CN112131733B - 计及电动汽车充电负荷影响的分布式电源规划方法 - Google Patents

计及电动汽车充电负荷影响的分布式电源规划方法 Download PDF

Info

Publication number
CN112131733B
CN112131733B CN202010969039.XA CN202010969039A CN112131733B CN 112131733 B CN112131733 B CN 112131733B CN 202010969039 A CN202010969039 A CN 202010969039A CN 112131733 B CN112131733 B CN 112131733B
Authority
CN
China
Prior art keywords
load
power supply
index
distributed power
electric automobile
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
Application number
CN202010969039.XA
Other languages
English (en)
Other versions
CN112131733A (zh
Inventor
马丽叶
王海锋
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.)
Yanshan University
Original Assignee
Yanshan University
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 Yanshan University filed Critical Yanshan University
Priority to CN202010969039.XA priority Critical patent/CN112131733B/zh
Publication of CN112131733A publication Critical patent/CN112131733A/zh
Application granted granted Critical
Publication of CN112131733B publication Critical patent/CN112131733B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L8/00—Electric propulsion with power supply from forces of nature, e.g. sun or wind
    • B60L8/003—Converting light into electric energy, e.g. by using photo-voltaic systems
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L8/00—Electric propulsion with power supply from forces of nature, e.g. sun or wind
    • B60L8/006—Converting flow of air into electric energy, e.g. by using wind turbines
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • 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
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution 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
    • 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
    • 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
    • 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
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Power Engineering (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Geometry (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Hardware Design (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Tourism & Hospitality (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Operations Research (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)

Abstract

本发明公开了计及电动汽车充电负荷影响的分布式电源规划方法，包括：对风电、光伏发电机组、用户负荷和电动汽车充电负荷建模；对风速、光照强度、需求负荷进行采样；对风电、光伏、用户负荷、电动汽车充电负荷进行场景聚类和缩减；以网损、无功损耗、线路负载指数和电压偏差四个指标加权得到***综合性能指标作为评价***性能的指标；构建多目标分布式电源规划模型，对目标函数构建模糊隶属度模型，以总体满意度表征优化结果；用改进粒子群算法与内点法结合的混合搜索策略求解。本发明减少了分布式能源和电动汽车接入电网带来的综合性能的下降，电网公司根据偏好设置网络性能指标确定分布式电源和电动汽车的位置与容量，达到最优经济效益。

