CN113708380A - 风-光-储混合系统区域无功储备多目标优化方法 - Google Patents

风-光-储混合系统区域无功储备多目标优化方法 Download PDF

Info

Publication number
CN113708380A
CN113708380A CN202111021764.5A CN202111021764A CN113708380A CN 113708380 A CN113708380 A CN 113708380A CN 202111021764 A CN202111021764 A CN 202111021764A CN 113708380 A CN113708380 A CN 113708380A
Authority
CN
China
Prior art keywords
reactive power
node
fault
voltage
scene
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.)
Withdrawn
Application number
CN202111021764.5A
Other languages
English (en)
Inventor
陈光宇
吴文龙
张仰飞
郝思鹏
李家兴
周思佳
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.)
Nanjing Institute of Technology
Original Assignee
Nanjing Institute of Technology
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 Nanjing Institute of Technology filed Critical Nanjing Institute of Technology
Priority to CN202111021764.5A priority Critical patent/CN113708380A/zh
Publication of CN113708380A publication Critical patent/CN113708380A/zh
Withdrawn legal-status Critical Current

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
    • H02J3/18—Arrangements for adjusting, eliminating or compensating reactive power in networks
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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
    • H02J3/16—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by adjustment of reactive power
    • 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
    • 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
    • H02J3/50—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
    • H02J2203/10—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
    • H02J2300/20—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
    • 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
    • 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
    • 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
    • Y02E40/30—Reactive power compensation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Power Engineering (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种风‑光‑储混合系统区域无功储备多目标优化方法，步骤如下：S1、获取风‑光‑储混合系统典型场景集数据；S2、构建无功源的电压关联指标值，基于关联指标筛选出有效无功源；S3、对所有典型场景进行预想故障扫描，得到故障场景集数据，基于故障场景中有效无功源的无功储备构建故障场景特征向量；S4、对故障场景集进行场景缩减，得到典型故障场景；S5、对风光储系统进行分区；S6、构建典型故障场景下区域无功储备多目标优化模型；S7、采用多目标优化算法对模型进行求解得到Pareto最优解集；S8、通过模糊理论得到折中最优解。本发明能够提高风光储混合系统在故障情况下电网电压安全水平，降低系统的运行风险。

