CN113472015A - 配电网自愈网架建模方法、系统、终端设备及存储介质 - Google Patents

配电网自愈网架建模方法、系统、终端设备及存储介质 Download PDF

Info

Publication number
CN113472015A
CN113472015A CN202110739514.9A CN202110739514A CN113472015A CN 113472015 A CN113472015 A CN 113472015A CN 202110739514 A CN202110739514 A CN 202110739514A CN 113472015 A CN113472015 A CN 113472015A
Authority
CN
China
Prior art keywords
distribution network
power distribution
self
healing
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.)
Granted
Application number
CN202110739514.9A
Other languages
English (en)
Other versions
CN113472015B (zh
Inventor
李波
赵瑞锋
卢建刚
徐展强
曾坚永
郑文杰
崔丽华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Power Grid Co Ltd
Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Power Grid Co Ltd, Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202110739514.9A priority Critical patent/CN113472015B/zh
Publication of CN113472015A publication Critical patent/CN113472015A/zh
Application granted granted Critical
Publication of CN113472015B publication Critical patent/CN113472015B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H02J3/38—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
    • 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
    • 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
    • G06N3/004—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]
    • 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
    • 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
    • H02J3/48—Controlling the sharing of the in-phase component
    • 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
    • H02J3/50—Controlling the sharing of the out-of-phase component
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/02—CAD in a network environment, e.g. collaborative CAD or distributed simulation
    • 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
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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
    • 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
    • H02J2300/28—The renewable source being wind energy
    • 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)
  • Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种配电网自愈网架建模方法、系统、终端设备及存储介质，所述方法包括构建含风‑光‑家用储能分布式电源的配电网模型；根据所述配电网模型，确定配电网自愈目标函数和约束条件，并构建配电网自愈模型；根据家用储能系统的出力特征，划分配电网自愈的不同工作场景；根据所述配电网自愈模型，采用改进混沌自适应人工鱼群算法求解所述不同工作场景下的最优配电网自愈网架结构。本发明考虑了家用储能系统不同场景下的配电网自愈方法，使用混沌自适应人工鱼群算法求解模型相比于传统的群智能算法有更快的收敛速度，有利于配电网用电规划工作的高效进行。

