CN116865300A - 适应新能源配电网的柔性资源集群配置方法、装置及介质 - Google Patents
适应新能源配电网的柔性资源集群配置方法、装置及介质 Download PDFInfo
- Publication number
- CN116865300A CN116865300A CN202310837628.6A CN202310837628A CN116865300A CN 116865300 A CN116865300 A CN 116865300A CN 202310837628 A CN202310837628 A CN 202310837628A CN 116865300 A CN116865300 A CN 116865300A
- Authority
- CN
- China
- Prior art keywords
- new energy
- distribution network
- flexible resource
- constraint
- data
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 title claims abstract description 47
- 239000011159 matrix material Substances 0.000 claims description 55
- 238000004146 energy storage Methods 0.000 claims description 29
- 239000000203 mixture Substances 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 230000009467 reduction Effects 0.000 claims description 23
- 238000009434 installation Methods 0.000 claims description 20
- 238000013468 resource allocation Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 15
- 230000005540 biological transmission Effects 0.000 claims description 13
- 238000012847 principal component analysis method Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 230000001105 regulatory effect Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 22
- 238000005457 optimization Methods 0.000 description 11
- 230000014759 maintenance of location Effects 0.000 description 9
- 238000007599 discharging Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000033228 biological regulation Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000005286 illumination Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000035699 permeability Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Classifications
-
- 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
- H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
- H02J3/241—The oscillation concerning frequency
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
-
- 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
- H02J3/381—Dispersed generators
-
- 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
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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]
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/28—The renewable source being wind energy
-
- 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
- H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
- H02J2310/40—The network being an on-board power network, i.e. within a vehicle
