CN115173473A - 基于高比例分布式电源集群的分布式控制方法 - Google Patents

基于高比例分布式电源集群的分布式控制方法 Download PDF

Info

Publication number
CN115173473A
CN115173473A CN202210875950.3A CN202210875950A CN115173473A CN 115173473 A CN115173473 A CN 115173473A CN 202210875950 A CN202210875950 A CN 202210875950A CN 115173473 A CN115173473 A CN 115173473A
Authority
CN
China
Prior art keywords
cluster
node
power
formula
nodes
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
CN202210875950.3A
Other languages
English (en)
Inventor
黄兴华
尤炜
张功林
殷自力
陈宇星
陈婉莹
陈婕
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.)
Electric Power Research Institute of State Grid Fujian Electric Power Co Ltd
State Grid Fujian Electric Power Co Ltd
Quanzhou Power Supply Co of State Grid Fujian Electric Power Co Ltd
Original Assignee
Electric Power Research Institute of State Grid Fujian Electric Power Co Ltd
State Grid Fujian Electric Power Co Ltd
Quanzhou Power Supply Co of State Grid Fujian 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 Electric Power Research Institute of State Grid Fujian Electric Power Co Ltd, State Grid Fujian Electric Power Co Ltd, Quanzhou Power Supply Co of State Grid Fujian Electric Power Co Ltd filed Critical Electric Power Research Institute of State Grid Fujian Electric Power Co Ltd
Priority to CN202210875950.3A priority Critical patent/CN115173473A/zh
Publication of CN115173473A publication Critical patent/CN115173473A/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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/48—Controlling the sharing of the in-phase component
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/50—Controlling the sharing of the out-of-phase component
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提出一种基于高比例分布式电源集群的分布式控制方法，基于预测的光伏电源出力和负荷数据，选取节点净负荷指标和节点间的电气距离指标，利用Louvein算法实现对分布式电源集群划分；基于光伏电源的集群划分结果，采用节点分裂法对配电网进行解耦，并基于交替方向乘子法ADMM实现光伏集群的群内自治、群间分布式控制，保护了光伏聚合商的区域隐私。

