CN111030084A - 一种考虑系统恢复过程中机组状态的负荷恢复优化方法 - Google Patents
一种考虑系统恢复过程中机组状态的负荷恢复优化方法 Download PDFInfo
- Publication number
- CN111030084A CN111030084A CN201911131101.1A CN201911131101A CN111030084A CN 111030084 A CN111030084 A CN 111030084A CN 201911131101 A CN201911131101 A CN 201911131101A CN 111030084 A CN111030084 A CN 111030084A
- Authority
- CN
- China
- Prior art keywords
- load
- recovery
- state
- honey source
- honey
- 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.)
- Withdrawn
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
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种考虑系统恢复过程中机组状态的负荷恢复优化方法,利用逻辑偏好描述语言来建立考虑机组状态的负荷优选,建立负荷恢复的非线性模型,采用人工蜂群算法求解模型,获得考虑机组状态的负荷恢复线路和时间。该方法包括:1、构建考虑系统恢复过程中机组状态的负荷优选分级知识库;2、建立考虑系统恢复过程中机组状态的负荷优化偏好策略集;3、建立考虑系统恢复过程中机组状态的负荷恢复优化模型;4、采用人工蜂群算法对负荷恢复优化模型进行求解,得到考虑系统恢复过程中机组状态的负荷的恢复线路和时间。该方法能够对系统恢复过程中的负荷恢复进行优化,确保重要负荷能够快速恢复,并提供合理的负荷恢复方案。
Description
技术领域
本发明属于电网技术领域,特别是一种考虑系统恢复过程中机组状态的负荷恢复优化方法。
背景技术
随着国民经济的不断发展,社会各方面对电力的需求越来越大,电力系统的规模也不断扩大。伴随着电网发展的同时,网络之间的联系越来越紧密,电力元器件的结构越来越复杂,小范围的电网故障引起大范围的停电事故的概率也在不断增大。由于电力系统的运行环境非常复杂,自然灾害、电力供不应求、用电线路老化和人为误操作等都可能引发故障。事故一旦发生,将会造成经济损失和社会影响。小范围事故在严重的情况下可能会导致大面积全网停电,影响国民生产生活、危害国民安全。因此,研究停电后的系统恢复,实现快速稳定地恢复电网的供电对于电网运行具有重要意义。
目前有大量关于系统恢复过程中负荷恢复的研究,大部分研究考虑到暂态电压的影响、交流潮流约束、旋转备用约束、负荷恢复成本和负荷重要性以及负荷恢复对后续过程的影响,以负荷恢复量最大和负荷恢复时间最短为目标,建立了负荷恢复优化的混合整数非线性模型。但在上述研究中,并没有考虑到火力发电机组的启动特性,在网架重构中机组恢复的负荷只是最佳恢复路径上的负荷,而不在恢复路径上的负荷则由其他线路恢复,需要额外的恢复时间。而由于火力发电机组的启动特性,额外的恢复时间可能会导致热启动发电机的时间延迟,并降低电力系统的恢复效率。所以,必须将火力发电机组的启动特性考虑进来,建立合适的模型,对发电机组最大热启动时间和最小冷启动时间的时间间隔内的负荷恢复进行优化;但是现有技术中尚无有效的优化方案。
发明内容
本发明的目的在于提供一种考虑系统恢复过程中机组状态的负荷恢复优化方法。
实现本发明目的的技术解决方案为:一种考虑系统恢复过程中机组状态的负荷恢复优化方法,包括如下步骤:
步骤1、构建考虑系统恢复过程中机组状态的负荷优选分级知识库;
步骤2、建立考虑系统恢复过程中机组状态的负荷优化偏好策略集;
步骤3、建立考虑系统恢复过程中机组状态的负荷恢复优化模型;
步骤4、采用人工蜂群算法对负荷恢复优化模型进行求解,得到考虑系统恢复过程中机组状态的负荷的恢复线路和时间。
