CN112103988B - 一种结合网络重构的集群划分双层模型的建立方法 - Google Patents

一种结合网络重构的集群划分双层模型的建立方法 Download PDF

Info

Publication number
CN112103988B
CN112103988B CN202010807986.9A CN202010807986A CN112103988B CN 112103988 B CN112103988 B CN 112103988B CN 202010807986 A CN202010807986 A CN 202010807986A CN 112103988 B CN112103988 B CN 112103988B
Authority
CN
China
Prior art keywords
node
branch
network
time
layer 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
CN202010807986.9A
Other languages
English (en)
Other versions
CN112103988A (zh
Inventor
李诗颖
杨晓辉
芮松宏
陈再星
黄鑫
张洋阳
蔡英澜
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.)
Nanchang University
Original Assignee
Nanchang University
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 Nanchang University filed Critical Nanchang University
Priority to CN202010807986.9A priority Critical patent/CN112103988B/zh
Publication of CN112103988A publication Critical patent/CN112103988A/zh
Application granted granted Critical
Publication of CN112103988B publication Critical patent/CN112103988B/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
    • H02J3/381—Dispersed generators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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
    • H02J3/04—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
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • 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
    • H02J3/388—Islanding, i.e. disconnection of local power supply from the network
    • 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
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid 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
    • 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]
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • Y02A30/60—Planning or developing urban green infrastructure

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Computer Hardware Design (AREA)
  • Public Health (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Water Supply & Treatment (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Medical Informatics (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)

Abstract

一种结合网络重构的集群划分双层模型的建立方法，S1：获取配电网数据，建立第一层模型，获得时段划分方式并计算第一层适应度f1；S2：根据S1获取的时段划分，基于随机生成树重构法对划分后的各个时段进行动态重构；S3：根据S2获得的不同时段的网络拓扑和各个时刻的负荷特性，建立第二层模型，获得最佳集群划分结果并记录其对应的最佳适应度f2max；S4：回到第一层模型，根据S3获得的第二层模型适应度更新第一层适应度，整个过程通过双层嵌套遗传算法实现，经过反复交叉变异，双层寻优，同时获得最佳动态重构策略和集群划分方案。建立的模型可同时获得研究时段内的最佳重构策略和集群划分方式，为实现电力系统的最优规划或运行调度提供基础。