- H02J2310/48—The network being an on-board power network, i.e. within a vehicle for electric vehicles [EV] or hybrid vehicles [HEV]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Power Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开了一种适应新能源配电网的柔性资源集群配置方法、装置及介质，通过以所述典型日数据为运行框架和以新能源电源准入容量最大为目标函数，结合电网约整体束、新能源约束和柔性资源集群约束，构建新能源配电网柔性资源配置模型。在所述柔性资源集群约束中考虑所有柔性资源集群的运行因素，从而在保证柔性资源集群不失衡情况下，最大化提高电网对新能源电源的承载能力。最后根据新能源配电网柔性资源配置模型的求解结果对所述新能源配电网的柔性资源集群进行配置，进而提高大规模新能源并网后的运行稳定性。
Description
技术领域
本申请涉及电力技术领域，尤其涉及一种适应新能源配电网的柔性资源集群配置方法、装置及介质。
背景技术
在能源互联网技术和我国新能源政策的推动下，为了提高现代化配电网柔性资源集群对风电、光伏等分布式新能源大规模接入的承载能力。因此有必要研究如何协同优化配置分布式储能系统、微电网、可调负荷、电动汽车、数据中心、5G基站等负荷侧柔性资源集群，以适应高渗透率分布式新能源接入配电网。可是，在当前新能源渗透率急剧增长的背景下，柔性资源集群容易发生承载失衡，电网频率稳定性的弱化不能满足大规模新能源安全稳定并网的实际需求。
发明内容
本申请提供了一种适应新能源配电网的柔性资源集群配置方法、装置及介质，提高电网对的新能源承载能力，以解决大规模新能源并网存在频率稳定性差的技术问题。
为了解决上述技术问题，本申请提供了本申请实施例的第一方面提供一种适应新能源配电网的柔性资源集群配置方法，包括：
根据新能源配电网的历史数据，组成数据矩阵；
基于主成分分析法对所述数据矩阵进行降维，降维后基于高斯混合聚类算法对所述数据矩阵进行聚类，得到典型日数据；
以所述典型日数据为运行框架和以新能源电源准入容量最大为目标函数，结合电网约整体束、新能源约束和柔性资源集群约束，构建新能源配电网柔性资源配置模型；
将所述新能源配电网柔性资源配置模型转化为混合整数规划模型进行求解，根据求解结果对所述新能源配电网的柔性资源集群进行配置。
在第一方面的一种可能的实现方式中，所述根据新能源配电网的历史数据，组成数据矩阵，具体包括：
根据新能源配电网的历史数据中预设时间段内每小时风速数据、每小时强度数据和每小时常规负荷数据，组成以小时为单位数据的数据矩阵。
在第一方面的一种可能的实现方式中，所述基于主成分分析法对所述数据矩阵进行降维，具体包括：
根据所述数据矩阵的特征保留程度与保留特征维数的关系，选取保留特征维数对所述数据矩阵进行降维。
在第一方面的一种可能的实现方式中，所述降维后基于高斯混合聚类算法对所述数据矩阵进行聚类，得到典型日数据所述数据矩阵进行聚类，得到典型日数据，具体包括：
降维后基于高斯混合聚类算法对所述数据矩阵进行多次聚类，得到不同聚类分类数对应的综合聚类指标值；
选取综合聚类指标值取最大值时对应的聚类分类数进行聚类，得到典型日数据。
在第一方面的一种可能的实现方式中，所述以所述典型日数据为运行框架和以新能源电源准入容量最大为目标函数，结合电网约整体束、新能源约束和柔性资源集群约束，构建新能源配电网柔性资源配置模型，具体包括：
以所述典型日数据为运行框架，确认风电和光伏准入容量最大为目标函数；
建立包括系统潮流约束、系统运行安全约束和智能软开关运行约束的电网约整体束；
建立包括PVG运行约束和WTG运行约束的新能源约束；
建立包括分布式储能运行约束、微网约束、电动汽车充电站运行约束、可调负荷约束、有载调压变压器约束、5G基站约束和数据中心约束的柔性资源集群约束。
在第一方面的一种可能的实现方式中，所述系统潮流约束是根据DistFlow支路潮流法建立的；所述系统运行安全约束是根据各季度的节点电压限值和系统安全电流值建立的；所述智能软开关运行约束包括SO P传输的有功功率约束和SO P传输的容量约束。
在第一方面的一种可能的实现方式中，所述将所述新能源配电网柔性资源配置模型转化为混合整数规划模型进行求解，具体包括：
将含电流与电压二次方项的所述潮流约束转化为二阶锥形式；
将全部智能软开关运行约束转化为二阶锥形式；
使用大M法将符合二阶锥规划应用条件的所述分布式储能运行约束、所述电动汽车充电站运行约束转化为二阶锥形式。
在第一方面的一种可能的实现方式中，所述根据求解结果对所述新能源配电网的柔性资源集群进行配置，具体包括：
根据求解结果中各个电动汽车充电站节点的安装容量、各个微网群节点的安装容量、各个可调负荷节点的安装容量、各个数据中心节点的安装容量和各个5G基站节点的安装容量和各个分布式储能装置节点的安装容量对所述新能源配电网进行配置。
本申请实施例的第二方面提供了一种适应新能源配电网的柔性资源集群配置装置，包括：
矩阵模块，用于根据新能源配电网的历史数据，组成数据矩阵；
降维聚类模块，用于基于主成分分析法对所述数据矩阵进行降维，降维后基于高斯混合聚类算法对所述数据矩阵进行聚类，得到典型日数据；
构建模块，用于以所述典型日数据为运行框架和以新能源电源准入容量最大为目标函数，结合电网约整体束、新能源约束和柔性资源集群约束，构建新能源配电网柔性资源配置模型；
