CN118199184A - 考虑线路脆弱性的配电网光伏和储能优化配置方法 - Google Patents

考虑线路脆弱性的配电网光伏和储能优化配置方法 Download PDF

Info

Publication number
CN118199184A
CN118199184A CN202410624974.0A CN202410624974A CN118199184A CN 118199184 A CN118199184 A CN 118199184A CN 202410624974 A CN202410624974 A CN 202410624974A CN 118199184 A CN118199184 A CN 118199184A
Authority
CN
China
Prior art keywords
line
photovoltaic
distribution network
power distribution
energy storage
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
CN202410624974.0A
Other languages
English (en)
Other versions
CN118199184B (zh
Inventor
周霞
单宇
解相朋
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202410624974.0A priority Critical patent/CN118199184B/zh
Publication of CN118199184A publication Critical patent/CN118199184A/zh
Application granted granted Critical
Publication of CN118199184B publication Critical patent/CN118199184B/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
    • H02J3/38—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • H02J3/001—Methods to deal with contingencies, e.g. abnormalities, faults or failures
    • 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
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Biology (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明属于分布式电源优化配置技术领域，具体是涉及考虑线路脆弱性的配电网光伏和储能优化配置方法，通过K‑Medoids聚类算法对光伏和负荷历史数据进行处理，根据其出力特性的不同得到多个典型场景集和概率；引入配电网电压稳定指标，针对配电网线路进行脆弱性评估，辨识易发生故障的线路；采用蒙特卡洛随机抽样方法，建立计及天气条件和线路状况的配电网线路故障模型，以此选取分布式电源的初步待接入位置；以线路故障条件下系统可恢复最大负荷量为目标函数，通过灰狼优化算法对目标函数进行求解，得到光储最优配置策略。本发明提出的光伏和储能最优配置策略对电网规划建设具有一定的理论指导意义。

