CN117060470B - 一种基于灵活性资源的配电网电压优化控制方法 - Google Patents

一种基于灵活性资源的配电网电压优化控制方法 Download PDF

Info

Publication number
CN117060470B
CN117060470B CN202310979046.1A CN202310979046A CN117060470B CN 117060470 B CN117060470 B CN 117060470B CN 202310979046 A CN202310979046 A CN 202310979046A CN 117060470 B CN117060470 B CN 117060470B
Authority
CN
China
Prior art keywords
power
energy storage
voltage
soc
distribution network
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
CN202310979046.1A
Other languages
English (en)
Other versions
CN117060470A (zh
Inventor
王宣元
刘敦楠
马凌怡
加鹤萍
谢欢
黄天啸
刘蓁
王泽森
赵天骐
夏雪
郝婧
罗婧
张涵之
李奇
孔帅皓
李维宇
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 Huadian Energy Internet Research Institute Co ltd
State Grid Jibei Electric Power Co Ltd
Electric Power Research Institute of State Grid Jibei Electric Power Co Ltd
Original Assignee
Beijing Huadian Energy Internet Research Institute Co ltd
State Grid Jibei Electric Power Co Ltd
Electric Power Research Institute of State Grid Jibei Electric Power Co Ltd
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 Beijing Huadian Energy Internet Research Institute Co ltd, State Grid Jibei Electric Power Co Ltd, Electric Power Research Institute of State Grid Jibei Electric Power Co Ltd filed Critical Beijing Huadian Energy Internet Research Institute Co ltd
Priority to CN202310979046.1A priority Critical patent/CN117060470B/zh
Publication of CN117060470A publication Critical patent/CN117060470A/zh
Application granted granted Critical
Publication of CN117060470B publication Critical patent/CN117060470B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • 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
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • 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
    • H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
    • H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
    • 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
    • H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
    • H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
    • 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
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • H02J3/144—Demand-response operation of the power transmission or distribution network
    • 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
    • H02J3/381—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
    • 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
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given 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
    • 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
    • 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
    • H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
    • 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
    • H02J2310/50—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads
    • H02J2310/56—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads characterised by the condition upon which the selective controlling is based
    • H02J2310/58—The condition being electrical
    • H02J2310/60—Limiting power consumption in the network or in one section of the network, e.g. load shedding or peak shaving

Abstract

本发明公开了一种基于灵活性资源的配电网电压优化控制方法，涉及电力系统技术领域，包括构建灵活性资源模型；构建考虑灵活性资源的功率与配电网电压的关联函数模型；基于所述关联函数模型配置灵活性资源模型权重关系；运用约束型粒子群算法对灵活性资源模型进行求解；通过BMS系统进行灵活性资源进行优化调配。运用约束型粒子群算法对灵活性资源调控优化模型的配电网交流潮流方程对模型求解，可同时考虑模型多种约束条件，更能有效地处理数值优化问题，算法的工程实用性强，本方法考虑了储能系统和需求侧响应、电动车换电柜等灵活性资源，相比现有的电网调控方法可以进一步地降低电网运行成本，并且能够提高可再生能源消纳能力。

