CN113690916A - 基于时序生产模拟的直流电网储能配置方法、设备及介质 - Google Patents
基于时序生产模拟的直流电网储能配置方法、设备及介质 Download PDFInfo
- Publication number
- CN113690916A CN113690916A CN202110951560.5A CN202110951560A CN113690916A CN 113690916 A CN113690916 A CN 113690916A CN 202110951560 A CN202110951560 A CN 202110951560A CN 113690916 A CN113690916 A CN 113690916A
- Authority
- CN
- China
- Prior art keywords
- power
- energy storage
- unit
- node
- 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.)
- Pending
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 139
- 238000004088 simulation Methods 0.000 title claims abstract description 81
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 53
- 239000002245 particle Substances 0.000 claims abstract description 54
- 238000005096 rolling process Methods 0.000 claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 238000003860 storage Methods 0.000 claims description 49
- 239000003245 coal Substances 0.000 claims description 32
- 238000007600 charging Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 23
- 230000009194 climbing Effects 0.000 claims description 15
- 150000001875 compounds Chemical class 0.000 claims description 15
- 238000010977 unit operation Methods 0.000 claims description 14
- 238000007599 discharging Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 9
- 238000005086 pumping Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004870 electrical engineering Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification 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
- H02J3/28—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
- H02J3/36—Arrangements for transfer of electric power between ac networks via a high-tension dc link
-
- 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
- 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
-
- 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
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/60—Arrangements for transfer of electric power between AC networks or generators via a high voltage DC link [HVCD]
-
- 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
- Y02E70/00—Other energy conversion or management systems reducing GHG emissions
- Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于时序生产模拟的直流电网储能配置方法、设备及介质,该方法包括:结合电力系统全年运行成本、时序生产模拟确定的系统年度运行方案以及第一约束条件,构建内层规划模型;采用滚动求解方式对所述内层规划模型中所述系统年度运行方案进行优化,并在所述内层规划模型计算所述系统全年运行成本后,获取优化后的内层规划模型;将所述优化后的内层规划模型传输至外层规划模型,所述外层规划模型采用粒子群算法进行优化求解,迭代获取储能容量配置和优化布局方案。本发明采用时序生产模拟与粒子群算法,结合内层规划模型与外层规划模型,提高直流电网储能的配置效率。
