CN111049143A - 接入光储充电塔的配电网多点线性随机潮流获取应用方法 - Google Patents
接入光储充电塔的配电网多点线性随机潮流获取应用方法 Download PDFInfo
- Publication number
- CN111049143A CN111049143A CN201811187546.7A CN201811187546A CN111049143A CN 111049143 A CN111049143 A CN 111049143A CN 201811187546 A CN201811187546 A CN 201811187546A CN 111049143 A CN111049143 A CN 111049143A
- Authority
- CN
- China
- Prior art keywords
- power
- charging
- tower
- dynamic
- charging tower
- 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.)
- Granted
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
- H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
- H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/12—Electric charging stations
Abstract
本发明涉及接入光储充电塔的配电网多点线性随机潮流获取应用方法,属于配电网系统技术领域。该方法先获取光储充电塔构成部分的基础数据,并构建相应的动态概率模型,通过蒙特卡罗模拟采样生成光储充电塔及其构成部分的动态随机样本,然后对该动态随机样本进行多区域划分,通过先建立单点线性化潮流方程后在各区域分时段对该潮流方程进行多点线性处理形成多时段多点随机潮流方程,再按照多个时段下多点线性潮流方程进行求解,得到充电塔接入配电网后状态变量的动态概率密度以及动态潮流;最后将该动态潮流用于考虑光储充电塔接入的配电网潮流分析。
Description
技术领域
本发明涉及一种接入光储充电塔的配电网的随机潮流获取及应用方法,属于配电网系统技术领域。
背景技术
21世纪后,能源危机和环境污染日益受到世界各国的关注,促使全球能源消耗方式向着绿色、高效和清洁的方向发展。目前而言,在学术界普遍认为,发展以集中式、分布式可再生能源以及电动汽车是应对能源危机和环境污染的有效途径。其中,电动汽车在节能减排、遏制气候变暖以及保障石油供应安全等方面有着传统汽车无法比拟的优势,受到了各国政府、汽车生产商以及能源企业的广泛关注。
发展电动汽车,势必要大力建设充电设施,被誉为“空中花园”充电塔,为解决电动汽车充电、智慧城市与智慧交通问题提供了全新的解决方案,有助于探索充电设施运营商业模式,有助于充电设施的集中管理,有助于缓解充换电基础设施建设用地与城市土地供给不足之间的矛盾。以光储充为代表的智能充电塔的建设既是机遇,亦是挑战。光储充电塔系统作为一种新型的电动汽车充电装置,将充电设施与分布式电源、储能、电动汽车等设备相融合,具备“源-荷”双重特性,可以主动参与电网运行控制,与电网进行双向互动。与此同时,分布式电源、电动汽车等在时间和空间上具有间歇性及不确定性,目前尚无法对其进行准确的预测。此外,储能的大量应用将给电网生产主要环节带来重大影响,光储充电塔系统并网运行将对电网的安全和稳定造成一定的冲击,将给电力运行控制与协调调度带来全新的挑战。因此,准确且快速地进行计及不确定性的接入光储充电塔的配电网潮流计算,对于评估光储充电塔接入对配电网系统的稳定运行和降低潜在风险具有十分重要的意义。
发明内容
本发明要解决的技术问题是:对于接入光储充电塔的配电网,提出一种更加精确的随机潮流获取方法,并应用该方法获得的随机潮流分布值来更准确地分析该配电网的潮流分布。
本发明为解决上述技术问题提出的技术方案是:一种接入光储充电塔的配电网多点线性随机潮流获取应用方法,所述光储充电塔内含光伏发电系统、储能系统、电动汽车充电系统以及所述充电塔用电系统;包括以下步骤:
步骤1:计算获取所述充电塔的基础数据,所述基础数据包括所述光伏发电的固定输出功率、所述储能系统的固定充放电功率、所述电动汽车的固定总充电功率和所述充电塔的用电负荷和所述充电塔的固定总功率;
所述光伏发电的固定输出功率按照下式计算获得:
所述电动汽车的固定总充电功率按照下式计算获得:
式中:PEV表示电动汽车的固定总充电功率,nEV表示充电塔所处地区电动汽车保有量总数,PEV,i表示第i辆电动汽车的充电功率;
