CN116244875B - 一种虚拟电厂集群划分方法和装置 - Google Patents

一种虚拟电厂集群划分方法和装置 Download PDF

Info

Publication number
CN116244875B
CN116244875B CN202310504653.2A CN202310504653A CN116244875B CN 116244875 B CN116244875 B CN 116244875B CN 202310504653 A CN202310504653 A CN 202310504653A CN 116244875 B CN116244875 B CN 116244875B
Authority
CN
China
Prior art keywords
index
cluster
power plant
virtual power
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.)
Active
Application number
CN202310504653.2A
Other languages
English (en)
Other versions
CN116244875A (zh
Inventor
鞠立伟
吕硕硕
汪鹏
杨莘博
张鑫磊
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.)
Beijing Xinyuan Smart Internet Technology Co ltd
North China Electric Power University
Economic and Technological Research Institute of State Grid Hebei Electric Power Co Ltd
Original Assignee
North China Electric Power University
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 North China Electric Power University filed Critical North China Electric Power University
Priority to CN202310504653.2A priority Critical patent/CN116244875B/zh
Publication of CN116244875A publication Critical patent/CN116244875A/zh
Application granted granted Critical
Publication of CN116244875B publication Critical patent/CN116244875B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Geometry (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Optimization (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Analysis (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种虚拟电厂集群划分方法和装置，属于配电网络技术领域，解决现有模型无法体现分布式电源自身功能性数据对于虚拟电厂的影响等问题。方法包括：构建分布式能源集群指标，分布式能源集群指标包括结构性指标和功能性指标；根据分布式能源集群指标实时测量所述虚拟电厂集群中各个节点的有功功率或负荷净功率；对有功功率或负荷净功率进行数据预处理，数据预处理包括缺失异常数据处理和数据归一化处理；基于结构性指标和功能性指标构建目标函数；以及基于Louvain算法划分所述虚拟电厂集群，Louvain算法是基于目标函数的值优化的社区发现算法。考虑结构性指标和功能性指标的复杂聚类优化模型，充分挖掘节点自身功能性指标对集群划分的影响。