Description
技术领域
本发明涉及电气工程技术领域,尤其涉及一种基于时序生产模拟的直流电网储能配置方法、设备及介质。
背景技术
随着传统化石能源的逐渐枯竭与环境问题的日益突出,开发新能源、降低二氧化碳排放已成为国际间共识。风力发电技术凭借其技术成熟、发电成本低、资源分布范围广等优势发展迅速,得到了大规模开发利用,然而,我国风电资源与负荷中心的逆向分布特征以及风力发电的不确定性阻碍了风电的大规模消纳,将柔性直流输电技术与储能技术相结合,为实现我国大规模风电消纳提供了一种可行方式。此外,由于现阶段储能装置成本较高,在通过配置储能提高电力系统新能源消纳能力的同时,需要考虑配置方案的经济性,因此需要对直流电网中的储能配置进行合理规划。
电力系统中的负荷与新能源发电均存在明显的季节特性与日夜特性,火电机组的启动与关停也与其此前较长一段时间内的运行状态有关。然而,现有的储能配置研究中很少考虑电力系统的时序运行特性,例如目前基于典型日曲线的直流电网储能配置方法由于各典型日间无耦合关系而导致难以反映电力系统的实际运行情况,如果不对电力系统的时序运行特性进行充分考虑,储能配置的规划结果很可能与实际的运行及需求情况存在较大偏差。
发明内容
本发明目的在于,提供一种基于时序生产模拟的直流电网储能配置方法,以解决现有技术中储能配置的规划结果与实际运行及需求情况存在较大偏差的问题。
为实现上述目的,本发明提供一种基于时序生产模拟的直流电网储能配置方法,包括:
结合电力系统全年运行成本、时序生产模拟确定的系统年度运行方案以及第一约束条件,构建内层规划模型;
采用滚动求解方式对所述内层规划模型中所述系统年度运行方案进行优化,并在所述内层规划模型计算所述系统全年运行成本后,获取优化后的内层规划模型;
将所述优化后的内层规划模型传输至外层规划模型,所述外层规划模型采用粒子群算法进行优化求解,迭代获取储能容量配置和优化布局方案。
优选地,所述外层规划模型,具体为:
根据电池储能配置方案以及电力系统综合成本以及第二约束条件,构建所述外层规划模型的目标函数,其中,所述第二约束条件包括电池储能布点约束,所述电力系统综合成本包括,火电机组煤耗成本、火电机组启停成本、电池储能投资成本、线损成本以及弃风成本。
优选地,所述外层规划模型的目标函数F2,具体为:
minF2=Ccoal+CUD+Cinv+Closs+Cwind;
式中,Ccoal表示所述火电组煤耗成本,CUD表示所述火电机组启停成本,Cinv表示所述电池储能投资成本,Closs表示所述线损成本,Cwind表示所述弃风成本;
所述电池储能布点约束,如下:
优选地,所述内层规划模型,具体为:
根据所述火电机组煤耗成本、所述火电机组启停成本、所述线损成本、所述弃风成本以及所述第一约束条件,构建所述内层规划模型的目标函数,其中,所述第一约束条件包括,节点功率平衡约束、节点电压约束、线路容量约束、旋转备用约束、机组出力约束、机组爬坡及启停机功率约束、开停机时间约束、机组启停状态切换约束、电池储能功率约束、电池储能能量状态约束、抽蓄电站功率约束、抽蓄电站能量状态约束、滚动周期末时刻火电机组运行状态约束。
优选地,所述内层规划模型的目标函数F1,具体为:
minF1=Ccoal+CUD+Closs+Cwind;
式中,Ccoal表示所述火电组煤耗成本,CUD表示所述火电机组启停成本,Closs表示所述线损成本,Cwind表示所述弃风成本;
所述节点功率平衡约束,如下:
式中,λ(j)表示电力系统中与节点j相连的所有节点集合,Pbr,ij,t表示t时刻由节点i通过线路传递至节点j的功率,Pwind,j,t为t时刻节点j处风电并网功率,Pgen,j,t为t时刻节点j处火电机组出力,与分别为t时刻节点j处抽蓄与电池储能放电功率,与分别为t时刻节点j处抽蓄与电池储能充电功率,PL,j,t为t时刻节点j处负荷功率,Ri,j为节点i和节点j间线路的电阻,Vj,t表示t时刻节点j处电压,Vi,t表示t时刻节点i处电压;
所述节点电压约束,如下:
Vi,min≤Vi,t≤Vi,max;
式中,Vi,max、Vi,min分别为节点i处电压上下限;
所述线路容量约束,如下:
|Pbr,ij,t|≤Pbr,ij,max;
式中,Pbr,ij,max为节点i,j间线路的最大传输功率;
所述旋转备用约束,如下:
所述机组出力约束,如下:
所述机组爬坡及启停机功率约束,如下:
所述开停机时间约束,如下:
所述机组启停状态切换约束,如下:
式中,ug,t,vg,t分别表示记录机组g在t时刻启动与关停动作的0-1变量,Ig,t+1表示t+1时刻机组g运行状态的0-1变量;
所述电池储能功率约束,如下:
所述电池储能能量状态约束,如下:
式中,ηBS,c为电池储能的充电效率,ηBS,dic为电池储能的放电效率,EBS,i0为i节点处的初始能量,表示i节点处的最大能量,表示τ时刻节点i处电池储能放电功率,表示τ时刻节点i处电池储能充电功率;
所述抽蓄电站功率约束,如下:
所述抽蓄电站能量状态约束,如下:
所述滚动周期末时刻火电机组运行状态约束,如下:
Tg0≥0;
式中,Ig0为上一滚动周期末时刻火电机组运行状态,Ug0为对应的已连续运行时间,Dg0为已连续停机时间。
优选地,所述采用滚动求解方式对所述内层规划模型中所述系统年度运行方案进行优化,具体为:
