CN117375037A - 一种基于电压灵敏度分析的移动储能系统调度方法 - Google Patents

一种基于电压灵敏度分析的移动储能系统调度方法 Download PDF

Info

Publication number
CN117375037A
CN117375037A CN202311663854.3A CN202311663854A CN117375037A CN 117375037 A CN117375037 A CN 117375037A CN 202311663854 A CN202311663854 A CN 202311663854A CN 117375037 A CN117375037 A CN 117375037A
Authority
CN
China
Prior art keywords
node
energy storage
storage system
mobile energy
voltage
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.)
Granted
Application number
CN202311663854.3A
Other languages
English (en)
Other versions
CN117375037B (zh
Inventor
吴婷
庄恒
黄祁生
王怀智
朱荣伍
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.)
Shenzhen Graduate School Harbin Institute of Technology
Original Assignee
Shenzhen Graduate School Harbin Institute of Technology
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 Shenzhen Graduate School Harbin Institute of Technology filed Critical Shenzhen Graduate School Harbin Institute of Technology
Priority to CN202311663854.3A priority Critical patent/CN117375037B/zh
Publication of CN117375037A publication Critical patent/CN117375037A/zh
Application granted granted Critical
Publication of CN117375037B publication Critical patent/CN117375037B/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
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Computational Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Software Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于电压灵敏度分析的移动储能系统调度方法，属于移动储能系统调度技术领域，包括以下步骤：S1、基于预测数据生成配电网的日前调度方案；S2、基于电压灵敏度分析获取日前调度方案中配电网节点电压的概率分布；S3、考虑每个节点的电压越限概率、每辆移动储能系统都的荷电状态以及移动储能系统到对应点所需的时间，筛选出未来24小时的移动储能系统的总路线；S4、基于交通流数据，构建移动储能系统最优路径导航模型；S5、基于实时负荷状况，构建移动储能系统的最优功率出力生成模型。本发明采用上述的一种基于电压灵敏度分析的移动储能系统调度方法，可减少移动储能系统的出行时间，合理安排移动储能系统的目的地。