Description

一种结合网络重构的集群划分双层模型的建立方法
技术领域
本发明涉及电力系统规划与运行技术领域，更具体地，涉及一种结合网络重构的集群划分双层模型的建立方法，为实现电力系统的最优规划或运行调度提供基础。
背景技术
随着分布式可再生能源发电研究的不断深入和国内一系列利好政策的鼓励，我国分布式发电正呈现出区域化和园区化的快速发展态势，大规模、集群化分布式发电并网将是未来的重点发展方向。具有间歇性、随机性等典型特点的分布式光伏发电(distributedphotovoltaic generation,DPV)大规模接入配电网中,可能会对局部电网的安全稳定与经济运行带来影响，主要体现在电压越限、功率倒送、线路过载等几个方面，消纳分布式电源已成为局部配电网面临的一项挑战。
针对高渗透率分布式光伏接入问题，近年来集群的研究与应用开始引起关注,集群划分的应用场景主要包括系统规划与调度控制两个领域。现有大量文献表明不论调度控制还是系统规划，合理的集群划分对高渗透率分布式能源系统具有重要的理论价值和工程意义，体现出比集中调度规划方式更好的性能。然而，目前的集群划分均建立在固定的网络拓扑上，以配电网在典型时刻的特性作为基础对其进行划分。而现实情况中，集合了各种负荷、DG、ESS、微网系统等的配电网是复杂而时变的，传统的配电网开关配置方案不再适用于时变的网络，因此研究动态变化下的配电网重构问题对提升配电网的经济可靠运行同样具有在重要意义。截至目前，还没有文献研究动态重构对集群划分的影响。其难度在于重构次数过多，经济型降低；重构次数过少，实时性降低，为实现两者的平衡，应当建立合适的模型。
发明内容
本发明的目的在于提供一种结合网络重构的集群划分双层模型的建立方法，考虑网络拓扑变化对集群划分的影响，实现两者的最佳平衡，为高渗透率分布式能源系统的规划和调度提供基础。
为实现上述目的，本发明采用以下技术方案：
一种结合网络重构的集群划分双层模型的建立方法，包括以下步骤：
S1：获取配电网数据，所述配电网数据包括线路参数、研究时段内的负荷曲线，建立第一层模型，获得时段划分方式并计算第一层适应度f1；
S2：根据S1获取的时段划分，基于随机生成树重构法对划分后的各个时段进行动态重构；
S3：根据S2获得的不同时段的网络拓扑和各个时刻的负荷特性，建立第二层模型，获得最佳集群划分结果并记录其对应的最佳适应度f2max；
S4：回到第一层模型，根据S3获得的第二层模型适应度更新第一层适应度，整个过程通过双层嵌套遗传算法实现，经过反复交叉变异，双层寻优，同时获得最佳动态重构策略和集群划分方案。
进一步地，所述步骤S1具体包括以下步骤：
S11：从运行日集合Λ中选取运行日d，d∈Λ；定义运行日d中，小时级别的时间断面集合为Γt(t＝1,2,…,T)，t时刻系统功率为Xt＝[xt1,xt2,…,xtn]，n表示节点数，xtj表示t时刻节点j(j＝1,2,…,n)的复功率，全天负荷可表示为：X＝[X1,X2,…Xt…,XT]T；
S12：对矩阵X进行规范化处理，针对Γt内时刻α到时刻β的任意时段，首先获得该时段内的平均负荷
Figure BDA0002629866940000021
以及负荷段差dαβ，针对T个时间点的时段，不同分段方式得到的段差d可构成一个T×T的上三角矩阵D，具体计算公式如下：
Figure BDA0002629866940000022
Figure BDA0002629866940000023
Figure BDA0002629866940000024
S13：针对第一层模型的求解，使用遗传算法，以分段方式为染色体个体，以各个时段的段差之和为适应度，通过特殊的编码方式进行求解；具体编码方式如下：
sol1＝[p1,p2,…pt…,pT],t＝(1,2,…,T) (4)
式中：sol1为染色体个体形式，是一个1×T的向量，对应时段划分方式，其元素pt取值为0或1，0表示当前时刻t与下一时刻在同一段内，1表示当前时刻t与下一时刻不在同一段内；
约束条件如下：
p1+p2+…+pt+…+pT＝k,k＝(1,2,…,T) (4-1)
式中：k为分段数；
适应度f1的计算公式为：
f1＝f(S,k) (4-2)
Figure BDA0002629866940000031
式中，sol1(T,k)表示T个时刻被划分为k个分段的一种划分方式。
进一步地，所述步骤S2具体包括以下步骤：
S21：根据S1中所得时段划分结果，计算各个时段的平均负荷，针对各个时段，重复S22至S26；
S22：针对局部配电网，将其用无向图G表示，边代表配电网线路，顶点代表配电网节点；参照Kruskal算法构造最小生成树的思想：随机赋予各支路权值，把n阶连通赋权图G的边按权值递增顺序排列，选择G中权值最小的一条边，相继增加不会与已经选择的边构成回路的权值较小的边，直到选出n-1条为止；
S23：根据S22获得随机树T，同时将未被包含在内的所有连枝支路放入序列M；根据当前时段的平均负荷对树T进行潮流计算，并计算树T的有功网损p_loss及各支路权值Qi，令迭代次数it＝1,F(it)＝p_loss；具体计算公式如下：
Figure BDA0002629866940000032
Qi＝RiIi 2 (6)
其中：
Figure BDA0002629866940000033
式中：Ri为第i条支路的支路电阻；Ii为第i条支路的支路电流；λ为节点电压越限罚系数；a、b为与第i条支路关联的两个节点，Uj、Uj,max、Uj,min分别为节点j的电压及上、下限；
S24：将Qi从大到小排列形成序列N，从序列N的第1条树枝开始，依次判断其与M中的所有连枝是否存在于一个环路之中，若是，两者对换形成一棵新树；计算新树的潮流分布和有功网损p_loss；
S25：在利用M中的连枝形成的所有新树中，选择p_loss最小并且小于原树的那棵作为新树，it＝it+1，F(it)＝新树网损，更新T、M，重新计算潮流分布、Qi，并进入下一次迭代，即重复S24；若利用M中所有连枝都未能找到网损值小于原树T的新树，则保留N的第1条树枝，改选第2条，重复S24，以此类推；
S26：重构结束的条件：1)|F(it+1)-F(it)|≤10e-3；2)依次利用M、N序列中的所有支路都未能找到网损值更小的新树；当前树T即为最优网络拓扑，F(it)即为系统最低有功网损。
进一步地，所述步骤S3具体包括以下步骤：
