CN111541248B - 一种智能软开关与储能系统联合优化方法和装置 - Google Patents

一种智能软开关与储能系统联合优化方法和装置 Download PDF

Info

Publication number
CN111541248B
CN111541248B CN202010529126.3A CN202010529126A CN111541248B CN 111541248 B CN111541248 B CN 111541248B CN 202010529126 A CN202010529126 A CN 202010529126A CN 111541248 B CN111541248 B CN 111541248B
Authority
CN
China
Prior art keywords
energy storage
storage system
soft switch
intelligent soft
model
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
CN202010529126.3A
Other languages
English (en)
Other versions
CN111541248A (zh
Inventor
徐全
袁智勇
雷金勇
林跃欢
史训涛
白浩
徐敏
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.)
CSG Electric Power Research Institute
China Southern Power Grid Co Ltd
Original Assignee
CSG Electric Power Research Institute
China Southern Power Grid 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 CSG Electric Power Research Institute, China Southern Power Grid Co Ltd filed Critical CSG Electric Power Research Institute
Priority to CN202010529126.3A priority Critical patent/CN111541248B/zh
Publication of CN111541248A publication Critical patent/CN111541248A/zh
Application granted granted Critical
Publication of CN111541248B publication Critical patent/CN111541248B/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
    • 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
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • 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
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • 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
    • 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
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • 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
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • 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
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]

Landscapes

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

Abstract

本申请公开了一种智能软开关与储能系统联合优化方法和装置，基于获取的系统参数构建配电系统的智能软开关与储能系统确定性联合优化模型；对智能软开关与储能系统确定性联合优化模型进行二阶锥模型转化，得到智能软开关与储能系统确定性二阶锥规划模型；在配置好的分布式电源出力与负荷需求预测的不确定集和智能软开关与储能系统确定性二阶锥规划模型的基础上，构建智能软开关与储能系统联合区间优化模型并进行求解，得到优化结果，解决了现有的智能软开关运行优化方法多针对确定性的分布式电源出力及负荷需求预测信息，较少涉及对不确定性因素的处理，无法应对不确定性因素带来的冲击，使得配电系统运行的安全性较低的技术问题。

