CN110729759B - 一种微电网中分布式电源配置方案的确定方法及装置 - Google Patents
一种微电网中分布式电源配置方案的确定方法及装置 Download PDFInfo
- Publication number
- CN110729759B CN110729759B CN201911019546.0A CN201911019546A CN110729759B CN 110729759 B CN110729759 B CN 110729759B CN 201911019546 A CN201911019546 A CN 201911019546A CN 110729759 B CN110729759 B CN 110729759B
- Authority
- CN
- China
- Prior art keywords
- power
- target
- microgrid
- load
- storage battery
- 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 50
- 239000002245 particle Substances 0.000 claims abstract description 184
- 238000009434 installation Methods 0.000 claims abstract description 100
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 84
- 230000014509 gene expression Effects 0.000 claims abstract description 54
- 238000005457 optimization Methods 0.000 claims abstract description 54
- 238000013486 operation strategy Methods 0.000 claims abstract description 42
- 238000003860 storage Methods 0.000 claims description 157
- 238000005070 sampling Methods 0.000 claims description 32
- 230000009467 reduction Effects 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012797 qualification Methods 0.000 claims description 12
- 238000005520 cutting process Methods 0.000 claims description 5
- 235000003642 hunger Nutrition 0.000 claims 1
- 230000037351 starvation Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 99
- 238000004364 calculation method Methods 0.000 description 14
- 238000007599 discharging Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 13
- 230000008901 benefit Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005293 physical law Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000009326 social learning Effects 0.000 description 1
Images
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
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种微电网中分布式电源配置方案的确定方法及装置，通过确定与目标微电网中运行参数相关的多个约束关系式，确定目标微电网的运行策略，运行策略与目标微电网中分布式电源的输出功率是否满足目标微电网的负荷需求相关，以降低目标微电网的负荷缺电率为优化目标，确定可使用粒子群算法求解的目标函数，使用粒子群算法求解目标函数，以获得满足各约束关系式、运行策略和优化目标的分布式电源配置方案，分布式电源配置方案包括各分布式电源在目标微电网中的安装位置及各分布式电源的安装容量，该分布式电源配置方案可以保障目标微电网的安全、运行性能，有效且最大化的降低目标微电网的负荷缺电率，提高对各分布式电源的设备利用率。
Description
技术领域
本发明涉及微电网技术领域，尤其涉及一种微电网中分布式电源配置方案的确定方法及装置。
背景技术
微电网是指由分布式电源(如光伏发电***、风力发电机)、能量转换装置和保护装置等设备构成的小型发配电***。
其中，分布式电源的安装位置及容量对微电网的电能质量、设备利用率、供电可靠性和经济性等指标均有着深远的影响，如何确定分布式电源的安装位置及容量是优化微电网配置的关键问题。
但是，现有技术尚未具备对分布式电源的安装位置及容量进行确定的有效措施。
发明内容
鉴于上述问题，本发明提供一种克服上述问题或者至少部分地解决上述问题的微电网中分布式电源配置方案的确定方法及装置，技术方案如下：
一种微电网中分布式电源配置方案的确定方法，所述方法包括：
确定与目标微电网中运行参数相关的多个约束关系式，所述运行参数包括负荷缺电率、节点电压、节点功率、各分布式电源的安装容量、分布式电源中蓄电池的运行状态和至少部分分布式电源的输出功率的波动率；
确定所述目标微电网的运行策略，所述运行策略与所述目标微电网中分布式电源的输出功率是否满足所述目标微电网的负荷需求相关；
以降低所述目标微电网的负荷缺电率为优化目标，确定可使用粒子群算法求解的目标函数；
使用粒子群算法求解所述目标函数，以获得满足各所述约束关系式、所述运行策略和所述优化目标的分布式电源配置方案，所述分布式电源配置方案包括各分布式电源在所述目标微电网中的安装位置及各分布式电源的安装容量。
可选的，所述至少部分分布式电源包括：风力发电机和光伏发电机。
可选的，所述确定与目标微电网中运行参数相关的多个约束关系式，包括：
根据所述目标微电网中各节点电压的约束条件，将与所述目标微电网中各节点电压幅值相关的第一约束关系式确定为
，式中：Umin节点电压幅值的下限，Umax为节点电压幅值的上限；Pr{·}为事件{·}发生的概率，表征电压合格率；δ为预设的最小允许电压合格率；
根据所述目标微电网中至少部分分布式电源的输出功率的波动率的约束条件，将与所述至少部分分布式电源的输出功率的波动率相关的第二约束关系式确定为
，式中：DL为风力发电机与光伏发电机的输出功率的波动率，N为采样次数，PWT(n)为样本n中风力发电机的输出功率，PPV(n)为样本n中光伏发电机的输出功率，PL(n)为样本n的负荷总功率，εL为预设的最大允许波动率；
根据所述目标微电网中各类型分布式电源的安装容量的约束条件，将与所述目标微电网中各类型分布式电源安装容量相关的第三约束关系式确定为
，式中：Nwind，min为预设的风力发电机的最小允许安装容量，Nwind为风力发电机的安装容量，Nwind，max为预设的风力发电机的最大允许安装容量；Npv，min为预设的光伏的最小允许安装容量，Npv为光伏的安装容量，Npv，max为预设的光伏的最大允许安装容量；Nbat，min为预设的蓄电池的最小允许安装容量，Nbat为蓄电池的安装容量，Nbat，max为预设的蓄电池的最大允许安装容量；
根据所述目标微电网中蓄电池输出功率的约束条件，将与蓄电池的输出功率的约束条件相关的第四约束关系式确定为：
，式中：△tc为采样时间间隔；SOC(t)为蓄电池在t时刻的荷电状态，SOC(t-1)为蓄电池在t-1时刻的荷电状态；Pcmax为蓄电池的充电功率限值，Pdmax为蓄电池放电功率的限值；Pclim(t)为蓄电池在第t个△tc内的最大可充电功率限值，Pdlim(t)为蓄电池在第t个△tc内蓄电池的可放电功率；ηc为蓄电池的充电效率，ηd为蓄电池的放电效率；Ebat为蓄电池的额定容量；Pbat为蓄电池的实时输出功率，Pbat在蓄电池充电时为负值，Pbat在蓄电池放电时为正值；
根据所述目标微电网中蓄电池的运行状态的约束条件，将与蓄电池的运行状态相关的第五约束关系式确定为
Smin≤SOC≤Smax
，式中：Smin为预设的蓄电池的荷电状态最小允许值，SOC为蓄电池的荷电状态，Smax分别为预设的蓄电池的荷电状态最大允许值；
根据所述目标微电网中各节点功率平衡的约束条件，将与所述目标微电网中各节点功率相关的第六约束关系式确定为