Description

一种基于电压灵敏度分析的移动储能系统调度方法
技术领域
本发明涉及移动储能系统调度技术领域，尤其是涉及一种基于电压灵敏度分析的移动储能系统调度方法。
背景技术
随着可再生能源的不断发展和普及，包括太阳能和风能在内的间歇性可再生能源正在逐渐渗透到配电网中。然而，这种可再生能源的不稳定性和波动性给配电网的运行带来了一系列挑战。在此背景下，储能系统将是未来面向低碳的能源系统中必不可少的，以适应分布式电源的高渗透率。然而，传统的固定式储能系统存在间歇性收入流和低利用率的经济缺点。近年来，随着交通电气化的进程，移动电源的概念应运而生。与固定式储能系统相比，移动电源的移动性增强了其挖掘具有时空可变性的多个价值流的能力，进而提高了其资产利用率和潜在的价值主张。
因此，移动储能系统的调度策略成为了一个很重要的问题。
发明内容
本发明的目的是提供一种基于电压灵敏度分析的移动储能系统调度方法，可减少移动储能系统的出行时间，改善配电网的电压分布，减轻由负荷预测的误差对电力系统稳定性的影响，合理安排移动储能系统的目的地。
为实现上述目的，本发明提供了一种基于电压灵敏度分析的移动储能系统调度方法，包括以下步骤：
S1、基于预测数据生成配电网的日前调度方案；
S2、针对步骤S1生成的日前调度方案，考虑预测误差，计算每个时刻每个节点电压值的概率分布；
S3、针对步骤S2中求得的电压值的概率分布，考虑电压越限的概率、每辆移动储能系统的荷电状态以及移动储能系统到对应点所需的时间，生成移动储能系统未来24小时的路线；
S4、针对步骤S3中的路线，考虑交通流数据，构建所有移动储能系统的最优路径导航模型；
S5、针对步骤S4构建的最优路径导航模型，考虑实时负荷状况，构建移动储能系统的最优功率出力生成模型。
优选的，步骤S1中，基于预测数据生成配电网的日前调度方案，具体为：采用预测负荷数据，考虑配电网原有设备，利用最优潮流计算模型得出配电网原有设备的出力；最优潮流计算模型的目标函数为：
（1）
其中，N代表配电网中配备发电机的点的集合，为发电机n的运行成本，/>代表发电机n输出功率；
最优潮流模型的约束条件为：
（1）某个节点的电压表示为与它相邻的节点的电压减去支路电流在支路上造成的电压降；通过去除电流、电压的相角，保留幅值并把电流的平方用一次项表示，将非凸的节点电压传递约束凸化：
（2）
其中，v i 代表节点i电压幅值；v j 代表节点j电压幅值；R ij 为节点ij之间的电阻值；X ij 为节点ij之间的电抗值；P ij 为节点j流入节点i的功率；Q ij 为节点i流入节点j之间的无功功率；l ij,t 为节点ij之间的电流幅值平方；Ω为电网节点的集合，i，j代表网络中的节点；
（2）流入节点的功率等于流出节点的功率；通过拆分有功功率与无功功率对功率平衡约束进行松弛：
（3）
（4）
其中，为流入节点的有功功率；/>为流入节点的无功功率；/>从节点i流出到节点k的功率；/>代表网络中与节点i相连的节点的集合；/>代表从节点j流入到节点i的功率；/>代表节点ji之间的电阻值；/>代表节点j流向节点i的电流幅值平方；/>代表从节点i流出到节点k的无功功率；/>代表从节点j流入到节点i的无功功率；/>代表节点j和节点i之间的电抗值；i，j，k都代表网络中的节点；/>为节点i处发电机的输出功率；
（3）支路电流的平方等于视在功率的模值平方除以节点电压；对支路潮流计算约束进行二阶锥松弛：
（5）
其中，表示从节点i流向节点j的电流幅值平方；
（4）节点电压应该满足电压约束：
（6）
其中，代表节点i的电压下限；/>代表节点i的电压上限；
（5）支路电流应当满足电流约束：
（7）
其中，代表节点i到节点j的电流幅值平方的上限；
（6）配电网发电机应该满足发电机出力约束：
（8）
其中，代表节点i处发电机的功率上限；/>代表节点i处发电机的功率下限。
优选的，步骤S2中，针对步骤S1生成的日前调度方案，考虑预测误差，计算每个时刻每个节点电压值的概率分布，包括以下步骤：
S21、计算功率变化引起网络节点电压的变化量；
在配电网中连接大电网的节点称为源节点，用字母S表示；观测电压变化的节点称为观测节点，用字母O表示，则观测节点处的电压V O 表示为源节点处的电压V S 与观测节点和源节点之间所有边上的电压降之和的差；通过基尔霍夫电压定律，在观测节点处的电压表示为：
（9）
其中，U b 代表在支路b的电压降；Ωbranch是源节点和观测节点之间的边的集合；
设在节点i注入的复功率为S i ，在节点i处的电压复共轭为，源节点和观测节点之间节点的集合为N node，中间节点的注入功率改变为/>，则中间节点的电压改变为/>，则观测节点的电压变化量ΔV O 表示为：
（10）
其中，代表观测节点变化后的电压值；/>代表中间节点的电压改变的复共轭；/>为源节点到观测节点之间的阻抗；
考虑配电网的电压相角变化小，对等式中的电压进行松弛，保留幅值信息，得到配电网节点电压变化量上限：
（11）
其中，N action 为功率变化的节点集合，Z oi 为从源节点到动作节点和观测节点之间共享的阻抗，代表节点i的功率变化量；
S22、计算节点电压值的概率分布；
考虑预测系统的误差为正态分布，不同节点之间有功功率和无功功率变化的影响表示为协方差矩阵；由于配电网相角变化小，考虑电压幅值变化的概率分布；电压的幅值的平方表示为实部和虚部的平方和，由于预测误差为正态分布，则电压幅值的平方的分布为正态分布的加权平方和，用伽马分布表示；则配电网节点电压变化量的概率通过下式计算：
（12）
其中，表示节点电压变化量的参考值；β和θ分别为伽马分布的形状参数和尺度参数，通过下式计算：
（13）
其中，数学期望和方差用协方差矩阵的特征值和/>计算得到：
（14）
（15）。
优选的，步骤S3中，针对步骤S2中求得的电压值的概率分布，考虑电压越限的概率、每辆移动储能系统的荷电状态以及移动储能系统到对应点所需的时间，生成移动储能系统未来24小时的路线，包括以下步骤：
