CN107453396B - 一种分布式光伏电源出力的多目标优化调度方法 - Google Patents
一种分布式光伏电源出力的多目标优化调度方法 Download PDFInfo
- Publication number
- CN107453396B CN107453396B CN201710650051.2A CN201710650051A CN107453396B CN 107453396 B CN107453396 B CN 107453396B CN 201710650051 A CN201710650051 A CN 201710650051A CN 107453396 B CN107453396 B CN 107453396B
- Authority
- CN
- China
- Prior art keywords
- node
- output
- photovoltaic
- power
- ith
- 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 22
- 238000005457 optimization Methods 0.000 title claims abstract description 19
- 238000011156 evaluation Methods 0.000 claims abstract description 31
- 238000005286 illumination Methods 0.000 claims abstract description 12
- 238000012544 monitoring process Methods 0.000 claims abstract 2
- 230000005855 radiation Effects 0.000 claims description 16
- 238000009499 grossing Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000010248 power generation Methods 0.000 claims description 8
- 230000008901 benefit Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 230000005012 migration Effects 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims 1
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- H02J3/383—
-
- 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
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明涉及一种分布式光伏电源出力的多目标优化调度方法,对分布式光伏电源的光照强度、温度等参数进行实时监测,并通过预测算法对分布式光伏电源的用电负荷、输出功率等进行预测,同时建立多目标的指标评价函数对分布式光伏电源出力进行优化调度,从而有效地避免分布式光伏电源广泛接入配电网时引起的网损及功率波动等现象,提高区域电网运行的可靠性和有效性。
Description
技术领域
本发明涉及光伏并网发电技术领域,具体是一种分布式光伏电源出力的多目标优化调度方法。
背景技术
由于分布式光伏电源容易受到温度、光照强度等其他多种因素的干扰,在接入电力***配电网时,会引起配电网的功率波动,给电网的安全运行带来隐患。同时,当分布式光伏电源广泛接入配电网时,将对配电网的潮流以及输电线路的电能产生巨大的影响,进而影响配电网的网损,从而造成输电线路发热、老化甚至可能会造成配电网短路、大面积瘫痪等灾害的发生。另一方面,输电线路的发热、老化等现象会造成巨大的资源浪费。因此,针对分布式光伏电源广泛接入配电网时引起的出力优化问题亟待解决。
有鉴于此,本发明提供了一种分布式光伏电源出力的多目标优化调度方法,以满足分布式光伏电源接入配电网的实际需求。
发明内容
本发明的目的是提供一种分布式光伏电源出力的多目标优化调度方法;该方法考虑到分布式光伏电源出力的不确定性,通过预测算法对一天内分布式光伏电源的参数进行预测,并通过建立了多种目标评价函数,对分布式光伏电源的出力进行全方面的优化,使得日网损达到最小、发电量达到最大、接入配电网的功率波动最小。
本发明实现发明目的采用如下技术方案:一种分布式光伏电源出力的多目标优化调度方法,其特征在于,具体包括如下步骤:
步骤1:建立分布式光伏电源出力的数学模型:
光伏的发电量会受到光照强度以及环境温度的影响,因此其产能具有不确定性。为了考虑光伏发电的动态特性,通过布置在每一个节点的传感器来实时监测节点的负荷,同时选取早上7点到晚上7点的12个小时时间段进行数据研究,一天出力分配优化的时间为12个小时。
