CN114400657A - 一种考虑电动汽车接入的配电网协同调控方法及系统 - Google Patents

一种考虑电动汽车接入的配电网协同调控方法及系统 Download PDF

Info

Publication number
CN114400657A
CN114400657A CN202111630764.5A CN202111630764A CN114400657A CN 114400657 A CN114400657 A CN 114400657A CN 202111630764 A CN202111630764 A CN 202111630764A CN 114400657 A CN114400657 A CN 114400657A
Authority
CN
China
Prior art keywords
load
power
regional
distribution network
regulation
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
Application number
CN202111630764.5A
Other languages
English (en)
Inventor
刘艳萍
李欣
陈明辉
曾顺奇
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.)
Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority to CN202111630764.5A priority Critical patent/CN114400657A/zh
Publication of CN114400657A publication Critical patent/CN114400657A/zh
Pending 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
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load 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
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • 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
    • 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
    • H02J3/28—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
    • H02J3/322—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means the battery being on-board an electric or hybrid vehicle, e.g. vehicle to grid arrangements [V2G], power aggregation, use of the battery for network load balancing, coordinated or cooperative battery charging
    • 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
    • H02J3/50—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
    • 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
    • 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
    • Y02E60/30—Hydrogen technology
    • Y02E60/36—Hydrogen production from non-carbon containing sources, e.g. by water electrolysis
    • 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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及配电网资源调控技术领域，提出一种考虑电动汽车接入的配电网协同调控方法及系统，其中包括以下步骤：采集区域网架信息、区域实时负荷数据和历史负荷数据；根据区域实时负荷数据和历史负荷数据，构建区域负荷曲线预测模型；基于源侧光伏调控构建优化控制模型；根据区域网架信息，构建潮流计算拓扑网架；将所述区域负荷曲线预测模型输出的预测负荷值，以及所述优化控制模型输出的最优调控值输入所述潮流计算拓扑网架中，输出配电网协同调控方案。本发明充分考虑充电桩、光伏、储能之间的资源合理分配，结合当日实时数据制定出针对区域充电站、储能装置的实时调控方案，在保持经济效益的同时，保障了系统的安全可靠。

