CN115169854A - 一种源网荷储的农村配电网规划方法、装置、设备及介质 - Google Patents
一种源网荷储的农村配电网规划方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115169854A CN115169854A CN202210763627.7A CN202210763627A CN115169854A CN 115169854 A CN115169854 A CN 115169854A CN 202210763627 A CN202210763627 A CN 202210763627A CN 115169854 A CN115169854 A CN 115169854A
- Authority
- CN
- China
- Prior art keywords
- planning
- sampling
- power
- scene
- cost
- 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
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000003860 storage Methods 0.000 title claims abstract description 39
- 238000005457 optimization Methods 0.000 claims abstract description 116
- 238000005070 sampling Methods 0.000 claims description 112
- 238000004146 energy storage Methods 0.000 claims description 74
- 230000009467 reduction Effects 0.000 claims description 41
- 238000002485 combustion reaction Methods 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 19
- 238000013461 design Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 13
- 239000000446 fuel Substances 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 12
- 239000000126 substance Substances 0.000 claims description 12
- 238000012546 transfer Methods 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 9
- 230000001186 cumulative effect Effects 0.000 claims description 9
- 238000012423 maintenance Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 230000005611 electricity Effects 0.000 claims description 7
- 238000010521 absorption reaction Methods 0.000 claims description 6
- 230000009194 climbing Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 2
- 230000009469 supplementation Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 8
- 230000003993 interaction Effects 0.000 abstract description 6
- 238000004134 energy conservation Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 4
- 230000002441 reversible effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/06313—Resource planning in a project environment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- 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
-
- 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
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Finance (AREA)
- Operations Research (AREA)
- Accounting & Taxation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Power Engineering (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Educational Administration (AREA)
- Algebra (AREA)
- Biodiversity & Conservation Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
Abstract