，式中：PGi为节点i的有功出力值，QGi为节点i的无功出力值，PLi为节点i的有功负荷值，QLi为节点i的无功负荷值，Ui为节点i的电压幅值，Uj为节点j的电压幅值，Gij为导纳矩阵第i行、第j列的实部，Bij为导纳矩阵第i行、第j列的虚部，θij为节点i、j的电压相角差，D为目标微电源中候选安装节点数量。
可选的，所述确定所述目标微电网的运行策略，包括：
将与所述风力发电机、所述光伏发电机和所述目标微电网的负荷需求的关系式确定为：
△P(t)＝Pwind(t)+Ppv(t)-PL(t)
，式中：△P(t)为所述目标微电网的净功率，PL(t)为所述目标微电网在t时刻的负荷需求，Pwind(t)为所述风力发电机在t时刻的输出功率，Ppv(t)为所述光伏发电机在t时刻的输出功率；当△P(t)为正值时，所述蓄电池处于充电状态；若所述蓄电池的荷电状态达到所述Smax，或所述蓄电池的的充电功率达到所述Pclim(t)，则丢弃所述目标微电网中由所述风力发电机和所述光伏发电机输出的至少部分功率；当△P(t)为负值时，所述蓄电池处于放电状态，若所述蓄电池的荷电状态达到所述Smin，或所述蓄电池的的放电功率达到所述Pdlim(t)，则切除至少部分所述目标微电网的负荷需求。
可选的，所述以降低所述目标微电网的负荷缺电率为优化目标，确定可使用粒子群算法求解的目标函数，包括：
以降低所述目标微电网的负荷缺电率为优化目标，将可使用粒子群算法求解的目标函数确定为：
，式中：LPSP为负荷缺电率，N为采样次数，Ploss(n)为样本n的切除负荷功率，PL(n)为样本n的负荷总功率，λ为预设的最大允许负荷缺电率。
可选的，所述以降低所述目标微电网的负荷缺电率为优化目标，确定可使用粒子群算法求解的目标函数，包括：
以降低所述目标微电网的负荷缺电率为优化目标，确定可使用粒子群算法求解且包含有惩罚项函数的目标函数，所述惩罚项函数可提高所述粒子群算法对于所述目标函数的求解速度。
可选的，所述以降低所述目标微电网的负荷缺电率为优化目标，确定可使用粒子群算法求解且包含有惩罚项函数的目标函数，包括：
以降低所述目标微电网的负荷缺电率为优化目标，将可使用粒子群算法求解且包含有惩罚项函数的目标函数确定为：
，式中：LPSP为负荷缺电率，N为采样次数，Ploss(n)为样本n的切除负荷功率，PL(n)为样本n的负荷总功率，λ为预设的最大允许负荷缺电率；Fp为惩罚项函数，GP为惩罚因子，LPSP为负荷缺电率，δ为预设的最小允许电压合格率，Pr为电压合格率，DL为风力发电机与光伏输出功率的波动率，εL为预设的最大允许波动率。
一种微电网中分布式电源配置方案的确定装置，所述装置包括：第一确定单元、运行策略确定单元、目标函数确定单元和配置方案获得单元，其中：
所述第一确定单元，用于确定与目标微电网中运行参数相关的多个约束关系式，所述运行参数包括负荷缺电率、节点电压、节点功率、各分布式电源的安装容量、分布式电源中蓄电池的运行状态和至少部分分布式电源的输出功率的波动率；
所述运行策略确定单元，用于确定所述目标微电网的运行策略，所述运行策略与所述目标微电网中分布式电源的输出功率是否满足所述目标微电网的负荷需求相关；
所述目标函数确定单元，用于以降低所述目标微电网的负荷缺电率为优化目标，确定可使用粒子群算法求解的目标函数；
所述配置方案获得单元，用于使用粒子群算法求解所述目标函数，以获得满足各所述约束关系式、所述运行策略和所述优化目标的分布式电源配置方案，所述分布式电源配置方案包括各分布式电源在所述目标微电网中的安装位置及各分布式电源的安装容量。
可选的，所述至少部分分布式电源包括：风力发电机和光伏发电机。
可选的，所述第一确定单元，具体包括：第一关系式确定单元、第二关系式确定单元、第三关系式确定单元、第四关系式确定单元、第五关系式确定单元和第六关系式确定单元，其中：
所述第一关系式确定单元，用于根据所述目标微电网中各节点电压的约束条件，将与所述目标微电网中各节点电压幅值相关的第一约束关系式确定为
，式中：Umin节点电压幅值的下限，Umax为节点电压幅值的上限；Pr{·}为事件{·}发生的概率，表征电压合格率；δ为预设的最小允许电压合格率；
所述第二关系式确定单元，用于根据所述目标微电网中至少部分分布式电源的输出功率的波动率的约束条件，将与所述至少部分分布式电源的输出功率的波动率相关的第二约束关系式确定为
，式中：DL为风力发电机与光伏发电机的输出功率的波动率，N为采样次数，PWT(n)为样本n中风力发电机的输出功率，PPV(n)为样本n中光伏发电机的输出功率，PL(n)为样本n的负荷总功率，εL为预设的最大允许波动率；
所述第三关系式确定单元，用于根据所述目标微电网中各类型分布式电源的安装容量的约束条件，将与所述目标微电网中各类型分布式电源安装容量相关的第三约束关系式确定为
，式中：Nwind，min为预设的风力发电机的最小允许安装容量，Nwind为风力发电机的安装容量，Nwind，max为预设的风力发电机的最大允许安装容量；Npv，min为预设的光伏的最小允许安装容量，Npv为光伏的安装容量，Npv，max为预设的光伏的最大允许安装容量；Nbat，min为预设的蓄电池的最小允许安装容量，Nbat为蓄电池的安装容量，Nbat，max为预设的蓄电池的最大允许安装容量；
所述第四关系式确定单元，用于根据所述目标微电网中蓄电池输出功率的约束条件，将与蓄电池的输出功率的约束条件相关的第四约束关系式确定为：
，式中：△tc为采样时间间隔；SOC(t)为蓄电池在t时刻的荷电状态，SOC(t-1)为蓄电池在t-1时刻的荷电状态；Pcmax为蓄电池的充电功率限值，Pdmax为蓄电池放电功率的限值；Pclim(t)为蓄电池在第t个△tc内的最大可充电功率限值，Pdlim(t)为蓄电池在第t个△tc内蓄电池的可放电功率；ηc为蓄电池的充电效率，ηd为蓄电池的放电效率；Ebat为蓄电池的额定容量；Pbat为蓄电池的实时输出功率，Pbat在蓄电池充电时为负值，Pbat在蓄电池放电时为正值；
所述第五关系式确定单元，用于根据所述目标微电网中蓄电池的运行状态的约束条件，将与蓄电池的运行状态相关的第五约束关系式确定为
Smin≤SOC≤Smax
，式中：Smin为预设的蓄电池的荷电状态最小允许值，SOC为蓄电池的荷电状态，Smax分别为预设的蓄电池的荷电状态最大允许值；
所述第六关系式确定单元，用于根据所述目标微电网中各节点功率平衡的约束条件，将与所述目标微电网中各节点功率相关的第六约束关系式确定为
，式中：PGi为节点i的有功出力值，QGi为节点i的无功出力值，PLi为节点i的有功负荷值，QLi为节点i的无功负荷值，Ui为节点i的电压幅值，Uj为节点j的电压幅值，Gij为导纳矩阵第i行、第j列的实部，Bij为导纳矩阵第i行、第j列的虚部，θij为节点i、j的电压相角差，D为目标微电源中候选安装节点数量。
可选的，所述运行策略确定单元，具体用于：
将与所述风力发电机、所述光伏发电机和所述目标微电网的负荷需求的关系式确定为：
△P(t)＝Pwind(t)+Ppv(t)-PL(t)
，式中：△P(t)为所述目标微电网的净功率，PL(t)为所述目标微电网在t时刻的负荷需求，Pwind(t)为所述风力发电机在t时刻的输出功率，Ppv(t)为所述光伏发电机在t时刻的输出功率；当△P(t)为正值时，所述蓄电池处于充电状态；若所述蓄电池的荷电状态达到所述Smax，或所述蓄电池的的充电功率达到所述Pclim(t)，则丢弃所述目标微电网中由所述风力发电机和所述光伏发电机输出的至少部分功率；当△P(t)为负值时，所述蓄电池处于放电状态，若所述蓄电池的荷电状态达到所述Smin，或所述蓄电池的的放电功率达到所述Pdlim(t)，则切除至少部分所述目标微电网的负荷需求。
可选的，所述目标函数获得单元，具体用于：
以降低所述目标微电网的负荷缺电率为优化目标，将可使用粒子群算法求解的目标函数确定为：
，式中：LPSP为负荷缺电率，N为采样次数，Ploss(n)为样本n的切除负荷功率，PL(n)为样本n的负荷总功率，λ为预设的最大允许负荷缺电率。
可选的，所述目标函数，具体用于：
以降低所述目标微电网的负荷缺电率为优化目标，确定可使用粒子群算法求解且包含有惩罚项函数的目标函数，所述惩罚项函数可提高所述粒子群算法对于所述目标函数的求解速度。
可选的，所述目标函数，具体用于：
以降低所述目标微电网的负荷缺电率为优化目标，将可使用粒子群算法求解且包含有惩罚项函数的目标函数确定为：
，式中：LPSP为负荷缺电率，N为采样次数，Ploss(n)为样本n的切除负荷功率，PL(n)为样本n的负荷总功率，λ为预设的最大允许负荷缺电率；Fp为惩罚项函数，GP为惩罚因子，LPSP为负荷缺电率，δ为预设的最小允许电压合格率，Pr为电压合格率，DL为风力发电机与光伏输出功率的波动率，εL为预设的最大允许波动率。