Description

一种考虑电动汽车接入的配电网协同调控方法及系统
技术领域
本发明涉及配电网资源调控技术领域，更具体地，涉及一种考虑电动汽车接入的配电网协同调控方法及系统。
背景技术
随着能源结构调整及能源互联网概念的提出，愈发凸显电力系统优化调度问题的重要性。配电网作为电力系统末端，功率来源包括上级电网供电和各种分布式电源，功率消耗包括常规负荷和各种柔性负荷，其中充电负荷作为新型柔性负荷随着电动汽车大力推广影响也越来越明显，系统中还包括兼具供用电功能的储能资源。随着上述可控的分布式电源、充电负荷以及储能在配网中渗透率的逐渐提升、智能电网和泛在电力物联网的发展，“源-储-荷”角色定位界限趋于模糊，呈现出多元化状态，配电网各方资源互动性更强，利用此特性对“源-储-荷”的主动管控将更有利于消纳新能源以及配电网的优化运行。
目前有提出多元负荷直接调控系统，用于实现电动汽车、储能等客户侧大规模可调度负荷参与多级电网动态平衡优化，提出其省调总站通过双向通信网络能连接微型纵向隔离装置，进一步连接电动汽车充电站进行实时并行控制。然而其调控过程中缺乏考虑充电桩、光伏、储能之间的资源合理分配，对区域电网运行的安全性、经济性和环境友好性存在一定影响。
发明内容
本发明为克服上述现有技术中缺乏考虑充电桩、光伏、储能之间的资源合理分配的缺陷，提供一种考虑电动汽车接入的配电网协同调控方法，以及一种考虑电动汽车接入的配电网协同调控系统。
为解决上述技术问题，本发明的技术方案如下：
一种考虑电动汽车接入的配电网协同调控方法，包括以下步骤：
采集区域网架信息、区域实时负荷数据和历史负荷数据；
根据区域实时负荷数据和历史负荷数据，构建区域负荷曲线预测模型；
基于源侧光伏调控构建优化控制模型；
根据区域网架信息，构建潮流计算拓扑网架；
将所述区域负荷曲线预测模型输出的预测负荷值，以及所述优化控制模型输出的最优调控值输入所述潮流计算拓扑网架中，输出配电网协同调控方案。
本技术方案中，在日前区域负荷情况、充电负荷、储能信息等数据基础上，结合当日实时数据制定出针对区域充电站、储能装置的实时调控方案，建立了源-网-荷-储集中的优化控制模型，有效改善目前对区域性源-网-荷-储的调控。
作为优选方案，所述区域网架信息包括区域配电网网络拓扑结构、线路阻抗和各主干支路的长度。
作为优选方案，所述区域负荷曲线预测模型包括负荷增长率计算子模型、平均负荷增长率计算子模型和实时负荷预测子模型，其中：
所述负荷增长率计算子模型根据前n天的负荷数据，计算每天每时刻的负荷增长率；其表达公式如下：
Figure BDA0003439879540000021
式中，ρi(t+1)表示历史第i天t+1时刻的负荷增长率，Pi(t)表示历史第i天t时刻的区域负荷值；
所述平均负荷增长率计算子模型计算历史前n天每个时刻的平均负荷增长率；其表达公式如下：
Figure BDA0003439879540000022
式中，
Figure BDA0003439879540000023
为历史前n天每个时刻的平均负荷增长率；
所述实时负荷预测子模型进行实时下一时刻的负荷预测；其表达公式如下：
Figure BDA0003439879540000024
式中，Pnext(t+1)表示区域下一时刻的预测负荷值，Pnow(t)表示区域实时负荷值。
作为优选方案，所述优化控制模型中设立有协同调控优化目标函数，其表达公式如下：
Figure BDA0003439879540000025
Figure BDA0003439879540000031
式中，fA表示目标函数；ΔPloss为配电网网损指标，T为配电网总运行时段数量；PPV_pre(t)和PPV(t)分别为光伏出力的预测值和调度值，其中光伏出力的预测值由所述区域负荷曲线预测模型预测得到；
Figure BDA0003439879540000032
为弃光罚项；E为线路集合，(i,j)表示线路lij；rij为线路lij的电阻；线路lt,ij为时段t中线路lij的电流幅值的平方。
作为优选方案，所述约束条件还包括功率平衡约束、节点电压约束、线路电流约束、分布式光伏接入配电网的无功运行约束、网端无功补偿装置运行约束和储端约束中的一种或多种。
作为优选方案，所述约束条件中，所述功率平衡约束的表达公式如下：
Figure BDA0003439879540000033
式中，Pj,t表示节点j在时段t的有功功率；Pjk,t表示节点j到节点k之间的线路在时段t的有功功率；
Figure BDA0003439879540000034
为时段t中由节点i流向节点j的线路的电流幅值；gj表示节点j的电导；vj,t为在时段t中节点j的电压幅值的平方；
Figure BDA0003439879540000035
和
Figure BDA0003439879540000036
分别为发电机、负荷和光伏电源的注入有功功率；
Figure BDA0003439879540000037
和
Figure BDA0003439879540000038
分别为发电机、负荷和光伏电源的注入无功功率；Qj,t表示节点j在时段t的无功功率；xij为节点i到节点j之间的线路的导纳；bj为节点j的电纳；
所述节点电压约束的表达公式如下：
Figure BDA0003439879540000039
式中，N为节点集合，Vi,min和Vi,max分别为节点i的电压幅值下界和上界；
所述线路电流约束的表达公式如下：
Figure BDA00034398795400000310
式中，Iij,max为通过线路lij的电流幅值的上界；
所述分布式光伏接入配电网的无功运行约束的表达公式如下：
Figure BDA0003439879540000041
式中，SN为光伏逆变器的额定容量；QPV,t为光伏t时刻发出的无功功率，PPV,t为光伏t时刻发出的有功功率；
所述网端无功补偿装置运行约束的表达公式如下：
Qmin,i≤Qsvg,i≤Qmax,i,i∈ΩCB
式中，Qsvg,i为无功补偿装置SVG运行时发出的无功功率；ΩCB为含无功补偿装置SVG的节点集合，Qmax,i、Qmin,i为无功补偿装置SVG运行时无功功率的上、下限；