本发明属于新能源及节能技术领域，具体公开了一种源网荷储协同的农村配电网规划方法、装置、设备及介质，包括：源荷概率场景生成和场景消减；建立农村电网双层优化规划模型；农村电网双层优化规划模型求解；本发明首先采用概率场景方法进行源荷不确定性的描述，建立农村电网双层优化规划模型，两层交互迭代，确保快速搜索到最佳规划容量，并采用基于元模型的优化方法与二阶锥优化结合的模型求解方法对农村电网双层优化规划模型求解，得到配电网期望运行指标，根据配电网期望运行指标，获得农村配电网规划方法，将有助于减少计算时间，提高最优解的搜索效率，可为综合能源微网、主动配电网的规划提供参考。
Description
技术领域
本发明属于新能源及节能技术领域，具体涉及一种源网荷储的农村配电网规划方法、装置、设备及介质。
背景技术
传统农网电网存在投资大、线损高，可靠性和电压质量较差的问题。随着智能电网技术的发展和应用，低压分布式电源的不断接入，导致农村台区出现高电压、功率倒送、线损增加等问题。随着电动汽车的推广应用，不可调控的充电负荷导致重过载、三相不平衡、增容改造投资大等问题。随着储能技术的成熟和推广，台区侧分布式电源和储能的配置研究也引起了广泛关注，并开展了台区级微电网技术研究和示范应用。同时，农村电网将面临更高比例的分布式电源和新兴负荷接入，现有技术已不能很好解决高电压、功率倒送、线损增加等农村配电网方面的问题。
发明内容
为了克服现有技术的缺点，本发明的目的在于提供一种源网荷储的农村配电网规划方法、装置、设备及介质，以解决农村台区出现高电压、功率倒送、线损增加，规划容量不平衡的问题。
为了达到上述目的，本发明采用以下技术方案实现：
第一方面，本发明提供一种源网荷储的农村配电网规划方法，其特征在于，包括：
S1：获取采样数据；对采样数据进行概率场景生成和场景削减，输出经过场景生成和场景消减后的数据；
S2：建立农村电网双层优化规划模型，外层优化模型为分布式电源、储能设备的容量规划，内层优化模型为在给定规划容量下的系统源、荷、储协调运行优化
S3：将经过场景生成和场景消减后的数据带入农村电网双层优化规划模型进行求解，得到配电网期望运行指标，根据配电网期望运行指标，获得农村配电网规划方法。
进一步的，所述源荷概率场景生成包括：
采用拉丁超立方抽样进行源荷不确定性的采样，具体采样方法如下：
S111：对于随机变量xi，将xi的累积概率分布曲线Fxi＝fi(xi)的纵轴等概率的分成N个区间，在每个区间内随机抽取一个值，且有
S112：对于随机变量xx的第k个采样值xik，其对应的累积分布概率为：
其中，rn～N(0，1)服从均匀分布；
通过计算累积分布函数Fxi的反函数，求得xi的第k个采样值xik，满足：
S113：采样完成后，将每个随机变量的采样值排成矩阵的一列，形成一个N×P的采样矩阵；采用Gram-Schmidt序列正交化方法进行排序，将上述N×P的采样矩阵转化为标准正交向量，通过迭代计算使各列的相关性最小；最后形成N个采样场景。
进一步的，所述场景消减包括：
采用SBR技术进行采样场景削减并确定相应概率；假定初始采样场景集合中有N个采样场景S＝{sθ，θ＝1，…，N}，每个采样场景对应的概率为pθ，利用LHS生成的每个采样场景的概率都为
定义采样场景向量的2范数为采样场景的概率距离作为降阶尺度，记作d(i，j)＝d(si，sj)；最终采样场景数目为NE，SD为被删掉的采样场景集合，初始阶段为空；
所述场景削减的基本步骤如下：
S121：计算采样场景i，j之间的概率距离d(i，j)＝d(si，sj)i，j＝1，…，N；
S122：对于每一个采样场景m，找到与其距离最短的采样场景n，即d(m，n)＝mmin d(m，k)k≠m，k∈S；
S123：采样场景m的概率为pm，计算Pdm(n)＝pmd(m，n)，由Pdm(r)＝min P dm确定待删除的采样场景r；
S124：修正样本S和SD及相关概率S＝S-{r}，SD＝SD+{r}pm＝pm+pr；
S125：N＝N-1N，当N＝NE时，迭代终止，否则，转至S122。
进一步的，所述外层优化模型以各DG、ESS的装机规划容量为决策变量，优化目标为最小化系统总成本，其中包括系统初始投资成本和规划容量下的系统运行成本；所述内层优化模型以规划容量下的系统运行成本最小化为目标，运行成本包括分布式电源燃耗成本、维护成本、网损成本、购电成本和需求响应补偿成本；控制决策变量包括各时段的分布式电源的出力、电储能的充放电功率，热储能的吸热或放热功率约束、联络线功率约束，切负荷或负荷转移功率，同时需满足系统潮流约束、节点电压约束、储能充放电功率约束、储能SOC约束、机组出力上下限约束、爬坡率约束，需求响应约束。
进一步的，所述外层优化模型中最小化系统总成本下式所示：
min F(X)＝F1(X)+F2(X，Y)
其中，F(X)为系统总成本，X为规划决策变量集合，指代各DG、电储能、热储能、补燃锅炉等单元的规划容量，F1(X)为所有设备的总投资成本，计算如下式所示，F2(X，Y)为规划容量下的系统总运行成本，由内层运行模拟返回值，Y为运行决策变量；
其中，
分别为光伏、风机、微燃机、电储能、热储能、补然锅炉的单位功率投资成本，nPV、nWT、nMT、nESS、nTESS、nB分别为光伏、风机、微燃机、电储能、热储能、补燃锅炉的装机台数；ρ为年利率，L为工程设计周期；X为规划决策变量集，由光伏、风机、微燃机、电储能、热储能、补然锅炉的装机容量构成，如下式所示：
进一步的，所述内层优化模型具体如下：
其中，F2(X，Y)指代规划容量下的系统运行总成本，s和t分别代指场景和时间段；TN为各场景下总的运行时段数，nMT为规划的微燃机总台数，
指代t时段的燃耗成本，包括微燃机的燃耗及补燃锅炉的燃耗；ai、bi、ci分别为微燃机的燃耗成本系数，βj为补燃锅炉的单位功率燃耗成本系数，Hboil，j(t)为补燃锅炉t时段的热功率；
指代在t时段的总维护成本，与各单元输出功率成正比；
分别为光伏、风电、微燃机、电储能、热储能、补燃锅炉单位功率的维护成本，PPV，m(t)、PWT，n(t)、PMT，i(t)、PESS，k、HTESS，g、Hboil，j(t)分别为光伏、风电、微燃机、电储能、热储能、补燃锅炉在t时段的出力功率；
为系统在t时段的总网损成本，包括电能损耗成本和热能损耗成本；ωt为t时段的购电电价，λt为t时段的购热单价，Hloss(t)为t时段的热损耗；gkj为节点k和j之间导纳元素的虚部，Vk(t)为第k个节点在t时段的电压幅值；θkj(t)为节点k和j之间在t时段的相角差，nD为总节点个数，