Description

配电网自愈网架建模方法、系统、终端设备及存储介质
技术领域
本发明涉及配电网自愈技术领域，具体涉及一种配电网自愈网架建模方法、系统、终端设备及存储介质。
背景技术
配电网用电规划质量的好坏对于智能电网的正常运行至关重要，也关乎用户的用电体验。传统的配电网的运行模式基本是以供方为主导、单向辐射状供电为主，在配网的规划设计阶段和运行管理中，均未考虑分布式能源的接入。随着分布式发电接入量的不断增加，电动汽车的快速普及，可控负荷的持续增加，现有的配电网架构已经很难满足用户对环境保护、供电可靠性、电能质量和优质服务的要求。例如，利用现有的算法对配电网架构优化时，不仅无法涉及分布式能源的相关数据，同时优化过程效率很低，计算至模型收敛花费的时间很长，进而影响配电网用电规划工作的有序开展。
发明内容
本发明的目的在于提供一种配电网自愈网架建模方法、系统、终端设备及存储介质，以解决现有的算法对配电网架构优化时存在的数据量匮乏及计算效率低下的技术问题。
为了克服上述现有技术中的缺陷，本发明提供了一种配电网自愈网架建模方法，包括：
构建含风-光-家用储能分布式电源的配电网模型；
根据所述配电网模型，确定配电网自愈目标函数和约束条件，并构建配电网自愈模型；
根据家用储能系统的出力特征，划分配电网自愈的不同工作场景；
根据所述配电网自愈模型，采用改进混沌自适应人工鱼群算法求解所述不同工作场景下的最优配电网自愈网架结构。
进一步地，所述配电网自愈目标函数为：
Figure BDA0003140916720000021
式中，f是配电系统有功网损；N为网络之路总数；Ri、Pi、Qi、Ui分别为第i条支路的电阻、有功功率、无功功率、功率注入节点处的母线电压。
进一步地，所述约束条件包括：潮流约束、节点电压约束、支路容量约束及由配电网成辐射状态构成的网络辐射约束；其中，
所述潮流约束为：
Figure BDA0003140916720000022
Figure BDA0003140916720000023
式中，Pi、Qi分别是节点i处的输入有功功率、无功功率；PDGi、QDGi分别为DG向节点i注入的有功功率、无功功率；PLi、QLi分别是节点i所带负荷的有功功率、无功功率；Vi、Vj分别是节点i、j的电压；Y为支路的导纳矩阵；
所述节点电压约束为：
Vimin<Vi<Vimax
式中，i＝1,2,3,…,N，N是节点总数，Vi、Vimin、Vimax分别是节点i的电压值及其上下限；
所述支路容量约束为：
Si<Simax
式中，Si、Simax分别是各支路流过的功率及支路的线路容量。
进一步地，所述工作场景包括：在第一预设时间内家用储能执行充电操作及在第二预设时间内家用储能执行放电操作。
进一步地，所述根据所述配电网自愈模型，采用改进混沌自适应人工鱼群算法求解所述不同工作场景下的最优配电网自愈网架结构，包括：
输入配电网参数，并初始化鱼群参数；
基于辐射状拓扑，对当前配电网中的分段开关及联络开关进行编码；
对人工鱼群个体进行混沌初始化；
根据初始化后的人工鱼群，计算配电网络的第一有功损耗值；
对人工鱼群执行觅食行为，获得配电网络的第二有功损耗，当所述第二有功损耗大于所述第一有功损耗值时，将所述第二有功损耗作为当前最优值；
重复执行对人工鱼群执行觅食行为操作，直至迭代次数达到预设阈值，将此时得到的最优值作为目标最优值；
根据所述目标最优值，确定最优配电网自愈网架结构。
进一步地，所述配电网参数包括系统额定电压、网络总负荷、支路参数及负荷数据。
进一步地，所述鱼群参数包括鱼群数目、最大迭代次数、重复次数、视野范围、拥挤度因子及最大步长。
本发明还提供了一种配电网自愈网架建模系统，包括：
配电网模型构建单元，用于构建含风-光-家用储能分布式电源的配电网模型；
配电网自愈模型构建单元，用于根据所述配电网模型，确定配电网自愈目标函数和约束条件，并构建配电网自愈模型；
工作场景划分单元，用于根据家用储能系统的出力特征，划分配电网自愈的不同工作场景；
最优解计算单元，用于根据所述配电网自愈模型，采用改进混沌自适应人工鱼群算法求解所述不同工作场景下的最优配电网自愈网架结构。
本发明还提供了一种终端设备，包括：处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上任一项所述的配电网自愈网架建模方法。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行实现如上任一项所述的配电网自愈网架建模方法。
相对于现有技术，本发明的有益效果在于：
本发明公开的一种配电网自愈网架建模方法，包括：构建含风-光-家用储能分布式电源的配电网模型；根据所述配电网模型，确定配电网自愈目标函数和约束条件，并构建配电网自愈模型；根据家用储能系统的出力特征，划分配电网自愈的不同工作场景；根据所述配电网自愈模型，采用改进混沌自适应人工鱼群算法求解所述不同工作场景下的最优配电网自愈网架结构。本发明考虑了家用储能系统不同场景下的配电网自愈方法，使用混沌自适应人工鱼群算法求解模型相比于传统的群智能算法有更快的收敛速度，有利于配电网用电规划工作的高效进行。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施方式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发明的一些实施方式，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他的附图。
