CN114884110A - 一种源网荷多约束条件下的电力系统储能优化运行方法 - Google Patents

一种源网荷多约束条件下的电力系统储能优化运行方法 Download PDF

Info

Publication number
CN114884110A
CN114884110A CN202210763942.XA CN202210763942A CN114884110A CN 114884110 A CN114884110 A CN 114884110A CN 202210763942 A CN202210763942 A CN 202210763942A CN 114884110 A CN114884110 A CN 114884110A
Authority
CN
China
Prior art keywords
power
energy storage
load
grid
source
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
CN202210763942.XA
Other languages
English (en)
Other versions
CN114884110B (zh
Inventor
王佳
任羽纶
赵红生
杨旋
王博
郭宇涵
唐飞
熊志
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.)
Wuhan University WHU
Economic and Technological Research Institute of State Grid Hubei Electric Power Co Ltd
Original Assignee
Wuhan University WHU
Economic and Technological Research Institute of State Grid Hubei 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 Wuhan University WHU, Economic and Technological Research Institute of State Grid Hubei Electric Power Co Ltd filed Critical Wuhan University WHU
Priority to CN202210763942.XA priority Critical patent/CN114884110B/zh
Publication of CN114884110A publication Critical patent/CN114884110A/zh
Application granted granted Critical
Publication of CN114884110B publication Critical patent/CN114884110B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
    • H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—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
    • H02J3/466—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
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E70/00—Other energy conversion or management systems reducing GHG emissions
    • Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Power Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Biophysics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • Educational Administration (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)

Abstract

一种源网荷多约束条件下的电力系统储能优化运行方法，先构建考虑源、网、荷三侧不同应用场景的以系统总发电成本小为目标函数的储能运行优化模型，随后在确定储能的容量和配置地点后，对储能运行优化模型进行求解，得到包括储能在风电典型日各时段的运行功率和SOC值的储能最优运行参数。本发明从源、网、荷的不同角度综合考虑了新能源机组的功率波动、削峰填谷等因素，构建对应的惩罚因子并引入目标函数中，实现了新能源的大范围消纳。

