CN115441440A - 一种基于分布式新能源聚合的配电网弹性提升方法及系统 - Google Patents

一种基于分布式新能源聚合的配电网弹性提升方法及系统 Download PDF

Info

Publication number
CN115441440A
CN115441440A CN202211152017.XA CN202211152017A CN115441440A CN 115441440 A CN115441440 A CN 115441440A CN 202211152017 A CN202211152017 A CN 202211152017A CN 115441440 A CN115441440 A CN 115441440A
Authority
CN
China
Prior art keywords
new energy
power
distributed
aggregation
distribution network
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
CN202211152017.XA
Other languages
English (en)
Inventor
刘菲
陈晨
别朝红
王毅钊
邵美阳
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.)
Xian Jiaotong University
Electric Power Research Institute of State Grid Shaanxi Electric Power Co Ltd
Original Assignee
Xian Jiaotong University
Electric Power Research Institute of State Grid Shaanxi 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 Xian Jiaotong University, Electric Power Research Institute of State Grid Shaanxi Electric Power Co Ltd filed Critical Xian Jiaotong University
Priority to CN202211152017.XA priority Critical patent/CN115441440A/zh
Publication of CN115441440A publication Critical patent/CN115441440A/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
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • 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
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas 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
    • H02J3/04—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
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy

Abstract

本发明公开了一种基于分布式新能源聚合的配电网弹性提升方法及系统，在能源转型的大背景下，提高分布式新能源机组对于配电系统弹性提升的作用。基于多元正态分布对新能源机组出力及负荷数据预测误差进行概率建模；利用快速前向场景削减得到随时间不断更新的典型出力曲线；搭建储能系统和分布式新能源机组的聚合模型；向配电网层输入聚合模型所对应的聚合特性，即电压频率范围及有功无功功率出力范围；设定最大化关键负荷恢复的优化目标以及各类约束条件；提升灾后配电系统的恢复能力。本发明在能源转型的大背景下解决高比例新能源接入配电网中的不确定性和波动性问题，提升灾后配电系统关键负荷恢复能力，为解决弹性配电网技术向实际工业应用迈进的关键突出问题奠定基础。