以目前滚动周期末时刻的机组运行状态及对应时间作为下一滚动周期机组运行的初始条件,时序生产模拟滚动求解至第k天时,若出现无解情况,则进行回滚计算,同时根据第k-1至第k天的电力系统运行进行模拟,若连续m天出现无解情况,则连续回滚并对第k-m至第k天的电力系统运行进行模拟,直至所述时序生产模拟滚动有解或m≥M,若有解则继续所述时序生产模拟滚动求解流程,若m≥M,则对该粒子重新初始化,直至完成全年所述时序生产模拟,获取所述时序生产模拟的结果,其中,M表示允许回滚的最大天数;
根据所述时序生产模拟的结果优化所述含储能的系统年度运行方案。
优选地,所述将所述优化后的内层规划模型传输至外层规划模型,所述外层规划模型采用粒子群算法进行优化求解,具体为:
所述外层规划模型包括,根据所述优化后的内层规划模型计算的目标函数值,采用粒子群算法计算所述外层规划模型的粒子适应度,根据所述粒子适应度更新模型各粒子的个体历史最优位置以及种群的群体粒子历史最优位置,进一步迭代更新模型各粒子信息。
优选地,所述迭代获取储能容量配置和优化布局方案,具体为:
若当前迭代次数大于等于最优适应度保持连续不变的最大迭代次数,且当前种群最优适应值连续保持不变的迭代次数大于等于最优适应度保持连续不变的最大迭代次数,则获取所述储能容量配置和优化布局方案。
本发明还提供一种计算机终端设备,包括:
一个或多个处理器和存储器;
存储器,与所述处理器耦接,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上述任一实施例所述的基于时序生产模拟的直流电网储能配置方法。
本发明还提供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时实现如上述任一实施例所述的基于时序生产模拟的直流电网储能配置方法。
相对于现有技术,本发明的有益效果在于:以电力系统综合成本最小化为目标,充分考虑电力系统的时序运行特性,将粒子群算法与时序生产模拟相结合,建立直流电网储能配置双层规划模型,其中,内层规划模型采用滚动求解方式对含储能的电力系统年运行方案进行优化,对系统全年运行的各项成本进行计算后,返回给外层规划模型以迭代多次获得储能容量配置和优化布局方案,解决了现有技术中由于各典型日间无耦合关系而导致的难以反映出电力系统实际运行情况的技术问题,提高直流电网储能的配置效率。
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基于时序生产模拟的直流电网储能配置方法的流程示意图;
图2是本发明另一实施例提供的多端直流系统算例拓扑示意图;
图3是本发明又一实施例提供的基于时序生产模拟的直流电网储能配置方法的流程示意图;
图4是本发明某一实施例提供的PSO目标函数值收敛曲线;
图5是本发明另一实施例提供的全年各单日日内峰谷差排序曲线;
图6是本发明又一实施例提供的无电池储能配置时的全年各单日弃风率排序曲线;
图7是本发明某一实施例提供的计算机终端设备的结构示意图。
具体实施方式
下面将结合本发明中的附图,对本发明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。
请参阅图1,本发明某一实施例提供一种基于时序生产模拟的直流电网储能配置方法,包括以下步骤:
S101:结合电力系统全年运行成本、时序生产模拟确定的系统年度运行方案以及第一约束条件,构建内层规划模型。
具体的,时序生产模拟基于负荷与新能源出力历史数据进行模拟,其数据中包含了负荷与新能源出力的时序相关性,因而可以进行精细化建模,考虑系统运行中诸如火电机组启停、爬坡功率约束等时段间耦合约束,模型复杂度的提高使其模拟结果更为详细,能够反映出电力系统的时序运行特性。基于上述优点,时序生产模拟技术被越来越多的应用于电力系统运行的可靠性、灵活性以及新能源消纳能力评估中。
根据火电机组煤耗成本、火电机组启停成本、线损成本、弃风成本以及第一约束条件,构建内层规划模型的目标函数,其中,第一约束条件包括,节点功率平衡约束、节点电压约束、线路容量约束、旋转备用约束、机组出力约束、机组爬坡及启停机功率约束、开停机时间约束、机组启停状态切换约束、电池储能功率约束、电池储能能量状态约束、抽蓄电站功率约束、抽蓄电站能量状态约束、滚动周期末时刻火电机组运行状态约束,其中,内层规划模型的目标函数F1,如下:
minF1=Ccoal+CUD+Closs+Cwind;
式中,Ccoal表示火电组煤耗成本,CUD表示火电机组启停成本,Closs表示线损成本,Cwind表示弃风成本,其中,火电机组煤耗成本、火电机组启停成本、线损成本以及弃风成本,计算如下:
式中,Nday为规划周期内典型日天数,T为规划单日内小时数,Ng为火电机组台数,Nnode为系统节点数,Nbr为系统线路数,Nw为风电节点个数,Fg,C为机组g的煤耗成本函数,Pg,t,d为机组g在d天t时刻的出力水平,Fg,C函数值与Pg,t,d成二次关系,CUD为火电机组启停成本,与分别为机组g的启动与停机成本,ug,t,d与vg,t,d分别为记录机组g在d天t时刻启动与关停动作的0-1变量,kloss为线损惩罚系数,为线路i在d天t时刻的线损,Vi_h,t,d为线路i首端节点电压,Vi_e,t,d为线路i末端节点电压,Ri_h,i_e为线路i电阻,kwind为弃风惩罚系数,为风电场i在d天t时刻的弃风。
节点功率平衡约束,如下:
式中,λ(j)表示电力系统中与节点j相连的所有节点集合,Pbr,ij,t表示t时刻由节点i通过线路传递至节点j的功率,Pwind,j,t为t时刻节点j处风电并网功率,Pgen,j,t为t时刻节点j处火电机组出力,与分别为t时刻节点j处抽蓄与电池储能放电功率,与分别为t时刻节点j处抽蓄与电池储能充电功率,PL,j,t为t时刻节点j处负荷功率,Ri,j为节点i和节点j间线路的电阻,Vj,t表示t时刻节点j处电压,Vi,t表示t时刻节点i处电压。
节点电压约束,如下:
Vi,min≤Vi,t≤Vi,max;