Description

一种源网荷多约束条件下的电力系统储能优化运行方法
技术领域
本发明属于储能能量管理技术领域，具体涉及一种源网荷多约束条件下的电力系统储能优化运行方法。
背景技术
在21世纪，传统能源的急速消耗与环境污染问题的加剧正日益引起人们的重视，发展大规模新能源接入的新型电力系统成为当下电力行业的新趋势。由于新能源的随机性强、波动性大，随着其装机容量逐年上升，弃风、弃光现象也将日益严重，易造成不同时间尺度上的波动振荡问题，也给并网系统中机组调度的灵活性带来新的挑战。考虑到储能具有响应速度快、灵活可控、功率双向流动等优点，在大规模新能源集中并网系统中配置储能作为支撑，能更加有效的优化系统潮流，适应大规模高比例新能源的开发利用需求。在实际应用中，需综合考虑储能的投资运行成本与储能改善系统运行特性的效果，因此有必要研究储能在电网中的优化运行方法，以运行来指导规划。
在储能优化运行方面，目前的研究多集中在平抑功率波动、削峰填谷及用户侧优化。“马兰，谢丽蓉，叶林，路朋，王凯丰。基于混合储能双层规划模型的风电波动平抑策略（电网技术，2022，46(03):1016-1029）”以平抑风电功率波动为目标，构建储能双层规划模型，并采用多目标哈里斯鹰算法求解储能运行策略。“陈满，陆志刚，刘怡。电池储能系统恒功率削峰填谷优化策略研究（电网技术，2012，36(09):232-237）”针对储能参与削峰填谷应用场景对电化学储能的充放电策略进行优化，并提出了两种实用算法。“赵乙潼，王慧芳，何奔腾，徐伟娜。面向用户侧的电池储能配置与运行优化策略（电力系统自动化，2020，44(06):121-128）”从用户侧经济性出发，通过构建储能月前和日内滚动优化模型，修正负荷预测误差，提升经济效益，同时通过储能性能约束来延长储能寿命。考虑到电源侧和电网侧储能优化的目的是减小新能源机组出力的不确定性，以及保证电网的安全可靠运行；而用户侧储能优化研究的重点多在于提高用户安装储能后的经济性，因此，电源、电网侧储能优化研究成果难以直接应用到用户侧，三者之间不能很好地融合，也就无法兼顾多场景的储能运行优化以提升新能源的消纳能力。
发明内容
本发明的目的是针对现有技术存在的上述问题，提供一种能够实现新能源大范围消纳的源网荷多约束条件下的电力系统储能优化运行方法。
为实现以上目的，本发明的技术方案如下：
一种源网荷多约束条件下的电力系统储能优化运行方法，依次包括以下步骤：
步骤A、构建考虑源、网、荷三侧不同应用场景的储能运行优化模型，该模型以系统总发电成本最小为目标函数：
Figure 100002_DEST_PATH_IMAGE001
Figure 100002_DEST_PATH_IMAGE002
上式中，
Figure 100002_DEST_PATH_IMAGE003
为火电机组的运行成本，
Figure 100002_DEST_PATH_IMAGE004
为总惩罚因子，
Figure 100002_DEST_PATH_IMAGE005
、
Figure 100002_DEST_PATH_IMAGE006
、
Figure 100002_DEST_PATH_IMAGE007
分别为火电机组、风电机组、储能的发电功率，
Figure 100002_DEST_PATH_IMAGE008
、
Figure 100002_DEST_PATH_IMAGE009
、
Figure 100002_DEST_PATH_IMAGE010
分别为电源侧惩罚因子
Figure 100002_DEST_PATH_IMAGE011
、电网侧惩罚因子
Figure 100002_DEST_PATH_IMAGE012
、负荷侧惩罚因子
Figure 100002_DEST_PATH_IMAGE013
的权重系数；
步骤B、在确定储能的容量和配置地点后，对储能运行优化模型进行求解，得到储能的最优运行参数，包括储能在风电典型日各时段的运行功率和SOC值。
所述电源侧惩罚因子
Figure 562023DEST_PATH_IMAGE011
、电网侧惩罚因子
Figure 151268DEST_PATH_IMAGE012
、负荷侧惩罚因子
Figure 462163DEST_PATH_IMAGE013
由下列公式计算 得到：
Figure 100002_DEST_PATH_IMAGE014
Figure 100002_DEST_PATH_IMAGE015
Figure 100002_DEST_PATH_IMAGE016
上式中，
Figure 100002_DEST_PATH_IMAGE017
、
Figure 100002_DEST_PATH_IMAGE018
、
Figure 100002_DEST_PATH_IMAGE019
分别为平滑出力成本系数、弃电成本系数、t时段的峰谷套利 成本系数，T为时段总数，
Figure 100002_DEST_PATH_IMAGE020
为风电机组的数量，
Figure 100002_DEST_PATH_IMAGE021
为风电典型日t时段内第j个风电机 组输出的最大功率，
Figure 100002_DEST_PATH_IMAGE022
为考虑弃风后t时段内第j个风电机组输出的平均功率，
Figure 100002_DEST_PATH_IMAGE023
、
Figure 100002_DEST_PATH_IMAGE024
、
Figure 100002_DEST_PATH_IMAGE025
分别为t时段内电源侧第
Figure 100002_DEST_PATH_IMAGE026
个储能、电网侧第
Figure 100002_DEST_PATH_IMAGE027
个储能、用户侧第
Figure 100002_DEST_PATH_IMAGE028
个储能的平均功 率，
Figure 100002_DEST_PATH_IMAGE029
为各时段的时长，