本发明与现有技术相比,其显著优点为:1)本发明的方法考虑系统恢复过程中的机组状态,采用逻辑偏好语言进行负荷优选,模型简单,易于求解,利用本发明可以得到具有更高恢复效率的负荷恢复方案;2)本发明可以适用于火电机组参与的停电后系统恢复过程中,具有很高的工程价值。
下面结合附图对本发明作进一步详细描述。
附图说明
图1为本发明的一种考虑系统恢复过程中机组状态的负荷恢复优化方法流程图。
图2为IEEE39节点系统拓扑图。
图3为负荷恢复结果示意图。
具体实施方式
结合图1,本发明的一种考虑系统恢复过程中机组状态的负荷恢复优化方法,包括如下步骤:
步骤1、构建考虑系统恢复过程中机组状态的负荷优选分级知识库,具体操作步骤为:
步骤1-1、根据停电系统中负荷的位置,将负荷分为三类并分别存储在三个集合中,其中,集合A包含位于最佳恢复路径上的负荷,集合B包含位于相邻恢复路径上的负荷,集合C包含远离最佳恢复路径的负荷;
步骤1-2、将机组的恢复状态分为两类,一类是机组启动时间小于等于最大热启动时间或者大于最小冷启动时间,另一类是机组启动时间等于最小冷启动时间;
步骤1-3、根据不同的机组恢复状态,指定不同的负荷优先级。负荷到最佳恢复路径的距离决定负荷的优先级,为了避免恢复最佳路径以外的多余线路,影响系统恢复的效率,位于最佳恢复路径上的负荷的优先级设置为最高级别2。如果发电机组的启动时间小于等于最大热启动时间或者大于最小冷启动时间,那么其他位置的负荷的优先级都设置为较低级别1;如果发电机组的启动时间等于最小冷启动时间,即在最大热启动时间和最小冷启动时间的时间间隔内,没有发电机组启动,为了在所述的时间间隔内恢复更多的负荷,则将位于相邻恢复路径上的负荷的优先级也设置为最高级别2,而远离最佳恢复路径的负荷的优先级仍然设置为较低级别1;
步骤1-4、将不同机组恢复状态下的负荷优先级情况构建成为一个负荷优选的分级知识库,其模型为:
式中,K1——分级知识库表示的第一个偏好关系,表示机组启动时间小于等于最大热启动时间或者大于最小冷启动时间的状态下的负荷优先级定义;
K2——分级知识库表示的第二个偏好关系,表示机组启动时间等于最小冷启动时间的状态下的负荷优先级定义;
A——最佳恢复路径上的负荷集合;
B——相邻恢复路径上的负荷集合;
C——远离最佳恢复路径上的负荷集合。
步骤2、建立考虑系统恢复过程中机组状态的负荷优化偏好策略集,具体为:
在系统恢复的过程中,负荷恢复应该优先恢复级别高的负荷,根据步骤1-4中所述的分级知识库里面定义的负荷优先级,采用一元取优算子T来描述负荷之间的偏好,建立考虑系统恢复过程中机组状态的负荷优化偏好策略集。所述一元取优算子T的具体含义为,当方案1满足的最重要目标比方案2满足的最重要目标更重要时,则优先使用方案1而不是方案2。考虑系统恢复过程中机组状态的负荷优化偏好策略集,可以表示为:
ti——发电机组i启动的时间;
Ticmax——发电机组i的最大热启动时间;
Ticmin——发电机组i的最小冷启动时间;
步骤3、建立考虑系统恢复过程中机组状态的负荷恢复优化模型,具体步骤如下:
步骤3-1、系统恢复过程中,负荷恢复的目标为尽快恢复尽可能多的重要负荷,所以步骤3所述的负荷恢复优化模型的优化目标为预期恢复负荷量的加权和最大,目标函数如下:
式中,n——系统中待恢复的负荷节点数;
mi——负荷节点i的出线数量;
ωij——负荷节点i的第j条出线的权重;
xij——负荷节点i的第j条出线的状态,为1表示已恢复,为0表示未恢复;
PLij——负荷节点i的第j条出线恢复的有功量;
步骤3-2、停电后系统恢复中需要考虑的约束条件,包括:
考虑机组状态的负荷优选约束,在系统恢复过程中,机组的恢复状态会影响负荷恢复,如果机组在最大热启动时间内或者在最小冷启动时间后启动,位于最佳恢复路径上的负荷进行恢复;如果在最大热启动和最小冷启动的时间间隔内无机组启动,位于相邻恢复路径上的负荷也可进行恢复,基于步骤2中所述的考虑系统恢复过程中机组状态的负荷优化偏好策略集,考虑机组状态的负荷优选约束的数学表达式为:
ti——发电机组i启动的时间;
Ticmax——发电机组i的最大热启动时间;
