CN117239725A - 一种分布式灵活资源聚合及分层协同调度方法及装置 - Google Patents
一种分布式灵活资源聚合及分层协同调度方法及装置 Download PDFInfo
- Publication number
- CN117239725A CN117239725A CN202311192677.5A CN202311192677A CN117239725A CN 117239725 A CN117239725 A CN 117239725A CN 202311192677 A CN202311192677 A CN 202311192677A CN 117239725 A CN117239725 A CN 117239725A
- Authority
- CN
- China
- Prior art keywords
- objective function
- distributed flexible
- target area
- aggregation
- information
- 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
- 230000002776 aggregation Effects 0.000 title claims abstract description 111
- 238000004220 aggregation Methods 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000005457 optimization Methods 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000009826 distribution Methods 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims description 138
- 238000010248 power generation Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000001105 regulatory effect Effects 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 5
- 239000000446 fuel Substances 0.000 claims description 5
- 238000012821 model calculation Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000004146 energy storage Methods 0.000 description 4
- 238000002922 simulated annealing Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000008685 targeting Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002079 cooperative effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开一种分布式灵活资源聚合及分层协同调度方法及装置,该方法包括:获取目标区域内包含的所有分布式灵活资源的运行数据;根据运行数据对所有的分布式灵活资源进行动态集群划分,得到分组结果;根据分组结果确定目标区域的多维度聚合信息;基于多维度聚合信息搭建分层协同控制模型;分层协同控制模型包括第一层模型、第二层模型以及第三层模型;通过资源调度优化算法迭代优化第一目标函数、第二目标函数以及第三目标函数,输出分布式灵活资源的优化调度方案。本发明通过分层协同控制模型解决了现有的配电网资源调度系统聚合调控能力差的问题,能够对分布式资源进行精准控制。
Description
技术领域
本发明涉及智能电网调度的技术领域,尤其涉及一种分布式灵活资源聚合及分层协同调度方法及装置。
背景技术
目前,能源生产清洁化、能源消费电气化、能源利用高效化呈现加速发展态势,大规模分布式灵活资源参与电网互动调控的需求愈发迫切。一方面,由于新型电力系统运行呈现“双高、双峰”特征,构建满足电力系统“紧急控制、常规调频、灵活调峰”等多时间尺度调控需求的虚拟灵活调节电源,是支撑以新能源为主体的新型电力系统安全稳定运行的重要手段,迫切需要利用先进技术把分布式灵活资源进行整合协同,开展运行控制优化和市场交易,实现电源侧的多能互补和负荷侧的灵活互动;另一方面,物联网的发展使得越来越多的负荷成为可控负荷,如智能家电、电动汽车、可控工业负荷等。智能家电正朝着可通过互联网远程控制的方向发展,电动汽车充放电、可控工业负荷的控制终端可能被用户物理接触,同时,负荷侧安全防护措施薄弱或缺失,使得可控负荷极易被攻击者恶意控制以达到影响电网安全稳定运行的目的。如果大量负荷被恶意控制而同投同退或频繁投退,配电网负荷将异常波动,不仅对供电可靠性与供电质量造成威胁,还可能影响输电网的安全稳定运行,特别是在分布式能源高度渗透的主动配电网中。
随着用户侧电能替代迅猛发展,由于缺乏灵活资源柔性接入与聚合调控能力,导致电网难以充分挖掘海量用户侧零散资源的潜力,以满足新型电力系统对调节电源的多时间尺度灵活备用需求,具体表现在:(1)用户侧资源通信方式异构,离散化海量资源接入复杂,部分资源并未实现通信全覆盖,接入及受管理程度不高,造成这部分资源并未真正被“唤醒”,参与到与电网的实时互动;(2)大部分的需求侧可调节资源资产归属用户,其接入大多租用公众运营商的通信链路,由于运营商网络管理接口开放程度低,造成通信网络、链路的“可观、可测、可控”程度低;(3)由于缺乏考虑通信时延的分布式资源聚合模型,目前聚合上报的出力大多基于注册时提供的静态数据,没有考虑资源的实时运行状态,调度中心难以掌握下属资源的实时可调能力,难以实现分布式资源的精准控制。
现有的配电网资源调度系统在进行资源调度时,没有考虑资源的实时运行状态,聚合调控能力差,难以实现分布式资源的精准控制。
发明内容