Description

一种虚拟电厂集群划分方法和装置
技术领域
本发明涉及配电网络技术领域，尤其涉及一种虚拟电厂集群划分方法和装置。
背景技术
虚拟电厂集群划分是实现分布式电源发电能够有序高效地接入电网，完成电网与可再生能源协调互补的关键所在。合理的集群划分对于电网经济运行和提高电能质量具有重要作用。随着全国各地区大量分布式电源接入电网，电压越限、功率倒送、弃风弃光等问题也在电力系统领域引起广泛关注，因此合理的集群划分对于电网经济运行和提高电能质量具有重要作用。
目前针对虚拟电厂集群划分方法主要分为两类：基于划分的聚类算法和基于图聚类的聚类算法。基于划分的聚类算法主要有K-means算法、FCM(Fuzzy C Means)算法等方法，基于图聚类的聚类算法主要有粒子群算法、神经网络算法、Louvain算法等。基于划分的聚类算法模型较为简单、模型的参数固定，对于节点自身属性和节点间相互关系难以综合考虑。基于图聚类的聚类算法以网络无向边权图为基础，综合考虑节点的自身参数以及节点与节点间的结构参数，且相较于基于划分的聚类算法，基于图聚类的聚类算法计算速度较快，时间尺度较短，能够保证集群划分的时效性。常见的方法考虑的主要因素有基于灵敏度矩阵的电气距离、有功功率、无功电压等参数。
目前大多数的虚拟电厂集群划分方法集中于建立结构化的灵敏度矩阵与节点之间的关系，但仅通过结构化的电气距离指标丢失了分布式电源自身出力、爬坡功率等功能性数据信息，所构建的模型无法体现分布式电源自身功能性数据对于虚拟电厂的影响。随着高比例分布式电源大规模接入电网，基于划分的聚类算法不再适用于复杂而时变的网络。
发明内容
鉴于上述的分析，本发明实施例旨在提供一种虚拟电厂集群划分方法和装置，用以解决现有模型无法体现分布式电源自身功能性数据对于虚拟电厂的影响以及随着分布式电源大规模接入电网会导致基于划分的聚类算法无法适用于复杂而时变的网络的问题。
一方面，本发明实施例提供了一种虚拟电厂集群划分方法，包括：构建分布式能源集群指标，其中，所述分布式能源集群指标包括虚拟电厂集群聚合的结构性指标和功能性指标；根据所述分布式能源集群指标实时测量所述虚拟电厂集群中各个节点的有功功率或负荷净功率；对所述虚拟电厂集群中各个节点的有功功率或负荷净功率进行数据预处理，其中，所述数据预处理包括缺失异常数据处理和数据归一化处理；基于所述结构性指标和所述功能性指标构建目标函数；以及基于Louvain算法划分所述虚拟电厂集群，其中，所述Louvain算法是基于所述目标函数的值优化的社区发现算法。
上述技术方案的有益效果如下：通过构建电网网络拓扑结构，融合分布式电源功能性数据，例如有功功率、无功电压、负荷净功率等，构建考虑结构性指标和功能性指标的复杂聚类优化模型，充分挖掘节点自身功能性指标对集群划分的影响，有助于构建安全、经济、可靠的虚拟电厂集群聚合模型。
基于上述方法的进一步改进，所述结构性指标包括基于电气距离的模块度指标，其中，所述模块度指标表示所述虚拟电厂集群的电网网络中任意两个节点落入同一区域的概率；所述功能性指标包括有功功率平衡度指标、灵活性平衡指标和灵活性概率风险指标，其中，所述有功功率平衡度指标表示在一定时间尺度下所述虚拟电厂集群内部的源荷程度；所述灵活性平衡指标表示在一定时间尺度下所述虚拟电厂集群调用各类灵活性资源满足净负荷波动的能力；以及所述灵活性概率风险指标表示利用正态分布描述所述虚拟电厂集群净负荷需求的概率分布。
基于上述方法的进一步改进，基于所述结构性指标和所述功能性指标构建目标函数包括基于所述模块度指标、所述有功功率平衡度指标、所述灵活性平衡指标和所述灵活性概率风险指标构建以下所述虚拟电厂集群的目标函数：
；
其中，、/>分别表示结构性指标权重和功能性指标权重，/>取值越大，则所述虚拟电厂集群结构性越好，/>越大，则所述虚拟电厂集群功能性越好；/>表示所述模块度指标；/>表示所述有功功率平衡度指标；/>和/>分别表示所述虚拟电厂集群的所述灵活性供需平衡指标和所述灵活性平衡时间指标；/>表示所述虚拟电厂集群的灵活性概率风险指标。
基于上述方法的进一步改进，通过以下公式计算所述模块度指标：
；
；
其中，m i 和m j 分别表示与节点i、节点j相连的边权之和；表示所述节点i和所述节点j的区域关系；当所述节点i和所述节点j在同一区域时，/>，反之/>；M表示所述电网网络中所有边权之和；N表示所述电网网络中的节点数；d ij 表示所述节点i和所述节点j之间的电气距离；S ik 、S jk 分别表示灵敏度矩阵中第i行第k列、第j行第k列的元素，由潮流计算中雅可比矩阵求逆计算各节点电压灵敏度；/>和/>均表示第k列元素的最大值。
基于上述方法的进一步改进，通过以下公式计算所述有功功率平衡度指标：
；
其中，S表示所述虚拟电厂集群中的节点总数；T表示调度周期；L s,t 表示所述虚拟电厂集群s在时刻t的净负荷功率值。
基于上述方法的进一步改进，所述灵活性平衡指标包括灵活性供需平衡指标和灵活性平衡时间指标，其中，通过以下公式计算所述灵活性供需平衡指标和所述灵活性平衡时间指标/>：
；
；
；
；
；
其中，表示满足/>的累计时间值；/>表示所述虚拟电厂集群s在响应时间长度为/>的向上/向下+/-调节灵活性的缺额程度；表示时刻t净负荷的爬坡功率；L s,t 表示时刻t的净负荷需求；/>表示所述虚拟电厂集群s在时刻t提供的灵活性爬坡功率；/>、/>、/>分别表示调节性机组AGU、调节性负荷AL和储能机组ESD在时刻t提供的向上/向下+/-灵活性爬坡功率。
基于上述方法的进一步改进，通过以下公式计算所述灵活性概率风险指标：；/>；其中，/>表示所述虚拟电厂集群的灵活性概率风险指标；/>表示所述虚拟电厂集群s在时刻t的灵活性概率风险指标；/>表示考虑不确定性时的所述虚拟电厂集群s在时刻t的净负荷爬坡功率；/>表示时刻t净负荷需求取值L s,t 的概率值。