为t时段的联络线成本，Pgrid，t为t时段的联络线交换功率，
为t时段的需求响应成本，
分别为t时段的负荷转移补偿成本和负荷中断负荷补偿成本，
为第r个可转移负荷的单位功率负荷转移补偿费用系数，aLC为削减单位功率负荷的补偿费用系数；
所述内层运行优化模型的控制决策变量包括微燃机的出力、电储能的充放电功率、热储能的吸热或放热功率、联络线出力功率、切负荷功率、负荷转移状态，构成的向量如下式所示：
内层运行优化模型满足的约束条件如下：
潮流等式约束：
其中，PIk(t)为节点k在t小时的总注入有功功率，QIk(t)为节点k在t小时的总注入无功功率，Pkj(t)为节点k和j之间在t小时的传输有功功率，Qkj(t)为节点k和j之间在t小时的传输无功功率，PDG，k(t)、QDG，k(t)分别为节点k在t小时的发电机注入有功功率和无功功率；PL，k(t)、QL，k(t)分别为节点k在t小时的负荷消耗有功功率和无功功率，bkj为节点k和j之间导纳元素的虚部；
所述分布式电源出力上下限及爬坡率约束：
其中，
分别为第i个微燃机允许的最大和最小输出功率；rgi为第i个微燃机的上下爬坡限幅比率；
分别为t时段第i个微燃机已经开机或停机的时间，
分别为第i个微燃机允许的最短开机时间和最小停机时间；
所述节点电压约束：
其中，
分别为第k个节点允许的最大和最小电压幅值；
线路传输功率约束：
其中，
为节点k与节点j之间支路允许传输的最大和最小有功功率。
进一步的，所述S3中采用基于元模型的优化方法与二阶锥优化结合的模型求解方法对农村电网双层优化规划模型求解，具体为：
S31：初始化输入数据：初始化各DG、电储能、热储能、补然锅炉的最小、最大装机容量，生成初始设计空间，并在设计空间上，基于场景生成与削减中拉丁超立方抽样产生一系列采样点；
S32：传递初始设计点到内层运行优化，调用内层运行优化模型计算初始点集的目标函数和约束函数；
S33：依据外层传递过来的设计点更新内层运行优化的边界和优化模型，基于二阶锥优化求解更新后的运行优化模型；
S34：判断内层运行优化问题是否收敛，若收敛，转到下一步，否则返回S33；
S35：依据内层优化返回的目标值，基于克里金方法构建Kriging元模型，排序当前所有目标值找出包含最优解的区域，同时估算这些区域的上下边界；
S36：在包含最优解的区域上，采用LHS采样方法再生成一系列采样点，并代入Kriging元模型估算当前所有新生成点的目标值；
S37：基于Kriging元模型估算结果筛选“优异”点集，并对该“优异”点集调用内层运行优化模型评估该点集的实际目标响应值，计算其实际性能指标，与当前最优解比较，若目标有改进，将“优异”的采样点并入到当前采样点集合，并更新局部最优解；否则保持当前采样点集不变；
S38：转向下一个有希望区域，通过比较所有当前局部最优而得到当前迭代步的全局最优解；
S39：判断目标是否满足收敛条件，若满足，则停止迭代，输出最优解，得到配电网期望运行指标；否则，返回S35。
第二方面，本发明提供一种源网荷储协同的农村配电网规划装置，包括：
采样数据的获取及源荷概率场景生成和场景消减模块，用于获取采样数据，对采样数据进行概率场景生成和场景削减，输出经过场景生成和场景消减后的数据；
农村电网双层优化规划模型建立模块，用于建立外层优化模型为分布式电源、储能等设备的容量规划，内层优化模型为在给定规划容量下的系统源、荷、储协调运行优化的模型；
农村电网双层优化规划模型求解模块，用于将经过场景生成和场景消减后的数据带入农村电网双层优化规划模型进行求解，得到配电网期望运行指标，根据配电网期望运行指标，获得农村配电网规划方法。
第三方面，本发明提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述的一种源网荷储的农村配电网规划方法。
第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的一种源网荷储的农村配电网规划方法。
本发明至少具有以下有益效果：
1、本发明首先采用概率场景方法进行源荷不确定性的描述，建立农村电网双层优化规划模型，两层交互迭代，确保快速搜索到最佳规划容量，并采用基于元模型的优化方法与二阶锥优化结合的模型求解方法对农村电网双层优化规划模型求解，得到配电网期望运行指标，根据配电网期望运行指标，获得农村配电网规划方法，将有助于减少计算时间，提高最优解的搜索效率，可为综合能源微网、主动配电网的规划提供参考。
2、可再生能源和负荷均具有较强随机性和波动性，本发明中优化模型在规划中详细考虑源荷的不确定性，保证规划模型具有更好的实用性。在规划阶段详细考虑系统未来的源、荷、储协调运行，并计及源侧、荷侧的出力不确定性，保障规划方案对于未来运行具有更好的适应能力。
3、本发明对整个电力系统整体的协调优化，不仅能够降低电网综合运行成本，实现分布式能源消纳，同样能够对负荷侧进行削峰填谷，提升系统运行稳定性和灵活性。源网荷储协同的农村配电网规划方法可实现源网荷储各侧资源的协同规划，保障乡村地区能源系统的清洁低碳安全高效发展。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
在附图中：
图1为一种源网荷储的农村配电网规划方法流程图；
图2为两阶段模型求解架构示意图；
图3为双层优化规划模型求解流程示意图；
图4为一种源网荷储的农村配电网规划装置模块示意图。
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
以下详细说明均是示例性的说明，旨在对本发明提供进一步的详细说明。除非另有指明，本发明所采用的所有技术术语与本发明所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式，而并非意图限制根据本发明的示例性实施方式。
实施例1
如图1所示，本发明一种源网荷储的农村配电网规划方法，包括：
S1：获取采样数据，源荷概率场景生成和场景消减；