所述荷端电动汽车约束的表达公式如下：
Figure BDA0003439879540000042
Figure BDA0003439879540000043
Figure BDA0003439879540000044
式中，
Figure BDA0003439879540000045
和
Figure BDA0003439879540000046
分别为以EV模式运行的电动汽车i的充电功率下限和上限；
Figure BDA0003439879540000047
为在时段t中电动汽车i的储能容量；
Figure BDA0003439879540000048
为电动汽车i的充电效率系数；
Figure BDA0003439879540000049
和
Figure BDA00034398795400000410
分别为电动汽车i的最小和最大储能容量；
Figure BDA00034398795400000411
为在整个调度周期中电动汽车i的充放电容量需求；Δt为测量时间间隔；
所述储端约束的表达公式如下：
Figure BDA00034398795400000412
Figure BDA00034398795400000413
Figure BDA00034398795400000414
式中，
Figure BDA00034398795400000415
和
Figure BDA00034398795400000416
分别为时段t中储能设备i的充电状态和放电状态，取值为0或1；
Figure BDA00034398795400000417
和
Figure BDA00034398795400000418
分别为储能设备i的充电功率下限和上限；
Figure BDA00034398795400000419
和
Figure BDA00034398795400000420
分别为储能设备i的放电功率下限和上限；
Figure BDA00034398795400000421
为在时段t中储能设备i的储能容量；
Figure BDA0003439879540000051
为储能设备i的充电效率系数；
Figure BDA0003439879540000052
为储能设备i的放电效率系数；
Figure BDA0003439879540000053
和
Figure BDA0003439879540000054
分别为储能设备i的最小和最大储能容量。
作为优选方案，生成所述配电网协同调控方案的步骤包括：
将区域网架信息输入所述区域负荷曲线预测模型中，得到区域电动汽车、光伏、储能、无功补偿的预测负荷值；
将所述预测负荷值输入所述优化控制模型中，所述优化控制模型以调度值作为决策变量进行优化求解，输出最优调度值；
将最优调度值输入所述潮流计算拓扑网架中进行潮流计算，得到各个补偿点未来24小时的储能充放电功率及时间、电动汽车充电桩充放电功率及时间，并将第1个小时的潮流计算结果作为配电网协同调控方案输出。
作为优选方案，还包括以下步骤：每经过一小时重新采集区域网架信息、区域实时负荷数据和历史负荷数据，并输入区域负荷曲线预测模型中得到预测负荷值，根据预测负荷值重新求解最优调度值，以及重新进行潮流计算，输出经过循环优化的配电网协同调控方案。
进一步地，本发明还提出了一种考虑电动汽车接入的配电网协同调控系统，应用于上述任一技术方案提出的考虑电动汽车接入的配电网协同调控方法。配电网协同调控系统中包括采集模块、预测模块、优化模块、潮流计算模块和调控方案生成模块。
其中，采集模块用于采集区域网架信息、区域实时负荷数据和历史负荷数据；所述预测模块包括根据区域实时负荷数据和历史负荷数据构建的区域负荷曲线预测模型；所述优化模块包括基于源侧光伏调控构建的优化控制模型；所述潮流计算模块包括根据区域网架信息构建的潮流计算拓扑网架；所述预测模块输出的预测负荷值、所述优化模块输出的最优调控值分别输入潮流计算模块中，所述潮流计算模块输出各个补偿点未来24小时的储能充放电功率及时间、电动汽车充电桩充放电功率及时间；调控方案生成模块用于根据所述潮流计算模块输出的潮流计算结果，选择第1个小时的潮流计算结果作为配电网协同调控方案输出。
作为优选方案，所述预测模块包括：负荷增长率计算单元，用于计算历史负荷增长率；平均负荷增长率计算单元，用于计算历史负荷增长率；实时负荷预测子模型，用于进行实时下一时刻的负荷预测，输出区域下一时刻的预测负荷值。
与现有技术相比，本发明技术方案的有益效果是：本发明通过协调“源-网-荷”各侧资源进行集中优化控制，充分考虑充电桩、光伏、储能之间的资源合理分配，对电动汽车、储能以及无功补偿装置进行协调控制，进而在保持经济效益的同时，保障了系统的安全可靠。
附图说明
图1为实施例1的考虑电动汽车接入的配电网协同调控方法的流程图。
图2为实施例2的配电网协同调控方案生成的流程图。
图3为实施例3的33节点配电网系统的场景及资源分布示意图。
图4为实施例3的负荷曲线及光伏出力曲线示意图。
图5为实施例3的有功负荷曲线示意图。
图6为实施例3的线路末端节点33电压情况示意图。
图7为实施例4的考虑电动汽车接入的配电网协同调控系统的架构图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
本实施例提出一种考虑电动汽车接入的配电网协同调控方法，如图1所示，为本实施例的考虑电动汽车接入的配电网协同调控方法的流程图。
本实施例提出的考虑电动汽车接入的配电网协同调控方法中，包括以下步骤：
S1、采集区域网架信息、区域实时负荷数据和历史负荷数据。
本实施例中，所采集的区域网架信息包括区域配电网网络拓扑结构、线路阻抗和各主干支路的长度。
S2、根据区域实时负荷数据和历史负荷数据，构建区域负荷曲线预测模型。
本实施例中的区域负荷曲线预测模型用于根据区域实时负荷数据和历史负荷数据，对于目标区域实际运行时，进行实时下一时刻的负荷预测，生成预测值。
S3、基于光伏调控构建优化控制模型；所述优化控制模型中设立有约束条件，所述约束条件包括荷端电动汽车约束。