Description

一种基于分布式新能源聚合的配电网弹性提升方法及系统
技术领域
本发明属于配电系统恢复力提升技术领域，具体涉及一种基于分布式新能源聚合的配电网弹性提升方法及系统。
背景技术
目前，配电系统的冗余度较低、控制手段相对匮乏，大规模停电事故频发对生产生活造成严重影响；构建能有效抵御各类自然灾害与多元设备扰动，并能在灾害及扰动后实现快速恢复的弹性配电网成为配电网建设的迫切需要。
在能源转型过程中，风电、光伏等可再生能源将成为分布式配电系统的重要特征。分布式可再生能源可以与分布式储能协同可以为关键负荷提供应急电源，以应对自然灾害和恶意攻击造成的停电。
然而，目前大部分弹性配电网恢复力提升技术研究还存在着较多不足之处。新能源出力及负荷的不确定性、新能源机组与储能系统控制方式的变化以及配电系统运营商与电力系统之间的相互作用，给负荷恢复决策增加了越来越多的困难。现有灾后恢复问题中配电网分布式电源配置方式较为单一，没有考虑大规模新能源、储能及负荷聚合的特性，以及新能源和储能之间控制模式的协调配合。除此之外，大规模增加的决策变量使得优化求解过程效率变低，亟须研究高效的求解方法，因此需要利用分布式资源管理系统管理大规模分布式电源，并进行频率及电压控制，建立分布式资源管理系统与配电网决策信息交互的负荷恢复模型，实现极端事件后配电系统的快速恢复。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于分布式新能源聚合的配电网弹性提升方法及系统，用于解决配电网分布式电源配置方式单一，新能源和储能之间控制模式的协调配合以及求解效率不高的技术问题。
本发明采用以下技术方案：
一种基于分布式新能源聚合的配电网弹性提升方法，包括以下步骤：
S1、利用多元正态分布对多个分布式风电、光伏出力及负荷数据的预测数据进行概率建模，将采样的预测误差数据添加到预测曲线中，并通过快速前向选择法对场景进行概率再分配，筛选典型场景；
S2、利用步骤S1筛选的典型场景建立分布式储能系统和新能源机组的聚合模型，求解得出聚合模型的聚合特性；
S3、利用步骤S2得到的聚合模型的聚合特性作为输入参数，以不同权重系数下负荷恢复量最大为目标，考虑网络辐射拓扑约束、潮流约束及节点电压/电流约束、安全约束建立多时段配电网负荷恢复模型，求解得到各分布式电源出力情况、微网划分情况和负荷恢复结果。
具体的，步骤S1具体为：
S101、采用多元正态分布对多个新能源机组功率输出或负荷的预测出力数据进行概率建模，对于负荷恢复过程中的每一个时刻，采样预测误差数据，以反映新能源机组功率输出和负载的运行不确定性；
S102、将步骤S101得到的预测误差数据添加到相应的预测曲线中，生成新能源机组功率输出和负荷的时间序列场景；最后利用快速前向选择法对所有场景进行概率再分配，筛选典型场景。
进一步的，步骤S101中，预测误差数据fX(x1,...,xn)具体为：
Figure BDA0003857317300000021
其中，Xi为第i个预测误差，μ是所有预测误差的平均向量，Σ为协方差矩阵。
进一步的，步骤S102中，将预测误差数据添加到相应的预测曲线中具体为：
Figure BDA0003857317300000031
其中，Pi,s,t为第i个新能源机组或负荷在t时刻、场景s时的有功功率；
Figure BDA0003857317300000032
为第i个新能源机组或负荷在t时刻对应的预测值；Ei,s,t为采样后的预测误差数据。
具体的，步骤S2具体为：
S201、采用结合下垂控制的分散控制策略，同一节点接入的多个储能系统通过下垂控制共同支持所在微网的电压和频率；
S202、在步骤S201储能系统支撑电压和频率的前提下，多个新能源机组通过自适应功率控制向所在微网提供有功功率和无功功率；
S203、基于步骤S201和步骤S202的控制策略，利用分布式资源管理系统聚合多个分布式储能系统和新能源机组，监测上层配电网的需求信息，并分配和调整配置的每个新能源机组和储能的功率输出；利用Cplex求解储能系统和新能源机组的聚合模型得出聚合特性，即所能提供的有功和无功功率范围，以及对应的频率和电压范围。
进一步的，步骤S202中，时刻t和场景s下第n个新能源机组的有功功率
Figure BDA0003857317300000033
和无功功率
Figure BDA0003857317300000034
分别为：
Figure BDA0003857317300000035
Figure BDA0003857317300000036
其中，
Figure BDA0003857317300000037
为第n个新能源机组的控制系数；
Figure BDA0003857317300000038
为第n个新能源机组的最大有功功率；fH为高频阈值；
Figure BDA0003857317300000039
为第n个新能源机组的频率-有功功率控制模式，
Figure BDA00038573173000000310
和
Figure BDA00038573173000000311
分别为时刻t和场景s下第n个新能源机组的最大和最小无功功率；UL和UH是电压低状态阈值和高状态阈值；
Figure BDA0003857317300000041
和
Figure BDA0003857317300000042
为控制系数；
Figure BDA0003857317300000043
为第n个新能源机组的电压-无功控制模式。
进一步的，步骤S203中，多个分布式储能系统和新能源机组的聚合模型表示为：
Figure BDA0003857317300000044
Figure BDA0003857317300000045
其中，
Figure BDA0003857317300000046
和
Figure BDA0003857317300000047
分别为节点i、时刻t和场景s处分布式资源管理系统的有功功率和无功功率；
