CN112330099A - 配电系统在极端自然灾害天气下的资源调度方法 - Google Patents
配电系统在极端自然灾害天气下的资源调度方法 Download PDFInfo
- Publication number
- CN112330099A CN112330099A CN202011109600.3A CN202011109600A CN112330099A CN 112330099 A CN112330099 A CN 112330099A CN 202011109600 A CN202011109600 A CN 202011109600A CN 112330099 A CN112330099 A CN 112330099A
- Authority
- CN
- China
- Prior art keywords
- power distribution
- power
- distribution system
- natural disaster
- distribution network
- 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.)
- Pending
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 192
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000010248 power generation Methods 0.000 claims abstract description 30
- 230000006870 function Effects 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 10
- 238000012423 maintenance Methods 0.000 claims description 7
- 238000004134 energy conservation Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 2
- 230000004044 response Effects 0.000 description 25
- 238000004891 communication Methods 0.000 description 14
- 238000005457 optimization Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 11
- 230000006872 improvement Effects 0.000 description 10
- 238000011084 recovery Methods 0.000 description 9
- 230000008878 coupling Effects 0.000 description 8
- 238000010168 coupling process Methods 0.000 description 8
- 238000005859 coupling reaction Methods 0.000 description 8
- 238000011160 research Methods 0.000 description 8
- 230000005611 electricity Effects 0.000 description 7
- 230000002829 reductive effect Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 6
- 238000005265 energy consumption Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 241000711969 Chandipura virus Species 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000002582 magnetoencephalography Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000003345 natural gas Substances 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 235000013772 propylene glycol Nutrition 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000013486 operation strategy Methods 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 231100000517 death Toxicity 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005485 electric heating Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Power Engineering (AREA)
- Public Health (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了配电系统在极端自然灾害天气下的资源调度方法,配电系统包括配电网络和产消者集群,配电网络中包含多个节点,产消者集群通过至少一个节点与配电网络相连,在配电系统中还布置有移动发电车。该方法包括步骤:生成在极端自然灾害天气下,针对配电系统运行成本的目标函数;构建关于极端自然灾害天气的气象模型;基于气象模型,构建极端自然灾害天气对配电系统的损害模型;结合损害模型,构建配电系统在极端自然灾害天气的影响下,发生故障的不确定模型;针对移动发电车、以及配电网络中的线路和节点的负荷,设置约束条件;基于约束条件和不确定模型,求解目标函数,得到求解结果;按照求解结果调度配电系统中的资源。
Description
技术领域
本发明涉及能源电力技术领域,更具体地,涉及配电系统在极端自然灾害天气下的资源调度方法。
背景技术
近年来,全球极端自然灾害的发生严重威胁着电力系统的安全可靠运行。比如,2008年中国南方地区发生的特大冰雪灾害,导致2378.5万户终端用户停电,且造成6823.94条线路受损;2012年,美国发生的超级飓风“Sandy”,造成835万电力用户停电,由于停电原因导致50人死亡。极端自然灾害发生频率低、但影响破坏力强、且难以预测。我国配电网电压等级低、结构较为单一,更易受到极端自然灾害的影响。因此,研究极端自然灾害下配电网的负荷恢复问题得到越来越多的关注。