基于上述方法的进一步改进，基于Louvain算法划分所述虚拟电厂集群包括：将所述电气距离作为节点间边权重，将分布式能源的有功功率和负荷净功率的数值赋予节点；构建所述虚拟电厂集群划分的优化目标函数；将每个节点初始化为单独一个集群，其中，集群数等于节点数；计算所述虚拟电厂集群的合并前的目标函数/>，并选取任意节点i，根据电气距离判断剩余节点是否为节点i的邻居节点，并从所述节点i的邻居节点中随机选择节点j组合成合并集群C（i,j），计算所述虚拟电厂集群的合并后的目标函数/>；基于所述合并前的目标函数/>和所述合并后的目标函数/>计算合并前后的目标变化/>，遍历所述节点i的剩余邻居节点，将每次合并后获得的目标变化进行比较并记录最大目标变化/>，其中，当/>时，所述节点i选择加入所述最大目标变化/>对应的邻居节点所在的集群，否则所述节点i仍保留在原集群；重复合并步骤和划分步骤，直至遍历所有节点后，并且当节点与邻居节点合并后的目标变化/>时，所有集群不再发生变化；对于遍历步骤产生的新集群进行压缩，将所述新集群作为新节点，将所述新集群内部权重作为节点自身环权重，将所述新集群间边权重作为新节点边权重；以及返回所述合并步骤，直至整个电网网络的优化目标值达到最大值，集群划分过程停止以获得最优集群划分结果。
另一方面，本发明实施例提供了一种虚拟电厂集群划分装置，包括：指标构建模块，用于构建分布式能源集群指标，其中，所述分布式能源集群指标包括虚拟电厂集群聚合的结构性指标和功能性指标；功率检测装置，用于根据所述分布式能源集群指标实时测量所述虚拟电厂集群中各个节点的有功功率或负荷净功率；预处理模块，用于对所述虚拟电厂集群中各个节点的有功功率或负荷净功率进行数据预处理，其中，所述数据预处理包括缺失异常数据处理和数据归一化处理；目标函数构建模块，用于基于所述结构性指标和所述功能性指标构建目标函数；以及集群划分模块，用于基于Louvain算法划分所述虚拟电厂集群，其中，所述Louvain算法是基于所述目标函数的值优化的社区发现算法。
基于上述装置的进一步改进，所述结构性指标包括基于电气距离的模块度指标，其中，所述模块度指标表示所述虚拟电厂集群的电网网络中任意两个节点落入同一区域的概率；所述功能性指标包括有功功率平衡度指标、灵活性平衡指标和灵活性概率风险指标，其中，所述有功功率平衡度指标表示在一定时间尺度下所述虚拟电厂集群内部的源荷程度；所述灵活性平衡指标表示在一定时间尺度下所述虚拟电厂集群调用各类灵活性资源满足净负荷波动的能力；以及所述灵活性概率风险指标表示利用正态分布描述所述虚拟电厂集群净负荷需求的概率分布；其中，所述目标函数构建模块用于基于所述模块度指标、所述有功功率平衡度指标、所述灵活性平衡指标和所述灵活性概率风险指标构建以下所述虚拟电厂集群的目标函数：
；
其中，、/>分别表示结构性指标权重和功能性指标权重，/>取值越大，则所述虚拟电厂集群结构性越好，/>越大，则所述虚拟电厂集群功能性越好；/>表示所述模块度指标；/>表示所述有功功率平衡度指标；/>和/>分别表示所述虚拟电厂集群的所述灵活性供需平衡指标和所述灵活性平衡时间指标；/>表示所述虚拟电厂集群的灵活性概率风险指标。
与现有技术相比，本发明至少可实现如下有益效果之一：
1、通过构建电网网络拓扑结构，融合分布式电源功能性数据，例如有功功率、无功电压、负荷净功率等，构建考虑结构性指标和功能性指标的复杂聚类优化模型，充分挖掘节点自身功能性指标对集群划分的影响，有助于构建安全、经济、可靠的虚拟电厂集群聚合模型；
2、本申请的实施例涉及多种影响因素的虚拟电厂集群划分指标，通过Louvain算法以集群综合指标最大为优化目标对多种类分布式能源进行集群划分，解决了目前集群划分中仅依据电气距离划分结构单一集群导致可再生能源消纳困难等问题；
3、采用Louvain算法避免集群划分结果不陷于局部最优的情况，使得更好聚合各种类分布式能源，保证电网安全运行及其经济性。
本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件；
图1为根据本发明实施例的虚拟电厂集群划分方法的流程图；
图2为根据本发明实施例的节点网络拓扑结构图；
图3为根据本发明实施例的实际配电系统结构图；
图4为根据本发明实施例的配电网络G的网络拓扑图；
图5为根据本发明实施例的电网网络简易拓扑图；
图6为根据本发明实施例的节点A和B合并前与合并后的网络拓扑图；
图7为根据本发明实施例的基于Louvain算法的虚拟电厂集群划分的流程图；
图8为根据本发明实施例的虚拟电厂集群划分装置的框图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
参考图1，本发明的一个具体实施例，公开了一种虚拟电厂集群划分方法，包括：在步骤S102中，构建分布式能源集群指标，其中，分布式能源集群指标包括虚拟电厂集群聚合的结构性指标和功能性指标。在步骤S104中，根据分布式能源集群指标实时测量虚拟电厂集群中各个节点的有功功率或负荷净功率。在步骤S106中，对虚拟电厂集群中各个节点的有功功率或负荷净功率进行数据预处理，其中，数据预处理包括缺失异常数据处理和数据归一化处理。在步骤S108中，基于结构性指标和功能性指标构建目标函数。在步骤S110中，基于Louvain算法划分虚拟电厂集群，其中，Louvain算法是基于目标函数的值优化的社区发现算法。
与现有技术相比，本实施例提供的虚拟电厂集群划分方法中，通过构建电网网络拓扑结构，融合分布式电源功能性数据，例如有功功率、无功电压、负荷净功率等，构建考虑结构性指标和功能性指标的复杂聚类优化模型，充分挖掘节点自身功能性指标对集群划分的影响，有助于构建安全、经济、可靠的虚拟电厂集群聚合模型。
下文中，将参考图1对根据本发明实施例的虚拟电厂集群划分方法的各个具体步骤进行详细说明。
在步骤S102中，构建分布式能源集群指标，其中，分布式能源集群指标包括虚拟电厂集群聚合的结构性指标和功能性指标。具体地，结构性指标包括基于电气距离的模块度指标，其中，模块度指标表示虚拟电厂集群的电网网络中任意两个节点落入同一区域的概率。功能性指标包括有功功率平衡度指标、灵活性平衡指标和灵活性概率风险指标，其中，有功功率平衡度指标表示在一定时间尺度下虚拟电厂集群内部的源荷程度；灵活性平衡指标表示在一定时间尺度下虚拟电厂集群调用各类灵活性资源满足净负荷波动的能力；以及灵活性概率风险指标表示利用正态分布描述虚拟电厂集群净负荷需求的概率分布。