Figure BDA0003857317300000048
和
Figure BDA0003857317300000049
是新能源机组和储能的决策变量，描述新能源或储能是否接入微网；
Figure BDA00038573173000000410
和
Figure BDA00038573173000000411
是f-P聚合特性的系数；
Figure BDA00038573173000000412
和
Figure BDA00038573173000000413
是U-Q聚合特性的系数；Ki和Li是节点i处分布式资源管理系统中的新能源机组和储能集合。
具体的，步骤S3中，多时段配电网负荷恢复模型的目标函数为：
Figure BDA00038573173000000414
其中，S为新能源机组和负荷的典型场景集合，ηs是场景s的权重，T为优化过程的时间集合，N为配电系统中的节点集合，λi,t是在时刻t决定是否恢复负荷i的二元变量，ωi是负荷i的权重，
Figure BDA00038573173000000415
为配电网中i节点关键负荷在t时刻，s场景下所需的有功功率。
进一步的，网络辐射拓扑约束为：
αij,t＝βij,t+βji,t,ij∈BI,ji∈BII
Figure BDA00038573173000000416
Figure BDA0003857317300000051
其中，BI和BII为配网中馈线支路集合，N为接入配网的节点集合，GB为配网中的同步机电源节点集合，
Figure BDA0003857317300000052
为含有新能源机组和储能的节点集合，αij，t为线路状态，βij，t和βij，t为线路两端结点的父子连接关系对于支路传输功率方程；
潮流约束及节点电压/电流约束为：
Figure BDA0003857317300000053
Figure BDA0003857317300000054
-M(1-αij,t)+(RijPij,s,t+XijQij,s,t)/U0≤Uj,s,t-Ui,s,t,ij∈BI
M(1-αij,t)+(RijPij,s,t+XijQij,s,t)/U0≥Uj,s,t-Ui,s,t,ij∈BI
其中，Pik,s,t(Pji,s,t)和Qik,s,t(Qji,s,t)分别为时刻t和场景s下ik(ji)支路有功和无功潮流；Pi,s,t和Qi,s,t是节点i的功率注入；
Figure BDA0003857317300000055
和
Figure BDA0003857317300000056
分别为负荷的有功和无功功率；Rij和Xij为分支ij的电阻和电抗；Ui,s,t和Uj,s,t为节点i、j的电压幅值，U0为系统的额定电压；M为值很大的实数；
安全约束为：
fmin≤fi,s,t≤fmax,i∈N
Umin≤Ui,s,t≤Umax,i∈N
Figure BDA0003857317300000057
Figure BDA0003857317300000058
其中，
Figure BDA0003857317300000059
和
Figure BDA00038573173000000510
分别为ij支路的最大有功潮流和最小无功潮流；
分布式电源约束为：
Figure BDA00038573173000000511
Figure BDA00038573173000000512
Figure BDA0003857317300000061
其中，
Figure BDA0003857317300000062
和
Figure BDA0003857317300000063
分别为节点i、时刻t和场景s时同步机电源的实际有功和无功输出；
Figure BDA0003857317300000064
和
Figure BDA0003857317300000065
为有功功率和无功功率参考值；
Figure BDA0003857317300000066
和
Figure BDA0003857317300000067
分别为同步机电源的有功输出和无功输出的最大值和最小值；
Figure BDA0003857317300000068
和
Figure BDA0003857317300000069
为同步机电源的下垂控制系数；
Figure BDA00038573173000000610
Figure BDA00038573173000000611
其中，
Figure BDA00038573173000000612
和
Figure BDA00038573173000000613
分别为节点i、时刻t和场景s时含有新能源机组和储能的节点的有功输出和无功输出的最大值和最小值。
第二方面，本发明实施例提供了一种基于分布式新能源聚合的配电网弹性提升系统，包括：
筛选模块，利用多元正态分布对多个分布式风电、光伏出力及负荷数据的预测数据进行概率建模，将采样的预测误差数据添加到预测曲线中，并通过快速前向选择法对场景进行概率再分配，筛选典型场景；
聚合模块，利用筛选模块筛选的典型场景建立分布式储能系统和新能源机组的聚合模型，求解得出聚合模型的聚合特性；
优化模块，利用聚合模块得到的聚合模型的聚合特性作为输入参数，以不同权重系数下负荷恢复量最大为目标，考虑网络辐射拓扑约束、潮流约束及节点电压/电流约束、安全约束建立多时段配电网负荷恢复模型，求解得到各分布式电源出力情况、微网划分情况和负荷恢复结果。
与现有技术相比，本发明至少具有以下有益效果：
本发明一种基于分布式新能源聚合的配电网弹性提升方法，能够对分布式新能源机组如光伏和风机的预测数据的误差进行充分考虑，并根据多元正态分布建模并考虑空间相关性的影响，利用场景削减方法得到典型场景；利用分布式资源管理系统管理多个分布式新能源机组和储能系统的结合以及协调控制；对分布式电源的出力及负荷预测误差进行概率建模，将分布式新能源机组与储能系统的协同控制考虑到优化决策中，建立多时段分布式资源管理系统与配电系统交互的多时段配电网负荷恢复模型，在考虑多种约束条件的前提下得到多时段负荷恢复动作次序，得到最优负荷恢复策略。