本实施例中的优化控制模型源侧考虑光伏调控，且所述优化控制模型考虑经济性和环境友好性作为关键指标，同时考虑电动汽车接入时产生的荷端电动汽车约束，设立相应的优化目标，生成最优调度值。
S4、根据区域网架信息，构建潮流计算拓扑网架。
本实施例中的潮流计算拓扑网架用于结合当前的预测值和调度值进行潮流计算，便于生成相应的调度方案。
S5、将所述区域负荷曲线预测模型输出的预测负荷值，以及所述优化控制模型输出的最优调控值输入所述潮流计算拓扑网架中，输出配电网协同调控方案。
本实施例中充分考虑电动汽车接入，通过构建源-网-荷-储集中的优化控制模型，充分考虑充电桩、光伏、储能之间的资源合理分配，进一步结合了区域电动汽车的实际状况，同时以经济性和环境友好性作为关键指标，使输出的配电网协同调控方案兼顾各资源方自身条件的同时，也最大程度保证了电网运行的安全性和经济性，发挥了削峰填谷、改善电网运行环境以及合理消纳储能的效果。
实施例2
本实施例在实施例1提出的考虑电动汽车接入的配电网协同调控方法的基础上，对区域负荷曲线预测模型及优化控制模型进一步限定。
本实施例中的区域负荷曲线预测模型包括负荷增长率计算子模型、平均负荷增长率计算子模型和实时负荷预测子模型。
其中，负荷增长率计算子模型用于根据前n天的负荷数据，计算每天每时刻的负荷增长率。本实施例中，取前3天的负荷数据进行计算，其计算公式如下：
Figure BDA0003439879540000071
Figure BDA0003439879540000072
Figure BDA0003439879540000073
式中，ρi(t+1)表示历史第i天t+1时刻的负荷增长率，Pi(t)表示历史第i天t时刻的区域负荷值，本实施例中i取值为1,2,3。
平均负荷增长率计算子模型用于计算历史前n天每个时刻的平均负荷增长率。其计算公式如下：
Figure BDA0003439879540000081
式中，
Figure BDA0003439879540000082
为历史前3天每个时刻的平均负荷增长率。
对于区域实际运行时，实时负荷预测子模型进行实时下一时刻的负荷预测。其表达公式如下：
Figure BDA0003439879540000083
式中，Pnext(t+1)表示区域下一时刻的预测负荷值，Pnow(t)表示区域实时负荷值。
进一步地，本实施例中的优化控制模型中设立有协同调控优化目标函数，其表达公式如下：
Figure BDA0003439879540000084
Figure BDA0003439879540000085
式中，fA表示目标函数；ΔPloss为配电网网损指标，T为配电网总运行时段数量；PPV_pre(t)和PPV(t)分别为光伏出力的预测值和调度值，其中光伏出力的预测值由所述区域负荷曲线预测模型预测得到；
Figure BDA0003439879540000086
为弃光罚项；E为线路集合，(i,j)表示线路lij；rij为线路lij的电阻；线路lt,ij为时段t中线路lij的电流幅值的平方。
本实施例中的优化控制模型作为一个源-网-荷-储集中优化控制模型，综合考虑光伏、充电桩、无功补偿装置、储能多方调控资源能力与约束，充分挖掘荷各调控资源的潜力。
具体的，优化控制模型的约束条件除了荷端电动汽车约束，还包括功率平衡约束、节点电压约束、线路电流约束、分布式光伏接入配电网的无功运行约束、网端无功补偿装置运行约束和储端约束中的一种或多种。
其中，功率平衡约束的表达公式如下：
Figure BDA0003439879540000091
式中，Pj,t表示节点j在时段t的有功功率；Pjk,t表示节点j到节点k之间的线路在时段t的有功功率；
Figure BDA0003439879540000092
为时段t中由节点i流向节点j的线路的电流幅值；gj表示节点j的电导；vj,t为在时段t中节点j的电压幅值的平方；
Figure BDA0003439879540000093
和
Figure BDA0003439879540000094
分别为发电机、负荷和光伏电源的注入有功功率；
Figure BDA0003439879540000095
和
Figure BDA0003439879540000096
分别为发电机、负荷和光伏电源的注入无功功率；Qj,t表示节点j在时段t的无功功率；xij为节点i到节点j之间的线路的导纳；bj为节点j的电纳。
所述节点电压约束的表达公式如下：
Figure BDA0003439879540000097
式中，N为节点集合，Vi,min和Vi,max分别为节点i的电压幅值下界和上界。
所述线路电流约束的表达公式如下：
Figure BDA0003439879540000098
式中，Iij,max为通过线路lij的电流幅值的上界。
所述分布式光伏接入配电网的无功运行约束的表达公式如下：
Figure BDA0003439879540000099
式中，SN为光伏逆变器的额定容量；QPV,t为光伏t时刻发出的无功功率，PPV,t为光伏t时刻发出的有功功率。
所述网端无功补偿装置运行约束的表达公式如下：
Qmin,i≤Qsvg,i≤Qmax,i,i∈ΩCB
式中，Qsvg,i为无功补偿装置SVG运行时发出的无功功率；ΩCB为含无功补偿装置SVG的节点集合，Qmax,i、Qmin,i为无功补偿装置SVG运行时无功功率的上、下限。
所述荷端电动汽车约束包括电动汽车充电功率限制约束、充电容量限制约束、电动汽车容量需求约束，其表达公式分别如下：
Figure BDA0003439879540000101
Figure BDA0003439879540000102
Figure BDA0003439879540000103
式中，
Figure BDA0003439879540000104
和
Figure BDA0003439879540000105
分别为以EV模式运行的电动汽车i的充电功率下限和上限；
Figure BDA0003439879540000106
为在时段t中电动汽车i的储能容量；
Figure BDA0003439879540000107
为电动汽车i的充电效率系数；