Description

一种智能软开关与储能系统联合优化方法和装置
技术领域
本申请涉及配电系统优化技术领域，尤其涉及一种智能软开关与储能系统联合优化方法和装置。
背景技术
配电系统作为连接电源与负荷的重要纽带，其经济性与安全性直接影响着电力运营商的效益和电力用户的电能质量，伴随着储能技术的发展和电子设备的普及，配电系统中可调用资源日益增多，配电系统的运行控制问题也变得更加复杂。同时伴随着分布式电源的高渗透接入，因其运行特性受环境影响较大且具有较强的随机性和波动性，大量不确定因素的引入使得配电系统面临一系列新问题，如双向潮流、电压越限和网络阻塞等。因此，需要有序协调储能系统、智能软开关等各类可调度设备，充分发挥各设备的运行优化潜力，以应对不确定性因素带来的挑战，实现配电系统的安全高效运行。
有源配电系统能够借助电力电子设备实现精细潮流控制、配备辅助量测以及通信设备提升系统可靠性，从而优化配电系统运行状态。智能软开关(soft open point，SOP)是一种基于电力电子元件的新型配电设备，在配电系统正常运行时，智能软开关能够实时调节馈线间的传输功率、优化网络运行状态。在实际运行过程中，配电系统中量测终端配置较少，通信网络可靠性较差，且现有基于神经网络等智能优化算法的预测方法，算法本身会引入一定的偏差，因此，对于分布式电源出力、负荷需求等参数的精准预测存在较大困难。因此，急需一种能够充分考虑分布式电源和负荷不确定性的有源配电系统智能软开关运行优化方法。
目前，已有的智能软开关运行优化方法多针对确定性的分布式电源出力及负荷需求预测信息，较少涉及对不确定性因素的处理，无法应对不确定性因素带来的冲击，使得配电系统运行的安全性较低。
发明内容
本申请提供了一种智能软开关与储能系统联合优化方法和装置，用于解决现有的智能软开关运行优化方法多针对确定性的分布式电源出力及负荷需求预测信息，较少涉及对不确定性因素的处理，无法应对不确定性因素带来的冲击，使得配电系统运行的安全性较低的技术问题。
有鉴于此，本申请第一方面提供了一种智能软开关与储能系统联合优化方法，包括：
获取配电系统的系统参数；
基于所述系统参数构建所述配电系统的智能软开关与储能系统确定性联合优化模型；
对所述智能软开关与储能系统确定性联合优化模型进行二阶锥模型转化，得到所述配电系统的智能软开关与储能系统确定性二阶锥规划模型；
配置分布式电源出力与负荷需求预测的不确定集，基于所述智能软开关与储能系统确定性二阶锥规划模型和所述不确定集构建智能软开关与储能系统联合区间优化模型；
对所述智能软开关与储能系统联合区间优化模型进行求解，得到优化结果，所述优化结果至少包括储能系统日前调度策略和智能软开关日内运行策略。
可选的，所述系统参数包括：线路参数、负荷水平、网络拓扑连接关系、分布式电源安装位置与容量、储能系统安装位置与容量、系统运行电压水平和支路电流限制、智能软开关的接入位置、配置容量及损耗系数、日前负荷需求预测曲线、日前分布式电源出力预测曲线、分时电价参数、不确定调节系数和不确定偏差、系统基准电压和基准功率初值。
可选的，所述智能软开关与储能系统确定性联合优化模型的目标函数为：
Figure BDA0002534726970000021
其中，Nt为时间断面数，Ωb为配电系统所有支路的集合，rij为支路ij的电阻值，It,ij为支路ij在t时刻的电流幅值，
Figure BDA0002534726970000022
为t时刻安装在支路ij上智能软开关的损耗，
Figure BDA0002534726970000023
为t时刻的电价。
可选的，所述目标函数的约束条件包括：网络拓扑约束、系统潮流约束、分布式电源运行约束、配电系统运行约束、智能软开关运行约束和储能系统运行约束。
可选的，所述配电系统的智能软开关与储能系统确定性二阶锥规划模型为：
Figure BDA0002534726970000031
其中，x:＝(Pch,Pdis)T为储能系统的运行策略，y:＝(PSOP,QSOP)T为智能软开关的运行策略，
Figure BDA0002534726970000032
NN为配电系统节点数，Nt为时间断面数，
Figure BDA0002534726970000033
Figure BDA0002534726970000034
分别为t时刻节点i上储能系统的充电功率和放电功率，
Figure BDA0002534726970000035
Figure BDA0002534726970000036
Figure BDA0002534726970000037
分别为t时刻节点i上智能软开关的有功功率和无功功率，A、C、D、G、H分别为模型的系统矩阵，z:＝(U2,I2,P,Q,V)T为潮流控制变量，U2:＝(U2,t,i,t＝1,2,…Nt,i＝1,2,…,NN)，U2,t,i为t时刻节点i上电压幅值的平方，I2:＝(I2,t,i,j,t＝1,2,…Nt,i,j＝1,2,…,NN)，I2,t,ij为t时刻支路ij上电流幅值的平方，P:＝(Pt,i,t＝1,2,…,Nt,i＝1,2,…,NN)，Q:＝(Qt,i,t＝1,2,…,Nt,i＝1,2,…,NN)，Pt,i、Qt,i分别为t时刻节点i上注入的有功功率和无功功率，V:＝(Vt,i,t＝1,2,…,Nt,i＝1,2,…,NN)，Vt,i为t时刻节点i上的电压幅值，b、c、e、f、g分别为模型的系数向量，
Figure BDA0002534726970000038
为分布式电源和负荷的有功功率预测值，
Figure BDA0002534726970000039
Figure BDA00025347269700000310
为t时刻节点i上分布式电源的有功功率预测值，
Figure BDA00025347269700000311
Figure BDA00025347269700000312
为t时刻节点i上负荷的有功功率预测值。
可选的，所述分布式电源出力与负荷需求预测的不确定集为：
Figure BDA00025347269700000313
其中，
Figure BDA00025347269700000314
分别为t时刻节点i上分布式电源的有功功率实际值和负荷的有功功率实际值，
Figure BDA00025347269700000315
分别为t时刻节点i上分布式电源和负荷不确定变化范围引入的偏差，ΓDG、ΓL分别为分布式电源和负荷对应的不确定性调节参数。
可选的，所述对所述智能软开关与储能系统联合区间优化模型进行求解，得到优化结果，包括：
对所述智能软开关与储能系统联合区间优化模型进行解耦，得到主问题模型和子问题模型；
基于列和约束生成算法求解所述主问题模型和所述子问题模型，得到优化结果。
本申请第二方面提供了一种智能软开关与储能系统联合优化装置，包括：
获取单元，用于获取配电系统的系统参数；