S31、对越限点进行分组；
S32、计算移动储能在固定时间内可到达的点的集合；
S33、计算移动储能系统荷电状态；
S34、移动储能系统总路线生成。
优选的，步骤S31具体为：基于步骤S2中获得的节点电压概率密度函数，计算每个节点电压越限的概率，并将其分为越上限点和越下限点两组点。
优选的，步骤S32具体为：构建考虑出行时间最短的最优路径选择模型，模型的目标函数为：
（16）
其中，代表移动储能在目的地之间航行的时间；
最优路径选择模型的约束条件如下：
（1）移动储能系统在目的地之间的航行时间等于它走过所有路段所花费的时间之和：
（17）
其中，代表路网中选择路段的二元变量，当移动储能系统经过该路段则；当移动储能系统不经过该路段，则/>；/>为MESS在节点ij之间航行所需花费的时间；
（2）移动储能系统所走过的所有路段应该首尾相连，对于起点来说，移动储能系统只能从该点驶出；对于中间节点，移动储能系统应当只驶入该点一次，并只驶出该点一次；对于终点，移动储能系统只能驶出该点一次：
（18）
其中，H代表总路线的起点；D代表总路线的终点；代表路网节点的集合；/>为路网中选择路段的二元变量，当移动储能系统经过该路段，则/>；当移动储能系统不经过该路段，则/>；/>和/>的方向相反；
根据所得最优路径选择模型，依次扫描路网节点，计算每个节点的最短出行时间小于15分钟和30分钟的终点集合，记录为D15min和D30min。
优选的，步骤S33具体为：移动储能系统的荷电状态转移方程为：
（19）
其中，代表移动储能系统m在时刻t的荷电状态；/>代表移动储能系统m在时刻t的功率输出；t代表移动储能系统的充电时间；/>代表移动储能系统电池的最大容量；/>代表所有移动储能系统的集合。
优选的，步骤S34具体为：同时考虑电网的高概率越限点、移动储能系统能够快速到达的点、每辆移动储能系统的荷电状态执行以下步骤：
S341、根据步骤S31获得的越上限点和越下限点，分别与D15min取交集，得到分为越上限和越下限的两组移动储能系统的可选目的地；考虑极端情况，即所有移动储能系统都要充电或者都要放电，若所得的交集内点的数目小于移动储能系统的数目，则考虑下一时段电网容易越限的点，与D30min取交集，作为当前时刻移动储能系统目的地的补充；通过当前节点优先选取、未来节点进行补充的方法生成24小时移动储能系统的可选目的地序列；
S342、根据步骤S341获得的可选目的地序列，考虑移动储能系统的实时荷电状态，对于荷电状态低于50%的移动储能系统，选择可选目的地序列中最高概率越电压上限的节点作为其目的地；对于荷电状态高于50%的移动储能系统，选择可选目的地序列中最高概率越电压下限的节点作为其目的地；最终生成未来24小时每辆移动储能系统的总路线。
优选的，步骤S4具体为：根据步骤S3计算获得的移动储能总路线，考虑实时交通流的影响，综合考虑最小化燃油成本和时间成本，构建移动储能系统在线最优路径导航模型，模型的目标函数为：
（20）
其中，为移动储能系统的燃料损耗；/>代表移动储能系统在提供功率支撑途中所花费的时间；/>代表时间成本在目标函数中的权重；
移动储能系统在线最优路径导航模型的部分约束条件与步骤S32中最优路径选择模型的约束条件相同，新添加的约束条件为：
（1）移动储能系统在各个路段的航行时间将受到实时交通流的影响，考虑交通流的航行时间表示为BRP模型：
（21）
其中代表交通流影响下的航行时间；/>代表移动储能系统在无交通流影响下的自由航行时间；/>代表实时的交通流；d，b，C为预设参数；
（2）移动储能系统的燃料成本受其航行路程长短和燃油价格的影响：
（22）
其中，代表燃油价格；/>代表每公里消耗的燃油量；/>代表网络中各个路段的长度。
优选的，步骤S5具体为：基于实时的负荷数据，构建移动储能系统的最优功率出力生成模型，计算每台移动储能系统的输出功率，模型的目标函数为：
（23）
其中，代表移动储能系统提供功率支撑的成本；/>代表在节点i移动储能系统m的输出功率；/>代表发电机n的运行成本；
最优功率出力生成模型的部分约束条件与步骤S1中的最优潮流计算模型相同，新添加的约束条件为：
（1）移动储能系统的功率输出将带来其荷电状态的改变：
（24）
（2）移动储能系统的输出功率应满足功率约束：
（25）
其中，为移动储能系统m的功率下限；/>为移动储能m的功率上限；为移动储能m的输出功率；
（3）移动储能系统的功率注入会影响节点的功率平衡方程：
（26）。
因此，本发明采用上述一种基于电压灵敏度分析的移动储能系统调度方法，可减少移动储能系统的出行时间，改善配电网的电压分布，减轻由负荷预测的误差对电力系统稳定性的影响，合理安排移动储能系统的目的地。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1是本发明一种基于电压灵敏度分析的移动储能系统调度方法实施的流程示意图；
图2是本发明一种基于电压灵敏度分析的移动储能系统调度方法实施的一种电动汽车充电站规划方法的流程示意图；
图3是本发明一种基于电压灵敏度分析的移动储能系统调度方法实施的一种移动储能系统调度方法的整体具体示意图。
具体实施方式
以下通过附图和实施例对本发明的技术方案作进一步说明。
除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。
实施例一
如图1所示，为本发明一种基于电压灵敏度分析的移动储能系统调度方法的流程示意图，具体包括如下步骤：
S1、基于预测数据生成配电网的日前调度方案；
采用预测负荷数据，考虑配电网原有设备，利用最优潮流计算模型得出配电网原有设备的出力；最优潮流计算模型的目标函数为：
（1）
其中，N代表配电网中配备发电机的点的集合，为发电机n的运行成本，/>代表发电机n输出功率；
最优潮流模型的约束条件为：
