CN111082463B - 一种用于提高配电网分布式发电承载能力的方法 - Google Patents

一种用于提高配电网分布式发电承载能力的方法 Download PDF

Info

Publication number
CN111082463B
CN111082463B CN201911124465.7A CN201911124465A CN111082463B CN 111082463 B CN111082463 B CN 111082463B CN 201911124465 A CN201911124465 A CN 201911124465A CN 111082463 B CN111082463 B CN 111082463B
Authority
CN
China
Prior art keywords
distribution network
node
power distribution
optimal solution
objective function
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
Application number
CN201911124465.7A
Other languages
English (en)
Other versions
CN111082463A (zh
Inventor
王廷凰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Power Supply Bureau Co Ltd
Original Assignee
Shenzhen Power Supply Bureau Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Power Supply Bureau Co Ltd filed Critical Shenzhen Power Supply Bureau Co Ltd
Priority to CN201911124465.7A priority Critical patent/CN111082463B/zh
Publication of CN111082463A publication Critical patent/CN111082463A/zh
Application granted granted Critical
Publication of CN111082463B publication Critical patent/CN111082463B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • H02J3/381—Dispersed generators

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开一种用于提高配电网分布式发电承载能力的方法，其通过改进的粒子群算法对配电网分布式发电网络进行优化，利用不同线路段的电流限制，电压限制，负载限制等，合理布置分布式发电机组的位置，合理分配不同位置的分布式发电机组容量，提升配电网分布式发电网络的负载能力。