由于可再生能源和负荷均具有较强随机性和波动性，为保证规划模型具有更好的实用性，必须在规划中详细考虑源荷的不确定性。对此，本发明采用概率场景方法进行源荷不确定性的描述，具体包括：获取采样数据，包括功率、温度、湿度、辐照度等，通过场景生成和场景削减保证数据的准确性，之后将经过场景生成和场景消减的数据带入双层优化模型进行模型求解。
S11：源荷概率场景生成
考虑到源荷概率场景生成需同时描述分布式电源DG(风电、光伏)和负荷的多维随机性，因此需引入多维采样理论进行多维分层采样。拉丁超立方采样是一种有效的反映随机变量整体分布的多维分层采样方法，可保证所有的采样区域都能够被采样点覆盖。因此这里采用拉丁超立方抽样进行源荷不确定性的采样，具体采样方法如下：
S111：对于任一随机变量xi，将xi的累积概率分布曲线Fxi＝fi(xi)的纵轴等概率的分成N个区间，在每个区间内随机抽取一个值，且有
S112：对于随机变量xi的第k个采样值xik，其对应的累积分布概率为：
其中，rn～N(0，1)服从均匀分布。通过计算累积分布函数Fxi的反函数，即可求得xi的第k个采样值xik，满足：
S113：采样完成后，将每个随机变量的采样值排成矩阵的一列，形成一个N×P的采样矩阵。采用Gram-Schmidt序列正交化方法进行排序，将上述N×P的采样矩阵转化为标准正交向量，通过迭代计算使各列的相关性最小。最后形成N个采样场景。
本发明假定风速、光照强度，负荷功率的概率分布分别采用Weibull分布、beta分布及正态分布进行模拟，且Weibull分布和Beta分布的参数分别由24h的风速、光照强度的统计均值和方差计算得到。
S12：场景削减
由LHS(拉丁超立方抽样)原理可知，抽样规模越大，精度越高，但降低了计算效率，为减少计算量并尽可能保留原场景的特点，通过场景削减技术合并相似采样场景。采用同步回代削减(SBR)技术进行采样场景削减并确定相应概率。假定初始采样场景集合中有N个采样场景S＝{sθ，θ＝1，…，N}，每个采样场景对应的概率为pθ，显然利用LHS生成的每个采样场景的概率都为
定义采样场景向量的2范数为采样场景的概率距离作为降阶尺度，记作d(i，j)＝d(si，sj)。最终采样场景数目为NE，SD为被删掉的采样场景集合，初始阶段为空，则场景削减的基本步骤如下：
S121：计算采样场景i，j之间的概率距离d(i，j)＝d(si，sj)i，j＝1，…，N；
S122：对于每一个采样场景m，找到与其距离最短的采样场景n，即d(m，n)＝min d(m，k)k≠m，k∈S；
S123：场景m的概率为pm，计算Pdm(n)＝pmd(m，n)，由Pdm(r)＝min P dm确定待删除的场景r；
S124：修正样本S和SD及相关概率S＝S-{r}S，SD＝SD+{r}，pm＝pm+pr；
S125：N＝N-1N，当N＝NE时，迭代终止，否则，转至S122。
输出经过场景生成和场景消减后的数据；场景生成可描述DG和负荷的多维随机性，所有的采样区域都能够被采样点覆盖，保证S2中优化规划模型中输入数据的整体性与多样性；而场景削减又可以修正样本，保证S2中优化规划模型中输入数据的精确性。
S2：建立农村电网双层优化规划模型；
为保障规划方案对于未来运行具有更好的适应能力，需在规划阶段详细考虑系统未来的源、荷、储协调运行，并计及源侧、荷侧的出力不确定性；对此发明提出一种计及源荷储协调互动和出力不确定性的新型农村电网双层优化规划模型，外层优化为分布式电源(包括可再生能源、热电联产单元)、储能系统(ESS)等设备的容量规划问题，内层优化为在给定规划容量下的系统源、荷、储协调运行优化问题，两层交互迭代，确保快速搜索到最佳规划容量；双层优化规划模型中采集的数据为经过场景生成和场景消减后的数据。基于此，优化模型将包含容量规划问题以及规划容量下源-荷-储能协调互动优化运行两层问题；
S21：外层优化模型
外层优化模型以各DG、ESS等设备的装机规划容量为决策变量，优化目标为最小化系统总成本，其中包括系统初始投资成本和规划容量下的系统运行成本，如下式所示：
min F(X)＝F1(X)+F2(X，Y)
其中，F(X)为系统总成本，X为规划决策变量集合，指代各DG、电储能、热储能、补燃锅炉等单元的规划容量，F1(X)为所有设备的总投资成本，计算如下式所示，F2(X，Y)为规划容量下的系统总运行成本，由内层运行模拟返回值，Y为运行决策变量。
其中，
分别为光伏、风机、微燃机、电储能、热储能、补然锅炉的单位功率投资成本，nPV、nWT、nMT、nESS、nTESS、nB分别为光伏、风机、微燃机、电储能、热储能、补燃锅炉的装机台数；ρ为年利率，L为工程设计周期。X为规划决策变量集，由光伏、风机、微燃机、电储能、热储能、补然锅炉的装机容量构成，如下式所示：
S22：内层优化模型
内层优化运行以规划容量下的系统运行成本最小化为目标，运行成本包括分布式电源燃耗成本、维护成本、网损成本、购电成本和需求响应补偿成本等。控制决策变量包括各时段的分布式电源的出力、电储能的充放电功率，热储能的吸热或放热功率约束、联络线功率约束，切负荷或负荷转移功率等，同时需满足系统潮流约束、节点电压约束、储能充放电功率约束、储能SOC约束、机组出力上下限约束、爬坡率约束，需求响应约束等，具体模型如下：
其中，F2(X，Y)指代规划容量下的系统运行总成本，s和t分别代指场景和时间段。TN为各场景下总的运行时段数，nMT为规划的微燃机总台数，
指代t时段的燃耗成本，包括微燃机的燃耗及补燃锅炉的燃耗；ai、bi、ci分别为微燃机的燃耗成本系数，βj为补燃锅炉的单位功率燃耗成本系数，Hboil，j(t)为补燃锅炉t时段的热功率。
指代在t时段的总维护成本，可认为近似与各单元输出功率成正比；
分别为光伏、风电、微燃机、电储能、热储能、补燃锅炉单位功率的维护成本，PPV，m(t)、PWT，n(t)、PMT，i(t)、PESS，k、HTESS，g、Hboil，j(t)分别为光伏、风电、微燃机、电储能、热储能、补燃锅炉在t时段的出力功率。
为系统在t时段的总网损成本，包括电能损耗成本和热能损耗成本；ωt为t时段的购电电价，λt为t时段的购热单价，Hloss(t)为t时段的热损耗；gkj为节点k和j之间导纳元素的虚部，Vk(t)为第k个节点在t时段的电压幅值；θkj(t)为节点k和j之间在t时段的相角差，nD为总节点个数，