所述储能系统的固定充放电功率PESS由实际生产厂商提供;
所述充电塔的用电负荷PL以所述充电塔的实际用电负荷统计;
所述充电塔的固定总功率按照下式计算获得:
PS=PL+PEV+PESS-PPV;
步骤2:在所述基础数据的基础上计算获取所述充电塔的动态数据,所述动态数据包括所述光伏发电的动态随机输出功率、所述电动汽车充电动态随机总功率、所述充电塔的动态随机用电负荷、所述储能系统的动态充放电功率和所述充电塔动态随机有功功率;
所述光伏发电的动态随机输出功率、所述电动汽车充电动态随机总功率、所述充电塔的动态随机用电负荷和所述充电塔动态随机有功功率通过构建各动态随机概率模型并通过蒙特卡罗模拟采样生成各动态随机样本;
所述光伏发电的动态随机输出功率按照下式计算获得:
式中:PPV,t表示在t时段光伏发电的动态随机输出功率,
所述电动汽车的动态随机总充电功率按照下式:
式中:PEV,t表示在t时段电动汽车的动态随机总充电功率,PEV,i,t表示第i辆电动汽车在t时段的动态随机充电功率,ρEV,i,t表示第i辆电动汽车在t时段的预测充电功率,ΔρEV,i,t表示第i辆电动汽车在t时段的充电功率预测误差;
所述充电塔的动态随机用电负荷PL,t按照下式计算:
PL,t=ρL,t+ΔρL,t,ρL,t=PL×ηL,t
式中:ηL,t是在t时段充电塔用电负荷系数,ρL,t是在t时段充电塔预测用电功率,ΔρL,t是在t时段的充电塔用电功率预测误差;
所述储能系统的动态充放电功率PESS,t由人工调度按照每时段给出数值范围为-200kW-200kW的确定值;
当所述光储充电塔接入到配电网时,所述充电塔的动态随机有功功率PS,t按照下式计算:
PS,t=PL,t+PEV,t+PESS,t-PPV,t;
步骤3:
采用线性交流模型,在所述配电网的节点电压和支路潮流的基准点处对潮流方程进行泰勒级数展开建立某一时段的单点线性化潮流方程如下:
式中:X和X0分别为所述配电网节点电压的实际值和基准值,Z和Z0分别为所述配电网支路潮流的实际值和基准值;W和W0分别为所述充电塔的动态随机有功功率的实际值和基准值,S0和T0为灵敏度矩阵,其中J0为雅可比矩阵,
对上述某一时段划分m个线性化区域,在此基础上考虑多个时段影响,得到多个时段下多点线性潮流方程如下:
所述m的数值范围是2-10;所述t的数值范围是1-24;
步骤4:将第2步骤中所述的各动态随机样本代入上述第3步骤中的某一时段下单点线性潮流方程进行计算,得到某一时段t状态变量概率分布特征值,再按照所述多个时段下多点线性潮流方程进行求解,得到状态变量动态概率密度值作为所述充电塔接入配电网后的动态潮流值;将所述动态潮流值用于所述配电网的潮流分析。
进一步的完善一是,所述步骤2中:
PEV,i,t根据下式计算获得:
式中:D表示日行驶距离,TS表示最后一次返回时刻;TC表示充电持续时间,Pcr表示电动汽车的恒定功率
式中:W100表示百公里耗电量,ηC表示充电效率;
ΔpEV,i,t根据电动汽车实际厂商提供。
进一步的完善二是,所述最后一次返回时刻TS按照以下概率密度函数形成正态分布:
式中,μS和σS分别表示正态分布的期望和标准差;
所述日行驶距离D按照以下概率密度函数形成正态分布:
式中:μD和σD分别表示lnD的期望和标准差。
本发明上述技术方案及其运用的有益效果:(1)考虑光储充电塔接入配电网并计算获得充电塔的基础数据和动态数据;(2)建立多点多时段的线性蒙特卡罗法求解潮流方程,并代入基础数据和动态数据,从而获得状态变量动态概率密度特征值,即充电塔接入配电网后的动态潮流分布值,采用多点线性化潮流计算能够大幅度提升计算效率并减小潮流线性化带来的误差;(3)将获取的动态潮流分布值运用于实际分析,能够准确分析充电塔接入对配电网潮流分布影响,所得概率分布使调度人员对充电塔安全运行有更清晰的认识。
附图说明
下面结合附图对本发明作进一步说明。
图1为光储充电塔内部结构示意图
图2为改进IEEE33节点配电网接线图
图3为充电塔储能子系统日前各时段优化后充、放电功率
图4为随机变量PDF曲线的多区域划分示意图
图5为节点17电压幅值的动态概率密度函数曲线
具体实施方式
实施例
本实施例的接入光储充电塔的配电网多点线性随机潮流获取方法,光储充电塔内含光伏发电系统、储能系统、电动汽车充电系统以及充电塔用电系统,包括如下步骤:
步骤1:计算获取所述充电塔的基础数据,基础数据包括光伏发电的固定输出功率、储能系统的固定充放电功率、电动汽车的固定总充电功率和充电塔的用电负荷和充电塔的固定总功率;
光伏发电的固定输出功率按照下式计算获得:
电动汽车的固定总充电功率按照下式计算获得:
式中:PEV表示电动汽车的固定总充电功率,nEV表示充电塔所处地区电动汽车保有量总数,PEV,i表示第i辆电动汽车的充电功率;
储能系统的固定充放电功率PESS由实际生产厂商提供;
充电塔固定用电负荷PL以充电塔实际用电负荷统计;
充电塔的固定总功率按照下式计算获得:
PS=PL+PEV+PESS-PPV。
以配电网IEEE 33节点系统为例,光储充电塔内部结构以及改进IEEE33节点配电网接线图分别如图1、2所示。为了说明光储充电塔接入对配电网潮流分布影响,将充电塔视为等效随机负荷,接入母线节点17上。假设充电塔配备40kW快速充电桩20个,同时该地区电动汽车保有量为200辆,光伏系统建设依托电动汽车充电塔塔顶上安装,规划建设总容量100kWp,充电塔储能系统最大充放电功率200kW。
步骤2:在上述基础数据的基础上,构建光伏发电的动态随机输出功率、电动汽车充电动态随机总功率、储能系统的动态充放电功率、充电塔的动态随机用电负荷和充电塔动态随机有功功率的各自动态随机概率模型,并通过蒙特卡罗模拟采样生成各自的动态随机样本;
光伏发电的动态输出功率按照下式计算获得:
式中:PPV,t表示在t时段光伏发电的动态输出功率,
光伏发电的输出功率与辐照强度相关,辐照强度受天气、环境的影响具有很强的随机性,实际上,光照强度可以看为预测序列与预测误差序列的叠加,即辐照强度中的规律部分与随机部分的叠加,假设预测误差序列服从零均值的正态分布,实际辐照强度可表述为如下:
假设电动汽车的充电过程视为恒功率过程,同时由于电动汽车充电负荷与用户行为、行驶距离等因素有关,电动汽车的充电功率在时间和空间上均有较强的不确定性,假设单台电动汽车实际充电功率可视为充电功率预测值和充电功率预测误差叠加,充电功率预测误差服从均值为零的正态分布过程,电动汽车的动态随机总充电功率按照下式表达:
式中:PEV,t表示在t时段电动汽车的动态随机总充电功率,PEV,i,t表示第i辆电动汽车在t时段的动态随机充电功率,ρEV,i,t表示第i辆电动汽车在t时段的预测充电功率,ΔρEV,i,t表示第i辆电动汽车在t时段的充电功率预测误差;
PEV,i,t根据下式计算获得:
式中:D表示日行驶距离,TS表示最后一次返回时刻;TC表示充电持续时间,Pcr表示电动汽车的恒定功率
式中:W100表示百公里耗电量,ηC表示充电效率;
最后一次返回时刻TS按照服从正态分布的概率密度函数表达如下:
式中,μS和σS分别表示正态分布的期望和标准差;
日行驶距离D按照以下概率密度函数形成正态分布:
式中:μD和σD分别表示lnD的期望和标准差。
充电塔的动态随机用电负荷PL,t按照下式计算:
PL,t=ρL,t+ΔρL,t,ρL,t=PL×ηL,t
式中:ηL,t是在t时段充电塔用电负荷系数,ρL,t是在t时段充电塔预测用电功率,ΔρL,t是在t时段的充电塔用电功率预测误差;
储能系统的动态充放电功率PESS,t一般是根据外部购买因素由人工调度人为按照每时段给出数值范围-200kW-200kW的确定值。
当所述光储充电塔接入到配电网时,充电塔的动态随机有功功率PS,t按照下式计算:
PS,t=PL,t+PEV,t+PESS,t-PPV,t;
式中:PS,t是所述光储充电塔在t时段的动态有功功率负荷。
储能系统在不同时段的充、放电功率曲线如图3所示,具体数值如表1所示,其中负号表示处于放电状态。考虑充电塔中光伏出力、电动汽车充电负荷以及塔用电负荷的随机性以及时变性,假定光伏出力预测误差、电动汽车充电功率的标准差分别取其各自预测值的20%,塔用电负荷预测误差标准差取其预测值的5%,总时段T取24,以每1h为时间步长划分24个时段。充电塔某典型日光伏、塔用电负荷以及电动汽车动态数据如表2所示。
表1储能系统动态充放电功率数据
表2充电塔某典型日光伏、塔用电负荷以及电动汽车动态数据
通过上述步骤1和步骤2获取光伏发电系统的日光伏输出功率、电动汽车充电功率以及充电塔用电负荷的随机样本曲线,样本总数取5000。由于配电网中负荷预测误差波动较小,本实施例不考虑配电网中负荷的随机性。
步骤3:
采用线性交流模型,在接入充电塔的配电网的节点电压和支路潮流的基准点处对潮流方程进行泰勒级数展开建立某一时段的单点线性化潮流方程如下:
式中:X和X0分别为所述配电网节点电压的实际值和基准值,Z和Z0分别为所述配电网支路潮流的实际值和基准值;W和W0分别为所述充电塔的动态随机有功功率的实际值和基准值,S0和T0为灵敏度矩阵,其中J0为雅可比矩阵,
对上述某一时段等间距划分m个线性化区域,在此基础上考虑多个时段影响,得到多个时段下多点线性潮流方程如下:
一般m的数值范围是2-10;所述t的数值范围是1-24。