S31：根据S2中所得重构策略，提取各时段网络拓扑，对小时级别的时间断面集合Γt(t＝1,2,…,T)中每个时刻重复S32至S33；
S32：计算配电网的潮流分布，根据式(7)到式(10)依次获得t时刻的电压有功灵敏度矩阵SPV|t、电压有功相对灵敏度矩阵HPV|t、影响因子矩阵YPV|t、电气距离矩阵LPV|t；具体计算公式如下：
Figure BDA0002629866940000041
Figure BDA0002629866940000042
YPV|t＝(YPV,ij|t)N×N YPV,ij|t＝-ln(HPV,ij|t/HPV,ii|t) (9)
Figure BDA0002629866940000043
式中：i,j∈N,N为节点总数，SPV,ij|t为t时刻节点i对节点j的电压有功灵敏度，表明当节点j注入的有功功率变化单位值时，节点i电压幅值的变化量；HPV,ij|t表示t时刻当节点j的有功注入变化单位量时，节点i的电压幅值变化量占所有节点的电压幅值变化量之和的比例；YPV,ij|t表明t时刻节点i对自身与对节点j的相对灵敏度之比，其值越大，影响越小，对应距离也就越远，每个节点对于自身的距离都为零；
S33：根据S32获得的电气距离矩阵LPV|t确定配电网线路的边权eij，对于被任意划分为若干个集群的配电网来说，其改进模块度计算公式如下：
Figure BDA0002629866940000044
eij,t＝(LPV,ij|t+LPV,ji|t)/2 (12)
式中：eij,t为t时刻连接节点i和节点j的边的权重，简称边权，当节点i和节点j不相连时eij,t＝0，
Figure BDA0002629866940000045
为t时刻网络中所有边权之和；
Figure BDA0002629866940000046
表示t时刻所有与节点i相连的边权之和，亦称为节点i的度；当节点i和节点j在同一集群内时δ(i,j)＝1，否则δ(i,j)＝0；
S34：对Γt中每个时刻重复S32至S33后得到各个时刻的改进模块度ρim,t，求得其平均值γ；
S35：针对第二层模型的求解，使用遗传算法，以集群划分方式为染色体个体，以γ为适应度，通过特殊的编码方式进行求解；具体编码方式如下：
sol2＝[s1,s2,…sn…,sN],n＝(1,2,…,N) (13)
式中：sol2为染色体个体形式，是一个1×N的向量，N为配电网中树枝总数，向量的列数对应着树枝支路编号，其元素sn取值为0或1，0代表该支路连接的两节点在同一集群，1代表该支路是群间支路，连接的两节点在不同集群；
约束条件如下：
s1+s2+…+sn+…+sN＝g,g＝(1,2,…,N) (13-1)
式中：g为集群数量；
适应度f2的计算公式为：
Figure BDA0002629866940000051
进一步地，所述步骤S2中的随机生成树重构法包括目标函数和约束条件：
所述目标函数以最小化网络有功损耗为条件建立，具体如下所示：
Figure BDA0002629866940000052
Ri为第i条支路的支路电阻；Ii为第i条支路的支路电流；n为支路总数；
所述约束条件包括潮流约束、节点电压约束、支路功率约束、网络拓扑约束。
进一步地，所述潮流约束，具体如下所示：
Figure BDA0002629866940000053
Figure BDA0002629866940000054
式中：Pi grid、Pi L和Qi grid、Qi L分别为节点i注入的电网有功功率、有功负荷和无功功率、无功负荷；Yij为节点i、j之间的电导；θij为Yij的相角；δi、δj分别为节点i、j的电压相角。
进一步地，所述节点电压约束，具体如下所示：
Umin≤Uj≤Umax (17)
式中：Umin、Uj和Umax分别为节点j的电压幅值下限、幅值和幅值上限。
进一步地，所述支路功率约束，具体如下所示：
Si≤Si,max (18)
式中：Si、Si,max分别为支路i的功率和功率上限。
进一步地，所述网络拓扑约束，具体如下所示：
网络需保证辐射状运行，无环网和孤岛；
gk∈G (19)
式中：gk为重构后的开关状态组合；G为符合辐射状运行状态的所有开关状态集合。
本发明的有益效果是：
本发明方法建立的一种结合网络重构的集群划分双层模型的效果：可同时获得研究时段内的最佳重构策略和集群划分方式，为实现电力系统的最优规划或运行调度提供基础。适用范围广泛，可用于电压调度，以比集中控制方式更小的光伏削减量完成调压目标；也可用于系统规划，可较普通规划手段大幅提升光伏渗透率，降低系统总规划成本、提升整体电压水平。
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性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种结合网络重构的集群划分双层模型的建立方法的总流程示意图；
图2为本发明实施例提供的一种结合网络重构的集群划分双层模型的建立方法S2的流程示意图；
以IEEE33节点系统为例，图3a-d为本发明实施例建立的一种结合网络重构的集群划分双层模型的划分结果示意图；
以IEEE33节点系统为例，图4a-d为基于图3的双层模型划分结果的系统光伏储能选址定容结果对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
请参阅图1，一种结合网络重构的集群划分双层模型的建立方法的具体实施步骤，详述如下：
S1：获取配电网数据，所述配电网数据包括线路参数、研究时段内的负荷曲线，建立第一层模型，获得时段划分方式并计算第一层适应度f1；
S2：根据S1获取的时段划分，基于随机生成树重构法对划分后的各个时段进行动态重构；
S3：根据S2获得的不同时段的网络拓扑和各个时刻的负荷特性，建立第二层模型，获得最佳集群划分结果并记录其对应的最佳适应度f2max；
S4：回到第一层模型，根据S3获得的第二层模型适应度更新第一层适应度，整个过程通过双层嵌套遗传算法实现，经过反复交叉变异，双层寻优，同时获得最佳动态重构策略和集群划分方案。
可选的，所述步骤S1具体包括以下步骤：
S11：从运行日集合Λ中选取运行日d，d∈Λ；定义运行日d中，小时级别的时间断面集合为Γt(t＝1,2,…,T)，t时刻系统功率为Xt＝[xt1,xt2,…,xtn]，n表示节点数，xtj表示t时刻节点j(j＝1,2,…,n)的复功率，全天负荷可表示为：X＝[X1,X2,…Xt…,XT]T。
