CN116702399A - 考虑故障下sop负荷支撑能力的配电网优化方法及系统 - Google Patents

考虑故障下sop负荷支撑能力的配电网优化方法及系统 Download PDF

Info

Publication number
CN116702399A
CN116702399A CN202310981554.3A CN202310981554A CN116702399A CN 116702399 A CN116702399 A CN 116702399A CN 202310981554 A CN202310981554 A CN 202310981554A CN 116702399 A CN116702399 A CN 116702399A
Authority
CN
China
Prior art keywords
node
capacity
distribution network
energy storage
power distribution
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310981554.3A
Other languages
English (en)
Inventor
李琼
贾玉鑫
刘林君
廖旭
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.)
Nanchang Hangkong University
Original Assignee
Nanchang Hangkong 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 Nanchang Hangkong University filed Critical Nanchang Hangkong University
Priority to CN202310981554.3A priority Critical patent/CN116702399A/zh
Publication of CN116702399A publication Critical patent/CN116702399A/zh
Pending legal-status Critical Current

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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation
    • 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]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Biomedical Technology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Medical Informatics (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开一种考虑故障下SOP负荷支撑能力的配电网优化方法及系统，方法包括：构建在至少一个典型场景下的配电网优化模型，其中，配电网优化模型中包含第一阶段优化子模型以及第二阶段优化子模型；对第一阶段优化子模型进行求解，得到综合各个典型场景下的软开关安装位置和储能系统容量;对第二阶段优化子模型进行求解，得到配电网中的分布式光伏容量；将分布式光伏容量输入至第一阶段优化子模型中，直至求解得出综合各个典型场景下最小经济成本和最优分布式光伏容量。降低配电网经济成本和提升分布式光伏的消纳能力，保证系统安全风险的基础上提升配电网的灵活性及运行效率。