Description

一种基于灵活性资源的配电网电压优化控制方法
技术领域
本发明涉及电力系统技术领域，尤其涉及一种基于灵活性资源的配电网电压优化控制方法。
背景技术
随着我国分布式及可循环再生能源接入配电网发电，其系统运行时出力及分配结果的变化诸多存在不确定性，导致配电网域内出现的负荷短期曲线波动率都较大，引起的配电网电压波动甚至越限的问题，电能质量势必随之下降，影响到配电网的安全运行与用户正常用电需求。如今的调压方法多基于较成熟的调压设备投切电容器，但其发挥作用有限。
在双碳目标的推进下，“源”“荷”“储”多方参与互动，这为新型配电网提供了可调节资源，减小电压波动对电网运行质量的影响。由于传统的分时电价调度策略的制定是单纯以优化负荷曲线为目标，未考虑储能调度等影响因素，电池储能运营商往往基于固定的需求响应结果进行储能调度决策，联合优化结果使系统获得最优综合效益困难，需要按实际因素有序调配储能和需求响应参与容量，并综合多方资源达到最佳辅助服务目的。
发明内容
本发明解决的技术问题是：由于传统的分时电价调度策略的制定是单纯以优化负荷曲线为目标，未考虑储能调度等影响因素，电池储能运营商往往基于固定的需求响应结果进行储能调度决策，联合优化结果使系统获得最优综合效益困难，需要按实际因素有序调配储能和需求响应参与容量，并综合多方资源达到最佳辅助服务目的。
为解决上述技术问题，本发明提供如下技术方案：一种基于灵活性资源的配电网电压优化控制方法，包括构建灵活性资源模型；构建考虑灵活性资源的功率与配电网电压的关联函数模型；基于所述关联函数模型配置灵活性资源模型权重关系；运用约束型粒子群算法对灵活性资源模型进行求解；通过BMS系统进行灵活性资源进行优化调配。
作为本发明所述的基于灵活性资源的配电网电压优化控制方法的一种优选方案，其中：构建灵活性资源模型包括：
所述灵活性资源模型包括储能系统、用电用户需求侧响应和电动车换电柜；
对储能系统通过变流器开关放电来进行电能的输出控制；
获取电动汽车换电柜容量信息；
对电动汽车换电柜闲置容量进行调控，并综合需求响应用户出力进行电压优化。
作为本发明所述的基于灵活性资源的配电网电压优化控制方法的一种优选方案，其中：构建考虑灵活性资源的功率与配电网电压的关联函数模型包括：
根据光伏发电预测扰动结果，经潮流计算得到光伏当前的控制周期的电压波动动态情况，对下一控制周期各电池组串的运行模式进行预分配；
基于光伏实测历史数据PPV，进行功率-电压灵敏度反推，得出节点电压波动情况，开展下一控制周期电压波动短期预测，并将所述节点电压波动情况输入电厂配网调度机构，所述电厂配网调度机构对储能系统、换电柜及需求响应三方实际出力调配容量信号计算。
作为本发明所述的基于灵活性资源的配电网电压优化控制方法的一种优选方案，其中：根据光伏功率并网数据收集，利用电压-有功波动量对节点电压波动结果进行计算，得出ΔU：
其中，Δθ表示电压相位偏差量，ΔU表示电压幅值偏差量，ΔP表示有功功率变化值大小，ΔQ表示无功功率变化值大小，J表示雅可比矩阵，d表示考虑负荷静态电压特性的电压的功率灵敏度矩阵，将其分为四部分并编写不同序号，电压与有功功率的灵敏度关系数学表达式为：
ΔU＝d21ΔP
通过改变注入有功功率大小来调整电压的波动量。
作为本发明所述的基于灵活性资源的配电网电压优化控制方法的一种优选方案，其中：通过潮流计算得到校正电压所需功率容量大小，并发送给储能系统的BMS系统和换电柜运营商，基于分时电价定价信息，通过Logistic函数的模糊响应机理进行协调调配；
Logistic函数利用可变参数，增加负荷转移率变化的跨度，其数学表达式为：
其中，Δp表示电价差，β表示负荷转移率，a表示函数值范围,c表示a/2+b的函数值对应的横坐标，表示“响应区”电价差中点，λ表示已知常数，b表示可变参数。
作为本发明所述的基于灵活性资源的配电网电压优化控制方法的一种优选方案，其中：基于所述关联函数模型配置灵活性资源模型权重关系包括：
用户需求与响应的行为机理用负荷转移率曲线的最大值来表示，具体计算表达式为：
azy＜Δpzy＜bzy
其中，表示实际负荷转移率，m表示乐观响应隶属度，也就是用户负荷乐观响应估计的概率，Δpzy表示电价差，azy和bzy表示电价差划分区域分界点，λzy max表示悲观响应预测的负荷转移率，λzy min表示乐观响应预测的负荷转移率；
基于实际负荷功率曲线求出峰转平和平转谷的实际负荷转移率，用户需求响应后的负荷转移量Df数学表达式为：
其中，表示峰转平的实际负荷转移率，/>表示平转谷的实际负荷转移率，Tp表示峰时段，Tf表示平时段，Tv表示谷时段，/>表示为实施峰谷电价前在t时刻的负荷平均值，/>表示实施峰谷电价后在t时刻的负荷平均值；
基于分时电价的特性，引导用户用电行为转移，通过削峰填谷进行功率平衡从而实现电压控制。
作为本发明所述的基于灵活性资源的配电网电压优化控制方法的一种优选方案，其中：求解储能系统和需求响应及电动车换电柜的最佳配置容量，使其电压波动值最小，其目标函数为所述关联函数模型的总目标函数，其数学表达式为：
其中，表示一天内电压波动的最大值，/>表示一天内电压波动的最小值，根据各个数学表达式的约束条件，然后进行粒子群优化算法计算，响应设置参数通过N次迭代得出最终优化调配方案包括：
考虑荷储侧电动车及储能、需求响应多主体协同运行约束，约束条件包括：
储能系统运行约束：
Ssoc,min≤Ssoc,t≤Ssoc,max
