CN115275983A - 一种基于分布式资源聚类的光伏功率波动平抑控制方法 - Google Patents
一种基于分布式资源聚类的光伏功率波动平抑控制方法 Download PDFInfo
- Publication number
- CN115275983A CN115275983A CN202210836439.2A CN202210836439A CN115275983A CN 115275983 A CN115275983 A CN 115275983A CN 202210836439 A CN202210836439 A CN 202210836439A CN 115275983 A CN115275983 A CN 115275983A
- Authority
- CN
- China
- Prior art keywords
- control
- resource
- clustering
- distributed
- power
- 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
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
- H02J3/002—Flicker reduction, e.g. compensation of flicker introduced by non-linear load
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
-
- 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
- H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—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
-
- 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
-
- 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
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Nonlinear Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及配电网多元分布式资源协同控制技术,具体涉及一种基于分布式资源聚类的光伏功率波动平抑控制方法,建立分钟级AGC控制框架模型,将控制过程分为当前控制周期下网点功率参考值计算与分布式资源分群聚类和基于粒子群算法的优化控制模型求解;建立目标函数以及功率波动平抑控制目标与控制代价之间的联系,明确资源聚类前后的优化控制模型和相关约束;根据控制周期和步长,利用粒子群算法对优化控制模型滚动求解,判断资源聚合体的分钟级调控量,最终通过控制前后的下网点功率波动率、控制成本和模型求解时间对结果进行评价。该控制方法不仅能够改善控制效果,还能够在保证控制经济性的同时,抑制分布式光伏功率波动对配网和主网的影响。
Description
技术领域
本发明属于配电网多元分布式资源协同控制技术领域,特别涉及一种基于分布式资源聚类的光伏功率波动平抑控制方法。
背景技术
随着配电网内分布式光伏规模的增大,光伏出力波动对配电网的影响愈发不可忽视,光伏功率波动会通过下网点传递到主网,影响电网的安全稳定运行;同时,分布式资源种类与数量的增多提升了配电网的可调控性,资源聚类方法的研究也进一步提升了分布式资源参与功率波动平抑的可行性。从经济性和可实施性角度考虑,探究一种基于分布式资源分群聚类的资源协同控制方案,对提高光伏消纳率、参与电网调峰调频有重要的意义。因此,对于含多样调控资源的配电网来讲,研究如何实现多类型分布式资源的协同调控,基于其运行状态合理分解控制指令到各被控对象,从而最小化控制代价,是实现光伏功率波动平抑控制的重要内容。
综上所述,研究一种基于分布式资源分群聚类的资源协同控制方案,以最小化控制代价为目标实现配电网光伏功率波动,是一种多方参与、高效经济的控制方法。新能源发电方在一定程度上保障了自身的消纳率;电网公司通过较小的控制代价维持电网的安全稳定运行;柔性负荷用户在生产条件许可的情况下能获得一定的经济补偿;总体上实现了源-网-荷总经济效益的提升。
发明内容
针对背景技术存在的问题,本发明提供一种基于分布式资源分群聚类的配电网光伏功率波动平抑控制方法。
为解决上述技术问题,本发明采用如下技术方案:一种基于分布式资源聚类的光伏功率波动平抑控制方法,包括以下步骤:
步骤1、建立基于资源聚类和优化算法的分钟级AGC控制框架模型;
步骤2、根据控制对象特性与控制目标搭建分钟级AGC优化控制模型,建立功率波动平抑与控制代价的联系,区分资源聚类前后的优化模型与控制约束;
步骤3、结合实际控制提出基于粒子群算法的优化控制模型求解方法,以反映控制代价的经济性目标函数为算法适应度评价依据,提出基于资源聚类和优化算法的优化控制模型求解方法。
在上述基于分布式资源聚类的光伏功率波动平抑控制方法中,建立分钟级AGC控制框架模型具体包括以下步骤:
步骤1.1、建立分钟级AGC控制框架模型;
步骤1.1.1、配电网结构与资源参数设置;
步骤1.1.1.1、选择下网点功率的时段基准,生成当前控制周期内的目标值;在同一控制周期内,根据预测控制步长计算下网点功率波动率,作为分钟级AGC优化控制与功率波动平抑目标的耦合约束;
控制周期T选为5min,预测控制步长Tc为1min,且在每个控制周期内选取第一时刻下网点功率为控制基准值;
步骤1.1.2、将控制周期第一时刻的光伏预测数据作为聚类指标,利用基于指标权重改进的K-means++算法实现资源分群聚类,并对指标进行聚合建模,通过聚合模型判断得出资源调控的优先级顺序,作为下阶段优化控制的依据;具体步骤如下:
步骤1.1.2.1、构建资源聚类控制指标体系,根据功率波动平抑目标对资源调控的需求,从技术性和经济性两个角度选择相应的控制指标,建立服务于资源聚类的控制指标体系;
步骤1.1.2.2、配置聚类指标权重,根据聚类目标及聚类的服务对象确定权重的配置原则,采用主观赋权法对各个聚类指标进行赋权;
步骤1.1.2.3、提出基于指标权重改进的K-means++算法,根据得到的权重配置结果,对K-means++算法中的样本欧氏距离计算方式进行改进,实现分布式资源的分群聚类,赋予聚类结果实际含义;
步骤1.2、分钟级AGC控制模型求解;
在控制框架的第二阶段,根据第一阶段得到的下网点功率基准值,判断配电网第t分钟的调控需求:出力上调或出力下调,并依照资源调控的优先级顺序将调控量下发到资源聚合体内的若干分布式资源,以各资源聚合体的出力大小为决策变量,利用粒子群算法对优化控制模型进行求解,在实现功率波动平抑控制和经济成本最小的目标的同时,减小决策变量维数;每完成一次优化模型求解,根据预测控制步长和周期求解次数Nc判断当前控制周期是否结束,进而判断是否需要更新聚类指标并进行下一周期的分群与计算。
在上述基于分布式资源聚类的光伏功率波动平抑控制方法中,搭建分钟级AGC优化控制模型具体包括以下步骤:
步骤2.1、建立优化控制模型经济性目标函数;
根据聚合模型判断得出资源调控的优先级建立起聚合体层次的经济优化目标:
式中,F(t)为总经济成本;K为聚类后得到的聚合体数目;Fcluster,k(t)为第k个聚合体在第t分钟的调控成本;Fgrid(t)为第t分钟主网购电成本;
其中,单个聚合体的调控成本根据实际聚合体调控量和各聚合体内资源经济性优先级曲线进行计算,主网购电成本计算如下:
其中,下网点功率在明确配电网内的结构参数、负荷情况和实际资源接入情况的前提下,利用前推回代法进行计算;
步骤2.2、优化控制模型约束条件;包括分布式控制资源聚合体的运行约束、功率平衡约束和下网点功率波动率约束;具体包括:
步骤2.2.1、分布式光伏的运行约束;
分布式光伏应当满足约束条件:
步骤2.2.2、分布式光伏储能运行约束;
满足充放电功率约束和容量约束:
式中,为第t分钟聚合体k内分布式储能的出力大小;为聚合体k内第i个分布式储能单元的最小出力;为聚合体k内第i个分布式储能单元的最大出力;为第t分钟聚合体k内分布式储能的容量大小;为聚合体k内第i个分布式储能单元的最小容量;为聚合体k内第i个分布式储能单元的最大容量;
容量约束结合集群储能的充放电容量动态特性进行计算分析,设系统中的所有储能单元型号相同,故集群充放电效率也相同:
式中,ηin为储能单元充电效率;ηout为储能单元放电效率;
步骤2.2.3、可中断负荷运行约束;
对于含可中断负荷的聚合体,考虑其聚合出力约束:
步骤2.2.4、功率平衡约束;
式中,PL(t)为第t分钟配电网内的负荷功率;Ploss(t)为第t分钟配电网内的网损功率;
步骤2.2.5、下网点功率波动率约束;
定义第t分钟的下网点功率波动率RVol(t),其表征当前时刻相对前一时刻的功率变化程度;根据算例仿真的配电网结构与资源参数,确定算例内的下网点功率波动率约束条件,将波动率RVol(t)限制在2%以内:
建立下网点功率波动率约束与经济性目标函数的联系,以罚函数的形式将其加入到经济性目标函数中,随后对表征罚函数作用强度的系数进行调整,以分段函数的形式对系数进行定义:
式中,β为罚函数作用强度系数;ΔRVol(t)为实际下网点功率波动率与约束值的差值;
考虑功率波动率惩罚的经济性目标函数为:
在上述基于分布式资源聚类的光伏功率波动平抑控制方法中,基于粒子群算法的优化控制模型求解方法包括以下步骤:
步骤3.1、种群粒子位置与速度初始化;
步骤3.1.1、根据配电网分布式资源的聚类结果确定优化可行解的变量维数D,对应PSO中粒子的空间维数,设定种群粒子数N;
步骤3.1.2、依照聚合体聚合指标设定搜索区域上限边界Xmax和下限边界Xmin,给出粒子搜寻速度Vi的最大值Vmax和最小值Vmin,以及收敛精度ε或最大迭代次数Niter,并在位置和速度的约束范围内对粒子初始状态进行取值,完成种群粒子位置和速度的初始化;
步骤3.1.3、在算法开始对种群的个体学习因子c1、社会学习因子c2和惯性权重ω进行设置,用以对粒子位置和速度进行更新;
步骤3.2、计算粒子适应度;
步骤3.2.1、在每次迭代中,重新评估种群中每个粒子的适应度,更新计算个体最优解和种群最优解;适应度函数通过优化模型的经济目标函数表示;
步骤3.2.2、在各次迭代过程中重复计算得出每个粒子的适应度值,并通过对比更新当前粒子的个体最优解和种群最优解,以及相应的目标函数值,实现寻优的目的;
步骤3.2.3、个体最优解和种群最优解的表示如下式:
式中,pi为粒子的个体最优解;g为粒子的种群最优解;XD为粒子第D维位置特征量;
步骤3.3、优化收敛判断;
步骤3.3.1、在每一次迭代计算完成后,根据本次迭代与上次迭代得出的种群最优粒子适应度值之间的差异大小判断优化求解结果是否收敛,收敛条件如下:
|H(g(n))-H(g(n-1))|<ε (14)
其中,ε为收敛精度;H(g(n))为第n次迭代计算得出的种群最优适应度值;
步骤3.3.2、若满足收敛条件,或者已达到最大迭代次数Niter,则当前种群最优粒子并对应决策变量的最优解,实现优化控制过程;若无法满足收敛条件,则执行步骤3.4更新粒子位置和速度;
步骤3.4、粒子位置与速度的更新与边界处理;
步骤3.4.1、在每次迭代开始,根据上一次迭代得到的个体最优适应度值和种群最优适应度值按照(15)式、(16)式分别进行粒子寻优速度和位置的更新计算:
Vi(n+1)=ωVi(n)+c1r1[pi(n)-xi(n)]+c2r2[g(n)-xi(n)] (15)
