CN113516278A - 有源配电网多时间尺度有功无功协调优化调度方法及系统 - Google Patents
有源配电网多时间尺度有功无功协调优化调度方法及系统 Download PDFInfo
- Publication number
- CN113516278A CN113516278A CN202110453769.9A CN202110453769A CN113516278A CN 113516278 A CN113516278 A CN 113516278A CN 202110453769 A CN202110453769 A CN 202110453769A CN 113516278 A CN113516278 A CN 113516278A
- Authority
- CN
- China
- Prior art keywords
- active
- distribution network
- power distribution
- time interval
- set time
- 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
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"
-
- 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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
- 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
-
- 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]
-
- 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
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明属于配电网领域,提供了一种有源配电网多时间尺度有功无功协调优化调度方法及系统。其中,该方法包括在设定时间间隔前阶段,基于典型场景对可再生能源的不确定性进行描述,并对有源配电网内各调节资源的启停状态及出力状态进行优化;在设定时间间隔内阶段,根据设定时间间隔前有源配电网内各调节资源优化结果及更新的设定时间间隔内功率预测值,利用多重相关模型来估计功率预测误差以修正设定时间间隔内功率预测值,基于修正的设定时间间隔内功率预测值来协调有源配电网中的快速响应资源;在实时阶段,采用模型预测控制对有源配电网中快速响应资源的输出进行滚动优化。其提高了有源配电网对可再生能源的适应性。
Description
技术领域
本发明属于配电网领域,尤其涉及一种有源配电网多时间尺度有功无功协调优化调度方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
随着可再生能源(renewable energy sources,RES)渗透率的提高,电力系统的运行控制复杂程度也随之增加,尤其是在配电网(distribution network,DN)中。为了应对可再生能源带来的挑战,研究人员提出了许多基于分布式能源(distributed energyresources,DERs)柔性控制的调度策略。传统的DN正逐渐被有源配电网(activedistribution network,ADN)取代。
由于DN的电阻/电抗比较高,传统的有功-无功解耦优化调度方法不再适用。现有的综合考虑有功网损和无功成本的ADN运行成本和电能套利的分析方法,该模型不仅考虑了光伏、储能和电动汽车的有功出力,还分析了它们的无功调节能力的影响。有功-无功最优潮流(active-reactive optimal power flow,AROPF)问题,与单一有功最优潮流策略相比,AROPF可以节省12%以上的网损。此外,现有文献证明了AROPF运行策略可以减少弃风量。此外,现有技术还建立了有功-无功协调优化调度的混合整数二阶锥规划(MISOCP)模型。MISOCP模型保证了问题的收敛性和解的最优性。这些研究协调有功资源和无功资源的输出,以获得更好的经济效益。然而,单时间尺度调度难以保证系统的可靠性。随着预测时间的延长,负荷和发电量的预测误差越来越大,提前做出的调度决策可能不能满足实时运行的要求。因此。多时间尺度调度问题已成为当前研究的热点。
现有技术建立了微电网(microgrid,MG)的设定时间间隔前调度和实时调度模型。该模型能有效跟踪风电功率波动,减小MG对上游电网的影响。目前的实用的设定时间间隔前优化和实时优化ADN的协调方案,这种协调策略增加了RES的消纳。此外,现有文献指出通过不同时间尺度之间的协调,能够减小配网与主网联络线传输功率的波动,提高了系统的可靠性。这些研究在增加RES消纳方面取得了重大进展,但分级调度方法仍然是开环控制。
与增加时间粒度的策略不同,模型预测控制(model predictive control,MPC)在调度控制过程中引入反馈,从而实现闭环控制。预测控制以其出色的参数不确定性处理能力在工业中得到了广泛的应用。与传统的经济调度相比,基于MPC的算法可以更充分地开发可再生能源,从而降低火力发电机组的发电成本和环境成本。目前的基于MPC的协调电压控制方案,以解决RES高渗透引起的电压波动问题。与传统的控制方法相比,MPC的存在加速和平滑了电压恢复过程。现有的基于MPC的双时间尺度电压控制方案,该方案可以在安全约束下跟踪RES出力从而增加消纳。此外,还研究了不同的基于预测控制的方法,如能量分配、频率控制和第一摆动稳定性保护。这些研究表明了预测控制在改善电力系统性能方面的优势。
然而,发明人发现,在大多数的多时间尺度调度模型中,并没有对RES的随机性进行研究,这使得系统只具有单一且被动地应对RES的波动。随着时间分辨率的提高,不同时间尺度之间的预报差异将增大。这将直接导致前一阶段的优化结果对于下一阶段不是最优的,特别是在确定慢调资源输出的设定时间间隔前阶段和确实实时阶段参考值的设定时间间隔内阶段。因此,在设定时间间隔前与设定时间间隔内阶段(比如设定时间间隔为一日)都必须考虑RES输出固有的随机性。