其中，Pcess,t表示单位时间段t内BESS的充电功率，Pf ess,t表示单位时间段t内BESS的放电功率，表示充电最大功率，/>表示放电最大功率，ηc表示充电效率，ηf表示放电效率，Ssoc,t表示单位时段t储能的SOC，Ssoc,min表示储能的SOC的下限，Ssoc,max表示储能的SOC的上限；
换电柜电池约束：
ESOC，min≤ESOC(t)≤ESOC，max
其中，Esoc(t)表示t时段的储能剩余容量，Esoc,min表示为最小荷电状态，Esoc,max表示最大荷电状态；
潮流方程约束：
其中，Pj表示区域电网中分布式电源在节点j处注入的有功功率，Qj表示区域电网中分布式电源在节点j处注入的无功功率，Rj-1表示节点j-1的线路电阻值，Xj-1表示节点j-1的线路电抗值,Pf表示节点j处的负荷有功需求功率，Qf表示节点j处的无功需求功率，xj表示分布式储能系统是否接入到系统中，当接入系统时，其值为1，当未接入系统时，其值为0，Pc表示区域电网中在节点j处所安装储能系统的有功额定功率，Qc表示区域电网中在节点j处所安装储能系统的无功额定功率。
作为本发明所述的基于灵活性资源的配电网电压优化控制方法的一种优选方案，其中：运用约束型粒子群算法对灵活性资源模型进行求解包括：
利用Deb可行性规则粒子群优化算法模型作为优化算法模型，采用Deb基于可行性规划处理约束条件，粒子群根据适应度值的大小来改进速度和位置，除目标函数外代入约束违反度变量，其数学表达式为：
f(x)＝goal(t)+voi(t)
其中，goal(t)表示目标函数值，越大则适应度越高；voi(t)为约束违反度函数。
约束违反度函数定义为：
其中，gi(x)≤0,hi(x)＝0，由此得：
若voi(x)＝0则x为可行解；
若voi(x)＞0则x为不可行解；
若两个候选解均为可行解，则目标函数值小的为最优；
若两个候选解均为不可行解，也就是voi(x1),voi(x2)＞0，则比较它们的约束违反度，选择违反度函数值小的作为最优解来进行；
其中可行解为优先选择对象，当一个解为可行解一个解为不可行解，则可行解为最优。
作为本发明所述的基于灵活性资源的配电网电压优化控制方法的一种优选方案，其中：可行解空间和速度空间随机初始化粒子群，则为确定粒子的初始位置和初始速度，位置用于代表问题解，其数学表达式为：
其中，i表示粒子序号，k表示迭代的次数，c1和c2表示学习因子，通过调节两参数大小改变自身和群体两种最佳位置占比，u1和u2为两个随机均匀分布相互独立的数值，ω是惯性权重，ω越大，前一次迭代速度占比越大，全局搜索能力强，pbest k表示粒子在迭代过程中搜索到的最佳位置，Ibest k是整个粒子群中搜索到的最优位置，通过迭代计算出k+1时的粒子运动速度并且利用迭代出的速度与/>求和得出粒子i在迭代次数为k+1的/>结合稳定电压波动为目标的粒子群优化算法进行求解，通过不断更新迭代储能功率出力容量调配大小，进而计算出最优解。
作为本发明所述的基于灵活性资源的配电网电压优化控制方法的一种优选方案，其中：BMS系统对电池组串和换电柜的实际闲置容量按可行性规则进行模式分配，协调控制系统对下一控制周期的电池组串SOC和换电柜的剩余可用电量进行估算，并连同BMS系统反馈信息及换电柜用电需求信号上报配网调度机构；
对于控制期内的储能系统电池容量运行特征，要考虑市电供应状态下可调度储能的工作特性，依据此运行特点建立可调度储能模型，其数学表达式为：
其中，En(t)表示第t时段中，第n个储能设备可调度电量，ηc表示充电功率，ηf表示放电功率，Pc,n(t-1)表示t-1时段电池n充电功率，Pf,n(t-1)表示t-1时段电池n放电功率；
充电和放电的可调度储能功率最大值，其数学表达式为：
其中，Pmaxc(t)，Pmaxf(t)表示第t时段中换电柜的可调度储能充、放电最大功率大小，Pall表示换电柜设备所有储能电池可利用功率总和，Pmf(t-1)表示换电柜t-1时刻可调度放电功率大小，d(t)表示表示换电柜在t时刻订单量，d(t-2)表示换电柜在t-2时刻订单量，Ps表示换电柜单个电池的额定功率；
在整个控制期结束后，连同BMS系统反馈信息及换电柜用电需求信号上报配网调度机构。
本发明的有益效果：构建储能系统和需求侧响应及电动车换电柜的灵活性资源模型，更加具体及全面地描述不同对象的工作特性，构建考虑灵活性资源配电网电压优化目标函数模型，基于多重影响因素合理配置三方出力关系；运用约束型粒子群算法对灵活性资源调控优化模型的配电网交流潮流方程对模型求解，可同时考虑模型多种约束条件，更能有效地处理数值优化问题，算法的工程实用性强，本方法考虑了储能系统和需求侧响应、电动车换电柜等灵活性资源，相比现有的电网调控方法可以进一步地降低电网运行成本，并且能够提高可再生能源消纳能力。
附图说明
图1为本发明一个实施例提供的一种基于灵活性资源的配电网电压优化控制方法的基本流程示意图；
图2为本发明一个实施例提供的一种基于灵活性资源的配电网电压优化控制方法的储能系统及换电柜和配电网分布图；
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。
实施例1
参照图1，为本发明的一个实施例，提供了一种基于灵活性资源的配电网电压优化控制方法包括：
S1：构建灵活性资源模型包括：
所述灵活性资源模型包括储能系统、用电用户需求侧响应和电动车换电柜；
