CN113364045A - 一种移动式储能参与的主动配电网故障恢复方法 - Google Patents
一种移动式储能参与的主动配电网故障恢复方法 Download PDFInfo
- Publication number
- CN113364045A CN113364045A CN202110577198.XA CN202110577198A CN113364045A CN 113364045 A CN113364045 A CN 113364045A CN 202110577198 A CN202110577198 A CN 202110577198A CN 113364045 A CN113364045 A CN 113364045A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- distribution network
- power distribution
- fault recovery
- load
- 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.)
- Granted
Links
- 238000011084 recovery Methods 0.000 title claims abstract description 131
- 238000009826 distribution Methods 0.000 title claims abstract description 108
- 238000004146 energy storage Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000005457 optimization Methods 0.000 claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 230000002452 interceptive effect Effects 0.000 claims abstract description 14
- 230000008901 benefit Effects 0.000 claims abstract description 7
- 238000007600 charging Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000007599 discharging Methods 0.000 claims description 8
- 238000012423 maintenance Methods 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 239000010410 layer Substances 0.000 description 5
- 238000005520 cutting process Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 101150037847 MES1 gene Proteins 0.000 description 2
- 101100097991 Schizosaccharomyces pombe (strain 972 / ATCC 24843) rar1 gene Proteins 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 101100512896 Arabidopsis thaliana MES2 gene Proteins 0.000 description 1
- 101100512897 Caenorhabditis elegans mes-2 gene Proteins 0.000 description 1
- 241001672018 Cercomela melanura Species 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- HDRXZJPWHTXQRI-BHDTVMLSSA-N diltiazem hydrochloride Chemical compound [Cl-].C1=CC(OC)=CC=C1[C@H]1[C@@H](OC(C)=O)C(=O)N(CC[NH+](C)C)C2=CC=CC=C2S1 HDRXZJPWHTXQRI-BHDTVMLSSA-N 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000004870 electrical engineering Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
-
- 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
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
- H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
- H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
- H02J3/144—Demand-response operation of the power transmission or distribution network
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—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
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
- Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
- Y02B70/3225—Demand response systems, e.g. load shedding, peak shaving
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
- Y04S20/20—End-user application control systems
