CN112417640B - 一种含储能的馈线可开放容量评估方法 - Google Patents
一种含储能的馈线可开放容量评估方法 Download PDFInfo
- Publication number
- CN112417640B CN112417640B CN202010967239.1A CN202010967239A CN112417640B CN 112417640 B CN112417640 B CN 112417640B CN 202010967239 A CN202010967239 A CN 202010967239A CN 112417640 B CN112417640 B CN 112417640B
- Authority
- CN
- China
- Prior art keywords
- load
- energy storage
- capacity
- feeder
- openable
- 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
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000007599 discharging Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 239000011159 matrix material Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based 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
- 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
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Power Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种含储能的馈线可开放容量评估方法,考虑不同类型用户负荷峰值的负荷时序特性,包括以下步骤:根据历史数据进行负荷分类,获取典型负荷时序特性;计算含储能的可开放容量安全边界模型的约束条件,构建含储能馈线的可开放容量安全边界模型;计算含储能馈线的可开放容量。本发明的有益效果为:突破了原有的仅以配网峰值负荷来进行N‑1校验并计算供电能力的固有模式,考虑区分已有用户和新接用户的负荷时序特性,引入馈线可开放容量的概念,不仅可以在全网负荷峰值时刻满足N‑1校验,还可以确保在一天中任意时刻新接入用户用电量相对于所属馈线容量均不过载,有利于指导实际工程应用。
Description
技术领域
本发明涉及中压配电网馈线可开放容量评估领域,具体涉及一种含储能的馈线可开放容量评估方法。
背景技术
中压配网可开放容量计算需要在配网尖峰负荷时刻刚性满足N-1校验,然而城市电力负荷复杂多样,不同类型的用户日负荷曲线存在较大差异,负荷峰值出现的时间不同。因此,全网尖峰负荷时刻各馈线或馈线段往往没有达到自身的负荷峰值,单纯的以全网尖峰负荷去计算馈线可开放容量,很有可能出现面向某一业扩需求时,该馈线会出现过载现象。并且由于不同类型用户负荷峰值出现时间不同,因此有必要分析各类型用户负荷特点及用电习惯,使得在计算馈线剩余供电能力时不仅要求在全网负荷峰值时刻满足N-1校验,还要确保在一天中任意时刻新接入用户用电量相对于所属馈线容量均不过载。
如中国专利CN108462210B,公告日2020.01.17,公开了一种基于数据挖掘的光伏可开放容量计算方法,技术要点为:建立电网最大光伏可开放容量能力,在系统达到电网最大光伏可开放容量的基础上,建立主变和线路负载率均衡模型,使各主变负载和线路负载率能够达到均衡分配,实现潮流在电网的均衡分配。该发明解决了通过容载比法或线路输电能力分析计算各电压等级所对应的可开放容量,但是在考虑上还不够合理,容易产生较大的偏差。
发明内容
本发明要解决的技术问题是:传统的剩余供电能力模型仅以全网峰值时刻负荷进行N-1安全约束,难以同时兼顾负荷高峰时刻全网N-1准则又细致计及大规模电池储能系统和不同类型用户负荷高峰时刻差异,且面向新用户接入时部分馈线出现过载现象的问题。
为解决上述技术问题,本发明所采取的技术方案为:
一种含储能的馈线可开放容量评估方法,其特征在于,考虑不同类型用户的负荷时序特性,包括以下步骤:
A,根据历史数据进行负荷分类,获取典型负荷时序特性;
B,计算含储能的可开放容量安全边界模型的约束条件,构建含储能馈线的可开放容量安全边界模型;
C,计算含储能的馈线可开放容量。
作为优选,步骤A中根据历史数据进行负荷分类,获取典型负荷时序特性的方法包括:
A1.将历史负荷数据进行归一化处理,归一化后的数据用数据集P表示,使用聚类算法将数据集P分为J类,获得每种类型的聚类中心Cj,其中j=1,2,...,J。
A2.建立以样本数据Pn与对应数据类心Cj的欧式距离最小的目标函数:
其中,历史数据中任一样本数据Pn,对第j个聚类中心Cj的隶属度Vnj应满足:
A3.计算典型负荷的时序特性。
通过聚类算法将中压配网历史负荷数据进行负荷分类,建立以样本数据Pn与对应数据类心Cj的欧式距离最小的目标函数以更新隶属度矩阵。
作为优选,步骤A3中获得典型负荷的时序特性的方法包括:选择最大隶属度样本的负荷数据作为类型j的典型负荷的时序特性,构成数组Qj:
Qj,j∈[1,J]=[P1,P2,P3,…,PJ]T,
其中Pj=[pj1,pj2,pj3,…,pj24]。
将典型负荷的时序特性数组Qj通过最大化处理,使Qj中数据分布在0~1之间,用数据集Aj表示:
其中,Aj为J种负荷类型的时序特性数组。
通过更新样本数据隶属度矩阵至样本数据与负荷类心之间的欧式距离最小,提取各类类型斌进行最大化处理,处理结果作为典型负荷时序特性作为J种负荷类型的时序特性数组。
作为优选,步骤B中含储能的可开放容量安全边界模型的约束条件包括系统最大容量约束、储能的出力运行约束和馈线及主变的容量约束。
在原剩余供电能力模型的基础上引入储能出力约束和储能充放电作用对馈线和主变压器的影响约束,大规模电池储能系统的可开放容量安全边界计算模型。
作为优选,储能的出力运行约束条件的计算方法包括:构建储能出力模型:
电池储能系统的剩余容量Ee,t在时间间隔Δt内的变化过程为:
其中,ηc、ηdc分别为电池储能系统充放电效率,分别为电池储能系统e在t时刻的充放电功率,Δt表示储能充放电的单位时间。
电池储能系统e在t时刻的剩余容量约束在储能的最大最小容量安全裕度之间:
Ee,min≤Ee,t≤Ee,max。
充放电功率在电池储能系统充放功率的最大值之内:
其中,Ee,min、Ee,max分别为电池储能系统e的最小安全容量和最大安全容量;分别是电池储能系统充放功率的最大值,/>是一个二进制指示器,1表示充电状态。
通过对电池储能系统e在t时刻的剩余容量的约束,充放电功率在电池储能系统充放功率的最大值之内的约束,优化剩余供电能力模型。为了避免储能系统同时进行充放电动作,引入二进制指示器
作为优选,馈线及主变的容量约束条件的计算方法包括:电池储能系统接入后,馈线和其主变压器的实时净容量表示为:
其中,RFmn、Rin分别为馈线和主变压器的实时净容量,分别为馈线和主变压器的额定容量,Ee,t|t=maxn为电池储能系统在负荷峰值最大时刻t的荷电状态。
对储能出力模型进行降维处理,在原有24小时负荷数据的基础上累加电池储能系统在一天中的充放功率:
取峰值时刻的负荷值,将二维数组变为一维数组:
其中,t=1,2,…,24,Se为电池储能系统e在一天内的充放电功率变化量数组,Smn为直接网络负荷,Sjn为间接网络负荷,Skn为故障后间接联络负荷,和/>为是带对应带有时间序列的输入数据负荷数组;e∈Ωm表示位于馈线n直接联络负荷区域的电池储能系统e;e∈Ωj表示位于馈线n间接联络负荷区域的电池储能系统e、e∈Ωk表示位于馈线n故障后间接联络负荷区域的电池储能系统e。
由于储能系统充放电的时序特性与可开放容量的求解过程在时间维度上不一致,对于可开放容量安全边界模型中的负荷数据,考虑了储能充放电功率优化之后,于负荷峰值时刻截取时间断面,达到了对储能在时间尺度上做降维处理的作用。
作为优选,步骤C中构建含储能的可开放容量安全边界模型的方法包括:以各馈线的负荷增值最大为目标函数,列写可开放容量的安全边界模型为:
剩余供电能力模型是配电网在满足N-1安全准则条件下,配电网各元件在当前负荷水平下的供电潜力计算,N-1准则的安全评估需要电网在尖峰负荷时刻刚性满足N-1校验。通过对含储能的可开放容量安全边界模型进行储能的出力运行约束和储能充放电作用对馈线和主变的容量及负荷的影响,对传统剩余供电能力模型进行优化。