Ticmin——发电机组i的最小冷启动时间;
负荷最大恢复量约束,在系统恢复过程中,负荷的恢复是由已恢复的发电机组进行供电的,所以,在一个时步内的负荷恢复总量不可能大于发电机组出力的增加值,其数学表达式为:
式中,n——系统中待恢复的负荷节点数;
mi——负荷节点i的出线数量;
xij——负荷节点i的第j条出线的状态,为1表示已恢复,为0表示未恢复;
PLij——负荷节点i的第j条出线恢复的有功量;
ΔPΣ——所有已恢复的发电机组总的有功出力增加值;
NG——已恢复的发电机组的数量;
PGi(t+Δt)——已恢复的发电机组i在t+Δt时刻输出的有功功率;
PGi(t)——已恢复的发电机组i在t时刻输出的有功功率;
考虑暂态频率的单次最大负荷有功投入约束,系统恢复过程中,已恢复系统发电容量较正常时小很多,单次负荷恢复量过大可能会造成较大的系统频率偏移。通过典型的原动机组的频率响应可以估算出给定负荷恢复量下的频率偏移量,因此,为保证系统的暂态频率波动在安全范围内,必须对负荷的单次投入量进行约束,其数学表达式为:
式中,PLmax——负荷单次投入的最大有功功率值;
Δfmax——暂态频率允许的最大偏移量;
NG——已恢复的发电机组的数量;
PNi——已恢复发电机组i的额定有功功率;
dfi——已恢复发电机组i的频率响应系数;
稳态潮流约束为:
式中,Pdi——节点i的有功注入功率;
Qdi——节点i的无功注入功率;
N——节点个数;
Vi——节点i的电压;
Vj——节点j的电压;
Gij——节点i与j之间的电导;
Bij——节点i与j之间的电纳;
δij——Vi与Vj的相角差。
步骤4、采用人工蜂群算法对负荷恢复优化模型进行求解,得到考虑系统恢复过程中机组状态的负荷的恢复线路和时间,包括如下步骤:
步骤4-1、初始化,输入系统参数并初始化人工蜂群算法的参数。所述系统参数包括系统的拓扑结构参数,线路和变压器的参数,发电机组的输出功率和发电机组总的最大有功增量;所述人工蜂群算法的参数包括蜜蜂的初始种群数N(种群中引领蜂和跟随蜂的数量各占一半),最大迭代次数MCN和蜜源最大开采次数Limit;
步骤4-2、生成蜜源,由步骤3-2中所述的负荷优选约束和单次最大负荷有功投入约束确定待恢复负荷节点的总出线数量D,初始时刻,N只蜜蜂全为侦查蜂,随机产生N个D维的0-1负荷恢复序列,生成一一对应的N个初始蜜源。按照步骤3-2所述的负荷最大恢复量约束和稳态潮流约束对每个蜜源对应的负荷恢复方案进行校验,若不满足约束,则重新生成蜜源;若满足约束,则对蜜源进行适应度计算,计算公式如下:
式中,fit——蜜源的适应度值;
n——系统中待恢复的负荷节点数;
mi——负荷节点i的出线数量;
ωij——负荷节点i的第j条出线的权重;
xij——负荷节点i的第j条出线的状态,为1表示已恢复,为0表示未恢复;
PLij——负荷节点i的第j条出线恢复的有功量;
根据适应度值对N个蜜源进行排序,前50%的蜜源对应为引领蜂,剩下的蜜源对应跟随蜂;
步骤4-3、引领蜂搜索蜜源,每个引领蜂在对应的蜜源附近进行邻域搜索,根据步骤4-2所述的适应度值计算公式计算新蜜源的适应度值,根据贪婪原则,如果新蜜源的适应度值比原蜜源大,则新的蜜源取代原蜜源,将已开采次数置0,否则,蜜源位置不变,已开采次数加1;
步骤4-4、跟随蜂选择蜜源,引领蜂将蜜源信息分享给跟随蜂,跟随蜂根据蜜源质量,以一定概率选择蜜源,每个蜜源被选择的概率的计算公式如下:
式中,Pi——蜜源i的被跟随蜂选择的概率;
fiti——蜜源i的适应度值;
SN——蜜源的总数;
步骤4-5、跟随蜂搜索蜜源,跟随蜂在步骤4-4所述的选择蜜源后,在所选蜜源附近进行邻域搜索,根据步骤4-2所述的适应度值计算公式计算新蜜源的适应度值,根据贪婪原则,如果新蜜源的适应度值比原蜜源大,则新的蜜源取代原蜜源,将已开采次数置0,并且该跟随蜂转变为引领蜂,否则,蜜源位置不变,已开采次数加1,跟随蜂不发生改变;
步骤4-6、记录最优蜜源,引领蜂和跟随蜂搜索结束后,迭代次数加1,并记录当前适应度值最大的最优蜜源;