配置模块，用于将所述新能源配电网柔性资源配置模型转化为混合整数规划模型进行求解，根据求解结果对所述新能源配电网的柔性资源集群进行配置。
本申请实施例的第三方面提供了一种计算机可读存储介质，所述计算机程序被处理器执行时上所述适应新能源配电网的柔性资源集群配置方法。
与现有技术相比，本申请具备以下有益效果：
通过以所述典型日数据为运行框架和以新能源电源准入容量最大为目标函数，结合电网约整体束、新能源约束和柔性资源集群约束，构建新能源配电网柔性资源配置模型。在所述柔性资源集群约束中考虑所有柔性资源集群的运行因素，从而在保证柔性资源集群不失衡情况下，最大化提高电网对新能源电源的承载能力。最后根据新能源配电网柔性资源配置模型的求解结果对所述新能源配电网的柔性资源集群进行配置，进而提高大规模新能源并网后的运行稳定性。此外，在求解新能源配电网柔性资源配置模型使，将模型进行优化成混合整数规划模型，降低求解的时间复杂度，保证了本申请运行的高效性。
附图说明
图1是本发明一实施例提供一种适应新能源配电网的柔性资源集群配置方法的流程示意图；
图2是本发明一实施例提供一种适应新能源配电网的系统结构图；
图3是本发明一实施例提供一种风速数据示意图；
图4是本发明一实施例提供一种光照强度数据示意图；
图5是本发明一实施例提供一种负荷数据示意图；
图6是本发明一实施例提供一种特征保留程度与保留特征维数的关系图；
图7是本发明一实施例提供一种综合聚类指标取值图；
图8是本发明一实施例提供一种新能源配电网中的储能出力示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
请参照图1，图1为本申请实施例提供的一种适应新能源配电网的柔性资源集群配置方法，包括：
S10、根据新能源配电网的历史数据，组成数据矩阵。
S20、基于主成分分析法对所述数据矩阵进行降维，降维后基于高斯混合聚类算法对所述数据矩阵进行聚类，得到典型日数据。
S30、以所述典型日数据为运行框架和以新能源电源准入容量最大为目标函数，结合电网约整体束、新能源约束和柔性资源集群约束，构建新能源配电网柔性资源配置模型。
S40、将所述新能源配电网柔性资源配置模型转化为混合整数规划模型进行求解，根据求解结果对所述新能源配电网的柔性资源集群进行配置。
需要说明的是，在机器学习领域中，主成分分析法(principal component analysis method，PCAM)可以通过线性优化，将高维的海量数据，提取少量线性无关的特征量以表征原数据，同时保证降维过程中仍然最大化原始海量数据的内含信息。为了便于说明，假设原始负荷以及分布式新能源出力数据包含N1个T1维向量，PCAM执行的具体步骤如下所述。
1)归一化原始负荷以及分布式新能源出力数据并得到归一化后的数据S：
2)计算协方差系数并形成协方差矩阵：
3)求解协方差矩阵R的特征值及特征向量：
式中：为协方差矩阵R的特征值，且有U为正交矩阵。根据特征值，可以容易计算得到相应的特征向量
4)通过矩阵线性变化，得到主成分分量及其矩阵Z：
Z＝UTS (7)
5)计算第t个主成分分量的单个特征保留程度指标ωt和前t个主成分分量的特征保留程度指标
单个特征保留程度指标数值ωt越大，则说明其对应的主成分分量包含越多的负荷以及分布式新能源出力数据内部信息。相似地，特征保留程度指标数值越大，则说明前t个主成分分量包含的负荷以及分布式新能源出力数据内部信息越充足。因此，可以通过特征保留程度指标选取合适的降维维度以权衡计算复杂度和原始数据信息保留程度的矛盾。
高斯混合模型(Gaussian Mixture Model)通常简称GMM，是一种业界广泛使用的聚类算法，该方法使用了高斯分布作为参数模型，并使用了期望最大(ExpectationMaximization，简称EM)算法进行训练。高斯混合模型是由若干个单高斯模型(即正态分布)加权组成的，因此本质上也是一个概率模型。高斯混合模型的参数包含单高斯模型的数目K、单高斯模型的权重φw、单高斯模型的均值μw、协方差矩阵协方差∑w，定义集合Ω＝{φw，μw，∑w}。一般来说，通过调整上述各个参数，高斯混合模型可以近似拟合不同类型的连续概率分布数据集合。具体的高斯混合模型的数学公式表达如下所示。
式中：x代表变量的观测值；Pr(x)表示高斯混合模型的概率分布函数；W为单高斯模型的总数目；Nw(x|μw，∑w)表示单高斯模型；K为数据维度。
高斯混合模型中的参数，单高斯模型的权重φw，均值μw，协方差矩阵协方差∑w均通过EM(Expectation-Ma×imization algorithm)迭代算法进行估计。EM算法共分为两步：1)E-步骤：求出需要估计参数的期望值；2)M-步骤：在1)得到的粗略值的基础上最大化似然函数。
应用E M算法之前，应表示出估计参数对应的最大似然函数。以参数μw为例，求其最大似然函数。对式(10)取对数，得到高斯混合模型的对数似然函数，然后对μw进行求导，使导数为0即得到其最大对数似然函数，如式(13)所示。
EM算法的一般步骤如下所示：
1)E-步骤：
φw、μw、∑w根据的对数似然函数，计算后验概率γ(znw)。
2)M-步骤：
根据E-步骤中计算得到的后验概率γ(znw)，重新计算φw、μw、∑w
3)计算高斯混合模型的对数似然函数。
4)检查参数或者对数似然函数是否收敛，若不收敛，则返回第1)步。
与现有技术相比，本申请实施例通过以所述典型日数据为运行框架和以新能源电源准入容量最大为目标函数，结合电网约整体束、新能源约束和柔性资源集群约束，构建新能源配电网柔性资源配置模型。在所述柔性资源集群约束中考虑所有柔性资源集群的运行因素，从而在保证柔性资源集群不失衡情况下，最大化提高电网对新能源电源的承载能力。最后根据新能源配电网柔性资源配置模型的求解结果对所述新能源配电网的柔性资源集群进行配置，进而提高大规模新能源并网后的运行稳定性。此外，在求解新能源配电网柔性资源配置模型使，将模型进行优化成混合整数规划模型，降低求解的时间复杂度，保证了本申请运行的高效性。