作为优选,步骤C中计算含储能馈线的可开放容量的方法包括:C1.将已知接入用户的典型负荷分为J类,根据已知接入用户的典型负荷时序特性集Aj,取类型j负荷值最大时刻tj;根据配网历史负荷数据比较全网负荷值,记全网尖峰负荷时刻为tnet,其中j∈[1,J]。
C2.取全网各馈线在类型j接入用户尖峰负荷tj时刻的负荷值
其中,是一个J×n的数组;n为该配网中的馈线或馈线段数;/>表示馈线n在类型j接入用户尖峰时刻的负荷值。
通过可开放容量模型计算tj、tnet时刻的馈线n可开放容量安全边界,并将结果记作FOCsb:
C3.根据识别出的典型负荷时序特性单位数组Aj,通过比例加权将不同时间断面的FOCsb统一至全网尖峰负荷tnet时刻,则此时在全网尖峰负荷时刻的为:
其中,表示在全网尖峰tnet时刻,用户类型j的单位负荷值;/>表示用户类型j尖峰负荷tj时刻的单位负荷值。
C4.各馈线或馈线段的可开放容量由不同用户类型的安全边界最小极值决定;
FOC=[FOC1,FOC2,......FOCn]1×n
其中,FOCn为馈线n的可开放容量。
由接入用户类型在不同馈线峰值时间断面下计算所得各馈线或馈线段安全边界,之后再由典型负荷时序特性按比例加权将时间断面统一至全网尖峰负荷时刻。取各馈线或馈线段的安全边界最小值作为可开放容量,实现了考虑负荷时序特性的含储能馈线可开放容量评估。
本发明的有益效果是:综合突破了原有的仅以配网峰值负荷来进行N-1校验并计算供电能力的固有模式,考虑区分已有用户和新接用户的负荷时序特性,引入馈线可开放容量的概念,不仅可以在全网负荷峰值时刻满足N-1校验,还可以确保在一天中任意时刻新接入用户用电量相对于所属馈线容量均不过载,有利于指导实际工程应用,适用于电企业科学的开展业扩报装业务,指导用户合理的安排用电计划。
附图说明
图1为实施例一的步骤流程图。
具体实施方式
下面通过具体实施例,并结合附图,对本发明的具体实施方式作进一步具体说明。
实施例一:
如图1所示,一种含储能馈线的可开放容量评估方法,包括以下步骤:A.根据历史数据进行负荷分类,获取典型负荷时序特性。
A1.对历史负荷数据进行负荷分类,进行初始归一化处理,计算负荷数据类型及每种类型聚类中心;归一化后的数据用数据集P表示,将数据集P分为J类,计算每种类型的聚类中心Cj,其中j=1,2,...,J,Cj是一个J×24的矩阵。
A2.建立以样本数据Pn与对应数据类心Cj的欧式距离最小的目标函数:
其中,历史数据中任一样本数据Pn,对第j个聚类中心Cj的隶属度Vnj应满足:
A3.使用优化算法,获得典型负荷的时序特性。更新隶属度矩阵至样本数据Pn与对应数据类心Cj的欧式距离最小。选择最大隶属度样本的负荷数据作为典型负荷的时序特性数组数组Qj:Qj,j∈[1,J]=[P1,P2,P3,…,PJ]T,其中Pj=[pj1,pj2,pj3,…,pj24],Qj是一个J×24的矩阵,为后续研究中方便考虑负荷的时序特性,将典型负荷的时序特性数组通过最大化处理,至典型负荷的时序特性数组分布在0~1之间,用数据集Aj表示:
其中,Aj为J种负荷类型的时序特性数组,是一个J×24的单位数组
B.计算含储能的可开放容量安全边界模型的约束条件,构建含储能馈线的可开放容量安全边界模型。含储能的可开放容量安全边界模型的约束条件包括系统最大容量约束、储能的出力运行约束和储能充放电作用对馈线和主变压器的影响约束。储能的出力运行约束条件的计算方法包括:
构建储能出力模型。电池储能系统的剩余容量Ee,t在时间间隔Δt内的变化过程为:
其中,ηc、ηdc分别为电池储能系统充放电效率,分别为电池储能系统e在t时刻的充放电功率,Δt表示储能充放电的单位时间。本发明统一以1h为基本步长,并认为1h内时序值不变。电池储能系统e在t时刻的剩余容量约束在储能的最大最小容量安全裕度之间:
Ee,min≤Ee,t≤Ee,max
充放电功率也应该约束在一定的操作范围之内:
其中,Ee,min、Ee,max分别为电池储能系统e的最小安全容量和最大安全容量;分别是电池储能系统充放功率的最大值,为了避免储能系统同时进行充放电动作,/>是一个二进制指示器,1表示充电状态。
假设储能的实时RE与主变和馈线的额定容量存在线性关系。储能充放电作用对馈线和主变压器的影响约束条件的计算方法包括:电池储能系统接入后,馈线和其主变压器的实时净容量表示为:
其中,RFmn、Rin分别为馈线和主变压器的实时净容量,分别为馈线和主变压器的额定容量,Ee,t|t=max n为电池储能系统在负荷峰值最大时刻t的荷电状态。e∈Ωn表示该电池储能系统e在馈线n上;e∈Ωi表示该电池储能系统e属于主变i的出线馈线范围内。