步骤4-7、侦查蜂阶段,当蜜源开采次数达到最大开采次数Limit,与所述蜜源对应的蜜蜂将转变为侦查蜂,同时,生成1个满足步骤3-2所述的负荷最大恢复量约束和稳态潮流约束的D维的0-1负荷恢复序列,所述生成的负荷恢复序列取代原有的序列,对应的新蜜源取代原蜜源,并将新蜜源的开采次数置0;
步骤4-8、结束搜索,如果迭代次数达到最大迭代次数MCN,则搜索结束,输出最优的负荷恢复序列,得到最终的负荷恢复方案,否则,回到步骤4-3。
本发明的方法考虑系统恢复过程中的机组状态,采用逻辑偏好语言进行负荷优选,模型简单,易于求解,利用本发明可以得到具有更高恢复效率的负荷恢复方案。
下面结合实施例对本发明做进一步详细的描述:
实施例
(1)实例场景
以IEEE10机39节点系统为例,电网拓扑如图2所示,节点30处的自启动机组为抽水蓄能电站,节点31-39处的发电机组都为火力发电机组,具有冷热启动时间限制,每个发电机组的参数见下表1。每条传输线路的恢复时间为4min,发电机组的启动顺序已知,为37-33-35-34-32-31-38-39-36。
表1
(2)负荷恢复优化结果分析
由本专利所述一种考虑系统恢复过程中机组状态的负荷恢复优化方法求解得到的负荷的恢复线路和机组启动时间如表2所示,不考虑机组状态的负荷恢复结果如表3所示,两个方案的负荷恢复量对比如图3所示。
如表2所示,机组全部启动的时间为216min;如表3所示,不考虑机组状态的负荷恢复,机组全部启动时间为251min。由所述考虑机组状态的负荷恢复优化得到的负荷恢复方案中,前4个机组启动时间均在最大热启动时间内,机组32启动时间在最小冷启动时间后,在启动32号机组的过程中,有很长的时间间隔,大量的相邻恢复路径上的负荷在这段时间内恢复,大大减少了最终的恢复时间,提高了系统恢复的效率。
表2
表3
从图3中看出,相同时间内所述一种考虑系统恢复过程中机组状态的负荷恢复优化方法求解得到的负荷恢复量,比不考虑机组状态的方法求解得到的负荷恢复量要大,负荷的恢复速率大大提高。
从算例结果可以看出,本发明的方法考虑系统恢复过程中的机组状态,采用逻辑偏好语言进行负荷优选,模型简单,易于求解,利用本发明可以得到具有更高恢复效率的负荷恢复方案。本发明可以适用于含火电机组的大停电后系统恢复过程中,具有一定的理论价值和工程价值。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (5)
1.一种考虑系统恢复过程中机组状态的负荷恢复优化方法,其特征在于,包括以下步骤:
步骤1、构建考虑系统恢复过程中机组状态的负荷优选分级知识库;
步骤2、建立考虑系统恢复过程中机组状态的负荷优化偏好策略集;
步骤3、建立考虑系统恢复过程中机组状态的负荷恢复优化模型;
步骤4、采用人工蜂群算法对负荷恢复优化模型进行求解,得到考虑系统恢复过程中机组状态的负荷的恢复线路和时间。
2.根据权利要求1所述的考虑系统恢复过程中机组状态的负荷恢复优化方法,其特征在于,步骤1中所述的构建考虑系统恢复过程中机组状态的负荷优选分级知识库,具体步骤为:
步骤1-1、根据停电系统中负荷的位置,将负荷分为三类并分别存储在三个集合中,其中,集合A包含位于最佳恢复路径上的负荷,集合B包含位于相邻恢复路径上的负荷,集合C包含远离最佳恢复路径的负荷;
步骤1-2、将机组的恢复状态分为两类,一类是机组启动时间小于等于最大热启动时间或者大于最小冷启动时间,另一类是机组启动时间等于最小冷启动时间;
步骤1-3、根据不同的机组恢复状态,指定不同的负荷优先级,具体为:发电机组启动时间小于等于最大热启动时间或者大于最小冷启动时间时,将位于最佳恢复路径上的负荷的优先级设置为最高级别2,位于相邻恢复路径和远离最佳恢复路径的负荷的优先级设置为级别1;发电机组启动时间等于最小冷启动时间时,将位于最佳恢复路径和响铃恢复路径上的负荷的优先级都设置为最高级别2,远离最佳恢复路径的负荷的优先级设置为级别1;
步骤1-4、将不同机组恢复状态下的负荷优先级情况构建成一个负荷优选的分级知识库,其模型为:
式中,K1——分级知识库表示的第一个偏好关系,表示机组启动时间小于等于最大热启动时间或者大于最小冷启动时间的状态下的负荷优先级定义;
K2——分级知识库表示的第二个偏好关系,表示机组启动时间等于最小冷启动时间的状态下的负荷优先级定义;