Description

考虑线路脆弱性的配电网光伏和储能优化配置方法
技术领域
本发明属于分布式电源优化配置技术领域，具体是涉及考虑线路脆弱性的配电网光伏和储能优化配置方法。
背景技术
近年来，随着新能源和智能电网的不断发展，配电网中大量接入分布式电源，这将极大地改善配电网络的结构和供电模式，提升供电品质。为防止发生电气事故所造成的损失和对生产、生活造成的冲击，对容易发生故障的配电网络进行识别，通过对配电网络中的分布式电源接入地点和容量分布进行改进起到预先规划的作用。
现有技术中，对电力系统进行深入研究，发现大停电事故基本上都是从个别元件故障开始，而后引发系统连锁故障反应，最终导致了整个系统崩溃；虽然找到了电力系统出现大规模故障的原因，并且有了改善方向，但如何辨识系统的关键线路却成为研究者的巨大困扰。同时由于电力系统通常暴露于自然界中，线路结构会受到气候、地形的影响。目前“脆弱性”这一概念，现有技术中也进行了相关的研究，如文献(马宇帆.考虑极端天气线路脆弱性的配电网分布式电源配置优化模型[D].云南大学,2020. )提出了考虑极端天气线路脆弱性的配电网分布式电源配置优化模型，但其采用基于混合整数线性规划（MILP）方法，对于求解优化问题的效率和性能不足，同时未考虑海量光伏、负荷数据中典型场景，且电力潮流和储能约束不够全面详细；未能充分挖掘电力系统故障下快速恢复正常。
发明内容
为解决上述技术问题，本发明提供了一种考虑线路脆弱性的配电网光伏和储能优化配置方法，通过加入K-Medoids聚类算法对大量光伏、负荷数据进行处理，得到了具有代表性的光伏、负荷典型场景，同时引入灰狼优化算法（Grey Wolf Optimizer , GWO）使光储配置的优化问题能够得到快速的求解；能够当主干网出现故障后，在满足潮流、储能约束的同时做到更多的配置容量。
本发明所述的考虑线路脆弱性的配电网光伏和储能优化配置方法，包括如下步骤：
S1、对光伏和负荷历史数据进行预处理，根据其出力特性的不同得到多个典型场景集及其出现的概率；
S2、引入配电网电压稳定指标，针对配电网线路进行脆弱性评估，辨识易发生故障的线路；
S3、基于微气象、微地形对配电网的线路脆弱性进行分析，并分别对天气条件和线路状况进行蒙特卡洛随机抽样，得到考虑天气影响的线路故障模型，以此选取分布式电源的初步待接入位置；
S4、以线路故障条件下系统可恢复负荷量最大为目标函数，通过灰狼优化算法对目标函数进行求解，得到光储最优配置策略。
进一步的，S1具体为：
S1.1、采用K-Medoids聚类算法对光伏和负荷历史数据进行处理：设光伏对象集合，包含了N天的光伏历史数据，表示第N天的光伏序列；第d日的光伏序列为，包含了第d天的M个采样点的光伏数据；第f日的光伏序列为，则与之间的余弦相似度为：
，
式中，n指迭代次数，，分别为第d日和第f日的第n个采样点光伏数据；的取值范围为[0,1]，越接近于1，说明与所表征的光伏曲线形态越相似；
S1.2、在使用K-Medoids聚类算法的基础上引入轮廓系数法确定聚类个数，具体定义如下：
，
其中：
，
式中，为光伏样本d的轮廓系数，为样本到同一类中其他样本的平均余弦相似度，越小，说明样本与同类中其他样本的距离越近，即越相似；为样本到其他类别的所有样本的平均余弦相似度，越大，说明样本与其他类之间距离越远，即越不相似；
S1.3、对全部样本的轮廓系数求均值，得到聚类结果的综合轮廓系数，具体定义如下：
，
式中，为光伏样本的轮廓系数，的取值范围为，值越接近1说明聚类效果越好；指标值达到最大时对应的值即为最佳聚类数目；输出最佳聚类结果，获得与最佳聚类数对应的 K 种典型时序场景，记为，第种典型场景中包含的原始场景数为，N为所有场景个数，则第种典型场景出现的概率为；
采用K-Medoids聚类算法对负荷历史数据进行处理的方法与光伏历史数据相同，得到第d日的负荷序列和第f日的负荷序列的余弦相似度，以及全部样本的综合轮廓系数分别为：
，
，
其中，为负荷样本的轮廓系数。
进一步的，S2具体为：
对于一个包含若干个节点的辐射状电网，其任意一条传输路线都等效为一简化模型；定义电网输电线路静态电压稳定性指标为：
，
当时，根的有解判别式，此时潮流解存在，系统静态电压处于稳定状态，且越小则表明此线路的静态电压稳定性能越好，反之则越差；当时，则对应根的有解判别式，表明该线路的静态电压稳定性处于临界状态；如果此时该节点的功率继续增加，则会出现电压崩溃现象导致电压失稳，输电线路此时也会丢失原先的平衡节点；通过该指标计算出每条线路的电压稳定指标，作为线路的状态脆弱性指标。
进一步的，S3中，构建考虑天气影响的线路故障模型，具体为：
S3.1.1、气候状态转变随机过程及地貌分析；
