CN117117973B - 基于时间尺度的分布式电源调度方法、装置及存储介质 - Google Patents
基于时间尺度的分布式电源调度方法、装置及存储介质 Download PDFInfo
- Publication number
- CN117117973B CN117117973B CN202311376535.4A CN202311376535A CN117117973B CN 117117973 B CN117117973 B CN 117117973B CN 202311376535 A CN202311376535 A CN 202311376535A CN 117117973 B CN117117973 B CN 117117973B
- Authority
- CN
- China
- Prior art keywords
- power
- distributed
- node
- power supply
- scheduling
- 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 44
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 88
- 238000005457 optimization Methods 0.000 claims abstract description 22
- 230000002829 reductive effect Effects 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims description 26
- 239000013598 vector Substances 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 238000005286 illumination Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 12
- 230000008859 change Effects 0.000 description 10
- 238000012360 testing method Methods 0.000 description 10
- 238000010248 power generation Methods 0.000 description 8
- 230000005611 electricity Effects 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 230000035699 permeability Effects 0.000 description 3
- 230000002238 attenuated effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 241000286209 Phasianidae Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- -1 residual pressure Substances 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002912 waste gas Substances 0.000 description 1
- 239000002918 waste heat Substances 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
- H02J3/38—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
- H02J3/24—Arrangements for preventing or reducing oscillations of power in 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
- 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)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种基于时间尺度的分布式电源调度方法、装置及存储介质；所述基于时间尺度的分布式电源调度方法包括：在长时间尺度上，用集中式调度算法根据最优潮流模型求解目标成本最小的分布式调度策略；在短时间尺度上，用分布式一致性算法实现功率偏差在各分布式电源之间的平均分担，以多余备用功率补足功率偏差；建立了直流网下基于二阶锥松弛的全局凸优化模型，和分布式系统间信息交换和功率调整规则，通过所述调整规则调度分布式电源。提升了分布式系统备用功率的利用效率，减小了各电源的平均功率偏差，而且使节点电压具有更好的稳定性。
Description
技术领域
本发明涉及分布式电源调度技术领域，尤其涉及一种基于时间尺度的分布式电源调度方法、装置及存储介质。
背景技术
分布式电源是指为了满足特定电力用户的电力需求，在用户附近布置的独立电源。分布式电源通常采用技术先进的控制设备，具有操作简单、投切机组方便和能源利用率高等优势。当大电网发生故障时，分布式电源可作为孤岛内的电源实现孤岛运行。位置和容量合理的分布式电源可满足偏远地区的小负荷用电需求，提高对用户的供电可靠性。
分布式电源的发电类型多为高能效天然气多联供、可再生能源发电以及资源综合利用发电，发电类型主要包括风能、太阳能、生物质能、潮汐能、海洋能等可再生能源发电，余热、余压以及废气利用发电等资源综合利用发电，以及小型天然气冷热电多联供等。
随着分布式电源渗透率的增加，从电网经济性和稳定性的角度考量，调度分布式电源的需求也愈发强烈。然而，传统电网调度都是基于容量固定的发电设备，对于分布式电源的调度则需要考虑容量不确定性变化带来的影响。目前的调度算法都是将分布式电源容量的不确定性量化为概率函数或可放缩的变量处理，或是用训练后的模型自适应分布式电源波动，无法实现对分布式电源功率偏差的准确响应。
发明内容
为解决上述技术问题，本发明采用提供了一种基于时间尺度的分布式电源调度方法，包括：
步骤S1：在长时间尺度上，用集中式调度算法根据最优潮流模型求解目标成本最小的分布式调度策略；
步骤S2：在短时间尺度上，用分布式一致性算法实现功率偏差在各分布式电源之间的平均分担，以多余备用功率补足功率偏差；
步骤S3：建立直流网下基于二阶锥松弛的全局凸优化模型，和分布式系统间信息交换和功率调整规则，通过所述调整规则调度分布式电源；所述用分布式一致性算法实现功率偏差在各分布式电源之间的平均分担，以多余备用功率补足功率偏差包括：
