CN112949008B - 一种配电网规划方法及相关装置 - Google Patents
一种配电网规划方法及相关装置 Download PDFInfo
- Publication number
- CN112949008B CN112949008B CN202110180613.8A CN202110180613A CN112949008B CN 112949008 B CN112949008 B CN 112949008B CN 202110180613 A CN202110180613 A CN 202110180613A CN 112949008 B CN112949008 B CN 112949008B
- Authority
- CN
- China
- Prior art keywords
- distribution network
- power distribution
- node
- power
- wind power
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000004088 simulation Methods 0.000 claims abstract description 99
- 239000003990 capacitor Substances 0.000 claims abstract description 64
- 238000009434 installation Methods 0.000 claims abstract description 46
- 230000002068 genetic effect Effects 0.000 claims abstract description 17
- 238000004590 computer program Methods 0.000 claims description 13
- 230000002457 bidirectional effect Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 230000005611 electricity Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 abstract description 9
- 238000010248 power generation Methods 0.000 description 11
- 230000035772 mutation Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000011541 reaction mixture Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
-
- 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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/06—Wind turbines or wind farms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Geometry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Business, Economics & Management (AREA)
- Computer Hardware Design (AREA)
- Pure & Applied Mathematics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Water Supply & Treatment (AREA)
- Probability & Statistics with Applications (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
Abstract
本申请公开了一种配电网规划方法及相关装置,涉及电力系统技术领域,其中,该配电网规划方法包括:基于预存的风电历史数据和预设的生成对抗网络模型,随机生成一个以上风电模拟场景;基于一个以上风电模拟场景,构建配电网的多目标规划模型,其中,多目标规划模型的约束条件包括:配电网中各节点的电容器安装容量约束,和配电网中各相邻节点间的智能软开关安装容量约束;基于预设的遗传算法对多目标规划模型进行求解;基于求解的结果对配电网进行相应的配置。基于本申请的技术方案,可在降低配电网的成本的同时提高配电网的输电能力。
Description
技术领域
本申请涉及电力系统技术领域,特别是涉及一种配电网规划方法及相关装置。
背景技术
随着时代的发展,人们对于配电网的要求越来越高,如何提高配电网的输电能力已成为本领域研究的重点。
现有的配电网一般仅配置有若干电容器,根据需求改变接入配电网的电容器的数量,以实现对配电网的电压的调控,然而,在配电网被若干风力发电设备接入时,由于风力发电的不确定性、频繁波动的特性,仅在配电网中设置电容器并对电容器进行调控,完全无法维持电压的稳定,严重影响了配电网的输电能力。
发明内容
本申请提供一种配电网规划方法及相关装置,可在降低配电网的成本的同时提高了配电网的输电能力。
为了实现上述技术效果,本申请第一方面提供一种配电网规划方法包括:
基于预存的风电历史数据和预设的生成对抗网络模型,随机生成一个以上风电模拟场景;
基于上述一个以上风电模拟场景,构建配电网的多目标规划模型,其中,上述多目标规划模型的约束条件包括:上述配电网中各节点的电容器安装容量约束,和上述配电网中各相邻节点间的智能软开关安装容量约束;
基于预设的遗传算法对上述多目标规划模型进行求解;
基于上述求解的结果对上述配电网进行相应的配置。
本申请第二方面提供一种配电网规划装置,包括:
生成单元,用于基于预存的风电历史数据和预设的生成对抗网络模型,随机生成一个以上风电模拟场景;
