，构建以系统综合成本最小、自平衡率最高、可再生能源利用率最高为目标的三目标容量优化配置模型，其约束条件包括微源数量、系统功率平衡、蓄电池充放电特性以及供电可靠性，将小水电、风机、光伏电池纳入交直流混合微电网的优化配置，充分利用水风光互补特性，同时能针对三个及以上的目标函数进行优化，优化效果更加好。
进一步的，在步骤S4中，使用改进的基于参考点的非支配排序算法对所述容量优化配置模型进行求解，得到Pareto最优解集，能够不降低模型收敛性和多样性，提高准确性。
进一步的，为了提高整个配置方法的准确性以及可靠性，在进行步骤S3时，还包括以下步骤：
S3.1：以运行年限内的年平均综合成本C来评估经济性，风机、水轮机和光伏电池的使用寿命较长，在所述交直流混合微电网使用周期内无需置换，蓄电池和换流器的使用寿命较短，需要考虑置换费用，故该目标函数可表示为：
C＝CL+CS+CT
上式中，CL为所述交直流混合微电网中分布式电源的成本，包括安装成本和维护成本；CS为所述交直流混合微电网中蓄电池和换流器的成本，包括安装成本、置换成本和维护成本；CT为所述交直流混合微电网和配电网的能量交换成本；
其中
上式中，为第m种分布式电源的安装数量，分别是小水电、水轮机和光伏电池；为第m种分布式电源的购置单价；为第m种分布式电源的安装单价；k为折现率；n为所述交直流混合微电网的运行年限；Co,m为第m种分布式电源的年平均固定维护费用；Ko,m为第m种分布式电源的可变维护费用系数；Tm为第m种分布式电源的年平均运行时间，单位为h；
其中
上式中，Na、Nc分别为蓄电池、换流器的安装数量；Cp,a、Cp,c分别为蓄电池、换流器的购置单价；Ci,a、Ci,c分别为蓄电池、换流器的安装单价；Cd,a、Cd,c分别为蓄电池、换流器的拆除单价；y1、y2分别为蓄电池和换流器的平均使用年限；Co,a、Co,c分别为蓄电池、换流器的年平均固定维护费用；Ko,a、Ko,c分别为蓄电池、换流器的可变维护费用系数；Ta、Tc分别为蓄电池、换流器的年平均运行时间，单位为h；
其中
上式中，α(t)、β(t)分别为t时刻所述交直流混合微电网与配电网间的购、售电状态，为01变量；Cbuy(t)、Csell(t)分别为t时刻的购电电价和售电电价；PEX(t)为t时刻微电网与配电网间的交互功率；Δt为单位时段的时间长度，时间为1h；
S3.2：以自平衡率来评估所述交直流混合微电网对配电网的依赖程度，该目标函数可表示为：
上式中，Rse为自平衡率；η为换流器的功率传输效率；Pwater(t)、Pwind(t)分别为t时刻小水电、风机的有功功率输出；P′AC(t)、P′DC(t)分别为t时刻交流侧、直流侧的负荷量；
S3.3：以可再生能源的年利用率来评估所述交直流混合微电网内可再生能源的利用情况，该目标函数可表示为：
上式中，Ru为可再生能源的年利用率；Pm(t)为t时刻第m种分布式电源的功率；Paban,m(t)为t时刻第m种分布式电源的弃电量；
S3.4：所述多目标容量优化配置模型的约束条件包括微源数量、系统功率平衡、蓄电池充放电特性以及供电可靠性，其中，所述交直流混合微电网功率平衡约束的总表达式为：
上式中，P′AC(t)、P′AC(t)分别为t时刻的交流负荷量、直流负荷量；为t时刻的交流失负荷量、直流失负荷量；Pwater(t)、Pwind(t)、Psolar(t)别为t时刻小水电、风机、光伏电池的发电功率；为t时刻风机、水轮机、光伏电池的弃电量；PEX(t)为t时刻微电网与配电网间的交互功率；PAD(t)为t时刻交流侧与直流侧间的交互功率；α(t)、β(t)分别为t时刻微电网与配电网间的购、售电状态，为01变量；δ(t)、γ(t)为t时刻换流器的工作状态，整流时δ＝1、γ＝0，逆变时δ＝0、γ＝1；分别为t时刻蓄电池的充电功率和放电功率；
交流微电网中各设备的功率平衡约束为：
上式中，P′wind(t)、P′water(t)为t时刻风机、水轮机供应负荷的功率；为t时刻因风机、水轮机功率不足产生的弃负荷量；为t时刻风机、水轮机与配电网的交互功率；为t时刻风机、水轮机与直流侧的交互功率：
直流微电网中各设备的功率平衡约束为：
上式中，P′solar(t)、P′bat(t)为t时刻光伏电池、蓄电池供应负荷的功率；为t时刻因光伏电池、蓄电池功率不足产生的弃负荷量；为t时刻光伏电池、蓄电池与交流侧的交互功率；
从上两式联立可得，换流器的功率平衡约束还包含
进一步的，在步骤S4中，为了提高整个配置方法的准确性以及可靠性，所述改进的基于参考点的非支配排序算法的步骤如下：
S4.1：随机产生第一代或从上一代得到大小为N的父代种群PT；
S4.2：通过随机变化算子产生大小相同的子代种群QT，再将父代种群PT和子代种群QT进行合并，形成种群大小为2N的新种群RT，其中随机算子包括差分进化算子、模拟两点交叉算子和多项式变异算子；
S4.3：对新种群RT进行非支配排序，分成不同的非支配层(F1，F2，…)；
S4.4：将个体按层数从小到大依次加入集合ST，直到集合ST的规模大于N，记下最后的非支配层级l；
S4.5：将前l-1层个体之和F1+F2+…+Fl-1存入下一代种群PT+1，即此时的集合PT+1＝ST-Fl；