- Y04S20/222—Demand response systems, e.g. load shedding, peak shaving
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种移动式储能参与的主动配电网故障恢复方法,1)获取配电网中的MES的充放电状态、多类型的DG的出力负荷、储能装置的储能信息及不同类型的负荷;2)基于获取的各项数据构建移动式储能参与的主动配电网故障恢复模型;3)对模型通过二阶锥算法进行线性优化,获取混合整数二阶锥规划模型,在优化模型中计及不确定因素,进一步获取两阶段鲁棒恢复模型,并采用主子交互迭代方法求解两阶段鲁棒恢复模型;4)对两阶段鲁棒恢复模型通过主子问题交互迭代算法获取在满足最小经济损失条件下的最优故障恢复方案。与现有技术相比,本发明具有降低由于故障停电所带来的经济损失,降低停电负荷量等优点。
Description
技术领域
本发明涉及主动配电网故障修复技术领域,尤其是涉及一种移动式储能参与的主动配电网故障恢复方法。
背景技术
随着社会经济的高速发展,配电网发展规模不断扩大,用户对配电网供电可靠性和服务质量也提出了越来越高的要求。然而,由于自然灾害、电力元件故障等情况,配电网不可避免地出现停电事故,由此带来巨大的经济损失和政治社会影响。因此,配电网发生故障后利用多种资源进行供电恢复的研究具有重要意义。配电网故障恢复是在故障定位、故障隔离后对非故障失电区域进行的供电恢复问题,对减少停电时间、提高供电可靠性具有重要作用。目前,国内外对配电网故障恢复研究主要分可为网络重构、孤岛划分和网络重构与孤岛划分配合三类。对于网络重构,Farshid Shariatzadeh,Ceeman B.Vellaithurai,Saugata S.Biswas等在《IEEE Transactions on Sustainable Energy》(2014,5(2):598-607)上发表的《Real-Time Implementation of Intelligent ReconfigurationAlgorithm for Microgrid》提出了考虑黑启动的分布式电源,并使用遗传算法求解故障恢复的拓扑重构策略。对于孤岛划分部分,王旭东,林济铿在《中国电机工程学报》(2011,31(17):16-20)上发表的《基于分支定界的含分布式发电配网孤岛划分》提出了基于分支定界理论的孤岛划分策略,通过“搜索+调整”求解策略形成多个孤岛。然而以上文献涉及的技术手段都没有对经济损失最小和节点电压偏移水平进行考虑,无法得出最优供电恢复方案。尽管孤岛划分能够实现配电网内资源的重新分配,但是为适配功率平衡约束,可能发生严重的切负荷的情况。此外,传统配电网故障恢复策略大多只追求尽可能通过控制开关动作以减少停电负荷,没有涉及到调节电压的措施,电压越限也是限制恢复更多负荷的一个重要因素。因此,在发生停电事故后,亟需提出更加可行有效的配电网故障恢复策略,以最大程度地降低配电网的停电损失。
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移动式储能参与的主动配电网故障恢复方法。
本发明的目的可以通过以下技术方案来实现:
一种移动式储能参与的主动配电网故障恢复方法,该方法包括如下步骤:
S1:获取配电网中的MES的充放电状态、多类型的DG的出力负荷、储能装置的储能信息以及不同类型的负荷。
S2:基于S1获取的各项数据构建移动式储能参与的主动配电网故障恢复模型。所述移动式储能参与的主动配电网故障恢复模型的具体内容为:设定故障恢复的经济损失最小为目标函数,并对模型设定约束条件。
所述移动式储能参与的主动配电网故障恢复模型的目标函数为:
min(CMES+CESS+CY+CD)
式中:CMES为移动式储能运维费用;CESS为固定储能的运维费用;CY为切负荷造成的用户侧经济性损失;CD为切负荷造成的供电公司经济性损失。
所述约束条件包括系统潮流约束、运行安全约束、固定储能约束和移动储能约束。
S3:对移动式储能参与的主动配电网故障恢复模型通过二阶锥算法进行线性优化,获取混合整数二阶锥规划模型,在优化模型中计及不确定因素,进一步获取两阶段鲁棒恢复模型,并采用主子交互迭代方法求解两阶段鲁棒恢复模型。
对移动式储能参与的主动配电网故障恢复模型通过二阶锥算法进行线性优化的具体内容为:
替换移动式储能参与的主动配电网故障恢复模型中各约束中的二次项,并将其转化为标准二阶锥形式,同时对故障停电时间进行线性化处理,并对多项式中的非线性表达式进行线性转化。
所述两阶段鲁棒恢复模型的具体内容为:
构建预测功率与实际功率的关系,并根据DG出力与负荷用电需求的预测误差风险偏好对关系中的参数进行调整;调整后于第一阶段满足所述约束条件的前提下获取最小化配电网停电经济损失成本及相应的故障恢复方案;并于第二阶段搜寻给定故障恢复方案下的最恶劣场景及对应场景下的最小经济损失成本。
预测功率与实际功率的关系的表达式为:
式中,PLoad,i(t)为t时刻节点i上负荷的有功功率;PDG,i(t)为t时刻节点i上所接分布式电源端口输出的有功功率,P′DG,i(t)、P′Load,i(t)分别为DG出力以及负荷需求的预测值,ΔPDG,i(t)、ΔPLoad,i(t)分别为DG出力和负荷需求最大误差范围, 均为布尔型变量,表示实际DG出力与负荷需求是否达到不确定集合的上下界,达到上界,达到下界,达到上界,达到下界;TDG,i、TLoad,i分别为DG出力与负荷需求的预测误差风险偏好大小,用于调节解的保守性,若TDG,i=TLoad,i=0,则DG出力和负荷需求值等于预测值,为确定值;根据DG出力与负荷用电需求的预测误差风险偏好对各参数做出调整。
S4:对两阶段鲁棒恢复模型通过主子问题交互迭代算法获取在满足最小经济损失条件下的最优故障恢复方案。
采用主子交互迭代方法求解两阶段鲁棒恢复模型时,将主问题设定为第一阶段优化问题,并设定主问题的目标函数和约束条件;将子问题设定为第二阶段问题,子问题根据主问题中确定的第一阶段优化变量取值和第二阶段优化变量约束条件,计及不确定集中的最恶劣场景以确定第二阶段优化变量取值,同时生成新的约束条件添加至主问题中继续进行下一轮迭代求解;对于主问题中任意给定的优化主问题后所得故障恢复方案,子问题皆会进行相应最优解求解。
采用主子交互迭代方法求解两阶段鲁棒恢复模型的具体步骤包括:
a.初始化参数:设置迭代次数k=1,上、下界参数UB=+∞,LB=–∞,最大迭代次数kmax,容许误差ε(ε>0);