A.气候状态转变随机过程：在考虑气候变化对配电网和分布式电源影响的基础上，将气候状态分为晴天、多云、雨雪三种状态，分别记为a，b，c；由稳态情形的马尔可夫状态方程式推导出频率均衡关系的概念，有以下方程式：
，
其中，、、分别为晴天、多云、雨雪三种气候状态的概率，满足；为晴天到多云的状态转移概率，为多云到晴天的状态转移概率；依此类推可得到多个状态之间的转移概率；
B.地貌分析：将地形分为平地、山地、丘陵、高山四种类型，假定配电网所在地区有雨雪、多云和晴天三种气象状态，且假定一条路线跨越四种地势，则各种情况的出现概率通过当地气象部门的统计数据来获得；
S3.1.2、线路故障分析：根据配电网的线路在运行时存在无记忆的特性，提出基于泊松分布的电力系统故障概率模型；即：
，
式中：h为线路在单位时间内发生故障的次数，为气候-地形影响因子，为单位时间内线路故障率；
则单位时间内线路发生故障的概率为:
；
S3.1.3、构建基于气候-地形的配电网线路蒙特卡洛随机抽样故障分析模型
考虑到配电网拓扑结构具有辐射状的特性，因此构造由不同的电阻串联而成的模型；
定义是第i段线路占全部线路的百分比，则第i段线路故障条件下不可用度定义为，具体式子如下：
，
式中，为单位时间内第i段线路的故障概率，为第i段线路的修复率，。
S3中，基于所述线路故障模型，选取分布式电源的初步待接入位置，具体为：
S3.2.1、假定共有z组气候-地形状况组合，依据其概率构建离散分布函数；
S3.2.2、使用rand函数随机生成[0,1]之间的数v，当满足，则确定当前线路处于第z种气候-地形组合状态；
S3.2.3、初始化线路故障矩阵，分别计算该第i段线路的不可用度；
S3.2.4、rand函数生成之间的随机数v，若成立则表示该线路故障；否则，该线路无故障，转向S3.2.3；最终得到配电网系统每段输电线路在不同气象和地形状态下的脆弱程度；
S3.2.5、计算线路静态电压稳定性指标，剔除易发生故障的线路；判断线路在不同气象和地形状态下的脆弱程度，选择脆弱性指标小的线路得到分布式电源待选择接入位置。
进一步的，S4中，故障条件下配电网线路划分原则为：
假设当有线路出现故障时，将配电网进行划分，若存在线路仍与主网连接，则暂不考虑接入分布式电源，仅有脱离主网的线路构成死岛，所以仅将分布式电源接入到死岛线路中；
提出考虑不同负荷权重的线路故障条件下系统可恢复负荷量模型，其目标函数如下：
，
式中，为配电网线路节点编号；为所有负荷点的集合；为节点状态变量，是整型变量，表示节点是否在孤岛内，表示包含在内，则表示未包含在内；表示相应负荷节点权重；表示节点的负荷值。
进一步的，S4中，约束条件为：
A.支路潮流约束：
，
式中：和分别表示第个节点分布式电源注入的有功与无功功率；表示第个节点的电压幅值，、、分别表示两节点、之间的电导、电纳和电压相角差；
B.分布式光伏运行约束：
若节点接入分布式光伏，则其出力范围应满足约束为:
，
式中，为安装于节点处分布式光伏在t时段内的实际出力；为t时段内的分布式光伏允许出力最大值；
C.节点电压约束：
，
式中：，分别为节点允许的最小和最大电压幅值；为节点的电压值；
D.支路电流约束：
，
式中：为支路l载流量上限值；
E.储能约束：
，
式中：、分别为第个储能充/放电功率的上、下限；为t时刻储能的容量；为自放电电流率；、为储能充/放电效率；为t时刻储能的荷电状态；、表示储能充放电状态，当时储能充电，，；当时储能放电，,。
进一步的，采用灰狼优化算法求解光储最优配置策略，具体为：
S4.1、读取负荷节点权重矩阵，设置分布式电源总出力,构建 0-1规划矩阵；
S4.2、以光伏和储能接入节点以及各节点接入容量为优化变量，初始化灰狼优化算法的变量，采用灰狼优化算法对线路故障条件下系统可恢复负荷量进行求解；
S4.3、进行配电网潮流计算，检查校验结果是否满足电压、电流和功率平衡等约束条件，确定光伏和储能最优配置策略；
S4.4、判断是否达到最大迭代次数或目标值，统计最终结果；否则重复步骤，直到确定最优方案。
本发明所述的有益效果为：本发明所述方法在考虑线路自身脆弱性的基础上，根据不同气候-地形状态下线路发生故障的概率，通过所提的灰狼优化算法给出分布式电源的最优配置策略；根据故障清况进行多目标优化配置，以使系统综合性能到达最佳。相比于非智能优化算法的配置方案，本发明具有更快的响应速度和更精确的配置性能，能够为电力公司的电力建设提供更为可靠的、更加具有实用价值的理论指导。
附图说明
图1 是本发明所述方法的流程示意图；
图2 是本发明基于蒙特卡洛随机抽样的线路脆弱性分析流程示图；
图3 是本发明基于GWO算法的光储最优配置求解流程；
图4 是本发明的一个电网任意传输线路图；
图5 是本发明的一个气候状态转变模型；
图6 是本发明的一个配电网线路等效模型；