为方便解释说明，下面以图2所示的新能源配电网对本申请实施例作进一步的说明。
请参见图2，在本实施例的新能源配电网系统中，可配置新能源位置信息、待配置柔性资源位置信息如表1表2所示。
表1可配置新能源位置信息
表2待配置柔性资源位置信息
示例性地，S10具体包括：
根据新能源配电网的历史数据中预设时间段内每小时风速数据、每小时强度数据和每小时常规负荷数据，组成以小时为单位数据的数据矩阵。
本实施例中，新能源配电网所处地区风速、光照强度以及常规负荷5年的历史数据如图3、图4、图5所示。
示例性地，S20中所述基于主成分分析法对所述数据矩阵进行降维，具体包括：
根据所述数据矩阵的特征保留程度与保留特征维数的关系，选取保留特征维数对所述数据矩阵进行降维。
风速、光照强度以及常规负荷5年的历史数据组成1800＊72的数据矩阵，其中包括1800个场景下24小时风速数据、24小时光照强度数据、24小时常规负荷数据。采用主成分分析法对海量场景进行降维处理，得到原始数据的特征保留程度与保留特征维数的关系如图6所示。由图可知，当保留特征维数为3维时，可有效保留95％的数据信息。
示例性地，S20中所述降维后基于高斯混合聚类算法对所述数据矩阵进行聚类，得到典型日数据所述数据矩阵进行聚类，得到典型日数据，具体包括：
降维后基于高斯混合聚类算法对所述数据矩阵进行多次聚类，得到不同聚类分类数对应的综合聚类指标值；
选取综合聚类指标值取最大值时对应的聚类分类数进行聚类，得到典型日数据。
在得到降维的数据信息后，可基于高斯混合聚类算法对不确定性数据进行聚类。得到不同聚类分类数下的综合聚类指标如图7所示，由图可知当聚类分类数为4时，聚类算法的综合聚类指标取到最大值，此时聚类效果最优。
选取聚类分类数为4，基于主成分-高斯混合按照场景分析法产生4个典型场景的风电、光伏、电动汽车负荷以及常规负荷的典型日数据。
随着分布式新能源发电技术逐渐发展，大量的新能源电源接入配电网，使得配电网的运行调度面临巨大挑战，出现包括电压违规、潮流倒送等诸多问题。在这种情况下，提升高渗透率新能源配电网的承载能力就显得尤为重要。本节将目标函数设置为新能源电源(风电和光伏)准入容量最大：
式中：NPV，i为新增配置光伏的节点数，NWT，i为新增配置风电的节点数，为第i个节点新增配置的光伏容量，Si WT为第i个节点新增配置的风电容量。
示例性地，S30具体包括：
以所述典型日数据为运行框架，确认风电和光伏准入容量最大为目标函数；
建立包括系统潮流约束、系统运行安全约束和智能软开关运行约束的电网约整体束；
建立包括PVG运行约束和WTG运行约束的新能源约束；
建立包括分布式储能运行约束、微网约束、电动汽车充电站运行约束、可调负荷约束、有载调压变压器约束、5G基站约束和数据中心约束的柔性资源集群约束。
示例性地，所述系统潮流约束是根据DistFlOW支路潮流法建立的；所述系统运行安全约束是根据各季度的节点电压限值和系统安全电流值建立的；所述智能软开关运行约束包括SOP传输的有功功率约束和SOP传输的容量约束。
下面介绍本实施例中各个约束的建立过程：
(1)DistFlOW支路潮流法建立系统潮流约束：
式中：u(j)为以j为末端节点的支路的首端节点集合；w(j)为以j为首端节点的支路的末端节点的集合；Pij，t、Pjk，t和Qij，t、Qjk，t分别为t时段流经馈线(i，j)及(j，k)的有功和无功功率；Ui，t为节点i的电压幅值；Pj，t和Qj，t分别为节点j注入的有功和无功功率；分别为t时段PVG、WTG在节点i注入的无功功率；分别为t时段PVG、WTG在节点i注入的无功功率为ESS注入节点j的功率Rij和Xij分别为线路(i，j)的电阻和电抗；表示网格j内的风电、光伏、储能是否建设，为0-1变量。
(2)系统运行安全约束：
式中：Ui，s，t、Umin、Umax分别为s季度t时段节点i处的电压、电压下限、电压上限；Iij，s，t和Iij，max分别为s季度t时段线路(i，j)的载流量和安全电流。
(3)PVG、WTG运行约束：
式中：分别为t时段节点i处风电、光伏的有功出力，分别为t时段节点i处风电、光伏的最大输出功率，分别为t时段节点i处风电、光伏的无功出力，分别为PVG和WTG的功率因数，为定值。
(4)分布式储能运行约束：
接入配电网节点i的储能的运行需要满足以下约束：
式中：和分别为储能充放电功率；0-1变量γi，t表征储能充放电状态，1为放电，0为充电；Pi BES为单个储能模块的额定功率；为储能电量；和分别为储能充、放电效率；Δt为相邻调度时刻之间的时长；Si，max和Si，min分别为储能荷电状态上、下限；和分别为调度初始时刻与末尾时刻的储能电量。
(5)微网约束：
微网约束包含开关站传输功率约束、微网功率平衡约束、开关站功率平衡约束。
开关站传输功率约束：
式中：为节点i在t时刻微网的功率，分别是开关站传输的最大、最小有功功率。
微网功率平衡约束：
式中：为节点i处微网安装的储能在t时刻的输出功率。
开关站功率平衡约束：
式中：为节点i处配电站内安装的储能在t时刻的输出功率。
(6)电动汽车充电站运行约束：
1)电动汽车不参与配电网调节，只充电：
式中：m为正在充电的电动汽车数量；Pc为充电功率；ηc为充电效率；
2)电动汽车参与配电网调节，但只充电不放电：
式中：ρi，t和分别为节点i在t时刻电动汽车充电站实施需求响应前后的电价；Pi，t和分别为节点i在t时刻实施需求响应前后的电动汽车充电站负荷量；和分别为节点i在t时刻实施需求响应后电价的上下限。