对储能出力模型进行降维处理。将电池储能系统作为一个负荷来处理,在充电时为正负荷,放电时为负负荷,因此对于直接联络负荷Smn、间接联络负荷Sjn和故障后间接联络负荷Skn均需要考虑储能作用的影响。在原有24小时负荷数据的基础上累加电池储能系统在一天中的充放功率:
取峰值时刻的负荷值,将二维数组变为一维数组:
其中,t=1,2,…,24,Se为电池储能系统e在一天内的充放电功率变化量数组,是一个1×24的数组,Smn为直接网络负荷,Sjn为间接网络负荷,Skn为故障后间接联络负荷,和/>为是带对应带有时间序列的输入数据负荷数组,e∈Ωm表示位于馈线n直接联络负荷区域的电池储能系统e,e∈Ωj表示位于馈线n间接联络负荷区域的电池储能系统e、e∈Ωk表示位于馈线n故障后间接联络负荷区域的电池储能系统e。
建立含储能的可开放容量安全边界模型。以各馈线的负荷增值最大为目标函数,对电池储能系统的约束条件进行分析,列写可开放容量的安全边界模型为:
约束条件包括系统最大容量约束、储能的出力运行约束和储能充放电作用对馈线和主变压器的影响约束。
C.计算含储能馈线的可开放容量。
C1.将已知接入用户的典型负荷分为J类,根据已知接入用户的典型负荷时序特性集Aj,按照尖峰负荷原则取类型j负荷值最大时刻,记为tj;根据配网历史负荷数据比较全网负荷值,记全网尖峰负荷时刻为tnet,其中j∈[1,J]。
C2.取全网各馈线在类型j接入用户尖峰负荷tj时刻的负荷值
其中,是一个J×n的数组;n为该配网中的馈线或馈线段数;/>表示馈线n在类型j接入用户尖峰时刻的负荷值。通过可开放容量模型计算tj、tnet时刻的各馈线或馈线段可开放容量安全边界,并将结果记作FOCsb:
C3.根据FCM聚类算法识别出的典型负荷时序特性单位数组Aj,通过比例加权的方法将不同时间断面的FOCsb统一至全网尖峰负荷tnet时刻,则此时在全网尖峰负荷时刻的为:
其中,表示在全网尖峰tnet时刻,用户类型j的单位负荷值;/>表示用户类型j尖峰负荷tj时刻的单位负荷值。
C4.各馈线或馈线段的可反方容量由不同用户类型的安全边界取其最小极值决定。在获得的基础上,为了避免在N-1校验的前提下,同时避免因接入用户负荷类型与所属馈线用户负荷类型不一致,而出现在非尖峰负荷时刻过载现象,取安全边界的最小值。
FOC=[FOC1,FOC2,......FOCn]1×n
其中,FOCn为馈线n的可开放容量。
Claims (6)
1.一种含储能的馈线可开放容量评估方法,其特征在于,考虑不同类型用户的负荷时序特性,包括以下步骤:
A,根据历史负荷数据进行分类,获取典型负荷时序特性;方法包括:
A1.将历史负荷数据进行归一化处理,归一化后的数据用数据集P表示,使用聚类算法将数据集P分为J类,获得每种类型的聚类中心Cj,其中j=1,2,...,J;
A2.建立以样本数据Pn与对应数据类型Cj的欧式距离最小的目标函数:
其中,历史数据中任一样本数据Pn对第j个聚类中心Cj的隶属度Vnj满足:
A3.计算典型负荷的时序特性
B,计算含储能的馈线可开放容量安全边界模型的约束条件,构建含储能的馈线可开放容量安全边界模型;
C,计算含储能的馈线可开放容量;
C1.将已知接入用户的典型负荷分为J类,根据已知接入用户的典型负荷时序特性集Aj,取类型j负荷值最大时刻tj;根据配网历史负荷数据比较全网负荷值,记全网尖峰负荷时刻为tnet,其中j∈[1,J];
C2.取全网各馈线在类型j接入用户尖峰负荷tj时刻的负荷值
其中,n为该配网中的馈线或馈线段数;Stj,n表示馈线n在类型j接入用户尖峰时刻的负荷值;通过可开放容量模型计算tj、tnet时刻的馈线n可开放容量安全边界,并将结果记作FOCsb:
C3.根据识别出的典型负荷时序特性单位数组Aj,通过比例加权,将不同时间断面的FOCsb统一至全网尖峰负荷tnte时刻,则此时在全网尖峰负荷时刻的为:
其中,表示在全网尖峰tnet时刻,用户类型j的单位负荷值;/>表示用户类型j尖峰负荷tj时刻的单位负荷值;
C4.各馈线或馈线段的可开放容量由不同用户类型的安全边界最小极值决定;
FOC=[FOC1,FOC2,......FOCn]1×n
其中,FOCn为馈线n的可开放容量。
2.根据权利要求1中所述的一种含储能的馈线可开放容量评估方法,其特征在于,所述步骤A3中计算典型负荷的时序特性的方法包括:选择最大隶属度样本的负荷数据作为类型j的典型负荷的时序特性,构成数组Qj:
Qj,j∈[1,J]=[P1,P2,P3,…,PJ]T,
其中Pj=[pj1,pj2,pj3,...,pj24],
将典型负荷的时序特性数组Qj通过最大化处理,使Qj中数据分布在0~1之间,用数据集Aj表示:
其中,Aj为J种负荷类型的时序特性数组。
3.根据权利要求1中所述的一种含储能的馈线可开放容量评估方法,其特征在于,所述步骤B中含储能的可开放容量安全边界模型的约束条件包括系统最大容量约束、储能的出力运行约束和含储能的馈线及主变的容量约束。
4.根据权利要求3中所述的一种含储能的馈线可开放容量评估方法,其特征在于,所述储能的出力运行约束的计算方法包括:
构建储能出力模型:
电池储能系统的剩余容量Ee,t在时间间隔Δt内的变化过程为:
其中,ηc、ηdc分别为电池储能系统充放电效率,分别为电池储能系统e在t时刻的充放电功率,Δt表示储能充放电的单位时间;
电池储能系统e在t时刻的剩余容量约束在储能的最大最小容量安全裕度之间:
Ee,min≤Ee,t≤Ee,max
充放电功率在电池储能系统充放功率的最大值之内:
其中,Ee,min、Ee,max分别为电池储能系统e的最小安全容量和最大安全容量;分别是电池储能系统充放功率的最大值,/>是一个二进制指示器,1表示充电状态。
5.根据权利要求4中所述的一种含储能的馈线可开放容量评估方法,其特征在于,所述馈线及主变的容量约束条件的计算方法包括:
电池储能系统接入后,馈线和其主变压器的实时净容量表示为:
其中,RFmn、Rin分别为馈线和主变压器的实时净容量,分别为馈线和主变压器的额定容量,Ee,t|t=maxn为电池储能系统在负荷峰值最大时刻t的荷电状态;
对储能出力模型进行降维处理,在原有24小时负荷数据的基础上累加电池储能系统在一天中的充放功率:
取峰值时刻的负荷值,将二维数组变为一维数组:
其中,t=1,2,…,24,Se为电池储能系统e在一天内的充放电功率变化量数组,Smn为直接网络负荷,Sjn为间接网络负荷,Skn为故障后间接联络负荷,和/>为带有时间序列的输入数据负荷数组;e∈Ωm表示位于馈线n直接联络负荷区域的电池储能系统e;e∈Ωj表示位于馈线n间接联络负荷区域的电池储能系统e,e∈Ωk表示位于馈线n故障后间接联络负荷区域的电池储能系统e。
6.根据权利要求5中所述的一种含储能的馈线可开放容量评估方法,其特征在于,所述步骤B中构建含储能的馈线可开放容量安全边界模型的方法包括:
以各馈线的负荷增值最大为目标函数,列写可开放容量的安全边界模型为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010967239.1A CN112417640B (zh) | 2020-09-15 | 2020-09-15 | 一种含储能的馈线可开放容量评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010967239.1A CN112417640B (zh) | 2020-09-15 | 2020-09-15 | 一种含储能的馈线可开放容量评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112417640A CN112417640A (zh) | 2021-02-26 |
CN112417640B true CN112417640B (zh) | 2024-03-29 |
Family
ID=74855414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010967239.1A Active CN112417640B (zh) | 2020-09-15 | 2020-09-15 | 一种含储能的馈线可开放容量评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112417640B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106228278A (zh) * | 2016-08-19 | 2016-12-14 | 长园深瑞继保自动化有限公司 | 光伏功率预测系统 |
CN109447797A (zh) * | 2018-09-20 | 2019-03-08 | 清华大学 | 内嵌系统运行约束的月度集中电力交易方法及装置 |