b.根据主问题的目标函数和约束条件求取主问题,获取故障恢复方案xk,以及模型的最优值vk,并更新LB,LB=max{LB,vk};
c.已知第一阶段变量xk,由子问题的目标函数和约束条件获取最恶劣波动场景下负荷和分布式电源的不确定扰动uk以及子问题的最优值Q(xk)更新UB,UB=min{UB,Q(xk)};
d.终止条件判断:若UB-LB<=ε成立,计算停止,返回最优解xk和yk,否则,转步骤b,置k=k+1。
主问题的目标函数和约束条件为:
s.t.v≥cTyl
A1x≤b1
A2x+B1yl+B2ul≤b2,
子问题的目标函数和约束条件为:
s.t.Α2x*+B1y+B2u≤b2,
||A3y||2≤B3y,
式中:u,y为子问题的优化变量,x*为优化主问题后所得故障恢复方案。
本发明提供的移动式储能参与的主动配电网故障恢复方法,相较于现有技术至少包括如下有益效果:
一、本发明基于两阶段鲁棒优化,建立了考虑DG出力不确定和负荷波动的配电网故障恢复模型,根据理论分析以及算例结果可知,当投入MES参与到配电网供电恢复方案中时,会显著降低由于故障停电所带来的经济损失,有助于降低停电负荷量,同时MES能够对电网进行无功支撑,有助于改善电压节点偏离度,提高电能质量;
二、将停电时长因素对于停电损失造成的影响纳入经济性指标的计算中,提出的两阶段鲁棒优化故障恢复模型第一阶段是在满足支路潮流以及安全运行等约束的前提下获得最小化配电网停电经济损失成本及相应的故障恢复方案,第二阶段为搜寻给定故障恢复方案下的最恶劣场景及对应场景下的最小经济损失成本,有助于显著降低由于故障停电所带来的经济损失;
三、通过改变风险偏好参数,能够灵活调整配电网故障恢复方案的保守性,有利于配电网决策者在经济成本和运行风险间进行合理选择;
四、当投入多台MES参与到配电网供电恢复方案中时,会显著优化恢复策略中的各项指标,因此在允许的情况下,基于本发明方法可实际投入多台MES参与到配电网恢复供电过程中,具有较强的工程实用性。
附图说明
图1为实施例中移动式储能参与的主动配电网故障恢复方法的流程示意图;
图2为实施例中主子问题交互迭代算法流程图;
图3为实施例中含有移动式储能充放电站点的配电网结构图;
图4为实施例中DG出力以及负荷需求波动曲线图;
图5为实施例方案1下的配电网固定储能SOC示意图;
图6为实施例方案1下的各时段负荷恢复量示意图;
图7为实施例方案1下的节点电压水平示意图;
图8为实施例基于方案2的MES的能量调度示意图;
图9为实施例方案2下的各时段负荷恢复量示意图;
图10为实施例方案2下的节点电压水平示意图;
图11为实施例基于方案3的MES的能量调度示意图;
图12为实施例方案3下的各时段负荷恢复量示意图;
图13为实施例方案3下节点电压水平示意图。
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。显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
实施例
近些年,具有空间移动灵活特性的移动式储能(mobile energy storage,MES)在国内外备受关注,相比于传统固定式的储能,MES兼具规模化储能和动态转移的能力,目前MES主要被用于电网调度优化之中。经对现有文献进行检索发现,现有文献中,林飞武,吴文宣,蔡金锭在《电力与电工》(2013,033(001):1-4+16)上发表的《移动式储能装置在季节性负荷侧的应用研究》结合负荷季节性变化对于电网节点电压的波动影响,提出一种新型MES的支撑电网电压的方法,并且在福建电网进行了工程实际验证。Abdeltawab H H,MohamedA R I等在《IEEE Transactions on Industrial Electronics》(2017,64(9):6828-6840)上发表的《Mobile Energy Storage Scheduling and Operation in ActiveDistribution Systems》提出了一种考虑移动储能的日前能源管理系统,其目标是最大程度地降低从电网输入的电力成本,移动储能系统不仅可以将可再生能源的电能转移到高峰时段,还可以为电网提供本地化的无功支撑。Lara-Sophie Christmann,Claudia Offel,Luisa Rahn等在《2019IEEE PES Innovative Smart Grid Technologies Europe》(2016,44(14):14-24)上发表的《A Framework for Integrating Intelligent Mobile EnergyStorage into Energy Distribution Systems》基于MES提出一种新型配电网供能的框架,并且通过求解多个混合整数线性规划问题,利用机器学习算法对新型配电网供能架构进行优化调度,从而使负荷功率平衡约束得到满足的条件下电网运行经济性最优。所以将MES应用于配电网故障恢复研究中,MES的空间移动特性使其可出现在急需功率支撑的节点上,同时能够向配电网提供无功功率,调节电压,提高系统电能质量,它的出现为配电网故障恢复提供了新的研究思路。
基于上述基础,本发明涉及一种移动式储能参与的主动配电网故障恢复方法,该方法首先建立MES时空转移和充放电模型,然后以移动式储能运输成本、移动式储能与固定储能的电池维护成本、供需两侧切负荷经济损失之和最小为目标,建立基于MES的两阶段鲁棒配电网故障恢复模型,模型中考虑了分布式电源与负荷波动的影响,并通过引入风险偏好参数,可灵活调整恢复方案的保守性,最后,通过主子问题交互迭代的算法进行模型求解,得到经济损失最小的供电恢复方案。
图1为本发明的流程示意图,图中包括依次连接的输入单元1、故障恢复模型单元2、等效鲁棒模型单元3和输出单元4。
所述的输入单元1包括配电网中主要包含MES、各种类型的DG、储能装置以及不同类型的负荷。
所述的故障恢复模型单元2考虑移动式储能参与的故障恢复模型,包括移动式储能模型和主动配电网故障恢复模型。
所述的等效鲁棒模型单元3由移动式储能模型和故障恢复模型经过二阶锥算法进行线性优化,得到混合整数二阶锥规划模型。在优化模型中计及不确定因素,进一步得到两阶段鲁棒恢复模型。其中,所述混合整数二阶锥规划模型是为了减小非线性项为求解计算带来的巨大计算量,需要对公式中的二次项使用二阶锥算法进行线性优化;包括二阶锥线性化转化和故障停电时间线性化,经过原始模型线性化处理之后,优化模型被转化为一个混合整数二阶锥规划问题。所述的两阶段鲁棒恢复模型是在优化模型中计及不确定因素,并通过风险偏好的取值量化分析决策者风险偏好,避免确定性优化模型得到的方案过于“冒险”和优化方案过于保守和冒险。在优化求解两阶段鲁棒风险偏好模型时,将其分解为主子问题,利用主子问题交互迭代的方式求出最优值,即采用主子问题交互迭代算法。