本发明提供了一种分布式灵活资源聚合及分层协同调度方法及装置,解决了现有的配电网资源调度系统聚合调控能力差,难以实现分布式资源的精准控制的问题。
为达到上述目的,本发明采用如下技术方案:
第一方面,本发明提供一种分布式灵活资源聚合及分层协同调度方法,该方法包括:
获取目标区域内包含的所有分布式灵活资源的运行数据;所述运行数据包括电网拓扑信息、负荷功率信息以及属性信息;
根据所述运行数据对所有的所述分布式灵活资源进行动态集群划分,得到分组结果;
根据所述分组结果确定所述目标区域的多维度聚合信息;
基于所述多维度聚合信息搭建分层协同控制模型;所述分层协同控制模型包括第一层模型、第二层模型以及第三层模型;所述第一层模型以所述目标区域的分布式灵活资源的能量输出和上级配电网提供给所述目标区域的能量输出的最小化为目标构建第一目标函数;所述第二层模型以所述目标区域的运营成本和优化成本的最小化为目标构建第二目标函数;所述第三层模型以所述目标区域内多个分布式灵活资源调节费用最小化为目标构建第三目标函数;
通过资源调度优化算法迭代优化所述第一目标函数、所述第二目标函数以及所述第三目标函数,输出所述分布式灵活资源的优化调度方案。
在一种可能的实现方式中,所述根据所述运行数据对所有的所述分布式灵活资源进行动态集群划分,得到分组结果,具体包括:
以所述目标区域内包含的所有分布式灵活资源为一个集群,并基于需求侧可调节资源,随机选取多个所述分布式灵活资源作为集群中心点;
分别根据每个所述分布式灵活资源的所述电网拓扑信息、所述负荷功率信息以及所述属性信息计算所述分布式灵活资源到每个所述集群中心点的聚合距离,并根据所述聚合距离与预设阈值的大小对多个所述分布式灵活资源进行分组,得到分组结果。
在一种可能的实现方式中,所述根据所述分组结果确定所述目标区域的多维度聚合信息,具体包括:
以所述聚合距离最小化为目标构建第四目标函数;
根据所述分组结果中每一个分组中包含的分布式灵活资源的负荷功率信息,确定每一个分组的负荷功率方差;
以所述分组结果中所有分组的负荷功率方差最小化为目标构建第五目标函数;
根据所述第四目标函数和所述第五目标函数确定所述目标区域的多维度聚合信息。
在一种可能的实现方式中,所述第四目标函数具体为:
其中,GOAL1表示聚合距离的最小值,M表示分布式灵活资源的数量,N表示集群中心点的数量,Gi表示第i个分布式灵活资源的电网拓扑信息,Pi表示第i个分布式灵活资源的负荷功率信息,Ai表示第i个分布式灵活资源的属性信息,uj表示第j个集群中心点;
所述第五目标函数具体为:
其中,GOAL2表示负荷功率方差的最小值,nj表示分组的数量,pj表示第j个分组中的负荷功率信息,paver表示第j个分组中所有负荷功率信息的均值。
在一种可能的实现方式中,所述根据所述第四目标函数和所述第五目标函数确定所述目标区域的多维度聚合信息,具体为:
根据第四目标函数确定所述聚合距离的最小值,根据第五目标函数确定所述负荷功率方差的最小值;
根据所述聚合距离的最小值以及所述负荷功率方差的最小值的和值,确定所述目标区域的多维度聚合信息,具体公式如下:
GOAL=GOAL1+GOAL2,
其中,GOAL表示目标区域的多维度聚合信息。
在一种可能的实现方式中,所述第一目标函数具体为:
其中,ω1表示第一权重系数,ω2表示第二权重系数,T表示调度周期,N表示目标区域的数量,Pn(t)表示目标区域n的总调节功率,f表示目标函数,α1、α2表示目标区域发电成本调节系数,表示第j组发电组在时间i的输出,Mi表示发电机组的数量,Mj表示时段数。
在一种可能的实现方式中,所述第二目标函数具体为:
其中,K表示目标区域的数量,T表示时间段的数量,L表示支路的数量,表示第i个目标区域在t时间段内分布式灵活资源的运行成本,ft i表示第i个目标区域在t时间段内的电能采购成本,/>表示第i个目标区域在t时间段内的燃料消耗量,/>表示第i个目标区域在t时间段内的能量需求,μl,t表示第l条支路在t时间段的电价,lossl,t表示第l条支路在t时间段内的线路损耗。
在一种可能的实现方式中,所述第三目标函数具体为:
其中,表示第i个目标区域在t时间段分布式灵活资源的调节成本。
第二方面,本发明提供一种分布式灵活资源聚合及分层协同调度装置,包括:
数据采集模块,用于获取目标区域内包含的所有分布式灵活资源的运行数据;所述运行数据包括电网拓扑信息、负荷功率信息以及属性信息;
分组模块,用于根据所述运行数据对所有的所述分布式灵活资源进行动态集群划分,得到分组结果;
聚合计算模块,用于根据所述分组结果确定所述目标区域的多维度聚合信息;
模型搭建模块,用于基于所述多维度聚合信息搭建分层协同控制模型;所述分层协同控制模型包括第一层模型、第二层模型以及第三层模型;所述第一层模型以所述目标区域的分布式灵活资源的能量输出和上级配电网提供给所述目标区域的能量输出的最小化为目标构建第一目标函数;所述第二层模型以所述目标区域的运营成本和优化成本的最小化为目标构建第二目标函数;所述第三层模型以所述目标区域内多个分布式灵活资源调节费用最小化为目标构建第三目标函数;
模型计算模块,用于通过资源调度优化算法迭代优化所述第一目标函数、所述第二目标函数以及所述第三目标函数,输出所述分布式灵活资源的优化调度方案。
在一种可能的实现方式中,所述分组模块被配置为执行:
以所述目标区域内包含的所有分布式灵活资源为一个集群,并基于需求侧可调节资源,随机选取多个所述分布式灵活资源作为集群中心点;
分别根据每个所述分布式灵活资源的所述电网拓扑信息、所述负荷功率信息以及所述属性信息计算所述分布式灵活资源到每个所述集群中心点的聚合距离,并根据所述聚合距离与预设阈值的大小对多个所述分布式灵活资源进行分组,得到分组结果。
在一种可能的实现方式中,所述聚合计算模块被配置为执行:
以所述聚合距离最小化为目标构建第四目标函数;
根据所述分组结果中每一个分组中包含的分布式灵活资源的负荷功率信息,确定每一个分组的负荷功率方差;
以所述分组结果中所有分组的负荷功率方差最小化为目标构建第五目标函数;
根据所述第四目标函数和所述第五目标函数确定所述目标区域的多维度聚合信息。
在一种可能的实现方式中,在构建第四目标函数,以及第五目标函数时,所述聚合计算模块具体被配置为执行:
所述第四目标函数具体为:
其中,GOAL1表示聚合距离的最小值,M表示分布式灵活资源的数量,N表示集群中心点的数量,Gi表示第i个分布式灵活资源的电网拓扑信息,Pi表示第i个分布式灵活资源的负荷功率信息,Ai表示第i个分布式灵活资源的属性信息,uj表示第j个集群中心点;
所述第五目标函数具体为:
其中,GOAL2表示负荷功率方差的最小值,nj表示分组的数量,pj表示第j个分组中的负荷功率信息,paver表示第j个分组中所有负荷功率信息的均值。
在一种可能的实现方式中,在所述根据所述第四目标函数和所述第五目标函数确定所述目标区域的多维度聚合信息时,所述聚合计算模块具体被配置为执行:
根据第四目标函数确定所述聚合距离的最小值,根据第五目标函数确定所述负荷功率方差的最小值;
根据所述聚合距离的最小值以及所述负荷功率方差的最小值的和值,确定所述目标区域的多维度聚合信息,具体公式如下:
GOAL=GOAL1+GOAL2,
其中,GOAL表示目标区域的多维度聚合信息。
在一种可能的实现方式中,在构建第一目标函数时,所述模型搭建模块具体被配置为执行:
所述第一目标函数具体为:
其中,ω1表示第一权重系数,ω2表示第二权重系数,T表示调度周期,N表示目标区域的数量,Pn(t)表示目标区域n的总调节功率,f表示目标函数,α1、α2表示目标区域发电成本调节系数,表示第j组发电组在时间i的输出,Mi表示发电机组的数量,Mj表示时段数。
在一种可能的实现方式中,在构建第二目标函数时,所述模型搭建模块具体被配置为执行:
所述第二目标函数具体为:
其中,K表示目标区域的数量,T表示时间段的数量,L表示支路的数量,表示第i个目标区域在t时间段内分布式灵活资源的运行成本,ft i表示第i个目标区域在t时间段内的电能采购成本,/>表示第i个目标区域在t时间段内的燃料消耗量,/>表示第i个目标区域在t时间段内的能量需求,μl,t表示第l条支路在t时间段的电价,lossl,t表示第l条支路在t时间段内的线路损耗。
在一种可能的实现方式中,在构建第三目标函数时,所述模型搭建模块具体被配置为执行:
所述第三目标函数具体为:
其中,表示第i个目标区域在t时间段分布式灵活资源的调节成本。
第三方面,本发明提供一种电子设备,该电子设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述任一项所述的分布式灵活资源聚合及分层协同调度方法。
本发明实施例提供的分布式灵活资源聚合及分层协同调度方法在实际应用时,首先,根据获取的目标区域内包含的所有分布式灵活资源的电网拓扑信息、负荷功率信息以及属性信息对目标区域内所有的分布式灵活资源进行动态集群划分,得到分组结果;其次,根据分组结果确定目标区域的多维度聚合信息;再次,基于多维度信息搭建由第一次模型、第二层模型以及第三层模型构成的分层协同控制模型;其中,第一层模型以目标区域的分布式灵活资源的能量输出和上级配电网提供给目标区域的能量输出的最小化为目标构建第一目标函数;第二层模型以目标区域的运营成本和优化成本的最小化为目标构建第二目标函数;第三层模型以目标区域内多个分布式灵活资源调节费用最小化为目标构建第三目标函数;最后,通过资源调度优化算法迭代优化所述第一目标函数、所述第二目标函数以及所述第三目标函数,输出所述分布式灵活资源的优化调度方案;本方案能够将多源的分布式灵活资源进行动态集群划分,并通过分层协同建模构建一个由第一次模型、第二层模型以及第三层模型构成的分层协同控制模型,从而解决了现有的配电网资源调度系统聚合调控能力差的问题,对分布式资源进行精准控制,实现电网能量自洽、最小化运营成本、保证电网的安全和供需平衡。
附图说明
图1为本发明实施例提供的一种分布式灵活资源聚合及分层协同调度方法的步骤流程图;
图2为本发明实施例提供的一种分布式灵活资源聚合及分层协同调度装置的结构框图。
具体实施方式
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,所描述的实施例仅仅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做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。
以下,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本公开实施例的描述中,除非另有说明,“多个”的含义是两个或两个以上。另外,“基于”或“根据”的使用意味着开放和包容性,因为“基于”或“根据”一个或多个所述条件或值的过程、步骤、计算或其他动作在实践中可以基于额外条件或超出所述的值。
为了解决现有的配电网资源调度系统聚合调控能力差,难以实现分布式资源的精准控制的问题,本发明实施例提供了一种分布式灵活资源聚合及分层协同调度方法及装置。
如图1所示,第一方面,本发明实施例提供一种分布式灵活资源聚合及分层协同调度方法,该方法包括:
步骤101、获取目标区域内包含的所有分布式灵活资源的运行数据。
其中,运行数据包括电网拓扑信息、负荷功率信息以及属性信息。
新型电力系统的分布式灵活性资源是指具备灵活调节能力、维持系统动态供需平衡的各类资源。传统的电力系统分布式灵活资源以火电和抽水蓄能电站为主,随着可再生能源、储能等新兴技术的发展以及需求响应等机制的不断完善,逐步形成源网荷储多元灵活性资源库,以更广泛的类型、更强大的调节性能保障电力系统的实时动态供需平衡与安全稳定。
在本实施例中,分布式灵活资源包括火电资源,水电资源,风电、光伏等可再生资源,以及核电资源。
电网拓扑信息通常包括以下内容:
线路节点和变电站等设备的位置和拓扑结构,电压等级和相位信息,线路的电阻、电感和电容等参数,线路的导线材质、截面和长度等信息,供电设备的容量、运行状态和控制方式等信息。
具体的,电网拓扑信息可以表示为G=(N,E),其中,G表示电网拓扑信息,N表示电网中所有节点集合,E表示电网中所有边的集合。
负荷功率信息通常包括以下内容:
实时功率输出信息,包括有功功率和无功功率;负荷曲线信息,包括日、周、月的负荷变化趋势等;能源种类,如光伏、风电等;能量储存方式,如电池、超级电容等;负荷调节方式,如直接控制、调度响应等。
具体的,负荷功率信息可以表示为:Pi=[pi1,pi2,...,pin],其中,Pi表示第i种类型的负荷功率信息,pin表示第i种类型的第n个分布式灵活资源的负荷功率。
