CN115841216A - 计及分布式光伏消纳率的配电网储能优化配置方法 - Google Patents
计及分布式光伏消纳率的配电网储能优化配置方法 Download PDFInfo
- Publication number
- CN115841216A CN115841216A CN202211211587.1A CN202211211587A CN115841216A CN 115841216 A CN115841216 A CN 115841216A CN 202211211587 A CN202211211587 A CN 202211211587A CN 115841216 A CN115841216 A CN 115841216A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- distribution network
- storage device
- power distribution
- population
- 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
-
- 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
- Y02E70/00—Other energy conversion or management systems reducing GHG emissions
- Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种计及分布式光伏消纳率的配电网储能优化配置方法,在考虑储能装置的运行策略的基础上以储能装置的投资运维成本、储能装置的收益、配电网的网络损耗、可再生能源的跨区域送电量和弃用量为目标函数。采用基于顺序查找策略的非支配排序方法、基于参考点的选择策略以及模拟二进制交叉机制对多目标灰狼算法进行改进,考虑优化过程中的各项约束条件,利用改进后的多目标灰狼算法对所建立的储能装置的配置模型进行求解。本发明可以减少配电网的网络损耗和促进分布式光伏的就地消纳、减少弃电量,同时实现储能的效益最大化、提高了配电网系统的经济性。
Description
技术领域
本发明属于电力系统配置领域,涉及一种计及分布式光伏消纳率的配电网储能优化配置方法。
背景技术
面对着环境和资源的问题,光伏发电以其可再生、环境友好等优点受到越来越多的关注。光伏接入电网中起到了很多的积极作用,但是由于其自身的波动性和不确定性,会导致配电网的安全稳定运行受到一定程度上的破坏,针对这一问题可以采取一定的措施。
因此,需要一种新的计及分布式光伏消纳率的配电网储能优化配置方法以解决上述问题。
由于分布式风机(wind turbine,WT)和分布式光伏(photovoltaic,PV)出力具有波动性和不确定性,但是在时序特性上具有一定的互补性。一方面,利用分布式电源出力在时间维度上的互补特性,通过合理配置WT和PV容量,可以降低PV和WT的波动性,使其出力在每个时刻能够稳定地满足部分负荷功率。另一方面,在配置过程中,考虑分布式电源出力与负荷需求的协调互动特性,优化分布式电源容量,在满足负荷需求的同时,可以在负荷低谷期间减少“弃风”和“弃光”现象,提高能源利用率。
储能系统在配电网中的合理配置可以促进分布式光伏能源的消纳,减小分布式光伏能源发电出力的波动性和间歇性对电网运行的影响;可以削峰填谷,高效利用电力设备、降低供电成本,减少为了满足高峰时刻负荷需求而进行的电网升级建设的投资;减小负荷的峰谷差,平滑负荷曲线。因此储能的合理配置,将有效解决分布式光伏并网时带来的运行压力,有助于安全运行。
发明内容
本发明的目的是为了解决现有技术中存在的问题,提供一种计及分布式光伏消纳率的配电网储能优化配置方法以解决上述问题。
为实现上述发明目的,本发明的储能优化配置可采用如下技术方案:
一种计及分布式光伏消纳率的配电网储能优化配置方法,包括以下步骤:
步骤1建立配电网储能装置模型;
步骤2以储能系统的安装位置、容量、功率作为决策变量,在满足储能装置约束、光伏出力约束、功率平衡约束和传输容量约束条件下,综合考虑储能装置接入电网后的产生的综合效益、配电网的网络损耗和分布式能源的就地消纳情况和弃用量优化配电网储能装置模型;
步骤3改进多目标灰狼算法:
步骤32采用基于参考点的选择策略,子代Pt和父代Qt结合生成种群Rt=Pt∪Qt,并从种群Rt中选出N个个体。在选择过程中首先将种群Rt通过非支配排序分为多个非支配层(F1,F2,…,Fk),接着从非支配层F1开始逐层产生一个新的种群,在种群个体数量达到N或者首次超过N就不再新增个体数;
步骤33对N个个体进行选择,为需要从第L个前沿面选择出的个体数,利用常规边界交叉法(NBI)可以提供一组均匀的权重系数{λ1,λ2,…λn}给选择策略进行使用,然后对每一维度的目标函数值进行自适应归一化的操作;
计算每个目标函数对应的额外点:第i个目标会出现一个额外的目标向量m个额外向量可以组成一个m维的超平面,在此基础上可以求出截距ai(i=1,2,…,m),目标函数可以表示为:/>截距不存在时就直接设置截距为目标下的最大值,在参考点组成的参考线中选择出与归一化的个体最近的参考线,参考点中对应的个体数量较少的被保留的可能性更大;
式中:t为当前的迭代次数;tmax为设定的迭代次数最大值;
步骤4将配电网储能装置模型用改进多目标灰狼算法进行优化求解。
上述步骤S1中,所述配电网储能装置的SOC计算公式如下:
式中:Eess(t)为所述配电网储能装置前一时刻的剩余容量;Ssoc(t)为t时刻所述配电网储能装置的荷电状态;Δt为电量积累的时间间隔;ηbc、ηbd分别为储能元件的充电效率和放电效率;Pess(t)为所述配电网储能装置在t时刻的功率,Pess(t)>0时所述配电网储能装置充电,视作电网的负荷,Pess(t)<0为所述配电网储能装置放电,视作电网的电源,约束条件如下:
上述步骤4包括如下步骤:
步骤S41设置种群个体数N、迭代次数最大值tmax,初始化系数向量a、A、每天的投资运行维护成本C和种群P,生成参考点Z;
步骤S42计算个体的各维目标值,采用基于顺序查找策略的非支配排序策略选取前三等级的α,β,δ狼;
步骤S43更新种群Pt,生成子代种群Qt。如果随机数小于设定值的下限,执行二进制交叉变异,否则按照灰狼算法的原有机制更新种群;
步骤S44更新后的种群为Rt=(Pt∪Qt),通过基于参考点的选取策略在Rt中生成新种群St;
步骤S45如果迭代次数小于tmax,则返回步骤S42继续迭代,否则输出当前种群作为优化结果。
有益效果:本发明的计及分布式光伏消纳率的配电网储能优化配置方法,其中所建立的光伏与储能装置的出力模型接入IEEE33节点系统中,充分考虑了储能装置接入配电网后的作用,以储能装置的运维投资成本、低储高发的效益作为经济指标,以与网络损耗、可再生能源就地消纳量和弃电量作为技术指标建立储能装置的优化配置方案,并且计及储能装置的优化运行策略,采用改进的多目标灰狼算法对所提出的模型进行求解,验证所提出的模型能够有效提高分布式电源接入后的配电网的经济性与稳定性;在接入电网后可以实现促进可再生能源的消纳、减少配电网的网络损耗等功能。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍,显而易见地,下面所描述的附图仅仅是本发明的一些实施例,对于本领域的技术人员来讲,还可以根据这些附图获得其他的附图。
图1本发明配置方法流程图;
图2本发明图1中步骤S4的具体流程图;
图3节点测试系统图;
图4典型日负荷需求;
图5(a)场景1风电和光伏出力曲线图;
图5(b)场景2风电和光伏出力曲线图;
图6(a)场景1配置储能前传输功率;
图6(b)场景2配置储能前传输功率;
图7(a)场景1配置储能前网络损耗;
图7(b)场景2配置储能前网络损耗;
图8(a)场景1配置储能后传输功率;
图8(b)场景2配置储能后传输功率;
图9(a)场景1分布式储能出力图;
图9(b)场景2分布式储能出力图;
图10(a)场景1配置储能后网络损耗;
图10(b)场景2配置储能后网络损耗;
图11(a)配置储能前风光消纳情况;
图11(b)配置储能后风光消纳情况。
具体实施方式
下面结合附图对本发明作更进一步的说明。下面结合附图和具体实施例,进一步阐明本发明,应理解这些实施例仅是本发明的优选实施方式,在阅读了本发明之后,本领域技术人员对本发明的各种不脱离本发明原理的修改均落于本申请所附权利要求所限定的范围。
本发明的计及分布式光伏消纳率的配电网储能优化配置方法,包括以下步骤:
步骤1建立配电网储能装置模型。储能系统的SOC计算公式如下:
式中:Eess(t)为储能系统前一时刻的剩余容量;Ssoc(t)为t时刻储能系统的荷电状态;Δt为电量积累的时间间隔;ηbc、ηbd分别为储能元件的充电效率和放电效率;Pess(t)为储能系统在t时刻的功率,Pess(t)>0时储能系统充电,视作电网的负荷,Pess(t)<0为储能系统放电,视作电网的电源。同时为了保证储能系统运行的安全性以及储能元件的寿命应对储能的功率、容量及SOC进行约束。具体约束条件如下:
步骤2以储能系统的安装位置、容量、功率作为决策变量,在满足储能装置约束、光伏出力约束、功率平衡约束和传输容量约束等条件下,综合考虑储能装置接入电网后的产生的综合效益、配电网的网络损耗和分布式能源的就地消纳情况和弃用量建立配电网储能装置优化模型。包括以下方面:
(1)考虑配电网中储能装置的投资运维成本和低储高发的收益,建立系统综合成本最小的目标函数,综合成本目标函数F1如下:
F1=C-f
其中储能装置的投资运维成本C
Cess=(ηP·Pess+ηE·Eess)+ηm·Pess(t)·n
将储能装置折合到每天的投资运行维护成本C表达式如下:
储能装置的低储高发的套利f表达为:
(2)储能装置接入配电网后改变了线路的潮流分布,因此会改变系统的网络损耗,合理的储能装置的配置可以减少网络损耗,此时电网中的网络损耗目标函数F2为:
(3)以可再生能源的跨区域电量传输和弃电最小作为优化目标,弃电最小目标函数F3可表示为:
综合考虑以上条件建立配电网储能装置的多目标配置模型如下:
min F=min[F1,F2,F3]
具体约束条件如下
(1)功率平衡约束
PW(t)+PS(t)+PGrid(t)=Pess(t)+PLoad(t)
(2)节点电压约束
(3)分布式电源出力约束
(4)主变压器容量约束
PGridmin≤PGrid(t)≤PGridmax
(5)储能系统功率约束
(6)储能系统容量约束
(7)储能荷电状态约束
步骤3对多目标灰狼算法进行改进如下:
步骤32采用基于参考点的选择策略,子代和父代结合生成种群Rt=Pt∪Qt,并从Rt中选出N个个体。在选择过程中首先将Rt通过非支配排序分为多个非支配层(F1,F2,…,Fk),接着从F1开始逐层产生一个新的种群,在种群个体数量达到N或者首次超过N就不再新增个体数。
步骤33对N个个体进行选择,为需要从第L个前沿面选择出的个体数。利用常规边界交叉法(NBI)可以提供一组均匀的权重系数{λ1,λ2,…λn}给选择策略进行使用。然后对每一维度的目标函数值进行自适应归一化的操作。
计算每个目标函数对应的额外点:第i个目标会出现一个额外的目标向量m个额外向量可以组成一个m维的超平面,在此基础上可以求出截距ai(i=1,2,…,m),目标函数可以表示为:/>截距不存在时就直接设置截距为目标下的最大值。在参考点组成的参考线中选择出与归一化的个体最近的参考线,参考点中对应的个体数量较少的被保留的可能性更大。
式中:t为当前的迭代次数;tmax为设定的迭代次数最大值;
多目标灰狼算法在计算过程可能会陷入局部最优,同时运算稳定性差,故这里对多目标灰狼算法进行改进,再使用改进后的多目标灰狼算法进行求解。多目标灰狼算法对步骤S2得出的储能装置优化模型进行求解。
步骤4将配电网储能装置模型用步骤3的多目标灰狼算法进行优化求解。具体优化求解步骤如下:
步骤41设置种群个体数N、迭代次数最值tmax,初始化a、A、C和种群P,生成参考点Z;其中a、A、C均为系数向量,且a=2(1-(t/tmax)2), 为(0,1)的随机向量。种群P包含每个灰狼个体Pi。所述种群P为所述步骤S2中配电网储能装置的多目标配置模型F。
步骤42计算个体的各维目标值,采用基于顺序查找策略的非支配排序策略选取前三等级的α,β,δ狼;
步骤43更新种群Pt,生成子代种群Qt。如果随机数小于设定值的下限,执行二进制交叉变异,否则按照灰狼算法的原有机制更新种群;
步骤44更新后的种群为Rt=(Pt∪Qt),通过基于参考点的选取策略在Rt中生成新种群St;
步骤45如果迭代次数小于tmax,则返回步骤S42继续迭代,否则输C出当前种群作为优化结果。继而对储能配置模型的目标函数找到最优解,从而降低储能装置的投资运维成本,实现低储高发的效益。
