CN112766602A - 一种改进的分布式电源选址定容方法 - Google Patents
一种改进的分布式电源选址定容方法 Download PDFInfo
- Publication number
- CN112766602A CN112766602A CN202110131034.4A CN202110131034A CN112766602A CN 112766602 A CN112766602 A CN 112766602A CN 202110131034 A CN202110131034 A CN 202110131034A CN 112766602 A CN112766602 A CN 112766602A
- Authority
- CN
- China
- Prior art keywords
- cost
- power supply
- distributed power
- objective function
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 32
- 230000004044 response Effects 0.000 claims abstract description 15
- 241001206881 Myrmeleon inconspicuus Species 0.000 claims abstract description 13
- 238000004513 sizing Methods 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 238000005315 distribution function Methods 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 12
- 230000007613 environmental effect Effects 0.000 claims description 5
- 238000009434 installation Methods 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 239000005431 greenhouse gas Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 description 11
- 230000005611 electricity Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 241000282320 Panthera leo Species 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 241000258923 Neuroptera Species 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000010206 sensitivity analysis Methods 0.000 description 2
- 102000010029 Homer Scaffolding Proteins Human genes 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000002922 simulated annealing 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/043—Optimisation of two dimensional placement, e.g. cutting of clothes or wood
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种改进的分布式电源选址定容方法，包括以下步骤：获取待研究区域的典型场景数据；基于典型场景数据，考虑需求侧响应成本，建立年综合成本目标函数，获取待研究区域的约束条件；求解目标函数，得到使目标函数值最优的分布式电源接入位置和接入容量。与现有技术相比，本发明建立目标函数时，考虑需求侧响应成本，可以建立更加精确的目标函数，考虑更加全面；通过场景分析方法得到典型场景，具有代表性的典型场景为后续目标函数的建立提供了依据；利用多目标蚁狮算法对目标函数进行求解，得出更加精准的分布式电源接入位置和接入容量，可以有效的降低配电网线路损耗，提高节点电压，提高电力系统的供电可靠性。
Description
技术领域
本发明涉及配电网优化规划技术领域，尤其是涉及一种改进的分布式电源选址定容方法。
背景技术
分布式电源接入配电网的选址与定容是在不改变配电系统馈线和变电站配置的情况下，建立合理准确的优化模型对分布式电源的安装位置和安装容量进行优化。这是一个多目标寻优问题，各个子目标之间相互制约、相互影响。
目前，关于主动配电网中分布式电源的选址及定容求解方法主要有经典数学优化方法、启发式算法、以及智能算法三种。经典数学优化方法常见的有混合整数规划、拉格朗日法、割平面法、动态规划法等；启发式算法主要有灵敏度分析法和支路交换法；智能算法主要有遗传算法、粒子群算法、蚁群算法、模拟退火算法、人工神经网络算法等。