A——最佳恢复路径上的负荷集合;
B——相邻恢复路径上的负荷集合;
C——远离最佳恢复路径上的负荷集合。
4.根据权利要求1所述的一种考虑系统恢复过程中机组状态的负荷恢复优化方法,其特征在于,步骤3中所述的建立考虑系统恢复过程中机组状态的负荷恢复优化模型,具体步骤为:
步骤3-1、构建负荷恢复优化模型目标函数:
式中,n——系统中待恢复的负荷节点数;
mi——负荷节点i的出线数量;
ωij——负荷节点i的第j条出线的权重;
xij——负荷节点i的第j条出线的状态,为1表示已恢复,为0表示未恢复;
PLij——负荷节点i的第j条出线恢复的有功量;
步骤3-2、确定停电后系统恢复中需要考虑的约束条件,包括:
考虑机组状态的负荷优选约束,其数学模型为:
ti——发电机组i启动的时间;
Ticmax——发电机组i的最大热启动时间;
Ticmin——发电机组i的最小冷启动时间;
负荷最大恢复量约束,其数学模型为:
式中,n——系统中待恢复的负荷节点数;
mi——负荷节点i的出线数量;
xij——负荷节点i的第j条出线的状态,为1表示已恢复,为0表示未恢复;
PLij——负荷节点i的第j条出线恢复的有功量;
ΔPΣ——所有已恢复的发电机组总的有功出力增加值;
NG——已恢复的发电机组的数量;
PGi(t+Δt)——已恢复的发电机组i在t+Δt时刻输出的有功功率;
PGi(t)——已恢复的发电机组i在t时刻输出的有功功率;
考虑暂态频率的单次最大负荷有功投入约束,其数学模型为:
式中,PLmax——负荷单次投入的最大有功功率值;
Δfmax——暂态频率允许的最大偏移量;
NG——已恢复的发电机组的数量;
PNi——已恢复发电机组i的额定有功功率;
dfi——已恢复发电机组i的频率响应系数;
稳态潮流约束,其数学模型为:
式中,Pdi——节点i的有功注入功率;
Qdi——节点i的无功注入功率;
N——节点个数;
Vi——节点i的电压;
Vj——节点j的电压;
Gij——节点i与j之间的电导;
Bij——节点i与j之间的电纳;
δij——Vi与Vj的相角差。
5.根据权利要求1所述的分布式电源参与主动配电网供电恢复优化方法,其特征在于,步骤4中所述的采用人工蜂群算法对负荷恢复优化模型进行求解,得到考虑系统恢复过程中机组状态的负荷的恢复线路和时间,具体步骤为:
步骤4-1、初始化,输入系统参数并初始化人工蜂群算法的参数;所述系统参数包括系统的拓扑结构参数,线路和变压器的参数,发电机组的输出功率和发电机组总的最大有功增量;所述人工蜂群算法的参数包括蜜蜂的初始种群数N,最大迭代次数MCN和蜜源最大开采次数Limit;
步骤4-2、生成蜜源,由步骤3-2中所述的负荷优选约束和单次最大负荷有功投入约束确定待恢复负荷节点的总出线数量D;初始时刻,N只蜜蜂全为侦查蜂,随机产生N个D维的0-1负荷恢复序列,生成一一对应的N个初始蜜源;按照步骤3-2所述的负荷最大恢复量约束和稳态潮流约束对每个蜜源对应的负荷恢复方案进行校验,若不满足约束,则重新生成蜜源;若满足约束,则对蜜源进行适应度计算,计算公式如下:
式中,fit——蜜源的适应度值;
n——系统中待恢复的负荷节点数;
mi——负荷节点i的出线数量;
ωij——负荷节点i的第j条出线的权重;
xij——负荷节点i的第j条出线的状态,为1表示已恢复,为0表示未恢复;
PLij——负荷节点i的第j条出线恢复的有功量;
根据适应度值对N个蜜源进行排序,前50%的蜜源对应为引领蜂,剩下的蜜源对应跟随蜂;
步骤4-3、引领蜂搜索蜜源,每个引领蜂在对应的蜜源附近进行邻域搜索,根据步骤4-2所述的适应度值计算公式计算新蜜源的适应度值,根据贪婪原则,如果新蜜源的适应度值比原蜜源大,则新的蜜源取代原蜜源,将已开采次数置0,否则,蜜源位置不变,已开采次数加1;
步骤4-4、跟随蜂选择蜜源,引领蜂将蜜源信息分享给跟随蜂,跟随蜂根据蜜源质量,选择蜜源,每个蜜源被选择的概率的计算公式如下:
式中,Pi——蜜源i的被跟随蜂选择的概率;
fiti——蜜源i的适应度值;
SN——蜜源的总数;