Figure BDA0003439879540000108
和
Figure BDA0003439879540000109
分别为电动汽车i的最小和最大储能容量；
Figure BDA00034398795400001010
为在整个调度周期中电动汽车i的充放电容量需求；Δt为测量时间间隔。
所述储端约束包括储能装置充放电状态约束、充放电功率限制约束、容量约束，其表达公式分别如下：
Figure BDA00034398795400001011
Figure BDA00034398795400001012
Figure BDA00034398795400001013
式中，
Figure BDA00034398795400001014
和
Figure BDA00034398795400001015
分别为时段t中储能设备i的充电状态和放电状态，取值为0或1；
Figure BDA00034398795400001016
和
Figure BDA00034398795400001017
分别为储能设备i的充电功率下限和上限；
Figure BDA00034398795400001018
和
Figure BDA00034398795400001019
分别为储能设备i的放电功率下限和上限；
Figure BDA00034398795400001020
为在时段t中储能设备i的储能容量；
Figure BDA00034398795400001021
为储能设备i的充电效率系数；
Figure BDA00034398795400001022
为储能设备i的放电效率系数；
Figure BDA00034398795400001023
和
Figure BDA00034398795400001024
分别为储能设备i的最小和最大储能容量。
进一步地，本实施例中将所述区域负荷曲线预测模型输出的预测负荷值，以及所述优化控制模型输出的最优调控值输入所述潮流计算拓扑网架中，输出配电网协同调控方案。其具体步骤如下：
步骤A：将区域网架信息输入所述区域负荷曲线预测模型中，得到区域电动汽车、光伏、储能、无功补偿的预测负荷值。
步骤B：将所述预测负荷值输入所述优化控制模型中，所述优化控制模型以调度值作为决策变量进行优化求解，输出最优调度值。
步骤C：将最优调度值输入所述潮流计算拓扑网架中进行潮流计算，得到各个补偿点未来24小时的储能充放电功率及时间、电动汽车充电桩充放电功率及时间，并将第1个小时的潮流计算结果作为配电网协同调控方案输出。
在另一实施例中，进一步地，对于1个小时后则重新执行步骤A，进行循环优化。具体的，每经过一小时重新采集区域网架信息、区域实时负荷数据和历史负荷数据，并输入区域负荷曲线预测模型中得到预测负荷值，根据预测负荷值重新求解最优调度值，以及重新进行潮流计算，输出经过循环优化的配电网协同调控方案。如图2所示，为本实施例的配电网协同调控方案生成的流程图。
本实施例中，通过合考虑光伏、充电桩、无功补偿装置、储能多方调控资源能力与约束，充分挖掘荷各调控资源的潜力，得到兼顾各资源方自身条件的配电网协同调控方案。
实施例3
本实施例应用实施例1或实施例2提出的一种考虑电动汽车接入的配电网协同调控方法，应用于一33节点配电网系统中。如图2所示，为本实施例的33节点配电网系统的场景及资源分布示意图。
其中，光伏并网节点为18、31，单台装机容量为1MW；储能并网节点为17、30，功率极限为-0.25～0.25MW；电动汽车并网节点为15、33，电动汽车数量为150辆，单辆电动汽车功率极限为-7～7kW；SVG并网节点为9、16、21、29，功率极限为-0.1～0.25MVar。本实施例中的负荷曲线、光伏出力曲线如4所示。
本实施例中，应用实施例1或实施例2提出的一种考虑电动汽车接入的配电网协同调控方法分别进行以下3种场景的仿真：
(1)场景1(原始场景)：不考虑光伏并网，不接入电动汽车，储能作为应急电源，不参与日常电网调度，不利用无功补偿装置进行优化调节。
(2)场景2(源-网-荷场景)：考虑光伏并网，电动汽车根据用户需求进行恒功率充电，储能作为应急电源，不参与日常电网调度，不利用无功补偿装置进行优化调节。
(3)场景3(源-网-荷-储场景)：考虑光伏并网，采用集中优化策略调节储能充放电、电动汽车接入以及考虑SVG以及光伏逆变器的无功调节作用，使得配电网的目标函数最小。
对上述3中场景进行仿真实验后，得到如图5、6所示的有功负荷曲线、线路末端节点33电压情况示意图。由图可知，本实施例中的优化控制模型采用集中优化策略，根据配电网网损指标进行调控，对电动汽车、储能以及无功补偿装置进行协调控制，在保持经济效益的同时，最大限度的削峰填谷，负荷曲线趋于平稳，同时降低了无功负荷水平，进一步降低了网损，降低了节点电压的波动。
本实施例进一步对各场景下配电网综合运行指标进行对比，得到如下表1所示的配电网综合运行指标结果。
表1配电网综合运行指标结果
指标 场景1 场景2 场景3
有功负荷峰谷差/MW 3.9 6.6 4.0
末端电压最小值(p.u.) 0.91 0.86 0.96
配电网总网损/MW 1.242 4.71 1.234
弃光率/％ —— 5.6％ 3.9％
由上表可知，场景2接入光伏与电动汽车后，由于光伏、基础负荷、电动汽车负荷在时序上的不同，导致配电网系统出现了峰谷差进一步增大的情况，网损明显提升，末端电压也明显下降。
本实施例通过协调“源-网-荷”各侧资源进行集中优化控制可以取得配电网控制效益最大化，在保证光伏消纳，减小弃光的同时，也保障了系统的安全可靠，网损进一步降低。同时考虑了光伏逆变器的无功调节作用后，可减少增设补偿设备的成本，电动汽车以及储能的削峰填谷效益亦有利于减缓配电网改造升级，提高配电网的经济性，上述结果验证了本文模型的有效性。。
实施例4
本实施例提出一种考虑电动汽车接入的配电网协同调控系统，应用实施例1或实施例2提出的考虑电动汽车接入的配电网协同调控方法。如图7所示，为本实施例的考虑电动汽车接入的配电网协同调控系统的架构图。
本实施例提出的考虑电动汽车接入的配电网协同调控系统中，包括采集模块、预测模块、优化模块、潮流计算模块和调控方案生成模块。
