CN114611338A - 一种储能电站选址定容方法及系统 - Google Patents

一种储能电站选址定容方法及系统 Download PDF

Info

Publication number
CN114611338A
CN114611338A CN202210509450.8A CN202210509450A CN114611338A CN 114611338 A CN114611338 A CN 114611338A CN 202210509450 A CN202210509450 A CN 202210509450A CN 114611338 A CN114611338 A CN 114611338A
Authority
CN
China
Prior art keywords
matrix
power grid
state sample
power
node
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210509450.8A
Other languages
English (en)
Other versions
CN114611338B (zh
Inventor
曾伟
李建林
马速良
陈拓新
叶钟海
赵伟哲
范瑞祥
熊俊杰
何昊
武亦文
刘硕
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.)
Beijing Lianzhi Huineng Technology Co ltd
State Grid Corp of China SGCC
North China University of Technology
Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd
Original Assignee
Beijing Lianzhi Huineng Technology Co ltd
State Grid Corp of China SGCC
North China University of Technology
Electric Power Research Institute of State Grid Jiangxi Electric Power 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 Beijing Lianzhi Huineng Technology Co ltd, State Grid Corp of China SGCC, North China University of Technology, Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd filed Critical Beijing Lianzhi Huineng Technology Co ltd
Priority to CN202210509450.8A priority Critical patent/CN114611338B/zh
Publication of CN114611338A publication Critical patent/CN114611338A/zh
Application granted granted Critical
Publication of CN114611338B publication Critical patent/CN114611338B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02JCIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00Circuit arrangements for ac mains or ac distribution networks
    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02JCIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28Arrangements for balancing of the load in a network by storage of energy
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00Details relating to the application field
    • G06F2113/04Power grid distribution networks
    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02JCIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10Power 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
    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02JCIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • YGENERAL 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
    • Y04INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04SSYSTEMS 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
    • Y04S10/00Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50Systems 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开一种储能电站选址定容方法及系统,方法包括:根据节点负荷状态样本矩阵以及发电数据状态样本矩阵组合得到电网状态样本矩阵;根据电网综合电压波动数据计算各个节点的全局影响指数,基于对全局影响指数的大小进行正序排列,使得到具有最大全局影响指数的节点,并将节点作为储能电站选址;根据电网综合电压波动数据对各个电网状态样本进行倒序排序,使选出具有最小电压波动的电网状态样本,并将电网状态样本所具有的储能电站配置容量作为最优储能电站配置。通过对电网电压波动进行排序,选出具有最小电网电压波动的储能电站容量,从而实现储能电站的容量配置。