图1是本发明某一实施例提供的配电网自愈网架建模方法的流程示意图；
图2是图1中步骤S40的计算流程提供示意图；
图3是本发明某一实施例提供的配电网测试系统的结构示意图；
图4是本发明某一实施例提供的场景一下利用晚上家用储能执行充电操作的网络重构结果对比图；
图5是本发明某一实施例提供的场景二下利用白天家用储能执行放电操作的网络重构结果对比图；
图6是当图3中开关“6-7”发生故障时的自愈仿真得到的最优结果示意图；
图7是本发明某一实施例提供的配电网自愈网架建模系统的结构示意图；
图8是本发明某一实施例提供的终端设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，文中所使用的步骤编号仅是为了方便描述，不作为对步骤执行先后顺序的限定。
应当理解，在本发明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发明。如在本发明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。
术语“包括”和“包含”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。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
第一方面：
请参阅图1，本发明某一实施例提供了一种配电网自愈网架建模方法，包括：
S10、构建含风-光-家用储能分布式电源的配电网模型。
需要说明的是，针对风-光-家用储能等分布式电源，通过对节点类型转换，实现适用于含风-光-家用储能的潮流快速计算。
具体地，该潮流计算共包括风力发电、光伏发电及储能电池。
1.1)风力发电：
需要说明的是，定速型和转差型异步风力发电机在潮流计算中可以视为P-Q(V)节点，同步直驱型和双馈风力发电机作为PQ节点处理。在风速给定时，风电机组有功功率输出为定值。异步发电机的转差率和从电网吸收的无功功率为：
Figure BDA0003140916720000061
Figure BDA0003140916720000062
其中，在该类风电机组的机端通常会安装并联电容器组，使其自动分组投切从而保证整个风电机组功率因数保持在允许范围内。
Figure BDA0003140916720000063
Figure BDA0003140916720000064
Figure BDA0003140916720000065
Figure BDA0003140916720000066
Qk+1＝Q”c-Q'k+1
式中，
Figure BDA0003140916720000067
为带有n台并联电容器的风电机组的功率因数，Qc为已有n台投切的并联电容器组输出的无功补偿，ΔQc为使整个风电机组由原来的功率因数
Figure BDA0003140916720000068
提高到要求的
Figure BDA0003140916720000069
需要再补充无功容量。int[]表示取邻近的稍大整数，QN-Unit为额定电压VN下并联电容器组每台容量。Q′k+1为在潮流计算中第k次迭代所得风力发电机组从电网吸收的无功功率。
1.2)光伏发电：
伏发电并网多采用电流控制逆变器，这意味着输出电流为限定值，因此可以作为有功功率输出和电流输出恒定的PI节点。若采用电压控制逆变器，则相应的作为PV节点。对于PI节点类型，其输出的无功功率可以由前次潮流计算迭代得到的电压和恒定的电流幅值以及有功功率计算得出：
Figure BDA00031409167200000610
式中，Qk+1为第k+1次迭代的PI节点的无功功率值；I,P为PI节点恒定的电流幅值和有功功率值；Vk为第k次迭代得到的节点电压幅值。
需要强调，在每次迭代前求出PI节点类型的无功输出，相当于在迭代过程中将此类节点转化为可处理的PQ节点类型，且每次迭代的无功输出Qk+1每次都会变化。
1.3)储能电池：
储能蓄电池的控制方法与光伏发电系统基本相同。区别是蓄电池具有双向性，它既可作为电源向电网供电，又可作为电网的负载储存电能。当工作在整流状态时，蓄电池处于充电状态，能量从电网侧流向直流侧的蓄电池；当工作在逆变状态时，蓄电池处于对电网放电状态，将直流侧的能量回馈给电网。其建模和光伏发电系统相同，采用电流控制逆变器时作PI节点处理，采用电压控制逆变器时作PV节点处理。
将配电网的馈线当作无向边，并采用N行N列的网基结构矩阵D加以描述，N为配电网中顶点个数，即：
Figure BDA0003140916720000071
若顶点i和j之间存在一条边，则dij＝dji＝1，否则为0。
S20、根据所述配电网模型，确定配电网自愈目标函数和约束条件，并构建配电网自愈模型。
需要说明的是，鉴于配电网络的有功网损是配电网自愈研究的重点，故在本步骤中采用系统有功网损最小为优化目标，其数学表达式为：
Figure BDA0003140916720000072
式中，f是配电系统有功网损；N为网络之路总数；Ri、Pi、Qi、Ui分别为第i条支路的电阻、有功功率、无功功率、功率注入节点处的母线电压。
