CN115693787B - 考虑源荷随机性的光储配电网新能源接纳能力分析方法 - Google Patents

考虑源荷随机性的光储配电网新能源接纳能力分析方法 Download PDF

Info

Publication number
CN115693787B
CN115693787B CN202310001104.3A CN202310001104A CN115693787B CN 115693787 B CN115693787 B CN 115693787B CN 202310001104 A CN202310001104 A CN 202310001104A CN 115693787 B CN115693787 B CN 115693787B
Authority
CN
China
Prior art keywords
distributed
node
power
distribution network
load
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.)
Active
Application number
CN202310001104.3A
Other languages
English (en)
Other versions
CN115693787A (zh
Inventor
朱文广
李映雪
陈会员
王敏
罗路平
刘念
张雪婷
钟士元
舒娇
彭怀德
熊云
吴浩
戴奇奇
王伟
熊宁
宫嘉炜
郑春
孔强
周威
黄晓伟
韩建沛
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.)
Jiangxi Tengda Electric Power Design Institute Co ltd
State Grid Corp of China SGCC
North China Electric Power University
Economic and Technological Research Institute of State Grid Jiangxi Electric Power Co Ltd
Jiangxi Ganfeng Lienergy Technology Co Ltd
Original Assignee
Jiangxi Tengda Electric Power Design Institute Co ltd
State Grid Corp of China SGCC
North China Electric Power University
Economic and Technological Research Institute of State Grid Jiangxi Electric Power Co Ltd
Jiangxi Ganfeng Lienergy Technology 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 Jiangxi Tengda Electric Power Design Institute Co ltd, State Grid Corp of China SGCC, North China Electric Power University, Economic and Technological Research Institute of State Grid Jiangxi Electric Power Co Ltd, Jiangxi Ganfeng Lienergy Technology Co Ltd filed Critical Jiangxi Tengda Electric Power Design Institute Co ltd
Priority to CN202310001104.3A priority Critical patent/CN115693787B/zh
Publication of CN115693787A publication Critical patent/CN115693787A/zh
Application granted granted Critical
Publication of CN115693787B publication Critical patent/CN115693787B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

Abstract

本发明公开了一种考虑源荷随机性的光储配电网新能源接纳能力分析方法，方法包括：首先，分析光储配电网的运行特性，建立分布式光伏、储能的运行模型；其次，分析光储配电网的不确定性来源，提出了基于广义加权交叉核支持向量聚类的光储配电网源荷不确定性建模方法；最后，建立考虑最大化分布式光伏容量的新能源接纳能力鲁棒优化模型，基于重构与分解算法，提出鲁棒优化模型分布式求解算法。解决了传统解析方法建模不准、随机性因素考虑不完备的问题。