进一步的，通过步骤S1快速前向选择法筛选典型场景，能够实现对分布式电源出力及负荷预测误差的概率建模，将动态变化的不确定性考虑到多时段配电网负荷恢复模型中。
进一步的，建立分布式电源预测值与实际值之间的联系可以考虑分布式电源预测误差的不确定性，增加模型输入变量的准确度。
进一步的，对所有场景进行概率再分配可以利用快速前行选择进行场景削减，筛选出典型场景。
进一步的，通过步骤S2建立分布式储能系统和新能源机组的聚合模型，在其中设计以下垂控制为基础的主从协同控制策略。
进一步的，通过协调控制手段平抑负荷恢复过程中的电压和频率波动，满足重要负荷严苛的频率电压要求。
进一步的，求解得出聚合后发电资源对负荷的支撑能力，即可提供的有功和无功功率及对应的频率电压范围。
进一步的，将步骤S2中的聚合特性作为输入参数，将分布式资源层级的信息输入到配电网层级，实现双层优化模型之间的信息交互。
进一步的，设置各个约束条件，使多时段配电网负荷恢复模型满足配电网拓扑约束、潮流约束、分布式电源运行约束以及安全约束。
可以理解的是，上述第二方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
综上所述，本发明有效保障和管理大规模分布式新能源和储能的协同合作，为配电网恢复力提升技术在工业中的进一步应用奠定了基础。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明步骤S2分布式新能源机组和储能系统聚合模型的输出特性图；
图2为本发明步骤S3多时段配电网负荷恢复模型得到的恢复结果图；
图3为本发明步骤S3典型时刻动态微电网划分结果图。
具体实施方式
下面将结合本发明实施例中的附图，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做出创造性劳动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。
在本发明的描述中，需要理解的是，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
应当理解，尽管在本发明实施例中可能采用术语第一、第二、第三等来描述预设范围等，但这些预设范围不应限于这些术语。这些术语仅用来将预设范围彼此区分开。例如，在不脱离本发明实施例范围的情况下，第一预设范围也可以被称为第二预设范围，类似地，第二预设范围也可以被称为第一预设范围。
取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
本发明提供了一种基于分布式新能源聚合的配电网弹性提升方法，对分布式电源出力预测误差进行概率建模，在优化决策中考虑分布式电源出力的不确定性。在考虑主从协同控制和下垂控制的基础上建立分布式新能源机组和储能系统的聚合模型。在此基础上考虑网络辐射拓扑约束、电源出力约束、潮流约束、安全约束等约束条件的前提下建立多时段配电网负荷恢复模型。为大规模新能源接入下的弹性配电网建设打下基础。
本发明一种基于分布式新能源聚合的配电网弹性提升方法，包括以下步骤：
S1、对多个分布式风电或者光伏出力以及负荷预测数据进行概率建模，利用多元正态分布对预测数据进行建模，将采样的预测误差数据添加到相应的预测曲线中，并通过快速前向选择法对场景进行概率再分配，筛选典型场景；
具体包括分布式电源及负荷预测数据的搜集和整理、对机组功率输出和负荷的预测数据进行建模、采样预测误差数据、分布式电源出力的场景生成和削减，详细步骤如下：
S101、分析预测数据的相关性并对预测误差数据进行建模和采样；
利用多元正态分布对分布式风机、光伏或负荷的预测误差数据采样的方法具体为：
Figure BDA0003857317300000101
其中，Xi为第i个预测误差，Xi为第i个预测误差的对应值；μ是所有预测误差的平均向量，设定为零向量；Σ为协方差矩阵，|Σ|为矩阵Σ的行列式。
式(1)中的协方差参数矩阵使用预测误差的历史数据估计，即预测数据减去实际数据；(i,j)处的每个元素计算如下：
Figure BDA0003857317300000102
其中，N为历史数据长度，Xik、Xjk为第i、j个预测误差的第k个数据值。
S102、分布式电源出力及负荷的预测场景生成及削减；
将预测误差数据添加到相应的预测曲线中，生成考虑预测误差的预测曲线，并进行场景削减，具体为：
Figure BDA0003857317300000103
其中，Pi,s,t为第i个新能源机组或负荷在t时刻、场景s时的有功功率；
Figure BDA0003857317300000104
为其在t时刻对应的预测值；Ei,s,t为采样后的预测误差数据。
在恢复过程中，近期未来时刻不确定性的概率密度函数实际上是一组围绕预测值的正态分布。场景生成后，场景数量较多，会增加后续随机优化的计算量，因此通常会进行场景缩减，只选取具有代表性的场景，利用快速前向选择法筛选典型场景。
S2、设计基于下垂控制的储能系统和新能源机组主从控制协调方案，利用分布式资源管理系统聚合多个储能系统和新能源机组，监测上层配电网的需求信息，并利用这些信息来分配和调整其中配置的每个新能源机组和储能的功率输出；
包括设计储能系统的控制策略，使其支撑所在微电网的频率和电压，设计新能源机组的控制方案，为关键负荷提供有功和无功功率，利用Cplex求解储能系统和新能源机组的聚合模型得出聚合特性，具体如下：
储能系统的控制策略如下，约束(7)表示有功功率及频率的约束条件，约束(8)表示无功功率及电压的约束条件：
Figure BDA0003857317300000111
其中，fi,s,t，
Figure BDA0003857317300000112
和