构建单元,用于基于上述一个以上风电模拟场景,构建配电网的多目标规划模型,其中,上述多目标规划模型的约束条件包括:上述配电网中各节点的电容器安装容量约束,和上述配电网中各相邻节点间的智能软开关安装容量约束;
处理单元,用于基于预设的遗传算法对上述多目标规划模型进行求解;
配置单元,用于基于上述求解的结果对上述配电网进行相应的配置。
本申请第三方面提供一种配电网规划装置,包括存储器和处理器,上述存储器存储有计算机程序,上述处理器执行上述计算机程序时实现上述第一方面或上述第一方面的任一种可能的实现方式中提及的配电网规划方法的步骤。
本申请第四方面提供一种计算机可读存储介质,上述计算机可读存储介质存储有计算机程序,上述计算机程序被处理器执行时实现上述第一方面或上述第一方面的任一种可能的实现方式中提及的配电网规划方法的步骤。
由上可见,本申请的技术方案通过基于预存的风电历史数据和预设的生成对抗网络模型,随机生成一个以上风电模拟场景;基于一个以上风电模拟场景,构建配电网的多目标规划模型,其中,多目标规划模型的约束条件包括:配电网中各节点的电容器安装容量约束,和配电网中各相邻节点间的智能软开关安装容量约束;基于预设的遗传算法对多目标规划模型进行求解;基于求解的结果对配电网进行相应的配置,实现了对配电网所需设置的智能软开关和电容器的规划。基于本申请的技术方案,可对配电网设置合理位置、数量的智能软开关和电容器,进而在降低配电网的成本的同时提高了配电网的输电能力。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本申请提供的配电网规划方法一实施例流程示意图;
图2为本申请提供的配电网规划装置一实施例结构示意图;
图3为本申请提供的配电网规划装置另一实施例结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其他实施例中也可以实现本申请。在其它情况下,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
下面结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本申请,但是本申请还可以采用其它不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似推广,因此本申请不受下面公开的具体实施例的限制。
实施例一
本申请提供一种配电网规划方法,如图1所示,包括:
步骤101,基于预存的风电历史数据和预设的生成对抗网络模型,随机生成一个以上风电模拟场景;
本申请实施例中,可基于预存的风电历史数据,对预设的生成对抗网络模型进行训练,以得到训练后的生成对抗网络模型,之后采用该训练后的生成对抗网络模型随机生成一个以上风电模拟场景,其中,该风电历史数据可包含预设区域内的风力发电设备位置、各风力发电设备处的风速大小或各风力发电设备的发电功率大小,上述风电模拟场景中的信息同样可包含预设区域内的风力发电设备位置、各风力发电设备处的风速大小或各风力发电设备的发电功率大小,以模拟实际的风力状况和风电发电状况。
可选的,上述生成对抗网络模型为双向生成对抗网络模型。
具体的,上述双向生成对抗网络模型包括编码器、生成器和判别器;
上述基于预存的风电历史数据和预设的生成对抗网络模型,随机生成一个以上风电模拟场景具体可以包括:
将预存的风电历史数据进行数据归一化处理;
基于数据归一化处理后的风电历史数据、反向传播法,对上述编码器、上述生成器和上述判别器进行迭代训练,其中,该迭代训练的终止条件为,上述双向生成对抗网络模型达到或逼近纳什平衡。
基于迭代训练后的双向生成对抗网络模型,随机生成一个以上风电模拟场景。
需要说明的是,双向生成对抗网络模型可实现对真实数据的特征提取,可有效提高基于双向生成对抗网络模型生成的风电模拟场景的真实性。
步骤102,基于上述一个以上风电模拟场景,构建配电网的多目标规划模型;
其中,上述多目标规划模型的约束条件包括:上述配电网中各节点的电容器安装容量约束,和上述配电网中各相邻节点间的智能软开关安装容量约束;
本申请实施例中,可基于上述一个以上风电模拟场景,构建配电网的多目标规划模型,其中,所述多目标规划模型所涉及的参数均为上述一个以上风电模拟场景中包含的参数。
可选的,上述基于上述一个以上风电模拟场景,构建配电网的多目标规划模型包括:
基于预设的聚类算法,对上述一个以上风电模拟场景进行聚类,以得到上述一个以上风电模拟场景中预设数量的风电模拟场景;
基于上述预设数量的风电模拟场景,构建配电网的多目标规划模型。
具体的,上述基于预设的聚类算法,对上述一个以上风电模拟场景进行聚类,以得到上述一个以上风电模拟场景中预设数量的风电模拟场景包括:
基于预设的聚类算法,对上述一个以上风电模拟场景进行聚类,以将上述一个以上风电模拟场景划分为一个以上类型的场景集合;
分别从各类型的场景集合中选取预设个数的场景,以得到上述一个以上风电模拟场景中预设数量的风电模拟场景。
需要说明的是,采用上述步骤可从各类型的风电模拟场景中分别挑选出若干个场景,也即可从随机生成的一个以上风电模拟场景中确定出较为典型的风电模拟场景,以提高后续求解得出的多目标规划模型的结果的适用性。
进一步的,上述聚类算法为K-means聚类算法。
进一步的,上述基于上述预设数量的风电模拟场景,构建配电网的多目标规划模型包括:
以系统年综合费用和电压偏移最小为目标,构建上述多目标规划模型的目标函数如下:
min(C,VD) (1);
C=CC+CSOP+Closs (2);
VD=max{|Ui(s)-UN||i=1,…,M} (6);
