CN110635518B - 一种基于光伏高渗透率的源网荷储优化方法 - Google Patents
一种基于光伏高渗透率的源网荷储优化方法 Download PDFInfo
- Publication number
- CN110635518B CN110635518B CN201910778907.3A CN201910778907A CN110635518B CN 110635518 B CN110635518 B CN 110635518B CN 201910778907 A CN201910778907 A CN 201910778907A CN 110635518 B CN110635518 B CN 110635518B
- Authority
- CN
- China
- Prior art keywords
- day
- constraint
- power
- scheduling
- load
- 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.)
- Active
Links
Images
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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于光伏高渗透率的源网荷储优化方法,包括如下步骤:S1:对配电网运行状况进行多时间尺度预测;S2:采用随机响应面法对配电网进行未来态势感知分析;S3:多时间尺度配电网优化调度与控制,所述步骤S1中,配电网运行状况包括分布式电源接入的光伏发电量、配电网线路负荷以及配电网配变负荷;所述的多时间尺度包括日前时间尺度和日内时间尺度;日前时间尺度预测为进行第2天24小时96节点的预测;日内时间尺度预测为进行15min一次的概率预测,生成下一时间断面的分布式光伏发电和负荷概率分布。本技术方案在保障电网安全可靠运行的前提下,实现高渗透率分布式能源的消纳,提高供电设备利用率,降低峰谷差。
Description
技术领域
本发明涉及配电自动化领域的优化调度领域,具体为一种基于光伏高渗透率的源网荷储优化方法。
背景技术
分布式发电因其具有能源利用效率高、环境负面影响小、提高能源供应可靠性和经济效益好等特点,成为近些年倍受关注的一种发电形式。随着包括风力发电、光伏发电等可再生能源发电技术的发展,新能源及可再生能源分布式发电日渐成为满足用电负荷持续增长需求、减少环境污染、治理雾霾、提高能源综合利用效率的一种可靠途径,为电力系统高效经济、节能环保运行提供了切实可行的技术途径,具有广阔的应用前景。
然而,分布式电源直接规模化接入电网将会造成电力系统对其难以管控,进而造成电能质量、供电可靠性、电网安全性与稳定性等多种问题。以海宁尖山地区高渗透率的分布式光伏为例,在配电网引入分布式光伏电源之后,改变了传统的单向辐射供电结构。分布式光伏电源受到外界的影响很大,其随机性、波动性和不可控性的特点比较明显,配电网中的光伏电源渗透率较高时易受到云层遮挡导致光伏输出功率降低等问题,导致配电网电压骤降、闪变等稳定性问题。同时,在供给侧和配电侧发生负荷不均衡时会使得调压难度增加。比如配电网处于轻载而光伏输出功率较大时,很容易导致潮流逆流,引发过电压等现象。
目前传统电网调度方式主要是针对负荷的变化,通过调度发电侧电源,最大限度地满足电网功率平衡,传统的配电网方式无法适应现有的大量分布式电源渗透的配电网情况,通过建设主动配电网网源荷储协调控制系统。通过对含区域分布式电源配电网的监控管理,实现分布式电源优化配置与消纳,在保障电网安全可靠运行的前提下,实现高渗透率分布式能源的消纳,提高供电设备利用率,降低峰谷差。
发明内容
本发明的目的是解决传统的配电网方式无法适应现有的大量分布式电源渗透的配电网情况,提出了一种基于光伏高渗透率的源网荷储优化方法,通过对含区域分布式电源配电网的监控管理,实现分布式电源优化配置与消纳,在保障电网安全可靠运行的前提下,实现高渗透率分布式能源的消纳,提高供电设备利用率,降低峰谷差。
为实现上述技术目的,本发明提供的一种技术方案是,一种基于光伏高渗透率的源网荷储优化方法,包括如下步骤:
S1:对配电网运行状况进行多时间尺度预测;
S2:采用随机响应面法对配电网进行未来态势感知分析;
S3:多时间尺度配电网优化调度与控制。