CN109726740A (zh) * | 2018-12-05 | 2019-05-07 | 国网浙江省电力公司湖州供电公司 | 一种基于聚类分析的行业用电行为分析方法 |
CN109902868A (zh) * | 2019-02-25 | 2019-06-18 | 国网河南省电力公司电力科学研究院 | 一种基于负荷特性的大用户业扩辅助分析方法和装置 |
CN109904869A (zh) * | 2019-03-01 | 2019-06-18 | 广东工业大学 | 一种微电网混合储能容量配置的优化方法 |
CN110245783A (zh) * | 2019-05-20 | 2019-09-17 | 广东工业大学 | 一种基于c-均值聚类模糊粗糙集的短期负荷预测方法 |
CN110752625A (zh) * | 2019-10-29 | 2020-02-04 | 青海格尔木鲁能新能源有限公司 | 一种多能互补新能源发电系统的运营策略优化方法 |
WO2020097677A1 (en) * | 2018-11-13 | 2020-05-22 | The University Of Melbourne | A controller for a photovoltaic generation and energy storage system |
CN111564868A (zh) * | 2020-06-09 | 2020-08-21 | 北方工业大学 | 离网型光储微电网系统容量配置评估方法及装置 |
-
2020
- 2020-09-15 CN CN202010967239.1A patent/CN112417640B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106228278A (zh) * | 2016-08-19 | 2016-12-14 | 长园深瑞继保自动化有限公司 | 光伏功率预测系统 |
CN109447797A (zh) * | 2018-09-20 | 2019-03-08 | 清华大学 | 内嵌系统运行约束的月度集中电力交易方法及装置 |
WO2020097677A1 (en) * | 2018-11-13 | 2020-05-22 | The University Of Melbourne | A controller for a photovoltaic generation and energy storage system |
CN109726740A (zh) * | 2018-12-05 | 2019-05-07 | 国网浙江省电力公司湖州供电公司 | 一种基于聚类分析的行业用电行为分析方法 |
CN109902868A (zh) * | 2019-02-25 | 2019-06-18 | 国网河南省电力公司电力科学研究院 | 一种基于负荷特性的大用户业扩辅助分析方法和装置 |
CN109904869A (zh) * | 2019-03-01 | 2019-06-18 | 广东工业大学 | 一种微电网混合储能容量配置的优化方法 |
CN110245783A (zh) * | 2019-05-20 | 2019-09-17 | 广东工业大学 | 一种基于c-均值聚类模糊粗糙集的短期负荷预测方法 |
CN110752625A (zh) * | 2019-10-29 | 2020-02-04 | 青海格尔木鲁能新能源有限公司 | 一种多能互补新能源发电系统的运营策略优化方法 |
CN111564868A (zh) * | 2020-06-09 | 2020-08-21 | 北方工业大学 | 离网型光储微电网系统容量配置评估方法及装置 |
Non-Patent Citations (2)
Title |
---|
《基于最大供电能力的配电网负荷消纳规划方法》;张婷;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》;全文 * |
《基于负荷特征库的大用户供电接入决策方法》;骆柏锋,穆云飞,贾宏杰,余晓丹,戚艳;《电力系统自动化》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112417640A (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111584952B (zh) | 用于储能电站电化学电池在线评估的方法和系统 | |