步骤4-5、跟随蜂搜索蜜源,跟随蜂在步骤4-4所述的选择蜜源后,在所选蜜源附近进行邻域搜索,根据步骤4-2所述的适应度值计算公式计算新蜜源的适应度值,根据贪婪原则,如果新蜜源的适应度值比原蜜源大,则新的蜜源取代原蜜源,将已开采次数置0,并且该跟随蜂转变为引领蜂,否则,蜜源位置不变,已开采次数加1,跟随蜂不发生改变;
步骤4-6、记录最优蜜源,引领蜂和跟随蜂搜索结束后,迭代次数加1,并记录当前适应度值最大的最优蜜源;
步骤4-7、侦查蜂阶段,当蜜源开采次数达到最大开采次数Limit,与所述蜜源对应的蜜蜂将转变为侦查蜂,同时,生成1个满足步骤3-2所述的负荷最大恢复量约束和稳态潮流约束的D维的0-1负荷恢复序列,所述生成的负荷恢复序列取代原有的序列,对应的新蜜源取代原蜜源,并将新蜜源的开采次数置0;
步骤4-8、结束搜索,如果迭代次数达到最大迭代次数MCN,则搜索结束,输出最优的负荷恢复序列,得到最终的负荷恢复方案,否则,返回步骤4-3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911131101.1A CN111030084A (zh) | 2019-11-19 | 2019-11-19 | 一种考虑系统恢复过程中机组状态的负荷恢复优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911131101.1A CN111030084A (zh) | 2019-11-19 | 2019-11-19 | 一种考虑系统恢复过程中机组状态的负荷恢复优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111030084A true CN111030084A (zh) | 2020-04-17 |
Family
ID=70200502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911131101.1A Withdrawn CN111030084A (zh) | 2019-11-19 | 2019-11-19 | 一种考虑系统恢复过程中机组状态的负荷恢复优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111030084A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112117761A (zh) * | 2020-09-14 | 2020-12-22 | 西安交通大学 | 基于改进网络权重的新能源电力系统恢复路径搜索方法 |
CN113794231A (zh) * | 2021-09-09 | 2021-12-14 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 计及sofc余热回收的微网优化配置方法、装置、设备和介质 |
-
2019
- 2019-11-19 CN CN201911131101.1A patent/CN111030084A/zh not_active Withdrawn
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112117761A (zh) * | 2020-09-14 | 2020-12-22 | 西安交通大学 | 基于改进网络权重的新能源电力系统恢复路径搜索方法 |
CN112117761B (zh) * | 2020-09-14 | 2021-12-28 | 西安交通大学 | 基于改进网络权重的新能源电力系统恢复路径搜索方法 |
CN113794231A (zh) * | 2021-09-09 | 2021-12-14 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 计及sofc余热回收的微网优化配置方法、装置、设备和介质 |