S4.6：从第l层Fl中通过改进的基于参考点的临界层选择方法选择N-|ST|+|Fl|个个体，得到规模为N的下一代种群PT+1；
S4.7：重复步骤S4.1至S4.6，直到满足循环终止条件。
进一步的，在步骤S4.6中，所述改进的基于参考点的临界层选择方法主要的改变是采用θ-非支配排序进行个体保留操作，主要包括以下步骤：
S4.6.1：参考点的设置，采用边界交叉构造权重的方法，在标准化超平面上均匀产生参考点H个，根据需要选择每一维目标被均匀分割的份数；
S4.6.2：种群的自适应标准化，选取集合ST中个体的每一维目标的最小值 构成当前种群的理想点将集合ST做平移操作，使得理想点变为原点，遍历寻找每一维上使成绩标量函数数值最小的个体，得到M个极值点，使用极值点构造M维的线性超平面，用该超平面在每一维上的截距ai对集合ST中的每个个体进行归一化；
S4.6.3：关联操作，将原点与参考点连线，构建参考点在目标空间中的参考向量，记与参考点j对应的参考向量为lj，然后遍历ST中的每个个体，计算个体到各个参考向量的距离dj(x)，找到离个体距离最近的参考向量时，将对应的参考点与个体相关联，记与参考点j相关联的个体集合为R′j；
S4.6.4：个体保留操作，使用θ-非支配排序算子θ(x)对ST进行θ-非支配排序(θ-支配的定义为：给定两个解x1,x2∈ST，当且仅当x1∈R′j，x2∈R′j，且θj(x1)<θj(x2)时，x1θ-支配x2，其中j∈{1,2,……,H})，将ST中的个体分为不同的θ-非支配层(F′1，F′2，…)，从第一层θ-非支配层F1′开始，逐步将解加入到PT+1中，直到PT+1的规模为N，其中，θ-非支配排序算子的公式为：
上式中，θj(x)参考点j对应的θ-非支配排序算子；λ为惩罚系数；dj(x)为个体x与参考向量lj的距离；f″(x)是个体x对应的归一化后的目标函数向量。
进一步的，在步骤S5中，为了不降低模型收敛性和多样性，采用模糊隶属度函数从Pareto解集中选择最满意的配置方案的步骤如下：
S5.1：读取所述改进的基于参考点的非支配排序算法优化的Pareto最优解集；
S5.2：采用模糊隶属度函数表示解中各目标函数的满意度；
S5.3：根据实际需要对各目标函数的满意度进行加权，得到标准化满意度值，其数值最大的解即为最优折中解。
与现有技术相比，本发明具有以下有益效果：
利用本发明提出的交直流混合微电网优化配置方法，可以计算出含小水电、风机、光伏电池、交流负荷、直流负荷的交直流混合微电网的最优配置方案，给交直流混合微电网的设计提供了一定的理论参考，本发明的优化配置方法在保留交直流混合微电网优势的前提下，能充分发挥风光水资源的互补特性，从而进一步提高可再生能源的利用率、减少微电网对大电网的依赖、提高微电网系统的经济性；与此同时，本发明还使用改进的基于参考点的非支配排序算法，解决了过去交直流混合微电网的优化配置在针对三个或以上的优化目标时，所得Pareto最优解集不能均匀分布并覆盖Pareto前沿的问题，得到了相对更好的配置方案；此外，本发明改进了基于参考点的非支配排序算法，通过随机变化算子提高了算法和模型的多样性，通过θ-非支配排序提高了算法和模型的收敛性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据附图获得其他的附图。
图1为本发明一种交直流混合微电网优化配置方法的交直流混合微电网的结构示意图；
图2为本发明一种交直流混合微电网优化配置方法流程图；
图3为本发明一种交直流混合微电网优化配置方法中改进的基于参考点的非支配排序算法的流程图。
具体实施方式
下面将对本发明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发明的一部分实施例，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。
本发明实施例包括：
如图1-2所示，一种交直流混合微电网优化配置方法，应用于交直流混合微电网中，交直流混合微电网包括交流子微电网以及直流子微电网，交流子微电网包括小水电、风机以及交流负荷，交流子微电网中的小水电、风机以及交流负荷均与主电网连接，直流子微电网通过换流器与交流子微电网连接，直流子微电网包括光伏电池、储能设备以及直流负荷，直流子微电网中的光伏电池、储能设备以及直流负荷均通过换流器与交流子微电网连接，交直流混合微电网优化配置方法包括以下步骤：
S1：收集交直流混合微电网所在区域的数据并构建数据集；
S2：对数据进行预处理；
S3：构建多目标容量优化配置模型；
S4：求解优化配置Pareto最优解集；
S5：选取最符合需求的配置方案。
本发明的交直流混合微电网优化配置方法提供一种可以将小水电、风机、光伏电池纳入交直流混合微电网的优化配置，充分利用水风光互补特性，同时能针对三个及以上的目标函数进行优化，不降低模型收敛性和多样性的交直流混合微电网优化配置方法，从而为交直流混合微电网的设计提供必要的技术支撑。
在本实施例中，在步骤S1中，从交直流混合微电网所在区域的数据库中获取A年内气象和负荷量的原始数据，确定当地的风速、光照强度、径流量、交流负荷量和直流负荷量，并构建A年内的每小时数据集，其中A为正整数，在本实施例中，A的数值为5，收集以往的数据，为接下来的预处理做好准备，提高整个配置方法的准确性以及可靠性。