发明内容
为了解决上述背景技术中存在的技术问题,本发明提供一种有源配电网多时间尺度有功无功协调优化调度方法及系统,其提出了一种考虑RES输出多重相关性的多时间尺度有功无功协调调度模型,该方法可以从多个维度充分利用ADN中各种调节资源应对RES出力随机性。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供一种有源配电网多时间尺度有功无功协调优化调度方法。
一种有源配电网多时间尺度有功无功协调优化调度方法,其包括:
在设定时间间隔前阶段,基于典型场景对可再生能源的不确定性进行描述,并对有源配电网内各调节资源的启停状态及出力状态进行优化;
在设定时间间隔内阶段,根据设定时间间隔前有源配电网内各调节资源优化结果及更新的设定时间间隔内功率预测值,利用多重相关模型来估计功率预测误差以修正设定时间间隔内功率预测值,基于修正的设定时间间隔内功率预测值来协调有源配电网中的快速响应资源;
在实时阶段,采用模型预测控制对有源配电网中快速响应资源的输出进行滚动优化。
进一步地,所述多重相关模型是利用t-copula函数对风电预测误差间的时空相关性以及预测误差与预测值之间的相关性的模型。
进一步地,所述典型场景的生成过程为:
利用拉丁超立方采样对所得条件分布进行采样来生成预测场景;
利用同步回代缩减方法对预测场景进行缩减,生成具有一定概率的典型场景。
进一步地,在设定时间间隔前阶段,以系统的安全稳定运行为约束,以最小化系统运行成本期望为目标,最终所决策的设备运行状态能够适应可再生能源的所有可能波动。
进一步地,在实时阶段,以长时间尺度中各设备的计划出力为参考值,以各调节资源的出力偏差期望最小为目标,引入反馈校正环节,以系统当前实际的出力值为新一轮滚动优化调度的初始值,构成闭环控制。
进一步地,所述设定时间间隔为一日。
进一步地,在设定时间间隔前阶段为日前阶段,调度周期为24h,时间分辨率为1h;在设定时间间隔内阶段为日内阶段,调度周期为4h,时间分辨率为15min;在实时阶段,调度周期为30min,时间分辨率为5min。
本发明的第二个方面提供一种有源配电网多时间尺度有功无功协调优化调度系统。
一种有源配电网多时间尺度有功无功协调优化调度系统,其包括:
设定时间间隔前调度模块,其用于在设定时间间隔前阶段,基于典型场景对可再生能源的不确定性进行描述,并对有源配电网内各调节资源的启停状态及出力状态进行优化;
设定时间间隔内调度模块,其用于在设定时间间隔内阶段,根据设定时间间隔前有源配电网内各调节资源优化结果及更新的设定时间间隔内功率预测值,利用多重相关模型来估计功率预测误差以修正设定时间间隔内功率预测值,基于修正的设定时间间隔内功率预测值来协调有源配电网中的快速响应资源;
实时调度模块,其用于在实时阶段,采用模型预测控制对有源配电网中快速响应资源的输出进行滚动优化。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述所述的有源配电网多时间尺度有功无功协调优化调度方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述所述的有源配电网多时间尺度有功无功协调优化调度方法中的步骤。
与现有技术相比,本发明的有益效果是:
1)本发明基于t Copula函数建立了考虑RES预测误差条件相关性以及时空相关性的多重相关性模型。多重相关性的考虑提高了调度精度,增强了ADN对不确定RES输出的适应性。此外,为了与多时间尺度调度框架进行有效交互,提出了一种动态更新机制来追踪预测误差的波动。
2)本发明构建了考虑RES多重相关性的多时间尺度调度框架。在每个阶段,基于相应的多重相关模型建立ADN的随机经济调度问题,以有效协调AND中不同响应特性的调节资源。在实时阶段采用预测控制和反馈校正,保证了系统的稳定性。通过不同时间尺度的协调,ADN的经济性和可靠性也得到了协调。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明实施例的有源配电网多时间尺度有功无功协调优化调度方法原理图;
图2是本发明实施例的IEEE 33节点系统拓扑结构;
图3是本发明实施例的累计分布函数曲线;
图4是本发明实施例的最优解处devi的分布情况;
图5是本发明实施例的CB无功输;
图6是本发明实施例的静态无功补偿装置输出;
图7是本发明实施例的变压器变比;
图8是本发明实施例的风机无功出力;
图9是本发明实施例的方法1的调度方法下部分节点的电压水平;
图10是本发明实施例的方法3的调度方法下部分节点的电压水平;
图11是本发明实施例的风机1有功出力;
图12是本发明实施例的综合运行成本。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
为了提高有源配电网(ADN)对可再生能源的适应性,提出了一种考虑可再生能源出力多重相关性的多时间尺度优化调度方法。该方法包括预测误差的多重相关模型和一个多时间尺度调度框架。多重相关模型可以根据历史数据和最近一次预测来估计未来一段时间的预测误差。调度框架使用修正后的预测值来协调不同时间尺度下ADN中的调节资源。
具体地,一种有源配电网多时间尺度有功无功协调优化调度方法,其包括:
在设定时间间隔前阶段,基于典型场景对可再生能源的不确定性进行描述,并对有源配电网内各调节资源的启停状态及出力状态进行优化;
在设定时间间隔内阶段,根据设定时间间隔前有源配电网内各调节资源优化结果及更新的设定时间间隔内功率预测值,利用多重相关模型来估计功率预测误差以修正设定时间间隔内功率预测值,基于修正的设定时间间隔内功率预测值来协调有源配电网中的快速响应资源;
在实时阶段,采用模型预测控制对有源配电网中快速响应资源的输出进行滚动优化。
其中,所述多重相关模型是利用t-copula函数对风电预测误差间的时空相关性以及预测误差与预测值之间的相关性的模型。
利用t-copula函数对风电预测误差间的时空相关性以及预测误差与预测值之间的相关性进行建模的原因为:
首先t-copula函数的形式简单,计算方便。
其次,t-copula能够对随机变量的尾部相关特性(例如风电)进行描述,这使得模型更为精确。
第三,采用t-copula时能够方便的根据最新的预测值对模型进行更新。t-copula函数表达式如(1)所示.