Description

考虑源荷随机性的光储配电网新能源接纳能力分析方法
技术领域
本发明属于电力系统配网测试技术领域，尤其涉及一种考虑源荷随机性的光储配电网新能源接纳能力分析方法。
背景技术
由于分布式光伏固有的波动性和随机性特征，其高比例接入将对配电网的安全稳定运行。分布式储能可有效平抑分布式光伏的强随机性，目前分布式光储协同开发将成为促进分布式光伏消纳的必然选择。但分布式光储接入配电网改变了原有配电网的运行特征，增大了分析配电网对接纳能力分析的难度和复杂度：一是分布式储能有充电和放电两种运行状态，与电网存在双向的功率交互，其对配电网新能源接纳能力的影响难以量化分析；二是配电网对分布式光伏的接纳能力，既与配电网的灵活性设备（如分布式储能）有关，又受配电网线路潮流、节点电压等因素影响，接纳能力分析复杂。为此，急需开展光储配电网新能源接纳能力分析技术研究。
目前针对配电网新能源接纳能力分析的研究主要围绕解析法和智能方法两个方面。解析法通常是将接纳能力分析问题转化为求解最优潮流问题，具有计算速度快、无需重复验算等优势，但也存在建模过程复杂、模型假定过多，与真实情况存在较大偏差；智能方法通常包括遗传算法、粒子群算法、模拟退火算法等，其建模过程简单、求解思路明了，但也存在求解时间长、编码复杂等不足。
发明内容
本发明提供一种考虑源荷随机性的光储配电网新能源接纳能力分析方法，用于解决传统解析方法建模不准、随机性因素考虑不完备的问题。
本发明提供一种考虑源荷随机性的光储配电网新能源接纳能力分析方法，包括：
构建分布式光伏运行模型以及分布式储能运行模型；
基于广义加权交叉核支持向量聚类的光储配电网源荷不确定性建模；
考虑光储配电网源荷不确定性建立考虑最大化分布式光伏容量的鲁棒优化模型，使根据所述鲁棒优化模型对光储配电网新能源接纳能力进行量化；
根据分布式求解算法对所述鲁棒优化模型进行求解，使对所述光储配电网新能源接纳能力进行分析。
进一步地，其中，所述分布式光伏运行模型的表达式为：
Figure 727215DEST_PATH_IMAGE001
，
式中，
Figure 115471DEST_PATH_IMAGE002
为光伏电源标准条件下的最大输出功率，
Figure 544178DEST_PATH_IMAGE003
为光伏电源实际条件下的输出功率，
Figure 851532DEST_PATH_IMAGE004
为实际条件下光照强度，
Figure 428006DEST_PATH_IMAGE005
为标准条件下光照强度参考值，
Figure 495320DEST_PATH_IMAGE006
为给定温度系数，
Figure 575271DEST_PATH_IMAGE007
为实际条件下环境温度，
Figure 397734DEST_PATH_IMAGE008
为环境温度参考值，取为25℃。
进一步地，所述分布式储能运行模型具体为基于锂电池的分布式储能运行模型，其中，基于锂电池的分布式储能运行模型的表达式为：
Figure 320559DEST_PATH_IMAGE009
，
式中，
Figure 50618DEST_PATH_IMAGE010
为分布式储能在时段m时的荷电状态，
Figure 126021DEST_PATH_IMAGE011
为自放电率，
Figure 916123DEST_PATH_IMAGE012
为分布式储能在时段m-1时的荷电状态，
Figure 139293DEST_PATH_IMAGE013
为分布式储能的充电效率，
Figure 797677DEST_PATH_IMAGE014
为m时段分布式储能的充电功率，
Figure 117800DEST_PATH_IMAGE015
为时段长度，
Figure 219748DEST_PATH_IMAGE016
为m时段分布式储能的放电功率，
Figure 195794DEST_PATH_IMAGE017
为分布式储能的放电效率，
Figure 392289DEST_PATH_IMAGE018
为分布式储能的额定容量。
进一步地，所述基于广义加权交叉核支持向量聚类的光储配电网源荷不确定性建模，包括：
记分布式光伏在m时段实际出力为
Figure 566919DEST_PATH_IMAGE019
，并满足：
Figure 574189DEST_PATH_IMAGE020
，
式中，
Figure 771952DEST_PATH_IMAGE021
、
Figure 647504DEST_PATH_IMAGE022
分别为分布式光伏在m时段实际出力的上、下界；
基于
Figure 795414DEST_PATH_IMAGE023
个样本计算得到协方差矩阵的无偏估计
Figure 98220DEST_PATH_IMAGE024
为：
Figure 48858DEST_PATH_IMAGE025
，
式中，
Figure 337888DEST_PATH_IMAGE026
为支持向量聚类集合中第n个分布式光伏出力样本；
根据协方差矩阵的无偏估计
Figure 487110DEST_PATH_IMAGE024
得到分布式光伏出力的权重系数
Figure 898500DEST_PATH_IMAGE027
；
考虑协相关信息，构建广义加权交叉核模型，所述广义加权交叉核模型的表达式为：
Figure 992226DEST_PATH_IMAGE028
，
式中，
Figure 475160DEST_PATH_IMAGE029
为分布式光伏的一种情形出力向量，
Figure 88675DEST_PATH_IMAGE030
为分布式光伏的另一种情形出力向量，
Figure 733283DEST_PATH_IMAGE031
为时段m的不确定性区间宽度，
Figure 392935DEST_PATH_IMAGE032
为分布式光伏出力的权重系数，
Figure 538614DEST_PATH_IMAGE033
为时段总个数，
Figure 396849DEST_PATH_IMAGE034
为广义加权交叉核；
构建基于广义加权交叉核支持向量聚类的分布式光伏出力不确定性模型，所述分布式光伏出力不确定性模型的表达式为：
Figure 415620DEST_PATH_IMAGE035
，
式中，
Figure 969093DEST_PATH_IMAGE036
为分布式光伏出力向量，
Figure 793829DEST_PATH_IMAGE037
为分布式光伏出力不确定性集合，
Figure 631204DEST_PATH_IMAGE038
为支持向量聚类集合，
Figure 820877DEST_PATH_IMAGE039
为模型参数，
Figure 517438DEST_PATH_IMAGE040
为分布式光伏出力的不确定性集合边界参数，
Figure 490073DEST_PATH_IMAGE041
为支持向量聚类集合中的样本索引；
其中，计算分布式光伏出力的不确定性集合边界参数的表达式为：
Figure 260583DEST_PATH_IMAGE042
，
式中，
Figure 417894DEST_PATH_IMAGE043
为边界支持向量聚类集合，
Figure 460806DEST_PATH_IMAGE044
为边界支持向量聚类集合中的样本索引，
Figure 361766DEST_PATH_IMAGE045
为边界支持向量聚类集合中第
Figure 252361DEST_PATH_IMAGE044
个分布式光伏出力样本；
构建基于广义加权交叉核支持向量聚类的负荷不确定性模型，所述负荷不确定性模型的表达式为：
Figure 455941DEST_PATH_IMAGE046
，
式中，
Figure 861514DEST_PATH_IMAGE047