对储能系统通过变流器开关放电来进行电能的输出控制；
获取电动汽车换电柜容量信息；
对电动汽车换电柜闲置容量进行调控，并综合需求响应用户出力进行电压优化。
通过对储能系统进行变流器开关放电来进行电能的输出控制,有效地保证整个电网功率平衡和系统运行时电流相对平稳,来达到稳压的目的，同时又能大幅度降低二次储能系统装机容量及其本身产生的电站建设运行投资风险以及后续建设维护管理投资成本,可以更有效的以此节能方法来达到快速有效改善。但在特定电压波动过大需储能出力满足不了动态变化情况下，结合电动汽车换电柜的闲置容量进行调控，同时综合需求响应用户出力达到三者共同参与电压优化，以此避免需求响应结果影响储能调度决策，从而达到储能、换电柜以及需求响应三者共赢。
S2：构建考虑灵活性资源的功率与配电网电压的关联函数模型包括：
根据光伏发电预测扰动结果，经潮流计算得到光伏当前的控制周期的电压波动动态情况，对下一控制周期各电池组串的运行模式进行预分配；
基于光伏实测历史数据PPV，进行功率-电压灵敏度反推，得出节点电压波动情况，开展下一控制周期电压波动短期预测，并将所述节点电压波动情况输入电厂配网调度机构，所述电厂配网调度机构对储能系统、换电柜及需求响应三方实际出力调配容量信号计算。
根据光伏功率并网数据收集，利用电压-有功波动量对节点电压波动结果进行计算，得出ΔU：
其中，Δθ表示电压相位偏差量，ΔU表示电压幅值偏差量，ΔP表示有功功率变化值大小，ΔQ表示无功功率变化值大小，J表示雅可比矩阵，d表示考虑负荷静态电压特性的电压的功率灵敏度矩阵，将其分为四部分并编写不同序号便于表示，电压与有功功率的灵敏度关系数学表达式为：
ΔU＝d21ΔP
通过改变注入有功功率大小来调整电压的波动量。
通过潮流计算得到校正电压所需功率容量大小，并发送给储能系统的BMS系统和换电柜运营商，基于分时电价定价信息，通过Logistic函数的模糊响应机理进行协调调配；
其中需求响应分时电价参考现有电价，基于分时电价的研究特性，引导用户用电行为转移，通过削峰填谷进行功率平衡从而实现电压控制。以峰谷负荷转移为例，建立了基于Logistic函数的模糊响应机理，基于上述模型，为提高实际情况下分时电价因素对负荷曲线拟合的精度，Logistic函数利用可变参数，增加负荷转移率变化的跨度，其函数模型表达式为：
其中，Δp表示电价差；β表示负荷转移率；a表示函数值范围,c为a/2+b的函数值对应的横坐标，表示为“响应区”电价差中点,λ表示已知常数；b为可变参数。
建立Logistic函数的模糊响应机理包括：
将用电时间划分为“死区”、“响应区”和“饱和区”；
在"死区"期间,由于用户上网电价差幅度明显过小,未能找到真正的引发广大电网用户负荷积极调整用电模式；
在"响应区"期间,随着用户电价级差幅度进一步地增大,用户负荷自发响应的电价积极性才开始又被逐步的调动；
在"饱和区"期间,虽然电价级差值依然存在很大,但用电市场企业已初步开始并完全准确地充分挖掘到了用户负荷弹性潜力,因此实际负荷转移率值目前达到极限；
当电价差为0时，即未采用分时电价，此时用户响应行为具有很强的随机性，甚至负荷转移率出现负值的情况；
为提高实际情况下分时电价因素对负荷曲线拟合的精度，Logistic函数利用可变参数，增加负荷转移率变化的跨度，其数学表达式为：
其中，Δp表示电价差，β表示负荷转移率，a表示函数值范围,c表示a/2+b的函数值对应的横坐标，表示“响应区”电价差中点，λ表示已知常数，b表示可变参数。
S3：基于所述关联函数模型配置灵活性资源模型权重关系包括：
在曲线"死区"周期内,电价差变化过小,预测用户响应行为具有极小强度变化的随机性,曲线可由用户的乐观反应行为和用户的悲观响应之间的平均值所确定；
在曲线"响应区"周期内,用户的悲观的响应预测行为特征更加突出明显,且用户的响应预测行为特征又明显更趋倾向于用户的乐观的响应预测行为曲线，采用偏大型半梯形隶属度函数法来计算用户的乐观的响应行为隶属度,将其结果直接作为对用户需求的响应预测行为机理概率；
在"饱和区"的周期内由于仅有的两种曲线几乎完全的重合,用户需求与响应的行为机理即可以用负荷转移率曲线的最大值来表示，具体计算表达式为：
azy＜Δpzy＜bzy
其中，λzy表示实际负荷转移率，m表示乐观响应隶属度，也就是用户负荷乐观响应估计的概率，Δpzy表示电价差，azy和bzy表示电价差划分区域分界点，λzy max表示悲观响应预测的负荷转移率，λzy min表示乐观响应预测的负荷转移率；
基于实际负荷功率曲线求出峰转平和平转谷的实际负荷转移率，用户需求响应后的负荷转移量Df数学表达式为：
其中，表示峰转平的实际负荷转移率，/>表示平转谷的实际负荷转移率，Tp表示峰时段，Tf表示平时段，Tv表示谷时段，/>表示为实施峰谷电价前在t时刻的负荷平均值，/>表示实施峰谷电价后在t时刻的负荷平均值；
基于分时电价的特性，引导用户用电行为转移，通过削峰填谷进行功率平衡从而实现电压控制。
求解储能系统和需求响应及电动车换电柜的最佳配置容量，使其电压波动值最小，其目标函数为所述关联函数模型的总目标函数，其数学表达式为：
其中，表示一天内电压波动的最大值，/>表示一天内电压波动的最小值，根据各个数学表达式的约束条件，然后进行粒子群优化算法计算，响应设置参数通过N次迭代得出最终优化调配方案包括：
考虑荷储侧电动车及储能、需求响应多主体协同运行约束，约束条件包括：