本实施例中的采集模块用于采集区域网架信息、区域实时负荷数据和历史负荷数据。其中，所采集的区域网架信息包括区域配电网网络拓扑结构、线路阻抗和各主干支路的长度。
本实施例中的预测模块包括根据区域实时负荷数据和历史负荷数据构建的区域负荷曲线预测模型，用于根据输入的区域网架信息预测区域电动汽车、光伏、储能、无功补偿的负荷值。
进一步地，本实施例中的预测模块包括负荷增长率计算单元、平均负荷增长率计算单元和实时负荷预测子模型。其中，负荷增长率计算单元用于计算历史负荷增长率；平均负荷增长率计算单元用于计算历史负荷增长率；实时负荷预测子模型用于进行实时下一时刻的负荷预测，输出区域下一时刻的预测负荷值。
本实施例中的优化模块包括基于源侧光伏调控构建的优化控制模型，用于根据的预测模块输出的预测负荷值，以调度值作为决策变量进行优化求解，输出最优调度值。
进一步地，本实施例中的优化模块内设定有约束条件，所述约束条件包括功率平衡约束、节点电压约束、线路电流约束、分布式光伏接入配电网的无功运行约束、网端无功补偿装置运行约束、荷端电动汽车约束和储端约束，实现对电动汽车、储能以及无功补偿装置进行协调控制的优化。
本实施例中的潮流计算模块包括根据区域网架信息构建的潮流计算拓扑网架，用于根据预测模块输出的预测负荷值、优化模块输出的最优调控值进行潮流计算，输出各个补偿点未来24小时的储能充放电功率及时间、电动汽车充电桩充放电功率及时间。
本实施例中的调控方案生成模块用于根据所述潮流计算模块输出的潮流计算结果，选择第1个小时的潮流计算结果作为配电网协同调控方案输出。
进一步地，本实施例中的调控方案生成模块每经过一小时向所述采集模块反馈信号，所述采集模块重新采集区域网架信息、区域实时负荷数据和历史负荷数据，再输入预测模块中得到新的预测负荷值，优化模块根据新的预测负荷值重新求解最优调度值，并通过潮流计算模块重新进行潮流计算，输出当前经过循环优化的配电网协同调控方案。
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种考虑电动汽车接入的配电网协同调控方法，其特征在于，包括以下步骤：
采集区域网架信息、区域实时负荷数据和历史负荷数据；
根据区域实时负荷数据和历史负荷数据，构建区域负荷曲线预测模型；
基于光伏调控构建优化控制模型；所述优化控制模型中设立有约束条件，所述约束条件包括荷端电动汽车约束；
根据区域网架信息，构建潮流计算拓扑网架；
将所述区域负荷曲线预测模型输出的预测负荷值，以及所述优化控制模型输出的最优调控值输入所述潮流计算拓扑网架中，输出配电网协同调控方案。
2.根据权利要求1所述的考虑电动汽车接入的配电网协同调控方法，其特征在于，所述区域网架信息包括区域配电网网络拓扑结构、线路阻抗和各主干支路的长度。
3.根据权利要求1所述的考虑电动汽车接入的配电网协同调控方法，其特征在于，所述区域负荷曲线预测模型包括负荷增长率计算子模型、平均负荷增长率计算子模型和实时负荷预测子模型，其中：
所述负荷增长率计算子模型根据前n天的负荷数据，计算每天每时刻的负荷增长率；其表达公式如下：
Figure FDA0003439879530000011
式中，ρi(t+1)表示历史第i天t+1时刻的负荷增长率，Pi(t)表示历史第i天t时刻的区域负荷值；
所述平均负荷增长率计算子模型计算历史前n天每个时刻的平均负荷增长率；其表达公式如下：
Figure FDA0003439879530000012
式中，
Figure FDA0003439879530000013
为历史前n天每个时刻的平均负荷增长率；
所述实时负荷预测子模型进行实时下一时刻的负荷预测；其表达公式如下：
Figure FDA0003439879530000021
式中，Pnext(t+1)表示区域下一时刻的预测负荷值，Pnow(t)表示区域实时负荷值。
4.根据权利要求1所述的考虑电动汽车接入的配电网协同调控方法，其特征在于，所述优化控制模型中设立有协同调控优化目标函数，其表达公式如下：
Figure FDA0003439879530000022
Figure FDA0003439879530000023
式中，fA表示目标函数；ΔPloss为配电网网损指标，T为配电网总运行时段数量；PPV_pre(t)和PPV(t)分别为光伏出力的预测值和调度值，其中光伏出力的预测值由所述区域负荷曲线预测模型预测得到；
Figure FDA0003439879530000024
为弃光罚项；E为线路集合，(i,j)表示线路lij；rij为线路lij的电阻；线路lt,ij为时段t中线路lij的电流幅值的平方。
5.根据权利要求4所述的考虑电动汽车接入的配电网协同调控方法，其特征在于，所述约束条件还包括功率平衡约束、节点电压约束、线路电流约束、分布式光伏接入配电网的无功运行约束、网端无功补偿装置运行约束和储端约束中的一种或多种。
6.根据权利要求5所述的考虑电动汽车接入的配电网协同调控方法，其特征在于，所述约束条件中，所述功率平衡约束的表达公式如下：
Figure FDA0003439879530000025
式中，Pj,t表示节点j在时段t的有功功率；Pjk,t表示节点j到节点k之间的线路在时段t的有功功率；
Figure FDA0003439879530000028
为时段t中由节点i流向节点j的线路的电流幅值；gj表示节点j的电导；vj,t为在时段t中节点j的电压幅值的平方；
Figure FDA0003439879530000026
和
Figure FDA0003439879530000027
分别为发电机、负荷和光伏电源的注入有功功率；
Figure FDA0003439879530000031
和
Figure FDA0003439879530000032
分别为发电机、负荷和光伏电源的注入无功功率；Qj,t表示节点j在时段t的无功功率；xij为节点i到节点j之间的线路的导纳；bj为节点j的电纳；
所述节点电压约束的表达公式如下：
Figure FDA0003439879530000033