图7 是本发明一个实施例提供的基于K-Medoids聚类算法的光伏典型场景图；
图8 是本发明一个实施例提供的基于配电网电压稳定指标的线路脆弱性评估图；
图9 是本发明一个实施例提供的基于气候-地形的线路脆弱性评估图；
图10 是本发明一个实施例提供的IEEE-33节点电网系统线路划分图；
图11 是本发明一个实施例提供的各节点不同时间电压分布图；
图12 是本发明一个实施例提供的光伏和储能最优配置结果图；
图13是本发明所述方法与现有方法的对比图。
具体实施方式
为了使本发明的内容更容易被清楚地理解，下面根据具体实施例并结合附图，对本发明作进一步详细的说明。
本发明提出一种考虑线路脆弱性的配电网光伏和储能优化配置方法，如图1所示，包括如下步骤：
S1、通过K-Medoids聚类算法对光伏和负荷历史数据进行处理，根据其出力特性的不同得到多个典型场景集和概率；
S2、引入配电网电压稳定指标，针对配电网线路进行脆弱性评估，辨识易发生故障的线路；
S3、基于微气象、微地形对配电网的线路脆弱性进行分析，并分别对天气条件和线路状况进行蒙特卡洛随机抽样，得到考虑天气影响的线路故障模型，以此选取分布式电源的初步待接入位置；
S4、以线路故障条件下系统可恢复负荷量最大为目标函数，通过灰狼优化算法对目标函数进行求解，建立光储最优配置策略。
S1中基于K-Medoids聚类算法获得光伏和负荷典型场景集和场景概率，具体为：
S1.1、采用K-Medoids聚类算法对光伏和负荷历史数据进行处理：设光伏对象集合，包含了N天的光伏历史数据，表示第N天的光伏序列；第d日的光伏序列为，包含了第d天的M个采样点的光伏数据；第f日的光伏序列为，则与之间的余弦相似度为：
，
式中，n指迭代次数，，分别为第d日和第f日的第n个采样点光伏数据；的取值范围为[0,1]，越接近于1，说明与所表征的光伏曲线形态越相似。
S1.2、轮廓系数法：为了快速地找到最优的分类群数，获得更好的聚类效果，在使用K-Medoids聚类算法的基础上引入轮廓系数法确定合适的聚类个数；具体定义如下：
，
其中：
，
式中，为光伏样本d的轮廓系数，为样本到同一类中其他样本的平均余弦相似度，越小，说明样本与同类中其他样本的距离越近，即越相似；为样本到其他类别的所有样本的平均余弦相似度，越大，说明样本与其他类之间距离越远，即越不相似。
S1.3、综合轮廓系数：
对全部样本的轮廓系数求均值，得到聚类结果的综合轮廓系数，具体定义如下：
，
式中，为光伏样本的轮廓系数，的取值范围为，值越接近1说明聚类效果越好；指标值达到最大时对应的值即为最佳聚类数目；输出最佳聚类结果，获得与最佳聚类数对应的 K 种典型时序场景，记为，第种典型场景中包含的原始场景数为，N为所有场景个数，则第种典型场景出现的概率为；
采用K-Medoids聚类算法对负荷历史数据进行处理的方法与光伏历史数据相同，得到第d日的负荷序列和第f日的负荷序列的余弦相似度，以及全部样本的综合轮廓系数分别为：
，
，
其中，为负荷样本的轮廓系数。
S2中,引入配电网电压稳定指标，针对配电网线路进行脆弱性评估，辨识易发生故障的线路，具体如下：
对于一个包含若干个节点的辐射状电网，其任意一条传输路线都可以等效为如图4所示的简化模型。
假设是输电网送端电压矢量, 是输电线路受端电压矢量；是输电线路的阻抗，是流经送端节点的潮流功率，是流经受端节点的潮流功率；则流经该输电线路的电流为：
，
另有复功率为：
，
根据式（7.1）和（7.2），将流经该输电线路的电流改写为以下形式：
，
结合式（7.3）进一步化简得：
，
将式（7.4）按实部和虚部展开得：
，
因为电网同一条线路上电压相位差近似为零，即，因此将式（7.5）化简得到：
，
且
，
，
；
则式（7.6）看作是关于的一元二次方程，由方程的有解判别式得：，
式（7.7）消去得：
，
因此，定义电网输电线路静态电压稳定性指标为：
，
由上述分析可知，当时，根的有解判别式，此时潮流解存在，系统静态电压处于稳定状态，且越小则表明此线路的静态电压稳定性能越好，反之则越差；当时，则对应根的有解判别式，表明该线路的静态电压稳定性处于临界状态，如果此时该节点的功率继续增加，则会出现电压崩溃现象导致电压失稳，输电线路此时也会丢失原先的平衡节点。
通过该指标计算出每条线路的电压稳定指标，作为线路的状态脆弱性指标。
S3中考虑天气影响的线路故障模型，流程如图2所示。具体内容如下：
本发明拟从气象、地形视角出发，采用蒙特卡洛随机采样等手段，定量评价输电线路的故障概率，并基于不同气象、地形条件下的输电线路脆弱性评价结果，初步确定配电网分布式电源的待接入位置。
S3.1.1、气候状态转变随机过程及地貌分析
A.气候状态转变随机过程：
在考虑气候变化对配电网和分布式电源影响的基础上，将气候状态分为晴天、多云、雨雪三种,分别记为a，b，c；三个阶段间的转移变化与马尔可夫过程相一致。如图5所示。