所述输出单元4通过两阶段鲁棒恢复模型经过主子问题交互迭代算法求得的在满足最小经济损失条件下的最优故障恢复方案。
1、对于故障恢复模型单元2中的主动配电网故障恢复模型的具体内容为:
目标函数-故障恢复的经济损失最小:
min(CMES+CESS+CY+CD)
其中:CMES为移动式储能运维费用;CESS为固定储能的运维费用;CY为切负荷造成的用户侧经济性损失;CD为切负荷造成的供电公司经济性损失。
约束条件:
1)系统潮流约束:
建立适用于辐射状配电网系统的Distflow潮流模型:
式中:PMES,i(t)、QMES,i(t)表示t时刻在节点i处MES的端口有功功率(充电时为放电时为无功功率大小;分别表示储能的充电有功功率和充电无功功率;ψ(i)表示以节点i为首节点的支路的末端节点集合;π(i)表示以节点i为末节点的支路的首端节点集合;Rki、Xki分别表示支路ki的电阻与电抗值;Iki(t)表示t时刻流过支路ki的电流值;Pi(t)、Qi(t)分别为t时刻节点i注入的有功功率和无功功率;PLoad,i(t)、QLoad,i(t)分别为t时刻节点i上负荷的有功功率和无功功率;PDG,i(t)、QDG,i(t)分别为t时刻节点i上所接分布式电源端口输出的有功功率和无功功率。
2)运行安全约束:
式中:,ρ=5%。分别为节点电压最小值、节点电压最大值,UN为额定电压幅值;Ui(t)表示t时刻节点i电压值;|Iij(t)|表示t时刻支路ij上流过的电流值;Iij.max表示支路ij上允许流过的电流限值。
3)固定储能约束:
0≤SOCESS(t)≤1
4)移动储能约束:
-SMESLi(t)≤QMES,i(t)≤SMESLi(t)
0≤SOCMES(t)≤1
式中:Li(t)表示MES在t时刻的是否在第i个充放电站点的状态标志位,当Li(t)=1时表示t时刻MES处于站点i,反之Li(t)=0表示不在。Lij(t)表示MES在路程由站点i到站点j的状态标志,当Lij(t)=1时表示t时刻MES处于由站点i到站点j的路上,反之Lij(t)=0表示不在。trij表示从站点i移动到站点j的时间。T为总的调度时长。S为站点集合。表示MES的充电标志位,当时表示t时刻MES在站点i处于充电状态,反之表示MES在站点i不充电。表示MES的放电标志位,当时表示t时刻MES在站点i处于放电状态,反之表示MES在站点i不放电。分别表示MES的最大充电功率和最大放电功率。SMES表示MES最大视在功率。PMES,i(t)、QMES,i(t)表示t时刻在节点i处MES的端口有功功率(充电时为放电时为无功功率大小。EMES(t)和表示实时电量和电池的最高电量。ηc和ηd分别表示MES充、放电效率。SOCMES(t)表示MES电量状态。
2、二阶锥算法线性优化:
(1)利用vi.2(t)和用iij.2(t)替换上述约束模型中的二次项,并将其转化为标准二阶锥形式:
(2)故障停电时间线性化:
Ci(t)=Bi(t)+Bi(t)×Bi(t-1)+
Bi(t)×Bi(t-1)×Bi(t-2)+
…
Bi(t)×Bi(t-1)×Bi(t-2)…×Bi(1)
式中:Bi(t)表示负荷状态,Bi(t)=0表示第i个节点的负荷在t时刻未被切除,Bi(t)=1示第i个节点的负荷在t时刻被切除。
Ci(t)为非线性表达式,需要一定的转化,令:
因此有:
以此类推将Ci(t)进行线性转化。
3、两阶段鲁棒恢复模型:
(1)故障恢复的过程中,DG出力以及用户负荷用电需求存在一定程度上的预测误差,由此建立预测功率与实际功率的关系如下:
式中,PLoad,i(t)为t时刻节点i上负荷的有功功率;PDG,i(t)为t时刻节点i上所接分布式电源端口输出的有功功率。P′DG,i(t)、P′Load,i(t)分别表示DG出力以及负荷需求的预测值。ΔPDG,i(t)、ΔPLoad,i(t)表示DG出力和负荷需求最大误差范围。 均为布尔型变量,表示实际DG出力与负荷需求是否达到不确定集合的上下界;达到上界,达到下界;达到上界,达到下界。TDG,i、TLoad,i分别表示DG出力与负荷需求的预测误差风险偏好大小,用于调节解的保守性。若TDG,i=TLoad,i=0,则DG出力和负荷需求值等于预测值,为确定值。决策者可以自身的风险偏好对参数做出调整,鲁棒风险参数值越大,表示鲁棒模型越保守。反之,越冒险。
(2)本发明提出的两阶段鲁棒优化故障恢复模型第一阶段是在满足支路潮流以及安全运行等约束的前提下获得最小化配电网停电经济损失成本及相应的故障恢复方案;第二阶段为maxmin双层优化形式,其表达的含义是在第一阶段给定的运行方案下搜寻最恶劣的风光荷出力场景及该场景下的最小日运行成本。外层优化max问题在不确定集合中寻找导致目标函数日运行成本最大的风光荷出力场景即“最恶劣”场景,决策变量为DG和负荷的波动程度;内层优化min问题表示在特定的风光荷场景下通过二次决策变量寻求目标函数最小值,决策变量为系统电压、电流、有功和无功等潮流参数。
4、主子问题交互迭代算法:
在优化求解两阶段鲁棒风险偏好模型时,本发明将其分解为主子问题,利用主子问题交互迭代的方式求出最优值。
(1)主问题即为第一阶段优化问题,主问题目标函数和约束条件为:
s.t.v≥cTyl
A1x≤b1
A2x+B1yl+B2ul≤b2,
(2)子问题对应上述两阶段鲁棒故障恢复模型的第二阶段问题,子问题根据主问题中确定的第一阶段优化变量取值和第二阶段优化变量约束条件,计及不确定集中的最恶劣场景以确定第二阶段优化变量取值,同时生成新的约束条件添加至主问题中继续进行下一轮迭代求解。对于主问题中任意给定的x*,子问题都能够求解出相应最优解Q(x*)。
子问题的目标函数和约束条件为:
s.t.Α2x*+B1y+B2u≤b2,
||A3y||2≤B3y,
式中:u,y为子问题的优化变量,A2、A3、B1、B2、B3为相应的系数矩阵,c、b2为常数向量,x*为优化主问题后所得故障恢复方案。
子目标函数为“max-min”双层优化形式,可以采用对偶定理,通过引入拉格朗日乘子将其转化为“max”单层优化问题,如下式所示:
s.t.A3αT-B3βT-B1λT+cT=0
||α||2≤β
α,β,λ≥0
式中,α、β和λ均为拉格朗日乘子。
(3)对应的算法步骤为:
1)初始化参数。设置迭代次数k=1,上、下界参数UB=+∞,LB=–∞,最大迭代次数kmax,容许误差ε(ε>0)。