Description

一种储能电站选址定容方法及系统
技术领域
本发明属于储能电站选址定容技术领域,尤其涉及一种储能电站选址定容方法及系统。
背景技术
当前电网新能源发电接入比例不断提高,由于其具有的发电效率高,环境友善,成本低等优点,广泛的应用于发电,调频等领域。但由于新能源发电具有随机性,波动性等特点,发电量及效率受到天气的阴晴,光照强弱等因素的影响,因此新能源发电对电网电压稳定性造成了一定影响。对于这种影响,单纯依赖电网自身的调节能力难以应付,尤其在新能源发电在电网占比不断上升的情况下,电网电压波动逐渐呈现增大趋势。
对于电网中电压波动问题,常用的手段是在电网中加装储能设备。储能是近年来新型的一种能量存储设备,通过电化学或机械储能的手段将电能转化为化学能或机械能,在一定时间内可以对发电峰值或负荷峰值进行一定程度的削减。当电网内发电功率及负荷功率发生不平衡现象时,电网电压波动呈现明显的增大趋势,此时可以通过储能设备对新能源的波动性发电进行消纳,将多余电能进行存储,等待负荷峰值期释放这部分能量,在储能运营商赚取部分盈利的同时减小电网的电压波动。
虽然储能设备对电网电压波动增大问题是一种有效的解决手段,但储能电站的建设需要进行针对性的规划设计,才能保证储能设备具有足够减小电压波动的能力,同时储能运营商也能获得自身满意的盈利率。现有的储能电站选址定容技术一般仅考虑经济性或可靠性指标,这两种指标是泛用性最强的评价指标,但却无法完整表征储能电站的调压能力。
发明内容
本发明提供一种储能电站选址定容方法及系统,用于解决无法完整表征储能电站调压能力的技术问题。
第一方面,本发明提供一种储能电站选址定容方法,包括:获取发电厂的发电数据 样本矩阵和电网的节点负荷状态样本矩阵,并根据所述节点负荷状态样本矩阵以及所述发 电数据状态样本矩阵组合得到电网状态样本矩阵,其中所述电网状态样本矩阵中包含至少 一个电网状态样本;获取在所述至少一个电网状态样本下的电网综合电压波动数据,并根 据所述电网综合电压波动数据计算各个节点的全局影响指数,基于对所述全局影响指数的 大小进行正序排列,使得到具有最大全局影响指数的节点,并将所述具有最大全局影响指 数的节点作为储能电站选址,其中计算所述全局影响指数的表达式为:
Figure 283978DEST_PATH_IMAGE001
,式中,
Figure 512703DEST_PATH_IMAGE002
为全局影响指数,
Figure 823598DEST_PATH_IMAGE003
为第w个节点的全局影响因子,
Figure 749966DEST_PATH_IMAGE004
Y矩阵方差,
Figure 95497DEST_PATH_IMAGE006
为节点数量,即矩阵中的第k个元 素,
Figure 199850DEST_PATH_IMAGE007
为矩阵Aj行对应的负荷状态所得到的电压波动,
Figure 998042DEST_PATH_IMAGE008
为矩阵A BW j行对应的负 荷状态所得到的电压波动,
Figure 728100DEST_PATH_IMAGE010
为矩阵Ai行对应的负荷状态所得到的电压波动,
Figure 928137DEST_PATH_IMAGE011
Y矩阵均值,
Figure 704857DEST_PATH_IMAGE013
为矩阵Bi行对应的负荷状态所得到的电压波动,
Figure 990345DEST_PATH_IMAGE014
Y矩阵第一列中原 本属于Y A矩阵的第一个元素,
Figure 258515DEST_PATH_IMAGE015
Y矩阵第一列中原本属于Y A矩阵的第k个元素,
Figure 313059DEST_PATH_IMAGE016
Y 矩阵第一列中原本属于Y B矩阵的第一个元素,
Figure 24794DEST_PATH_IMAGE017
Y矩阵第一列中原本属于Y B矩阵的第k 个元素;根据所述电网综合电压波动数据对各个电网状态样本进行倒序排序,使选出具有 最小电压波动的电网状态样本,并将所述电网状态样本所具有的储能电站配置容量作为最 优储能电站配置。
第二方面,本发明提供一种储能电站选址定容系统,包括:组合模块,配置为获取 发电厂的发电数据样本矩阵和电网的节点负荷状态样本矩阵,并根据所述节点负荷状态样 本矩阵以及所述发电数据状态样本矩阵组合得到电网状态样本矩阵,其中所述电网状态样 本矩阵中包含至少一个电网状态样本;第一选取模块,配置为获取在所述至少一个电网状 态样本下的电网综合电压波动数据,并根据所述电网综合电压波动数据计算各个节点的全 局影响指数,基于对所述全局影响指数的大小进行正序排列,使得到具有最大全局影响指 数的节点,并将所述具有最大全局影响指数的节点作为储能电站选址,其中计算所述全局 影响指数的表达式为:
Figure 797578DEST_PATH_IMAGE001
,式中,
Figure 603860DEST_PATH_IMAGE002
为 全局影响指数,
Figure 778489DEST_PATH_IMAGE003
为第w个节点的全局影响因子,
Figure 379235DEST_PATH_IMAGE004
Y矩阵方差,
Figure 888583DEST_PATH_IMAGE006
为节点数 量,即矩阵中的第k个元素,
Figure 498555DEST_PATH_IMAGE007
为矩阵Aj行对应的负荷状态所得到的电压波动,
Figure 527691DEST_PATH_IMAGE008
为 矩阵A BW j行对应的负荷状态所得到的电压波动,
Figure 830497DEST_PATH_IMAGE018
为矩阵Ai行对应的负荷状态所得到 的电压波动,
Figure 63026DEST_PATH_IMAGE011
Y矩阵均值,
Figure 476690DEST_PATH_IMAGE013
为矩阵Bi行对应的负荷状态所得到的电压波动,
Figure 360332DEST_PATH_IMAGE014
Y矩阵第一列中原本属于Y A矩阵的第一个元素,
Figure 834039DEST_PATH_IMAGE015
Y矩阵第一列中原本属于Y A矩 阵的第k个元素,
Figure 67048DEST_PATH_IMAGE016
Y矩阵第一列中原本属于Y B矩阵的第一个元素,
Figure 18823DEST_PATH_IMAGE017
Y矩阵第一列 中原本属于Y B矩阵的第k个元素;第二选取模块,配置为根据所述电网综合电压波动数据对 各个电网状态样本进行倒序排序,使选出具有最小电压波动的电网状态样本,并将所述电 网状态样本所具有的储能电站配置容量作为最优储能电站配置。