第一构建单元，用于基于所述系统参数构建所述配电系统的智能软开关与储能系统确定性联合优化模型；
转化单元，用于对所述智能软开关与储能系统确定性联合优化模型进行二阶锥模型转化，得到所述配电系统的智能软开关与储能系统确定性二阶锥规划模型；
第二构建单元，用于配置分布式电源出力与负荷需求预测的不确定集，基于所述智能软开关与储能系统确定性二阶锥规划模型和所述不确定集构建智能软开关与储能系统联合区间优化模型；
求解单元，用于对所述智能软开关与储能系统联合区间优化模型进行求解，得到优化结果，所述优化结果至少包括储能系统日前调度策略和智能软开关日内运行策略。
可选的，所述智能软开关与储能系统确定性联合优化模型的目标函数为：
Figure BDA0002534726970000041
其中，Nt为时间断面数，Ωb为配电系统所有支路的集合，rij为支路ij的电阻值，It,ij为支路ij在t时刻的电流幅值，
Figure BDA0002534726970000042
为t时刻安装在支路ij上智能软开关的损耗，
Figure BDA0002534726970000043
为t时刻的电价。
可选的，所述求解单元具体用于：
对所述智能软开关与储能系统联合区间优化模型进行解耦，得到主问题模型和子问题模型；
基于列和约束生成算法求解所述主问题模型和所述子问题模型，得到优化结果。
从以上技术方案可以看出，本申请具有以下优点：
本申请提供了一种智能软开关与储能系统联合优化方法，包括：获取配电系统的系统参数；基于系统参数构建配电系统的智能软开关与储能系统确定性联合优化模型；对智能软开关与储能系统确定性联合优化模型进行二阶锥模型转化，得到配电系统的智能软开关与储能系统确定性二阶锥规划模型；配置分布式电源出力与负荷需求预测的不确定集，基于智能软开关与储能系统确定性二阶锥规划模型和不确定集构建智能软开关与储能系统联合区间优化模型；对智能软开关与储能系统联合区间优化模型进行求解，得到优化结果，优化结果至少包括储能系统日前调度策略和智能软开关日内运行策略。
本申请中的智能软开关与储能系统联合优化方法，考虑到储能系统能够借助对电能进行存储与释放，实现电能在时间上的转移，有效抑制分布式电源出力波动、负荷不确定性等情况给配电系统带来的冲击，并且智能软开关的快速响应能力具体实时性，配合储能系统的充放电控制策略，可以最大化发挥智能软开关与储能系统的性能，因此，在获取系统参数的基础上构建配电系统的智能软开关与储能系统确定性联合优化模型；对联合优化模型进行二阶锥模型转化，得到确定性二阶锥规划模型后，配置分布式电源出力与负荷需求预测的不确定集，进而构建联合区间优化模型；通过对联合区间优化模型进行求解，得到优化结果，通过配置不确定集并构建联合区间优化模型，可以将不确定性因素考虑到该模型中，从而提高对不确定性因素带来的冲击的应对能力，进而提高配电系统运行的安全性，从而解决了现有的智能软开关运行优化方法多针对确定性的分布式电源出力及负荷需求预测信息，较少涉及对不确定性因素的处理，无法应对不确定性因素带来的冲击，使得配电系统运行的安全性较低的技术问题。
附图说明
图1为本申请实施例提供的一种智能软开关与储能系统联合优化方法的一个流程示意图；
图2为本申请实施例提供的一种智能软开关与储能系统联合优化装置的一个结构示意图；
图3为本申请实施例提供的一种改进的IEEE 33节点算例的结构图；
图4为本申请实施例提供的日前负荷需求预测曲线的示意图；
图5为本申请实施例提供的日前分布式电源出力预测曲线的示意图；
图6为本申请实施例提供的储能系统日前调度策略的示意图；
图7为本申请实施例提供的智能软开关日内调度策略中的有功功率调度策略的示意图；
图8为本申请实施例提供的智能软开关日内调度策略中的无功功率调度策略的示意图；
图9为本申请实施例提供的基于列和约束生成算法的智能软开关与储能系统联合优化的流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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他实施例，都属于本申请保护的范围。
为了便于理解，请参阅图1，本申请提供的一种智能软开关与储能系统联合优化方法的一个实施例，包括：
步骤101、获取配电系统的系统参数。
本申请实施例中的系统参数包括：线路参数、负荷水平、网络拓扑连接关系、分布式电源安装位置与容量、储能系统安装位置与容量、系统运行电压水平和支路电流限制、智能软开关的接入位置、配置容量及损耗系数、日前负荷需求预测曲线、日前分布式电源出力预测曲线、分时电价参数、不确定调节系数和不确定偏差、系统基准电压和基准功率初值。
步骤102、基于系统参数构建配电系统的智能软开关与储能系统确定性联合优化模型。
本申请实施例中基于系统参数构建配电系统的智能软开关与储能系统确定性联合优化模型，智能软开关与储能系统确定性联合优化模型以配电系统损耗成本最小为目标函数，并考虑网络拓扑约束、系统潮流约束、分布式电源运行约束、配电系统运行约束、智能软开关运行约束和储能系统运行约束，其中，目标函数为：
Figure BDA0002534726970000071
其中，Nt为时间断面数，Ωb为配电系统所有支路的集合，rij为支路ij的电阻值，It,ij为支路ij在t时刻的电流幅值，
Figure BDA0002534726970000072
为t时刻安装在支路ij上智能软开关的损耗，
Figure BDA0002534726970000073
为t时刻的电价。
网络拓扑约束可以表示为：
αt,ij＝βt,ij+βt,ji,ij∈Ωb (2)
Figure BDA0002534726970000074
Figure BDA0002534726970000075
αt,ij∈{0,1},ij∈Ωb (5)
βt,ij∈{0,1},ij∈Ωb (6)
式中，Ωn为配电系统中所有节点的集合，Ω0为配电系统中源节点的集合，αt,ij为t时刻支路ij的开关状态，αt,ij＝0为t时刻支路ij处于断开状态，αt,ij＝1为t时刻支路ij处于闭合状态，βt,ij为t时刻节点i和节点j的关系，下标ij和ji表示支路电路的流向，βt,ij＝1表示t时刻节点i是节点j的父节点，βt,ij＝0表示t时刻节点i不是节点j的父节点。
系统潮流约束可以表示为：
Figure BDA0002534726970000076
Figure BDA0002534726970000077
Figure BDA0002534726970000078
Figure BDA0002534726970000079
Figure BDA00025347269700000710
Figure BDA00025347269700000711