（1）某个节点的电压表示为与它相邻的节点的电压减去支路电流在支路上造成的电压降；通过去除电流、电压的相角，保留幅值并把电流的平方用一次项表示，将非凸的节点电压传递约束凸化：
（2）
其中，v i 代表节点i电压幅值；v j 代表节点j电压幅值；R ij 为节点ij之间的电阻值；X ij 为节点ij之间的电抗值；P ij 为节点j流入节点i的功率；Q ij 为节点i流入节点j之间的无功功率；l ij,t 为节点ij之间的电流幅值平方；Ω为电网节点的集合，i，j代表网络中的节点；
（2）流入节点的功率等于流出节点的功率；通过拆分有功功率与无功功率对功率平衡约束进行松弛：
（3）
（4）
其中，为流入节点的有功功率；/>为流入节点的无功功率；/>从节点i流出到节点k的功率；/>代表网络中与节点i相连的节点的集合；/>代表从节点j流入到节点i的功率；/>代表节点ji之间的电阻值；/>代表节点j流向节点i的电流幅值平方；/>代表从节点i流出到节点k的无功功率；/>代表从节点j流入到节点i的无功功率；/>代表节点j和节点i之间的电抗值；i，j，k都代表网络中的节点；/>为节点i处发电机的输出功率；
（3）支路电流的平方等于视在功率的模值平方除以节点电压；对支路潮流计算约束进行二阶锥松弛：
（5）
其中，表示从节点i流向节点j的电流幅值平方；
（4）节点电压应该满足电压约束：
（6）
其中，代表节点i的电压下限；/>代表节点i的电压上限；
（5）支路电流应当满足电流约束：
（7）
其中，代表节点i到节点j的电流上限幅值平方的上限；
（6）配电网发电机应该满足发电机出力约束：
（8）
其中，代表节点i处发电机的功率上限；/>代表节点i处发电机的功率下限。
S2、针对步骤S1生成的日前调度方案，考虑预测误差，计算每个时刻每个节点电压值的概率分布；
S21、计算功率变化引起网络节点电压的变化量；
在配电网中连接大电网的节点称为源节点，用字母S表示；观测电压变化的节点称为观测节点，用字母O表示，则观测节点处的电压V O 表示为源节点处的电压V S 与观测节点和源节点之间所有边上的电压降之和的差；通过基尔霍夫电压定律，在观测节点处的电压表示为：
（9）
其中，U b 代表在支路b的电压降；Ωbranch是源节点和观测节点之间的边的集合；
设在节点i注入的复功率为S i ，在节点i处的电压复共轭为，源节点和观测节点之间节点的集合为N node，中间节点的注入功率改变为/>，则中间节点的电压改变为/>，则观测节点的电压变化量ΔV O 表示为：
（10）
其中，代表观测节点变化后的电压值；/>代表中间节点的电压改变的复共轭；为源节点到观测节点之间的阻抗；
考虑配电网的电压相角变化小，对等式中的电压进行松弛，保留幅值信息，得到配电网节点电压变化量上限：
（11）
其中，N action 为功率变化的节点集合，Z oi 为从源节点到动作节点和观测节点之间共享的阻抗，代表节点i的功率变化量；
S22、计算节点电压值的概率分布；
考虑预测系统的误差为正态分布，不同节点之间有功功率和无功功率变化的影响表示为协方差矩阵；由于配电网相角变化小，考虑电压幅值变化的概率分布；电压的幅值的平方表示为实部和虚部的平方和，由于预测误差为正态分布，则电压幅值的平方的分布为正态分布的加权平方和，用伽马分布表示；则配电网节点电压变化量的概率通过下式计算：
（12）
其中，表示节点电压变化量的参考值；β和θ分别为伽马分布的形状参数和尺度参数，通过下式计算：
（13）
其中，数学期望和方差用协方差矩阵的特征值和/>计算得到：
（14）
（15）。
S3、针对步骤S2中求得的电压值的概率分布，考虑电压越限的概率、每辆移动储能系统的荷电状态以及移动储能系统到对应点所需的时间，生成移动储能系统未来24小时的路线；
S31、对越限点进行分组；
基于步骤S2中获得的节点电压概率密度函数，计算每个节点电压越限的概率，并将其分为越上限点和越下限点两组点
S32、计算移动储能在固定时间内可到达的点的集合；
构建考虑出行时间最短的最优路径选择模型，模型的目标函数为：
（16）
其中，代表移动储能在目的地之间航行的时间；
最优路径选择模型的约束条件如下：
（1）移动储能系统在目的地之间的航行时间等于它走过所有路段所花费的时间之和：
（17）
其中，代表路网中选择路段的二元变量，当移动储能系统经过该路段则；当移动储能系统不经过该路段，则/>；/>为MESS在节点ij之间航行所需花费的时间；
（2）移动储能系统所走过的所有路段应该首尾相连，对于起点来说，移动储能系统只能从该点驶出；对于中间节点，移动储能系统应当只驶入该点一次，并只驶出该点一次；对于终点，移动储能系统只能驶出该点一次：
（18）
其中，H代表总路线的起点；D代表总路线的终点；代表路网节点的集合；/>为路网中选择路段的二元变量，当移动储能系统经过该路段，则/>；当移动储能系统不经过该路段，则/>；/>和/>的方向相反；
根据所得最优路径选择模型，依次扫描路网节点，计算每个节点的最短出行时间小于15分钟和30分钟的终点集合，记录为D15min和D30min。
S33、计算移动储能系统荷电状态；
移动储能系统的荷电状态转移方程为：
（19）
其中，代表移动储能系统m在时刻t的荷电状态；/>代表移动储能系统m在时刻t的功率输出；t代表移动储能系统的充电时间；/>代表移动储能系统电池的最大容量；/>代表所有移动储能系统的集合。
S34、移动储能系统总路线生成。
同时考虑电网的高概率越限点、移动储能系统能够快速到达的点、每辆移动储能系统的荷电状态执行以下步骤：
S341、根据步骤S31获得的越上限点和越下限点，分别与D15min取交集，得到分为越上限和越下限的两组移动储能系统的可选目的地；考虑极端情况，即所有移动储能系统都要充电或者都要放电，若所得的交集内点的数目小于移动储能系统的数目，则考虑下一时段电网容易越限的点，与D30min取交集，作为当前时刻移动储能系统目的地的补充；通过当前节点优先选取、未来节点进行补充的方法生成24小时移动储能系统的可选目的地序列；