xi(n+1)=xi(n)+Vi(n+1) (16)
式中,c1为个体学习因子,取值0.5;c2为社会学习因子,取值0.5;r1、r2为[0,1]范围内的随机数,增加粒子寻优的随机性;ω为粒子维持历史速度的权重,取值0.9;
步骤3.4.2、粒子位置更新公式中包含历史经验、个体认知和社会学习三个部分,第一部分ωVi(n)反映了粒子运动的习惯,是其自身的历史经验;第二部分代表了粒子本身记忆最优值对下一次迭代速度的影响;第三部分反映了粒子间的合作以及种群的历史经验,体现出寻优过程中粒子有向历史最佳位置逼近的趋势;
步骤3.4.3、完成粒子速度和位置的更新后,根据下式对更新结果进行检验:
Xmin≤Xi,d≤Xmax (17)
Vmin≤Vi,d≤Vmax (18)
其中,Xi,d为粒子i第d维位置变量;Vi,d为粒子i第d维速度变量;
步骤3.4.4、对于超出约束范围的粒子采取在约束范围内随机产生一个可行解进行替代。
与现有技术相比,本发明的有益效果:本发明运用基于分布式资源分群聚类的光伏功率波动平抑控制方法对配网进行分钟级滚动优化控制求解,以多元资源聚合体为控制对象,通过建立滚动优化控制模型,不仅能够改善控制效果,还能够在保证控制经济性的同时,抑制分布式光伏功率波动对配网和主网的影响。本发明具有以下优点:
1、充分利用分布式资源的调节潜力,发挥含多元分布式资源的配电网的可调控性。
2、提出并采用考虑资源指标实际含义的聚类算法,提升对分布式资源进行协同控制的可行性。
3、基于资源聚类结果,运用PSO算法进行控制模型滚动优化求解,提升控制效果,降低控制成本,加快控制求解速度。
附图说明
图1是本发明实施例中基于控制指标权重改进的K-means++聚类算法流程图;
图2是本发明实施例中基于资源聚类和优化算法的分钟级AGC控制框架模型;
图3是本发明实施例中基于粒子群算法的优化控制模型求解流程图;
图4是本发明实施例含分布式调控资源的IEEE-33节点配电网系统;
图5是本发明实施例采用的资源聚类控制指标体系;
图6(a)是本发明实施例可下调容量-总调控成本对比曲线;
图6(b)是本发明实施例可上调容量-总调控成本对比曲线;
图7是本发明实施例基于粒子群算法的优化控制模型求解收敛效果;
图8是本发明实施例优化控制前后下网点功率对比;
图9是本发明实施例优化控制前后下网点功率波动率对比;
图10(a)是本发明实施例控制周期内聚合体1在控制前后的出力变化曲线;
图10(b)是本发明实施例控制周期内聚合体2在控制前后的出力变化曲线。
具体实施方式
下面将结合本发明实施例对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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的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。
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。
下面结合具体实施例对本发明作进一步说明,但不作为本发明的限定。
本实施将资源聚合得到的聚合体作为直接控制对象,提出一种用于分布式光伏功率波动评议的涉及三类分布式资源的优化协同控制方案。首先建立基于资源聚类和优化算法的分钟级AGC控制框架模型,将控制过程分为两个阶段,具体包括当前控制周期下网点功率参考值计算与分布式资源分群聚类和基于粒子群算法的优化控制模型求解两个部分。其次,根据三种分布式资源的数学模型,建立反映控制代价的经济性目标函数,以及功率波动平抑控制目标与控制代价之间的联系,明确资源聚类前后的优化控制模型和相关约束;根据控制框架指出的控制周期和步长,利用粒子群算法对优化控制模型进行滚动求解,判断资源聚合体的分钟级调控量,最终通过控制前后的下网点功率波动率、控制成本和模型求解时间对结果进行评价。
本实施例是通过以下技术方案来实现的,一种基于分布式资源聚类的光伏功率波动平抑控制方法,包括以下步骤:
S1、在传统AGC控制的基础上,建立基于资源聚类和优化算法的分钟级AGC控制框架模型,相较于常规AGC控制,其主要调控对象为分布式资源聚合体,能够更灵活高效地实现功率波动平抑;
S1.1.分钟级AGC控制框架模型的建立;
1)配电网结构与资源参数设置;
作为控制框架模型的第一阶段,主要进行初始下网点功率计算和资源分群。首先,选择下网点功率的时段基准,生成当前控制周期内的目标值;其次,在同一控制周期内,根据预测控制步长计算下网点功率波动率,作为分钟级AGC优化控制与功率波动平抑目标的耦合约束。本实施例将控制周期T选为5min,预测控制步长Tc为1min,且在每个控制周期内选取第一时刻下网点功率为控制基准值。
与此同时,将控制周期第一时刻的光伏预测数据作为聚类指标,利用基于指标权重改进的K-means++算法实现资源分群聚类,并对指标进行聚合建模,通过聚合模型判断得出资源调控的优先级顺序,作为下阶段优化控制的可靠依据。具体步骤如下:
a.构建资源聚类控制指标体系,根据功率波动平抑目标对资源调控的实际需求,从技术性和经济性两个角度选择相应的控制指标,建立起服务于资源聚类的控制指标体系;
b.配置聚类指标权重,根据聚类目标及聚类的服务对象确定权重的配置原则,采用主观赋权法对各个聚类指标进行赋权;
c.提出基于指标权重改进的K-means++算法,基于得到的权重配置结果,对K-means++算法中的样本欧氏距离计算方式进行改进,实现分布式资源的分群聚类,赋予聚类结果实际含义。
本实施例采用的基于控制指标权重改进的K-means++聚类算法流程如图1所示。
S1.2分钟级AGC控制模型求解;