目前,关于受极端自然灾害影响下的配电网弹性提升策略,国内外已有大量的研究。提升配电网弹性的措施有很多,目前主要包括,配电系统的网络及元件加固、拓扑重构、分布式电源接入、移动电力资源配置等。比如,现有方案采用系统信息熵理论构建台风影响下的元件故障率模型,在此基础上,对比分析了传统加固线路元件与接入分布式电源两种方式对配电网弹性提升的作用。配电网网络加固及分布式资源的接入提高了系统的冗余性,有效提升了配电网的弹性,但是其成本较高。为了在有限成本下最大化提升配电网在极端灾害下的负荷恢复力,另一种方案通过发电机的重新调配和电力网络的拓扑转换,对极端自然灾害进行预防性响应和紧急响应。又如,现有方案提出了一个基于分布式电源和远程自动开关设备的配电系统运行优化方法,提升了在极端天气影响下的配电系统中重要负荷的恢复力。又如,现有方案建立了一个针对电动汽车、移动储能系统及移动紧急发电机的二阶段的优化调度框架,旨在通过配置这些移动电力资源来提高配电网对极端自然灾害的应对能力,改善灾后负荷的恢复性能。然而,上述文献提出的弹性提升策略大多需要新投入较多的资金成本来实现,未考虑利用用户侧资源来改善配电系统的弹性。
上述研究成果已为本领域的研究奠定了基础,但目前的研究,仍存在着以下几个问题:1)研究配电网弹性提升问题时,对于可利用资源的挖掘不够充分。已有文献大多是通过增加供应侧资源和强化配电网络质量的角度来提高配电网供电的冗余度,没有充分利用较为灵活的需求侧资源来提升电网弹性;2)通过需求响应资源缓解电网供电压力的研究主要是从电网供电可靠性角度来考虑的,并未构建具体的极端自然灾害的模型。这种方式不能准确表达出特定极端天气对配电网元件的损害情况;3)研究配电网弹性提升措施时,大部分文献仅是从单一角度,即供应侧,来考虑可支配的电能资源,对于供需侧资源的联合协同优化配置的研究并不充分。
有鉴于此,需要一种新的在极端自然灾害天气下的资源调度方法,来解决上述问题。
发明内容
为此,本发明提供了配电系统在极端自然灾害天气下的资源调度方法,以力图解决或者至少缓解上面存在的至少一个问题。
根据本发明的一个方面,提供了配电系统在极端自然灾害天气下的资源调度方法,配电系统包括配电网络和产消者集群,配电网络中包含多个节点,产消者集群通过至少一个节点与配电网络相连,在配电系统中还布置有移动发电车,以便为发生故障的节点提供应急供电需求,方法适于在计算设备中执行,包括步骤:生成在极端自然灾害天气下,针对配电系统运行成本的目标函数;构建关于极端自然灾害天气的气象模型;基于气象模型,构建极端自然灾害天气对配电系统的损害模型;结合损害模型,构建配电系统在极端自然灾害天气的影响下,发生故障的不确定模型;针对移动发电车、以及配电网络中的线路和节点的负荷,设置约束条件;采用列约束生成算法,基于约束条件和不确定模型,求解目标函数,得到求解结果;以及按照求解结果调度配电系统中的资源。
根据本发明的再一方面,提供了一种计算设备,包括:一个或多个处理器;和存储器;一个或多个程序,其中一个或多个程序存储在存储器中并被配置为由一个或多个处理器执行,一个或多个程序包括用于执行如上所述方法中的任一方法的指令。
根据本发明的再一方面,提供了一种存储一个或多个程序的计算机可读存储介质,一个或多个程序包括指令,指令当计算设备执行时,使得计算设备执行如上所述的方法中的任一方法。
综上,根据本发明的方案,以用电设备为负荷单元,建立产消者集群中不同类型负荷的能源消耗特性模型,在此基础上,以移动应急发电机投资、运行成本和配电网络失负荷成本最小为目标,构建基于MEG和需求响应资源的配电网弹性提升模型。该模型综合考虑MEG的规划配置、分布式能源的出力控制、不同类型负荷的调用、及供需侧资源的协调控制。同时,利用保守度可调的不确定集合描述飓风灾害对配电网的损害程度。采用列约束生成算法求解所构建的二阶段鲁棒优化模型。
最终算例结果表明,根据本发明的方案,综合利用MEG、分布式电热源及需求侧资源,可以有效改善配电网络应对极端自然灾害天气的能力,以更经济的方式提升配电系统在极端自然灾害天气下的负荷恢复力。
附图说明
为了实现上述以及相关目的,本文结合下面的描述和附图来描述某些说明性方面,这些方面指示了可以实践本文所公开的原理的各种方式,并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述,本公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开,相同的附图标记通常指代相同的部件或元素。
图1示出了根据本发明一个实施例的计算设备100的构造示意图;
图2示出了根据本发明一个实施例的配电系统200的示意图;
图3示出了根据本发明一个实施例的配电系统200在极端自然灾害天气下的资源调度方法300的流程示意图;
图4示出了根据本发明一个实施例的IEEE33节点配电系统的示意图;
图5示出了图4中所有产消者集群的光伏输出与能源消耗功率曲线图;
图6示出了图4的配电系统中各节点处的风速;
图7A和图7B分别示出了14节点和32节点处的产消者集群,在飓风灾害发生前后的负荷消耗量示意图;
图8A至图8C分别示出了非故障节点处与故障节点处的产消者集群的电力用户需求情况示意图;
图9示出了32节点处产消者集群及配电网络的失负荷量与可控负荷占比的关系示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
图1是示例计算设备100的框图。在基本配置102中,计算设备100典型地包括系统存储器106和一个或者多个处理器104。存储器总线108可以用于在处理器104和系统存储器106之间的通信。
取决于期望的配置,处理器104可以是任何类型的处理器,包括但不限于:微处理器(μP)、微控制器(μC)、数字信息处理器(DSP)或者它们的任何组合。处理器104可以包括诸如一级高速缓存110和二级高速缓存112之类的一个或者多个级别的高速缓存、处理器核心114和寄存器116。示例的处理器核心114可以包括运算逻辑单元(ALU)、浮点数单元(FPU)、数字信号处理核心(DSP核心)或者它们的任何组合。示例的存储器控制器118可以与处理器104一起使用,或者在一些实现中,存储器控制器118可以是处理器104的一个内部部分。
取决于期望的配置,系统存储器106可以是任意类型的存储器,包括但不限于:易失性存储器(诸如RAM)、非易失性存储器(诸如ROM、闪存等)或者它们的任何组合。系统存储器106可以包括操作系统120、一个或者多个应用122以及程序数据124。在一些实施方式中,应用122可以布置为,在操作系统上利用程序数据124进行操作。在一些实施例中,计算设备100被配置为执行配电系统在极端自然灾害天气下的资源调度方法300,程序数据124中就包含了用于执行上述方法的指令。
计算设备100还包括储存设备132,储存设备132包括可移除储存器136和不可移除储存器138,可移除储存器136和不可移除储存器138均与储存接口总线134连接。