图5中，为不同状态之间的状态转移概率，由稳态情形的马尔可夫状态方程式推导出频率均衡关系的概念，有以下方程式：
(8)，
其中，、、为三种气候状态的概率，满足。
B.地貌分析：配电网线路区域的地形地貌的差异性直接影响配电网上空的极端天气活动，极端天气下将大大增加线路受故障的概率，通过查阅大量文献，本发明将地形主要分为 4 种不同的类型：平地，山地，丘陵，高山。
本发明假定配电网所在的地区有雨雪、多云和晴天三种气象状态。假定一条路线可能跨越各种地势，包括平地，山地，丘陵，高山。将三种气象条件与四种地貌相结合，就有12个可能，详细的组合如下表1所示，各种情况的出现概率可以通过当地气象部门的统计数据来获得。
表1 配电网气候-地形状况组合概率
S3.1.2、线路故障分析：
根据配电网的线路在运行时存在无记忆的特性，提出基于泊松分布的电力系统故障概率模型；即：
，
式中：h为线路在单位时间内发生故障的次数，为气候-地形影响因子，为单位时间内线路故障率；
则单位时间内线路发生故障的概率为:
。
S3.1.3、基于气候-地形的配电网线路蒙特卡洛随机抽样故障分析模型：
假设线路总数为，考虑到配电网拓扑结构具有辐射状的特性，因此构造由不同的电阻串联而成的模型，如图6所示：
定义是第i段线路占全部线路的百分比，则第i段线路故障条件下不可用度定义为，具体式子如下：
，
式中，为单位时间内第i段线路的故障概率，为第i段线路的修复率，。
S3中，基于所述线路故障模型，选取分布式电源的初步待接入位置，具体为：
S3.2.1、假定共有z组气候-地形状况组合，依据其概率构建离散分布函数；
S3.2.2、使用rand函数随机生成[0,1]之间的数v，当满足，则确定当前线路处于第z种气候-地形组合状态；
S3.2.3、初始化线路故障矩阵，分别计算该第i段线路的不可用度；
S3.2.4、rand函数生成[0,1]之间的随机数v，若成立则表示该线路故障；否则，该线路无故障，转向S3.2.3；最终得到配电网系统每条输电线路在不同气象和地形状态下的脆弱程度；
S3.2.5、计算线路静态电压稳定性指标，剔除易发生故障的线路；判断线路在不同气象和地形状态下的脆弱程度，选择脆弱性指标较小的线路得到分布式电源待选择接入位置。
S4中通过灰狼优化算法对线路故障条件下系统可恢复负荷量进行求解，建立光储最优配置策略。流程如图3所示，具体内容如下：
1）故障条件下配电网线路划分原则：假设在前文分析的基础上，线路2和线路5发生故障，则配电网被分为三条线路，线路I依然与主网相连，暂且不考虑接入分布式电源，唯有线路II和线路III形成死岛，因此本发明只考虑在线路II和线路III中接入分布式电源。红色实线表示切割相应的故障线路，虚线区域表示切断故障线路后形成的线路。以IEEE-33节点为例，具体线路划分如图10所示：
2）光储最优配置策略目标函数：在配电网络出现故障后，应根据其各负荷点的经济效益和负载级别，尽量使更多的重点负荷得到修复，减小停电范围，降低停电造成的损失，实现孤岛分区的最优目标。在前文假设条件下，IEEE33节点配电系统被划分为 I,II,III 三条线路，其中死岛只为 II、III 线路。在死岛中选取分布式电源接入点，最大程度恢复故障条件下的负荷量。基于此，本发明提出考虑不同负荷权重的线路故障条件下系统可恢复负荷量模型。其目标函数如下：
，
式中，为配电网线路节点编号；为所有负荷点的集合；为节点状态变量，是整型变量，表示节点是否在孤岛内，表示包含在内，则表示未包含在内；表示相应负荷节点权重；表示节点的负荷值。
3）约束条件
A.支路潮流约束:
，
式中：和分别表示第个节点分布式电源注入的有功与无功功率；Ui表示第个节点的电压幅值，Gij、Bij、θij分别表示两节点i、j之间的电导、电纳和电压相角差；
B.分布式光伏运行约束：
若节点接入分布式光伏，则其出力范围应满足约束为:
，
式中，为安装于节点i处分布式光伏在t时段内的实际出力；为t时段内的分布式光伏允许出力最大值；
C.节点电压约束：
，
式中：，分别为节点i允许的最小和最大电压幅值；为节点i电压值；
D.支路电流约束：
，
式中：为支路l载流量上限值；
E.储能约束:
，
式中：、分别为第个储能充/放电功率的上、下限；为t时刻储能的容量；为自放电电流率；、为储能充/放电效率；为t时刻储能的荷电状态；、表示储能充放电状态，当时储能充电，，；当时储能放电，,。
4）灰狼优化算法求解光储最优配置策略流程：
灰狼优化算法（即GWO算法）中，灰狼个体被划分为 4 个社会等级，依次为，其中狼管理能力最强，负责狼群的决策；狼次于狼，协助狼进行决策；狼服从于狼，支配剩余的狼；
GWO算法包括包围、狩猎、攻击、搜索4个阶段；