以N个时刻的风电出力为例进行说明。设E=(e1,e2,…,en)为预测误差向量,为预测值向量,为其联合分布函数。FEi(ei)及分别为各预测误差及预测值的分布函数。则由Sklar定理,存在copula函数C满足式(3):
本文采用t-copula对上述函数C进行拟合。因此可以得到(4):
上式中各随机变量的分布函数可对历史数据进行非参数估计得到,而TΣ,v(·)中的参数可由极大似然估计得到。上式是重要的,但是却并未告诉我们任何有用的信息。我们更感兴趣的是当获得风功率预测值后能对预测误差的评估产生怎样的帮助,即当预测值向量给定时,误差向量E的分布情况。为达到此目的我们需要计算条件分布为求该分布我们先介绍关于t分布的一条定理。
设p维随机向量X服从多元t分布(multivariate t distribution)即X~tp(μ,∑,v)。其中,μ为均值向量,Σ为协方差矩阵,v为自由度参数。将X划分为两部分X1与X2。则我们可以得到给定x1时x2的条件分布:
下面我们进行变量代换,
令X=(x1,x2,…,xn),Y=(y1,y2,…,yn)。(4)意味着(X,Y)~t2N(0,∑,v)。利用上述定理,我们可以得到(6)或者(7)(这种形式在编程时较为方便),其中的参数可按式(8)进行计算。
其中,μX,μY分别为X,Y的均值向量。∑XX,∑XY,∑YX,∑YY与(5)中的∑11,∑12,∑21,∑22含义相同,仅下标不同。
上述结果表明我们总是可以根据历史数据以及最新的功率预测值得到预测误差的分布。因此所得分布包含了预测值的信息,并能够对误差的估计进行修正。同时,在这里并未对X进行特殊的规定。因此,当X中包含多个分布式电源的误差信息时,不同分布式电源的时空相关性就被包含。而当X中仅包含一个分布式电源的误差信息时,只有时间相关性被包含。
将使用场景法对RES的随机性进行描述。利用上述模型生成风电场景的步骤如下所述:
步骤1:根据历史数据(预测值与真实值),对各时刻风电功率与预测误差(真实值-预测值)的边沿分布进行拟合。
步骤2:利用式(4)对步骤一中所得的边缘分布的相关性进行建模,并采用极大似然估计计算(4)中的参数∑,v。
下面以设定时间间隔为一日为例:
实施例一
如图1所示,在本实施例中提供的有源配电网多时间尺度有功无功协调优化调度方法,其包括:
(1)在日前阶段,基于典型场景对可再生能源的不确定性进行描述,并对有源配电网内各调节资源的启停状态及出力状态进行优化。
在具体实施中,在日前阶段,调度周期为24h,时间分辨率为1h。利用场景法来求解该随机规划问题。首先,利用拉丁超立方采样对所得条件分布进行采样来生成大量预测场景。然后利用同步回代缩减方法对原始场景进行缩减,生成具有一定概率的典型场景。基于所生成的典型场景对可再生能源的不确定性进行描述,并对配电网内各调节资源的启停状态及出力状态进行优化。该阶段以系统的安全稳定运行为约束,以最小化系统运行成本(购电成本、网络损耗成本以及各设备的运行成本)期望为目标。最终所决策的设备运行状态能够适应可再生能源的所有可能波动。慢速调节设备如OLTC、可中断负荷以及分组投切电容器的出力状态在该阶段被完全确定并执行。其他设备的优化结果作为参考值传递到日内环节。
在日前阶段,系统操作员通过优化配电网各种设备的运行状态,达到最小化系统第二天综合运行成本的目的。综合运行成本主要包括购电成本,系统网损,以及配电网内各种发电设备及有功无功调节设备的运行成本。本阶段目标函数为各场景下系统总成本的期望。其形式如下所示:
其中,上标DA表示日前阶段,SDA为缩减后的日前场景集合,s为场景指标,T为优化周期(24h),t为时段(1h),πs为场景s对应的概率,ij为支路指标。为场景s下配电网向主网的购电成本。为场景s下系统调节设备的运行成本。为场景s下网络有功损耗。λt为网损电能边际电价。为主电网的单位电价,为场景s下,向主网购买的有功容量,为可控分布式电源的有功出力,为可中断负荷的有功功率,与分别为储能的充电功率及放电功率,为可控分布式电源的发电成本,为可中断负荷的补偿成本,为储能的充电成本,为支路电流幅值,rij为支路阻抗。
值得注意的是,在日前调度阶段,慢速调节设备的运行状态是最受关注的决策变量,并且在各场景下是相同的,从而使慢速调节设备的运行决策更能够考虑到下一天风电出力波动的各种可能性。
1)约束条件
在这些约束中,有些约束是在三个调度阶段中始终存在的。对于这些约束,我们在这里略去其阶段指标DA以区别于其他约束。如前所述,有些变量在所有场景下是一致的,因此我们略去上标s以区别于其他变量。简便起见,在对变量的解释说明中,我们不再对上标DA及s进行说明。
潮流方程约束:
其中,集合K,I分别为节点j的下游节点集合与上游节点集合,与分别为节点j的注入有功与注入无功功率,与分别为节点i流向节点j的有功功率与无功功率,与分别为节点i,j的电压幅值,与rij,xij,zij分别为线路ij的电流幅值以及电阻/电抗/阻抗值。分别为节点i在t时刻对应的主网注入有功功率、可再生能源有功出力、可中断负荷有功中断量、可控分布式电源出力(如微型燃气轮机)、储能充/放电功率、负荷需求功率。分别为节点i在t时刻对应的主网注入无功功率、可再生能源无功出力、可中断负荷无功削减量、可控分布式电源无功出力、并联电容器无功出力、静态无功补偿装置无功出力、节点负荷无功需求。
节点电压与支路电流的安全约束:
在配电网的运行过程中必须保障各节点电压与支路传输功率在系统安全运行允许范围内。
关口交换功率约束:
由于配电网发电能力与调节能力有限,需要向主电网购买有功功率。此外配电网会通过关口节点与主电网交换无功功率,以获得无功支撑。为了抑制有源配电网的功率波动对主电网造成的不利影响,需要将关口节点的交换功率限制在一定范围内且变化率不应过大。
分组投切电容器组约束:
分组投切电容器组为离散无功补偿装置,属于慢速调节设备应在日前决定运行状态。考虑到设备制造技术的限制,电容器组的投切操作是成组进行的。同时为了延长设备的使用寿命,分组投切电容器组的操作次数在一个调度周期内有严格的限制。因此,CB的运行应该满足如下约束:
式中,QCB,i,t为t时刻连接在第i节点上的CB的实际补偿功率,为每一组电容器的补偿功率,NCB,i,t为t时刻节点i上的投运电容器组数,为电容器的最大补偿组数,BCB,i,t为电容器组的操作指示变量,当BCB,i,t为0时,即电容器不进行操作因此补偿功率未发生变化,当BCB,i,t为1时,QCB,i,t+1-QCB,i,t≠0,即电容器组进行了投切操作补偿功率发生变化,为电容器组在一个调度周期内的动作次数限制。