经典数学优化方法适合较为精确的数学模型，但目前大部分的配电网规划问题都是复杂的多维数问题，经典数学优化算法就显得不够灵活，需与其它智能算法相结合进行求解，这也就增加了算法的复杂度。灵敏度分析法和支路分析法实质上不是在算法性能方面求得最优解，只是得出关于时间解的多项式，因此得出的只是近似解，不能得出真正的最优解。智能算法虽然有数学模型简单、普遍适应性等优点，但是大部分算法容易陷入局部最优，不能得出真正的最优解。
另外，目前，关于分布式电源选址定容求解的优化方法有很多，如CN201310215314.9公开的一种分布式电源的优化选址与定容方法，但大多方法是基于分布式电源的运行维护费用、网络损耗成本以及环境成本建立年综合成本最小目标函数，在进行分布式电源选址定容时，没有考虑到需求侧的相关成本。需求侧响应成本一直未受到关注，分布式电源的选址定容方法仍需继续改进。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种改进的分布式电源选址定容方法，建立目标函数时，考虑需求侧响应成本，可以建立更加精确的目标函数，考虑更加全面；通过场景分析方法，基于历史数据，通过场景生成和场景缩减得到典型场景，具有代表性的典型场景为后续目标函数的建立提供了依据；利用多目标蚁狮算法对目标函数进行求解，得出更加精准的分布式电源接入位置和接入容量，可以有效的降低配电网线路损耗，提高节点电压，提高电力系统的供电可靠性。
本发明的目的可以通过以下技术方案来实现：
一种改进的分布式电源选址定容方法，包括以下步骤：
S1：通过场景分析方法，获取待研究区域的典型场景数据；
S2：基于典型场景数据，建立待研究区域的目标函数，获取待研究区域的约束条件；
S3：利用蚁狮算法求解目标函数，得到满足约束条件且目标函数值最优的分布式电源接入位置和接入容量；
所述步骤S2中，目标函数为年综合成本最小目标函数：
MinF＝CDG+Closs+Cf+Cr+Cs
其中，CDG为分布式电源投资成本，包含初期安装成本以及运行维护成本；Closs为网络损耗成本；Cf为向上级购电的成本；Cr为需求侧响应的成本；Cs为环境成本费用。
进一步的，所述步骤S1包括以下步骤：
S11：获取历史数据，所述历史数据包括风电数据、光伏数据、其他分布式电源数据和负荷数据；
S12：以风电数据、光伏数据、其他分布式电源数据和负荷数据的概率密度分布函数为依据生成大量场景；
S13：利用场景缩减方法生成的场景进行场景缩减，得到具有代表性的场景作为典型场景。
更进一步的，所述步骤S12中，通过拉丁超立方抽样法对服从相应概率密度分布函数的风电、光伏出力的随机变量进行逆向抽样，生成大量场景。
更进一步的，所述步骤S12中，风电出力服从威布尔概率密度分布函数。
更进一步的，所述步骤S12中，光伏出力服从贝塔概率密度分布函数。
更进一步的，所述步骤S13中，场景缩减方法为聚类算法。
进一步的，需求侧响应的成本Cr具体为：根据供电单位跟用户签订的用电协议得到需求侧响应成本，用电协议包括：用电单位在用电高峰时根据用电协议中断负荷，低电价时接通负荷。
进一步的，环境成本费用Cs具体为治理DG产生的温室气体的费用。
与现有技术相比，本发明具有以下有益效果：
(1)建立目标函数时，考虑需求侧响应成本，可以建立更加精确的目标函数，考虑更加全面。
(2)通过场景分析方法，基于历史数据，通过场景生成和场景缩减得到典型场景，具有代表性的典型场景为后续目标函数的建立提供了依据。
(3)利用多目标蚁狮算法对目标函数进行求解，得出更加精准的分布式电源接入位置和接入容量，可以有效的降低配电网线路损耗，提高节点电压，提高电力系统的供电可靠性。
附图说明
图1为实施例中分布式电源选址定容方法的流程图；
图2为实施例中IEEE-33节点模型示意图；
图3为实施例中多目标蚁狮算法的流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例1：
一种改进的分布式电源选址定容方法，如图1所示，包括以下步骤：
S1：通过场景分析方法，获取待研究区域的典型场景数据；
步骤S1包括以下步骤：
S11：获取历史数据，所述历史数据包括风电数据、光伏数据、其他分布式电源数据和负荷数据；
S12：以风电数据、光伏数据、其他分布式电源数据和负荷数据的概率密度分布函数为依据生成大量场景；
本实施例中，风电出力服从威布尔概率密度分布函数，光伏出力服从贝塔概率密度分布函数，通过拉丁超立方抽样法对服从相应概率密度分布函数的风电、光伏出力的随机变量进行逆向抽样，生成大量场景。
S13：利用场景缩减方法生成的场景进行场景缩减，得到具有代表性的场景作为典型场景，为后续建立目标函数提供依据。
本实施例中，场景缩减方法为聚类算法
S2：基于典型场景数据，建立待研究区域的目标函数，获取待研究区域的约束条件；
目标函数为年综合成本最小目标函数：
MinF＝CDG+Closs+Cf+Cr+Cs
其中，CDG为分布式电源投资成本，包含初期安装成本以及运行维护成本；Closs为网络损耗成本；Cf为向上级购电的成本；Cr为需求侧响应的成本，根据供电单位跟用户签订的用电协议得到需求侧响应成本，用电协议包括：用电单位在用电高峰时根据用电协议中断负荷，低电价时接通负荷；Cs为环境成本费用，具体为治理DG产生的温室气体的费用。