属性信息通常包括以下内容:
资源类型,如分布式光伏、风电等;能力和规模,如额定功率、容量等;连接方式,如并网、孤岛等;运行状态,如运行、待机、停机等;可调度性,如可控、不可控等。
具体的,属性信息可以表示为Ai=[ai1,ai2,...,αin],其中,Ai表示第i种类型的分布式灵活资源的属性信息,pin表示第i种类型的第n个分布式灵活资源的属性信息。
步骤102、根据运行数据对所有的分布式灵活资源进行动态集群划分,得到分组结果。
其中,动态集群是一个服务器集群,它基于从其集群成员收集的性能信息,使用权重和工作负载管理来动态均衡这些集群成员的工作负载。
具体的,根据获取到的目标区域内的所有分布式灵活资源的电网拓扑信息、不同类型的分布式灵活资源的负荷功率信息、以及不同类型的分布式灵活资源的属性信息,将分布式灵活资源进行动态集群划分,得到多个分组。
需求侧资源是指分布在用户侧,能够开发利用并且可以保障电力供需平衡和提高能源系统利用效率的资源。
需求侧可调节资源主要包括用户侧的灵活负载和分布式能源存储等设备,这些设备可以通过自身的控制策略,参与到电力系统的运行中,根据电网需求和市场信号进行灵活的调度和协同控制,以提高电网的灵活性、可靠性和经济性。需求侧可调节资源可以根据电网需求和市场信号进行灵活的调度和协同控制,以满足电网的需求和保障电网的稳定运行。
在本实施例中,根据需求侧可调节资源对分布式灵活资源进行动态集群划分,可以采用基于聚类的方法。
步骤103、根据分组结果确定目标区域的多维度聚合信息。
其中,确定目标区域的多维度聚合信息具体包括两部分,第一部分是分组的目标,通过最小化每个分组内部分布式灵活资源与群组中心点之间的距离,实现群组内部相似性最大化;第二个部分是能量调度目标,通过最小化每个分组内部分布式灵活资源的负荷功率方差,实现每个群组的稳定性最大化;之后根据分组的目标与能量调度目标确定目标区域的多维度聚合信息。
能量调度目标是通过控制每个分组内部分布式灵活资源的负荷功率方差来实现每个群组的稳定性最大化。也就是说,可以使用方差作为稳定性的指标,即将每个分组内部分布式灵活资源的负荷功率作为随机变量,计算其方差;通过最小化方差,可以使每个分组内部分布式灵活资源的负荷功率更加稳定,从而提高整个系统的稳定性。
具体的,多维度聚合信息提供了对目标区域的电网拓扑信息、分布式灵活资源的负荷功率信息和属性信息的整合。
步骤104、基于多维度聚合信息搭建分层协同控制模型。
具体的,通过整合了目标区域的电网拓扑信息、分布式灵活资源的负荷功率信息和属性信息的多维度聚合信息为分层协同控制模型提高基础数据。
分层协同控制模型是通过分层协同建模方式得到的控制模型。
分层协同建模是指将系统分成多个层次进行建模,每个层次都对应不同的控制目标和变量,并且不同层次之间存在一定的耦合关系。
在本实施例中,分层协同建模分为三个层次,第一层、第二层以及第三层。其中,第一层主要协调各个目标区域的分布式灵活资源,并协调各个目标区域与上级配电网的交互,以实现电网的协同调度和能量互补。第二层主要协调各个目标区域内部的可控分布式电源的输出,以最小化各目标区域的运营成本和优化成本,实现各个目标区域电网能量的自洽。第三层包括多个分布式灵活资源,用于在电网安全以及供需平衡约束下,以供给多个分布式灵活资源的调节费用最小为目标。
因此,分层协同控制模型包括第一层模型、第二层模型以及第三层模型,第一层模型、第二层模型以及第三层模型分别与分层协同建模的第一层、第二层以及第三层对应。
具体的,第一层模型以目标区域的分布式灵活资源的能量输出和上级配电网提供给目标区域的能量输出的最小化为目标构建第一目标函数;第二层模型以目标区域的运营成本和优化成本的最小化为目标构建第二目标函数;第三层模型以目标区域内多个分布式灵活资源调节费用最小化为目标构建第三目标函数。
通过分层协同控制模型能够实现对分布式灵活资源的动态调度和协同控制,通过协同作用实现电网的平稳运行和最优调度。
进一步的,第一目标函数具体为:
其中,ω1表示第一权重系数,ω2表示第二权重系数,T表示调度周期,N表示目标区域的数量,Pn(t)表示目标区域n的总调节功率,f表示目标函数,α1、α2表示目标区域发电成本调节系数,表示第j组发电组在时间i的输出,Mi表示发电机组的数量,Mj表示时段数。
第一目标函数对应的约束条件包括发电总输出上下限约束、功率平衡约束、联络线约束中的一种或多种组合。
第一目标函数对应的约束条件还可以包括目标区域分布式灵活资源的总负荷功率不得超过目标区域的总用电量,目标区域分布式灵活资源的总负荷功率与上级配电网的交互满足交互协议要求,以及目标区域分布式灵活资源之间的负荷功率调节需遵循能量守恒原则。
第二目标函数具体为:
其中,K表示目标区域的数量,T表示时间段的数量,L表示支路的数量,表示第i个目标区域在t时间段内分布式灵活资源的运行成本,ft i表示第i个目标区域在t时间段内的电能采购成本,/>表示第i个目标区域在t时间段内的燃料消耗量,/>表示第i个目标区域在t时间段内的能量需求,μl,t表示第l条支路在t时间段的电价,lossl,t表示第l条支路在t时间段内的线路损耗。
第三目标函数具体为:
其中,表示第i个目标区域在t时间段分布式灵活资源的调节成本。
第二目标函数和第三目标函数对应的约束条件包括各个分布式电源的总发电量不超过其容量,分布式电源输出的电压、频率、功率因数等符合电网的质量要求,以及分布式电源在满足电网安全稳定性的前提下,最小化运营成本或优化成本等。
步骤105、通过资源调度优化算法迭代优化第一目标函数、第二目标函数以及第三目标函数,输出分布式灵活资源的优化调度方案。
其中,资源调度优化算法可以是基于遗传算法和模拟退火算法结合的启发式算法。
基于生物进化理论的随机化搜索算法,其适用于多维度复杂优化问题,通过模拟自然选择、交叉和变异等进化过程,不断优化种群的适应度值,最终得到全局最优解或近似最优解。在资源调度优化中,可以将每个资源作为一个基因,通过交叉和变异操作,生成新的资源组合,然后使用适应度函数对各组合进行评估,不断迭代搜索最优解。之后使用模拟退火算法对优化结果进行进一步调整,模拟退火算法是一种基于统计物理学的优化算法,通过模拟物质从高温到低温的过程,对优化过程进行全局搜索,在资源调度优化中,可以使用模拟退火算法对遗传算法得到的结果进行扰动和接受概率控制,以避免局部最优解。