在各分布式电源间构成强连通的无向图；
其中，为节点集合；/>；n为节点个数；/>为边的集合；各节点的度为D={d1，d2，…，dn}；
所述分布式一致性算法表示为：
；
其中，Ps′(k+1)为k+1时刻的功率偏差的中间变量；A=[aij]n×n为权重矩阵；为运算规则； Ps(k)为k时刻的功率偏差向量。
优选的，所述用集中式调度算法根据最优潮流模型求解目标成本最小的分布式调度策略包括：
根据线损函数、分布式电源备用功率函数、以及电压偏移函数构建目标成本最小模型：
；
其中，minf为最小成本目标； cΨ、cΦ、cγ为权重系数；cΨ≥0，cΦ≥0，cγ≥0；
所述线损函数的计算方式如下：
；
其中，Ψ(I)为网络中的功率损耗；Imn为支路mn上的电流值；Rmn为支路mn的等效阻抗；为支路集合；
所述分布式电源备用功率函数的计算方式如下：
；
其中，Φ(Pc)为分布式电源功率热备带来的成本；为分布式电源集合；ah，bh为成本系数；Pc,h为第h台分布式电源的备用功率；
所述电压偏移函数的计算方式如下：
；
其中，γ(V)为各节点电压偏移平均值的程度；为节点集合；N为节点个数；Vn为节点n处的电压；Vi为节点i的电压。
优选的，所述用集中式调度算法根据最优潮流模型求解目标成本最小的分布式调度策略还包括：
以网损最小和电压偏移最小为目标，构建目标函数如下：
；
其中，为网损最小和电压偏移最小目标；cΨ、cγ为权重系数；cΨ≥0， cγ≥0；Ψ(I)为网络中的功率损耗；γ(V)为各节点电压偏移平均值的程度。
优选的，所述目标函数包括功率平衡约束、节点电压约束、以及分布式电源功率约束；
所述功率平衡约束包括：节点i的KCL方程与线路（i，j）上的KVL方程；
所述节点 i的KCL方程为：；
其中，Pg，i为节点i处分布式电源的输出功率；Pd，i为节点i处负荷的功率；Pij为节点i和节点j之间的功率；为有向支路集；；/>；(i，j)表示两点节点为i，j且正方向为i→j的有向支路；/>指功率流出节点i的支路集合；指功率流入节点i的支路集合；
所述线路(i，j)上的KVL方程为：Vi-Vj=RijIij，；
所述线路(i，j)上的功率等效表达式为：Pij=IijVi，；
其中，Vi为节点i处的电压；Vj为节点j处的电压；Rij为节点i和节点j之间的电阻；Iij为节点i和节点j之间的电流；
所述节点电压约束包括：；
其中，为电压幅值的下限值；/>为电压幅值的上限值；
所述分布式电源功率约束包括：；
其中，Pg，h为第h台分布式电源的输出功率；为分布式电源的输出功率的下限值；/>为分布式电源的功率上限值。
优选的，所述运算规则为
；
其中，为节点i处k+1时刻的功率偏差的中间变量；/>为节点i处k时刻的参考功率偏差；/>为节点i处k时刻的最大功率偏差。
优选的，分布式一致性算法下，各分布式电源系统的热备功率稳态值的计算方式如下：
；其中，/>为各分布式电源系统的热备功率稳态值；average为平均值；Ps(k1)为起点处的功率偏差；为元素全为1的n维向量；/>为节点i处的参考功率偏差；/>为节点i处的最大功率偏差；/>为元素均为0的n维向量。
本申请还提供一种分布式电源调度装置，包括相互耦接的存储器和处理器，所述处理器用于执行所述存储器中存储的程序指令，以实现所述的基于时间尺度的分布式电源调度方法。
本申请还提供一种存储介质，其上存储有程序指令，其特征在于，所述程序指令被处理器执行时实现所述的基于时间尺度的分布式电源调度方法。
本发明的有益效果是：本申请针对高比例分布式直流网经济调度问题提出了一种多时间尺度的调度算法，解决了传统集中式调度算法在分布式不确定性波动下的调度负担和调度实时性之间的矛盾。所述多时间尺度调度策略分为两层：第一层为在长时间尺度下的集中式调度算法，可以根据全局信息实现全局优化；第二层为在短时间尺度上的分布式调度算法，分布式电源根据相邻节点间的信息调度可用功率。建立了直流网下基于二阶锥松弛的全局凸优化模型，和分布式系统间信息交换和功率调整规则。提升了分布式系统备用功率的利用效率，减小了各电源的平均功率偏差，而且使节点电压具有更好的稳定性。
附图说明
图1是根据本发明一实施例的流程图；
图2是根据本发明一实施例同一光伏面板在不同天气情况下的出力示意图；
图3是根据本发明一实施例不同功率输出参考值下的交互曲线示意图；
图4是根据本发明一实施例调度指令下的交互曲线示意图；
图5是根据本发明一实施例集中式和分布式调度逻辑示意图；
图6是根据本发明一实施例支路模型示意图；
图7是根据本发明一实施例节点i的调度指令更新伪代码示意图；
图8是根据本发明一实施例14节点高比例光伏直流网拓扑示意图；
图9是根据本发明一实施例所提多时间尺度调度算法的系统输出性能示意图；
图10是根据本发明一实施例集中式调度算法的系统输出性能示意图；
图11是根据本发明一实施例所提多时间尺度调度算法在历史光照场景下的系统性能示意图；
图12是根据本发明一实施例考虑光伏不确定性的集中式调度算法在历史光照场景下的系统性能示意图。
具体实施方式
为了便于理解本发明，下面结合附图和具体实施例，对本发明进行更详细的说明。附图中给出了本发明的较佳的实施例。但是，本发明可以以许多不同的形式来实现，并不限于本说明书所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。
需要说明的是，除非另有定义，本说明书所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是用于限制本发明。本说明书所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
图1显示了本发明基于时间尺度的分布式电源调度方法的实施例，包括：
步骤S1：在长时间尺度上，用集中式调度算法根据最优潮流模型求解目标成本最小的分布式调度策略；
步骤S2：在短时间尺度上，用分布式一致性算法实现功率偏差在各分布式电源之间的平均分担，以多余备用功率补足功率偏差；
步骤S3：建立了直流网下基于二阶锥松弛的全局凸优化模型，和分布式系统间信息交换和功率调整规则，通过所述调整规则调度分布式电源。
本申请提出了一种多时间尺度的分布式调度算法，在长时间尺度上，用集中式调度算法根据最优潮流模型求解目标成本最小的分布式调度策略；在短时间尺度上，用分布式一致性算法实现功率偏差在各分布式电源之间的平均分担，以多余备用功率补足功率偏差。本申请中给出了集中式算法的潮流模型及其基于二阶雉松弛的凸优化模型，由此可求得全局最优解，以及分布式算法的实现原理和伪代码。从而提升了分布式系统备用功率的利用效率，减小了各电源的平均功率偏差，而且使节点电压具有更好的稳定性。