3)电动汽车参与配电网调节，可充电也可以放电：
式中：和分别为t时刻第i个节点电动汽车的充电状态和放电状态，均为0-1变量，该约束表示充放电不能同时进行；和分别为t时刻第i个节点电动汽车充电站需求响应的充电容量上限和放电容量上限；ηi，EV为参与该种充电方式的电动汽车数量；PEV为电动汽车额定充放电功率；ηch和ηdis分别为电动汽车的充电效率和放电效率。
(7)智能软开关运行约束：
1)SOP传输的有功功率约束：
2)SOP传输的容量约束：
式中：i、j分别表示SOP接入配电网的节点编号；分别为t时刻接在节点i、j上SOP传输的有功功率；分别为t时刻接在节点i、j上SOP传输的无功功率；分别为t时刻接在节点i、j上SOP的有功损耗； 分别为SOP的损耗系数；为t时刻SOP的容量。
(8)可调负荷约束：
为了让可调负荷积极参与需求响应并起到削峰填谷的作用，构建了可中断负荷与可激励负荷相融合的机制。可中断负荷与可激励负荷需要满足以下约束：
式中：q为参加配电网调节的用户，r为不参加配电网调节的用户，PL，q，min和PL，q，max分别为用户q的最小和最大负荷中断量；ΔPL，q，t为t时刻用户q负荷中断量；PJ，q，min和PJ，q，max分别为用户的最小和最大负荷增加量；ΔPJ，q，t为t时刻用户q负荷增加量。d1和d2是二元变量，当用户发生可中断负荷响应的时候d1＝1，d2＝0；否则，d1＝0，d2＝1。
(9)有载调压变压器约束：
式中：U1，t和Ub，t分别为变电站节点和虚拟节点b在时刻t的电压；KO，t为有载调压变压器在时刻t的分接头档位；ΔkO为有载调压变压器分接头每调节一个档位时匝数比改变的步长；KO，max为有载调压变压器分接头最大档位数。
(10)5G基站约束：
1)功率平衡约束：
式中：表示5G基站群在t时段的总功耗；ΩBS为5G基站的安装节点集合；
表示时段t内基站m从配电网吸收的有功功率。和表示时段t内基站m中储能电池充/放电的功率；表示基站m中通信设备在时段t内的总功耗；表示时段t内基站m空调功耗。
2)基站电源容量与传输流量约束：
式中：表示基站m中电源的额定容量。表示时段t内基站m与用户ut的连接关系，取值为0表示两者未建立通信关系，取值为1表示两者建立了通信连接关系；Nm，u表示基站m能够覆盖的所有用户的集合，即小区m及其相邻小区内所有用户的集合；表示基站m的总流量；表示时段t内用户ut的流量需求，单位：Mbps；表示基站m中BBU的最大流量处理能力。
3)基站发射功率约束：
式中：表示时段t内基站m的发射功率；表示基站m的最大发射功率。
4)带宽分配约束：
考虑带宽资源均等分配策略，单个用户ut分配的带宽资源为B。用户ut只能从与之相连的基站m获取带宽资源，且基站分配给与之相连用户的总带宽不能超过基站可提供的总带宽：
式中：表示基站m分配的总带宽；表示基站m可提供的总带宽。
5)基站-用户连接关系约束：
式中：表示时段t内基站m与用户ut的连接关系，取值为0表示两者未建立通信关系，取值为1表示两者建立了通信连接关系；为用户ut的相邻基站集合。
(11)数据中心约束：
数据中心功率平衡约束可表示为：
式中：Pt UPS为t时段向数据中心供能的UPS有功功率，也即是整个数据中心系统的负荷需求；Eon，t为t时段UPS中蓄电池充电的有功功率，当蓄电池充满后，Eon，t等于0；ηrec，gs为整流器的工作效率；ηinv，ls为逆变器的工作效率。
关于蓄电池充电过程有以下约束。
Es，t＝(1-θ)·Es，t-1+Eon，t·λc (62)
式中：Es，t为t时段蓄电池储存的电量；θ为蓄电池自放电率；λc为蓄电池充电效率。分别为蓄电池容量的上下限。分别为蓄电池充电功率的上下限。
数据中心服务器CPU能耗可表示为：
式中：C1为CPU功耗系数；bi，k，t，s为与t时段节点i处数据中心内k型服务器处理的数据负载量关联的变量；Ns为服务器频率挡位数；为节点i处数据中心k型服务器CPU的s挡工作频率；d′i，k，t表示t时段节点i处数据中心每台k型服务器处理的数据负载量；ai，k，t，s表示t时段节点i处数据中心k型服务器CPU的s挡工作频率标志位；M表示数值较大的常数。
由于数据中心内服务器的数据计算能力有限，需要保证数据中心服务器计算效率不能超过额定计算效率：
式中：di，k，ρ，t为t时段节点i处数据中心中k型服务器处理的ρ类型数据负载量。数据中心服务器能够提供的计算资源Ri，k，t与服务器的服务效率和服务器数量有关，具体表示如下：
式中：μi，k，t为t时段节点i处数据中心k型服务器的服务效率；C2为系数。
锥优化指的是可行域由一组线性等式和锥确定的集合的最小化或最大化的问题，其问题的求解可以采用内点算法而保证多项式时间可计算。
二阶锥优化(Second Order Cone Programming，SOCP)问题可以追溯到17世纪的Fermat-Weber问题，对这个问题进行简单的变换便可以使其转化成简单的二阶锥优化问题。实际应用中，对许多数学问题都可以进行转化，使其成为二阶锥优化问题来进行求解，线性规划和凸二次规划问题可看作是二阶锥优化的特例。作为最优化领域的一个重要分支，二阶锥优化问题有着非常广泛的应用背景，如在工程、与鲁棒相关的控制和金融以及组合优化等领域都有着广泛的应用。二阶锥规划是在一个仿射空间和有限个二阶锥的笛卡尔积的交上极小化或者极大化一个线性函数问题，其约束是非光滑的，并且是凸的，因此它属于非光滑凸规划，经典的线性规划、凸二次规划、凸二次约束的二次规划等都可以统一在二阶锥规划的框架下，它们都是半定规划的特例。随着其广泛应用和对偶内点法的迅速发展，已经成为数学规划领域的一个备受关注的研究方向。
二阶锥规划的标准形式如下式所示。