Figure 100002_DEST_PATH_IMAGE030
为t时段内负荷用电功率。
所述火电发电机组的运行成本
Figure 100002_DEST_PATH_IMAGE031
由以下公式计算得到：
Figure 100002_DEST_PATH_IMAGE032
上式中，
Figure 100002_DEST_PATH_IMAGE033
为火电机组的数量，T为时段总数，
Figure 100002_DEST_PATH_IMAGE034
、
Figure 100002_DEST_PATH_IMAGE035
、
Figure 100002_DEST_PATH_IMAGE036
为成本系数，
Figure 100002_DEST_PATH_IMAGE037
为t时段 内第i个火电机组的出力。
所述目标函数的约束条件包括：
功率平衡约束：
Figure 100002_DEST_PATH_IMAGE038
上式中，
Figure 100002_DEST_PATH_IMAGE039
、
Figure 100002_DEST_PATH_IMAGE040
、
Figure 100002_DEST_PATH_IMAGE041
分别为火电机组、风电机组、储能的数量，
Figure 100002_DEST_PATH_IMAGE042
、
Figure 100002_DEST_PATH_IMAGE043
、
Figure 100002_DEST_PATH_IMAGE044
分别 为t时段内第i个火电机组、第j个风电机组、第k个储能的出力，
Figure 100002_DEST_PATH_IMAGE045
为t时段内负荷用电所需 功率；
充放电约束：
Figure 100002_DEST_PATH_IMAGE046
上式中，
Figure 100002_DEST_PATH_IMAGE047
、
Figure 100002_DEST_PATH_IMAGE048
分别为t时段内第k个储能放电前、后的总容量；
旋转备用约束：
Figure 100002_DEST_PATH_IMAGE049
上式中，
Figure 100002_DEST_PATH_IMAGE050
为第i个火电机组的出力最大值，
Figure 100002_DEST_PATH_IMAGE051
为t时段内系统的旋转备用容 量；
功率约束：
Figure 100002_DEST_PATH_IMAGE052
上式中，
Figure 100002_DEST_PATH_IMAGE053
为第i个火电机组的出力最小值，
Figure 100002_DEST_PATH_IMAGE054
为风电典型日t时段内风 电机组输出的最大功率，
Figure 100002_DEST_PATH_IMAGE055
为t时段内第k个储能的平均功率；
容量约束：
Figure 100002_DEST_PATH_IMAGE056
上式中，
Figure 100002_DEST_PATH_IMAGE057
为第k个储能的容量，
Figure 100002_DEST_PATH_IMAGE058
、
Figure 100002_DEST_PATH_IMAGE059
为第k个储能的容量最小、最大 值。
所述步骤B采用遗传算法对储能运行优化模型进行求解，依次包括以下步骤：
步骤B1、根据系统中网络支路和各节点的信息对遗传算法的参数进行初始化，生成初始群体；
步骤B2、对初始种群进行可行性检测，筛选出可行个体；
步骤B3、计算各可行个体的适应度值；
步骤B4、依次进行选择、交叉、变异操作，生成新一代种群；
步骤B5、判断迭代次数是否达到最大迭代次数，若未达到最大迭代次数，则返回步骤B2开始下一次迭代；若达到最大迭代次数，则输出储能的最优运行参数。
步骤B2中，所述可行性检测包括：
将储能的配置容量与功率代入种群中进行优化求解，若有可行解，则将该可行解作为潮流计算的边界条件带入进行潮流计算，得到潮流解即可。
对于电网侧，在进行所述潮流计算后，检验线路的传输功率是否超过限制，排除超过限制的个体，并对各个机组出力进行调整，随后重新进行潮流计算。
所述潮流解包括系统中各母线节点的电压幅值和相角、各支路的功率分布。
所述步骤B4包括：先选择适应度值高的多个可行个体作为父代和母代种群，再随机选取种群中的两个个体，对包含不同特征的基因进行交换组合，交叉后产生新的子代，并通过步骤B2所采用的可行性检测筛选出可行个体，随后对于交叉产生的种群，随机挑选某个体的基因位置进行变异操作，并通过步骤B2所采用的可行性检测筛选出可行个体，即生成新一代种群。
与现有技术相比，本发明的有益效果为：
本发明一种源网荷多约束条件下的电力系统储能优化运行方法先构建考虑源、网、荷三侧不同应用场景的以系统总发电成本小为目标函数的储能运行优化模型，随后在确定储能的容量和配置地点后，对储能运行优化模型进行求解，得到储能的最优运行参数，包括储能在风电典型日各时段的运行功率和SOC值，一方面，该方法在确定储能的容量和配置地点的基础上，从源、网、荷的不同角度综合考虑了新能源机组的功率波动、削峰填谷、环境效益等多方面的因素，构建对应的惩罚因子，并将其引入目标函数中，以提升系统对新能源的接纳能力，实现了在电源侧优化电源结构、平滑新能源出力，在电网侧提高供电可靠性，在负荷侧提升电能质量的同时保证一定的经济性，有利于构建更加多元融合的储能体系；另一方面，在确定中长时间尺度的储能选址与容量的基础上单独进行短时间尺度的优化运行研究，能够将储能的优化运行与规划配置问题分离开来，避免了时间尺度的混乱，同时能够用于指导进行储能规划。因此，本发明不仅通过考虑源、网、荷三侧不同应用场景实现了新能源的大范围消纳，而且与规划配置问题分离开来，避免了时间尺度的混乱。
附图说明
图1为本发明的流程图。
图2为实施例1采用的IEEE 14节点系统的拓扑图。
图3为IEEE 14节点系统在典型日内的负荷功率曲线。