在步骤S104中，根据分布式能源集群指标实时测量虚拟电厂集群中各个节点的有功功率或负荷净功率。
节点间电压灵敏度矩阵根据实际节点无功电压幅值变化量通过雅克比矩阵得到，以便保证节点图数据与实际测量数据一致。考虑到分布式能源数据随时间因素变化较大，因此，将节点有功功率、节点净负荷需求数据周期设定为4小时，同时以4小时为时间尺度，对风电、光伏出力以及负荷需求进行抽样聚类生成典型日场景，并得出各个输出功率场景的发生概率，保证有功功率指标和灵活性平衡指标、灵活性概率指标在时间尺度上的一致性。其余节点参数均为节点设备实际数据。
在步骤S106中，对虚拟电厂集群中各个节点的有功功率或负荷净功率进行数据预处理，其中，数据预处理包括缺失异常数据处理和数据归一化处理。
分布式能源节点如果有缺失或者异常的数据，容易对虚拟电厂集群划分产生干扰，进而影响集群划分的效果。此外，基于灵敏度矩阵得到的电气距离存在部分奇异样本数据，为消除奇异样本数据导致的不良影响，需进行归一化处理，才能输入到模型中进行集群划分。数据预处理主要包括缺失异常数据处理和数据归一化处理。
在步骤S108中，基于结构性指标和功能性指标构建目标函数。
基于结构性指标和功能性指标构建目标函数包括基于模块度指标、有功功率平衡度指标、灵活性平衡指标和灵活性概率风险指标构建以下虚拟电厂集群的目标函数：
；
其中，、/>分别表示结构性指标权重和功能性指标权重，/>取值越大，则虚拟电厂集群结构性越好，/>越大，则虚拟电厂集群功能性越好；/>表示模块度指标；表示有功功率平衡度指标；/>和/>分别表示虚拟电厂集群的灵活性供需平衡指标和灵活性平衡时间指标；/>表示虚拟电厂集群的灵活性概率风险指标。
通过以下公式计算模块度指标：
；
；
其中，m i 和m j 分别表示与节点i、节点j相连的边权之和；表示节点i和节点j的区域关系；当节点i和节点j在同一区域时，/>，反之/>；M表示电网网络中所有边权之和；N表示电网网络中的节点数；d ij 表示节点i和节点j之间的电气距离；S ik 、S jk 分别表示灵敏度矩阵中第i行第k列、第j行第k列的元素，由潮流计算中雅可比矩阵求逆计算各节点电压灵敏度；/>和/>均表示第k列元素的最大值。
通过以下公式计算有功功率平衡度指标：
；
其中，S表示虚拟电厂集群中的节点总数；T表示调度周期；L s,t 表示虚拟电厂集群s在时刻t的净负荷功率值。
灵活性平衡指标包括灵活性供需平衡指标和灵活性平衡时间指标，其中，通过以下公式计算灵活性供需平衡指标和灵活性平衡时间指标/>：
；
；
；
；
；
其中，表示满足/>的累计时间值；/>表示虚拟电厂集群s在响应时间长度为/>的向上/向下+/-调节灵活性的缺额程度；/>表示时刻t净负荷的爬坡功率；L s,t 表示时刻t的净负荷需求；/>表示虚拟电厂集群s在时刻t提供的灵活性爬坡功率；/>、/>、/>分别表示调节性机组AGU、调节性负荷AL和储能机组ESD在时刻t提供的向上/向下+/-灵活性爬坡功率。
通过以下公式计算灵活性概率风险指标：
；
；
其中，表示虚拟电厂集群的灵活性概率风险指标；/>表示虚拟电厂集群s在时刻t的灵活性概率风险指标；/>表示考虑不确定性时的虚拟电厂集群s在时刻t的净负荷爬坡功率；/>表示时刻t净负荷需求取值L s,t 的概率值。
在步骤S110中，基于Louvain算法划分虚拟电厂集群，其中，Louvain算法是基于目标函数的值优化的社区发现算法。具体地，基于Louvain算法划分虚拟电厂集群包括：将电气距离作为节点间边权重，将分布式能源的有功功率和负荷净功率的数值赋予节点；构建虚拟电厂集群划分的优化目标函数；将每个节点初始化为单独一个集群，其中，集群数等于节点数；计算虚拟电厂集群的合并前的目标函数/>，并选取任意节点i，根据电气距离判断剩余节点是否为节点i的邻居节点，并从节点i的邻居节点中随机选择节点j组合成合并集群C（i,j），计算虚拟电厂集群的合并后的目标函数/>；基于合并前的目标函数和合并后的目标函数/>计算合并前后的目标变化/>，遍历节点i的剩余邻居节点，将每次合并后获得的目标变化进行比较并记录最大目标变化，其中，当/>时，节点i选择加入最大目标变化/>对应的邻居节点所在的集群，否则节点i仍保留在原集群；重复合并步骤和划分步骤，直至遍历所有节点后，并且当节点与邻居节点合并后的目标变化/>时，所有集群不再发生变化；对于遍历步骤产生的新集群进行压缩，将新集群作为新节点，将新集群内部权重作为节点自身环权重，将新集群间边权重作为新节点边权重；以及返回合并步骤，直至整个电网网络的优化目标值达到最大值，集群划分过程停止以获得最优集群划分结果。
参考图8，本发明的一个具体实施例，公开了虚拟电厂集群划分装置，包括：指标构建模块802，用于构建分布式能源集群指标，其中，分布式能源集群指标包括虚拟电厂集群聚合的结构性指标和功能性指标；功率检测装置804，用于根据分布式能源集群指标实时测量虚拟电厂集群中各个节点的有功功率或负荷净功率；预处理模块806，用于对虚拟电厂集群中各个节点的有功功率或负荷净功率进行数据预处理，其中，数据预处理包括缺失异常数据处理和数据归一化处理；目标函数构建模块808，用于基于结构性指标和功能性指标构建目标函数；以及集群划分模块810，用于基于Louvain算法划分虚拟电厂集群，其中，Louvain算法是基于目标函数的值优化的社区发现算法。
具体地，结构性指标包括基于电气距离的模块度指标，其中，模块度指标表示虚拟电厂集群的电网网络中任意两个节点落入同一区域的概率。
功能性指标包括有功功率平衡度指标、灵活性平衡指标和灵活性概率风险指标，其中，有功功率平衡度指标表示在一定时间尺度下虚拟电厂集群内部的源荷程度；灵活性平衡指标表示在一定时间尺度下虚拟电厂集群调用各类灵活性资源满足净负荷波动的能力；以及灵活性概率风险指标表示利用正态分布描述虚拟电厂集群净负荷需求的概率分布；其中，目标函数构建模块用于基于模块度指标、有功功率平衡度指标、灵活性平衡指标和灵活性概率风险指标构建以下虚拟电厂集群的目标函数：