Description

一种用于提高配电网分布式发电承载能力的方法
技术领域
本发明属于配电网技术领域，特别涉及一种用于提高配电网分布式发电承载能力的方法。
背景技术
分布式发电技术(包括光伏和风能发电等)向配电网的渗透在全球范围内呈上升趋势。这种发展趋势已经导致了几个系统运行问题，包括电压违规和系统设备过载。在这种情况下，提升分布式发电网络的承载能力就显得尤为重要。为了提高分布式发电网络的承载能力，分布式发电机组的容量合理规划，位置合理分布是有效的方法。配电网的规划要考虑到给定发电机组的位置布置，然后结合不同网络段的负载、电压限制、电流限制等合理分配对应位置发电机组的容量。
发明内容
本发明旨在提出一种用于提高配电网分布式发电承载能力的方法，以解决配电网分布式发电机组位置分布和容量规划问题，最大限度提高分布式发电网络的承载能力。
本发明实施例提出一种用于提高配电网分布式发电承载能力的方法，包括如下步骤：
步骤1、提供配电网的运行树状网络模型G，分布式发电机组个数M和总容量SDG；设置粒子群规模N，初始化粒子群粒子位置
Figure BDA0002276377320000011
飞行速度
Figure BDA0002276377320000012
初始惯性因子ωmax，终止惯性因子ωmin，初始学习因子
Figure BDA0002276377320000013
最大迭代次数K，初始粒子个体极值
Figure BDA0002276377320000014
与初始全局最优解
Figure BDA0002276377320000015
步骤2、更新迭代次数和惯性因子，根据更新后的惯性因子、粒子距全局最优解的距离调节学习因子，根据调节后的学习因子更新粒子的位置Xi、飞行速度Vi；
步骤3、计算满足约束条件的粒子所在位置对应配电网分布式发电最大承载能力的目标函数值，并取目标函数值最大的值为目标函数最优解；
步骤4、将步骤3所得到的目标函数最优解与保存的目标函数最优解进行比较，若步骤3所得的目标函数最优解较优，则用其替代保存的目标函数最优解，否则不替代；
步骤5、判断迭代运算是否达到最大迭代次数条件或者保存的目标函数最优解是否满足设定条件，若任一条件满足，则迭代运算终止，否则进入步骤2。
其中，所述配电网的运行树状网络模型用下式描述：
G＝(V,Eij) i,j＝1,…,n
其中，V为配电网网络所有节点集合，n为配电网网络中的节点个数，Eij为第i个节点与第j个节点之间的开关状态，且电流方向由i节指向j节点，Eij＝1为开关闭合状态，Eij＝0为开关断开状态，G为对应矩阵，横列数代表对应的节点，其中对应元素为Eij。
其中，所述步骤2中，更新迭代次数，根据粒子距全局最优解的距离调节学习因子和惯性因子的取值，由以下公式计算：
k＝k+1 k＝1,…,K
Figure BDA0002276377320000021
Figure BDA0002276377320000022
Figure BDA0002276377320000023
其中，k为更新前迭代次数，k+1为更新后迭代次数，K为总迭代次数，ω(k)为引入优化权重更新后的惯性因子，ωmax为开始时惯性因子取值，ωmin为结束时惯性因子，δ为优化因子，
Figure BDA0002276377320000031
为更新前粒子距全局最优解，
Figure BDA0002276377320000032
为更新前第i个粒子的位置，
Figure BDA0002276377320000033
为调节后的学习因子。
其中，在步骤2中，更新粒子的位置Xi和飞行速度Vi，由以下公式计算：
Figure BDA0002276377320000034
其中，
Figure BDA0002276377320000035
为学习因子，r1、r2为区间[0,1]上的随机数，
Figure BDA0002276377320000036
为更新前第i个粒子在速度变量，
Figure BDA0002276377320000037
为更新前第i个粒子位置变量，pi为第i个粒子个体极值，
Figure BDA0002276377320000038
为更新前全局最优解。
其中，步骤3中，约束条件包括：
(1)电流约束
Figure BDA0002276377320000039
式中，Ii为流过第i线路段的电流，
Figure BDA00022763773200000310
为流过第i线路段的电流上限，l为配电网网络的线路段数；
(2)电压约束
Figure BDA00022763773200000311
其中，Ui为节点i的电压，
Figure BDA00022763773200000312
为节点i的电压下限，
Figure BDA00022763773200000313
为节点i的电压上限，n为配电网网络的节点个数；
(3)容量约束
Figure BDA00022763773200000314
其中，Sj为第j个分布式发电机组的容量，SDG为允许接入配电网的分布式发电机组的总容量，M为接入配电网的分布式发电机组个数；
(4)功率平衡约束
Figure BDA0002276377320000041