Description

考虑故障下SOP负荷支撑能力的配电网优化方法及系统
技术领域
本发明属于配电网优化技术领域，尤其涉及一种考虑故障下SOP负荷支撑能力的配电网优化方法及系统。
背景技术
分布式光伏接入给配电网带来了巨大挑战，如电压不稳、容量限制和损耗增加等问题。SOP作为一种新型开关技术，它具有更高的控制精度、更快的响应速度和更强的适应性，可以快速响应电网潮流变化，能够实现对电网中各种电力负荷的动态控制和优化调度，目前柔性多状态开关技术已经逐渐成熟，用于配电网和输电网中的各种环节，不断推动了电力系统的数字化和智能化进程。ESS作为一种新型调度策略，可以对电力系统进行削峰填谷和频率调整，还可以实现突发事件响应等功能，能够有效地缓解光伏发电的波动性和不稳定性，通过ESS对电力负荷进行调节，实现对电网稳定性和可靠性的提高。
SOP和ESS具有互补性，SOP和ESS的联合应用协同发挥它们各自的优势，实现清洁、智能的电力系统转型，在配合ESS的作用下，SOP可以提供更为灵活和安全的输电能力。传统的静态无功补偿用途广泛，但其调节速度有限， SOP在此方面则表现得更好，能够以更快、更精准的方式对电流进行控制，使输电网能够更好地恢复较大扰动并避免极限状况的出现。因此柔性多状态开关（SOP）和储能系统（ESS）技术被广泛应用于配电网中。
对于SOP和ESS的联合接入规划，当前主要是对SOP和ESS的容量进行优化，旨在实现电网的安全稳定运行，提高了配电网的经济性和电力质量。实际规划中，需对二者进行联合规划会以更好地实现对电网潮流的调节和光伏消纳能力的提升，因此，如何规划SOP和ESS的接入，以提升光伏接入容量、电网可靠性和经济效益，对于配电网的运行具有重要意义。
发明内容
本发明提供一种考虑故障下SOP负荷支撑能力的配电网优化方法及系统，用于解决未同时考虑以提高经济效益和增加光伏容量为目标来制定综合各场景下SOP和ESS的接入策略的技术问题。
第一方面，本发明提供一种考虑故障下SOP负荷支撑能力的配电网优化方法，包括：
对光伏-负荷数据进行场景削减得到至少一个典型场景和以及与所述至少一个典型场景对应的场景概率；
构建在所述至少一个典型场景下的配电网优化模型，其中，所述配电网优化模型中包含在预设的第一约束条件中以配电网经济成本最小为第一目标函数构建的第一阶段优化子模型，以及在所述第一约束条件和预设的第二约束条件中以光伏接入容量最大为第二目标函数构建的第二阶段优化子模型；
在所述至少一个典型场景中对所述第一阶段优化子模型进行求解，得到综合各个典型场景下的软开关安装位置和储能系统容量;
将所述软开关安装位置和所述储能系统容量输入至所述第二阶段优化子模型中迭代，并对所述第二阶段优化子模型进行求解，得到配电网中的分布式光伏容量；
将所述分布式光伏容量输入至所述第一阶段优化子模型中，直至求解得出综合各个典型场景下最小经济成本和最优分布式光伏容量。
第二方面，本发明提供一种考虑故障下SOP负荷支撑能力的配电网优化系统，包括：
削减模块，配置为对光伏-负荷数据进行场景削减得到至少一个典型场景和以及与所述至少一个典型场景对应的场景概率；
构建模块，配置为构建在所述至少一个典型场景下的配电网优化模型，其中，所述配电网优化模型中包含在预设的第一约束条件中以配电网经济成本最小为第一目标函数构建的第一阶段优化子模型，以及在所述第一约束条件和预设的第二约束条件中以光伏接入容量最大为第二目标函数构建的第二阶段优化子模型；
第一求解模块，配置为在所述至少一个典型场景中对所述第一阶段优化子模型进行求解，得到综合各个典型场景下的软开关安装位置和储能系统容量;
第二求解模块，配置为将所述软开关安装位置和所述储能系统容量输入至所述第二阶段优化子模型中，并对所述第二阶段优化子模型进行求解，得到配电网中的分布式光伏容量；
迭代模块，配置为将所述分布式光伏容量输入至所述第一阶段优化子模型中迭代，直至求解得出综合各个典型场景下最小经济成本和最优分布式光伏容量。
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考虑故障下SOP负荷支撑能力的配电网优化方法的步骤。
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考虑故障下SOP负荷支撑能力的配电网优化方法的步骤。
本申请的考虑故障下SOP负荷支撑能力的配电网优化方法及系统，具有以下有益效果：
1、综合考虑故障时SOP接入对负荷转供的影响，通过建立配电网两阶段规划模型，实现在含光伏的配电网中对软开关(SOP)和储能系统（ESS）进行联合接入规划，该规划用于确定配电网中SOP和ESS的最佳接入位置容量，并为配电网中SOP和ESS联合接入提供了可靠的依据；
2、采用基于二阶锥规划算法与改进稳态遗传算法的混合算法进行求解，通过充分发掘SOP和ESS的调节作用，可有效规划配电网综合各场景下SOP和ESS的联合接入策略，改善电网电压运行水平，降低配电网经济成本和提升分布式光伏的消纳能力，保证系统安全风险的基础上提升配电网的灵活性及运行效率。
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故障下SOP负荷支撑能力的配电网优化方法的流程图；
图2为本发明一实施例提供的改进IEEE33节点系统结构图；
图3为本发明一实施例提供的一种考虑故障下SOP负荷支撑能力的配电网优化系统的结构框图；
图4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考虑故障下SOP负荷支撑能力的配电网优化方法的流程图。
如图1所示，考虑故障下SOP负荷支撑能力的配电网优化方法具体包括以下步骤：
步骤S101，对光伏-负荷数据进行场景削减得到至少一个典型场景和以及与所述至少一个典型场景对应的场景概率。
在本步骤中，对光伏-负荷数据进行预处理，其中，预处理包括通过数据清洗除去无效或错误数据，再通过去除异常值剔除与其他数据显著不同的极端值，并进行数据归一化处理，将数据转换为统一的尺度范围内的数据；