在控制框架的第二阶段,根据第一阶段得到的下网点功率基准值,判断配电网第t分钟的调控需求(出力上调或出力下调),并依照资源调控的优先级顺序将调控量下发到资源聚合体内的若干分布式资源,以各资源聚合体的出力大小为决策变量,利用粒子群算法对优化控制模型进行求解,在实现功率波动平抑控制和经济成本最小的目标的同时,尽可能减小决策变量维数,避免出现求解困难的问题。每完成一次优化模型求解,根据预测控制步长和周期求解次数Nc判断当前控制周期是否结束,进而判断是否需要更新聚类指标并进行下一周期的分群与计算。
最终建立了基于资源聚类和优化算法的分钟级AGC控制框架模型,如图2所示。
S2、根据控制对象特性与控制目标搭建分钟级AGC优化控制模型,建立起功率波动平抑与控制代价问题的联系,区分资源聚类前后的优化模型与控制约束;
S2.1建立优化控制模型经济性目标函数
对于基于资源聚类结果的优化问题,为突出分布式调控资源及资源聚类过程在平抑下网点功率波动方面的作用,应根据聚类得到的资源调控优先级建立起聚合体层次的经济优化目标:
式中F(t)——总经济成本;
K——聚类后得到的聚合体数目;
Fcluster,k(t)——第k个聚合体在第t分钟的调控成本;
Fgrid(t)——第t分钟主网购电成本。
其中,单个聚合体的调控成本应根据实际聚合体调控量和各聚合体内资源经济性优先级曲线进行计算,主网购电成本计算如下:
式中fgrid——电网单位购电成本;
Δt——计算时段时长。
其中的下网点功率需要在明确配电网内的结构参数、负荷情况和实际资源接入情况的前提下,利用前推回代法进行计算。
S2.2优化控制模型约束条件;
本实施例考虑的约束条件主要包括分布式控制资源聚合体的运行约束、功率平衡约束和下网点功率波动率约束。
1)分布式光伏运行约束;
作为配电网中的一种主要的分布式电源,分布式光伏一般工作在最大功率点附近,仅在消纳不足时进行适当弃光,也即作为一种下调资源参与配电网的功率平衡。在此过程中,分布式光伏应当满足约束条件:
PPV,i,max——第i个分布式单元的最大可调控量。
2)分布式储能运行约束;
聚合后的分布式储能具有很强的调控响应能力,是平抑新能源波动的一种主要调控资源,在聚合体实际运行时一般需要满足充放电功率约束和容量约束:
此外,容量约束应结合集群储能的充放电容量动态特性进行计算分析,这里假设系统中的所有储能单元型号相同,故集群充放电效率也相同。
式中ηin——储能单元充电效率;
ηout——储能单元放电效率。
3)可中断负荷运行约束
为简化计算与分析,对于含可中断负荷的聚合体,仅考虑其聚合出力约束:
4)功率平衡约束
式中PL(t)——第t分钟配电网内的负荷功率;
Ploss(t)——第t分钟配电网内的网损功率。
5)下网点功率波动率约束
首先定义第t分钟的下网点功率波动率RVol(t),其表征了当前时刻相对前一时刻的功率变化程度;其次,根据算例仿真的配电网结构与资源参数,确定算例内的下网点功率波动率约束条件,以期将波动率RVol(t)限制在2%以内。
此外,为了简化优化控制模型的求解,并使下网点功率波动率约束与经济性目标函数建立直接联系,本文以罚函数的形式将其加入到经济性目标函数中,随后对表征罚函数作用强度的系数进行调整,使目标函数更加合理。本文以分段函数的形式对系数进行定义:
式中β——罚函数作用强度系数;
ΔRVol(t)——实际下网点功率波动率与约束值的差值。
最后,可以得到如下所示的考虑功率波动率惩罚的经济性目标函数:
S3、结合实际控制问题指出基于粒子群算法的优化控制模型求解方法,以反映控制代价的经济性目标函数为算法适应度评价依据,提出基于资源聚类和优化算法的优化控制模型求解流程。
粒子群优化算法(Particle Swarm Optimization,PSO)是一种具有较强求解能力、较快收敛速度和较好鲁棒性的群体智能优化算法。PSO中粒子个体以适应度函数最小为目标不断调整自身的位置与速度,向最优粒子靠近,经过多次迭代,最终寻到满足收敛条件的全局最优解。由于粒子群算法本身效果良好且较易实现,因而被广泛应用在电力系统领域。本实施例同样采用该算法对优化控制问题进行求解,将其与实际问题结合后,具体的求解方法和步骤如下:
将其与实际问题结合后,基于粒子群算法的优化控制模型求解方法步骤如下:
S3.1、种群粒子位置与速度初始化;
首先,根据配电网大量分布式资源的聚类结果确定优化可行解的变量维数D,即对应PSO中粒子的空间维数,同时设定种群粒子数N。其次,依照聚合体聚合指标设定搜索区域上限边界Xmax和下限边界Xmin,给出粒子搜寻速度Vi的最大值Vmax和最小值Vmin,以及收敛精度ε或最大迭代次数Niter,并在位置和速度的约束范围内对粒子初始状态进行取值,完成种群粒子位置和速度的初始化。另外,还需要在算法伊始对种群的个体学习因子c1、社会学习因子c2和惯性权重ω进行设置,用以对粒子位置和速度进行更新。
S3.2、计算粒子适应度;
在每次迭代中,需要重新评估种群中每个粒子的适应度,更新计算个体最优解和种群最优解。对于本文的实际优化问题,适应度函数可通过优化模型的经济目标函数进行表示。在各次迭代过程中重复计算得出每个粒子的适应度值,并通过对比更新当前粒子的个体最优解和种群最优解,以及相应的目标函数值,以达到寻优的目的,个体最优解和种群最优解的表示方法如下所示:
式中pi——粒子的个体最优解;
g——粒子的种群最优解;
XD——粒子第D维位置特征量。
S3.3、优化收敛判断;
在每一次迭代计算完成后,根据本次迭代与上次迭代得出的种群最优粒子适应度值之间的差异大小判断优化求解结果是否收敛,收敛条件如下:
|H(g(n))-H(g(n-1))|<ε (14)
其中ε——收敛精度;
H(g(n))——第n次迭代计算得出的种群最优适应度值。
若满足收敛条件,或者已达到最大迭代次数Niter,则当前种群最优粒子即对应决策变量的最优解,可以实现优化控制过程。若无法满足收敛条件,则继续按照步骤S3.4更新粒子位置和速度。
S3.4、粒子位置与速度的更新与边界处理;
在每次迭代伊始,根据上一次迭代得到的个体最优适应度值和种群最优适应度值按照下面两式分别进行粒子寻优速度和位置的更新计算:
Vi(n+1)=ωVi(n)+c1r1[pi(n)-xi(n)]+c2r2[g(n)-xi(n)] (15)
xi(n+1)=xi(n)+Vi(n+1) (16)
式中c1——个体学习因子,取值0.5;
c2——社会学习因子,取值0.5;
r1、r2——[0,1]范围内的随机数,增加粒子寻优的随机性;
ω——粒子维持历史速度的权重,取值0.9。
在粒子位置更新公式中包含了历史经验、个体认知和社会学习三个部分,第一部分ωVi(n)反映了粒子运动的“习惯”,对于其自身的历史经验;第二部分则代表了粒子本身记忆最优值对下一次迭代速度的影响;第三部分则反映了粒子间的合作以及种群的历史经验,体现出寻优过程中粒子有向历史最佳位置逼近的趋势。
在完成粒子速度和位置的更新后,还应根据下式立即对更新结果进行检验:
Xmin≤Xi,d≤Xmax (17)
Vmin≤Vi,d≤Vmax (18)
其中Xi,d——粒子i第d维位置变量;
Vi,d——粒子i第d维速度变量。
对于超出约束范围的粒子采取一定的处理措施,一般可在约束范围内随机产生一个可行解进行替代。
通过上述方法步骤对分钟级AGC优化控制模型进行求解即可得出每分钟调控资源的调控量与对应的最优调控经济成本。基于粒子群算法的优化控制求解流程如图3所示。
算例分析
一、配电网与资源参数设置;
为体现本发明的实际应用意义,在标准IEEE-33节点配电网系统中设置分布式资源,将其中的节点负荷、线路阻抗等参数均设为默认值;同时,在其中的5节点、7节点和26节点分别接入分布式光伏(Photovoltaic,PV)、分布式储能(Energy Storage System,ESS)和可中断柔性负荷(Interruptible Load,IL),规模大小分别为100、20、40。图4给出了建立的分布式资源聚类背景。
为了对配电网中的三类可调控资源展聚合体参与控制的过程进行分析,根据图5所示的聚类控制指标体系以及聚类算法需求对各类资源的指标范围进行定义和约束,见表1:
表1.考虑资源调控能力的分布式资源聚类指标范围
下面通过实际算例介绍本实施例所提出的一种基于分布式资源聚类的光伏功率波动平抑控制方法与效果。
二、分布式资源分群聚类结果与分析;
基于聚类结果,列出聚类后的聚合原始数据表,并对各聚合体内的各类资源进行统计和整合,得到的结果见表2和表3。
表2.实施算例分布式资源分群聚类结果
表3.聚合体内资源指标统计
从两个表2、表3中可以看出,在聚合体之间,根据正指标和逆指标的定义对聚类结果分析可知,表征技术性的控制正指标排序为:聚合体1>聚合体2;表征经济性的控制逆指标排序为:聚合体2>聚合体1;此外,对比不同聚合体内部,同类型的调控资源同样具有上述排序结论,也即聚合体1内资源的技术性指标与经济性指标相比聚合体2内的分布式光伏资源均占优势。因此,可以判断出聚合体间调控性能的优劣区别,并得出调控的优先级结论:在调控分布式资源以平抑下网点功率波动时,优先对聚合体1内的分布式资源进行调控可以更好的满足技术性和经济性需求。
对于未聚类的资源调控场景,一般以平均分配的方式对需求调控量进行分解,也即将所需调控量按容量比例下发到各个控制资源,这样的调控方式忽略了调控过程对经济性的需求。为了在聚合体间优先级的基础之上,进一步区分聚合体内资源的调控优先级,本实施例对同一聚合体内的资源按照经济成本高低进行排序,根据资源可调控容量和单位调控成本绘制聚合体调控量与总调控成本之间的关系曲线,并将聚合体的调控量按照资源特性分为可上调和可下调两种情况,上调情景对应储能放电或可中断负荷中断,下调情景对应储能充电和分布式光伏弃光。最终得到可下调容量-总调控成本对比曲线如图6(a)所示,可上调容量-总调控成本对比曲线如图6(b)所示。
图6(a)、图6(b)分别为两个聚合体在下调场景内的资源经济性排序前后的调控容量-调控成本曲线和在上调场景内的经济性排序前后的调控容量-调控成本曲线。从给出两种调节情景不难看出,无论是否对资源进行经济性排序,聚合体1的总调控成本一直低于聚合体2,这也再次证明了上述聚类结果的有效性和正确性。此外,无论是在上调情景还是下调情景中,对同一聚合体调控相同容量,经济性排序后的聚合体总调控成本均低于经济性排序前;在上调情景中,两个聚合体的调控容量-调控成本曲线出现了明显转折点,这是因为上调资源中的分布式储能和可中断负荷的单位调节成本相差较大。
综上所述,可以得出以下结论:
(1)利用基于权重改进的K-means++算法对分布式资源进行分群聚合,能够取得一定的聚类效果,且符合权重配置的原则;
(2)对于实施算例中的情况,在聚合体之间,聚合体1内的分布式资源调控性能占优,应首先选择聚合体1为主要调控对象,而在聚合体内,应根据各个资源的单位调节成本进行升序调节,即成本低的优先调节;
为了进一步说明聚类在分布式光伏功率波动平抑问题当中的作用,需要进一步将其应用在实际配电网分析中。
三、控制方案实施过程与效果验证;
基于发明内容中的控制框架,在聚类结果的基础上求解一个控制周期内的优化问题,控制周期T为5min,控制步长Tc为1min,故控制步数Nc为5。为了实现功率波动平抑效果,首先需要选择下网点功率基准值Pref,根据每个控制周期内的分布式光伏预测数据,通过前推回代法计算得到控制前每分钟的下网点功率,进而得到下网点功率波动率,作为优化控制与功率波动平抑目标的耦合约束,同时将周期第一时刻的下网点功率作为本周期的平抑参考值。经计算,本算例的下网点功率参考值Pref为3241.92kW。
其次,根据t=1时的光伏预测数据,对配电网内资源进行分群聚类,判断得出资源调控的优先级顺序。根据控制前的第t分钟下网点功率Ptpcc与参考值Pref的大小关系判断调控需求。对于聚合体之间的需求调控量分配,采用PSO算法进行以经济性为目标和以功率波动为约束的优化求解;对于聚合体内的需求调控量分配则需要根据各聚合体内的资源经济性排序进行判断。