本实施例提出的微电网中分布式电源配置方案的确定方法及装置，通过确定与目标微电网中运行参数相关的多个约束关系式，确定目标微电网的运行策略，运行策略与目标微电网中分布式电源的输出功率是否满足目标微电网的负荷需求相关，以降低目标微电网的负荷缺电率为优化目标，确定可使用粒子群算法求解的目标函数，使用粒子群算法求解目标函数，以获得满足各约束关系式、运行策略和优化目标的分布式电源配置方案，分布式电源配置方案包括各分布式电源在目标微电网中的安装位置及各分布式电源的安装容量，该分布式电源配置方案可以保障目标微电网的安全、运行性能，有效且最大化的降低目标微电网的负荷缺电率，提高对各分布式电源的设备利用率。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了一种微电网中分布式电源配置方案的确定方法的流程图；
图2示出了一种微电网中分布式电源配置方案的确定装置的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
如图1所示，本实施例提出了一种微电网中分布式电源配置方案的确定方法，所述方法可以包括以下步骤：
S10、确定与目标微电网中运行参数相关的多个约束关系式，所述运行参数包括负荷缺电率、节点电压、节点功率、各分布式电源的安装容量、分布式电源中蓄电池的运行状态和至少部分分布式电源的输出功率的波动率；
其中，负荷缺电率为一定时间内目标微电网中分布式电源的输出功率满足目标微电网负荷需求的概率。
其中，本发明中的分布式电源可以包括不具备蓄电能力的分布式电源(例如风力发电机和光伏发电机)和具备蓄电能力的分布式电源(即蓄电池)。
其中，蓄电池的运行状态涉及充电功率、放电功率和荷电状态(蓄电池的当前剩余电量与充满时电量的比值)的值。
其中，分布式电源输出功率的波动率会影响目标微电网的运行稳定性，其中，分布式电源输出功率的波动率越大，目标微电网稳定性越差。具体的，不具备蓄电能力的分布式电源输出功率的波动率通常较大，例如，风力发电机的输出功率与当地风力大小相关，光伏发电机的输出功率与当地光照强度相关，本发明需对该类分布式电源的波动率进行约束，以保证目标微电网的运行稳定性。
可选的，本发明可以通过与电路或电力参数相关的物理定律，针对目标微电网中各节点处或相邻节点间支路的运行参数建立约束关系式，如某节点处的功率输入值与功率输出值相等；本发明也可以通过预设的阈值范围建立约束关系式，以对运行参数的大小进行限定，如制定节点最大电压幅值和节点最小电压幅值对微电网中各节点电压赋值进行限定。
其中，每个约束关系式均可以单独涉及一种类型的运行参数，也可以同时涉及多种类型的运行参数。例如，本发明可以根据任一点处有功功率的输入值与输出值相等，针对某个节点建立单独涉及有功功率的约束关系式；本发明也可以根据欧姆定律，针对某条支路建立涉及电压、电阻和电流的约束关系式。
具体的，本发明可以根据节点电压幅值约束条件(即取值范围)，建立关于各节点电压幅值的约束关系式；可以根据部分分布式电源的输出功率的波动率的约束条件，建立关于部分分布式的输出功率的波动率的约束关系式；可以根据各类型分布式电源的安装容量的约束条件，建立关于各类型分布式电源安装容量的约束关系式；可以根据蓄电池运行状态的约束条件，建立关于蓄电池运行状态的约束关系式；可以根据各节点功率平衡的约束条件，建立关于各节点功率的约束关系式。
需要说明的是，本发明可以通过建立运行参数的约束关系式，限定某个运行参数的取值范围，从而达到技术人员对目标微电网的整体安全要求(如关于节点电流的约束关系式)或性能要求(例如与分布式电源输出功率的波动率相关的目标微电网的运行稳定性，与目标微电网电压偏差问题相关的节点电压幅值)，保障目标微电网的安全、经济运行。
S20、确定所述目标微电网的运行策略，所述运行策略与所述目标微电网中分布式电源的输出功率是否满足所述目标微电网的负荷需求相关；
其中，蓄电池的运行状态可以是充电和放电。
具体的，本发明可以根据目标微电网的净功率、蓄电池的充电功率或放电功率及蓄电池的荷电状态，确定对目标微电网的实时运行策略，即如何确定蓄电池的具体运行状态，确定蓄电池的工作功率，以及对目标微电网的负荷需求进行调控。
其中，本发明将目标微电网中不具备蓄能能力的各分布式电源的总出力(输出功率)减去目标微电网负荷需求获得的差值称为目标微电网的净功率。
可选的，步骤S20可以具体包括：
将与所述风力发电机、所述光伏发电机和所述目标微电网的负荷需求的关系式确定为：
△P(t)＝Pwind(t)+Ppv(t)-PL(t)
，式中：△P(t)为所述目标微电网的净功率，PL(t)为所述目标微电网在t时刻的负荷需求，Pwind(t)为所述风力发电机在t时刻的输出功率，Ppv(t)为所述光伏发电机在t时刻的输出功率；当△P(t)为正值时，所述蓄电池处于充电状态；若所述蓄电池的荷电状态达到所述Smax，或所述蓄电池的的充电功率达到所述Pclim(t)，则丢弃所述目标微电网中由所述风力发电机和所述光伏发电机输出的至少部分功率；当△P(t)为负值时，所述蓄电池处于放电状态，若所述蓄电池的荷电状态达到所述Smin，或所述蓄电池的的放电功率达到所述Pdlim(t)，则切除至少部分所述目标微电网的负荷需求。
具体的，当净功率大于零时，该净功率为各分布式电源的总输出功率在满足目标微电网负荷需求后所剩余的功率(盈余功率)，本发明可以将该部分盈余功率输入至蓄电池，使蓄电池充电；当净功率小于零时，目标微电网缺电，本发明需控制蓄电池放电(即蓄电池向目标微电网输出功率)，以保证对目标微电网的充足供电。
具体的，在蓄电池正常运行期间，蓄电池的工作功率将处于大于预设放电功率下限值而小于预设充电功率上限值的范围，其中，放电功率为负值，充电功率为正值。
具体的，若净功率大于蓄电池的预设充电功率上限值时，则蓄电池的充电功率会保持为该预设充电功率上限值；若净功率小于蓄电池的预设放电功率下限值，则蓄电池的放电功率会保持为该预设放电功率下限值。
具体的，在蓄电池充电期间，在蓄电池的荷电状态或充电功率达到相应的上限值后，若目标微电网中依然还有盈余功率，则本发明可以相应的弃风弃光，减少风力发电机和光伏发电机的输出功率；
具体的，在蓄电池放电期间，在蓄电池的荷电状态达到相应下限值或放电功率达到相应上限值后，若目标微电网负荷需求仍未满足，则本发明可以切除目标微电网中相应的负荷需求，即切除部分负荷。
S30、以降低所述目标微电网的负荷缺电率为优化目标，确定可使用粒子群算法求解的目标函数；
具体的，本发明可以采用负荷缺电率作为供电可靠性的评价指标。
需要说明的是，当目标微电网中各分布式电源的总输出功率未能满足目标微电网的负荷需求时，目标微电网可以切除部分负荷需求，以使负荷需求与各分布式电源出力之和相平衡。其中，目标微电网所切除的负荷需求的值可称为切除负荷功率或缺电功率。
具体的，本发明在确定目标微电网的负荷缺电率时，可以在目标微电网安装各分布式电源后，获得在一定时间内的多个时刻的缺电功率的和的值(第一值)，获得目标微电网在相应多个时刻的负荷需求的和的值(第二值)，之后，可以将第一值与第二值的比值作为该目标微电网的负荷缺电率。
其中，本发明可以在目标函数中设置最大允许负荷缺电率，使得粒子群算法在求解目标函数的过程中，可以通过迭代计算不断获得在允许范围内(小于最大允许负荷缺电率)降低的负荷缺电率，这样，当迭代计算结束时，本发明会获得由粒子群算法求解出的最终的负荷缺电率。
其中，最大允许负荷缺电率可以由技术人员根据实际情况进行制定，本发明对此不做限定。
还需要说明的是，粒子群算法没有交叉和变异运算，可以依靠粒子速度完成搜索，也可以在迭代进化中仅将最优的粒子信息传递至其它粒子(具有记忆性)，搜索速度快；粒子群算法中需调整的参数较少，结构简单。本发明使用粒子群算法求解目标微电网的分布式电源配置方案，可以提高求解效率和求解速度。
S40、使用粒子群算法求解所述目标函数，以获得满足所述第一约束组中各约束关系式、所述运行策略和所述优化目标的分布式电源配置方案，所述分布式电源配置方案包括各分布式电源在所述目标微电网中的安装位置及各分布式的安装容量。
其中，本发明对于分布式电源的类型、数量及设备参数均不做限定。
具体的，本发明使用粒子群算法计算目标函数所获得的解，可以在满足目标微电网中各约束关系式和服从运行策略的同时，最大限度的降低目标微电网的负荷缺电率，保证对目标微电网的充足供电，提高目标微电网的运行稳定性。
具体的，本发明可以将潮流算法嵌入至粒子群算法中，以在确定粒子时，检验该粒子对应的分布式电源配置方案是否满足各约束关系式和目标微电网的运行策略。
具体的，在粒子群算法运算前，本发明可以先由技术人员基于目标微电网的网络拓扑结构，基于各节点和各支路的电阻、电抗和负荷需求，以及目标函数的特征，确定第一粒子群算法中的参数，该参数包括种群规模、维数、迭代次数等，确定嵌入粒子群算法中的潮流算法。
其中，种群规模即为粒子的数目。
其中，粒子的维数表示各粒子中变量的个数。
具体的，若种群规模为M，目标微电源中接入分布式电源的候选节点数量为D，则粒子群算法可以随机产生由M个粒子组成的初始种群，即X＝{Xi}(i＝1，2，…，M)，其中，每个粒子代表目标函数的一个潜在解，且表示为一个3D维的向量，表达式为
式中：
和
分别为第i个粒子方案下候选节点n的风力发电机、光伏发电机和蓄电池的安装容量；D为目标微电源中候选安装节点数量。
其中，粒子群算法在首次确定粒子群中各粒子的速度和位置后，各粒子的速度为初始速度，各粒子的位置为初始位置。