式中，rij、xij分别为支路ij的电阻和电抗，Ut,i为t时刻节点i的电压幅值，It,ij为t时刻支路ij的电流幅值，Pt,ij为t时刻支路上节点i流向节点j的有功功率，Pt,ji为t时刻支路上节点j流向节点i的有功功率，Qt,ij为t时刻支路上节点i流向节点j的无功功率，Pt,i为t时刻节点i上注入的有功功率，
Figure BDA0002534726970000081
为t时刻节点i上分布式电源注入的有功功率，
Figure BDA0002534726970000082
为t时刻节点i上智能软开关注入的有功功率，
Figure BDA0002534726970000083
时刻节点i上负荷消耗的有功功率，Qt,i为t时刻节点i上注入的无功功率，
Figure BDA0002534726970000084
为t时刻节点i上分布式电源注入的无功功率，
Figure BDA0002534726970000085
为t时刻节点i上智能软开关注入的无功功率，
Figure BDA0002534726970000086
时刻节点i上负荷消耗的无功功率。
分布式电源运行约束可以表示为：
Figure BDA0002534726970000087
Figure BDA0002534726970000088
式中，
Figure BDA0002534726970000089
为t时刻节点i上分布式电源注入的有功功率，
Figure BDA00025347269700000810
为t时刻节点i上分布式电源注入的无功功率，
Figure BDA00025347269700000811
为t时刻节点i上分布式电源出力系数，
Figure BDA00025347269700000812
为节点i上分布式电源装机容量，
Figure BDA00025347269700000813
为节点i上分布式电源功率因数角。
配电系统运行约束可以表示为：
Figure BDA00025347269700000814
Figure BDA00025347269700000815
式中，
Figure BDA00025347269700000816
分别为配电系统运行节点电压上限、下限，
Figure BDA00025347269700000817
为配电系统最大运行支路电流值，Ut,i为t时刻节点i的电压幅值，It,ij为t时刻支路ij的电流幅值。
智能软开关运行约束可以表示为：
Figure BDA00025347269700000818
Figure BDA00025347269700000819
Figure BDA00025347269700000820
Figure BDA00025347269700000821
Figure BDA00025347269700000822
式中，
Figure BDA00025347269700000823
为t时刻节点i上智能软开关注入的有功功率，
Figure BDA00025347269700000824
为t时刻节点i上智能软开关注入的无功功率，
Figure BDA00025347269700000825
分别为t时刻接在节点i、j上智能软开关换流器的损耗，
Figure BDA00025347269700000826
为安装在支路ij上智能软开关的容量，
Figure BDA00025347269700000827
分别为接在节点i、j上智能软开关换流器的损耗系数。
储能系统运行约束可以表示为：
Figure BDA0002534726970000091
Figure BDA0002534726970000092
Figure BDA0002534726970000093
Figure BDA0002534726970000094
Figure BDA0002534726970000095
Figure BDA0002534726970000096
Figure BDA0002534726970000097
式中，
Figure BDA0002534726970000098
分别为t时刻节点i上储能系统的充电功率和放电功率，
Figure BDA0002534726970000099
分别为节点i上储能系统的充电功率下限与上限，
Figure BDA00025347269700000910
分别为节点i上储能系统的放电功率下限与上限，
Figure BDA00025347269700000911
分别为t时刻节点i上储能系统的充电与放电决策变量，
Figure BDA00025347269700000912
代表为t时刻节点i上储能系统处于充电状态，
Figure BDA00025347269700000913
代表为t时刻节点i上储能系统不处于充电状态，
Figure BDA00025347269700000914
代表为t时刻节点i上储能系统处于放电状态，
Figure BDA00025347269700000915
代表为t时刻节点i上储能系统不处于放电状态，
Figure BDA00025347269700000916
为t时刻节点i上储能系统注入节点i的总功率，
Figure BDA00025347269700000917
分别为节点i上储能系统的充电效率、放电效率，
Figure BDA00025347269700000918
为t时刻节点i上储能系统的荷电量，
Figure BDA00025347269700000919
分别为节点i上储能系统的荷电系数下限和上限，
Figure BDA00025347269700000920
为安装在节点i上储能电池的配置容量，τ为单位时间步长。
步骤103、对智能软开关与储能系统确定性联合优化模型进行二阶锥模型转化，得到配电系统的智能软开关与储能系统确定性二阶锥规划模型。
将智能软开关与储能系统确定性联合优化模型中的二次项
Figure BDA00025347269700000921
分别用U2,t,i、I2,t,ij替换，得到如下的线性化表达式：
Figure BDA00025347269700000922
Figure BDA00025347269700000923
Figure BDA00025347269700000924
Figure BDA00025347269700000925
Figure BDA00025347269700000926
Figure BDA00025347269700000927
将约束条件式
Figure BDA00025347269700000928
进行线性化和凸松弛，得到二阶锥约束式：
Figure BDA0002534726970000101
将智能软开关的损耗与容量约束条件进行凸松弛，得到旋转锥约束式：
Figure BDA0002534726970000102
Figure BDA0002534726970000103
Figure BDA0002534726970000104