Description

基于高比例分布式电源集群的分布式控制方法
技术领域
本发明涉及分布式电源集群控制技术领域，尤其涉及一种基于高比例分布式电源集群的分布式控制方法。
背景技术
为实现“碳达峰、碳中和”的宏伟目标，发展“以新能源为主体的新型电力系统”成为重中之重。但新能源的出力具有随机性和不确定性，传统配电网控制中心面对大量分散、高比例光伏电源接入时，存在通信延时、计算量大、控制设备多等缺点。集群可以有效处理光伏电源规模化接入配电网时带来的通信和计算压力等问题，并能提高配电网对其控制能力，因此研究基于高比例分布式电源集群划分方法，将分布式电源划分为若干个集群再加以控制，对配网优化运行具有重要意义。但是，基于集群的配网控制方式也给系统优化带来新的困难，不同光伏集群往往隶属于不同聚合商，传统集中式优化控制方法存在投资成本高、隐私泄露等缺陷，难以满足不同光伏聚合商独立决策的需求，因此，亟需研究基于分布式控制的光伏集群优化调度方法。
此外，目前针对大量分散、高比例光伏电源接入配网时，通常需要调控中心对所有接入的分布式光伏进行控制，而一对多的控制方式控制不仅难度系数高，且易于发生数据传输丢失问题。将特征相似光伏划分为一个集群，并基于光伏集群对配网进行控制可以有效解决传统分散式控制问题。
然而，当前基于集群的高比例光伏配网控制方式主要以集中式为主。配网的集中式优化控制方式对分布式光伏集群进行统一调配，通过一个联合调度中心将各光伏集群内的全局信息进行收集并优化计算，存在单点故障危害性高、系统运行灵活性差以及不同光伏聚合商运营隐私泄露等问题。分布式优化控制方法不需要运行主体的全部信息，仅依靠主体交互的边界信息即可实现全局最优，对消除传统集中式控制弊端具有重要意义。
但是，当前光伏集群的分布式控制方法普遍采用切割支路法，通过在不同光伏集群联络支路处进行解耦实现系统分布式控制，这种控制方式需要在集群间引入4个耦合变量，将导致分布式优化求解难度变高。节点分裂法在光伏集群间的边界节点处进行解耦，相较于切割支路法，节点分裂法只需引入3个耦合变量，降低了分布式优化方法的求解难度。
综上，现有的高比例分布式光伏控制方法中存在的不足有：1.调控中心直接对所有分布式光伏进行控制，存在通信延时、计算量大、控制设备过多等缺点；2.集中式优化方法在单点故障、灵活性以及隐私方面存着着明显的缺陷。3.利用切割支路法解耦光伏集群，导致分布式优化方法的求解难度高。
发明内容
本发明针对现有技术存在的缺陷和不足，本发明提出一种基于高比例分布式电源集群的分布式控制方法，其设计要点包括：
(1)全面考虑光伏电源的控制方式、调节能力、地理位置、调节速度、通信方式等特性,对传统辐射式配电网节点进行了集群划分,以降低配电网为应对大规模光伏电源接入而额外增加的通信及控制系统成本。
(2)采用分布式优化方法对分布式电源集群进行控制，实现了群内自治、群间分布式控制，保护了光伏聚合商的区域隐私。
(3)采用节点分裂法代替传统的支路切割法，实现对配电网的解耦，降低了分布式优化方法的求解难度。
本发明针对高比例、分散式光伏接入配电网，提出了一种基于高比例分布式电源集群的分布式控制方法。
本发明所提方法实现了对分布式电源的集群划分和分布式电源集群的分布式优化控制。基于预测的光伏电源出力和负荷数据，选取节点净负荷指标和节点间的电气距离指标，利用Louvein算法实现对分布式电源集群划分；基于光伏电源的集群划分结果，采用节点分裂法对配电网进行解耦，并基于交替方向乘子法(Alternating Direction MethodofMultipliers,ADMM)实现光伏集群的群内自治、群间分布式控制，保护了光伏聚合商的区域隐私。
综上，本发明提出的基于高比例分布式电源集群的分布式控制方法，相较于传统统一调控方式，该方法可以有效解决控制中心计算负担重的问题；相较于现有的集中式优化方法，采用了分布式优化控制方法，解决了不同光伏聚合商之间隐私保护的问题；相较于传统支路分割法，采用了节点分裂法对光伏集群进行解耦，减少了耦合变量的个数，提高了ADMM求解效率。
本发明具体采用以下技术方案：
一种基于高比例分布式电源集群的分布式控制方法，其特征在于：基于预测的光伏电源出力和负荷数据，选取节点净负荷指标和节点间的电气距离指标，利用Louvein算法实现对分布式电源集群划分；基于光伏电源的集群划分结果，采用节点分裂法对配电网进行解耦，并基于交替方向乘子法ADMM实现光伏集群的群内自治、群间分布式控制，保护了光伏聚合商的区域隐私。
进一步地，所述节点净负荷表示为节点接入光伏电源出力与节点负荷的差值；
Figure BDA0003762116120000031
Figure BDA0003762116120000032
式中：
Figure BDA0003762116120000033
和
Figure BDA0003762116120000034
为配电网节点j的净有功负荷和无功负荷；
Figure BDA0003762116120000035
和
Figure BDA0003762116120000036
为配电网节点j的光伏电源有功功率和无功功率；
Figure BDA0003762116120000037
和
Figure BDA0003762116120000038
为配电网节点j的有功负荷和无功负荷；
所述电气距离指标采用牛顿-拉夫逊潮流算法的极坐标形式潮流修正方程表示为：
Figure BDA0003762116120000039
式中：ΔP、ΔQ表示节点注入的有功、无功功率增量；Δθ、ΔU表示节点电压相角与幅值增量；H、N、M、L为雅可比矩阵中的元素；
将其形式变换获得：
ΔU＝(HM-1L-N)-1·ΔP＝APV·ΔP (4)
ΔU＝(MH-1N-L)-1·ΔQ＝AQV·ΔQ (5)
式中：APV、AQV分别为电压幅值对有功的灵敏度矩阵和电压幅值对无功的灵敏度矩阵，表示节点注入有功和无功功率对其它节点电压的影响程度；
对于包含n个节点的系统，基于无功电压灵敏度矩阵的电气距离表示为：
Figure BDA00037621161200000310
Figure BDA0003762116120000041
式中：
Figure BDA0003762116120000042
为无功电压灵敏度矩阵中第i行j列元素，表示节点j注入单位无功功率与节点i电压变化量的关系，其值越大，两节点间联系越紧密，基于无功电压灵敏度的电气距离