可中断负荷约束:
其中,PIL,i,t为t时刻i节点的负荷削减量,BIL,i,t为中断操作指标,当BIL,i,t为0时不进行中断操作,BIL,i,t为1时表明在t时刻调用节点i的可中断负荷,为可中断负荷的预测值,也即最大可削减的有功负荷量,QIL,i,t为对应的消减的无功功率,为可中断负荷的功率因数。
有载分接开关:
变压器在系统的无功电压优化中扮演重要角色。当在支路中引入变压器后,线路可以等效为两个部分,因此引入了新的变量Vm,t。
储能装置ESS约束:
由于风光等新能源出力具有波动性,同时负荷变化与新能源波动不能够完全匹配,可在系统中配备ESS来提高DG并网能力,减少弃风弃光损失,其模型如下所示。
式(18)为储能的电量约束,为t时刻节点i处储能的实际电量,为储能的充放电功率,ηch,ηdis为储能的充放电效率,Δt为与调度周期对应的时间间隔,为保证ESS在不同的调度周期具有相同的调节能力,一个周期后其电量应恢复到初始状态。
静止无功补偿器SVC约束:
不同于CB,SVC在其容许范围内是连续调节的,其模型如下所述。
可控分布式电源CDG约束:
本实施例考虑的CDG主要为微型燃气轮机,其一般通过并网逆变器接入电网并采用PQ解耦控制。其模型如下所述。
分布式风光电源运行约束:
为增加配网中可再生能源的消纳,令可再生能源的出力等于预测功率。
调度结果:
通过日前调度的优化求解,慢速调节设备(即变压器,并联电容器组,可中断负荷)的运行状态与输出被确定。与此同时储能系统的充放电状态以及荷电状态也被确定。其中,储能荷电状态参考值取不同场景下荷电状态的期望。
(2)在日内阶段,根据日前有源配电网内各调节资源优化结果及更新的日内功率预测值,利用多重相关模型来估计功率预测误差以修正日内功率预测值,基于修正的日内功率预测值来协调有源配电网中的快速响应资源。
在日内阶段,调度周期为4h,时间分辨率为15min。由于日前阶段预测精度较差,日前调度计划一般不能够满足功率平衡需求。因此,日内阶段采用更小的调度时间尺度,并更新未来四小时的可再生能源预测数据。基于更新的预测数据来更新可再生能源的多重相关性模型,提高模型精度。与日前阶段相同,该阶段仍采用场景法来处理随机性问题。该阶段的优化目标同样是最小化系统运行成本期望。快速调节设备如MT,ESS,SVC等的优化结果作为参考值传递到实时阶段。
目标函数:
日内阶段目标与日前阶段优化目标相似,最小化系统运行成本的数学期望。不同的是,这里的目标函数中不再包含慢速调节设备的运行成本,并且决策变量为快速调节设备的出力状态。
其中,ID指示日内阶段,SID为缩减后的日内场景集合,T为优化周期(4h),t为时段(15min),πs为场景s对应的概率,x为决策变量,包括主网联络线的有功/无功功率以及配电网内快速调节设备的计划出力。目标函数中其他变量的解释与日前阶段相似,其他变量的含义同日前阶段,不再赘述。
约束条件:
由于OLTC,可中断负荷,分组投切电容器组的状态已在日前确定,因此这里的约束条件较日前减少,主要包括(11)~(14),(18)~(25),(27)。其中(27)为储能的电量约束,如下所示。
调度结果:
通过日内阶段的优化调度,输配网间联络线的交换功率参考值被确定,与此同时我们也确定了微型燃气轮机出力参考值储能系统出力参考值SVC出力参考值可再生能源无功出力参考值储能电量参考值。其中,取各场景下出力值的加权求和,即期望值。其他参考值在各场景下是一致的。
(3)在实时阶段,采用模型预测控制对有源配电网中快速响应资源的输出进行滚动优化。
在实时阶段,调度周期为30min,时间分辨率为5min。实时调度控制以5min为时间间隔滚动向前进行。在每个采样时刻,对可再生能源出力进行超短期预测。基于最新的预测数据更新多重相关性模型。该阶段同样采用场景法减小可再生能源出力随机性带来的影响。以长时间尺度中各设备的计划出力为参考值,该阶段以各调节资源的出力偏差期望最小为目标,以提高系统稳定性。考虑到可再生能源本身固有的随机性,超前下发的控制量可能仍然无法满足功率平衡要求。因此引入反馈校正环节,以系统当前实际的出力值为新一轮滚动优化调度的初始值,构成闭环控制。
目标函数:
在实时阶段,各设备的启动状态与日前、日内阶段一致。由于系统内可再生能源的实时发电量是不断变化的,因此导致日内阶段的优化结果不能够满足系统实时运行的安全性需要。基于这样的考虑,模型预测控制被引入到实时阶段。实时阶段的目的在于达到ADN经济性与可靠性的统一。因此,实时阶段的目标函数为各场景下优化周期内快速调节资源的出力值与日内阶段参考值的偏差期望。该阶段模型如下所述。
其中,x0,t为系统当前时刻t测得的设备出力状态。Δx表示实时阶段ADN中可控设备的控制序列增量。为日内阶段求解得到的控制变量参考值,||·||2为向量二范数。ΔPGrid,t+τ,ΔQGrid,t+τ,ΔQRES,t+τ,ΔPCDG,t+τ,ΔQCDG,t+τ,ΔQSVC,t+τ分别为对应设备t+τ时刻相对于前一时刻的出力状态增量。
约束条件:
该阶段约束条件与日内阶段相似,将时间间隔调整为5min后可以类比得到。此外,还需引入2个新的约束。式(30)为快速调节资源的状态约束。式(31)为反馈校正约束。
调度结果:
通过实时阶段优化问题的求解,我们得到了快速调节资源在未来30min的控制序列,包括燃气轮机机组出力,储能充放电功率,SVC出力,可再生能源无功出力。控制序列中的第一个值将作为调度指令下发给各调节设备。
LHS生成了大量等概率的场景,且样本容量越大,模型就越能够逼近风电出力的真实分布。然而,对每个场景都进行计算将使计算量大大增加。在保证样本精度的前提下,可以对样本容量进行缩减来提高计算速度。方法是:合并样本空间中的相似样本并将概率叠加,从而形成有限数量的典型场景集合。本文采用同步回代消减方法将相似样本聚类。假设共有s个场景,其缩减过程如下:
1)对每个风电场景样本wi(t),计算与其他样本wj(t)间的距离dij。找到距离wi(t)最近的场景,并计算概率距离Pdi。
Pdi=pimin d(wi,wj) (33)
式中,pi为样本wi的发生概率;N为优化步长,在日前为24,日内为16;W为采用LHS生成的原始场景集合。
2)找到最小的概率距离Pd min及对应的样本wi(t),wj(t)。将wi(t)从场景中消去,并更新与其距离最近的场景wj(t)的概率。