第三方面,提供一种电子设备,其包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例的储能电站选址定容方法的步骤。
第四方面,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,所述程序指令被处理器执行时,使所述处理器执行本发明任一实施例的储能电站选址定容方法的步骤。
本申请的储能电站选址定容方法及系统,根据电网综合电压波动数据计算各个节点的全局影响指数,从而选出对电网电压波动具有影响的节点,并在最优节点处配置允许的容量范围内的随机容量储能,使用最优潮流计算电网电压波动,在保证每一次计算中储能具有相同控制性能的基础上,能够对电网电压波动进行排序,选出具有最小电网电压波动的储能电站容量,从而实现储能电站的容量配置。
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一简单地介绍,显而易见地,下面描述中的附图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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种储能电站选址定容方法的流程图;
图2为本发明一实施例提供的一种储能电站选址定容系统的结构框图;
图3是本发明一实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
请参阅图1,其示出了本申请的一种储能电站选址定容方法的流程图。
如图1所示,在步骤S101中,获取发电厂的发电数据样本矩阵和电网的节点负荷状态样本矩阵,并根据所述节点负荷状态样本矩阵以及所述发电数据状态样本矩阵组合得到电网状态样本矩阵,其中所述电网状态样本矩阵中包含至少一个电网状态样本;
在步骤S102中,获取在所述至少一个电网状态样本下的电网综合电压波动数据,并根据所述电网综合电压波动数据计算各个节点的全局影响指数,基于对所述全局影响指数的大小进行正序排列,使得到具有最大全局影响指数的节点,并将所述具有最大全局影响指数的节点作为储能电站选址;
在步骤S103中,根据所述电网综合电压波动数据对各个电网状态样本进行倒序排序,使选出具有最小电压波动的电网状态样本,并将所述电网状态样本所具有的储能电站配置容量作为最优储能电站配置。
在本实施例中,依据全年的负荷数据拟定发电厂及节点负荷所服从概率分布,随机抽样获取发电厂发电数据样本矩阵,使用拉丁超立方体抽样技术抽取电网多个节点负荷状态样本矩阵,节点负荷状态样本矩阵及发电厂发电数据状态样本组合得到电网状态样本矩阵;使用潮流计算在不同电网状态样本下得到电网综合电压波动数据,将不同节点作为sobol算法自变量,电网综合电压波动数据作为sobol算法因变量,利用sobol算法计算得出与电网综合电压波动具有最高关联灵敏度的节点,在此节点配置储能从而实现储能选址;基于蒙特卡洛模拟随机生成电网状态样本,通过最优潮流方法控制储能电站获得不同电网状态样本下的电网综合电压波动,对各个电网状态样本下的电网综合电压波动排序,从而选出具有最小电网综合电压波动的储能电站配置容量,实现储能电站容量配置。
综上,本申请的方法,根据电网综合电压波动数据计算各个节点的全局影响指数,从而选出对电网电压波动具有影响的节点,并在最优节点处配置允许的容量范围内的随机容量储能,使用最优潮流计算电网电压波动,在保证每一次计算中储能具有相同控制性能的基础上,能够对电网电压波动进行排序,选出具有最小电网电压波动的储能电站容量,从而实现储能电站的容量配置。
在一个具体实施例中,储能电站选址定容方法,具体包括以下步骤:
步骤1、依据全年的负荷数据拟定发电厂及节点负荷所服从概率分布,随机抽样获取发电厂发电数据序列,使用拉丁超立方体抽样技术抽取电网多个节点负荷状态序列,同一时刻的节点负荷状态序列及发电厂发电数据序列组合得到电网状态样本。
步骤1.1、对于某共包含m+n个节点的电网,收集全年中m个负荷节点中的负荷数据序列及n个发电厂的发电数据序列,依据数据特征及已有的研究经验,使用指数分布表征发电厂发电数据的概率分布,指数分布概率密度函数如公式(1)所示;使用高斯分布表征m个负荷节点中的负荷数据所服从的概率分布,高斯分布概率密度函数如公式(2)所示。
Figure 22551DEST_PATH_IMAGE019
(1)
Figure 401580DEST_PATH_IMAGE020
(2)
式中,
Figure 608702DEST_PATH_IMAGE021
Figure 364168DEST_PATH_IMAGE022
以及
Figure 956824DEST_PATH_IMAGE023
均为高斯分布参数,可以根据全年负荷数据获得,
Figure 772333DEST_PATH_IMAGE025
为指数分 布参数,可以根据全年发电厂发电数据获得,
Figure 965286DEST_PATH_IMAGE026
为发电厂发电功率数据,
Figure 258864DEST_PATH_IMAGE027
为负荷功率数据;
步骤1.2、设定sobol灵敏度分析技术中的输入数据样本量Q。依据发电厂所服从的指数分布,进行Q次随机抽样,每一次随机抽样中对每一个发电厂抽取一个发电数据从而得到一个发电状态样本,最终经过Q次随机抽样得到发电厂发电状态样本矩阵G,如公式(3)所示。
Figure 971605DEST_PATH_IMAGE028
(3)
式中,
Figure 692436DEST_PATH_IMAGE030
为第1次抽样中第1个发电机节点的发电数据,
Figure 123417DEST_PATH_IMAGE032
为第1次抽样中第n 个发电机节点的发电数据,
Figure 971419DEST_PATH_IMAGE033
为第Q次抽样中第1个发电机节点的发电数据,
Figure 804246DEST_PATH_IMAGE034
为第Q次 抽样中第n个发电机节点的发电数据;
步骤1.3、使用拉丁超立方体抽样技术对m个负荷节点的负荷数据进行抽样。为满足sobol灵敏度分析算法的输入需求,共抽取2*Q个m维的节点负荷状态样本,2*Q个节点负荷状态样本组成Q×2*m维度的负荷状态样本矩阵L,如公式(4)所示。
Figure 695978DEST_PATH_IMAGE035
(4)
式中,
Figure 614256DEST_PATH_IMAGE036
为第1次抽样中第1个负荷节点的负荷数据,
Figure 767413DEST_PATH_IMAGE037
为第1次抽样中第m个负 荷节点的负荷数据,
Figure 923588DEST_PATH_IMAGE038