Figure BDA0003762116120000043
越小；考虑到有功、无功功率的改变均会对节点电压造成影响，定义基于灵敏度矩阵的电气距离：
Figure BDA0003762116120000044
所述节点相似性计算首先将指标进行归一化处理：
Figure BDA0003762116120000045
式中：xi,m为第i个节点的第m个指标值；max(xi,m)、min(xi,m)分别为节点i的m个指标中的最大值和最小值；x′i,m为归一化后第i个节点的第m个指标值；
节点之间运行特性的相似性的计算公式分别为：
Figure BDA0003762116120000046
Figure BDA0003762116120000047
式中：αm为第m个指标的权重；R为三种指标向量內积的最大值；sij为相似性矩阵，用来计算配电网中两两节点间的相似性，向量内积越大节点越相似；
相似性矩阵中的元素量化了节点间的相似性，在光伏电源大规模分散接入配电网的场景中，电气距离同样是判断两个节点相似性的重要指标，根据节点间的电气距离对节点相似性计算公式进行改进，即：
Figure BDA0003762116120000048
式中：s′ij为改进的节点i和j之间的相似性；λ1、λ2为基于电气距离的模块度指标的权重和节点相似性所对应的权重值，满足λ1+λ2＝1；
所述模块度函数为：
Figure BDA0003762116120000051
式中：si为节点i与其他节点间的相似度之和；s为网络中所有节点两两之间相似度之和。
进一步地，所述利用Louvein算法实现对分布式电源进行集群划分有2个阶段：
首先是模块度优化阶段，将网络中的每个节点单独作为一个集群，随机选择节点i与其它节点合并为新的集群使得模块度函数值Q’不断增大；其次是网络凝聚阶段，将形成的新集群等效为一个节点，继续合并集群，直到模块度函数值Q’不再增加，此时获得最优的集群结果；
其中，集群划分步骤如下：
1)获取配电网网络的拓扑参数，预测的光伏电源出力和负荷数据；
2)计算光伏电源集群划分指标值
Figure BDA0003762116120000052
和
Figure BDA0003762116120000053
3)指标值按式(9)进行归一化处理，并用式(12)计算相似性值；
4)初始化配电网集群，将网络中的每个节点单独作为一个集群，并用式(13)计算此时的函数值Q’；
5)随机选择节点i尝试与其他节点j合并组成新的集群，分别计算网络的综合指标增量值ΔQ’，若ΔQ’>0，将节点i所在集群与ΔQ’max对应的集群合并成新集群，否则不形成新的集群结构；
6)将形成的若干个集群合并成若干个新节点，集群内节点的权重转化为新节点环的权重，集群间权重转化为新节点边的权重。重复步骤5)，直到整个网络的综合指标值Q不再增加，此时为最优集群划分结果。
进一步地，构建高比例分布式电源的配网优化模型如下：
(1)目标函数
配网日前优化的目标函数包括向上级电网购电fpb费用和系统网损费用floss，以配电网运行总费用最小为优化目标，则配网日前优化的目标函数用以下式子表示：
Figure BDA0003762116120000061
Figure BDA0003762116120000062
Figure BDA0003762116120000063
式中：cpb、closs分别为配网向主网购电价格和网损价格；T为总调度时长，取24h；Δt为调度间隔，取1h；Ploss,t为线路有功损耗；
Figure BDA0003762116120000064
为从主网购入的有功；(2)约束条件
采用交流潮流模型，其约束条件包括潮流约束式、节点功率守恒约束式(18)、节点电压约束式(19)、支路复功率约束式(20)、电网运行安全约束式和光伏运行约束式(22)：
Figure BDA0003762116120000065
Figure BDA0003762116120000066
Figure BDA0003762116120000067
Figure BDA0003762116120000068
Figure BDA0003762116120000069
Figure BDA00037621161200000610
式中：i、j、k为电网中任意节点；t表示时间；e(j)为以j为尾节点的首节点的集合；s(j)为以j为首节点的尾节点的集合；Pij,t和Qij,t为支路ij首端的有功和无功功率；Iij,t为流经支路ij的电流；rij和xij,为支路ij的电阻和电抗；
Figure BDA00037621161200000611
和
Figure BDA00037621161200000612
为节点j的净注入有功和无功；
Figure BDA0003762116120000071
和
Figure BDA0003762116120000072
为从主网购入的有功和无功；
Figure BDA0003762116120000073
和
Figure BDA0003762116120000074
为光伏电池实际提供的有功和无功出力；
Figure BDA0003762116120000075
和
Figure BDA0003762116120000076
为节点j的有功/无功负荷；Ui,t和Uj,t为节点i和节点j的电压；Iij,min和Iij,max为支路ij允许通过的最小和最大电流；Uj,min和Uj,max为节点j电压上限值和下限值；Pij,max和Qij,max为支路ij首端允许通过的最大有功和无功功率；
Figure BDA0003762116120000077
为安装在节点j光伏逆变器的容量；
Figure BDA0003762116120000078
为有功调节容量的最大值，是光伏发电在最大功率点跟踪控制下的有功出力；θ为光伏逆变器功率因数角；
基于一致性ADMM各集群子问题如下式所示：
Figure BDA0003762116120000079
Figure BDA00037621161200000710
Figure BDA00037621161200000711
Figure BDA00037621161200000712
Figure BDA00037621161200000713
Figure BDA00037621161200000714