；
其中，、/>分别表示结构性指标权重和功能性指标权重，/>取值越大，则虚拟电厂集群结构性越好，/>越大，则虚拟电厂集群功能性越好；/>表示模块度指标；/>表示有功功率平衡度指标；/>和/>分别表示虚拟电厂集群的灵活性供需平衡指标和灵活性平衡时间指标；/>表示虚拟电厂集群的灵活性概率风险指标。
本发明实施例旨在提出一种融合多种类分布式能源的虚拟电厂集群划分方法，建立多源异构数据指标与集群划分之间的复杂映射关系，构建安全、经济、可靠的虚拟电厂优化调度模型。
下文中，将参考图2至图7，以具体实例的方式对根据本发明实施例的虚拟电厂集群划分方法进行详细说明。
本发明提出一种融合多种类分布式能源的虚拟电厂集群划分方法主要包含以下步骤：a、构建分布式能源集群指标，b、数据准备，c、数据预处理，d、预测模型构建，e、模型有效性评价。具体内容如下所示。
a、构建分布式能源集群指标。为实现分布式能源有效的优化控制，在进行虚拟电厂集群划分时选取合理的集群划分指标将直接影响后续虚拟电厂的规划运行，因此，建立有效的虚拟电厂集群划分指标对于虚拟电厂聚合以及协调优化至关重要。在本发明中，选取基于电气距离的模块度指标用以衡量节点间联系紧密程度，保证所划分的虚拟电厂集群满足“集群内节点联系紧密，集群间节点联系稀疏”的原则；同时本发明选取有功功率平衡度指标（以4小时为时间尺度）、灵活性平衡指标、灵活性概率风险指标作为功能性指标，保证集群内部功率自洽，避免集群间功率大规模传输，同时使虚拟电厂具备一定的灵活性，能够平衡风电、光伏出力不确定性。
a1、基于电气距离的模块度指标。本技术方案选择基于电气距离的模块度指标描述虚拟电厂集群聚合结构性，其中，模块度指标主要是指网络任选两节点落入同一区域的概率，具体计算公式如下所示：
；
式中：为模块度指标；m i 和m j 分别表示与节点i、节点j相连的边权之和；/>表示节点i和节点j的区域关系，当节点i和节点j在同一区域，/>，反之/>；M表示网络中所有边权之和；N表示系统节点数。d ij 表示节点i和节点j之间的电气距离。
如图2所示，该节点网络中设置A、B、C、D四个节点，其中节点A、B位于区域①，节点C、D位于区域②，a表示节点A和节点C之间的电气距离，b表示节点A和节点B之间的电气距离，以此类推。由于节点A与节点B位于同一区域内，其，节点A与节点C位于不同区域内，其/>。
其节点间电气距离需采用牛顿-拉夫逊法计算出各节点电压灵敏度，并依此进行空间电气距离的计算，具体公式如下：
；
式中：S ik 、S jk 分别表示灵敏度矩阵中第i行第k列、第j行第k列的元素，由潮流计算中雅可比矩阵求逆可求得各节点电压灵敏度；和/>均表示第k列元素的最大值。
a2、有功功率平衡度指标。为反映在一定时间尺度下虚拟电厂集群内部源—荷程度，本方法基于净负荷功率来计算有功功率平衡度指标，具体如下：
；
式中：表示有功功率平衡度指标；S表示集群总数；T表示调度周期；L s,t 表示集群s在时刻t的净负荷功率值，若P s,t ＜0，则表示为集群富余功率。
a3、灵活性平衡指标。为反映在一定时间尺度下虚拟电厂集群可调用各类灵活性资源满足净负荷波动的能力，本文引入灵活性供需平衡指标和灵活性平衡时间指标，首先计算爬坡灵活性缺额，具体如下：
；
；
；/>
式中：表示集群s在响应时间长度为/>的向上(+)、向下(-)调节灵活性的缺额程度；/>表示时刻t净负荷的爬坡功率；L s,t 表示时刻t的净负荷需求；/>表示虚拟电厂集群s在时刻t可提供的灵活性爬坡功率；/>、/>、/>表示可调节性机组（adjustable power generation unit, AGU）、可调节性负荷（Adjustable load ，AL）和储能机组（Energy storage device, ESD）在时刻/>可提供的向上(+)、向下（-）灵活性爬坡功率；/>表示响应时间长度；
根据前式确立的虚拟电厂集群灵活性爬坡功率缺额，分别计算灵活性供需平衡指标和灵活性平衡时间指标，具体计算如下：
；
；
式中：、/>分别表示需电厂集群的灵活性平衡指标和灵活性平衡时间指标；/>表示满足/>的累计时间值。
a4、灵活性概率风险指标。本技术方案利用正态分布描述集群净负荷需求的概率分布，并提出基于条件概率的灵活性概率风险指标，具体计算如下：
；
；
式中：表示虚拟电厂集群灵活性概率风险指标；/>表示集群s在时刻t的灵活性概率风险指标；/>表示考虑不确定性时的集群s在时刻t的净负荷爬坡功率；/>表示时刻t净负荷需求取值L s,t 的概率值。
b.数据准备。节点间电压灵敏度矩阵根据实际节点无功电压幅值变化量通过雅克比矩阵得到，以便保证节点图数据与实际测量数据一致。考虑到分布式能源数据随时间因素变化较大，因此，将节点有功功率、节点净负荷需求数据周期设定为4小时，同时以4小时为时间尺度，对风电、光伏出力以及负荷需求进行抽样聚类生成典型日场景，并得出各个输出功率场景的发生概率，保证有功功率指标和灵活性平衡指标、灵活性概率指标在时间尺度上的一致性。其余节点参数均为节点设备实际数据。
以图3为例，该配电网络以10kV馈线作为分析对象，并以实测数据作为本发明中的初始数据。该馈线共有28个节点，其中光伏、风电节点15个，负荷节点5个，以10KV变压器为起点，接入变压器总容量为8.065MVA,光伏通过升压变压器接入到系统中，安装总容量为0.924MW，可再生能源渗透率高达67.25%。
在该网络中，部分节点间的电压/无功灵敏度距离如表1所示以及光伏、风电典型日场景数据如表2、3所示。
表1 部分节点之间的电压/无功灵敏度距离
表2 光伏机组典型日场景数据
表3 风电机组典型日场景数据
c.数据预处理。分布式能源节点如果有缺失或者异常的数据，容易对虚拟电厂集群划分产生干扰，进而影响集群划分的效果。此外，基于灵敏度矩阵得到的电气距离存在部分奇异样本数据，为消除奇异样本数据导致的不良影响，需进行归一化处理，才能输入到模型中进行集群划分。数据预处理主要包括缺失异常数据处理和数据归一化处理。