（1）包围猎物：
，
式中：t为当前迭代次数；为猎物与灰狼之间的距离；为猎物当前所在的位置；为灰狼当前 所在的位置；为灰狼更新后的位置；和为系数向量；计算公式如下：
，
式中：为随迭代次数t从2线性递减到0的收敛因子；为最大迭代次数；和为各个分量在之间的随机向量。
（2）群体狩猎：在狩猎过程中，通常由狼识别猎物的位置，再带领狼和狼指导整个灰狼种群包围猎物；假设狼、狼和狼能够更好地了解猎物可能存在的位置，保留上一次迭代所获得的前3个等级灰狼的位置，在下一次迭代时，灰狼种群根据它们的位置来判断猎物的位置，同时更新自身的位置，从而逐渐接近猎物；灰狼按照以下公式进行位置更新；
，
式中：，，分别为狼与当前灰狼的距离；，，分别为狼的位置；，，分别为对狼进行扰动后对应的位置。
（3）攻击猎物：攻击行为意味着得到最优解，通过调节参数来实现这一过程，当从2递减到0的过程中，在内变化；当时，狼群会接近猎物；当时，狼群会远离猎物。
（4）搜索猎物：灰狼种群通常单独寻找猎物，同时根据狼、狼和狼的位置来追赶猎物。当时，狼群会远离猎物；当时，狼群会攻击猎物，直到满足算法终止的条件。
采用灰狼优化算法求解光储最优配置策略，具体为：
S4.1、读取负荷节点权重矩阵，设置分布式电源总出力,构建 0-1规划矩阵；
S4.2、以光伏和储能接入节点以及各节点接入容量为优化变量，初始化GWO算法的变量，采用灰狼优化算法对线路故障条件下系统可恢复负荷量进行求解；
S4.3、进行配电网潮流计算，检查校验结果是否满足电压、电流和功率平衡等约束条件，确定光伏和储能最优配置策略；
S4.4、判断是否达到最大迭代次数或目标值，统计最终结果；否则重复步骤，直到确定最优方案。
参照图7到图12，为本发明的一个实施例，提供了一种考虑线路脆弱性的配电网光伏和储能优化配置策略，为了验证本发明的有益效果，通过实验进行科学论证。
以某地光伏电站历史数据为例作为算例，数据选取每天0至24点间数据，每1小时采样一次，每天共24个采样点。
如图7所示，基于K-Medoids聚类对处理后的数据集进行聚类分析，通过聚类，得到4个聚类中心，即4类相似日。根据聚类中心曲线，可将典型日1、2、3、4划分为晴天、阴天、多云、雨雪大类。由表2可得各类场景出现的概率，晴天为0.367，多云为0.252，阴天为0.186，雨雪为0.195。
表2 各类场景出现的概率
图8中横坐标的数字编号表示节点编号，图9中横坐标的数字编号表示线路编号。图10中的圆圈数字为节点编号，比如为节点编号10，其余类推；数字编号10为线路编号10。图12中的黑色圆点编号为节点编号。
如图8所示，基于配电网电压稳定指标的线路脆弱性评估。由图8可知，线路2和线路5指标值相对较高。通过对线路2和线路5连接的结点进行支路结构的分析，发现当两处出现故障时，支路上的结点将会丢失负荷。
如图9所示，基于气候-地形的线路脆弱性评估。通过对气象和地貌的划分，得出12中气候-地形状况组合概率。通过指标值可知：线路3、线路10、线路14、线路17和线路20的指标值均在0.04以上，并且明显高于其他线路指标值，因此分布式电源待选择接入位置首先排除这些指标值较高，容易发生故障的线路。因此被剔除的分布式节点包括节点3、10、14、17、20。
根据对图8和图9的分析，将配电网划分为如图10所示的三条线路。假设配电网线路2和线路5发生故障，则配电网被分为三条线路，线路I依然与主网相连，暂且不考虑接入分布式电源，唯有线路II和线路III形成死岛，因此本发明只考虑在线路II和线路III中接入分布式电源。结合因稳定性不足被剔除的分布式节点3、10、14、17、20，在剩余可供选择的代接入节点中选择光伏和储能的配置位置。
如图11、图12、图13及表3所示，考虑线路脆弱性的配电网光伏和储能优化配置结果，从图11中可以看出，所有节点在24小时内的电压值均分布在0.995-1.02p.u范围内，均满足节点电压约束。本发明所提方法能保证各节点在一天内电压不越线的同时得到最优光储配置策略。在线路故障条件下得到最大可恢复负荷量，则光伏配置节点为8，容量为2.74MW，相比未使用优化算法条件下提升1.49MW；容量储能配置节点为14，容量为0.58MW，相比未使用优化算法条件下提升0.35MW；总容量为3.32MW, 相比未使用优化算法条件下提升1.84MW。
表3 本发明方法与现有方法对比
所述实验结果说明了本发明的可行性和实用性。考虑线路脆弱性的配电网光伏和储能优化配置策略，所提出的分布式电源最优配置策略对电力公司的规划建设具有一定的理论指导意义，对线路故障下的分布式电源紧急配置提供了一个全新的方法。
以上所述仅为本发明的优选方案，并非作为对本发明的进一步限定，凡是利用本发明说明书及附图内容所作的各种等效变化均在本发明的保护范围之内。