在本实施例中，在步骤S2中，对风速、光照强度、径流量、交流负荷量和直流负荷量的每小时数据集进行预处理，进行识别、删除奇异点、填写空缺值、平滑噪声数据以及解决不一致性，提高整个配置方法的准确性以及可靠性。
在本实施例中，在步骤S3中，考虑决策变量x＝[x1,x2,x3,x4,x5]，其中x1、x2、x3、x4、x5分别为交直流混合微电网中小水电中的水轮机、风机、光伏电池、蓄电池、换流器的装机数量，构建以系统综合成本最小、自平衡率最高、可再生能源利用率最高为目标的三目标容量优化配置模型，其约束条件包括微源数量、系统功率平衡、蓄电池充放电特性以及供电可靠性，将小水电、风机、光伏电池纳入交直流混合微电网的优化配置，充分利用水风光互补特性，同时能针对三个及以上的目标函数进行优化，优化效果更加好。
在本实施例中，在步骤S4中，使用改进的基于参考点的非支配排序算法对容量优化配置模型进行求解，得到Pareto最优解集，能够不降低模型收敛性和多样性，提高准确性。
在本实施例中，为了提高整个配置方法的准确性以及可靠性，在进行步骤S3时，还包括以下步骤：
S3.1：以运行年限内的年平均综合成本C来评估经济性，风机、水轮机和光伏电池的使用寿命较长，在交直流混合微电网使用周期内无需置换，蓄电池和换流器的使用寿命较短，需要考虑置换费用，故该目标函数可表示为：
C＝CL+CS+CT
上式中，CL为交直流混合微电网中分布式电源的成本，包括安装成本和维护成本；CS为交直流混合微电网中蓄电池和换流器的成本，包括安装成本、置换成本和维护成本；CT为交直流混合微电网和配电网的能量交换成本；
其中
上式中，为第m种分布式电源的安装数量，分别是小水电、水轮机和光伏电池；为第m种分布式电源的购置单价；为第m种分布式电源的安装单价；k为折现率，在本实施例中取5.4％；n为交直流混合微电网的运行年限，在本实施例中取20年；Co,m为第m种分布式电源的年平均固定维护费用；Ko,m为第m种分布式电源的可变维护费用系数；Tm为第m种分布式电源的年平均运行时间，单位为h；
其中
上式中，Na、Nc分别为蓄电池、换流器的安装数量；Cp,a、Cp,c分别为蓄电池、换流器的购置单价；Ci,a、Ci,c分别为蓄电池、换流器的安装单价；Cd,a、Cd,c分别为蓄电池、换流器的拆除单价；y1、y2分别为蓄电池和换流器的平均使用年限，在本实施例中分别取3年、5年；Co,a、Co,c分别为蓄电池、换流器的年平均固定维护费用；Ko,a、Ko,c分别为蓄电池、换流器的可变维护费用系数；Ta、Tc分别为蓄电池、换流器的年平均运行时间，单位为h；
其中
上式中，α(t)、β(t)分别为t时刻交直流混合微电网与配电网间的购、售电状态，为01变量；Cbuy(t)、Csell(t)分别为t时刻的购电电价和售电电价；PEX(t)为t时刻微电网与配电网间的交互功率；Δt为单位时段的时间长度，时间为1h；
S3.2：以自平衡率来评估交直流混合微电网对配电网的依赖程度，该目标函数可表示为：
上式中，Rse为自平衡率；η为换流器的功率传输效率，在本实施例中为0.75；Pwater(t)、Pwind(t)分别为t时刻小水电、风机的有功功率输出；P′AC(t)、P′DC(t)分别为t时刻交流侧、直流侧的负荷量；
S3.3：以可再生能源的年利用率来评估交直流混合微电网内可再生能源的利用情况，该目标函数可表示为：
上式中，Ru为可再生能源的年利用率；Pm(t)为t时刻第m种分布式电源的功率；Paban,m(t)为t时刻第m种分布式电源的弃电量；
S3.4：多目标容量优化配置模型的约束条件包括微源数量、系统功率平衡、蓄电池充放电特性以及供电可靠性，其中，交直流混合微电网功率平衡约束的总表达式为：
上式中，P′AC(t)、P′AC(t)分别为t时刻的交流负荷量、直流负荷量；为t时刻的交流失负荷量、直流失负荷量；Pwater(t)、Pwind(t)、Psolar(t)别为t时刻小水电、风机、光伏电池的发电功率；为t时刻风机、水轮机、光伏电池的弃电量；PEX(t)为t时刻微电网与配电网间的交互功率；PAD(t)为t时刻交流侧与直流侧间的交互功率；α(t)、β(t)分别为t时刻微电网与配电网间的购、售电状态，为01变量；δ(t)、γ(t)为t时刻换流器的工作状态，整流时δ＝1、γ＝0，逆变时δ＝0、γ＝1；分别为t时刻蓄电池的充电功率和放电功率；
交流微电网中各设备的功率平衡约束为：
上式中，P′wind(t)、P′water(t)为t时刻风机、水轮机供应负荷的功率；为t时刻因风机、水轮机功率不足产生的弃负荷量；为t时刻风机、水轮机与配电网的交互功率；为t时刻风机、水轮机与直流侧的交互功率：
直流微电网中各设备的功率平衡约束为：
上式中，P′solar(t)、P′bat(t)为t时刻光伏电池、蓄电池供应负荷的功率；为t时刻因光伏电池、蓄电池功率不足产生的弃负荷量；为t时刻光伏电池、蓄电池与交流侧的交互功率；
从上两式联立可得，换流器的功率平衡约束还包含
如图3所示，在步骤S4中，为了提高整个配置方法的准确性以及可靠性，改进的基于参考点的非支配排序算法的步骤如下：
S4.1：随机产生第一代或从上一代得到大小为N的父代种群PT，在本实施例中，N为200；