设置聚类数量K，通过拐点法得到典型场景数量；
采用随机选取初始中心点的方式初始化聚类中心；
计算每个样本点与各聚类中心的距离，通过欧几里得距离进行计算，并将样本点分配给距离最近的聚类中心所属的簇；
每次样本点分配完成后，重新计算各个簇的聚类中心；
不断迭代更新聚类中心，直到簇类中心和聚类结果不再发生改变；
根据K-means算法得到的聚类中心，选取每个簇中心点作为场景的代表点，代表点即为典型场景，同时计算出每个簇所占比例作为典型场景的场景概率。
需要说明的是，光伏-负荷原始数据为全年365天，每天24个小时整点数据，主要为光伏和负荷的功率。典型场景为一天24小时光伏和负荷的功率。
步骤S102，构建在所述至少一个典型场景下的配电网优化模型，其中，所述配电网优化模型中包含在预设的第一约束条件中以配电网经济成本最小为第一目标函数构建的第一阶段优化子模型，以及在所述第一约束条件和预设的第二约束条件中以光伏接入容量最大为第二目标函数构建的第二阶段优化子模型。
在本步骤中，所述第一约束条件包括软开关运行约束、储能系统运行约束和系统运行潮流约束，其中，所述软开关运行约束的表达式为：
，
，
，
，
式中，为柔性开关在节点上传输的有功功率，为柔性开关在节点上传输的有功功率，为柔性开关在节点的损耗系数，为柔性开关在节点上传输的无功功率，为柔性开关在节点的损耗系数，为柔性开关在节点上传输的无功功率，为功率因素角正弦的绝对值，为柔性开关在节点和节点间的容量，为柔性开关中与节点相连换流器的损耗，为柔性开关中与节点相连换流器的损耗，为柔性开关中与节点相连换流器的容量，为柔性开关中与节点相连换流器的容量；
所述储能系统运行约束的表达式为：
，
，
，
，
，
，
式中， 为储能装置的放电效率，为时刻节点储能的放电功率，为时刻节点储能的充电功率，为储能装置的充电效率，为储能装置在节点上可输出无功功率的下限，为储能装置在节点上可输出无功功率，为储能装置在节点上可输出无功功率的上限，为节点的储能装置所接入的容量，为节点的储能装置在时刻存储的电量，为储能装置可存储电量的下限，为储能装置可存储电量的上限，为T=时刻节点的电荷量，为T=t+1时刻节点的电荷量，为T=0时刻节点的电荷量，为t时刻节点的充放电功率，为t时刻蓄电池的储能容量，为时间间隔；
所述系统运行潮流约束的表达式为：
，
，
，
，
式中，为在时刻从节点流向节点的有功功率，为节点和节点之间的电阻，为时刻流入节点的有功功率，为以节点为末端节点的支路首端节点集合，为首端节点支路末端节点集合，为在时刻从节点流向节点的无功功率，为节点和节点之间的电抗，为时刻流入节点的无功功率，为时刻光伏的有功功率，为时刻软开关的有功功率，为时刻储能系统的有功功率，为时刻负荷的有功功率，为时刻软开关的无功功率，为时刻储能系统的无功功率，为时刻负荷的无功功率，为时刻节点的电压，为时刻节点的电压，为节点与节点形成的支路在t时刻的电流，为以节点为首端的支路末端节点在t时刻的无功功率，为以节点为首端的支路末端节点在t时刻的有功功率；
在预设的第一约束条件中以配电网经济成本最小为第一目标函数的表达式为：
，
式中，为配电网经济成本，为软开关和储能系统的投资成本，为软开关和储能系统的周期内运行维护成本，为配电网中电能的损耗的成本，为配电网发生故障时的损失成本。
其中，计算软开关和储能系统的投资成本的表达式为：
，
式中，为贴现率，为软开关的经济使用年限，为软开关待安装的个数，为软开关对应的单位容量投资成本，为安装的软开关的容量，为光伏的经济使用年限，为储能系统对应的单位容量投资成本，为安装的储能系统的容量，为储能系统的经济使用年限；
计算软开关和储能系统的周期内运行维护成本的表达式为：
，
式中，为软开关的运行维护费用系数，为储能系统的运行维护费用系数；
计算配电网中电能的损耗的成本的表达式为：
，
式中，为场景对应的概率，为配电网电能损耗经济成本系数，为聚类的场景数，为支路上的电阻值，为支路在时刻上的电流值，为支路上所安装软开关的有功功率损耗，为支路上所安装储能系统的有功功率损耗，为时间间隔；
计算配电网发生故障时的损失成本的表达式为：
，
式中，为电价，为线路故障情况下负载的损失功率，为线路发生故障的概率。
所述第二约束条件包括分布式光伏运行功率约束和配电网安全运行约束，其中，所述分布式光伏运行功率约束的表达式为：
，
式中，为接入光伏在时刻的有功功率，为接入光伏在时刻的无功功率；
所述配电网安全运行约束的表达式为：
，
式中，为电压幅值允许的最小值，为节点的电压，为电压幅值允许的最大值，为节点上的电流，为节点上允许承载的最大电流；
在所述第一约束条件和预设的第二约束条件中以光伏接入容量最大为第二目标函数的表达式为：
，
式中，为第二目标函数，为光伏接入容量。
步骤S103，在所述至少一个典型场景中对所述第一阶段优化子模型进行求解，得到综合各个典型场景下的软开关安装位置和储能系统容量。
在本步骤中，针对传统SOCP松弛使得模型产生过度松弛进而导致解精度降低等问题，本发明提出改进SOCP算法，改进SOCP算法引入惩罚函数进行修正，进一步减小传统SOCP过度松弛引起的误差。该惩罚函数主要控制SOP和ESS接入容量，更好地平衡经济成本和接入容量等约束的要求，并使得目标函数在优化过程中更倾向于满足实际约束条件，构建惩罚函数为：
，
将惩罚函数加入到所述第一阶段优化子模型中的第一目标函数，得到新的目标函数：
，
式中，为原始目标函数，即配电网中周期内经济成本，为惩罚函数，是用来 惩罚 SOP 接入容量向量的稀疏性的系数，是用来惩罚 ESS 接入容量向量的稀疏性的系 数，为SOP接入数量，为ESS接入数量，为SOP接入容量向量，维度为，为ESS接入容量向量，维度为。
将目标函数和约束条件转化为线型模型，并引入惩罚项减少模型求解误差。对于模型求解，本发明采用内点法进行求解，内点法主要将原始问题转化为等效的对偶问题，并利用对偶问题的性质进行求解，通过在可行域内移动，逐步逼近最优解。通过这种求解方法，本发明能够有效地优化模型并获得更准确的结果。
