CN116632837B - 一种有源配电网的电压调节方法及系统 - Google Patents
一种有源配电网的电压调节方法及系统 Download PDFInfo
- Publication number
- CN116632837B CN116632837B CN202310883895.7A CN202310883895A CN116632837B CN 116632837 B CN116632837 B CN 116632837B CN 202310883895 A CN202310883895 A CN 202310883895A CN 116632837 B CN116632837 B CN 116632837B
- Authority
- CN
- China
- Prior art keywords
- time
- node
- voltage
- branch
- reactive
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 90
- 230000033228 biological regulation Effects 0.000 title claims description 31
- 238000005457 optimization Methods 0.000 claims abstract description 40
- 230000001105 regulatory effect Effects 0.000 claims abstract description 24
- 238000005259 measurement Methods 0.000 claims abstract description 17
- 239000003990 capacitor Substances 0.000 claims description 37
- 238000004146 energy storage Methods 0.000 claims description 29
- 230000003068 static effect Effects 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 22
- 230000006399 behavior Effects 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 13
- 238000012614 Monte-Carlo sampling Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 2
- 238000005265 energy consumption Methods 0.000 claims description 2
- 238000010248 power generation Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 5
- 238000005315 distribution function Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 241000036569 Carp sprivivirus Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
-
- 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
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
- H02J3/16—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by adjustment of reactive power
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/50—Controlling the sharing of the out-of-phase component
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Power Engineering (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开一种有源配电网的电压调节方法及系统，方法包括：根据电动汽车充电负荷、常规负荷以及新能源出力的历史数据和实时量测数据预测未来一段时间内的电动汽车充电负荷预测值、常规负荷预测值以及新能源出力预测值；根据未来一段时间内的电动汽车充电负荷预测值、常规负荷预测值以及新能源出力预测值构建以电压偏差和网损最小为目标的无功电压优化模型；根据松弛变量替代对非凸约束转化以及对离散变量分段线性化的方式将无功电压优化模型转化为二阶锥模型；对二阶锥模型进行求解，并根据求解结果对多源异构资源进行柔性调制。实现实时保障电压安全、降低配电网网损的目的。
Description
技术领域
本发明属于有源配电网调节技术领域，尤其涉及一种有源配电网的电压调节方法及系统。
背景技术
分布式电源和电动汽车的接入，使配电系统由传统的单源辐射传输网络结构变为多源复杂网络结构，对原有配电网故障特性造成巨大影响，进而产生许多影响配电网保护的新因素，其中最典型、严重的即是由于源荷双重不确定性带来的电压越限问题，再加之末端配电系统承载力和安全保障水平有限，因此亟待一种计及分布式电源与电动汽车接入的有源配电网电压调节方法。
发明内容
本发明提供一种有源配电网的电压调节方法及系统，用于解决由于源荷双重不确定性带来的电压越限的技术问题。
第一方面，本发明提供一种有源配电网的电压调节方法，包括：
根据电动汽车充电负荷、常规负荷以及新能源出力的历史数据和实时量测数据预测未来一段时间内的电动汽车充电负荷预测值、常规负荷预测值以及新能源出力预测值，其中，预测未来一段时间内的电动汽车充电负荷预测值为：通过统计数据构建用户行为概率密度函数，再预测充电站流量，并通过蒙特卡洛采样获取电动汽车充电负荷预测值，所述统计数据包括电动汽车充电负荷的历史数据和实时量测数据；