本方案中,主要预测对象包括配电网分布式光伏发电、配电网线路负荷、配电网配变负荷。时间尺度包括日前和日内两个时间尺度。日前进行第2天24小时96节点的预测。日内进行15min一次的概率预测,生成下一时间断面的分布式光伏发电和负荷概率分布。采用随机响应面法对配电网进行未来态势感知分析,聚焦于实时感知配电网的各种不确定性因素的变化,基于日内15min的分布式发电和负荷概率预测,通过概率潮流计算下一断面配电网系统的节点电压和支路潮流越限风险,综合评估系统的运行发展趋势。针对配电网中存在的柔直换流站、储能系统和分布式光伏等,进行日前、日内和实时的多时间尺度的调度与控制。其中,日前调度以配电网经济性为目标,日内调度以消除节点电压和支路潮流越限风险为目标,实时电压控制以电压合格和电压偏差最小为目标。日内调度基于配电网态势感知结果,综合考虑节点电压和支路潮流越限风险,在保证系统按照日前最大化光伏消纳率和收益成本的同时,通过调节柔直转供功率、储能充放电功率和分布式光伏无功,有效避免由光伏波动和不确定性引起的电压、潮流越限的风险情况,制定日内15min优化调度方案,实时电压控制为事件触发型控制,当系统节点出点电压越限情况时,系统进行实时电压控制。
所述步骤S1中,配电网运行状况包括分布式电源接入的光伏发电量、配电网线路负荷以及配电网配变负荷;所述的多时间尺度包括日前时间尺度和日内时间尺度;日前时间尺度预测为进行第2天24小时96节点的预测;日内时间尺度预测为进行15min一次的概率预测,生成下一时间断面的分布式光伏发电和负荷概率分布。
所述步骤S2中,采用随机响应面法的遵循如下步骤:
S22:输入标准化,将相互独立的输入随机变量用一组标准随机变量的函数关系表示;
S23:输出标准化,将待求输出响应用标准随机变量为自变量的Hermite混沌多项式表示;
S33:模型计算,选择适当的采样点,进行样本点的模型计算,确定混沌多项式的待定系数,得到输出响应的概率分布。
所述步骤S3中,多时间尺度配电网优化调度与控制包括有以配电网经济性为目标的日前调度、以消除节点电压和支路潮流越限风险为目标的日内调度以及以电压合格和电压偏差最小为目标的实时电压的控制。
选取光伏消纳率和储能收益成本为目标函数,选取节点电压越限风险、支路潮流越限风险作为目标函数的约束,进而确定整体最优的日前调度方案,所述日前调度包括定义日前调度目标函数以及制定日前调度约束条件;
所述日前调度目标函数公式如下:
maxF=maxαF1+βF2
其中F1为光伏消纳率,F2为储能收益成本;
所述日前调度约束条件包括有功率平衡约束、节点电压约束、分布式电源有功出力约束、储能运行约束、储能剩余能量约束、线路传输容量约束以及变压器负载率约束;
所述功率平衡约束公式如下:
所述节点电压约束公式如下:
Vi,min≤Vi≤Vi.max;
所述分布式电源有功出力约束公式如下:
式中,Pi PV,pre表示光伏的有功功率预测值;NV表示光伏的数量;
所述储能运行约束公式如下:
所述储能剩余容量约束公式如下:
SOCmin≤SOC≤SOCmax
SOCmax、SOCmin分别表示一天之后储能剩余容量的上下限;
所述线路传输容量约束公式如下:
所述变压器负载率约束公式如下:
fi≤fi,max。
选取光伏消纳率和储能收益成本为目标函数,选取节点电压越限风险、支路潮流越限风险作为目标函数的约束,进而确定整体最优的日内调度方案,所述日内调度包括定义日内调度目标函数以及制定内前调度约束条件;
所述日内调度目标函数和日前调度目标函数公式相同;
所述日内调度约束条件与所述日前调度约束条件中的有功率平衡约束、节点电压约束、分布式电源有功出力约束、储能运行约束、线路传输容量约束以及变压器负载率约束相同,还包括有风险机会约束;
所述风险机会约束公式如下:
所述的日前调度和日内调度的求解采用遗传算法求解;所述遗传算法求解包括如下步骤:
S31、控制变量编码:染色体编码形式采用实数编码;
S32、适应度计算:各个体对环境的适应程度;
S33、选择:是从种群中选择生命力强的染色体产生新种群的过程;
S34、交叉:选择两个个体将他们的部分基因互换;
S35、变异:以一定概率概率将个体的某个基因改变。
所述的实时电压控制为事件触发型控制,当系统节点出点电压越限情况时,系统进行实时电压控制,所述实时电压控制包括定义实时电压目标函数以及实时电压约束条件;
所述节点电压的目标函数如下:
由公式可知实时控制的目标函数为节点电压偏离电压额定值最小;