为t时段的联络线成本，Pgrid，t为t时段的联络线交换功率，
为t时段的需求响应成本，
分别为t时段的负荷转移补偿成本和负荷中断负荷补偿成本，
为第r个可转移负荷的单位功率负荷转移补偿费用系数，aLC为削减单位功率负荷的补偿费用系数。
内层运行优化模型的控制决策变量包括微燃机的出力、电储能的充放电功率、热储能的吸热/放热功率、联络线出力功率、切负荷功率、负荷转移状态等，构成的向量如下式所示：
内层运行优化模型满足的约束条件如下：
潮流等式约束：
其中，PIk(t)为节点k在t小时的总注入有功功率，QIk(t)为节点k在t小时的总注入无功功率，Pkj(t)为节点k和j之间在t小时的传输有功功率，Qkj(t)为节点k和j之间在t小时的传输无功功率，PDG，k(t)、QDG，k(t)分别为节点k在t小时的发电机注入有功功率和无功功率。PL，k(t)、QL，k(t)分别为节点k在t小时的负荷消耗有功功率和无功功率，bkj为节点k和j之间导纳元素的虚部。
分布式电源出力上下限及爬坡率约束：
其中，
分别为第i个微燃机允许的最大和最小输出功率。rgi为第i个微燃机的上下爬坡限幅比率。
分别为t时段第i个微燃机已经开机或停机的时间，
分别为第i个微燃机允许的最短开机时间和最小停机时间。
节点电压约束：
其中，
分别为第k个节点允许的最大和最小电压幅值。
线路传输功率约束：
其中，
为节点k与节点j之间支路允许传输的最大和最小有功功率。
S3：将经过场景生成和场景消减后的数据带入农村电网双层优化规划模型求解，得到配电网期望运行指标，根据配电网期望运行指标，获得农村配电网规划方法。
上述建立的优化模型包含两个子问题，采用基于元模型的优化(MBO)方法与二阶锥优化(SOCP)结合的模型求解方法对农村电网双层优化规划模型求解，如图2所示，首先外层模型传递可选的DG，ESS规划容量到内层优化模型，内层模型在给定的规划容量下，进行模拟运行，求解得到配电网期望运行指标(如功率损耗和节点电压偏差和运行成本等)，而后再返回到外层优化子问题，通过分层优化、交替迭代的方式求解，有效降低模型的计算规模及求解难度。
外层模型中，计算目标所需的配电网期望运行成本与机组规划容量密切相关，且难以给出具体的解析表达式，求解时内层模型对于外层模型等效为黑箱子，求解属于“黑箱”目标优化问题，这里引入适合求解黑盒问题且全局搜索能力较强的元模型全局优化(metamodel)算法求解。
基于上述的算法搜索原理，将其用于黑盒耗时的双层优化模型的求解，详细求解流程如图3所示，具体求解方法如下：
S31：初始化输入数据：初始化各DG、电储能、热储能、补然锅炉的最小、最大装机容量，生成初始设计空间，并在设计空间上，基于场景生成与削减中拉丁超立方抽样(LHS)产生一系列采样点；
S32：传递初始设计点到内层运行优化，调用内层运行优化模型计算初始点集的目标函数和约束函数；
S33：依据外层传递过来的设计点更新内层运行优化的边界和优化模型，基于二阶锥优化(SOCP)求解更新后的运行优化模型；
S34：判断内层运行优化问题是否收敛，若收敛，转到下一步，否则返回S33；
S35：依据内层优化返回的目标值，基于克里金方法构建Kriging元模型，排序当前所有目标值找出可能包含最优解的区域，同时估算这些区域的上下边界；
S36：在可能包含最优解的区域上，采用LHS采样方法再生成一系列采样点，并代入Kriging元模型估算当前所有新生成点的目标值；
S37：基于Kriging元模型估算结果筛选“优异”点集，并对该“优异”点集调用内层运行优化模型评估该点集的实际目标响应值，计算其实际性能指标，与当前最优解比较，若目标有改进，将“优异”的采样点并入到当前采样点集合，并更新局部最优解；否则保持当前采样点集不变；
S38：转向下一个有希望区域，通过比较所有当前局部最优而得到当前迭代步的全局最优解；
S39：判断目标是否满足收敛条件，若满足，则停止迭代，输出最优解，得到配电网期望运行指标，根据配电网期望运行指标，获得农村配电网规划方法；否则，返回S5。
双层优化模型在规划阶段详细考虑了源-荷-储的协调互动、分布式可再生能源和负荷的不确定性以及多能源流之间的协调，模型具有更好的实用性，为求解该双层黑盒规划模型，提出了一种新的基于元模型的优化(MBO)方法与二阶锥优化(SOCP)结合的模型求解方法。在规划时考虑分布式可再生能源和负荷的不确定性后，使其更符合实际运行；规划时详细考虑源侧、储能侧和负荷侧的协调互动运行，将有利于降低系统运行成本，减少机组规划容量，提高系统整体经济效益；对于需要大规模重复采样的黑箱优化规划问题的求解，基于元模型的优化方法将是一种有效的计算方法，其将有助于减少计算时间，提高最优解的搜索效率，可为综合能源微网、主动配电网的规划提供参考。
实施例2
如图4所示，一种源网荷储的农村配电网规划装置，包括：
采样数据的获取及源荷概率场景生成和场景消减模块，用于获取采样数据，对采样数据进行概率场景生成和场景削减，输出经过场景生成和场景消减后的数据；
农村电网双层优化规划模型建立模块，用于建立外层优化模型为分布式电源、储能等设备的容量规划，内层优化模型为在给定规划容量下的系统源、荷、储协调运行优化的模型；
农村电网双层优化规划模型求解模块，用于将经过场景生成和场景消减后的数据带入农村电网双层优化规划模型进行求解，得到配电网期望运行指标，根据配电网期望运行指标，获得农村配电网规划方法。
实施例3
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的一种源网荷储的农村配电网规划方法。
实施例4
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的一种源网荷储的农村配电网规划方法。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
由技术常识可知，本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。因此，上述公开的实施方案，就各方面而言，都只是举例说明，并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种源网荷储的农村配电网规划方法，其特征在于，包括：