进一步地，考虑新能源与家用储能系统接入的配电网自愈方法约束条件考虑配电网潮流约束、节点电压约束、支路容量约束和网络辐射约束。
2.1)潮流约束的表达式为：
Figure BDA0003140916720000081
Figure BDA0003140916720000082
式中，Pi、Qi分别是节点i处的输入有功功率、无功功率；PDGi、QDGi分别为DG向节点i注入的有功功率、无功功率；PLi、QLi分别是节点i所带负荷的有功功率、无功功率；Vi、Vj分别是节点i、j的电压；Y为支路的导纳矩阵。
2.2)节点电压约束的表达式为：
Vimin<Vi<Vimax
式中，i＝1,2,3,…,N，N是节点总数，Vi、Vimin、Vimax分别是节点i的电压值及其上下限。
2.3)所述支路容量约束的表达式为：
Si<Simax
式中，Si、Simax分别是各支路流过的功率及支路的线路容量。
2.4)网络辐射状约束为：网络重构后，配电网成辐射状态，不存在环路、孤岛及孤立节点。
S30、根据家用储能系统的出力特征，划分配电网自愈的不同工作场景。
在某一实施例中，所述工作场景包括在第一预设时间内家用储能执行充电操作及在第二预设时间内家用储能执行放电操作。
需要说明的是，家用储能系统通常有两个工作状态：在电力需求低谷的时候低价充电和在电价更高的需求高峰时段输出电能。因此将配电网自愈划分为两个场景，场景1是晚上家用储能执行充电操作，可以在计算潮流时将家用储能视为正的负荷叠加到接入节点上，光伏在晚上停止工作。场景2是白天家用储能执行放电操作，可以在计算潮流时将家用储能视为负的负荷叠加到接入节点上，光伏在白天正常工作。
S40、根据所述配电网自愈模型，采用改进混沌自适应人工鱼群算法求解所述不同工作场景下的最优配电网自愈网架结构。
在某一实施例中，步骤S40的计算流程如图2所示，包括：
4.1)输入配电网参数，并初始化鱼群参数；
在某一实施例中，所述配电网参数包括系统额定电压、网络总负荷、支路参数及负荷数据。
所述鱼群参数包括鱼群数目、最大迭代次数、重复次数、视野范围、拥挤度因子及最大步长。
进一步地，对步长参数采用自适应设定，使其动态变化，即在算法寻优前期，设定较大的数值，使人工鱼的搜索范围变大，有利于收敛速度的提升，较快得到最优解域；而在寻优后期，设定较小的数值，使人工鱼可以在最优解域中仔细搜索，有利于提高搜索精度。可将步长自适应设定表示为：
Figure BDA0003140916720000091
式中，Stepmin为最小步长；Iteration为当前迭代数；Iterationmax为最大迭代数。
4.2)基于辐射状拓扑，对当前配电网中的分段开关及联络开关进行编码；
需要说明的是，当配电网各个开关正常，通过联络开关和分段开关闭合操作得到最优配电网网络结构时。在辐射状拓扑的基础上，闭合第一个联络开关，形成第一个环路，对第一个环路中包含的所有开关(包括分段开关以及联络开关)进行编号。依次合上第二个、第三个、第…个联络开关，直到最后一个联络开关为止，在每闭合一个联络开关的同时，分别对新形成的环路进行控制变量的命名和开关编号工作。
当开关发生故障时，通过联络开关和分段开关闭合操作实现故障自愈。依次闭合联络开关，如每次形成环路和未发生故障时相同时，对环路中包含的所有开关(包括分段开关以及联络开关)进行编号。将闭合形成回路与未发生故障不同的联络开关集合进行编号。
4.3)对人工鱼群个体进行混沌初始化；
本步骤中，基本人工鱼群算法的初始化鱼群是在测试区域随机产生的，会存在分布不均匀的情况，这种情况不利于算法的全局收敛。而混沌变换具有随机性、遍历性和规律性的特点。均匀分布的Logistic混沌序列映射方程为：
Xi+1＝μ×Xi×(1-Xi),Xi∈(0,1)
式中，Xi是混沌变量，μ是混沌系统的Lyapunov指数，也叫控制参数，当μ的取值在3.5699456～4之间时，Logistic映射呈混沌状态。基本的Logistic混沌序列的取值在(0,1)之间并不均匀，直接运用于人工鱼群算法效果并不理想，所以需要将基本混沌序列变换为均匀分布的混沌序列。采用如下映射公式成功得到均匀分布的混沌序列，如下式所示：
Figure BDA0003140916720000101
然后，产生符合混沌行为的初始状态人工鱼群，需要把(0,1)区间的序列映射到人工鱼群的解空间(a,b)，映射公式如下，这样便完成了混沌人工鱼群初始化。
Xi＝a+c2×(b-a)
4.4)根据初始化后的人工鱼群，计算配电网络的第一有功损耗值；
本步骤中，计算初始化后的当前人工鱼群的配电网络有功损耗值，并赋值给公告板配电网络有功损耗值由前推回代潮流计算得到。
4.5)对人工鱼群执行觅食行为，获得配电网络的第二有功损耗，当所述第二有功损耗大于所述第一有功损耗值时，将所述第二有功损耗作为当前最优值；
具体地，本步骤中首先对每条人工鱼执行群聚、追尾、改进的觅食行为，得出最优的人工鱼及和配电网络有功损耗值，然后与步骤4.5)中公告板的值比较，如果大于公告板的值，则将最新的值更新到公告板中。
4.6)重复执行对人工鱼群执行觅食行为操作，直至迭代次数达到预设阈值，将此时得到的最优值作为目标最优值；
可以理解的是，通常会设定一个预设阈值来限定迭代的次数，如果迭代次数达到预设阈值，迭代结束，公告板的人工鱼及相关函数值就是最优值；如果没有达到最大值，返回第4.5)步继续迭代。