为负荷向量，
Figure 503848DEST_PATH_IMAGE048
为负荷不确定性集合，
Figure 170322DEST_PATH_IMAGE049
为负荷的权重系数，
Figure 935015DEST_PATH_IMAGE050
为第n个负荷样本，
Figure 437672DEST_PATH_IMAGE051
为负荷的不确定性集合边界参数；
其中，计算负荷的不确定性集合边界参数的表达式为：
Figure 883697DEST_PATH_IMAGE052
，
式中，
Figure 811202DEST_PATH_IMAGE053
为边界支持向量聚类集合中第
Figure 605851DEST_PATH_IMAGE044
个负荷样本。
进一步地，其中，所述鲁棒优化模型的目标函数表达式为：
Figure 658121DEST_PATH_IMAGE054
，(14)
式中，
Figure 704574DEST_PATH_IMAGE055
为配电网节点的集合，
Figure 361952DEST_PATH_IMAGE056
为配电网节点i接入的分布式光伏容量；
所述鲁棒优化模型的约束条件包括光伏安装容量约束、光伏输出功率约束、分布式储能运行约束、功率平衡约束以及线路潮流约束；
其中，所述光伏安装容量约束的表达式为：
Figure 202869DEST_PATH_IMAGE057
，(15)
式中，
Figure 742434DEST_PATH_IMAGE058
为配电网节点i的分布式光伏的安装容量，
Figure 717212DEST_PATH_IMAGE059
为配电网节点i的分布式光伏的最大安装容量，
Figure 88151DEST_PATH_IMAGE055
为配电网节点的集合；
所述光伏输出功率约束的表达式为：
Figure 303232DEST_PATH_IMAGE060
，(16)
Figure 267777DEST_PATH_IMAGE061
，(17)
式中，
Figure 656033DEST_PATH_IMAGE062
为配电网在m时段节点i分布式光伏的输出功率，
Figure 277550DEST_PATH_IMAGE063
为m时段节点i分布式光伏的预测发电水平；
所述分布式储能运行约束的表达式为：
Figure 663532DEST_PATH_IMAGE064
，(18)
Figure 974428DEST_PATH_IMAGE065
，(19)
Figure 41741DEST_PATH_IMAGE066
，(20)
Figure 590534DEST_PATH_IMAGE067
，(21)
Figure 944155DEST_PATH_IMAGE068
，(22)
式中，
Figure 132559DEST_PATH_IMAGE069
为m时段节点i分布式储能系统的最大充电功率，
Figure 862618DEST_PATH_IMAGE070
为m时段节点i分布式储能系统的最大放电功率，
Figure 265917DEST_PATH_IMAGE071
为m时段分布式储能的充电功率，
Figure 665806DEST_PATH_IMAGE072
为m时段分布式储能的放电功率，
Figure 216873DEST_PATH_IMAGE073
为节点i分布式储能在时段m的荷电状态，
Figure 953885DEST_PATH_IMAGE074
为节点i分布式储能在时段m-1时的荷电状态，
Figure 133062DEST_PATH_IMAGE075
为自放电率，
Figure 94065DEST_PATH_IMAGE076
为节点i分布式储能的充电效率，
Figure 70111DEST_PATH_IMAGE077
为节点i分布式储能的放电效率，
Figure 17339DEST_PATH_IMAGE078
为节点i分布式储能的额定容量，
Figure 926389DEST_PATH_IMAGE079
为时段长度，
Figure 448506DEST_PATH_IMAGE080
为节点i分布式储能荷电状态上限，
Figure 646269DEST_PATH_IMAGE081
为节点i分布式储能荷电状态下限；
所述功率平衡约束的表达式为：
Figure 521821DEST_PATH_IMAGE082
，(23)
Figure 426323DEST_PATH_IMAGE083
，(24)
Figure 932391DEST_PATH_IMAGE084
，(25)
Figure 414188DEST_PATH_IMAGE085
，(26)
Figure 952486DEST_PATH_IMAGE086
，(27)
Figure 101707DEST_PATH_IMAGE087
，(28)
式中，
Figure 450780DEST_PATH_IMAGE088
为配电网在m时段节点i分布式光伏的输出功率实际值，
Figure 623135DEST_PATH_IMAGE089
为m时段节点j-节点i的功率，
Figure 106069DEST_PATH_IMAGE090
为配电网在m时段节点i负荷的实际值，
Figure 968852DEST_PATH_IMAGE091
为与节点i相连的节点集合，
Figure 816722DEST_PATH_IMAGE092
为配电网在m时段节点i分布式光伏的输出功率预测值，
Figure 273111DEST_PATH_IMAGE093
为配电网在m时段节点i负荷的预测值，
Figure 169523DEST_PATH_IMAGE094
为配电网在m时段节点i分布式光伏的输出功率预测误差，
Figure 27758DEST_PATH_IMAGE095
为配电网在m时段节点i负荷的预测误差，
Figure 780950DEST_PATH_IMAGE096
分别为m时段节点i分布式光伏的输出功率预测误差的上、下界，
Figure 849269DEST_PATH_IMAGE097
分别为m时段节点i负荷的预测误差的上、下界；
所述线路潮流约束的表达式为：
Figure 674006DEST_PATH_IMAGE098
， (29)
式中，
Figure 590009DEST_PATH_IMAGE099
为节点j-节点i的功率限值，
Figure 451786DEST_PATH_IMAGE100
为m时段节点j-节点i的功率值。
进一步地，其中，记
Figure 617188DEST_PATH_IMAGE101
，则所述鲁棒优化模型表述为如下最优化形式：
Figure 104670DEST_PATH_IMAGE103
，(31)
式中，
Figure 140759DEST_PATH_IMAGE104
为最大化节点分布式光伏接入容量，
Figure 298071DEST_PATH_IMAGE105
为最大化源荷不确定性范围，
Figure 91715DEST_PATH_IMAGE106
为源荷不确定性变量，
Figure 992675DEST_PATH_IMAGE107
为分布式光伏的输出功率预测误差向量，
Figure 883270DEST_PATH_IMAGE108
为配电网负荷的预测误差向量，
Figure 150433DEST_PATH_IMAGE109
为节点i在时段m的源荷不确定性变量。
进一步地，所述根据分布式求解算法对所述鲁棒优化模型进行求解，包括：
基于重构与分解算法将所述鲁棒优化模型的优化问题分解为主问题
Figure 165793DEST_PATH_IMAGE110
和子问题
Figure 808127DEST_PATH_IMAGE111