S342、根据步骤S341获得的可选目的地序列，考虑移动储能系统的实时荷电状态，对于荷电状态低于50%的移动储能系统，选择可选目的地序列中最高概率越电压上限的节点作为其目的地；对于荷电状态高于50%的移动储能系统，选择可选目的地序列中最高概率越电压下限的节点作为其目的地；最终生成未来24小时每辆移动储能系统的总路线。
S4、针对步骤S3中的路线，考虑交通流数据，构建所有移动储能系统的最优路径导航模型；
根据步骤S3计算获得的移动储能总路线，考虑实时交通流的影响，综合考虑最小化燃油成本和时间成本，构建移动储能系统在线最优路径导航模型，模型的目标函数为：
（20）
其中，为移动储能系统的燃料损耗；/>代表移动储能系统在提供功率支撑途中所花费的时间；/>代表时间成本在目标函数中的权重；
移动储能系统在线最优路径导航模型的部分约束条件与步骤S32中最优路径选择模型的约束条件相同，新添加的约束条件为：
（1）移动储能系统在各个路段的航行时间将受到实时交通流的影响，考虑交通流的航行时间表示为BRP模型：
（21）
其中代表交通流影响下的航行时间；/>代表移动储能系统在无交通流影响下的自由航行时间；/>代表实时的交通流；d，b，C为预设参数；
（2）移动储能系统的燃料成本受其航行路程长短和燃油价格的影响：
（22）
其中，代表燃油价格；/>代表每公里消耗的燃油量；/>代表网络中各个路段的长度。
S5、针对步骤S4构建的最优路径导航模型，考虑实时负荷状况，构建移动储能系统的最优功率出力生成模型。
基于实时的负荷数据，构建移动储能系统的最优功率出力生成模型，计算每台移动储能系统的输出功率，模型的目标函数为：
（23）
其中，代表移动储能系统提供功率支撑的成本；/>代表在节点i移动储能系统m的输出功率；/>代表发电机n的运行成本；
最优功率出力生成模型的部分约束条件与步骤S1中的最优潮流计算模型相同，新添加的约束条件为：
（1）移动储能系统的功率输出将带来其荷电状态的改变：
（24）
（2）移动储能系统的输出功率应满足功率约束：
（25）
其中，为移动储能系统m的功率下限；/>为移动储能m的功率上限；/>为移动储能m的输出功率；
（3）移动储能系统的功率注入会影响节点的功率平衡方程：
（26）。
从上述描述可知，该调度方法能找出在负荷数据不精确的情况下电网中的高概率电压越限点，使得配电网运行更加具有稳健性，抵御不确定性风险的能力更强。
如图2所示，本实施例中具体的一种生成移动储能系统运行路线的方法，包括步骤：
（1）、获取电压越限点的概率分布，按照电压越限类别分为Dupper和Dlower两组数据；
（2）、计算路网中各个节点15分钟和30分钟内可以到达的节点集合D15min和D30min；
（3）、将Dupper和Dlower分别和D15min取交集，获得移动储能可以快速到达的点的集合Dqu和Dql；
（4）、判断Dqu和Dql的数据维度，若数据维度小于移动储能系统的数量，则说明面对移动储能只能充电或者只能放电的极端情况，会有部分移动储能系统处于停滞状态。则考虑将Dupper和Dlower分别和D30min取交集，按照概率高低对Dqu和Dql进行补充，使得移动储能系统可以提前到下一时间段可能越限的节点待命；
（5）、若数据维度大于移动储能系统的数量，则基于移动储能系统的数目分别从Dqu和Dql取出对应数量的数据，作为移动储能系统路线的备选节点。
（6）、计算移动储能系统的荷电状态，若荷电状态低于50%则选择去往Dqu中的高概率点，反之则前往Dql的高概率点，保证移动储能系统的电量维持在50%左右，提高利用率。
（7）、通过在时间线上持续向后演算生成移动储能系统预期移动的总路线。
在本实施例中，为了处理负荷预测误差带来的不确定性因素，先采用电压灵敏度分析对配电网电压分布进行计算，获得不同节点电压越限的概率，再根据移动储能系统的航行时间、荷电状态生成移动储能系统预期移动的总路线。
如图3所示，本实施例中具体的一种基于电压灵敏度分析的移动储能系统调度方法，包括步骤：
（a）、基于预测数据生成配电网的日前调度方案；
（b）、针对步骤（a）生成的方案，考虑预测误差，计算每个时刻每个节点电压值的概率分布；
（c）、针对步骤（b）中求得的电压概率分布，考虑电压越限的概率、每辆移动储能系统的荷电状态以及移动储能系统到对应点所需的时间，生成移动储能系统未来24小时的路线；
（d）、针对步骤（c）中的路线，考虑交通流数据，构建所有移动储能系统的最优路径导航模型。
（e）、针对步骤（d）的导航数据，考虑实时负荷状况，构建移动储能系统的最优功率出力生成模型。
综上，本发明提出一种基于电压灵敏度分析的移动储能调度方法。首先是根据负荷预测数据和配电网发电机的部署情况，计算配电网的日前最优潮流调度方案。其次，基于调度方案，考虑负荷预测误差和配电网的拓扑结构进行电压灵敏度分析，得出在预测误差下配电网各节点的电压概率分布。
接着，考虑节点电压越限类型、节点电压越限概率、移动储能荷电状态和移动储能时间成本生成移动储能系统的未来运行总路线。然后，在实时阶段考虑实时交通流、燃料成本和时间成本进行移动储能系统的实时最优路径导航，保证移动储能系统到达规定点提供服务。最后，基于实时的负荷数据、发电机的部署情况以及移动储能系统的部署情况，计算配电网最优潮流下移动储能系统的最优出力。
因此，本发明采用上述一种基于电压灵敏度分析的移动储能系统调度方法，可减少移动储能系统的出行时间，改善配电网的电压分布，减轻由负荷预测的误差对电力系统稳定性的影响，合理安排移动储能系统的目的地。
最后应说明的是：以上实施例仅用以说明本发明的技术方案而非对其进行限制，尽管参照较佳实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。