本发明在考虑上述成本的前提下加入需求侧响应成本，建立更加完善的年综合成本最小的目标函数。
S3：利用多目标蚁狮算法求解目标函数，得到满足约束条件且目标函数值最优的分布式电源接入位置和接入容量。本实施例中利用多目标蚁狮算法求解目标函数。
本实施例中，以IEEE-33节点模型为基础，IEEE-33节点模型示意图如图2所示。通过HOMER软件得到某地的风光出力以及负荷的年变化数据，对年变化数据进行分析得出其变化规律特性，研究表明风电出力概率密度近似服从威布尔分布，光伏出力概率密度近似服从贝塔分布。
通过拉丁超立方抽样法对服从相应概率密度分布特性的风电、光伏出力的随机变量进行逆向抽样，得到大规模的原始场景。利用聚类算法对大规模场景进行缩减得到具有代表性的典型；以典型场景为基础，建立包含需求侧响应成本的主动配电网年综合成本最小的目标函数，对目标函数进行求解得到最优的分布式电源接入位置和接入容量。
本实施例中，建立年综合成本最低目标函数MinF＝CDG+Closs+Cf+Cr+Cs。将需求侧响应成本与分布式电源的运行维护费用、网络损耗年费用、环境成本费用以及向上级电网的购电成本组合，共同构成含分布式电源主动配电网的年综合成本最小目标函数。
为了得到分布式电源的初始接入位置和初始接入容量，利用线路网损灵敏度反应计算求出分布式电源的初始位置和容量。有功网损灵敏度反应的是在某节点注入有功对系统网损减小的幅度指标，某节点注入有功的灵敏度计算值越小对系统网损的改善越小，反之则说明该节点注入有功对系统的网损改善作用越强。由此来判断分布式电源的初始接入位置和接入容量。
应用多目标蚁狮算法对目标函数进行求解，如图3所示，首先初始化算法的各项参数以及蚁狮种群和蚂蚁种群，然后计算蚁狮的适应度，确定精英蚁狮，接着随机游走产生新的蚂蚁种群；再次计算适应度产生新的蚁狮种群，然后进行全局优化确定新的精英蚁狮，确定新产生的精英蚁狮是否与上一轮所产生的精英蚁狮一致，一致则输出计算值，不一致则随机游走产生新的种群，再次计算。
由于多目标蚁狮算法具有种群多样、寻优性能强、调节参数少、易于实现的搜索技术等优点，因此利用该算法对构建的新的主动配电网最小年综合成本目标函数记性求解，以更快的求解速度和效率得到相对较优的分布式电源接入位置和容量。
在MATLAB中建立IEEE-33节点配电网系统对目标函数以及所应用多目标蚁狮求解算法进行验证，得出最优的分布式电源接入位置和接入容量使得分布式电源年综合成本最小。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (8)
1.一种改进的分布式电源选址定容方法，其特征在于，包括以下步骤：
S1：通过场景分析方法，获取待研究区域的典型场景数据；
S2：基于典型场景数据，建立待研究区域的目标函数，获取待研究区域的约束条件；
S3：利用蚁狮算法求解目标函数，得到满足约束条件且目标函数值最优的分布式电源接入位置和接入容量；
所述步骤S2中，目标函数为年综合成本最小目标函数：
MinF＝CDG+Closs+Cf+Cr+Cs
其中，CDG为分布式电源投资成本，包含初期安装成本以及运行维护成本；Closs为网络损耗成本；Cf为向上级购电的成本；Cr为需求侧响应的成本；Cs为环境成本费用。
2.根据权利要求1所述的一种改进的分布式电源选址定容方法，其特征在于，所述步骤S1包括以下步骤：
S11：获取历史数据，所述历史数据包括风电数据、光伏数据、其他分布式电源数据和负荷数据；
S12：以风电数据、光伏数据、其他分布式电源数据和负荷数据的概率密度分布函数为依据生成大量场景；
S13：利用场景缩减方法生成的场景进行场景缩减，得到具有代表性的场景作为典型场景。
3.根据权利要求2所述的一种改进的分布式电源选址定容方法，其特征在于，所述步骤S12中，通过拉丁超立方抽样法对服从相应概率密度分布函数的风电、光伏出力的随机变量进行逆向抽样，生成大量场景。
4.根据权利要求3所述的一种改进的分布式电源选址定容方法，其特征在于，所述步骤S12中，风电出力服从威布尔概率密度分布函数。
5.根据权利要求3所述的一种改进的分布式电源选址定容方法，其特征在于，所述步骤S12中，光伏出力服从贝塔概率密度分布函数。
6.根据权利要求3所述的一种改进的分布式电源选址定容方法，其特征在于，所述步骤S13中，场景缩减方法为聚类算法。
7.根据权利要求1所述的一种改进的分布式电源选址定容方法，其特征在于，所述步骤S2中，需求侧响应的成本Cr具体为：根据供电单位跟用户签订的用电协议得到需求侧响应成本，用电协议包括：用电单位在用电高峰时根据用电协议中断负荷，低电价时接通负荷。