式(1)至(6)中,C为系统年综合费用,VD为电压偏移,CC为电容器年综合费用,c1为上述配电网中单位容量电容器的设备费,c2为上述配电网中单位容量电容器的安装建设费,Nc为上述配电网中待安装电容器的节点的集合,Qc,i为上述配电网中在节点i上待安装的电容器的数量,CSOP为智能软开关年综合费用,r为年贴现率,n为上述配电网中智能软开关的可使用年限,η为年运行维护费用系数,NSOP为上述配电网中待安装的智能软开关的数量,c3为上述配电网中单位容量智能软开关的成本,SSOP,k为上述配电网中第k个智能软开关的安装容量,Closs为损耗年综合费用,c4为系统单位电价,τ为最大负荷利用小时数,Ploss(s)为第s个风电模拟场景下的上述配电网中损耗的有功功率,p(s)为第s个风电模拟场景发生的概率,Ns为上述预设数量,M为上述配电网中节点的数量,Ui(s)为第s个风电模拟场景下的上述配电网中节点i的电压幅值,UN为上述配电网的线路额定电压值。
更进一步的,上述多目标规划模型的约束条件还包括:系统潮流平衡约束、节点电压约束和风电机组运行约束;
上述基于上述预设数量的风电模拟场景,构建配电网的多目标规划模型还包括:
构建系统潮流平衡约束如下:
式(7)中,Pi(s)和Qi(s)分别为第s个风电模拟场景下的上述配电网中节点i的注入的有功功率和无功功率,Gij和Bij分别为上述配电网中节点i和节点j之间的电导和电纳,Ui(s)、Uj(s)和θij(s)分别为第s个风电模拟场景下的上述配电网中节点i的电压幅值、节点j的电压幅值和节点i和节点j之间的相位差;
构建节点电压约束如下:
构建风电机组运行约束如下:
构建上述电容器安装容量约束如下:
Qc,i=nc,iqc (11);
构建上述智能软开关安装容量约束如下:
SSOP,ij=nSOP,ijsSOP (13);
式(12)和(13)中,为上述配电网中节点i和节点j之间允许安装智能软开关的最大容量,nSOP,ij为上述配电网中节点i和节点j之间的智能软开关的安装数量,sSOP为上述配电网中智能软开关的单位安装容量。
步骤103,基于预设的遗传算法对上述多目标规划模型进行求解;
步骤104,基于上述求解的结果对上述配电网进行相应的配置。
本申请实施例中,可基于NSGA-II算法对构建好的多目标规划模型进行求解,以得到符合期望的最优解,该最优解包含上述配电网中的电容器和智能软开关的安装位置及各安装位置所需安装的数量,之后,基于该最优解对上述配电网进行相应的配置。
可选的,上述预设的遗传算法为NSGA-II算法;
上述基于预设的遗传算法对上述多目标规划模型进行求解包括:
基于上述配电网和NSGA-II算法,进行参数初始化;
基于上述多目标规划模型中的变量,进行种群初始化,以生成初代种群;
基于最新生成的种群的代数,确定SBX交叉算子的当前交叉概率,其中,上述SBX交叉算子的当前交叉概率随当前种群数量的增加而增大;
生成一随机概率,并基于最新生成的随机概率与上述SBX交叉算子的当前交叉概率的大小关系,确定SBX交叉算子或NDX交叉算子中的一交叉算子为当前交叉算子;
基于当前交叉算子和最新生成的种群生成下一代种群,之后,基于最新生成的种群确定上述多目标规划模型的最优解;
判断最新生成的种群的代数是否达到预设代数阈值;
若最新生成的种群的代数未达到上述预设代数阈值,则返回执行上述基于最新生成的种群的代数,确定SBX交叉算子的当前交叉概率的步骤及后续步骤;
若最新生成的种群的代数达到上述预设代数阈值,则基于最优折中策略,将各上述最优解中的一最优解确定为最终最优解,并输出上述最终最优解;
上述基于上述求解的结果对上述配电网进行相应的配置包括:
基于上述最终最优解对上述配电网进行相应的配置。
需要说明的是,在种群仅有一代时,SBX交叉算子的当前交叉概率小于0.5;采用上述在SBX交叉算子或NDX交叉算子中确定当前交叉算子的方法,可在种群的代数较小的阶段,赋予NDX交叉算子较大的交叉概率并赋予SBX交叉算子较小的交叉概率,以利用NDX交叉算子搜索范围广的优势使得新生成的种群迅速靠近最优解的前沿,加快求解速度,并可在种群的代数较大的阶段,赋予NDX交叉算子较小的交叉概率并赋予SBX交叉算子较大的交叉概率,以利用SBX交叉算子的局部搜索能力使新生成的种群迅速收敛,提高了求解上述多目标规划模型的速度和准确度。
具体的,上述基于最新生成的种群确定上述多目标规划模型的最优解包括:
计算最新生成的种群的个体的满意度,并判断上述满意度是否达到预设满意度阈值;
若上述满意度达到预设满意度阈值,则基于最新生成的种群确定上述多目标规划模型的最优解。
具体的,上述基于当前交叉算子和最新生成的种群生成下一代种群,之后,基于最新生成的种群确定上述多目标规划模型的最优解包括:
基于当前交叉算子,对最新生成的种群进行交叉操作;
基于最新生成的种群的代数,确定当前变异数目;
基于当前变异数目对进行交叉操作后的最新生成的种群进行变异操作,以生成子代;
以最新生成的种群为父代,将最新生成的父代和子代进行合并,以生成下一代种群;
基于最新生成的种群确定一所述多目标规划模型的最优解;
其中,上述基于最新生成的种群的代数,确定当前变异数目可包括:
基于最新生成的种群的代数,确定最新生成的种群所对应的当前变异概率,上述最新生成的种群所对应的当前变异概率随当前种群数量的增加而增大;
将最新生成的种群的个体总数与当前变异概率的乘积确定为当前变异数目;
上述基于当前变异数目对进行交叉操作后的最新生成的种群进行变异操作,以生成子代包括:
对进行交叉操作后的最新生成的种群的后当前变异数目的个体进行多项式变异,以生成子代。
由上可见,本申请的技术方案通过基于预存的风电历史数据和预设的生成对抗网络模型,随机生成一个以上风电模拟场景;基于一个以上风电模拟场景,构建配电网的多目标规划模型,其中,多目标规划模型的约束条件包括:配电网中各节点的电容器安装容量约束,和配电网中各相邻节点间的智能软开关安装容量约束;基于预设的遗传算法对多目标规划模型进行求解;基于求解的结果对配电网进行相应的配置,实现了对配电网所需设置的智能软开关和电容器的规划。基于本申请的技术方案,可对配电网设置合理位置、数量的智能软开关和电容器,进而在降低配电网的成本的同时提高了配电网的输电能力。
实施例二
本申请提供一种配电网规划装置,如图2所示,配电网规划装置20包括:
生成单元201,用于基于预存的风电历史数据和预设的生成对抗网络模型,随机生成一个以上风电模拟场景;
构建单元202,用于基于上述一个以上风电模拟场景,构建配电网的多目标规划模型,其中,上述多目标规划模型的约束条件包括:上述配电网中各节点的电容器安装容量约束,和上述配电网中各相邻节点间的智能软开关安装容量约束;