Pd min=min{Pdi|1≤i≤s} (34)
pj=pi+pj (36)
3)重复以上步骤,直到样本数量满足要求。
求解方法:
所提模型中,潮流方程式(11)是非凸、非线性的约束条件,模型的求解是一个NP难问题。为了提高计算效率并且保证解的最优性,本文采用支路潮流模型并对潮流方程进行凸松弛,将原始的非凸问题转化为二阶锥规划问题。模型中涉及的变量包括两类:实数型变量与整数型变量。因此,问题最终被描述为混合整数二阶锥规划问题。该模型可以利用成熟的商业软件直接求解,并且可以保证求解效率及解的最优性。令则潮流方程约束可以被松弛为凸约束(38)~(39)。
采用修改后的IEEE 33节点系统进行算例验证,系统拓扑结构如图2所示。考虑到有源配电网的特点,在原有的基础模型上,增设了分布式电源、储能、无功补偿装置与可中断负荷。具体设置为:支路1上有OLTC,其电压体调节范围为0.95~1.05pu,共20个调节挡位;节点26处接有补偿电容器,其调节容量为400kvar,调节步长为100kvar;节点17和节点32处分别接有两个分布式风电WT1和WT2,其装机容量分别为0.8MW和0.6MW;节点7和节点21处分别连接有微型燃气轮机MT1和MT2,其最大出力分别为200kW和150kW;节点18和节点33处分别接有两个储能ESS1和ESS2,其充放电功率上限分别为100kW和80kW;节点22和节点27处分别接有两个SVC,额定容量为400kVar;节点25处负荷可进行可中断负荷控制.有源配电网与主网的交换功率单位成本采取分时电价。谷时段(0:00-7:00,22:00-24:00)电价为0.463$/kWh。平时段(7:00-9:00,12:00-17:00,20:00-22:00)电价为0.648$/kWh.峰时段(9:00-12:00,17:00-20:00)电价为0.834$/kWh.微型燃气轮机的发电成本为0.66$/kWh。可中断负荷补偿费用为0.8$/kWh。为促进系统对新能源的消纳,分布式风电的发电成本被设为0$/kWh。本实施例认为储能归配电网所有,因此仅考虑储能的运行成本。
下面提供算例仿真在MATLAB 2018b编译环境下,采用Yalmip工具箱建模[Yalmip],调用Gurobi(版本9.0.3)求解。编译算法的电脑配置为AMD Ryzen5 4600H3.0Ghz,16RAM。
为验证方法的有效性,2种方法被用来进行了对比在本节。
方法1:多时间尺度调度不考虑场景法;
方法2:基于场景法的多时间尺度调度,不考虑RES多重相关性;
方法3:基于场景法的多时间尺度调度,考虑RES多重相关性。
以上3种方法的区别在于是否在日前及日内调度阶段将风电的随机性以及时间相关性纳入考虑。3种方法的调度策略以及决策变量均相同。模型均表述为MISOCP并采用相同的求解器求解来确保比较的真实性。
可靠性与最优性分:
本实施例基于PNT与LHS技术生成了500个带有时间相关性的风电出力场景。利用同步回代缩减(synchronous back reduction)方法对原始场景进行聚类,最终得到10个典型场景。以23时刻的风电出力值为例,图3显示了场景缩减前后的风电出力累计概率曲线。由图3看出,两曲线比较接近,这说明缩减后的场景仍然能够准确表征风电的概率分布情况。
通过应用SOCR技术,配电网的经济调度问题可以描述为MISOCP。松弛是精确的,最优解在式(39)中取到等号。为了验证该性质,定义支路的SOC松弛偏差矢量无穷范数devi(其中变量含义如前所述):
图4显示了,上述方法所求最优解处devi的分布情况。由图可知,误差均在10-7数量级,这表明二阶锥松弛是足够精确的。
无功与电压分:
图5和图6分别显示了三种方法下CB和SVC运行状态的的优化结果。比较三种方法得到的CB运行曲线,可以发现方法2和方法3减少了CB的动作次数。特别是,本文提出的方法大大减少了CB动作次数为1次,提高了运行水平。方法3的另一个优点是为静止无功补偿器预留了足够的旋转备用,使系统能够快速处理母线电压的波动。
从图7可以看出,方法3在保持电压稳定的同时减少了OLTC的调整次数。从而减少了开关触点的磨损,延长了OLTC的使用寿命。值得注意的是,在方法2中,由于没有考虑RES的多重相关性并假设时段间是独立的,这种简单的考虑分布式RES的波动特性导致OLTC的分接动作次数不必要地增加。上述现象不仅损害了OLTC的使用寿命,而且降低了系统的可靠性。因此,在对分布式RES的随机性进行建模时,必须考虑时空相关性。
从图8可以看出,该方法可以充分发挥风机的无功调节能力。与方法1相比,方法3不仅减小了风电机组无功出力的波动,而且捕捉到了需求负荷的增长趋势。因此,可以有效地进行无功控制从而保证ADN电压的稳定性,这一点不难通过图9和图10的比较来验证。图9和图10分别显示了两种调度方法下部分节点的电压水平。从图9可以看出,当负荷峰值出现且WT有功输出不足时(即12:00和23:00),方法1无法避免母线电压的显著下降。相反,在所提出的调度框架下,电压不但没有降低,反而增加了。这表明所提出的方法可以提前控制电压下降。综上所述,该调度方法能有效地抑制母线电压波动,提高ADN的可靠性。
成本分析:
图11显示了方法2和方法3下WT1的有功功率输出。方法3中WT的有功功率输出较高。这主要是因为对RES输出的多重相关性进行了建模,从而可以减少弃风量。表一显示了三种方法下储能的收益情况。随着多重相关随机模型的改进,储能效益越来越高。这主要是因为在本案例研究中,储能装置与风电机组的位置较近,能量传输损失较小,对风电功率的有效追踪使得风电机组能与储能系统有效地交互。
图12显示了3种多时间尺度调度方法在不同阶段的运营成本。从图12可以看出,方法1的日前调度成本最低,为33924美元,方法2、方法3的日前调度成本较高,分别为36315美元和35747美元。随着时间分辨率的提高,方法1的实时运行成本最大,为34330美元,方法2和方法3的实时运行成本分别为33982美元和33574美元。方法一没有考虑资源输出的不确定性,因此这种调度是确定性的,而且由于预测误差的存在,日前和日内发布的参考值不能保证调度方案的经济性。通过与方法2和方法3的比较发现,多重相关性的存在使调度结果更能适应风电出力的真实波动,提高了ADN的经济效益。