8.根据权利要求1所述的一种改进的分布式电源选址定容方法，其特征在于，所述步骤S2中，环境成本费用Cs具体为治理DG产生的温室气体的费用。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110131034.4A CN112766602A (zh) | 2021-01-30 | 2021-01-30 | 一种改进的分布式电源选址定容方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110131034.4A CN112766602A (zh) | 2021-01-30 | 2021-01-30 | 一种改进的分布式电源选址定容方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112766602A true CN112766602A (zh) | 2021-05-07 |
Family
ID=75704120
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110131034.4A Pending CN112766602A (zh) | 2021-01-30 | 2021-01-30 | 一种改进的分布式电源选址定容方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112766602A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113988594A (zh) * | 2021-10-26 | 2022-01-28 | 山东大学 | 一种灾难备份数据中心多目标选址方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104376410A (zh) * | 2014-11-06 | 2015-02-25 | 国家电网公司 | 一种配电网中分布式电源的规划方法 |
| CN105279578A (zh) * | 2015-10-27 | 2016-01-27 | 天津大学 | 一种主动配电网区域电源优化配置双层规划方法 |
| CN106385025A (zh) * | 2016-10-08 | 2017-02-08 | 四川大学 | 一种分布式电源与联络线多阶段协同规划方法 |
| CN107274087A (zh) * | 2017-06-09 | 2017-10-20 | 燕山大学 | 一种计及需求侧响应不确定性的主动配电网双层规划方法 |
| CN107766991A (zh) * | 2017-11-10 | 2018-03-06 | 国网浙江省电力公司电力科学研究院 | 一种分布式电源接入配电网的规划优化方法及系统 |
| CN110929454A (zh) * | 2019-11-21 | 2020-03-27 | 国网江苏省电力有限公司南通供电分公司 | 研究主动配电网与分布式电源、储能及多样性负荷的交互作用机理的方法 |
| CN111934315A (zh) * | 2020-07-31 | 2020-11-13 | 国网河北省电力有限公司 | 考虑需求侧的源网荷储协同优化运行方法及终端设备 |
| CN112149264A (zh) * | 2020-09-25 | 2020-12-29 | 东北电力大学 | 一种基于改进哈里斯鹰优化算法的主动配电网规划方法 |
-
2021
- 2021-01-30 CN CN202110131034.4A patent/CN112766602A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104376410A (zh) * | 2014-11-06 | 2015-02-25 | 国家电网公司 | 一种配电网中分布式电源的规划方法 |
| CN105279578A (zh) * | 2015-10-27 | 2016-01-27 | 天津大学 | 一种主动配电网区域电源优化配置双层规划方法 |
| CN106385025A (zh) * | 2016-10-08 | 2017-02-08 | 四川大学 | 一种分布式电源与联络线多阶段协同规划方法 |
| CN107274087A (zh) * | 2017-06-09 | 2017-10-20 | 燕山大学 | 一种计及需求侧响应不确定性的主动配电网双层规划方法 |
| CN107766991A (zh) * | 2017-11-10 | 2018-03-06 | 国网浙江省电力公司电力科学研究院 | 一种分布式电源接入配电网的规划优化方法及系统 |
| CN110929454A (zh) * | 2019-11-21 | 2020-03-27 | 国网江苏省电力有限公司南通供电分公司 | 研究主动配电网与分布式电源、储能及多样性负荷的交互作用机理的方法 |
| CN111934315A (zh) * | 2020-07-31 | 2020-11-13 | 国网河北省电力有限公司 | 考虑需求侧的源网荷储协同优化运行方法及终端设备 |
| CN112149264A (zh) * | 2020-09-25 | 2020-12-29 | 东北电力大学 | 一种基于改进哈里斯鹰优化算法的主动配电网规划方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113988594A (zh) * | 2021-10-26 | 2022-01-28 | 山东大学 | 一种灾难备份数据中心多目标选址方法及系统 |
