CN115395562A - 配电网接入优化方法、装置、设备、存储介质及程序产品 - Google Patents
配电网接入优化方法、装置、设备、存储介质及程序产品 Download PDFInfo
- Publication number
- CN115395562A CN115395562A CN202211013131.4A CN202211013131A CN115395562A CN 115395562 A CN115395562 A CN 115395562A CN 202211013131 A CN202211013131 A CN 202211013131A CN 115395562 A CN115395562 A CN 115395562A
- Authority
- CN
- China
- Prior art keywords
- grid system
- voltage
- loss
- distributed energy
- node
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000005457 optimization Methods 0.000 title claims abstract description 47
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 210000000349 chromosome Anatomy 0.000 claims abstract description 45
- 238000013507 mapping Methods 0.000 claims abstract description 18
- 230000035772 mutation Effects 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 92
- 230000005611 electricity Effects 0.000 claims description 36
- 238000004590 computer program Methods 0.000 claims description 12
- 230000002068 genetic effect Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 238000009434 installation Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000000137 annealing Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000000739 chaotic effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000002922 simulated annealing Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003094 perturbing effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/08—Computing arrangements based on specific mathematical models using chaos models or non-linear system models
-
- 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
- H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
- H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected 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
- H02J3/24—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
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Nonlinear Science (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本公开实施例公开了一种配电网接入优化方法、装置、设备、可读存储介质及程序产品，所述配电网接入优化方法包括：在预设约束条件下进行参数初始化；随机生成n个染色体，形成初始种群；进行Logistic映射；对种群个体进行交叉、变异操作；计算每个染色体对应的适应度函数值，若当代最优个体适应度函数值小于历史个体适应度函数值，接受该个体，遗传到下一代，记录此时分布式能源的位置和容量大小，转入最后一个步骤，否则转入下一步骤；对染色体进行扰动，以预设概率将扰动后的染色体遗传到下一代；判断是否满足迭代结束条件，若满足，输出此时得到的目标函数值及对应的分布式能源接入位置和容量，否则，迭代次数加一，返回映射步骤。
Description
技术领域
本公开涉及数据通信技术领域，具体涉及一种配电网接入优化方法、装置、设备、存储介质及程序产品。
背景技术
分布式能源(Distributed Energy Resources,DER)的逐渐接入，对传统模式的配电网规划和运行提出了新的挑战和要求。为了适应这种新的形式，传统的无源配电网必须向具备潮流主动控制能力和与负荷互动能力的主动配电网(Active DistributionNerwork ADN)转变。因此配电网规划和运行人员必须充分考虑DER对电网的影响。