Figure BDA0003857317300000113
分别为节点i、时刻t和场景s处第n个储能的频率、有功功率和荷电状态值；fref是频率的参考值，
Figure BDA0003857317300000114
k▽和kΔ分别为下垂系数、提升系数和下降系数；
Figure BDA0003857317300000115
SL和SH分别为荷电状态的最小值、低状态阈值和高状态阈值；fmax和fmin为微网的最大允许频率和最小允许频率；
Figure BDA0003857317300000116
和
Figure BDA0003857317300000117
为第n个储能的最大有功功率和最小有功功率；
Figure BDA0003857317300000118
是第n个储能的频率-有功功率控制模式。
Figure BDA0003857317300000119
其中，Ui,s,t和
Figure BDA00038573173000001110
分别为节点i时刻t和场景s处第n个储能的电压和无功功率；Uref为电压参考值；
Figure BDA00038573173000001111
为下垂系数；Umax和Umin为交流母线允许的最大电压幅值和最小电压幅值；
Figure BDA00038573173000001112
和
Figure BDA00038573173000001113
为第n个储能的无功功率输出最大值和最小值。
储能系统下垂系数的计算过程如约束(9)和(10)所示：
Figure BDA00038573173000001114
Figure BDA00038573173000001115
新能源机组的控制策略如下，约束(11)表示有功功率及频率的约束条件，约束(12)表示无功功率及电压的约束条件：
Figure BDA00038573173000001116
其中，
Figure BDA0003857317300000121
为时刻t和场景s下第n个新能源机组的有功功率；
Figure BDA0003857317300000122
为第n个新能源机组的控制系数；
Figure BDA0003857317300000123
为第n个新能源机组的最大有功功率；fH为高频阈值；
Figure BDA0003857317300000124
为第n个新能源机组的频率-有功功率控制模式。
Figure BDA0003857317300000125
其中，
Figure BDA0003857317300000126
和
Figure BDA0003857317300000127
分别为时刻t和场景s下第n个新能源机组的实际、最大和最小无功功率；UL和UH是电压低状态阈值和高状态阈值；
Figure BDA0003857317300000128
和
Figure BDA0003857317300000129
为控制系数；
Figure BDA00038573173000001210
为第n个新能源机组的电压-无功控制模式。
新能源机组的控制系数的计算过程如约束(13)和(14)所示：
Figure BDA00038573173000001211
Figure BDA00038573173000001212
分布式资源管理系统收集上层配电网中关键负荷的功率需求，监测并分配下层分布式发电资源的功率输出；多个分布式新能源机组和储能系统的聚合模型的聚合特性请参阅图1，表示如下：
Figure BDA00038573173000001213
Figure BDA00038573173000001214
其中，
Figure BDA0003857317300000131
和
Figure BDA0003857317300000132
分别为节点i、时刻t和场景s处分布式资源管理系统的有功功率和无功功率；
Figure BDA0003857317300000133
和
Figure BDA0003857317300000134
是新能源机组和储能的决策变量，描述新能源或储能是否接入微网；
Figure BDA0003857317300000135
和
Figure BDA0003857317300000136
是f-P聚合特性的系数；
Figure BDA0003857317300000137
和
Figure BDA0003857317300000138
是U-Q聚合特性的系数；Ki和Li是节点i处分布式资源管理系统中的新能源机组和储能集合。
S3、以不同权重系数下负荷恢复量最大为目标，考虑网络辐射拓扑约束、潮流约束、安全约束、分布式电源约束建立多时段配电网负荷恢复模型，利用Cplex等商用求解软件进行优化求解；
包括对目标函数、约束条件的设置，对不同重要度的负荷进行分级处理，定义不同重要度负荷的拾取率表示恢复结果，请参阅图2，具体如下：
目标函数的设置：
Figure BDA0003857317300000139
其中，S为新能源机组和负荷的典型场景集合；ηs是场景s的权重；T为优化过程的时间集合；N为配电系统中的节点集合；λi,t是在时刻t决定是否恢复负荷i的二元变量；ωi是负荷i的权重，表示负荷的优先级。
约束条件设置为：
约束(18)表示网络辐射拓扑约束：
Figure BDA00038573173000001310
其中，BI和BII为配网中馈线支路集合；N为接入配网的节点集合；GB为配网中的同步机电源节点集合；
Figure BDA00038573173000001311
为含有新能源机组和储能的节点集合；αij，t为线路状态，取值为1时代表线路连接，0为线路断开；βij，t和βji，t为线路两端结点的父子连接关系对于支路传输功率方程。
约束(19)-(21)表示潮流约束及节点电压/电流约束：
约束(19)-(20)表示流入节点的功率应与流出节点的功率相等，具体如下：
Figure BDA0003857317300000141
Figure BDA0003857317300000142