式中，x为n维决策变量，c∈Rn、A∈Rm×n、b∈Rm为常数，K为如下所示的二阶锥或旋转二阶锥：
①二阶锥：
②旋转二阶锥：
二阶锥规划实际上是一种凸规划，具备凸规划的所有特点，并且解的最优性和计算速度均得到有效保证。目前可以通过分支定界法解决，采用商业求解器中的C PLEX、M OS EK等算法工具包求解十分方便，诸多基于二阶锥规划优化问题也可以控制在多项式时间内求解完成。
示例性地，S40中所述将所述新能源配电网柔性资源配置模型转化为混合整数规划模型进行求解，具体包括：
将含电流与电压二次方项的所述系统潮流约束转化为二阶锥形式；
将全部智能软开关运行约束转化为二阶锥形式；
使用大M法将符合二阶锥规划应用条件的所述分布式储能运行约束、所述电动汽车充电站运行约束转化为二阶锥形式。
(1)系统潮流约束转化：
引入变量和可消除电流与电压二次方项。结合big-M法和凸松弛技术，约束(21)、(22)和(23)可转化为以下二阶锥形式：
||[2Pij，s，t 2Qij，s，t lij，s，t-vi，s，t]T||2≤lij，s，t+vi，s，t (75)
约束(26)分别转化为：
(2)SOP约束转换：
将SOP约束中的式(42)-式(46)转化为二阶锥形式，即：
(3)储能约束转换：
储能运行约束中，使用大M法进行转换，其中部分公式转换成如下形式：
(4)电动汽车充电站约束：
当电动汽车采用第三种充电方式时，模型需要使用大M法进行转换，转换结果如下：
示例性地，所述根据求解结果对所述新能源配电网的柔性资源集群进行配置，具体包括：
根据求解结果中各个电动汽车充电站节点的安装容量、各个微网群节点的安装容量、各个可调负荷节点的安装容量、各个数据中心节点的安装容量和各个5G基站节点的安装容量和各个分布式储能装置节点的安装容量对所述新能源配电网进行配置。
为了验证上述实施例的有益效果，下面设置3个情景，分别为：
情景1：不考虑柔性资源集群互动的配电网柔性资源集群优化配置；
情景2：考虑5种基础柔性资源集群互动的配电网柔性资源集群优化配置；
情景3(采用上述方法实施例)：考虑所有柔性资源集群互动的配电网柔性资源集群优化配置。
表3不同方案下的分布式新能源最大准入容量
表3为不同方案下的分布式新能源最大准入容量。由表3可知，方案2的新能源安装量比方案1多，说明该考虑5种基础柔性资源集群互动能够提高新能源的渗透率。方案3中的新能源渗透率比方案2高，说明分布式储能提升新能源消纳的能力要强于柔性负荷的提升能力。
表4不同方案下的柔性资源配置结果
图8为方案3夏季典型日1号储能的出力情况。折线为储能的SOC曲线，从图中可以看出储能SOC被约束在20％～100％，避免了储能的过度放电，提高了储能的寿命。柱状图为BESS的功率输出，功率为负表示储能正在充电，功率为正表示BESS正在放电。可以看出储能在风电光伏出力较小的时段进行放电，提供功率支撑，储能在风电光伏出力较大的时候进行充电，达到削峰填谷的效果。
本申请一实施例提供一种适应新能源配电网的柔性资源集群配置装置，包括矩阵模块、降维聚类模块、构建模块和配置模块。
矩阵模块，用于根据新能源配电网的历史数据，组成数据矩阵。
降维聚类模块，用于基于主成分分析法对所述数据矩阵进行降维，降维后基于高斯混合聚类算法对所述数据矩阵进行聚类，得到典型日数据。
构建模块，用于以所述典型日数据为运行框架和以新能源电源准入容量最大为目标函数，结合电网约整体束、新能源约束和柔性资源集群约束，构建新能源配电网柔性资源配置模型。
配置模块，用于将所述新能源配电网柔性资源配置模型转化为混合整数规划模型进行求解，根据求解结果对所述新能源配电网的柔性资源集群进行配置。
适应新能源配电网的柔性资源集群配置装置可实施上述方法实施例的新能源并网功率容量的确定方法。上述方法实施例中的可选项也适用于本实施例，这里不再详述。本申请实施例的其余内容可参照上述方法实施例的内容，在本实施例中，不再进行赘述。
与现有技术相比，本申请实施例通过以所述典型日数据为运行框架和以新能源电源准入容量最大为目标函数，结合电网约整体束、新能源约束和柔性资源集群约束，构建新能源配电网柔性资源配置模型。在所述柔性资源集群约束中考虑所有柔性资源集群的运行因素，从而在保证柔性资源集群不失衡情况下，最大化提高电网对新能源电源的承载能力。最后根据新能源配电网柔性资源配置模型的求解结果对所述新能源配电网的柔性资源集群进行配置，进而提高大规模新能源并网后的运行稳定性。此外，在求解新能源配电网柔性资源配置模型使，将模型进行优化成混合整数规划模型，降低求解的时间复杂度，保证了本申请运行的高效性。
本申请实施例的第三方面提供了一种计算机可读存储介质，所述计算机程序被处理器执行时上所述适应新能源配电网的柔性资源集群配置方法。
该实施例的计算机设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序。所述处理器执行所述计算机程序时实现上述任意方法实施例中的步骤。
所述计算机设备可以是智能手机、平板电脑、桌上型计算机和云端服务器等计算设备。该计算机设备可包括但不仅限于处理器、存储器。本领域技术人员可以理解，上述仅仅是计算机设备的举例，并不构成对计算机设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器在一些实施例中可以是所述计算机设备的内部存储单元，例如计算机设备的硬盘或内存。所述存储器在另一些实施例中也可以是所述计算机设备的外部存储设备，例如所述计算机设备上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器还可以既包括所述计算机设备的内部存储单元也包括外部存储设备。所述存储器用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器还可以用于暂时地存储已经输出或者将要输出的数据。