目前，有关DER接入电网的各项研究正在各地有条不紊地开展，DER合理、有序接入电网对于全社会的节能环保、降低碳排放，推动经济社会的可持续发展具有重要意义。但大量DER的接入对电网的规划、建设和运行而言是一把双刃剑。如果DER接入的位置、容量或者类型选择不当，也可能会对系统损耗、电能质量、无功管理和电压调整、保护控制以及电网安全、稳定运行产生一定的负面影响，因此需认真研究和应对DER大量接入配电网带来的积极和消极影响，并提出响应的解决方法，实现配网用电效率的最大化。
分布式能源的合理配置能够有效改善配电网电能质量，降低网络损耗以及提高配电网运行的稳定性。分布式能源的配置问题实质上是复杂的非线性组合优化问题，已经有大量的学者做了相关的研究。其中考虑电压质量、网络损耗、投资成本3个目标，提出了一种基于改进遗传算法解决分布式能源选址定容问题，但只考虑了单点接入的情况，具有一定的局限性。同时有相关学者提出了一种基于光学优化算法的选址定容方案，通过模拟光子在球形镜面的的传播过程，为变量寻优提供了一种新的解决思路，但原理较为复杂，不易编程和实现。有关研究采用损耗灵敏度优化单个分布式能源的接入位置和容量，虽然解析法求解速度快，但需要做大量简化假设，所得优化结果精度较低，建立了配电网有功网损最小和用户购电成本最小的目标函数，为了解决算法容易陷入局部最优解的问题，提出了一种混沌改进的多目标猫群算法来解决分布式能源优化配置问题，但需要设置的参数难以理解，不适合进行调整。
本专利提出了一种基于混沌遗传模拟退火算法，建立联合以电网系统网损总量、最小节点电压、平均电压偏差、用户购电成本为目标函数的优化模型，实现分布式能源的选址与定容，利用加权的方法实现将目标函数单一化，采用混沌遗传模拟退火算法对优化模型进行求解，寻找到函数最优时所对应的分布式能源并网接入的最佳位置和最佳容量大小，从而在不改变电网架构和增加补偿设备的情况下，通过优化配置分布式能源有效改分布式能源接入配电网问题。
发明内容
本公开实施例提供一种配电网接入优化方法、装置、设备、存储介质及程序产品。
第一方面，本公开实施例中提供了一种配电网接入优化方法。
具体的，所述配电网接入优化方法，包括：
步骤S101，在预设约束条件下对于参数进行初始化，其中，所述参数包括：最大迭代次数MAXGEN，目标函数中的多个权重参数；
步骤S102，设定当前迭代次数Gen＝1，在所述预设约束条件下随机生成n个染色体，形成关于分布式能源接入位置的初始种群{x1,x2,x3,…xn}；
步骤S103，对所述初始种群进行Logistic映射，以实现种群状态和个体的更新；
步骤S104，对所述种群个体进行交叉、变异操作；
步骤S105中，计算所述种群中每个染色体对应的适应度函数的值，若当代最优个体的适应度函数值小于历史个体适应度函数值，则接受该个体，遗传到下一代，并记录此时的分布式能源的位置和容量大小，转入步骤S107，否则转入步骤S106；
步骤S106，对染色体进行扰动，并以预设概率将扰动后的染色体遗传到下一代；
步骤S107中，判断是否满足迭代结束条件，若满足，则输出此时得到的目标函数值及对应的分布式能源接入位置和容量，若不满足，则迭代次数加一，返回所述步骤S103。
在本公开一种实现方式中，所述目标函数为综和考虑电网系统最小电压、电网系统平均电压偏差、网损总量以及用户购电成本的目标函数。
在本公开一种实现方式中，所述目标函数表示为：
minF(x)＝αWL-βU+γΔ+λCe，
其中，F(x)表示电网系统网损总量WL、电网系统最小电压U、电网系统平均电压偏差Δ、用户购电成本Ce的加权和；α、β、γ和λ为权重参数，且α+β+γ+λ＝1。
在本公开一种实现方式中，所述电网系统网损总量WL表示为：
其中，WL为电网系统网损总量，Nb表示电网支路总数，Gk表示i节点及j节点间的第k条支路的电导，Ui为节点i的电压幅值，Uj为节点j的电压幅值，δij表示两节点之间的电压相角差。
在本公开一种实现方式中，所述电网系统最小电压U表示为：
其中，U*表示电压的标么值；
表示电压的最小标么值；M表示电网系统线路中的节点总数，
表示第i个节点的电压的标么值。
在本公开一种实现方式中，所述电网系统平均电压偏差Δ表示为：
其中，M表示电网系统线路中的节点总数，
表示第i个节点的电压的标么值。
在本公开一种实现方式中，所述用户购电成本Ce表示为：
Ce＝(Pw-P∑DG-ΔPL)TmaxCpu＝[Pw-P∑DG-(Ploss-P′loss)]TmaxCpu
其中，Ce表示用户购电成本，Tmax表示负荷的最大利用小时数，Pw为表示电网系统的总容量，P∑DG表示总的分布式能源有功输出，Ploss和P′loss分别表示优化前及接入分布式能源后的网损；Cpu表示实时电价；△PL表示优化前后接入分布式能源的网损差。
在本公开一种实现方式中，所述预设约束条件包括：节点功率平衡约束条件、节点电压约束条件、配电线路的极限传输功率约束条件和分布式能源安装总容量限制条件。
在本公开一种实现方式中，所述预设概率表示为：
其中，xn+1表示对于xn进行扰动后得到的解，T表示两个状态间改变过程的持续时间。
第二方面，本公开实施例中提供了一种配电网接入优化装置。
具体的，所述配电网接入优化装置，包括：
初始化模块，被配置为在预设约束条件下对于参数进行初始化，其中，所述参数包括：最大迭代次数MAXGEN，目标函数中的多个权重参数；
生成模块，被配置为设定当前迭代次数Gen＝1，在所述预设约束条件下随机生成n个染色体，形成关于分布式能源接入位置的初始种群{x1,x2,x3,…xn}；
映射模块，被配置为对所述初始种群进行Logistic映射，以实现种群状态和个体的更新；
变异模块，被配置为对所述种群个体进行交叉、变异操作；
遗传模块，被配置为计算所述种群中每个染色体对应的适应度函数的值，若当代最优个体的适应度函数值小于历史个体适应度函数值，则接受该个体，遗传到下一代，并记录此时的分布式能源的位置和容量大小，转入输出模块，否则转入扰动模块；
扰动模块，被配置为对染色体进行扰动，并以预设概率将扰动后的染色体遗传到下一代；
输出模块，被配置为判断是否满足迭代结束条件，若满足，则输出此时得到的目标函数值及对应的分布式能源接入位置和容量，若不满足，则迭代次数加一，返回映射模块。
在本公开一种实现方式中，所述目标函数为综和考虑电网系统最小电压、电网系统平均电压偏差、网损总量以及用户购电成本的目标函数。