在配电网中可再生能源渗透率较高的背景下,提出了一种考虑RES多重相关性的ADN多时间尺度优化调度方法。该方法能够通过有功和无功调节资源的协调,改善ADN的经济效益,增强ADN的稳定性。主要结论如下:
1)该方法可以有效地协调ADN中的有功和无功调节资源,以处理RES输出的不确定性。与不考虑RES多重相关性的多时间尺度调度方法相比,该方法可以减少离散无功补偿装置动作次数,抑制母线电压波动。
2)提出的预测误差多重相关模型提高了调度控制过程的精度,增强了ADN对RES输出的跟踪和预测能力。因此,AND在充分利用RES资源的同时,节约了运行成本。
实施例二
本实施例提供了一种有源配电网多时间尺度有功无功协调优化调度系统,其具体包括如下模块:
设定时间间隔前调度模块,其用于在设定时间间隔前阶段,基于典型场景对可再生能源的不确定性进行描述,并对有源配电网内各调节资源的启停状态及出力状态进行优化;
设定时间间隔内调度模块,其用于在设定时间间隔内阶段,根据设定时间间隔前有源配电网内各调节资源优化结果及更新的设定时间间隔内功率预测值,利用多重相关模型来估计功率预测误差以修正设定时间间隔内功率预测值,基于修正的设定时间间隔内功率预测值来协调有源配电网中的快速响应资源;
实时调度模块,其用于在实时阶段,采用模型预测控制对有源配电网中快速响应资源的输出进行滚动优化。
此处需要说明的是,本实施例的有源配电网多时间尺度有功无功协调优化调度系统中的各个模块,与实施例一中的有源配电网多时间尺度有功无功协调优化调度方法中的各个步骤一一对应,其具体实施过程相同,此处不再累述。
实施例三
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述所述的有源配电网多时间尺度有功无功协调优化调度方法中的步骤。
实施例四
本实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述所述的有源配电网多时间尺度有功无功协调优化调度方法中的步骤。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种有源配电网多时间尺度有功无功协调优化调度方法,其特征在于,包括:
在设定时间间隔前阶段,基于典型场景对可再生能源的不确定性进行描述,并对有源配电网内各调节资源的启停状态及出力状态进行优化;
在设定时间间隔内阶段,根据设定时间间隔前有源配电网内各调节资源优化结果及更新的设定时间间隔内功率预测值,利用多重相关模型来估计功率预测误差以修正设定时间间隔内功率预测值,基于修正的设定时间间隔内功率预测值来协调有源配电网中的快速响应资源;
在实时阶段,采用模型预测控制对有源配电网中快速响应资源的输出进行滚动优化。
2.如权利要求1所述的有源配电网多时间尺度有功无功协调优化调度方法,其特征在于,所述多重相关模型是利用t-copula函数对风电预测误差间的时空相关性以及预测误差与预测值之间的相关性的模型。
3.如权利要求1所述的有源配电网多时间尺度有功无功协调优化调度方法,其特征在于,所述典型场景的生成过程为:
利用拉丁超立方采样对所得条件分布进行采样来生成预测场景;
利用同步回代缩减方法对预测场景进行缩减,生成具有一定概率的典型场景。
4.如权利要求1所述的有源配电网多时间尺度有功无功协调优化调度方法,其特征在于,在设定时间间隔前阶段,以系统的安全稳定运行为约束,以最小化系统运行成本期望为目标,最终所决策的设备运行状态能够适应可再生能源的所有可能波动。
5.如权利要求1所述的有源配电网多时间尺度有功无功协调优化调度方法,其特征在于,在实时阶段,以长时间尺度中各设备的计划出力为参考值,以各调节资源的出力偏差期望最小为目标,引入反馈校正环节,以系统当前实际的出力值为新一轮滚动优化调度的初始值,构成闭环控制。
6.如权利要求1所述的有源配电网多时间尺度有功无功协调优化调度方法,其特征在于,所述设定时间间隔为一日。
7.如权利要求6所述的有源配电网多时间尺度有功无功协调优化调度方法,其特征在于,在设定时间间隔前阶段为日前阶段,调度周期为24h,时间分辨率为1h;在设定时间间隔内阶段为日内阶段,调度周期为4h,时间分辨率为15min;在实时阶段,调度周期为30min,时间分辨率为5min。
8.一种有源配电网多时间尺度有功无功协调优化调度系统,其特征在于,包括:
设定时间间隔前调度模块,其用于在设定时间间隔前阶段,基于典型场景对可再生能源的不确定性进行描述,并对有源配电网内各调节资源的启停状态及出力状态进行优化;
设定时间间隔内调度模块,其用于在设定时间间隔内阶段,根据设定时间间隔前有源配电网内各调节资源优化结果及更新的设定时间间隔内功率预测值,利用多重相关模型来估计功率预测误差以修正设定时间间隔内功率预测值,基于修正的设定时间间隔内功率预测值来协调有源配电网中的快速响应资源;
实时调度模块,其用于在实时阶段,采用模型预测控制对有源配电网中快速响应资源的输出进行滚动优化。
9.一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,该程序被处理器执行时实现如权利要求1-7中任一项所述的有源配电网多时间尺度有功无功协调优化调度方法中的步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一项所述的有源配电网多时间尺度有功无功协调优化调度方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110453769.9A CN113516278B (zh) | 2021-04-26 | 2021-04-26 | 有源配电网多时间尺度有功无功协调优化调度方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110453769.9A CN113516278B (zh) | 2021-04-26 | 2021-04-26 | 有源配电网多时间尺度有功无功协调优化调度方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113516278A true CN113516278A (zh) | 2021-10-19 |
CN113516278B CN113516278B (zh) | 2023-08-22 |
Family
ID=78063507