4.7)根据所述目标最优值，确定最优配电网自愈网架结构。
本发明实施例提供的配电网自愈网架建模方法，考虑了家用储能系统不同场景下的配电网自愈情况，使用混沌自适应人工鱼群算法求解模型相比于传统的群智能算法有更快的收敛速度，有利于配电网用电规划工作的高效进行。
第二方面：
为了帮助理解本发明提供的方案，在某一实施例中以IEEE33节点测试系统为例对本发明的方案具体说明。
具体地，包括以下步骤：
a)在IEEE33节点测试系统中接入9台分布式电源。分布式电源的位置如图3所示。配电网系统中，在节点9和节点26接入风电，它们的额定功率分别为300kW和200kW，功率因数分别是0.8、0.8。光伏的并网位置分别为节点5和节点31，额定容量分别是200kW和300kW，功率因数分别是0.85、0.8。家用储能系统参考tesla公司的powerwall，额定功率为5kW，家用储能的接入位置为节点14、17、18、32、33。配电网测试系统的结构如图3所示。
b)根据配电网自愈目标函数和约束条件建立配电网自愈模型；
鉴于配电网络的有功网损是配电网自愈研究的重点，故采用系统有功网损最小为优化目标。同时，考虑新能源与家用储能系统接入的配电网自愈方法约束条件考虑配电网潮流约束、节点电压约束、支路容量约束和网络辐射约束。
c)根据家用储能系统的出力特征，将配电网自愈情况分为两个工作场景；
具体地，家用储能系统有两个工作状态：在电力需求低谷的时候低价充电和在电价更高的需求高峰时段输出电能。因此将配电网自愈划分为两个场景，场景1是晚上家用储能执行充电操作，可以在计算潮流时将家用储能视为正的负荷叠加到接入节点上，光伏在晚上停止工作。场景2是白天家用储能执行放电操作，可以在计算潮流时将家用储能视为负的负荷叠加到接入节点上，光伏在白天正常工作。
d)基于考虑新能源与家用储能系统接入的配电网自愈模型，采用改进的混沌自适应人工鱼群算法求解最优的配电网结构。
具体地包括：
d1)输入配电网参数，包括系统额定电压、网络总负荷、支路参数和负荷数据。
由图1提供的含分布式电源的IEEE33节点测试系统可知，该系统额定电压为12.66kV，网络总负荷为3715Kw+j2300kvar，共有37条支路，5个联络开关分别位于支路8-21、9-15、12-22、18-33、25-29上。其中支路参数及负荷数据如下表1所示：
表1支路参数及负荷数据列表
Figure BDA0003140916720000121
Figure BDA0003140916720000131
d2)初始化鱼群的参数：鱼群数目、最大迭代次数、重复次数、视野范围、拥挤度因子、最大步长。Visual＝8，Step＝2.5，Step_min＝0.01，N＝50，Dim＝5，Try_number＝5，delta＝10，MaxIteration＝50，u＝3.9。
d3)对当前配电网进行编码；
当配电网各个开关正常，通过联络开关和分段开关闭合操作得到最优配电网网络结构时。在辐射状拓扑的基础上，闭合第一个联络开关，形成第一个环路，对第一个环路中包含的所有开关(包括分段开关以及联络开关)进行编号。依次合上第二个、第三个、第…个联络开关，直到最后一个联络开关为止，在每闭合一个联络开关的同时，分别对新形成的环路进行控制变量的命名和开关编号工作。每个环路包含的开关为1组，在对配电网结构进行优化时只需在每组断开一个开关。配电网各个开关正常编码结果如下表2所示：
表2配电网各个开关正常编码结果
Figure BDA0003140916720000132
进一步地，当开关发生故障时，通过联络开关和分段开关闭合操作实现故障自愈。依次闭合联络开关，如每次形成环路和未发生故障时相同时，对环路中包含的所有开关(包括分段开关以及联络开关)进行编号，并分类为一组。将闭合形成回路与未发生故障时回路不同的联络开关集合进行编号，并分类为1组。在对配电网结构进行优化时只需在每组断开一个开关。开关6-7发生故障时编码结果如下表3所示：
表3开关6-7发生故障时编码结果
Figure BDA0003140916720000141
d4)对人工鱼群个体进行混沌初始化。
d5)计算当前人工鱼群的配电网络有功损耗值，并赋值给公告板配电网络有功损耗值由前推回代潮流计算得到。
d6)对每条人工鱼执行群聚、追尾、改进的觅食行为，得出最优的人工鱼及和配电网络有功损耗值，并与公告板的值比较，如果大于公告板的值，则将最新的值更新到公告板中。
d7)如果迭代次数达到已设定的最大值，迭代结束，公告板的人工鱼及相关函数值就是最优值；如果没有达到最大值，返回第d6)步继续迭代。
在某一实施例中，给出了以下工作场景的实例：
场景一：晚上家用储能执行充电操作，可以在计算潮流时将家用储能视为正的负荷叠加到接入节点上，光伏在晚上停止工作，负荷为0。网络重构结果分别如图4和表4所示，其中，网络重构前后的节点电压值对比图如图4(a)所示，网损值对比图如图4(b)所示。
表4场景一下的网络重构结果对比
Figure BDA0003140916720000142
场景二：白天家用储能执行放电操作，可以在计算潮流时将家用储能视为负的负荷叠加到接入节点上，光伏在白天正常工作。网络重构结果分别如图5和表5所示，其中，网络重构前后的节点电压值对比图如图5(a)所示，网损值对比图如图5(b)所示。