在本公开一种实现方式中，所述目标函数表示为：
minF(x)＝αWL-βU+γΔ+λCe，
其中，F(x)表示电网系统网损总量WL、电网系统最小电压U、电网系统平均电压偏差Δ、用户购电成本Ce的加权和；α、β、γ和λ为权重参数，且α+β+γ+λ＝1。
在本公开一种实现方式中，所述电网系统网损总量WL表示为：
其中，WL为电网系统网损总量，Nb表示电网支路总数，Gk表示i节点及j节点间的第k条支路的电导，Ui为节点i的电压幅值，Uj为节点j的电压幅值，δij表示两节点之间的电压相角差。
在本公开一种实现方式中，所述电网系统最小电压U表示为：
其中，U*表示电压的标么值；
表示电压的最小标么值；M表示电网系统线路中的节点总数，
表示第i个节点的电压的标么值。
在本公开一种实现方式中，所述电网系统平均电压偏差Δ表示为：
其中，M表示电网系统线路中的节点总数，
表示第i个节点的电压的标么值。
在本公开一种实现方式中，所述用户购电成本Ce表示为：
Ce＝(Pw-P∑DG-ΔPL)TmaxCpu＝[Pw-P∑DG-(Ploss-P′loss)]TmaxCpu
其中，Ce表示用户购电成本，Tmax表示负荷的最大利用小时数，Pw为表示电网系统的总容量，P∑DG表示总的分布式能源有功输出，Ploss和P′loss分别表示优化前及接入分布式能源后的网损；Cpu表示实时电价；△PL表示优化前后接入分布式能源的网损差。
在本公开一种实现方式中，所述预设约束条件包括：节点功率平衡约束条件、节点电压约束条件、配电线路的极限传输功率约束条件和分布式能源安装总容量限制条件。
在本公开一种实现方式中，所述预设概率表示为：
其中，xn+1表示对于xn进行扰动后得到的解，T表示两个状态间改变过程的持续时间。
第三方面，本公开实施例提供了一种电子设备，包括存储器和至少一个处理器，其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述至少一个处理器执行以实现上述配电网接入优化方法的方法步骤。
第四方面，本公开实施例提供了一种计算机可读存储介质，用于存储配电网接入优化装置所用的计算机指令，其包含用于执行上述配电网接入优化方法为配电网接入优化装置所涉及的计算机指令。
第五方面，本公开实施例提供了一种计算机程序产品，包括计算机程序/指令，其中，该计算机程序/指令被处理器执行时实现上述配电网接入优化方法的方法步骤。
本公开实施例提供的技术方案可以包括以下有益效果：
上述技术方案通过建立综和考虑电网系统最小电压、电网系统平均电压偏差、网损总量以及用户购电成本等多个子目标的目标函数，以及包括节点功率平衡约束条件、节点电压约束条件、配电线路的极限传输功率约束条件和分布式能源安装总容量限制条件的预设约束条件，借助混沌遗传模拟退火算法来实现分布式能源的选址与定容。该技术方案通过引入混沌系统增加了解的多样性及遍历性，借助遗传算法实现了全局优化，并结合模拟退火算法找到局部最优解，最终实现了分布式能源的优化接入。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
结合附图，通过以下非限制性实施方式的详细描述，本公开的其它特征、目的和优点将变得更加明显。在附图中：
图1示出根据本公开一实施方式的配电网接入优化方法的流程图；
图2示出根据本公开一实施方式的配电网接入优化装置的结构框图；
图3示出根据本公开一实施方式的电子设备的结构框图；
图4是适于用来实现根据本公开一实施方式的配电网接入优化方法的计算机系统的结构示意图。
具体实施方式
下文中，将参考附图详细描述本公开的示例性实施方式，以使本领域技术人员可容易地实现它们。此外，为了清楚起见，在附图中省略了与描述示例性实施方式无关的部分。
在本公开中，应理解，诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在，并且不欲排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。
另外还需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
本公开实施例提供的技术方案通过建立综和考虑电网系统最小电压、电网系统平均电压偏差、网损总量以及用户购电成本等多个子目标的目标函数，以及包括节点功率平衡约束条件、节点电压约束条件、配电线路的极限传输功率约束条件和分布式能源安装总容量限制条件的预设约束条件，借助混沌遗传模拟退火算法来实现分布式能源的选址与定容。该技术方案通过引入混沌系统增加了解的多样性及遍历性，借助遗传算法实现了全局优化，并结合模拟退火算法找到局部最优解，最终实现了分布式能源的优化接入。
图1示出根据本公开一实施方式的配电网接入优化方法的流程图，如图1所示，所述配电网接入优化方法包括以下步骤S101-S107：
在步骤S101中，在预设约束条件下对于参数进行初始化，其中，所述参数包括：最大迭代次数MAXGEN，目标函数中的多个权重参数；
在本公开一实施方式中，所述目标函数指的是综和考虑电网系统最小电压、电网系统平均电压偏差、网损总量以及用户购电成本等多个子目标的目标函数，即所述目标函数的目标为在电网系统最小电压最大、电网系统平均电压偏差最小、电网系统网损总量最小以及用户购电成本最小等多个子目标中寻求平衡。考虑到由于多个子目标可能会相互存在矛盾，并且量纲也会有所不同，不利于进行统一寻优处理，因此需要对于上述多个子目标进行归一化操作。即，所述目标函数可表示为：
minF(x)＝αWL-βU+γΔ+λCe，
其中，F(x)表示电网系统网损总量WL、电网系统最小电压U、电网系统平均电压偏差Δ、用户购电成本Ce的加权和；α、β、γ和λ为权重参数，且α+β+γ+λ＝1，所述权重参数可根据实际应用的需要以及不同子目标的重要程度进行设置。
考虑到分布式能源接入配电网，可改变配电网中的潮流分布，从而引起网络损耗量的变化，因此，为了兼具配电网运行的经济性，所述目标函数需考虑电网系统网损总量这一因素。在本公开一实施方式中，所述电网系统网损总量WL可表示为：