其中，迭代次数为粒子群算法在进行计算过程中总的优化次数，该迭代次数可以由技术人员根据实际情况制定，本发明对此不做限定。
具体的，在粒子群算法开始运行时，可以先基于目标函数随机确定初始速度和粒子的初始位置。
需要说明的是，每一时刻的粒子群中各粒子的位置均可以是目标函数的一个解。粒子群算法可以通过不断的迭代计算来更新各粒子的位置，以使得各粒子在由目标函数的解构成的空间中不断搜索，直至粒子群计算结果符合设定条件，获得最优解，即全局最优位置。
具体的，粒子群算法在迭代计算的过程中，均可以基于各粒子在前一时刻的速度、局部最优位置(个体粒子最优解)和全局最优位置计算出各粒子在本时刻的速度和位置。其中，本发明可以使用下述公式(1)来对第一粒子的速度和位置进行更新：
，式中：Vid2为第一粒子在本时刻的速度，Vid1为第一粒子在前一时刻的速度，Xid2为第一粒子在本时刻的位置，Xid1为第一粒子在前一时刻的位置；ω为惯性权重，random(0,1)为区间(0,1)中的随机值；C1、C2分别为自我学习因子和社会学习因子，可以均取固定值为2；Pid为第一粒子的局部最优位置，Pgd为全局最优位置。
具体的，本发明在获得粒子在某个时刻的位置后，可以先行使用潮流算法检验粒子在该时刻的位置是否满足目标微电网中的各约束关系式和运行策略，若满足，则根据粒子在该时刻的位置确定粒子的适应度，并根据粒子的适应度确定粒子在该时刻的局部最优位置和全局最优位置，之后再对粒子的速度和位置进行更新，获得下一时刻的粒子的速度和位置；若不满足，则直接对粒子的速度和位置进行更新，获得下一时刻的粒子的速度和位置。
其中，粒子的适应度可以由技术人员制定的适应度函数通过计算获得，例如，可以将某粒子中各变量的平方的和作为粒子的适应度。
具体的，本发明在确定每个粒子的局部最优位置时，对于每个粒子：可以将该粒子在本时刻的适应度与其经历过的最优位置(即本时刻前的局部最优位置)的适应度进行比较，之后将较好适应度所对应的位置作为该粒子本时刻的局部最优位置。
具体的，本发明在确定全局最优位置时，可以在各粒子在本时刻的适应度与各粒子全局经历过的位置(即全局最优位置)的适应度间进行比较，之后将较好适应度所对应的粒子的位置作为全部粒子在本时刻的全局最优位置。
其中，本发明可以先进行局部比较，之后进行全局比较，以节省运算时间。
具体的，当第一粒子群算法的迭代次数或收敛条件满足相应的预设条件时终止计算，本发明可以将与各粒子在当前的全局最优位置所对应的分布式电源配置方案模型确定为最优分布式电源配置方案。
还需要说明的是，由于目标函数以降低目标微电网的负荷缺电率为优化目标，且本发明在使用粒子群算法求解目标函数的过程中，每个粒子均可以表征各分布式电源在目标微电网中的安装位置和安装容量，因此，本发明最终获得的全局最优粒子(最优分布式电源配置方案)，可以在满足目标微电网中各约束关系式和运行策略的前提下，有效且最大化的降低目标微电网的负荷缺电率，同时，这也提高了对各分布式电源的设备利用率，进而提高经济性。
本实施例提出的微电网中分布式电源配置方案的确定方法，通过确定与目标微电网中运行参数相关的多个约束关系式，所述运行参数包括负荷缺电率、节点电压、节点功率、各分布式电源的安装容量、分布式电源中蓄电池的运行状态和至少部分分布式电源的输出功率的波动率，确定所述目标微电网的运行策略，所述运行策略与所述目标微电网中分布式电源的输出功率是否满足所述目标微电网的负荷需求相关，以降低所述目标微电网的负荷缺电率为优化目标，确定可使用粒子群算法求解的目标函数，使用粒子群算法求解所述目标函数，以获得满足各所述约束关系式、所述运行策略和所述优化目标的分布式电源配置方案，所述分布式电源配置方案包括各分布式电源在所述目标微电网中的安装位置及各分布式电源的安装容量，使得获得的分布式电源配置方案在满足微电网中各约束关系式和运行策略的的同时，可以保障目标微电网的安全、运行性能，有效且最大化的降低目标微电网的负荷缺电率，提高对各分布式电源的设备利用率。
基于图1所示，本实施例提出了另一种微电网中分布式电源配置方案的确定方法，在该方法中，所述至少部分分布式电源包括：风力发电机和光伏发电机。
可选的，步骤S10可以具体包括：
根据所述目标微电网中各节点电压的约束条件，将与所述目标微电网中各节点电压幅值相关的第一约束关系式确定为
，式中：Umin节点电压幅值的下限，Umax为节点电压幅值的上限；Pr{·}为事件{·}发生的概率，表征电压合格率；δ为预设的最小允许电压合格率；
根据所述目标微电网中至少部分分布式电源的输出功率的波动率的约束条件，将与所述至少部分分布式电源的输出功率的波动率相关的第二约束关系式确定为
，式中：DL为风力发电机与光伏发电机的输出功率的波动率，N为采样次数，PWT(n)为样本n中风力发电机的输出功率，PPV(n)为样本n中光伏发电机的输出功率，PL(n)为样本n的负荷总功率，εL为预设的最大允许波动率；
根据所述目标微电网中各类型分布式电源的安装容量的约束条件，将与所述目标微电网中各类型分布式电源安装容量相关的第三约束关系式确定为
，式中：Nwind，min为预设的风力发电机的最小允许安装容量，Nwind为风力发电机的安装容量，Nwind，max为预设的风力发电机的最大允许安装容量；Npv，min为预设的光伏的最小允许安装容量，Npv为光伏的安装容量，Npv，max为预设的光伏的最大允许安装容量；Nbat，min为预设的蓄电池的最小允许安装容量，Nbat为蓄电池的安装容量，Nbat，max为预设的蓄电池的最大允许安装容量；
根据所述目标微电网中蓄电池输出功率的约束条件，将与蓄电池的输出功率的约束条件相关的第四约束关系式确定为：
，式中：△tc为采样时间间隔；SOC(t)为蓄电池在t时刻的荷电状态，SOC(t-1)为蓄电池在t-1时刻的荷电状态；Pcmax为蓄电池的充电功率限值，Pdmax为蓄电池放电功率的限值；Pclim(t)为蓄电池在第t个△tc内的最大可充电功率限值，Pdlim(t)为蓄电池在第t个△tc内蓄电池的可放电功率；ηc为蓄电池的充电效率，ηd为蓄电池的放电效率；Ebat为蓄电池的额定容量；Pbat为蓄电池的实时输出功率，Pbat在蓄电池充电时为负值，Pbat在蓄电池放电时为正值；
根据所述目标微电网中蓄电池的运行状态的约束条件，将与蓄电池的运行状态相关的第五约束关系式确定为
Smin≤SOC≤Smax
，式中：Smin为预设的蓄电池的荷电状态最小允许值，SOC为蓄电池的荷电状态，Smax分别为预设的蓄电池的荷电状态最大允许值；
根据所述目标微电网中各节点功率平衡的约束条件，将与所述目标微电网中各节点功率相关的第六约束关系式确定为
，式中：PGi为节点i的有功出力值，QGi为节点i的无功出力值，PLi为节点i的有功负荷值，QLi为节点i的无功负荷值，Ui为节点i的电压幅值，Uj为节点j的电压幅值，Gij为导纳矩阵第i行、第j列的实部，Bij为导纳矩阵第i行、第j列的虚部，θij为节点i、j的电压相角差；
其中，电压合格率与目标微电网的电压偏差问题相关，电压合格率越大，电压偏差越小。具体的，本发明设置δ以将目标微电网的电压偏差控制在允许范围内，保证目标微电网的电能质量。其中，δ通常可以设置为0.90～0.99。
其中，波动率DL与目标微电网的稳定运行相关，DL越小则微电网运行稳定性越好。具体的，本发明设置εL以保证目标微电网的运行稳定性。
其中，本发明在计算风力发电机和光伏发电机输出功率的波动率的关系式中：可以先根据当前时刻的气象条件，从历史气象数据中找到相似的气象条件所对应的时段，之后在该时段内进行随机抽样以获得样本，每个样本为对应一个时刻的输出功率。
其中，蓄电池输出功率的约束条件为蓄电池通用稳态模型，用于离散计算和分析蓄电池的输出功率。
其中，各节点功率平衡的约束条件为潮流算法中的平衡等式，本发明可以根据该约束条件和给定的目标微电网的网络拓扑结构、各节点和各支路的阻抗以及各电力设备的负荷等参数，计算出有功功率、无功功率及电压在目标微电网中的分布。
需要说明的是，本发明通过建立上述运行参数的约束关系式，限定各运行参数的取值范围，使得本发明使用粒子群算法所求解的分布式电源配置方案，可以使得目标微电网满足技术人员的安全性能(如关于节点电流的约束关系式)和运行性能(例如与分布式电源输出功率的波动率相关的目标微电网的运行稳定性，与目标微电网电压偏差问题相关的节点电压幅值)，保障目标微电网的安全、经济运行。
可选的，步骤S30可以具体为：
以降低所述目标微电网的负荷缺电率为优化目标，将可使用粒子群算法求解的目标函数确定为：
，式中：LPSP为负荷缺电率，N为采样次数，Ploss(n)为样本n的切除负荷功率，PL(n)为样本n的负荷总功率，λ为预设的最大允许负荷缺电率。
其中，负荷缺电率LPSP的取值在0～1之间，取值越大，目标微电网的供电可靠性越低。
其中，本发明在使用粒子群算法求解目标函数的过程中，在每次确定一个粒子之后，可以根据上述依据当前气象条件从相似的历史气象条件的数据中进行抽样的方式，确定多个样本的风力发电机和光伏发电机的输出功率，之后结合蓄电池的输出功率确定多个样本的切除负荷功率和负荷总功率(即负荷需求)，确定负荷缺电率。