图4为实施例1得到的典型日内电源侧储能的充放电功率与SOC曲线。
图5为实施例1得到的典型日内电网侧储能充放电功率与SOC曲线。
图6为实施例1得到的典型日内负荷侧储能充放电功率与SOC曲线。
图7为实施例1中接入储能后的风电出力曲线。
具体实施方式
下面结合具体实施方式以及附图对本发明作进一步详细的说明。
本发明提供了一种源网荷多约束条件下的电力系统储能优化运行方法，该方法首先考虑源、网、荷三侧不同的场景需求及优化目标，建立系统总发电成本最小的目标函数，在目标函数中添加不同的惩罚因子，优化范围更全面，并且综合储能电站自身约束以及网架潮流状态约束等条件。电网侧通过调整峰谷差，以使用电趋于平衡，减少线路和变压器的损耗；对于高峰负荷期集中、峰谷负荷相差大、更新改造成本高的电网，储能优化可在一定程度上降低对电网容量的需求，延缓电网更新扩容；用户侧通过分时电价标准来达到低储高放，降低用电费用，实现经济性优化目标。
本发明中构建的目标函数是联系优化运行与储能规划配置的关键，在短时间尺度上求解内层优化问题将对长时间尺度上的储能规划进行指导。
实施例1：
参见图1，一种源网荷多约束条件下的电力系统储能优化运行方法，依次按照以下步骤进行：
1、本实施例针对图2所示的IEEE 14节点系统标准模型（包含5台发电机，3台可调变压器，20条支路，1个无功负荷补偿点，节点1为平衡节点，节点电压为1，节点2、3、6、8为PV节点，节点电压为1，剩余节点为PQ节点，变压器变比为1，系统无功补偿容量为0，在节点5、节点3、节点9母线上配置储能，其中节点5为电源侧，接入储能容量250MWh，节点3为电网侧，接入储能容量200MWh，节点9为负荷侧，接入储能容量200MWh，由于样本的选择不影响优化运行方法，故在本发明中使用一个典型日的数据来代表全年趋势，该典型日中每小时负荷功率曲线如图3所示，0-7时为负荷低谷时段，16-21时为负荷高峰时段，根据负荷分布采取分时电价策略），考察其储能系统在平抑新能源出力波动场景下的运行情况，即储能的充放电策略，因此选取风电典型日各时段的运行功率和SOC值作为决策变量。
2、通过对不同应用场景及优化需求的综合考虑，确定源、网、荷三侧的惩罚因子，具体包括：
对于电源侧应用场景，以优化电源结构为目标，考虑到风电的随机性和波动性，在 风电场景中考虑弃风的情况下，电源侧惩罚因子
Figure 100002_DEST_PATH_IMAGE060
可表示为：
Figure DEST_PATH_IMAGE061
上式中，
Figure 284405DEST_PATH_IMAGE017
为平滑出力成本系数，单位为元/kW·h，T为时段总数，
Figure DEST_PATH_IMAGE062
为风电机组 的数量，
Figure DEST_PATH_IMAGE063
为风电典型日t时段内第j个风电机组输出的最大功率，
Figure DEST_PATH_IMAGE064
为考虑弃风后t 时段内第j个风电机组输出的平均功率，
Figure DEST_PATH_IMAGE065
为t时段内电源侧第
Figure 66154DEST_PATH_IMAGE026
个储能的平均功率，
Figure DEST_PATH_IMAGE066
为各时段的时长，本实施例中，功率型储能的
Figure 29562DEST_PATH_IMAGE029
为15min，能量型储能的
Figure 93333DEST_PATH_IMAGE066
为1h；
对于电网侧应用场景，其需求主要体现在电网调峰，即在短时间内功率需求较大的情况下投入储能机组向电网放电以满足需求，在电网负荷低谷时保持电网向储能充电。同时还考虑到网侧会发生线路堵塞等不利现象，由于系统网架结构的限制，当传输线容量过小时会存在一定程度的弃电。因此网侧的优化目标可设定为减少弃电现象，实现新能源发电、负荷用电及储能电量之间的平衡，电网侧惩罚因子表示如下：
Figure DEST_PATH_IMAGE067
上式中，
Figure 433178DEST_PATH_IMAGE018
为弃电成本系数，
Figure 898795DEST_PATH_IMAGE030
为t时段内负荷用电功率，
Figure DEST_PATH_IMAGE068
为t时段内电 网侧第
Figure 33104DEST_PATH_IMAGE027
个储能的平均功率；
对于负荷侧应用场景，从经济性的角度可以将优化目标设定为峰谷差套利。根据储能谷时充电、峰时放电的特性，通过在不同时段设定不同的用户电价来完成经济性优化。负荷侧惩罚因子可表示如下：
Figure DEST_PATH_IMAGE069
上式中，
Figure 318592DEST_PATH_IMAGE019
为t时段的峰谷套利成本系数，
Figure DEST_PATH_IMAGE070
为t时段内用户侧第
Figure DEST_PATH_IMAGE071
个储能的 平均功率。
3、构建储能运行优化模型，该模型以系统总发电成本最小为目标函数：
Figure DEST_PATH_IMAGE072
Figure 163926DEST_PATH_IMAGE032
Figure DEST_PATH_IMAGE073
上式中，
Figure DEST_PATH_IMAGE074
为火电机组的运行成本，
Figure DEST_PATH_IMAGE075
为总惩罚因子，
Figure DEST_PATH_IMAGE076
、
Figure DEST_PATH_IMAGE077
、
Figure DEST_PATH_IMAGE078
分别为火电机组、风电机组、储能的发电功率，
Figure 93836DEST_PATH_IMAGE033
为火电机组的数量，T为时段总数，
Figure 258101DEST_PATH_IMAGE034
、