S4.2：通过随机变化算子产生大小相同的子代种群QT，再将父代种群PT和子代种群QT进行合并，形成种群大小为2N的新种群RT，其中随机算子包括差分进化算子、模拟两点交叉算子和多项式变异算子，在本实施例中，差分进化算子的缩放因子为0.5，交叉概率为0.1；模拟两点交叉算子的交叉概率为1.0，交叉中的分布指数为30，多项式变异算子的变异概率为1/n，变异中的分布指数为20；
S4.3：对新种群RT进行非支配排序，分成不同的非支配层(F1，F2，…)；
S4.4：将个体按层数从小到大依次加入集合ST，直到集合ST的规模大于N，记下最后的非支配层级l；
S4.5：将前l-1层个体之和F1+F2+…+Fl-1存入下一代种群PT+1，即此时的集合PT+1＝ST-Fl；
S4.6：从第l层Fl中通过改进的基于参考点的临界层选择方法选择N-|ST|+|Fl|个个体，得到规模为N的下一代种群PT+1；
S4.7：重复步骤S4.1至S4.6，直到满足循环终止条件，在本实施例中，即直到代数超过100或达到终止条件，输出优化后的结果。
进一步的，在步骤S4.6中，改进的基于参考点的临界层选择方法主要的改变是采用θ-非支配排序进行个体保留操作，主要包括以下步骤：
S4.6.1：参考点的设置，采用边界交叉构造权重的方法，在标准化超平面上均匀产生参考点H个，根据需要选择每一维目标被均匀分割的份数；
S4.6.2：种群的自适应标准化，选取集合ST中个体的每一维目标的最小值 构成当前种群的理想点将集合ST做平移操作，使得理想点变为原点，遍历寻找每一维上使成绩标量函数数值最小的个体，得到M个极值点，使用极值点构造M维的线性超平面，用该超平面在每一维上的截距ai对集合ST中的每个个体进行归一化；
S4.6.3：关联操作，将原点与参考点连线，构建参考点在目标空间中的参考向量，记与参考点j对应的参考向量为lj，然后遍历ST中的每个个体，计算个体到各个参考向量的距离dj(x)，找到离个体距离最近的参考向量时，将对应的参考点与个体相关联，记与参考点j相关联的个体集合为R′j；
S4.6.4：个体保留操作，使用θ-非支配排序算子θ(x)对ST进行θ-非支配排序(θ-支配的定义为：给定两个解x1,x2∈ST，当且仅当x1∈R′j，x2∈R′j，且θj(x1)<θj(x2)时，x1θ-支配x2，其中j∈{1,2,……,H})，将ST中的个体分为不同的θ-非支配层(F′1，F′2，…)，从第一层θ-非支配层F′1开始，逐步将解加入到PT+1中，直到PT+1的规模为N，其中，θ-非支配排序算子的公式为：
上式中，θj(x)参考点j对应的θ-非支配排序算子；λ为惩罚系数；dj(x)为个体x与参考向量lj的距离；f″(x)是个体x对应的归一化后的目标函数向量。
在本实施例中，在步骤S5中，为了不降低模型收敛性和多样性，采用模糊隶属度函数从Pareto解集中选择最满意的配置方案的步骤如下：
S5.1：读取改进的基于参考点的非支配排序算法优化的Pareto最优解集；
S5.2：采用模糊隶属度函数表示解中各目标函数的满意度；
S5.3：根据实际需要对各目标函数的满意度进行加权，得到标准化满意度值，其数值最大的解即为最优折中解。本实例中，根据不同的需求，可以给相应目标函数提高权值，如函数加权为2:1:1时，对经济性的要求较其他参数更高。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种交直流混合微电网优化配置方法，其特征在于，包括以下步骤：
S1：收集所述交直流混合微电网所在区域的数据并构建数据集；
S2：对数据进行预处理；
S3：构建多目标容量优化配置模型；
S4：求解优化配置Pareto最优解集；
S5：选取最符合需求的配置方案。
2.根据权利要求1所述的交直流混合微电网优化配置方法，其特征在于，在步骤S1中，从所述交直流混合微电网所在区域的数据库中获取A年内气象和负荷量的原始数据，确定当地的风速、光照强度、径流量、交流负荷量和直流负荷量，并构建A年内的每小时数据集，其中A为正整数。
3.根据权利要求2所述的交直流混合微电网优化配置方法，其特征在于，在步骤S2中，对风速、光照强度、径流量、交流负荷量和直流负荷量的每小时数据集进行预处理，进行识别、删除奇异点、填写空缺值、平滑噪声数据以及解决不一致性。
4.根据权利要求3所述的交直流混合微电网优化配置方法，其特征在于，在步骤S3中，考虑决策变量x＝[x1,x2,x3,x4,x5]，其中x1、x2、x3、x4、x5分别为所述交直流混合微电网中小水电中的水轮机、风机、光伏电池、蓄电池、换流器的装机数量，构建以系统综合成本最小、自平衡率最高、可再生能源利用率最高为目标的三目标容量优化配置模型，其约束条件包括微源数量、系统功率平衡、蓄电池充放电特性以及供电可靠性。
5.根据权利要求4所述的交直流混合微电网优化配置方法，其特征在于，在步骤S4中，使用改进的基于参考点的非支配排序算法对所述容量优化配置模型进行求解，得到Pareto最优解集。
6.根据权利要求4所述的交直流混合微电网优化配置方法，其特征在于，在进行步骤S3时，还包括以下步骤：