步骤S104，将所述软开关安装位置和所述储能系统容量输入至所述第二阶段优化子模型中迭代，并对所述第二阶段优化子模型进行求解，得到配电网中的分布式光伏容量。
在本步骤中，采用改进稳态遗传算法对第二阶段优化子模型进行求解。改进稳态遗传算法首先改变了种群的编码方式，采用实数编码对种群进行编码。实数编码可以表示任意精度的实数值，并且使用较短的编码长度来表示一个实数值，这使得它能够表示比二进制编码更广泛的数值范围，同时占用更少的内存。其次改进稳态遗传算法采用轮盘赌选择+锦标赛选择共同完成选择操作，轮盘赌选择会使适应度高的个体更容易被选中，而锦标赛选择强制要求较弱的个体有机会与适应度高的个体竞争，并可能在某些情况下发展出更好的特征，同时，两者结合既能够充分利用适应度大小的信息，还能够降低选择过程中早熟收敛的风险，提高算法的全局收敛速度。最后对于交叉和变异环节，为增加算法的多样性和搜索能力，对此环节进行随机扰动，通过加入一些随机噪声和随机排列方式来避免陷入锁定情况，使得新生成的个体与原始个体略有不同，进而增加种群多样性，避免进化陷入局部最优解。
因此，改进稳态遗传算法具有节省计算资源、维持种群多样和收敛速度快等特点，执行步骤如下：
种群初始化并编码：将光伏容量作为种群染色体，设置决策变量上界和下界并确定个体数量，通过实数编码后产生初始化种群；
计算种群适应度值：所求目标函数为柔性配电网光伏最大接入容量，将目标函数值作为适应度值，每代计算结束后生成一组适应度值, ，其中，为个体一的适应度值，为个体二的适应度值，为个体n的适应度值；
进行选择操作：基于个体适应度来确定进行交叉和变异的个体，首先使用轮盘赌选择筛选出一部分个体，选取的概率与适应度大小成正比，之后在这些个体中使用锦标赛选择进行最终的选择；
执行交叉、变异操作：主要采用两点交叉方式，随机在两个个体中设置两个交叉点，并根据交叉概率交换部分基因，并且进行随机扰动，引入一个随机数项来引入随机噪声，并在交叉完成后，选取一定数量的染色体交叉点之后的位置对其进行随机排列；
设置迭代次数，直至进化结束得出某节点接入光伏的分布式光伏容量。
步骤S105，将所述分布式光伏容量输入至所述第一阶段优化子模型中，直至求解得出综合各个典型场景下最小经济成本和最优分布式光伏容量。
综上，本申请的方法，首先对光伏和负荷数据进行场景削减得到各典型场景概率，在阶段一，通过二阶锥规划算法在各场景中对SOP和ESS的位置和容量进行求解，求出综合各场景下的SOP和ESS的安装位置及容量，并将位置和容量传递到阶段二。在阶段二，依据改进稳态遗传算法对配电网中分布式光伏容量进行优化，并将光伏容量优化结果返回阶段一，阶段一继续利用阶段二传递的数据进行计算，如此循环，直至求解得出综合各场景下最小经济成本和最优光伏容量。
在一个具体实施例中，选取改进IEEE33节点对配电网中SOP和 ESS接入规划进行分析验证，改进IEEE33节点电压等级为 12.66KV，总有功负荷为3175KW，故障线路为节点6、节点7 之间和节点15、节点16之间，改进IEEE33节点系统结构图如图2所示。根据江西某地全年光伏出力和负荷功率，进行场景削减得到 5 个光伏发电场景和 5 个负荷场景的联合分布场景，各场景分布见表1所示。系统分别在节点14、节点22、节点24、节点31 接入容量为450kVA、500 kVA、450kVA 和 400 kVA 的初始光伏机组，考虑SOP安装受地理位置局限，将待安装 SOP 位置选为联络开关处，节点11待安装一个光伏机组，在各场景中对 SOP、ESS和PV（光伏）进行优化，最后在光伏出力场景 3 和负荷场景 1 下进行验证。
，
本算例设置四种接入对比方案如下：
方案一：不安装任何SOP和ESS；
方案二：随机位置安装一组SOP和ESS；
方案三：系统优化接入一组SOP和一组ESS；
方案四：系统优化接入两组SOP和两组ESS；
方案一直接使用 SSGA 算法对接入光伏容量进行求解，方案二随机选取 SOP、ESS安装位置对各装置安装容量进行求解，方案三和方案四使用SOCP-SSGA 混合算法对SOP和ESS的安装位置及容量进行优化，使得各场景下配电网周期内 经济成本和接入分布式光伏容量最优，最后绘制某种典型场景下各节点电压图和各装置运行状态图。配电网系统规划中各参数如下表2所示：
，
优化方案对比分析：
方案一，系统中不安装任何 SOP 和 ESS，并在节点11处接入一组光伏机组，通过SSGA 算法优化求解光伏接入容量，并计算各经济成分，优化后光伏容量及经济成本如表3和表4所示。
，
。
方案二，随机位置安装一组 SOP 和 ESS，SOP 随机安装位置为节点12、节点22 之间，随机接入ESS为节点15，并在节点11处接入一组光伏机组，通过混合算法优化求解各成分接入容量，优化后各容量配置及经济成本如表5和表6所示。
，
。
方案三，系统各安装一组 SOP 和 ESS，节点11处安装一组光伏机组。通过SOCP-SSGA 算法进行优化后，得出 SOP 接入位置在节点 8、节点21间，ESS 接入位置在节点13处，优化后各容量配置及经济成本如表 7 和表 8 所示。
，
。
方案三通过 SOCP-SSGA 优化位置和容量后，系统各项指标的运行趋势大致 相同，且由于 SOP 和 ESS 的合理接入，SOP 对系统的无功补偿更为精确，且在光伏接入系统后，系统电压波动较小，优化后系统各项经济指标更优。
方案四，系统中各安装两组SOP和ESS，节点11处安装一组光伏机组。在方案二优化位置的基础上通过 SOCP-SSGA 算法进行优化后，得出新增 SOP 接入位置在节点18、节点33之间，ESS接入位置为 节点25，优化后各容量配置及经济成本如表9和表10所示。
，
。