为第1次抽样中第m+1个负荷节点的负荷数据,
Figure 251801DEST_PATH_IMAGE039
为第1次抽 样中第2*m个负荷节点的负荷数据,
Figure 391795DEST_PATH_IMAGE040
为第Q次抽样中第1个负荷节点的负荷数据,
Figure 847178DEST_PATH_IMAGE041
为 第Q次抽样中第m个负荷节点的负荷数据,
Figure 389018DEST_PATH_IMAGE042
为第Q次抽样中第m+1个负荷节点的负荷数 据,
Figure 888133DEST_PATH_IMAGE043
为第Q次抽样中第2*m个负荷节点的负荷数据;
其中,拉丁超立方体抽样步骤如下:
步骤1.3.1、将每一个节点的负荷数据概率分布分成不同的Z个区间,每一个区间在概率密度数值[0,1]上的长度相同。
步骤1.3.2、对于一个节点负荷状态样本的抽样而言,对总计m个节点中的每一个节点抽样一次,得到m个节点的m个负荷数据,组成一个节点负荷状态样本。
步骤1.3.3、不断重复步骤1.3.2,重复总计2*Q次,因此可以得到共计2*Q个节点负荷状态样本,并组成负荷状态样本矩阵L。其中,在步骤1.3.2的重复抽样过程中,每一个节点个Z区间中的每一个区间只允许抽样一次。
步骤1.4、基于步骤1.2及步骤1.3中得到的发电厂发电状态样本矩阵G以及负荷状 态样本矩阵L,依据Q个发电状态样本与Q个负荷状态样本一一对应的原则,生成电网状态样 本矩阵
Figure 249844DEST_PATH_IMAGE044
,如公式(5)所示,在
Figure 492606DEST_PATH_IMAGE044
中,每一行代表电网中的n个发电厂以及m个节点负荷的 状态,为后续潮流计算做好准备。
Figure 138220DEST_PATH_IMAGE045
(5)
步骤2、使用潮流计算在不同电网状态样本下得到电网综合电压波动数据,利用sobol灵敏度分析算法计算得到各个节点与电网综合电压波动水平的灵敏度关系,实现储能电站选址。
步骤2.1、对于第i个电网状态样本矩阵
Figure 808236DEST_PATH_IMAGE046
,使用潮流计算方法获取电网m+n个节 点的节点电压
Figure 922823DEST_PATH_IMAGE047
,将m+n个节点的节点电压与各个节点的基准电压
Figure 703697DEST_PATH_IMAGE048
做差,并使用公式(6)计算电网在此状态样本下的综合电压波动
Figure 970861DEST_PATH_IMAGE049
Figure 811778DEST_PATH_IMAGE050
(6)
式中,
Figure 413661DEST_PATH_IMAGE051
为第i个电网状态样本下的第j个节点电压,
Figure 998226DEST_PATH_IMAGE052
为第j个节点的基准电 压,
Figure 621362DEST_PATH_IMAGE053
为负荷节点数量,
Figure 633180DEST_PATH_IMAGE054
为发电机节点数量。
步骤2.2、将步骤1.3中得到的负荷状态样本矩阵L分为矩阵A以及矩阵B,矩阵A以及矩阵B可以用公式(7)及公式(8)表示。
Figure 456780DEST_PATH_IMAGE055
(7)
式中,
Figure 579456DEST_PATH_IMAGE056
为第1次抽样中得到的第1个节点的负荷数据,
Figure 555634DEST_PATH_IMAGE057
为第1次抽样中得到 的第m个节点的负荷数据,
Figure 738353DEST_PATH_IMAGE058
为第Q次抽样中得到的第1个节点的负荷数据,
Figure 314828DEST_PATH_IMAGE060
为第Q次 抽样中得到的第m个节点的负荷数据;
Figure 241196DEST_PATH_IMAGE061
(8)
式中,
Figure 55568DEST_PATH_IMAGE062
为第1次抽样中得到的第m+1个节点的负荷数据,
Figure 924036DEST_PATH_IMAGE063
为第1次抽样中得 到的第2*m个节点的负荷数据,
Figure 722228DEST_PATH_IMAGE064
为第Q次抽样中得到的第m+1个节点的负荷数据,
Figure 452286DEST_PATH_IMAGE065
为 第Q次抽样中得到的第2*m个节点的负荷数据;
步骤2.3、将矩阵B中的第h列与矩阵A中的第一列互换,构造矩阵
Figure 386744DEST_PATH_IMAGE066
,其中h≤m。
步骤2.4、不断重复步骤2.3,重复进行m次,即将矩阵B的每一列均与矩阵A的对应列交换并生成m个新矩阵,
Figure 927578DEST_PATH_IMAGE068
Figure 213066DEST_PATH_IMAGE070
,…
Figure 215657DEST_PATH_IMAGE072
,…
Figure 270201DEST_PATH_IMAGE074
步骤2.5、由于矩阵A以及矩阵B以及生成的m个新矩阵,每一个均包含k行,每一行 代表一种负荷状态样本,即获得了总计(m+2)*k个负荷状态样本。对每一个负荷状态样本, 可以使用步骤2.1中所述方法获得对应的综合电压波动
Figure 483401DEST_PATH_IMAGE075
。此处以矩阵A及矩阵
Figure 990605DEST_PATH_IMAGE076
为 例,矩阵A及矩阵
Figure 62467DEST_PATH_IMAGE077
的每一行均得到对应的综合电压波动,从而可以组成综合电压波动矩 阵
Figure 971517DEST_PATH_IMAGE078
Figure 837842DEST_PATH_IMAGE079
,如公式(9)所示。
Figure 848654DEST_PATH_IMAGE080
(9)
式中,
Figure 458627DEST_PATH_IMAGE081
为矩阵A第1行所代表的负荷状态下的电压波动,
Figure 487763DEST_PATH_IMAGE082
为矩阵A第k行所 代表的负荷状态下的电压波动,
Figure 259410DEST_PATH_IMAGE083
为矩阵
Figure 256054DEST_PATH_IMAGE084
第1行所代表的负荷状态下的电压波动,
Figure 669717DEST_PATH_IMAGE085
为矩阵
Figure 553360DEST_PATH_IMAGE084
第k行所代表的负荷状态下的电压波动;
对于矩阵B以及其余m个新矩阵,同理可生成其对应的电压波动矩阵。