Claims (10)

1.一种基于电压灵敏度分析的移动储能系统调度方法，其特征在于，包括以下步骤：
S1、基于预测数据生成配电网的日前调度方案；
S2、针对步骤S1生成的日前调度方案，考虑预测误差，计算每个时刻每个节点电压值的概率分布；
S3、针对步骤S2中求得的电压值的概率分布，考虑电压越限的概率、每辆移动储能系统的荷电状态以及移动储能系统到对应点所需的时间，生成移动储能系统未来24小时的路线；
S4、针对步骤S3中的路线，考虑交通流数据，构建所有移动储能系统的最优路径导航模型；
S5、针对步骤S4构建的最优路径导航模型，考虑实时负荷状况，构建移动储能系统的最优功率出力生成模型。
2.根据权利要求1所述的一种基于电压灵敏度分析的移动储能系统调度方法，其特征在于，步骤S1中，基于预测数据生成配电网的日前调度方案，具体为：采用预测负荷数据，考虑配电网原有设备，利用最优潮流计算模型得出配电网原有设备的出力；最优潮流计算模型的目标函数为：
（1）
其中，N代表配电网中配备发电机的点的集合，为发电机n的运行成本，/>代表发电机n输出功率；
最优潮流模型的约束条件为：
（1）某个节点的电压表示为与它相邻的节点的电压减去支路电流在支路上造成的电压降；通过去除电流、电压的相角，保留幅值并把电流的平方用一次项表示，将非凸的节点电压传递约束凸化：
（2）
其中，v i 代表节点i电压幅值；v j 代表节点j电压幅值；R ij 为节点ij之间的电阻值；X ij 为节点ij之间的电抗值；P ij 为节点j流入节点i的功率；Q ij 为节点i流入节点j之间的无功功率；l ij,t 为节点ij之间的电流幅值平方；Ω为电网节点的集合，i，j代表网络中的节点；
（2）流入节点的功率等于流出节点的功率；通过拆分有功功率与无功功率对功率平衡约束进行松弛：
（3）
（4）
其中，为流入节点的有功功率；/>为流入节点的无功功率；/>从节点i流出到节点k的功率；/>代表网络中与节点i相连的节点的集合；/>代表从节点j流入到节点i的功率；代表节点ji之间的电阻值；/>代表节点j流向节点i的电流幅值平方；/>代表从节点i流出到节点k的无功功率；/>代表从节点j流入到节点i的无功功率；/>代表节点j和节点i之间的电抗值；i，j，k都代表网络中的节点；/>为节点i处发电机的输出功率；
（3）支路电流的平方等于视在功率的模值平方除以节点电压；对支路潮流计算约束进行二阶锥松弛：
（5）
其中，表示从节点i流向节点j的电流幅值平方；
（4）节点电压应该满足电压约束：
（6）
其中，代表节点i的电压下限；/>代表节点i的电压上限；
（5）支路电流应当满足电流约束：
（7）
其中，代表节点i到节点j的电流幅值平方的上限；
（6）配电网发电机应该满足发电机出力约束：
（8）
其中，代表节点i处发电机的功率上限；/>代表节点i处发电机的功率下限。
3.根据权利要求2所述的一种基于电压灵敏度分析的移动储能系统调度方法，其特征在于，步骤S2中，针对步骤S1生成的日前调度方案，考虑预测误差，计算每个时刻每个节点电压值的概率分布，包括以下步骤：
S21、计算功率变化引起网络节点电压的变化量；
在配电网中连接大电网的节点称为源节点，用字母S表示；观测电压变化的节点称为观测节点，用字母O表示，则观测节点处的电压V O 表示为源节点处的电压V S 与观测节点和源节点之间所有边上的电压降之和的差；通过基尔霍夫电压定律，在观测节点处的电压表示为：
（9）
其中，U b 代表在支路b的电压降；Ωbranch是源节点和观测节点之间的边的集合；
设在节点i注入的复功率为S i ，在节点i处的电压复共轭为，源节点和观测节点之间节点的集合为N node，中间节点的注入功率改变为/>，则中间节点的电压改变为/>，则观测节点的电压变化量ΔV O 表示为：
（10）
其中，代表观测节点变化后的电压值；/>代表中间节点的电压改变的复共轭；/>为源节点到观测节点之间的阻抗；
考虑配电网的电压相角变化小，对等式中的电压进行松弛，保留幅值信息，得到配电网节点电压变化量上限：
（11）
其中，N action 为功率变化的节点集合，Z oi 为从源节点到动作节点和观测节点之间共享的阻抗，代表节点i的功率变化量；
S22、计算节点电压值的概率分布；
考虑预测系统的误差为正态分布，不同节点之间有功功率和无功功率变化的影响表示为协方差矩阵；由于配电网相角变化小，考虑电压幅值变化的概率分布；电压的幅值的平方表示为实部和虚部的平方和，由于预测误差为正态分布，则电压幅值的平方的分布为正态分布的加权平方和，用伽马分布表示；则配电网节点电压变化量的概率通过下式计算：
（12）
其中，表示节点电压变化量的参考值；β和θ分别为伽马分布的形状参数和尺度参数，通过下式计算：
（13）
其中，数学期望和方差用协方差矩阵的特征值和/>计算得到：
（14）
（15）。
4.根据权利要求3所述的一种基于电压灵敏度分析的移动储能系统调度方法，其特征在于，步骤S3中，针对步骤S2中求得的电压值的概率分布，考虑电压越限的概率、每辆移动储能系统的荷电状态以及移动储能系统到对应点所需的时间，生成移动储能系统未来24小时的路线，包括以下步骤：
S31、对越限点进行分组；
S32、计算移动储能在固定时间内可到达的点的集合；
S33、计算移动储能系统荷电状态；
S34、移动储能系统总路线生成。
5.根据权利要求4所述的一种基于电压灵敏度分析的移动储能系统调度方法，其特征在于，步骤S31具体为：基于步骤S2中获得的节点电压概率密度函数，计算每个节点电压越限的概率，并将其分为越上限点和越下限点两组点。