首先,绘制PSO算法适应度函数与迭代次数的关系曲线图,如图7所示,判断PSO算法在实际优化控制模型求解过程中的收敛效果。从图7中可以看出,在迭代至第46次时,算法即以达到收敛,证明了PSO算法在优化控制求解中的有效性。
根据以上工作,最终得到如图8所示的控制前后下网点功率对比,以及如图9所示的控制前后下网点功率波动率对比。
从图中不难看出,本实施例采用的一种基于分布式资源聚类的光伏功率波动平抑控制方法能够对下网点功率波动量实现有效平抑。一方面,控制周期内各时间点的下网点功率均被控制在周期功率参考值Pref附近,控制前后的最大波动量由174.71kW下降到了65.92kW;另一方面,控制周期内的下网点功率分钟波动率均低于2%,而控制前共有3个时刻超出了2%,控制后最大波动率的绝对值为1.998%,相比控制前下降了6.099%,满足优化控制模型对下网点功率波动的约束条件,取得了较好的控制效果。另外,由于控制模型仅考虑超出波动约束的经济惩罚,故在t=5时调控量较小,确实地在取得功率波动平抑效果的同时,考虑了控制代价问题。
四、资源聚类应用效果验证;
根据优化模型的求解结果,着重对资源聚类的作用进行分析验证。首先,绘制一个控制周期内两个聚合体在控制前后的出力变化曲线,如图10(a)、图10(b)所示,并做出相应的聚合体调控量表;
表4.聚合体总调控量表(“-”号代表出力下调)
由图10(a)、图10(b)可知,在该控制周期内,聚合体1调节量远大于聚合体2,也即配电网系统需要的调控量基本均由聚合体1承担,聚合体2控制前后的出力曲线基本重合,这是因为光伏波动造成的下网点功率波动量较小,使得优化算法求解得出的调控量未超出聚合体1的调节能力,同时这也从侧面说明聚合体1相对于聚合体2的调控优势,证明了分布式资源分群聚类结果与分析中给出的优先级结论。
结合图8中的下网点功率波动趋势及表4中聚合体调控量进行分析,当下网点功率向下波动时,为了平抑波动,聚合体1进行出力下调,相当于增大了配电网中的负荷功率,进而使主网购电功率增大,例如在t=2时,聚合体1出力下调43.6413kW,聚合体2下调0.0651kW,而下网点功率增大了47.0489kW,起到了平抑功率波动的效果。
为进一步验证聚合体内优先级结论,表5给出了调控周期内聚合体内各类资源的调控量大小,其中储能的调控量为正值代表作为负荷充电,为负值代表作为电源放电。不难看出,对于分析中的波动情况,两个聚合体的调控量均首先由分布式储能承担。这是因为储能的单位调控成本较低,根据经济性排序结果,储能处于优先调控地位,而分布式光伏和可中断负荷分别在下调场景和上调场景中最后进行调节。
表5.聚合体内各类资源调控量表
综上所述,上一节得出的资源调控优先级结论在应用中得到了验证,符合资源聚类的目标。
最后,为了进一步说明基于分布式资源分群聚类的优化控制方法在参与功率波动平抑过程中的作用,对比了在有聚类和无聚类两种情况下求解优化控制模型的时间,以及优化控制的总经济成本,结果如表6和表7所示。
表6.聚类前后优化控制时间对比
表7.聚类前后优化控制成本对比
显然,聚类后的优化控制在求解速度以及调控成本上相比未聚类情况均占较大优势,这是因为资源分群聚类在降低了优化求解维度的同时,对大量分布式调控资源的调控性能进行综合评判,将资源调控优先级作为功率波动量平抑的基础,显著提升了资源的利用效率和调控的可靠性与经济性,这也符合资源聚类的最终目标,同时侧面说明了控制方案的有效性和可靠性。
以上仅为本发明较佳的实施例,并非因此限制本发明的实施方式及保护范围,对于本领域技术人员而言,应当能够意识到凡运用本发明说明书内容所作出的等同替换和显而易见的变化所得到的方案,均应当包含在本发明的保护范围内。
Claims (4)
1.一种基于分布式资源聚类的光伏功率波动平抑控制方法,其特征在于:包括以下步骤:
步骤1、建立基于资源聚类和优化算法的分钟级AGC控制框架模型;
步骤2、根据控制对象特性与控制目标搭建分钟级AGC优化控制模型,建立功率波动平抑与控制代价的联系,区分资源聚类前后的优化模型与控制约束;
步骤3、结合实际控制提出基于粒子群算法的优化控制模型求解方法,以反映控制代价的经济性目标函数为算法适应度评价依据,提出基于资源聚类和优化算法的优化控制模型求解方法。
2.根据权利要求1所述基于分布式资源聚类的光伏功率波动平抑控制方法,其特征在于:建立分钟级AGC控制框架模型具体包括以下步骤:
步骤1.1、建立分钟级AGC控制框架模型;
步骤1.1.1、配电网结构与资源参数设置;
步骤1.1.1.1、选择下网点功率的时段基准,生成当前控制周期内的目标值;在同一控制周期内,根据预测控制步长计算下网点功率波动率,作为分钟级AGC优化控制与功率波动平抑目标的耦合约束;
控制周期T选为5min,预测控制步长Tc为1min,且在每个控制周期内选取第一时刻下网点功率为控制基准值;
步骤1.1.2、将控制周期第一时刻的光伏预测数据作为聚类指标,利用基于指标权重改进的K-means++算法实现资源分群聚类,并对指标进行聚合建模,通过聚合模型判断得出资源调控的优先级顺序,作为下阶段优化控制的依据;具体步骤如下:
步骤1.1.2.1、构建资源聚类控制指标体系,根据功率波动平抑目标对资源调控的需求,从技术性和经济性两个角度选择相应的控制指标,建立服务于资源聚类的控制指标体系;
步骤1.1.2.2、配置聚类指标权重,根据聚类目标及聚类的服务对象确定权重的配置原则,采用主观赋权法对各个聚类指标进行赋权;
步骤1.1.2.3、提出基于指标权重改进的K-means++算法,根据得到的权重配置结果,对K-means++算法中的样本欧氏距离计算方式进行改进,实现分布式资源的分群聚类,赋予聚类结果实际含义;
步骤1.2、分钟级AGC控制模型求解;