，具体求解流程为：
初始化：初始化式（31）的优化问题的上界和下界：
Figure 349967DEST_PATH_IMAGE112
，
Figure 239295DEST_PATH_IMAGE113
；初始化迭代次数
Figure 69847DEST_PATH_IMAGE114
，并令最大迭代次数
Figure 312610DEST_PATH_IMAGE115
；设定收敛精度
Figure 584322DEST_PATH_IMAGE116
；
求解主问题：通过求解主问题得到配电网节点i的分布式光伏的安装容量
Figure 519917DEST_PATH_IMAGE117
，并更新优化问题的下界
Figure 837766DEST_PATH_IMAGE118
；
求解子问题：基于求解主问题得到的配电网节点i的分布式光伏的安装容量的最优值
Figure 8853DEST_PATH_IMAGE117
，将其代入子问题，求解得到节点i在时段m不确定性变量的最优值
Figure 525285DEST_PATH_IMAGE119
，并更新优化问题的上界
Figure 241569DEST_PATH_IMAGE120
；
收敛判据：若满足
Figure 499244DEST_PATH_IMAGE121
或
Figure 83809DEST_PATH_IMAGE122
，则算法收敛，输出最优结果；否则则进行下一步。
约束更新：生成可行约束，并添加到主问题中，返回求解主问题的步骤，对分布式光伏接入容量进行调整。
本申请的考虑源荷随机性的光储配电网新能源接纳能力分析方法，具有以下有益效果：
1、针对分布式光伏出力、负荷的不确定性，提出基于广义加权交叉核支持向量聚类的光储配电网源荷不确定性建模方法，能够准确反映分布式光伏出力和负荷的实际情况；
2、以分布式光伏容量最大化为唯一目标，与现有的多目标优化方法相比，能够更为准确的反映配电网对分布式光伏的接纳能力；同时，不仅能够得到目标配电网对分布式光伏的接纳能力，还能得到配电网络节点的最大允许接入量，可直接支撑配电网规划与运行；
3、采用重构与分解算法将原优化问题分解为主问题和子问题，提出了分布式的求解架构，适用于考虑多主体参与的配电网新能源接纳能力分析。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种考虑源荷随机性的光储配电网新能源接纳能力分析方法的流程图；
图2为本发明一实施例提供一个具体实施例的考虑源荷随机性的光储配电网新能源接纳能力分析方法的流程图。
具体实施方式
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。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。
请参阅图1，其示出了本申请的一种考虑源荷随机性的光储配电网新能源接纳能力分析方法的流程图。
如图1所示，步骤S101，构建分布式光伏运行模型以及分布式储能运行模型；
步骤S102，基于广义加权交叉核支持向量聚类的光储配电网源荷不确定性建模；
步骤S103，考虑光储配电网源荷不确定性建立考虑最大化分布式光伏容量的鲁棒优化模型，使根据所述鲁棒优化模型对光储配电网新能源接纳能力进行量化；
步骤S104，根据分布式求解算法对所述鲁棒优化模型进行求解，使对所述光储配电网新能源接纳能力进行分析。
本实施例的方法，通过分析光储配电网的运行特性，建立分布式光伏、储能的运行模型，并分析光储配电网的不确定性来源，基于广义加权交叉核支持向量聚类构建光储配电网源荷不确定性模型，能够准确反映分布式光伏出力和负荷的实际情况；建立考虑最大化分布式光伏容量的鲁棒优化模型，实现了以分布式光伏容量最大化为唯一目标，与现有的多目标优化方法相比，能够更为准确的反映配电网对分布式光伏的接纳能力；同时，不仅能够得到目标配电网对分布式光伏的接纳能力，还能得到配电网络节点的最大允许接入量，可直接支撑配电网规划与运行；采用重构与分解算法将原优化问题分解为主问题和子问题，提出了分布式的求解架构，适用于考虑多主体参与的配电网新能源接纳能力评估模型求解方法。
请参阅图2，其示出了本申请一个具体实施例的考虑源荷随机性的光储配电网新能源接纳能力分析方法的流程图。
如图2所示，考虑源荷随机性的光储配电网新能源接纳能力分析方法具体包括以下步骤：
步骤1、运行特性分析
（1.1）光储配电网能量交互分析
所考虑的光储配电网，针对规模化分布式光伏、分布式储能接入配电网场景，其中，分布式光伏与储能可组合成分布式光储系统并网，也可单独并网。在能量交互方面，对于分布式光储系统，其能量交互既包括内部交互（光伏发电功率可直接存储在储能系统或用于本地负荷供电），也包括外部交互（即可参与配电网的能量互动）；对于单独的分布式光伏，其能量交互体现在向配电网返送功率或用于本地负荷供电；对于单独的分布式储能系统，其能量交互体现在与配电网进行双向功率交互与用于本地负荷供电。
（1.2）分布式光伏、储能的运行模型
分布式光伏的输出功率与光照强度、环境温度、天气状况等气象因素相关，通常可表达为如下形式：
Figure 658009DEST_PATH_IMAGE001
，(1)
式中，
Figure 545194DEST_PATH_IMAGE002
为光伏电源标准条件下的最大输出功率，
Figure 899952DEST_PATH_IMAGE003
为光伏电源实际条件下的输出功率，
Figure 147263DEST_PATH_IMAGE004
为实际条件下光照强度，
Figure 372708DEST_PATH_IMAGE005
为标准条件下光照强度参考值，
Figure 696373DEST_PATH_IMAGE006
为给定温度系数，
Figure 7268DEST_PATH_IMAGE007
为实际条件下环境温度，
Figure 136898DEST_PATH_IMAGE008
为环境温度参考值，取为25℃。根据配电网所在地区下一天的天气预报信息，可获得光伏电站下一天的输出功率预测曲线。
锂电池作为分布式储能的重要形式，具有运行灵活、调节速度快等优势，构建基于锂电池的分布式储能运行模型如下：
Figure 607063DEST_PATH_IMAGE123
，(2)
Figure 226263DEST_PATH_IMAGE124
，(3)
Figure 899821DEST_PATH_IMAGE009
，(4)
Figure 833142DEST_PATH_IMAGE125
，(5)
Figure 33179DEST_PATH_IMAGE126
，(6)
其中，式（2）和式（3）分别表示分布式储能的充放电限值约束，
Figure 947914DEST_PATH_IMAGE127
为分布式储能的最大充电功率，
Figure 436664DEST_PATH_IMAGE128
为分布式储能的最大放电功率，
Figure 704835DEST_PATH_IMAGE129
为m时段分布式储能的充电功率，
Figure 900324DEST_PATH_IMAGE130
为m时段分布式储能的放电功率；式（4）给出了基于锂电池的分布式储能运行模型，
Figure 861327DEST_PATH_IMAGE010
为分布式储能在时段m时的荷电状态，
Figure 837373DEST_PATH_IMAGE011
为自放电率，
Figure 768289DEST_PATH_IMAGE012
为分布式储能在时段m-1时的荷电状态，
Figure 208497DEST_PATH_IMAGE013
为分布式储能的充电效率，
Figure 950188DEST_PATH_IMAGE015
为时段长度，