处理单元203,用于基于预设的遗传算法对上述多目标规划模型进行求解;
配置单元204,用于基于上述求解的结果对上述配电网进行相应的配置。
可选的,构建单元202具体用于:
基于预设的聚类算法,对上述一个以上风电模拟场景进行聚类,以得到上述一个以上风电模拟场景中预设数量的风电模拟场景;
基于上述预设数量的风电模拟场景,构建配电网的多目标规划模型。
进一步的,上述聚类算法为K-means聚类算法。
进一步的,构建单元202具体用于:
以系统年综合费用和电压偏移最小为目标,构建上述多目标规划模型的目标函数如下:
min(C,VD) (1);
C=CC+CSOP+Closs (2);
VD=max{|Ui(s)-UN||i=1,…,M} (6);
式(1)至(6)中,C为系统年综合费用,VD为电压偏移,CC为电容器年综合费用,c1为上述配电网中单位容量电容器的设备费,c2为上述配电网中单位容量电容器的安装建设费,Nc为上述配电网中待安装电容器的节点的集合,Qc,i为上述配电网中在节点i上待安装的电容器的数量,CSOP为智能软开关年综合费用,r为年贴现率,n为上述配电网中智能软开关的可使用年限,η为年运行维护费用系数,NSOP为上述配电网中待安装的智能软开关的数量,c3为上述配电网中单位容量智能软开关的成本,SSOP,k为上述配电网中第k个智能软开关的安装容量,Closs为损耗年综合费用,c4为系统单位电价,τ为最大负荷利用小时数,Ploss(s)为第s个风电模拟场景下的上述配电网中损耗的有功功率,p(s)为第s个风电模拟场景发生的概率,Ns为上述预设数量,M为上述配电网中节点的数量,Ui(s)为第s个风电模拟场景下的上述配电网中节点i的电压幅值,UN为上述配电网的线路额定电压值。
更进一步的,上述多目标规划模型的约束条件还包括:系统潮流平衡约束、节点电压约束和风电机组运行约束;
构建单元202具体还用于:
构建系统潮流平衡约束如下:
式(7)中,Pi(s)和Qi(s)分别为第s个风电模拟场景下的上述配电网中节点i的注入的有功功率和无功功率,Gij和Bij分别为上述配电网中节点i和节点j之间的电导和电纳,Ui(s)、Uj(s)和θij(s)分别为第s个风电模拟场景下的上述配电网中节点i的电压幅值、节点j的电压幅值和节点i和节点j之间的相位差;
构建节点电压约束如下:
构建风电机组运行约束如下:
构建上述电容器安装容量约束如下:
Qc,i=nc,iqc (11);
构建上述智能软开关安装容量约束如下:
SSOP,ij=nSOP,ijsSOP (13);
式(12)和(13)中,为上述配电网中节点i和节点j之间允许安装智能软开关的最大容量,nSOP,ij为上述配电网中节点i和节点j之间的智能软开关的安装数量,sSOP为上述配电网中智能软开关的单位安装容量。
可选的,上述预设的遗传算法为NSGA-II算法;
处理单元203具体用于:
基于上述配电网和NSGA-II算法,进行参数初始化;
基于上述多目标规划模型中的变量,进行种群初始化,以生成初代种群;
基于最新生成的种群的代数,确定SBX交叉算子的当前交叉概率,其中,上述SBX交叉算子的当前交叉概率随当前种群数量的增加而增大;
生成一随机概率,并基于最新生成的随机概率与上述SBX交叉算子的当前交叉概率的大小关系,确定SBX交叉算子或NDX交叉算子中的一交叉算子为当前交叉算子;
基于当前交叉算子和最新生成的种群生成下一代种群,之后,基于最新生成的种群确定上述多目标规划模型的最优解;
判断最新生成的种群的代数是否达到预设代数阈值;
若最新生成的种群的代数未达到上述预设代数阈值,则返回执行上述基于最新生成的种群的代数,确定SBX交叉算子的当前交叉概率的步骤及后续步骤;
若最新生成的种群的代数达到上述预设代数阈值,则基于最优折中策略,将各上述最优解中的一最优解确定为最终最优解,并输出上述最终最优解;
上述基于上述求解的结果对上述配电网进行相应的配置包括:
基于上述最终最优解对上述配电网进行相应的配置。
可选的,上述生成对抗网络模型为双向生成对抗网络模型。
由上可见,本申请的技术方案通过基于预存的风电历史数据和预设的生成对抗网络模型,随机生成一个以上风电模拟场景;基于一个以上风电模拟场景,构建配电网的多目标规划模型,其中,多目标规划模型的约束条件包括:配电网中各节点的电容器安装容量约束,和配电网中各相邻节点间的智能软开关安装容量约束;基于预设的遗传算法对多目标规划模型进行求解;基于求解的结果对配电网进行相应的配置,实现了对配电网所需设置的智能软开关和电容器的规划。基于本申请的技术方案,可对配电网设置合理位置、数量的智能软开关和电容器,进而在降低配电网的成本的同时提高了配电网的输电能力。
实施例三
本申请还提供另一种配电网规划装置,如图3所示,本申请实施例中的配电网规划装置包括:存储器301、处理器302以及存储在存储器301中并可在处理器302上运行的计算机程序,其中:存储器301用于存储软件程序以及模块,处理器302通过运行存储在存储器301的软件程序以及模块,从而执行各种功能应用以及数据处理,存储器301和处理器302通过总线303连接。
具体的,处理器302通过运行存储在存储器301的上述计算机程序时实现以下步骤:
基于预存的风电历史数据和预设的生成对抗网络模型,随机生成一个以上风电模拟场景;
基于上述一个以上风电模拟场景,构建配电网的多目标规划模型,其中,上述多目标规划模型的约束条件包括:上述配电网中各节点的电容器安装容量约束,和上述配电网中各相邻节点间的智能软开关安装容量约束;
基于预设的遗传算法对上述多目标规划模型进行求解;
基于上述求解的结果对上述配电网进行相应的配置。
假设上述为第一种可能的实施方式,则在基于上述第一种可能的实施方式的第二种可能的实施方式中,上述基于上述一个以上风电模拟场景,构建配电网的多目标规划模型包括:
基于预设的聚类算法,对上述一个以上风电模拟场景进行聚类,以得到上述一个以上风电模拟场景中预设数量的风电模拟场景;
基于上述预设数量的风电模拟场景,构建配电网的多目标规划模型。