约束(21)限制带电线路两端节点电压差值的范围，具体如下：
Figure BDA0003857317300000143
其中，Pik,s,t(Pji,s,t)和Qik,s,t(Qji,s,t)分别为时刻t和场景s下ik(ji)支路有功和无功潮流；Pi,s,t和Qi,s,t是节点i的功率注入；
Figure BDA0003857317300000144
和
Figure BDA0003857317300000145
分别为负荷的有功和无功功率；Rij和Xij为分支ij的电阻和电抗；Ui,s,t和Uj,s,t为节点i、j的电压幅值，U0为系统的额定电压；M为值很大的实数，如10000；
需要考虑的安全约束如(22)-(23)所示：
Figure BDA0003857317300000146
Figure BDA0003857317300000147
其中，
Figure BDA0003857317300000148
和
Figure BDA0003857317300000149
分别为ij支路的最大有功潮流和最小无功潮流；
分布式电源约束为如约束(24)-(26)所示：
约束(24)表示同步机电源节点需要满足的有功和无功功率上下限约束，具体如下：
Figure BDA00038573173000001410
约束(24)表示同步机电源节点满足的下垂控制策略，具体如下：
Figure BDA0003857317300000151
其中，
Figure BDA0003857317300000152
和
Figure BDA0003857317300000153
分别为节点i、时刻t和场景s时同步机电源的实际有功和无功输出；
Figure BDA0003857317300000154
和
Figure BDA0003857317300000155
为有功功率和无功功率参考值；
Figure BDA0003857317300000156
和
Figure BDA0003857317300000157
分别为同步机电源的有功输出和无功输出的最大值和最小值；
Figure BDA0003857317300000158
和
Figure BDA0003857317300000159
为同步机电源的下垂控制系数。
约束(26)表示含有新能源机组和储能的节点需要满足的有功和无功功率上下限约束，具体如下：
Figure BDA00038573173000001510
其中，
Figure BDA00038573173000001511
和
Figure BDA00038573173000001512
分别为节点i、时刻t和场景s时含有新能源机组和储能的节点的有功输出和无功输出的最大值和最小值。
为定量分析不同重要度负荷的恢复程度，定义指标负荷拾取率表示已恢复供电负荷占总负荷的比例，表示如下：
Figure BDA00038573173000001513
其中，z∈0,1,2,3，LSRz为不同重要度负荷的拾取率；Nz为配电系统中不同重要度负荷的节点集合，z＝1表示一级负荷，z＝2表示二级负荷，z＝3表示三级负荷。
本发明再一个实施例中，提供一种基于分布式新能源聚合的配电网弹性提升系统，该系统能够用于实现上述基于分布式新能源聚合的配电网弹性提升方法，具体的，该基于分布式新能源聚合的配电网弹性提升系统包括筛选模块、聚合模块以及优化模块。
其中，筛选模块，利用多元正态分布对个分布式风电、光伏出力及负荷数据的预测数据进行概率建模，将采样的预测误差数据添加到相应的预测曲线中，并通过快速前向选择法对场景进行概率再分配，筛选典型场景；
聚合模块，利用筛选模块筛选的典型场景建立分布式储能系统和新能源机组的聚合模型，求解得出聚合模型的聚合特性；
优化模块，利用聚合模块得到的聚合模型的聚合特性作为输入参数，以不同权重系数下负荷恢复量最大为目标，考虑网络辐射拓扑约束、潮流约束及节点电压/电流约束、安全约束建立多时段配电网负荷恢复模型，求解得到各分布式电源出力情况、微网划分情况和负荷恢复结果。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。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。
本发明应用于提升弹性配电网在极端事件后的恢复能力。采用本发明后，能够在高比率新能源接入的配电系统中提升具有不确定性和波动性的发电机组的频率电压调节能力，使其具有独立为微电网输送功率的作用，进而最大化灾后配电系统关键负荷的恢复。在IEEE-37节点系统中进行算例分析，所得负荷恢复结果如图2所示。可以看出一级负荷和二级负荷在恢复过程中的拾取率高于三级负荷，符合优化问题的目标函数，优先为重要度高的负荷供电。
请参阅图3，选取三个时段展示恢复过程中动态微电网的划分结果，可以看出采用本发明后，原本不具备独立支撑微电网的分布式新能源接入节点可以在储能系统的作用下独立为微电网中的关键负荷供电，并且调节其中的频率和电压。在提高新能源消纳能力的同时提升配电系统的灾后恢复能力，为更多负荷提供电能。
综上所述，本发明一种基于分布式新能源聚合的配电网弹性提升方法及系统，能在大规模高比例新能源接入的前提下提升配电系统的灾后恢复能力。通过对分布式电源出力预测误差进行概率建模，减小分布式电源出力不确定性的影响，建立分布式新能源及储能系统的聚合模型，在提高了新能源机组电压频率调节能力的前提下最大化配电系统的关键负荷恢复能力，验证了所提方法的有效性。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。
本申请是参照根据本申请实施例的方法、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。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (10)