Claims (8)

1.考虑线路脆弱性的配电网光伏和储能优化配置方法，其特征在于，包括如下步骤：
S1、对光伏和负荷历史数据进行预处理，根据其出力特性的不同得到多个典型场景集及其出现的概率；
S2、引入配电网电压稳定指标，针对配电网线路进行脆弱性评估，辨识易发生故障的线路；
S3、基于微气象、微地形对配电网的线路脆弱性进行分析，并分别对天气条件和线路状况进行蒙特卡洛随机抽样，得到考虑天气影响的线路故障模型，以此选取分布式电源的初步待接入位置；
S4、以线路故障条件下系统可恢复负荷量最大为目标函数，通过灰狼优化算法对目标函数进行求解，得到光储最优配置策略。
2.根据权利要求1所述的考虑线路脆弱性的配电网光伏和储能优化配置方法，其特征在于，S1具体为：
S1.1、采用K-Medoids聚类算法对光伏和负荷历史数据进行处理：设光伏对象集合，包含了N天的光伏历史数据，表示第N天的光伏序列；第d日的光伏序列为，包含了第d天的M个采样点的光伏数据；第f日的光伏序列为，则与之间的余弦相似度为：
，
式中，n指迭代次数，，分别为第d日和第f日的第n个采样点光伏数据；的取值范围为[0,1]，越接近于1，说明与所表征的光伏曲线形态越相似；
S1.2、在使用K-Medoids聚类算法的基础上引入轮廓系数法确定聚类个数，具体定义如下：
，
其中：
，
式中，为光伏样本d的轮廓系数，为样本到同一类中其他样本的平均余弦相似度，越小，说明样本与同类中其他样本的距离越近，即越相似；为样本到其他类别的所有样本的平均余弦相似度，越大，说明样本与其他类之间距离越远，即越不相似；
S1.3、对全部样本的轮廓系数求均值，得到聚类结果的综合轮廓系数，具体定义如下：
，
式中，为光伏样本的轮廓系数，的取值范围为，值越接近1说明聚类效果越好；指标值达到最大时对应的值即为最佳聚类数目；输出最佳聚类结果，获得与最佳聚类数对应的 K 种典型时序场景，记为，第种典型场景中包含的原始场景数为，N为所有场景个数，则第种典型场景出现的概率为；
采用K-Medoids聚类算法对负荷历史数据进行处理的方法与光伏历史数据相同，得到第d日的负荷序列和第f日的负荷序列的余弦相似度，以及全部样本的综合轮廓系数分别为：
，
，
其中，为负荷样本的轮廓系数。
3.根据权利要求2所述的考虑线路脆弱性的配电网光伏和储能优化配置方法，其特征在于，S2具体为：
对于一个包含若干个节点的辐射状电网，其任意一条传输路线都等效为一简化模型；定义电网输电线路静态电压稳定性指标为：
，
当时，根的有解判别式，此时潮流解存在，系统静态电压处于稳定状态，且越小则表明此线路的静态电压稳定性能越好，反之则越差；
当时，则对应根的有解判别式，表明该线路的静态电压稳定性处于临界状态；如果此时该节点的功率继续增加，则会出现电压崩溃现象导致电压失稳，输电线路此时也会丢失原先的平衡节点；
通过该指标计算出每条线路的电压稳定指标，作为线路的状态脆弱性指标。
4.根据权利要求3所述的考虑线路脆弱性的配电网光伏和储能优化配置方法，其特征在于，S3中，构建考虑天气影响的线路故障模型，具体为：
S3.1.1、气候状态转变随机过程及地貌分析；
A.气候状态转变随机过程：
在考虑气候变化对配电网和分布式电源影响的基础上，将气候状态分为晴天、多云、雨雪三种状态，分别记为a，b，c；由稳态情形的马尔可夫状态方程式推导出频率均衡关系的概念，有以下方程式：
，
其中，、、分别为晴天、多云、雨雪三种气候状态的概率，满足；为晴天到多云的状态转移概率，为多云到晴天的状态转移概率；
B.地貌分析：
将地形分为平地、山地、丘陵、高山四种类型，假定配电网所在地区有雨雪、多云和晴天三种气象状态，且假定一条路线跨越四种地势，则各种情况的出现概率通过当地气象部门的统计数据来获得；
S3.1.2、线路故障分析：
根据配电网的线路在运行时存在无记忆的特性，提出基于泊松分布的电力系统故障概率模型；即：
，
式中：h为线路在单位时间内发生故障的次数，为气候-地形影响因子，为单位时间内线路故障率；
则单位时间内线路发生故障的概率为:
；
S3.1.3、构建基于气候-地形的配电网线路蒙特卡洛随机抽样故障分析模型：
假设线路总数为，考虑到配电网拓扑结构具有辐射状的特性，因此构造由不同的电阻串联而成的模型；
定义是第i段线路占全部线路的百分比，则第i段线路故障条件下不可用度定义为，具体式子如下：
，
式中，为单位时间内第i段线路的故障概率，为第i段线路的修复率，。
5.根据权利要求4所述的考虑线路脆弱性的配电网光伏和储能优化配置方法，其特征在于，S3中，基于所述线路故障模型，选取分布式电源的初步待接入位置，具体为：
S3.2.1、假定共有z组气候-地形状况组合，依据其概率构建离散分布函数；
S3.2.2、使用rand函数随机生成[0,1]之间的数v，当满足，则确定当前线路处于第z种气候-地形组合状态；
S3.2.3、初始化线路故障矩阵，分别计算该第i段线路的不可用度；
S3.2.4、rand函数生成之间的随机数v，若成立则表示该线路故障；否则，该线路无故障，转向S3.2.3；最终得到配电网系统每段输电线路在不同气象和地形状态下的脆弱程度；
S3.2.5、计算线路静态电压稳定性指标，剔除易发生故障的线路；判断线路在不同气象和地形状态下的脆弱程度，选择脆弱性指标小的线路得到分布式电源待选择接入位置。
6.根据权利要求5所述的考虑线路脆弱性的配电网光伏和储能优化配置方法，其特征在于，S4中，故障条件下配电网线路划分原则为：
假设当有线路出现故障时，将配电网进行划分，若存在线路仍与主网连接，则暂不考虑接入分布式电源，仅有脱离主网的线路构成死岛，所以仅将分布式电源接入到死岛线路中；
提出考虑不同负荷权重的线路故障条件下系统可恢复负荷量模型，其目标函数如下：
，
式中，为配电网线路节点编号；为所有负荷点的集合；为节点状态变量，是整型变量，表示节点是否在孤岛内，表示包含在内，则表示未包含在内；表示相应负荷节点权重；表示节点的负荷值。
7.根据权利要求6所述的考虑线路脆弱性的配电网光伏和储能优化配置方法，其特征在于， S4中，约束条件为：
A.支路潮流约束：
，
式中：和分别表示第个节点分布式电源注入的有功与无功功率；表示第个节点的电压幅值，、、分别表示两节点、之间的电导、电纳和电压相角差；
B.分布式光伏运行约束：
若节点接入分布式光伏，则其出力范围应满足约束为:
，
式中，为安装于节点处分布式光伏在t时段内的实际出力；为t时段内的分布式光伏允许出力最大值；
C.节点电压约束：
，
式中：，分别为节点允许的最小和最大电压幅值；为节点的电压值；
D.支路电流约束：
，
式中：为支路l载流量上限值；
E.储能约束：
，
式中：、分别为第个储能充/放电功率的上、下限；为t时刻储能的容量；为自放电电流率；、为储能充/放电效率；为t时刻储能的荷电状态；、表示储能充放电状态，当时储能充电，，；当时储能放电，,。
8.根据权利要求7所述的考虑线路脆弱性的配电网光伏和储能优化配置方法，其特征在于，采用灰狼优化算法求解光储最优配置策略，具体为：
S4.1、读取负荷节点权重矩阵，设置分布式电源总出力,构建 0-1规划矩阵；
S4.2、以光伏和储能接入节点以及各节点接入容量为优化变量，初始化灰狼优化算法的变量，采用灰狼优化算法对线路故障条件下系统可恢复负荷量进行求解；
S4.3、进行配电网潮流计算，检查校验结果是否满足电压、电流和功率平衡等约束条件，确定光伏和储能最优配置策略；
S4.4、判断是否达到最大迭代次数或目标值，统计最终结果；否则重复步骤，直到确定最优方案。
CN202410624974.0A 2024-05-20 2024-05-20 考虑线路脆弱性的配电网光伏和储能优化配置方法 Active CN118199184B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410624974.0A CN118199184B (zh) 2024-05-20 2024-05-20 考虑线路脆弱性的配电网光伏和储能优化配置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410624974.0A CN118199184B (zh) 2024-05-20 2024-05-20 考虑线路脆弱性的配电网光伏和储能优化配置方法