式中，N为节点集合，Vi,min和Vi,max分别为节点i的电压幅值下界和上界；
所述线路电流约束的表达公式如下：
Figure FDA0003439879530000034
式中，Iij,max为通过线路lij的电流幅值的上界；
所述分布式光伏接入配电网的无功运行约束的表达公式如下：
Figure FDA0003439879530000035
式中，SN为光伏逆变器的额定容量；QPV,t为光伏t时刻发出的无功功率，PPV,t为光伏t时刻发出的有功功率；
所述网端无功补偿装置运行约束的表达公式如下：
Qmin,i≤Qsvg,i≤Qmax,i,i∈ΩCB
式中，Qsvg,i为无功补偿装置SVG运行时发出的无功功率；ΩCB为含无功补偿装置SVG的节点集合，Qmax,i、Qmin,i为无功补偿装置SVG运行时无功功率的上、下限；
所述荷端电动汽车约束的表达公式如下：
Figure FDA0003439879530000036
Figure FDA0003439879530000037
Figure FDA0003439879530000038
式中，
Figure FDA0003439879530000039
和
Figure FDA00034398795300000310
分别为以EV模式运行的电动汽车i的充电功率下限和上限；
Figure FDA00034398795300000311
为在时段t中电动汽车i的储能容量；
Figure FDA00034398795300000312
为电动汽车i的充电效率系数；
Figure FDA00034398795300000313
和
Figure FDA00034398795300000314
分别为电动汽车i的最小和最大储能容量；
Figure FDA00034398795300000315
为在整个调度周期中电动汽车i的充放电容量需求；Δt为测量时间间隔；
所述储端约束的表达公式如下：
Figure FDA0003439879530000041
Figure FDA0003439879530000042
Figure FDA0003439879530000043
式中，
Figure FDA0003439879530000044
和
Figure FDA0003439879530000045
分别为时段t中储能设备i的充电状态和放电状态，取值为0或1；
Figure FDA0003439879530000046
和
Figure FDA0003439879530000047
分别为储能设备i的充电功率下限和上限；
Figure FDA0003439879530000048
和
Figure FDA0003439879530000049
分别为储能设备i的放电功率下限和上限；
Figure FDA00034398795300000410
为在时段t中储能设备i的储能容量；
Figure FDA00034398795300000411
为储能设备i的充电效率系数；
Figure FDA00034398795300000412
为储能设备i的放电效率系数；
Figure FDA00034398795300000413
和
Figure FDA00034398795300000414
分别为储能设备i的最小和最大储能容量。
7.根据权利要求4～6任一项所述的考虑电动汽车接入的配电网协同调控方法，其特征在于，生成所述配电网协同调控方案的步骤包括：
将区域网架信息输入所述区域负荷曲线预测模型中，得到区域电动汽车、光伏、储能、无功补偿的预测负荷值；
将所述预测负荷值输入所述优化控制模型中，所述优化控制模型以调度值作为决策变量进行优化求解，输出最优调度值；
将最优调度值输入所述潮流计算拓扑网架中进行潮流计算，得到各个补偿点未来24小时的储能充放电功率及时间、电动汽车充电桩充放电功率及时间，并将第1个小时的潮流计算结果作为配电网协同调控方案输出。
8.根据权利要求7所述的考虑电动汽车接入的配电网协同调控方法，其特征在于，还包括以下步骤：每经过一小时重新采集区域网架信息、区域实时负荷数据和历史负荷数据，并输入区域负荷曲线预测模型中得到预测负荷值，根据预测负荷值重新求解最优调度值，以及重新进行潮流计算，输出经过循环优化的配电网协同调控方案。
9.一种考虑电动汽车接入的配电网协同调控系统，其特征在于，包括：
采集模块，用于采集区域网架信息、区域实时负荷数据和历史负荷数据；
预测模块，所述预测模块包括根据区域实时负荷数据和历史负荷数据构建的区域负荷曲线预测模型；
优化模块，所述优化模块包括基于源侧光伏调控构建的优化控制模型；
潮流计算模块，所述潮流计算模块包括根据区域网架信息构建的潮流计算拓扑网架；所述预测模块输出的预测负荷值、所述优化模块输出的最优调控值分别输入潮流计算模块中，所述潮流计算模块输出各个补偿点未来24小时的储能充放电功率及时间、电动汽车充电桩充放电功率及时间；
调控方案生成模块，用于根据所述潮流计算模块输出的潮流计算结果，选择第1个小时的潮流计算结果作为配电网协同调控方案输出。
10.根据权利要求9所述的考虑电动汽车接入的配电网协同调控系统，其特征在于，所述预测模块包括：
负荷增长率计算单元，用于计算历史负荷增长率；
平均负荷增长率计算单元，用于计算历史负荷增长率；
实时负荷预测子模型，用于进行实时下一时刻的负荷预测，输出区域下一时刻的预测负荷值。
CN202111630764.5A 2021-12-28 2021-12-28 一种考虑电动汽车接入的配电网协同调控方法及系统 Pending CN114400657A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111630764.5A CN114400657A (zh) 2021-12-28 2021-12-28 一种考虑电动汽车接入的配电网协同调控方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111630764.5A CN114400657A (zh) 2021-12-28 2021-12-28 一种考虑电动汽车接入的配电网协同调控方法及系统