其中，PDG,i，QDG,i分别为第i个节点上的分布式发电机组注入节点i的有功功率和无功功率，Pi，Qi分别为配电网注入节点i的有功功率和无功功率，PL,i，QL,i分别为节点i处负荷的有功功率和无功功率，Ui，Uj分别为节点i，j的电压幅值，其中节点j是指所有与节点i相连的节点，Gi,j为在相连的节点i和节点j之间支路的电导，Bi,j为在相连的节点i和节点j之间支路上的电纳，θi,j为相连的节点i和节点j两个节点的相角差。
其中，步骤4中，配电网分布式发电网络最大承载能力的目标函数：
Figure BDA0002276377320000042
其中，Fload为配电网分布式发电网络的线路负载率，
Figure BDA0002276377320000043
为第i个负载功率最大值，m为配电网网络上总的负载数量，
Figure BDA0002276377320000044
为第i个负荷的功率因数，P为配电网允许的最大传输有功功率；
从满足约束条件的粒子编组计算的Fload值中选取最大值，该最大值记为
Figure BDA0002276377320000045
其对应的粒子位置即为当前全局最优解
Figure BDA0002276377320000046
将
Figure BDA0002276377320000047
与之前保存的目标函数最优解比较，保留数值较大的一个，记为
Figure BDA0002276377320000048
运算结束后，根据最后保留的
Figure BDA0002276377320000049
确定M个分布式发电机组的位置和容量。
本发明实施例提出一种用于提高配电网分布式发电承载能力的方法，对配电网分布式发电网络进行优化，利用不同线路段的电流限制，电压限制，负载限制等，合理布置分布式发电机组的位置，合理分配不同位置的分布式发电机组容量，提升配电网分布式发电网络的负载能力。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而得以体现。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
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一些实施例，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，还可以根据这些附图获得其它的附图。
图1为本发明实施例中一种用于提高配电网分布式发电承载能力的方法流程图。
图2为本发明实施例中待优化的配电网节点图。
具体实施方式
下面将结合本发明实施例中的附图，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的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。
在此，还需要说明的是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与根据本发明的方案密切相关的结构，而省略了与本发明关系不大的其他细节。
如图1所示，本发明实施例提出一种用于提高配电网分布式发电承载能力的方法，图2为待优化的配电网节点图，图2有7个节点，参阅图1，所述方法包括如下步骤：
步骤1、提供配电网的运行树状网络模型G，分布式发电机组个数M＝3和总容量SDG＝120kw；设置粒子群规模N，初始化粒子群粒子位置
Figure BDA0002276377320000061
飞行速度
Figure BDA0002276377320000062
初始惯性因子ωmax＝0.9，终止惯性因子ωmin＝0.4，初始学习因子
Figure BDA0002276377320000063
最大迭代次数K＝100，设置初始粒子个体极值
Figure BDA0002276377320000064
与初始全局最优解
Figure BDA0002276377320000065
步骤2、更新迭代次数和惯性因子，根据更新后的惯性因子、粒子距全局最优解的距离调节学习因子，根据调节后的学习因子更新粒子的位置Xi、飞行速度Vi；
步骤3、计算满足约束条件的粒子所在位置对应配电网分布式发电最大承载能力的目标函数值，并取目标函数值最大的值为目标函数最优解；
步骤4、将步骤3所得到的目标函数最优解与保存的目标函数最优解进行比较，若步骤3所得的目标函数最优解较优，则用其替代保存的目标函数最优解，否则不替代；
步骤5、判断迭代运算是否达到最大迭代次数条件或者保存的目标函数最优解是否满足设定条件，若任一条件满足，则迭代运算终止，否则返回步骤2。
其中，所述配电网的运行树状网络模型用下式描述：
G＝(V,Eij) i,j＝1,…,7
其中，V为配电网网络所有节点集合，n为配电网网络中的节点个数，Eij为第i个节点与第j个节点之间的开关状态，且电流方向由i节指向j节点，Eij＝1为开关闭合状态，Eij＝0为开关断开状态，G为对应矩阵，横列数代表对应的节点，其中对应元素为Eij，其中E12＝1，E23＝1，E25＝1，E34＝1，E36＝1，E67＝1。