2)根据主问题目标函数和约束条件求取主问题,获取故障恢复方案xk,以及模型的最优值vk,并更新LB,LB=max{LB,vk}。
3)已知第一阶段变量xk,由子问题的目标函数和约束条件可获得最恶劣波动场景下负荷和分布式电源的不确定扰动uk以及子问题的最优值Q(xk)更新UB,UB=min{UB,Q(xk)}。
4)终止条件判断。若UB-LB<=ε成立,计算停止,返回最优解xk和yk。否则,转步骤2),置k=k+1。主子问题交互迭代算法流程图如图2所示。
本实施例基于IEEE33节点配电系统进行测试,该系统含有33个节点、37条支路(如图3所示)虚线为联络开关,系统额定电压为12.66kV,基准容量为10MVA。分别在7、16、20、27、30节点上接入DG,其中节点7、20、30上接入的是光伏,节点16、27上接入的是风机,各DG容量大小如表1所示。在17、22、26号节点上接入储能电池,其中储能电池的参数均为0.5MW/1MWh。配电网中节点6、24、31上分别设有MES的充放电站点。MES的额定参数为:2MW/2.2MWh,固定储能与MES均采用锂电池设计,电池价格为2400元/kWh,循环寿命为4000次,充放电效率为0.95。MES及固定储能电池运维成本取为0.6元/kWh。配电网中各节点负荷类型如表2所示。工业、商业、居民用户电价分别为:0.6元/kWh、0.92元/kWh、0.57元/kWh。各节点负荷重要等级如表3所示,其中设定一级负荷、二级负荷和三级负荷的权重依次为100、10和1。
表1分布式电源参数
节点 | 机组 | 电源类型 | 功率/kW |
7 | DG1 | 光伏 | 600 |
16 | DG2 | 风机 | 700 |
20 | DG3 | 光伏 | 600 |
27 | DG4 | 风机 | 500 |
30 | DG5 | 光伏 | 800 |
表2负荷类型
表3各节点负荷重要等级
考虑配电网场景为发生严重的自然灾害后,输电网送电通路故障,整个配电网区域无法从变电站获得电能,配电网失去主网电力供应,且自然灾害的持续时间一般较长,设调度周期为24h,单位调度时间为1h。设定分布式电源出力与负荷需求的不确定性均为±10%,如图4所示,图中阴影部分为波动区间。设置DG出力与负荷需求的预测误差风险偏好大小均为10。为验证本发明的可行性以及所提策略的优越性,本次仿真设置了3种不同方案,然后对不同方案下产生的不同结果进行分析。方案1:单一的配电网孤岛划分的配电网故障后恢复策略;方案2:单台MES动态能量调度与配电网孤岛划分协同合作的配电网供电恢复策略;方案3:两台MES动态能量调度与配电网孤岛划分协同合作的配电网供电恢复策略。
图5表示为方案1若配电网故障后仅仅依靠配电网自身的孤岛划分策略来进行故障恢复,配电网固有的储能装置的SOC水平。此时,节点负荷切除情况如表4所示,可知在配电网供求相对失衡的区域中当处于用电高峰期将会有大量负荷被切除。各时间段内负荷量的恢复情况如图6所示,从图6中可以看出,在19:00~21:00时段内,有大量的负荷被切除。算例结果显示,基于方案1的供电策略的配电网负荷切除量高达13664kWh。配电网各节点在各时段内电压的波动情况如图7所示,由图知方案1电压的总偏移量达到26.6p.u.。
表4方案1下的负荷切除情况
方案2将MES投入到配电网负荷功率支撑过程中。此时,配电网故障后恢复策略同时包含MES的能量转移与配电网线路孤岛划分。基于方案2的故障恢复策略中,MES的能量调度路线、SOC水平以及有功与无功功率(MES向电网释放功率为负,从电网吸收功率为正)如图8所示。方案2中的节点负荷切除情况如表5所示,各时间段内恢复的负荷量如图9所示。通过表3与表4比较可知,在19:00~21:00时段内负荷需求远远大于风光出力时,方案2与方案1相比较,在含有MES的故障恢复策略中,电网的切负荷量明显减少。基于方案2的电网24h的供电恢复周期内,负荷的总切除量为9024kWh。根据图10可知,本发明所提的复电方案可以实现在切除一定负荷的基础上保证配网各节点电压波动处于0.95~1.05之间,且根据计算得电压的总偏移量为21.2p.u.。
表5方案2下的负荷切除情况
方案3将两台MES投入到配电网故障恢复过程中。此时,MES的能量调度路线、SOC水平以及有功与无功功率如图11所示。方案3中的节点负荷切除情况如表6所示。各时间段内恢复的负荷量如图12所示。针对表4中的负荷切除情况分析,仍然以0:00~8:00为例,对比表3与表4两种方案,在3:00~8:00,当投入两个MES时,配电网可以实现负荷零切除,结合图11分析可知,在3:00~8:00时,MES2始终在站点2进行无功支撑,保证了节点6的电压水平满足在限制范围内,并且间接提高了节点25的电压水平,从而避免两个负荷被切除。在4:00~6:00时,MES1转移到站点1,向配电网输出有功功率保证了节点25上的负荷功率需求得到满足,在7:00~8:00时MES1转移到站点2,与MES2共同在站点2进行功率支撑。算例结果显示,基于方案3的复电策略的电网负荷切除量仅为2691kWh。在方案3下同样可以保证电网复电过程中电压的波动在0.95~1.05之间,如图13所示,且电压的总偏移量仅为15.8p.u.。
表6方案3下的负荷切除情况
时段 | 切除负荷 | 时段 | 切除负荷 |
1 | 6、25 | 13 | 5、30 |
2 | 6、25 | 14 | 5、30 |
3 | — | 15 | 5、12、30 |
4 | — | 16 | 32 |
5 | — | 17 | — |
6 | — | 18 | — |
7 | — | 19 | 6、25 |
8 | — | 20 | 5、6、25、32 |
9 | — | 21 | 6、25、32 |
10 | 25 | 22 | 25 |
11 | — | 23 | — |
12 | — | 24 | — |
所以方案3在保证经济性指标最优的情况下同时使电压偏移量达到最小。为进一步直观地对比各种故障恢复方案的优劣,列出所有方案下的电网经济性损失以及负荷切除量,如表7所示。
表7各种方案的经济性指标以及切负荷量