分布式在不同天气条件下的出力特征，以光伏为例进行说明，光伏出力受到环境的影响(辐照度、温度等)具有随机性和不确定性。
根据地区(东经120°7′，北纬30°16′)的小型光伏电站采集的历史光照数据，分别绘制了额定功率1KW的同一光伏面板在晴朗和多云天气下的可用容量变化曲线，如图2所示。
每种天气情况分两种时间尺度展示，左侧为24小时内的容量变化曲线，右侧为其中20分钟内的容量变化曲线。在晴朗天气下，如图2(b)所示，光伏出力相对稳定，其可用容量在日出前为零，随着光照的增强，可用容量逐渐增加，到13时左右达到最大，后逐渐减小，日落后减小为零。图2(b)右侧从20分钟内更高分辨率展示其可用容量，光伏容量变化很小，波动在10W以内。
在多云天气下，图2(a)所示，阳光受不确定性云朵影响，其光照强度存在随机波动，导致24小时内的光伏可用容量曲线也存在随机和不确定性波动。图2(a)右侧同样为20分钟内更高分辨率的容量变化曲线，其在20分钟内的可用容量波动高达220W。
当分布式电源渗透率较低的情况下，一般选择分布式电源工作在最大功率点跟踪(Maximum power point tracking，MPPT)模式，由其他电源设备消纳分布式电源的波动。但是，随着分布式电源渗透率的提升，尤其在孤岛或以新能源为主体的电网中，分布式电源消纳的成本也将大幅增加，所以在高比例光伏接入下MPPT模式已不再是分布式电源最佳工作模式。因此，分布式电源可以作为容量可变的电源，参与电网调度以实现某些性能指标。
例如，如图3所示，截取图2中多云天气下光伏70分钟内容量变化曲线，若光伏一直工作在最大功率模式，其功率输出波动范围达650W；若以参考功率输出，在如图所示光照波动下，光伏输出功率波动范围将减小至250W；若以/>参考功率输出，则输出功率波动范围将更小。诚然，和传统的MPPT模式相比，这样会导致可用功率的浪费，但是当光伏容量富余，而电能质量等性能指标更为重要的前提下，牺牲部分可用功率而换取更好的电能质量是可取的。
在一个具体实施例中，在传统发电机为主体的配电网中，为了使得运行成本最小，其调度优化目标一般为发电成本最小：
；
其中，g为发电机集合，Pg，i为第i台发电机的输出有功功率，c2,i，c1, i，c0,i为发电成本系数。
或者网损最小：
其中，/>为支路集合，Imn为支路mn上的电流值；Rmn为支路mn的等效阻抗。
从上面两式可知，传统的调度算法本质上是在满足负荷需求的前提下，尽可能减少发电机的燃料消耗成本和线路损耗。但是，当电源由分布式电源系统构成时，情况有所不同。
光伏，作为一种新能源电源，其安装完成后，发电成本是忽略不计的。而且，从发电用户侧考虑，总是希望其发得越多越好，以提升售电收益，所以分布式电源的调度会从其热备成本和节点电压偏移角度考虑，本申请中设定调度优化目标为：
minf=cΨΨ(I)+ cΦΦ(Pc)+ cγγ(V)；
其中，minf为最小成本目标； cΨ、cΦ、cγ为权重系数；cΨ≥0，cΦ≥0，cγ≥0；
其中，所述线损函数用于计算网络中的功率损耗。
所述线损函数的计算方式如下：；其中，Ψ(I)为网络中的功率损耗；Imn为支路mn上的电流值；Rmn为支路mn的等效阻抗；/>为支路集合；
其中，所述分布式电源备用功率函数用于计算分布式电源功率热备带来的成本。
所述分布式电源备用功率函数的计算方式如下：
；其中，Φ(Pc)为分布式电源功率热备带来的成本；/>为分布式电源集合；ah，bh为成本系数；Pc,h为第h台分布式电源的备用功率；
其中，所述电压偏移函数用于计算各节点电压偏移平均值的程度。
所述电压偏移函数的计算方式如下：；其中，γ(V)为各节点电压偏移平均值的程度；/>为节点集合；N为节点个数；Vn为节点n处的电压；Vi为节点i的电压。
本申请中增加了备用功率成本和电压偏移代价函数，由此能够更为充分的利用分布式电源，避免分布式电源可用功率的浪费。
但是仍然存在两个问题：其一，网损最小和热备成本最小的目标是矛盾的，在负荷一定的情况下，备用功率等于可用容量减去负荷(网损)，即，要减小备用功率，唯一的途径就是增加网损，显然对于电网运营方，即购电方，是不能接受的；其二，调度指令往往是基于当前时刻分布式电源的可用功率，在调度指令更新的时间间隔内，分布式电源的可用容量是会随着环境变化而发生不确定波动的，分布式电源出力的优化没能考虑容量不确定变化带来的影响。
参见图4，Pref为调度指令，Ppv为可用功率。如图4(a)所示，调度指令每10分钟根据当前分布式电源的可用功率更新一次，但是受分布式电源出力不确定性的影响，在下一次调度指令更新之前，可用功率可能小于调度指令，如阴影部分所示。
有一种自然的方案就是缩短调度指令更新间隔，如图4(b)所示，当调度指令更新时间间隔从10分钟缩短到5分钟，在同样的光照条件下，分布式电源系统发生功率偏差的时间有所减少，但是越高的调度指令更新频率，意味着越多的数据传输和处理量，尤其是在节点众多的大规模网络中，对于中央处理器是一个不小的负担。
为了解决传统集中式调度下分布式电源功率偏差响应不及时的问题，我们提出了多时间尺度的调度方案：上层是集中式的潮流优化调度方法，以满足网损和节点电压要求；下层是分布式电源热备调度方法，以解决分布式电源调度功率偏差问题。两者执行的频次和信息交互方式都是不同的，如图5所示，集中式调度收集各节点的负荷和容量信息，结合网络拓扑进行全局优化，因数据量一般较大，指令更新间隔较长频率较低，而分布式调度算法只运行在各节点本地，和相邻节点进行信息交换，指令更新间隔较短频率较高。
需要说明的是，本申请从电网运营者的角度调度分布式电源输出功率，所以无需考虑分布式电源热备成本。
上层调度优化算法以网损最小和电压偏移最小为目标，构建目标函数如下：
；
其中，为网损最小和电压偏移最小目标；cΨ、cγ为权重系数；cΨ≥0， cγ≥0；Ψ(I)为网络中的功率损耗；γ(V)为各节点电压偏移平均值的程度。
设定约束条件，根据图6所示的支路模型，可建立如下约束：
1)功率平衡约束
节点i的KCL方程，即电源注入功率减去负荷消耗等于线路流出功率减去线路流入功率：
；
其中，Pg，i为节点i处分布式电源的输出功率；Pd，i为节点i处负荷的功率；Pij为节点i和节点j之间的功率；为有向支路集；
；/>；(i，j)表示两点节点为i，j且正方向为i→j的有向支路；/>指功率流出节点i的支路集合；/>指功率流入节点i的支路集合。
线路(i，j)上的KVL方程：
Vi-Vj=RijIij，；
线路(i，j)上的功率等效表达式：
Pij=IijVi，；
其中，Vi为节点i处的电压；Vj为节点j处的电压；Rij为节点i和节点j之间的电阻；Iij为节点i和节点j之间的电流。
2)节点电压约束
；
其中，为电压幅值的下限值；/>为电压幅值的上限值。
3)分布式电源功率约束