式中,Vi,max、Vi,min分别为节点i处电压上下限。
线路容量约束,如下:
|Pbr,ij,t|≤Pbr,ij,max;
式中,Pbr,ij,max为节点i,j间线路的最大传输功率。
旋转备用约束,如下:
机组出力约束,如下:
机组爬坡及启停机功率约束,如下:
开停机时间约束,如下:
机组启停状态切换约束,如下:
式中,ug,t,vg,t分别表示记录机组g在t时刻启动与关停动作的0-1变量,Ig,t+1表示t+1时刻机组g运行状态的0-1变量。
电池储能功率约束,如下:
电池储能能量状态约束,如下:
式中,ηBS,c为电池储能的充电效率,ηBS,dic为电池储能的放电效率,EBS,i0为i节点处的初始能量,表示i节点处的最大能量,表示τ时刻节点i处电池储能放电功率,表示τ时刻节点i处电池储能充电功率。
抽蓄电站功率约束,如下:
抽蓄电站能量状态约束,如下:
滚动周期末时刻火电机组运行状态约束,如下:
Tg0≥0;
式中,Ig0为上一滚动周期末时刻火电机组运行状态,Ug0为对应的已连续运行时间,Dg0为已连续停机时间。
S102:采用滚动求解方式对所述内层规划模型中所述系统年度运行方案进行优化,并在所述内层规划模型计算所述电力系统全年运行成本后,获取优化后的内层规划模型。
具体的,内层规划模型为了避免求解速度慢以及无解情况的出现,采用滚动方式进行求解以提升求解速度,并提出无解自动回滚机制应对滚动求解过程中无解的情况。
进一步地,定义k表示当前时序生产模拟对应的天数,m表示由于无解进行回滚的天数。以目前滚动周期末时刻的机组运行状态及对应时间作为下一滚动周期机组运行的初始条件,时序生产模拟滚动求解至第k天时,若出现无解情况,则进行回滚计算,同时根据第k-1至第k天的电力系统运行进行模拟,若连续m天出现无解情况,则连续回滚并对第k-m至第k天的电力系统运行进行模拟,直至所述时序生产模拟滚动有解或m≥M,若有解则继续所述时序生产模拟滚动求解流程,若m≥M,则对该粒子重新初始化,直至完成全年所述时序生产模拟,获取所述时序生产模拟的结果,其中,M表示允许回滚的最大天数;根据时序生产模拟的结果优化含储能的系统年度运行方案。
请参阅2,在一实施例中,在该直流系统的2、3、5号节点处分别有规模为3000MW、1500MW、3000MW的风电并网,负荷与火电机组通过1号、6号、以及7号节点接入直流电网,负荷规模分别为3000MW、3000MW、1500MW,4号节点处额定功率为1500MW的抽水蓄能电站是系统固有储能。在该直流系统各节点均允许配置电池储能,各节点电压波动范围为0.98-1.02pu,电压基准值为500kV。
首先收集多端直流系统中各元件的技术参数,其中,多端直流系统各元件包含火电机组、风电机组、储能装置和直流线路,具体的,各元件的技术参数,具体包括如下:
1)系统额定电压、节点电压允许波动范围。
2)火电机组所在节点编号、火电机组出力上下限Pmax和Pmin、最小连续运行时间Ton、最小连续停机时间Toff、最大上下爬坡率Pup和Pdn、煤耗参数。
4)电池储能单元功率容量PBS、电池储能单元能量容量EBS、充电效率ηBS,dic、放电效率ηBS,c和初始能量水平EBS0。
5)直流电网线路条数、线路首末端节点编号、线路电阻和线路容量。
本实施例中,系统火电机组运行参数、火电机组煤耗参数、抽蓄参数、电池储能单元参数和线路参数分别如表1、表2、表3、表4和表5所示:
表1系统火电机组运行参数
表2火电机组煤耗参数
表3抽蓄参数
表4电池储能单元参数
表5线路参数
S103:将所述优化后的内层规划模型传输至外层规划模型,所述外层规划模型采用粒子群算法进行优化求解,迭代获取储能容量配置和优化布局方案。
具体的,根据电池储能配置方案以及电力系统综合成本以及第二约束条件,构建外层规划模型的目标函数,其中,第二约束条件包括电池储能布点约束,电力系统综合成本包括,火电机组煤耗成本、火电机组启停成本、电池储能投资成本、线损成本以及弃风成本。
外层规划模型的目标函数F2,具体为:
minF2=Ccoal+CUD+Cinv+Closs+Cwind;
式中,Ccoal表示火电组煤耗成本,CUD表示火电机组启停成本,Cinv表示电池储能投资成本,Closs表示线损成本,Cwind表示弃风成本,其中,火电机组煤耗成本、火电机组启停成本、电池储能投资成本、线损成本以及弃风成本的求解如下:
式中,Nday为规划周期内典型日天数,T为规划单日内小时数,Ng为火电机组台数,Nnode为系统节点数,Nbr为系统线路数,Nw为风电节点个数,Fg,C为机组g的煤耗成本函数,Pg,t,d为机组g在d天t时刻的出力水平,Fg,C函数值与Pg,t,d成二次关系,CUD为火电机组启停成本,与分别为机组g的启动与停机成本,ug,t,d与vg,t,d分别为记录机组g在d天t时刻启动与关停动作的0-1变量,QBS,j为节点j配置电池储能单元个数,CBS为电池储能单元等效单日投资成本,ηP为电池储能单元的单位功率容量成本,ηE为电池储能单元的单位能量容量成本,PBS为电池储能单元的额定功率容量,EBS为电池储能单元的额定能量容量,Tlife为电池储能单元预期寿命并以天数进行表示,kloss为线损惩罚系数,为线路i在d天t时刻的线损,Vi_h,t,d为线路i首端节点电压,Vi_e,t,d为线路i末端节点电压,Ri_h,i_e为线路i电阻,kwind为弃风惩罚系数,为风电场i在d天t时刻的弃风。
电池储能布点约束,如下:
外层规划模型包括,根据优化后的内层规划模型计算的目标函数值,采用粒子群算法计算外层规划模型的粒子适应度,根据粒子适应度更新模型各粒子的个体历史最优位置以及种群的群体粒子历史最优位置,进一步迭代更新模型各粒子信息。若当前迭代次数大于等于最优适应度保持连续不变的最大迭代次数,且当前种群最优适应值连续保持不变的迭代次数大于等于最优适应度保持连续不变的最大迭代次数,则获取所述储能容量配置和优化布局方案。