表5场景二下的网络重构结果对比
Figure BDA0003140916720000151
进一步地，当开关6-7发生故障，节点7往后的支路发生故障失去供电，要想恢复供电，需要通过打开四个开关保证网络辐射状，本发明实施例提出的自愈仿真得到的最优结果分别如图6和下表6所示，其中，仿真得到的节点电压值如图6(a)所示，网损值如图6(b)所示。
表6自愈仿真得到的最优结果
Figure BDA0003140916720000152
由表4-6可知，本发明提供的自愈方法能够有效减少网损，并同时提高最低节点电压值，进而有效提高了配电网用电规划质量。
第三方面：
请参阅图7，本发明某一实施例还提供了一种配电网自愈网架建模系统，包括：
配电网模型构建单元01，用于构建含风-光-家用储能分布式电源的配电网模型；
配电网自愈模型构建单元02，用于根据所述配电网模型，确定配电网自愈目标函数和约束条件，并构建配电网自愈模型；
工作场景划分单元03，用于根据家用储能系统的出力特征，划分配电网自愈的不同工作场景；
最优解计算单元04，用于根据所述配电网自愈模型，采用改进混沌自适应人工鱼群算法求解所述不同工作场景下的最优配电网自愈网架结构。
在某一实施例中，所述配电网自愈目标函数为：
Figure BDA0003140916720000161
式中，f是配电系统有功网损；N为网络之路总数；Ri、Pi、Qi、Ui分别为第i条支路的电阻、有功功率、无功功率、功率注入节点处的母线电压。
在某一实施例中所述约束条件包括：潮流约束、节点电压约束、支路容量约束及由配电网成辐射状态构成的网络辐射约束；其中，
所述潮流约束为：
Figure BDA0003140916720000162
Figure BDA0003140916720000163
式中，Pi、Qi分别是节点i处的输入有功功率、无功功率；PDGi、QDGi分别为DG向节点i注入的有功功率、无功功率；PLi、QLi分别是节点i所带负荷的有功功率、无功功率；Vi、Vj分别是节点i、j的电压；Y为支路的导纳矩阵；
所述节点电压约束为：
Vimin<Vi<Vimax
式中，i＝1,2,3,…,N，N是节点总数，Vi、Vimin、Vimax分别是节点i的电压值及其上下限；
所述支路容量约束为：
Si<Simax
式中，Si、Simax分别是各支路流过的功率及支路的线路容量。
在某一实施例中，所述工作场景包括：在第一预设时间内家用储能执行充电操作及在第二预设时间内家用储能执行放电操作。
在某一实施例中，所述最优解计算单元04，还用于：
输入配电网参数，并初始化鱼群参数；
基于辐射状拓扑，对当前配电网中的分段开关及联络开关进行编码；
对人工鱼群个体进行混沌初始化；
根据初始化后的人工鱼群，计算配电网络的第一有功损耗值；
对人工鱼群执行觅食行为，获得配电网络的第二有功损耗，当所述第二有功损耗大于所述第一有功损耗值时，将所述第二有功损耗作为当前最优值；
重复执行对人工鱼群执行觅食行为操作，直至迭代次数达到预设阈值，将此时得到的最优值作为目标最优值；
根据所述目标最优值，确定最优配电网自愈网架结构。
在某一实施例中，所述配电网参数包括系统额定电压、网络总负荷、支路参数及负荷数据。
在某一实施例中，所述鱼群参数包括鱼群数目、最大迭代次数、重复次数、视野范围、拥挤度因子及最大步长。
本发明实施例提供的配电网自愈网架建模系统，用于执行如第一方面所述的配电网自愈网架建模方法，该方法考虑了家用储能系统不同场景下的配电网自愈情况，使用混沌自适应人工鱼群算法求解模型相比于传统的群智能算法有更快的收敛速度，有利于配电网用电规划工作的高效进行。
第三方面
请参阅图8，本发明某一实施例还提供了一种终端设备，该终端设备包括：
处理器、存储器和总线；
所述总线，用于连接所述处理器和所述存储器；
所述存储器，用于存储操作指令；
所述处理器，用于通过调用所述操作指令，可执行指令使处理器执行如本申请的第一方面所示的配电网自愈网架建模方法对应的操作。
在一个可选实施例中提供了一种终端设备，如图8所示，图8所示的终端设备包括：处理器001和存储器003。其中，处理器001和存储器003相连，如通过总线002相连。可选地，终端设备还可以包括收发器004。需要说明的是，实际应用中收发器004不限于一个，该终端设备的结构并不构成对本申请实施例的限定。
处理器001可以是CPU，通用处理器，DSP，ASIC，FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器001也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线002可包括一通路，在上述组件之间传送信息。总线002可以是PCI总线或EISA总线等。总线002可以分为地址总线、数据总线、控制总线等。为便于表示，图8中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器003可以是ROM或可存储静态信息和指令的其他类型的静态存储设备，RAM或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM、CD-ROM或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