c1:异常数据处理。分布式能源的海量历史数据在采集、传输和存储的过程中，由于设备或者人为的因素可能会产生一些偏差较大的数据或者缺省数据等异常数据值，这些异常数据将会影响数据分析的结果，加大预测模型误差。本技术方案采用移动平均的方法进行指标数据处理，其计算公式如下：
；
其中，x t 为异常数据，n为时间周期，x 1，x 2,…,x n 为时间周期内的样本数据。
c2: 数据归一化处理。数值型数据处理：对于此种类型的数据，使用最大—最小值法对数据进行归一化处理，计算公示如下所示：
；
其中，x为原始数值型数据。
d、集群聚合优化模型构建。综合考虑集群聚合结构性指标和功能性指标，以系统的划分方式为变量，在尽可能实现各集群区域自治调控的基础上，建立虚拟电厂集群聚合策略模型，具体目标函数如下：
；
式中：表示虚拟电厂集群聚合目标；/>、/>分别表示结构性指标权重和功能性指标权重，/>取值越大，则集群结构性越好，/>越大，则集群功能性越好。
e.基于Louvain算法的集群划分实现。集群划分是虚拟电厂聚合的关键环节，其划分方法的优劣决定了虚拟电厂聚合的精度。考虑到Louvain算法属于无监督且计算速度较快的智能算法，适用于大规模网络的社区检测。本技术方案提出一种融合多指标的虚拟电厂集群划分方法。
Louvain算法是基于目标函数值优化的社区发现算法，其优化目标是最大化整个社区网络的目标函数值，其计算方法分为两个阶段并反复迭代计算，直到目标函数不再增加时停止，针对本文所构建的虚拟电厂集群，对于具有N个节点的配电网络G，首先将每个节点视为单独的一个集群，此时集群数与节点数相同，接着对每一个节点
i，计算将它加入其邻居节点j，并计算其目标函数增量，如若目标函数增量大于0，则将该节点划分进其目标函数增量最大的节点，否则不进行划分，重复上述过程直到所有节点不发生移动，则第一阶段停止。其节点i加入社区S的目标函数增量/>计算公式如下：
；
其中表示社区S内部连边权之和，/>表示与社区S的节点相连的边权重之和，k i,in 表示节点i与社区S内节点连边权重之和，k i 表示所有与节点i相连的边的权重，m表示整个社团网络内所有边的权重之和。
以图4为例，节点A、B位于社区S内，节点C、D为单独集群，若要计算节点C加入社区S的模块度增量，则此时/>为节点A、B间边权重值b，/>为所有与社区S内节点相连边的权重值，即a+c+e，/>为节点C与社区S内节点A、B的连边权重值，即为a+c，k i 为所有与节点C相连的边的权重值，即为a+c+d，m为整个社团网络内所有边的权重之和，即为a+b+c+d+e。
在算法的第二阶段，将利用第一阶段发现的社团网络，将第一阶段新的集群都视为一个单独的节点，此时新节点的权重为第一节点集群内部节点的权重之和，集群内节点之间边权重之和作为新节点的环的权重，集群间的边权视为新的节点之间的边权，重复上述过程便可得到一个新的社团，重复上述两个阶段直到整体社区模块度不再发生变化。
本技术方案以构建的结构性指标和功能性指标的综合指标作为其算法的目标函数，利用Louvain算法不断迭代寻优的特点，达到虚拟电厂集群划分综合指标最大优化目标。
对于一个含n个节点的电网网络，基于Louvain算法的虚拟电厂集群划分共分为两个阶段，第一阶段共有六个步骤，首先需要初始化电网网络，确定优化目标，遍历所有节点及其邻居节点，直至整个电网网络集群达到最大聚合优化目标。Louvain算法的第二阶段需在第一阶段聚合后压缩电网网络并得到新的网络图，并将压缩结果返回第一阶段进行迭代，直至整个电网网络集群不再发生变化。参考图7，基于Louvain算法的虚拟电厂集群划分的具体步骤如下：
步骤一：初始化网络。将基于灵敏度矩阵得到的电气距离作为节点间边权重，将分布式能源有功功率、负荷净功率等数值赋予节点；
步骤二：构建集群划分的优化目标；
步骤三：将电网网络中每个节点初始化为单独一个集群，即集群数等于节点数；以图5为例，节点A、B、C、D、E、F各自为单独一个集群，此时电网网络集群数为6个；
步骤四：计算此时电网网络，并选取任意节点i，根据电气距离指标判断剩余节点是否为节点i的邻居节点，并从邻居节点中随机选择节点j组合成新的集群C(i, j)，计算此时电网网络优化目标值为/>。如图6所示，记合并前电网网络优化目标值为，对于节点A而言，从结构性判断其邻居节点为节点B和节点C，我们选择节点A与节点B组成新的集群C(A,B)，此时电网网络优化目标值为/>；
步骤五：计算合并前后的优化目标变化，即/>，并遍历节点i所有邻居节点，并记录下，若/>，则节点i选择加入/>对应的邻居节点所在的集群，否则节点i仍保留在原集群。如图6所示，节点A、B合并后的优化目标值为/>，由于节点A存在两个邻居节点，还需将节点A和节点C组合成新的集群C(A,C)，并计算此时合并前后优化目标变化/>，记节点A和节点C合并后优化目标变化值为/>，若/>，则节点A和节点C聚合为新集群，若/>，则节点A仍保留在原集群内；/>
步骤六：重复步骤四和步骤五，直至遍历电网网络中所有节点后，其与邻居节点合并后的集群优化目标变化，则此时电网网络中所有集群不再发生变化；
步骤七：对于步骤六产生的新电网集群结构进行压缩，将形成的集群看作新节点，将新集群内部权重作为节点自身环权重，将新集群间边权重作为新电网网络节点边权重；
步骤八：返回步骤四，直至整个电网网络优化目标值达到最大值，即电网网络集群不再发生变化，此时集群划分过程停止，得到最优集群划分结果。
本发明技术方案首先提出涉及多种影响因素的虚拟电厂集群划分指标，通过Louvain算法以集群综合指标最大为优化目标对多种类分布式能源进行集群划分，解决了目前集群划分中仅依据电气距离划分结构单一集群导致可再生能源消纳困难等问题，同时采用Louvain算法避免集群划分结果不陷于局部最优的情况，使得更好聚合各种类分布式能源，保证电网安全运行及其经济性。
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (9)