计算设备100还可以包括有助于从各种接口设备(例如,输出设备142、外设接口144和通信设备146)到基本配置102经由总线/接口控制器130的通信的接口总线140。示例的输出设备142包括图形处理单元148和音频处理单元150。它们可以被配置为有助于经由一个或者多个A/V端口152与诸如显示器或者扬声器之类的各种外部设备进行通信。示例外设接口144可以包括串行接口控制器154和并行接口控制器156,它们可以被配置为有助于经由一个或者多个I/O端口158和诸如输入设备(例如,键盘、鼠标、笔、语音输入设备、图像输入设备)或者其他外设(例如打印机、扫描仪等)之类的外部设备进行通信。示例的通信设备146可以包括网络控制器160,其可以被布置为便于经由一个或者多个通信端口164与一个或者多个其他计算设备162通过网络通信链路的通信。
网络通信链路可以是通信介质的一个示例。通信介质通常可以体现为在诸如载波或者其他传输机制之类的调制数据信号中的计算机可读指令、数据结构、程序模块,并且可以包括任何信息递送介质。“调制数据信号”可以是这样的信号,它的数据集中的一个或者多个或者它的改变可以在信号中编码信息的方式进行。作为非限制性的示例,通信介质可以包括诸如有线网络或者专线网络之类的有线介质,以及诸如声音、射频(RF)、微波、红外(IR)或者其它无线介质在内的各种无线介质。这里使用的术语计算机可读介质可以包括存储介质和通信介质二者。在一些实施例中,计算机可读介质中存储一个或多个程序,这一个或多个程序中包括执行根据本发明的基于数据挖掘的短期电力负荷预测方法的指令。
计算设备100被配置为执行根据本发明的配电系统在极端自然灾害天气下的资源调度方法300。计算设备100可以实现为小尺寸便携(或者移动)电子设备的一部分,这些电子设备可以是诸如蜂窝电话、数码照相机、个人数字助理(PDA)、个人媒体播放器设备、无线网络浏览设备、个人头戴设备、应用专用设备、或者可以包括上面任何功能的混合设备。计算设备100还可以实现为包括桌面计算机和笔记本计算机配置的个人计算机。
图2示出了根据本发明一个实施例的配电系统200的示意图。
如图2所示,配电系统200通过节点连接到上级变电站,包括配电网络和产消者集群。其中,配电网络中包含多个节点。产消者集群通过至少一个节点与配电网络相连。一个产消者集群包含不同能源消耗模式的用户(比如,居民、商业、工业用户等)。在一种实施例中,每个产消者包括能源生产部分、消耗部分及用户能量管理系统(User energymanagement system,UEMS)。其中能源生产部分多为分布式电源,如CHP机组、电锅炉、PV电源,能源消耗部分由电负荷和热负荷构成。UEMS是每个产消者内部对可控负荷进行监测和控制的平台,用于提供可控负荷的最优调度方案,提高可再生能源的利用效率及能源供应的可靠性。
当发生极端自然灾害时,与产消者集群相连的上级配电网络中的线路,可能会发生故障导致线路中断,使得配电网络向产消者集群的输电量受限,甚至无法向产消者集群供电。此时,为了尽可能地保证终端能源用户的需求,产消者中的CHP机组将消耗更多的天然气来产生用户所需热能,同时产生一部分电能可以缓解配电网络的供电压力。此外,产消者基于终端需求侧的负荷特性,通过UEMS制定最优负荷策略,各个产消者将相关信息发送给产消者集群,最终由产消者集群综合调控不同用户类型中可控负荷的消耗模式,最大化消纳产消者集群中所有PV电源的输出功率,进一步缓解上级配电网的供电压力,提升配电网弹性。
在根据本发明的实施例中,从能量耦合元件、光伏电源、负荷等三方面,对产消者进行了数学描述。
1)能量耦合元件
在一种实施例中,能量耦合设备包括CHP机组和电锅炉。其中CHP机组将天然气转化为电能和热能,电锅炉是通过消耗电能供应热负荷。它们的输入输出关系具体可以表达如下:
式中,代表能量耦合设备k的能量形式为M(在CHP机组中代表天然气,电锅炉中代表电能)的输入功率;代表能量耦合设备k的能量形式为L(在CHP机组中代表电能和热能,电锅炉中代表热能)的输出功率;ηml,k代表着机组k从能源M转化为能源L的能量转化系数。
此外,各个能量耦合元件的输入/输出功率的约束如下:
2)光伏电源
根据国家电网公司企业标准《光伏电站接入电网技术规定》(Q/GDW617-2011),可再生能源并网的容量限制如下:
3)负荷模型
根据本发明的实施例,产消者的需求侧资源包含电负荷和热负荷,根据其运行特性可以分为刚性负荷、可中断不可调度负荷、可调度不可中断负荷、及可调度可中断负荷。其中可中断不可调度负荷、可调度不可中断负荷、及可调度可中断负荷属于可控负荷,可以在发生极端自然灾害后,通过参与需求响应项目来优化负荷曲线,缓解配电网的供电压力。
a.刚性负荷
刚性负荷为不可控负荷,其运行时间和运行周期不能随意调整和改变,比如,照明、冰箱、电梯等属于此类负荷。刚性负荷的数学模型如下:
b.可调度不可中断负荷
可调度不可中断负荷的运行起始时间可以调整,一旦开始运行,需要连续工作一段时间不能被中断。洗衣机、烘干机、研磨机等设备属于此类负荷。可调度不可中断负荷的数学模型如下:
ωa≤ta,s≤ηa (7)
ωa≤ta,s+ΔTa≤ηa (8)
其中,为设备a在时间t消耗的功率;ta,s为设备a的运行起始时间;ΔTa为设备a完成工作任务所需运行的时间周期;[ωa,ηa]为设备a的可以调度的时间范围;Dnisl,a代表设备a完成工作任务所需的全部功率量。
c.可调度可中断负荷
可调度可中断负荷的运行时间较为灵活,该类设备的起始运行时间可以改变,并且在运行过程可以随时中断。通常认为,如果该设备被调度,则其运行功率可以达到最大如果该设备被终止,则该设备的运行功率达到最小运行功率(为最小备用功率或为零)。混合式电动汽车、井泵等设备属于这类负荷,其数学表达如下:
此外,配电系统200还包括传统负荷,传统负荷也通过节点与配电网络相连。
根据本发明的实施方式,在配电系统200中还配有移动应急发电机(Mobileemergency generator,MEG),在一种实施例中,布置为移动发电车(未示出),以便为发生故障的节点提供应急供电需求。
当发生极端自然灾害时,配电网络中的部分线路甚至大面积线路可能会出现故障,无法满足用户侧的能源需求。在这种情况下,移动发电车作为一种灵活的发电资源,可以及时到达故障点来满足用户的电力需求,实现电力供应的快速恢复,有效减少极端灾害的影响。为了充分利用应急供电资源,需要合理配置移动发电车。发生自然灾害后,经调度分配,移动发电车从仓库转移到故障点进行工作,这一过程需要消耗时间。为了进一步缩短灾害后负荷的停电时间,根据本发明的实施例,在极端灾害发生前就要对移动发电车进行预分配,由此构建一个二阶段的调度框架。
第一阶段,在极端自然灾害发生前,电网公司先将移动发电车提前分配到等待位置,以确保发生灾害后,移动发电车能够以最快速度进行响应。
第二阶段,在极端自然灾害发生后,移动发电车根据调度指令从等待位置转移到故障点,然后基于产消者集群的能源消耗特性,协同规划供应侧和需求侧的资源,最大化恢复受灾地区的电力供应能力。
图3示出了配电系统200在极端自然灾害天气下的资源调度方法300的流程示意图。以下将结合图3,详细介绍根据本发明一个实施例的配电系统200在极端自然灾害天气下的资源调度方法300的流程。