具体的,在使用分层协同控制模型之前,需要先初始化分层协同控制模型中各层的目标函数,之后通过资源调度优化算法迭代优化分层协同控制模型中各层的目标函数,得到分布式灵活资源的优化调度方案。
其中,通过资源调度优化算法迭代优化分层协同控制模型中各层的目标函数具体包括如下步骤:
步骤1051、将分层协同控制模型中各层的目标函数作为初始化种群中的个体,并从初始化种群中随机选择个体进行交叉操作,产生新的种群个体。
步骤1052、对新的种群个体进行变异操作,确定进行变异操作后新的种群个体的适应度值,并将适应度值大于预设适应度阈值的个体作为父个体。
步骤1053、将父个体在下一次迭代中作为新个体,并在父个体的邻域中随机对父个体增加扰动,生成参考个体。
步骤1054、确定父个体与参考个体的差值,在差值大于预设参考阈值时,通过参考个体替换父个体;在差值小于预设参考阈值时,结合预设接受阈值保留该参考个体,并将最终得到的父个体和/或参考个体作为分布式灵活资源的优化调度方案。
本发明实施例提供的分布式灵活资源聚合及分层协同调度方法在实际应用时,首先,根据获取的目标区域内包含的所有分布式灵活资源的电网拓扑信息、负荷功率信息以及属性信息对目标区域内所有的分布式灵活资源进行动态集群划分,得到分组结果;其次,根据分组结果确定目标区域的多维度聚合信息;再次,基于多维度信息搭建由第一次模型、第二层模型以及第三层模型构成的分层协同控制模型;其中,第一层模型以目标区域的分布式灵活资源的能量输出和上级配电网提供给目标区域的能量输出的最小化为目标构建第一目标函数;第二层模型以目标区域的运营成本和优化成本的最小化为目标构建第二目标函数;第三层模型以目标区域内多个分布式灵活资源调节费用最小化为目标构建第三目标函数;最后,通过资源调度优化算法迭代优化第一目标函数、第二目标函数以及第三目标函数,输出分布式灵活资源的优化调度方案。
本方案能够将多源的分布式灵活资源进行动态集群划分,并通过分层协同建模构建一个由第一次模型、第二层模型以及第三层模型构成的分层协同控制模型,从而解决了现有的配电网资源调度系统聚合调控能力差的问题,对分布式资源进行精准控制,实现电网能量自洽、最小化运营成本、保证电网的安全和供需平衡。
进一步的,根据运行数据对所有的分布式灵活资源进行动态集群划分,得到分组结果,具体包括:
步骤1021、以目标区域内包含的所有分布式灵活资源为一个集群,并基于需求侧可调节资源,随机选取多个分布式灵活资源作为集群中心点。
具体的,将目标区域内的每个分布式灵活资源用一个点表示,目标区域内的所有点形成一个集群,根据用户侧的灵活负载和分布式能源存储设备,随机选取多个点作为该集群的中心点。
步骤1022、分别根据每个分布式灵活资源的电网拓扑信息、负荷功率信息以及属性信息计算分布式灵活资源到每个集群中心点的聚合距离,并根据聚合距离与预设阈值的大小对多个分布式灵活资源进行分组,得到分组结果。
具体的,根据每个分布式灵活资源的电网拓扑信息、负荷功率信息以及属性信息,通过聚类算法可以计算得到该分布式灵活资源到作为中心点的每一个分布式灵活资源之间的聚合距离。
当聚合距离小于预设阈值时,说明该分布式灵活资源与作为中心点的分布式灵活资源的相似度高,将该分布式灵活资源与作为中心点的分布式灵活资源划分为同一组。通过上述方式,对每个分布式灵活资源进行分组,并得到分组结果。
将目标区域内的分布式灵活资源划分为多个群组,每个群组中包括多个相似的分布式灵活资源。这样可以方便用户对相似的多个分布式灵活资源进行协同控制,以最小化能源系统的总体成本或最大化可再生资源的利用率。
进一步的,根据分组结果确定目标区域的多维度聚合信息,具体包括:
以聚合距离最小化为目标构建第四目标函数。
根据分组结果中每一个分组中包含的分布式灵活资源的负荷功率信息,确定每一个分组的负荷功率方差。
以分组结果中所有分组的负荷功率方差最小化为目标构建第五目标函数。
根据第四目标函数和第五目标函数确定目标区域的多维度聚合信息。
进一步的,第四目标函数具体为:
其中,GOAL1表示聚合距离的最小值,M表示分布式灵活资源的数量,N表示集群中心点的数量,Gi表示第i个分布式灵活资源的电网拓扑信息,Pi表示第i个分布式灵活资源的负荷功率信息,Ai表示第i个分布式灵活资源的属性信息,uj表示第j个集群中心点;
所述第五目标函数具体为:
其中,GOAL2表示负荷功率方差的最小值,nj表示分组的数量,pj表示第j个分组中的负荷功率信息,paver表示第j个分组中所有负荷功率信息的均值。
进一步的,根据第四目标函数和第五目标函数确定目标区域的多维度聚合信息具体为:
根据第四目标函数确定聚合距离的最小值,根据第五目标函数确定负荷功率方差的最小值;
根据聚合距离的最小值以及负荷功率方差的最小值的和值,确定目标区域的多维度聚合信息,具体公式如下:
GOAL=GOAL1+GOAL2,
其中,GOAL表示目标区域的多维度聚合信息。
如图2所示,第二方面,本发明提供了一种分布式灵活资源聚合及分层协同调度装置,该装置包括:
数据采集模块201,用于获取目标区域内包含的所有分布式灵活资源的运行数据;运行数据包括电网拓扑信息、负荷功率信息以及属性信息;
分组模块202,用于根据运行数据对所有的分布式灵活资源进行动态集群划分,得到分组结果;
聚合计算模块203,用于根据分组结果确定目标区域的多维度聚合信息;
模型搭建模块204,用于基于多维度聚合信息搭建分层协同控制模型;分层协同控制模型包括第一层模型、第二层模型以及第三层模型;第一层模型以目标区域的分布式灵活资源的能量输出和上级配电网提供给目标区域的能量输出的最小化为目标构建第一目标函数;第二层模型以目标区域的运营成本和优化成本的最小化为目标构建第二目标函数;第三层模型以目标区域内多个分布式灵活资源调节费用最小化为目标构建第三目标函数;
模型计算模块205,用于通过资源调度优化算法迭代优化第一目标函数、第二目标函数以及第三目标函数,输出分布式灵活资源的优化调度方案。
进一步的,分组模块202被配置为执行:
以目标区域内包含的所有分布式灵活资源为一个集群,并基于需求侧可调节资源,随机选取多个分布式灵活资源作为集群中心点;