本发明的计及分布式光伏消纳率的配电网储能优化配置方法,其中所建立的光伏与储能装置的出力模型接入IEEE33节点系统中,充分考虑了储能装置接入配电网后的作用,以储能装置的运维投资成本、低储高发的效益作为经济指标,以与网络损耗、可再生能源就地消纳量和弃电量作为技术指标建立储能装置的优化配置方案,并且计及储能装置的优化运行策略,采用改进的多目标灰狼算法对所提出的储能配置模型进行优化求解,验证所提出的模型能够有效提高分布式电源接入后的配电网的经济性与稳定性。
采用IEEE33节点的配电网系统进行仿真分析,系统中共有32条支路、33个节点,在系统中加入风电机组和光伏机组对系统进行改进,改进后的系统如图1所示。其中风电机组接于15节点,光伏机组接于25节点。
取一个调度周期T为24h,以1h为采样点,选取典型日的数据进行分析,假设在1h的采样时间内负荷的功率、风电、光伏的输出功率保持恒定。
可以接入的储能装置的个数设为3、各个节点允许接入的储能装置个数设为1,分析中所采用的分时电价如表1所示、相关基础参数如表2所示、典型日的负荷需求曲线如图2所示。
表1分时电价表
表2相关参数设置
不同比例的可再生能源接入的情况下,配电网运行时可再生能源可就地消纳的电量不同,与主网之间的传输容量受到主变压器的容量限制,在可再生能源接入比例过高时出现弃电的情况。本章节将分别提出以下两个情景对促进可再生能源的就地消纳、减少弃电和减少网络损耗进行储能装置的配置方案求解:
场景一:并网的可再生能源存在出力略大于负荷的情况,未配置储能装置时向主网的倒送功率满足主变的容量约束,存在跨区域送电。
场景二:并网的可再生能源存在出力远大于负荷的情况,未配置储能装置时可再生能源的外送功率受到线路传输容量的限制,存在跨区域送电、可再生能源弃电。
场景1的风电和光伏的出力曲线如图5(a)所示,在未配置储能装置时配电网与主网的传输功率如图6(a)所示,此时可再生能源的就地消纳率为93.78%,无弃电的情况。
根据图5(a)所示电网的网络损耗为2910kWh。可以看出高比例入网的可再生能源接入后对配电网的运行造成一定的影响,对电网的设备等造成一定的压力。
模型求解所得的储能装置配置方案如下表3:
表3储能装置配置方案
配置储能装置后与主网的传输功率如图6(a)所示,可以看出在配置储能装置后减少了可再生能源出力大于负荷需求时所产生的倒送功率,使得可再生能源的就地消纳率提升了3%。
储能装置的出力如图7(a)所示,并且按照设定的运行策略储能装置在可再生能源出力大于负荷需求时进行充电、在小于负荷需求时进行放电获得效益,充放电的趋势基本与分时电价保持一致,实现了低储高发的效益。
配置储能装置后的网络损耗如图5(a)所示,可以看出在减少了可再生能源的跨区域送电后系统的网络损耗总体呈现降低的趋势,减损效果达到11.71%,这说明储能装置的合理配置可以减少系统的网损。
场景2的风电和光伏的出力曲线如图5(b)所示,在未配置储能装置时与主网的传输功率如图6(b)所示,在负荷低谷时段传输功率已经部分达到了主变压输送功率的限值,产生了弃电的情况,此时就地消纳率为75.18%,此时可再生能源的消纳情况如图11(a)所示,弃电量达到了10.8%;
如图5(b)所示电网的网络损耗为3851kWh。可以看出高比例入网的可再生能源接入后对配电网的运行造成一定的影响,对电网的设备等造成一定的压力,可再生能源的消纳情况较为一般,造成了资源浪费。
模型求解所得的储能装置配置方案如下表4:
表4储能装置配置方案
配置储能装置后与主网的传输功率如图8(b)所示、可再生能源的消纳情况如图11(b)所示,对比图6(b)、图11(a)可以看出储能装置接入电网后可以减少配网与上级电网的传输功率,提升了可再生能源的就地消纳率约11.54%,减少可再生能源的弃电情况,弃电率减小了3.86%。
图7(b)为储能装置的出力图,储能装置按照设定的运行策略进行充放电,在负荷的低谷时段及时存储可再生能源的过剩电量,在负荷高峰期释放电能,减少可再生能源的弃电情况、促进可再生能源的消纳,实现经济效益最大化。
图8(b)为配置储能后的系统网络损耗图,对比配置前的网络损耗可以发现储能装置的配置减少了运行时的系统的网络损耗,减损效果达到15.76%,有利于系统的稳定运行。
可以理解的是,以上关于本发明的具体描述,仅用于说明本发明而并非受限于本发明实施例所描述的技术方案,本领域的普通技术人员应当理解,仍然可以对本发明进行修改或等同替换,以达到相同的技术效果;只要满足使用需要,都在本发明的保护范围之内。