步骤2.6、对于m个负荷节点中的第z个节点,其节点负荷状态与电网综合电压波动 的灵敏度可使用公式(10)~公式(14)进行计算。其中,首先将矩阵A以及矩阵B所对应的综合 电压波动矩阵
Figure 27066DEST_PATH_IMAGE086
以及
Figure 746892DEST_PATH_IMAGE087
拼合为一个矩阵Y,其中,矩阵Y可用公式(10)表示。
Figure 433088DEST_PATH_IMAGE088
(10)
式中,
Figure 436816DEST_PATH_IMAGE089
为矩阵B1行对应的负荷状态所得到的电压波动,
Figure 815845DEST_PATH_IMAGE090
为矩阵B第k行对 应的负荷状态所得到的电压波动;
使用公式(11)计算Y矩阵的均值,可以得到
Figure 272234DEST_PATH_IMAGE091
Figure 268179DEST_PATH_IMAGE092
(11)
式中,
Figure 126414DEST_PATH_IMAGE006
为节点数量,即矩阵中的第k个元素;
使用公式(12)计算Y矩阵方差。
Figure 941923DEST_PATH_IMAGE093
(12)
式中,
Figure 885608DEST_PATH_IMAGE094
为矩阵A第i行对应的负荷状态所得到的电压波动,
Figure 929919DEST_PATH_IMAGE096
为矩阵B第i行对 应的负荷状态所得到的电压波动,
Figure 642660DEST_PATH_IMAGE097
为求和符号中的变量;
此时,对于第w个节点(w≤m)而言,可以使用公式(13)求得其全局影响因子。
Figure 629070DEST_PATH_IMAGE098
(13)
式中,
Figure 794472DEST_PATH_IMAGE007
为矩阵Aj行对应的负荷状态所得到的电压波动,
Figure 141009DEST_PATH_IMAGE008
为矩阵A BW j行 对应的负荷状态所得到的电压波动;
得到第w个节点的全局影响因子
Figure 708256DEST_PATH_IMAGE099
后,依据公式(14)可以求得第w个节点的 全局影响指数
Figure 865568DEST_PATH_IMAGE100
Figure 783846DEST_PATH_IMAGE101
(14)
步骤2.7、将步骤2.6重复计算m次,从而得到全部m个节点各自的全局影响指数。根据全局影响指数的大小进行正序排列,得到具有最大全局影响指数的节点,在此节点处建设储能电站,即实现了储能电站选址。
步骤3、基于蒙特卡洛模拟随机生成长度为t的电网状态样本,通过最优控制储能电站获得不同电网状态样本下的电网综合电压波动,对各个电网状态样本下的电网综合电压波动排序,从而选出具有最小电网综合电压波动的储能电站配置容量,实现储能电站容量配置。
步骤3.1、依据步骤1.1中获得的发电厂发电数据所服从的指数分布以及负荷节点所服从的高斯分布,分别对m个负荷节点以及n个发电厂节点数据进行抽样,此种抽样重复t次,从而获得了长度为t的发电厂发电状态样本矩阵及负荷状态样本矩阵,如公式(15)及公式(16)所示。
Figure 153647DEST_PATH_IMAGE102
(15)
Figure 591713DEST_PATH_IMAGE103
(16)
式中,
Figure 919926DEST_PATH_IMAGE104
为第1个发电机节点上第1时段内的发电数据,
Figure 59920DEST_PATH_IMAGE105
为第1个发电 机节点上第t时段内的发电数据,
Figure 764571DEST_PATH_IMAGE106
为第n个发电机节点上第1时段内的发电数据,
Figure 558608DEST_PATH_IMAGE107
为第n个发电机节点上第t时段内的发电数据,
Figure 57723DEST_PATH_IMAGE108
为第1个负荷节点上第1时段 内的用电数据,
Figure 419434DEST_PATH_IMAGE109
为第1个负荷节点上第t时段内的用电数据,
Figure 396617DEST_PATH_IMAGE110
为第m个负荷节点 上第1时段内的用电数据,
Figure 74854DEST_PATH_IMAGE111
为第m个负荷节点上第t时段内的用电数据;
步骤3.2、根据储能电站投资方需求,规定储能电站容量配置时的最大容量约束
Figure 744870DEST_PATH_IMAGE112
。在(0,
Figure 859457DEST_PATH_IMAGE112
)的区间内,依据随机分布的概率分布对储能电站配置容量进行抽样,每一 次抽样得到一个储能电站的配置容量,重复t次,获得长度为t的储能电站状态样本序列,如 公式(17)所示。
Figure 640331DEST_PATH_IMAGE113
(17)
式中,
Figure 406030DEST_PATH_IMAGE114
为储能电站状态样本序列,
Figure 246947DEST_PATH_IMAGE115
为第1时段内的储能电站状态 样本,
Figure 848830DEST_PATH_IMAGE116
为第t时段内的储能电站状态样本;
将储能电站状态样本序列、发电厂发电状态样本矩阵以及负荷状态样本矩阵组 合,在每一个发电厂发电状态样本以及负荷状态样本的组合中,均在步骤2中选择的节点处 加入对应的储能电站状态样本,由第1个状态至第t个状态依次组合,从而获得长度为t的电 网状态样本矩阵
Figure 433395DEST_PATH_IMAGE117
,如公式(18)所示。
Figure 289487DEST_PATH_IMAGE118
(18)
步骤3.3、对于第f个电网状态样本(1≤f≤t),使用最优潮流计算方法计算24小时 内电网电压波动情况,得到电网内m+n个节点的电压
Figure 301305DEST_PATH_IMAGE120
,将m+n个节点 的节点电压与各个节点的基准电压
Figure 124905DEST_PATH_IMAGE121
做差,并使用公式(19)计算电 网在此状态样本下的综合电压波动
Figure 513161DEST_PATH_IMAGE123
Figure 990803DEST_PATH_IMAGE124
(19)
步骤3.4、依据电压波动大小对各个电网状态样本进行倒序排序,选出具有最小电压波动的电网状态样本,此电网状态样本所具有的储能电站配置容量即最优的储能电站配置,从而实现了储能电站的容量配置。
请参阅图2,其示出了本申请的一种储能电站选址定容系统的结构框图,