S1：获取采样数据；对采样数据进行概率场景生成和场景削减，输出经过场景生成和场景消减后的数据；
S2：建立农村电网双层优化规划模型，外层优化模型为分布式电源、储能设备的容量规划，内层优化模型为在给定规划容量下的系统源、荷、储协调运行优化；
S3：将经过场景生成和场景消减后的数据带入农村电网双层优化规划模型进行求解，得到配电网期望运行指标，根据配电网期望运行指标，获得农村配电网规划方法。
2.根据权利要求1所述的一种源网荷储的农村配电网规划方法，其特征在于，所述源荷概率场景生成包括：
采用拉丁超立方抽样进行源荷不确定性的采样，具体采样方法如下：
S111：对于随机变量xi，将xi的累积概率分布曲线Fxi＝fi(xi)的纵轴等概率的分成N个区间，在每个区间内随机抽取一个值，且有
S112：对于随机变量xi的第k个采样值xik，其对应的累积分布概率为：
其中，rn～N(0,1)服从均匀分布；
通过计算累积分布函数Fxi的反函数，求得xi的第k个采样值xik，满足：
S113：采样完成后，将每个随机变量的采样值排成矩阵的一列，形成一个N×P的采样矩阵；采用Gram-Schmidt序列正交化方法进行排序，将上述N×P的采样矩阵转化为标准正交向量，通过迭代计算使各列的相关性最小；最后形成N个采样场景。
3.根据权利要求2所述的一种源网荷储的农村配电网规划方法，其特征在于，所述场景消减包括：
采用SBR技术进行采样场景削减并确定相应概率；初始采样场景集合中有N个采样场景S＝{sθ,θ＝1,…,N}，每个采样场景对应的概率为pθ，利用LHS生成的每个采样场景的概率都为
定义采样场景向量的2范数为采样场景的概率距离作为降阶尺度，记作d(i,j)＝d(si,sj)；最终采样场景数目为NE，SD为被删掉的采样场景集合，初始阶段为空；
所述场景削减的基本步骤如下：
S121：计算采样场景i，j之间的概率距离d(i,j)＝d(si,sj)i,j＝1,…,N；
S122：对于每一个采样场景m，找到与其距离最短的采样场景n，即d(m,n)＝mind(m,k)k≠m,k∈S；
S123：采样场景m的概率为pm，计算Pdm(n)＝pmd(m,n)，由Pdm(r)＝minPdm确定待删除的采样场景r；
S124：修正样本S和SD及相关概率S＝S-{r}，SD＝SD+{r}pm＝pm+pr；
S125：N＝N-1N，当N＝NE时，迭代终止，否则，转至S122。
4.根据权利要求1所述的一种源网荷储的农村配电网规划方法，其特征在于，所述外层优化模型以各DG、ESS的装机规划容量为决策变量，优化目标为最小化系统总成本，其中包括系统初始投资成本和规划容量下的系统运行成本；所述内层优化模型以规划容量下的系统运行成本最小化为目标，运行成本包括分布式电源燃耗成本、维护成本、网损成本、购电成本和需求响应补偿成本；控制决策变量包括各时段的分布式电源的出力、电储能的充放电功率，热储能的吸热或放热功率约束、联络线功率约束，切负荷或负荷转移功率，同时需满足系统潮流约束、节点电压约束、储能充放电功率约束、储能SOC约束、机组出力上下限约束、爬坡率约束，需求响应约束。
5.根据权利要求4所述的一种源网荷储的农村配电网规划方法，其特征在于，所述外层优化模型中最小化系统总成本下式所示：
min F(X)＝F1(X)+F2(X,Y)
其中，F(X)为系统总成本，X为规划决策变量集合，指代各DG、电储能、热储能、补燃锅炉等单元的规划容量，F1(X)为所有设备的总投资成本，计算如下式所示，F2(X,Y)为规划容量下的系统总运行成本，由内层运行模拟返回值，Y为运行决策变量；
其中，
分别为光伏、风机、微燃机、电储能、热储能、补然锅炉的单位功率投资成本，nPV、nWT、nMT、nESS、nTESS、nB分别为光伏、风机、微燃机、电储能、热储能、补燃锅炉的装机台数；ρ为年利率，L为工程设计周期；X为规划决策变量集，由光伏、风机、微燃机、电储能、热储能、补然锅炉的装机容量构成，如下式所示：
6.根据权利要求5所述的一种源网荷储的农村配电网规划方法，其特征在于，所述内层优化模型具体如下：
其中，F2(X,Y)指代规划容量下的系统运行总成本，s和t分别代指场景和时间段；TN为各场景下总的运行时段数，nMT为规划的微燃机总台数，
指代t时段的燃耗成本，包括微燃机的燃耗及补燃锅炉的燃耗；ai、bi、ci分别为微燃机的燃耗成本系数，βj为补燃锅炉的单位功率燃耗成本系数，Hboil,j(t)为补燃锅炉t时段的热功率；
指代在t时段的总维护成本，与各单元输出功率成正比；
分别为光伏、风电、微燃机、电储能、热储能、补燃锅炉单位功率的维护成本，PPV,m(t)、PWT,n(t)、PMT,i(t)、PESS,k、HTESS,g、Hboil,j(t)分别为光伏、风电、微燃机、电储能、热储能、补燃锅炉在t时段的出力功率；
为系统在t时段的总网损成本，包括电能损耗成本和热能损耗成本；ωt为t时段的购电电价，λt为t时段的购热单价，Hloss(t)为t时段的热损耗；gkj为节点k和j之间导纳元素的虚部，Vk(t)为第k个节点在t时段的电压幅值；θkj(t)为节点k和j之间在t时段的相角差，nD为总节点个数，
为t时段的联络线成本，Pgrid,t为t时段的联络线交换功率，
为t时段的需求响应成本，
分别为t时段的负荷转移补偿成本和负荷中断负荷补偿成本，
为第r个可转移负荷的单位功率负荷转移补偿费用系数，aLC为削减单位功率负荷的补偿费用系数；
所述内层运行优化模型的控制决策变量包括微燃机的出力、电储能的充放电功率、热储能的吸热或放热功率、联络线出力功率、切负荷功率、负荷转移状态，构成的向量如下式所示：
内层运行优化模型满足的约束条件如下：
潮流等式约束：
其中，PIk(t)为节点k在t小时的总注入有功功率，QIk(t)为节点k在t小时的总注入无功功率，Pkj(t)为节点k和j之间在t小时的传输有功功率，Qkj(t)为节点k和j之间在t小时的传输无功功率，PDG,k(t)、QDG,k(t)分别为节点k在t小时的发电机注入有功功率和无功功率；PL,k(t)、QL,k(t)分别为节点k在t小时的负荷消耗有功功率和无功功率，bkj为节点k和j之间导纳元素的虚部；
所述分布式电源出力上下限及爬坡率约束：
其中，