S3.1：以运行年限内的年平均综合成本C来评估经济性，风机、水轮机和光伏电池的使用寿命较长，在所述交直流混合微电网使用周期内无需置换，蓄电池和换流器的使用寿命较短，需要考虑置换费用，故该目标函数可表示为：
C＝CL+CS+CT
上式中，CL为所述交直流混合微电网中分布式电源的成本，包括安装成本和维护成本；CS为所述交直流混合微电网中蓄电池和换流器的成本，包括安装成本、置换成本和维护成本；CT为所述交直流混合微电网和配电网的能量交换成本；
其中
上式中，为第m种分布式电源的安装数量，分别是小水电、水轮机和光伏电池；为第m种分布式电源的购置单价；为第m种分布式电源的安装单价；k为折现率；n为所述交直流混合微电网的运行年限；Co,m为第m种分布式电源的年平均固定维护费用；Ko,m为第m种分布式电源的可变维护费用系数；Tm为第m种分布式电源的年平均运行时间，单位为h；
其中
上式中，Na、Nc分别为蓄电池、换流器的安装数量；Cp,a、Cp,c分别为蓄电池、换流器的购置单价；Ci,a、Ci,c分别为蓄电池、换流器的安装单价；Cd,a、Cd,c分别为蓄电池、换流器的拆除单价；y1、y2分别为蓄电池和换流器的平均使用年限；Co,a、Co,c分别为蓄电池、换流器的年平均固定维护费用；Ko,a、Ko,c分别为蓄电池、换流器的可变维护费用系数；Ta、Tc分别为蓄电池、换流器的年平均运行时间，单位为h；
其中
上式中，α(t)、β(t)分别为t时刻所述交直流混合微电网与配电网间的购、售电状态，为01变量；Cbuy(t)、Csell(t)分别为t时刻的购电电价和售电电价；PEX(t)为t时刻微电网与配电网间的交互功率；Δt为单位时段的时间长度，时间为1h；
S3.2：以自平衡率来评估所述交直流混合微电网对配电网的依赖程度，该目标函数可表示为：
上式中，Rse为自平衡率；η为换流器的功率传输效率；Pwater(t)、Pwind(t)分别为t时刻小水电、风机的有功功率输出；P′AC(t)、P′DC(t)分别为t时刻交流侧、直流侧的负荷量；
S3.3：以可再生能源的年利用率来评估所述交直流混合微电网内可再生能源的利用情况，该目标函数可表示为：
上式中，Ru为可再生能源的年利用率；Pm(t)为t时刻第m种分布式电源的功率；Paban,m(t)为t时刻第m种分布式电源的弃电量；
S3.4：所述多目标容量优化配置模型的约束条件包括微源数量、系统功率平衡、蓄电池充放电特性以及供电可靠性，其中，所述交直流混合微电网功率平衡约束的总表达式为：
上式中，P′AC(t)、P′AC(t)分别为t时刻的交流负荷量、直流负荷量；为t时刻的交流失负荷量、直流失负荷量；Pwater(t)、Pwind(t)、Psolar(t)别为t时刻小水电、风机、光伏电池的发电功率；为t时刻风机、水轮机、光伏电池的弃电量；PEX(t)为t时刻微电网与配电网间的交互功率；PAD(t)为t时刻交流侧与直流侧间的交互功率；α(t)、β(t)分别为t时刻微电网与配电网间的购、售电状态，为01变量；δ(t)、γ(t)为t时刻换流器的工作状态，整流时δ＝1、γ＝0，逆变时δ＝0、γ＝1；分别为t时刻蓄电池的充电功率和放电功率；
交流微电网中各设备的功率平衡约束为：
上式中，P′wind(t)、P′water(t)为t时刻风机、水轮机供应负荷的功率；为t时刻因风机、水轮机功率不足产生的弃负荷量；为t时刻风机、水轮机与配电网的交互功率；为t时刻风机、水轮机与直流侧的交互功率：
直流微电网中各设备的功率平衡约束为：
上式中，P′solar(t)、P′bat(t)为t时刻光伏电池、蓄电池供应负荷的功率；为t时刻因光伏电池、蓄电池功率不足产生的弃负荷量；为t时刻光伏电池、蓄电池与交流侧的交互功率；
从上两式联立可得，换流器的功率平衡约束还包含
7.根据权利要求5所述的交直流混合微电网优化配置方法，其特征在于，在步骤S4中，所述改进的基于参考点的非支配排序算法的步骤如下：
S4.1：随机产生第一代或从上一代得到大小为N的父代种群PT；
S4.2：通过随机变化算子产生大小相同的子代种群QT，再将父代种群PT和子代种群QT进行合并，形成种群大小为2N的新种群RT，其中随机算子包括差分进化算子、模拟两点交叉算子和多项式变异算子；
S4.3：对新种群RT进行非支配排序，分成不同的非支配层(F1，F2，…)；
S4.4：将个体按层数从小到大依次加入集合ST，直到集合ST的规模大于N，记下最后的非支配层级l；
S4.5：将前l-1层个体之和F1+F2+…+Fl-1存入下一代种群PT+1，即此时的集合PT+1＝ST-Fl；
S4.6：从第l层Fl中通过改进的基于参考点的临界层选择方法选择N-|ST|+|Fl|个个体，得到规模为N的下一代种群PT+1；
S4.7：重复步骤S4.1至S4.6，直到满足循环终止条件。
8.根据权利要求7所述的交直流混合微电网优化配置方法，其特征在于，在步骤S4.6中，所述改进的基于参考点的临界层选择方法主要的改变是采用θ-非支配排序进行个体保留操作，主要包括以下步骤：
S4.6.1：参考点的设置，采用边界交叉构造权重的方法，在标准化超平面上均匀产生参考点H个，根据需要选择每一维目标被均匀分割的份数；