如图2所示,储能电站选址定容系统200,组合模块210、第一选取模块220以及第二选取模块230。
其中,组合模块210,配置为获取发电厂的发电数据样本矩阵和电网的节点负荷状 态样本矩阵,并根据所述节点负荷状态样本矩阵以及所述发电数据状态样本矩阵组合得到 电网状态样本矩阵,其中所述电网状态样本矩阵中包含至少一个电网状态样本;第一选取 模块220,配置为获取在所述至少一个电网状态样本下的电网综合电压波动数据,并根据所 述电网综合电压波动数据计算各个节点的全局影响指数,基于对所述全局影响指数的大小 进行正序排列,使得到具有最大全局影响指数的节点,并将所述具有最大全局影响指数的 节点作为储能电站选址,其中计算所述全局影响指数的表达式为:
Figure 173523DEST_PATH_IMAGE001
,式中,
Figure 749997DEST_PATH_IMAGE002
为全局影响指数,
Figure 410786DEST_PATH_IMAGE003
为第w个节点的全局影响因子,
Figure 490737DEST_PATH_IMAGE004
Y矩阵方差,
Figure 860670DEST_PATH_IMAGE006
为节点数量,即矩阵中的第k个元 素,
Figure 658862DEST_PATH_IMAGE007
为矩阵Aj行对应的负荷状态所得到的电压波动,
Figure 123341DEST_PATH_IMAGE008
为矩阵A BW j行对应的负 荷状态所得到的电压波动,
Figure 323378DEST_PATH_IMAGE018
为矩阵Ai行对应的负荷状态所得到的电压波动,
Figure 97168DEST_PATH_IMAGE011
Y矩阵均值,
Figure 117077DEST_PATH_IMAGE013
为矩阵Bi行对应的负荷状态所得到的电压波动,
Figure 650826DEST_PATH_IMAGE014
Y矩阵第一列中原 本属于Y A矩阵的第一个元素,
Figure 705370DEST_PATH_IMAGE015
Y矩阵第一列中原本属于Y A矩阵的第k个元素,
Figure 151526DEST_PATH_IMAGE016
Y 矩阵第一列中原本属于Y B矩阵的第一个元素,
Figure 658731DEST_PATH_IMAGE017
Y矩阵第一列中原本属于Y B矩阵的第k 个元素;第二选取模块230,配置为根据所述电网综合电压波动数据对各个电网状态样本进 行倒序排序,使选出具有最小电压波动的电网状态样本,并将所述电网状态样本所具有的 储能电站配置容量作为最优储能电站配置。
应当理解,图2中记载的诸模块与参考图1中描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作和特征以及相应的技术效果同样适用于图1中的诸模块,在此不再赘述。
在另一些实施例中,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序指令被处理器执行时,使所述处理器执行上述任意方法实施例中的储能电站选址定容方法;
作为一种实施方式,本发明的计算机可读存储介质存储有计算机可执行指令,计算机可执行指令设置为:
获取发电厂的发电数据样本矩阵和电网的节点负荷状态样本矩阵,并根据所述节点负荷状态样本矩阵以及所述发电数据状态样本矩阵组合得到电网状态样本矩阵,其中所述电网状态样本矩阵中包含至少一个电网状态样本;
获取在所述至少一个电网状态样本下的电网综合电压波动数据,并根据所述电网综合电压波动数据计算各个节点的全局影响指数,基于对所述全局影响指数的大小进行正序排列,使得到具有最大全局影响指数的节点,并将所述具有最大全局影响指数的节点作为储能电站选址;
根据所述电网综合电压波动数据对各个电网状态样本进行倒序排序,使选出具有最小电压波动的电网状态样本,并将所述电网状态样本所具有的储能电站配置容量作为最优储能电站配置。
计算机可读存储介质可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据储能电站选址定容系统的使用所创建的数据等。此外,计算机可读存储介质可以包括高速随机存取存储器,还可以包括存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,计算机可读存储介质可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至储能电站选址定容系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
图3是本发明实施例提供的电子设备的结构示意图,如图3所示,该设备包括:一个处理器310以及存储器320。电子设备还可以包括:输入装置330和输出装置340。处理器310、存储器320、输入装置330和输出装置340可以通过总线或者其他方式连接,图3中以通过总线连接为例。存储器320为上述的计算机可读存储介质。处理器310通过运行存储在存储器320中的非易失性软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例储能电站选址定容方法。输入装置330可接收输入的数字或字符信息,以及产生与储能电站选址定容系统的用户设置以及功能控制有关的键信号输入。输出装置340可包括显示屏等显示设备。
上述电子设备可执行本发明实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明实施例所提供的方法。
作为一种实施方式,上述电子设备应用于储能电站选址定容系统中,用于客户端,包括:至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够:
获取发电厂的发电数据样本矩阵和电网的节点负荷状态样本矩阵,并根据所述节点负荷状态样本矩阵以及所述发电数据状态样本矩阵组合得到电网状态样本矩阵,其中所述电网状态样本矩阵中包含至少一个电网状态样本;
获取在所述至少一个电网状态样本下的电网综合电压波动数据,并根据所述电网综合电压波动数据计算各个节点的全局影响指数,基于对所述全局影响指数的大小进行正序排列,使得到具有最大全局影响指数的节点,并将所述具有最大全局影响指数的节点作为储能电站选址;
根据所述电网综合电压波动数据对各个电网状态样本进行倒序排序,使选出具有最小电压波动的电网状态样本,并将所述电网状态样本所具有的储能电站配置容量作为最优储能电站配置。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (6)