分别为第i个微燃机允许的最大和最小输出功率；rgi为第i个微燃机的上下爬坡限幅比率；
分别为t时段第i个微燃机已经开机或停机的时间，
分别为第i个微燃机允许的最短开机时间和最小停机时间；
所述节点电压约束：
其中，
分别为第k个节点允许的最大和最小电压幅值；
线路传输功率约束：
其中，
为节点k与节点j之间支路允许传输的最大和最小有功功率。
7.根据权利要求6所述的一种源网荷储的农村配电网规划方法，其特征在于，所述S3中采用基于元模型的优化方法与二阶锥优化结合的模型求解方法对农村电网双层优化规划模型求解，具体为：
S31：初始化输入数据：初始化各DG、电储能、热储能、补然锅炉的最小、最大装机容量，生成初始设计空间，并在设计空间上，基于场景生成与削减中拉丁超立方抽样产生一系列采样点；
S32：传递初始设计点到内层运行优化，调用内层运行优化模型计算初始点集的目标函数和约束函数；
S33：依据外层传递过来的设计点更新内层运行优化的边界和优化模型，基于二阶锥优化求解更新后的运行优化模型；
S34：判断内层运行优化问题是否收敛，若收敛，转到下一步，否则返回S33；
S35：依据内层优化返回的目标值，基于克里金方法构建Kriging元模型，排序当前所有目标值找出包含最优解的区域，同时估算这些区域的上下边界；
S36：在包含最优解的区域上，采用LHS采样方法再生成一系列采样点，并代入Kriging元模型估算当前所有新生成点的目标值；
S37：基于Kriging元模型估算结果筛选“优异”点集，并对该“优异”点集调用内层运行优化模型评估该点集的实际目标响应值，计算其实际性能指标，与当前最优解比较，若目标有改进，将“优异”的采样点并入到当前采样点集合，并更新局部最优解；否则保持当前采样点集不变；
S38：转向下一个有希望区域，通过比较所有当前局部最优而得到当前迭代步的全局最优解；
S39：判断目标是否满足收敛条件，若满足，则停止迭代，输出最优解，得到配电网期望运行指标；否则，返回S35。
8.一种源网荷储协同的农村配电网规划装置，其特征在于，包括：
采样数据的获取及源荷概率场景生成和场景消减模块，用于获取采样数据，对采样数据进行概率场景生成和场景削减，输出经过场景生成和场景消减后的数据；
农村电网双层优化规划模型建立模块，用于建立外层优化模型为分布式电源、储能等设备的容量规划，内层优化模型为在给定规划容量下的系统源、荷、储协调运行优化的模型；
农村电网双层优化规划模型求解模块，用于将经过场景生成和场景消减后的数据带入农村电网双层优化规划模型进行求解，得到配电网期望运行指标，根据配电网期望运行指标，获得农村配电网规划方法。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的一种源网荷储的农村配电网规划方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至7任一项所述的一种源网荷储的农村配电网规划方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210763627.7A CN115169854A (zh) | 2022-06-30 | 2022-06-30 | 一种源网荷储的农村配电网规划方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210763627.7A CN115169854A (zh) | 2022-06-30 | 2022-06-30 | 一种源网荷储的农村配电网规划方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115169854A true CN115169854A (zh) | 2022-10-11 |
Family
ID=83489569
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210763627.7A Pending CN115169854A (zh) | 2022-06-30 | 2022-06-30 | 一种源网荷储的农村配电网规划方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115169854A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118170155A (zh) * | 2024-05-14 | 2024-06-11 | 中国空气动力研究与发展中心计算空气动力研究所 | 基于深度神经网络的高速滑翔式飞行器在线轨迹优化方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108494015A (zh) * | 2018-02-09 | 2018-09-04 | 中国科学院电工研究所 | 一种源-荷-储协调互动的综合能源系统设计方法 |
| CN111639870A (zh) * | 2020-06-04 | 2020-09-08 | 国网山东省电力公司潍坊供电公司 | 考虑源荷不确定性的输电网多目标柔性规划方法及系统 |
| CN114611905A (zh) * | 2022-03-04 | 2022-06-10 | 华北电力大学 | 一种考虑气象因素的源网荷储协调规划方法 |
-
2022
- 2022-06-30 CN CN202210763627.7A patent/CN115169854A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108494015A (zh) * | 2018-02-09 | 2018-09-04 | 中国科学院电工研究所 | 一种源-荷-储协调互动的综合能源系统设计方法 |
| CN111639870A (zh) * | 2020-06-04 | 2020-09-08 | 国网山东省电力公司潍坊供电公司 | 考虑源荷不确定性的输电网多目标柔性规划方法及系统 |
| CN114611905A (zh) * | 2022-03-04 | 2022-06-10 | 华北电力大学 | 一种考虑气象因素的源网荷储协调规划方法 |