请参阅图3,对应的外层规划中,i表示当前迭代次数,j表示当前种群最优适应值连续保持不变的迭代次数,I表示最大迭代次数,J表示最优适应度保持连续不变的最大迭代次数;内层规划中,k表示当前时序生产模拟对应的天数,n表示每个滚动周期包含的天数,m表示由于无解进行回滚的天数,K表示规划周期总天数,M表示允许回滚的最大天数。详细求解步骤如下:
A.输入系统参数及PSO参数。
B.初始化粒子的位置、速度信息,生成初始种群。
C.基于粒子位置信息向内层规划提供储能配置方案并开始时序生产模拟,通过系统参数获取机组初始运行状态后,以本滚动周期末时刻的机组运行状态及对应时间作为下一滚动周期机组运行的初始条件。
D.时序生产模拟滚动求解至第k天时,若出现无解情况,则进行回滚计算,对第k-1至第k天的电力系统运行一并进行模拟,若连续m次出现无解情况,则连续回滚并对第k-m至第k天的电力系统运行一并进行模拟,直至有解或m≥M,有解则继续求解流程,若m≥M,则说明该粒子取值偏离解空间,对该粒子重新初始化后进入步骤C。
E.当完成全年时序生产模拟,根据模拟运行结果计算内层规划目标函数值后传递至外层规模模型,由外层粒子群算法进行粒子适应度计算及比较,并根据适应度比较结果更新各粒子的个体历史最优位置Pbest,i与种群的群体粒子历史最优位置Gbest。
F.基于更新后的Pbest,i与Gbest对各粒子信息进行更新。
G.重复步骤C-F直至满足终止条件。
为了进一步说明本发明所提供的基于时序生产模拟的直流电网储能配置方法,对图2多端直流系统进行仿真验证,在该直流系统的2、3、5号节点处分别有规模为3000MW、1500MW、3000MW的风电并网,负荷与火电机组通过1号、6号、以及7号节点接入直流电网,负荷规模分别为3000MW、3000MW、1500MW,4号节点处额定功率为1500MW的抽水蓄能电站是系统固有储能。在该直流系统各节点均允许配置电池储能,各节点电压波动范围为0.98-1.02pu,电压基准值为500kV。
请参阅图2仿真结果以及图4外层粒子群算法对应的目标函数值收敛情况:本实施例中,求解基于时序生产模拟的直流电网储能配置模型,外层粒子群算法对应的目标函数值收敛情况,求解双层规划模型得到的电池储能配置结果见表6。
表6双层规划模型得到的电池储能配置结果
图4中外层规划对应目标函数值在开始的迭代过程中数值下降速度较快,之后下降速度逐步变慢并于第11次迭代达到收敛条件后终止计算,符合粒子群算法的寻优与求解特点。
表6所示的储能配置方案中,仅在节点5进行了电池储能单元的配置,通过全年各单日峰谷差表征系统全年的调峰压力分布情况,并进行无电池储能配置场景下的时序生产模拟,提取结果中各单日弃风率衡量系统全年的风电消纳情况,从全年系统调峰压力与风电消纳的角度对两种方案在电池储能配置容量上的差异进行分析。
请参阅图5和图6,对全年各单日峰谷差数据以及无电池储能配置时的全年各单日弃风率数据进行统计并排序,全年范围内只有较少的单日场景下存在较高的峰谷差,系统只在一年的小部分时间面临较大的调峰压力,同时,不进行电池储能配置情况下,全年大部分单日场景下弃风率为0,即一年中的大部分时间系统都可以实现风电的完全消纳,因此,相较于以最大峰谷差为依据选取典型日的方式,基于全年风电及负荷数据进行时序生产模拟的方式所得规划结果对配置电池储能的需求更低,在反映电力系统时序运行特性的同时有更好的经济性。
此外,对有、无电池储能配置下系统的弃风、线损情况及全年综合成本进行对比,结果如表7与表8所示。相较于没有配置电池储能的结果,配置储能后,通过电池储能的功率调节作用,降低了系统全年弃风率与线损率,同时系统弃风、启停、线损以及煤耗成本均有降低,考虑电池储能投资成本后,配置储能场景下的系统综合成本仍低于不进行电池储能配置的场景。
表7有、无电池储能配置下系统的弃风、线损情况
表8全年综合成本对比结果
通过本发明所构思的以上技术方案与现有技术相比,能够取得如下有益效果:
1、本发明将粒子群算法与时序生产模拟相结合,建立了基于时序生产模拟的直流电网储能配置双层规划模型,在内层采用时序生产模拟使运行结果充分考虑电力系统时序运行特性,并采用粒子群算法在外层规划中对储能配置方案进行寻优,兼顾了求解速度与结果的最优性。
2、本发明所建立的双层规划模型中,外层规划采用粒子群算法进行求解,相比于遗传算法,粒子群算法不需要进行交叉及变异运算,通过粒子速度进行搜索,在迭代过程中粒子位置的更新只由本身及种群的最优位置指引,有针对性地继承信息,搜索效率更高,粒子群算法中,粒子种群的历史最优位置可以记忆并传递给种群内粒子,这种记忆性其具有较好的学习能力,算法迭代初期,粒子速度的更新有较强随机性,能够在较大的搜索范围内寻优,具有良好的并行特性,同一次迭代中,各粒子的运算相互独立,可通过并行运算缩短求解时间。
3、本发明所建立的双层规划模型中,内层规划基于时序生产模拟规划系统年运行方案并计算成本。相比于随机生产模拟,时序生产模拟输入数据中包含了负荷与新能源出力的时序相关性,因而可以进行精细化建模,考虑系统运行中诸如火电机组启停、爬坡功率约束等时段间耦合约束,模型复杂度的提高使其模拟结果更为详细,能够反映出电力系统的时序运行特性。相比于基于典型日曲线的方法,时序生产模拟引入电力系统的时序运行特性,解决了典型日法由于各典型日间无耦合关系而导致的难以反映出电力系统实际运行情况的技术问题;
4、本发明采取的时序生产模拟方法输入序列过长,为了避免求解速度慢以及无解情况的出现,采用滚动方式进行求解,在缩短单次规划周期的同时提升求解速度,此外,提出无解自动回滚机制应对滚动求解过程中无解的情况,有效解决了中长期时序生产模拟求解慢、易无解的问题。