其中：WL为电网系统网损总量，也即电网系统的有功网络损耗，Nb表示电网支路总数，Gk表示i节点及j节点间的第k条支路的电导，Ui为节点i的电压幅值，Uj为节点j的电压幅值，δij表示两节点之间的电压相角差。
在本公开一实施方式中，电网系统最小电压U为用于描述电网中低电压情况的重要指标，如果整个电网系统中的最小电压得到显著提升，则电网系统中的低电压情况也将会得到大幅度的改善，所述电网系统最小电压U可表示为：
其中，U*表示电压的标么值；
表示电压的最小标么值；M表示电网系统线路中的节点总数，
表示第i个节点的电压的标么值。
由于分布式能源接入配电网会引起潮流的变化，节点电压可能会因此出现偏离额定电压的情况，因此，在本公开一实施方式中，采用电网系统平均电压偏差Δ来描述配电网的电压质量。所述电网系统平均电压偏差Δ可表示为：
在本公开一实施方式中，所述用户购电成本Ce可表示为：
Ce＝(Pw-P∑DG-ΔPL)TmaxCpu＝[Pw-P∑DG-(Ploss-P′loss)]TmaxCpu
其中，Ce表示用户购电成本，Tmax表示负荷的最大利用小时数，Pw为表示电网系统的总容量，P∑DG表示总的分布式能源有功输出，Ploss和P′loss分别表示优化前及接入分布式能源后的网损；Cpu表示实时电价；△PL表示优化前后接入分布式能源的网损差。
在本公开一实施方式中，所述预设约束条件可包括以下几个约束条件：
(1)节点功率平衡约束条件
其中，M表示电网系统中的节点总数；Pi+jQi表示节点i的注入总功率；
表示节点i的电压；Gij+jBij表示两节点i、j间的导纳。
(2)节点电压约束条件
Uimin≤Ui≤Uimax
其中，Uimax和Uimin分别表示节点电压的上下限值。
(3)配电线路的极限传输功率约束条件
Pij<Pij,max
其中,Pij表示节点i到节点j的传输功率。
(4)分布式能源安装总容量限制条件
其中，η为分布式能源接入总容量占负荷总容量的比例上限，为已知量，η<＝1，PDGi是第i个节点的分布式能源有功输出，P为系统负荷总容量。
在本公开一实施方式中，可将所述目标函数中的多个权重参数初始化为：α＝β＝γ＝λ＝0.25。
在步骤S102中，设定当前迭代次数Gen＝1，在所述预设约束条件下随机生成n个染色体，形成关于分布式能源接入位置的初始种群{x1,x2,x3,…xn}，即使用染色体来表征分布式能源接入的位置，比如，对于IEEE-33节点，接入的能源数量为3，生成6条染色体，则染色体x1可以初始化为x1＝[4,9,31]，表示三个能源的接入位置为4,9,31点，同理即可生成x2、x3、x4、x5、x6，组成初始种群；
在步骤S103中，对所述初始种群进行Logistic映射，以实现种群状态和个体的更新；
在本公开一实施方式中，Logistic映射方程可表示为：
xn+1＝μxn(1-xn),n＝1,2,3,…；μ∈(3.57,4]；xi∈[0,1]
其中，xn表示状态变量，μ为混沌控制参数。
比如，借助上述Logistic映射方程，染色体x1[4,9,31]可变成[4,10,28]。
在步骤S104中，对所述种群个体进行交叉、变异操作；
该步骤为遗传算法的常用步骤，在此不再赘述。
在步骤S105中，计算所述种群中每个染色体对应的适应度函数的值，若当代最优个体的适应度函数值小于历史个体适应度函数值，则接受该个体，遗传到下一代，并记录此时的分布式能源的位置和容量大小，转入步骤S107，否则转入步骤S106；
其中，所述适应度函数是用来判断群体中个体的优劣程度的指标，在本公开一实施方式中，所述适应度函数即为所述目标函数，即根据所述染色体所表征的能源接入位置计算相应的目标函数值。
其中，当代最优个体的适应度函数值指的是当代目标函数值最小的个体所对应的目标函数值；历史个体适应度函数值指的是历史计算得到的个体所对应的目标函数值。
在该步骤中，首先计算所述种群中每个染色体对应的适应度函数的值，然后确定当代最优个体的适应度函数值，若当代最优个体的适应度函数值小于历史个体适应度函数值，则接受该个体，对其进行存储操作，作为当前最优解，遗传到下一代，并记录此时的分布式能源的位置和容量大小，转入步骤S107，否则，若当代最优个体的适应度函数值不小于历史个体适应度函数值，则转入步骤S106。
在步骤S106中，对染色体进行扰动，并以预设概率将扰动后的染色体遗传到下一代；
很明显，转入步骤S106的染色体不是最优解，因此，在本公开一实施方式中，首先对染色体进行扰动，然后以一定的概率将扰动后的染色体遗传到下一次，再次寻找最优解。
其中，所述预设概率可表示为：
其中，xn+1表示对于xn进行扰动后得到的解，T表示两个状态间改变过程的持续时间。
在步骤S107中，判断是否满足迭代结束条件，若满足，则输出此时得到的目标函数值及对应的分布式能源接入位置和容量，若不满足，则迭代次数加一，返回所述步骤S103。
其中，所述迭代结束条件比如可以设置为迭代次数达到最大迭代次数。
下述为本公开装置实施例，可以用于执行本公开方法实施例。
图2示出根据本公开一实施方式的配电网接入优化装置的结构框图，该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。如图2所示，所述配电网接入优化装置包括：
初始化模块201，被配置为在预设约束条件下对于参数进行初始化，其中，所述参数包括：最大迭代次数MAXGEN，目标函数中的多个权重参数；
在本公开一实施方式中，所述目标函数指的是综和考虑电网系统最小电压、电网系统平均电压偏差、网损总量以及用户购电成本等多个子目标的目标函数，即所述目标函数的目标为在电网系统最小电压最大、电网系统平均电压偏差最小、电网系统网损总量最小以及用户购电成本最小等多个子目标中寻求平衡。考虑到由于多个子目标可能会相互存在矛盾，并且量纲也会有所不同，不利于进行统一寻优处理，因此需要对于上述多个子目标进行归一化操作。即，所述目标函数可表示为：
minF(x)＝αWL-βU+γΔ+λCe，
其中，F(x)表示电网系统网损总量WL、电网系统最小电压U、电网系统平均电压偏差Δ、用户购电成本Ce的加权和；α、β、γ和λ为权重参数，且α+β+γ+λ＝1，所述权重参数可根据实际应用的需要以及不同子目标的重要程度进行设置。