Figure BDA0002534726970000105
式(2)～(6)、式(11)～(14)、式(17)、式(22)～(39)构成配电系统的智能软开关与储能系统确定性二阶锥规划模型，基于配电系统的智能软开关与储能系统确定性二阶锥规划模型可以确定该模型的紧凑形式：
Figure BDA0002534726970000106
s.t.Ax+Dy+Hz≥f (41)
Cz＝d0 (42)
||Gz||2≤gTz (43)
其中，x:＝(Pch,Pdis)T为储能系统的运行策略，y:＝(PSOP,QSOP)T为智能软开关的运行策略，
Figure BDA0002534726970000107
NN为配电系统节点数，Nt为时间断面数，
Figure BDA0002534726970000108
Figure BDA0002534726970000109
分别为t时刻节点i上储能系统的充电功率和放电功率，
Figure BDA00025347269700001010
Figure BDA00025347269700001011
Figure BDA00025347269700001012
分别为t时刻节点i上智能软开关的有功功率和无功功率，A、C、D、G、H分别为模型的系统矩阵，z:＝(U2,I2,P,Q,V)T为潮流控制变量，U2:＝(U2,t,i,t＝1,2,…Nt,i＝1,2,…,NN)，U2,t,i为t时刻节点i上电压幅值的平方，I2:＝(I2,t,i,j,t＝1,2,…Nt,i,j＝1,2,…,NN)，I2,t,ij为t时刻支路ij上电流幅值的平方，P:＝(Pt,i,t＝1,2,…,Nt,i＝1,2,…,NN)，Q:＝(Qt,i,t＝1,2,…,Nt,i＝1,2,…,NN)，Pt,i、Qt,i分别为t时刻节点i上注入的有功功率和无功功率，V:＝(Vt,i,t＝1,2,…,Nt,i＝1,2,…,NN)，Vt,i为t时刻节点i上的电压幅值，b、c、e、f、g分别为模型的系数向量，
Figure BDA0002534726970000111
为分布式电源和负荷的有功功率预测值，
Figure BDA0002534726970000112
Figure BDA0002534726970000113
为t时刻节点i上分布式电源的有功功率预测值，
Figure BDA0002534726970000114
Figure BDA0002534726970000115
为t时刻节点i上负荷的有功功率预测值。
式(40)对应目标函数式(29)，式(41)对应约束条件式(22)～(24)、式(27)和式(33)～(34)，式(42)对应约束条件式(2)～(6)、式(11)～(14)、式(17)、式(25)～(26)、式(28)～(32)，式(43)对应二阶锥约束式(35)和旋转锥约束式(36)～(39)。
步骤104、配置分布式电源出力与负荷需求预测的不确定集，基于智能软开关与储能系统确定性二阶锥规划模型和不确定集构建智能软开关与储能系统联合区间优化模型。
本申请实施例中配置配电系统中各节点接入的分布式电源出力与负荷需求预测的变化限制在一个箱型不确定集W内，即：
Figure BDA0002534726970000116
其中，
Figure BDA0002534726970000117
分别为t时刻节点i上分布式电源的有功功率实际值和负荷的有功功率实际值，
Figure BDA0002534726970000118
分别为t时刻节点i上分布式电源和负荷不确定变化范围引入的偏差，ΓDG、ΓL分别为分布式电源和负荷对应的不确定性调节参数。
基于上述箱型不确定集W，在智能软开关与储能系统确定性二阶锥规划模型的基础上构建智能软开关与储能系统联合区间优化模型：
Figure BDA0002534726970000119
Figure BDA00025347269700001110
其中，
Figure BDA00025347269700001111
Figure BDA0002534726970000121
式中，Z(x,y,d)为给定一组x、y和d时的配电系统的智能软开关与储能系统确定性联合优化模型的可行域。
步骤105、对智能软开关与储能系统联合区间优化模型进行求解，得到优化结果，优化结果至少包括储能系统日前调度策略和智能软开关日内运行策略。
对智能软开关与储能系统联合区间优化模型进行求解，得到优化结果，优化过程可以参考图9，具体步骤可以为：
1、对智能软开关与储能系统联合区间优化模型进行解耦，得到主问题模型和子问题模型，对智能软开关与储能系统联合区间优化模型进行解耦，得到主问题模型和子问题模型，其中子问题模型分别为“最恶劣”场景子问题模型和“最乐观”场景子问题模型，其中，主问题模型为：
Figure BDA0002534726970000122
Figure BDA0002534726970000123
Figure BDA0002534726970000124
式中，变量dm∈W，k为迭代求解次数，zm为第m次迭代时向主问题引入的子问题变量。
“最恶劣”场景子问题模型为：
Figure BDA0002534726970000125
s.t.Hz≥f-Ax*-Dy*(π) (53)
Cz＝d(λ) (54)
||Gz||2≤gTz(σ,μ) (55)
利用对偶理论将内层最小化问题转化为对偶最大化问题，与外侧的最大化符合合并，最终可以把“最恶劣”场景子问题等价变化为下面的最大化形式：
Figure BDA0002534726970000126
s.t.HTπ+CTλ+∑(GTσ+gμ)＝e (57)
||σ||2≤μ,π,μ≥0,d∈W (58)
式中，λ,σ为自由变量，变量yDUAL＝{π,λ,σ,μ}为原优化模型的对偶变量。
“最乐观”场景子问题模型为：
Figure BDA0002534726970000131
s.t.Hz≥f-Ax*-Dy* (60)
Cz＝d (61)
||Gz||2≤gTz (62)
2、基于列和约束生成算法求解主问题模型和子问题模型，得到优化结果，具体求解过程为：
1)设置智能软开关与储能系统联合区间优化模型的下限值LB＝-∞、上限值UB＝∞和初始迭代次数k＝1；
2)基于日前负荷需求预测曲线和日前分布式电源出力预测曲线求解主问题模型，得到最优解
Figure BDA0002534726970000132
和最优值
Figure BDA0002534726970000133
并更新下限值
Figure BDA0002534726970000134
3)将第k词迭代时主问题模型的最优解
Figure BDA0002534726970000135
作为已知分别代入子问题模型，求解“最恶劣”场景
Figure BDA0002534726970000136
及其对应的子问题最优值fpes,k和“最乐观”场景
Figure BDA0002534726970000137