参考条件下(温度为25℃,接收的总太阳辐射量为1kW/㎡),第i个光伏节点的输出电流与电压之间的关系可以表示为:
K2=(Um/Uoc-1)/ln(1-Im/Isc) (3)
正常条件下,光伏节点的输出电流、输出电压分别为:
Gi为第i个光伏节点所接收的总太阳辐射量(kW/㎡);Ti为第i个光伏节点所处的环境温度(℃);φ为参考光照强度下的电流变化温度系数(A/℃);为参考条件下第i个光伏节点所接收的总太阳辐射量(kW/㎡);为第i个光伏节点折算后的电池板表面温度(℃), 为第i个光伏节点的电池模块温度系数;为第i个光伏节点的参考温度(℃);为参考光照强度下的电压变化温度系数(V/℃);为第i个光伏节点的串联电阻(Ω)。第i个节点的输出功率Pi可表示为:
Pi=I(Gi,Ti)×U(Gi,Ti) (6)
其约束条件可表示为:
0≤Pi,t≤Pimax (7)
Pi,t为第i个节点在t时段的输出功率,Pimax位第i个节点的最大输出功率,由其本身特性决定。
步骤2:通过二次平滑指数法来预测用电负荷、光伏节点的总太阳辐射量和环境温度,从而预测光伏节点的输出功率:
预测t+α时刻的分布式光伏电源节点的用电负荷为:
同理可得t+α时刻的分布式光伏电源节点的总太阳辐射量以及环境温度的值。
步骤3:建立分布式光伏电源出力的优化调度决策矩阵:
用X={x1,x2,x3…,xm}来表示候选方案集,xb表示理想的方案,β表示评价指标数,xij表示第i个方案的第j个指标的值,xbj为理想迁移节点的第j个指标,决策矩阵A=(xij)(m+1)n。
I1、I2、I3分别表示成本型、效益型和适中型指标集合。
由于不同的指标具有不同的量纲,为了使它们之间能够进行比较,需要进行无量纲化处理,如式(12)所示。
根据灰色理论,理想方案x’b和第i个候选方案x’i在第j个指标上的关联度rbj由式(13)给出。
其中,ρ∈(0,1)称为分辨系数,rbj的值越大说明该方案与理想方案的关系度越大,即为最优的调度方案。
步骤4:建立分布式电源出力优化调度的指标评价函数:
步骤4.1:建立日网损评价函数:
日网损评价函数如式(14)所示:
其中,Pdloss为t时刻第n个光伏节点接入配电网的网损,T为一天内对分布式光伏电源出力优化的总时长。根据配电网潮流计算可得:
It,ij=|Yij|×[(Vt,i-Vt,j)2×cos(δt,i-δt,j)]1/2 (16)
其中,Vt,i为t时刻节点i的电压,Vt,j为t时刻节点j的电压,It,ij为t时刻节点i与节点j之间的电流,Zij为节点i与节点j之间的阻抗,Yij为节点i与节点j之间的导纳。
日网损评价函数需满足如下约束条件:
Vmin≤Vt,i≤Vmax (17)
PDGi≤Pmaxi (18)
其中,PDGi为第i个光伏节点的出力,Pmaxi为第i个光伏节点所能允许接入的最大功率。
步骤4.2:建立发电量评价函数:
发电量评价函数需满足如下约束条件:
0≤Pi,t≤Pimax (20)
其中,Pi,t为第i个节点在t时段的输出功率,Pimax位第i个节点的最大输出功率,由其本身特性决定。
步骤4.3建立输出功率波动率评价函数:
其中,Pav为一个周期内分布式光伏电源的输出功率平均值。
步骤5:建立基于多目标决策模型的优化调度算法:
根据灰色***中成本型指标和效益型指标的定义,将分布式光伏电源出力的优化调度决策模型定义如下:
其中,ωd、ωv、ωp分别为日网损、发电量、输出功率波动率在决策模型中所占的权重,且有ωd+ωv+ωp=1。
决策模型的调度算法流程图如图1所示。
有益效果:本发明的有益效果是为分布式光伏电源并网提供了一种分布式光伏电源出力的多目标优化调度方法,对分布式光伏电源的光照强度、温度等参数进行实时监测,并通过预测算法对分布式光伏电源的用电负荷、输出功率等进行预测,同时建立多目标的指标评价函数对分布式光伏电源出力进行优化调度,从而有效地避免分布式光伏电源广泛接入配电网时引起的网损及功率波动等现象,提高区域电网运行的可靠性和有效性。
附图说明
图1是本发明优化调度算法流程图。
图2是本发明实施例的实施步骤流程图。
图3是本发明整体算法流程图。
具体实施方式
以下通过具体实施例对本发明做进一步解释说明。
如图2所示,本发明实施例提供的一种分布式光伏电源出力的多目标优化调度方法,包括如下步骤:
步骤1:建立分布式光伏电源出力的数学模型:
光伏的发电量会受到光照强度以及环境温度的影响,因此其产能具有不确定性。为了考虑光伏发电的动态特性,通过布置在每一个节点的传感器来实时监测节点的负荷,同时选取早上7点到晚上7点的12个小时时间段进行数据研究,一天出力分配优化的时间为12个小时,共有n个光伏节点。
参考条件下(温度为25℃,接收的总太阳辐射量为1kW/㎡),第i个光伏节点的输出电流与电压之间的关系可以表示为:
K2=(Um/Uoc-1)/ln(1-Im/Isc) (3)
正常条件下,光伏节点的输出电流、输出电压分别为:
Gi为第i个光伏节点所接收的总太阳辐射量(kW/㎡);Ti为第i个光伏节点所处的环境温度(℃);φ为参考光照强度下的电流变化温度系数(A/℃);为参考条件下第i个光伏节点所接收的总太阳辐射量(kW/㎡);为第i个光伏节点折算后的电池板表面温度(℃), 为第i个光伏节点的电池模块温度系数;为第i个光伏节点的参考温度(℃);为参考光照强度下的电压变化温度系数(V/℃);为第i个光伏节点的串联电阻(Ω)。第i个节点的输出功率Pi可表示为:
Pi=I(Gi,Ti)×U(Gi,Ti) (6)
其约束条件可表示为:
0≤Pi,t≤Pimax (7)
Pi,t为第i个节点在t时段的输出功率,Pimax位第i个节点的最大输出功率,由其本身特性决定。
在本实施例中,n=30,T=12。
步骤2:通过二次平滑指数法来预测用电负荷、光伏节点的总太阳辐射量和环境温度,从而预测光伏节点的输出功率:
预测t+α时刻的分布式光伏电源节点的用电负荷为:
同理可得t+α时刻的分布式光伏电源节点的总太阳辐射量以及环境温度的值。
在本实施例中,α∈[1,12],且α为整数。
步骤3:建立分布式光伏电源出力的优化调度决策矩阵:
用X={x1,x2,x3…,xm}来表示候选方案集,xb表示理想的方案,β表示评价指标数,xij表示第i个方案的第j个指标的值,xbj为理想迁移节点的第j个指标,决策矩阵A=(xij)(m+1)n。
I1、I2、I3分别表示成本型、效益型和适中型指标集合。
由于不同的指标具有不同的量纲,为了使它们之间能够进行比较,需要进行无量纲化处理,如式(12)所示。
根据灰色理论,理想方案x’b和第i个候选方案x’i在第j个指标上的关联度rbj由式(13)给出。
其中,ρ∈(0,1)称为分辨系数,rbj的值越大说明该方案与理想方案的关系度越大,即为最优的调度方案。
在本实施例中,ρ取0.3,成本型指标数为2,效益型指标数为1,适中型指标数为0。
步骤4:建立分布式电源出力优化调度的指标评价函数:
步骤4.1:建立日网损评价函数:
日网损评价函数如式(14)所示:
其中,Pdloss为t时刻第n个光伏节点接入配电网的网损,T为一天内对分布式光伏电源出力优化的总时长。根据配电网潮流计算可得:
It,ij=|Yij|×[(Vt,i-Vt,j)2×cos(δt,i-δt,j)]1/2 (16)
其中,Vt,i为t时刻节点i的电压,Vt,j为t时刻节点j的电压,It,ij为t时刻节点i与节点j之间的电流,Zij为节点i与节点j之间的阻抗,Yij为节点i与节点j之间的导纳。
日网损评价函数需满足如下约束条件:
Vmin≤Vt,i≤Vmax (17)
PDGi≤Pmaxi (18)
其中,PDGi为第i个光伏节点的出力,Pmaxi为第i个光伏节点所能允许接入的最大功率。
步骤4.2:建立发电量评价函数:
发电量评价函数需满足如下约束条件:
0≤Pi,t≤Pimax (20)
其中,Pi,t为第i个节点在t时段的输出功率,Pimax位第i个节点的最大输出功率,由其本身特性决定。
步骤4.3建立输出功率波动率评价函数:
其中,Pav为一个周期内分布式光伏电源的输出功率平均值。
步骤5:建立基于多目标决策模型的优化调度算法:
根据灰色***中成本型指标和效益型指标的定义,将分布式光伏电源出力的优化调度决策模型定义如下:
其中,ωd、ωv、ωp分别为日网损、发电量、输出功率波动率在决策模型中所占的权重,且有ωd+ωv+ωp=1。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (6)
1.一种分布式光伏电源出力的多目标优化调度方法,其特征在于,该方法包括以下步骤:
步骤1:建立分布式光伏电源出力的数学模型;
通过布置在每一个节点的传感器来实时监测节点的负荷、环境温度、光照强度参数;
步骤2:通过二次平滑指数法来预测用电负荷、光伏节点的总太阳辐射量和环境温度,从而预测光伏节点的输出功率:
步骤3:建立分布式光伏电源出力的优化调度决策矩阵;
利用不同类型的指标评价函数建立决策矩阵,并根据灰色理论给出关联度计算公式;
步骤4:建立分布式电源出力优化调度的指标评价函数;
分别建立了日网损、发电量和输出功率波动率三个指标评价函数,并给出每个评价函数所占的权重;
步骤5:建立基于多目标决策模型的优化调度算法;
通过计算每个方案的关联度,按照关联度的大小来确定最优调度方案。
2.根据权利要求1所述的一种分布式光伏电源出力的多目标优化调度方法,其特征在于:所述步骤1中,通过如下式计算分布式光伏电源的输出功率:
参考条件为温度为25℃,接收的总太阳辐射量为1kW/㎡时,第i个光伏节点的输出电流与电压之间的关系可以表示为:
K2=(Um/Uoc-1)/ln(1-Im/Isc) (3)
正常条件下,光伏节点的输出电流、输出电压分别为:
Gi为第i个光伏节点所接收的总太阳辐射量(kW/㎡);Ti为第i个光伏节点所处的环境温度(℃);φ为参考光照强度下的电流变化温度系数(A/℃);为参考条件下第i个光伏节点所接收的总太阳辐射量(kW/㎡);为第i个光伏节点折算后的电池板表面温度(℃), 为第i个光伏节点的电池模块温度系数;为第i个光伏节点的参考温度(℃);为参考光照强度下的电压变化温度系数(V/℃);为第i个光伏节点的串联电阻(Ω);第i个节点的输出功率Pi可表示为:
Pi=I(Gi,Ti)×U(Gi,Ti) (6)
其约束条件可表示为:
0≤Pi,t≤Pimax (7)
Pi,t为第i个节点在t时段的输出功率,Pimax位第i个节点的最大输出功率,由其本身特性决定。
4.根据权利要求1所述的一种分布式光伏电源出力的多目标优化调度方法,其特征在于:所述步骤3中,通过如下式来建立分布式光伏电源出力的优化调度决策矩阵:
用X={x1,x2,x3…,xm}来表示候选方案集,xb表示理想的方案,β表示评价指标数,xij表示第i个方案的第j个指标的值,xbj为理想迁移节点的第j个指标,决策矩阵A=(xij)(m+1)n;
I1、I2、I3分别表示成本型、效益型和适中型指标集合;
由于不同的指标具有不同的量纲,为了使它们之间能够进行比较,需要进行无量纲化处理,如式(12)所示;
根据灰色理论,理想方案x’b和第i个候选方案x’i在第j个指标上的关联度rbj由式(13)给出;
其中,ρ∈(0,1)称为分辨系数,rbj的值越大说明该方案与理想方案的关系度越大,即为最优的调度方案。
5.根据权利要求1所述的一种分布式光伏电源出力的多目标优化调度方法,其特征在于:所述步骤4中,通过如下步骤来建立分布式电源出力优化调度的指标评价函数:
步骤4.1:建立日网损评价函数:
日网损评价函数如式(14)所示:
其中,Pdloss为t时刻第n个光伏节点接入配电网的网损,T为一天内对分布式光伏电源出力优化的总时长;根据配电网潮流计算可得:
It,ij=|Yij|×[(Vt,i-Vt,j)2×cos(δt,i-δt,j)]1/2 (16)
其中,Vt,i为t时刻节点i的电压,Vt,j为t时刻节点j的电压,It,ij为t时刻节点i与节点j之间的电流,Zij为节点i与节点j之间的阻抗,Yij为节点i与节点j之间的导纳;
日网损评价函数需满足如下约束条件:
Vmin≤Vt,i≤Vmax (17)
PDGi≤Pmaxi (18)
其中,PDGi为第i个光伏节点的出力,Pmaxi为第i个光伏节点所能允许接入的最大功率;
步骤4.2:建立发电量评价函数:
发电量评价函数需满足如下约束条件:
0≤Pi,t≤Pimax (20)
其中,Pi,t为第i个节点在t时段的输出功率,Pimax位第i个节点的最大输出功率,由其本身特性决定;
步骤4.3建立输出功率波动率评价函数:
其中,Pav为一个周期内分布式光伏电源的输出功率平均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710650051.2A CN107453396B (zh) | 2017-08-02 | 2017-08-02 | 一种分布式光伏电源出力的多目标优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710650051.2A CN107453396B (zh) | 2017-08-02 | 2017-08-02 | 一种分布式光伏电源出力的多目标优化调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107453396A CN107453396A (zh) | 2017-12-08 |
CN107453396B true CN107453396B (zh) | 2020-06-09 |
Family
ID=60490715
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710650051.2A Active CN107453396B (zh) | 2017-08-02 | 2017-08-02 | 一种分布式光伏电源出力的多目标优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107453396B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109390938A (zh) * | 2018-11-13 | 2019-02-26 | 国网天津市电力公司电力科学研究院 | 一种智能园区需求侧短期负荷预测方法及其装置 |
CN110766034A (zh) * | 2019-08-08 | 2020-02-07 | 广东毓秀科技有限公司 | 一种通过大数据进行轨道形变预测的方法 |
CN110608711A (zh) * | 2019-08-08 | 2019-12-24 | 广东毓秀科技有限公司 | 一种通过大数据进行轨交隧道形变预测的方法 |
CN111585310B (zh) * | 2020-04-07 | 2023-06-30 | 国网冀北电力有限公司 | 一种分布式电源出力预测的方法和装置 |
CN112633565B (zh) * | 2020-12-15 | 2023-07-25 | 西安理工大学 | 一种光伏功率集合区间预测方法 |