如图3所示,方法300始于步骤S310。在步骤S310中,生成在极端自然灾害天气下,针对配电系统200运行成本的目标函数。
根据一种实施例,以移动发电车的投资成本、运行维护成本、以及配电网络的停电成本最小为目标,通过优化MEG的分配位置、MEG的输出功率、灾害发生后配电网负荷节点的恢复功率、产消者中分布式电热源的输出功率、以及产消者中用电设备的消耗功率,来充分利用供需侧资源,以提升配电网的供电弹性。所构建的目标函数如下:
其中,
式中,λinv为MEG每单位容量的投资成本(元/kW);Pm为第m台MEG的容量(kW);αm,i为二元变量,αm,i=1代表节点i有布置第m台MEG,αm,i=0代表节点i没有布置第m台MEG;ω代表发电车的运行维护成本与投资成本的比例关系;ΩN和Ωpro为配电网节点集合和产消者集群集合;λshedding,i代表配电网节点i处因发生自然灾害而产生的停电成本(元/kW);代表自然灾害发生前,配电网节点i在t时刻的有功功率需求;代表自然灾害发生后,配电网节点i在时刻t的有功功率需求;代表产消者中的光伏电源在时刻t的功率输出。
随后在步骤S320中,构建关于极端自然灾害天气的气象模型。
极端自然灾害对电力系统造成的危害程度取决于很多因素,比如自然灾害的类型(台风、地震、冰雪等)、自然灾害的严重程度、以及电力系统自身的网架结构等。这些影响因素的模型,可以利用相关历史统计数据进行拟合,也可以基于影响因素的物理机理进行构建。在一种实施例中,极端自然灾害天气为飓风灾害。当发生飓风灾害时,风速较大区域的配电线路可能会出现电线杆倒塌等故障事件。其中,飓风的风眼位置决定了飓风会波及到的电力网架的位置。飓风的风速决定了电力网络架构中关键元件(如电线杆)受到危害的程度。因此,飓风的气象模型为飓风的风速模型。
根据飓风的气压、最大风速、最大风速半径、周期风速,构建飓风的风速模型:
式中,vm为飓风的最大风速;为飓风的最大风速半径;d为待求风速所处的位置与飓风中心的距离;b为比例参数,可以通过风暴的中心气压进行估算,具体可参阅“Arevised model for radial profiles of hurricane winds[J].Monthly WeatherReview,2010,138(12),4393–4401”;a为比例参数,与气旋的形状相关,通常取值为0.5。
随后在步骤S330中,基于气象模型,构建极端自然灾害天气对配电系统的损害模型。
在一种实施例中,步骤S330分两步执行。首先,构建在极端自然灾害天气下,配电系统中受影响的元件的故障性模型。
基于飓风的风速模型,可以构建受到影响的电力网络架构中关键元件(此处主要考虑架空线路中电线杆)的故障性模型(或称为脆弱性模型)。通常认为电线杆的脆弱性曲线服从对数正态分布,因此,由风速导致的电线杆故障模型如下式所示:
式中,propole,θ为单个电线杆θ在特定风速v0下的故障率;v0为电线杆处的风速;m为电线杆脆弱性函数的中位数;σ为上述对数正态分布的标准差。
接下来,基于上述故障率模型,构建配电系统的损害模型。
单个电线杆发生故障会直接导致所在线路运行失效,因此基于电线杆的故障性模型,根据串联原理构建配电线路的损害模型,如下式:
式中,pline,l为配电线路l在特定风速下的故障率;npole为支撑线路l的电线杆的数量。
随后在步骤S340中,结合损害模型,构建配电系统在极端自然灾害天气的影响下,发生故障的不确定模型。
结合配电线路的故障率模型,飓风灾害影响下的配电线路发生故障的不确定模型表达如下:
式中,μl为二元变量,μl=1代表线路l因发生极端自然灾害而故障断电,μl=0代表线路l正常运行;Γ代表整个配电系统的不确定预算值,其值越大,所构建的不确定集合越保守。由式(22)可看出,线路l的故障率越小,则其占有更多的不确定预算。例如,当线路l的故障率为0时,则该线路的不确定预算为无穷大,如果此时整个配电系统的不确定预算值Γ为有限的,那么只有当μl为0时才成立。反之,当线路l的故障率为1时,则该线路的不确定预算为0,在这种情况下的优化结果为μl等于1。因此,Γ的值越大,即该配电系统的故障预算越大,代表飓风灾害对于整个配电线路的毁伤程度越高。
随后在步骤S350中,针对移动发电车、以及配电网络中的线路和节点的负荷,设置约束条件。
如前文所述,为进一步缩短灾害后负荷的停电时间,将调度过程分二阶段进行。故在设置约束条件时,也按照二阶段来设置。具体地,分别设置极端自然灾害天气发生前、极端自然灾害天气发生后的约束条件。
(1)第一阶段,即,极端自然灾害天气发生前的约束条件,至少包括:移动发电车的供电容量约束、配电网络潮流约束。
1)移动发电车
本实施例中,每台移动发电车只能提前定位到一个候选的等待节点,且每台移动发电车的供电容量是有限的,具体数学表达如下:
2)配电网潮流约束
配电网中的所有线路及节点的有功、无功功率应该满足如下约束:
式中,分别代表自然灾害发生前,支路(i,j)上的有功/无功功率; 分别代表自然灾害发生前,节点i的有功/无功功率需求;Pi 0、Qi 0代表自然灾害发生前,节点i的有功/无功功率输出;为线路(i,j)的视在功率的上限值。其中,约束式(26)可以通过现有方法进行线性化,此处不再赘述。
配电网中的所有节点的电压应该满足如下约束:
式中,vi为节点i的电压;Vi min、Vi max分别为节点i电压的最小值和最大值;rij、xij分别为线路(i,j)的电阻和电抗。
此外,与移动发电车相连的候选等待节点的有功、无功功率的输出量也会受到移动发电车容量的限制,且没有连接移动发电车的节点的功率输出量为零,它们的数学描述如下:
(2)第二阶段,即,极端自然灾害天气发生后的约束条件,至少包括:移动发电车的运行约束、配电网络潮流约束、配电网络的能量守恒约束、对产消者的功率和负荷约束。
1)移动发电车的运行约束
每台移动发电车在每个时刻最多能连接一个节点:
且每台移动发电车的输出功率的约束如下:
2)配电网潮流约束
发生自然灾害后,配电网中的所有线路及节点的有功、无功功率应该满足如下约束:
发生自然灾害后,配电网中的所有节点的电压应该满足如下约束:
式中,K2为一个足够大的数。
3)能量守恒约束
根据本发明的实施例,配电系统中的负荷节点包括普通负荷节点和产消者集群负荷节点。其中,产消者集群含有分布式电热能源且参与需求响应项目,主要涉及电能和热能。针对电能的能量守恒约束如下:
热能能量守恒约束如下:
4)其它约束
见前文中式(1)-(3)所表示的对对产消者的输入/输出功率的约束,式(5)-(12)所表示的对产消者的负荷的约束,此处不再赘述。
至此,由目标函数、不确定模型和约束条件,就构成了一个二阶段鲁棒优化模型,作为根据本发明实施例所构建的基于移动应急发电机(即,移动发电车)和需求响应资源的配电网络的负荷恢复力提升模型。在随后的步骤S360中,求解该二阶段鲁棒优化模型。由于二阶段鲁棒化模型难以直接求解,故,在一种实施例中,采用列约束生成算法(column-and-constraint generation,C&CG),基于约束条件和不确定模型,求解目标函数,得到求解结果。具体地,将二阶段鲁棒模型转化为主问题和子问题,基于对偶原理和线性化转换,形成混合整数线性优化模型,以迭代的方式将子问题中的变量和约束带入到主问题中。经过处理之后,在IBM ILOG CPLEX优化求解器中进行建模求解,得到求解结果。