分别根据每个分布式灵活资源的电网拓扑信息、负荷功率信息以及属性信息计算分布式灵活资源到每个集群中心点的聚合距离,并根据聚合距离与预设阈值的大小对多个分布式灵活资源进行分组,得到分组结果。
进一步的,聚合计算模块203被配置为执行:
以聚合距离最小化为目标构建第四目标函数;
根据分组结果中每一个分组中包含的分布式灵活资源的负荷功率信息,确定每一个分组的负荷功率方差;
以分组结果中所有分组的负荷功率方差最小化为目标构建第五目标函数;
根据第四目标函数和第五目标函数确定目标区域的多维度聚合信息。
进一步的,在构建第四目标函数,以及第五目标函数时,聚合计算模块203具体被配置为执行:
所述第四目标函数具体为:
其中,GOAL1表示聚合距离的最小值,M表示分布式灵活资源的数量,N表示集群中心点的数量,Gi表示第i个分布式灵活资源的电网拓扑信息,Pi表示第i个分布式灵活资源的负荷功率信息,Ai表示第i个分布式灵活资源的属性信息,uj表示第j个集群中心点;
所述第五目标函数具体为:
其中,GOAL2表示负荷功率方差的最小值,nj表示分组的数量,pj表示第j个分组中的负荷功率信息,paver表示第j个分组中所有负荷功率信息的均值。
进一步的,在根据第四目标函数和第五目标函数确定目标区域的多维度聚合信息时,聚合计算模块203具体被配置为执行:
根据第四目标函数确定聚合距离的最小值,根据第五目标函数确定负荷功率方差的最小值;
根据聚合距离的最小值以及负荷功率方差的最小值的和值,确定目标区域的多维度聚合信息,具体公式如下:
GOAL=GOAL1+GOAL2,
其中,GOAL表示目标区域的多维度聚合信息。
进一步的,在构建第一目标函数时,模型搭建模块204具体被配置为执行:
第一目标函数具体为:
其中,ω1表示第一权重系数,ω2表示第二权重系数,T表示调度周期,N表示目标区域的数量,Pn(t)表示目标区域n的总调节功率,f表示目标函数,α1、α2表示目标区域发电成本调节系数,表示第j组发电组在时间i的输出,Mi表示发电机组的数量,Mj表示时段数。
进一步的,在构建第二目标函数时,模型搭建模块204具体被配置为执行:
第二目标函数具体为:
其中,K表示目标区域的数量,T表示时间段的数量,L表示支路的数量,表示第i个目标区域在t时间段内分布式灵活资源的运行成本,ft i表示第i个目标区域在t时间段内的电能采购成本,/>表示第i个目标区域在t时间段内的燃料消耗量,/>表示第i个目标区域在t时间段内的能量需求,μl,t表示第l条支路在t时间段的电价,lossl,t表示第l条支路在t时间段内的线路损耗。
进一步的,在构建第三目标函数时,模型搭建模块204具体被配置为执行:
第三目标函数具体为:
/>
其中,表示第i个目标区域在t时间段分布式灵活资源的调节成本。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
第三方面,本发明实施例还提供了一种电子设备,电子设备包括处理器和存储器,存储器中存储有至少一条指令、至少一段程序、代码集或指令集,至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现本发明实施例中的分布式灵活资源聚合及分层协同调度方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时,全部或部分地产生按照本发明实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何在本发明揭露的技术范围内的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种分布式灵活资源聚合及分层协同调度方法,其特征在于,所述方法包括:
获取目标区域内包含的所有分布式灵活资源的运行数据;所述运行数据包括电网拓扑信息、负荷功率信息以及属性信息;
根据所述运行数据对所有的所述分布式灵活资源进行动态集群划分,得到分组结果;
根据所述分组结果确定所述目标区域的多维度聚合信息;
基于所述多维度聚合信息搭建分层协同控制模型;所述分层协同控制模型包括第一层模型、第二层模型以及第三层模型;所述第一层模型以所述目标区域的分布式灵活资源的能量输出和上级配电网提供给所述目标区域的能量输出的最小化为目标构建第一目标函数;所述第二层模型以所述目标区域的运营成本和优化成本的最小化为目标构建第二目标函数;所述第三层模型以所述目标区域内多个分布式灵活资源调节费用最小化为目标构建第三目标函数;
通过资源调度优化算法迭代优化所述第一目标函数、所述第二目标函数以及所述第三目标函数,输出所述分布式灵活资源的优化调度方案。
2.根据权利要求1所述的分布式灵活资源聚合及分层协同调度方法,其特征在于,所述根据所述运行数据对所有的所述分布式灵活资源进行动态集群划分,得到分组结果,具体包括:
以所述目标区域内包含的所有分布式灵活资源为一个集群,并基于需求侧可调节资源,随机选取多个所述分布式灵活资源作为集群中心点;
分别根据每个所述分布式灵活资源的所述电网拓扑信息、所述负荷功率信息以及所述属性信息计算所述分布式灵活资源到每个所述集群中心点的聚合距离,并根据所述聚合距离与预设阈值的大小对多个所述分布式灵活资源进行分组,得到分组结果。
3.根据权利要求2所述的分布式灵活资源聚合及分层协同调度方法,其特征在于,所述根据所述分组结果确定所述目标区域的多维度聚合信息,具体包括:
以所述聚合距离最小化为目标构建第四目标函数;
根据所述分组结果中每一个分组中包含的分布式灵活资源的负荷功率信息,确定每一个分组的负荷功率方差;
以所述分组结果中所有分组的负荷功率方差最小化为目标构建第五目标函数;
根据所述第四目标函数和所述第五目标函数确定所述目标区域的多维度聚合信息。
4.根据权利要求3所述的分布式灵活资源聚合及分层协同调度方法,其特征在于,所述第四目标函数具体为:
其中,GOAL1表示聚合距离的最小值,M表示分布式灵活资源的数量,N表示集群中心点的数量,Gi表示第i个分布式灵活资源的电网拓扑信息,Pi表示第i个分布式灵活资源的负荷功率信息,Ai表示第i个分布式灵活资源的属性信息,uj表示第j个集群中心点;
所述第五目标函数具体为:
其中,GOAL2表示负荷功率方差的最小值,nj表示分组的数量,pj表示第j个分组中的负荷功率信息,paver表示第j个分组中所有负荷功率信息的均值。