S12：对矩阵X进行规范化处理，针对Γt内时刻α到时刻β的任意时段，首先获得该时段内的平均负荷
Figure BDA0002629866940000071
以及负荷段差dαβ，针对T个时间点的时段，不同分段方式得到的段差d可构成一个T×T的上三角矩阵D，具体计算公式如下：
Figure BDA0002629866940000072
Figure BDA0002629866940000073
Figure BDA0002629866940000074
S13：针对第一层模型的求解，使用遗传算法，以分段方式为染色体个体，以各个时段的段差之和为适应度，通过特殊的编码方式进行求解。具体编码方式如下：
sol1＝[p1,p2,…pt…,pT],t＝(1,2,…,T) (4)
式中：sol1为染色体个体形式，是一个1×T的向量，对应时段划分方式，其元素pt取值为0或1，0表示当前时刻t与下一时刻在同一段内，1表示当前时刻t与下一时刻不在同一段内；
约束条件如下：
p1+p2+…+pt+…+pT＝k,k＝(1,2,…,T) (4-1)
式中：k为分段数；假设分段为0:00-8:00、9:00-16:00、17:00-24:00，则sol1＝[0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,1]，k＝3。
其中，适应度f1的计算公式为：
f1＝f(S,k)(4-2)
Figure BDA0002629866940000075
式中，sol1(T,k)表示T个时刻被划分为k个分段的一种划分方式。
可选的，如图2所示，所述步骤S2具体包括以下步骤：
S21：根据S1中所得时段划分结果，计算各个时段的平均负荷，针对各个时段，重复S22至S26；
S22：针对局部配电网，将其用无向图G表示，边代表配电网线路，顶点代表配电网节点。参照Kruskal算法构造最小生成树的思想：随机赋予各支路权值，把n阶连通赋权图G的边按权值递增顺序排列，选择G中权值最小的一条边，相继增加不会与已经选择的边构成回路的权值较小的边，直到选出n-1条为止；
S23：根据S22获得随机树T，同时将未被包含在内的所有连枝支路放入序列M。根据当前时段的平均负荷对树T进行潮流计算，并计算树T的有功网损p_loss及各支路权值Qi，令迭代次数it＝1,F(it)＝p_loss。具体计算公式如下：
Figure BDA0002629866940000081
Qi＝RiIi 2 (6)
其中：
Figure BDA0002629866940000082
式中：Ri为第i条支路的支路电阻；Ii为第i条支路的支路电流；λ为节点电压越限罚系数；a、b为与第i条支路关联的两个节点，Uj、Uj,max、Uj,min分别为节点j的电压及上、下限。
S24：将Qi从大到小排列形成序列N，从序列N的第1条树枝开始，依次判断其与M中的所有连枝是否存在于一个环路之中，若是，两者对换形成一棵新树。计算新树的潮流分布和有功网损p_loss；
S25：在利用M中的连枝形成的所有新树中，选择p_loss最小并且小于原树的那棵作为新树，it＝it+1，F(it)＝新树网损，更新T、M，重新计算潮流分布、Qi，并进入下一次迭代，即重复S24；若利用M中所有连枝都未能找到网损值小于原树T的新树，则保留N的第1条树枝，改选第2条，重复S24，以此类推；
S26：重构结束的条件：1)|F(it+1)-F(it)|≤10e-3；2)依次利用M、N序列中的所有支路都未能找到网损值更小的新树。当前树T即为最优网络拓扑，F(it)即为系统最低有功网损。
可选的，所述步骤S3具体包括以下步骤：
S31：根据S2中所得重构策略，提取各时段网络拓扑，对Γt中每个时刻重复S32至S33；
S32：计算配电网的潮流分布，根据式(7)到式(10)依次获得t时刻的电压有功灵敏度矩阵SPV|t、电压有功相对灵敏度矩阵HPV|t、影响因子矩阵YPV|t、电气距离矩阵LPV|t。具体计算公式如下：
Figure BDA0002629866940000091
Figure BDA0002629866940000092
YPV|t＝(YPV,ij|t)N×N YPV,ij|t＝-ln(HPV,ij|t/HPV,ii|t) (9)
Figure BDA0002629866940000093
式中：i,j∈N,N为节点总数，SPV,ij|t为t时刻节点i对节点j的电压有功灵敏度，表明当节点j注入的有功功率变化单位值时，节点i电压幅值的变化量。HPV,ij|t表示t时刻当节点j的有功注入变化单位量时，节点i的电压幅值变化量占所有节点的电压幅值变化量之和的比例。YPV,ij|t表明t时刻节点i对自身与对节点j的相对灵敏度之比，其值越大，影响越小，对应距离也就越远，每个节点对于自身的距离都为零。
S33：根据S32获得的电气距离矩阵LPV|t确定配电网线路的边权eij，对于被任意划分为若干个集群的配电网来说，其改进模块度计算公式如下：
Figure BDA0002629866940000094
eij,t＝(LPV,ij|t+LPV,ji|t)/2 (12)
式中：eij,t为t时刻连接节点i和节点j的边的权重(简称边权)，当节点i和节点j不相连时eij,t＝0，
Figure BDA0002629866940000095
为t时刻网络中所有边权之和；
Figure BDA0002629866940000096
表示t时刻所有与节点i相连的边权之和，亦称为节点i的度；当节点i和节点j在同一集群内时δ(i,j)＝1，否则δ(i,j)＝0。
S34：对Γt中每个时刻重复S32至S33后得到各个时刻的改进模块度ρim,t，求得其平均值γ；
S35：针对第二层模型的求解，使用遗传算法，以集群划分方式为染色体个体，以γ为适应度，通过特殊的编码方式进行求解。具体编码方式如下：
sol2＝[s1,s2,…sn…,sN],n＝(1,2,…,N) (13)
式中：sol2为染色体个体形式，是一个1×N的向量，N为配电网中树枝总数，向量的列数对应着树枝支路编号，其元素sn取值为0或1，0代表该支路连接的两节点在同一集群，1代表该支路是群间支路，连接的两节点在不同集群；
约束条件如下：
s1+s2+…+sn+…+sN＝g,g＝(1,2,…,N) (13-1)
式中：g为集群数量；
其中，适应度f2的计算公式为：
Figure BDA0002629866940000101
则，更新后的第一层模型适应度f的计算公式为：