CN113794231B (zh) * | 2021-09-09 | 2023-09-12 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 计及sofc余热回收的微网优化配置方法、装置、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103279620B (zh) | 一种机组恢复顺序和路径同时优化的方法 | |
CN103955864B (zh) | 基于改进和声搜索算法的电力系统多目标差异化规划方法 | |
CN103746366B (zh) | 一种基于节点重要度的电力系统恢复方法 | |
CN105529701B (zh) | 一种基于人工蜂群算法的含直流换流站电源恢复路径优化方法 | |
CN102904256A (zh) | 一种电网快速自愈的方法和系统 | |
CN104868465A (zh) | 基于模糊机会约束的电力系统网架重构优化方法 | |
CN111092455A (zh) | 一种储能系统与已恢复机组联合运行的负荷恢复优化方法 | |
CN105337278A (zh) | 一种基于节点重要度评价矩阵的网络重构双层优化方法 | |
CN111030084A (zh) | 一种考虑系统恢复过程中机组状态的负荷恢复优化方法 | |
CN110445186B (zh) | 一种自同步微电网控制系统及二次调频控制方法 | |
CN106374453A (zh) | 一种电力系统重构方法 | |
Aziz et al. | Two-Stage MILP model for optimal skeleton-network reconfiguration of power system for grid-resilience enhancement | |
Liang et al. | Optimization of system partitioning schemes for power system black-start restoration based on genetic algorithms | |
Liu et al. | Start-up sequence of generators in power system restoration avoiding the backtracking algorithm | |
Xie et al. | Optimized dispatch of wind farms with power control capability for power system restoration | |
CN114398777B (zh) | 一种基于巴什博弈理论的电力系统灵活性资源配置方法 | |
CN103746406B (zh) | 快速切负荷火电机组的配置方法 | |
CN113078633B (zh) | 一种含可再生能源的输配电耦合系统恢复力提升方法 | |
CN115545340A (zh) | 一种考虑双重不确定性的综合能源站-网协同规划方法 | |
CN111313461B (zh) | 一种基于分步求解的黑启动分区方法 | |
CN115549175A (zh) | 基于风光不确定性的分布式电源辅助配电网黑启动方法 | |
CN112152264A (zh) | 基于鲁棒理论的高可再生能源渗透率电网恢复优化方法 | |
Lin et al. | A nested decomposition method and its application for coordinated operation of hierarchical electrical power grids | |
Xu et al. | An ABC algorithm for optimization of restoration path in a power grid with HVDC connection | |
Zaery et al. | Distributed cooperative control with lower generation cost for dc microgrid |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200417 |