本实施例中,如图4所示,将上述随机样本变量PDF曲线划分为5个区域,即m=5。采用多点线性蒙特卡罗模拟(Multi-Linear Monte Carlo simulation,ML-MCS)求解光储充电塔配电网动态随机潮流,其中借助牛顿-拉夫逊法计算确定性配电网潮流。
步骤4:将第2步骤中所述的各动态随机样本代入上述某一时段下单点线性潮流方程进行计算,得到某一时段t状态变量概率分布特征值,再按照多个时段下多点线性潮流方程进行求解,得到状态变量动态概率密度值作为充电塔接入配电网后的动态潮流值;将该动态潮流值用于配电网潮流分析。
为了验证本实施例的准确性及有效性,以5000次MCS计算结果为基准,同时将线性蒙特卡罗模拟(Linear MCS,L-MCS)与本文方法所得计算结果进行对比。采用状态变量数字特征的相对误差指标度量本文所提方法的准确程度:
以节点17电压幅值为例说明,与MCS求解光储充电塔配电网随机潮流结果进行对比,采用L-MCS求解所得节点17电压幅值各时段相对误差指标均值和最大值分别为7.13%和10.06%,而采用ML-MCS求解所得的相对误差指标各时段普遍较小,分别为1.63%和3.78%,计算精度得到提高。另外,在2.60-GHz CPU和4.0-GB RAM的Intel-Core i5双核计算机上,采用MCS、L-MCS以及本文方法进行配电网随机潮流计算平均耗时分别为164.92s、3.67s和5.53s。由于本文方法进行多点线性化处理,计算平均耗时相比L-MCS稍多,但计算效率优于常规MCS。
进一步地,采用ML-MCS求解配电网随机潮流,以节点17电压幅值为例,获得节点17电压幅值动态概率概率密度函数曲线,如图5所示。由图分析可知,本实施例的方法能准确分析充电塔接入对配电网潮流分布影响,为系统越界概率评估提供全面信息,同时能兼顾计算精度和效率,具有一定的准确性和快速性。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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,均应包含在本发明保护的范围之内。
Claims (3)
1.一种接入光储充电塔的配电网多点线性随机潮流获取应用方法,所述光储充电塔内含光伏发电系统、储能系统、电动汽车充电系统以及所述充电塔用电系统;其特征在于:包括以下步骤:
步骤1:计算获取所述充电塔的基础数据,所述基础数据包括所述光伏发电的固定输出功率、所述储能系统的固定充放电功率、所述电动汽车的固定总充电功率和所述充电塔的用电负荷和所述充电塔的固定总功率;
所述光伏发电的固定输出功率按照下式计算获得:
所述电动汽车的固定总充电功率按照下式计算获得:
式中:PEV表示电动汽车的固定总充电功率,nEV表示充电塔所处地区电动汽车保有量总数,PEV,i表示第i辆电动汽车的充电功率;
所述储能系统的固定充放电功率PESS由实际生产厂商提供;
所述充电塔的用电负荷PL以所述充电塔的实际用电负荷统计;
所述充电塔的固定总功率按照下式计算获得:
PS=PL+PEV+PESS-PPV;
步骤2:在所述基础数据的基础上计算获取所述充电塔的动态数据,所述动态数据包括所述光伏发电的动态随机输出功率、所述电动汽车充电动态随机总功率、所述充电塔的动态随机用电负荷、所述储能系统的动态充放电功率和所述充电塔动态随机有功功率;
所述光伏发电的动态随机输出功率、所述电动汽车充电动态随机总功率、所述充电塔的动态随机用电负荷和所述充电塔动态随机有功功率通过构建各动态随机概率模型并通过蒙特卡罗模拟采样生成各动态随机样本;
所述光伏发电的动态随机输出功率按照下式计算获得:
式中:PPV,t表示在t时段光伏发电的动态随机输出功率,
所述电动汽车的动态随机总充电功率按照下式:
式中:PEV,t表示在t时段电动汽车的动态随机总充电功率,PEV,i,t表示第i辆电动汽车在t时段的动态随机充电功率,ρEV,i,t表示第i辆电动汽车在t时段的预测充电功率,ΔρEV,i,t表示第i辆电动汽车在t时段的充电功率预测误差;
所述充电塔的动态随机用电负荷PL,t按照下式计算:
PL,t=ρL,t+ΔρL,t,ρL,t=PL×ηL,t
式中:ηL,t是在t时段充电塔用电负荷系数,ρL,t是在t时段充电塔用电功率预测值,ΔρL,t是在t时段的充电塔用电功率预测误差;
所述储能系统的动态充放电功率PESS,t由人工调度按照每时段给出数值范围为-200kW-200kW的确定值;
当所述光储充电塔接入到配电网时,所述充电塔的动态随机有功功率PS,t按照下式计算:
PS,t=PL,t+PEV,t+PESS,t-PPV,t;
步骤3:
采用线性交流模型,在所述配电网的节点电压和支路潮流的基准点处对潮流方程进行泰勒级数展开建立某一时段的单点线性化潮流方程如下:
式中:X和X0分别为所述配电网节点电压的实际值和基准值,Z和Z0分别为所述配电网支路潮流的实际值和基准值;W和W0分别为所述充电塔的动态随机有功功率的实际值和基准值,S0和T0为灵敏度矩阵,其中J0为雅可比矩阵,
对上述某一时段划分m个线性化区域,在此基础上考虑多个时段影响,得到多个时段下多点线性潮流方程如下:
所述m的数值范围是2-10;所述t的数值范围是1-24;
步骤4:将第2步骤中所述的各动态随机样本代入所述第3步骤中的某一时段下单点线性潮流方程进行计算,得到某一时段t状态变量概率分布特征值,再按照所述多个时段下多点线性潮流方程进行求解,得到状态变量动态概率密度值作为所述充电塔接入配电网后的动态潮流值;将所述动态潮流值用于所述配电网潮流分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811187546.7A CN111049143B (zh) | 2018-10-12 | 2018-10-12 | 接入光储充电塔的配电网多点线性随机潮流获取应用方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811187546.7A CN111049143B (zh) | 2018-10-12 | 2018-10-12 | 接入光储充电塔的配电网多点线性随机潮流获取应用方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111049143A true CN111049143A (zh) | 2020-04-21 |
CN111049143B CN111049143B (zh) | 2022-08-23 |
Family
ID=70229636
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811187546.7A Active CN111049143B (zh) | 2018-10-12 | 2018-10-12 | 接入光储充电塔的配电网多点线性随机潮流获取应用方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111049143B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407726A (zh) * | 2016-11-23 | 2017-02-15 | 国网浙江省电力公司电动汽车服务分公司 | 一种计及对潮流影响的电动汽车充电站电气接入点的选择方法 |
CN107104454A (zh) * | 2017-06-06 | 2017-08-29 | 重庆大学 | 计及电动汽车功率可调控域的最优潮流节点电价计算方法 |
CN107104433A (zh) * | 2017-05-15 | 2017-08-29 | 国网江苏省电力公司电力科学研究院 | 一种光储系统参与配电网优化运行策略的获取方法 |
-
2018
- 2018-10-12 CN CN201811187546.7A patent/CN111049143B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407726A (zh) * | 2016-11-23 | 2017-02-15 | 国网浙江省电力公司电动汽车服务分公司 | 一种计及对潮流影响的电动汽车充电站电气接入点的选择方法 |
CN107104433A (zh) * | 2017-05-15 | 2017-08-29 | 国网江苏省电力公司电力科学研究院 | 一种光储系统参与配电网优化运行策略的获取方法 |
CN107104454A (zh) * | 2017-06-06 | 2017-08-29 | 重庆大学 | 计及电动汽车功率可调控域的最优潮流节点电价计算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111049143B (zh) | 2022-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Swamy et al. | Design of hybrid wind and photovoltaic power system using opposition-based genetic algorithm with cauchy mutation | |