另外，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述任意方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在计算机设备上运行时，使得计算机设备执行时实现上述各个方法实施例中的步骤。
在本申请所提供的几个实施例中，可以理解的是，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意的是，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述的具体实施例，对本申请的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本申请的具体实施例而已，并不用于限定本申请的保护范围。特别指出，对于本领域技术人员来说，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种适应新能源配电网的柔性资源集群配置方法，其特征在于，包括：
根据新能源配电网的历史数据，组成数据矩阵；
基于主成分分析法对所述数据矩阵进行降维，降维后基于高斯混合聚类算法对所述数据矩阵进行聚类，得到典型日数据；
以所述典型日数据为运行框架和以新能源电源准入容量最大为目标函数，结合电网约整体束、新能源约束和柔性资源集群约束，构建新能源配电网柔性资源配置模型；
将所述新能源配电网柔性资源配置模型转化为混合整数规划模型进行求解，根据求解结果对所述新能源配电网的柔性资源集群进行配置。
2.如权利要求1所述适应新能源配电网的柔性资源集群配置方法，其特征在于，所述根据新能源配电网的历史数据，组成数据矩阵，具体包括：
根据新能源配电网的历史数据中预设时间段内每小时风速数据、每小时强度数据和每小时常规负荷数据，组成以小时为单位数据的数据矩阵。
3.如权利要求1所述适应新能源配电网的柔性资源集群配置方法，其特征在于，所述基于主成分分析法对所述数据矩阵进行降维，具体包括：
根据所述数据矩阵的特征保留程度与保留特征维数的关系，选取保留特征维数对所述数据矩阵进行降维。
4.如权利要求1所述适应新能源配电网的柔性资源集群配置方法，其特征在于，所述降维后基于高斯混合聚类算法对所述数据矩阵进行聚类，得到典型日数据所述数据矩阵进行聚类，得到典型日数据，具体包括：
降维后基于高斯混合聚类算法对所述数据矩阵进行多次聚类，得到不同聚类分类数对应的综合聚类指标值；
选取综合聚类指标值取最大值时对应的聚类分类数进行聚类，得到典型日数据。
5.如权利要求1所述适应新能源配电网的柔性资源集群配置方法，其特征在于，所述以所述典型日数据为运行框架和以新能源电源准入容量最大为目标函数，结合电网约整体束、新能源约束和柔性资源集群约束，构建新能源配电网柔性资源配置模型，具体包括：
以所述典型日数据为运行框架，确认风电和光伏准入容量最大为目标函数；
建立包括系统潮流约束、系统运行安全约束和智能软开关运行约束的电网约整体束；
建立包括PVG运行约束和WTG运行约束的新能源约束；
建立包括分布式储能运行约束、微网约束、电动汽车充电站运行约束、可调负荷约束、有载调压变压器约束、5G基站约束和数据中心约束的柔性资源集群约束。
6.如权利要求5所述适应新能源配电网的柔性资源集群配置方法，其特征在于，所述系统潮流约束是根据DistFlow支路潮流法建立的；所述系统运行安全约束是根据各季度的节点电压限值和系统安全电流值建立的；所述智能软开关运行约束包括SOP传输的有功功率约束和SOP传输的容量约束。
7.如权利要求5所述适应新能源配电网的柔性资源集群配置方法，其特征在于，所述将所述新能源配电网柔性资源配置模型转化为混合整数规划模型进行求解，具体包括：
将含电流与电压二次方项的所述系统潮流约束转化为二阶锥形式；
将全部智能软开关运行约束转化为二阶锥形式；
使用大M法将符合二阶锥规划应用条件的所述分布式储能运行约束、所述电动汽车充电站运行约束转化为二阶锥形式。
8.如权利要求1所述适应新能源配电网的柔性资源集群配置方法，其特征在于，所述根据求解结果对所述新能源配电网的柔性资源集群进行配置，具体包括：
根据求解结果中各个电动汽车充电站节点的安装容量、各个微网群节点的安装容量、各个可调负荷节点的安装容量、各个数据中心节点的安装容量和各个5G基站节点的安装容量和各个分布式储能装置节点的安装容量对所述新能源配电网进行配置。
9.一种适应新能源配电网的柔性资源集群配置装置，其特征在于，包括：
矩阵模块，用于根据新能源配电网的历史数据，组成数据矩阵；
降维聚类模块，用于基于主成分分析法对所述数据矩阵进行降维，降维后基于高斯混合聚类算法对所述数据矩阵进行聚类，得到典型日数据；
构建模块，用于以所述典型日数据为运行框架和以新能源电源准入容量最大为目标函数，结合电网约整体束、新能源约束和柔性资源集群约束，构建新能源配电网柔性资源配置模型；
配置模块，用于将所述新能源配电网柔性资源配置模型转化为混合整数规划模型进行求解，根据求解结果对所述新能源配电网的柔性资源集群进行配置。