根据未来一段时间内的电动汽车充电负荷预测值、常规负荷预测值以及新能源出力预测值构建以电压偏差和网损最小为目标的无功电压优化模型；
根据松弛变量替代对非凸约束转化以及对离散变量分段线性化的方式将所述无功电压优化模型转化为二阶锥模型；
对所述二阶锥模型进行求解，并根据求解结果对多源异构资源进行柔性调制，其中，所述多源异构资源包括储能、有载调压变压器、电容器组、静止无功补偿器和分布式电源。
第二方面，本发明提供一种有源配电网的电压调节系统，包括：
预测模块，配置为根据电动汽车充电负荷、常规负荷以及新能源出力的历史数据和实时量测数据预测未来一段时间内的电动汽车充电负荷预测值、常规负荷预测值以及新能源出力预测值，其中，预测未来一段时间内的电动汽车充电负荷预测值为：通过统计数据构建用户行为概率密度函数，再预测充电站流量，并通过蒙特卡洛采样获取电动汽车充电负荷预测值，所述统计数据包括电动汽车充电负荷的历史数据和实时量测数据；
构建模块，配置为根据未来一段时间内的电动汽车充电负荷预测值、常规负荷预测值以及新能源出力预测值构建以电压偏差和网损最小为目标的无功电压优化模型；
转化模块，配置为根据松弛变量替代对非凸约束转化以及对离散变量分段线性化的方式将所述无功电压优化模型转化为二阶锥模型；
求解模块，配置为对所述二阶锥模型进行求解，并根据求解结果对多源异构资源进行柔性调制，其中，所述多源异构资源包括储能、有载调压变压器、电容器组、静止无功补偿器和分布式电源。
第三方面，提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例的有源配电网的电压调节方法的步骤。
第四方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序指令被处理器执行时，使所述处理器执行本发明任一实施例的有源配电网的电压调节方法的步骤。
本申请的一种有源配电网的电压调节方法及系统，具有以下有益效果：针对分布式可再生能源与电动汽车接入导致有源配电网电压波动背景下，以电压偏移和网损最小为优化目标，通过协同调控有载调压变压器、电容器组、静止无功补偿器、储能以及分布式电源无功功率，实现实时保障电压安全、降低配电网网损的目的。该方法适用于具有源荷双重不确定性的配电系统，也适用于具有监控装置的配电台区。
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有源配电网的电压调节方法的流程图；
图2为本发明一实施例提供一个具体实施例的IEEE 33节点分布式系统图；
图3为本发明一实施例提供一个具体实施例的基础负荷以及电动汽车充电负荷的预测曲线图；
图4为本发明一实施例提供一个具体实施例的不同时刻案例1和案例2的节点电压对比图；
图5为本发明一实施例提供一个具体实施例的节点16的电压变化曲线图；
图6为本发明一实施例提供一个具体实施例的情况1和情况2下的日功率损失图；
图7为本发明一实施例提供一个具体实施例的无功调压装置日运行曲线图；
图8为本发明一实施例提供的一种有源配电网的电压调节系统的结构框图；
图9是本发明一实施例提供的电子设备的结构示意图。
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有源配电网的电压调节方法的流程图。
如图1所示，有源配电网的电压调节方法具体包括以下步骤：
步骤S101，根据电动汽车充电负荷、常规负荷以及新能源出力的历史数据和实时量测数据预测未来一段时间内的电动汽车充电负荷预测值、常规负荷预测值以及新能源出力预测值，其中，预测未来一段时间内的电动汽车充电负荷预测值为：通过统计数据构建用户行为概率密度函数，再预测充电站流量，并通过蒙特卡洛采样获取电动汽车充电负荷预测值，所述统计数据包括电动汽车充电负荷的历史数据和实时量测数据。
在本步骤中，电动汽车充电负荷预测通过统计数据构建用户行为的概率分布函数来进行预测，能够根据当前区域实际的数据更新概率分布函数，具有较高灵活性。
电动汽车的充电行为与电动汽车种类、到达时间及到达时荷电状态有关，其中，到达时间的概率密度函数为：
，
式中，为电动汽车开始充电的概率密度函数，/>为电动汽车开始充电的时刻，/>为到达时间的概率分布标准差， />为到达时间的概率分布期望；
电动汽车的到达时荷电状态与电动汽车的日里程数有关，其中，电动汽车的日里程数的概率密度函数为：
，
式中，为电动汽车日行驶里程概率密度函数，/>为到达时荷电状态的概率分布标准差，/>为电动汽车的日里程数，/>为到达时荷电状态的概率分布期望；在得到电动汽车的日里程数后，计算电动汽车的到达时荷电状态，其中，计算电动汽车的到达时荷电状态的表达式为：
，
式中，为电动汽车的到达时荷电状态，/>为电动汽车的SoC上限，为电动汽车的额定容量，/>为电动汽车的百公里能耗；
根据电动汽车的SoC上限、电动汽车的到达时荷电状态/>、电动汽车的额定容量/>、充电功率/>和充电效率/>，计算得出每辆车的充电时间/>，其中，计算每辆车的充电时间/>的表达式为：
，
若每辆电动车在到达充电设施后以功率充电，直至电池完全充满，那么可以得到电动汽车/>在时间/>的充电功率/>，即通过蒙特卡洛法得到电动车集群充电的功率/>，其中，计算电动车集群充电的功率/>的表达式为：
，
式中，为电动汽车的流量。
需要说明的是，常规负荷和新能源出力预测采用基于历史数据驱动的神经网络技术（如极限学习机）或深度学习技术（如长短期记忆神经网络）即可，不再赘述。
步骤S102，根据未来一段时间内的电动汽车充电负荷预测值、常规负荷预测值以及新能源出力预测值构建以电压偏差和网损最小为目标的无功电压优化模型。
在本步骤中，所述无功电压优化模型的约束条件包括分布式电源约束、储能约束、有载调压变压器约束、电容器组约束以及静止无功补偿器约束；
所述分布式电源约束的表达式为：
，
，
式中，为/>时刻节点/>处分布式电源预测的有功发电量，/>为/>时刻节点/>处分布式电源无功功率，/>为分布式电源变流器的额定容量，/>为功率因数角；
所述储能约束的表达式为：
，
，
，
，
，
式中，为/>时刻节点/>处储能充电功率，/>为/>时刻节点/>处储能放电功率，/>为/>时刻节点/>处储能充电功率的上限，/>为/>时刻节点/>处储能放电功率的上限，/>为/>时刻节点/>处储能充电状态的整型变量，/>为/>时刻节点/>处储能放电状态的整型变量，/>为/>时刻节点/>处储能的SoC，/>为/>+1时刻节点/>处储能的SoC，为SoC允许变动范围的下限，/>为SoC允许变动范围的上限；