考虑到分布式能源接入配电网，可改变配电网中的潮流分布，从而引起网络损耗量的变化，因此，为了兼具配电网运行的经济性，所述目标函数需考虑电网系统网损总量这一因素。在本公开一实施方式中，所述电网系统网损总量WL可表示为：
其中：WL为电网系统网损总量，也即电网系统的有功网络损耗，Nb表示电网支路总数，Gk表示i节点及j节点间的第k条支路的电导，Ui为节点i的电压幅值，Uj为节点j的电压幅值，δij表示两节点之间的电压相角差。
在本公开一实施方式中，电网系统最小电压U为用于描述电网中低电压情况的重要指标，如果整个电网系统中的最小电压得到显著提升，则电网系统中的低电压情况也将会得到大幅度的改善，所述电网系统最小电压U可表示为：
其中，U*表示电压的标么值；
表示电压的最小标么值；M表示电网系统线路中的节点总数，
表示第i个节点的电压的标么值。
由于分布式能源接入配电网会引起潮流的变化，节点电压可能会因此出现偏离额定电压的情况，因此，在本公开一实施方式中，采用电网系统平均电压偏差Δ来描述配电网的电压质量。所述电网系统平均电压偏差Δ可表示为：
在本公开一实施方式中，所述用户购电成本Ce可表示为：
Ce＝(Pw-P∑DG-ΔPL)TmaxCpu＝[Pw-P∑DG-(Ploss-P′loss)]TmaxCpu
其中，Ce表示用户购电成本，Tmax表示负荷的最大利用小时数，Pw为表示电网系统的总容量，P∑DG表示总的分布式能源有功输出，Ploss和P′loss分别表示优化前及接入分布式能源后的网损；Cpu表示实时电价；△PL表示优化前后接入分布式能源的网损差。
在本公开一实施方式中，所述预设约束条件可包括以下几个约束条件：
(1)节点功率平衡约束条件
其中，M表示电网系统中的节点总数；Pi+jQi表示节点i的注入总功率；
表示节点i的电压；Gij+jBij表示两节点i、j间的导纳。
(2)节点电压约束条件
Uimin≤Ui≤Uimax
其中，Uimax和Uimin分别表示节点电压的上下限值。
(3)配电线路的极限传输功率约束条件
Pij<Pij,max
其中,Pij表示节点i到节点j的传输功率。
(4)分布式能源安装总容量限制条件
其中，η为分布式能源接入总容量占负荷总容量的比例上限，为已知量，η<＝1，PDGi是第i个节点的分布式能源有功输出，P为系统负荷总容量。
在本公开一实施方式中，可将所述目标函数中的多个权重参数初始化为：α＝β＝γ＝λ＝0.25。
生成模块202，被配置为设定当前迭代次数Gen＝1，在所述预设约束条件下随机生成n个染色体，形成关于分布式能源接入位置的初始种群{x1,x2,x3,…xn}，即使用染色体来表征分布式能源接入的位置，比如，对于IEEE-33节点，接入的能源数量为3，生成6条染色体，则染色体x1可以初始化为x1＝[4,9,31]，表示三个能源的接入位置为4,9,31点，同理即可生成x2、x3、x4、x5、x6，组成初始种群；
映射模块203，被配置为对所述初始种群进行Logistic映射，以实现种群状态和个体的更新；
在本公开一实施方式中，Logistic映射方程可表示为：
xn+1＝μxn(1-xn),n＝1,2,3,…；μ∈(3.57,4]；xi∈[0,1]
其中，xn表示状态变量，μ为混沌控制参数。
比如，借助上述Logistic映射方程，染色体x1[4,9,31]可变成[4,10,28]。
变异模块204，被配置为对所述种群个体进行交叉、变异操作；
该部分为遗传算法的常用部分，在此不再赘述。
遗传模块205，被配置为计算所述种群中每个染色体对应的适应度函数的值，若当代最优个体的适应度函数值小于历史个体适应度函数值，则接受该个体，遗传到下一代，并记录此时的分布式能源的位置和容量大小，转入输出模块，否则转入扰动模块；
其中，所述适应度函数是用来判断群体中个体的优劣程度的指标，在本公开一实施方式中，所述适应度函数即为所述目标函数，即根据所述染色体所表征的能源接入位置计算相应的目标函数值。
其中，当代最优个体的适应度函数值指的是当代目标函数值最小的个体所对应的目标函数值；历史个体适应度函数值指的是历史计算得到的个体所对应的目标函数值。
在该部分中，首先计算所述种群中每个染色体对应的适应度函数的值，然后确定当代最优个体的适应度函数值，若当代最优个体的适应度函数值小于历史个体适应度函数值，则接受该个体，对其进行存储操作，作为当前最优解，遗传到下一代，并记录此时的分布式能源的位置和容量大小，转入输出模块，否则，若当代最优个体的适应度函数值不小于历史个体适应度函数值，则转入扰动模块。
扰动模块206，被配置为对染色体进行扰动，并以预设概率将扰动后的染色体遗传到下一代；
很明显，转入扰动模块的染色体不是最优解，因此，在本公开一实施方式中，首先对染色体进行扰动，然后以一定的概率将扰动后的染色体遗传到下一次，再次寻找最优解。
其中，所述预设概率可表示为：
其中，xn+1表示对于xn进行扰动后得到的解，T表示两个状态间改变过程的持续时间。
输出模块207，被配置为判断是否满足迭代结束条件，若满足，则输出此时得到的目标函数值及对应的分布式能源接入位置和容量，若不满足，则迭代次数加一，返回映射模块。
其中，所述迭代结束条件比如可以设置为迭代次数达到最大迭代次数。
本公开还公开了一种电子设备，图3示出根据本公开一实施方式的电子设备的结构框图，如图3所示，所述电子设备300包括存储器301和处理器302；其中，
所述存储器301用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器302执行以实现上述方法步骤。
图4是适于用来实现根据本公开一实施方式的配电网接入优化方法的计算机系统的结构示意图。
如图4所示，计算机系统400包括处理单元401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储部分408加载到随机访问存储器(RAM)403中的程序而执行上述实施方式中的各种处理。在RAM403中，还存储有计算机系统400操作所需的各种程序和数据。处理单元401、ROM402以及RAM403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