5、本发明提供了一种基于时序生产模拟的直流电网储能配置方法,基于时序生产模拟在反映电力系统时序运行特性的同时有更优的经济性,采用粒子群算法兼顾了求解速度与结果的最优性,采用滚动求解方式以及无解自动回滚机制解决了求解速度慢和易无解的问题。
请参阅图7,基于时序生产模拟的直流电网储能配置,本发明某一实施例提供一种终端设备,包括:
一个或多个处理器;
存储器,与所述处理器耦接,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上所述的基于时序生产模拟的直流电网储能配置方法。
处理器用于控制该计算机终端设备的整体操作,以完成上述的基于时序生产模拟的直流电网储能配置方法的全部或部分步骤。存储器用于存储各种类型的数据以支持在该计算机终端设备的操作,这些数据例如可以包括用于在该计算机终端设备上操作的任何应用程序或方法的指令,以及应用程序相关的数据。该存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random AccessMemory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable ProgrammableRead-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable ProgrammableRead-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。
在一示例性实施例中,计算机终端设备可以被一个或多个应用专用集成电路(Application Specific 1ntegrated Circuit,简称AS1C)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的基于时序生产模拟的直流电网储能配置方法,并达到如上述方法一致的技术效果。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述任意一个实施例中的基于时序生产模拟的直流电网储能配置方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器,上述程序指令可由计算机终端设备的处理器执行以完成上述的基于时序生产模拟的直流电网储能配置方法,并达到如上述方法一致的技术效果。
Claims (10)
1.一种基于时序生产模拟的直流电网储能配置方法,其特征在于,包括:
结合电力系统全年运行成本、时序生产模拟确定的系统年度运行方案以及第一约束条件,构建内层规划模型;
采用滚动求解方式对所述内层规划模型中所述系统年度运行方案进行优化,并在所述内层规划模型计算所述电力系统全年运行成本后,获取优化后的内层规划模型;
将所述优化后的内层规划模型传输至外层规划模型,所述外层规划模型采用粒子群算法进行优化求解,迭代获取储能容量配置和优化布局方案。
2.根据权利要求1所述的基于时序生产模拟的直流电网储能配置方法,其特征在于,所述外层规划模型,具体为:
根据电池储能配置方案以及电力系统综合成本以及第二约束条件,构建所述外层规划模型的目标函数,其中,所述第二约束条件包括电池储能布点约束,所述电力系统综合成本包括,火电机组煤耗成本、火电机组启停成本、电池储能投资成本、线损成本以及弃风成本。
4.根据权利要求3所述的基于时序生产模拟的直流电网储能配置方法,其特征在于,所述内层规划模型,具体为:
根据所述火电机组煤耗成本、所述火电机组启停成本、所述线损成本、所述弃风成本以及所述第一约束条件,构建所述内层规划模型的目标函数,其中,所述第一约束条件包括,节点功率平衡约束、节点电压约束、线路容量约束、旋转备用约束、机组出力约束、机组爬坡及启停机功率约束、开停机时间约束、机组启停状态切换约束、电池储能功率约束、电池储能能量状态约束、抽蓄电站功率约束、抽蓄电站能量状态约束、滚动周期末时刻火电机组运行状态约束。
5.根据权利要求4所述的基于时序生产模拟的直流电网储能配置方法,其特征在于,所述内层规划模型的目标函数F1,具体为:
minF1=Ccoal+CUD+Closs+Cwind;
式中,Ccoal表示所述火电组煤耗成本,CUD表示所述火电机组启停成本,Closs表示所述线损成本,Cwind表示所述弃风成本;
所述节点功率平衡约束,如下:
式中,λ(j)表示电力系统中与节点j相连的所有节点集合,Pbr,ij,t表示t时刻由节点i通过线路传递至节点j的功率,Pwind,j,t为t时刻节点j处风电并网功率,Pgen,j,t为t时刻节点j处火电机组出力,与分别为t时刻节点j处抽蓄与电池储能放电功率,与分别为t时刻节点j处抽蓄与电池储能充电功率,PL,j,t为t时刻节点j处负荷功率,Ri,j为节点i和节点j间线路的电阻,Vj,t表示t时刻节点j处电压,Vi,t表示t时刻节点i处电压;
所述节点电压约束,如下:
Vi,min≤Vi,t≤Vi,max;
式中,Vi,max、Vi,min分别为节点i处电压上下限;
所述线路容量约束,如下:
|Pbr,ij,t|≤Pbr,ij,max;
式中,Pbr,ij,max为节点i,j间线路的最大传输功率;
所述旋转备用约束,如下:
所述机组出力约束,如下:
所述机组爬坡及启停机功率约束,如下:
所述开停机时间约束,如下:
所述机组启停状态切换约束,如下:
式中,ug,t,vg,t分别表示记录机组g在t时刻启动与关停动作的0-1变量,Ig,t+1表示t+1时刻机组g运行状态的0-1变量;