其中，所述步骤2中，更新迭代次数，根据粒子距全局最优解的距离调节学习因子和惯性因子的取值，由以下公式计算：
k＝k+1 k＝1,…,100
Figure BDA0002276377320000071
Figure BDA0002276377320000072
Figure BDA0002276377320000073
其中，k为更新前迭代次数，k+1为更新后迭代次数，K为总迭代次数，ω(k)为引入优化权重更新后的惯性因子，ωmax为开始时惯性因子取值，ωmin为结束时惯性因子，δ为优化因子，
Figure BDA0002276377320000074
为更新前粒子距全局最优解，
Figure BDA0002276377320000075
为更新前第i个粒子的位置，
Figure BDA0002276377320000076
为调节后的学习因子。
其中，在步骤2中，更新粒子的位置Xi和飞行速度Vi，由以下公式计算：
Figure BDA0002276377320000077
其中，
Figure BDA0002276377320000078
为学习因子，其值由优化因子δ确实，
Figure BDA0002276377320000079
Figure BDA00022763773200000710
r1、r2为区间[0,1]上的随机数，
Figure BDA00022763773200000711
为更新前第i个粒子在速度变量，
Figure BDA00022763773200000712
为更新前第i个粒子位置变量，pi为第i个粒子个体极值，
Figure BDA00022763773200000713
为更新前全局最优解。
其中，步骤3中，约束条件包括：
(1)电流约束
Figure BDA0002276377320000081
式中，Ii为流过第i线路段的电流，
Figure BDA0002276377320000082
为流过第i线路段的电流上限，配电网网络的线路段数为6。
(2)电压约束
Figure BDA0002276377320000083
其中，Ui为节点i的电压，
Figure BDA0002276377320000084
为节点i的电压下限，
Figure BDA0002276377320000085
为节点i的电压上限，7为配电网网络的节点个数。
(3)容量约束
Figure BDA0002276377320000086
其中，Sj为第j个分布式发电机组的容量，SDG为允许接入配电网的分布式发电机组的总容量，接入配电网的分布式发电机组个数为3。
(4)功率平衡约束
Figure BDA0002276377320000087
其中，PDG,i，DG,i分别为第i个节点上的分布式发电机组注入节点i的有功功率和无功功率，Pi，Qi分别为配电网注入节点i的有功功率和无功功率，PL,i，QL,i分别为节点i处负荷的有功功率和无功功率，Ui，Uj分别为节点i，j的电压幅值，其中节点j是指所有与节点i相连的节点，Gi,j为在相连的节点i和节点j之间支路的电导，Bi,j为在相连的节点i和节点j之间支路上的电纳，θi,j为相连的节点i和节点j两个节点的相角差。
其中，步骤4中，当前迭代次数下，保留满足上述约束条件的粒子，且任意三个粒子编组(分布式发电机组个数M＝3)，通过计算配电网络计算配电网分布式发电网络最大承载能力的目标函数：
Figure BDA0002276377320000091
其中，Fload为配电网分布式发电网络的线路负载率，
Figure BDA0002276377320000092
为第i个负载功率最大值，m为配电网网络上总的负载数量，
Figure BDA0002276377320000093
为第i个负荷的功率因数，P为配电网允许的最大传输有功功率；
从满足约束条件的粒子编组计算的Fload值中选取最大值，该最大值记为
Figure BDA0002276377320000094
其对应的粒子位置即为当前全局最优解
Figure BDA0002276377320000095
将
Figure BDA0002276377320000096
与之前保存的目标函数最优解比较，保留数值较大的一个，记为
Figure BDA0002276377320000097
运算结束后，根据最后保留的
Figure BDA0002276377320000098
确定3个分布式发电机组的位置和容量。
本发明实施例提出一种用于提高配电网分布式发电承载能力的方法，利用粒子算法对配电网分布式发电网络进行优化，利用不同线路段的电流限制，电压限制，负载限制等，合理布置分布式发电机组的位置，合理分配不同位置的分布式发电机组容量，提升配电网分布式发电网络的负载能力，其中粒子群算法属于智能算法的一种，算法模拟鸟群飞行捕食的行为，通过鸟之间的集体协作使群体达到最优。粒子群算法具有基于粒子群的多点并行全局搜索的特点，根据粒子的速度和当前位置决定搜索路径，没有复杂的进化操作，因此粒子群算法易于实现且计算速度较快。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (2)