Description

风-光-储混合系统区域无功储备多目标优化方法
技术领域
本发明属于电网无功储备优化技术领域，具体涉及计及故障场景集的风-光-储混合系统区域无功储备多目标优化方法。
背景技术
无功储备是电力系统实现安全稳定的重要保障，对无功储备进行优化是提高电网安全水平的有效手段。近年来，随着新能源渗透率的不断增加，传统火电机组开机减少，电网运行机理正发生改变，电压控制难度加大。因此，利用风电，光伏，储能等多类型可调资源参与电网无功电压协调控制，充分发挥多类型可调资源的无功调节能力，提高区域电网故障场景下的无功储备水平，对电网安全稳定运行具有重要意义。
目前研究大多只考虑了新能源并网后正常工况下的无功电压问题，随着特高压直流输电的发展，受端电网直流馈入下的区域无功储备不足问题日益突出，当系统发生故障时，传统电网无功储备及优化方案难以支撑电网安全稳定运行。因此,为了提高故障下区域电网无功储备，应对故障下电压稳定裕度不足等情况，研究故障下区域无功储备优化问题具有重要的理论和实际意义。
发明内容
本发明针对现有技术中的不足，提供一种风-光-储混合系统区域无功储备多目标优化方法。在获取风-光-储混合系统的典型场景集数据的基础上，构建无功源的电压关联指标值，基于关联指标筛选出有效无功源；对所有典型场景进行预想故障扫描，得到故障场景集数据，构建场景特征向量；基于场景特征向量对故障场景集进行场景缩减，得到典型故障场景；对风光储系统进行分区；构建典型故障场景下区域无功储备多目标优化模型；采用多目标优化算法对模型进行求解得到Pareto最优解集；基于Pareto最优解集通过模糊理论得到折中最优解。
为实现上述目的，本发明采用以下技术方案：
风-光-储混合系统区域无功储备多目标优化方法，包括如下步骤：
S1、获取风-光-储混合系统的典型场景集数据；
S2、构建无功源的电压关联指标值，基于关联指标筛选出有效无功源；
S3、对所有典型场景进行预想故障扫描，得到故障场景集数据，基于故障场景中有效无功源的无功储备构建故障场景特征向量；
S4、基于场景特征向量对故障场景集进行场景缩减，得到典型故障场景；
S5、对风光储系统进行分区；
S6、构建典型故障场景下区域无功储备多目标优化模型；
S7、采用多目标优化算法对模型进行求解得到Pareto最优解集；
S8、基于Pareto最优解集通过模糊理论得到折中最优解。
为优化上述技术方案，采取的具体措施还包括：
进一步地，步骤S2中，包括如下步骤：
S21、计算电网内所有无功源对全部节点的电压/无功灵敏度k，得到灵敏度集合K；
S22、采用最大类间方差法对电压/无功灵敏度集合K进行分割，得到分割阈值kth；
S23、根据分割阈值kth判断无功源与节点间关系；
S24、基于无功源与节点间关系，计算全部无功源的电压关联指标Z，得到电压关联指标集合；无功源电压关联指标表达式为：
Figure BDA0003241721080000021
其中，Z为电网中无功源的电压关联指标的标准化数值；Xm是1或0的数值，表示无功源与无功负荷m(或无功源m)所在节点的电压之间是否存在关系；M为电网中负荷数目；N为电网中无功源数目；
S25、采用S22中方法对电压关联指标集合进行分割，得到电压关联指标的分割阈值Zth；
S26、基于电压关联指标的分割阈值Zth，筛选出有效无功源集
Figure BDA0003241721080000022
表达式为:
Figure BDA0003241721080000023
其中，Zi为无功源i的电压关联指标；Zth为电压关联指标分割阈值；SN为无功源集。
进一步地，步骤S22，具体如下：
首先构建类间方差优化模型，流程为：
1)设集合K中节点y对无功源x的电压/无功灵敏度kxy的平面坐标为(x,y)，灰度等级为G＝{0,1，…,N-1}，N为节点数，坐标点(x,y)上对应的灰度值为f(x,y)，等于kxy；t∈G为分割阈值，B＝{b0,b1}表示一个二值灰度级别；
2)在阈值t上的分割结果ft(x,y)为：
Figure BDA0003241721080000031
3)设灰度级为i的坐标点个数为fi，则坐标点的总个数M为
Figure BDA0003241721080000032
灰度级别i出现的概率pi计算公式为：
Figure BDA0003241721080000033
4)将坐标点分为两类(C0,C1)，C0包含灰度等级在{0,1,…,t}内的坐标点，对应于无功源与节点电压之间不存在关系，C1包含灰度等级在{t+1,t+2，…,L-1}内的坐标点，对应于无功源与节点电压之间存在关系；
5)不存在关系的坐标点比例p(t)大小为
Figure BDA0003241721080000034
不存在关系的平均灰度值μ0和存在关系的平均灰度值μ1的计算公式为：
Figure BDA0003241721080000035
6)得到类间方差优化模型的表达式为：
Figure BDA0003241721080000036
最后采用粒子群算法求解类间方差优化模型，类间方差达到最大时的t为所需要的分割阈值kth。
进一步地，步骤S23，具体如下：
根据分割阈值kth判断无功源与节点间关系,表达式为：
Figure BDA0003241721080000037