1.一种基于分布式新能源聚合的配电网弹性提升方法，其特征在于，包括以下步骤：
S1、利用多元正态分布对多个分布式风电、光伏出力及负荷数据的预测数据进行概率建模，将采样的预测误差数据添加到预测曲线中，并通过快速前向选择法对场景进行概率再分配，筛选典型场景；
S2、利用步骤S1筛选的典型场景建立分布式储能系统和新能源机组的聚合模型，求解得出聚合模型的聚合特性；
S3、利用步骤S2得到的聚合模型的聚合特性作为输入参数，以不同权重系数下负荷恢复量最大为目标，考虑网络辐射拓扑约束、潮流约束及节点电压/电流约束、安全约束建立多时段配电网负荷恢复模型，求解得到各分布式电源出力情况、微网划分情况和负荷恢复结果。
2.根据权利要求1所述的基于分布式新能源聚合的配电网弹性提升方法，其特征在于，步骤S1具体为：
S101、采用多元正态分布对多个新能源机组功率输出或负荷的预测出力数据进行概率建模，对于负荷恢复过程中的每一个时刻，采样预测误差数据，以反映新能源机组功率输出和负载的运行不确定性；
S102、将步骤S101得到的预测误差数据添加到相应的预测曲线中，生成新能源机组功率输出和负荷的时间序列场景；最后利用快速前向选择法对所有场景进行概率再分配，筛选典型场景。
3.根据权利要求2所述的基于分布式新能源聚合的配电网弹性提升方法，其特征在于，步骤S101中，预测误差数据fX(x1,...,xn)具体为：
Figure FDA0003857317290000011
其中，Xi为第i个预测误差，μ是所有预测误差的平均向量，Σ为协方差矩阵。
4.根据权利要求2所述的基于分布式新能源聚合的配电网弹性提升方法，其特征在于，步骤S102中，将预测误差数据添加到相应的预测曲线中具体为：
Figure FDA0003857317290000021
其中，Pi,s,t为第i个新能源机组或负荷在t时刻、场景s时的有功功率；
Figure FDA0003857317290000022
为第i个新能源机组或负荷在t时刻对应的预测值；Ei,s,t为采样后的预测误差数据。
5.根据权利要求1所述的基于分布式新能源聚合的配电网弹性提升方法，其特征在于，步骤S2具体为：
S201、采用结合下垂控制的分散控制策略，同一节点接入的多个储能系统通过下垂控制共同支持所在微网的电压和频率；
S202、在步骤S201储能系统支撑电压和频率的前提下，多个新能源机组通过自适应功率控制向所在微网提供有功功率和无功功率；
S203、基于步骤S201和步骤S202的控制策略，利用分布式资源管理系统聚合多个分布式储能系统和新能源机组，监测上层配电网的需求信息，并分配和调整配置的每个新能源机组和储能的功率输出；利用Cplex求解储能系统和新能源机组的聚合模型得出聚合特性，即所能提供的有功和无功功率范围，以及对应的频率和电压范围。
6.根据权利要求5所述的基于分布式新能源聚合的配电网弹性提升方法，其特征在于，步骤S202中，时刻t和场景s下第n个新能源机组的有功功率
Figure FDA0003857317290000023
Figure FDA0003857317290000024
和无功功率
Figure FDA0003857317290000025
分别为：
Figure FDA0003857317290000026
Figure FDA0003857317290000027
其中，
Figure FDA0003857317290000028
为第n个新能源机组的控制系数；
Figure FDA0003857317290000029
为第n个新能源机组的最大有功功率；fH为高频阈值；
Figure FDA00038573172900000210
为第n个新能源机组的频率-有功功率控制模式，
Figure FDA0003857317290000031
和
Figure FDA0003857317290000032
分别为时刻t和场景s下第n个新能源机组的最大和最小无功功率；UL和UH是电压低状态阈值和高状态阈值；
Figure FDA0003857317290000033
和
Figure FDA0003857317290000034
为控制系数；
Figure FDA0003857317290000035
为第n个新能源机组的电压-无功控制模式。
7.根据权利要求5所述的基于分布式新能源聚合的配电网弹性提升方法，其特征在于，步骤S203中，多个分布式储能系统和新能源机组的聚合模型表示为：
Figure FDA0003857317290000036
Figure FDA0003857317290000037
其中，
Figure FDA0003857317290000038
和
Figure FDA0003857317290000039
分别为节点i、时刻t和场景s处分布式资源管理系统的有功功率和无功功率；
Figure FDA00038573172900000310
和
Figure FDA00038573172900000311
是新能源机组和储能的决策变量，描述新能源或储能是否接入微网；
Figure FDA00038573172900000312
和
Figure FDA00038573172900000313
是f-P聚合特性的系数；
Figure FDA00038573172900000314
和
Figure FDA00038573172900000315
是U-Q聚合特性的系数；Ki和Li是节点i处分布式资源管理系统中的新能源机组和储能集合。
8.根据权利要求1所述的基于分布式新能源聚合的配电网弹性提升方法，其特征在于，步骤S3中，多时段配电网负荷恢复模型的目标函数为：
Figure FDA00038573172900000316
其中，S为新能源机组和负荷的典型场景集合，ηs是场景s的权重，T为优化过程的时间集合，N为配电系统中的节点集合，λi,t是在时刻t决定是否恢复负荷i的二元变量，ωi是负荷i的权重，
Figure FDA00038573172900000317
为配电网中i节点关键负荷在t时刻，s场景下所需的有功功率。
9.根据权利要求8所述的基于分布式新能源聚合的配电网弹性提升方法，其特征在于，网络辐射拓扑约束为：
αij,t＝βij,t+βji,t,ij∈BI,ji∈BII
Figure FDA0003857317290000041
Figure FDA0003857317290000042
其中，BI和BII为配网中馈线支路集合，N为接入配网的节点集合，GB为配网中的同步机电源节点集合，
Figure FDA0003857317290000043
为含有新能源机组和储能的节点集合，αij，t为线路状态，βij，t和βji，t为线路两端结点的父子连接关系对于支路传输功率方程；
潮流约束及节点电压/电流约束为：
Figure FDA0003857317290000044
Figure FDA0003857317290000045
-M(1-αij,t)+(RijPij,s,t+XijQij,s,t)/U0≤Uj,s,t-Ui,s,t,ij∈BI
M(1-αij,t)+(RijPij,s,t+XijQij,s,t)/U0≥Uj,s,t-Ui,s,t,ij∈BI
其中，Pik,s,t(Pji,s,t)和Qik,s,t(Qji,s,t)分别为时刻t和场景s下ik(ji)支路有功和无功潮流；Pi,s,t和Qi,s,t是节点i的功率注入；
Figure FDA0003857317290000046
和
Figure FDA0003857317290000047
分别为负荷的有功和无功功率；Rij和Xij为分支ij的电阻和电抗；Ui,s,t和Uj,s,t为节点i、j的电压幅值，U0为系统的额定电压；M为值很大的实数；
安全约束为：
fmin≤fi,s,t≤fmax,i∈N
Umin≤Ui,s,t≤Umax,i∈N
Figure FDA0003857317290000048
Figure FDA0003857317290000049
其中，
Figure FDA00038573172900000410
和
Figure FDA00038573172900000411
分别为ij支路的最大有功潮流和最小无功潮流；
分布式电源约束为：
Figure FDA0003857317290000051
Figure FDA0003857317290000052
Figure FDA0003857317290000053
其中，
Figure FDA0003857317290000054
和
Figure FDA0003857317290000055
分别为节点i、时刻t和场景s时同步机电源的实际有功和无功输出；
Figure FDA0003857317290000056
和
Figure FDA0003857317290000057
为有功功率和无功功率参考值；
Figure FDA0003857317290000058
和
Figure FDA0003857317290000059
分别为同步机电源的有功输出和无功输出的最大值和最小值；
Figure FDA00038573172900000510
和
Figure FDA00038573172900000511
为同步机电源的下垂控制系数；
Figure FDA00038573172900000512
Figure FDA00038573172900000513
其中，
Figure FDA00038573172900000514
和
Figure FDA00038573172900000515
分别为节点i、时刻t和场景s时含有新能源机组和储能的节点的有功输出和无功输出的最大值和最小值。
10.一种基于分布式新能源聚合的配电网弹性提升系统，其特征在于，包括：
筛选模块，利用多元正态分布对多个分布式风电、光伏出力及负荷数据的预测数据进行概率建模，将采样的预测误差数据添加到预测曲线中，并通过快速前向选择法对场景进行概率再分配，筛选典型场景；
聚合模块，利用筛选模块筛选的典型场景建立分布式储能系统和新能源机组的聚合模型，求解得出聚合模型的聚合特性；
优化模块，利用聚合模块得到的聚合模型的聚合特性作为输入参数，以不同权重系数下负荷恢复量最大为目标，考虑网络辐射拓扑约束、潮流约束及节点电压/电流约束、安全约束建立多时段配电网负荷恢复模型，求解得到各分布式电源出力情况、微网划分情况和负荷恢复结果。
CN202211152017.XA 2022-09-21 2022-09-21 一种基于分布式新能源聚合的配电网弹性提升方法及系统 Pending CN115441440A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211152017.XA CN115441440A (zh) 2022-09-21 2022-09-21 一种基于分布式新能源聚合的配电网弹性提升方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211152017.XA CN115441440A (zh) 2022-09-21 2022-09-21 一种基于分布式新能源聚合的配电网弹性提升方法及系统