所述有载调压变压器约束的表达式为：
，
，
，
式中，为节点/>在/>时刻的电压，/>为节点/>在/>时刻的电压，/>为/>时刻连接支路/>有载调压变压器的匝数比，/>为有载调压变压器的最小匝数比，/>为/>时刻连接支路/>有载调压变压器的档位，/>为有载调压变压器每一档的匝比增量，/>为有载调压变压器的最低档位，/>为有载调压变压器的最高档位；
所述电容器组约束的表达式为：
，
，
，
，
，
式中，为/>时刻节点/>处电容器组补偿量，/>为/>时刻节点/>处所拥有的电容器组数量，/>为节点/>处各电容器组的无功功率容量，/>为节点/>处电容器组数量下限，/>为节点/>处电容器组数量上限，/>为节点/>处电容器组增加的数量，/>为节点/>处电容器组减少的数量，/>为一定时间范围内电容器组的最大变化量，/>为/>-1时刻节点/>处所拥有的电容器组数量，/>为优化周期；
所述静止无功补偿器约束的表达式为：
，
式中，为节点/>处静止无功补偿器的无功下限，/>为/>时刻节点/>处静止无功补偿器的无功功率，/>为节点/>处静止无功补偿器的无功上限。
进一步地，所述无功电压优化模型的目标函数为：
，
，
，
式中，为电压偏差和网损最小，/>为网损的加权系数，/>为电压偏差的加权系数，/>为支路/>在/>时刻的电流，/>为支路/>的电阻，/>为节点/>在/>时刻的电压，为节点/>的额定电压，/>为优化周期，/>为系统的节点总数，/>为/>时间范围内网络总损耗，/>为/>时间范围内各节点电压偏移总量。
其中，所述无功电压优化模型的潮流方程为：
，
，
，
，
，
，
，
，
式中，为/>时刻节点/>处的有功功率，/>为/>时刻节点/>处负荷的有功功率，/>为/>时刻节点/>处的电动汽车充电功率，/>为/>时刻节点/>处储能的充电功率，为/>时刻节点/>处储能的放电功率，/>为/>时刻节点/>处分布式电源的有功功率，为/>时刻节点/>处的无功功率，/>为为/>时刻节点/>处负荷的无功功率，/>为/>时刻节点/>处静止无功补偿器的无功补偿，/>为为时刻节点/>处电容器组的无功补偿，为/>时刻节点/>处分布式电源的无功功率，/>为支路/>在/>时刻的有功功率，/>为支路/>的电阻，/>为/>时刻支路/>电流，/>为支路/>在/>时刻的有功功率，/>为支路在/>时刻的无功功率，/>为支路/>的电抗，/>为支路/>在/>时刻的无功功率，/>为/>时刻节点/>处节点电压，/>为节点/>在/>时刻的电压，/>为/>时刻支路/>上的电阻，为节点/>处电压下限，/>为节点/>处电压上限，/>为支路/>电流下限，为支路/>电流上限，/>与节点/>相连接的所有节点，/>为支路/>在/>时刻的电抗。
步骤S103，根据松弛变量替代对非凸约束转化以及对离散变量分段线性化的方式将所述无功电压优化模型转化为二阶锥模型。
在本步骤中，对所述无功电压优化模型的潮流方程中二阶决策变量通过中间变量进行转化，其中，中间变量的表达式为：
，
得到转化结果：
，
，
，
，
，
，
，
，
式中，为优化周期，/>为系统节点总数，/>为/>时间范围内网络总损耗，/>为/>时间范围内各节点电压偏移总量，/>为支路/>在/>时刻的电流的平方，/>为支路/>的电阻，/>为/>时刻节点/>处电压的平方，/>为节点/>处额定电压，/>为支路/>在/>时刻的有功功率，/>为支路/>在/>时刻的有功功率，/>为/>时刻节点/>处的有功功率，为支路/>在/>时刻的无功功率，/>为支路/>上的电抗，/>为支路/>在/>时刻的无功功率，/>为/>时刻节点/>处的无功功率，/>为/>时刻节点/>处电压的平方，/>为/>时刻支路/>上的电阻，/>为/>时刻支路/>上的电抗，/>为节点/>处电压下限，/>为节点/>处电压上限，/>为支路/>电流下限，/>为支路/>电流上限，/>与节点/>相连接的所有节点；
经过二阶锥体松弛方法转化为：
，
最终可转化为标准二阶圆锥形式：
，
经过中间变量替换后，有载调压变压器中的电压转换关系可转化为：
，
式中，为/>时刻连接支路/>有载调压变压器的匝数比，，/>为有载调压变压器的抽头总数；
通过引入布尔变量，/>可简化为：
，
式中，；
通过大M法线性化如下：
，
式中，为线性化有载调压变压器电压转换比例的辅助参数，/>为常数。
步骤S104，对所述二阶锥模型进行求解，并根据求解结果对多源异构资源进行柔性调制，其中，所述多源异构资源包括储能、有载调压变压器、电容器组、静止无功补偿器和分布式电源。
综上，本实施例的方法，提出了包含储能、有载调压变压器、电容器组、静止无功补偿器和分布式电源等多源异构资源的柔性调控方法，以电压偏移和网损最小为目标建立无功电压优化模型，通过等价转化为二阶锥优化模型而实现高效求解，以保障配网电压安全，提升运行效率，适用于依托配电网主站的全系统无功调压，也适用于下沉至台区智能融合终端的台区无功调压；
并且通过对用户行为数据进行统计学归纳生成概率密度函数（包括电动汽车到达时间及其日里程数）；然后，基于采样数据预测各充电站电动汽车流量；最后，通过蒙特卡洛采样获取电动汽车充电负荷。该方法能够根据当前区域实际用户行为数据更新概率分布函数，具有较高灵活性。
在一个具体实施例中，将本申请的有源配电网电压调节方法在改进IEEE 33节点系统上进行验证。该系统包括载调压变压器(OLTC)、电容器组(CB)、静止无功补偿器(SVC)、储能（ES）和分布式电源(DG)，如图2所示，其中，、/>均为电容器组(CB)中的一种，/>、/>、/>、/>均为储能（ES）中的一种，/>、/>均为静止无功补偿器(SVC) 中的一种，、/>、/>、/>均为光伏机组中的一种，/>、/>均为风电机组中的一种。
OLTC安装在节点上，它有5个档位：-4%、-2%、0、+2%和+4%；两个CB连接到节点14和30，每个CB有10组，每组容量为50kVar；两个SVC位于节点16和31，无功功率调节范围均为-500kVA至500kVA；ES位于7、15、20、24和31号节点上，初始容量为0.4MW，最大容量为0.8MW，每个ES的最大充放电功率为0.1MW/h；电动车充电站共有三个，分别位于节点7、14和26，其负荷通过蒙特卡洛抽样得到；电动汽车共有400辆，每辆电动汽车的最大电池容量为50kWh，充电功率为10千瓦，充电效率/>为0.98；DG包括4个光伏机组和2个风电机组，光伏机组位于节点10、17、21和28上，风电机组位于节点8和16上，容量均为1兆瓦，仅允许光伏机组通过逆变器向系统提供无功功率。α和β分别为0.8和0.2。DG出力预测值如图3所示。基本负荷曲线和电动汽车负荷曲线如图4所示。