存储器003用于存储执行本申请方案的应用程序代码，并由处理器001来控制执行。处理器001用于执行存储器003中存储的应用程序代码，以实现前述任一方法实施例所示的内容。
其中，终端设备包括但不限于：移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。
本申请的又一实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，当其在计算机上运行时，使得计算机可以执行前述方法实施例中的相应内容。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种配电网自愈网架建模方法，其特征在于，包括：
构建含风-光-家用储能分布式电源的配电网模型；
根据所述配电网模型，确定配电网自愈目标函数和约束条件，并构建配电网自愈模型；
根据家用储能系统的出力特征，划分配电网自愈的不同工作场景；
根据所述配电网自愈模型，采用改进混沌自适应人工鱼群算法求解所述不同工作场景下的最优配电网自愈网架结构。
2.根据权利要求1所述的配电网自愈网架建模方法，其特征在于，所述配电网自愈目标函数为：
Figure FDA0003140916710000011
式中，f是配电系统有功网损；N为网络之路总数；Ri、Pi、Qi、Ui分别为第i条支路的电阻、有功功率、无功功率、功率注入节点处的母线电压。
3.根据权利要求2所述的配电网自愈网架建模方法，其特征在于，所述约束条件包括：潮流约束、节点电压约束、支路容量约束及由配电网成辐射状态构成的网络辐射约束；其中，
所述潮流约束为：
Figure FDA0003140916710000012
Figure FDA0003140916710000013
式中，Pi、Qi分别是节点i处的输入有功功率、无功功率；PDGi、QDGi分别为DG向节点i注入的有功功率、无功功率；PLi、QLi分别是节点i所带负荷的有功功率、无功功率；Vi、Vj分别是节点i、j的电压；Y为支路的导纳矩阵；
所述节点电压约束为：
Vimin<Vi<Vimax
式中，i＝1,2,3,…,N，N是节点总数，Vi、Vimin、Vimax分别是节点i的电压值及其上下限；
所述支路容量约束为：
Si<Simax
式中，Si、Simax分别是各支路流过的功率及支路的线路容量。
4.根据权利要求3所述的配电网自愈网架建模方法，其特征在于，所述工作场景包括：在第一预设时间内家用储能执行充电操作及在第二预设时间内家用储能执行放电操作。
5.根据权利要求1-4任一项所述的配电网自愈网架建模方法，其特征在于，所述根据所述配电网自愈模型，采用改进混沌自适应人工鱼群算法求解所述不同工作场景下的最优配电网自愈网架结构，包括：
输入配电网参数，并初始化鱼群参数；
基于辐射状拓扑，对当前配电网中的分段开关及联络开关进行编码；
对人工鱼群个体进行混沌初始化；
根据初始化后的人工鱼群，计算配电网络的第一有功损耗值；
对人工鱼群执行觅食行为，获得配电网络的第二有功损耗，当所述第二有功损耗大于所述第一有功损耗值时，将所述第二有功损耗作为当前最优值；
重复执行对人工鱼群执行觅食行为操作，直至迭代次数达到预设阈值，将此时得到的最优值作为目标最优值；
根据所述目标最优值，确定最优配电网自愈网架结构。
6.根据权利要求5所述的配电网自愈网架建模方法，其特征在于，所述配电网参数包括系统额定电压、网络总负荷、支路参数及负荷数据。
7.根据权利要求5所述的配电网自愈网架建模方法，其特征在于，所述鱼群参数包括鱼群数目、最大迭代次数、重复次数、视野范围、拥挤度因子及最大步长。
8.一种配电网自愈网架建模系统，其特征在于，包括：
配电网模型构建单元，用于构建含风-光-家用储能分布式电源的配电网模型；
配电网自愈模型构建单元，用于根据所述配电网模型，确定配电网自愈目标函数和约束条件，并构建配电网自愈模型；
工作场景划分单元，用于根据家用储能系统的出力特征，划分配电网自愈的不同工作场景；
最优解计算单元，用于根据所述配电网自愈模型，采用改进混沌自适应人工鱼群算法求解所述不同工作场景下的最优配电网自愈网架结构。
9.一种终端设备，其特征在于，包括：处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的配电网自愈网架建模方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行实现如权利要求1至7任一项所述的配电网自愈网架建模方法。
CN202110739514.9A 2021-06-30 2021-06-30 配电网自愈网架建模方法、系统、终端设备及存储介质 Active CN113472015B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110739514.9A CN113472015B (zh) 2021-06-30 2021-06-30 配电网自愈网架建模方法、系统、终端设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110739514.9A CN113472015B (zh) 2021-06-30 2021-06-30 配电网自愈网架建模方法、系统、终端设备及存储介质