Figure 413531DEST_PATH_IMAGE017
为分布式储能的放电效率，
Figure 289083DEST_PATH_IMAGE018
为分布式储能的额定容量；式（5）为分布式储能的荷电状态约束，
Figure 448712DEST_PATH_IMAGE131
、
Figure 751517DEST_PATH_IMAGE132
分别为分布式储能荷电状态的上、下限；式（6）保证分布式储能充放电不能同时进行。
步骤2、源荷不确定性建模
（2.1）光储配电网不确定性来源：分布式光伏的输出功率受光照强度、温度等影响，其处理存在不确定性；电力负荷受用户的用电行为、习惯、天气等因素影响，其负荷消耗存在显著不确定性、因此，光储配电网的不确定性主要源于源、荷两个方面。
（2.2）广义加权交叉核模型
与分布式光伏出力为例，记分布式光伏在m时段实际出力为
Figure 436576DEST_PATH_IMAGE019
，并满足：
Figure 725606DEST_PATH_IMAGE020
，(7)
式中，
Figure 874828DEST_PATH_IMAGE021
、
Figure 473168DEST_PATH_IMAGE022
分别为分布式光伏在m时段实际出力的上、下界。
基于
Figure 645524DEST_PATH_IMAGE023
个样本计算得到协方差矩阵的无偏估计
Figure 862879DEST_PATH_IMAGE024
为：
Figure 741973DEST_PATH_IMAGE025
，(8)
式中，
Figure 386581DEST_PATH_IMAGE026
为支持向量聚类集合中第n个分布式光伏出力样本；
根据协方差矩阵的无偏估计
Figure 46232DEST_PATH_IMAGE024
得到分布式光伏出力的权重系数
Figure 191912DEST_PATH_IMAGE027
；
考虑协相关信息，构建广义加权交叉核模型，所述广义加权交叉核模型的表达式为：
Figure 784567DEST_PATH_IMAGE028
，(9)
式中，
Figure 803339DEST_PATH_IMAGE029
为分布式光伏的一种情形出力向量，
Figure 622390DEST_PATH_IMAGE030
为分布式光伏的另一种情形出力向量，
Figure 447127DEST_PATH_IMAGE031
为时段m的不确定性区间宽度，
Figure 284501DEST_PATH_IMAGE032
为分布式光伏出力的权重系数，
Figure 208595DEST_PATH_IMAGE033
为时段总个数，
Figure 905156DEST_PATH_IMAGE034
为广义加权交叉核；
（2.3）基于广义加权交叉核支持向量聚类的不确定性建模
构建基于广义加权交叉核支持向量聚类的分布式光伏出力不确定性模型，所述分布式光伏出力不确定性模型的表达式为：
Figure 877791DEST_PATH_IMAGE133
，(10)
式中，
Figure 913880DEST_PATH_IMAGE036
为分布式光伏出力向量，
Figure 71192DEST_PATH_IMAGE037
为分布式光伏出力不确定性集合，
Figure 114103DEST_PATH_IMAGE038
为支持向量聚类集合，
Figure 218325DEST_PATH_IMAGE039
为模型参数，
Figure 640079DEST_PATH_IMAGE040
为分布式光伏出力的不确定性集合边界参数，
Figure 109238DEST_PATH_IMAGE041
为支持向量聚类集合中的样本索引；
其中，计算分布式光伏出力的不确定性集合边界参数的表达式为：
Figure 452495DEST_PATH_IMAGE042
，(11)
式中，
Figure 157146DEST_PATH_IMAGE043
为边界支持向量聚类集合，
Figure 89198DEST_PATH_IMAGE044
为边界支持向量聚类集合中的样本索引，
Figure 791575DEST_PATH_IMAGE045
为边界支持向量聚类集合中第
Figure 418866DEST_PATH_IMAGE044
个分布式光伏出力样本；
构建基于广义加权交叉核支持向量聚类的负荷不确定性模型，所述负荷不确定性模型的表达式为：
Figure 802573DEST_PATH_IMAGE134
，(12)
式中，
Figure 198920DEST_PATH_IMAGE047
为负荷向量，
Figure 72198DEST_PATH_IMAGE048
为负荷不确定性集合，
Figure 311418DEST_PATH_IMAGE049
为负荷的权重系数，
Figure 357872DEST_PATH_IMAGE050
为第n个负荷样本，
Figure 77566DEST_PATH_IMAGE051
为负荷的不确定性集合边界参数；
其中，计算负荷的不确定性集合边界参数的表达式为：
Figure 793849DEST_PATH_IMAGE052
，(13)
式中，
Figure 661311DEST_PATH_IMAGE053
为边界支持向量聚类集合中第
Figure 370510DEST_PATH_IMAGE044
个负荷样本。
步骤3、构建接纳能力分析模型
考虑源荷的随机性和不确定性，光储配电网对新能源的接纳能力可通过求解如下鲁棒优化模型进行量化。
（3.1）目标函数
鲁棒优化模型的目标函数表达式为：
Figure 944711DEST_PATH_IMAGE054
，(14)
式中，
Figure 222108DEST_PATH_IMAGE055
为配电网节点的集合，
Figure 921074DEST_PATH_IMAGE056
为配电网节点i接入的分布式光伏容量。可以得出，式（14）是通过优化分布式光伏在配电网中选址定容来得到其对新能源的接纳能力。
（3.2）约束条件
鲁棒优化模型的约束条件包括光伏安装容量约束、光伏输出功率约束、分布式储能运行约束、功率平衡约束以及线路潮流约束；
其中，光伏安装容量约束的表达式为：
Figure 512592DEST_PATH_IMAGE057
，(15)
式中，
Figure 738037DEST_PATH_IMAGE058
为配电网节点i的分布式光伏的安装容量，
Figure 305111DEST_PATH_IMAGE059
为配电网节点i的分布式光伏的最大安装容量，
Figure 84848DEST_PATH_IMAGE055
为配电网节点的集合；
所述光伏输出功率约束的表达式为：
Figure 11215DEST_PATH_IMAGE060
，(16)
Figure 232112DEST_PATH_IMAGE061
，(17)
式中，
Figure 851313DEST_PATH_IMAGE062
为配电网在m时段节点i分布式光伏的输出功率，
Figure 852767DEST_PATH_IMAGE063
为m时段节点i分布式光伏的预测发电水平；
所述分布式储能运行约束的表达式为：
Figure 707459DEST_PATH_IMAGE064
，(18)
Figure 907496DEST_PATH_IMAGE065
，(19)
Figure 572964DEST_PATH_IMAGE135
，(20)
Figure 61714DEST_PATH_IMAGE067
，(21)
Figure 595464DEST_PATH_IMAGE068
，(22)
式中，
Figure 774641DEST_PATH_IMAGE069
为m时段节点i分布式储能系统的最大充电功率，