所述实时控制约束条件与所述日前调度约束条件的有功率平衡约束、节点电压约束、分布式电源有功出力约束、储能运行约束、线路传输容量约束以及变压器负载率约束相同。
本发明的有益效果:本发明通过设计一种基于光伏高渗透率的源网荷储优化方法,实现对含区域分布式电源配电网分布式电源优化配置与消纳,在保障电网安全可靠运行的前提下,实现高渗透率分布式能源的消纳,提高供电设备利用率,降低峰谷差,降低线路损耗。
附图说明
图1为本实施例一种基于光伏高渗透率的源网荷储优化方法的流程图。
图2为本实施例一种基于光伏高渗透率的源网荷储优化方法的遗传算法流程图。
图3为本实施例一种基于光伏高渗透率的源网荷储优化方法的日内调度流程图。
具体实施方式
为使本发明的目的、技术方案以及优点更加清楚明白,下面结合附图和实施例对本发明作进一步详细说明,应当理解的是,此处所描述的具体实施方式仅是本发明的一种最佳实施例,仅用以解释本发明,并不限定本发明的保护范围,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他实施例,都属于本发明保护的范围。
如图1所示,一种基于光伏高渗透率的源网荷储优化方法的流程图,柔性直流换流站是柔性直流换流站实现了高压直流和低压交直流电网的互联,为光伏、储能等分布式电源提供通用接口,解决交直流负荷灵活接入,实现配电系统的灵活配置和多种模式控制。储能站实现电能量的化学存储,平衡新能源发电系统功率输出,本优化方法的具体步骤为:
S1、对配电网分布式发电和负荷进行多时间尺度预测。主要预测对象包括配电网分布式光伏发电、配电网线路负荷、配电网配变负荷。时间尺度包括日前和日内两个时间尺度。日前进行第2天24小时96节点的预测。日内进行15min一次的概率预测,生成下一时间断面的分布式光伏发电和负荷概率分布;
S2、采用随机响应面法(SRSM)进行未来态势感知分析,聚焦于实时感知配电网的各种不确定性因素的变化。基于日内15min的分布式发电和负荷概率预测,通过概率潮流计算下一断面配电网系统的节点电压和支路潮流越限风险,综合评估系统的运行发展趋势;
具体分析方法如下:
S21、输入标准化,将相互独立的输入随机变量用一组标准随机变量的函数关系表示;
S22、输出标准化,将待求输出响应用标准随机变量为自变量的Hermite混沌多项式表示;
S23、模型计算,选择适当的采样点,进行样本点的模型计算,确定混沌多项式的待定系数,得到输出响应的概率分布。
对于任意模型F,输出响应y与n维随机输入变量X=[x1,x2,…,xn]T映射关系可表示为
y=F(X)=F(x1,x2,…,xn)
首先,将输入随机变量X标准化,通常选择标准正态分布作为标准随机变量,建立X与标准随机变量的映射关系:
X=f-1(Φ(ξ))
式中:ξ=[ξ1,ξ2,…,ξn],为n维标准正态分布随机变量;f-1(Φ(ξ))为X的累积概率分布函数的反函数;Φ(ξ)为标准正态分布的累积概率分布函数。
其次,将输出响应y表达为以ξ为自变量的Hermite混沌多项式,Hermite多项式阶数越高、m越大时,混沌多项式对输出响应y模拟的精度越高,但同时待定系数的个数N也越大。大量实测表明,当m≥3时,增加阶数m对提高精度的影响已不明显,一般采用2阶或3阶的Hermite混沌多项式,本文采用2阶混沌多项式:
最后,选择适当的采样点,进行各样本的模型计算,确定式中的待定系数。
采样选取原则是:最高阶为m阶的混沌多项式待定系数的确定,可选取0和m+1阶Hermit多项式的根作为采样点,即每个样本点的各个标准随机变量ξi都取0或m+1阶Hermite多项式的根。对于2阶混沌多项式,一维3阶Hermite多项式方程为其根分别为同时选取采样点尽量靠近原点,关于原点对称布置采样点。
混沌多项式待定系数个数N为:
n为输入变量个数,m为Hermite多项式阶数。因此需选取N个采样点;根据ξ采样点取值,确定随机输入变量X的样本,计算各样本模型F,得到各样本输出响应值,求解N阶线性方程组,即可确定待定系数。
在本项目中,如果考虑光伏预测有功功率P为正态分布,且有功负荷功率以PLi为均值,以σi为标准差,则P概率密度函数为:
则光伏有功功率用标准正态分布随机变量ξi表示为:
P=PLi+σiξi
通过潮流计算求取对应采样点节点电压或支路潮流,求解线性方程组解得相应待定系数,即可求出节点电压或支路潮流的概率分布。