其中，Xim表示无功源i与节点m的电压之间是否存在关系；kth为电压/无功灵敏度分割阈值；kim为节点m对无功源i的电压/无功灵敏度。
进一步地，步骤S3中，包括如下步骤：
S31、对所有典型场景下的电网模型进行预想故障扫描，得到所有故障场景下有效无功源的无功储备；
S32、根据有效无功源的无功储备构建故障场景的特征向量，表达式为：
Figure BDA0003241721080000041
其中，
Figure BDA0003241721080000042
为故障场景k的特征向量；
Figure BDA0003241721080000043
为故障场景k下有效无功源m的无功储备；Ny为电网中有效无功源数目。
进一步地，步骤S4中，包括如下步骤：
S41、采用t-SNE降维法将故障场景的特征向量降至二维，二维空间中故障场景k的特征向量
Figure BDA0003241721080000044
的表达式如下：
Figure BDA0003241721080000045
其中，
Figure BDA0003241721080000046
和
Figure BDA0003241721080000047
分别为降维后故障场景k的特征向量在二维空间的横坐标和纵坐标；
S42、采用余弦距离计算不同故障场景的降维后特征向量间的相似度d；
S43、基于故障场景的特征向量之间的相似度d，通过层次聚类算法对故障场景进行聚类，得到不同类簇数下的聚类方案；
S44、计算不同类簇数下聚类方案的邓恩指数，以邓恩指数最大的聚类方案为最佳聚类方案，得到故障场景集的最佳聚类数和最佳聚类数下的聚类方案，即各类故障场景集；
S45、基于故障场景集数据计算所有故障场景集的电压稳定指标，表达式如下：
Figure BDA0003241721080000048
其中，Lk为故障场景k的电压稳定指标；ZkLLji、Ski、
Figure BDA0003241721080000049
VkLj分别为故障场景k下负荷节点i与j之间的互阻抗、节点i的系统负荷功率、负荷节点i的电压向量、负荷节点j的电压幅值；
S46、分别在所有类别的故障场景集中选取电压稳定指标最小的作为典型故障场景，组成典型故障场景集，表达式为：
Styp＝{Si|i＝1，…，A}
其中，Styp为典型故障场景集；Si为第i个故障场景集的典型故障场景；A为典型故障场景数，该数值等于最佳聚类数。
进一步地，步骤S5中，包括如下步骤：
S51、根据典型场景中节点间电压灵敏度建立电气距离期望矩阵，表达式为：
Figure BDA0003241721080000051
其中，D(k)为典型场景k的电气距离矩阵；λ(k)表示典型场景k的统计概率；
Figure BDA0003241721080000052
表示典型场景k下节点i和j之间的电压灵敏度；K为典型场景数；
S52、选取D中元素构建主导节点控制空间，内容如下：
首先构建表示第i个节点对负荷节点控制能力的向量li：
Figure BDA0003241721080000053
其中，dik为电气距离期望矩阵D中第i行第k列的元素，即电网中节点i与负荷节点k之间的电气距离；Nl为电网中负荷节点的数量，考虑到新能源的无功调节能力，新能源所在节点不作为负荷节点参与本节划分；
最后构建主导节点控制空间L，表达式为：
Figure BDA0003241721080000054
其中，dik为电气距离期望矩阵D中第i行第k列的元素，即电网中节点i与负荷节点k之间的电气距离；Nl为电网中负荷节点的数量，考虑到新能源的无功调节能力，新能源所在节点不作为负荷节点参与本节划分；
S53、将主导节点控制空间L中各个元素取反构建相似度矩阵；
S54、基于相似度矩阵，采用k-medoids聚类算法对电网进行分区，得到分区方案。
进一步地，步骤S6中，包括如下步骤：
S61、构建以典型故障场景下区域无功储备最大化和主导节点可控性最大化为目标的优化模型的目标函数,表达式如下：
Figure BDA0003241721080000055
其中，f1为典型故障场景下区域无功储备目标；f2为2)区域主导节点对其内部节点的可控性目标；kmnj为典型故障场景m下分区n中无功源j无功储备的修正系数，用以表征多类型可调资源无功储备对系统主导节点电压安全的贡献度；Qmjres为典型故障场景m下动态无功源j的无功储备；Nn为区域电网n中无功源个数；A为典型故障场景数；j∈Ti为分区i内负荷及无功源所在节点集合；αij为分区i主导节点对节点j的电压/电压灵敏度。
S62、确定动态无功储备优化模型的约束条件,具体如下：
Figure BDA0003241721080000061
其中，f为潮流方程；V为节点电压幅值；θ为节点电压相角；PL、QL分别为有功、无功负荷；PG、QG分别为电网中电源的有功、无功出力；u为控制变量，包括主导节点位置，发电机端电压，多类型资源无功补偿量和所属区域，本文通过对部分控制变量进行连续化处理以简化计算；PG max、PG min分别为电网中电源的有功出力上限、下限；QG max、QG min分别为电网中电源无功出力上限、下限；umax、umin分别为控制变量的上限、下限；Vi max、Vi min分别为节点i的电压幅值上限和电压幅值下限；Vi为节点i的电压幅值；NZ为主导节点数；NL为电网中负荷数。