以下部件连接至I/O接口405：包括键盘、鼠标等的输入部分406；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分407；包括硬盘等的存储部分408；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器410上，以便于从其上读出的计算机程序根据需要被安装入存储部分408。其中，所述处理单元401可实现为CPU、GPU、TPU、FPGA、NPU等处理单元。
特别地，根据本公开的实施方式，上文描述的方法可以被实现为计算机软件程序。例如，本公开的实施方式包括一种计算机程序产品，其包括有形地包含在及其可读介质上的计算机程序，所述计算机程序包含用于执行所述方法的程序代码。在这样的实施方式中，该计算机程序可以通过通信部分409从网络上被下载和安装，和/或从可拆卸介质411被安装。
附图中的流程图和框图，图示了按照本公开各种实施方式的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，路程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施方式中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面，本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施方式中所述装置中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本公开的方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (21)
1.一种配电网接入优化方法，包括：
步骤S101，在预设约束条件下对于参数进行初始化，其中，所述参数包括：最大迭代次数MAXGEN，目标函数中的多个权重参数；
步骤S102，设定当前迭代次数Gen＝1，在所述预设约束条件下随机生成n个染色体，形成关于分布式能源接入位置的初始种群{x1,x2,x3,…xn}；
步骤S103，对所述初始种群进行Logistic映射，以实现种群状态和个体的更新；
步骤S104，对所述种群个体进行交叉、变异操作；
步骤S105中，计算所述种群中每个染色体对应的适应度函数的值，若当代最优个体的适应度函数值小于历史个体适应度函数值，则接受该个体，遗传到下一代，并记录此时的分布式能源的位置和容量大小，转入步骤S107，否则转入步骤S106；
步骤S106，对染色体进行扰动，并以预设概率将扰动后的染色体遗传到下一代；
步骤S107中，判断是否满足迭代结束条件，若满足，则输出此时得到的目标函数值及对应的分布式能源接入位置和容量，若不满足，则迭代次数加一，返回所述步骤S103。
2.根据权利要求1所述的方法，所述目标函数为综和考虑电网系统最小电压、电网系统平均电压偏差、网损总量以及用户购电成本的目标函数。
3.根据权利要求1或2所述的方法，所述目标函数表示为：
minF(x)＝αWL-βU+γΔ+λCe，
其中，F(x)表示电网系统网损总量WL、电网系统最小电压U、电网系统平均电压偏差Δ、用户购电成本Ce的加权和；α、β、γ和λ为权重参数，且α+β+γ+λ＝1。
4.根据权利要求3所述的方法，所述电网系统网损总量WL表示为：
其中，WL为电网系统网损总量，Nb表示电网支路总数，Gk表示i节点及j节点间的第k条支路的电导，Ui为节点i的电压幅值，Uj为节点j的电压幅值，δij表示两节点之间的电压相角差。
5.根据权利要求3所述的方法，所述电网系统最小电压U表示为：
其中，U*表示电压的标么值；
表示电压的最小标么值；M表示电网系统线路中的节点总数，
表示第i个节点的电压的标么值。
6.根据权利要求3所述的方法，所述电网系统平均电压偏差Δ表示为：
其中，M表示电网系统线路中的节点总数，
表示第i个节点的电压的标么值。
7.根据权利要求3所述的方法，所述用户购电成本Ce表示为：
Ce＝(Pw-P∑DG-ΔPL)TmaxCpu＝[Pw-P∑DG-(Ploss-P′loss)]TmaxCpu
其中，Ce表示用户购电成本，Tmax表示负荷的最大利用小时数，Pw为表示电网系统的总容量，P∑DG表示总的分布式能源有功输出，Ploss和P′loss分别表示优化前及接入分布式能源后的网损；Cpu表示实时电价；△PL表示优化前后接入分布式能源的网损差。
8.根据权利要求3所述的方法，所述预设约束条件包括：节点功率平衡约束条件、节点电压约束条件、配电线路的极限传输功率约束条件和分布式能源安装总容量限制条件。
9.根据权利要求3所述的方法，所述预设概率表示为：
其中，xn+1表示对于xn进行扰动后得到的解，T表示两个状态间改变过程的持续时间。
10.一种配电网接入优化装置，包括：
初始化模块，被配置为在预设约束条件下对于参数进行初始化，其中，所述参数包括：最大迭代次数MAXGEN，目标函数中的多个权重参数；
生成模块，被配置为设定当前迭代次数Gen＝1，在所述预设约束条件下随机生成n个染色体，形成关于分布式能源接入位置的初始种群{x1,x2,x3,…xn}；
映射模块，被配置为对所述初始种群进行Logistic映射，以实现种群状态和个体的更新；
变异模块，被配置为对所述种群个体进行交叉、变异操作；
遗传模块，被配置为计算所述种群中每个染色体对应的适应度函数的值，若当代最优个体的适应度函数值小于历史个体适应度函数值，则接受该个体，遗传到下一代，并记录此时的分布式能源的位置和容量大小，转入输出模块，否则转入扰动模块；
扰动模块，被配置为对染色体进行扰动，并以预设概率将扰动后的染色体遗传到下一代；
输出模块，被配置为判断是否满足迭代结束条件，若满足，则输出此时得到的目标函数值及对应的分布式能源接入位置和容量，若不满足，则迭代次数加一，返回映射模块。
11.根据权利要求10所述的方法，所述目标函数为综和考虑电网系统最小电压、电网系统平均电压偏差、网损总量以及用户购电成本的目标函数。