本实施例提出的微电网中分布式电源配置方案的确定方法，通过建立具体的与目标微电网中运行参数相关的多个约束关系式，使得获得的分布式电源配置方案能够在保障目标微电网的安全、运行性能的前提下，有效且最大化的降低目标微电网的负荷缺电率，提高对各分布式电源的设备利用率。
基于上述方法，本实施例还提出了另一种微电网中分布式电源配置方案的确定方法。
可选的，步骤S30可以具体包括：
以降低所述目标微电网的负荷缺电率为优化目标，确定可使用粒子群算法求解且包含有惩罚项函数的目标函数，所述惩罚项函数可提高所述粒子群算法对于所述目标函数的求解速度。
可选的，步骤S30还可以具体包括：
以降低所述目标微电网的负荷缺电率为优化目标，将可使用粒子群算法求解且包含有惩罚项函数的目标函数确定为：
，式中：LPSP为负荷缺电率，N为采样次数，Ploss(n)为样本n的切除负荷功率，PL(n)为样本n的负荷总功率，λ为预设的最大允许负荷缺电率；Fp为惩罚项函数，GP为惩罚因子，LPSP为负荷缺电率，δ为预设的最小允许电压合格率，Pr为电压合格率，DL为风力发电机与光伏输出功率的波动率，εL为预设的最大允许波动率。
需要说明的是，本发明在进行粒子群算法的计算过程中，可以将每个粒子的位置对应的负荷缺电率、电压合格率以及波动率的值转化为惩罚项函数并引入到目标函数中，获得带惩罚项的目标函数。
具体的，本发明在获得粒子在某个时刻的位置后，可以先行使用潮流算法检验粒子在该时刻的位置是否满足目标微电网中的各约束关系式和运行策略，若满足，则根据粒子在该时刻的位置确定粒子的适应度，并根据粒子的适应度确定粒子在该时刻的局部最优位置和全局最优位置，之后再对粒子的速度和位置进行更新，获得下一时刻的粒子的速度和位置；若不满足，则根据粒子在该时刻的位置确定粒子的适应度，在该适应度的基础上添加惩罚项函数，再对粒子的速度和位置进行更新，获得下一时刻的粒子的速度和位置。
具体的，本发明在将惩罚项引入至目标函数后，可以提高粒子群算法的计算速度，同时不会改变使用粒子群算法求解目标函数所获得的全局最优粒子。
本实施例提出的微电网中分布式电源配置方案的确定方法，在目标函数中引入惩罚项函数，可以在不改变计算结果的同时提高粒子群算法的计算速度。
与图1所示方法相对应，本实施例提出了一种微电网中分布式电源配置方案的确定装置，如图2所示，所述装置可以包括第一确定单元100、运行策略确定单元200、目标函数确定单元300和配置方案获得单元400，其中：
所述第一确定单元100，用于确定与目标微电网中运行参数相关的多个约束关系式，所述运行参数包括负荷缺电率、节点电压、节点功率、各分布式电源的安装容量、分布式电源中蓄电池的运行状态和至少部分分布式电源的输出功率的波动率；
其中，负荷缺电率为一定时间内目标微电网中分布式电源的输出功率满足目标微电网负荷需求的概率。
其中，本发明中的分布式电源可以包括不具备蓄电能力的分布式电源和具备蓄电能力的分布式电源。
其中，蓄电池的运行状态涉及充电功率、放电功率和荷电状态的值。
其中，分布式电源输出功率的波动率会影响目标微电网的运行稳定性，其中，分布式电源输出功率的波动率越大，目标微电网稳定性越差。具体的，不具备蓄电能力的分布式电源输出功率的波动率通常较大。
可选的，本发明可以通过与电路或电力参数相关的物理定律，针对目标微电网中各节点处或相邻节点间支路的运行参数建立约束关系式；本发明也可以通过预设的阈值范围建立约束关系式，以对运行参数的大小进行限。
其中，每个约束关系式均可以单独涉及一种类型的运行参数，也可以同时涉及多种类型的运行参数。
需要说明的是，本发明可以通过建立运行参数的约束关系式，限定某个运行参数的取值范围，从而达到技术人员对目标微电网的整体安全要求或性能要求，保障目标微电网的安全、经济运行。
所述运行策略确定单元200，用于确定所述目标微电网的运行策略，所述运行策略与所述目标微电网中分布式电源的输出功率是否满足所述目标微电网的负荷需求相关；
其中，蓄电池的运行状态可以是充电和放电。
具体的，本发明可以根据目标微电网的净功率、蓄电池的充电功率或放电功率及蓄电池的荷电状态，确定对目标微电网的实时运行策略，即如何确定蓄电池的具体运行状态，确定蓄电池的工作功率，以及对目标微电网的负荷需求进行调控。
其中，本发明将目标微电网中不具备蓄能能力的各分布式电源的总出力减去目标微电网负荷需求获得的差值称为目标微电网的净功率。
可选的，所述运行策略确定单元200，可以具体用于：
将与所述风力发电机、所述光伏发电机和所述目标微电网的负荷需求的关系式确定为：
△P(t)＝Pwind(t)+Ppv(t)-PL(t)
，式中：△P(t)为所述目标微电网的净功率，PL(t)为所述目标微电网在t时刻的负荷需求，Pwind(t)为所述风力发电机在t时刻的输出功率，Ppv(t)为所述光伏发电机在t时刻的输出功率；当△P(t)为正值时，所述蓄电池处于充电状态；若所述蓄电池的荷电状态达到所述Smax，或所述蓄电池的的充电功率达到所述Pclim(t)，则丢弃所述目标微电网中由所述风力发电机和所述光伏发电机输出的至少部分功率；当△P(t)为负值时，所述蓄电池处于放电状态，若所述蓄电池的荷电状态达到所述Smin，或所述蓄电池的的放电功率达到所述Pdlim(t)，则切除至少部分所述目标微电网的负荷需求。
具体的，当净功率大于零时，该净功率为各分布式电源的总输出功率在满足目标微电网负荷需求后所剩余的功率，本发明可以将该部分盈余功率输入至蓄电池，使蓄电池充电；当净功率小于零时，目标微电网缺电，本发明需控制蓄电池放电，以保证对目标微电网的充足供电。
具体的，在蓄电池正常运行期间，蓄电池的工作功率将处于大于预设放电功率下限值而小于预设充电功率上限值的范围，其中，放电功率为负值，充电功率为正值。
具体的，若净功率大于蓄电池的预设充电功率上限值时，则蓄电池的充电功率会保持为该预设充电功率上限值；若净功率小于蓄电池的预设放电功率下限值，则蓄电池的放电功率会保持为该预设放电功率下限值。
具体的，在蓄电池充电期间，在蓄电池的荷电状态或充电功率达到相应的上限值后，若目标微电网中依然还有盈余功率，则本发明可以相应的弃风弃光，减少风力发电机和光伏发电机的输出功率；
具体的，在蓄电池放电期间，在蓄电池的荷电状态达到相应下限值或放电功率达到相应上限值后，若目标微电网负荷需求仍未满足，则本发明可以切除目标微电网中相应的负荷需求，即切除部分负荷。
所述目标函数确定单元300，用于以降低所述目标微电网的负荷缺电率为优化目标，确定可使用粒子群算法求解的目标函数；
具体的，本发明可以采用负荷缺电率作为供电可靠性的评价指标。
需要说明的是，当目标微电网中各分布式电源的总输出功率未能满足目标微电网的负荷需求时，目标微电网可以切除部分负荷需求，以使负荷需求与各分布式电源出力之和相平衡。其中，目标微电网所切除的负荷需求的值可称为切除负荷功率或缺电功率。
具体的，本发明在确定目标微电网的负荷缺电率时，可以在目标微电网安装各分布式电源后，获得在一定时间内的多个时刻的缺电功率的和的值(第一值)，获得目标微电网在相应多个时刻的负荷需求的和的值(第二值)，之后，可以将第一值与第二值的比值作为该目标微电网的负荷缺电率。
其中，本发明可以在目标函数中设置最大允许负荷缺电率，使得粒子群算法在求解目标函数的过程中，可以通过迭代计算不断获得在允许范围内降低的负荷缺电率，这样，当迭代计算结束时，本发明会获得由粒子群算法求解出的最终的负荷缺电率。
其中，最大允许负荷缺电率可以由技术人员根据实际情况进行制定，本发明对此不做限定。
还需要说明的是，粒子群算法没有交叉和变异运算，可以依靠粒子速度完成搜索，也可以在迭代进化中仅将最优的粒子信息传递至其它粒子，搜索速度快；粒子群算法中需调整的参数较少，结构简单。本发明使用粒子群算法求解目标微电网的分布式电源配置方案，可以提高求解效率和求解速度。
所述配置方案获得单元400，用于使用粒子群算法求解所述目标函数，以获得满足各所述约束关系式、所述运行策略和所述优化目标的分布式电源配置方案，所述分布式电源配置方案包括各分布式电源在所述目标微电网中的安装位置及各分布式电源的安装容量。
其中，本发明对于分布式电源的类型、数量及设备参数均不做限定。
具体的，本发明使用粒子群算法计算目标函数所获得的解，可以在满足目标微电网中各约束关系式和服从运行策略的同时，最大限度的降低目标微电网的负荷缺电率，保证对目标微电网的充足供电，提高目标微电网的运行稳定性。
具体的，本发明可以将潮流算法嵌入至粒子群算法中，以在确定粒子时，检验该粒子对应的分布式电源配置方案是否满足各约束关系式和目标微电网的运行策略。
具体的，在粒子群算法运算前，本发明可以先由技术人员基于目标微电网的网络拓扑结构，基于各节点和各支路的电阻、电抗和负荷需求，以及目标函数的特征，确定第一粒子群算法中的参数，该参数包括种群规模、维数、迭代次数等，确定嵌入粒子群算法中的潮流算法。
其中，种群规模即为粒子的数目。
其中，粒子的维数表示各粒子中变量的个数。
具体的，当第一粒子群算法的迭代次数或收敛条件满足相应的预设条件时终止计算，本发明可以将与各粒子在当前的全局最优位置所对应的分布式电源配置方案模型确定为最优分布式电源配置方案。