Claims (3)
1.一种计及分布式光伏消纳率的配电网储能优化配置方法,其特征在于,包括以下步骤:
步骤1建立配电网储能装置模型;
步骤2以储能系统的安装位置、容量、功率作为决策变量,在满足储能装置约束、光伏出力约束、功率平衡约束和传输容量约束条件下,综合考虑储能装置接入电网后的产生的综合效益、配电网的网络损耗和分布式能源的就地消纳情况和弃用量优化配电网储能装置模型;
步骤3改进多目标灰狼算法,包括如下步骤,
步骤32采用基于参考点的选择策略,子代Pt和父代Qt结合生成种群Rt=Pt∪Qt,并从种群Rt中选出N个个体,在选择过程中首先将种群Rt通过非支配排序分为多个非支配层(F1,F2,…,Fk),接着从非支配层F1开始逐层产生一个新的种群,在种群个体数量达到N或者首次超过N就不再新增个体数;
步骤33对N个个体进行选择,为需要从第L个前沿面选择出的个体数,利用常规边界交叉法(NBI)可以提供一组均匀的权重系数{λ1,λ2,…λn}给选择策略进行使用,然后对每一维度的目标函数值进行自适应归一化的操作;
计算每个目标函数对应的额外点:第i个目标会出现一个额外的目标向量m个额外向量可以组成一个m维的超平面,在此基础上可以求出截距ai(i=1,2,…,m),目标函数可以表示为:截距不存在时就直接设置截距为目标下的最大值,在参考点组成的参考线中选择出与归一化的个体最近的参考线,参考点中对应的个体数量较少的被保留的可能性更大;
式中:t为当前的迭代次数;tmax为设定的迭代次数最大值;
步骤4将配电网储能装置模型用改进多目标灰狼算法进行优化求解。
2.如权利要求1所述一种计及分布式光伏消纳率的配电网储能优化配置方法,其特征在于,所述配电网储能装置的SOC计算公式如下:
式中:Eess(t)为所述配电网储能装置前一时刻的剩余容量;Ssoc(t)为t时刻所述配电网储能装置的荷电状态;Δt为电量积累的时间间隔;ηbc、ηbd分别为储能元件的充电效率和放电效率;Pess(t)为所述配电网储能装置在t时刻的功率,Pess(t)>0时所述配电网储能装置充电,视作电网的负荷,Pess(t)<0为所述配电网储能装置放电,视作电网的电源,约束条件如下:
3.如权利要求2所述一种计及分布式光伏消纳率的配电网储能优化配置方法,其特征在于,所述步骤4包括如下步骤:
步骤S41设置种群个体数N、迭代次数最大值tmax,初始化系数向量a、A、每天的投资运行维护成本C和种群P,生成参考点Z;
步骤S42计算个体的各维目标值,采用基于顺序查找策略的非支配排序策略选取前三等级的α,β,δ狼;
步骤S43更新种群Pt,生成子代种群Qt,如果随机数小于设定值的下限,执行二进制交叉变异,否则按照灰狼算法的原有机制更新种群;
步骤S44更新后的种群为Rt=(Pt∪Qt),通过基于参考点的选取策略在Rt中生成新种群St;
步骤S45如果迭代次数小于tmax,则返回步骤S42继续迭代,否则输出当前种群作为优化结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211211587.1A CN115841216A (zh) | 2022-09-30 | 2022-09-30 | 计及分布式光伏消纳率的配电网储能优化配置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211211587.1A CN115841216A (zh) | 2022-09-30 | 2022-09-30 | 计及分布式光伏消纳率的配电网储能优化配置方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115841216A true CN115841216A (zh) | 2023-03-24 |
Family
ID=85575031
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211211587.1A Pending CN115841216A (zh) | 2022-09-30 | 2022-09-30 | 计及分布式光伏消纳率的配电网储能优化配置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115841216A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116167192A (zh) * | 2023-04-23 | 2023-05-26 | 北京和瑞储能科技有限公司 | 一种基于局域电网模型的储能配置方法及系统 |