通过对比四种方案可发现，配电网会在负荷功率较低时对ESS进行电量存储，而随着负荷功率的增大，ESS对系统释放电能以达到平衡电力负荷、改善电力质量目的。随着ESS个数的增加，新加入ESS与将与初始ESS共同分担电力系统的需求，因此可适当降低初始位置的ESS的安装容量，而随着SOP个数的增加，SOP对系统的调节能力更加凸显，从而ESS接入容量可进一步降低。同样地，随着SOP数量的增加，加入新的SOP会降低初始位置的SOP容量，多个SOP 能够协同对配电网系统进行调节，电压水平得到明显改善。通过随机接入与优化接入方案对比可发现，优化后系统对SOP 和ESS的安装位置和容量更优，主要表现在优化后系统总经济成本从44.7988万元降低到 38.6259 万元，而光伏容量则从4.3254MW提升到4.8532MW。随着ESS和SOP安装数目的增加，多个ESS和SOP投资运维费用低于单个ESS和SOP投资运维费用，根本原因为多个ESS和SOP可对配电网不同位置进行协调，进而缓解单一接入时所需的调节压力。此外，随着 ESS 和 SOP 接入数目的增加，配电网故障损失费用和电能损耗费用显著降低，年电能损耗费用从单一优化接入时的4.2150万元降低到1.8000万元，而光伏接入容量则从4.3254MW提升到6.4283MW，接入容量得到显著提升。
请参阅图3，其示出了本申请的一种考虑故障下SOP负荷支撑能力的配电网优化系统的结构框图。
如图3所示，配电网优化系统200，包括削减模块210、构建模块220、第一求解模块230、第二求解模块240以及迭代模块250。
其中，削减模块210，配置为对光伏-负荷数据进行场景削减得到至少一个典型场景和以及与所述至少一个典型场景对应的场景概率；构建模块220，配置为构建在所述至少一个典型场景下的配电网优化模型，其中，所述配电网优化模型中包含在预设的第一约束条件中以配电网经济成本最小为第一目标函数构建的第一阶段优化子模型，以及在所述第一约束条件和预设的第二约束条件中以光伏接入容量最大为第二目标函数构建的第二阶段优化子模型；第一求解模块230，配置为在所述至少一个典型场景中对所述第一阶段优化子模型进行求解，得到综合各个典型场景下的软开关安装位置和储能系统容量;第二求解模块240，配置为将所述软开关安装位置和所述储能系统容量输入至所述第二阶段优化子模型中，并对所述第二阶段优化子模型进行求解，得到配电网中的分布式光伏容量；迭代模块250，配置为将所述分布式光伏容量输入至所述第一阶段优化子模型中迭代，直至求解得出综合各个典型场景下最小经济成本和最优分布式光伏容量。
应当理解，图3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3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考虑故障下SOP负荷支撑能力的配电网优化方法；
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：
对光伏-负荷数据进行场景削减得到至少一个典型场景和以及与所述至少一个典型场景对应的场景概率；
构建在所述至少一个典型场景下的配电网优化模型，其中，所述配电网优化模型中包含在预设的第一约束条件中以配电网经济成本最小为第一目标函数构建的第一阶段优化子模型，以及在所述第一约束条件和预设的第二约束条件中以光伏接入容量最大为第二目标函数构建的第二阶段优化子模型；
在所述至少一个典型场景中对所述第一阶段优化子模型进行求解，得到综合各个典型场景下的软开关安装位置和储能系统容量;
将所述软开关安装位置和所述储能系统容量输入至所述第二阶段优化子模型中迭代，并对所述第二阶段优化子模型进行求解，得到配电网中的分布式光伏容量；
将所述分布式光伏容量输入至所述第一阶段优化子模型中，直至求解得出综合各个典型场景下最小经济成本和最优分布式光伏容量。
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考虑故障下SOP负荷支撑能力的配电网优化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考虑故障下SOP负荷支撑能力的配电网优化系统。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4是本发明实施例提供的电子设备的结构示意图，如图4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4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考虑故障下SOP负荷支撑能力的配电网优化方法。输入装置330可接收输入的数字或字符信息，以及产生与考虑故障下SOP负荷支撑能力的配电网优化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考虑故障下SOP负荷支撑能力的配电网优化系统中，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：
对光伏-负荷数据进行场景削减得到至少一个典型场景和以及与所述至少一个典型场景对应的场景概率；
构建在所述至少一个典型场景下的配电网优化模型，其中，所述配电网优化模型中包含在预设的第一约束条件中以配电网经济成本最小为第一目标函数构建的第一阶段优化子模型，以及在所述第一约束条件和预设的第二约束条件中以光伏接入容量最大为第二目标函数构建的第二阶段优化子模型；
在所述至少一个典型场景中对所述第一阶段优化子模型进行求解，得到综合各个典型场景下的软开关安装位置和储能系统容量;
将所述软开关安装位置和所述储能系统容量输入至所述第二阶段优化子模型中迭代，并对所述第二阶段优化子模型进行求解，得到配电网中的分布式光伏容量；
将所述分布式光伏容量输入至所述第一阶段优化子模型中，直至求解得出综合各个典型场景下最小经济成本和最优分布式光伏容量。
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 (10)