Publications (1)

Publication Number Publication Date
CN115441440A true CN115441440A (zh) 2022-12-06

Family

ID=84248419

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211152017.XA Pending CN115441440A (zh) 2022-09-21 2022-09-21 一种基于分布式新能源聚合的配电网弹性提升方法及系统

Country Status (1)

Country Link
CN (1) CN115441440A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116937580A (zh) * 2023-09-19 2023-10-24 华北电力大学 一种基于直流线路互联的区-隧供电系统弹性恢复方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116937580A (zh) * 2023-09-19 2023-10-24 华北电力大学 一种基于直流线路互联的区-隧供电系统弹性恢复方法
CN116937580B (zh) * 2023-09-19 2023-11-28 华北电力大学 一种基于直流线路互联的区-隧供电系统弹性恢复方法

Similar Documents

Publication Publication Date Title
Zhao et al. Distributed risk-limiting load restoration for wind power penetrated bulk system
CN105069236B (zh) 考虑风电场节点空间相关性的广义负荷联合概率建模方法
Li et al. Investment optimization of grid-scale energy storage for supporting different wind power utilization levels
CN109840633A (zh) 光伏输出功率预测方法、系统和存储介质
Wang et al. Flexible transmission expansion planning for integrating wind power based on wind power distribution characteristics
CN103310296A (zh) 一种基于扰动评估和趋势分析的操作票安全校核方法
Xue et al. Adaptive ultra-short-term wind power prediction based on risk assessment
Liu et al. Intra-day dynamic network reconfiguration based on probability analysis considering the deployment of remote control switches
CN114662799B (zh) 一种输电线路检修计划优化方法、装置、设备及存储介质
CN115441440A (zh) 一种基于分布式新能源聚合的配电网弹性提升方法及系统
CN111932072A (zh) 一种基于os2架构的电网综合管控方法及系统
CN113346484B (zh) 一种考虑暂态不确定性的配电网弹性提升方法及系统
Xu et al. A two-level hierarchical discrete-device control method for power networks with integrated wind farms
Guan et al. A GAN-based fully model-free learning method for short-term scheduling of large power system
CN112910012B (zh) 一种配电系统弹性提升评估方法、存储介质及计算设备
Alshamrani et al. Transmission expansion planning considering a high share of wind power to maximize available transfer capability
Fenu et al. Evaluating complex network indices for vulnerability analysis of a territorial power grid
CN111864728A (zh) 一种可重构配电网重要设备识别方法和系统
Papadopoulos et al. Methodology for online identification of dynamic behavior of power systems with an increased amount of power electronics interface units
Alshamrani et al. A joint optimization model for transmission capacity and wind power investment considering system security
CN115051360A (zh) 集成式知识迁移的电力系统运行风险在线计算方法与装置
Zhang et al. Model and Data Driven Machine Learning Approach for Analyzing the Vulnerability to Cascading Outages With Random Initial States in Power Systems
CN111008769B (zh) 一种计及电力阻塞的能源转型优化方法及系统
Vélez et al. Penetrating PV sources in the electrical distribution system of Manabí province, Ecuador, using B/FS and ANN
Liu et al. A novel acceleration strategy for nl contingency screening in distribution 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