考虑不同风险偏好值变化的影响分析,以故障恢复方案中的方案2为例进行调度者风险偏好探究,分别设置3组对比方案:a)计及调度者风险偏好的调度策略,如方案2的运行结果所示,即DG出力与负荷需求的预测误差风险偏好大小均为10;b)采用常规的鲁棒优化方法,不考虑调度者的风险偏好,即DG出力与负荷需求的预测误差风险偏好大小均为24;c)完全不考虑预测误差的风险,将DG出力以及负荷需求设置成确定值进行故障恢复方案优化,即DG出力与负荷需求的预测误差风险偏好大小均为0。针对以上三组方案进行优化求解,得出的各方案的优化结果如表8所示。由表8可知使用调度者自身的风险偏好对于故障恢复策略的影响较大,构建考虑调度者风险偏好的优化模型十分合理,可满足不同偏好的需求。风险偏好值的选取可以权衡故障恢复中不确定集的鲁棒性和经济性。若取值过大,则系统的鲁棒性极强,能适应更多的波动场景,但结果极为保守,不利于故障恢复方案的经济性;若取值过小,有利于恢复方案的经济性,但无法充分考虑风电出力波动对系统的影响,使系统可能面对运行电压、电流越限等安全风险。决策者可以根据实际需要,灵活、适当地选取风险偏好值的大小,以满足系统经济性和鲁棒性的协调关系。
表8风险模型经济性对比
方案 | 经济性成本/元 | 停电负荷量/kWh |
方案(a) | 85211 | 9024 |
方案(b) | 101603 | 13632 |
方案(c) | 67378 | 7254 |
综上所述,基于IEEE33节点算例进行验证,结果表明,计及移动式储能的配电网故障恢复方案切实可行,且经济性和电能质量指标都优于传统的故障恢复方案。本发明提出了一种将MES与配电网孤岛划分协同优化的配电网供电恢复策略,基于两阶段鲁棒优化,建立了考虑DG出力不确定和负荷波动的配电网故障恢复模型,根据理论分析以及算例结果可知:1)当投入MES参与到配电网供电恢复方案中时,会显著降低由于故障停电所带来的经济损失,有助于降低停电负荷量,同时MES能够对电网进行无功支撑,有助于改善电压节点偏离度,提高电能质量。2)提出了一种负荷停电时长线性化处理思路,将停电时长因素对于停电损失造成的影响纳入经济性指标的计算中;3)通过改变风险偏好参数,能够灵活调整配电网故障恢复方案的保守性,有利于配电网决策者在经济成本和运行风险间进行合理选择;4)此外,通过算例结果分析得出,当投入多台MES参与到配电网供电恢复方案中时,会显著优化恢复策略中的各项指标,因此在允许的情况下,建议投入多台MES参与到配电网恢复供电过程中,具有较强的工程实用性。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的工作人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种移动式储能参与的主动配电网故障恢复方法,其特征在于,包括下列步骤:
1)获取配电网中的MES的充放电状态、多类型的DG的出力负荷、储能装置的储能信息以及不同类型的负荷;
2)基于步骤1)获取的各项数据构建移动式储能参与的主动配电网故障恢复模型;
3)对移动式储能参与的主动配电网故障恢复模型通过二阶锥算法进行线性优化,获取混合整数二阶锥规划模型,在优化模型中计及不确定因素,进一步获取两阶段鲁棒恢复模型,并采用主子交互迭代方法求解两阶段鲁棒恢复模型;
4)对两阶段鲁棒恢复模型通过主子问题交互迭代算法获取在满足最小经济损失条件下的最优故障恢复方案。
2.根据权利要求1所述的移动式储能参与的主动配电网故障恢复方法,其特征在于,所述移动式储能参与的主动配电网故障恢复模型的具体内容为:设定故障恢复的经济损失最小为目标函数,并对模型设定约束条件。
3.根据权利要求2所述的移动式储能参与的主动配电网故障恢复方法,其特征在于,对移动式储能参与的主动配电网故障恢复模型通过二阶锥算法进行线性优化的具体内容为:
替换移动式储能参与的主动配电网故障恢复模型中各约束中的二次项,并将其转化为标准二阶锥形式,同时对故障停电时间进行线性化处理,并对多项式中的非线性表达式进行线性转化。
4.根据权利要求2所述的移动式储能参与的主动配电网故障恢复方法,其特征在于,所述两阶段鲁棒恢复模型的具体内容为:
构建预测功率与实际功率的关系,并根据DG出力与负荷用电需求的预测误差风险偏好对关系中的参数进行调整;调整后于第一阶段满足所述约束条件的前提下获取最小化配电网停电经济损失成本及相应的故障恢复方案;并于第二阶段搜寻给定故障恢复方案下的最恶劣场景及对应场景下的最小经济损失成本。
5.根据权利要求4所述的移动式储能参与的主动配电网故障恢复方法,其特征在于,采用主子交互迭代方法求解两阶段鲁棒恢复模型时,将主问题设定为第一阶段优化问题,并设定主问题的目标函数和约束条件;将子问题设定为第二阶段问题,子问题根据主问题中确定的第一阶段优化变量取值和第二阶段优化变量约束条件,计及不确定集中的最恶劣场景以确定第二阶段优化变量取值,同时生成新的约束条件添加至主问题中继续进行下一轮迭代求解;对于主问题中任意给定的优化主问题后所得故障恢复方案,子问题皆会进行相应最优解求解。
6.根据权利要求5所述的移动式储能参与的主动配电网故障恢复方法,其特征在于,采用主子交互迭代方法求解两阶段鲁棒恢复模型的具体步骤包括:
a.初始化参数:设置迭代次数k=1,上、下界参数UB=+∞,LB=–∞,最大迭代次数kmax,容许误差ε(ε>0);
b.根据主问题的目标函数和约束条件求取主问题,获取故障恢复方案xk,以及模型的最优值vk,并更新LB,LB=max{LB,vk};
c.已知第一阶段变量xk,由子问题的目标函数和约束条件获取最恶劣波动场景下负荷和分布式电源的不确定扰动uk以及子问题的最优值Q(xk)更新UB,UB=min{UB,Q(xk)};
d.终止条件判断:若UB-LB<=ε成立,计算停止,返回最优解xk和yk,否则,转步骤b,置k=k+1。
8.根据权利要求4所述的移动式储能参与的主动配电网故障恢复方法,其特征在于,预测功率与实际功率的关系的表达式为:
式中,PLoad,i(t)为t时刻节点i上负荷的有功功率;PDG,i(t)为t时刻节点i上所接分布式电源端口输出的有功功率,P′DG,i(t)、P′Load,i(t)分别为DG出力以及负荷需求的预测值,ΔPDG,i(t)、ΔPLoad,i(t)分别为DG出力和负荷需求最大误差范围, 均为布尔型变量,表示实际DG出力与负荷需求是否达到不确定集合的上下界,达到上界,达到下界,达到上界,达到下界;TDG,i、TLoad,i分别为DG出力与负荷需求的预测误差风险偏好大小,用于调节解的保守性,若TDG,i=TLoad,i=0,则DG出力和负荷需求值等于预测值,为确定值;根据DG出力与负荷用电需求的预测误差风险偏好对各参数做出调整。
9.根据权利要求2所述的移动式储能参与的主动配电网故障恢复方法,其特征在于,所述移动式储能参与的主动配电网故障恢复模型的目标函数为:
min(CMES+CESS+CY+CD)
式中:CMES为移动式储能运维费用;CESS为固定储能的运维费用;CY为切负荷造成的用户侧经济性损失;CD为切负荷造成的供电公司经济性损失。