S4.6.2：种群的自适应标准化，选取集合ST中个体的每一维目标的最小值 构成当前种群的理想点将集合ST做平移操作，使得理想点变为原点，遍历寻找每一维上使成绩标量函数数值最小的个体，得到M个极值点，使用极值点构造M维的线性超平面，用该超平面在每一维上的截距ai对集合ST中的每个个体进行归一化；
S4.6.3：关联操作，将原点与参考点连线，构建参考点在目标空间中的参考向量，记与参考点j对应的参考向量为lj，然后遍历ST中的每个个体，计算个体到各个参考向量的距离dj(x)，找到离个体距离最近的参考向量时，将对应的参考点与个体相关联，记与参考点j相关联的个体集合为R′j；
S4.6.4：个体保留操作，使用θ-非支配排序算子θ(x)对ST进行θ-非支配排序(θ-支配的定义为：给定两个解x1,x2∈ST，当且仅当x1∈R′j，x2∈R′j，且θj(x1)<θj(x2)时，x1θ-支配x2，其中j∈{1,2,……,H})，将ST中的个体分为不同的θ-非支配层(F1′，F2′，…)，从第一层θ-非支配层F1′开始，逐步将解加入到PT+1中，直到PT+1的规模为N，其中，θ-非支配排序算子的公式为：
上式中，θj(x)参考点j对应的θ-非支配排序算子；λ为惩罚系数；dj(x)为个体x与参考向量lj的距离；f″(x)是个体x对应的归一化后的目标函数向量。
9.根据权利要求5所述的交直流混合微电网优化配置方法，其特征在于，在步骤S5中，采用模糊隶属度函数从Pareto解集中选择最满意的配置方案的步骤如下：
S5.1：读取所述改进的基于参考点的非支配排序算法优化的Pareto最优解集；
S5.2：采用模糊隶属度函数表示解中各目标函数的满意度；
S5.3：根据实际需要对各目标函数的满意度进行加权，得到标准化满意度值，其数值最大的解即为最优折中解。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910721906.5A CN110474338A (zh) | 2019-08-06 | 2019-08-06 | 一种交直流混合微电网优化配置方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910721906.5A CN110474338A (zh) | 2019-08-06 | 2019-08-06 | 一种交直流混合微电网优化配置方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110474338A true CN110474338A (zh) | 2019-11-19 |
Family
ID=68510244
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910721906.5A Pending CN110474338A (zh) | 2019-08-06 | 2019-08-06 | 一种交直流混合微电网优化配置方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110474338A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111900443A (zh) * | 2020-07-29 | 2020-11-06 | 广东电网有限责任公司 | 一种氢燃料电池交直流混合输出装置和方法 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105760964A (zh) * | 2016-03-15 | 2016-07-13 | 国网浙江省电力公司电力科学研究院 | 微电网优化配置方法和装置 |
| CN106339778A (zh) * | 2016-09-30 | 2017-01-18 | 安徽工程大学 | 一种考虑多目标的光蓄微电网运行优化方法 |
| CN106600022A (zh) * | 2015-10-20 | 2017-04-26 | 上海交通大学 | 基于多目标优化的风-光-燃气-海水抽水蓄能孤立电力系统容量优化配置方法 |
| CN106655248A (zh) * | 2016-10-21 | 2017-05-10 | 中国电建集团中南勘测设计研究院有限公司 | 一种并网型微电网电源容量配置方法 |
| CN108039741A (zh) * | 2017-12-15 | 2018-05-15 | 华北电力大学（保定） | 计及微源余电上网的交直流混合微网优化运行方法 |
| CN108767895A (zh) * | 2018-05-25 | 2018-11-06 | 国网四川省电力公司经济技术研究院 | 考虑资源约束的送端系统水风光配套电源容量优化方法 |
| CN108876000A (zh) * | 2018-04-28 | 2018-11-23 | 国网江苏电力设计咨询有限公司 | 一种光伏充电站光、储、变压器容量协调优化配置方法 |
| CN108964098A (zh) * | 2018-06-13 | 2018-12-07 | 燕山大学 | 一种独立微电网系统容量优化配置方法 |