1.一种储能电站选址定容方法,其特征在于,包括:
获取发电厂的发电数据样本矩阵和电网的节点负荷状态样本矩阵,并根据所述节点负荷状态样本矩阵以及所述发电数据状态样本矩阵组合得到电网状态样本矩阵,其中所述电网状态样本矩阵中包含至少一个电网状态样本;
获取在所述至少一个电网状态样本下的电网综合电压波动数据,并根据所述电网综合电压波动数据计算各个节点的全局影响指数,基于对所述全局影响指数的大小进行正序排列,使得到具有最大全局影响指数的节点,并将所述具有最大全局影响指数的节点作为储能电站选址,其中计算所述全局影响指数的表达式为:
Figure 538635DEST_PATH_IMAGE001
式中,
Figure 75926DEST_PATH_IMAGE002
为全局影响指数,
Figure 745942DEST_PATH_IMAGE003
为第w个节点的全局影响因子,
Figure 735895DEST_PATH_IMAGE004
Y矩阵方 差,
Figure 782348DEST_PATH_IMAGE005
为节点数量,即矩阵中的第k个元素,
Figure 502042DEST_PATH_IMAGE006
为矩阵Aj行对应的负荷状态所得到的电压 波动,
Figure 716861DEST_PATH_IMAGE007
为矩阵A BW j行对应的负荷状态所得到的电压波动,
Figure 53164DEST_PATH_IMAGE008
为矩阵Ai行对应的负 荷状态所得到的电压波动,
Figure 513096DEST_PATH_IMAGE009
Y矩阵均值,
Figure 149613DEST_PATH_IMAGE010
为矩阵Bi行对应的负荷状态所得到 的电压波动,
Figure 36798DEST_PATH_IMAGE011
Y矩阵第一列中原本属于Y A矩阵的第一个元素,
Figure 329239DEST_PATH_IMAGE012
Y矩阵第一列中 原本属于Y A矩阵的第k个元素,
Figure 451916DEST_PATH_IMAGE013
Y矩阵第一列中原本属于Y B矩阵的第一个元素,
Figure 83885DEST_PATH_IMAGE014
Y矩阵第一列中原本属于Y B矩阵的第k个元素;
根据所述电网综合电压波动数据对各个电网状态样本进行倒序排序,使选出具有最小电压波动的电网状态样本,并将所述电网状态样本所具有的储能电站配置容量作为最优储能电站配置。
2.根据权利要求1所述的一种储能电站选址定容方法,其特征在于,所述获取发电厂的发电数据样本矩阵和电网的节点负荷状态样本矩阵,并根据所述节点负荷状态样本矩阵以及所述发电数据状态样本矩阵组合得到电网状态样本矩阵包括:
对于包含m+n个节点的电网,收集全年中m个负荷节点中的负荷数据序列及n个发电厂的发电数据序列,使用指数分布表征n个发电厂发电数据的概率分布,使用高斯分布表征m个负荷节点中的负荷数据所服从的概率分布;
依据发电厂所服从的指数分布,进行Q次随机抽样,每一次随机抽样中对每一个发电厂抽取一个发电数据从而得到一个发电状态样本,最终经过Q次随机抽样得到发电厂的发电状态样本矩阵;
根据拉丁超立方体抽样方法对m个负荷节点的负荷数据进行抽样得到电网的节点负荷状态样本矩阵;
依据Q个发电状态样本与Q个负荷状态样本一一对应的原则,将所述发电状态样本矩阵与所述节点负荷状态样本矩阵组合得到电网状态样本矩阵。
3.根据权利要求1所述的一种储能电站选址定容方法,其特征在于,所述获取在所述至少一个电网状态样本下的电网综合电压波动数据包括:
对于第i个电网状态样本矩阵
Figure 266605DEST_PATH_IMAGE015
,使用潮流计算方法获取电网m+n个节点的节点电压
Figure 780763DEST_PATH_IMAGE016
,将m+n个节点的节点电压与各个节点的基准电压
Figure 81032DEST_PATH_IMAGE017
做差,并计算某一电网状态样本下的综合电压波动
Figure 426563DEST_PATH_IMAGE018
,其中, 计算综合电压波动
Figure 921129DEST_PATH_IMAGE018
的表达式为:
Figure 719321DEST_PATH_IMAGE019
式中,
Figure 652642DEST_PATH_IMAGE020
为第i个电网状态样本下的第j个节点电压,
Figure 728045DEST_PATH_IMAGE021
为第j个节点的基准电压,
Figure 252567DEST_PATH_IMAGE022
为负荷节点数量,
Figure 679001DEST_PATH_IMAGE023
为发电机节点数量。
4.一种储能电站选址定容系统,其特征在于,包括:
组合模块,配置为获取发电厂的发电数据样本矩阵和电网的节点负荷状态样本矩阵,并根据所述节点负荷状态样本矩阵以及所述发电数据状态样本矩阵组合得到电网状态样本矩阵,其中所述电网状态样本矩阵中包含至少一个电网状态样本;
第一选取模块,配置为获取在所述至少一个电网状态样本下的电网综合电压波动数据,并根据所述电网综合电压波动数据计算各个节点的全局影响指数,基于对所述全局影响指数的大小进行正序排列,使得到具有最大全局影响指数的节点,并将所述具有最大全局影响指数的节点作为储能电站选址,其中计算所述全局影响指数的表达式为:
Figure 212750DEST_PATH_IMAGE001
式中,
Figure 470556DEST_PATH_IMAGE002
为全局影响指数,
Figure 545740DEST_PATH_IMAGE003
为第w个节点的全局影响因子,
Figure 584104DEST_PATH_IMAGE004
Y矩阵方 差,
Figure 531331DEST_PATH_IMAGE005
为节点数量,即矩阵中的第k个元素,
Figure 643644DEST_PATH_IMAGE006
为矩阵Aj行对应的负荷状态所得到的电压 波动,
Figure 775548DEST_PATH_IMAGE007
为矩阵A BW j行对应的负荷状态所得到的电压波动,
Figure 910994DEST_PATH_IMAGE008
为矩阵Ai行对应的负 荷状态所得到的电压波动,
Figure 786546DEST_PATH_IMAGE009
Y矩阵均值,
Figure 425469DEST_PATH_IMAGE010
为矩阵Bi行对应的负荷状态所得到 的电压波动,
Figure 931537DEST_PATH_IMAGE011
Y矩阵第一列中原本属于Y A矩阵的第一个元素,
Figure 413333DEST_PATH_IMAGE012
Y矩阵第一列中 原本属于Y A矩阵的第k个元素,
Figure 466478DEST_PATH_IMAGE013
Y矩阵第一列中原本属于Y B矩阵的第一个元素,
Figure 350120DEST_PATH_IMAGE014
Y矩阵第一列中原本属于Y B矩阵的第k个元素;
第二选取模块,配置为根据所述电网综合电压波动数据对各个电网状态样本进行倒序排序,使选出具有最小电压波动的电网状态样本,并将所述电网状态样本所具有的储能电站配置容量作为最优储能电站配置。
5.一种电子设备,其特征在于,包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至3任一项所述的方法。
6.一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,所述程序被处理器执行时实现权利要求1至3任一项所述的方法。
CN202210509450.8A 2022-05-11 2022-05-11 一种储能电站选址定容方法及系统 Active CN114611338B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210509450.8A CN114611338B (zh) 2022-05-11 2022-05-11 一种储能电站选址定容方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210509450.8A CN114611338B (zh) 2022-05-11 2022-05-11 一种储能电站选址定容方法及系统