及其对应的子问题最优值fopt,k，并更新上限值
Figure BDA0002534726970000138
4)当UB-LB≤ε，ε为预设的收敛阈值，则表示找到了最佳储能系统日前调度策略
Figure BDA0002534726970000139
进入步骤5)；当UB-LB＞ε时，令
Figure BDA00025347269700001310
引入变量zk+1及其相关约束到主问题中，更新k＝k+1，并返回步骤2)；
5)根据步骤4)得到的储能系统日前调度策略
Figure BDA00025347269700001311
基于日内负荷需求预测曲线和日内分布式电源出力预测曲线，再次求解主问题，得到智能软开关日内运行策略
Figure BDA00025347269700001312
6)基于计算得到的智能软开关日内运行策略
Figure BDA00025347269700001313
和储能系统日前调度策略
Figure BDA00025347269700001314
计算相应的损耗成本，并输出。
本申请实施例中的智能软开关与储能系统联合优化方法，考虑到储能系统能够借助对电能进行存储与释放，实现电能在时间上的转移，有效抑制分布式电源出力波动、负荷不确定性等情况给配电系统带来的冲击，并且智能软开关的快速响应能力具体实时性，配合储能系统的充放电控制策略，可以最大化发挥智能软开关与储能系统的性能，因此，在获取系统参数的基础上构建配电系统的智能软开关与储能系统确定性联合优化模型；对联合优化模型进行二阶锥模型转化，得到确定性二阶锥规划模型后，配置分布式电源出力与负荷需求预测的不确定集，进而构建联合区间优化模型；通过对联合区间优化模型进行求解，得到优化结果，通过配置不确定集并构建联合区间优化模型，可以将不确定性因素考虑到该模型中，从而提高对不确定性因素带来的冲击的应对能力，进而提高配电系统运行的安全性，从而解决了现有的智能软开关运行优化方法多针对确定性的分布式电源出力及负荷需求预测信息，较少涉及对不确定性因素的处理，无法应对不确定性因素带来的冲击，使得配电系统运行的安全性较低的技术问题。
请参阅图3至图8，本申请还提供一种智能软开关与储能系统联合优化方法的一个具体应用例，包括：
请参考图3提供的一种改进的IEEE 33节点算例结构图，首先输入IEEE 33节点算例中线路元件的阻抗值，负荷元件的有功功率、无功功率，网络拓扑连接关系，详细参数可以参考表1和表2，图3中的算例结构图中，节点7和27接入两组分布式电源，容量均为1000kVA；节点12和节点22之间接入一组智能软开关，容量为1000kVA，损耗系数为0.02；节点10和30接入两组储能系统，具体参数详见表3；日前负荷需求预测曲线详见图4，日前分布式电源出力预测曲线详见图5，分时电价参数详见表4；分布式电源的不确定调节系数取2，不确定偏差取±20％，即接入的分布式电源均可能达到偏差上限或下限；负荷的不确定调节系数取6，不确定偏差取±10％，即32个负荷节点中有6个节点可能达到偏差上限或者下限，其余按照基准值处理；最后设定系统的基准电压为10kV、基准功率为1MVA。
表1 IEEE 33节点算例负荷接入位置及功率
Figure BDA0002534726970000141
Figure BDA0002534726970000151
表2 IEEE 33节点算例线路参数
Figure BDA0002534726970000152
Figure BDA0002534726970000161
表3储能系统参数
Figure BDA0002534726970000162
表4分时电价参数
时段 电价/元
1:00-5:00 0.32
6:00-9:00 0.42
10:00-12:00 0.58
13:00-16:00 0.42
17:00-20:00 0.58
21:00-24:00 0.42
本申请实施例中执行优化计算的计算机硬件环境为Intel(R)Xeon(R)CPU E5-2609，主频为2.50GHz，内存为16GB；软件环境为Windows 10操作系统，通过基于上述系统参数，计算得到配电系统损耗成本区间为[637.6，1057.5]元，储能系统日前调度策略如图6所示，在储能系统日前调度的基础上，对智能软开关进行日内优化调度，得到配电系统损耗成本为818.3元，智能软开关日内调度策略如图7和图8所示。
从上述结果可以发现，通过本申请实施例中的智能软开关与储能系统联合区间优化模型，可以得到配电系统损耗成本区间为[637.6，1057.5]元，区间宽度为419.9元，通过对智能软开关的日内调度，得到配电系统损耗成本为818.3元，处于成本区间内；观测储能系统的充放电策略，在电价高峰时段(10:00-12:00，17:00-10:00)，储能系统处于放电状态，基于分时电价的储能系统充放电策略有助于配电系统的经济运行，提高配电系统运行的安全性；本方法提出的基于区间优化的智能软开关与储能系统联合优化方法，能够考虑分布式电源和负荷需求不确定性对有源配电网损耗成本的影响形成成本区间，并且提出适应不确定性的储能系统与智能软开关联合优化方法，为调度人员提供科学的指导建议。
为了便于理解，请参阅图2，本申请提供的一种智能软开关与储能系统联合优化装置的一个实施例，包括：
获取单元201，用于获取配电系统的系统参数；
第一构建单元202，用于基于系统参数构建配电系统的智能软开关与储能系统确定性联合优化模型；
转化单元203，用于对智能软开关与储能系统确定性联合优化模型进行二阶锥模型转化，得到配电系统的智能软开关与储能系统确定性二阶锥规划模型；
第二构建单元204，用于配置分布式电源出力与负荷需求预测的不确定集，基于智能软开关与储能系统确定性二阶锥规划模型和不确定集构建智能软开关与储能系统联合区间优化模型；
求解单元205，用于对智能软开关与储能系统联合区间优化模型进行求解，得到优化结果，优化结果至少包括储能系统日前调度策略和智能软开关日内运行策略。
作为进一步的改进，智能软开关与储能系统确定性联合优化模型的目标函数为：
Figure BDA0002534726970000171
其中，Nt为时间断面数，Ωb为配电系统所有支路的集合，rij为支路ij的电阻值，It,ij为支路ij在t时刻的电流幅值，
Figure BDA0002534726970000172
为t时刻安装在支路ij上智能软开关的损耗，
Figure BDA0002534726970000173
为t时刻的电价。
作为进一步的改进，求解单元205具体用于：
对智能软开关与储能系统联合区间优化模型进行解耦，得到主问题模型和子问题模型；
基于列和约束生成算法求解主问题模型和子问题模型，得到优化结果。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (8)