1.一种虚拟电厂集群划分方法，其特征在于，包括：
构建分布式能源集群指标，其中，所述分布式能源集群指标包括虚拟电厂集群聚合的结构性指标和功能性指标；
根据所述分布式能源集群指标实时测量所述虚拟电厂集群中各个节点的有功功率或负荷净功率；
对所述虚拟电厂集群中各个节点的有功功率或负荷净功率进行数据预处理，其中，所述数据预处理包括缺失异常数据处理和数据归一化处理；
基于所述结构性指标和所述功能性指标构建目标函数；以及
基于Louvain算法划分所述虚拟电厂集群，其中，所述Louvain算法是基于所述目标函数的值优化的社区发现算法，所述结构性指标包括基于电气距离的模块度指标，其中，所述模块度指标表示所述虚拟电厂集群的电网网络中任意两个节点落入同一区域的概率；所述功能性指标包括有功功率平衡度指标、灵活性平衡指标和灵活性概率风险指标，其中，所述有功功率平衡度指标表示在一定时间尺度下所述虚拟电厂集群内部的源荷程度；所述灵活性平衡指标表示在一定时间尺度下所述虚拟电厂集群调用各类灵活性资源满足净负荷波动的能力；以及所述灵活性概率风险指标表示利用正态分布描述所述虚拟电厂集群净负荷需求的概率分布。
2.根据权利要求1所述的虚拟电厂集群划分方法，其特征在于，基于所述结构性指标和所述功能性指标构建目标函数包括基于所述模块度指标、所述有功功率平衡度指标、所述灵活性平衡指标和所述灵活性概率风险指标构建以下所述虚拟电厂集群的目标函数：
；
其中，、/>分别表示结构性指标权重和功能性指标权重，/>取值越大，则所述虚拟电厂集群结构性越好，/>越大，则所述虚拟电厂集群功能性越好；/>表示所述模块度指标；/>表示所述有功功率平衡度指标；/>和/>分别表示所述虚拟电厂集群的灵活性供需平衡指标和灵活性平衡时间指标；/>表示所述虚拟电厂集群的灵活性概率风险指标。
3.根据权利要求2所述的虚拟电厂集群划分方法，其特征在于，通过以下公式计算所述模块度指标：
；
；
其中，m i 和m j 分别表示与节点i、节点j相连的边权之和；表示所述节点i和所述节点j的区域关系；当所述节点i和所述节点j在同一区域时，/>，反之/>；M表示所述电网网络中所有边权之和；N表示所述电网网络中的节点数；d ij 表示所述节点i和所述节点j之间的电气距离；S ik 、S jk 分别表示灵敏度矩阵中第i行第k列、第j行第k列的元素，由潮流计算中雅可比矩阵求逆计算各节点电压灵敏度；/>和/>均表示第k列元素的最大值。
4.根据权利要求3所述的虚拟电厂集群划分方法，其特征在于，其中，通过以下公式计算所述有功功率平衡度指标：
；
其中，S表示所述虚拟电厂集群中的节点总数；T表示调度周期；L s,t 表示所述虚拟电厂集群s在时刻t的净负荷功率值。
5.根据权利要求4所述的虚拟电厂集群划分方法，其特征在于，所述灵活性平衡指标包括灵活性供需平衡指标和灵活性平衡时间指标，其中，通过以下公式计算所述灵活性供需平衡指标和所述灵活性平衡时间指标/>：
；
；
；
；
；
其中，表示满足/>的累计时间值；/>表示所述虚拟电厂集群s在响应时间长度为/>的向上/向下+/-调节灵活性的缺额程度；/>表示时刻t净负荷的爬坡功率；L s,t 表示时刻t的净负荷需求；/>表示所述虚拟电厂集群s在时刻t提供的灵活性爬坡功率；/>、/>、/>分别表示调节性机组AGU、调节性负荷AL和储能机组ESD在时刻t提供的向上/向下+/-灵活性爬坡功率。
6.根据权利要求5所述的虚拟电厂集群划分方法，其特征在于，通过以下公式计算所述灵活性概率风险指标：
；
；
其中，表示所述虚拟电厂集群的灵活性概率风险指标；/>表示所述虚拟电厂集群s在时刻t的灵活性概率风险指标；/>表示考虑不确定性时的所述虚拟电厂集群s在时刻t的净负荷爬坡功率；/>表示时刻t净负荷需求取值L s,t 的概率值。
7.根据权利要求5所述的虚拟电厂集群划分方法，其特征在于，基于Louvain算法划分所述虚拟电厂集群包括：
将所述电气距离作为节点间边权重，将分布式能源的有功功率和负荷净功率的数值赋予节点；
构建所述虚拟电厂集群划分的优化目标函数；将每个节点初始化为单独一个集群，其中，集群数等于节点数；
计算所述虚拟电厂集群的合并前的目标函数，并选取任意节点i，根据电气距离判断剩余节点是否为节点i的邻居节点，并从所述节点i的邻居节点中随机选择节点j组合成合并集群C（i,j），计算所述虚拟电厂集群的合并后的目标函数/>；基于所述合并前的目标函数/>和所述合并后的目标函数/>计算合并前后的目标变化，遍历所述节点i的剩余邻居节点，将每次合并后获得的目标变化进行比较并记录最大目标变化/>，其中，当/>时，所述节点i选择加入所述最大目标变化/>对应的邻居节点所在的集群，否则所述节点i仍保留在原集群；重复合并步骤和划分步骤，直至遍历所有节点后，并且当节点与邻居节点合并后的目标变化/>时，所有集群不再发生变化；
对于遍历步骤产生的新集群进行压缩，将所述新集群作为新节点，将所述新集群内部权重作为节点自身环权重，将所述新集群间边权重作为新节点边权重；以及
返回所述合并步骤，直至整个电网网络的优化目标值达到最大值，集群划分过程停止以获得最优集群划分结果。
8.一种虚拟电厂集群划分装置，其特征在于，包括：
指标构建模块，用于构建分布式能源集群指标，其中，所述分布式能源集群指标包括虚拟电厂集群聚合的结构性指标和功能性指标；
功率检测装置，用于根据所述分布式能源集群指标实时测量所述虚拟电厂集群中各个节点的有功功率或负荷净功率；
预处理模块，用于对所述虚拟电厂集群中各个节点的有功功率或负荷净功率进行数据预处理，其中，所述数据预处理包括缺失异常数据处理和数据归一化处理；
目标函数构建模块，用于基于所述结构性指标和所述功能性指标构建目标函数；以及
集群划分模块，用于基于Louvain算法划分所述虚拟电厂集群，其中，所述Louvain算法是基于所述目标函数的值优化的社区发现算法，所述结构性指标包括基于电气距离的模块度指标，其中，所述模块度指标表示所述虚拟电厂集群的电网网络中任意两个节点落入同一区域的概率；所述功能性指标包括有功功率平衡度指标、灵活性平衡指标和灵活性概率风险指标，其中，所述有功功率平衡度指标表示在一定时间尺度下所述虚拟电厂集群内部的源荷程度；所述灵活性平衡指标表示在一定时间尺度下所述虚拟电厂集群调用各类灵活性资源满足净负荷波动的能力；以及所述灵活性概率风险指标表示利用正态分布描述所述虚拟电厂集群净负荷需求的概率分布。
9.根据权利要求8所述的虚拟电厂集群划分装置，其特征在于，
所述目标函数构建模块用于基于所述模块度指标、所述有功功率平衡度指标、所述灵活性平衡指标和所述灵活性概率风险指标构建以下所述虚拟电厂集群的目标函数：
；
其中，、/>分别表示结构性指标权重和功能性指标权重，/>取值越大，则所述虚拟电厂集群结构性越好，/>越大，则所述虚拟电厂集群功能性越好；/>表示所述模块度指标；/>表示所述有功功率平衡度指标；/>和/>分别表示所述虚拟电厂集群的灵活性供需平衡指标和灵活性平衡时间指标；/>表示所述虚拟电厂集群的灵活性概率风险指标。
CN202310504653.2A 2023-05-08 2023-05-08 一种虚拟电厂集群划分方法和装置 Active CN116244875B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310504653.2A CN116244875B (zh) 2023-05-08 2023-05-08 一种虚拟电厂集群划分方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310504653.2A CN116244875B (zh) 2023-05-08 2023-05-08 一种虚拟电厂集群划分方法和装置