| CN113988594B (zh) * | 2021-10-26 | 2024-04-30 | 山东大学 | 一种灾难备份数据中心多目标选址方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107301470B (zh) | 一种配电网扩展规划与光储选址定容的双层优化方法 | |
| CN102801790B (zh) | 一种基于iec 61850和多代理方法的微网能量管理系统 | |
| Yi et al. | Joint optimization of charging station and energy storage economic capacity based on the effect of alternative energy storage of electric vehicle | |
| CN107634518A (zh) | 一种“源‑网‑荷”相协调的主动配电网经济调度方法 | |
| CN111222917A (zh) | 一种与配电侧多元零售市场互动的虚拟电厂投标策略 | |
| Barelli et al. | Real time power management strategy for hybrid energy storage systems coupled with variable energy sources in power smoothing applications | |
| CN109066741A (zh) | 一种用于区域电网削峰填谷的分布式储能规划方法及系统 | |
| CN111917111B (zh) | 用于配电网的分布式光伏电源接纳能力在线评估的方法、系统、设备及存储介质 | |
| CN114140022A (zh) | 一种多虚拟电厂分布式动态经济调度方法及系统 | |
| Ghatak et al. | Optimal allocation of DG using exponentential PSO with reduced search space | |
| Jiao et al. | An optimization model and modified harmony search algorithm for microgrid planning with ESS | |
| CN113379566A (zh) | 虚拟电厂支撑系统 | |
| CN116822719A (zh) | 一种配电网的多目标规划方法及装置 | |
| CN112766602A (zh) | 一种改进的分布式电源选址定容方法 | |
| Li et al. | Multiobjective optimization configuration of a prosumer’s energy storage system based on an improved fast nondominated sorting genetic algorithm | |
| CN103488820A (zh) | 一种基于长过程时序仿真的分布式电源规划方法 | |
| Nazerian et al. | Optimal distribution network reconfiguration considering power quality issues | |
| CN112465301B (zh) | 一种基于差分隐私机制的边缘智能电网协作决策方法 | |
| CN109670981A (zh) | 基于利益均衡及规划运行交替优化的主动配电网规划方法 | |
| CN106447061B (zh) | 分布式电源定容选址的方法 | |
| CN116341829A (zh) | 一种绿色电力信息块处理方法及系统 | |
| CN111860617A (zh) | 一种配电网综合优化运行方法 | |
| Shaddiq | A Nexus among Reliability Improvement of Distribution System with Optimal Placement and Capacity of Wind-Based Distributed Generation Management | |
| Cheng et al. | Optimal energy dispatch of integrated electricity substation considering the operational uncertainties in an edge-cloud environment | |
| Gao et al. | Reconfiguration of the electric vehicle integrated distribution system considering carbon-reduction benefit |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210507 |
|
| RJ01 | Rejection of invention patent application after publication |