为了说明本申请提出模型的有效性，考虑如下两个案例：
案例1：考虑DG出力和EV充电负荷，但不采取任何调整措施。
案例2：考虑DG出力和EV充电负荷，并采用所提出的策略。
通过松弛变量替代对非凸约束转化以及对离散变量分段线性化的手段将模型转化为二阶锥模型并求解，结果分析如下：
（1）对无功优化结果进行分析，图4中（a）区域和图4中（b）区域分别显示了13:00和20:00时案例1和2下所有节点电压。结合图3，20:00为用电高峰时段，节点30-31超过下限。优化后，所有节点的电压都在限制范围内，节点之间的波动显著减少。
（2）对无功调压装置进行分析，根据图7，因下午和晚上净负荷增加，OLTC调低档位以增加配变电压，以减少电压偏差并防止电压超过下限。CB-2和SVC-2的无功补偿功率始终处于最大值。这是因为CB-2和SVC-2的并网点处于配网末端。
综合实验结果，可以得出如下结论：
（1）图5为WT2接入点（节点16）的每日电压波动曲线，电压幅度剧烈波动，电压偏移严重，电压偶尔超过极限。优化后，电压偏移显著减小，并且不再存在越限情况；图7为日功率损失图，其表明了无功功率协调优化可以在每个时间段内显著减少网络损耗。
（2）当DG的输出较大而负荷较小时（如13:00左右），连接在配网馈线中段的CB与SVC的无功补偿量较小，甚至可能吸收无功功率；但当DG输出小且负荷大时（例如20:00左右），两者的无功功率补偿值将增加。
（3）根据图4、图5、图6可知，所提出的方法可以有效地降低分布式电源以及电动汽车接入下的有功损耗和电压偏移。
请参阅图8，其示出了本申请的一种有源配电网的电压调节系统的结构框图。
如图8所示，电压调节系统200，包括预测模块210、构建模块220、转化模块230以及求解模块240。
其中，预测模块210，配置为根据电动汽车充电负荷、常规负荷以及新能源出力的历史数据和实时量测数据预测未来一段时间内的电动汽车充电负荷预测值、常规负荷预测值以及新能源出力预测值，其中，预测未来一段时间内的电动汽车充电负荷预测值为：通过统计数据构建用户行为概率密度函数，再预测充电站流量，并通过蒙特卡洛采样获取电动汽车充电负荷预测值，所述统计数据包括电动汽车充电负荷的历史数据和实时量测数据；构建模块220，配置为根据未来一段时间内的电动汽车充电负荷预测值、常规负荷预测值以及新能源出力预测值构建以电压偏差和网损最小为目标的无功电压优化模型；转化模块230，配置为根据松弛变量替代对非凸约束转化以及对离散变量分段线性化的方式将所述无功电压优化模型转化为二阶锥模型；求解模块240，配置为对所述二阶锥模型进行求解，并根据求解结果对多源异构资源进行柔性调制，其中，所述多源异构资源包括储能、有载调压变压器、电容器组、静止无功补偿器和分布式电源。
应当理解，图8中记载的诸模块与参考图1中描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征以及相应的技术效果同样适用于图8中的诸模块，在此不再赘述。
在另一些实施例中，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序指令被处理器执行时，使所述处理器执行上述任意方法实施例中的有源配电网的电压调节方法；
作为一种实施方式，本发明的计算机可读存储介质存储有计算机可执行指令，计算机可执行指令设置为：
根据电动汽车充电负荷、常规负荷以及新能源出力的历史数据和实时量测数据预测未来一段时间内的电动汽车充电负荷预测值、常规负荷预测值以及新能源出力预测值，其中，预测未来一段时间内的电动汽车充电负荷预测值为：通过统计数据构建用户行为概率密度函数，再预测充电站流量，并通过蒙特卡洛采样获取电动汽车充电负荷预测值，所述统计数据包括电动汽车充电负荷的历史数据和实时量测数据；
根据未来一段时间内的电动汽车充电负荷预测值、常规负荷预测值以及新能源出力预测值构建以电压偏差和网损最小为目标的无功电压优化模型；
根据松弛变量替代对非凸约束转化以及对离散变量分段线性化的方式将所述无功电压优化模型转化为二阶锥模型；
对所述二阶锥模型进行求解，并根据求解结果对多源异构资源进行柔性调制，其中，所述多源异构资源包括储能、有载调压变压器、电容器组、静止无功补偿器和分布式电源。
计算机可读存储介质可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据有源配电网的电压调节系统的使用所创建的数据等。此外，计算机可读存储介质可以包括高速随机存取存储器，还可以包括存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，计算机可读存储介质可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至有源配电网的电压调节系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
图9是本发明实施例提供的电子设备的结构示意图，如图9所示，该设备包括：一个处理器310以及存储器320。电子设备还可以包括：输入装置330和输出装置340。处理器310、存储器320、输入装置330和输出装置340可以通过总线或者其他方式连接，图9中以通过总线连接为例。存储器320为上述的计算机可读存储介质。处理器310通过运行存储在存储器320中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例有源配电网的电压调节方法。输入装置330可接收输入的数字或字符信息，以及产生与有源配电网的电压调节系统的用户设置以及功能控制有关的键信号输入。输出装置340可包括显示屏等显示设备。
上述电子设备可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。
作为一种实施方式，上述电子设备应用于有源配电网的电压调节系统中，用于客户端，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：