S3、多时间尺度配电网优化调度与控制。针对配电网中存在的柔直换流站、储能系统和分布式光伏等,进行日前、日内和实时电压的多时间尺度的调度与控制。其中,日前调度以配电网经济性为目标,日内调度以消除节点电压和支路潮流越限风险为目标,实时电压控制以电压合格和电压偏差最小为目标。
日前调度
日内调度基于配电网态势感知结果,综合考虑节点电压和支路潮流越限风险,在保证系统按照日前最大化光伏消纳率和收益成本的同时,通过调节柔直转供功率、储能充放电功率和分布式光伏无功,有效避免由光伏波动和不确定性引起的电压、潮流越限的风险情况,制定日内15min优化调度方案。实时电压控制为事件触发型控制,当系统节点出点电压越限情况时,系统进行实时电压控制。
具体日前调度的目标函数如下:
maxF=maxαF1+βF2
其中F1为光伏消纳率,F2为储能收益成本。
日前调度约束条件:
功率平衡约束:
节点电压约束:
Vi,min≤Vi≤Vi.max
分布式电源有功出力约束:
式中,Pi PV,pre表示光伏的有功功率预测值;NV表示光伏的数量。
储能运行约束:
储能剩余容量约束:
SOCmin≤SOC≤SOCmax
SOCmax、SOCmin分别表示一天之后储能剩余容量的上下限。
线路传输容量约束(包括柔直线路容量):
变压器负载率约束:
fi≤fi,max。
日前日内调度方案的求解采用遗传算法求解,遗传算法涉及到控制变量编码、适应度计算、选择、交叉、变异等重要操作,如图2所示遗传算法流程图,包括如下步骤:
S31、控制变量编码:项目中染色体编码形式采用实数编码,每个染色体为1×96向量,每列对应各时刻储能充放电功率或柔直转供功率。
S32、适应度计算:各个体对环境的适应程度。项目中采用目标函数的值作为遗传算法适应度,求解目标函数时要考虑约束条件。
S33、选择:是从种群中选择生命力强的染色体产生新种群的过程。每个染色体的适应性越强越易被选中。项目中使用轮盘赌的选择方式,其基本思想是:各个个体被选中的概率与其适应度大小成正比。
S34、交叉:选择两个个体将他们的部分基因互换。对于两个父代染色体,生成0-1随机数α和介于1-96的随机交叉位,对于待交叉基因X1和X2,交叉后的基因X1,cross和X2,cross分别为:
X1,cross=α*X1+(1-α)X2,X2,cross=α*X2+(1-α)X1。
S35、变异:以一定概率概率将个体的某个基因改变。对于父代染色体,随机选择产生变异的起始位和终止位,随机生成0-1随机数α,对于待变异基因X3,变异后基因X3,mutation为:
X3,mutation=X3,min+α(X3,max-X3,min)。
日内调度
图3所示为日内调度流程图,日内调度的控制对象为储能充放电功率、分布式光伏无功、柔直转供功率,日内调度方案生成下15min时间断面的储能充放电功率、分布式光伏无功、柔直转供功率。
电压风险指标通过随机响应面法和概率潮流结合求得节点电压的概率分布。
基于1.05、0.95为节点电压标幺值允许范围的上下限,得到各节点的电压越限风险,其计算公式如下:
潮流风险指标Pp,t,i与电压风险指标计算方法类似。
对于光伏消纳率、储能收益成本、节点电压越限风险、支路潮流越限风险的多目标优化问题,选取光伏消纳率和储能收益成本为目标函数,选取节点电压越限风险、支路潮流越限风险作为目标函数的约束,进而确定整体最优的日内调度方案。
日内调度目标函数与日前相同,日内调度约束条件与日前调度约束条件中的有功率平衡约束、节点电压约束、分布式电源有功出力约束、储能运行约束、线路传输容量约束以及变压器负载率约束相同,还包括有风险机会约束;
新增三个风险机会约束的公式如下:
实时电压控制
实时电压控制为事件触发型控制,当系统节点出点电压越限情况时,系统进行实时电压控制。
电压灵敏度计算时利用牛拉法潮流计算,可得极坐标形式的修正方程,即
正常运行情况下,电压相角θij较小,电压幅值的标幺值在1.0p.u.附近,由此对雅克比矩阵进行简化,并进行高斯消去,得到电压灵敏度,如下式所示:
ΔV=((B+Q)(G-P)-1(B-Q)+(G+P))-1ΔP
-((G-P)(B+Q)-1(G+P)+(B-Q))-1ΔQ
式中,B和G分别为节点导纳阵的实部和虚部,P和Q分别为节点注入的有功功率和无功功率的对角阵,其对角元素分别为Pi/Vi 2和Qi/Vi 2。
实时控制的目标函数为节点电压偏离电压额定值最小,
约束条件为与日前约束相比,减少储能剩余容量约束。
以上所述之具体实施方式为本发明一种基于光伏高渗透率的源网荷储优化方法的较佳实施方式,并非以此限定本发明的具体实施范围,本发明的范围包括并不限于本具体实施方式,凡依照本发明之形状、结构所作的等效变化均在本发明的保护范围内。