1.一种考虑故障下SOP负荷支撑能力的配电网优化方法，其特征在于，包括：
对光伏-负荷数据进行场景削减得到至少一个典型场景和以及与所述至少一个典型场景对应的场景概率；
构建在所述至少一个典型场景下的配电网优化模型，其中，所述配电网优化模型中包含在预设的第一约束条件中以配电网经济成本最小为第一目标函数构建的第一阶段优化子模型，以及在所述第一约束条件和预设的第二约束条件中以光伏接入容量最大为第二目标函数构建的第二阶段优化子模型；
在所述至少一个典型场景中对所述第一阶段优化子模型进行求解，得到综合各个典型场景下的软开关安装位置和储能系统容量;
将所述软开关安装位置和所述储能系统容量输入至所述第二阶段优化子模型中迭代，并对所述第二阶段优化子模型进行求解，得到配电网中的分布式光伏容量；
将所述分布式光伏容量输入至所述第一阶段优化子模型中，直至求解得出综合各个典型场景下最小经济成本和最优分布式光伏容量。
2.根据权利要求1所述的一种考虑故障下SOP负荷支撑能力的配电网优化方法，其特征在于，所述对光伏-负荷数据进行场景削减得到至少一个典型场景和以及与所述至少一个典型场景对应的场景概率包括：
对光伏-负荷数据进行预处理，其中，预处理包括通过数据清洗除去无效或错误数据，再通过去除异常值剔除与其他数据显著不同的极端值，并进行数据归一化处理，将数据转换为统一的尺度范围内的数据；
设置聚类数量K，通过拐点法得到典型场景数量；
采用随机选取初始中心点的方式初始化聚类中心；
计算每个样本点与各聚类中心的距离，通过欧几里得距离进行计算，并将样本点分配给距离最近的聚类中心所属的簇；
每次样本点分配完成后，重新计算各个簇的聚类中心；
不断迭代更新聚类中心，直到簇类中心和聚类结果不再发生改变；
根据K-means算法得到的聚类中心，选取每个簇中心点作为场景的代表点，代表点即为典型场景，同时计算出每个簇所占比例作为典型场景的场景概率。
3.根据权利要求1所述的一种考虑故障下SOP负荷支撑能力的配电网优化方法，其特征在于，所述第一约束条件包括软开关运行约束、储能系统运行约束和系统运行潮流约束，其中，所述软开关运行约束的表达式为：
，
，
，
，
式中，为柔性开关在节点上传输的有功功率，为柔性开关在节点上传输的有功功率，为柔性开关在节点的损耗系数，为柔性开关在节点上传输的无功功率，为柔性开关在节点的损耗系数，为柔性开关在节点上传输的无功功率，为功率因素角正弦的绝对值，为柔性开关在节点和节点间的容量，为柔性开关中与节点相连换流器的损耗，为柔性开关中与节点相连换流器的损耗，为柔性开关中与节点相连换流器的容量，为柔性开关中与节点相连换流器的容量；
所述储能系统运行约束的表达式为：
，
，
，
，
，
，
式中， 为储能装置的放电效率，为时刻节点储能的放电功率，为时刻节点储能的充电功率，为储能装置的充电效率，为储能装置在节点上可输出无功功率的下限，为储能装置在节点上可输出无功功率，为储能装置在节点上可输出无功功率的上限，为节点的储能装置所接入的容量，为节点的储能装置在时刻存储的电量，为储能装置可存储电量的下限，为储能装置可存储电量的上限，为T=时刻节点的电荷量，为T=t+1时刻节点的电荷量，为T=0时刻节点的电荷量，为t时刻节点的充放电功率，为t时刻蓄电池的储能容量，为时间间隔；
所述系统运行潮流约束的表达式为：
，
，
，
，
式中，为在时刻从节点流向节点的有功功率，为节点和节点之间的电阻，为时刻流入节点的有功功率，为以节点为末端节点的支路首端节点集合，为以节点为首端节点的支路末端节点集合，为在时刻从节点流向节点的无功功率，为节点和节点之间的电抗，为时刻流入节点的无功功率，为时刻光伏的有功功率，为时刻软开关的有功功率，为时刻储能系统的有功功率，为时刻负荷的有功功率，为时刻软开关的无功功率，为时刻储能系统的无功功率，为时刻负荷的无功功率，为时刻节点的电压，为时刻节点的电压，为节点与节点形成的支路在t时刻的电流，为以节点为首端的支路末端节点在t时刻的无功功率，为以节点为首端的支路末端节点在t时刻的有功功率；
在预设的第一约束条件中以配电网经济成本最小为第一目标函数的表达式为：
，
式中，为配电网经济成本，为软开关和储能系统的投资成本，为软开关和储能系统的周期内运行维护成本，为配电网中电能的损耗的成本，为配电网发生故障时的损失成本。
4.根据权利要求3所述的一种考虑故障下SOP负荷支撑能力的配电网优化方法，其特征在于，其中，计算软开关和储能系统的投资成本的表达式为：
，
式中，为贴现率，为软开关的经济使用年限，为软开关待安装的个数，为软开关对应的单位容量投资成本，为安装的软开关的容量，为光伏的经济使用年限，为储能系统对应的单位容量投资成本，为安装的储能系统的容量，为储能系统的经济使用年限；
计算软开关和储能系统的周期内运行维护成本的表达式为：
，
式中，为软开关的运行维护费用系数，为储能系统的运行维护费用系数；
计算配电网中电能的损耗的成本的表达式为：
，