根据电动汽车充电负荷、常规负荷以及新能源出力的历史数据和实时量测数据预测未来一段时间内的电动汽车充电负荷预测值、常规负荷预测值以及新能源出力预测值，其中，预测未来一段时间内的电动汽车充电负荷预测值为：通过统计数据构建用户行为概率密度函数，再预测充电站流量，并通过蒙特卡洛采样获取电动汽车充电负荷预测值，所述统计数据包括电动汽车充电负荷的历史数据和实时量测数据；
根据未来一段时间内的电动汽车充电负荷预测值、常规负荷预测值以及新能源出力预测值构建以电压偏差和网损最小为目标的无功电压优化模型；
根据松弛变量替代对非凸约束转化以及对离散变量分段线性化的方式将所述无功电压优化模型转化为二阶锥模型；
对所述二阶锥模型进行求解，并根据求解结果对多源异构资源进行柔性调制，其中，所述多源异构资源包括储能、有载调压变压器、电容器组、静止无功补偿器和分布式电源。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分的方法。
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 (7)
1.一种有源配电网的电压调节方法，其特征在于，包括：
根据电动汽车充电负荷、常规负荷以及新能源出力的历史数据和实时量测数据预测未来一段时间内的电动汽车充电负荷预测值、常规负荷预测值以及新能源出力预测值，其中，预测未来一段时间内的电动汽车充电负荷预测值为：通过统计数据构建用户行为概率密度函数，再预测充电站流量，并通过蒙特卡洛采样获取电动汽车充电负荷预测值，所述统计数据包括电动汽车充电负荷的历史数据和实时量测数据；
根据未来一段时间内的电动汽车充电负荷预测值、常规负荷预测值以及新能源出力预测值构建以电压偏差和网损最小为目标的无功电压优化模型，所述无功电压优化模型的潮流方程为：
式中，Pi，t为t时刻节点i处的有功功率，为t时刻节点i处负荷的有功功率，/>为t时刻节点i处的电动汽车充电功率，/>为t时刻节点i处储能的充电功率，/>为t时刻节点i处储能的放电功率，/>为t时刻节点i处分布式电源的有功功率，Qi，t为t时刻节点i处的无功功率，/>为为t时刻节点i处负荷的无功功率，/>为t时刻节点i处静止无功补偿器的无功补偿，/>为时刻节点i处电容器组的无功补偿，/>为t时刻节点i处分布式电源的无功功率，Pij，t为支路ij在t时刻的有功功率，Rij为支路ij的电阻，Iij，t为t时刻支路ij电流，Pik，t为支路ik在t时刻的有功功率，Qij，t为支路ij在t时刻的无功功率，Xij为支路ij的电抗，Qik，t为支路ik在t时刻的无功功率，Vi，t为t时刻节点i处节点电压，Vj，t为节点j在t时刻的电压，Rij，t为t时刻支路ij上的电阻，Vi，min为节点i处电压下限，Vi，max为节点i处电压上限，Iij，min为支路ij电流下限，Iij，max为支路ij电流上限，w(j)与节点j相连接的所有节点，Xij，t为支路ij在t时刻的电抗；
根据松弛变量替代对非凸约束转化以及对离散变量分段线性化的方式将所述无功电压优化模型转化为二阶锥模型，其中，将所述无功电压优化模型转化为二阶锥模型包括：
对所述无功电压优化模型的潮流方程中二阶决策变量通过中间变量进行转化，其中，中间变量的表达式为：
得到转化结果：
Pij，t＝iij，tRij+∑k∈w(j)Pik，t+Pi，t，
Qij，t＝iij，tXij+∑k∈w(j)Qik，t+Qi，t，
式中，T为优化周期，N为系统节点总数，Ploss为T时间范围内网络总损耗，Vdev为T时间范围内各节点电压偏移总量，iij，t为支路ij在t时刻的电流的平方，Rij为支路ij的电阻，vi，t为t时刻节点i处电压的平方，Vi，N为节点i处额定电压，Pik,t为支路ik在t时刻的有功功率，Pij，t为支路ij在t时刻的有功功率，Pi，t为t时刻节点i处的有功功率，Qij，t为支路ij在t时刻的无功功率，Xij为支路ij上的电抗，Qik,t为支路ik在t时刻的无功功率，Qi，t为t时刻节点i处的无功功率，vj，t为t时刻节点j处电压的平方，Rij，t为t时刻支路ij上的电阻，Xij，t为t时刻支路ij上的电抗，Vi，min为节点i处电压下限，Vi，max为节点i处电压上限，Iij,min为支路ij电流下限，Iij，max为支路ij电流上限，w(j)与节点j相连接的所有节点；
iij，t经过二阶锥体松弛方法转化为：
iij，t最终可转化为标准二阶圆锥形式：
经过中间变量替换后，有载调压变压器中的电压转换关系可转化为：
式中，为t时刻连接支路ij有载调压变压器的匝数比，nij为有载调压变压器的抽头总数；
通过引入布尔变量可简化为：
式中，
通过大M法线性化如下：
式中，fj，t，k为线性化有载调压变压器电压转换比例的辅助参数，M为常数；
对所述二阶锥模型进行求解，并根据求解结果对多源异构资源进行柔性调制，其中，所述多源异构资源包括储能、有载调压变压器、电容器组、静止无功补偿器和分布式电源。
2.根据权利要求1所述的一种有源配电网的电压调节方法，其特征在于，所述通过统计数据构建用户行为概率密度函数，再预测充电站流量，并通过蒙特卡洛采样获取电动汽车充电负荷预测值包括：
电动汽车的充电行为与电动汽车种类、到达时间及到达时荷电状态有关，其中，到达时间的概率密度函数为：
式中，tarr(t)为电动汽车开始充电的概率密度函数，t为电动汽车开始充电的时刻，σs为到达时间的概率分布标准差，μs为到达时间的概率分布期望；
电动汽车的到达时荷电状态与电动汽车的日里程数有关，其中，电动汽车的日里程数的概率密度函数为：
式中，fD(D)为电动汽车日行驶里程概率密度函数，σD为到达时荷电状态的概率分布标准差，D为电动汽车的日里程数，μD为到达时荷电状态的概率分布期望；
在得到电动汽车的日里程数后，计算电动汽车的到达时荷电状态，其中，计算电动汽车的到达时荷电状态的表达式为：
式中，SoCarr为电动汽车的到达时荷电状态，SoCmax为电动汽车的SoC上限，C为电动汽车的额定容量，Q100为电动汽车的百公里能耗；
根据电动汽车的SoC上限SoCmax、电动汽车的到达时荷电状态SoCarr、电动汽车的额定容量C、充电功率PEV和充电效率η，计算得出每辆车的充电时间Tlast，其中，计算每辆车的充电时间Tlast的表达式为：