进一步地，步骤S7中，采用多目标优化算法对模型进行求解得到Pareto最优解集。
进一步地，步骤S8中，基于Pareto最优解集通过模糊理论得到折中最优解。
本发明的有益效果是：本发明考虑了新能源替代常规电源后故障下电网电压稳定裕度减少的问题，获取风-光-储混合系统的典型场景集数据；构建无功源的电压关联指标值，基于关联指标筛选出有效无功源；对所有典型场景进行预想故障扫描，得到故障场景集数据，构建场景特征向量；基于场景特征向量对故障场景集进行场景缩减，得到典型故障场景；对风光储系统进行分区；建立典型故障场景下区域无功储备多目标优化模型；采用多目标优化算法对多目标模型进行求解得到Pareto最优解集；基于Pareto最优解集通过模糊理论得到折中最优解。能够提高故障下区域电网无功储备，应对故障下电压稳定裕度不足的问题，降低系统运行风险。
附图说明
图1是本发明的方法流程图。
图2是本发明的有效无功源筛选流程图。
图3是本发明的典型故障场景缩减流程图。
图4是本发明的电网分区流程图。
图5是真实电网结构示意图。
图6是典型场景集中新能源有功出力图。
图7是降维可视化结果图。
图8是故障场景聚类结果图。
图9是真实电网中典型故障场景地理位置示意图。
图10是真实电网分区示意图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
需要注意的是，发明中所引用的如“上”、“下”、“左”、“右”、“前”、“后”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
如图1-图10所示，本发明提出了一种计及故障场景集的风-光-储混合系统区域无功储备多目标优化方法，包括如下步骤：
S1、获取风-光-储混合系统的典型场景集数据；
S2、构建无功源的电压关联指标值，基于关联指标筛选出有效无功源，包括如下步骤：
S21、计算电网内所有无功源对全部节点的电压/无功灵敏度k，得到灵敏度集合K；
S22、采用最大类间方差法(OTSU)法对电压/无功灵敏度集合K进行分割，得到分割阈值kth，步骤如下：
首先构建类间方差优化模型，流程为：
1)设集合K中节点y对无功源x的电压/无功灵敏度kxy的平面坐标为(x,y)，灰度等级为G＝{0,1，…,N-1}，N为节点数，坐标点(x,y)上对应的灰度值为f(x,y)，等于kxy；t∈G为分割阈值，B＝{b0,b1}表示一个二值灰度级别；
2)在阈值t上的分割结果ft(x,y)为：
Figure BDA0003241721080000071
3)设灰度级为i的坐标点个数为fi，则坐标点的总个数M为
Figure BDA0003241721080000072
灰度级别i出现的概率pi计算公式为：
Figure BDA0003241721080000081
4)将坐标点分为两类(C0,C1)，C0包含灰度等级在{0,1,…,t}内的坐标点，对应于无功源与节点电压之间不存在关系，C1包含灰度等级在{t+1,t+2，…,L-1}内的坐标点，对应于无功源与节点电压之间存在关系；
5)不存在关系的坐标点比例p(t)大小为
Figure BDA0003241721080000082
不存在关系的平均灰度值μ0和存在关系的平均灰度值μ1的计算公式为：
Figure BDA0003241721080000083
6)得到类间方差优化模型的表达式为：
Figure BDA0003241721080000084
最后采用粒子群算法求解类间方差优化模型，类间方差达到最大时的t为所需要的分割阈值kth。
S23、根据分割阈值kth判断无功源与节点间关系,表达式为：
Figure BDA0003241721080000085
其中，Xim表示无功源i与节点m的电压之间是否存在关系；kth为电压/无功灵敏度分割阈值；kim为节点m对无功源i的电压/无功灵敏度。
S24、基于无功源与节点间关系，计算全部无功源的电压关联指标Z，得到电压关联指标集合，无功源电压关联指标表达式为：
Figure BDA0003241721080000086
其中，Z为电网中无功源的电压关联指标的标准化数值；Xm是1或0的数值，表示无功源与无功负荷m(或无功源m)所在节点的电压之间是否存在关系；M为电网中负荷数目；N为电网中无功源数目。该指标值越大，代表无功源与电网电压的关联越紧密。
S25、采用S22中方法对电压关联指标集合进行分割，得到电压关联指标的分割阈值Zth；
S26、基于电压关联指标的分割阈值Zth，筛选出有效无功源集
Figure BDA0003241721080000091
表达式为:
Figure BDA0003241721080000092
其中，Zi为无功源i的电压关联指标；Zth为电压关联指标分割阈值，该值可通过节2.2.2中算法得到；SN为无功源集。
S3、对所有典型场景进行预想故障扫描，得到故障场景集数据，基于故障场景中有效无功源的无功储备构建故障场景特征向量，步骤如下：
S31、对所有典型场景下的电网模型进行预想故障扫描，得到所有故障场景下有效无功源的无功储备；