Publications (1)

Publication Number Publication Date
CN114400657A true CN114400657A (zh) 2022-04-26

Family

ID=81229320

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111630764.5A Pending CN114400657A (zh) 2021-12-28 2021-12-28 一种考虑电动汽车接入的配电网协同调控方法及系统

Country Status (1)

Country Link
CN (1) CN114400657A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115001054A (zh) * 2022-07-29 2022-09-02 东南大学溧阳研究院 一种基于模型预测含电动汽车的电力系统频率控制策略
CN115800385A (zh) * 2022-08-15 2023-03-14 国网安徽省电力有限公司经济技术研究院 一种基于光伏逆变器和充电桩可调控容量的电能质量调控方法
CN115986809A (zh) * 2022-12-06 2023-04-18 国网安徽省电力有限公司濉溪县供电公司 基于电网分布式电源预测负荷曲线的优化调控方法和系统
CN116029468A (zh) * 2023-03-30 2023-04-28 国网江苏省电力有限公司苏州供电分公司 考虑电动汽车接入的电网风险评估和超前调度方法及系统
CN116632837A (zh) * 2023-07-19 2023-08-22 国网江西省电力有限公司电力科学研究院 一种有源配电网的电压调节方法及系统
CN117096882A (zh) * 2023-10-16 2023-11-21 国网浙江省电力有限公司宁波供电公司 一种配网潮流调控方法及系统
CN117388626A (zh) * 2023-09-26 2024-01-12 国网宁夏电力有限公司经济技术研究院 基于分布式电源的配电网多元负荷动态平衡状态检测方法
CN117728469A (zh) * 2023-12-18 2024-03-19 国网青海省电力公司清洁能源发展研究院 一种基于电网状态的储能动态调控方法

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115001054A (zh) * 2022-07-29 2022-09-02 东南大学溧阳研究院 一种基于模型预测含电动汽车的电力系统频率控制策略
CN115001054B (zh) * 2022-07-29 2022-11-01 东南大学溧阳研究院 一种基于模型预测含电动汽车的电力系统频率控制策略
CN115800385A (zh) * 2022-08-15 2023-03-14 国网安徽省电力有限公司经济技术研究院 一种基于光伏逆变器和充电桩可调控容量的电能质量调控方法
CN115800385B (zh) * 2022-08-15 2024-04-19 国网安徽省电力有限公司经济技术研究院 一种基于光伏逆变器和充电桩可调控容量的电能质量调控方法
CN115986809A (zh) * 2022-12-06 2023-04-18 国网安徽省电力有限公司濉溪县供电公司 基于电网分布式电源预测负荷曲线的优化调控方法和系统
CN116029468A (zh) * 2023-03-30 2023-04-28 国网江苏省电力有限公司苏州供电分公司 考虑电动汽车接入的电网风险评估和超前调度方法及系统
CN116632837A (zh) * 2023-07-19 2023-08-22 国网江西省电力有限公司电力科学研究院 一种有源配电网的电压调节方法及系统
CN116632837B (zh) * 2023-07-19 2023-12-26 国网江西省电力有限公司电力科学研究院 一种有源配电网的电压调节方法及系统
CN117388626A (zh) * 2023-09-26 2024-01-12 国网宁夏电力有限公司经济技术研究院 基于分布式电源的配电网多元负荷动态平衡状态检测方法
CN117388626B (zh) * 2023-09-26 2024-04-30 国网宁夏电力有限公司经济技术研究院 基于分布式电源的配电网多元负荷动态平衡状态检测方法
CN117096882B (zh) * 2023-10-16 2024-01-05 国网浙江省电力有限公司宁波供电公司 一种配网潮流调控方法及系统
CN117096882A (zh) * 2023-10-16 2023-11-21 国网浙江省电力有限公司宁波供电公司 一种配网潮流调控方法及系统
CN117728469A (zh) * 2023-12-18 2024-03-19 国网青海省电力公司清洁能源发展研究院 一种基于电网状态的储能动态调控方法

Similar Documents

Publication Publication Date Title
CN114400657A (zh) 一种考虑电动汽车接入的配电网协同调控方法及系统
Sarita et al. Power enhancement with grid stabilization of renewable energy-based generation system using UPQC-FLC-EVA technique
Etxeberria et al. Hybrid energy storage systems for renewable energy sources integration in microgrids: A review
CN107947231B (zh) 一种面向配电网优化运行的混合储能系统控制方法
CN106099964B (zh) 一种储能系统参与主动配电网运行调节计算方法
Elmetwaly et al. Operation control, energy management, and power quality enhancement for a cluster of isolated microgrids
Fathy et al. Minimum hydrogen consumption based control strategy of fuel cell/PV/battery/supercapacitor hybrid system using recent approach based parasitism-predation algorithm
CN107453381B (zh) 基于两阶段交叉控制的电动汽车集群功率调节方法及系统
Nambisan et al. Optimal energy management of battery supercapacitor aided solar PV powered agricultural feed mill using Pontryagin's minimum principle
CN104241720A (zh) 一种微网中的电动汽车直流快速充电站充电控制方法
WO2022156014A1 (zh) 混联风光微电网快速频率响应分布式协调控制方法及系统
Lee et al. Scheduling fuel cell electric vehicles as power plants in a community microgrid
Kaysal et al. Hierarchical energy management system with multiple operation modes for hybrid DC microgrid
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
CN116885772A (zh) 风电-光伏-抽水蓄能-火电联合运行系统优化调度方法
Pozo et al. Battery energy storage system for a hybrid generation system grid connected using fuzzy controllers
Vankudoth et al. Distribution network optimization through siting and sizing of bess
CN105811435A (zh) 一种智能储能发电系统的无功补偿方法
Chowdhury et al. Microgrid Peak Shaving Implementation using Vehicle-to-Grid System
CN115852434A (zh) 一种制氢控制方法及相关装置
Reddy et al. Active power management of grid-connected PV-PEV using a Hybrid GRFO-ITSA technique
CN114421502A (zh) 一种微电网群落的协同优化方法
AL-Maaitah et al. Particle Swarm Optimizer for BESS Operation to Mitigate Voltage Deviation of the Modified IEEE 9-bus Power System
Kasturi et al. Analysis of photovoltaic & battery energy storage system impacts on electric distribution system efficacy
Huangfu et al. An energy management strategy of more-electric aircraft based on fuzzy neural network trained by dynamic programming

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