式中：N为集群数量；k为迭代次数；fi(xi)为集群i的目标函数，如式(14)所示；xi为集群i中除耦合变量外的所有变量；Gi为集群i内部的约束空间，如式(17)-式(22)；
Figure BDA00037621161200000715
为集群i的耦合变量；zi为全局变量；λi T为拉格朗日乘子的转置；ρi为惩罚因子；s和r分别为对偶残差和原始残差；ε1和ε2分别为对偶残差和原始残差收敛阈值；
其中，式(24)是式(23)的增广拉格朗日函数形式；一致性ADMM算法迭代步骤为式(25)-(27)，式(25)为各集群的独立优化，式(26)、(27)分别为全局变量的更新和拉格朗日乘子的更新；
分布式ADMM算法执行步骤如下：
1)设置迭代次数k＝0，初始化全局变量z0、拉格朗日乘子λi 0，设置惩罚系数ρi，设置收敛阈值ε1、ε2；
2)各集群i根据式(25)独立并行优化，获得各集群的优化结果；此后相邻集群交换耦合变量，并通过式(26)与式(27)更新全局变量zk+1与拉格朗日乘子
Figure BDA0003762116120000081
3)若收敛判据式(28)满足条件，则迭代结束，并获得最优调度方案，若不满足条件，则设置迭代次数k＝k+1，并重复步骤2)，直至ADMM收敛。
进一步地，具体包括以下步骤：
(1)获取配电网网络的拓扑参数，预测的光伏电源出力和负荷数据；
(2)计算光伏电源集群划分指标值
Figure BDA0003762116120000082
和
Figure BDA0003762116120000083
(3)指标值按式(9)进行归一化处理，并用式(12)计算相似性值；
(4)初始化配电网集群，将网络中的每个节点单独作为一个集群，并用式(13)计算此时的函数值Q’；
(5)随机选择节点i尝试与其他节点j合并组成新的集群，分别计算网络的综合指标增量值ΔQ’，若ΔQ’>0，将节点i所在集群与ΔQ’max对应的集群合并成新集群，否则不形成新的集群结构；
(6)将形成的若干个集群合并成若干个新节点，集群内节点的权重转化为新节点环的权重，集群间权重转化为新节点边的权重。重复步骤5)，直到整个网络的综合指标值Q不再增加，此时为最优集群划分结果；
(7)基于分布式电源集群划分结果进行配电网分区，对配电网进行解耦；
(8)设置迭代次数k＝0，初始化全局变量z0、拉格朗日乘子λi 0，设置惩罚系数ρi，设置收敛阈值ε1、ε2；
(9)各集群i根据式(25)独立并行优化，获得各集群优化结果。此后相邻集群交换耦合变量，并通过式(26)与式(27)更新全局变量zk+1与拉格朗日乘子
Figure BDA0003762116120000084
(10)若收敛判据式(28)满足条件，则迭代停止，并获得最优调度方案，若不满足条件，则设置迭代次数k＝k+1，并重复步骤(9)，直至ADMM收敛。
本发明及其优选方案可以有效解决控制中心计算负担重的问题；相较于现有的集中式优化方法，采用了分布式优化控制方法，解决了不同光伏聚合商之间隐私保护的问题；相较于传统支路分割法，采用了节点分裂法对光伏集群进行解耦，减少了耦合变量的个数，提高了ADMM求解效率。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明：
图1为本发明实施例集群划分后4节点配电网结构示意图。
图2为本发明实施例4节点配电网集群解耦示意图。
图3为本发明实施例方案总体流程示意图。
具体实施方式
在下文中，将参考附图对本申请的具体实施例进行详细地描述，依照这些详细的描述，所属领域技术人员能够清楚地理解本申请，并能够实施本申请。在不违背本申请原理的情况下，各个不同的实施例中的特征可以进行组合以获得新的实施方式，或者替代某些实施例中的某些特征，获得其它优选的实施方式。
为让本专利的特征和优点能更明显易懂，下文特举实施例，并配合附图，作详细说明如下：
本实施例方案所提方法实现了对分布式电源的集群划分和分布式电源集群的分布式优化控制。基于预测的光伏电源出力和负荷数据，选取节点净负荷指标和节点间的电气距离指标，通过节点相似性计算公式量化模块度函数中的权重参数，利用Louvein算法实现对分布式电源进行集群划分。基于光伏电源的集群划分结果，采用节点分裂法对配电网进行解耦，并基于交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)实现光伏集群的群内自治、群间分布式控制，保护了光伏聚合商的区域隐私。
其具体设计包括以下技术内容：
1、集群划分方法
在进行光伏电源集群划分时，需要全面考虑光伏电源的控制方式、调节能力、地理位置、调节速度、通信方式等特性，因此包含不同的集群划分指标，具体如下：
(1)节点净负荷指标
集群内成员选择的标准之一是光伏电源接入节点的净负荷，节点净负荷表示为节点接入光伏电源出力与节点负荷的差值。
Figure BDA0003762116120000101
Figure BDA0003762116120000102
式中：
Figure BDA0003762116120000103
和
Figure BDA0003762116120000104
为配电网节点j的净有功负荷和无功负荷；
Figure BDA0003762116120000105
和
Figure BDA0003762116120000106
为配电网节点j的光伏电源有功功率和无功功率；
Figure BDA0003762116120000107
和
Figure BDA0003762116120000108
为配电网节点j的有功负荷和无功负荷；
(2)电气距离指标
大规模光伏电源分散接入配电网中，电气距离同样是判断2个节点相似性的重要指标。电气距离是反映网络拓扑结构的重要参数，以电气距离作为边权计算模块度，强化了群内节点联系，弱化了集群外部联系。为准确的反映系统的动态特性，通常考虑灵敏度关系的电气距离。采用牛顿-拉夫逊潮流算法的极坐标形式潮流修正方程表示为：
Figure BDA0003762116120000109
式中：ΔP、ΔQ表示节点注入的有功、无功功率增量；Δθ、ΔU表示节点电压相角与幅值增量；H、N、M、L为雅可比矩阵中的元素。
将其形式变换获得：
ΔU＝(HM-1L-N)-1·ΔP＝APV·ΔP (4)
ΔU＝(MH-1N-L)-1·ΔQ＝AQV·ΔQ (5)