Publications (2)

Publication Number Publication Date
CN116244875A CN116244875A (zh) 2023-06-09
CN116244875B true CN116244875B (zh) 2023-08-01

Family

ID=86631640

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310504653.2A Active CN116244875B (zh) 2023-05-08 2023-05-08 一种虚拟电厂集群划分方法和装置

Country Status (1)

Country Link
CN (1) CN116244875B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117094613B (zh) * 2023-08-14 2024-05-10 华北电力大学 一种应用于综合能源系统的模型构建方法及装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9547375B2 (en) * 2012-10-10 2017-01-17 Microsoft Technology Licensing, Llc Split virtual keyboard on a mobile computing device
CN108985655A (zh) * 2018-08-06 2018-12-11 国网江西省电力有限公司上饶供电分公司 资源灵活性评价方法和装置
CN110492534B (zh) * 2019-08-23 2020-12-08 国网新疆电力有限公司经济技术研究院 计及灵活性的含风电电力系统随机优化调度方法
CN115841006A (zh) * 2022-11-29 2023-03-24 福州大学 一种基于气网划分的iegs分布式低碳优化控制方法

Also Published As

Publication number Publication date
CN116244875A (zh) 2023-06-09

Similar Documents

Publication Publication Date Title
Hua et al. Optimal energy management strategies for energy Internet via deep reinforcement learning approach
CN111695793B (zh) 一种综合能源系统用能灵活性评价方法及系统
Talaat et al. Artificial intelligence applications for microgrids integration and management of hybrid renewable energy sources
CN110518580B (zh) 一种考虑微网主动优化的主动配电网运行优化方法
CN116244875B (zh) 一种虚拟电厂集群划分方法和装置
CN109002892A (zh) 一种改进de-gwo算法的实现方法
CN113240261A (zh) 一种区域电能质量监测分析系统
CN113887141A (zh) 一种基于联邦学习的微电网群运行策略进化方法
CN115940267A (zh) 一种区域配电网分布式光伏集群划分方法
CN115496273A (zh) 一种可再生能源集群分布鲁棒优化配置方法及系统
CN113344283B (zh) 基于边缘智能的能源互联网新能源消纳能力评估方法
CN109829599B (zh) 基于高比例可再生能源的配电网的集群划分方法及装置
CN110365014B (zh) 一种考虑电压灵敏度时变特性的电压分区方法
CN117394366A (zh) 一种含多微网的主动配电网不确定性分层调度方法
Ebrahimi et al. Stochastic scheduling of energy storage systems in harmonic polluted active distribution networks
CN109586309B (zh) 基于大数据自由熵理论和场景匹配的配电网无功优化方法
CN116826728A (zh) 一种少测量样本条件下的配电网状态结构估计方法及系统
CN112736905B (zh) 区域新能源容量优化配置方法及系统
Zhang et al. Coordinated Optimal Scheduling of WPHTNS Power System Based on Adaptive Improved Genetic Algorithm (July 2023)
Kousounadis-Knousen et al. A New Co-Optimized Hybrid Model Based on Multi-Objective Optimization for Probabilistic Wind Power Forecasting in a Spatiotemporal Framework
CN111815022A (zh) 一种基于延时坐标嵌入法的电力负荷预测方法
Chen et al. Research on energy big data cleaning based on multi-source data analysis
CN117096962B (zh) 考虑光伏的电网动态无功补偿优化方法及系统
CN111030146B (zh) 考虑网损和广域节点电压偏差的储能装置选址方法
Cao et al. Multidimensional Full State Water Quality-Electrical Data Mining Method for Intelligent Fishing Grounds Based on Cloud Edge Collaboration

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231115

Address after: 102206 North China Electric Power University, No. 2 Beinong Road, Changping District, Beijing

Patentee after: NORTH CHINA ELECTRIC POWER University

Patentee after: STATE GRID ELECTRIC POWER ECONOMIC RESEARCH INSTITUTE IN NORTHERN HEBEI TECHNOLOGY Co.,Ltd.

Address before: 102206 North China Electric Power University, No. 2 Beinong Road, Changping District, Beijing

Patentee before: NORTH CHINA ELECTRIC POWER University

Patentee before: Beijing Xinyuan Smart Internet Technology Co.,Ltd.

Effective date of registration: 20231115

Address after: 102206 North China Electric Power University, No. 2 Beinong Road, Changping District, Beijing

Patentee after: NORTH CHINA ELECTRIC POWER University

Patentee after: Beijing Xinyuan Smart Internet Technology Co.,Ltd.

Address before: 102206 North China Electric Power University, No. 2 Beinong Road, Changping District, Beijing

Patentee before: NORTH CHINA ELECTRIC POWER University