还需要说明的是，由于目标函数以降低目标微电网的负荷缺电率为优化目标，且本发明在使用粒子群算法求解目标函数的过程中，每个粒子均可以表征各分布式电源在目标微电网中的安装位置和安装容量，因此，本发明最终获得的全局最优粒子，可以在满足目标微电网中各约束关系式和运行策略的前提下，有效且最大化的降低目标微电网的负荷缺电率，同时，这也提高了对各分布式电源的设备利用率，进而提高经济性。
本实施例提出的微电网中分布式电源配置方案的确定装置，通过确定与目标微电网中运行参数相关的多个约束关系式，确定目标微电网的运行策略，运行策略与目标微电网中分布式电源的输出功率是否满足目标微电网的负荷需求相关，以降低目标微电网的负荷缺电率为优化目标，确定可使用粒子群算法求解的目标函数，使用粒子群算法求解目标函数，以获得满足各约束关系式、运行策略和优化目标的分布式电源配置方案，分布式电源配置方案包括各分布式电源在目标微电网中的安装位置及各分布式电源的安装容量，该分布式电源配置方案可以保障目标微电网的安全、运行性能，有效且最大化的降低目标微电网的负荷缺电率，提高对各分布式电源的设备利用率。
基于图2所示装置，本实施例提出了另一种微电网中分布式电源配置方案的确定装置，在该装置中，所述至少部分分布式电源包括：风力发电机和光伏发电机。
可选的，所述第一确定单元100，可以具体包括：第一关系式确定单元、第二关系式确定单元、第三关系式确定单元、第四关系式确定单元、第五关系式确定单元和第六关系式确定单元，其中：
所述第一关系式确定单元，用于根据所述目标微电网中各节点电压的约束条件，将与所述目标微电网中各节点电压幅值相关的第一约束关系式确定为
，式中：Umin节点电压幅值的下限，Umax为节点电压幅值的上限；Pr{·}为事件{·}发生的概率，表征电压合格率；δ为预设的最小允许电压合格率；
所述第二关系式确定单元，用于根据所述目标微电网中至少部分分布式电源的输出功率的波动率的约束条件，将与所述至少部分分布式电源的输出功率的波动率相关的第二约束关系式确定为
，式中：DL为风力发电机与光伏发电机的输出功率的波动率，N为采样次数，PWT(n)为样本n中风力发电机的输出功率，PPV(n)为样本n中光伏发电机的输出功率，PL(n)为样本n的负荷总功率，εL为预设的最大允许波动率；
所述第三关系式确定单元，用于根据所述目标微电网中各类型分布式电源的安装容量的约束条件，将与所述目标微电网中各类型分布式电源安装容量相关的第三约束关系式确定为
，式中：Nwind，min为预设的风力发电机的最小允许安装容量，Nwind为风力发电机的安装容量，Nwind，max为预设的风力发电机的最大允许安装容量；Npv，min为预设的光伏的最小允许安装容量，Npv为光伏的安装容量，Npv，max为预设的光伏的最大允许安装容量；Nbat，min为预设的蓄电池的最小允许安装容量，Nbat为蓄电池的安装容量，Nbat，max为预设的蓄电池的最大允许安装容量；
所述第四关系式确定单元，用于根据所述目标微电网中蓄电池输出功率的约束条件，将与蓄电池的输出功率的约束条件相关的第四约束关系式确定为：
，式中：△tc为采样时间间隔；SOC(t)为蓄电池在t时刻的荷电状态，SOC(t-1)为蓄电池在t-1时刻的荷电状态；Pcmax为蓄电池的充电功率限值，Pdmax为蓄电池放电功率的限值；Pclim(t)为蓄电池在第t个△tc内的最大可充电功率限值，Pdlim(t)为蓄电池在第t个△tc内蓄电池的可放电功率；ηc为蓄电池的充电效率，ηd为蓄电池的放电效率；Ebat为蓄电池的额定容量；Pbat为蓄电池的实时输出功率，Pbat在蓄电池充电时为负值，Pbat在蓄电池放电时为正值；
所述第五关系式确定单元，用于根据所述目标微电网中蓄电池的运行状态的约束条件，将与蓄电池的运行状态相关的第五约束关系式确定为
Smin≤SOC≤Smax
，式中：Smin为预设的蓄电池的荷电状态最小允许值，SOC为蓄电池的荷电状态，Smax分别为预设的蓄电池的荷电状态最大允许值；
所述第六关系式确定单元，用于根据所述目标微电网中各节点功率平衡的约束条件，将与所述目标微电网中各节点功率相关的第六约束关系式确定为
，式中：PGi为节点i的有功出力值，QGi为节点i的无功出力值，PLi为节点i的有功负荷值，QLi为节点i的无功负荷值，Ui为节点i的电压幅值，Uj为节点j的电压幅值，Gij为导纳矩阵第i行、第j列的实部，Bij为导纳矩阵第i行、第j列的虚部，θij为节点i、j的电压相角差。
其中，电压合格率与目标微电网的电压偏差问题相关，电压合格率越大，电压偏差越小。具体的，本发明设置δ以将目标微电网的电压偏差控制在允许范围内，保证目标微电网的电能质量。其中，δ通常可以设置为0.90～0.99。
其中，波动率DL与目标微电网的稳定运行相关，DL越小则微电网运行稳定性越好。具体的，本发明设置εL以保证目标微电网的运行稳定性。
其中，本发明在计算风力发电机和光伏发电机输出功率的波动率的关系式中：可以先根据当前时刻的气象条件，从历史气象数据中找到相似的气象条件所对应的时段，之后在该时段内进行随机抽样以获得样本，每个样本为对应一个时刻的输出功率。
其中，蓄电池输出功率的约束条件为蓄电池通用稳态模型，用于离散计算和分析蓄电池的输出功率。
其中，各节点功率平衡的约束条件为潮流算法中的平衡等式，本发明可以根据该约束条件和给定的目标微电网的网络拓扑结构、各节点和各支路的阻抗以及各电力设备的负荷等参数，计算出有功功率、无功功率及电压在目标微电网中的分布。
需要说明的是，本发明通过建立上述运行参数的约束关系式，限定各运行参数的取值范围，使得本发明使用粒子群算法所求解的分布式电源配置方案，可以使得目标微电网满足技术人员的安全性能和运行性能，保障目标微电网的安全、经济运行。
可选的，所述目标函数获得单元，可以具体用于：
以降低所述目标微电网的负荷缺电率为优化目标，将可使用粒子群算法求解的目标函数确定为：
，式中：LPSP为负荷缺电率，N为采样次数，Ploss(n)为样本n的切除负荷功率，PL(n)为样本n的负荷总功率，λ为预设的最大允许负荷缺电率。
其中，负荷缺电率LPSP的取值在0～1之间，取值越大，目标微电网的供电可靠性越低。
其中，本发明在使用粒子群算法求解目标函数的过程中，在每次确定一个粒子之后，可以根据上述依据当前气象条件从相似的历史气象条件的数据中进行抽样的方式，确定多个样本的风力发电机和光伏发电机的输出功率，之后结合蓄电池的输出功率确定多个样本的切除负荷功率和负荷总功率，确定负荷缺电率。
本实施例提出的微电网中分布式电源配置方案的确定装置，通过建立具体的与目标微电网中运行参数相关的多个约束关系式，使得获得的分布式电源配置方案能够在保障目标微电网的安全、运行性能的前提下，有效且最大化的降低目标微电网的负荷缺电率，提高对各分布式电源的设备利用率。
基于上述装置，本实施例还提出了另一种微电网中分布式电源配置方案的确定装置。
可选的，所述目标函数，可以具体用于：
以降低所述目标微电网的负荷缺电率为优化目标，确定可使用粒子群算法求解且包含有惩罚项函数的目标函数，所述惩罚项函数可提高所述粒子群算法对于所述目标函数的求解速度。
可选的，所述目标函数，还可以具体用于：
以降低所述目标微电网的负荷缺电率为优化目标，将可使用粒子群算法求解且包含有惩罚项函数的目标函数确定为：
，式中：LPSP为负荷缺电率，N为采样次数，Ploss(n)为样本n的切除负荷功率，PL(n)为样本n的负荷总功率，λ为预设的最大允许负荷缺电率；Fp为惩罚项函数，GP为惩罚因子，LPSP为负荷缺电率，δ为预设的最小允许电压合格率，Pr为电压合格率，DL为风力发电机与光伏输出功率的波动率，εL为预设的最大允许波动率。
需要说明的是，本发明在进行粒子群算法的计算过程中，可以将每个粒子的位置对应的负荷缺电率、电压合格率以及波动率的值转化为惩罚项函数并引入到目标函数中，获得带惩罚项的目标函数。
具体的，本发明在获得粒子在某个时刻的位置后，可以先行使用潮流算法检验粒子在该时刻的位置是否满足目标微电网中的各约束关系式和运行策略，若满足，则根据粒子在该时刻的位置确定粒子的适应度，并根据粒子的适应度确定粒子在该时刻的局部最优位置和全局最优位置，之后再对粒子的速度和位置进行更新，获得下一时刻的粒子的速度和位置；若不满足，则根据粒子在该时刻的位置确定粒子的适应度，在该适应度的基础上添加惩罚项函数，再对粒子的速度和位置进行更新，获得下一时刻的粒子的速度和位置。
具体的，本发明在将惩罚项引入至目标函数后，可以提高粒子群算法的计算速度，同时不会改变使用粒子群算法求解目标函数所获得的全局最优粒子。
本实施例提出的微电网中分布式电源配置方案的确定装置，在目标函数中引入惩罚项函数，可以在不改变计算结果的同时提高粒子群算法的计算速度。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (6)
1.一种微电网中分布式电源配置方案的确定方法，其特征在于，所述方法包括：