所述电池储能功率约束,如下:
所述电池储能能量状态约束,如下:
式中,ηBS,c为电池储能的充电效率,ηBS,dic为电池储能的放电效率,EBS,i0为i节点处的初始能量,表示i节点处的最大能量,表示τ时刻节点i处电池储能放电功率,表示τ时刻节点i处电池储能充电功率;
所述抽蓄电站功率约束,如下:
所述抽蓄电站能量状态约束,如下:
所述滚动周期末时刻火电机组运行状态约束,如下:
Tg0≥0;
式中,Ig0为上一滚动周期末时刻火电机组运行状态,Ug0为对应的已连续运行时间,Dg0为已连续停机时间。
6.根据权利要求1所述的基于时序生产模拟的直流电网储能配置方法,其特征在于,所述采用滚动求解方式对所述内层规划模型中所述系统年度运行方案进行优化,具体为:
以目前滚动周期末时刻的机组运行状态及对应时间作为下一滚动周期机组运行的初始条件,时序生产模拟滚动求解至第k天时,若出现无解情况,则进行回滚计算,同时根据第k-1至第k天的电力系统运行进行模拟,若连续m天出现无解情况,则连续回滚并对第k-m至第k天的电力系统运行进行模拟,直至所述时序生产模拟滚动有解或m≥M,若有解则继续所述时序生产模拟滚动求解流程,若m≥M,则对该粒子重新初始化,直至完成全年所述时序生产模拟,获取所述时序生产模拟的结果,其中,M表示允许回滚的最大天数;
根据所述时序生产模拟的结果优化所述含储能的系统年度运行方案。
7.根据权利要求6所述的基于时序生产模拟的直流电网储能配置方法,其特征在于,所述将所述优化后的内层规划模型传输至外层规划模型,所述外层规划模型采用粒子群算法进行优化求解,具体为:
所述外层规划模型包括,根据所述优化后的内层规划模型计算的目标函数值,采用粒子群算法计算所述外层规划模型的粒子适应度,根据所述粒子适应度更新模型各粒子的个体历史最优位置以及种群的群体粒子历史最优位置,进一步迭代更新模型各粒子信息。
8.根据权利要求7所述的基于时序生产模拟的直流电网储能配置方法,其特征在于,所述迭代获取储能容量配置和优化布局方案,具体为:
若当前迭代次数大于等于最优适应度保持连续不变的最大迭代次数,且当前种群最优适应值连续保持不变的迭代次数大于等于最优适应度保持连续不变的最大迭代次数,则获取所述储能容量配置和优化布局方案。
9.一种计算机终端设备,其特征在于,包括:
一个或多个处理器;
存储器,与所述处理器耦接,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1至8任一项所述的基于时序生产模拟的直流电网储能配置方法。
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时实现如权利要求1至8任一项所述的基于时序生产模拟的直流电网储能配置方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110951560.5A CN113690916A (zh) | 2021-09-24 | 2021-09-24 | 基于时序生产模拟的直流电网储能配置方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110951560.5A CN113690916A (zh) | 2021-09-24 | 2021-09-24 | 基于时序生产模拟的直流电网储能配置方法、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113690916A true CN113690916A (zh) | 2021-11-23 |
Family
ID=78580519
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110951560.5A Pending CN113690916A (zh) | 2021-09-24 | 2021-09-24 | 基于时序生产模拟的直流电网储能配置方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113690916A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114069671A (zh) * | 2021-11-26 | 2022-02-18 | 国网甘肃省电力公司电力科学研究院 | 一种计及消纳水平的高比例新能源电网储能需求分析方法 |
CN115848196A (zh) * | 2022-12-07 | 2023-03-28 | 南通国轩新能源科技有限公司 | 基于动态需求和新能源消纳的电动汽车有序充电引导方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103762589A (zh) * | 2014-01-08 | 2014-04-30 | 河海大学 | 一种电网中新能源容量配比分层优化方法 |
CN109193754A (zh) * | 2018-09-03 | 2019-01-11 | 国网江西省电力有限公司电力科学研究院 | 一种分布式光伏规划方法及系统 |
AU2019101317A4 (en) * | 2019-10-30 | 2019-12-05 | Southeast University | A Bi-level Game-Based Planning Framework for Distribution Networks with multiple Micro-girds |
-
2021