12.根据权利要求10或11所述的方法，所述目标函数表示为：
minF(x)＝αWL-βU+γΔ+λCe，
其中，F(x)表示电网系统网损总量WL、电网系统最小电压U、电网系统平均电压偏差Δ、用户购电成本Ce的加权和；α、β、γ和λ为权重参数，且α+β+γ+λ＝1。
13.根据权利要求12所述的方法，所述电网系统网损总量WL表示为：
其中，WL为电网系统网损总量，Nb表示电网支路总数，Gk表示i节点及j节点间的第k条支路的电导，Ui为节点i的电压幅值，Uj为节点j的电压幅值，δij表示两节点之间的电压相角差。
14.根据权利要求12所述的方法，所述电网系统最小电压U表示为：
其中，U*表示电压的标么值；
表示电压的最小标么值；M表示电网系统线路中的节点总数，
表示第i个节点的电压的标么值。
15.根据权利要求12所述的方法，所述电网系统平均电压偏差Δ表示为：
其中，M表示电网系统线路中的节点总数，
表示第i个节点的电压的标么值。
16.根据权利要求12所述的方法，所述用户购电成本Ce表示为：
Ce＝(Pw-P∑DG-ΔPL)TmaxCpu＝[Pw-P∑DG-(Ploss-P′loss)]TmaxCpu
其中，Ce表示用户购电成本，Tmax表示负荷的最大利用小时数，Pw为表示电网系统的总容量，P∑DG表示总的分布式能源有功输出，Ploss和P′loss分别表示优化前及接入分布式能源后的网损；Cpu表示实时电价；△PL表示优化前后接入分布式能源的网损差。
17.根据权利要求12所述的方法，所述预设约束条件包括：节点功率平衡约束条件、节点电压约束条件、配电线路的极限传输功率约束条件和分布式能源安装总容量限制条件。
18.根据权利要求12所述的方法，所述预设概率表示为：
其中，xn+1表示对于xn进行扰动后得到的解，T表示两个状态间改变过程的持续时间。
19.一种电子设备，其特征在于，包括存储器和至少一个处理器；其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述至少一个处理器执行以实现权利要求1-9任一项所述的方法步骤。
20.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该计算机指令被处理器执行时实现权利要求1-9任一项所述的方法步骤。
21.一种计算机程序产品，包括计算机程序/指令，其中，该计算机程序/指令被处理器执行时实现权利要求1-9任一项所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211013131.4A CN115395562A (zh) | 2022-08-23 | 2022-08-23 | 配电网接入优化方法、装置、设备、存储介质及程序产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211013131.4A CN115395562A (zh) | 2022-08-23 | 2022-08-23 | 配电网接入优化方法、装置、设备、存储介质及程序产品 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115395562A true CN115395562A (zh) | 2022-11-25 |
Family
ID=84119973
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211013131.4A Pending CN115395562A (zh) | 2022-08-23 | 2022-08-23 | 配电网接入优化方法、装置、设备、存储介质及程序产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115395562A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116739311A (zh) * | 2023-08-11 | 2023-09-12 | 山东赛马力发电设备有限公司 | 一种含多能量枢纽综合能源系统规划方法及系统 |
-
2022
- 2022-08-23 CN CN202211013131.4A patent/CN115395562A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116739311A (zh) * | 2023-08-11 | 2023-09-12 | 山东赛马力发电设备有限公司 | 一种含多能量枢纽综合能源系统规划方法及系统 |
| CN116739311B (zh) * | 2023-08-11 | 2023-11-07 | 山东赛马力发电设备有限公司 | 一种含多能量枢纽综合能源系统规划方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hossain et al. | Energy management of community energy storage in grid-connected microgrid under uncertain real-time prices | |
| Luo et al. | Short‐term operational planning framework for virtual power plants with high renewable penetrations | |
| Glotić et al. | Short-term combined economic and emission hydrothermal optimization by surrogate differential evolution | |
| Jasmin et al. | Reinforcement learning approaches to economic dispatch problem | |
| CN112636396B (zh) | 光伏配电网控制方法及终端 | |