Publications (2)

Publication Number Publication Date
CN118199184A true CN118199184A (zh) 2024-06-14
CN118199184B CN118199184B (zh) 2024-07-19

Family

ID=91414428

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410624974.0A Active CN118199184B (zh) 2024-05-20 2024-05-20 考虑线路脆弱性的配电网光伏和储能优化配置方法

Country Status (1)

Country Link
CN (1) CN118199184B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113408132A (zh) * 2021-06-24 2021-09-17 国网江苏省电力有限公司 一种计及随机性故障场景的区域自治电网可靠性评估方法
CN115879833A (zh) * 2023-03-02 2023-03-31 国网山东省电力公司威海供电公司 考虑灾害响应和恢复的双层配电网韧性评估方法及系统
CN116014790A (zh) * 2022-11-21 2023-04-25 国网湖北省电力有限公司黄冈供电公司 一种含分布式能源的配电网弹性评估方法
CN116316651A (zh) * 2022-12-02 2023-06-23 国网内蒙古东部电力有限公司通辽供电公司 含高比例新能源主配网的紧急减载方法
CN117096958A (zh) * 2023-05-19 2023-11-21 株洲电力勘测设计科研有限责任公司 一种配电网状态脆弱性有功-无功协调优化方法
CN117134325A (zh) * 2023-08-01 2023-11-28 国网河南省电力公司洛阳供电公司 一种考虑线路裕度的含分布式光伏配电网扩展规划方法
CN117293924A (zh) * 2023-09-28 2023-12-26 南京邮电大学 基于wso的配电网日前两阶段优化调度方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113408132A (zh) * 2021-06-24 2021-09-17 国网江苏省电力有限公司 一种计及随机性故障场景的区域自治电网可靠性评估方法
CN116014790A (zh) * 2022-11-21 2023-04-25 国网湖北省电力有限公司黄冈供电公司 一种含分布式能源的配电网弹性评估方法
CN116316651A (zh) * 2022-12-02 2023-06-23 国网内蒙古东部电力有限公司通辽供电公司 含高比例新能源主配网的紧急减载方法
CN115879833A (zh) * 2023-03-02 2023-03-31 国网山东省电力公司威海供电公司 考虑灾害响应和恢复的双层配电网韧性评估方法及系统
CN117096958A (zh) * 2023-05-19 2023-11-21 株洲电力勘测设计科研有限责任公司 一种配电网状态脆弱性有功-无功协调优化方法
CN117134325A (zh) * 2023-08-01 2023-11-28 国网河南省电力公司洛阳供电公司 一种考虑线路裕度的含分布式光伏配电网扩展规划方法
CN117293924A (zh) * 2023-09-28 2023-12-26 南京邮电大学 基于wso的配电网日前两阶段优化调度方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李振坤;王法顺;郭维一;米阳;季亮;: "极端天气下智能配电网的弹性评估", 电力系统自动化, no. 09, 10 May 2020 (2020-05-10), pages 81 - 92 *

Also Published As

Publication number Publication date
CN118199184B (zh) 2024-07-19

Similar Documents

Publication Publication Date Title
CN110705879B (zh) 一种高比例可再生能源接入下的电网脆弱性评估方法
CN114123294B (zh) 考虑三相不平衡的多目标光伏单相并网容量规划方法
CN113437756B (zh) 考虑配电网静态电压稳定性的微电网优化配置方法
CN112785027A (zh) 风光储联合发电系统置信容量评估方法及系统
CN110460038A (zh) 一种涉及新能源并网的多场景输电网扩展规划方法
CN115965132A (zh) 基于ga-bp神经网络的分布式光伏数字孪生系统功率预测方法
CN111009914A (zh) 一种面向主动配电网的储能装置选址定容方法
CN113537582A (zh) 一种基于短波辐射修正的光伏功率超短期预测方法
CN116187165A (zh) 基于改进粒子群算法的电网弹性提升方法
CN115392697A (zh) 一种数据-模型混合驱动的电力系统安全评估方法及系统
CN113690930B (zh) 基于nsga-iii算法的分布式光伏电源中长期选址定容方法
Rouhani et al. Soft clustering based probabilistic power flow with correlated inter temporal events
CN109615142A (zh) 一种基于小波分析的风电场风速组合预测方法
CN116663823B (zh) 融合精准碳数据的配电能源网格碳排放最优规划方法及系统
CN116415708B (zh) 考虑置信水平的电网鲁棒规划方法
CN118199184B (zh) 考虑线路脆弱性的配电网光伏和储能优化配置方法
CN116522800A (zh) 一种基于场景概率的多目标风-储电站选址定容方法
CN115842354A (zh) 用于提高风功率预测相关性系数的风电储能配置方法
CN115423342A (zh) 基于概率随机潮流的电动汽车接入配电网风险评估方法
Wan et al. Photovoltaic generation scenario analysis considering irradiation uncertainty and output derating probability
CN110571791B (zh) 一种新能源接入下的输电网规划的优化配置方法
CN113659578A (zh) 一种计及系统可用输电能力的upfc和statcom优化配置方法
Wang et al. An alternative method for estimating wind-power capacity credit based on reliability evaluation using intelligent search
CN115882479B (zh) 一种面向韧性提升的分布式储能系统多目标优化配置方法
CN117937474B (zh) 一种新能源场站储能管理方法及系统

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