若每辆电动车在到达充电设施后以功率PEV充电，直至电池完全充满，那么可以得到电动汽车n在时间t的充电功率即通过蒙特卡洛法得到电动车集群充电的功率/>其中，计算电动车集群充电的功率/>的表达式为：
式中，N为电动汽车的流量。
3.根据权利要求1所述的一种有源配电网的电压调节方法，其特征在于，其中，所述无功电压优化模型的约束条件包括分布式电源约束、储能约束、有载调压变压器约束、电容器组约束以及静止无功补偿器约束；
所述分布式电源约束的表达式为：
式中，为t时刻节点i处分布式电源预测的有功发电量，/>为t时刻节点i处分布式电源无功功率，/>为分布式电源变流器的额定容量，/>为功率因数角；
所述储能约束的表达式为：
式中，为t时刻节点i处储能充电功率，/>为t时刻节点i处储能放电功率，为t时刻节点i处储能充电功率的上限，/>为t时刻节点i处储能放电功率的上限，/>为t时刻节点i处储能充电状态的整型变量，/>为t时刻节点i处储能放电状态的整型变量，/>为t时刻节点i处储能的SoC，/>为t+1时刻节点i处储能的SoC，/>为SoC允许变动范围的下限，/>为SoC允许变动范围的上限；
所述有载调压变压器约束的表达式为：
式中，Vi，t为节点i在t时刻的电压，Vj，t为节点j在t时刻的电压，为t时刻连接支路ij有载调压变压器的匝数比，/>为有载调压变压器的最小匝数比，/>为t时刻连接支路ij有载调压变压器的档位，/>为有载调压变压器每一档的匝比增量，/>为有载调压变压器的最低档位，/>为有载调压变压器的最高档位；
所述电容器组约束的表达式为：
式中，为t时刻节点i处电容器组所补偿的无功功率，/>为t时刻节点i处所拥有的电容器组数量，/>为节点i处各电容器组的无功功率容量，/>为节点i处电容器组数量下限，/>为节点i处电容器组数量上限，/>为节点i处电容器组增加的数量，为节点i处电容器组减少的数量，ΔCB为一定时间范围内电容器组的最大变化量，为t-1时刻节点i处所拥有的电容器组数量，T为优化周期；
所述静止无功补偿器约束的表达式为：
式中，为节点i处静止无功补偿器的无功下限，/>为t时刻节点i处静止无功补偿器的无功功率，/>为节点i处静止无功补偿器的无功上限。
4.根据权利要求3所述的一种有源配电网的电压调节方法，其特征在于，其中，所述无功电压优化模型的目标函数为：
min F＝αPloss+βVdev，
式中，min F为电压偏差和网损最小，α为网损的加权系数，β为电压偏差的加权系数，Iij，t为支路ij在t时刻的电流，Rij为支路ij的电阻，Vi，t为节点i在t时刻的电压，Vi，ref为节点i的额定电压，T为优化周期，N为节点数量，Ploss为网络损耗，Vdev为各节点电压偏移总量。
5.一种有源配电网的电压调节系统，其特征在于，包括：
预测模块，配置为根据电动汽车充电负荷、常规负荷以及新能源出力的历史数据和实时量测数据预测未来一段时间内的电动汽车充电负荷预测值、常规负荷预测值以及新能源出力预测值，其中，预测未来一段时间内的电动汽车充电负荷预测值为：通过统计数据构建用户行为概率密度函数，再预测充电站流量，并通过蒙特卡洛采样获取电动汽车充电负荷预测值，所述统计数据包括电动汽车充电负荷的历史数据和实时量测数据；
构建模块，配置为根据未来一段时间内的电动汽车充电负荷预测值、常规负荷预测值以及新能源出力预测值构建以电压偏差和网损最小为目标的无功电压优化模型，所述无功电压优化模型的潮流方程为：
Vi，min≤Vi，t≤Vi，max，
Iij，min≤Iij，t≤Iij，max，
式中，Pi，t为t时刻节点i处的有功功率，为t时刻节点i处负荷的有功功率，/>为t时刻节点i处的电动汽车充电功率，/>为t时刻节点i处储能的充电功率，/>为t时刻节点i处储能的放电功率，/>为t时刻节点i处分布式电源的有功功率，Qi，t为t时刻节点i处的无功功率，/>为为t时刻节点i处负荷的无功功率，/>为t时刻节点i处静止无功补偿器的无功补偿，/>为时刻节点i处电容器组的无功补偿，/>为t时刻节点i处分布式电源的无功功率，Pij，t为支路ij在t时刻的有功功率，Rij为支路ij的电阻，Iij，t为t时刻支路ij电流，Pik,t为支路ik在t时刻的有功功率，Qij，t为支路ij在t时刻的无功功率，Xij为支路ij的电抗，Qik,t为支路ik在t时刻的无功功率，Vi，t为t时刻节点i处节点电压，Vj，t为节点j在t时刻的电压，Rij，t为t时刻支路ij上的电阻，Vi，min为节点i处电压下限，Vi，max为节点i处电压上限，Iij，min为支路ij电流下限，Iij，max为支路ij电流上限，w(j)与节点j相连接的所有节点，Xij,t为支路ij在t时刻的电抗；
转化模块，配置为根据松弛变量替代对非凸约束转化以及对离散变量分段线性化的方式将所述无功电压优化模型转化为二阶锥模型，其中，将所述无功电压优化模型转化为二阶锥模型包括：
对所述无功电压优化模型的潮流方程中二阶决策变量通过中间变量进行转化，其中，中间变量的表达式为：
得到转化结果：
Pij，t＝iij，tRij+∑k∈w(j)Pik，t+Pi，t，
Qij,t＝iij，tXij+∑k∈w(j)Qik，t+Qi，t，
式中，T为优化周期，N为系统节点总数，Ploss为T时间范围内网络总损耗，Vdev为T时间范围内各节点电压偏移总量，iij，t为支路ij在t时刻的电流的平方，Rij为支路ij的电阻，vi，t为t时刻节点i处电压的平方，Vi，N为节点i处额定电压，Pik，t为支路ik在t时刻的有功功率，Pij，t为支路ij在t时刻的有功功率，Pi，t为t时刻节点i处的有功功率，Qij，t为支路ij在t时刻的无功功率，Xij为支路ij上的电抗，Qik，t为支路ik在t时刻的无功功率，Qi，t为t时刻节点i处的无功功率，vj，t为t时刻节点j处电压的平方，Rij，t为t时刻支路ij上的电阻，Xij，t为t时刻支路ij上的电抗，Vi，min为节点i处电压下限，Vi，max为节点i处电压上限，Iij，min为支路ij电流下限，Iij，max为支路ij电流上限，w(j)与节点j相连接的所有节点；
iij，t经过二阶锥体松弛方法转化为：
iij，t最终可转化为标准二阶圆锥形式：
经过中间变量替换后，有载调压变压器中的电压转换关系可转化为：
式中，为t时刻连接支路ij有载调压变压器的匝数比，nij为有载调压变压器的抽头总数；
通过引入布尔变量可简化为：
式中，
通过大M法线性化如下：