CN114896871B (zh) * | 2022-04-22 | 2023-12-22 | 国网江苏省电力有限公司电力科学研究院 | 一种基于最小互信息的光伏出力分解方法 |
CN114825469B (zh) * | 2022-06-20 | 2022-09-23 | 华北电力大学 | 一种分布式电源集群出力评估方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268136A (zh) * | 2013-05-10 | 2013-08-28 | 国电南瑞南京控制***有限公司 | 光伏电站有功功率控制方法 |
CN104408539A (zh) * | 2014-12-12 | 2015-03-11 | 国家电网公司 | 一种配电网资源优化配置综合评价方法及*** |
CN105186514A (zh) * | 2015-10-20 | 2015-12-23 | 南京南瑞集团公司 | 一种大规模分布式光伏并网对配网安全评价及预警方法 |
CN105447594A (zh) * | 2015-11-17 | 2016-03-30 | 福州大学 | 一种基于指数平滑的电力***灰色负荷预测方法 |
JP2016152675A (ja) * | 2015-02-17 | 2016-08-22 | オーナンバ株式会社 | 太陽光発電システムの未来の電流値または発電量の低下の時期を予測する方法 |
CN106295106A (zh) * | 2015-06-04 | 2017-01-04 | 中国电力科学研究院 | 一种光伏电站无功支撑能力评估方法 |
CN106410856A (zh) * | 2016-11-30 | 2017-02-15 | 国网山东省电力公司电力科学研究院 | 一种含分布式电源的配电网多目标优化调度方法 |
-
2017
- 2017-08-02 CN CN201710650051.2A patent/CN107453396B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268136A (zh) * | 2013-05-10 | 2013-08-28 | 国电南瑞南京控制***有限公司 | 光伏电站有功功率控制方法 |
CN104408539A (zh) * | 2014-12-12 | 2015-03-11 | 国家电网公司 | 一种配电网资源优化配置综合评价方法及*** |
JP2016152675A (ja) * | 2015-02-17 | 2016-08-22 | オーナンバ株式会社 | 太陽光発電システムの未来の電流値または発電量の低下の時期を予測する方法 |
CN106295106A (zh) * | 2015-06-04 | 2017-01-04 | 中国电力科学研究院 | 一种光伏电站无功支撑能力评估方法 |
CN105186514A (zh) * | 2015-10-20 | 2015-12-23 | 南京南瑞集团公司 | 一种大规模分布式光伏并网对配网安全评价及预警方法 |
CN105447594A (zh) * | 2015-11-17 | 2016-03-30 | 福州大学 | 一种基于指数平滑的电力***灰色负荷预测方法 |
CN106410856A (zh) * | 2016-11-30 | 2017-02-15 | 国网山东省电力公司电力科学研究院 | 一种含分布式电源的配电网多目标优化调度方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107453396A (zh) | 2017-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107453396B (zh) | 一种分布式光伏电源出力的多目标优化调度方法 | |
Khatib et al. | A review on sizing methodologies of photovoltaic array and storage battery in a standalone photovoltaic system | |
Alavi et al. | Optimal probabilistic energy management in a typical micro-grid based-on robust optimization and point estimate method | |
Ma et al. | Multi‐objective optimal configuration method for a standalone wind–solar–battery hybrid power system | |
Abbes et al. | Life cycle cost, embodied energy and loss of power supply probability for the optimal design of hybrid power systems | |