在控制框架的第二阶段,根据第一阶段得到的下网点功率基准值,判断配电网第t分钟的调控需求:出力上调或出力下调,并依照资源调控的优先级顺序将调控量下发到资源聚合体内的若干分布式资源,以各资源聚合体的出力大小为决策变量,利用粒子群算法对优化控制模型进行求解,在实现功率波动平抑控制和经济成本最小的目标的同时,减小决策变量维数;每完成一次优化模型求解,根据预测控制步长和周期求解次数Nc判断当前控制周期是否结束,进而判断是否需要更新聚类指标并进行下一周期的分群与计算。
3.根据权利要求1所述基于分布式资源聚类的光伏功率波动平抑控制方法,其特征在于:搭建分钟级AGC优化控制模型具体包括以下步骤:
步骤2.1、建立优化控制模型经济性目标函数;
根据聚合模型判断得出资源调控的优先级建立起聚合体层次的经济优化目标:
式中,F(t)为总经济成本;K为聚类后得到的聚合体数目;Fcluster,k(t)为第k个聚合体在第t分钟的调控成本;Fgrid(t)为第t分钟主网购电成本;
其中,单个聚合体的调控成本根据实际聚合体调控量和各聚合体内资源经济性优先级曲线进行计算,主网购电成本计算如下:
其中,下网点功率在明确配电网内的结构参数、负荷情况和实际资源接入情况的前提下,利用前推回代法进行计算;
步骤2.2、优化控制模型约束条件;包括分布式控制资源聚合体的运行约束、功率平衡约束和下网点功率波动率约束;具体包括:
步骤2.2.1、分布式光伏的运行约束;
分布式光伏应当满足约束条件:
步骤2.2.2、分布式光伏储能运行约束;
满足充放电功率约束和容量约束:
式中,为第t分钟聚合体k内分布式储能的出力大小;为聚合体k内第i个分布式储能单元的最小出力;为聚合体k内第i个分布式储能单元的最大出力;为第t分钟聚合体k内分布式储能的容量大小;为聚合体k内第i个分布式储能单元的最小容量;为聚合体k内第i个分布式储能单元的最大容量;
容量约束结合集群储能的充放电容量动态特性进行计算分析,设系统中的所有储能单元型号相同,故集群充放电效率也相同:
式中,ηin为储能单元充电效率;ηout为储能单元放电效率;
步骤2.2.3、可中断负荷运行约束;
对于含可中断负荷的聚合体,考虑其聚合出力约束:
步骤2.2.4、功率平衡约束;
式中,PL(t)为第t分钟配电网内的负荷功率;Ploss(t)为第t分钟配电网内的网损功率;
步骤2.2.5、下网点功率波动率约束;
定义第t分钟的下网点功率波动率RVol(t),其表征当前时刻相对前一时刻的功率变化程度;根据算例仿真的配电网结构与资源参数,确定算例内的下网点功率波动率约束条件,将波动率RVol(t)限制在2%以内:
建立下网点功率波动率约束与经济性目标函数的联系,以罚函数的形式将其加入到经济性目标函数中,随后对表征罚函数作用强度的系数进行调整,以分段函数的形式对系数进行定义:
式中,β为罚函数作用强度系数;ΔRVol(t)为实际下网点功率波动率与约束值的差值;
考虑功率波动率惩罚的经济性目标函数为:
4.根据权利要求1所述基于分布式资源聚类的光伏功率波动平抑控制方法,其特征在于:基于粒子群算法的优化控制模型求解方法包括以下步骤:
步骤3.1、种群粒子位置与速度初始化;
步骤3.1.1、根据配电网分布式资源的聚类结果确定优化可行解的变量维数D,对应PSO中粒子的空间维数,设定种群粒子数N;
步骤3.1.2、依照聚合体聚合指标设定搜索区域上限边界Xmax和下限边界Xmin,给出粒子搜寻速度Vi的最大值Vmax和最小值Vmin,以及收敛精度ε或最大迭代次数Niter,并在位置和速度的约束范围内对粒子初始状态进行取值,完成种群粒子位置和速度的初始化;
步骤3.1.3、在算法开始对种群的个体学习因子c1、社会学习因子c2和惯性权重ω进行设置,用以对粒子位置和速度进行更新;
步骤3.2、计算粒子适应度;
步骤3.2.1、在每次迭代中,重新评估种群中每个粒子的适应度,更新计算个体最优解和种群最优解;适应度函数通过优化模型的经济目标函数表示;
步骤3.2.2、在各次迭代过程中重复计算得出每个粒子的适应度值,并通过对比更新当前粒子的个体最优解和种群最优解,以及相应的目标函数值,实现寻优的目的;
步骤3.2.3、个体最优解和种群最优解的表示如下式:
式中,pi为粒子的个体最优解;g为粒子的种群最优解;XD为粒子第D维位置特征量;
步骤3.3、优化收敛判断;
步骤3.3.1、在每一次迭代计算完成后,根据本次迭代与上次迭代得出的种群最优粒子适应度值之间的差异大小判断优化求解结果是否收敛,收敛条件如下:
|H(g(n))-H(g(n-1))|<ε (14)
其中,ε为收敛精度;H(g(n))为第n次迭代计算得出的种群最优适应度值;
步骤3.3.2、若满足收敛条件,或者已达到最大迭代次数Niter,则当前种群最优粒子并对应决策变量的最优解,实现优化控制过程;若无法满足收敛条件,则执行步骤3.4更新粒子位置和速度;
步骤3.4、粒子位置与速度的更新与边界处理;
步骤3.4.1、在每次迭代开始,根据上一次迭代得到的个体最优适应度值和种群最优适应度值按照(15)式、(16)式分别进行粒子寻优速度和位置的更新计算:
Vi(n+1)=ωVi(n)+c1r1[pi(n)-xi(n)]+c2r2[g(n)-xi(n)] (15)
xi(n+1)=xi(n)+Vi(n+1) (16)
式中,c1为个体学习因子,取值0.5;c2为社会学习因子,取值0.5;r1、r2为[0,1]范围内的随机数,增加粒子寻优的随机性;ω为粒子维持历史速度的权重,取值0.9;
步骤3.4.2、粒子位置更新公式中包含历史经验、个体认知和社会学习三个部分,第一部分ωVi(n)反映了粒子运动的习惯,是其自身的历史经验;第二部分代表了粒子本身记忆最优值对下一次迭代速度的影响;第三部分反映了粒子间的合作以及种群的历史经验,体现出寻优过程中粒子有向历史最佳位置逼近的趋势;
步骤3.4.3、完成粒子速度和位置的更新后,根据下式对更新结果进行检验:
Xmin≤Xi,d≤Xmax (17)
Vmin≤Vi,d≤Vmax (18)