-
2022
- 2022-09-30 CN CN202211211587.1A patent/CN115841216A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116167192A (zh) * | 2023-04-23 | 2023-05-26 | 北京和瑞储能科技有限公司 | 一种基于局域电网模型的储能配置方法及系统 |
CN116167192B (zh) * | 2023-04-23 | 2023-09-15 | 北京和瑞储能科技有限公司 | 一种基于局域电网模型的储能配置方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110119886B (zh) | 一种主动配网动态规划方法 | |
CN112069734B (zh) | 一种电热泵-热电联合系统的优化调控方法及系统 | |
CN108667052B (zh) | 一种面向虚拟电厂优化运行的多类型储能系统规划配置方法及系统 | |
CN110350523B (zh) | 基于需求响应的多能源互补优化调度方法 | |
CN107634518B (zh) | 一种“源-网-荷”相协调的主动配电网经济调度方法 | |
CN112713618B (zh) | 基于多场景技术的主动配电网源网荷储协同优化运行方法 | |
CN111969593B (zh) | 基于混合储能的热电联供微网模型预测控制优化调度方法 | |
CN111244988B (zh) | 考虑分布式电源的电动汽车和储能优化调度方法 | |
CN111404206A (zh) | 考虑投资回报约束的风光储发电系统容量双层规划方法 | |
CN112651634A (zh) | 基于序列运算的有源配电系统源网荷储日前有功调度方法 | |
CN110165715B (zh) | 一种将电动汽车储能式充电站接入虚拟电厂的方法 | |
CN112072711A (zh) | 基于动态优先级的配电网灵活性优化调度方法 | |
CN110796373A (zh) | 面向风电消纳的多阶段场景生成电热系统优化调度方法 | |
CN115102159A (zh) | 计及碳排放流的共享储能优化运行方法 | |
CN108512238B (zh) | 基于需求侧响应的智能家居两阶段优化调度方法 | |
Zhou et al. | Optimal combined heat and power system scheduling in smart grid | |
CN115115130A (zh) | 一种基于模拟退火算法的风光储制氢系统日前调度方法 | |
CN115036914A (zh) | 考虑灵活性与新能源消纳的电网储能双层优化方法及系统 | |
CN115841216A (zh) | 计及分布式光伏消纳率的配电网储能优化配置方法 | |
Georgiev et al. | Optimized power flow control of smart grids with electric vehicles and DER | |
CN117559526A (zh) | 一种基于光储充一体化充电站的拟路由器能量调控方法 | |
CN110224397B (zh) | 一种风光接入背景下用户侧电池储能成本效益分析方法 | |
Kumar et al. | Smart home energy management with integration of PV and storage facilities providing grid support | |
CN115940284B (zh) | 一种考虑分时电价的新能源制氢系统的运行控制策略 | |
CN114759616B (zh) | 一种考虑电力电子器件特性的微电网鲁棒优化调度方法 |
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 |