CN113937820B - 一种基于深度学习的主动配电网优化调度方法 - Google Patents
一种基于深度学习的主动配电网优化调度方法 Download PDFInfo
- Publication number
- CN113937820B CN113937820B CN202111031671.0A CN202111031671A CN113937820B CN 113937820 B CN113937820 B CN 113937820B CN 202111031671 A CN202111031671 A CN 202111031671A CN 113937820 B CN113937820 B CN 113937820B
- Authority
- CN
- China
- Prior art keywords
- distribution network
- power distribution
- active power
- active
- representing
- 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.)
- Active
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000013135 deep learning Methods 0.000 title claims abstract description 19
- 238000005457 optimization Methods 0.000 claims abstract description 27
- 230000002068 genetic effect Effects 0.000 claims abstract description 13
- 238000004146 energy storage Methods 0.000 claims description 17
- 210000000349 chromosome Anatomy 0.000 claims description 15
- 230000005611 electricity Effects 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 5
- 238000002679 ablation Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000010248 power generation Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000002948 stochastic simulation Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000007599 discharging Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 208000001613 Gambling Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
-
- 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
- H02J2203/10—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]
-
- 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
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深度学习的主动配电网优化调度方法,包括:构建主动配电网元件时序模型;根据所述主动配电网运行约束及所述主动配电网元件时序模型,建立主动配电网优化调度模型;利用随机化算法的遗传算法求解所述主动配电网优化调度模型,实现主动配电网的优化调度。本发明综合考虑了经济成本及网络损耗对电网运行收益的影响,提高了经济及社会效益。
Description
技术领域
本发明涉及配电网优化调度的技术领域,尤其涉及一种基于深度学习的主动配电网优化调度方法。
背景技术
随着化石能源的短缺和自然环境的不断恶化,以风电和光伏为代表的可再生能源得到了迅速发展,近年来在配电网中的比率逐渐升高。如何协调主动配电网内多种分布式能源、储能装置以及主动负荷,并有效参与到当前电力市场中,从而改善配电网电压水平、减小配电网运行成本,成为亟待解决的问题。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题,提出了本发明。
因此,本发明解决的技术问题是:现有技术中没有全面考虑电网电压偏差、网络损耗及经济成本问题,从而无法提高经济效益和环境效益。
为解决上述技术问题,本发明提供如下技术方案:构建主动配电网元件时序模型;根据所述主动配电网运行约束及所述主动配电网元件时序模型,建立主动配电网优化调度模型;利用随机化算法的遗传算法求解所述主动配电网优化调度模型,实现主动配电网的优化调度。
作为本发明所述的基于深度学习的主动配电网优化调度方法的一种优选方案,其中:所述主动配电网元件时序模型包括,电源时序模型,发电机:
其中,表示t时刻发电机的有功输出,It表示t时刻外力强度,Ir表示额定外力强度,/>表示额定有功输出。
作为本发明所述的基于深度学习的主动配电网优化调度方法的一种优选方案,其中:还包括,负荷时序模型:
其中,Pi,t、Qi,t分别表示t时刻i节点等效有功和无功负荷,Ui,t表示t时刻节点i的实际电压值,Ur表示额定电压值,θ、分别表示负荷有功和无功特征系数,Pi,r和Qi,r表示额定电压下节点i的有功和无功负荷。
作为本发明所述的基于深度学习的主动配电网优化调度方法的一种优选方案,其中:还包括,有载调压变压器时序模型:
ΔUt=ΔUOTt
其中,ΔUt表示t时刻电压变化量标值,ΔUO表示一个档位对应的电压标值,Tt表示t时刻接头所处位置。
作为本发明所述的基于深度学习的主动配电网优化调度方法的一种优选方案,其中:所述主动配电网运行约束包括,电功率平衡约束:
其中,Pwt(t)、Pvt(t)、Pload(t)、Pgrid(t)、Pmt(t)表示t时段的风电功率、光伏功率值、负荷功率值、购电功率以及实际输出功率,表示第i个可切除柔性负荷的切除功率值;