在基于上述第二种可能的实施方式的第三种可能的实施方式中,上述聚类算法为K-means聚类算法。
在基于上述第二种或第三种可能的实施方式的第四种可能的实施方式中,上述基于上述预设数量的风电模拟场景,构建配电网的多目标规划模型包括:
以系统年综合费用和电压偏移最小为目标,构建上述多目标规划模型的目标函数如下:
min(C,VD) (1);
C=CC+CSOP+Closs (2);
VD=max{|Ui(s)-UN||i=1,…,M} (6);
式(1)至(6)中,C为系统年综合费用,VD为电压偏移,CC为电容器年综合费用,c1为上述配电网中单位容量电容器的设备费,c2为上述配电网中单位容量电容器的安装建设费,Nc为上述配电网中待安装电容器的节点的集合,Qc,i为上述配电网中在节点i上待安装的电容器的数量,CSOP为智能软开关年综合费用,r为年贴现率,n为上述配电网中智能软开关的可使用年限,η为年运行维护费用系数,NSOP为上述配电网中待安装的智能软开关的数量,c3为上述配电网中单位容量智能软开关的成本,SSOP,k为上述配电网中第k个智能软开关的安装容量,Closs为损耗年综合费用,c4为系统单位电价,τ为最大负荷利用小时数,Ploss(s)为第s个风电模拟场景下的上述配电网中损耗的有功功率,p(s)为第s个风电模拟场景发生的概率,Ns为上述预设数量,M为上述配电网中节点的数量,Ui(s)为第s个风电模拟场景下的上述配电网中节点i的电压幅值,UN为上述配电网的线路额定电压值。
在基于上述第四种可能的实施方式的第五种可能的实施方式中,上述多目标规划模型的约束条件还包括:系统潮流平衡约束、节点电压约束和风电机组运行约束;
上述基于上述预设数量的风电模拟场景,构建配电网的多目标规划模型还包括:
构建系统潮流平衡约束如下:
式(7)中,Pi(s)和Qi(s)分别为第s个风电模拟场景下的上述配电网中节点i的注入的有功功率和无功功率,Gij和Bij分别为上述配电网中节点i和节点j之间的电导和电纳,Ui(s)、Uj(s)和θij(s)分别为第s个风电模拟场景下的上述配电网中节点i的电压幅值、节点j的电压幅值和节点i和节点j之间的相位差;
构建节点电压约束如下:
构建风电机组运行约束如下:
构建上述电容器安装容量约束如下:
Qc,i=nc,iqc (11);
构建上述智能软开关安装容量约束如下:
SSOP,ij=nSOP,ijsSOP (13);
式(12)和(13)中,为上述配电网中节点i和节点j之间允许安装智能软开关的最大容量,nSOP,ij为上述配电网中节点i和节点j之间的智能软开关的安装数量,sSOP为上述配电网中智能软开关的单位安装容量。
在基于上述第一种或第二种或第三种可能的实施方式的第六种可能的实施方式中,上述预设的遗传算法为NSGA-II算法;
上述基于预设的遗传算法对上述多目标规划模型进行求解包括:
基于上述配电网和NSGA-II算法,进行参数初始化;
基于上述多目标规划模型中的变量,进行种群初始化,以生成初代种群;
基于最新生成的种群的代数,确定SBX交叉算子的当前交叉概率,其中,上述SBX交叉算子的当前交叉概率随当前种群数量的增加而增大;
生成一随机概率,并基于最新生成的随机概率与上述SBX交叉算子的当前交叉概率的大小关系,确定SBX交叉算子或NDX交叉算子中的一交叉算子为当前交叉算子;
基于当前交叉算子和最新生成的种群生成下一代种群,之后,基于最新生成的种群确定上述多目标规划模型的最优解;
判断最新生成的种群的代数是否达到预设代数阈值;
若最新生成的种群的代数未达到上述预设代数阈值,则返回执行上述基于最新生成的种群的代数,确定SBX交叉算子的当前交叉概率的步骤及后续步骤;
若最新生成的种群的代数达到上述预设代数阈值,则基于最优折中策略,将各上述最优解中的一最优解确定为最终最优解,并输出上述最终最优解;
上述基于上述求解的结果对上述配电网进行相应的配置包括:
基于上述最终最优解对上述配电网进行相应的配置。
在基于上述第一种或第二种或第三种可能的实施方式的第七种可能的实施方式中,上述生成对抗网络模型为双向生成对抗网络模型。
由上可见,本申请的技术方案通过基于预存的风电历史数据和预设的生成对抗网络模型,随机生成一个以上风电模拟场景;基于一个以上风电模拟场景,构建配电网的多目标规划模型,其中,多目标规划模型的约束条件包括:配电网中各节点的电容器安装容量约束,和配电网中各相邻节点间的智能软开关安装容量约束;基于预设的遗传算法对多目标规划模型进行求解;基于求解的结果对配电网进行相应的配置,实现了对配电网所需设置的智能软开关和电容器的规划。基于本申请的技术方案,可对配电网设置合理位置、数量的智能软开关和电容器,进而在降低配电网的成本的同时提高了配电网的输电能力。
实施例四
本申请还提供一种计算机可读存储介质,其上存有计算机程序,该计算机程序被执行时可以实现上述实施例所提供的步骤。具体的,该计算机程序包括计算机程序代码,上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式中的一种,此处不作限定;该计算机可读存储介质可以为能够携带上述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质中的一种,此处不作限定。需要说明的是,上述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。
由上可见,本申请的技术方案通过基于预存的风电历史数据和预设的生成对抗网络模型,随机生成一个以上风电模拟场景;基于一个以上风电模拟场景,构建配电网的多目标规划模型,其中,多目标规划模型的约束条件包括:配电网中各节点的电容器安装容量约束,和配电网中各相邻节点间的智能软开关安装容量约束;基于预设的遗传算法对多目标规划模型进行求解;基于求解的结果对配电网进行相应的配置,实现了对配电网所需设置的智能软开关和电容器的规划。基于本申请的技术方案,可对配电网设置合理位置、数量的智能软开关和电容器,进而在降低配电网的成本的同时提高了配电网的输电能力。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将上述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