10.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述适应新能源配电网的柔性资源集群配置方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310837628.6A CN116865300A (zh) | 2023-07-07 | 2023-07-07 | 适应新能源配电网的柔性资源集群配置方法、装置及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310837628.6A CN116865300A (zh) | 2023-07-07 | 2023-07-07 | 适应新能源配电网的柔性资源集群配置方法、装置及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116865300A true CN116865300A (zh) | 2023-10-10 |
Family
ID=88224771
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310837628.6A Pending CN116865300A (zh) | 2023-07-07 | 2023-07-07 | 适应新能源配电网的柔性资源集群配置方法、装置及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116865300A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117578434A (zh) * | 2023-11-23 | 2024-02-20 | 南方电网能源发展研究院有限责任公司 | 考虑柔性资源可调能力的配电网灵活性评估方法及装置 |
-
2023
- 2023-07-07 CN CN202310837628.6A patent/CN116865300A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117578434A (zh) * | 2023-11-23 | 2024-02-20 | 南方电网能源发展研究院有限责任公司 | 考虑柔性资源可调能力的配电网灵活性评估方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Khatod et al. | Evolutionary programming based optimal placement of renewable distributed generators | |
| CN106295853B (zh) | 基于储能调度模式的分布式光伏两阶段多目标就地消纳法 | |
| CN107994595A (zh) | 一种削峰填谷控制方法和系统以及应用该控制方法的系统 | |
| CN108471143A (zh) | 基于正负反馈粒子群算法的微电网多能源调度优化方法 | |
| Khunkitti et al. | Optimal location and sizing of BESS for performance improvement of distribution systems with high DG penetration | |
| CN116865300A (zh) | 适应新能源配电网的柔性资源集群配置方法、装置及介质 | |
| CN116822719A (zh) | 一种配电网的多目标规划方法及装置 | |
| CN116502832A (zh) | 一种多微电网联合规划方法、系统、存储介质及电子设备 | |
| CN117154726A (zh) | 基于孤岛划分的配电网重构恢复供电方法及系统 | |
| CN111738773A (zh) | 一种基于新能源与负荷的净负荷峰谷时段划分方法及系统 | |
| CN117172486A (zh) | 一种基于强化学习的虚拟电厂光储资源聚合调控方法 | |
| CN117013531A (zh) | 配电网的容量域评估方法 | |
| CN108683211B (zh) | 一种考虑分布式电源波动性的虚拟发电厂组合优化方法及模型 | |
| Jin et al. | Joint scheduling of electric vehicle charging and energy storage operation | |
| CN115238992A (zh) | 一种电力系统源荷储的协调优化方法、装置及电子设备 | |
| CN107046312B (zh) | 一种基于有序充放电的储能电池优化调度方法 | |
| CN112821451B (zh) | 基于需求侧管理与储能的城镇配电网光伏接入应对方法 | |
| CN115580615A (zh) | 一种分布式储能调度方法、系统及存储介质 | |
| CN114447963A (zh) | 储能电池功率控制方法及系统 | |
| CN109066797B (zh) | 含光伏发电的电力系统运行控制方法及装置 | |
| CN113013909A (zh) | 一种基于平抑牵引的储能容量改进方法 | |
| CN112861376A (zh) | 一种基于单元调度模型的评估方法及装置 | |
| Luna et al. | Optimal coordination of active generators in a grid-connected microgrid | |
| Guixi et al. | Two-tier optimal scheduling of microgrid cluster distribution system based on energy interaction | |
| CN108390407A (zh) | 分布式光伏接入量计算方法、装置及计算机设备 |
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 |