储能出力约束:
Pes,min≤Pes(t)≤Pes,max
其中,Pes,min、Pes,max分别表示储能单元的最小输出功率和最大输出功率,Pes(t)表示t时段储能单元功率;
供需平衡约束:
其中,Pi,t表示t时段电源i的出力,n表示电源数量,Pch,t、Pdis,t表示t时刻储能充放电功率,Pbuy,t、Psell,t分别表示t时段从主网购电的向主网售电电量,Pload,t表示t时刻电网内部负荷需求量;
节点电压约束:
Umin≤Uj(t)≤Umax
其中,Umin、Umax表示主动配电网节点电压的下限值与上限值。
作为本发明所述的基于深度学习的主动配电网优化调度方法的一种优选方案,其中:目标函数包括,设定所述主动配电网日运行费用最小为所述目标函数:
其中,N表示优化调度总时长,M表示可切除柔性负荷总数量,Closs(t)表示t时段电网系统网损成本,Cgrid(t)表示t时段主动配电网的购电费用,表示第i个可切除柔性负荷t时段响应负荷削减获得的补偿费用,Cmt(t)表示t时段的发电成本,Ccs(t)表示t时段储能单元放电成本。
作为本发明所述的基于深度学习的主动配电网优化调度方法的一种优选方案,其中:所述Ccs(t)包括,
作为本发明所述的基于深度学习的主动配电网优化调度方法的一种优选方案,其中:所述随机化算法的遗传算法包括,输入初始参数;用随机模拟检验染色体的可行性;所述染色体进行自适应交叉变异;用随机模拟检验所述染色体的可行性;计算所述染色体适应度值,旋转赌轮,旋转所述染色体;若未达到遗传迭代次数,则返回第三步,若达到遗传迭代次数,则结束。
本发明的有益效果:本发明综合考虑了经济成本及网络损耗对电网运行收益的影响,提高了经济及社会效益。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述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例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明一个实施例提供的一种基于深度学习的主动配电网优化调度方法的基本流程示意图;
图2为本发明一个实施例提供的一种基于深度学习的主动配电网优化调度方法中随机化算法遗传算法的基本流程示意图;
图3为本发明一个实施例提供的一种基于深度学习的主动配电网优化调度方法中IEEE33节点配电网示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1~2,为本发明的一个实施例,提供了一种基于深度学习的主动配电网优化调度方法,包括:
S1:构建主动配电网元件时序模型;
需要说明的是,主动配电网元件时序模型包括:
电源时序模型,发电机:
其中,表示t时刻发电机的有功输出,It表示t时刻外力强度,Ir表示额定外力强度,/>表示额定有功输出。
负荷时序模型:
其中,Pi,t、Qi,t分别表示t时刻i节点等效有功和无功负荷,Ui,t表示t时刻节点i的实际电压值,Ur表示额定电压值,θ、分别表示负荷有功和无功特征系数,Pi,r和Qi,r表示额定电压下节点i的有功和无功负荷。
有载调压变压器时序模型:
ΔUt=ΔUOTt
其中,ΔUt表示t时刻电压变化量标值,ΔUO表示一个档位对应的电压标值,Tt表示t时刻接头所处位置。
S2:根据主动配电网运行约束及主动配电网元件时序模型,建立主动配电网优化调度模型;
需要说明的是,主动配电网运行约束包括:
电功率平衡约束:
其中,Pwt(t)、Pvt(t)、Pload(t)、Pgrid(t)、Pmt(t)表示t时段的风电功率、光伏功率值、负荷功率值、购电功率以及实际输出功率,表示第i个可切除柔性负荷的切除功率值;
储能出力约束:
Pes,min≤Pes(t)≤Pes,max
其中,Pes,min、Pes,max分别表示储能单元的最小输出功率和最大输出功率,Pes(t)表示t时段储能单元功率;
供需平衡约束:
其中,Pi,t表示t时段电源i的出力,n表示电源数量,Pch,t、Pdis,t表示t时刻储能充放电功率,Pbuy,t、Psell,t分别表示t时段从主网购电的向主网售电电量,Pload,t表示t时刻电网内部负荷需求量;
节点电压约束:
Umin≤Uj(t)≤Umax
其中,Umin、Umax表示主动配电网节点电压的下限值与上限值。
其目标函数包括:
设定主动配电网日运行费用最小为目标函数:
其中,N表示优化调度总时长,M表示可切除柔性负荷总数量,Closs(t)表示t时段电网系统网损成本,Cgrid(t)表示t时段主动配电网的购电费用,表示第i个可切除柔性负荷t时段响应负荷削减获得的补偿费用,Cmt(t)表示t时段的发电成本,Ccs(t)表示t时段储能单元放电成本。
其中,Ccs(t)包括:
S3:利用随机化算法的遗传算法求解主动配电网优化调度模型,实现主动配电网的优化调度;
需要说明的是,如图2所示,随机化算法的遗传算法包括:
输入初始参数;
用随机模拟检验染色体的可行性;
染色体进行自适应交叉变异;
用随机模拟检验染色体的可行性;
计算染色体适应度值,旋转赌轮,旋转染色体;
若未达到遗传迭代次数,则返回第三步,若达到遗传迭代次数,则结束。
实施例2
参照图3,为本发明另一个实施例,该实施例不同于第一个实施例的是,提供了一种基于深度学习的主动配电网优化调度方法的验证测试,为对本方法中采用的技术效果加以验证说明,本实施例采用传统技术方案与本发明方法进行对比测试,以科学论证的手段对比试验结果,以验证本方法所具有的真实效果。
传统的技术方案:现有技术中没有全面考虑电网电压偏差、网络损耗及经济成本问题,从而无法提高经济效益和环境效益。为验证本方法相对传统方法具有较高经济效益和环境效益。本实施例中将采用传统配电网优化调度方法和本方法分别对仿真电网的优化调度后获取的经济效益进行实时测量对比。
测试环境:如图3所示,在仿真平台模拟构建配电网测试系统,分别利用传统方法和本方法,开启自动化测试设备并运用MATLB软件编程实现两种方法的仿真测试,根据实验结果得到仿真数据,结果如下表所示。
表1:实验结果对比表。
从上表可以看出,本发明方法相较于传统方法有较高的经济效益。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (3)
1.一种基于深度学习的主动配电网优化调度方法,其特征在于,包括:
构建主动配电网元件时序模型;
根据所述主动配电网运行约束及所述主动配电网元件时序模型,建立主动配电网优化调度模型;
所述主动配电网元件时序模型包括,
电源时序模型,发电机:
其中,表示t时刻发电机的有功输出,It表示t时刻外力强度,Ir表示额定外力强度,表示额定有功输出;
负荷时序模型:
其中,Pi,t、Qi,t分别表示t时刻i节点等效有功和无功负荷,Ui,t表示t时刻节点i的实际电压值,Ur表示额定电压值,分别表示负荷有功和无功特征系数,Pi,r和Qi,r表示额定电压下节点i的有功和无功负荷;
有载调压变压器时序模型:
ΔUt=ΔUOTt
其中,ΔUt表示t时刻电压变化量标值,ΔUO表示一个档位对应的电压标值,Tt表示t时刻接头所处位置;
所述主动配电网运行约束包括,
电功率平衡约束:
其中,Pwt(t)、Pvt(t)、Pload(t)、Pgrid(t)、Pmt(t)表示t时段的风电功率、光伏功率值、负荷功率值、购电功率以及实际输出功率,表示第i个可切除柔性负荷的切除功率值;
储能出力约束:
Pes,min≤Pes(t)≤Pes,max
其中,Pes,min、Pes,max分别表示储能单元的最小输出功率和最大输出功率,Pes(t)表示t时段储能单元功率;
供需平衡约束:
其中,n表示电源数量,Pch,t表示t时刻储能充电功率,Pdis,t表示t时刻储能放电功率,Pbuy,t、Psell,t分别表示t时段从主网购电电量和向主网售电电量,Pload,t表示t时刻电网内部负荷需求量;
节点电压Uj(t)约束:
Umin≤Uj(t)≤Umax
其中,Umin、Umax表示主动配电网节点电压的下限值与上限值;
所述主动配电网优化调度模型满足所述主动配电网日运行费用最小的目标函数Cmin:
其中,N表示优化调度总时长,M表示可切除柔性负荷总数量,Closs(t)表示t时段电网系统网损成本,Cgrid(t)表示t时段主动配电网的购电费用,表示第i个可切除柔性负荷t时段响应负荷削减获得的补偿费用,Cmt(t)表示t时段的发电成本,Ccs(t)表示t时段储能单元放电成本;
利用随机化算法的遗传算法求解所述主动配电网优化调度模型,实现主动配电网的优化调度。
2.如权利要求1所述的基于深度学习的主动配电网优化调度方法,其特征在于:所述Ccs(t)包括,
其中,Δt表示时间间隔。
3.如权利要求1所述的基于深度学习的主动配电网优化调度方法,其特征在于:所述随机化算法的遗传算法包括,
输入初始参数;
用随机模拟检验染色体的可行性;
所述染色体进行自适应交叉变异;
用随机模拟检验所述染色体的可行性;
计算所述染色体适应度值,旋转赌轮,旋转所述染色体;
若未达到遗传迭代次数,则返回第三步,若达到遗传迭代次数,则结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111031671.0A CN113937820B (zh) | 2021-09-03 | 2021-09-03 | 一种基于深度学习的主动配电网优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111031671.0A CN113937820B (zh) | 2021-09-03 | 2021-09-03 | 一种基于深度学习的主动配电网优化调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113937820A CN113937820A (zh) | 2022-01-14 |
CN113937820B true CN113937820B (zh) | 2023-07-21 |
Family
ID=79274996
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111031671.0A Active CN113937820B (zh) | 2021-09-03 | 2021-09-03 | 一种基于深度学习的主动配电网优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113937820B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114784883B (zh) * | 2022-06-16 | 2022-10-11 | 国网江西省电力有限公司电力科学研究院 | 基于节点电压约束的分布式光伏并网优化方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107706923A (zh) * | 2017-10-27 | 2018-02-16 | 云南电网有限责任公司 | 一种适用于主动配电网的负荷主动管理方法 |
CN110752626A (zh) * | 2019-12-12 | 2020-02-04 | 厦门大学 | 一种主动配电网滚动优化调度方法 |
WO2021098352A1 (zh) * | 2019-11-22 | 2021-05-27 | 国网福建省电力有限公司 | 一种考虑电动汽车充电站选址定容的主动配电网规划模型的建立方法 |
CN113241803A (zh) * | 2021-05-26 | 2021-08-10 | 广东电网有限责任公司 | 一种基于新能源消纳的储能调度方法及计算机介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109462231B (zh) * | 2018-11-15 | 2020-09-01 | 合肥工业大学 | 居民微电网的负荷优化调度方法、系统和存储介质 |
-
2021
- 2021-09-03 CN CN202111031671.0A patent/CN113937820B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107706923A (zh) * | 2017-10-27 | 2018-02-16 | 云南电网有限责任公司 | 一种适用于主动配电网的负荷主动管理方法 |
WO2021098352A1 (zh) * | 2019-11-22 | 2021-05-27 | 国网福建省电力有限公司 | 一种考虑电动汽车充电站选址定容的主动配电网规划模型的建立方法 |