随后在步骤S370中,按照求解结果调度配电系统中的资源。在一种实施例中,配电系统中的资源包括:移动发电车、产消者集群中的分布式电热源、终端用户的电负荷和热负荷。
根据一种实施例,通过如下方式来调度资源,一方面,以最快的速度,将移动发电车调度到故障节点。另一方面,通过需求响应项目,调整终端用户的弹性负荷,改变其用电行为。例如,当发生自然灾害时,配电系统的供电水平受到限制。在这种情况下,如果电力消耗仍集中出现在某一时间段,产生需求高峰,会进一步加剧电网功能的恶化。为了应对这个风险,系统运营商可以通过基于价格或者基于激励的方式来引导终端用户在特定时间内减少电能消耗或转移部分负荷到其它时间段,以此均衡不同时间下的电能消耗。通过需求响应项目,可以缩小峰谷差,适当减小高峰时期的电能需求,从而缓解在极端情况下电网的供能压力。
根据本发明的方法300,基于产消者集群的概念,构建了配电网络中参与需求响应项目的终端用户的负荷特性模型,明确了飓风灾害的气象模型及飓风灾害对配电系统200(具体为其中的某些元件,如电线杆)的损害模型。在此基础上,进一步构建了基于移动应急发电机(Mobile emergency generator,MEG)和需求响应资源的配电网负荷恢复力提升模型。该模型综合考虑MEG的规划配置、分布式能源的出力控制、不同类型负荷的调用、及供需侧资源的协调控制。采用列约束生成算法(Column-and-constraint generation,C&CG)求解所构建的模型。
最后,以IEEE33节点配电系统为算例,对根据本发明实施例的方法300的效果进行分析。
图4示出了根据本发明一个实施例的IEEE33节点配电系统的示意图。如图4所示,该配电网络中的14、18和32负荷节点与产消者集群相连。
所有产消者集群的光伏输出功率与能源负荷消耗情况如图5所示。产消者集群中各分布式电热源的参数如表1所示。另外,本算例中共配备有5台MEG,其中额定功率为10kW的有3台和额定功率为50kW的有2台。
表1各产消群中分布式电热源的参数
为了便于计算该配电系统中各个节点所处位置的风速,以节点1为原点,建立直角坐标系,如图4所示。由此可计算得到各个节点的坐标如下:
表2配电网各节点的坐标
假设飓风在坐标系中所处位置为(30,30),则基于各节点的坐标,就可以得到各个节点所在位置的风速,图6示出了图4的配电系统中各节点处的风速,如图6所示,其中横坐标表示节点序号,纵坐标表示风速(km/h)。
为说明方法300的有效性,此处设置了三个不同场景进行分析,分别为:
1)场景一:所有负荷节点消耗的功率仅由配电网供应。在飓风灾害的影响下(Γ=1.5),配电网中部分线路发生断线故障,导致所连终端用户停电。
2)场景二:在场景一的基础上,在配电网中配备MEG资源及产消者集群中的CHP机组、电锅炉及PV电源,在飓风灾害的影响下(Γ=1.5),以整个配电系统的失负荷总成本最低为目标,对系统运行策略进行优化。
3)场景三:在场景一的基础上,在配电网中配备MEG资源的同时,考虑产消者集群中的用户参与需求响应项目,其中与14、18及32节点相连的三个产消者集群的终端用户中弹性负荷所占比例分别为30%、30%、40%,在飓风灾害的影响下(Γ=1.5),根据本文所提目标对整个配电系统运行策略进行优化。
其中,场景三代表了方法300的资源调度方案,场景一和场景二作为对照组。
首先,对3种场景下,配电系统的运行经济型进行对比分析。
三种场景下,图4所示的配电系统在极端天气下的运行成本如表3所示。
表3不同场景下配电系统的各项成本
由表3可知,相较于场景二和场景三的失负荷成本,在不配备任何资源(场景一)时,配电系统的失负荷成本最大。而通过配备MEG、分布式电热源和需求响应资源(场景三),能够大大降低配电系统在极端自然灾害下的失负荷成本,降低约26.96万元,为场景一总失负荷成本的94.43%。其中,需求响应项目的实施为配电网节约了近6.56万元的成本。
此外,此处仅考虑了一次极端自然灾害造成的失负荷,但是针对MEG,此处计算的是长期成本(包括投资成本和运行维护成本)。因此,虽然MEG的成本较高,但从长期来看,它投资一次可以用于多次极端自然灾害或其它停电事故。此外,当发生突发停电事故时,MEG能够迅速响应,以尽可能短的时间保证一部分电能负荷的有效供应。由表3可知,在本算例中,发生一次极端自然灾害后,由于配备MEG、CHP、电锅炉及PV电源(场景二),使得发生故障后的配电网的失负荷成本降低了近20.4万元。由此可见,MEG和分布式电热源可以有效提升配电网的负荷恢复量。
综上,在配电系统中,综合配置供需侧资源能够有效提升极端自然灾害下的配电网弹性,降低由灾害导致的经济损失。
其次,对3种场景下,不确定预算值对配电网络运行效益的影响进行分析。
为了研究极端自然灾害天气对于配电网运行优化的影响,此处对比分析了在不同的故障不确定预算值(即,Γ)下,配电网分配MEG和需求响应资源的运行方案。
表4不同不确定预算值下的配电网运行状况
由表4可看出,随着Γ的增大,配电网中发生故障的节点变多,即所构建的鲁棒优化模型的保守度增强,因此参数Γ可以用来调节鲁棒优化模型的保守度,Γ越大,模型的保守度越强。基于所构建的优化模型,可将MEG分配到发生故障的节点,以满足相应的负荷需求。
另外,由表4中的失负荷成本可以看出,当参数Γ为2.5,配电网中发生故障的节点数为5个时,配电系统在飓风灾害发生后的失负荷成本最大。这是因为故障节点数直接影响了失去电能供应的终端用户数量,所以一般情况下故障节点数越多,受到灾害影响导致停电的终端用户数就越多。但是,Γ为1.5时(配电网有3个故障节点数)的失负荷成本却略小于Γ为0.5时(配电网有1个故障节点数)的失负荷成本。这可能是因为,当Γ为1.5时,发生故障的节点中的14和32节点连接的是产消者集群,产消者集群中含有包括CHP机组、电锅炉及光伏电源在内的分布式电源,这些分布式电源基本不受飓风灾害的影响,因此可以在配电网络发生故障的情况下,仍可以对产消者集群中的能源用户供应能源。由此可见,科学地布置分布式电源可提升配电系统的弹性。
最后,对3种场景下,需求响应资源对配电网络弹性的影响进行分析。
为了研究需求响应资源对配电网络在极端自然灾害天气下的负荷恢复的影响,此处分析了算例系统中各个产消者集群的电能消耗情况。
发生飓风灾害后(Γ=1.5),配电网中发生故障的节点为14、17、32节点,其中,14和32节点为与产消者集群相连的节点。在场景二中,发生故障时,14节点与32节点配备了MEG、CHP机组、电锅炉及光伏电源(即,配备了供应侧资源)。由图7A、7B可以看出,配备了供应侧资源的14节点与32节点处的负荷供应恢复量有所提升,但是能够恢复的电力供应并不能完全满足终端用户的需求。这是因为在投资和运行维护成本的限制下,所配备的MEG及分布式电热源的输出功率也是有限的。因此,如果想在有限成本下尽可能地恢复大部分用户的电力需求,仅通过配置供应侧资源,是难以实现的。