Figure 938906DEST_PATH_IMAGE070
为m时段节点i分布式储能系统的最大放电功率，
Figure 711690DEST_PATH_IMAGE071
为m时段分布式储能的充电功率，
Figure 658917DEST_PATH_IMAGE072
为m时段分布式储能的放电功率，
Figure 36809DEST_PATH_IMAGE073
为节点i分布式储能在时段m的荷电状态，
Figure 903134DEST_PATH_IMAGE136
为节点i分布式储能在时段m-1时的荷电状态，
Figure 553427DEST_PATH_IMAGE075
为自放电率，
Figure 163400DEST_PATH_IMAGE076
为节点i分布式储能的充电效率，
Figure 395798DEST_PATH_IMAGE077
为节点i分布式储能的放电效率，
Figure 573970DEST_PATH_IMAGE078
为节点i分布式储能的额定容量，
Figure 321346DEST_PATH_IMAGE079
为时段长度，
Figure 938272DEST_PATH_IMAGE080
为节点i分布式储能荷电状态上限，
Figure 946548DEST_PATH_IMAGE081
为节点i分布式储能荷电状态下限；
所述功率平衡约束的表达式为：
Figure 685834DEST_PATH_IMAGE082
，(23)
Figure 530293DEST_PATH_IMAGE083
，(24)
Figure 685331DEST_PATH_IMAGE084
，(25)
Figure 689059DEST_PATH_IMAGE085
，(26)
Figure 458301DEST_PATH_IMAGE086
，(27)
Figure 914690DEST_PATH_IMAGE087
，(28)
式中，
Figure 873419DEST_PATH_IMAGE088
为配电网在m时段节点i分布式光伏的输出功率实际值，
Figure 607020DEST_PATH_IMAGE089
为m时段节点j-节点i的功率，
Figure 688108DEST_PATH_IMAGE090
为配电网在m时段节点i负荷的实际值，
Figure 756427DEST_PATH_IMAGE091
为与节点i相连的节点集合，
Figure 50005DEST_PATH_IMAGE092
为配电网在m时段节点i分布式光伏的输出功率预测值，
Figure 638112DEST_PATH_IMAGE093
为配电网在m时段节点i负荷的预测值，
Figure 827785DEST_PATH_IMAGE094
为配电网在m时段节点i分布式光伏的输出功率预测误差，
Figure 180138DEST_PATH_IMAGE095
为配电网在m时段节点i负荷的预测误差，
Figure 277407DEST_PATH_IMAGE096
分别为m时段节点i分布式光伏的输出功率预测误差的上、下界，
Figure 47917DEST_PATH_IMAGE097
分别为m时段节点i负荷的预测误差的上、下界；
所述线路潮流约束的表达式为：
Figure 80595DEST_PATH_IMAGE098
， (29)
式中，
Figure 264452DEST_PATH_IMAGE099
为节点j-节点i的功率限值，
Figure 30326DEST_PATH_IMAGE100
为m时段节点j-节点i的功率值。
因此，记
Figure 920921DEST_PATH_IMAGE101
，则鲁棒优化模型可表述为如下最优化形式：
Figure 249134DEST_PATH_IMAGE137
，(30)
其中，
Figure 530074DEST_PATH_IMAGE138
为源荷不确定性变量，
Figure 234725DEST_PATH_IMAGE139
为分布式光伏的输出功率预测误差向量，
Figure 979827DEST_PATH_IMAGE140
为配电网负荷的预测误差向量；
步骤4、基于重构与分解算法的分布式求解
（4.1）鲁棒优化模型转化
由于式（30）鲁棒优化模型两层均为最大化问题，可进一步转化为如下形式：
Figure 603575DEST_PATH_IMAGE141
，(31)
式中，
Figure 496445DEST_PATH_IMAGE104
为最大化节点分布式光伏接入容量，
Figure 348994DEST_PATH_IMAGE105
为最大化源荷不确定性范围，
Figure 214182DEST_PATH_IMAGE109
为节点i在时段m的源荷不确定性变量；
（4.2）基于重构与分解算法的分布式求解鲁棒优化模型
如式（31）所示，鲁棒优化问题中的节点分布式光伏接入容量
Figure 149777DEST_PATH_IMAGE142
为整型变量，
Figure 388998DEST_PATH_IMAGE109
为实型变量，故该问题为混合整数规划问题。为了保证优化问题的求解效率，基于重构与分解算法将所述鲁棒优化模型的优化问题分解为主问题
Figure 373134DEST_PATH_IMAGE110
和子问题
Figure 889566DEST_PATH_IMAGE111
，具体求解流程为：
初始化：初始化式（31）的优化问题的上界和下界：
Figure 871429DEST_PATH_IMAGE112
，
Figure 473311DEST_PATH_IMAGE113
；初始化迭代次数
Figure 261139DEST_PATH_IMAGE114
，并令最大迭代次数
Figure 756711DEST_PATH_IMAGE115
；设定收敛精度
Figure 34109DEST_PATH_IMAGE116
；
求解主问题：通过求解主问题得到配电网节点i的分布式光伏的安装容量
Figure 920025DEST_PATH_IMAGE117
，并更新优化问题的下界
Figure 511543DEST_PATH_IMAGE118
；
求解子问题：基于求解主问题得到的配电网节点i的分布式光伏的安装容量的最优值
Figure 736988DEST_PATH_IMAGE117
，将其代入子问题，求解得到节点i在时段m不确定性变量的最优值
Figure 60653DEST_PATH_IMAGE119
，并更新优化问题的上界
Figure 840391DEST_PATH_IMAGE120
；
收敛判据：若满足
Figure 766758DEST_PATH_IMAGE121
或
Figure 236923DEST_PATH_IMAGE122
，则算法收敛，输出最优结果；否则进行下一步。
约束更新：生成可行约束，并添加到主问题中，返回求解主问题的步骤，对分布式光伏接入容量进行调整。
综上，本申请的方法，能够实现以下技术效果：
1、针对分布式光伏出力、负荷的不确定性，提出基于广义加权交叉核支持向量聚类的光储配电网源荷不确定性建模方法方法，能够准确反映分布式光伏出力和负荷的实际情况；
2、以分布式光伏容量最大化为唯一目标，与现有的多目标优化方法相比，能够更为准确的反映配电网对分布式光伏的接纳能力；同时，本发明不仅能够得到目标配电网对分布式光伏的接纳能力，还能得到配电网络节点的最大允许接入量，可直接支撑配电网规划与运行。
3、采用重构与分解算法将原优化问题分解为主问题和子问题，提出了分布式的求解架构，适用于考虑多主体参与的配电网新能源接纳能力评估模型求解方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (6)