maxf＝f1+f2max (13-3)
可选的，所述步骤S2中的随机生成树重构法包括目标函数和约束条件:
所述目标函数以最小化网络有功损耗为条件建立，具体如下所示：
Figure BDA0002629866940000102
Ri为第i条支路的支路电阻；Ii为第i条支路的支路电流；n为支路总数；
所述约束条件包括潮流约束、节点电压约束、支路功率约束、网络拓扑约束。
可选的，所述潮流约束，具体如下所示：
Figure BDA0002629866940000103
Figure BDA0002629866940000104
式中：Pi grid、Pi L和Qi grid、Qi L分别为节点i注入的电网有功功率、有功负荷和无功功率、无功负荷；Yij为节点i、j之间的电导；θij为Yij的相角；δi、δj分别为节点i、j的电压相角。
可选的，所述节点电压约束，具体如下所示：
Umin≤Uj≤Umax (17)
式中：Umin、Uj和Umax分别为节点j的电压幅值下限、幅值和幅值上限。
可选的，所述支路功率约束，具体如下所示：
Si≤Si,max (18)
式中：Si、Si,max分别为支路i的功率和功率上限。
可选的，所述网络拓扑约束，具体如下所示：
网络需保证辐射状运行，无环网和孤岛。
gk∈G(19)
式中：gk为重构后的开关状态组合；G为符合辐射状运行状态的所有开关状态集合。
为验证本发明的可实践性和可靠性，以IEEE33节点系统为例，利用本发明建立的双层模型对其进行集群划分，并基于划分结果进行光伏储能选址定容，分析本发明建立的双层模型对光伏消纳和规划成本的影响。
待规划系统的原始数据以及本发明建立的一种结合网络重构的集群划分双层模型的划分结果请参阅图3a-d。
图3a和图3b为待规划系统日负荷和系统原始电压，表1为上层划分结果，总共经过三次动态重构，开关总共动作8次。表2为下层划分结果，一共将33个节点分为6个集群，需要说明的是，因为网络拓扑的改变，某些集群可能不会在每个时段都保持联通，但是双层划分模型能够最大限度的保证各个集群在电气上的紧密性和平衡度。图3c为基于本发明建立的结合网络重构的集群划分双层模型的集群划分结果，图3d为未考虑动态重构的集群划分结果，目前大部分文献均未考虑动态重构，基于某一典型时间场景，如配电网中可再生能源出力渗透率最高的时刻进行集群划分。
表1上层划分结果
时段划分 断开开关
00:00-08:00 11、17、28、33、34
09:00-15:00 10、14、17、28、33
16:00-24:00 7、9、14、17、28
表2下层划分结果
Figure BDA0002629866940000111
为进一步研究本发明建立的双层模型对系统规划的影响，对比4种不同的选址定容方案，结果请参阅图4a-b。
方案1：未对配电网进行网络重构或集群划分。直接对接入到各个节点的光伏(DPV)容量、储能(ESS)容量和功率以及安装节点进行规划，ESS可接入个数为6。
方案2：不考虑网络重构，只对配电网集群划分。基于划分结果，根据现有文献的双层规划方法，上层模型以集群为基本单元,对接入到各集群的DPV总容量、ESS容量和功率进行规划,下层模型以节点为基本单元,优化集群内各节点接入的DPV分容量与ESS的安装节点。
方案3：基于本发明建立的双层模型划分结果进行规划，与方案2相同，上层模型以集群为基本单元,对接入到各集群的DPV总容量、ESS容量和功率进行规划,下层模型以节点为基本单元,优化集群内各节点接入的DPV分容量与ESS的安装节点。
方案4：为与方案3进行更精确的对比，采用图3d的集群划分结果进行规划。除集群外，其他步骤均与方案3相同。
各方案对应的规划成本请参阅表3。不同方案下，各集群接入的DPV与ESS容量请参阅图4a、图4b，在每种方案中，柱状图的柱体从左至右依次代表集群1到集群6。
表3未考虑动态重构的集群划分结果
各项成本 未规划 方案1 方案2 方案3 方案4
总安装成本/万元 67.39 86.10 92.89 87.03
总运维成本/万元 63.80 75.33 79.64 75.88
光伏发电补贴/万元 84.42 98.98 104.17 99.63
主网购电成本/万元 427.42 315.34 295.90 287.59 293.63
年综合费用/万元 427.42 362.10 358.36 355.96 356.90
对光伏消纳的影响：方案2的DPV总量较方案1提升了17.3％，方案3的DPV总量较方案1提升了23.5％，集群划分使得系统的光伏渗透率得到提高，基于本发明的双层模型划分结果进行规划能使系统的光伏渗透率进一步提高。方案4的DPV容纳量较方案2有所提升，但程度不如方案3，这说明即使在相同的动态重构下，根据固定时刻的负荷特性进行集群划分未能充分考虑负荷的时变性，无法得到最佳集群划分结果，同时也证明了本发明所建立的一种结合网络重构的集群划分双层模型的可靠性。
对规划成本的影响：方案2的总规划成本较方案1减少了3.74万元，方案3的总规划成本较方案1减少了6.15万元，虽然随着DPV容纳量的提升，ESS的规划总量也会不可避免的增加，但基于本发明的双层模型划分结果进行规划有助于均匀储能分布，使各个区域的源荷得到平衡，降低主网购电量，集群之间的功率输送减少，减小网损，从而降低规划成本。
对系统电压的影响：方案2和方案3的系统电压分别如图4c和图4d所示,集群划分虽然可使DPV渗透率提高，但其对电压水平的提升几乎没有作用，而方案3的整体电压明显大幅提升，这充分说明网络重构对于均衡负荷的重要性，在重负荷的情况下，本发明建立的双层模型的优势将更加明显。
本发明建立的一种结合网络重构的集群划分双层模型的效果：能够相当提升DPV容纳量，同时提升整体电压水平，降低系统的总规划费用。本发明建立的一种结合网络重构的集群划分双层模型同时得到最符合经济性的分时段动态重构策略，以及相应的集群划分结果，最大限度迎合配电网的实时性，为系统的最优规划提供基础。
需要说明的是，本发明建立的一种结合网络重构的集群划分双层模型的应用不限于配电网规划，在运行调度方面也有积极作用。
以上所述仅表达了本发明的优选实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形、改进及替代，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (6)