为了进一步提升配电网络终端负荷灾后的恢复量,产消者集群实施需求响应项目(即,场景三)。如图8A至图8C所示,非故障节点处与故障节点处的产消者集群,在不同时刻的电能消耗特性均发生了变化。
由图8A至图8C可以看出,实施了需求响应项目之后,各个产消者集群中大部分的弹性负荷都分别转移到了用电低谷期(凌晨1点至早晨8点),在原本的用电高峰期(10点至22点)仅维持终端用户的刚性负荷的需求,缩小了用户的用电需求峰谷差。这是因为根据能源价格的不同,在有限的供能资源下,各个产消者集群中包括可平移负荷和可转移负荷在内的可控负荷,通过在时间轴上的转移来调节配电网的供需平衡,以实现失负荷成本最小,最大化满足终端用户的电能需求。
另外,相较于场景二中的配电网的14节点与32节点的负荷消耗量(图7A和图7B),从图8A和图8C可以看出,场景三中14节点与32节点处的产消者集群中的终端负荷,通过在时间轴上的转移有效减小了总失负荷量,负荷恢复能力得到很明显的提升。
为了进一步验证末端弹性负荷对灾后配电网负荷恢复力提升的影响,以下以与32节点相连的产消者集群为例,对比研究了终端用户中可控负荷占比分别为30%、35%、40%、45%、50%、55%、60%时,产消者集群及整个配电网络的失负荷情况,如图9所示。
由图9可以看出,随着终端负荷中可控负荷占比的增加,极端灾害后32节点处的产消者集群中的失负荷量和配电网的总失负荷量都减少,也就是说,实施需求响应项目不仅能提升本负荷节点的负荷恢复量,还有助于配电网络中其它节点用电负荷的恢复。此外,随着可控负荷占比的增大,产消者集群中失负荷量和配电网中的失负荷量的变化率是减小的,当可控负荷占比达到40%时,实施需求响应项目对配电网负荷恢复力的提升作用最大。由此可知,通过可控负荷来改善配电网灾后的负荷恢复力的作用效果是有极限的,当可控负荷占比达到一定比例之后,实施需求响应项目对系统弹性提升的影响程度会减小。因此,在利用需求侧资源提升极端灾害后的配电网供电能力时,需要合理地控制可控负荷的比例,从而最大程度发挥需求响应项目对配电网负荷恢复力的提升作用。
综上,为实现在极端自然灾害天气下的配电网络弹性提升,本发明实施例提出了一种供需侧资源协同调度的方法300。在深入分析MEG、分布式能源及终端用户能源消耗特性之间的联合调控的基础上,构建了飓风灾害的气象模型,基于该气象模型,构建了极端自然灾害天气下,配电网络发生故障的不确定性模型,同时,以MEG投资成本、运行维护成本、配电网失负荷成本最小化为目标,构建了配电网络负荷恢复力提升的二阶段鲁棒优化模型。最后,以IEEE-33节点配电系统为例,利用C&CG对模型进行求解,相关计算结果表明:
1)当发生极端自然灾害后,通过在电力网络中合理配置MEG资源,可以快速响应电力系统中出现的供电缺失,能够提供一部分重要负荷的电能需求;
2)合理利用终端用户侧的需求响应资源,可以有效缓解配电网络在极端自然灾害下的供电压力,在配电网络负荷恢复力提升的同时,兼顾系统运行的经济性;
3)协同优化配置MEG、分布式电热源及需求响应资源,能够实现供需侧资源的优势互补,最大限度地综合提高极端自然灾害下配电网的电能供应能力。
应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组件可以布置在如该实施例中所描述的设备中,或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
此外,所述实施例中的一些在此被描述成可以由计算机系统的处理器或者由执行所述功能的其它装置实施的方法或方法元素的组合。因此,具有用于实施所述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外,装置实施例的在此所述的元素是如下装置的例子:该装置用于实施由为了实施该发明的目的的元素所执行的功能。
如在此所使用的那样,除非另行规定,使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例,并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。
尽管根据有限数量的实施例描述了本发明,但是受益于上面的描述,本技术领域内的技术人员明白,在由此描述的本发明的范围内,可以设想其它实施例。此外,应当注意,本说明书中使用的语言主要是为了可读性和教导的目的而选择的,而不是为了解释或者限定本发明的主题而选择的。因此,在不偏离所附权利要求书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。对于本发明的范围,对本发明所做的公开是说明性的,而非限制性的,本发明的范围由所附权利要求书限定。
Claims (10)
1.配电系统在极端自然灾害天气下的资源调度方法,所述配电系统包括配电网络和产消者集群,所述配电网络中包含多个节点,所述产消者集群通过至少一个节点与所述配电网络相连,在所述配电系统中还布置有移动发电车,以便为发生故障的节点提供应急供电需求,所述方法适于在计算设备中执行,所述方法包括步骤:
生成在极端自然灾害天气下,针对所述配电系统运行成本的目标函数;
构建关于极端自然灾害天气的气象模型;
基于所述气象模型,构建所述极端自然灾害天气对所述配电系统的损害模型;
结合所述损害模型,构建所述配电系统在极端自然灾害天气的影响下,发生故障的不确定模型;
针对所述移动发电车、以及配电网络中的线路和节点的负荷,设置约束条件;
采用列约束生成算法,基于所述约束条件和不确定模型,求解目标函数,得到求解结果;以及
按照所述求解结果调度所述配电系统中的资源。
3.如权利要求1或2所述的方法,其中,所述基于气象模型,构建极端自然灾害天气对配电系统的损害模型的步骤包括:
构建在极端自然灾害天气下,所述配电系统中受影响的元件的故障性模型;
基于所述故障率模型,构建配电系统的损害模型。
4.如权利要求1-3中任一项所述的方法,其中,所述极端自然灾害天气为飓风灾害,
所述构建关于极端自然灾害天气的气象模型的步骤包括:
根据飓风的气压、最大风速、最大风速半径、周期风速,构建飓风的风速模型。
5.如权利要求1-4中任一项所述的方法,其中,所述针对移动发电车、以及配电网络中的线路和节点的负荷,设置约束条件的步骤还包括:
分别设置所述极端自然灾害天气发生前、所述极端自然灾害天气发生后的约束条件。
6.如权利要求5所述的方法,其中,
所述极端自然灾害天气发生前的约束条件至少包括:所述移动发电车的供电容量约束、所述配电网络潮流约束。
7.如权利要求5所述的方法,其中,
所述极端自然灾害天气发生后的约束条件至少包括:所述移动发电车的运行约束、所述配电网络潮流约束、所述配电网络的能量守恒约束、对产消者的功率和负荷约束。
8.如权利要求1-7中任一项所述的方法,其中,
所述配电系统中的资源包括:移动发电车、产消者集群中的分布式电热源、终端用户的电负荷和热负荷。