S32、根据有效无功源的无功储备构建故障场景的特征向量，表达式为：
Figure BDA0003241721080000093
其中，
Figure BDA0003241721080000094
为故障场景k的特征向量；
Figure BDA0003241721080000095
为故障场景k下有效无功源m的无功储备；Ny为电网中有效无功源数目。
S4、基于场景特征向量对故障场景集进行场景缩减，得到典型故障场景，步骤如下：
S41、采用t-SNE降维法将故障场景的特征向量降至二维，二维空间中故障场景k的特征向量
Figure BDA0003241721080000096
的表达式如下：
Figure BDA0003241721080000097
其中，
Figure BDA0003241721080000098
和
Figure BDA0003241721080000099
分别为降维后故障场景k的特征向量在二维空间的横坐标和纵坐标；
S42、采用余弦距离计算不同故障场景的降维后特征向量间的相似度d；
S43、基于故障场景的特征向量之间的相似度d，通过层次聚类算法对故障场景进行聚类，得到不同类簇数下的聚类方案；
S44、计算不同类簇数下聚类方案的邓恩指数，以邓恩指数最大的聚类方案为最佳聚类方案，得到故障场景集的最佳聚类数和最佳聚类数下的聚类方案，即各类故障场景集，场景集数目为A；
S45、基于故障场景集数据计算所有故障场景集的电压稳定指标，表达式如下：
Figure BDA00032417210800000910
其中，Lk为故障场景k的电压稳定指标；ZkLLji、Ski、
Figure BDA00032417210800000911
VkLj分别为故障场景k下负荷节点i与j之间的互阻抗、节点i的系统负荷功率、负荷节点i的电压向量、负荷节点j的电压幅值；
S46、分别在A类故障场景集中选取电压稳定指标最小的作为典型故障场景，组成典型故障场景集，表达式为：
Styp＝{Si|i＝1，…，A}
其中，Styp为典型故障场景集；Si为第i个故障场景集的典型故障场景；A为典型故障场景数，该数值等于最佳聚类数。
S5、对风光储系统进行分区，包括如下步骤：
S51、根据典型场景中节点间电压灵敏度建立电气距离期望矩阵，表达式为：
Figure BDA0003241721080000101
其中，D(k)为典型场景k的电气距离矩阵；λ(k)表示典型场景k的统计概率；
Figure BDA0003241721080000102
表示典型场景k下节点i和j之间的电压灵敏度；K为典型场景数。
S52、选取D中元素构建主导节点控制空间，内容如下：
首先构建表示第i个节点对负荷节点控制能力的向量li：
Figure BDA0003241721080000103
其中，dik为电气距离期望矩阵D中第i行第k列的元素，即电网中节点i与负荷节点k之间的电气距离；Nl为电网中负荷节点的数量，考虑到新能源的无功调节能力，新能源所在节点不作为负荷节点参与本节划分；
最后构建主导节点控制空间L，表达式为：
Figure BDA0003241721080000104
其中，dik为电气距离期望矩阵D中第i行第k列的元素，即电网中节点i与负荷节点k之间的电气距离；Nl为电网中负荷节点的数量，考虑到新能源的无功调节能力，新能源所在节点不作为负荷节点参与本节划分。
S53、将主导节点控制空间L中各个元素取反构建相似度矩阵；
S54、基于相似度矩阵，采用k-medoids聚类算法对电网进行分区，得到分区方案。
S6、构建典型故障场景下区域无功储备多目标优化模型，该模型主要由目标函数和约束条件组成，具体步骤如下：
S61、构建以典型故障场景下区域无功储备最大化和主导节点可控性最大化为目标的优化模型的目标函数,表达式如下：
Figure BDA0003241721080000111
其中，f1为典型故障场景下区域无功储备目标；f2为2)区域主导节点对其内部节点的可控性目标；kmnj为典型故障场景m下分区n中无功源j无功储备的修正系数，用以表征多类型可调资源无功储备对系统主导节点电压安全的贡献度；Qmjres为典型故障场景m下动态无功源j的无功储备；Nn为区域电网n中无功源个数；A为典型故障场景数；j∈Ti为分区i内负荷及无功源所在节点集合；αij为分区i主导节点对节点j的电压/电压灵敏度。
S62、确定动态无功储备优化模型的约束条件,具体如下：
Figure BDA0003241721080000112
其中，f为潮流方程；V为节点电压幅值；θ为节点电压相角；PL、QL分别为有功、无功负荷；PG、QG分别为电网中电源的有功、无功出力；u为控制变量，包括主导节点位置，发电机端电压，多类型资源无功补偿量和所属区域，本文通过对部分控制变量进行连续化处理以简化计算；PG max、PG min分别为电网中电源的有功出力上限、下限；QG max、QG min分别为电网中电源无功出力上限、下限；umax、umin分别为控制变量的上限、下限；Vi max、Vi min分别为节点i的电压幅值上限和电压幅值下限；Vi为节点i的电压幅值；NZ为主导节点数；NL为电网中负荷数。
S7、采用多目标优化算法对模型进行求解得到Pareto最优解集；