1.一种智能软开关与储能系统联合优化方法，其特征在于，包括：
获取配电系统的系统参数；
基于所述系统参数构建所述配电系统的智能软开关与储能系统确定性联合优化模型，所述智能软开关与储能系统确定性联合优化模型的目标函数为：
Figure FDA0003202544940000011
其中，Nt为时间断面数，Ωb为配电系统所有支路的集合，rij为支路ij的电阻值，It，ij为支路ij在t时刻的电流幅值，
Figure FDA0003202544940000012
为t时刻安装在支路ij上智能软开关的损耗，
Figure FDA0003202544940000013
为t时刻的电价；
对所述智能软开关与储能系统确定性联合优化模型进行二阶锥模型转化，得到所述配电系统的智能软开关与储能系统确定性二阶锥规划模型；
配置分布式电源出力与负荷需求预测的不确定集，基于所述智能软开关与储能系统确定性二阶锥规划模型和所述不确定集构建智能软开关与储能系统联合区间优化模型；
对所述智能软开关与储能系统联合区间优化模型进行求解，得到优化结果，所述优化结果至少包括储能系统日前调度策略和智能软开关日内运行策略。
2.根据权利要求1所述的智能软开关与储能系统联合优化方法，其特征在于，所述系统参数包括：线路参数、负荷水平、网络拓扑连接关系、分布式电源安装位置与容量、储能系统安装位置与容量、系统运行电压水平和支路电流限制、智能软开关的接入位置、配置容量及损耗系数、日前负荷需求预测曲线、日前分布式电源出力预测曲线、分时电价参数、不确定调节系数和不确定偏差、系统基准电压和基准功率初值。
3.根据权利要求1所述的智能软开关与储能系统联合优化方法，其特征在于，所述目标函数的约束条件包括：网络拓扑约束、系统潮流约束、分布式电源运行约束、配电系统运行约束、智能软开关运行约束和储能系统运行约束。
4.根据权利要求3所述的智能软开关与储能系统联合优化方法，其特征在于，所述配电系统的智能软开关与储能系统确定性二阶锥规划模型为：
Figure FDA00032025449400000215
s.t.Ax+Dy+Hz≥f；
Cz＝d0
||Gz||2≤gTz
其中，x:＝(Pch,Pdis)T为储能系统的运行策略，y:＝(PSOP,QSOP)T为智能软开关的运行策略，
Figure FDA0003202544940000021
NN为配电系统节点数，Nt为时间断面数，
Figure FDA0003202544940000022
Figure FDA0003202544940000023
分别为t时刻节点i上储能系统的充电功率和放电功率，
Figure FDA0003202544940000024
Figure FDA0003202544940000025
Figure FDA0003202544940000026
分别为t时刻节点i上智能软开关的有功功率和无功功率，A、C、D、G、H分别为模型的系统矩阵，z:＝(U2,I2,P,Q,V)T为潮流控制变量，U2:＝(U2,t,i,t＝1,2,…Nt,i＝1,2,…,NN)，U2,t,i为t时刻节点i上电压幅值的平方，I2:＝(I2,t,i,j,t＝1,2,…Nt,i,j＝1,2,…,NN)，I2,t,ij为t时刻支路ij上电流幅值的平方，P:＝(Pt,i,t＝1,2,…,Nt,i＝1,2,…,NN)，Q:＝(Qt,i,t＝1,2,…,Nt,i＝1,2,…,NN)，Pt,i、Qt,i分别为t时刻节点i上注入的有功功率和无功功率，V:＝(Vt,i,t＝1,2,…,Nt,i＝1,2,…,NN)，Vt,i为t时刻节点i上的电压幅值，b、c、e、f、g分别为模型的系数向量，
Figure FDA0003202544940000027
为分布式电源和负荷的有功功率预测值，
Figure FDA0003202544940000028
Figure FDA0003202544940000029
为t时刻节点i上分布式电源的有功功率预测值，
Figure FDA00032025449400000210
Figure FDA00032025449400000211
为t时刻节点i上负荷的有功功率预测值。
5.根据权利要求4所述的智能软开关与储能系统联合优化方法，其特征在于，所述分布式电源出力与负荷需求预测的不确定集为：
Figure FDA00032025449400000212
其中，d为分布式电源和负荷的有功功率的不确定性区间，
Figure FDA00032025449400000213
分别为t时刻节点i上分布式电源的有功功率实际值和负荷的有功功率实际值，
Figure FDA00032025449400000214
分别为t时刻节点i上分布式电源和负荷不确定变化范围引入的偏差，ΓDG、ΓL分别为分布式电源和负荷对应的不确定性调节参数。
6.根据权利要求1所述的智能软开关与储能系统联合优化方法，其特征在于，所述对所述智能软开关与储能系统联合区间优化模型进行求解，得到优化结果，包括：
对所述智能软开关与储能系统联合区间优化模型进行解耦，得到主问题模型和子问题模型；
基于列和约束生成算法求解所述主问题模型和所述子问题模型，得到优化结果。
7.一种智能软开关与储能系统联合优化装置，其特征在于，包括：
获取单元，用于获取配电系统的系统参数；
第一构建单元，用于基于所述系统参数构建所述配电系统的智能软开关与储能系统确定性联合优化模型，所述智能软开关与储能系统确定性联合优化模型的目标函数为：
Figure FDA0003202544940000031
其中，Nt为时间断面数，Ωb为配电系统所有支路的集合，rij为支路ij的电阻值，It,ij为支路ij在t时刻的电流幅值，
Figure FDA0003202544940000032
为t时刻安装在支路ij上智能软开关的损耗，
Figure FDA0003202544940000033
为t时刻的电价；
转化单元，用于对所述智能软开关与储能系统确定性联合优化模型进行二阶锥模型转化，得到所述配电系统的智能软开关与储能系统确定性二阶锥规划模型；
第二构建单元，用于配置分布式电源出力与负荷需求预测的不确定集，基于所述智能软开关与储能系统确定性二阶锥规划模型和所述不确定集构建智能软开关与储能系统联合区间优化模型；
求解单元，用于对所述智能软开关与储能系统联合区间优化模型进行求解，得到优化结果，所述优化结果至少包括储能系统日前调度策略和智能软开关日内运行策略。
8.根据权利要求7所述的智能软开关与储能系统联合优化装置，其特征在于，所述求解单元具体用于：
对所述智能软开关与储能系统联合区间优化模型进行解耦，得到主问题模型和子问题模型；
基于列和约束生成算法求解所述主问题模型和所述子问题模型，得到优化结果。
CN202010529126.3A 2020-06-11 2020-06-11 一种智能软开关与储能系统联合优化方法和装置 Active CN111541248B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010529126.3A CN111541248B (zh) 2020-06-11 2020-06-11 一种智能软开关与储能系统联合优化方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010529126.3A CN111541248B (zh) 2020-06-11 2020-06-11 一种智能软开关与储能系统联合优化方法和装置