Gupta et al. | Sensitivity and reliability models of a PV system connected to grid | |
Nafeh | Optimal economical sizing of a PV-wind hybrid energy system using genetic algorithm | |
Widén et al. | Impacts of different data averaging times on statistical analysis of distributed domestic photovoltaic systems | |
CA3032377A1 (en) | Electrical energy storage system with battery state-of-charge estimation | |
CA3032428A1 (en) | Electrical energy storage system with battery resistance estimation | |
Wang et al. | A new configuration of autonomous CHP system based on improved version of marine predators algorithm: a case study | |
Zhao et al. | Evaluation of nodal reliability risk in a deregulated power system with photovoltaic power penetration | |
Yazdanpanah‐Jahromi et al. | An efficient sizing method with suitable energy management strategy for hybrid renewable energy systems | |
Lin et al. | A hybrid short-term load forecasting approach for individual residential customer | |
Al Smadi et al. | Artificial intelligent control of energy management PV system | |
Negri et al. | MPC-based control for a stand-alone LVDC microgrid for rural electrification | |
Asghar et al. | RECLAIM: Renewable energy based demand-side management using machine learning models | |
Yasin et al. | Prediction of solar irradiance using grey Wolf optimizer least square support vector machine | |
CN115423153A (zh) | 基于概率预测的光伏储能***能量管理方法 | |
CN109409609A (zh) | 综合能源***多能流供需平衡的概率约束建模方法和装置 | |
CN117477609A (zh) | 园区用氢电耦合***的能量管理***及方法 | |
Liu et al. | Effects of reliability index on optimal configuration of hybrid solar/battery energy system by optimization approach: a case study | |
Brka | Optimisation of stand-alone hydrogen-based renewable energy systems using intelligent techniques | |
Abubakar et al. | Stochastic Optimal Selection and Analysis of Allowable Photovoltaic Penetration Level for Grid‐Connected Systems Using a Hybrid NSGAII‐MOPSO and Monte Carlo Method | |
Koike et al. | Planning of optimal daily power generation tolerating prediction uncertainty of demand and photovoltaics |
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 |