S8、基于Pareto最优解集通过模糊理论得到折中最优解。
应用本发明的计及故障场景集的风-光-储混合系统区域无功储备多目标优化方法的一个具体实施例如下：
已知江苏某真实电网在2020年9月的电网潮流断面数据，数据均以5分钟为间隔进行记录。以真实电网模型为例，对本文所提的计及故障场景集的风-光-储混合系统区域无功储备多目标优化方法进行分析。该模型中包含71条线路，26个无功补偿设备，其中有两个光伏电站，两个风电站和一个储能电站。真实电网结构示意图如图5所示。
首先，对电网潮流断面进行场景缩减，得到典型场景集，典型场景数目为4，典型场景集中新能源有功出力如图6所示。图中典型场景1、2、3、4出现的概率分别为0.366、0.298、0.184、0.152。
基于典型场景中节点间电压/无功灵敏度数据，采用电压关联指标筛选出有效无功源，并分别在四个典型场景下进行N-1预想故障扫描，得到总共284个故障场景集。根据故障场景集中有效无功源的无功储备构建故障场景的特征向量，采用t-SNE法对特征向量进行降维。降维可视化结果如图7所示。
对于降维后的故障场景特征向量集，采用层次聚类算法对故障场景进行聚类。聚类结果如图8所示。采用邓恩指标对不同类簇数下的聚类方案进行评估，得到最佳聚类数和最佳聚类数下的故障场景聚类方案，最佳聚类数为26，部分故障场景集中样本数量如表一所示：
表一
Figure BDA0003241721080000121
采用电压稳定指标评估故障场景下电网稳定状态，筛选出典型故障场景集。典型故障场景在真实电网中的地理位置如图9所示，红框处为典型故障场景中故障所发生的区域。真实电网部分典型故障场景如表二所示：
表二
Figure BDA0003241721080000122
其中，8-536(1)表示典型场景1中N-1故障发生在线路8-536的典型故障场景。
其次，采用k-medoids聚类算法对真实电网进行分区，并采用模块度指标对分区结果进行评价。真实电网分区方案如图10所示。所得分区方案的模块度为0.451，说明电网划分出的社区结构强度较好，区域内电气距离联系紧密。
最后，在典型故障场景和分区方案的基础上，构建故障下区域无功储备多目标优化模型，再采用多目标优化算法进行求解得到Pareto最优解集，基于Pareto最优解集通过模糊规则得到折中最优解。
分别在故障场景筛选前后对真实电网中的故障下区域无功储备多目标优化模型进行求解。故障场景缩减前后优化结果对比如表三所示：
表三
Figure BDA0003241721080000123
Figure BDA0003241721080000131
当采用典型故障场景缩减方法后，随着有效无功源和故障场景数的减少，优化所需的计算时间和迭代次数都有所下降，但优化结果相差极小。算例结果表明，所提场景缩减方法在保持较高计算精度的同时，能够有效提高求解速度。
在多类型资源参与无功调节的情况下采用本文算法对多目标优化模型进行求解，对比优化前电压幅值较低节点的变化情况。优化前后该类节点的故障下电压幅值最小值对比如表四所示：
表四
Figure BDA0003241721080000132
表格中间数据是节点的故障下电压幅值最小值，例如优化前节点12在不同故障下的电压幅值最小值为0.9367pu。
优化后薄弱节点的故障下电压幅值最小值均有所增加，且能保持在0.96pu以上，有效提高了故障下电网电压安全水平。
为分析多类型资源对于真实电网电压稳定程度的影响，比较多类型资源参与无功调节前后的优化结果。优化前后的故障下区域无功储备最小值如表五所示：
表五
Figure BDA0003241721080000133
表格中间数据是故障下区域无功储备最小值，例如优化前真实电网中区域1在故障下区域无功储备最小值为0.0514Mvar。
优化后，故障下电压稳定裕度较低的区域的故障下区域无功储备最小值均有所增加，优化方案能够有效保证电网在故障下的电压稳定性。且当多类型资源作为无功源参与优化后，电网各区域的故障下区域无功储备最小值得到有效增加。当多类型资源参与无功调节后，优化方案显著提高了故障下电网电压安全水平，改善了故障下电网电压稳定裕度。
综上，本发明考虑深挖风-光-储等多类型资源的无功调节能力，获取风-光-储混合系统的典型场景集数据；计算无功源的电压关联指标值，筛选出有效无功源；对所有典型场景进行预想故障扫描，得到故障场景集数据，基于故障场景中有效无功源的无功储备构建故障场景特征向量；基于场景特征向量对故障场景集进行场景缩减，得到典型故障场景；对风光储系统进行分区；基于典型故障场景和分区方案构建典型故障场景下区域无功储备多目标优化模型；采用多目标优化算法对模型进行求解得到Pareto最优解集；基于Pareto最优解集通过模糊理论得到折中最优解。实现了对优化模型的降维，提高了求解效率，减少计算时间，达到提高故障下电网电压安全水平和降低系统运行风险的目的。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。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前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (10)