；其中，Pg，h为第h台分布式电源的输出功率；/>为分布式电源的功率上限值，即分布式电源的可用容量；/>为分布式电源的输出功率的下限值，一般为0。
有上述目标函数和约束条件确定完整优化模型，可得集中式调度的完整优化模型：
由于约束中存在变量乘积项IijVi，所以优化模型为非凸的，在求解过程中易陷入局部最优解。基于凸优化二阶锥松弛原理，引入变量代换，Wi=Vi 2，Lij=Iij 2，则KVL方程、功率等效表达式转换为
；
电压约束等效为
；式Lij=Pij 2/Wi可以松弛如下：
；式/>为二阶锥松弛约束，等价于如下约束：
；式可以表示为如下二阶锥松弛标准格式：
综上，可以得到如下凸优化模型：
最后，可利用Gurobi求解工具求得凸优化模型的全局最优解。
下层分布式调度算法，分布式调度算法的目的是调度分布式电源备用功率，让留有多余备用功率的分布式电源根据一定规则调整输出功率，以补足部分分布式电源因受光照影响而产生的功率偏差。分布式调度算法的指令更新频率可以在集中式优化调度的10倍以上，各节点只和相邻节点交换数据，因此无需担心计算负担，且适应拓扑多变情况。
在各分布式电源间构成强连通的无向图；其中，/>为节点集合；；n为节点个数；/>为边的集合；各节点的度为D={d1，d2，…，dn}。
为节点i处的分布式电源功率偏差，当可用容量不足时，节点i处的分布式电源功率偏差为输出参考功率和可用容量之间的功率差额，
即。当容量充足时，节点i处的分布式电源功率偏差为零，即/>；/>为各电源功率偏差构成的向量；Ps(k)为k时刻的功率偏差向量；每两个时刻的间隔时长为分布式算法执行的周期。
则分布式一致性算法可表示为：
其中，Ps′(k+1)为k+1时刻的功率偏差的中间变量；A=[aij]n×n为权重矩阵；为运算规则。权重矩阵A=[aij]n×n设计为Metropolis-Hastings矩阵：
；由于当功率偏差被分配到有多余功率热备的分布式电源节点时，功率偏差会被节点消纳，此时偏差置零，所以需要对平均后的功率偏差进行处理，运算规则/>为
即，当前电源输出功率增加分推的功率偏差后/>，若超过可用容量，则超出部分为其功率偏差，如未超过，则分配的功率偏差被全部消纳，其功率偏差为零。其中，/>为节点i处k+1时刻的功率偏差的中间变量；/>为节点i处k时刻的参考功率偏差；/>为节点i处k时刻的最大功率偏差。
上文所提出的分布式一致性算法和经典的分布式一致性算法有所不同，即每一次运算后会经过运算调整。但是，其稳态值可以根据经典分布式一致性算法的理论推导得到。
首先，我们回顾经典分布式一致性算法的运算规则和稳态值。假设每一次运算结果不经过函数调整，则我们可以得到经典分布式一致性算法的表达式：
因为权重矩阵A是双随机的(Doubly-stochastic，)，根据Perron-Frobenius原理，可得到经典分布式一致性算法的稳态值：
其中，/>为元素全为1的n维向量。
然后，我们分析所提分布式一致性算法的稳态情况。因为在平均分配过程中，有多余热备的分布式电源会消纳部分功率偏差，所以总的功率偏差是随时间非增的，即
根据分布式电源可用功率和输出参考功率之间的关系，两种情况：1)总的分布式电源可用功率小于等于总的参考功率之和；2)总的分布式电源可用功率大于总的参考功率之和。
第1种情况：总的分布式电源可用功率小于等于总的参考功率之和，那么必然在某一个时刻K1，分布式电源可用热备均被消耗完毕，此时各分布式电源系统输出最大功率
结合分布式一致性算法、运算规则/>和稳态值，可得
第2种情况，总的分布式电源可用功率大于总的参考功率之和，那么必然在某个时刻K2，功率缺额被全部消纳，此时
同理可得
其中，/>是元素均为0的n维向量。
综上，在分布式一致性算法下，各分布式电源系统的热备功率稳态值为
/>
其中，为各分布式电源系统的热备功率稳态值；average为平均值；Ps(k1)为起点处的功率偏差；/>为元素全为1的n维向量；/>为节点i处的参考功率偏差；为节点i处的最大功率偏差；/>为元素均为0的n维向量。
上文已经对分布式一致性算法进行了数学描述，为了指导部署和实施，现给出各节点结合集中式调度指令的实现伪代码，如图7所示。集中式调度指令的级别高于分布式调度指令，每一次集中式调度指令更新，分布式电源系统输出即更新为集中式调度指令。在集中式调度指令更新问际，每一个分布式算法调度周期下，各节点都根据自身的备用功率和周围节点的功率偏差功率信息更新调度指令/>。
在一实施例中，以光伏电源为例对上述方法进行仿真测试
本申请在标准IEEE 14节点拓扑下进行算法测试，IEEE14节点网络拓扑结构如图8所示，表1为其线路参数。
表1 14节点高比例光伏直流网线路参数
| 起点 | 终点 | 线阻（Ω） | 起点 | 终点 | 线阻（Ω） |
| 1 | 2 | 0.01938 | 6 | 11 | 0.09498 |
| 1 | 5 | 0.05403 | 6 | 12 | 0.01229 |
| 2 | 3 | 0.04699 | 6 | 13 | 0.06615 |
| 2 | 4 | 0.05811 | 7 | 8 | 0.01335 |
| 2 | 5 | 0.05695 | 7 | 9 | 0.01335 |
| 3 | 4 | 0.06701 | 9 | 10 | 0.03181 |
| 4 | 5 | 0.01335 | 9 | 14 | 0.01271 |
| 4 | 7 | 0.0344 | 10 | 11 | 0.08205 |
| 4 | 9 | 0.0344 | 12 | 13 | 0.02209 |
| 5 | 6 | 0.0344 | 13 | 14 | 0.01709 |
为体现高比例直流网特性，分别在1、2、3、6、8、10号起点接入分布式电源，且光伏装机总容量大于正常负荷消耗，即由分布式电源承担全部功率平衡责任。各光伏电源在标准条件下（25℃，1000W/m2）的容量和节点负荷信息如表2所示，光伏系统总容量为1150MW，负荷消耗为800MW。光伏系统间信息传输拓扑为完全图，故分布式算法权重矩阵为A=ones（6,6）/6。
表2 14节点高比例光伏直流网光伏电源容量和负荷信息
为了验证所提算法的有效性，本申请设计了两个案例场景进行测试：测试场景1，多个电源发生功率偏差时的系统表现；测试场景2，结合历史光照数据模拟真实应用下的系统表现。
测试场景1：多电源容量变化
本申请在标准IEEE 14节点拓扑中测试多电源节点容量变化的复杂工况下所提算法的性能。集中式调度算法和分布式调度算法执行周期分别为15min和1min，于1min时启动集中式调度算法，于3 min时启动分布式调度算法。
此外，设置了3个不同时间点的多电源容量变化工况：
16min时，2号和6号分布式电源容量分别衰减至100MW和90MW，10号分布式电源容量增长至150MW。