| Hinojosa et al. | Short-term hydrothermal generation scheduling solved with a mixed-binary evolutionary particle swarm optimizer | |
| CN110518580A (zh) | 一种考虑微网主动优化的主动配电网运行优化方法 | |
| Parizad et al. | Application of HSA and GA in optimal placement of FACTS devices considering voltage stability and losses | |
| CN113159835A (zh) | 基于人工智能的发电侧电价报价方法、装置、存储介质及电子设备 | |
| Li et al. | Robust optimization approach with acceleration strategies to aggregate an active distribution system as a virtual power plant | |
| CN113300380A (zh) | 一种基于负荷曲线分段的配电网无功优化补偿方法 | |
| CN115085202A (zh) | 电网多区域智能功率协同优化方法、装置、设备及介质 | |
| Babić et al. | Transmission expansion planning based on Locational Marginal Prices and ellipsoidal approximation of uncertainties | |
| CN115395562A (zh) | 配电网接入优化方法、装置、设备、存储介质及程序产品 | |
| CN117291095A (zh) | 一种虚拟电厂与配电网协同互动方法、装置、设备及介质 | |
| Yang et al. | Optimal modification of peak-valley period under multiple time-of-use schemes based on dynamic load point method considering reliability | |
| CN115169157A (zh) | 基于多目标花朵授粉算法的电氢混合储能优化配置方法 | |
| CN110611305A (zh) | 考虑配网电压越限风险的光伏接入规划方法 | |
| CN112600256B (zh) | 微网电力控制方法 | |
| Yang et al. | A nonlinear control method for price-based demand response program in smart grid | |
| CN114399369B (zh) | 一种配电网侧多利益主体随机动态交易博弈方法 | |
| CN112232983A (zh) | 一种主动配电网储能优化配置方法、电子设备及存储介质 | |
| Lezama et al. | Evolutionary framework for multi-dimensional signaling method applied to energy dispatch problems in smart grids | |
| Zakeri et al. | The effect of different non-linear demand response models considering incentive and penalty on transmission expansion planning | |
| Aragón et al. | Stochastic optimization framework for online scheduling of an EV charging station in a residential place with photovoltaics and energy storage 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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230526 Address after: 100192 building 3, A District, Dongsheng science and Technology Park, Zhongguancun, 66 Haidian District West Road, Beijing. Applicant after: BEIJING SMARTCHIP MICROELECTRONICS TECHNOLOGY Co.,Ltd. Applicant after: STATE GRID HENAN ELECTRIC POWER CORPORATION ELECTRIC POWER SCIENCE Research Institute Applicant after: STATE GRID HENAN ELECTRIC POWER Co. Applicant after: STATE GRID CORPORATION OF CHINA Address before: 100192 building 3, A District, Dongsheng science and Technology Park, Zhongguancun, 66 Haidian District West Road, Beijing. Applicant before: BEIJING SMARTCHIP MICROELECTRONICS TECHNOLOGY Co.,Ltd. Applicant before: STATE GRID HENAN ELECTRIC POWER Co. Applicant before: STATE GRID CORPORATION OF CHINA |