1.一种结合网络重构的集群划分双层模型的建立方法，其特征在于：包括以下步骤：
S1：获取配电网数据，所述配电网数据包括线路参数、研究时段内的负荷曲线，建立第一层模型，获得时段划分方式并计算第一层适应度f1；
S2：根据S1获取的时段划分，基于随机生成树重构法对划分后的各个时段进行动态重构；
S3：根据S2获得的不同时段的网络拓扑和各个时刻的负荷特性，建立第二层模型，获得最佳集群划分结果并记录其对应的最佳适应度max f2；
S4：回到第一层模型，根据S3获得的第二层模型适应度更新第一层适应度，整个过程通过双层嵌套遗传算法实现，经过反复交叉变异，双层寻优，同时获得最佳动态重构策略和集群划分方案；
所述步骤S1具体包括以下步骤：
S11：从运行日集合Λ中选取运行日d，d∈Λ；定义运行日d中，小时级别的时间断面集合为Γt，t＝1,2,…,T，t时刻系统功率为Xt＝[xt1,xt2,…,xtn]，n表示节点数，xtj表示t时刻节点j的复功率，j＝1,2,…,n，全天负荷可表示为：X＝[X1,X2,…Xt…,XT]T；
S12：对矩阵X进行规范化处理，针对Γt内时刻α到时刻β的任意时段，首先获得该时段内的平均负荷
Figure FDA0003574768200000011
以及负荷段差dαβ，针对T个时间点的时段，不同分段方式得到的段差d可构成一个T×T的上三角矩阵D，具体计算公式如下：
Figure FDA0003574768200000012
Figure FDA0003574768200000013
Figure FDA0003574768200000014
S13：针对第一层模型的求解，使用遗传算法，以分段方式为染色体个体，以各个时段的段差之和为适应度，通过特殊的编码方式进行求解；具体编码方式如下：
sol1＝[p1,p2,…pt…,pT],t＝1,2,…,T (4)
式中：sol1为染色体个体形式，是一个1×T的向量，对应时段划分方式，其元素pt取值为0或1，0表示当前时刻t与下一时刻在同一段内，1表示当前时刻t与下一时刻不在同一段内；
约束条件如下：
p1+p2+…+pt+…+pT＝k,k＝1,2,…,T (4-1)
式中：k为分段数；
适应度f1的计算公式为：
f1＝f(S,k) (4-2)
Figure FDA0003574768200000021
式中，sol1(T,k)表示T个时刻被划分为k个分段的一种划分方式；
所述步骤S2具体包括以下步骤：
S21：根据S1中所得时段划分结果，计算各个时段的平均负荷，针对各个时段，重复S22至S26；
S22：针对局部配电网，将其用无向图G表示，边代表配电网线路，顶点代表配电网节点；参照Kruskal算法构造最小生成树的思想：随机赋予各支路权值，把n阶连通赋权图G的边按权值递增顺序排列，选择G中权值最小的一条边，相继增加不会与已经选择的边构成回路的权值较小的边，直到选出n-1条为止；
S23：根据S22获得随机树T，同时将未被包含在内的所有连枝支路放入序列M；根据当前时段的平均负荷对树T进行潮流计算，并计算树T的有功网损p_loss及各支路权值Qi，令迭代次数it＝1,F(it)＝p_loss；具体计算公式如下：
Figure FDA0003574768200000022
Qi＝RiIi 2 (6)
其中：
Figure FDA0003574768200000023
式中：Ri为第i条支路的支路电阻；Ii为第i条支路的支路电流；λ为节点电压越限罚系数；a、b为与第i条支路关联的两个节点，Uj、Uj,max、Uj,min分别为节点j的电压及上、下限；
S24：将Qi从大到小排列形成序列N，从序列N的第1条树枝开始，依次判断其与M中的所有连枝是否存在于一个环路之中，若是，两者对换形成一棵新树；计算新树的潮流分布和有功网损p_loss；
S25：在利用M中的连枝形成的所有新树中，选择p_loss最小并且小于原树的那棵作为新树，it＝it+1，F(it)＝新树网损，更新T和M，重新计算潮流分布和Qi，并进入下一次迭代，即重复S24；若利用M中所有连枝都未能找到网损值小于原树T的新树，则保留N的第1条树枝，改选第2条，重复S24，以此类推；
S26：重构结束的条件：1)|F(it+1)-F(it)|≤10e-3；2)依次利用M、N序列中的所有支路都未能找到网损值更小的新树；当前树T即为最优网络拓扑，F(it)即为系统最低有功网损；
所述步骤S3具体包括以下步骤：
S31：根据S2中所得重构策略，提取各时段网络拓扑，对小时级别的时间断面集合Γt中每个时刻重复S32至S33；
S32：计算配电网的潮流分布，根据式(7)到式(10)依次获得t时刻的电压有功灵敏度矩阵SPV|t、电压有功相对灵敏度矩阵HPV|t、影响因子矩阵YPV|t、电气距离矩阵LPV|t；具体计算公式如下：
Figure FDA0003574768200000031
Figure FDA0003574768200000032
YPV|t＝(YPV,ij|t)N×N YPV,ij|t＝-ln(HPV,ij|t/HPV,ii|t) (9)