35min时，6号和10号分布式电源容量分别增长至180MW和200MW和8号分布式电源容量衰减至200MW。
50min时，各光伏电源容量均衰减一半，分别为60MW，50MW，125MW，90MW，100MW，100MW。
图9所示为所提多时间尺度调度算法的系统性能表现。0min时各分布式电源接收集中式调度算法的功率指令，分别输出2.82MW/120MW，200 MW/200 MW，96.11/250 MW，180MW/180 MW，246.60 MW/300 MW，100MW/100 MW。
其中2、6、10号光伏电源满发，其余分布式电源均有裕量。3 min时分布式算法启动，因没有发生功率偏差的电源，电源功率指令保持不变。
16min时，2、6、10号电源容量发生变化，2号电源产生100MW功率偏差，6号电源产生90MW功率偏差。同时，分布式算法更新各电源功率偏差，如图9(b)、(c)所示，分别为0MW，100MW，0MW，90MW，0MW，0MW，总功率偏差190MW。
17min开始，2号和6号电源和周围相邻的电源之间进行功率偏差的平均，两者的功率偏差随时间减少，1、3、8、10号分布式电源的输出功率均逐渐增加，因功率参考值均在可用功率范围内，所以功率偏差被消纳，总功率偏差逐渐减少，如图9(c)所示，到23min，总功率偏差降至零附近，此时，各电源输出功率为：50.25MW/120MW，100MW/100MW，143.54MW/250MW，90MW/90MW，294.03MW/300MW，147.43MW/150MW。
30min时，集中式调度算法进行全局优化，各电源出力调整为：100MW/120MW，100MW/100MW，122.62MW/250MW，90MW/90MW，269.98MW/300MW，150MW/150MW。
35min时，8号电源容量衰减至200MW，产生偏差功率69.98MW。6号和10号节点热备容量增加。分布式算法更新功率偏差，各电源功率偏差为：0MW，0MW，0MW，0MW，69.98MW，0MW。
36min时，8号电源的功率偏差和周围相邻的1、2、3、6、10号电源平均，各相邻节点均承担11.45MW，其中1、3、6、10号电源热备充足，故功率偏差被消纳，只有2号节点无可用热备，则其功率缺额变成11.45MW，如图9(b)所示。
37min时，2、8号电源功率偏差和周围电源进行平均，功率偏差被有多余热备的电源消纳而逐渐减小。如图9(c)所示，到39 min时，总功率缺额降至0MW左右，此时，各电源输出功率为：117.88MW/120MW，100MW/100MW，139.56MW/250MW，106.94MW/180MW，200MW/200MW，166.96MW/200MW。节点电压也得到恢复。
45min时，集中式调度算法进行全局优化计算，各电源输出功率被调整为：61.69MW/120MW，100MW/100MW，119.20MW/250MW，180MW/180MW，196.44MW/200MW，166.69MW/200MW。
以上两者情况均为可用容量大于负荷的情况，为了测试算法的稳定性，我们设计了可用容量小于负荷的情况，在50min时，各分布式电源容量均衰减一半，电源总容量降至525MW。分布式算法更新各电源功率偏差：1.69MW，50 MW，0 MW，90 MW，46.44MW，66.69MW。
51min开始，分布式一致性算法下，各电源的功率偏差趋于一致，58min时，各电源功率偏差达到一致，为41.5MW，此后保持不变。
图10所示为传统集中式调度算法的系统输出结果。和之前的结果类似，在16min、35min和50min分布式电源发生缺电时，节点电压跌落，至到下一次调度指令更新。
测试场景2：模拟真实光照场景下的光伏容量变化
为了测试所提算法在真实光照场景下的表现，本申请结合光伏电站采集的历史光照数据在IEEE 14节点拓扑下进行模拟测试，测试时长300min。如图11所示为各分布式电源的辐照度曲线，各辐照度数据均来源于杭州西湖区(东经120°7′，北纬30°16′)的小型光伏电站采集的历史光照数据，辐照度数据每5分钟更新一次。为满足高比例光伏直流网特性，各分布式电源容量调整为表3所示，负荷大小和表2保持一致。其中，辐照度和光伏容量之间简化为线性关系，即(/>为实际容量，/>为额定容量，Sreal为实际光照，Srate为标准光照强度1000W/m2。
此外，受光照不确定性影响，存在若干时刻，光伏总容量无法满足负荷全部需求，实际运行的电网中一般会配置相应储能或发电机以提供额外支撑，或削减部分负荷以降低功率需求，而本申请重点研究光伏可以承担全部负荷消耗下的光伏调度需求，对于异常工况不详细展开。
表3调整后的光伏电源容量
调度算法更新周期和上文一致，集中式调度算法每15min运行一次，分布式调度算法每1min运行一次。
图11和图12分别为所提多时间尺度调度算法和考虑光伏不确定性的集中式调度算法的系统输出性能。对比两者结果，从宏观角度看，因为系统运行时间长，长时间尺度上仍由集中式调度算法主导，故光伏系统输出曲线和节点电压波动曲线两者较为相似。但是，从局部短时间尺度看，特别是光伏容量减少的下行段，两者有较为明显的区别，如30min、70min、120min、160min、240min附近，图11(b)中，总功率偏差在所提分布式算法的调整下逐渐减小，而图12(b)中，两次集中式调度之间总功率偏差保持不变。为量化比较系统性能，我们计算了各电源平均功率偏差和各节点的电压标准差：表4所示为各电源平均功率偏差，从表中可知，所提控制算法作用下的1号和10号分布式电源平均功率偏差比对比算法略高，其余4台分布式电源的平均功率偏差均比对比算法更小，尤其是2、3、6号分布式电源的平均功率偏差减小较为明显；表5所示为各节点电压标准差，所述多时间尺度调度算法各节点上电压标准差较对比算法有较大改善，即所述多时间尺度调度算法下系统的节点电压稳定性更好。
表4 各电源平均功率偏差
表5 各节点电压标准差
本申请针对高比例光伏直流网经济调度问题提出了一种多时间尺度的调度算法，解决了传统集中式调度算法在光伏不确定性波动下的调度负担和调度实时性之间的矛盾。所述多时间尺度调度策略分为两层：第一层为在长时间尺度下的集中式调度算法，可以根据全局信息实现全局优化；第二层为在短时间尺度上的分布式调度算法，分布式电源根据相邻节点间的信息调度可用功率。建立了直流网下基于二阶锥松弛的全局凸优化模型，和光伏系统间信息交换和功率调整规则。最后，IEEE 14节点的高比例直流网上进行了功能验证，并基于历史光照数据进行了模拟真实光照场景的性能测试，结果表明所述多时间调度算法提升了光伏系统备用功率的利用效率，减小了各电源的平均功率偏差，而且使节点电压具有更好的稳定性。