10.根据权利要求2所述的移动式储能参与的主动配电网故障恢复方法,其特征在于,所述约束条件包括系统潮流约束、运行安全约束、固定储能约束和移动储能约束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110577198.XA CN113364045B (zh) | 2021-05-26 | 一种移动式储能参与的主动配电网故障恢复方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110577198.XA CN113364045B (zh) | 2021-05-26 | 一种移动式储能参与的主动配电网故障恢复方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113364045A true CN113364045A (zh) | 2021-09-07 |
CN113364045B CN113364045B (zh) | 2024-05-31 |
Family
ID=
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113991686A (zh) * | 2021-11-05 | 2022-01-28 | 中国科学院广州能源研究所 | 一种多能耦合配电系统故障恢复方法、装置及存储介质 |
CN114069618A (zh) * | 2021-11-15 | 2022-02-18 | 国网江苏省电力有限公司常州供电分公司 | 基于最小总停电损失的配电网供电恢复方法 |
CN114188936A (zh) * | 2021-11-09 | 2022-03-15 | 国网江苏省电力有限公司电力科学研究院 | 一种传统火电机组黑启动移动储能系统的优化调度方法 |
CN114188950A (zh) * | 2021-12-15 | 2022-03-15 | 国网山东省电力公司日照供电公司 | 基于备用移动储能应急调度的配电系统韧性提升方法 |
CN115313487A (zh) * | 2022-08-22 | 2022-11-08 | 西安交通大学 | 一种考虑检修流的移动氢能微网调度方法 |
CN115759375A (zh) * | 2022-11-09 | 2023-03-07 | 浙江咸亨创新产业中心有限公司 | 一种应用于故障配电网的模块化移动电池储能配置方法 |
CN115995815A (zh) * | 2023-03-23 | 2023-04-21 | 国网山西省电力公司电力科学研究院 | 一种基于多模块嵌套迭代的负荷故障恢复方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109274134A (zh) * | 2018-11-08 | 2019-01-25 | 东南大学 | 一种基于时间序列场景分析的主动配电网鲁棒有功无功协调优化方法 |
CN111654036A (zh) * | 2020-05-18 | 2020-09-11 | 天津大学 | 一种计及储能快充电站的配电网两阶段鲁棒优化调度方法 |
CN112701688A (zh) * | 2021-01-28 | 2021-04-23 | 国网河北省电力有限公司电力科学研究院 | 考虑应急电动汽车的配电网故障恢复方法及终端设备 |
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109274134A (zh) * | 2018-11-08 | 2019-01-25 | 东南大学 | 一种基于时间序列场景分析的主动配电网鲁棒有功无功协调优化方法 |
CN111654036A (zh) * | 2020-05-18 | 2020-09-11 | 天津大学 | 一种计及储能快充电站的配电网两阶段鲁棒优化调度方法 |
CN112701688A (zh) * | 2021-01-28 | 2021-04-23 | 国网河北省电力有限公司电力科学研究院 | 考虑应急电动汽车的配电网故障恢复方法及终端设备 |
Non-Patent Citations (2)
Title |
---|
XINYI JIANG 等: "Multi-stage Dynamic Post-disaster Recovery Strategy for Distribution Networks Considering Integrated Energy and Transportation Networks", CSEE JOURNAL OF POWER AND ENERGY SYSTEMS, vol. 7, no. 2, 31 March 2021 (2021-03-31), pages 408 - 420 * |
张璐 等: "考虑恢复力与经济性均衡的配电网移动储能优化配置策略", 电力系统自动化, vol. 44, no. 21, 10 November 2020 (2020-11-10), pages 23 - 31 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113991686A (zh) * | 2021-11-05 | 2022-01-28 | 中国科学院广州能源研究所 | 一种多能耦合配电系统故障恢复方法、装置及存储介质 |
CN113991686B (zh) * | 2021-11-05 | 2023-12-22 | 中国科学院广州能源研究所 | 一种多能耦合配电系统故障恢复方法、装置及存储介质 |
CN114188936A (zh) * | 2021-11-09 | 2022-03-15 | 国网江苏省电力有限公司电力科学研究院 | 一种传统火电机组黑启动移动储能系统的优化调度方法 |
CN114069618A (zh) * | 2021-11-15 | 2022-02-18 | 国网江苏省电力有限公司常州供电分公司 | 基于最小总停电损失的配电网供电恢复方法 |
CN114188950A (zh) * | 2021-12-15 | 2022-03-15 | 国网山东省电力公司日照供电公司 | 基于备用移动储能应急调度的配电系统韧性提升方法 |
CN114188950B (zh) * | 2021-12-15 | 2023-09-05 | 国网山东省电力公司日照供电公司 | 基于备用移动储能应急调度的配电系统韧性提升方法 |