6.根据权利要求5所述的一种基于电压灵敏度分析的移动储能系统调度方法，其特征在于，步骤S32具体为：构建考虑出行时间最短的最优路径选择模型，模型的目标函数为：
（16）
其中，代表移动储能在目的地之间航行的时间；
最优路径选择模型的约束条件如下：
（1）移动储能系统在目的地之间的航行时间等于它走过所有路段所花费的时间之和：
（17）
其中，代表路网中选择路段的二元变量，当移动储能系统经过该路段则/>；当移动储能系统不经过该路段，则/>；/>为MESS在节点ij之间航行所需花费的时间；
（2）移动储能系统所走过的所有路段应该首尾相连，对于起点来说，移动储能系统只能从该点驶出；对于中间节点，移动储能系统应当只驶入该点一次，并只驶出该点一次；对于终点，移动储能系统只能驶出该点一次：
（18）
其中，H代表总路线的起点；D代表总路线的终点；代表路网节点的集合；/>为路网中选择路段的二元变量，当移动储能系统经过该路段，则/>；当移动储能系统不经过该路段，则/>；/>和/>的方向相反；
根据所得最优路径选择模型，依次扫描路网节点，计算每个节点的最短出行时间小于15分钟和30分钟的终点集合，记录为D15min和D30min。
7.根据权利要求6所述的一种基于电压灵敏度分析的移动储能系统调度方法，其特征在于，步骤S33具体为：移动储能系统的荷电状态转移方程为：
（19）
其中，代表移动储能系统m在时刻t的荷电状态；/>代表移动储能系统m在时刻t的功率输出；t代表移动储能系统的充电时间；/>代表移动储能系统电池的最大容量；/>代表所有移动储能系统的集合。
8.根据权利要求7所述的一种基于电压灵敏度分析的移动储能系统调度方法，其特征在于，步骤S34具体为：同时考虑电网的高概率越限点、移动储能系统能够快速到达的点、每辆移动储能系统的荷电状态执行以下步骤：
S341、根据步骤S31获得的越上限点和越下限点，分别与D15min取交集，得到分为越上限和越下限的两组移动储能系统的可选目的地；考虑极端情况，即所有移动储能系统都要充电或者都要放电，若所得的交集内点的数目小于移动储能系统的数目，则考虑下一时段电网容易越限的点，与D30min取交集，作为当前时刻移动储能系统目的地的补充；通过当前节点优先选取、未来节点进行补充的方法生成24小时移动储能系统的可选目的地序列；
S342、根据步骤S341获得的可选目的地序列，考虑移动储能系统的实时荷电状态，对于荷电状态低于50%的移动储能系统，选择可选目的地序列中最高概率越电压上限的节点作为其目的地；对于荷电状态高于50%的移动储能系统，选择可选目的地序列中最高概率越电压下限的节点作为其目的地；最终生成未来24小时每辆移动储能系统的总路线。
9.根据权利要求8所述的一种基于电压灵敏度分析的移动储能系统调度方法，其特征在于，步骤S4具体为：根据步骤S3计算获得的移动储能总路线，考虑实时交通流的影响，综合考虑最小化燃油成本和时间成本，构建移动储能系统在线最优路径导航模型，模型的目标函数为：
（20）
其中，为移动储能系统的燃料损耗；/>代表移动储能系统在提供功率支撑途中所花费的时间；/>代表时间成本在目标函数中的权重；
移动储能系统在线最优路径导航模型的部分约束条件与步骤S32中最优路径选择模型的约束条件相同，新添加的约束条件为：
（1）移动储能系统在各个路段的航行时间将受到实时交通流的影响，考虑交通流的航行时间表示为BRP模型：
（21）
其中代表交通流影响下的航行时间；/>代表移动储能系统在无交通流影响下的自由航行时间；/>代表实时的交通流；d，b，C为预设参数；
（2）移动储能系统的燃料成本受其航行路程长短和燃油价格的影响：
（22）
其中，代表燃油价格；/>代表每公里消耗的燃油量；/>代表网络中各个路段的长度。
10.根据权利要求9所述的一种基于电压灵敏度分析的移动储能系统调度方法，其特征在于，步骤S5具体为：基于实时的负荷数据，构建移动储能系统的最优功率出力生成模型，计算每台移动储能系统的输出功率，模型的目标函数为：
（23）
其中，代表移动储能系统提供功率支撑的成本；/>代表在节点i移动储能系统m的输出功率；/>代表发电机n的运行成本；
最优功率出力生成模型的部分约束条件与步骤S1中的最优潮流计算模型相同，新添加的约束条件为：
（1）移动储能系统的功率输出将带来其荷电状态的改变：
（24）
（2）移动储能系统的输出功率应满足功率约束：
（25）
其中，为移动储能系统m的功率下限；/>为移动储能m的功率上限；/>为移动储能m的输出功率；
（3）移动储能系统的功率注入会影响节点的功率平衡方程：
（26）。
CN202311663854.3A 2023-12-06 2023-12-06 一种基于电压灵敏度分析的移动储能系统调度方法 Active CN117375037B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311663854.3A CN117375037B (zh) 2023-12-06 2023-12-06 一种基于电压灵敏度分析的移动储能系统调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311663854.3A CN117375037B (zh) 2023-12-06 2023-12-06 一种基于电压灵敏度分析的移动储能系统调度方法