1.一种用于提高配电网分布式发电承载能力的方法，其特征在于，包括如下步骤：
步骤1、提供配电网的运行树状网络模型G，分布式发电机组个数E和总容量SDG；设置粒子群规模N，初始化粒子群粒子位置
Figure FDA0003212646450000011
飞行速度Vi 1，初始惯性因子ωmax，终止惯性因子ωmin，初始学习因子
Figure FDA0003212646450000012
最大迭代次数K，初始粒子个体极值
Figure FDA0003212646450000013
与初始全局最优解
Figure FDA0003212646450000014
步骤2、更新迭代次数和惯性因子，根据更新后的惯性因子、粒子距全局最优解的距离调节学习因子，根据调节后的学习因子更新粒子的位置Xi、飞行速度Vi；
其中，所述根据更新后的惯性因子、粒子距全局最优解的距离调节学习因子，如下公式所示：
k＝k+1；其中，k＝1,…,K；
Figure FDA0003212646450000015
Figure FDA0003212646450000016
Figure FDA0003212646450000017
其中，k为更新前迭代次数，k+1为更新后迭代次数，K为总迭代次数，ω(k)为引入优化权重更新后的惯性因子，ωmax为初始惯性因子取值，ωmin为终止惯性因子，δ为优化因子，
Figure FDA0003212646450000018
为更新前粒子距全局最优解，
Figure FDA0003212646450000019
为更新前第i个粒子的位置变量，
Figure FDA00032126464500000110
为调节后的学习因子；
其中，所述更新粒子的位置Xi和飞行速度Vi，如下公式所示：
Figure FDA0003212646450000021
其中，
Figure FDA0003212646450000022
为学习因子，r1、r2为区间[0,1]上的随机数，Vi k为更新前第i个粒子速度变量，pi为第i个粒子个体极值；
步骤3、根据目标函数计算满足约束条件的粒子所在位置对应配电网分布式发电最大承载能力的目标函数值，并取目标函数值最大的值为目标函数最优解；
其中，所述约束条件包括：
(1)电流约束
Figure FDA0003212646450000023
其中，b＝1,…,l；
式中，Ib为流过第b线路段的电流，
Figure FDA0003212646450000024
为流过第b线路段的电流上限，l为配电网网络的线路段数；
(2)电压约束
Figure FDA0003212646450000025
其中，i＝1,…,n；
其中，Ui为节点i的电压，
Figure FDA0003212646450000026
为节点i的电压下限，
Figure FDA0003212646450000027
为节点i的电压上限，n为配电网网络的节点个数；
(3)容量约束
Figure FDA0003212646450000028
其中，Sm为第m个分布式发电机组的容量，SDG为允许接入配电网的分布式发电机组的总容量，M为接入配电网的分布式发电机组个数；
(4)功率平衡约束
Figure FDA0003212646450000031
其中，PDG,i、QDG,i分别为第i个节点上的分布式发电机组注入节点i的有功功率和无功功率，Pi、Qi分别为配电网注入节点i的有功功率和无功功率，PL,i、QL,i分别为节点i处负荷的有功功率和无功功率，Ui、Uj分别为节点i、j的电压幅值，其中节点j是指所有与节点i相连的节点，Gi,j为在相连的节点i和节点j之间支路的电导，Bi,j为在相连的节点i和节点j之间支路上的电纳，θi,j为相连的节点i和节点j两个节点的相角差；
其中，所述目标函数如下公式所示：
Figure FDA0003212646450000032
其中，Fload为配电网分布式发电网络的线路负载率，
Figure FDA0003212646450000033
为第f个负载的功率最大值，F为配电网网络上总的负载数量，
Figure FDA0003212646450000034
为第f个负载的功率因数，P为配电网允许的最大传输有功功率；
步骤4、将步骤3所得到的目标函数最优解与保存的目标函数最优解进行比较，若步骤3所得的目标函数最优解较优，则用其替代保存的目标函数最优解，否则不替代；
其中，从满足约束条件的粒子编组计算的Fload值中选取最大值，该最大值记为
Figure FDA0003212646450000041
其对应的粒子位置即为当前全局最优解
Figure FDA0003212646450000042
将
Figure FDA0003212646450000043
与之前保存的目标函数最优解比较，保留数值较大的一个，记为
Figure FDA0003212646450000044
运算结束后，根据最后保留的
Figure FDA0003212646450000045
确定E个分布式发电机组的位置和容量；
步骤5、判断迭代运算是否达到最大迭代次数条件或者保存的目标函数最优解是否满足设定条件，若任一条件满足，则迭代运算终止，否则返回步骤2。
2.根据权利要求1所述的用于提高配电网分布式发电承载能力的方法，其特征在于，所述配电网的运行树状网络模型用下式描述：
G＝(V,Eij)；其中，i＝1,…,n；j＝1,…,n；
其中，V为配电网网络所有节点集合，n为配电网网络的节点个数，Eij为第i个节点与第j个节点之间的开关状态，且电流方向由i节点指向j节点，Eij＝1为开关闭合状态，Eij＝0为开关断开状态，G为对应矩阵，横列数代表对应的节点，其中对应元素为Eij。
CN201911124465.7A 2019-11-18 2019-11-18 一种用于提高配电网分布式发电承载能力的方法 Active CN111082463B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911124465.7A CN111082463B (zh) 2019-11-18 2019-11-18 一种用于提高配电网分布式发电承载能力的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911124465.7A CN111082463B (zh) 2019-11-18 2019-11-18 一种用于提高配电网分布式发电承载能力的方法