式中，fj，t，k为线性化有载调压变压器电压转换比例的辅助参数，M为常数；
求解模块，配置为对所述二阶锥模型进行求解，并根据求解结果对多源异构资源进行柔性调制，其中，所述多源异构资源包括储能、有载调压变压器、电容器组、静止无功补偿器和分布式电源。
6.一种电子设备，其特征在于，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至4任一项所述的方法。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至4任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310883895.7A CN116632837B (zh) | 2023-07-19 | 2023-07-19 | 一种有源配电网的电压调节方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310883895.7A CN116632837B (zh) | 2023-07-19 | 2023-07-19 | 一种有源配电网的电压调节方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116632837A CN116632837A (zh) | 2023-08-22 |
| CN116632837B true CN116632837B (zh) | 2023-12-26 |
Family
ID=87638499
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310883895.7A Active CN116632837B (zh) | 2023-07-19 | 2023-07-19 | 一种有源配电网的电压调节方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116632837B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105740973A (zh) * | 2016-01-25 | 2016-07-06 | 天津大学 | 基于混合整数锥规划的智能配电网综合电压无功优化方法 |
| CN106921164A (zh) * | 2017-04-05 | 2017-07-04 | 广东电网有限责任公司东莞供电局 | 配网电压无功协同优化的混合整数二阶锥规划方法与系统 |
| CN111130121A (zh) * | 2019-11-14 | 2020-05-08 | 广东电网有限责任公司 | 一种dg和ev环境下配电网无功补偿系统的模糊协调控制计算方法 |
| CN113708366A (zh) * | 2021-08-17 | 2021-11-26 | 国网辽宁省电力有限公司经济技术研究院 | 一种计及新能源和电动汽车的配电网优化调度方法及系统 |
| CN114400657A (zh) * | 2021-12-28 | 2022-04-26 | 广东电网有限责任公司广州供电局 | 一种考虑电动汽车接入的配电网协同调控方法及系统 |
| CN114725965A (zh) * | 2022-03-10 | 2022-07-08 | 三峡大学 | 基于adn动态重构与有功、无功联合优化模型的充电负荷预测方法 |
| CN116073400A (zh) * | 2023-02-14 | 2023-05-05 | 国网陕西省电力有限公司电力科学研究院 | 一种两阶段主动配电网有功无功降损控制方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA3153706A1 (en) * | 2019-09-09 | 2021-03-18 | Elexsys Ip Pty Ltd | Two-way electrical power distribution network |
-
2023
- 2023-07-19 CN CN202310883895.7A patent/CN116632837B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105740973A (zh) * | 2016-01-25 | 2016-07-06 | 天津大学 | 基于混合整数锥规划的智能配电网综合电压无功优化方法 |
| CN106921164A (zh) * | 2017-04-05 | 2017-07-04 | 广东电网有限责任公司东莞供电局 | 配网电压无功协同优化的混合整数二阶锥规划方法与系统 |
| CN111130121A (zh) * | 2019-11-14 | 2020-05-08 | 广东电网有限责任公司 | 一种dg和ev环境下配电网无功补偿系统的模糊协调控制计算方法 |
| CN113708366A (zh) * | 2021-08-17 | 2021-11-26 | 国网辽宁省电力有限公司经济技术研究院 | 一种计及新能源和电动汽车的配电网优化调度方法及系统 |
| CN114400657A (zh) * | 2021-12-28 | 2022-04-26 | 广东电网有限责任公司广州供电局 | 一种考虑电动汽车接入的配电网协同调控方法及系统 |
| CN114725965A (zh) * | 2022-03-10 | 2022-07-08 | 三峡大学 | 基于adn动态重构与有功、无功联合优化模型的充电负荷预测方法 |
| CN116073400A (zh) * | 2023-02-14 | 2023-05-05 | 国网陕西省电力有限公司电力科学研究院 | 一种两阶段主动配电网有功无功降损控制方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于需求响应的电动汽车充电优化策略研究;姜若愚;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》(第09期);第C042-224页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116632837A (zh) | 2023-08-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gil-González et al. | Economic dispatch of energy storage systems in dc microgrids employing a semidefinite programming model | |