Figure FDA0003574768200000033
式中：i,j∈N,N为节点总数，SPV,ij|t为t时刻节点i对节点j的电压有功灵敏度，表明当节点j注入的有功功率变化单位值时，节点i电压幅值的变化量；HPV,ij|t表示t时刻当节点j的有功注入变化单位量时，节点i的电压幅值变化量占所有节点的电压幅值变化量之和的比例；YPV,ij|t表明t时刻节点i对自身与对节点j的相对灵敏度之比，其值越大，影响越小，对应距离也就越远，每个节点对于自身的距离都为零；LPV,ij|t为t时刻依次以系统中每一个节点为参照节点，节点i对其的距离与节点j对其的距离之差的平方之和的根，其值为考虑系统所有节点的影响下节点i与节点j的电气耦合程度；
S33：根据S32获得的电气距离矩阵LPV|t确定配电网线路的边权eij，对于被任意划分为若干个集群的配电网来说，其改进模块度计算公式如下：
Figure FDA0003574768200000034
eij,t＝(LPV,ij|t+LPV,ji|t)/2 (12)
式中：eij,t为t时刻连接节点i和节点j的边的权重，简称边权，当节点i和节点j不相连时eij,t＝0，
Figure FDA0003574768200000035
为t时刻网络中所有边权之和；
Figure FDA0003574768200000036
表示t时刻所有与节点i相连的边权之和，亦称为节点i的度；当节点i和节点j在同一集群内时δ(i,j)＝1，否则δ(i,j)＝0；
S34：对Γt中每个时刻重复S32至S33后得到各个时刻的改进模块度ρim,t，求得其平均值γ；
S35：针对第二层模型的求解，使用遗传算法，以集群划分方式为染色体个体，以γ为适应度，通过特殊的编码方式进行求解；具体编码方式如下：
sol2＝[s1,s2,…sn…,sN],n＝1,2,…,N (13)
式中：sol2为染色体个体形式，是一个1×N的向量，N为配电网中树枝总数，向量的列数对应着树枝支路编号，其元素sn取值为0或1，0代表该支路连接的两节点在同一集群，1代表该支路是群间支路，连接的两节点在不同集群；
约束条件如下：
s1+s2+…+sn+…+sN＝g,g＝1,2,…,N (13-1)
式中：g为集群数量；
适应度f2的计算公式为：
Figure FDA0003574768200000041
2.根据权利要求1所述的一种结合网络重构的集群划分双层模型的建立方法，其特征在于：所述步骤S2中的随机生成树重构法包括目标函数和约束条件：
所述目标函数以最小化网络有功损耗为条件建立，具体如下所示：
Figure FDA0003574768200000042
Ri为第i条支路的支路电阻；Ii为第i条支路的支路电流；n为支路总数；
所述约束条件包括潮流约束和节点电压约束和支路功率约束和网络拓扑约束。
3.根据权利要求2所述的一种结合网络重构的集群划分双层模型的建立方法，其特征在于：所述潮流约束，具体如下所示：
Figure FDA0003574768200000043
Figure FDA0003574768200000044
式中：Pi grid、Pi L和Qi grid、Qi L分别为节点i注入的电网有功功率、有功负荷和无功功率、无功负荷；Yij为节点i、j之间的电导；θij为Yij的相角；δi、δj分别为节点i、j的电压相角。
4.根据权利要求2所述的一种结合网络重构的集群划分双层模型的建立方法，其特征在于：所述节点电压约束，具体如下所示：
Umin≤Uj≤Umax (17)
式中：Umin、Uj和Umax分别为节点j的电压幅值下限、幅值和幅值上限。
5.根据权利要求2所述的一种结合网络重构的集群划分双层模型的建立方法，其特征在于：所述支路功率约束，具体如下所示：
Si≤Si,max (18)
式中：Si、Si,max分别为支路i的功率和功率上限。
6.根据权利要求2所述的一种结合网络重构的集群划分双层模型的建立方法，其特征在于：所述网络拓扑约束，具体如下所示：
网络需保证辐射状运行，无环网和孤岛；
gk∈G (19)
式中：gk为重构后的开关状态组合；G为符合辐射状运行状态的所有开关状态集合。
CN202010807986.9A 2020-08-12 2020-08-12 一种结合网络重构的集群划分双层模型的建立方法 Active CN112103988B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010807986.9A CN112103988B (zh) 2020-08-12 2020-08-12 一种结合网络重构的集群划分双层模型的建立方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010807986.9A CN112103988B (zh) 2020-08-12 2020-08-12 一种结合网络重构的集群划分双层模型的建立方法