1.一种考虑源荷随机性的光储配电网新能源接纳能力分析方法，其特征在于，包括：
构建分布式光伏运行模型以及分布式储能运行模型；
基于广义加权交叉核支持向量聚类的光储配电网源荷不确定性建模，其中所述基于广义加权交叉核支持向量聚类的光储配电网源荷不确定性建模，包括：
记分布式光伏在m时段实际出力为PPV，m，并满足：
Figure FDA0004094208680000011
式中，
Figure FDA0004094208680000012
分别为分布式光伏在m时段实际出力的上、下界；
基于N个样本计算得到协方差矩阵的无偏估计Z为：
Figure FDA0004094208680000013
式中，
Figure FDA0004094208680000015
为支持向量聚类集合中第n个分布式光伏出力样本；
根据协方差矩阵的无偏估计Z得到分布式光伏出力的权重系数
Figure FDA0004094208680000016
考虑协相关信息，构建广义加权交叉核模型，所述广义加权交叉核模型的表达式为：
Figure FDA0004094208680000017
式中，P′PV为分布式光伏的一种情形出力向量，P″PV为分布式光伏的另一种情形出力向量，Wm为时段m的不确定性区间宽度，QPV为分布式光伏出力的权重系数，M为时段总个数，K(P′PV，P″PV)为广义加权交叉核；
构建基于广义加权交叉核支持向量聚类的分布式光伏出力不确定性模型，所述分布式光伏出力不确定性模型的表达式为：
Figure FDA0004094208680000021
式中，PPV为分布式光伏出力向量，ΓPV为分布式光伏出力不确定性集合，S’VC为支持向量聚类集合，αn为模型参数，θPV为分布式光伏出力的不确定性集合边界参数，n为支持向量聚类集合中的样本索引；
其中，计算分布式光伏出力的不确定性集合边界参数的表达式为：
Figure FDA0004094208680000022
式中，BSVC为边界支持向量聚类集合，n′为边界支持向量聚类集合中的样本索引，
Figure FDA0004094208680000023
为边界支持向量聚类集合中第n′个分布式光伏出力样本；
构建基于广义加权交叉核支持向量聚类的负荷不确定性模型，所述负荷不确定性模型的表达式为：
Figure FDA0004094208680000024
式中，L为负荷向量，ΓL为负荷不确定性集合，QL为负荷的权重系数，L(n)为第n个负荷样本，θL为负荷的不确定性集合边界参数；
其中，计算负荷的不确定性集合边界参数的表达式为：
Figure FDA0004094208680000025
考虑光储配电网源荷不确定性建立考虑最大化分布式光伏容量的鲁棒优化模型，使根据所述鲁棒优化模型对光储配电网新能源接纳能力进行量化；
根据分布式求解算法对所述鲁棒优化模型进行求解，使对所述光储配电网新能源接纳能力进行分析。
2.根据权利要求1所述的一种考虑源荷随机性的光储配电网新能源接纳能力分析方法，其特征在于，其中，所述分布式光伏运行模型的表达式为：
Figure FDA0004094208680000031
式中，Ppv为光伏电源标准条件下的最大输出功率，Pref为光伏电源实际条件下的输出功率，I为实际条件下光照强度，Iref为标准条件下光照强度参考值，k为给定温度系数，T为实际条件下环境温度，Tref为环境温度参考值，取为25℃。
3.根据权利要求1所述的一种考虑源荷随机性的光储配电网新能源接纳能力分析方法，其特征在于，所述分布式储能运行模型具体为基于锂电池的分布式储能运行模型，其中，基于锂电池的分布式储能运行模型的表达式为：
Figure FDA0004094208680000032
式中，
Figure FDA0004094208680000033
为分布式储能在时段m时的荷电状态，σ为自放电率，
Figure FDA0004094208680000034
为分布式储能在时段m-1时的荷电状态，
Figure FDA0004094208680000035
为分布式储能的充电效率，
Figure FDA0004094208680000036
为m时段分布式储能的充电功率，Δm为时段长度，
Figure FDA0004094208680000037
为m时段分布式储能的放电功率，
Figure FDA0004094208680000038
为分布式储能的放电效率，EESS为分布式储能的额定容量。
4.根据权利要求1所述的一种考虑源荷随机性的光储配电网新能源接纳能力分析方法，其特征在于，其中，所述鲁棒优化模型的目标函数表达式为：
Figure FDA0004094208680000039
式中，
Figure FDA00040942086800000310
为配电网节点的集合，cPV，i为配电网节点i接入的分布式光伏容量；
所述鲁棒优化模型的约束条件包括光伏安装容量约束、光伏输出功率约束、分布式储能运行约束、功率平衡约束以及线路潮流约束；
其中，所述光伏安装容量约束的表达式为：
Figure FDA00040942086800000311
式中，cPV，i为配电网节点i的分布式光伏的安装容量，
Figure FDA00040942086800000312
为配电网节点i的分布式光伏的最大安装容量，
Figure FDA00040942086800000313
为配电网节点的集合；
所述光伏输出功率约束的表达式为：
Figure FDA0004094208680000041
Figure FDA0004094208680000042
式中，
Figure FDA0004094208680000043
为配电网在m时段节点i分布式光伏的输出功率，
Figure FDA0004094208680000044
为m时段节点i分布式光伏的预测发电水平；
所述分布式储能运行约束的表达式为：
Figure FDA0004094208680000045
Figure FDA0004094208680000046
Figure FDA0004094208680000047
Figure FDA0004094208680000048
Figure FDA0004094208680000049
式中，
Figure FDA00040942086800000410
为m时段节点i分布式储能系统的最大充电功率，
Figure FDA00040942086800000411
为m时段节点i分布式储能系统的最大放电功率，
Figure FDA00040942086800000412
为m时段分布式储能的充电功率，
Figure FDA00040942086800000413
为m时段分布式储能的放电功率，
Figure FDA00040942086800000414
为节点i分布式储能在时段m的荷电状态，
Figure FDA00040942086800000415
为节点i分布式储能在时段m-1时的荷电状态，σ为自放电率，
Figure FDA00040942086800000416
为节点i分布式储能的充电效率，
Figure FDA00040942086800000417
为节点i分布式储能的放电效率，EESS，i为节点i分布式储能的额定容量，Δm为时段长度，
Figure FDA00040942086800000418
为节点i分布式储能荷电状态上限，
Figure FDA00040942086800000419
为节点i分布式储能荷电状态下限；
所述功率平衡约束的表达式为：
Figure FDA00040942086800000420
Figure FDA00040942086800000421
Figure FDA00040942086800000422
Figure FDA0004094208680000051
Figure FDA0004094208680000052
Figure FDA0004094208680000053
式中，
Figure FDA0004094208680000054
为配电网在m时段节点i分布式光伏的输出功率实际值，
Figure FDA0004094208680000055
为m时段节点j-节点i的功率，
Figure FDA0004094208680000056
为配电网在m时段节点i负荷的实际值，
Figure FDA0004094208680000057
为与节点i相连的节点集合，
Figure FDA0004094208680000058
为配电网在m时段节点i分布式光伏的输出功率预测值，
Figure FDA0004094208680000059
为配电网在m时段节点i负荷的预测值，
Figure FDA00040942086800000510
为配电网在m时段节点i分布式光伏的输出功率预测误差，
Figure FDA00040942086800000511
为配电网在m时段节点i负荷的预测误差，
Figure FDA00040942086800000512
分别为m时段节点i分布式光伏的输出功率预测误差的上、下界，
Figure FDA00040942086800000513
分别为m时段节点i负荷的预测误差的上、下界；
所述线路潮流约束的表达式为：
Figure FDA00040942086800000514
式中，
Figure FDA00040942086800000515
为节点j-节点i的功率限值，
Figure FDA00040942086800000516
为m时段节点j-节点i的功率值。
5.根据权利要求4所述的一种考虑源荷随机性的光储配电网新能源接纳能力分析方法，其特征在于，其中，记u＝[ΔPPV，ΔL]，则所述鲁棒优化模型表述为如下最优化形式：
Figure FDA00040942086800000517
式中，
Figure FDA00040942086800000518
为最大化节点分布式光伏接入容量，
Figure FDA00040942086800000519
为最大化源荷不确定性范围，u为源荷不确定性变量，ΔPPV为分布式光伏的输出功率预测误差向量，ΔL为配电网负荷的预测误差向量，
Figure FDA00040942086800000520
为节点i在时段m的源荷不确定性变量。
6.根据权利要求5所述的一种考虑源荷随机性的光储配电网新能源接纳能力分析方法，其特征在于，所述根据分布式求解算法对所述鲁棒优化模型进行求解，包括：
基于重构与分解算法将所述鲁棒优化模型的优化问题分解为主问题FMP和子问题FSP，具体求解流程为：
初始化：初始化式(31)的优化问题的上界和下界：UB＝+∞，LB＝-∞；初始化迭代次数iter＝1，并令最大迭代次数IterMax＝100；设定收敛精度ε＝0.001；
求解主问题：通过求解主问题得到配电网节点i的分布式光伏的安装容量
Figure FDA0004094208680000061
并更新优化问题的下界LB(iter)＝FSP(iter)；
求解子问题：基于求解主问题得到的配电网节点i的分布式光伏的安装容量的最优值
Figure FDA0004094208680000062
将其代入子问题，求解得到节点i在时段m不确定性变量的最优值
Figure FDA0004094208680000063
并更新优化问题的上界UB(iter)＝min{UB(iter-1)，FSP(iter)}；
收敛判据：若满足iter＞IterMax或|UB(iter)-LB(iter)|≤ε，则算法收敛，输出最优结果；否则则进行下一步；
约束更新：生成可行约束，并添加到主问题中，返回求解主问题的步骤，对分布式光伏接入容量进行调整。
CN202310001104.3A 2023-01-03 2023-01-03 考虑源荷随机性的光储配电网新能源接纳能力分析方法 Active CN115693787B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310001104.3A CN115693787B (zh) 2023-01-03 2023-01-03 考虑源荷随机性的光储配电网新能源接纳能力分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310001104.3A CN115693787B (zh) 2023-01-03 2023-01-03 考虑源荷随机性的光储配电网新能源接纳能力分析方法