| Ranamuka et al. | Flexible AC power flow control in distribution systems by coordinated control of distributed solar-PV and battery energy storage units | |
| CN110581571A (zh) | 一种主动配电网动态优化调度方法 | |
| Sun et al. | Model predictive control and improved low-pass filtering strategies based on wind power fluctuation mitigation | |
| CN110690732A (zh) | 一种光伏无功分区计价的配电网无功优化方法 | |
| Li et al. | Deep reinforcement learning-based adaptive voltage control of active distribution networks with multi-terminal soft open point | |
| CN113794244B (zh) | 含多微网主动配电系统的定价与最优能量调度方法和系统 | |
| Kang et al. | Event-triggered distributed voltage regulation by heterogeneous BESS in low-voltage distribution networks | |
| Zeng et al. | Model predictive control for energy storage systems in a network with high penetration of renewable energy and limited export capacity | |
| Kaysal et al. | Hierarchical energy management system with multiple operation modes for hybrid DC microgrid | |
| CN111541248B (zh) | 一种智能软开关与储能系统联合优化方法和装置 | |
| Viehweider et al. | Smart robust voltage control for distribution networks using interval arithmetic and state machine concepts | |
| Li et al. | Review on Reactive Power and Voltage Optimization of Active Distribution Network with Renewable Distributed Generation and Time‐Varying Loads | |
| Wang et al. | Bi-stage operation optimization of active distribution networks with soft open point considering violation risk | |
| ur Rehman et al. | Transition towards a sustainable power system: MA-DA&DC framework based voltage control in high PV penetration networks | |
| CN112803422B (zh) | 基于有功无功协调优化的输电网电压双层控制方法 | |
| CN116632837B (zh) | 一种有源配电网的电压调节方法及系统 | |
| CN114123220B (zh) | 移动储能参与的主动配电网无功优化调度方法及系统 | |
| CN113013884B (zh) | 一种用于含高渗透率光伏配电系统的三段式无功电压控制方法 | |
| Ma et al. | Research on reactive power and voltage characteristics analysis and reactive power configuration strategy of active distribution network | |
| CN113890099A (zh) | 考虑主动管理措施的配电网分布式光伏消纳能力提升方法 | |
| Kim et al. | Optimal generation rescheduling for meshed AC/HIS grids with multi-terminal voltage source converter high voltage direct current and battery energy storage system | |
| Gao et al. | Research on voltage control of distribution network based on constraint programming | |
| Shi et al. | Research on Operation Optimization of “Optical Storage Charging and Swap” Power Station Based on Robust Optimization Algorithm | |
| CN118826031A (zh) | 含分布式电源和电动汽车的配电网无功优化方法 |
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 |