式中：APV、AQV分别为电压幅值对有功的灵敏度矩阵和电压幅值对无功的灵敏度矩阵，表示节点注入有功和无功功率对其它节点电压的影响程度。
对于包含n个节点的系统，基于无功电压灵敏度矩阵的电气距离表示为：
Figure BDA00037621161200001010
Figure BDA00037621161200001011
式中：
Figure BDA0003762116120000111
为无功电压灵敏度矩阵中第i行j列元素，表示节点j注入单位无功功率与节点i电压变化量的关系，其值越大，两节点间联系越紧密，基于无功电压灵敏度的电气距离
Figure BDA0003762116120000112
越小。同理可得基于有功电压灵敏度矩阵的电气距离
Figure BDA0003762116120000113
考虑到有功、无功功率的改变均会对节点电压造成影响，因此定义基于灵敏度矩阵的电气距离：
Figure BDA0003762116120000114
(3)节点相似性计算
在计算节点相似性之前，因为不同指标具有不同的量纲，为避免因指标特性差异而造成小数被大数“吃掉”的现象，需要将指标进行归一化处理：
Figure BDA0003762116120000115
式中：xi,m为第i个节点的第m个指标值；max(xi,m)、min(xi,m)分别为节点i的m个指标中的最大值和最小值；x′i,m为归一化后第i个节点的第m个指标值。
节点之间运行特性的相似性的计算公式分别为：
Figure BDA0003762116120000116
Figure BDA0003762116120000117
式中：αm为第m个指标的权重；R为三种指标向量內积的最大值；sij为相似性矩阵，用来计算配电网中两两节点间的相似性，向量内积越大节点越相似。
相似性矩阵中的元素量化了节点间的相似性，在光伏电源大规模分散接入配电网的场景中，电气距离同样是判断两个节点相似性的重要指标，所以需要根据节点间的电气距离对节点相似性计算公式进行改进，即：
Figure BDA0003762116120000118
式中：s′ij为改进的节点i和j之间的相似性；λ1、λ2为基于电气距离的模块度指标的权重和节点相似性所对应的权重值，满足λ1+λ2＝1。
(4)模块度函数计算
模块度Q最常用于表示区域结构关系，能够以定量的方式描述社区联系紧密度。模块度的大小定义为社区内部的总边数和网络中总边数的比例减去一个期望值，该期望值是将网络设定为随机网络时同样的社区分配所形成的社区内部的总边数和网络中总边数的比例的大小。以节点相似性计算值代替节点之间边的权重，改进的模块度函数为：
Figure BDA0003762116120000121
式中：si为节点i与其他节点间的相似度之和；s为网络中所有节点两两之间相似度之和。
(5)基于Louvein算法的配电网分布式电源集群划分方法
采用Louvein算法实现对分布式电源进行集群划分有2个阶段：首先是模块度优化阶段，将网络中的每个节点单独作为一个集群，随机选择节点i与其它节点合并为新的集群使得模块度函数值Q’不断增大；其次是网络凝聚阶段，将形成的新集群等效为一个节点，继续合并集群，直到模块度函数值Q’不再增加，此时获得最优的集群结果。
集群划分步骤如下：
1)获取配电网网络的拓扑参数，预测的光伏电源出力和负荷数据；
2)计算光伏电源集群划分指标值
Figure BDA0003762116120000122
和
Figure BDA0003762116120000123
3)指标值按式(9)进行归一化处理，并用式(12)计算相似性值；
4)初始化配电网集群，将网络中的每个节点单独作为一个集群，并用式(13)计算此时的函数值Q’；
5)随机选择节点i尝试与其他节点j合并组成新的集群，分别计算网络的综合指标增量值ΔQ’，若ΔQ’>0，将节点i所在集群与ΔQ’max对应的集群合并成新集群，否则不形成新的集群结构；
6)将形成的若干个集群合并成若干个新节点，集群内节点的权重转化为新节点环的权重，集群间权重转化为新节点边的权重。重复步骤5)，直到整个网络的综合指标值Q不再增加，此时为最优集群划分结果。
2、高比例分布式电源的配网优化模型
(1)目标函数
配网日前优化的目标函数包括向上级电网购电fpb费用和系统网损费用floss，以配电网运行总费用最小为优化目标，则配网日前优化的目标函数可用以下式子表示：
Figure BDA0003762116120000131
Figure BDA0003762116120000132
Figure BDA0003762116120000133
式中：cpb、closs分别为配网向主网购电价格和网损价格；T为总调度时长，取24h；Δt为调度间隔，取1h；Ploss,t为线路有功损耗；
Figure BDA0003762116120000134
为从主网购入的有功。
(2)约束条件
对于辐射状配电网普遍采用交流潮流模型，其约束条件包括潮流约束式、节点功率守恒约束式(18)、节点电压约束式(19)、支路复功率约束式(20)、电网运行安全约束式和光伏运行约束式(22)：
Figure BDA0003762116120000135
Figure BDA0003762116120000136
Figure BDA0003762116120000137
Figure BDA0003762116120000138
Figure BDA0003762116120000139
Figure BDA0003762116120000141
式中：i、j、k为电网中任意节点；t表示时间；e(j)为以j为尾节点的首节点的集合；s(j)为以j为首节点的尾节点的集合；Pij,t和Qij,t为支路ij首端的有功和无功功率；Iij,t为流经支路ij的电流；rij和xij,为支路ij的电阻和电抗；
Figure BDA0003762116120000142
和
Figure BDA0003762116120000143
为节点j的净注入有功和无功；
Figure BDA0003762116120000144
和
Figure BDA0003762116120000145
为从主网购入的有功和无功；
Figure BDA0003762116120000146
和
Figure BDA0003762116120000147