Publications (2)

Publication Number Publication Date
CN112103988A CN112103988A (zh) 2020-12-18
CN112103988B true CN112103988B (zh) 2022-06-14

Family

ID=73753513

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010807986.9A Active CN112103988B (zh) 2020-08-12 2020-08-12 一种结合网络重构的集群划分双层模型的建立方法

Country Status (1)

Country Link
CN (1) CN112103988B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113270882B (zh) * 2021-04-26 2023-03-31 南方电网电动汽车服务有限公司 通过储能装置降低配电网网损的方法、装置、设备和介质
CN113452053B (zh) * 2021-07-02 2023-03-21 国网吉林省电力有限公司吉林供电公司 一种分布式储能集群划分方法
CN113723807B (zh) * 2021-08-30 2023-09-26 国网山东省电力公司经济技术研究院 一种储能与信息系统双层协同规划方法、装置及介质
CN114050607B (zh) * 2021-10-25 2024-04-05 国网冀北电力有限公司经济技术研究院 配电网重构数字模型的构建系统
CN115882479B (zh) * 2023-02-21 2023-07-14 国网江西省电力有限公司经济技术研究院 一种面向韧性提升的分布式储能系统多目标优化配置方法
CN117394353B (zh) * 2023-12-08 2024-05-14 国网天津市电力公司电力科学研究院 一种配电网负荷转供与恢复方法及装置
CN117937476A (zh) * 2024-03-22 2024-04-26 国网湖北省电力有限公司经济技术研究院 基于预警状态的有源配电网分区段优化重构方法、系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5517422A (en) * 1993-10-12 1996-05-14 Massachusetts Institute Of Technology Method and apparatus for direct control of the inter-area dynamics in large electric power systems
CN107834596A (zh) * 2017-11-10 2018-03-23 东南大学 基于电网运行状态感知的分布式光伏集群动态划分方法
CN110535118A (zh) * 2019-08-07 2019-12-03 上海电力大学 基于改进递归有序聚类的有源配电网多时段动态重构方法
CN110969284A (zh) * 2019-10-29 2020-04-07 国网河南省电力公司经济技术研究院 一种配电网双层优化调度方法
CN111210068A (zh) * 2020-01-03 2020-05-29 合肥工业大学 一种基于集群划分的配电网扩展双层规划方法
CN111342461A (zh) * 2020-03-30 2020-06-26 国网福建省电力有限公司 一种考虑网架动态重构的配电网优化调度方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106815657B (zh) * 2017-01-05 2020-08-14 国网福建省电力有限公司 一种考虑时序性和可靠性的配电网双层规划方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5517422A (en) * 1993-10-12 1996-05-14 Massachusetts Institute Of Technology Method and apparatus for direct control of the inter-area dynamics in large electric power systems
CN107834596A (zh) * 2017-11-10 2018-03-23 东南大学 基于电网运行状态感知的分布式光伏集群动态划分方法
CN110535118A (zh) * 2019-08-07 2019-12-03 上海电力大学 基于改进递归有序聚类的有源配电网多时段动态重构方法
CN110969284A (zh) * 2019-10-29 2020-04-07 国网河南省电力公司经济技术研究院 一种配电网双层优化调度方法
CN111210068A (zh) * 2020-01-03 2020-05-29 合肥工业大学 一种基于集群划分的配电网扩展双层规划方法
CN111342461A (zh) * 2020-03-30 2020-06-26 国网福建省电力有限公司 一种考虑网架动态重构的配电网优化调度方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
主动配电网中计及时序性与相关性的分布式光伏并网规划;贾清泉 等;《中国电机工程学报》;20180320;第38卷(第6期);第1719-1729页 *
考虑网络动态重构含多异质可再生分布式电源参与调控的配电网多时空尺度无功优化;颜湘武 等;《电工技术学报》;20191031;第34卷(第20期);第4358-4372页 *

Also Published As

Publication number Publication date
CN112103988A (zh) 2020-12-18

Similar Documents

Publication Publication Date Title
CN112103988B (zh) 一种结合网络重构的集群划分双层模型的建立方法
Tsekouras et al. Two-stage pattern recognition of load curves for classification of electricity customers
CN106230026B (zh) 基于时序特性分析的含分布式电源的配电网双层协调规划方法
CN107294120B (zh) 一种主动配电网混合储能容量优化配置方法及装置
CN110729765A (zh) 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
CN115940267A (zh) 一种区域配电网分布式光伏集群划分方法
CN113240261A (zh) 一种区域电能质量监测分析系统
Kim et al. A study for clustering method to generate Typical Load Profiles for Smart Grid
CN113937781A (zh) 一种考虑温控负荷聚合体的虚拟电厂滚动调度技术
CN113595071A (zh) 台区用户辨识与电压影响评估方法
CN113270898A (zh) 一种基于两阶段规划的分布式光伏优化配置方法
Zhang et al. Multi–objective Cluster Partition Method for Distribution Network Considering Uncertainties of Distributed Generations and Loads
CN113949079A (zh) 基于深度学习的配电台区用户三相不平衡预测优化方法
Chen et al. Distributed photovoltaic power cluster partition based on DPC Clustering algorithm
CN113807643A (zh) 一种四端互联配电网架结构及其规划方法
CN113673912A (zh) 考虑输电网影响的配电-气网分布式协同规划方法及系统
CN112036553A (zh) 一种基于遗传算法的非信号注入式户相拓扑关系识别方法
Salami et al. Evaluating Power Consumption Model and Load Deficit at Different Temperatures Using Clustering Techniques and Presenting a Strategy for Changing Production Management
CN113690930B (zh) 基于nsga-iii算法的分布式光伏电源中长期选址定容方法
Yuqing et al. Planning of Distributed Photovoltaic in Distribution Network Based on Green Certificate Trading Mechanism
CN110189231A (zh) 一种基于改进遗传算法的电网最优供电方案的确定方法
Wang et al. Research on Double Layer Coordinated Optimization Planning of Distribution Network with Distributed Generation
CN112803393B (zh) 基于线路负载率特征的主网源-网-荷协调性评估方法
Chen et al. Method for Implementing Load Recognition Algorithm for Internet of Things Terminals Based on Distributed Storage
CN117543531A (zh) 一种考虑灵活性的中压配电网源网储双层规划方法

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