Wu et al. | Optimal investment selection of industrial and commercial rooftop distributed PV project based on combination weights and cloud-TODIM model from SMEs’ perspectives | |
Sun et al. | Research on ultra-short-term wind power prediction considering source relevance | |
CN103106544B (zh) | 一种基于t-s型模糊神经网络的光伏发电预测系统 | |
CN107145707A (zh) | 一种计及光伏出力不确定性和全寿命周期成本的配电网变压器规划方法 | |
CN103678889A (zh) | 一种计及静态电压稳定性的光伏发电接纳能力计算方法 | |
CN103530473A (zh) | 一种含大规模光伏电站的电力系统随机生产模拟方法 | |
CN103400204A (zh) | 基于svm-马尔科夫组合法的太阳能光伏发电量预测方法 | |
CN114219214A (zh) | 考虑新能源与电动汽车接入的电网综合风险评估体系 | |
Gao | Application of improved grey theory prediction model in medium-term load forecasting of distribution network | |
Gao et al. | Charging load forecasting of electric vehicle based on Monte Carlo and deep learning | |
CN105896578A (zh) | 一种用于风光储联合发电系统的随机生产模拟方法 | |
Guo et al. | Stochastic optimization for economic operation of plug-in electric vehicle charging stations at a municipal parking deck integrated with on-site renewable energy generation | |
CN111105096A (zh) | 一种新能源并网布局规划方法与系统 | |
Bakhtiari et al. | Uncertainty modeling methods for risk-averse planning and operation of stand-alone renewable energy-based microgrids | |
CN103543327A (zh) | 一种测定光伏组件的发电功率的方法及设备 | |
Guo et al. | The artificial intelligence-assisted short-term optimal scheduling of a cascade hydro-photovoltaic complementary system with hybrid time steps | |
CN111049143B (zh) | 接入光储充电塔的配电网多点线性随机潮流获取应用方法 | |
Dong et al. | Risk assessment of AC/DC hybrid distribution network considering new energy and electric vehicle access | |
Wang et al. | Optimal sizing of photovoltaic and battery energy storage of electric vehicle charging station based on two-part electricity pricing | |
CN104462839A (zh) | 基于风功率波动强度瞬时模型的风电不确定性估计方法 | |
Li et al. | Research concept of pattern features of generalized load curves in future power systems | |
CN113536581A (zh) | 一种计及运行策略的储能系统多状态可靠性建模方法 | |
CN109636041B (zh) | 一种适于大规模复杂电网的机组检修模拟方法及系统 | |
CN109449935B (zh) | 一种基于能源互联的时序生产模拟方法及系统 |
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 |