需要说明的是,上述实施例所提供的方法及其细节举例可结合至实施例提供的装置和设备中,相互参照,不再赘述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各实例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟是以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同的方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/设备实施例仅仅是示意性的,例如,上述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以由另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
上述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (9)
1.一种配电网规划方法,其特征在于,包括:
基于预存的风电历史数据和预设的生成对抗网络模型,随机生成一个以上风电模拟场景;
基于所述一个以上风电模拟场景,构建配电网的多目标规划模型,包括:
基于预设的聚类算法,对所述一个以上风电模拟场景进行聚类,以得到所述一个以上风电模拟场景中预设数量的风电模拟场景;
基于所述预设数量的风电模拟场景,构建配电网的多目标规划模型;
其中,所述多目标规划模型的约束条件包括:所述配电网中各节点的电容器安装容量约束,和所述配电网中各相邻节点间的智能软开关安装容量约束;
基于预设的遗传算法对所述多目标规划模型进行求解;
基于所述求解的结果对所述配电网进行相应的配置。
2.根据权利要求1所述的配电网规划方法,其特征在于,所述聚类算法为K-means聚类算法。
3.根据权利要求1或2所述的配电网规划方法,其特征在于,所述基于所述预设数量的风电模拟场景,构建配电网的多目标规划模型包括:
以系统年综合费用和电压偏移最小为目标,构建所述多目标规划模型的目标函数如下:
min(C,VD) (1);
C=CC+CSOP+Closs (2);
VD=max{|Ui(s)-UN||i=1,…,M} (6);
式(1)至(6)中,C为系统年综合费用,VD为电压偏移,CC为电容器年综合费用,c1为所述配电网中单位容量电容器的设备费,c2为所述配电网中单位容量电容器的安装建设费,Nc为所述配电网中待安装电容器的节点的集合,Qc,i为所述配电网中在节点i上待安装的电容器的数量,CSOP为智能软开关年综合费用,r为年贴现率,n为所述配电网中智能软开关的可使用年限,η为年运行维护费用系数,NSOP为所述配电网中待安装的智能软开关的数量,c3为所述配电网中单位容量智能软开关的成本,SSOP,k为所述配电网中第k个智能软开关的安装容量,Closs为损耗年综合费用,c4为系统单位电价,τ为最大负荷利用小时数,Ploss(s)为第s个风电模拟场景下的所述配电网中损耗的有功功率,p(s)为第s个风电模拟场景发生的概率,Ns为上述预设数量,M为所述配电网中节点的数量,Ui(s)为第s个风电模拟场景下的所述配电网中节点i的电压幅值,UN为所述配电网的线路额定电压值。
4.根据权利要求3所述的配电网规划方法,其特征在于,所述多目标规划模型的约束条件还包括:系统潮流平衡约束、节点电压约束和风电机组运行约束;
所述基于所述预设数量的风电模拟场景,构建配电网的多目标规划模型还包括:
构建系统潮流平衡约束如下:
式(7)中,Pi(s)和Qi(s)分别为第s个风电模拟场景下的所述配电网中节点i的注入的有功功率和无功功率,Gij和Bij分别为所述配电网中节点i和节点j之间的电导和电纳,Ui(s)、Uj(s)和θij(s)分别为第s个风电模拟场景下的所述配电网中节点i的电压幅值、节点j的电压幅值和节点i和节点j之间的相位差;
构建节点电压约束如下:
构建风电机组运行约束如下:
构建所述电容器安装容量约束如下:
Qc,i=nc,iqc (11);
构建所述智能软开关安装容量约束如下:
SSOP,ij=nSOP,ijsSOP (13);
5.根据权利要求1至2任一项所述的配电网规划方法,其特征在于,所述预设的遗传算法为NSGA-II算法;
所述基于预设的遗传算法对所述多目标规划模型进行求解包括:
基于所述配电网和NSGA-II算法,进行参数初始化;
基于所述多目标规划模型中的变量,进行种群初始化,以生成初代种群;
基于最新生成的种群的代数,确定SBX交叉算子的当前交叉概率,其中,所述SBX交叉算子的当前交叉概率随当前种群数量的增加而增大;
生成一随机概率,并基于最新生成的随机概率与所述SBX交叉算子的当前交叉概率的大小关系,确定SBX交叉算子或NDX交叉算子中的一交叉算子为当前交叉算子;
基于当前交叉算子和最新生成的种群生成下一代种群,之后,基于最新生成的种群确定所述多目标规划模型的最优解;
判断最新生成的种群的代数是否达到预设代数阈值;
若最新生成的种群的代数未达到所述预设代数阈值,则返回执行所述基于最新生成的种群的代数,确定SBX交叉算子的当前交叉概率的步骤及后续步骤;
若最新生成的种群的代数达到所述预设代数阈值,则基于最优折中策略,将各所述最优解中的一最优解确定为最终最优解,并输出所述最终最优解;
所述基于所述求解的结果对所述配电网进行相应的配置包括:
基于所述最终最优解对所述配电网进行相应的配置。
6.根据权利要求1至2任一项所述的配电网规划方法,其特征在于,所述生成对抗网络模型为双向生成对抗网络模型。
7.一种配电网规划装置,其特征在于,包括:
生成单元,用于基于预存的风电历史数据和预设的生成对抗网络模型,随机生成一个以上风电模拟场景;
构建单元,用于基于所述一个以上风电模拟场景,构建配电网的多目标规划模型,具体用于:
基于预设的聚类算法,对所述一个以上风电模拟场景进行聚类,以得到所述一个以上风电模拟场景中预设数量的风电模拟场景;