储能系统运行约束：
Ssoc,min≤Ssoc,t≤Ssoc,max
其中，Pc ess,t表示单位时间段t内BESS的充电功率，Pf ess,t表示单位时间段t内BESS的放电功率，表示充电最大功率，/>表示放电最大功率，ηc表示充电效率，ηf表示放电效率，Ssoc,t表示单位时段t储能的SOC，Ssoc,min表示储能的SOC的下限，Ssoc,max表示储能的SOC的上限；
换电柜电池约束：
ESOC，min≤ESOC(t)≤ESOC，max其中，Esoc(t)表示t时段的储能剩余容量，Esoc,min表示为最小荷电状态，Esoc,max表示最大荷电状态；
潮流方程约束：
其中，Pj表示区域电网中分布式电源在节点j处注入的有功功率，Qj表示区域电网中分布式电源在节点j处注入的无功功率，Rj-1表示节点j-1的线路电阻值，Xj-1表示节点j-1的线路电抗值,Pf表示节点j处的负荷有功需求功率，Qf表示节点j处的无功需求功率，xj表示分布式储能系统是否接入到系统中，当接入系统时，其值为1，当未接入系统时，其值为0，Pc表示区域电网中在节点j处所安装储能系统的有功额定功率，Qc表示区域电网中在节点j处所安装储能系统的无功额定功率。
若考虑综合经济效益：
分为收益和损失进行表示，BESS运行投资成本，其数学表达为：
Ca＝CEΔEBESS+CPΔPBESS
其中，CE表示储能系统单位容量成本，ΔEBESS表示一天内参与稳压的储能系统容量值，ΔPBESS表示参与一天内削峰填谷储能系统的功率值，CP表示储能系统的功率成本。
储能系统运行维护成本，其数学表达为：
其中，Cy表示储能系统运行维护成本，Cm表示当天储能系统的单位功率运行维护成本，ir表示通货膨胀率，dr表示贴现率。
DR成本是指在参与电网稳压过程中用户进行转移负荷影响正常工作而造成的损失，其数学表达为：
其中，CDR表示损失成本，Cdr表示需求响应进行单位电量的转移负荷造成的损失，EDR表示转移负荷量。
基本电费收益：
电度电费为一段时间内根据电度电价与实际用电量计算出的累积费用:
其中，RBESS表示储能系统运行通过电价变化低储高发而获取的运行收益，YBESS(t)为t时段电价值。
电网公司补贴：
通过调度储能和需求响应等资源参与电网稳压时，整体上可等效为参与调压辅助服务的虚拟电厂，电网公司向其出力方提供相应的补贴，其数学表达式为：
RDR＝RdrEDR
其中，RDR表示需求响应根据调峰电量价格给予的补贴，Rdr表示单位参与调压补偿金额，EDR表示参与电网稳压的需求响应参与容量。
政府补贴
建立政府补贴收益模型，其数学表达式为：
Rgov＝RsubΔL
其中，Rsub表示参与稳压项目而获得的单位功率政府补贴金额，ΔL表示调控前后功率变化值。
S4：运用约束型粒子群算法对灵活性资源模型进行求解包括：
利用Deb可行性规则粒子群优化算法模型作为优化算法模型，采用Deb基于可行性规划处理约束条件，由于粒子群根据适应度值的大小来改进速度和位置，除目标函数外代入约束违反度变量，其数学表达式为：
f(x)＝goal(t)+voi(t)
其中，goal(t)表示目标函数值，越大则适应度越高；voi(t)为约束违反度函数。
约束违反度函数定义为：
其中，gi(x)≤0,hi(x)＝0，由此得：
若voi(x)＝0则x为可行解；
若voi(x)＞0则x为不可行解；
若两个候选解均为可行解，则目标函数值小的为最优；
若两个候选解均为不可行解，也就是voi(x1),voi(x2)＞0，则比较它们的约束违反度，选择违反度函数值小的作为最优解来进行；
其中可行解为优先选择对象，当一个解为可行解一个解为不可行解，则可行解为最优。
首先可行解空间和速度空间随机初始化粒子群，则为确定粒子的初始位置和初始速度，位置用于代表问题解。
其中，i表示粒子序号，k表示迭代的次数，c1，c2表示学习因子，通过调节两参数大小改变自身和群体两种最佳位置占比，u1和u2为两个随机均匀分布相互独立的数值，ω是惯性权重，ω越大，前一次迭代速度占比越大，全局搜索能力强，越小，则可见前一迭代次数的速度占比小，算法局部搜索能力强；pbest k为粒子在迭代过程中搜索到的最佳位置，Ibest k则是整个粒子群中搜索到的最优位置。通过此式的迭代计算出k+1时的粒子运动速度并且，利用迭代出的速度与/>求和得出粒子i在迭代次数为k+1的/>结合稳定电压波动为目标的粒子群优化算法进行求解，通过不断更新迭代储能功率出力容量调配大小，进而计算出最优解。
S5：通过BMS系统进行灵活性资源进行优化调配包括：
BMS系统对电池组串和换电柜的实际闲置容量按可行性规则进行模式分配，协调控制系统对下一控制周期的电池组串SOC和换电柜的剩余可用电量进行估算，并连同BMS系统反馈信息及换电柜用电需求信号上报配网调度机构；
对于控制期内的储能系统电池容量运行特征，要考虑市电供应状态下可调度储能的工作特性，依据此运行特点建立可调度储能模型，其数学表达式为：
其中，En(t)表示第t时段中，第n个储能设备可调度电量，ηc表示充电功率，ηf表示放电功率，Pc,n(t-1)表示t-1时段电池n充电功率，Pf,n(t-1)表示t-1时段电池n放电功率；
充电和放电的可调度储能功率最大值，其数学表达式为：
其中，Pmaxc(t)，Pmaxf(t)表示第t时段中换电柜的可调度储能充、放电最大功率大小，Pall表示换电柜设备所有储能电池可利用功率总和，Pmf(t-1)表示换电柜t-1时刻可调度放电功率大小，d(t)表示表示换电柜在t时刻订单量，d(t-2)表示换电柜在t-2时刻订单量，Ps表示换电柜单个电池的额定功率；