为光伏电池实际提供的有功和无功出力；
Figure BDA0003762116120000148
和
Figure BDA0003762116120000149
为节点j的有功/无功负荷；Ui,t和Uj,t为节点i和节点j的电压；Iij,min和Iij,max为支路ij允许通过的最小和最大电流；Uj,min和Uj,max为节点j电压上限值和下限值；Pij,max和Qij,max为支路ij首端允许通过的最大有功和无功功率；
Figure BDA00037621161200001410
为安装在节点j光伏逆变器的容量；
Figure BDA00037621161200001411
为有功调节容量的最大值，是光伏发电在最大功率点跟踪控制下的有功出力；θ为光伏逆变器功率因数角。
3、高比例分布式电源集群的分布式优化模型
为实现含光伏集群主动配电网分布式优化控制，首先根据分解协调原则，将集群间的任意交互节点进行分裂，分裂的节点称之为耦合节点，集群解耦时，将耦合节点复制至两个对应的集群；然后，基于ADMM一般一致性优化方法，建立光伏集群的分布式优化模型。以图1所示4节点辐射形配电网为例，根据集群划分结果，采用分裂节点法，对配电网进行分区。
在图1中，节点2和3是集群1和2的边界节点，以分裂节点3为例，耦合变量为节点3的电压和流出节点3的虚拟负荷和流入节点3虚拟电源。进行配电网网络分区时，根据分解协调原则，需要将耦合节点复制至两个对应的分区，实现对相邻子区的解耦，如图2所示。图中，“+”“-”分别表示两个不同集群的耦合变量标识。集群1复制了节点3，并增加了节点3处的虚拟负荷；集群2保留了节点3，并增加了节点3处的虚拟电源。集群1的耦合变量定义为
Figure BDA00037621161200001412
Figure BDA00037621161200001413
集群2的耦合变量定义为
Figure BDA00037621161200001414
为保证集群分区前后问题的等效性，定义全局变量z＝[V3,P3,Q3]以保证集群1和集群2耦合变量对应相等，即满足约束
Figure BDA00037621161200001415
ADMM能够将原问题分解为两个相互独立的子问题，分解后的子问题可由子系统调度中心在本地进行求解。子系统间通过耦合变量相互迭代更新子系统模型，当相邻子系统交换的耦合变量数值足够接近时，迭代完成并可以获得最佳的调度方案。
基于一致性ADMM各集群子问题如下式所示：
Figure BDA0003762116120000151
Figure BDA0003762116120000152
Figure BDA0003762116120000153
Figure BDA0003762116120000154
Figure BDA0003762116120000155
Figure BDA0003762116120000156
式中：N为集群数量；k为迭代次数；fi(xi)为集群i的目标函数，如式(14)所示；xi为集群i中除耦合变量外的所有变量；Gi为集群i内部的约束空间，如式(17)-式(22)；
Figure BDA0003762116120000157
为集群i的耦合变量；zi为全局变量；λi T为拉格朗日乘子的转置；ρi为惩罚因子；s和r分别为对偶残差和原始残差；ε1和ε2分别为对偶残差和原始残差收敛阈值。
其中，式(24)是式(23)的增广拉格朗日函数形式；一致性ADMM算法迭代步骤为式(25)-(27)，式(25)为各集群的独立优化，式(26)、(27)分别为全局变量的更新和拉格朗日乘子的更新。
本发明分布式ADMM算法执行步骤如下：
1)设置迭代次数k＝0，初始化全局变量z0、拉格朗日乘子λi 0，设置惩罚系数ρi，设置收敛阈值ε1、ε2；
2)各集群i根据式(25)独立并行优化，获得各集群的优化结果。此后相邻集群交换耦合变量，并通过式(26)与式(27)更新全局变量zk+1与拉格朗日乘子
Figure BDA0003762116120000164
3)若收敛判据式(28)满足条件，则迭代结束，并获得最优调度方案，若不满足条件，则设置迭代次数k＝k+1，并重复步骤2)，直至ADMM收敛。
4、方法流程
如图3所示，结合以上设计，本发明最终提出了一种基于高比例分布式电源集群的分布式控制方法的具体步骤如下：
(1)获取配电网网络的拓扑参数，预测的光伏电源出力和负荷数据；
(2)计算光伏电源集群划分指标值
Figure BDA0003762116120000161
和
Figure BDA0003762116120000162
(3)指标值按式(9)进行归一化处理，并用式(12)计算相似性值；
(4)初始化配电网集群，将网络中的每个节点单独作为一个集群，并用式(13)计算此时的函数值Q’；
(5)随机选择节点i尝试与其他节点j合并组成新的集群，分别计算网络的综合指标增量值ΔQ’，若ΔQ’>0，将节点i所在集群与ΔQ’max对应的集群合并成新集群，否则不形成新的集群结构；
(6)将形成的若干个集群合并成若干个新节点，集群内节点的权重转化为新节点环的权重，集群间权重转化为新节点边的权重。重复步骤5)，直到整个网络的综合指标值Q不再增加，此时为最优集群划分结果；
(7)基于分布式电源集群划分结果进行配电网分区，对配电网进行解耦；
(8)设置迭代次数k＝0，初始化全局变量z0、拉格朗日乘子λi 0，设置惩罚系数ρi，设置收敛阈值ε1、ε2；
(9)各集群i根据式(25)独立并行优化，获得各集群优化结果。此后相邻集群交换耦合变量，并通过式(26)与式(27)更新全局变量zk+1与拉格朗日乘子
Figure BDA0003762116120000163
(10)若收敛判据式(28)满足条件，则迭代停止，并获得最优调度方案，若不满足条件，则设置迭代次数k＝k+1，并重复步骤(9)，直至ADMM收敛。
以上所述是本发明的优选实施方式，应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进接润饰，这些改进和润饰也视为本发明的保护范围。
本专利不局限于上述最佳实施方式，任何人在本专利的启示下都可以得出其它各种形式的基于高比例分布式电源集群的分布式控制方法，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本专利的涵盖范围。