确定与目标微电网中运行参数相关的多个约束关系式，所述运行参数包括负荷缺电率、节点电压、节点功率、各分布式电源的安装容量、分布式电源中蓄电池的运行状态和至少部分分布式电源的输出功率的波动率；所述至少部分分布式电源包括：风力发电机和光伏发电机；
确定所述目标微电网的运行策略，所述运行策略与所述目标微电网中分布式电源的输出功率是否满足所述目标微电网的负荷需求相关；
以降低所述目标微电网的负荷缺电率为优化目标，确定可使用粒子群算法求解的目标函数；
使用粒子群算法求解所述目标函数，以获得满足各所述约束关系式、所述运行策略和所述优化目标的分布式电源配置方案，所述分布式电源配置方案包括各分布式电源在所述目标微电网中的安装位置及各分布式电源的安装容量，其中所述安装位置指示各分布式电源分别安装于所述目标微电网中的哪个候选节点上；
所述确定与目标微电网中运行参数相关的多个约束关系式，包括：
根据所述目标微电网中各节点电压的约束条件，将与所述目标微电网中各节点电压幅值相关的第一约束关系式确定为：
式中：Umin节点电压幅值的下限，Umax为节点电压幅值的上限；Pr{·}为事件{·}发生的概率，表征电压合格率；δ为预设的最小允许电压合格率；
根据所述目标微电网中至少部分分布式电源的输出功率的波动率的约束条件，将与所述至少部分分布式电源的输出功率的波动率相关的第二约束关系式确定为：
式中：DL为风力发电机与光伏发电机的输出功率的波动率，N为采样次数，PWT(n)为样本n中风力发电机的输出功率，PPV(n)为样本n中光伏发电机的输出功率，PL(n)为样本n的负荷总功率，εL为预设的最大允许波动率；
根据所述目标微电网中各类型分布式电源的安装容量的约束条件，将与所述目标微电网中各类型分布式电源安装容量相关的第三约束关系式确定为：
式中：Nwind，min为预设的风力发电机的最小允许安装容量，Nwind为风力发电机的安装容量，Nwind，max为预设的风力发电机的最大允许安装容量；Npv，min为预设的光伏的最小允许安装容量，Npv为光伏的安装容量，Npv，max为预设的光伏的最大允许安装容量；Nbat，min为预设的蓄电池的最小允许安装容量，Nbat为蓄电池的安装容量，Nbat，max为预设的蓄电池的最大允许安装容量；
根据所述目标微电网中蓄电池输出功率的约束条件，将与蓄电池的输出功率的约束条件相关的第四约束关系式确定为：
式中：△tc为采样时间间隔；SOC(t)为蓄电池在t时刻的荷电状态，SOC(t-1)为蓄电池在t-1时刻的荷电状态；Pcmax为蓄电池的充电功率限值，Pdmax为蓄电池放电功率的限值；Pclim(t)为蓄电池在第t个△tc内的最大可充电功率限值，Pdlim(t)为蓄电池在第t个△tc内蓄电池的可放电功率；ηc为蓄电池的充电效率，ηd为蓄电池的放电效率；Ebat为蓄电池的额定容量；Pbat为蓄电池的实时输出功率，Pbat在蓄电池充电时为负值，Pbat在蓄电池放电时为正值；
根据所述目标微电网中蓄电池的运行状态的约束条件，将与蓄电池的运行状态相关的第五约束关系式确定为：
Smin≤SOC≤Smax，
式中：Smin为预设的蓄电池的荷电状态最小允许值，SOC为蓄电池的荷电状态，Smax分别为预设的蓄电池的荷电状态最大允许值；
根据所述目标微电网中各节点功率平衡的约束条件，将与所述目标微电网中各节点功率相关的第六约束关系式确定为：
式中：PGi为节点i的有功出力值，QGi为节点i的无功出力值，PLi为节点i的有功负荷值，QLi为节点i的无功负荷值，Ui为节点i的电压幅值，Uj为节点j的电压幅值，Gij为导纳矩阵第i行、第j列的实部，Bij为导纳矩阵第i行、第j列的虚部，θij为节点i、j的电压相角差，D为目标微电源中候选安装节点数量。
2.根据权利要求1所述的方法，其特征在于，所述确定所述目标微电网的运行策略，包括：
将与所述风力发电机、所述光伏发电机和所述目标微电网的负荷需求的关系式确定为：
ΔP(t)＝Pwind(t)+Ppv(t)-PL(t)，
式中：△P(t)为所述目标微电网的净功率，PL(t)为所述目标微电网在t时刻的负荷需求，Pwind(t)为所述风力发电机在t时刻的输出功率，Ppv(t)为所述光伏发电机在t时刻的输出功率；当△P(t)为正值时，所述蓄电池处于充电状态；若所述蓄电池的荷电状态达到所述Smax，或所述蓄电池的的充电功率达到所述Pclim(t)，则丢弃所述目标微电网中由所述风力发电机和所述光伏发电机输出的至少部分功率；当△P(t)为负值时，所述蓄电池处于放电状态，若所述蓄电池的荷电状态达到所述Smin，或所述蓄电池的的放电功率达到所述Pdlim(t)，则切除至少部分所述目标微电网的负荷需求。
3.根据权利要求1至2所述的任一方法，其特征在于，所述以降低所述目标微电网的负荷缺电率为优化目标，确定可使用粒子群算法求解的目标函数，包括：
以降低所述目标微电网的负荷缺电率为优化目标，将可使用粒子群算法求解的目标函数确定为：
式中：LPSP为负荷缺电率，N为采样次数，Ploss(n)为样本n的切除负荷功率，PL(n)为样本n的负荷总功率，λ为预设的最大允许负荷缺电率。
4.根据权利要求1所述的方法，其特征在于，所述以降低所述目标微电网的负荷缺电率为优化目标，确定可使用粒子群算法求解的目标函数，包括：
以降低所述目标微电网的负荷缺电率为优化目标，确定可使用粒子群算法求解且包含有惩罚项函数的目标函数，所述惩罚项函数可提高所述粒子群算法对于所述目标函数的求解速度。
5.根据权利要求4所述的方法，其特征在于，所述以降低所述目标微电网的负荷缺电率为优化目标，确定可使用粒子群算法求解且包含有惩罚项函数的目标函数，包括：
以降低所述目标微电网的负荷缺电率为优化目标，将可使用粒子群算法求解且包含有惩罚项函数的目标函数确定为：
式中：LPSP为负荷缺电率，N为采样次数，Ploss(n)为样本n的切除负荷功率，PL(n)为样本n的负荷总功率，λ为预设的最大允许负荷缺电率；Fp为惩罚项函数，GP为惩罚因子，LPSP为负荷缺电率，δ为预设的最小允许电压合格率，Pr为电压合格率，DL为风力发电机与光伏输出功率的波动率，εL为预设的最大允许波动率。
6.一种微电网中分布式电源配置方案的确定装置，其特征在于，所述装置包括：第一确定单元、运行策略确定单元、目标函数确定单元和配置方案获得单元，其中：
所述第一确定单元，用于确定与目标微电网中运行参数相关的多个约束关系式，所述运行参数包括负荷缺电率、节点电压、节点功率、各分布式电源的安装容量、分布式电源中蓄电池的运行状态和至少部分分布式电源的输出功率的波动率；所述至少部分分布式电源包括：风力发电机和光伏发电机；
所述运行策略确定单元，用于确定所述目标微电网的运行策略，所述运行策略与所述目标微电网中分布式电源的输出功率是否满足所述目标微电网的负荷需求相关；
所述目标函数确定单元，用于以降低所述目标微电网的负荷缺电率为优化目标，确定可使用粒子群算法求解的目标函数；
所述配置方案获得单元，用于使用粒子群算法求解所述目标函数，以获得满足各所述约束关系式、所述运行策略和所述优化目标的分布式电源配置方案，所述分布式电源配置方案包括各分布式电源在所述目标微电网中的安装位置及各分布式电源的安装容量；
所述第一确定单元，具体包括：第一关系式确定单元、第二关系式确定单元、第三关系式确定单元、第四关系式确定单元、第五关系式确定单元和第六关系式确定单元，其中：
所述第一关系式确定单元，用于根据所述目标微电网中各节点电压的约束条件，将与所述目标微电网中各节点电压幅值相关的第一约束关系式确定为：
式中：Umin节点电压幅值的下限，Umax为节点电压幅值的上限；Pr{·}为事件{·}发生的概率，表征电压合格率；δ为预设的最小允许电压合格率；
所述第二关系式确定单元，用于根据所述目标微电网中至少部分分布式电源的输出功率的波动率的约束条件，将与所述至少部分分布式电源的输出功率的波动率相关的第二约束关系式确定为：
式中：DL为风力发电机与光伏发电机的输出功率的波动率，N为采样次数，PWT(n)为样本n中风力发电机的输出功率，PPV(n)为样本n中光伏发电机的输出功率，PL(n)为样本n的负荷总功率，εL为预设的最大允许波动率；
所述第三关系式确定单元，用于根据所述目标微电网中各类型分布式电源的安装容量的约束条件，将与所述目标微电网中各类型分布式电源安装容量相关的第三约束关系式确定为：
式中：Nwind，min为预设的风力发电机的最小允许安装容量，Nwind为风力发电机的安装容量，Nwind，max为预设的风力发电机的最大允许安装容量；Npv，min为预设的光伏的最小允许安装容量，Npv为光伏的安装容量，Npv，max为预设的光伏的最大允许安装容量；Nbat，min为预设的蓄电池的最小允许安装容量，Nbat为蓄电池的安装容量，Nbat，max为预设的蓄电池的最大允许安装容量；
所述第四关系式确定单元，用于根据所述目标微电网中蓄电池输出功率的约束条件，将与蓄电池的输出功率的约束条件相关的第四约束关系式确定为：