在整个控制期结束后，连同BMS系统反馈信息及换电柜用电需求信号上报配网调度机构。
构建储能系统和需求侧响应及电动车换电柜的灵活性资源模型，更加具体及全面地描述不同对象的工作特性，构建考虑灵活性资源配电网电压优化目标函数模型，基于多重影响因素合理配置三方出力关系；运用约束型粒子群算法对灵活性资源调控优化模型的配电网交流潮流方程对模型求解，可同时考虑模型多种约束条件，更能有效地处理数值优化问题，算法的工程实用性强。本方法考虑了储能系统和需求侧响应、电动车换电柜等灵活性资源，相比现有的电网调控方法可以进一步地降低电网运行成本，并且能够提高可再生能源消纳能力。
实施例2
参照图2，为本发明另一个实施例，该实施例不同于第一个实施例的是，提供了一种基于灵活性资源的配电网电压优化控制方法的实验验证，为对本方法中采用的技术效果加以验证说明，本实施例采用传统技术方案与本发明方法进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。
采用某地区典型的日配电网节点电压幅值、负荷、阻抗等数据。假设参与调控的共有25个换电柜及一个1MW级储能系统，其储能及换电柜和配电网分布情况如下图2所示，实际储能参与电网调控由其中一个节点进行接入处理,以解释本发明的实际应用。
换电柜选取当前16组标准柜，单个电池按48V/20Ah选取，充、放电功率为750W，电池充满点所需时间为1.28h。
约束型PSO算法控制参数：种群规模N＝30，惯性系数ωmax＝0.65，ωmin＝0.1；最大飞行速度vmax＝12；学习因子C1＝2,C2＝2，最大迭代次数为5000次。
根据优化目标对比每个节点在一天内的变化平均值，每一时刻节点标准差变化总和可知优化前的目标函数值为0.96，优化后的函数值为0.65，电压波动明显减小，验证本发法的有效性。
应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
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限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.一种基于灵活性资源的配电网电压优化控制方法，其特征在于，包括：
构建灵活性资源模型；
构建考虑灵活性资源的功率与配电网电压的关联函数模型；
构建灵活性资源模型：
所述灵活性资源模型包括储能系统、用电用户需求侧响应和电动车换电柜；
对储能系统通过变流器开关放电来进行电能的输出控制；
获取电动汽车换电柜容量信息；
对电动汽车换电柜闲置容量进行调控，并综合需求响应用户出力进行电压优化；
基于所述关联函数模型配置灵活性资源模型权重关系；
用户需求与响应的行为机理用负荷转移率曲线的最大值来表示，具体计算表达式为：
其中，表示实际负荷转移率，m表示乐观响应隶属度，也就是用户负荷乐观响应估计的概率，Δpzy表示电价差，azy和bzy表示电价差划分区域分界点，λzy max表示悲观响应预测的负荷转移率，λzy min表示乐观响应预测的负荷转移率；
基于实际负荷功率曲线求出峰转平和平转谷的实际负荷转移率，用户需求响应后的负荷转移量Df数学表达式为：
其中，表示峰转平的实际负荷转移率，/>表示平转谷的实际负荷转移率，Tp表示峰时段，Tf表示平时段，Tv表示谷时段，/>表示为实施峰谷电价前在t时刻的负荷平均值，/>表示实施峰谷电价后在t时刻的负荷平均值；
基于分时电价的特性，引导用户用电行为转移，通过削峰填谷进行功率平衡从而实现电压控制；
运用约束型粒子群算法对灵活性资源模型进行求解；
利用Deb可行性规则粒子群优化算法模型作为优化算法模型，采用Deb基于可行性规划处理约束条件，粒子群根据适应度值的大小来改进速度和位置，除目标函数外代入约束违反度变量，其数学表达式为：
f(x)＝goal(t)+voi(t)
其中，goal(t)表示目标函数值，越大则适应度越高；voi(t)为约束违反度函数，约束违反度函数定义为：
其中，gi(x)≤0,hi(x)＝0，由此得：
若voi(x)＝0则x为可行解；
若voi(x)＞0则x为不可行解；
若两个候选解均为可行解，则目标函数值小的为最优；
若两个候选解均为不可行解，也就是voi(x1),voi(x2)＞0，则比较它们的约束违反度，选择违反度函数值小的作为最优解来进行；
其中可行解为优先选择对象，当一个解为可行解一个解为不可行解，则可行解为最优；
可行解空间和速度空间随机初始化粒子群，则为确定粒子的初始位置和初始速度，位置用于代表问题解，其数学表达式为：
其中，i表示粒子序号，k表示迭代的次数，c1和c2表示学习因子，通过调节两参数大小改变自身和群体两种最佳位置占比，u1和u2为两个随机均匀分布相互独立的数值，ω是惯性权重，ω越大，前一次迭代速度占比越大，全局搜索能力强，pbest k表示粒子在迭代过程中搜索到的最佳位置，Ibest k是整个粒子群中搜索到的最优位置，通过迭代计算出k+1时的粒子运动速度并且利用迭代出的速度与/>求和得出粒子i在迭代次数为k+1的/>结合稳定电压波动为目标的粒子群优化算法进行求解，通过不断更新迭代储能功率出力容量调配大小，进而计算出最优解；
通过BMS系统进行灵活性资源进行优化调配；