5.根据权利要求4所述的分布式灵活资源聚合及分层协同调度方法,其特征在于,所述根据所述第四目标函数和所述第五目标函数确定所述目标区域的多维度聚合信息,具体为:
根据第四目标函数确定所述聚合距离的最小值,根据第五目标函数确定所述负荷功率方差的最小值;
根据所述聚合距离的最小值以及所述负荷功率方差的最小值的和值,确定所述目标区域的多维度聚合信息,具体公式如下:
GOAL=GOAL1+GOAL2,
其中,GOAL表示目标区域的多维度聚合信息。
6.根据权利要求1所述的分布式灵活资源聚合及分层协同调度方法,其特征在于,所述第一目标函数具体为:
其中,ω1表示第一权重系数,ω2表示第二权重系数,T表示调度周期,N表示目标区域的数量,Pn(t)表示目标区域n的总调节功率,f表示目标函数,α1、α2表示目标区域发电成本调节系数,表示第j组发电组在时间i的输出,Mi表示发电机组的数量,Mj表示时段数。
7.根据权利要求1所述的分布式灵活资源聚合及分层协同调度方法,其特征在于,所述第二目标函数具体为:
其中,K表示目标区域的数量,T表示时间段的数量,L表示支路的数量,表示第i个目标区域在t时间段内分布式灵活资源的运行成本,/>表示第i个目标区域在t时间段内的电能采购成本,/>表示第i个目标区域在t时间段内的燃料消耗量,/>表示第i个目标区域在t时间段内的能量需求,μl,t表示第l条支路在t时间段的电价,lossl,t表示第l条支路在t时间段内的线路损耗。
8.根据权利要求1所述的分布式灵活资源聚合及分层协同调度方法,其特征在于,所述第三目标函数具体为:
其中,表示第i个目标区域在t时间段分布式灵活资源的调节成本。
9.一种分布式灵活资源聚合及分层协同调度装置,其特征在于,所述装置包括:
数据采集模块,用于获取目标区域内包含的所有分布式灵活资源的运行数据;所述运行数据包括电网拓扑信息、负荷功率信息以及属性信息;
分组模块,用于根据所述运行数据对所有的所述分布式灵活资源进行动态集群划分,得到分组结果;
聚合计算模块,用于根据所述分组结果确定所述目标区域的多维度聚合信息;
模型搭建模块,用于基于所述多维度聚合信息搭建分层协同控制模型;所述分层协同控制模型包括第一层模型、第二层模型以及第三层模型;所述第一层模型以所述目标区域的分布式灵活资源的能量输出和上级配电网提供给所述目标区域的能量输出的最小化为目标构建第一目标函数;所述第二层模型以所述目标区域的运营成本和优化成本的最小化为目标构建第二目标函数;所述第三层模型以所述目标区域内多个分布式灵活资源调节费用最小化为目标构建第三目标函数;
模型计算模块,用于通过资源调度优化算法迭代优化所述第一目标函数、所述第二目标函数以及所述第三目标函数,输出所述分布式灵活资源的优化调度方案。
10.一种电子设备,其特征在于,所述电子设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1-8中任一项所述的分布式灵活资源聚合及分层协同调度方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311192677.5A CN117239725A (zh) | 2023-09-12 | 2023-09-12 | 一种分布式灵活资源聚合及分层协同调度方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311192677.5A CN117239725A (zh) | 2023-09-12 | 2023-09-12 | 一种分布式灵活资源聚合及分层协同调度方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117239725A true CN117239725A (zh) | 2023-12-15 |
Family
ID=89083778
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311192677.5A Pending CN117239725A (zh) | 2023-09-12 | 2023-09-12 | 一种分布式灵活资源聚合及分层协同调度方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117239725A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117791613A (zh) * | 2024-02-27 | 2024-03-29 | 浙电(宁波北仑)智慧能源有限公司 | 一种基于资源集群调控的决策方法及系统 |
CN117811053A (zh) * | 2024-02-29 | 2024-04-02 | 北京中电普华信息技术有限公司 | 一种源网荷储协调互动调控方法、装置及系统 |
CN118094264A (zh) * | 2024-04-29 | 2024-05-28 | 山东泰开电力电子有限公司 | 一种智能化电力电容器局部放电检测方法及系统 |
-
2023
- 2023-09-12 CN CN202311192677.5A patent/CN117239725A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117791613A (zh) * | 2024-02-27 | 2024-03-29 | 浙电(宁波北仑)智慧能源有限公司 | 一种基于资源集群调控的决策方法及系统 |
CN117791613B (zh) * | 2024-02-27 | 2024-06-21 | 浙电(宁波北仑)智慧能源有限公司 | 一种基于资源集群调控的决策方法及系统 |
CN117811053A (zh) * | 2024-02-29 | 2024-04-02 | 北京中电普华信息技术有限公司 | 一种源网荷储协调互动调控方法、装置及系统 |
CN117811053B (zh) * | 2024-02-29 | 2024-05-07 | 北京中电普华信息技术有限公司 | 一种源网荷储协调互动调控方法、装置及系统 |