- 2021-09-24 CN CN202110951560.5A patent/CN113690916A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103762589A (zh) * | 2014-01-08 | 2014-04-30 | 河海大学 | 一种电网中新能源容量配比分层优化方法 |
CN109193754A (zh) * | 2018-09-03 | 2019-01-11 | 国网江西省电力有限公司电力科学研究院 | 一种分布式光伏规划方法及系统 |
AU2019101317A4 (en) * | 2019-10-30 | 2019-12-05 | Southeast University | A Bi-level Game-Based Planning Framework for Distribution Networks with multiple Micro-girds |
Non-Patent Citations (2)
Title |
---|
曹阳;黄越辉;袁越;王敏;李鹏;郭思琪;: "基于时序仿真的风光容量配比分层优化算法", 中国电机工程学报, no. 05, 5 March 2015 (2015-03-05) * |
董存;李明节;范高锋;黄越辉;礼晓飞;: "基于时序生产模拟的新能源年度消纳能力计算方法及其应用", 中国电力, no. 12, 5 December 2015 (2015-12-05) * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114069671A (zh) * | 2021-11-26 | 2022-02-18 | 国网甘肃省电力公司电力科学研究院 | 一种计及消纳水平的高比例新能源电网储能需求分析方法 |
CN115848196A (zh) * | 2022-12-07 | 2023-03-28 | 南通国轩新能源科技有限公司 | 基于动态需求和新能源消纳的电动汽车有序充电引导方法 |
CN115848196B (zh) * | 2022-12-07 | 2024-01-05 | 南通国轩新能源科技有限公司 | 基于动态需求和新能源消纳的电动汽车有序充电引导方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112217202B (zh) | 考虑灵活性投资的分布式新能源、储能与配电网规划方法 | |
CN113690916A (zh) | 基于时序生产模拟的直流电网储能配置方法、设备及介质 | |
CN110598913A (zh) | 一种园区综合能源系统设备容量配置的优化方法及系统 | |
CN109149656B (zh) | 一种气-电互联综合能源系统机组组合方法 | |
CN114928110A (zh) | 基于n-k故障的规划调度协同优化的三层鲁棒优化方法 | |
CN113708418B (zh) | 微电网优化调度方法 | |
CN113435659B (zh) | 基于场景分析的综合能源系统两阶段优化运行方法及系统 | |
CN117674290A (zh) | 一种基于多场景的水电平抑分布鲁棒优化方法 | |
CN113780722B (zh) | 配电网的联合规划方法、装置、计算机设备和存储介质 | |
CN116742664A (zh) | 一种短期电池储能和季节性储氢协同规划方法及系统 | |
CN116799827A (zh) | 一种基于灵活储能配置的弹性电力系统规划方法 | |
CN114094609B (zh) | 电网储能系统的优化配置方法 | |
CN115347565A (zh) | 一种灾后配网与微网协同恢复方法和装置 | |
CN112736905B (zh) | 区域新能源容量优化配置方法及系统 | |
CN114358430A (zh) | 一种基于鲁棒优化的新型农村配电网规划策略 | |
CN114188973A (zh) | 一种计及线路强迫停运的两阶段检修-运行鲁棒优化方法 | |
CN115994631B (zh) | 一种基于韧性提升的配电网容量规划方法及系统 | |
CN114565244B (zh) | 综合能源系统的优化调度方法及装置 | |
CN115313437A (zh) | 含高比例风光接入输电网的氢-电混合储能系统配置方法 | |
CN115759659A (zh) | 一种考虑经济与频率安全约束的双层随机源网规划方法 | |
Zhang et al. | Optimal Configuration of Energy Storage for Considering Ramping Capabilities and Multi-states of Gas and Thermal Units | |
CN116094062A (zh) | 燃料电池微电网的管理方法、装置、设备和存储介质 | |
Sharma et al. | Multi-Objective Control Co-design Using Graph-Based Optimization for Offshore Wind Farm Grid Integration | |
Deng et al. | Dynamic Multi-Time Islanding Partition Strategy of Power Distribution Systems with Considering Source-Load Uncertainty | |
CN118034874A (zh) | Cchp系统的运行优化方法、装置、设备及存储介质 |
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 |