式中，为场景对应的概率，为配电网电能损耗经济成本系数，为聚类的场景数，为支路上的电阻值，为支路在时刻上的电流值，为支路上所安装软开关的有功功率损耗，为支路上所安装储能系统的有功功率损耗，为时间间隔；
计算配电网发生故障时的损失成本的表达式为：
，
式中，为电价，为线路故障情况下负载的损失功率，为线路发生故障的概率。
5.根据权利要求3所述的一种考虑故障下SOP负荷支撑能力的配电网优化方法，其特征在于，所述第二约束条件包括分布式光伏运行功率约束和配电网安全运行约束，其中，所述分布式光伏运行功率约束的表达式为：
，
式中，为接入光伏在时刻的有功功率，为接入光伏在时刻的无功功率；
所述配电网安全运行约束的表达式为：
，
式中，为电压幅值允许的最小值，为节点的电压，为电压幅值允许的最大值，为节点上的电流，为节点上允许承载的最大电流；
在所述第一约束条件和预设的第二约束条件中以光伏接入容量最大为第二目标函数的表达式为：
，
式中，为第二目标函数，为光伏接入容量。
6.根据权利要求1所述的一种考虑故障下SOP负荷支撑能力的配电网优化方法，其特征在于，在所述至少一个典型场景中对所述第一阶段优化子模型进行求解，得到综合各个典型场景下的软开关安装位置和储能系统容量之前，所述方法还包括：
构建惩罚函数，其中所述惩罚函数为：
，
将惩罚函数加入到所述第一阶段优化子模型中的第一目标函数，得到新的目标函数：
，
式中，为原始目标函数，即配电网中周期内经济成本，为惩罚函数，是用来惩罚 SOP接入容量向量的稀疏性的系数，是用来惩罚 ESS 接入容量向量的稀疏性的系数，为SOP接入数量，为ESS接入数量，为SOP接入容量向量，维度为，为ESS接入容量向量，维度为。
7.根据权利要求1所述的一种考虑故障下SOP负荷支撑能力的配电网优化方法，其特征在于，所述将所述软开关安装位置和所述储能系统容量输入至所述第二阶段优化子模型中，并对所述第二阶段优化子模型进行求解，得到配电网中的分布式光伏容量包括：
种群初始化并编码：将光伏容量作为种群染色体，设置决策变量上界和下界并确定个体数量，通过实数编码后产生初始化种群；
计算种群适应度值：所求目标函数为柔性配电网光伏最大接入容量，将目标函数值作为适应度值，每代计算结束后生成一组适应度值, ，其中，为个体一的适应度值，为个体二的适应度值，为个体n的适应度值；
进行选择操作：基于个体适应度来确定进行交叉和变异的个体，首先使用轮盘赌选择筛选出一部分个体，选取的概率与适应度大小成正比，之后在这些个体中使用锦标赛选择进行最终的选择；
执行交叉、变异操作：主要采用两点交叉方式，随机在两个个体中设置两个交叉点，并根据交叉概率交换部分基因，并且进行随机扰动，引入一个随机数项来引入随机噪声，并在交叉完成后，选取一定数量的染色体交叉点之后的位置对其进行随机排列；
设置迭代次数，直至进化结束得出某节点接入光伏的分布式光伏容量。
8.一种考虑故障下SOP负荷支撑能力的配电网优化系统，其特征在于，包括：
削减模块，配置为对光伏-负荷数据进行场景削减得到至少一个典型场景和以及与所述至少一个典型场景对应的场景概率；
构建模块，配置为构建在所述至少一个典型场景下的配电网优化模型，其中，所述配电网优化模型中包含在预设的第一约束条件中以配电网经济成本最小为第一目标函数构建的第一阶段优化子模型，以及在所述第一约束条件和预设的第二约束条件中以光伏接入容量最大为第二目标函数构建的第二阶段优化子模型；
第一求解模块，配置为在所述至少一个典型场景中对所述第一阶段优化子模型进行求解，得到综合各个典型场景下的软开关安装位置和储能系统容量;
第二求解模块，配置为将所述软开关安装位置和所述储能系统容量输入至所述第二阶段优化子模型中，并对所述第二阶段优化子模型进行求解，得到配电网中的分布式光伏容量；
迭代模块，配置为将所述分布式光伏容量输入至所述第一阶段优化子模型中迭代，直至求解得出综合各个典型场景下最小经济成本和最优分布式光伏容量。
9.一种电子设备，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7任一项所述的方法。
10.一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7任一项所述的方法。
CN202310981554.3A 2023-08-07 2023-08-07 考虑故障下sop负荷支撑能力的配电网优化方法及系统 Pending CN116702399A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310981554.3A CN116702399A (zh) 2023-08-07 2023-08-07 考虑故障下sop负荷支撑能力的配电网优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310981554.3A CN116702399A (zh) 2023-08-07 2023-08-07 考虑故障下sop负荷支撑能力的配电网优化方法及系统