Publications (2)

Publication Number Publication Date
CN117375037A true CN117375037A (zh) 2024-01-09
CN117375037B CN117375037B (zh) 2024-02-27

Family

ID=89400626

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311663854.3A Active CN117375037B (zh) 2023-12-06 2023-12-06 一种基于电压灵敏度分析的移动储能系统调度方法

Country Status (1)

Country Link
CN (1) CN117375037B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005057821A (ja) * 2003-08-01 2005-03-03 Hitachi Ltd 配電系統の解析支援装置及び解析支援方法
CN110176784A (zh) * 2019-05-31 2019-08-27 国网天津市电力公司电力科学研究院 一种分布式移动储能配电网控制方法与系统
CN110620383A (zh) * 2019-07-18 2019-12-27 北京京研电力工程设计有限公司 基于电力电子变压器的交直流配电网日前优化调度方法
CN112751350A (zh) * 2020-12-28 2021-05-04 国网天津市电力公司电力科学研究院 一种移动储能时空联合优化调度策略的制定方法
CN113922403A (zh) * 2021-09-29 2022-01-11 国网新疆电力有限公司电力科学研究院 基于动态无功电压灵敏度的配电网移动式储能的调度方法
CN115204702A (zh) * 2022-07-22 2022-10-18 福州大学 一种基于动态分区的日前日内调度方法
CN116914852A (zh) * 2023-07-13 2023-10-20 国网上海市电力公司 基于概率电压灵敏度的配电网承载力估计方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005057821A (ja) * 2003-08-01 2005-03-03 Hitachi Ltd 配電系統の解析支援装置及び解析支援方法
CN110176784A (zh) * 2019-05-31 2019-08-27 国网天津市电力公司电力科学研究院 一种分布式移动储能配电网控制方法与系统
CN110620383A (zh) * 2019-07-18 2019-12-27 北京京研电力工程设计有限公司 基于电力电子变压器的交直流配电网日前优化调度方法
CN112751350A (zh) * 2020-12-28 2021-05-04 国网天津市电力公司电力科学研究院 一种移动储能时空联合优化调度策略的制定方法
CN113922403A (zh) * 2021-09-29 2022-01-11 国网新疆电力有限公司电力科学研究院 基于动态无功电压灵敏度的配电网移动式储能的调度方法
CN115204702A (zh) * 2022-07-22 2022-10-18 福州大学 一种基于动态分区的日前日内调度方法
CN116914852A (zh) * 2023-07-13 2023-10-20 国网上海市电力公司 基于概率电压灵敏度的配电网承载力估计方法

Also Published As

Publication number Publication date
CN117375037B (zh) 2024-02-27

Similar Documents

Publication Publication Date Title
Manríquez et al. The impact of electric vehicle charging schemes in power system expansion planning
Sidorov et al. A dynamic analysis of energy storage with renewable and diesel generation using Volterra equations
Dufo-Lopez et al. Multi-objective design of PV–wind–diesel–hydrogen–battery systems
Cheng et al. Comparison of particle swarm optimization and dynamic programming for large scale hydro unit load dispatch
Wang et al. Multicriteria design of hybrid power generation systems based on a modified particle swarm optimization algorithm
Montoya et al. Wind turbine selection for wind farm layout using multi-objective evolutionary algorithms
Tabar et al. Sustainable planning of hybrid microgrid towards minimizing environmental pollution, operational cost and frequency fluctuations
Jain et al. Aggregated electric vehicle resource modelling for regulation services commitment in power grid
Fathi et al. Comparative study of metaheuristic algorithms for optimal sizing of standalone microgrids in a remote area community
Erick et al. Reinforcement learning approaches to power management in grid-tied microgrids: A review
CN110350589A (zh) 一种可再生能源和储能调度模型及调度方法
Ngouleu et al. Optimal sizing and techno-enviro-economic evaluation of a hybrid photovoltaic/wind/diesel system with battery and fuel cell storage devices under different climatic conditions in Cameroon
Yi et al. Expansion planning of active distribution networks achieving their dispatchability via energy storage systems
Singh et al. Techno-socio-economic-environmental estimation of hybrid renewable energy system using two-phase swarm-evolutionary algorithm
Deng et al. Optimal sizing of residential battery energy storage systems for long-term operational planning
Zheng et al. Multi-objective optimization of hybrid energy management system for expressway chargers
CN114123294A (zh) 考虑三相不平衡的多目标光伏单相并网容量规划方法
CN117375037B (zh) 一种基于电压灵敏度分析的移动储能系统调度方法
Wei et al. Optimal control of plug-in hybrid electric vehicles with market impact and risk attitude
Cao et al. Robust charging schedule for autonomous electric vehicles with uncertain covariates
CN116961057A (zh) 一种考虑电动汽车的多时段配电网故障恢复方法
Golder et al. Energy management systems for electric vehicle charging stations: A review
Gonçalves et al. Methodology for real impact assessment of the best location of distributed electric energy storage
Younesi et al. Enhancing the resilience of zero-carbon energy communities: Leveraging network reconfiguration and effective load carrying capability quantification
CN110504675A (zh) 一种交直流混合配电网改造规划方法及系统

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