进一步的，本发明提供了一种分布式电源调度装置，包括相互耦接的存储器和处理器，所述处理器用于执行所述存储器中存储的程序指令，以实现如前所述的基于时间尺度的分布式电源调度方法。
进一步的，本发明提供了一种存储介质，其上存储有程序指令，所述程序指令被处理器执行时实现如前所述的基于时间尺度的分布式电源调度方法。
以上仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (5)
1.一种基于时间尺度的分布式电源调度方法，其特征在于，包括：
步骤S1：在长时间尺度上，用集中式调度算法根据最优潮流模型求解目标成本最小的分布式调度策略，所述用集中式调度算法根据最优潮流模型求解目标成本最小的分布式调度策略包括：
根据线损函数、分布式电源备用功率函数、以及电压偏移函数构建目标成本最小模型：
；
其中，minf为最小成本目标； cΨ、cΦ、cγ为权重系数；cΨ≥0，cΦ≥0，cγ≥0；
所述线损函数的计算方式如下：
；
其中，Ψ(I)为网络中的功率损耗；Imn为支路mn上的电流值；Rmn为支路mn的等效阻抗；为支路集合；
所述分布式电源备用功率函数的计算方式如下：
；
其中，Φ(Pc)为分布式电源功率热备带来的成本；为分布式电源集合；ah，bh为成本系数；Pc,h为第h台分布式电源的备用功率；
所述电压偏移函数的计算方式如下：
；
其中，γ(V)为各节点电压偏移平均值的程度；为节点集合；N为节点个数；Vn为节点n处的电压；Vi为节点i的电压；
所述用集中式调度算法根据最优潮流模型求解目标成本最小的分布式调度策略还包括：
以网损最小和电压偏移最小为目标，构建目标函数如下：
；
其中，为网损最小和电压偏移最小目标；cΨ、cγ为权重系数；cΨ≥0， cγ≥0；Ψ(I)为网络中的功率损耗；γ(V)为各节点电压偏移平均值的程度；
步骤S2：在短时间尺度上，用分布式一致性算法实现功率偏差在各分布式电源之间的平均分担，以多余备用功率补足功率偏差；
步骤S3：建立直流网下基于二阶锥松弛的全局凸优化模型，和分布式系统间信息交换和功率调整规则，通过所述调整规则调度分布式电源；
所述用分布式一致性算法实现功率偏差在各分布式电源之间的平均分担，以多余备用功率补足功率偏差包括：
在各分布式电源间构成强连通的无向图；
其中，为节点集合；/>；n为节点个数；/>为边的集合；各节点的度为D={d1，d2，…，dn}；
所述分布式一致性算法表示为：
；
其中，Ps′(k+1)为k+1时刻的功率偏差的中间变量；A=[aij]n×n为权重矩阵；为运算规则； Ps(k)为k时刻的功率偏差向量；
所述运算规则为
；
其中，为节点i处k+1时刻的功率偏差的中间变量；/>为节点i处k时刻的参考功率偏差；/>为节点i处k时刻的最大功率偏差。
2.根据权利要求1所述的基于时间尺度的分布式电源调度方法，其特征在于，所述目标函数包括功率平衡约束、节点电压约束、以及分布式电源功率约束；
所述功率平衡约束包括：节点i的KCL方程与线路（i，j）上的KVL方程；
所述节点i的KCL方程为：；
其中，Pg，i为节点i处分布式电源的输出功率；Pd，i为节点i处负荷的功率；Pij为节点i和节点j之间的功率；为有向支路集；/>；；(i，j)表示两点节点为i，j且正方向为i→j的有向支路；/>指功率流出节点i的支路集合；/>指功率流入节点i的支路集合；
所述线路(i，j)上的KVL方程为：Vi-Vj=RijIij，；
所述线路(i，j)上的功率等效表达式为：Pij=IijVi，；
其中，Vi为节点i处的电压；Vj为节点j处的电压；Rij为节点i和节点j之间的电阻；Iij为节点i和节点j之间的电流；
所述节点电压约束包括：；
其中，为电压幅值的下限值；/>为电压幅值的上限值；
所述分布式电源功率约束包括：；
其中，Pg，h为第h台分布式电源的输出功率；为分布式电源的输出功率的下限值；为分布式电源的功率上限值。
3.根据权利要求1所述的基于时间尺度的分布式电源调度方法，其特征在于，分布式一致性算法下，各分布式电源系统的热备功率稳态值的计算方式如下：
；其中，/>为各分布式电源系统的热备功率稳态值；average为平均值；Ps(k1)为起点处的功率偏差；/>为元素全为1的n维向量；/>为节点i处的参考功率偏差；/>为节点i处的最大功率偏差；/>为元素均为0的n维向量。
4.一种分布式电源调度装置，其特征在于，包括相互耦接的存储器和处理器，所述处理器用于执行所述存储器中存储的程序指令，以实现权利要求1至3任一项所述的基于时间尺度的分布式电源调度方法。
5.一种存储介质，其上存储有程序指令，其特征在于，所述程序指令被处理器执行时实现权利要求1至3任一项所述的基于时间尺度的分布式电源调度方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311376535.4A CN117117973B (zh) | 2023-10-24 | 2023-10-24 | 基于时间尺度的分布式电源调度方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311376535.4A CN117117973B (zh) | 2023-10-24 | 2023-10-24 | 基于时间尺度的分布式电源调度方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117117973A CN117117973A (zh) | 2023-11-24 |
| CN117117973B true CN117117973B (zh) | 2024-01-12 |
Family
ID=88811388
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311376535.4A Active CN117117973B (zh) | 2023-10-24 | 2023-10-24 | 基于时间尺度的分布式电源调度方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117117973B (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105186578A (zh) * | 2015-08-28 | 2015-12-23 | 南京邮电大学 | 具有精确计算网损能力的电力系统分布式自动调度方法 |
| CN106953359A (zh) * | 2017-04-21 | 2017-07-14 | 中国农业大学 | 一种含分布式光伏配电网有功无功协调优化控制方法 |
| CN110265991A (zh) * | 2019-05-07 | 2019-09-20 | 上海电力学院 | 一种直流微电网的分布式协调控制方法 |