CN110752626A (zh) * | 2019-12-12 | 2020-02-04 | 厦门大学 | 一种主动配电网滚动优化调度方法 |
CN113241803A (zh) * | 2021-05-26 | 2021-08-10 | 广东电网有限责任公司 | 一种基于新能源消纳的储能调度方法及计算机介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113937820A (zh) | 2022-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Home-Ortiz et al. | Optimal location-allocation of storage devices and renewable-based DG in distribution systems | |
Qiu et al. | Optimal allocation of BESS and MT in a microgrid | |
Zhao et al. | Flexible transmission network planning considering distributed generation impacts | |
CN109787261B (zh) | 电网侧及用户侧储能系统容量优化配置方法 | |
Brown et al. | Improving reliability of islanded distribution systems with distributed renewable energy resources | |
Yang et al. | Optimal sizing of a wind/solar/battery/diesel hybrid microgrid based on typical scenarios considering meteorological variability | |
Wu et al. | A multi-agent-based energy-coordination control system for grid-connected large-scale wind–photovoltaic energy storage power-generation units | |
Kim et al. | Multiobjective distributed generation placement using fuzzy goal programming with genetic algorithm | |
CN107092992A (zh) | 一种分布式电源接入方案技术评价与比选方法及系统 | |
Luo et al. | Assessing the transmission expansion cost with distributed generation: An Australian case study | |
CN108462210B (zh) | 基于数据挖掘的光伏可开放容量计算方法 | |
Smail et al. | Optimal design of the electric connection of a wind farm | |
Aliari et al. | Planning for integration of wind power capacity in power generation using stochastic optimization | |
Shen et al. | Optimal hybrid energy storage system planning of community multi-energy system based on two-stage stochastic programming | |
CN112561273B (zh) | 一种基于改进pso的主动配电网可再生dg规划方法 | |
CN113937820B (zh) | 一种基于深度学习的主动配电网优化调度方法 | |
Lata et al. | TLBO‐based approach to optimally place and sizing of energy storage system for reliability enhancement of radial distribution system | |
Liu et al. | Energy storage sizing by copula modelling joint distribution for wind farm to be black‐start source | |
CN112132363A (zh) | 一种增强系统运行鲁棒性的储能选址定容方法 | |
Pudaruth et al. | Locational capacity credit evaluation | |
CN115640963A (zh) | 一种考虑投资运营模式的海上风电接入系统鲁棒规划方法 | |
Heidari et al. | Integrated battery model in cost‐effective operation and load management of grid‐connected smart nano‐grid | |
De Clercq et al. | Optimal sizing of an industrial microgrid considering socio‐organisational aspects | |
Katsigiannis et al. | Effect of customer worth of interrupted supply on the optimal design of small isolated power systems with increased renewable energy penetration | |
Ikechukwu et al. | Improving power system stability in distribution network with intelligent distributed generation scheme |
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 |