Claims (6)
1.一种基于光伏高渗透率的源网荷储优化方法,其特征在于:包括如下步骤:
S1:对配电网运行状况进行多时间尺度预测;
S2:采用随机响应面法对配电网进行未来态势感知分析;
S3:多时间尺度配电网优化调度与控制,多时间尺度配电网优化调度与控制包括有以配电网经济性为目标的日前调度、以消除节点电压和支路潮流越限风险为目标的日内调度以及以电压合格和电压偏差最小为目标的实时电压的控制;
选取光伏消纳率和储能收益为目标函数,选取节点电压越限风险、支路潮流越限风险作为目标函数的约束,进而确定整体最优的日前调度方案,所述日前调度包括定义日前调度目标函数以及制定日前调度约束条件;
所述日前调度目标函数公式如下:
maxF=maxαF1+βF2
其中F1为光伏消纳率,F2为储能收益;
所述日前调度约束条件包括有功率平衡约束、节点电压约束、分布式电源有功出力约束、储能运行约束、储能剩余能量约束、线路传输容量约束以及变压器负载率约束;
所述功率平衡约束公式如下:
所述节点电压约束公式如下:
Vi,min≤Vi≤Vi.max
所述储能运行约束公式如下:
所述储能剩余容量约束公式如下:
SOCmin≤SOC≤SOCmax
SOCmax、SOCmin分别表示一天之后储能剩余容量的上下限;
所述线路传输容量约束公式如下:
所述变压器负载率约束公式如下:
fi≤fi,max。
2.根据权利要求1所述的一种基于光伏高渗透率的源网荷储优化方法,其特征在于:所述步骤S1中,配电网运行状况包括分布式电源接入的光伏发电量、配电网线路负荷以及配电网配变负荷;所述的多时间尺度包括日前时间尺度和日内时间尺度;日前时间尺度预测为进行第2天24小时96节点的预测;日内时间尺度预测为进行15min一次的概率预测,生成下一时间断面的分布式光伏发电和负荷概率分布。
3.根据权利要求1所述的一种基于光伏高渗透率的源网荷储优化方法,其特征在于:所述步骤S2中,采用随机响应面法的遵循如下步骤:
S22:输入标准化,将相互独立的输入随机变量用一组标准随机变量的函数关系表示;
S23:输出标准化,将待求输出响应用标准随机变量为自变量的Hermite混沌多项式表示;
S33:模型计算,选择适当的采样点,进行样本点的模型计算,确定混沌多项式的待定系数,得到输出响应的概率分布。
5.根据权利要求4所述的一种基于光伏高渗透率的源网荷储优化方法,其特征在于:所述的日前调度和日内调度的求解采用遗传算法求解;所述遗传算法求解包括如下步骤:
S31、控制变量编码:染色体编码形式采用实数编码;
S32、适应度计算:各个体对环境的适应程度;
S33、选择:是从种群中选择生命力强的染色体产生新种群的过程;
S34、交叉:选择两个个体将他们的部分基因互换;
S35、变异:以一定概率将个体的某个基因改变。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910778907.3A CN110635518B (zh) | 2019-08-22 | 2019-08-22 | 一种基于光伏高渗透率的源网荷储优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910778907.3A CN110635518B (zh) | 2019-08-22 | 2019-08-22 | 一种基于光伏高渗透率的源网荷储优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110635518A CN110635518A (zh) | 2019-12-31 |
CN110635518B true CN110635518B (zh) | 2022-05-24 |
Family
ID=68970513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910778907.3A Active CN110635518B (zh) | 2019-08-22 | 2019-08-22 | 一种基于光伏高渗透率的源网荷储优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110635518B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112467746B (zh) * | 2020-11-21 | 2022-11-01 | 东南大学 | 一种考虑越限风险的配电网优化方法 |