Publications (2)

Publication Number Publication Date
CN115693787A CN115693787A (zh) 2023-02-03
CN115693787B true CN115693787B (zh) 2023-04-11

Family

ID=85057507

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310001104.3A Active CN115693787B (zh) 2023-01-03 2023-01-03 考虑源荷随机性的光储配电网新能源接纳能力分析方法

Country Status (1)

Country Link
CN (1) CN115693787B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116029532B (zh) * 2023-02-23 2023-07-14 国网江西省电力有限公司经济技术研究院 一种面向配电网承载力提升的储能规划方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008149393A1 (en) * 2007-06-06 2008-12-11 Power-One Italy S.P.A. Delivery of electric power by means of a plurality of parallel inverters and control method based on maximum power point tracking
CN114709831A (zh) * 2022-01-19 2022-07-05 国网山东省电力公司菏泽供电公司 考虑储能和光伏无功出力的分布式储能规划方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104572993A (zh) * 2015-01-06 2015-04-29 浪潮电子信息产业股份有限公司 一种基于遗传算法的分类算法参数优化方法
FR3052579A1 (fr) * 2016-06-10 2017-12-15 Schneider Electric Ind Sas Procede d'optimisation de la production d'energie electrique d'un reseau de production et de distribution d'energie electrique
CN113361078B (zh) * 2021-05-20 2022-08-16 国网湖北省电力有限公司电力科学研究院 一种考虑光伏发电不确定性的配电网云边协同调控方法
CN114069708A (zh) * 2021-11-25 2022-02-18 国网青海省电力公司经济技术研究院 一种计及不确定性的分散光储多层级多目标优化接入方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008149393A1 (en) * 2007-06-06 2008-12-11 Power-One Italy S.P.A. Delivery of electric power by means of a plurality of parallel inverters and control method based on maximum power point tracking
CN114709831A (zh) * 2022-01-19 2022-07-05 国网山东省电力公司菏泽供电公司 考虑储能和光伏无功出力的分布式储能规划方法及系统

Also Published As

Publication number Publication date
CN115693787A (zh) 2023-02-03

Similar Documents

Publication Publication Date Title
CN109462231B (zh) 居民微电网的负荷优化调度方法、系统和存储介质
CN112614009B (zh) 一种基于深度期望q-学习的电网能量管理方法及系统
CN106327006A (zh) 一种基于综合效益分析的微电网优化配置方法
CN112785027B (zh) 风光储联合发电系统置信容量评估方法及系统
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
CN114021420A (zh) 一种分布式光伏超短期发电功率预测方法及系统
CN112994092B (zh) 一种基于功率预测的独立风光储微电网系统尺寸规划方法
CN115693787B (zh) 考虑源荷随机性的光储配电网新能源接纳能力分析方法
Li et al. A new wind power forecasting approach based on conjugated gradient neural network
CN115526401A (zh) 一种基于数字孪生的新型电力系统电源最优规划方法
CN111612244A (zh) 基于qra-lstm的日前光伏功率非参数概率预测方法
CN115423153A (zh) 基于概率预测的光伏储能系统能量管理方法
CN113285490A (zh) 电力系统调度方法、装置、计算机设备和存储介质
CN115496273A (zh) 一种可再生能源集群分布鲁棒优化配置方法及系统
CN112836849A (zh) 一种考虑风电不确定性的虚拟电厂调度方法
CN112072643A (zh) 一种基于深度确定性梯度策略的光-蓄系统在线调度方法
CN115481918A (zh) 一种基于源网荷储的单元状态主动感知及预测分析系统
CN114611842A (zh) 一种整县屋顶分布式光伏功率预测方法
CN110852495A (zh) 一种分布式储能电站选址方法
CN114723230A (zh) 面向新能源发电和储能的微电网双层调度方法及系统
CN114091316A (zh) 一种区域光伏发电量计算方法
CN112036735B (zh) 一种用于光伏电站的储能系统的储能容量规划方法及系统
CN116663823A (zh) 融合精准碳数据的配电能源网格碳排放最优规划方法及系统
CN116488254A (zh) 一种电力电子设备日前优化控制方法
CN115689620A (zh) 基于物理模型和数据驱动的煤价与电价传导模型构建方法

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
GR01 Patent grant
GR01 Patent grant