BMS系统对电池组串和换电柜的实际闲置容量按可行性规则进行模式分配，协调控制系统对下一控制周期的电池组串SOC和换电柜的剩余可用电量进行估算，并连同BMS系统反馈信息及换电柜用电需求信号上报配网调度机构；
对于控制期内的储能系统电池容量运行特征，要考虑市电供应状态下可调度储能的工作特性，依据此运行特点建立可调度储能模型，其数学表达式为：
其中，En(t)表示第t时段中，第n个储能设备可调度电量，ηc表示充电功率，ηf表示放电功率，Pc,n(t-1)表示t-1时段电池n充电功率，Pf,n(t-1)表示t-1时段电池n放电功率；
充电和放电的可调度储能功率最大值，其数学表达式为：
其中，Pmaxc(t)，Pmaxf(t)表示第t时段中换电柜的可调度储能充、放电最大功率大小，Pall表示换电柜设备所有储能电池可利用功率总和，Pmf(t-1)表示换电柜t-1时刻可调度放电功率大小，d(t)表示表示换电柜在t时刻订单量，d(t-2)表示换电柜在t-2时刻订单量，Ps表示换电柜单个电池的额定功率；
在整个控制期结束后，连同BMS系统反馈信息及换电柜用电需求信号上报配网调度机构。
2.如权利要求1所述的基于灵活性资源的配电网电压优化控制方法，其特征在于，构建考虑灵活性资源的功率与配电网电压的关联函数模型包括：
根据光伏发电预测扰动结果，经潮流计算得到光伏当前的控制周期的电压波动动态情况，对下一控制周期各电池组串的运行模式进行预分配；
基于光伏实测历史数据PPV，进行功率-电压灵敏度反推，得出节点电压波动情况，开展下一控制周期电压波动短期预测，并将所述节点电压波动情况输入电厂配网调度机构，所述电厂配网调度机构对储能系统、换电柜及需求响应三方实际出力调配容量信号计算。
3.如权利要求2所述的基于灵活性资源的配电网电压优化控制方法，其特征在于，根据光伏功率并网数据收集，利用电压-有功波动量对节点电压波动结果进行计算，得出ΔU：
其中，Δθ表示电压相位偏差量，ΔU表示电压幅值偏差量，ΔP表示有功功率变化值大小，ΔQ表示无功功率变化值大小，J表示雅可比矩阵，d表示考虑负荷静态电压特性的电压的功率灵敏度矩阵，将其分为四部分并编写不同序号，电压与有功功率的灵敏度关系数学表达式为：
ΔU＝d21ΔP
通过改变注入有功功率大小来调整电压的波动量。
4.如权利要求3所述的基于灵活性资源的配电网电压优化控制方法，其特征在于，通过潮流计算得到校正电压所需功率容量大小，并发送给储能系统的BMS系统和换电柜运营商，基于分时电价定价信息，通过Logistic函数的模糊响应机理进行协调调配；
Logistic函数利用可变参数，增加负荷转移率变化的跨度，其数学表达式为：
其中，Δp表示电价差，β表示负荷转移率，a表示函数值范围,c表示a/2+b的函数值对应的横坐标，表示“响应区”电价差中点，λ表示已知常数，b表示可变参数。
5.如权利要求4所述的基于灵活性资源的配电网电压优化控制方法，其特征在于，求解储能系统和需求响应及电动车换电柜的最佳配置容量，使其电压波动值最小，其目标函数为所述关联函数模型的总目标函数，其数学表达式为：
其中，表示一天内电压波动的最大值，/>表示一天内电压波动的最小值，根据各个数学表达式的约束条件，然后进行粒子群优化算法计算，响应设置参数通过N次迭代得出最终优化调配方案包括：
考虑荷储侧电动车及储能、需求响应多主体协同运行约束，约束条件包括：
储能系统运行约束：
Ssoc,min≤Ssoc,t≤Ssoc,max
其中，Pc ess,t表示单位时间段t内BESS的充电功率，Pf ess,t表示单位时间段t内BESS的放电功率，表示充电最大功率，/>表示放电最大功率，ηc表示充电效率，ηf表示放电效率，Ssoc,t表示单位时段t储能的SOC，Ssoc,min表示储能的SOC的下限，Ssoc,max表示储能的SOC的上限；
换电柜电池约束：
ESOC,min≤ESOC(t)≤ESOC,max
其中，Esoc(t)表示t时段的储能剩余容量，Esoc,min表示为最小荷电状态，Esoc,max表示最大荷电状态；
潮流方程约束：
其中，Pj表示区域电网中分布式电源在节点j处注入的有功功率，Qj表示区域电网中分布式电源在节点j处注入的无功功率，Rj-1表示节点j-1的线路电阻值，Xj-1表示节点j-1的线路电抗值,Pf表示节点j处的负荷有功需求功率，Qf表示节点j处的无功需求功率，xj表示分布式储能系统是否接入到系统中，当接入系统时，其值为1，当未接入系统时，其值为0，Pc表示区域电网中在节点j处所安装储能系统的有功额定功率，Qc表示区域电网中在节点j处所安装储能系统的无功额定功率。
CN202310979046.1A 2023-08-04 2023-08-04 一种基于灵活性资源的配电网电压优化控制方法 Active CN117060470B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310979046.1A CN117060470B (zh) 2023-08-04 2023-08-04 一种基于灵活性资源的配电网电压优化控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310979046.1A CN117060470B (zh) 2023-08-04 2023-08-04 一种基于灵活性资源的配电网电压优化控制方法