基于所述预设数量的风电模拟场景,构建配电网的多目标规划模型;
其中,所述多目标规划模型的约束条件包括:所述配电网中各节点的电容器安装容量约束,和所述配电网中各相邻节点间的智能软开关安装容量约束;
处理单元,用于基于预设的遗传算法对所述多目标规划模型进行求解;
配置单元,用于基于所述求解的结果对所述配电网进行相应的配置。
8.一种配电网规划装置,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现权利要求1至6任一项所述方法的步骤。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110180613.8A CN112949008B (zh) | 2021-02-08 | 2021-02-08 | 一种配电网规划方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110180613.8A CN112949008B (zh) | 2021-02-08 | 2021-02-08 | 一种配电网规划方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112949008A CN112949008A (zh) | 2021-06-11 |
CN112949008B true CN112949008B (zh) | 2023-04-07 |
Family
ID=76245103
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110180613.8A Active CN112949008B (zh) | 2021-02-08 | 2021-02-08 | 一种配电网规划方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112949008B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114662387B (zh) * | 2022-03-19 | 2022-12-09 | 特斯联科技集团有限公司 | 基于gan的低碳经济园区的风光储能优化方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110414810A (zh) * | 2019-07-16 | 2019-11-05 | 华北电力大学 | 计及失负荷风险的多端智能软开关优化配置方法及系统 |
CN110932259A (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 | 考虑多场景模型及需求侧响应策略的配网重构方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110263391B (zh) * | 2019-05-31 | 2023-05-26 | 广东电网有限责任公司 | 一种基于机会约束的有源配电网智能软开关规划方法 |
CN111709555B (zh) * | 2020-05-22 | 2022-09-23 | 广西电网有限责任公司 | 一种分布式电源优化配置的方法及系统 |
CN111639870B (zh) * | 2020-06-04 | 2023-07-18 | 国网山东省电力公司潍坊供电公司 | 考虑源荷不确定性的输电网多目标柔性规划方法及系统 |
CN112039069B (zh) * | 2020-09-04 | 2022-02-22 | 国网山东省电力公司济宁供电公司 | 一种配电网储能与柔性开关的双层协同规划方法及系统 |
-
2021
- 2021-02-08 CN CN202110180613.8A patent/CN112949008B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110414810A (zh) * | 2019-07-16 | 2019-11-05 | 华北电力大学 | 计及失负荷风险的多端智能软开关优化配置方法及系统 |
CN110932259A (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 | 考虑多场景模型及需求侧响应策略的配网重构方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112949008A (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112803404B (zh) | 配电网自愈重构规划方法、装置及终端 | |
Zhang et al. | Multi-stage multi-zone defender-attacker-defender model for optimal resilience strategy with distribution line hardening and energy storage system deployment | |
Ganguly et al. | Multi-objective particle swarm optimization based on fuzzy-Pareto-dominance for possibilistic planning of electrical distribution systems incorporating distributed generation | |
Hou et al. | Optimisation for offshore wind farm cable connection layout using adaptive particle swarm optimisation minimum spanning tree method | |