Publications (2)

Publication Number Publication Date
CN114611338A true CN114611338A (zh) 2022-06-10
CN114611338B CN114611338B (zh) 2022-09-02

Family

ID=81870371

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210509450.8A Active CN114611338B (zh) 2022-05-11 2022-05-11 一种储能电站选址定容方法及系统

Country Status (1)

Country Link
CN (1) CN114611338B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140351307A1 (en) * 2013-05-22 2014-11-27 International Business Machines Corporation Calculating node centralities in large networks and graphs
US20170083648A1 (en) * 2015-09-23 2017-03-23 Tsinghua University Fast model generating and solving method for security-constrained power system operation simulation
CN106972523A (zh) * 2016-12-27 2017-07-21 国网浙江省电力公司嘉兴供电公司 有源配电网内储能电站的优化选址定容方法
WO2017186178A1 (zh) * 2016-04-28 2017-11-02 中国电力科学研究院 储能电站自适应动态规划的控制方法、系统和存储介质
CN109462257A (zh) * 2018-12-10 2019-03-12 东北电力大学 一种计及多元随机变量电网电压稳定的灵敏度辨识方法
CN110264110A (zh) * 2019-07-08 2019-09-20 国网湖南省电力有限公司 基于配电网多应用场景的储能电站选址定容方法
CN111539086A (zh) * 2020-04-21 2020-08-14 中国电力科学研究院有限公司 一种储能电站多点布局方法及系统
WO2021129878A1 (zh) * 2019-12-26 2021-07-01 奥动新能源汽车科技有限公司 用于换电站或储能站的充电系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140351307A1 (en) * 2013-05-22 2014-11-27 International Business Machines Corporation Calculating node centralities in large networks and graphs
US20170083648A1 (en) * 2015-09-23 2017-03-23 Tsinghua University Fast model generating and solving method for security-constrained power system operation simulation
WO2017186178A1 (zh) * 2016-04-28 2017-11-02 中国电力科学研究院 储能电站自适应动态规划的控制方法、系统和存储介质
CN106972523A (zh) * 2016-12-27 2017-07-21 国网浙江省电力公司嘉兴供电公司 有源配电网内储能电站的优化选址定容方法
CN109462257A (zh) * 2018-12-10 2019-03-12 东北电力大学 一种计及多元随机变量电网电压稳定的灵敏度辨识方法
CN110264110A (zh) * 2019-07-08 2019-09-20 国网湖南省电力有限公司 基于配电网多应用场景的储能电站选址定容方法
WO2021129878A1 (zh) * 2019-12-26 2021-07-01 奥动新能源汽车科技有限公司 用于换电站或储能站的充电系统
CN111539086A (zh) * 2020-04-21 2020-08-14 中国电力科学研究院有限公司 一种储能电站多点布局方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
GUO FURAN 等: "Energy storage locating and sizing method in grid-connected micro-grid", 《IOP CONFERENCE SERIES: EARTH AND ENVIRONMENTAL SCIENCE》 *
王涛等: "基于分布式电源选址定容的配网降损方法研究", 《可再生能源》 *
赵琦等: "储能电站在含光伏电源配电网中的优化配置", 《广东电力》 *
郜宁等: "区域电网分布式储能选址定容规划", 《高压电器》 *

Also Published As

Publication number Publication date
CN114611338B (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
Khan et al. Review of solar photovoltaic and wind hybrid energy systems for sizing strategies optimization techniques and cost analysis methodologies
Shin et al. Operational planning and optimal sizing of microgrid considering multi-scale wind uncertainty
US20210133536A1 (en) Load prediction method and apparatus based on neural network
Dong et al. Storage sizing with peak-shaving policy for wind farm based on cyclic Markov chain model
Toubeau et al. Capturing spatio-temporal dependencies in the probabilistic forecasting of distribution locational marginal prices
Andoni et al. Analysis of strategic renewable energy, grid and storage capacity investments via Stackelberg-cournot modelling
Koziolek et al. Assessing survivability to support power grid investment decisions
Aaslid et al. Pricing electricity in constrained networks dominated by stochastic renewable generation and electric energy storage
Javidsharifi et al. Probabilistic model for microgrids optimal energy management considering AC network constraints
Lin et al. Stochastic economic dispatch of power system with multiple wind farms and pumped‐storage hydro stations using approximate dynamic programming
Kumar et al. A stochastic dual dynamic programming framework for multiscale MPC
Visser et al. The importance of predictor variables and feature selection in day-ahead electricity price forecasting
Wu et al. Design of A battery energy management system for capacity charge reduction
CN111612648B (zh) 光伏发电预测模型的训练方法、装置和计算机设备
Nolde et al. Medium term scheduling of a hydro-thermal system using stochastic model predictive control
Bukenberger et al. Stochastic generation capacity expansion planning with approximate dynamic programming
Baltputnis et al. ANN-based city heat demand forecast
CN114611338B (zh) 一种储能电站选址定容方法及系统
Navidi et al. Predicting solutions to the optimal power flow problem
Pattanaik et al. Optimal power allocation of battery energy storage system (BESS) using dense LSTM in active distribution network
Huseynov et al. Electrical system load forecasting with polynomial neural networks (based on combinatorial algorithm)
Giraldo et al. Optimal operation of community energy storage using stochastic gradient boosting trees
Burke Accommodating wind energy characteristics in power transmission planning applications
Wang et al. An alternative method for estimating wind-power capacity credit based on reliability evaluation using intelligent search
Lim et al. Photovoltaic power predictions using modified adaptive response rate exponential smoothing method

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