Publications (2)

Publication Number Publication Date
CN117060470A CN117060470A (zh) 2023-11-14
CN117060470B true CN117060470B (zh) 2024-04-26

Family

ID=88665555

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310979046.1A Active CN117060470B (zh) 2023-08-04 2023-08-04 一种基于灵活性资源的配电网电压优化控制方法

Country Status (1)

Country Link
CN (1) CN117060470B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117713174A (zh) * 2023-12-15 2024-03-15 国网青海省电力公司清洁能源发展研究院 一种储能系统功率调节方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109559035A (zh) * 2018-11-29 2019-04-02 国网(苏州)城市能源研究院有限责任公司 一种考虑灵活性的城市配电网双层规划方法
CN112800658A (zh) * 2020-11-30 2021-05-14 浙江中新电力工程建设有限公司自动化分公司 一种考虑源储荷互动的主动配电网调度方法
CN114069635A (zh) * 2021-11-23 2022-02-18 宁波市电力设计院有限公司 一种考虑灵活资源经济性的电网调控优化方法
CN115117931A (zh) * 2022-07-14 2022-09-27 华北电力大学 考虑电动汽车灵活性和光伏接入的配电网规划方法及系统
CN116388286A (zh) * 2022-12-20 2023-07-04 国网冀北电力有限公司 一种多能群控站不同灵活性资源调控系统
CN116488220A (zh) * 2023-04-25 2023-07-25 东南大学 考虑光伏消纳的混合储能ev换电站两阶段协同优化方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109559035A (zh) * 2018-11-29 2019-04-02 国网(苏州)城市能源研究院有限责任公司 一种考虑灵活性的城市配电网双层规划方法
CN112800658A (zh) * 2020-11-30 2021-05-14 浙江中新电力工程建设有限公司自动化分公司 一种考虑源储荷互动的主动配电网调度方法
CN114069635A (zh) * 2021-11-23 2022-02-18 宁波市电力设计院有限公司 一种考虑灵活资源经济性的电网调控优化方法
CN115117931A (zh) * 2022-07-14 2022-09-27 华北电力大学 考虑电动汽车灵活性和光伏接入的配电网规划方法及系统
CN116388286A (zh) * 2022-12-20 2023-07-04 国网冀北电力有限公司 一种多能群控站不同灵活性资源调控系统
CN116488220A (zh) * 2023-04-25 2023-07-25 东南大学 考虑光伏消纳的混合储能ev换电站两阶段协同优化方法

Also Published As

Publication number Publication date
CN117060470A (zh) 2023-11-14

Similar Documents

Publication Publication Date Title
CN107301472B (zh) 基于场景分析法和电压调节策略的分布式光伏规划方法
Ma et al. Optimal allocation of hybrid energy storage systems for smoothing photovoltaic power fluctuations considering the active power curtailment of photovoltaic
CN110581571A (zh) 一种主动配电网动态优化调度方法
Wang et al. Distributed control for large-scale plug-in electric vehicle charging with a consensus algorithm
CN110782363A (zh) 一种计及风电不确定性的交直流配电网调度方法
CN107069776B (zh) 一种平滑微网联络线功率的储能前瞻分布式控制方法
CN110956324B (zh) 基于改进的moea/d的主动配电网日前高维目标优化调度方法
Harasis et al. Reliable islanded microgrid operation using dynamic optimal power management
CN117060470B (zh) 一种基于灵活性资源的配电网电压优化控制方法
Cheng et al. Adaptive robust method for dynamic economic emission dispatch incorporating renewable energy and energy storage
CN111682529B (zh) 一种基于节点电价信息的移动储能车灵活调度方法
Tu et al. An equivalent aggregated model of large-scale flexible loads for load scheduling
Yoldas et al. Optimal control of microgrids with multi-stage mixed-integer nonlinear programming guided $ Q $-learning algorithm
Naidji et al. Efficient allocation strategy of energy storage systems in power grids considering contingencies
CN104578145A (zh) 一种面向智能用电的连续任务型负荷能量控制方法
Kiani et al. An extended state space model for aggregation of large-scale EVs considering fast charging
Chang et al. Model predictive control based energy collaborative optimization management for energy storage system of virtual power plant
Matthiss et al. Influence of demand and generation uncertainty on the operational efficiency of smart grids
CN112003329B (zh) 一种基于全局能耗优化的火电机组调峰调控方法及系统
Yu et al. A fuzzy Q-learning algorithm for storage optimization in islanding microgrid
Miracle et al. Hybrid Metaheuristic Model for Optimal Economic Load Dispatch in Renewable Hybrid Energy System
Fuxing et al. Optimizing Hierarchical Power Distribution of Multiple Local Energy Network Systems in Grid-Connected Mode.
SXToh Particle Swarm Optimization in Virtual Power Plants with Cogeneration Systems
Meng et al. Electric Vehicle Load Control Strategy Based on Improved Aquila Optimizer Algorithm
Lu et al. Advances in Model Predictive Control for Large-Scale Wind Power Integration in Power Systems: A Comprehensive Review

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