Figure 670365DEST_PATH_IMAGE035
、
Figure 476647DEST_PATH_IMAGE036
为成本系数，
Figure 854539DEST_PATH_IMAGE037
为t时段内第i个火电机组的出力，
Figure DEST_PATH_IMAGE079
、
Figure DEST_PATH_IMAGE080
、
Figure DEST_PATH_IMAGE081
分别为电源侧惩罚 因子
Figure 799492DEST_PATH_IMAGE060
、电网侧惩罚因子
Figure DEST_PATH_IMAGE082
、负荷侧惩罚因子
Figure DEST_PATH_IMAGE083
的权重系数，本实施例中均设置为1/3；
所述目标函数的约束条件包括：
功率平衡约束：
Figure 466097DEST_PATH_IMAGE038
上式中，
Figure 279332DEST_PATH_IMAGE039
、
Figure 308468DEST_PATH_IMAGE040
、
Figure 250754DEST_PATH_IMAGE041
分别为火电机组、风电机组、储能的数量，
Figure 732551DEST_PATH_IMAGE042
、
Figure 349477DEST_PATH_IMAGE043
、
Figure 108486DEST_PATH_IMAGE044
分别 为t时段内第i个火电机组、第j个风电机组、第k个储能的出力，
Figure 847772DEST_PATH_IMAGE045
为t时段内负荷用电所需 功率；
充放电约束：
Figure 20127DEST_PATH_IMAGE046
上式中，
Figure 112848DEST_PATH_IMAGE047
、
Figure 116576DEST_PATH_IMAGE048
分别为t时段内第k个储能放电前、后的总容量；
旋转备用约束：
Figure 964446DEST_PATH_IMAGE049
上式中，
Figure 296202DEST_PATH_IMAGE050
为第i个火电机组的出力最大值，
Figure 317247DEST_PATH_IMAGE051
为t时段内系统的旋转备用容 量；
功率约束：
Figure 113165DEST_PATH_IMAGE052
上式中，
Figure 568155DEST_PATH_IMAGE053
为第i个火电机组的出力最小值，
Figure 511840DEST_PATH_IMAGE054
为风电典型日t时段内风 电机组输出的最大功率，
Figure 274260DEST_PATH_IMAGE055
为t时段内第k个储能的平均功率；
容量约束：
Figure 127946DEST_PATH_IMAGE056
上式中，
Figure DEST_PATH_IMAGE084
为第k个储能的容量，由储能的规划配置来确定，
Figure 583198DEST_PATH_IMAGE058
、
Figure DEST_PATH_IMAGE085
为 第k个储能的容量最小、最大值
4、基于风电、火电及负荷在典型日的数据以及IEEE 14节点系统拓扑结构数据，采用遗传算法对构建的储能运行优化模型进行求解，具体包括：
4.1、根据系统中网络支路和各节点的信息对遗传算法的参数进行初始化，生成初 始群体，所述参数包括种群规模、最大迭代次数
Figure DEST_PATH_IMAGE086
、交叉概率、变异概率；
4.2、对初始种群进行可行性检测，筛选出可行个体，其中，所述可行性检测是指：将储能的配置容量与功率代入种群中进行优化求解，若有可行解，则将该可行解作为潮流计算的边界条件带入进行潮流计算，得到潮流解，其中，所述潮流解包括系统中各母线节点的电压幅值和相角、各支路的功率分布，考虑到电网侧存在线路阻塞的现象，对于电网侧，在进行所述潮流计算后，检验线路的传输功率是否超过限制，排除超过限制的个体，并对各个机组出力进行调整，随后重新进行潮流计算；
4.3、计算各可行个体的适应度值，得到本次迭代计算中的群体最优解和粒子的个体最优解；
4.4、先选择适应度值高的多个可行个体作为父代和母代种群，再随机选取种群中的两个个体，对包含不同特征的基因进行交换组合，交叉后产生新的子代，并通过步骤4.2所采用的可行性检测筛选出可行个体，随后对于交叉产生的种群，随机挑选某个体的基因位置进行变异操作，并通过步骤4.2所采用的可行性检测筛选出可行个体，生成新一代种群；
4.5、判断迭代次数
Figure DEST_PATH_IMAGE087
是否达到最大迭代次数
Figure 827229DEST_PATH_IMAGE086
，若未达到最大迭代次 数，则返回步骤4.2开始下一次迭代；若达到最大迭代次数，则输出储能的最优运行参数。
本实施例通过步骤4得到的该典型日内电源侧、电网侧、负荷侧储能系统的充放电功率及SOC曲线分别如图4、图5、图6所示。
由图4可知，电源侧储能在8-11时、16-21时以充电为主，SOC曲线呈上升趋势，13-16时集中放电，SOC有所下降，其作用是为了平抑新能源产生的功率波动。
从图5可以看出，电网侧接入储能可实现低谷时期充电、高峰时期放电，且在平谷时期储能可根据负荷情况自动调整充放电策略，其调峰作用明显，最大程度的减少弃风弃电。
如图6所示，负荷侧储能在0-5时、9-11时、21-23时放电，6-8时、12-13时、15、17、19、22时充电，整体采用充、放电交替进行的策略，且储能系统接入后利用率较高，运行时间几乎达到全天，结合分时电价策略，可以充分利用电价峰、谷差实现储能系统收益最大化，保证负荷侧的经济性目标实现。
接入储能后的风电出力情况如图7所示，可以看出在储能工作期间，新能源出力曲线变化较为平缓，变化幅度不大，证明新能源功率波动得到了一定程度的抑制，验证了电源侧储能在功率波动场景中应用的有效性。