Non-Patent Citations (1)
| Title |
|---|
| HAO XIAO ETAL: "Bi-level Planning for Integrated Energy Systems Incorporating Demand Response and Energy Storage Under Uncertain Environments Using Novel Metamodel", CSEE JOURNAL OF POWER AND ENERGY SYSTEMS, 30 June 2018 (2018-06-30), pages 155 - 166 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118170155A (zh) * | 2024-05-14 | 2024-06-11 | 中国空气动力研究与发展中心计算空气动力研究所 | 基于深度神经网络的高速滑翔式飞行器在线轨迹优化方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108494015B (zh) | 一种源-荷-储协调互动的综合能源系统设计方法 | |
| CN108288855B (zh) | 一种基于微电网的动态策略仿真与优化方法 | |
| CN111815025A (zh) | 考虑风光与负荷不确定性综合能源系统柔性优化调度方法 | |
| Babaei et al. | Salp swarm algorithm‐based fractional‐order PID controller for LFC systems in the presence of delayed EV aggregators | |
| CN108471119B (zh) | 含智慧社区的配电网三相不平衡动态潮流模型预测控制方法 | |
| CN112290601B (zh) | 一种柔性互联交直流配电系统优化调度方法及系统 | |
| CN110543661A (zh) | 计及相关性的电-热互联综合能源系统概率能量流计算方法 | |
| CN111291978A (zh) | 一种基于Benders分解的两阶段储能方法及系统 | |
| CN113193602A (zh) | 含低热值发电和分布式电源的配电网优化运行系统及方法 | |
| Sanaye et al. | A novel energy management method based on Deep Q Network algorithm for low operating cost of an integrated hybrid system | |
| CN115169854A (zh) | 一种源网荷储的农村配电网规划方法、装置、设备及介质 | |
| CN116482975A (zh) | 一种虚实融合的船舶能量管理策略验证方法与平台 | |
| CN116468168A (zh) | 一种基于改进白鲸优化算法的分布式电源多目标分层规划方法 | |
| Luo et al. | Two‐stage robust optimal scheduling of wind power‐photovoltaic‐thermal power‐pumped storage combined system | |
| CN114444850A (zh) | 基于数字孪生的园区储能规划方法、装置、设备和介质 | |
| Nazir et al. | Optimal Economic Modelling of Hybrid Combined Cooling, Heating, and Energy Storage System Based on Gravitational Search Algorithm‐Random Forest Regression | |
| Yang | Multi‐objective optimization of integrated gas–electricity energy system based on improved multi‐object cuckoo algorithm | |
| An et al. | Real-time optimal operation control of micro energy grid coupling with electricity-thermal-gas considering prosumer characteristics | |
| CN108416459B (zh) | 一种电池储能电站的选址方法 | |
| CN107465195B (zh) | 一种基于微电网结合潮流计算的最优潮流双层迭代方法 | |
| CN116599031A (zh) | 基于凸包不确定集合的柔性配电网鲁棒优化调度方法 | |
| Yin et al. | Decomposition prediction fractional-order PID reinforcement learning for short-term smart generation control of integrated energy systems | |
| CN117767288B (zh) | 一种基于等效状态变量的vsg并网系统降阶建模方法 | |
| Singh et al. | Comparison between PID and PSO-PID controllers in analysing the load frequency control in interconnected microgrids in a deregulated environment | |
| Yongqi et al. | Comprehensive benefit analysis for integrated energy systems projects based on ahp-fuzzy |
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 |