| US20190036341A1 (en) * | 2017-07-26 | 2019-01-31 | Nec Laboratories America, Inc. | Method for Operation of Energy Storage Systems to Reduce Demand Charges and Increase Photovoltaic (PV) Utilization |
| CN109586325A (zh) * | 2018-12-21 | 2019-04-05 | 徐树强 | 一种新能源储能优化配置方法 |
| CN109638835A (zh) * | 2019-01-22 | 2019-04-16 | 中国电力科学研究院有限公司 | 一种交直流混合微电网优化配置方法及装置 |
| CN109670650A (zh) * | 2018-12-27 | 2019-04-23 | 华中科技大学 | 基于多目标优化算法的梯级水库群调度模型的求解方法 |
| CN109829244A (zh) * | 2019-02-25 | 2019-05-31 | 浙江工业大学 | 算法优化深度网络和三代遗传算法的风机优化设计方法 |
| CN109842158A (zh) * | 2019-03-28 | 2019-06-04 | 广东工业大学 | 一种微电网优化配置方法 |
-
2019
- 2019-08-06 CN CN201910721906.5A patent/CN110474338A/zh active Pending
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106600022A (zh) * | 2015-10-20 | 2017-04-26 | 上海交通大学 | 基于多目标优化的风-光-燃气-海水抽水蓄能孤立电力系统容量优化配置方法 |
| CN105760964A (zh) * | 2016-03-15 | 2016-07-13 | 国网浙江省电力公司电力科学研究院 | 微电网优化配置方法和装置 |
| CN106339778A (zh) * | 2016-09-30 | 2017-01-18 | 安徽工程大学 | 一种考虑多目标的光蓄微电网运行优化方法 |
| CN106655248A (zh) * | 2016-10-21 | 2017-05-10 | 中国电建集团中南勘测设计研究院有限公司 | 一种并网型微电网电源容量配置方法 |
| US20190036341A1 (en) * | 2017-07-26 | 2019-01-31 | Nec Laboratories America, Inc. | Method for Operation of Energy Storage Systems to Reduce Demand Charges and Increase Photovoltaic (PV) Utilization |
| CN108039741A (zh) * | 2017-12-15 | 2018-05-15 | 华北电力大学（保定） | 计及微源余电上网的交直流混合微网优化运行方法 |
| CN108876000A (zh) * | 2018-04-28 | 2018-11-23 | 国网江苏电力设计咨询有限公司 | 一种光伏充电站光、储、变压器容量协调优化配置方法 |
| CN108767895A (zh) * | 2018-05-25 | 2018-11-06 | 国网四川省电力公司经济技术研究院 | 考虑资源约束的送端系统水风光配套电源容量优化方法 |
| CN108964098A (zh) * | 2018-06-13 | 2018-12-07 | 燕山大学 | 一种独立微电网系统容量优化配置方法 |
| CN109586325A (zh) * | 2018-12-21 | 2019-04-05 | 徐树强 | 一种新能源储能优化配置方法 |
| CN109670650A (zh) * | 2018-12-27 | 2019-04-23 | 华中科技大学 | 基于多目标优化算法的梯级水库群调度模型的求解方法 |
| CN109638835A (zh) * | 2019-01-22 | 2019-04-16 | 中国电力科学研究院有限公司 | 一种交直流混合微电网优化配置方法及装置 |
| CN109829244A (zh) * | 2019-02-25 | 2019-05-31 | 浙江工业大学 | 算法优化深度网络和三代遗传算法的风机优化设计方法 |
| CN109842158A (zh) * | 2019-03-28 | 2019-06-04 | 广东工业大学 | 一种微电网优化配置方法 |
Non-Patent Citations (7)
| Title |
|---|
| KALYANMOY DEB ET AL.: "An Evolutionary Many-Objective Optimization Algorithm Using Reference-Point Based Nondominated Sorting Approach, Part II: Handling Constraints and Extending to an Adaptive Approach", 《IEEE TRANSACTIONS ON EVOLUTIONARY COMPUTATION》 * |