Publications (1)

Publication Number Publication Date
CN116702399A true CN116702399A (zh) 2023-09-05

Family

ID=87831532

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310981554.3A Pending CN116702399A (zh) 2023-08-07 2023-08-07 考虑故障下sop负荷支撑能力的配电网优化方法及系统

Country Status (1)

Country Link
CN (1) CN116702399A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104484833A (zh) * 2014-12-02 2015-04-01 常州大学 基于遗传学算法改进的rbf-bp神经网络的光伏发电输出功率追踪算法
CN110729765A (zh) * 2019-08-30 2020-01-24 四川大学 一种考虑sop的配电网灵活性评估指标体系和优化调度方法
CN111682585A (zh) * 2020-06-19 2020-09-18 国网经济技术研究院有限公司 一种配电网智能储能软开关综合规划方法和系统
CN112686429A (zh) * 2020-12-16 2021-04-20 天津城建大学 移动机器人及其基于自适应遗传算法的路径规划方法
CN113852084A (zh) * 2021-10-22 2021-12-28 国网辽宁省电力有限公司抚顺供电公司 考虑智能软开关优化配置的配电网多阶段韧性提升方法
CN114996908A (zh) * 2022-04-29 2022-09-02 上海交通大学 考虑智能软开关接入的主动配电网扩展规划方法及系统
CN115133573A (zh) * 2022-06-24 2022-09-30 浙江工业大学 一种考虑负荷光伏随机性的配电网故障恢复滚动优化方法
CN115207921A (zh) * 2022-09-14 2022-10-18 国网江西省电力有限公司电力科学研究院 一种光伏接入配电网的位置优化方法及系统
CN115663910A (zh) * 2022-07-20 2023-01-31 东南大学 配电网规划层-运行层两阶段分布鲁棒优化治理方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104484833A (zh) * 2014-12-02 2015-04-01 常州大学 基于遗传学算法改进的rbf-bp神经网络的光伏发电输出功率追踪算法
CN110729765A (zh) * 2019-08-30 2020-01-24 四川大学 一种考虑sop的配电网灵活性评估指标体系和优化调度方法
CN111682585A (zh) * 2020-06-19 2020-09-18 国网经济技术研究院有限公司 一种配电网智能储能软开关综合规划方法和系统
CN112686429A (zh) * 2020-12-16 2021-04-20 天津城建大学 移动机器人及其基于自适应遗传算法的路径规划方法
CN113852084A (zh) * 2021-10-22 2021-12-28 国网辽宁省电力有限公司抚顺供电公司 考虑智能软开关优化配置的配电网多阶段韧性提升方法
CN114996908A (zh) * 2022-04-29 2022-09-02 上海交通大学 考虑智能软开关接入的主动配电网扩展规划方法及系统
CN115133573A (zh) * 2022-06-24 2022-09-30 浙江工业大学 一种考虑负荷光伏随机性的配电网故障恢复滚动优化方法
CN115663910A (zh) * 2022-07-20 2023-01-31 东南大学 配电网规划层-运行层两阶段分布鲁棒优化治理方法
CN115207921A (zh) * 2022-09-14 2022-10-18 国网江西省电力有限公司电力科学研究院 一种光伏接入配电网的位置优化方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SHAOQING SI: "Soft Open Point–Energy Storage Collaborative Planning Based on Second- rder Cone Programming", IEEE *
YUXIN JIA: "Research on the Access Planning of SOP and ESS in Distribution Network Based on SOCP-SSGA", WEB OF SCIENCE, pages 2 - 4 *
罗壮壮: "考虑多类不确定源的主动配电网协调优化运行", CNKI *

Similar Documents

Publication Publication Date Title
CN110729765A (zh) 一种考虑sop的配电网灵活性评估指标体系和优化调度方法
CN113991742B (zh) 一种配电网分布式光伏双层协同优化投资决策方法
CN115640963A (zh) 一种考虑投资运营模式的海上风电接入系统鲁棒规划方法
CN113690930B (zh) 基于nsga-iii算法的分布式光伏电源中长期选址定容方法
CN116645089A (zh) 一种考虑退役电池容量退化的储能系统双层优化配置方法
Ni et al. Multi-objective bi-level optimal dispatch method of active distribution network considering dynamic reconfigurations
CN116402210A (zh) 一种综合能源系统多目标优化方法、系统、设备和介质
CN115496273A (zh) 一种可再生能源集群分布鲁棒优化配置方法及系统
CN109888817B (zh) 对光伏电站和数据中心进行位置部署和容量规划方法
CN113178868B (zh) 一种柔性互联配电系统电压优化方法
CN114548597A (zh) 一种交直流混合光储配电网优化方法
CN114358430A (zh) 一种基于鲁棒优化的新型农村配电网规划策略
Guo A study of smart grid program optimization based on k-mean algorithm
CN106451424A (zh) 含大规模光伏发电并网的输电网随机规划方法
CN109672216A (zh) 一种基于多因子的主动配电网分层控制方法及系统
CN112671045B (zh) 一种基于改进遗传算法的分布式电源优化配置方法
CN116865318A (zh) 基于两阶段随机优化的输电网和储能联合规划方法及系统
CN110751328A (zh) 基于联合加权熵的高比例可再生能源电网适应性规划方法
CN116316716A (zh) 一种储能电站多阶段规划方法、计算机设备及存储介质
CN113346501B (zh) 基于头脑风暴算法的配电网电压优化方法及其系统
CN116702399A (zh) 考虑故障下sop负荷支撑能力的配电网优化方法及系统
CN115496427A (zh) 一种多微网系统柔性互联投资规划决策方法
CN113904340B (zh) 基于拓扑优化和可调度负荷优化的利用率提升方法及系统
CN115296304B (zh) 基于分布式光伏电源阵列的低压线路末端电压治理方法
Yuan et al. Two-stage robust planning method for distribution network energy storage based on load forecasting

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20230905