Claims (5)

1.一种基于高比例分布式电源集群的分布式控制方法，其特征在于：基于预测的光伏电源出力和负荷数据，选取节点净负荷指标和节点间的电气距离指标，利用Louvein算法实现对分布式电源集群划分；基于光伏电源的集群划分结果，采用节点分裂法对配电网进行解耦，并基于交替方向乘子法ADMM实现光伏集群的群内自治、群间分布式控制。
2.根据权利要求1所述的基于高比例分布式电源集群的分布式控制方法，其特征在于：
所述节点净负荷表示为节点接入光伏电源出力与节点负荷的差值；
Figure FDA0003762116110000011
Figure FDA0003762116110000012
式中：
Figure FDA0003762116110000013
和
Figure FDA0003762116110000014
为配电网节点j的净有功负荷和无功负荷；
Figure FDA0003762116110000015
和
Figure FDA0003762116110000016
为配电网节点j的光伏电源有功功率和无功功率；
Figure FDA0003762116110000017
和
Figure FDA0003762116110000018
为配电网节点j的有功负荷和无功负荷；
所述电气距离指标采用牛顿-拉夫逊潮流算法的极坐标形式潮流修正方程表示为：
Figure FDA0003762116110000019
式中：ΔP、ΔQ表示节点注入的有功、无功功率增量；Δθ、ΔU表示节点电压相角与幅值增量；H、N、M、L为雅可比矩阵中的元素；
将其形式变换获得：
ΔU＝(HM-1L-N)-1·ΔP＝APV·ΔP (4)
ΔU＝(MH-1N-L)-1·ΔQ＝AQV·ΔQ (5)
式中：APV、AQV分别为电压幅值对有功的灵敏度矩阵和电压幅值对无功的灵敏度矩阵，表示节点注入有功和无功功率对其它节点电压的影响程度；
对于包含n个节点的系统，基于无功电压灵敏度矩阵的电气距离表示为：
Figure FDA0003762116110000021
Figure FDA0003762116110000022
式中：
Figure FDA0003762116110000023
为无功电压灵敏度矩阵中第i行j列元素，表示节点j注入单位无功功率与节点i电压变化量的关系，其值越大，两节点间联系越紧密，基于无功电压灵敏度的电气距离
Figure FDA0003762116110000024
越小；考虑到有功、无功功率的改变均会对节点电压造成影响，定义基于灵敏度矩阵的电气距离：
Figure FDA0003762116110000025
所述节点相似性计算首先将指标进行归一化处理：
Figure FDA0003762116110000026
式中：xi,m为第i个节点的第m个指标值；max(xi,m)、min(xi,m)分别为节点i的m个指标中的最大值和最小值；x′i,m为归一化后第i个节点的第m个指标值；
节点之间运行特性的相似性的计算公式分别为：
Figure FDA0003762116110000027
Figure FDA0003762116110000028
式中：αm为第m个指标的权重；R为三种指标向量內积的最大值；sij为相似性矩阵，用来计算配电网中两两节点间的相似性，向量内积越大节点越相似；
相似性矩阵中的元素量化了节点间的相似性，在光伏电源大规模分散接入配电网的场景中，电气距离同样是判断两个节点相似性的重要指标，根据节点间的电气距离对节点相似性计算公式进行改进，即：
Figure FDA0003762116110000029
式中：s′ij为改进的节点i和j之间的相似性；λ1、λ2为基于电气距离的模块度指标的权重和节点相似性所对应的权重值，满足λ1+λ2＝1；
所述模块度函数为：
Figure FDA0003762116110000031
式中：si为节点i与其他节点间的相似度之和；s为网络中所有节点两两之间相似度之和。
3.根据权利要求2所述的基于高比例分布式电源集群的分布式控制方法，其特征在于：
所述利用Louvein算法实现对分布式电源进行集群划分有2个阶段：首先是模块度优化阶段，将网络中的每个节点单独作为一个集群，随机选择节点i与其它节点合并为新的集群使得模块度函数值Q’不断增大；其次是网络凝聚阶段，将形成的新集群等效为一个节点，继续合并集群，直到模块度函数值Q’不再增加，此时获得最优的集群结果；
其中，集群划分步骤如下：
1)获取配电网网络的拓扑参数，预测的光伏电源出力和负荷数据；
2)计算光伏电源集群划分指标值
Figure FDA0003762116110000032
和
Figure FDA0003762116110000033
3)指标值按式(9)进行归一化处理，并用式(12)计算相似性值；
4)初始化配电网集群，将网络中的每个节点单独作为一个集群，并用式(13)计算此时的函数值Q’；
5)随机选择节点i尝试与其他节点j合并组成新的集群，分别计算网络的综合指标增量值ΔQ’，若ΔQ’>0，将节点i所在集群与ΔQ’max对应的集群合并成新集群，否则不形成新的集群结构；
6)将形成的若干个集群合并成若干个新节点，集群内节点的权重转化为新节点环的权重，集群间权重转化为新节点边的权重；重复步骤5)，直到整个网络的综合指标值Q不再增加，此时为最优集群划分结果。
4.根据权利要求3所述的基于高比例分布式电源集群的分布式控制方法，其特征在于：
构建高比例分布式电源的配网优化模型如下：
(1)目标函数
配网日前优化的目标函数包括向上级电网购电fpb费用和系统网损费用floss，以配电网运行总费用最小为优化目标，则配网日前优化的目标函数用以下式子表示：
Figure FDA0003762116110000041
Figure FDA0003762116110000042
Figure FDA0003762116110000043
式中：cpb、closs分别为配网向主网购电价格和网损价格；T为总调度时长，取24h；Δt为调度间隔，取1h；Ploss,t为线路有功损耗；
Figure FDA0003762116110000044
为从主网购入的有功；
(2)约束条件
采用交流潮流模型，其约束条件包括潮流约束式、节点功率守恒约束式(18)、节点电压约束式(19)、支路复功率约束式(20)、电网运行安全约束式和光伏运行约束式(22)：
Figure FDA0003762116110000045
Figure FDA0003762116110000046
Figure FDA0003762116110000047
Figure FDA0003762116110000048
Figure FDA0003762116110000049
Figure FDA0003762116110000051
式中：i、j、k为电网中任意节点；t表示时间；e(j)为以j为尾节点的首节点的集合；s(j)为以j为首节点的尾节点的集合；Pij,t和Qij,t为支路ij首端的有功和无功功率；Iij,t为流经支路ij的电流；rij和xij,为支路ij的电阻和电抗；
Figure FDA0003762116110000052
和
Figure FDA0003762116110000053
为节点j的净注入有功和无功；
Figure FDA0003762116110000054
和
Figure FDA0003762116110000055
为从主网购入的有功和无功；
Figure FDA0003762116110000056
和
Figure FDA0003762116110000057
为光伏电池实际提供的有功和无功出力；
Figure FDA0003762116110000058
和
Figure FDA0003762116110000059
为节点j的有功/无功负荷；Ui,t和Uj,t为节点i和节点j的电压；Iij,min和Iij,max为支路ij允许通过的最小和最大电流；Uj,min和Uj,max为节点j电压上限值和下限值；Pij,max和Qij,max为支路ij首端允许通过的最大有功和无功功率；
Figure FDA00037621161100000510
为安装在节点j光伏逆变器的容量；
Figure FDA00037621161100000511
为有功调节容量的最大值，是光伏发电在最大功率点跟踪控制下的有功出力；θ为光伏逆变器功率因数角；
基于一致性ADMM各集群子问题如下式所示：
Figure FDA00037621161100000512
Figure FDA00037621161100000513
Figure FDA00037621161100000514
Figure FDA00037621161100000515
Figure FDA00037621161100000516
Figure FDA00037621161100000517
式中：N为集群数量；k为迭代次数；fi(xi)为集群i的目标函数，如式(14)所示；xi为集群i中除耦合变量外的所有变量；Gi为集群i内部的约束空间，如式(17)-式(22)；
Figure FDA0003762116110000061
为集群i的耦合变量；zi为全局变量；λT i为拉格朗日乘子的转置；ρi为惩罚因子；s和r分别为对偶残差和原始残差；ε1和ε2分别为对偶残差和原始残差收敛阈值；
其中，式(24)是式(23)的增广拉格朗日函数形式；一致性ADMM算法迭代步骤为式(25)-(27)，式(25)为各集群的独立优化，式(26)、(27)分别为全局变量的更新和拉格朗日乘子的更新；
分布式ADMM算法执行步骤如下：
1)设置迭代次数k＝0，初始化全局变量z0、拉格朗日乘子λ0 i，设置惩罚系数ρi，设置收敛判据ε1、ε2；
2)各集群i根据式(25)独立并行优化，获得各集群的优化结果；此后相邻集群交换耦合变量，并通过式(26)与式(27)更新全局变量zk+1与拉格朗日乘子
Figure FDA0003762116110000064
3)若收敛判据式(28)满足条件，则迭代结束，并获得最优调度方案，若不满足条件，则设置迭代次数k＝k+1，并重复步骤2)，直至ADMM收敛。
5.根据权利要求4所述的基于高比例分布式电源集群的分布式控制方法，其特征在于：
具体包括以下步骤：
(1)获取配电网网络的拓扑参数，预测的光伏电源出力和负荷数据；
(2)计算光伏电源集群划分指标值
Figure FDA0003762116110000062
和
Figure FDA0003762116110000063
(3)指标值按式(9)进行归一化处理，并用式(12)计算相似性值；
(4)初始化配电网集群，将网络中的每个节点单独作为一个集群，并用式(13)计算此时的函数值Q’；
(5)随机选择节点i尝试与其他节点j合并组成新的集群，分别计算网络的综合指标增量值ΔQ’，若ΔQ’>0，将节点i所在集群与ΔQ’max对应的集群合并成新集群，否则不形成新的集群结构；
(6)将形成的若干个集群合并成若干个新节点，集群内节点的权重转化为新节点环的权重，集群间权重转化为新节点边的权重；重复步骤5)，直到整个网络的综合指标值Q不再增加，此时为最优集群划分结果；
(7)基于分布式电源集群划分结果进行配电网分区，对配电网进行解耦；
(8)设置迭代次数k＝0，初始化全局变量z0、拉格朗日乘子
Figure FDA0003762116110000071
设置惩罚系数ρi，设置收敛阈值ε1、ε2；
(9)各集群i根据式(25)独立并行优化，获得各集群优化结果；此后相邻集群交换耦合变量，并通过式(26)与式(27)更新全局变量zk+1与拉格朗日乘子
Figure FDA0003762116110000072
(10)若收敛判据式(28)满足条件，则迭代停止，并获得最优调度方案，若不满足条件，则设置迭代次数k＝k+1，并重复步骤(9)，直至ADMM收敛。
CN202210875950.3A 2022-07-25 2022-07-25 基于高比例分布式电源集群的分布式控制方法 Pending CN115173473A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210875950.3A CN115173473A (zh) 2022-07-25 2022-07-25 基于高比例分布式电源集群的分布式控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210875950.3A CN115173473A (zh) 2022-07-25 2022-07-25 基于高比例分布式电源集群的分布式控制方法