1.风-光-储混合系统区域无功储备多目标优化方法，其特征在于，包括如下步骤：
S1、获取风-光-储混合系统的典型场景集数据；
S2、构建无功源的电压关联指标值，基于关联指标筛选出有效无功源；
S3、对所有典型场景进行预想故障扫描，得到故障场景集数据，基于故障场景中有效无功源的无功储备构建故障场景特征向量；
S4、基于场景特征向量对故障场景集进行场景缩减，得到典型故障场景；
S5、对风-光-储系统进行分区；
S6、构建典型故障场景下区域无功储备多目标优化模型；
S7、采用多目标优化算法对模型进行求解得到Pareto最优解集；
S8、基于Pareto最优解集通过模糊理论得到折中最优解。
2.如权利要求1所述的风-光-储混合系统区域无功储备多目标优化方法，其特征在于，步骤S2中，包括如下步骤：
S21、计算电网内所有无功源对全部节点的电压/无功灵敏度k，得到灵敏度集合K；
S22、采用最大类间方差法对电压/无功灵敏度集合K进行分割，得到分割阈值kth；
S23、根据分割阈值kth判断无功源与节点间关系；
S24、基于无功源与节点间关系，计算全部无功源的电压关联指标Z，得到电压关联指标集合；无功源电压关联指标表达式为：
Figure FDA0003241721070000011
其中，Z为电网中无功源的电压关联指标的标准化数值；Xm是1或0的数值，表示无功源与无功负荷m(或无功源m)所在节点的电压之间是否存在关系；M为电网中负荷数目；N为电网中无功源数目；
S25、采用S22中方法对电压关联指标集合进行分割，得到电压关联指标的分割阈值Zth；
S26、基于电压关联指标的分割阈值Zth，筛选出有效无功源集
Figure FDA0003241721070000012
表达式为:
Figure FDA0003241721070000013
其中，Zi为无功源i的电压关联指标；Zth为电压关联指标分割阈值；SN为无功源集。
3.如权利要求2所述的风-光-储混合系统区域无功储备多目标优化方法，其特征在于，步骤S22，具体如下：
首先构建类间方差优化模型，流程为：
1)设集合K中节点y对无功源x的电压/无功灵敏度kxy的平面坐标为(x,y)，灰度等级为G＝{0,1，…,N-1}，N为节点数，坐标点(x,y)上对应的灰度值为f(x,y)，等于kxy；t∈G为分割阈值，B＝{b0,b1}表示一个二值灰度级别；
2)在阈值t上的分割结果ft(x,y)为：
Figure FDA0003241721070000021
3)设灰度级为i的坐标点个数为fi，则坐标点的总个数M为
Figure FDA0003241721070000022
灰度级别i出现的概率pi计算公式为：
Figure FDA0003241721070000023
4)将坐标点分为两类(C0,C1)，C0包含灰度等级在{0,1,…,t}内的坐标点，对应于无功源与节点电压之间不存在关系，C1包含灰度等级在{t+1,t+2，…,L-1}内的坐标点，对应于无功源与节点电压之间存在关系；
5)不存在关系的坐标点比例p(t)大小为
Figure FDA0003241721070000024
不存在关系的平均灰度值μ0和存在关系的平均灰度值μ1的计算公式为：
Figure FDA0003241721070000025
6)得到类间方差优化模型的表达式为：
Figure FDA0003241721070000026
最后采用粒子群算法求解类间方差优化模型，类间方差达到最大时的t为所需要的分割阈值kth。
4.如权利要求2所述的风-光-储混合系统区域无功储备多目标优化方法，其特征在于，步骤S23，具体如下：
根据分割阈值kth判断无功源与节点间关系,表达式为：
Figure FDA0003241721070000031
其中，Xim表示无功源i与节点m的电压之间是否存在关系；kth为电压/无功灵敏度分割阈值；kim为节点m对无功源i的电压/无功灵敏度。
5.如权利要求2所述的风-光-储混合系统区域无功储备多目标优化方法，其特征在于，步骤S3中，包括如下步骤：
S31、对所有典型场景下的电网模型进行预想故障扫描，得到所有故障场景下有效无功源的无功储备；
S32、根据有效无功源的无功储备构建故障场景的特征向量，表达式为：
Figure FDA0003241721070000032
其中，
Figure FDA0003241721070000033
为故障场景k的特征向量；
Figure FDA0003241721070000034
为故障场景k下有效无功源m的无功储备；Ny为电网中有效无功源数目。
6.如权利要求5所述的风-光-储混合系统区域无功储备多目标优化方法，其特征在于，步骤S4中，包括如下步骤：
S41、采用t-SNE降维法将故障场景的特征向量降至二维，二维空间中故障场景k的特征向量
Figure FDA0003241721070000035
的表达式如下：
Figure FDA0003241721070000036
其中，
Figure FDA0003241721070000037
和
Figure FDA0003241721070000038
分别为降维后故障场景k的特征向量在二维空间的横坐标和纵坐标；
S42、采用余弦距离计算不同故障场景的降维后特征向量间的相似度d；
S43、基于故障场景的特征向量之间的相似度d，通过层次聚类算法对故障场景进行聚类，得到不同类簇数下的聚类方案；
S44、计算不同类簇数下聚类方案的邓恩指数，以邓恩指数最大的聚类方案为最佳聚类方案，得到故障场景集的最佳聚类数和最佳聚类数下的聚类方案，即各类故障场景集；
S45、基于故障场景集数据计算所有故障场景集的电压稳定指标，表达式如下：
Figure FDA0003241721070000041
其中，Lk为故障场景k的电压稳定指标；ZkLLji、Ski、
Figure FDA0003241721070000042
VkLj分别为故障场景k下负荷节点i与j之间的互阻抗、节点i的系统负荷功率、负荷节点i的电压向量、负荷节点j的电压幅值；
S46、分别在所有类别的故障场景集中选取电压稳定指标最小的作为典型故障场景，组成典型故障场景集，表达式为：
Styp＝{Si|i＝1，…，A}
其中，Styp为典型故障场景集；Si为第i个故障场景集的典型故障场景；A为典型故障场景数，该数值等于最佳聚类数。
7.如权利要求6所述的风-光-储混合系统区域无功储备多目标优化方法，其特征在于，步骤S5中，包括如下步骤：
S51、根据典型场景中节点间电压灵敏度建立电气距离期望矩阵，表达式为：
Figure FDA0003241721070000043
其中，D(k)为典型场景k的电气距离矩阵；λ(k)表示典型场景k的统计概率；
Figure FDA0003241721070000044
表示典型场景k下节点i和j之间的电压灵敏度；K为典型场景数；
S52、选取D中元素构建主导节点控制空间，内容如下：
首先构建表示第i个节点对负荷节点控制能力的向量li：
Figure FDA0003241721070000045
其中，dik为电气距离期望矩阵D中第i行第k列的元素，即电网中节点i与负荷节点k之间的电气距离；Nl为电网中负荷节点的数量，考虑到新能源的无功调节能力，新能源所在节点不作为负荷节点参与本节划分；
最后构建主导节点控制空间L，表达式为：
Figure FDA0003241721070000046
其中，dik为电气距离期望矩阵D中第i行第k列的元素，即电网中节点i与负荷节点k之间的电气距离；Nl为电网中负荷节点的数量，考虑到新能源的无功调节能力，新能源所在节点不作为负荷节点参与本节划分；
S53、将主导节点控制空间L中各个元素取反构建相似度矩阵；
S54、基于相似度矩阵，采用k-medoids聚类算法对电网进行分区，得到分区方案。
8.如权利要求7所述的风-光-储混合系统区域无功储备多目标优化方法，其特征在于，步骤S6中，包括如下步骤：
S61、构建以典型故障场景下区域无功储备最大化和主导节点可控性最大化为目标的优化模型的目标函数,表达式如下：
Figure FDA0003241721070000051
其中，f1为典型故障场景下区域无功储备目标；f2为2)区域主导节点对其内部节点的可控性目标；kmnj为典型故障场景m下分区n中无功源j无功储备的修正系数，用以表征多类型可调资源无功储备对系统主导节点电压安全的贡献度；Qmjres为典型故障场景m下动态无功源j的无功储备；Nn为区域电网n中无功源个数；A为典型故障场景数；j∈Ti为分区i内负荷及无功源所在节点集合；aij为分区i主导节点对节点j的电压/电压灵敏度；
S62、确定动态无功储备优化模型的约束条件,具体如下：
Figure FDA0003241721070000052
其中，f为潮流方程；V为节点电压幅值；θ为节点电压相角；PL、QL分别为有功、无功负荷；PG、QG分别为电网中电源的有功、无功出力；u为控制变量，包括主导节点位置，发电机端电压，多类型资源无功补偿量和所属区域；PGmax、PGmin分别为电网中电源的有功出力上限、下限；QGmax、QGmin分别为电网中电源无功出力上限、下限；umax、umin分别为控制变量的上限、下限；Vimax、Vimin分别为节点i的电压幅值上限和电压幅值下限；Vi为节点i的电压幅值；NZ为主导节点数；NL为电网中负荷数。
9.如权利要求8所述的风-光-储混合系统区域无功储备多目标优化方法，其特征在于，步骤S7中，采用多目标优化算法对模型进行求解得到Pareto最优解集。
10.如权利要求9所述的风-光-储混合系统区域无功储备多目标优化方法，其特征在于，步骤S8中，基于Pareto最优解集通过模糊理论得到折中最优解。
CN202111021764.5A 2021-09-01 2021-09-01 风-光-储混合系统区域无功储备多目标优化方法 Withdrawn CN113708380A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111021764.5A CN113708380A (zh) 2021-09-01 2021-09-01 风-光-储混合系统区域无功储备多目标优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111021764.5A CN113708380A (zh) 2021-09-01 2021-09-01 风-光-储混合系统区域无功储备多目标优化方法