9.一种计算设备,包括:
一个或多个处理器;和
存储器;
一个或多个程序,其中所述一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行根据权利要求1-8所述方法中的任一方法的指令。
10.一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当计算设备执行时,使得所述计算设备执行根据权利要求1-8所述的方法中的任一方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011109600.3A CN112330099A (zh) | 2020-10-16 | 2020-10-16 | 配电系统在极端自然灾害天气下的资源调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011109600.3A CN112330099A (zh) | 2020-10-16 | 2020-10-16 | 配电系统在极端自然灾害天气下的资源调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112330099A true CN112330099A (zh) | 2021-02-05 |
Family
ID=74313086
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011109600.3A Pending CN112330099A (zh) | 2020-10-16 | 2020-10-16 | 配电系统在极端自然灾害天气下的资源调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112330099A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112986731A (zh) * | 2021-02-08 | 2021-06-18 | 天津大学 | 计及地震不确定性的电气互联系统韧性评估与提升方法 |
CN113111476A (zh) * | 2021-04-29 | 2021-07-13 | 华北电力大学 | 一种提高电网韧性的人-车-物应急资源优化调度方法 |
CN113346488A (zh) * | 2021-06-09 | 2021-09-03 | 北京交通大学 | 计及移动应急资源调度的城市配电网恢复方法 |
CN113537703A (zh) * | 2021-06-04 | 2021-10-22 | 广东电网有限责任公司广州供电局 | 配电网灾前应急资源部署方法、装置和计算机设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100010687A1 (en) * | 2008-07-11 | 2010-01-14 | Michael Wayne Shore | Distributing Alternatively Generated Power to a Real Estate Development |
CN109074063A (zh) * | 2015-12-22 | 2018-12-21 | BWXT m动力股份有限公司 | 用数据驱动的工作流程进行安全分析评估的装置和方法 |
CN109727158A (zh) * | 2019-01-25 | 2019-05-07 | 燕山大学 | 一种基于改进弱鲁棒优化的电热综合能源系统调度方法 |
CN110474367A (zh) * | 2019-08-05 | 2019-11-19 | 广东工业大学 | 一种考虑风险损失的微电网容量配置优化方法 |
CN110571807A (zh) * | 2019-10-15 | 2019-12-13 | 华北电力大学 | 极端自然灾害下计及储能配置韧性配电网规划方法及系统 |
CN111222662A (zh) * | 2018-11-26 | 2020-06-02 | 中国电力科学研究院有限公司 | 一种电网台风洪涝灾害预警方法和装置 |
-
2020
- 2020-10-16 CN CN202011109600.3A patent/CN112330099A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100010687A1 (en) * | 2008-07-11 | 2010-01-14 | Michael Wayne Shore | Distributing Alternatively Generated Power to a Real Estate Development |
CN109074063A (zh) * | 2015-12-22 | 2018-12-21 | BWXT m动力股份有限公司 | 用数据驱动的工作流程进行安全分析评估的装置和方法 |
CN111222662A (zh) * | 2018-11-26 | 2020-06-02 | 中国电力科学研究院有限公司 | 一种电网台风洪涝灾害预警方法和装置 |
CN109727158A (zh) * | 2019-01-25 | 2019-05-07 | 燕山大学 | 一种基于改进弱鲁棒优化的电热综合能源系统调度方法 |
CN110474367A (zh) * | 2019-08-05 | 2019-11-19 | 广东工业大学 | 一种考虑风险损失的微电网容量配置优化方法 |
CN110571807A (zh) * | 2019-10-15 | 2019-12-13 | 华北电力大学 | 极端自然灾害下计及储能配置韧性配电网规划方法及系统 |
Non-Patent Citations (4)
Title |
---|
"一种面向配电网负荷恢复力提升的多能源供需资源综合配置优化方法", 《中国电力》, vol. 54, no. 07, 22 April 2021 (2021-04-22), pages 46 - 55 * |
ZHU, XI 等: "Co-Optimization of Supply and Demand Resources for Load Restoration of Distribution System Under Extreme Weather", 《IEEE ACCESS》, vol. 9, 23 September 2021 (2021-09-23), pages 122907 - 122923, XP011877768, DOI: 10.1109/ACCESS.2021.3102497 * |
方伟 等: "极端灾害下基于智能楼宇分布式电源的配电系统负荷恢复力评估分析", 《发电技术》, vol. 40, no. 05, 28 August 2019 (2019-08-28), pages 440 - 447 * |