Publications (1)

Publication Number Publication Date
CN115173473A true CN115173473A (zh) 2022-10-11

Family

ID=83497484

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210875950.3A Pending CN115173473A (zh) 2022-07-25 2022-07-25 基于高比例分布式电源集群的分布式控制方法

Country Status (1)

Country Link
CN (1) CN115173473A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117254532A (zh) * 2023-11-13 2023-12-19 广东电网有限责任公司中山供电局 一种分布式光伏接入配电网的集群调控方法和系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120014289A1 (en) * 2010-07-12 2012-01-19 University Of Southern California Distributed Transforms for Efficient Data Gathering in Sensor Networks
CN106451567A (zh) * 2016-10-14 2017-02-22 国网浙江省电力公司电力科学研究院 一种分布式电源集群动态划分的方法及系统
CN112398678A (zh) * 2020-10-16 2021-02-23 清华大学 适用于多源异构电网的运行方式拓扑结构特征提取方法
WO2021135332A1 (zh) * 2019-12-31 2021-07-08 东北大学 一种基于边缘计算的多智能体负荷调控方法
CN113452053A (zh) * 2021-07-02 2021-09-28 国网吉林省电力有限公司吉林供电公司 一种分布式储能集群划分方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120014289A1 (en) * 2010-07-12 2012-01-19 University Of Southern California Distributed Transforms for Efficient Data Gathering in Sensor Networks
CN106451567A (zh) * 2016-10-14 2017-02-22 国网浙江省电力公司电力科学研究院 一种分布式电源集群动态划分的方法及系统
WO2021135332A1 (zh) * 2019-12-31 2021-07-08 东北大学 一种基于边缘计算的多智能体负荷调控方法
CN112398678A (zh) * 2020-10-16 2021-02-23 清华大学 适用于多源异构电网的运行方式拓扑结构特征提取方法
CN113452053A (zh) * 2021-07-02 2021-09-28 国网吉林省电力有限公司吉林供电公司 一种分布式储能集群划分方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
丁明;方慧;毕锐;刘先放;潘静;张晶晶;: "基于集群划分的配电网分布式光伏与储能选址定容规划", 中国电机工程学报, no. 08, 20 April 2019 (2019-04-20) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117254532A (zh) * 2023-11-13 2023-12-19 广东电网有限责任公司中山供电局 一种分布式光伏接入配电网的集群调控方法和系统
CN117254532B (zh) * 2023-11-13 2024-02-09 广东电网有限责任公司中山供电局 一种分布式光伏接入配电网的集群调控方法和系统

Similar Documents

Publication Publication Date Title
Wang et al. Research on economic optimization of microgrid cluster based on chaos sparrow search algorithm
Mahmoud et al. Adaptive intelligent techniques for microgrid control systems: A survey
Ferahtia et al. Optimal techno-economic energy management strategy for building’s microgrids based bald eagle search optimization algorithm
CN109713732B (zh) 一种多微电网和配电网协调优化调度的方法
Nayeripour et al. Coordinated online voltage management of distributed generation using network partitioning
Taher et al. Optimal location and sizing of UPQC in distribution networks using differential evolution algorithm
CN109950907B (zh) 含电力电子变压器的交直流混合配电网的调度方法及系统
Wu et al. Coordinated optimal power flow for integrated active distribution network and virtual power plants using decentralized algorithm
CN108304972B (zh) 一种基于供需互动和dg运行特性的主动配电网网架规划方法
Shen et al. Optimization of peak loads among multiple provincial power grids under a central dispatching authority
Fathy et al. Minimum hydrogen consumption based control strategy of fuel cell/PV/battery/supercapacitor hybrid system using recent approach based parasitism-predation algorithm
CN110266038A (zh) 一种多虚拟电厂分布式协调调控方法
Li et al. Parallel and distributed optimization method with constraint decomposition for energy management of microgrids
CN112380694B (zh) 一种基于差异化可靠性需求的配电网优化规划方法
Zhang et al. Dynamic aggregation of energy storage systems into virtual power plants using distributed real-time clustering algorithm
CN111884203B (zh) 基于双层非支配排序遗传算法的微电网协调优化配置方法
Altin et al. A review of microgrid control strategies
Zhang et al. Multiobjective particle swarm optimization for microgrids pareto optimization dispatch
CN115333110A (zh) 基于admm的配电网-微电网群协同分布式优化调度方法及系统
CN110994697B (zh) 含光储联合体的交直流配电网优化运行控制方法及系统
CN115173473A (zh) 基于高比例分布式电源集群的分布式控制方法
Xiaohui et al. Decentralized economic dispatching of multi-micro grid considering wind power and photovoltaic output uncertainty
Liu et al. A fully distributed economic dispatch method in DC microgrid based on consensus algorithm
CN115496427A (zh) 一种多微网系统柔性互联投资规划决策方法
CN111082475B (zh) 一种基于交直流混合配电网协调能量管控方法

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