Ganguly et al. | A novel multi-objective PSO for electrical distribution system planning incorporating distributed generation | |
Jin et al. | Cable routing optimization for offshore wind power plants via wind scenarios considering power loss cost model | |
Abdelsalam et al. | Probabilistic approach for optimal planning of distributed generators with controlling harmonic distortions | |
Huang et al. | Three-phase balancing of distribution feeders using immune algorithm | |
Doagou‐Mojarrad et al. | Probabilistic multi‐objective HVDC/AC transmission expansion planning considering distant wind/solar farms | |
Raposo et al. | Robust meter placement for state estimation considering distribution network reconfiguration for annual energy loss reduction | |
Mahdavi et al. | Evaluating the effect of load growth on annual network losses in TNEP considering bundle lines using DCGA | |
Tandon et al. | A comparative analysis of SPSO and BPSO for power loss minimization in distribution system using network reconfiguration | |
Rawat et al. | Heuristic optimization techniques for voltage stability enhancement of radial distribution network with simultaneous consideration of network reconfiguration and DG sizing and allocations | |
CN112949008B (zh) | 一种配电网规划方法及相关装置 | |
Nafar et al. | Improvement of estimation of surge arrester parameters by using modified particle swarm optimization | |
Assis et al. | Transmission expansion planning of large power networks via constructive metaheuristics with security constraints and load uncertainty analysis | |
Hemmatpour et al. | An evolutionary approach for optimum reconfiguration and distributed generation planning considering variable load pattern based on voltage security margin | |
Montoya et al. | Multi-objective optimization for reconfiguration and capacitor allocation in distribution systems | |
CN111146815A (zh) | 一种智能配电网分布式发电规划配置方法 | |
CN114784820A (zh) | 一种动态无功补偿装置的建模方法、系统、设备和介质 | |
Khoshbakht et al. | Effects of protection settings on optimal performance of reconfigurable smart distribution systems | |
Kavitha et al. | Transmission expansion planning using LP-based particle swarm optimization | |
Hong et al. | Enhanced Particle Swarm Optimization‐Based Feeder Reconfiguration Considering Uncertain Large Photovoltaic Powers and Demands | |
Doagou-Mojarrad et al. | Probabilistic interactive fuzzy satisfying generation and transmission expansion planning using fuzzy adaptive chaotic binary PSO algorithm | |
Zhai et al. | Pre-event Resilience Enhancement Strategy for Distribution Systems Based on Dueling DDQN |
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 |