Claims (9)

1.一种源网荷多约束条件下的电力系统储能优化运行方法，其特征在于：
所述方法依次包括以下步骤：
步骤A、构建考虑源、网、荷三侧不同应用场景的储能运行优化模型，该模型以系统总发电成本最小为目标函数：
Figure DEST_PATH_IMAGE001
Figure DEST_PATH_IMAGE002
上式中，
Figure DEST_PATH_IMAGE003
为火电机组的运行成本，
Figure DEST_PATH_IMAGE004
为总惩罚因子，
Figure DEST_PATH_IMAGE005
、
Figure DEST_PATH_IMAGE006
、
Figure DEST_PATH_IMAGE007
分别为火电机组、风电机组、储能的发电功率，
Figure DEST_PATH_IMAGE008
、
Figure DEST_PATH_IMAGE009
、
Figure DEST_PATH_IMAGE010
分别为电源侧惩罚因子
Figure DEST_PATH_IMAGE011
、电网侧 惩罚因子
Figure DEST_PATH_IMAGE012
、负荷侧惩罚因子
Figure DEST_PATH_IMAGE013
的权重系数；
步骤B、在确定储能的容量和配置地点后，对储能运行优化模型进行求解，得到储能的最优运行参数，包括储能在风电典型日各时段的运行功率和SOC值。
2.根据权利要求1所述的一种源网荷多约束条件下的电力系统储能优化运行方法，其特征在于：
所述电源侧惩罚因子
Figure DEST_PATH_IMAGE014
、电网侧惩罚因子
Figure 322476DEST_PATH_IMAGE012
、负荷侧惩罚因子
Figure 974037DEST_PATH_IMAGE013
由下列公式计算得到：
Figure DEST_PATH_IMAGE015
Figure DEST_PATH_IMAGE016
Figure DEST_PATH_IMAGE017
上式中，
Figure DEST_PATH_IMAGE018
、
Figure DEST_PATH_IMAGE019
、
Figure DEST_PATH_IMAGE020
分别为平滑出力成本系数、弃电成本系数、t时段的峰谷套利成本 系数，T为时段总数，
Figure DEST_PATH_IMAGE021
为风电机组的数量，
Figure DEST_PATH_IMAGE022
为风电典型日t时段内第j个风电机组输 出的最大功率，
Figure DEST_PATH_IMAGE023
为考虑弃风后t时段内第j个风电机组输出的平均功率，
Figure DEST_PATH_IMAGE024
、
Figure DEST_PATH_IMAGE025
、
Figure DEST_PATH_IMAGE026
分别为t时段内电源侧第
Figure DEST_PATH_IMAGE027
个储能、电网侧第
Figure DEST_PATH_IMAGE028
个储能、用户侧第
Figure DEST_PATH_IMAGE029
个储能的平均功 率，
Figure DEST_PATH_IMAGE030
为各时段的时长，
Figure DEST_PATH_IMAGE031
为t时段内负荷用电功率。
3.根据权利要求1或2所述的一种源网荷多约束条件下的电力系统储能优化运行方法，其特征在于：
所述火电发电机组的运行成本
Figure DEST_PATH_IMAGE032
由以下公式计算得到：
Figure DEST_PATH_IMAGE033
上式中，
Figure DEST_PATH_IMAGE034
为火电机组的数量，T为时段总数，
Figure DEST_PATH_IMAGE035
、
Figure DEST_PATH_IMAGE036
、
Figure DEST_PATH_IMAGE037
为成本系数，
Figure DEST_PATH_IMAGE038
为t时段内第i个火电机组的出力。
4.根据如权利要求1所述的一种源网荷多约束条件下的电力系统储能优化运行方法，其特征在于：
所述目标函数的约束条件包括：
功率平衡约束：
Figure DEST_PATH_IMAGE039
上式中，
Figure DEST_PATH_IMAGE040
、
Figure DEST_PATH_IMAGE041
、
Figure DEST_PATH_IMAGE042