| CN111985720A (zh) * | 2020-08-27 | 2020-11-24 | 西安交通大学 | 一种基于分布鲁棒的二阶锥最优潮流模型与求解方法 |
| CN114243797A (zh) * | 2021-12-15 | 2022-03-25 | 中国电力科学研究院有限公司 | 一种分布式电源优化调度方法、系统、设备及存储介质 |
| CN114914942A (zh) * | 2022-05-19 | 2022-08-16 | 国网湖北省电力有限公司电力科学研究院 | 一种基于一致性算法的多形态分布式储能一次调频控制方法 |
| CN115147016A (zh) * | 2022-09-01 | 2022-10-04 | 国网浙江省电力有限公司宁波供电公司 | 考虑低碳效益的分布式电源和需求侧资源联合规划方法 |
| WO2023000624A1 (zh) * | 2021-07-23 | 2023-01-26 | 南京邮电大学 | 长、短及多时间尺度下配电网源网荷储多端协同调压方法 |
| CN115800276A (zh) * | 2023-02-09 | 2023-03-14 | 四川大学 | 一种考虑机组爬坡的电力系统应急调度方法 |
| CN115860180A (zh) * | 2022-11-03 | 2023-03-28 | 国网山东省电力公司威海供电公司 | 基于一致性强化学习算法的电网多时间尺度经济调度方法 |
| CN115986845A (zh) * | 2022-09-30 | 2023-04-18 | 重庆第二师范学院 | 一种基于深度强化学习的配电网双层优化调度方法 |
| CN115995845A (zh) * | 2023-02-14 | 2023-04-21 | 云南电网有限责任公司 | 考虑分布式电源源网协调控制的配电网规划方法 |
| CN116599166A (zh) * | 2023-06-02 | 2023-08-15 | 广东电网有限责任公司广州供电局 | 一种配电网无功优化方法、装置、设备和存储介质 |
| WO2023179003A1 (zh) * | 2022-03-21 | 2023-09-28 | 南京邮电大学 | 一种多时间尺度主动配电网电压控制方法 |
-
2023
- 2023-10-24 CN CN202311376535.4A patent/CN117117973B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105186578A (zh) * | 2015-08-28 | 2015-12-23 | 南京邮电大学 | 具有精确计算网损能力的电力系统分布式自动调度方法 |
| CN106953359A (zh) * | 2017-04-21 | 2017-07-14 | 中国农业大学 | 一种含分布式光伏配电网有功无功协调优化控制方法 |
| CN110265991A (zh) * | 2019-05-07 | 2019-09-20 | 上海电力学院 | 一种直流微电网的分布式协调控制方法 |
| CN111985720A (zh) * | 2020-08-27 | 2020-11-24 | 西安交通大学 | 一种基于分布鲁棒的二阶锥最优潮流模型与求解方法 |
| WO2023000624A1 (zh) * | 2021-07-23 | 2023-01-26 | 南京邮电大学 | 长、短及多时间尺度下配电网源网荷储多端协同调压方法 |
| CN114243797A (zh) * | 2021-12-15 | 2022-03-25 | 中国电力科学研究院有限公司 | 一种分布式电源优化调度方法、系统、设备及存储介质 |
| WO2023179003A1 (zh) * | 2022-03-21 | 2023-09-28 | 南京邮电大学 | 一种多时间尺度主动配电网电压控制方法 |
| CN114914942A (zh) * | 2022-05-19 | 2022-08-16 | 国网湖北省电力有限公司电力科学研究院 | 一种基于一致性算法的多形态分布式储能一次调频控制方法 |
| CN115147016A (zh) * | 2022-09-01 | 2022-10-04 | 国网浙江省电力有限公司宁波供电公司 | 考虑低碳效益的分布式电源和需求侧资源联合规划方法 |
| CN115986845A (zh) * | 2022-09-30 | 2023-04-18 | 重庆第二师范学院 | 一种基于深度强化学习的配电网双层优化调度方法 |
| CN115860180A (zh) * | 2022-11-03 | 2023-03-28 | 国网山东省电力公司威海供电公司 | 基于一致性强化学习算法的电网多时间尺度经济调度方法 |
| CN115800276A (zh) * | 2023-02-09 | 2023-03-14 | 四川大学 | 一种考虑机组爬坡的电力系统应急调度方法 |
| CN115995845A (zh) * | 2023-02-14 | 2023-04-21 | 云南电网有限责任公司 | 考虑分布式电源源网协调控制的配电网规划方法 |
| CN116599166A (zh) * | 2023-06-02 | 2023-08-15 | 广东电网有限责任公司广州供电局 | 一种配电网无功优化方法、装置、设备和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 基于一致性算法的电力系统分布式经济调度方法综述;乐健，周谦，赵联港，王阳;电力自动化设备;第40卷(第3期);44-54 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117117973A (zh) | 2023-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ishraque et al. | Optimization of load dispatch strategies for an islanded microgrid connected with renewable energy sources | |
| Ali et al. | Multi-verse optimizer for model predictive load frequency control of hybrid multi-interconnected plants comprising renewable energy | |