CN107800140B (zh) | 一种考虑负荷特征的大用户供电接入决策方法 | |
CN110994694B (zh) | 计及差异化需求响应的微电网源荷储协调优化调度方法 | |
CN107133652A (zh) | 基于K‑means聚类算法的用电客户价值评估方法及系统 | |
Roy Ghatak et al. | Optimised planning of distribution network with photovoltaic system, battery storage, and DSTATCOM | |
CN107153845A (zh) | 一种基于机器学习的自适应并网光伏系统的孤岛检测法 | |
Xu et al. | Adaptive DE algorithm for novel energy control framework based on edge computing in IIoT applications | |
CN111461921B (zh) | 一种基于机器学习的负荷建模典型用户数据库更新方法 | |
Zhi et al. | A state of health estimation method for electric vehicle Li-ion batteries using GA-PSO-SVR | |
CN112149873A (zh) | 一种基于深度学习的低压台区线损合理区间预测方法 | |
Galvani et al. | Data clustering based probabilistic optimal power flow in power systems | |
Zhang et al. | Critical node identification in active distribution network using resilience and risk theory | |
Teekaraman et al. | SSNN‐Based Energy Management Strategy in Grid Connected System for Load Scheduling and Load Sharing | |
Rosin et al. | Clustering-based penalty signal design for flexibility utilization | |
CN115000985A (zh) | 一种用户侧分布式储能设施聚合管控方法及系统 | |
Miah et al. | Energy storage controllers and optimization schemes integration to microgrid: an analytical assessment towards future perspectives | |
CN112417640B (zh) | 一种含储能的馈线可开放容量评估方法 | |
CN112510270B (zh) | 一种储能系统多层级荷电状态均衡统一控制方法及系统 | |
CN117183803A (zh) | 电动汽车充电控制方法、装置和计算机设备 | |
WO2022041265A1 (zh) | 一种面向电动汽车电力用户大数据服务方法 | |
Ebrahimi et al. | Stochastic scheduling of energy storage systems in harmonic polluted active distribution networks | |
Ghatak et al. | Optimised planning of power distribution network with solar energy, Battery storage and DSTATCOM: a multi-objective approach | |
CN112734274B (zh) | 一种低碳电网运营主导影响因素挖掘及综合评估方法 | |
CN113191409A (zh) | 标签数据扩充与深度学习的居民异常用电行为检测方法 | |
CN113193546A (zh) | 一种基于模糊综合评价的“煤改电”地区储能系统多目标容量配置方法 |
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 |