Publications (1)

Publication Number Publication Date
CN113708380A true CN113708380A (zh) 2021-11-26

Family

ID=78658783

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111021764.5A Withdrawn CN113708380A (zh) 2021-09-01 2021-09-01 风-光-储混合系统区域无功储备多目标优化方法

Country Status (1)

Country Link
CN (1) CN113708380A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117474180A (zh) * 2023-12-28 2024-01-30 深圳市中远通电源技术开发有限公司 一种基于配电柜调节的区域供电优化系统、方法及介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117474180A (zh) * 2023-12-28 2024-01-30 深圳市中远通电源技术开发有限公司 一种基于配电柜调节的区域供电优化系统、方法及介质

Similar Documents

Publication Publication Date Title
CN108306303A (zh) 一种考虑负荷增长和新能源出力随机的电压稳定评估方法
CN112785027B (zh) 风光储联合发电系统置信容量评估方法及系统
CN114065483A (zh) 制氢系统效能优化方法、装置、计算机设备和存储介质
CN113783224A (zh) 一种考虑多种分布式能源运行的配电网双层优化规划方法
CN108599239A (zh) 一种下垂控制型孤岛微电网电压质量概率评估方法
Huang et al. Parameter identification for photovoltaic models using an improved learning search algorithm
CN112865089A (zh) 一种改进的主动配电网大规模场景分析方法
CN113708380A (zh) 风-光-储混合系统区域无功储备多目标优化方法
CN113629775B (zh) 一种基于模糊逻辑的氢储能系统集群出力决策方法
Rezaeian‐Marjani et al. Probabilistic assessment of D‐STATCOM operation considering correlated uncertain variables
CN114792976A (zh) 基于多分段无功电压曲线的光伏逆变器无功电压控制方法
CN114094599A (zh) 一种多站融合参与调峰调频调压潜力评估方法及装置
CN113988558A (zh) 基于盲区识别和电气坐标系扩展的电网动态安全评估方法
CN111244937A (zh) 一种电力系统暂态电压稳定性严重故障筛选方法
CN114172149B (zh) 一种分布式发电集群自治控制方法及系统
CN116128211A (zh) 基于风光不确定性预报场景的风光水联合短期优化调度方法
CN113033136B (zh) 简化的光伏电池物理参数提取优化方法及系统
CN114329857A (zh) 一种基于改进鲸鱼算法的分布式电源规划方法
CN110336286B (zh) 风电接入下无功电压分区方法及装置
CN113255228A (zh) 一种基于遗传算法的火电机组调峰组合总煤耗优化方法及系统
CN112103987B (zh) 一种风电接入电网的无功电压两级分区及控制方法
Zhang et al. Optimal reactive optimization of distribution network with wind turbines based on improved nsga-ii
CN113221465B (zh) 一种面向光伏发电运维的组件模型参数辨识方法
CN116722608B (zh) 一种基于光伏逆变器的无功功率补偿系统
CN113704680B (zh) 一种基于水库调节系数排序的水电站群发电优化方法

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20211126

WW01 Invention patent application withdrawn after publication