| YUAN YUAN ET AL.: "An improved NSGA-III procedure for evolutionary many-objective optimization", 《PROCEEDINGS OF THE 2014 ANNUAL CONFERENCE ON GENETIC AND EVOLUTIONARY COMPUTATION》 * |
| 刘峪涵 等: "并网型微电网多目标容量优化配置及减排效益分析", 《电力系统及其自动化学报》 * |
| 夏季 等: "基于非支配排序遗传算法的无约束多目标优化配煤模型", 《中国电机工程学报》 * |
| 汪湘晋 等: "并网型交直流混合微电网优化配置分析", 《电力系统自动化》 * |
| 窦晓波 等: "并网型风光储微电网容量改进优化配置方法", 《电力自动化设备》 * |
| 肖俊明等: "基于改进参考点的快速非支配排序遗传算法研究", 《中原工学院学报》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111900443A (zh) * | 2020-07-29 | 2020-11-06 | 广东电网有限责任公司 | 一种氢燃料电池交直流混合输出装置和方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xu et al. | Data-driven configuration optimization of an off-grid wind/PV/hydrogen system based on modified NSGA-II and CRITIC-TOPSIS | |
| CN111754090B (zh) | 一种基于大数据的电力用户需求侧调控方法 | |
| CN106228258B (zh) | 一种计及需求侧管理的家庭能源局域网能量优化控制方法 | |
| CN109559035A (zh) | 一种考虑灵活性的城市配电网双层规划方法 | |
| CN110533225A (zh) | 一种基于机会约束规划的商业园区综合能源系统优化调度方法 | |
| CN105071389B (zh) | 计及源网荷互动的交直流混合微电网优化运行方法及装置 | |
| CN107301472A (zh) | 基于场景分析法和电压调节策略的分布式光伏规划方法 | |
| CN112467722A (zh) | 一种考虑电动汽车充电站的主动配电网源-网-荷-储协调规划方法 | |
| CN107423852A (zh) | 一种计及典型场景的光储联合电站优化运营方法 | |
| Kunya et al. | Review of economic dispatch in multi-area power system: State-of-the-art and future prospective | |
| CN107316125A (zh) | 一种基于经济运行域的主动配电网经济运行评价方法 | |
| CN103544655A (zh) | 一种含微电网的区域配电网分层优化方法 | |
| CN107706932B (zh) | 一种基于动态自适应模糊逻辑控制器的能量调度优化方法 | |
| CN110009122A (zh) | 户用多能互补综合能源利用系统能量优化调度方法及系统 | |
| CN107578182A (zh) | 基于需求侧响应下光储微电网运行控制方法 | |
| CN108876000A (zh) | 一种光伏充电站光、储、变压器容量协调优化配置方法 | |
| CN109149651A (zh) | 一种计及调压辅助服务收益的光储系统优化运行方法 | |
| CN106655248A (zh) | 一种并网型微电网电源容量配置方法 | |
| CN105896596B (zh) | 一种考虑需求侧响应的风电功率分层平滑系统及其方法 | |
| CN114336636B (zh) | 一种交直流混合配电网系统双层储能配置方法 | |
| CN108092290A (zh) | 一种联合储能容量配置与优化运行的微网能量配置方法 | |
| 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 | |
| CN110350527A (zh) | 一种含分布式电源的增量配电网双层优化配置方法 | |
| CN108964124A (zh) | 增量配电网中计及电价响应的分布式电源并网优化配置方法 | |
| Li et al. | Optimal planning of Electricity–Hydrogen hybrid energy storage system considering demand response in active distribution network |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191119 |