CN115313487A (zh) * | 2022-08-22 | 2022-11-08 | 西安交通大学 | 一种考虑检修流的移动氢能微网调度方法 |
CN115759375A (zh) * | 2022-11-09 | 2023-03-07 | 浙江咸亨创新产业中心有限公司 | 一种应用于故障配电网的模块化移动电池储能配置方法 |
CN115995815A (zh) * | 2023-03-23 | 2023-04-21 | 国网山西省电力公司电力科学研究院 | 一种基于多模块嵌套迭代的负荷故障恢复方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Muhtadi et al. | Distributed energy resources based microgrid: Review of architecture, control, and reliability | |
Wong et al. | Review on the optimal placement, sizing and control of an energy storage system in the distribution network | |
Abdelrazek et al. | Integrated PV capacity firming and energy time shift battery energy storage management using energy-oriented optimization | |
Tan et al. | Optimization of distribution network incorporating distributed generators: An integrated approach | |
Reddy et al. | A review of Integration, Control, Communication and Metering (ICCM) of renewable energy based smart grid | |
CN111293691A (zh) | 基于模型预测控制的微电网多时间尺度优化调度方法 | |
Xie et al. | Microgrid system energy storage capacity optimization considering multiple time scale uncertainty coupling | |
Modu et al. | DC-based microgrid: Topologies, control schemes, and implementations | |
CN110690702B (zh) | 一种考虑综合承载力的主动配电网优化调度及运行方法 | |
CN114336636B (zh) | 一种交直流混合配电网系统双层储能配置方法 | |
CN110808597A (zh) | 主动配电网中考虑三相不平衡的分布式电源规划方法 | |
CN113285479A (zh) | 一种超大容量的区域微电网系统及运行方法 | |
Kaysal et al. | Hierarchical energy management system with multiple operation modes for hybrid DC microgrid | |
Li et al. | Smart hybrid AC/DC microgrids: power management, energy management, and power quality control | |
Wang et al. | Two-stage optimization for active distribution systems based on operating ranges of soft open points and energy storage system | |
Kermani et al. | Energy Management System for Smart Grid in the Presence of Energy Storage and Photovoltaic Systems | |
Ying et al. | Capacity configuration method of flexible smart traction power supply system based on double-layer optimization | |
Zhang et al. | Research on active distribution network structure planning for multi distributed generation access | |
CN113364045B (zh) | 一种移动式储能参与的主动配电网故障恢复方法 | |
CN113364045A (zh) | 一种移动式储能参与的主动配电网故障恢复方法 | |
Zhang et al. | Comprehensive Evaluation of AC-DC Distribution Network in Photovoltaic-Energy Storage Charging Station Based on AHP-TOPSIS Method | |
Xia et al. | Fuzzy logic based network reconfiguration strategy during power system restoration | |
Zhao et al. | Affinely adjustable robust optimal dispatch for island microgrids with wind power, energy storage and diesel generators | |
Pan et al. | Robust scheduling for microgrid energy management optimization | |
Seervi et al. | Renewable Energy Forecasting for Energy Storage Sizing: A Review |
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 |