Publications (2)

Publication Number Publication Date
CN111541248A CN111541248A (zh) 2020-08-14
CN111541248B true CN111541248B (zh) 2021-10-15

Family

ID=71976266

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010529126.3A Active CN111541248B (zh) 2020-06-11 2020-06-11 一种智能软开关与储能系统联合优化方法和装置

Country Status (1)

Country Link
CN (1) CN111541248B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114759616B (zh) * 2022-06-14 2022-09-16 之江实验室 一种考虑电力电子器件特性的微电网鲁棒优化调度方法
CN116388302A (zh) * 2023-01-17 2023-07-04 湖南大学 一种协调网侧资源的配电网有功-无功联合优化方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105740973A (zh) * 2016-01-25 2016-07-06 天津大学 基于混合整数锥规划的智能配电网综合电压无功优化方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105023058B (zh) * 2015-07-07 2018-09-18 天津大学 一种同时考虑开关动作的配电网智能软开关运行优化方法
CN106329523B (zh) * 2016-11-19 2018-09-25 中国南方电网有限责任公司电网技术研究中心 考虑不确定性的有源配电网智能软开关鲁棒优化建模方法
CN107644118B (zh) * 2017-08-04 2020-08-14 天津大学 一种集成储能的智能配电软开关时序优化方法
CN107800155B (zh) * 2017-11-19 2020-08-18 天津大学 考虑智能软开关的有源配电网多时段孤岛运行方法
CN110729765B (zh) * 2019-08-30 2024-03-22 四川大学 一种考虑sop的配电网灵活性评估指标体系和优化调度方法
CN110932259B (zh) * 2019-11-21 2020-11-10 国网江苏省电力有限公司南通供电分公司 考虑多场景模型及需求侧响应策略的配网重构方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105740973A (zh) * 2016-01-25 2016-07-06 天津大学 基于混合整数锥规划的智能配电网综合电压无功优化方法

Also Published As

Publication number Publication date
CN111541248A (zh) 2020-08-14

Similar Documents

Publication Publication Date Title
Gil-González et al. Economic dispatch of energy storage systems in dc microgrids employing a semidefinite programming model
Zeraati et al. Distributed control of battery energy storage systems for voltage regulation in distribution networks with high PV penetration
Niknam et al. A new fuzzy adaptive particle swarm optimization for daily Volt/Var control in distribution networks considering distributed generators
Sun et al. Optimal local volt/var control for photovoltaic inverters in active distribution networks
CN106329523B (zh) 考虑不确定性的有源配电网智能软开关鲁棒优化建模方法
Jiao et al. Distributed coordinated voltage control for distribution networks with DG and OLTC based on MPC and gradient projection
Erlich et al. Optimal dispatch of reactive sources in wind farms
Wang et al. Optimal operation of stationary and mobile batteries in distribution grids
Xu et al. Stochastic multi-objective optimization of photovoltaics integrated three-phase distribution network based on dynamic scenarios
Zhao et al. Distributed risk-limiting load restoration for wind power penetrated bulk system
CN111541248B (zh) 一种智能软开关与储能系统联合优化方法和装置
Sun et al. Coordinated real-time voltage control in active distribution networks: An incentive-based fairness approach
Azimi et al. Multiobjective daily Volt/VAr control in distribution systems with distributed generation using binary ant colony optimization
Li et al. Deep reinforcement learning-based adaptive voltage control of active distribution networks with multi-terminal soft open point
Sun et al. A multi-mode data-driven volt/var control strategy with conservation voltage reduction in active distribution networks
Kryonidis et al. A two-stage solution to the bi-objective optimal voltage regulation problem
Yang et al. Network-constrained transactive control for multi-microgrids-based distribution networks with soft open points
Wang et al. Bi-stage operation optimization of active distribution networks with soft open point considering violation risk
Salkuti Optimal network reconfiguration with distributed generation and electric vehicle charging stations
Arshad et al. Multi-agent based distributed voltage regulation scheme with grid-tied inverters in active distribution networks
Lee et al. Chance-constrained optimization for active distribution networks with virtual power lines
Wang et al. Reducing the active power curtailment of distributed generation based on soft open points in unbalanced distribution networks
CN115986749A (zh) 基于交替方向乘子法的配电系统电压/无功优化方法及装置
Li et al. Active and reactive power coordinated optimization of active distribution networks considering dynamic reconfiguration and SOP
Ma et al. Distributed Control of Battery Energy Storage System in a 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
GR01 Patent grant
GR01 Patent grant