CN118094264A (zh) * | 2024-04-29 | 2024-05-28 | 山东泰开电力电子有限公司 | 一种智能化电力电容器局部放电检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117239725A (zh) | 一种分布式灵活资源聚合及分层协同调度方法及装置 | |
Yi et al. | Coordinated operation strategy for a virtual power plant with multiple DER aggregators | |
CN107330056A (zh) | 基于大数据云计算平台的风电场scada系统及其运行方法 | |
CN108448620A (zh) | 基于综合性能指标的高渗透率分布式电源集群划分方法 | |
Zeng et al. | Scenario-set-based economic dispatch of power system with wind power and energy storage system | |
Tian et al. | Coordinated planning with predetermined renewable energy generation targets using extended two-stage robust optimization | |
Du et al. | RETRACTED ARTICLE: Optimal scheduling of integrated energy system based on improved grey wolf optimization algorithm | |
Jiao et al. | An optimization model and modified harmony search algorithm for microgrid planning with ESS | |
Zhu et al. | Stochastic economic dispatching strategy of the active distribution network based on comprehensive typical scenario set | |
Lotfi et al. | A dynamic model for multi-objective feeder reconfiguration in distribution network considering demand response program | |
Ji et al. | Dynamic reactive power optimization of distribution network with distributed generation based on fuzzy time clustering | |
Liu et al. | Multi-objective optimal allocation of TCSC for power systems with wind power considering load randomness | |
Ebrahimi et al. | Stochastic scheduling of energy storage systems in harmonic polluted active distribution networks | |
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 | |
Wang et al. | Optimal network planning of AC/DC hybrid microgrid based on clustering and multi-agent reinforcement learning | |
Tang et al. | Hierarchical scheduling learning optimisation of two-area active distribution system considering peak shaving demand of power grid | |
CN116865270A (zh) | 一种含嵌入式直流的柔性互联配电网优化调度方法及系统 | |
CN115496427A (zh) | 一种多微网系统柔性互联投资规划决策方法 | |
CN114240203A (zh) | 一种包含热泵的配电网与分布式风电协同规划方法和装置 | |
CN114825348A (zh) | 一种计及风光不确定性的配电网双层优化调度方法 | |
Li et al. | Study of Long-Term Energy Storage System Capacity Configuration Based on Improved Grey Forecasting Model | |
Ma et al. | Research on two-stage optimization control method for energy storage systems based on multi service attribute utility evaluation | |
Haque et al. | Dynamic clustering for imbalance management through local supply and demand balancing | |
Zhao et al. | An Improved Load Forecasting Method Based on the Transfer Learning Structure under Cyber‐Threat Condition | |
Yan et al. | Research on the double-layer intra-day management and control method of ring structure microgrid cluster based on multi-time scale |
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 |