其中,Xi,d为粒子i第d维位置变量;Vi,d为粒子i第d维速度变量;
步骤3.4.4、对于超出约束范围的粒子采取在约束范围内随机产生一个可行解进行替代。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210836439.2A CN115275983A (zh) | 2022-07-15 | 2022-07-15 | 一种基于分布式资源聚类的光伏功率波动平抑控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210836439.2A CN115275983A (zh) | 2022-07-15 | 2022-07-15 | 一种基于分布式资源聚类的光伏功率波动平抑控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115275983A true CN115275983A (zh) | 2022-11-01 |
Family
ID=83764781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210836439.2A Pending CN115275983A (zh) | 2022-07-15 | 2022-07-15 | 一种基于分布式资源聚类的光伏功率波动平抑控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115275983A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116502111A (zh) * | 2023-06-27 | 2023-07-28 | 武汉大学 | 基于指标权重改进K-means++算法的分布式资源聚类方法及系统 |
CN116599087A (zh) * | 2023-06-12 | 2023-08-15 | 华能罗源发电有限责任公司 | 一种储能系统的调频策略优化方法及系统 |
-
2022
- 2022-07-15 CN CN202210836439.2A patent/CN115275983A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116599087A (zh) * | 2023-06-12 | 2023-08-15 | 华能罗源发电有限责任公司 | 一种储能系统的调频策略优化方法及系统 |
CN116599087B (zh) * | 2023-06-12 | 2024-02-06 | 华能罗源发电有限责任公司 | 一种储能系统的调频策略优化方法及系统 |
CN116502111A (zh) * | 2023-06-27 | 2023-07-28 | 武汉大学 | 基于指标权重改进K-means++算法的分布式资源聚类方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110365056B (zh) | 一种基于ddpg的分布式能源参与配电网调压优化方法 | |
CN105846461B (zh) | 一种大规模储能电站自适应动态规划的控制方法和系统 | |
CN115275983A (zh) | 一种基于分布式资源聚类的光伏功率波动平抑控制方法 | |
CN115577864B (zh) | 基于多模型组合运算的配电网运行优化调度方法 | |
CN107069776B (zh) | 一种平滑微网联络线功率的储能前瞻分布式控制方法 | |
CN110086187B (zh) | 计及负荷特性的储能调峰日前优化调度方法 | |
CN111722910B (zh) | 一种云作业调度及资源配置的方法 | |
CN110956324B (zh) | 基于改进的moea/d的主动配电网日前高维目标优化调度方法 | |
CN110826880A (zh) | 一种大规模电动汽车接入的主动配电网优化调度方法 | |
CN114819373A (zh) | 一种基于合作博弈的共享混合储能电站的储能规划方法 | |
CN109167347A (zh) | 基于云自适应粒子群多目标电动汽车充放电优化调度方法 | |
CN114725969B (zh) | 一种基于风电曲线连续追踪的电动汽车负荷聚合方法 | |
CN106961125B (zh) | 风水火电力系统动态经济调度的等式约束处理方法 | |
CN115759626A (zh) | 改进K-means++的多资源动态聚类方法及系统 | |
CN117578537A (zh) | 基于碳交易和需求响应的微电网优化调度方法 | |
CN110768827B (zh) | 一种基于群智能算法的任务卸载方法 | |
CN115422728A (zh) | 基于随机规划的鲁棒优化的虚拟电厂优化控制系统 | |
CN110599032A (zh) | 一种灵活电源的深度斯坦伯格自适应动态博弈方法 | |
CN113283654B (zh) | 基于聚合解列机制的微网群优化控制方法及系统 | |
CN108539799A (zh) | 一种电网中风电的调度方法及装置 | |
CN115293495A (zh) | 一种基于动态参与因子的调度指令分解方法和能源控制器 | |
CN113988567A (zh) | 一种储能共享控制方法及其控制系统 | |
CN113765125A (zh) | 一种氢储能系统集群功率分配方法 | |
CN113011718A (zh) | 基于和声搜索算法的配电网有功-无功联合优化调度方法 | |
CN117674197B (zh) | 利用虚拟电厂主动支撑的频率调节方法、存储介质及设备 |
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 |