CN112600218B (zh) * | 2020-11-30 | 2022-07-29 | 华北电力大学(保定) | 含光伏储能系统的电网无功电压多时间尺度优化控制方法 |
CN112836936B (zh) * | 2021-01-08 | 2023-11-24 | 国家电网有限公司 | 面向电力传感网络感知层规划的风险因素筛选方法及系统 |
CN113675881A (zh) * | 2021-07-21 | 2021-11-19 | 国网浙江省电力有限公司电力科学研究院 | 基于虚拟聚合的分布式光伏电站群控群调控制方法及系统 |
CN113285485B (zh) * | 2021-07-23 | 2021-10-08 | 南京邮电大学 | 长、短及多时间尺度下配电网源网荷储多端协同调压方法 |
CN117239770B (zh) * | 2023-11-15 | 2024-03-19 | 广东电网有限责任公司中山供电局 | 一种分布式电源电压实时控制方法和系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107528345A (zh) * | 2017-09-30 | 2017-12-29 | 国电南瑞科技股份有限公司 | 一种多时间尺度的网源荷储协调控制方法 |
CN109217364A (zh) * | 2018-09-10 | 2019-01-15 | 国网冀北电力有限公司张家口供电公司 | 大规模分布式电源消纳的光伏-储能容量优化配置策略 |
-
2019
- 2019-08-22 CN CN201910778907.3A patent/CN110635518B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107528345A (zh) * | 2017-09-30 | 2017-12-29 | 国电南瑞科技股份有限公司 | 一种多时间尺度的网源荷储协调控制方法 |
CN109217364A (zh) * | 2018-09-10 | 2019-01-15 | 国网冀北电力有限公司张家口供电公司 | 大规模分布式电源消纳的光伏-储能容量优化配置策略 |
Non-Patent Citations (1)
Title |
---|
基于随机响应面的含光伏电力系统概率潮流计算;任洲洋等;《中国高等学校电力系统及其自动化专业第30届学术年会》;20161031;第1-4页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110635518A (zh) | 2019-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110635518B (zh) | 一种基于光伏高渗透率的源网荷储优化方法 | |
Moghaddam et al. | Optimal sizing and energy management of stand-alone hybrid photovoltaic/wind system based on hydrogen storage considering LOEE and LOLE reliability indices using flower pollination algorithm | |
El-Bidairi et al. | A hybrid energy management and battery size optimization for standalone microgrids: A case study for Flinders Island, Australia | |
Athari et al. | Operational performance of energy storage as function of electricity prices for on-grid hybrid renewable energy system by optimized fuzzy logic controller | |