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110453769.9A Active CN113516278B (zh) | 2021-04-26 | 2021-04-26 | 有源配电网多时间尺度有功无功协调优化调度方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113516278B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113937829A (zh) * | 2021-11-16 | 2022-01-14 | 华北电力大学 | 一种基于d3qn的主动配电网多目标无功控制方法 |
CN114069657A (zh) * | 2021-11-15 | 2022-02-18 | 山东大学 | 三相不平衡主动配电网双时标电压协调控制方法及系统 |
CN115796721A (zh) * | 2023-02-09 | 2023-03-14 | 国网山西省电力公司营销服务中心 | 高比例新能源接入的配电网运行状态智能感知方法及系统 |
CN116073452A (zh) * | 2023-03-31 | 2023-05-05 | 天津电力工程监理有限公司 | 计及电动汽车的主动配电网双阶优化方法、系统及设备 |
CN114069657B (zh) * | 2021-11-15 | 2024-05-14 | 山东大学 | 三相不平衡主动配电网双时标电压协调控制方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017000853A1 (zh) * | 2015-06-30 | 2017-01-05 | 中国电力科学研究院 | 主动配电网多时间尺度协调优化调度方法和存储介质 |
CN109873447A (zh) * | 2019-02-19 | 2019-06-11 | 国网江苏省电力有限公司南京供电分公司 | 一种多源协同主动配电网多时间级有功-无功调控方法 |
WO2020143104A1 (zh) * | 2019-01-08 | 2020-07-16 | 南京工程学院 | 一种考虑阻塞和储能分时电价的电网混合滚动调度方法 |
CN111799847A (zh) * | 2020-07-16 | 2020-10-20 | 国网北京市电力公司 | 计及风险的主动配电网两阶段随机模型的预测控制方法 |
-
2021
- 2021-04-26 CN CN202110453769.9A patent/CN113516278B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017000853A1 (zh) * | 2015-06-30 | 2017-01-05 | 中国电力科学研究院 | 主动配电网多时间尺度协调优化调度方法和存储介质 |
WO2020143104A1 (zh) * | 2019-01-08 | 2020-07-16 | 南京工程学院 | 一种考虑阻塞和储能分时电价的电网混合滚动调度方法 |
CN109873447A (zh) * | 2019-02-19 | 2019-06-11 | 国网江苏省电力有限公司南京供电分公司 | 一种多源协同主动配电网多时间级有功-无功调控方法 |
CN111799847A (zh) * | 2020-07-16 | 2020-10-20 | 国网北京市电力公司 | 计及风险的主动配电网两阶段随机模型的预测控制方法 |
Non-Patent Citations (2)
Title |
---|
任佳依;顾伟;王勇;嵇文路;刘海波;曹戈;: "基于模型预测控制的主动配电网多时间尺度有功无功协调调度", 中国电机工程学报, no. 05 * |
肖浩;裴玮;孔力;: "基于模型预测控制的微电网多时间尺度协调优化调度", 电力系统自动化, no. 18 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114069657A (zh) * | 2021-11-15 | 2022-02-18 | 山东大学 | 三相不平衡主动配电网双时标电压协调控制方法及系统 |
CN114069657B (zh) * | 2021-11-15 | 2024-05-14 | 山东大学 | 三相不平衡主动配电网双时标电压协调控制方法及系统 |
CN113937829A (zh) * | 2021-11-16 | 2022-01-14 | 华北电力大学 | 一种基于d3qn的主动配电网多目标无功控制方法 |
CN115796721A (zh) * | 2023-02-09 | 2023-03-14 | 国网山西省电力公司营销服务中心 | 高比例新能源接入的配电网运行状态智能感知方法及系统 |
CN115796721B (zh) * | 2023-02-09 | 2023-05-16 | 国网山西省电力公司营销服务中心 | 高比例新能源接入的配电网运行状态智能感知方法及系统 |
CN116073452A (zh) * | 2023-03-31 | 2023-05-05 | 天津电力工程监理有限公司 | 计及电动汽车的主动配电网双阶优化方法、系统及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113516278B (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mahmoud et al. | Adaptive intelligent techniques for microgrid control systems: A survey | |
Jan et al. | Adaptive and fuzzy PI controllers design for frequency regulation of isolated microgrid integrated with electric vehicles | |
Ma et al. | Optimal allocation of hybrid energy storage systems for smoothing photovoltaic power fluctuations considering the active power curtailment of photovoltaic | |