Publications (2)

Publication Number Publication Date
CN113472015A true CN113472015A (zh) 2021-10-01
CN113472015B CN113472015B (zh) 2024-04-26

Family

ID=77876757

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110739514.9A Active CN113472015B (zh) 2021-06-30 2021-06-30 配电网自愈网架建模方法、系统、终端设备及存储介质

Country Status (1)

Country Link
CN (1) CN113472015B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118278565A (zh) * 2024-03-27 2024-07-02 江苏省电力试验研究院有限公司 一种基于改进人工鱼群算法的屋顶光伏装机容量优化方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170038785A1 (en) * 2015-08-07 2017-02-09 Xj Group Corporation Method of differential protection in the power distribution networks based on phase difference principles
US20180309294A1 (en) * 2016-12-07 2018-10-25 Northeastern University Reactive power optimization system and method of power grid based on the double-fish-swarm algorithm
CN110336298A (zh) * 2019-08-17 2019-10-15 广东博慎智库能源科技发展有限公司 一种基于混合智能算法的含分布式电源配网无功规划方法
CN111293683A (zh) * 2020-02-13 2020-06-16 东方电子股份有限公司 一种兼顾安全性与经济性的配网自愈优化方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170038785A1 (en) * 2015-08-07 2017-02-09 Xj Group Corporation Method of differential protection in the power distribution networks based on phase difference principles
US20180309294A1 (en) * 2016-12-07 2018-10-25 Northeastern University Reactive power optimization system and method of power grid based on the double-fish-swarm algorithm
CN110336298A (zh) * 2019-08-17 2019-10-15 广东博慎智库能源科技发展有限公司 一种基于混合智能算法的含分布式电源配网无功规划方法
CN111293683A (zh) * 2020-02-13 2020-06-16 东方电子股份有限公司 一种兼顾安全性与经济性的配网自愈优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吴毅冰;汪旭东;吴宏普;: "基于二进制粒子群-蚁群算法的配电网自愈控制研究", 通信电源技术, no. 05, 25 September 2017 (2017-09-25) *
胡珏;韦钢;谢素娟;罗志刚;袁洪涛;: "基于人工鱼群算法的主动配电网故障定位", 智慧电力, no. 06, 20 June 2020 (2020-06-20) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118278565A (zh) * 2024-03-27 2024-07-02 江苏省电力试验研究院有限公司 一种基于改进人工鱼群算法的屋顶光伏装机容量优化方法

Also Published As

Publication number Publication date
CN113472015B (zh) 2024-04-26

Similar Documents

Publication Publication Date Title
Ranamuka et al. Flexible AC power flow control in distribution systems by coordinated control of distributed solar-PV and battery energy storage units
Montoya et al. Numerical methods for power flow analysis in DC networks: State of the art, methods and challenges
CN113315150B (zh) 低压配电网三相不平衡度优化方法、系统、设备及介质
Shanmugapriyan et al. Optimum placement of multi type DG units for loss reduction in a radial distribution system considering the distributed generation
CN115841187A (zh) 柔性配电网运行策略的优化方法、装置、设备及存储介质
Zellagui et al. Optimal allocation of renewable energy source integrated-smart distribution systems based on technical-economic analysis considering load demand and DG uncertainties
CN113472015B (zh) 配电网自愈网架建模方法、系统、终端设备及存储介质
Dasan et al. Optimal siting and sizing of hybrid distributed generation using EP
CN112633699B (zh) 主动配电网网架规划方法、装置、计算机设备和存储介质
Chowdhury et al. Optimal placement and sizing of renewable distributed generation in electricity networks considering different load models
Kamel et al. Optimal allocation of a wind turbine and battery energy storage systems in distribution networks based on the modified BES-optimizer
Essallah et al. Optimal multi-Type DG integration and distribution system reconfiguration for active power loss minimization using CPSO algorithm
CN116093995B (zh) 一种配电系统多目标网络重构方法及系统
CN116865300A (zh) 适应新能源配电网的柔性资源集群配置方法、装置及介质
CN116544977A (zh) 考虑5g基站备用储能与可靠性的配电网重构方法
Lorestani et al. A novel analytical-heuristic approach for placement of multiple distributed generator in distribution network
Salkuti Feeder reconfiguration in unbalanced distribution system with wind and solar generation using ant lion optimization
Dheebika et al. Optimal location of SVC, TCSC and UPFC devices for voltage stability improvement and reduction of power loss using genetic algorithm
Wang et al. Reconfiguration of distribution network with dispersed generators based on improved forward-backward sweep method
Zhang et al. Calculation Method for Maximum Accommodation Capacity of Distributed Photovoltaic in Distribution Network Considering Various Electrical Constraints
Joshi et al. Power oscillation damping using ultracapcitor and voltage source based FACTS controllers
Selvarasu et al. Multi-type flexible AC transmission system device placement for voltage constrained loss minimisation using self-adaptive firefly algorithm
CN114239252B (zh) 电力系统运行方式生成方法、系统、计算机及存储介质
Selvarasu et al. Self-Adaptive Firefly Algorithm based transmission loss minimization using multi type FACTS devices
Hernández-Fuentes et al. Transmission expansion planning based on an Ant Colony Algorithm including distributed generation and security constraints

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