Publications (2)

Publication Number Publication Date
CN111082463A CN111082463A (zh) 2020-04-28
CN111082463B true CN111082463B (zh) 2021-12-03

Family

ID=70311058

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911124465.7A Active CN111082463B (zh) 2019-11-18 2019-11-18 一种用于提高配电网分布式发电承载能力的方法

Country Status (1)

Country Link
CN (1) CN111082463B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117638868B (zh) * 2023-10-23 2024-06-04 天津大学 分布式光伏接入下配电网方向电流保护适用边界评估方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104537580A (zh) * 2015-01-27 2015-04-22 四川大学 基于K-means聚类的配电网网架的构建方法
CN105243516A (zh) * 2015-11-11 2016-01-13 国网青海省电力公司 基于主动配电网的分布式光伏发电最大消纳能力计算系统
JP2018185609A (ja) * 2017-04-25 2018-11-22 住友電気工業株式会社 運転計画算出装置、運転計画算出方法およびコンピュータプログラム
CN108876131A (zh) * 2018-06-06 2018-11-23 国家电网有限公司 基于电网成效贡献度的储备项目优选方法
CN109599892A (zh) * 2018-11-30 2019-04-09 国网浙江省电力有限公司宁波供电公司 一种10千伏规划电网分布式光伏消纳能力的评估方法
CN109687445A (zh) * 2018-12-29 2019-04-26 国网河北省电力有限公司经济技术研究院 配电网对异步风机接纳能力的评估方法、系统及终端设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104537580A (zh) * 2015-01-27 2015-04-22 四川大学 基于K-means聚类的配电网网架的构建方法
CN105243516A (zh) * 2015-11-11 2016-01-13 国网青海省电力公司 基于主动配电网的分布式光伏发电最大消纳能力计算系统
JP2018185609A (ja) * 2017-04-25 2018-11-22 住友電気工業株式会社 運転計画算出装置、運転計画算出方法およびコンピュータプログラム
CN108876131A (zh) * 2018-06-06 2018-11-23 国家电网有限公司 基于电网成效贡献度的储备项目优选方法
CN109599892A (zh) * 2018-11-30 2019-04-09 国网浙江省电力有限公司宁波供电公司 一种10千伏规划电网分布式光伏消纳能力的评估方法
CN109687445A (zh) * 2018-12-29 2019-04-26 国网河北省电力有限公司经济技术研究院 配电网对异步风机接纳能力的评估方法、系统及终端设备

Also Published As

Publication number Publication date
CN111082463A (zh) 2020-04-28

Similar Documents

Publication Publication Date Title
CN110535146B (zh) 基于深度确定策略梯度强化学习的电力系统无功优化方法
Caponetto et al. Soft computing for greenhouse climate control
CN105449675B (zh) 优化分布式能源接入点和接入比例的电力网络重构方法
CN104734153A (zh) 一种含分布式电源的配电网络重构方法
CN107994595A (zh) 一种削峰填谷控制方法和系统以及应用该控制方法的系统
CN104037776B (zh) 随机惯性因子粒子群优化算法的电网无功容量配置方法
CN105071433B (zh) 一种分布式电源的优化配置方案
CN113054688B (zh) 考虑不确定性的可再生能源集群出力分布式协调控制方法
CN106786543A (zh) 一种考虑最大供电能力约束的配电网络优化降损重构方法
Azizipanah-Abarghooee et al. Modified shuffled frog leaping algorithm for multi-objective optimal power flow with FACTS devices
El Helou et al. Fully decentralized reinforcement learning-based control of photovoltaics in distribution grids for joint provision of real and reactive power
CN109617049B (zh) 一种风电汇集区的upfc配置方法
CN114696351A (zh) 一种电池储能系统动态优化方法、装置、电子设备和存储介质
CN111082463B (zh) 一种用于提高配电网分布式发电承载能力的方法
Gao et al. Multi-objective dynamic reconfiguration for urban distribution network considering multi-level switching modes
CN113872198A (zh) 一种基于强化学习方法的主动配电网故障恢复方法
CN114626573A (zh) 基于改进多元宇宙算法优化极限学习机的负荷预测方法
CN110611305B (zh) 考虑配网电压越限风险的光伏接入规划方法
CN115689375A (zh) 虚拟电厂运行控制方法、装置、设备及介质
CN115940294A (zh) 多级电网实时调度策略调整方法、系统、设备及存储介质
CN115146872A (zh) 配电网中可调资源的灵活性聚合方法、装置、设备及介质
CN111342469A (zh) 一种多电压等级网络架构优化方法
CN105811429B (zh) 一种静止同步串联补偿器的选址定容方法
Wolfram et al. A comparative study of evolutionary algorithms for phase shifting transformer setting optimization
CN115133540B (zh) 一种配电网无模型的实时电压控制方法

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