王凤山;张宏军;: "基于贝叶斯网络的军事工程毁伤评估模型研究", 计算机工程与应用, no. 12, 21 April 2011 (2011-04-21) * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112986731A (zh) * | 2021-02-08 | 2021-06-18 | 天津大学 | 计及地震不确定性的电气互联系统韧性评估与提升方法 |
CN112986731B (zh) * | 2021-02-08 | 2022-12-02 | 天津大学 | 计及地震不确定性的电气互联系统韧性评估与提升方法 |
CN113111476A (zh) * | 2021-04-29 | 2021-07-13 | 华北电力大学 | 一种提高电网韧性的人-车-物应急资源优化调度方法 |
CN113537703A (zh) * | 2021-06-04 | 2021-10-22 | 广东电网有限责任公司广州供电局 | 配电网灾前应急资源部署方法、装置和计算机设备 |
CN113537703B (zh) * | 2021-06-04 | 2022-12-02 | 广东电网有限责任公司广州供电局 | 配电网灾前应急资源部署方法、装置和计算机设备 |
CN113346488A (zh) * | 2021-06-09 | 2021-09-03 | 北京交通大学 | 计及移动应急资源调度的城市配电网恢复方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112330099A (zh) | 配电系统在极端自然灾害天气下的资源调度方法 | |
Huang et al. | Optimal configuration planning of multi-energy systems considering distributed renewable energy | |
Nejad et al. | Distributed load restoration in unbalanced active distribution systems | |
Sahraei-Ardakani et al. | A fast LP approach for enhanced utilization of variable impedance based FACTS devices | |
Shukla et al. | Allocation of optimal distributed generation using GA for minimum system losses in radial distribution networks | |
Gan et al. | Decentralized computation method for robust operation of multi-area joint regional-district integrated energy systems with uncertain wind power | |
Fu et al. | Research on joint optimal dispatching method for hybrid power system considering system security | |
Sang et al. | Effective power flow control via distributed FACTS considering future uncertainties | |
Selvam et al. | Initiatives and technical challenges in smart distribution grid | |
Lv et al. | Multi-stage resilience scheduling of electricity-gas integrated energy system with multi-level decentralized reserve | |
Wang et al. | Optimization of electricity generation and interprovincial trading strategies in Southern China | |
CN113205273B (zh) | 一种计及区外电能交易的低碳化电源规划方法及系统 | |
TWI696972B (zh) | 智慧電力分配系統與方法 | |
CN110994697B (zh) | 含光储联合体的交直流配电网优化运行控制方法及系统 | |
Zhang et al. | Energy management optimization strategy of DC microgrid based on consistency algorithm considering generation economy | |
CN107622331B (zh) | 一种发电机组与电力用户直接交易方式的优化方法和装置 | |
Yang et al. | Storage-transmission joint planning method to deal with insufficient flexibility and transmission congestion | |
CN105976046B (zh) | 一种考虑需求侧管理的低碳电网规划方法 | |
CN105868841A (zh) | 一种基于风电优先上网的风水火联合调度方法 | |
CN116307110A (zh) | 一种分布式屋顶光伏发电聚合管理方法及系统 | |
CN115293561A (zh) | 计及碳排放流的电力系统低碳规划方法及装置 | |
CN115392709A (zh) | 一种多能园区规划方法、系统、计算机设备和存储介质 | |
CN109995094B (zh) | 一种交直流混合微电网的规划方法及系统 | |
Zhang et al. | Optimal exploitation of mobile emergency generator and distributed energy resource for improving the resilience of incremental power distribution system under extreme grid faults | |
Zhu et al. | Low-carbon economic analysis of a virtual power plant with wind and solar power considering the integrated flexible operation mode of a carbon capture thermoelectric unit |
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 |