分别为火电机组、风电机组、储能的数量，
Figure DEST_PATH_IMAGE043
、
Figure DEST_PATH_IMAGE044
、
Figure DEST_PATH_IMAGE045
分别为t 时段内第i个火电机组、第j个风电机组、第k个储能的出力，
Figure DEST_PATH_IMAGE046
为t时段内负荷用电所需功 率；
充放电约束：
Figure DEST_PATH_IMAGE047
上式中，
Figure DEST_PATH_IMAGE048
、
Figure DEST_PATH_IMAGE049
分别为t时段内第k个储能放电前、后的总容量；
旋转备用约束：
Figure DEST_PATH_IMAGE050
上式中，
Figure DEST_PATH_IMAGE051
为第i个火电机组的出力最大值，
Figure DEST_PATH_IMAGE052
为t时段内系统的旋转备用容量；
功率约束：
Figure DEST_PATH_IMAGE053
上式中，
Figure DEST_PATH_IMAGE054
为第i个火电机组的出力最小值，
Figure DEST_PATH_IMAGE055
为风电典型日t时段内风电机 组输出的最大功率，
Figure DEST_PATH_IMAGE056
为t时段内第k个储能的平均功率；
容量约束：
Figure DEST_PATH_IMAGE057
上式中，
Figure DEST_PATH_IMAGE058
为第k个储能的容量，
Figure DEST_PATH_IMAGE059
、
Figure DEST_PATH_IMAGE060
为第k个储能的容量最小、最大值。
5.根据权利要求1或2所述的一种源网荷多约束条件下的电力系统储能优化运行方法，其特征在于：
所述步骤B采用遗传算法对储能运行优化模型进行求解，依次包括以下步骤：
步骤B1、根据系统中网络支路和各节点的信息对遗传算法的参数进行初始化，生成初始群体；
步骤B2、对初始种群进行可行性检测，筛选出可行个体；
步骤B3、计算各可行个体的适应度值；
步骤B4、依次进行选择、交叉、变异操作，生成新一代种群；
步骤B5、判断迭代次数是否达到最大迭代次数，若未达到最大迭代次数，则返回步骤B2开始下一次迭代；若达到最大迭代次数，则输出储能的最优运行参数。
6.根据权利要求5所述的一种源网荷多约束条件下的电力系统储能优化运行方法，其特征在于：
步骤B2中，所述可行性检测包括：
将储能的配置容量与功率代入种群中进行优化求解，若有可行解，则将该可行解作为潮流计算的边界条件带入进行潮流计算，得到潮流解即可。
7.根据权利要求6所述的一种源网荷多约束条件下的电力系统储能优化运行方法，其特征在于：对于电网侧，在进行所述潮流计算后，检验线路的传输功率是否超过限制，排除超过限制的个体，并对各个机组出力进行调整，随后重新进行潮流计算。
8.根据权利要求6所述的一种源网荷多约束条件下的电力系统储能优化运行方法，其特征在于：所述潮流解包括系统中各母线节点的电压幅值和相角、各支路的功率分布。
9.根据权利要求5所述的一种源网荷多约束条件下的电力系统储能优化运行方法，其特征在于：
所述步骤B4包括：先选择适应度值高的多个可行个体作为父代和母代种群，再随机选取种群中的两个个体，对包含不同特征的基因进行交换组合，交叉后产生新的子代，并通过步骤B2所采用的可行性检测筛选出可行个体，随后对于交叉产生的种群，随机挑选某个体的基因位置进行变异操作，并通过步骤B2所采用的可行性检测筛选出可行个体，即生成新一代种群。
CN202210763942.XA 2022-07-01 2022-07-01 一种源网荷多约束条件下的电力系统储能优化运行方法 Active CN114884110B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210763942.XA CN114884110B (zh) 2022-07-01 2022-07-01 一种源网荷多约束条件下的电力系统储能优化运行方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210763942.XA CN114884110B (zh) 2022-07-01 2022-07-01 一种源网荷多约束条件下的电力系统储能优化运行方法