Akorede et al. | Effective method for optimal allocation of distributed generation units in meshed electric power systems | |
CN108875992B (zh) | 一种考虑需求响应的虚拟电厂日前优化调度方法 | |
Wang et al. | Analysis of operation cost and wind curtailment using multi-objective unit commitment with battery energy storage | |
Jiao et al. | Multi-objective mean-semi-entropy model for optimal standalone micro-grid planning with uncertain renewable energy resources | |
Qiu et al. | Resilience-oriented multistage scheduling for power grids considering nonanticipativity under tropical cyclones | |
CN111030188A (zh) | 一种含分布式和储能的分层分级控制策略 | |
CN116911076B (zh) | 多微电网对配电网的韧性支撑仿真方法、装置和电子设备 | |
CN112508731A (zh) | 一种考虑主动管理模式的分布式电源优化配置方法 | |
CN111311012A (zh) | 基于多智能体的微电网电力市场双层竞价优化方法 | |
Sallam et al. | Optimal sizing of different energy sources in an isolated hybrid microgrid using turbulent flow water-based optimization algorithm | |
Li et al. | A dynamic multi-constraints handling strategy for multi-objective energy management of microgrid based on MOEA | |
CN117833285A (zh) | 一种基于深度强化学习的微电网储能优化调度方法 | |
Chen et al. | A Novel Approach Based on Modified and Hybrid Flower Pollination Algorithm to Solve Multi-objective Optimal Power Flow. | |
Aeggegn et al. | Optimal sizing of grid connected multi-microgrid system using grey wolf optimization | |
CN113364043A (zh) | 一种基于条件风险价值的微电网群优化方法 | |
CN113158412B (zh) | 一种基于布谷鸟算法的光储电站协同优化方法 | |
CN112583053A (zh) | 一种含分布式风电的微网能量优化调度方法 | |
Barukčić et al. | Research on node voltage indices for battery storage management through fuzzy decision making in power distribution networks | |
CN117175639B (zh) | 与储能单元协调配套的配电自动化方法及系统 | |
Gong et al. | Medium and long term wind power generation forecast based on OWA combined model and Markov chain | |
Li et al. | Influence on Stability Analysis in Distributed Smart Grids Using Computer Aimed Digital Decision Trees |
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 |