| Khezri et al. | An intelligent coordinator design for GCSC and AGC in a two-area hybrid power system | |
| Darras et al. | PV output power fluctuations smoothing: The MYRTE platform experience | |
| Guryev et al. | The development of the optimal model of energy resources management in energy systems of the Republic of Crimea and the Middle East | |
| Saranyaa et al. | A comprehensive survey on the current trends in improvising the renewable energy incorporated global power system market | |
| Aijaz et al. | Golden eagle optimized control for a dual stage photovoltaic residential system with electric vehicle charging capability | |
| Wei et al. | A novel approach to hybrid dynamic environmental-economic dispatch of multi-energy complementary virtual power plant considering renewable energy generation uncertainty and demand response | |
| CN117117973B (zh) | 基于时间尺度的分布式电源调度方法、装置及存储介质 | |
| Yang et al. | A multi-timescale coordinated optimization framework for economic dispatch of micro-energy grid considering prediction error | |
| Bhuvanesh et al. | Least Cost Electricity Generation Planning for China with Low GHG Emission Using LEAP and EnergyPLAN | |
| Liu et al. | Stochastic Scheduling of a Wind-Photovoltaic-Hydro Complementary System Using Stochastic Dual Dynamic Programming Method | |
| Khosravi et al. | Distribution of optimum reactive power in the presence of wind power plant and considering voltage stability margin using genetic algorithm and Monte Carlo methods | |
| Liu et al. | Optimal power factor regulation of dispersed wind farms under diverse load and stochastic wind conditions based on improved firefly algorithm | |
| Ravi et al. | Stochastic optimal management of renewable microgrid using simplified Particle Swarm Optimization algorithm | |
| Bedawy et al. | An Optimal Approach for Voltage Regulation and PV Hosting Capacity Enhancement Using Nodal Pricing | |
| CN109636041B (zh) | 一种适于大规模复杂电网的机组检修模拟方法及系统 | |
| Hannan et al. | Optimal placement of solar PV in Bangladesh power system network for net metering using artificial bee colony algorithm | |
| Luo et al. | The Research on High Proportion Wind Power Integration in China’s Power System | |
| Tsegaye et al. | Hopfield Neural Network-based Security Constrained Economic Dispatch of Renewable Energy Systems | |
| Peddakapu et al. | Assessment of energy storage and renewable energy sources-based two-area microgrid system using optimized fractional order controllers | |
| Guo et al. | Robust dynamic economic dispatch solution in a wind-hydro-thermal power system | |
| CN113988714B (zh) | 计及多重不确定性的园区综合能源系统动态规划方法、设备及介质 | |
| Kartite et al. | What solution for Morocco: Photovoltaic alone, wind alone or both? Case study of Dakhla city | |
| Cao et al. | Demand for Energy Storage: Case Studies for Chinese Power System in 2035 and 2050 |
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 |