Malekpour et al. | A probabilistic multi-objective daily Volt/Var control at distribution networks including renewable energy sources | |
CN109861202B (zh) | 一种柔性互联配电网动态优化调度方法及系统 | |
CN113516278B (zh) | 有源配电网多时间尺度有功无功协调优化调度方法及系统 | |
Gu et al. | Placement and capacity selection of battery energy storage system in the distributed generation integrated distribution network based on improved NSGA-II optimization | |
Li et al. | Stability-constrained two-stage robust optimization for integrated hydrogen hybrid energy system | |
Wang et al. | Coordinated load shedding control scheme for recovering frequency in islanded microgrids | |
Guo et al. | Two‐stage optimal MPC for hybrid energy storage operation to enable smooth wind power integration | |
Zahedmanesh et al. | A sequential decision-making process for optimal technoeconomic operation of a grid-connected electrical traction substation integrated with solar PV and BESS | |
Hartani et al. | Proposed frequency decoupling-based fuzzy logic control for power allocation and state-of-charge recovery of hybrid energy storage systems adopting multi-level energy management for multi-DC-microgrids | |
CN115481856A (zh) | 考虑综合需求响应的综合能源系统多尺度调度方法及系统 | |
CN114548597A (zh) | 一种交直流混合光储配电网优化方法 | |
Qiu et al. | Planning optimization for islanded microgrid with electric-hydrogen hybrid energy storage system based on electricity cost and power supply reliability | |
Zhang et al. | Coordinated voltage control of active distribution networks with photovoltaic and power to hydrogen | |
Liu et al. | Kriging surrogate model enabled heuristic algorithm for coordinated Volt/Var management in active distribution networks | |
Farjah | Proposing an efficient wind forecasting agent using adaptive MFDFA | |
Zhang et al. | Day-ahead stochastic optimal dispatch of LCC-HVDC interconnected power system considering flexibility improvement measures of sending system | |
Leng et al. | Partition Control Method of Power Balance of Multi. Provincial Grid with High Penetration of Renewable Energy | |
Kim et al. | Optimal generation rescheduling for meshed AC/HIS grids with multi-terminal voltage source converter high voltage direct current and battery energy storage system | |
Salazar et al. | Optimum energy management of islanded nanogrids through nonlinear stochastic dynamic programming | |
Cuiqing et al. | A Hybrid AC/DC Microgrid Energy Management Strategy Based on Neural Network | |
Yu et al. | A Two-stage Model Predictive Control Strategy for Economical Operation of Microgrid | |
Liu et al. | Multi-time scale optimal dispatch for AC/DC distribution networks based on a markov chain dynamic scenario method and MPC |
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 |