Publications (2)

Publication Number Publication Date
CN114884110A true CN114884110A (zh) 2022-08-09
CN114884110B CN114884110B (zh) 2022-09-20

Family

ID=82682883

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210763942.XA Active CN114884110B (zh) 2022-07-01 2022-07-01 一种源网荷多约束条件下的电力系统储能优化运行方法

Country Status (1)

Country Link
CN (1) CN114884110B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116523279A (zh) * 2023-07-05 2023-08-01 国网湖北省电力有限公司经济技术研究院 一种计及调频需求的灵活性资源配置方案的确定方法
CN117522061A (zh) * 2023-11-23 2024-02-06 国网冀北电力有限公司秦皇岛供电公司 一种基于多源数据融合的储能配置优化方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130024044A1 (en) * 2011-07-18 2013-01-24 Nec Laboratories America, Inc. Optimal storage sizing for integrating wind and load forecast uncertainties
CN103236718A (zh) * 2013-03-26 2013-08-07 东北大学 一种智能微网的源-网-荷自动控制系统及控制方法
CN107958300A (zh) * 2017-08-21 2018-04-24 浙江工业大学 一种考虑互动响应的多微网互联运行协调调度优化方法
CN109378864A (zh) * 2018-11-01 2019-02-22 国网辽宁省电力有限公司电力科学研究院 基于新能源消纳的“源-网-荷”协调优化的控制方法
CN109508857A (zh) * 2018-09-28 2019-03-22 国网浙江省电力有限公司经济技术研究院 一种主动配电网多阶段规划方法
CN110163450A (zh) * 2019-05-31 2019-08-23 国网山东省电力公司经济技术研究院 一种基于运行受限的配电网规划双层优化模型构建方法
CN110401192A (zh) * 2019-08-09 2019-11-01 长沙理工大学 考虑负荷最优转移比例和风、光最优并网比例的电力系统动态经济调度方法
US11011909B1 (en) * 2019-04-30 2021-05-18 Michael Gurin Feedforward dynamic and distributed energy storage system
CN113065981A (zh) * 2021-03-30 2021-07-02 东北电力大学 一种考虑储能综合收益的源-储-网协调规划方法
CN113313613A (zh) * 2021-07-06 2021-08-27 华北电力大学 一种电力配网模块化可移动电池储能mmbes优化配置方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130024044A1 (en) * 2011-07-18 2013-01-24 Nec Laboratories America, Inc. Optimal storage sizing for integrating wind and load forecast uncertainties
CN103236718A (zh) * 2013-03-26 2013-08-07 东北大学 一种智能微网的源-网-荷自动控制系统及控制方法
CN107958300A (zh) * 2017-08-21 2018-04-24 浙江工业大学 一种考虑互动响应的多微网互联运行协调调度优化方法
CN109508857A (zh) * 2018-09-28 2019-03-22 国网浙江省电力有限公司经济技术研究院 一种主动配电网多阶段规划方法
CN109378864A (zh) * 2018-11-01 2019-02-22 国网辽宁省电力有限公司电力科学研究院 基于新能源消纳的“源-网-荷”协调优化的控制方法
US11011909B1 (en) * 2019-04-30 2021-05-18 Michael Gurin Feedforward dynamic and distributed energy storage system
CN110163450A (zh) * 2019-05-31 2019-08-23 国网山东省电力公司经济技术研究院 一种基于运行受限的配电网规划双层优化模型构建方法
CN110401192A (zh) * 2019-08-09 2019-11-01 长沙理工大学 考虑负荷最优转移比例和风、光最优并网比例的电力系统动态经济调度方法
CN113065981A (zh) * 2021-03-30 2021-07-02 东北电力大学 一种考虑储能综合收益的源-储-网协调规划方法
CN113313613A (zh) * 2021-07-06 2021-08-27 华北电力大学 一种电力配网模块化可移动电池储能mmbes优化配置方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XIAOSHENG WU: ""Source-Network-Storage Joint Planning Considering Energy Storage Systems and Wind Power Integration"", 《IEEE ACCESS》 *
唐天琦: ""面向园区源网荷储一体化研究"", 《电气开关 》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116523279A (zh) * 2023-07-05 2023-08-01 国网湖北省电力有限公司经济技术研究院 一种计及调频需求的灵活性资源配置方案的确定方法
CN116523279B (zh) * 2023-07-05 2023-09-22 国网湖北省电力有限公司经济技术研究院 一种计及调频需求的灵活性资源配置方案的确定方法
CN117522061A (zh) * 2023-11-23 2024-02-06 国网冀北电力有限公司秦皇岛供电公司 一种基于多源数据融合的储能配置优化方法

Also Published As

Publication number Publication date
CN114884110B (zh) 2022-09-20

Similar Documents

Publication Publication Date Title
CN103490410B (zh) 一种基于多目标优化的微电网规划和容量配置方法
Yang et al. Optimal energy flow control strategy for a residential energy local network combined with demand-side management and real-time pricing
CN114884110B (zh) 一种源网荷多约束条件下的电力系统储能优化运行方法
CN103346562A (zh) 计及需求响应的多时间尺度微网能量控制方法
CN115173453A (zh) 一种储能辅助电网调峰的优化配置方法
CN113988384A (zh) 一种提高配电网可靠性的储能容量优化配置方法
Safipour et al. Optimal planning of energy storage systems in microgrids for improvement of operation indices
CN116402210A (zh) 一种综合能源系统多目标优化方法、系统、设备和介质
Wu et al. Optimized capacity configuration of an integrated power system of wind, photovoltaic and energy storage device based on improved particle swarm optimizer
Aiswariya et al. Optimal microgrid battery scheduling using simulated annealing
Pan et al. Dual‐layer optimal dispatching strategy for microgrid energy management systems considering demand response
Qiu et al. Planning optimization for islanded microgrid with electric-hydrogen hybrid energy storage system based on electricity cost and power supply reliability
Mahdad et al. Solving multi-objective optimal power flow problem considering wind-STATCOM using differential evolution
jing Hu et al. Capacity optimization of wind/PV/storage power system based on simulated annealing-particle swarm optimization
CN116707023A (zh) 基于源荷相关性聚类的主动配电网分层分区综合优化方法
Rajamand Feedback-based control structure for frequency/voltage regulation using the state of electrical vehicle charge station and point estimation method
CN114398777A (zh) 一种基于巴什博弈理论的电力系统灵活性资源配置方法
Koutroulis et al. Optimal design and economic evaluation of a battery energy storage system for the maximization of the energy generated by wind farms in isolated electric grids
Fan et al. Optimal allocation strategy of energy storage to improve the voltage quality of distribution network
Zhang et al. Day-ahead optimal dispatch of active distribution network with micro-energy grid considering demand response
Liu et al. Economic operation research for wind-PV-ES hybrid micro-grid
CN112952869B (zh) 一种计及风电接入的交直流混联系统扩展规划方法及系统
CN113783213B (zh) 一种集中式储能电站选址定容两阶段优化方法
Luo Multi-objective optimization of microgrid based on improved ant lion optimization algorithm
Gu et al. Multi-objective Optimal Configuration Scheme of Energy Storage in Wind-Photovoltaic-Energy Storage Hybrid Distribution Network System

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