式中：△tc为采样时间间隔；SOC(t)为蓄电池在t时刻的荷电状态，SOC(t-1)为蓄电池在t-1时刻的荷电状态；Pcmax为蓄电池的充电功率限值，Pdmax为蓄电池放电功率的限值；Pclim(t)为蓄电池在第t个△tc内的最大可充电功率限值，Pdlim(t)为蓄电池在第t个△tc内蓄电池的可放电功率；ηc为蓄电池的充电效率，ηd为蓄电池的放电效率；Ebat为蓄电池的额定容量；Pbat为蓄电池的实时输出功率，Pbat在蓄电池充电时为负值，Pbat在蓄电池放电时为正值；
所述第五关系式确定单元，用于根据所述目标微电网中蓄电池的运行状态的约束条件，将与蓄电池的运行状态相关的第五约束关系式确定为：
Smin≤SOC≤Smax，
式中：Smin为预设的蓄电池的荷电状态最小允许值，SOC为蓄电池的荷电状态，Smax分别为预设的蓄电池的荷电状态最大允许值；
所述第六关系式确定单元，用于根据所述目标微电网中各节点功率平衡的约束条件，将与所述目标微电网中各节点功率相关的第六约束关系式确定为：
式中：PGi为节点i的有功出力值，QGi为节点i的无功出力值，PLi为节点i的有功负荷值，QLi为节点i的无功负荷值，Ui为节点i的电压幅值，Uj为节点j的电压幅值，Gij为导纳矩阵第i行、第j列的实部，Bij为导纳矩阵第i行、第j列的虚部，θij为节点i、j的电压相角差，D为目标微电源中候选安装节点数量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911019546.0A CN110729759B (zh) | 2019-10-24 | 2019-10-24 | 一种微电网中分布式电源配置方案的确定方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911019546.0A CN110729759B (zh) | 2019-10-24 | 2019-10-24 | 一种微电网中分布式电源配置方案的确定方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110729759A CN110729759A (zh) | 2020-01-24 |
| CN110729759B true CN110729759B (zh) | 2021-06-25 |
Family
ID=69221984
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911019546.0A Active CN110729759B (zh) | 2019-10-24 | 2019-10-24 | 一种微电网中分布式电源配置方案的确定方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110729759B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112039066B (zh) * | 2020-09-01 | 2022-05-03 | 国网河北省电力有限公司邢台供电分公司 | 应用于配电网的新能源消纳能力优化方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103580044A (zh) * | 2013-10-17 | 2014-02-12 | 华中科技大学 | 一种应对风功率波动的多风电场储能装置的容量配置方法 |
| CN106374515A (zh) * | 2016-09-14 | 2017-02-01 | 国家电网公司 | 一种有源配电网中储能***双层递阶优化配置方法 |
| WO2019183927A1 (zh) * | 2018-03-30 | 2019-10-03 | 深圳市大疆创新科技有限公司 | 一种多电池供电的控制方法、装置及无人机 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140246925A1 (en) * | 2013-03-04 | 2014-09-04 | Microchip Technology Incorporated | Power Grid Load Monitor and Shed Control |
| CN105140958A (zh) * | 2015-08-24 | 2015-12-09 | 山东理工大学 | 含光伏电源的配电网规划方法 |
-
2019
- 2019-10-24 CN CN201911019546.0A patent/CN110729759B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103580044A (zh) * | 2013-10-17 | 2014-02-12 | 华中科技大学 | 一种应对风功率波动的多风电场储能装置的容量配置方法 |
| CN106374515A (zh) * | 2016-09-14 | 2017-02-01 | 国家电网公司 | 一种有源配电网中储能***双层递阶优化配置方法 |
| WO2019183927A1 (zh) * | 2018-03-30 | 2019-10-03 | 深圳市大疆创新科技有限公司 | 一种多电池供电的控制方法、装置及无人机 |
Non-Patent Citations (1)
| Title |
|---|
| 考虑综合评估的孤立微网优化调度;郭宁;《电力建设》;20160401;第37卷(第4期);第63-69页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110729759A (zh) | 2020-01-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107887903B (zh) | 考虑元件频率特性的微电网鲁棒优化调度方法 | |
| CN110417015A (zh) | 基于模型预测控制的微电网多目标优化调度方法及*** | |
| CN105846461B (zh) | 一种大规模储能电站自适应动态规划的控制方法和*** | |
| CN104779630B (zh) | 一种平抑风电输出功率波动的混合储能***容量配置方法 | |
| CN110070292B (zh) | 基于交叉变异鲸鱼优化算法的微网经济调度方法 | |
| Bogaraj et al. | A novel energy management scheme using ANFIS for independent microgrid | |
| CN107994595A (zh) | 一种削峰填谷控制方法和***以及应用该控制方法的*** | |
| CN114725936A (zh) | 基于多智能体深度强化学习的配电网优化方法 | |
| CN108551176B (zh) | 一种结合储能均衡技术的储能电池***容量配置方法 | |
| CN110518580A (zh) | 一种考虑微网主动优化的主动配电网运行优化方法 | |
| CN112380694B (zh) | 一种基于差异化可靠性需求的配电网优化规划方法 | |
| CN117498555B (zh) | 一种基于云边融合的储能电站智能运维*** | |
| CN111224432B (zh) | 微电网优化调度方法和装置 | |
| CN111932012A (zh) | 储能***-分布式电源-电容器综合控制无功优化方法 | |
| CN114784831A (zh) | 一种基于移动储能的主动配电网多目标无功优化方法 | |
| CN111030149A (zh) | 一种基于复合储能装置的微电网供电方法及电子设备 | |
| CN110729759B (zh) | 一种微电网中分布式电源配置方案的确定方法及装置 | |
| CN111311032B (zh) | 一种基于扇形雷达图模型的微网***容量优化配置方法 | |
| CN112467717A (zh) | 一种基于模糊控制的混合能源***实时负荷分配方法 | |
| 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*** | |
| CN116645089A (zh) | 一种考虑退役电池容量退化的储能***双层优化配置方法 | |
| CN114759616B (zh) | 一种考虑电力电子器件特性的微电网鲁棒优化调度方法 | |
| CN114400704A (zh) | 基于双q学习考虑经济调节的孤岛微电网多模式切换策略 | |
| Taruwona et al. | Particle Swarm optimization of a Mamdani fuzzy logic based charge controller for energy storage systems | |
| Kai et al. | Optimization for PV-ESS in Distribution Network Based on CSBO |
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 |