Description

计及电动汽车充电负荷影响的分布式电源规划方法
技术领域
本发明涉及分布式电源规划技术领域，是一种计及电动汽车充电负荷影响的分布式电源规划方法。
背景技术
根据《2020-2026年中国电动汽车充电基础设施行业发展现状调查及发展趋势分析报告》显示：截止到2019年末，我国的电动汽车保有量达到381万辆，占汽车总量的1.4609％，与2018年底相比，增加120万辆，增长46.05％。其中，纯电动汽车保有量310万辆，占新能源汽车总量的81.19％。新能源汽车增量连续两年超过100万辆，呈快速增长趋势。从增长趋势上来看，我国的电动汽车进入了快速发展时期，电动汽车的发展势必会对电网的发展和运行造成影响。
分布式电源出力由于受到气候和环境的影响，有着很强的时序性和波动性，而电动汽车在起始充电时间、电池充电特性、充电功率不同等方面也有着很强的随机性。在电源规划方面，通常未考虑电动汽车这种特殊的充电负荷，目前电动汽车的充电设施规划大部分根据用户的行为以满足充电需求为主，对电网的经济性影响考虑不多。分布式电源渗透率对电网的经济性有着重要的影响，分布式电源渗透率在一定的范围内对于电网有抬升电压和降低网损的作用，电网目前主要以向分布式发电厂购电的方式来获取电能，过高的分布式电源渗透率会使电网的投资成本增加，甚至造成电压越限，因此要在合理区间内尽量使分布式电源渗透率最大。
综上所述，有必要发明一种计及电动汽车负荷影响和分布式电源渗透率的配电网电源规划方法，以保证分布式电源规划的合理性。
发明内容
本发明的目的在于提供一种计及电动汽车充电负荷影响的分布式电源规划方法，以保证分布式电源规划的合理性。
为了实现以上的目的，采用了以下的技术方案，具体方案如下：
一种计及电动汽车充电负荷影响的分布式电源规划方法，所述方法包括如下步骤：
步骤1、建立分布式电源和负荷的数学模型；分布式电源的数学模型考虑风电和光伏随机性，包括风电出力随机模型和光伏处理随机模型；负荷的数学模型包括普通负荷随机模型和电动汽车充电负荷随机模型；
步骤2、根据分布式电源和负荷的特性，使用状态持续时间抽样技术对风速、光照强度、需求负荷进行采样；
步骤3、使用层次聚类法对风电出力、光伏出力、普通负荷需求功率、电动汽车充电负荷值进行场景聚类和缩减；
步骤4、根据分布式电源渗透率的定义，确定计及电动汽车的电源渗透率IEVP，将具有不确定性的电动汽车负荷看做是可从电网吸收功率的电源；
步骤5、以网损、无功损耗、线路负载指数和电压偏差作为评价***网络性能的指标，将四个指标加权再相加得到***网络综合性能指标；
步骤6、以所述***网络综合性能指标最小和所述IEVP最大为目标函数，构建多目标分布式电源规划模型；
步骤7、对两个目标函数构建模糊隶属度函数，转化为单目标问题，以总体满意度表征优化结果；
步骤8、采用自适应权重粒子群算法与内点法结合的混合搜索策略求解所述单目标问题，得到该配电网规划的最优解。
进一步地，所述风电出力随机模型包括：
采用韦伯分布模型，风机出力与风速的函数关系为：
Figure GDA0003493097890000021
其中，PWT为风机出力，PS为风机额定功率，v为风速，vin、vs、vout分别为切入风速、额定风速、切出风速；
风速概率密度函数为：
Figure GDA0003493097890000022
其中，k，c为韦伯形状参数和尺度；
所述光伏出力随机模型包括：
光照分布采用Beta分布模型，输出功率与光照强度之间的关系为：
Figure GDA0003493097890000031
其中，PPV输出功率，G为实际光照强度，Pq为光伏的额定功率，Gq为额定光照强度；
光照强度概率密度函数为：
Figure GDA0003493097890000032
其中，Γ(*)表示伽马函数；Gmax为最大光照强度；α，β为Beta分布的形状参数；
所述普通负荷随机模型包括：
普通负荷满足正态分布，概率密度函数为：
Figure GDA0003493097890000033
其中，Pl和Ql分别表示有功负荷与无功负荷；μP和σP分别为有功负荷的期望值与标准差；μQ和σQ分别为无功负荷的期望值与标准差；
所述电动汽车充电负荷随机模型包括：
电动汽车用户日行驶里程d近似服从对数正态分布，其概率密度函数及行驶期望值为：
Figure GDA0003493097890000034
Figure GDA0003493097890000035
其中，f(d)为电动汽车用户日行驶里程d的概率密度函数，E(D)为行驶期望值；μd和σd为日行驶里程的期望值与标准差；
开始充电时刻服从正态分布，其概率密度函数为：
Figure GDA0003493097890000041
其中，x表示电动汽车开始充电时刻；f(x)为开始充电时刻的概率密度函数；μd和σd为日行驶里程的期望值与标准差；
电动汽车充电时长服从正态分布，其概率密度函数为：
Figure GDA0003493097890000042
其中，t表示电动汽车充电时长；f(t)为电动汽车充电时长的概率密度函数；μt和σt为充电时长的期望值与标准差；
进一步地，所述状态持续时间抽样技术包括：按照时序特性，指定一个循环周期，对每一个状态进行计算，通过统计规律得到需要的指标数据，所述指标数据为：
Figure GDA0003493097890000043
其中，n为循环次数；m为单个周期内采样值，xt为t时刻的状态变量；f(xt)为指标对状态变量的函数，
Figure GDA0003493097890000044
为指标数据；
针对步骤1中的数学模型，所述状态变量为：
Figure GDA0003493097890000045
其中，Rbeta(α，β)为符合参数为α，β的Beta随机数；RWeibull(k，c)为符合参数为k，c的韦伯随机数；Rnormal(μ，σ)为符合参数为μ，σ的正态分布随机数；PV为光伏出力，WG为风电出力。
进一步地，所述场景聚类包括：
使用层次聚类法对生成的场景进行聚类，聚类中心所包含的场景发生的概率即为典型性场景数据，评价指标为类与新类之间的距离，使用肘部法则确定聚合系数，找到最佳聚类个数，公式如下：
Figure GDA0003493097890000051
其中，J为聚合系数，K为聚类个数，Ck表示第k个类，uk表示该类的重心位置，xi为第i个样本位置。
进一步地，所述IEVP为：
Figure GDA0003493097890000052
其中，ηs为IEVP；η为分布式电源渗透率；ηEV为电动汽车负荷渗透率；αi、βi为0-1决策变量，该节点存在分布式电源或电动汽车为1，否则为0；PDGi为第i个分布式电源的装机容量，PEVi为该节点电动汽车充电功率；PLmax为***最大负荷，n为***节点数量。
进一步地，其特征在于，
所述网损指数为：
Figure GDA0003493097890000053
其中，RPloss为网损指数；PDGloss为有分布式电源和电动汽车潮流计算线路上损耗功率；Ploss为没有分布式电源和电动汽车潮流计算线路上损耗功率；
所述无功损耗指数为：
Figure GDA0003493097890000054
其中，RQloss为无功损耗指数；QDGloss为有分布式电源和电动汽车潮流计算线路上损耗的无功功率；Qloss为没有分布式电源和电动汽车潮流计算线路上损耗的无功功率；
所述线路负载指数为：
Figure GDA0003493097890000055
其中，RL为线路负载指数；N为线路条数；PLi为该条线路负载；PSi为该条线路容量；
所述电压偏差指数为：
Figure GDA0003493097890000061
其中，RV为电压偏差指数；V1为变电站节点电压；Vi为第i节点电压偏差；
所述***网络综合性能指标为：R＝ξ1RPloss+ξ2RQloss+ξ3RL+ξ4RV；
其中，ξ1，ξ2，ξ3，ξ4为各指标权重，由电网公司偏好决定。
进一步地，所述多目标分布式电源规划模型中的约束条件包括：***运行潮流约束、电压偏差约束、线路负载约束、分布式电源渗透率约束和电动汽车充电负荷渗透率约束；
其中，所述***运行潮流约束为：
Figure GDA0003493097890000062
其中，k代表场景；i代表节点，Ui，k、Uj，k分别为第k个场景节点i和j的电压幅值，Pi，k、Qi，k分别为第k个场景第i个节点的有功功率和无功功率；n为节点总数；Gij，k、Bij，k、δij，k分别为第k个场景节点i与j之间的导纳和相角差；
所述电压偏差约束为：
|V1-Vj|≤ΔVmax；
其中，Vj为第j节点电压偏差，ΔVmax为允许的最大电压偏差；
所述线路负载约束为：
PLi≤PSi；
所述分布式电源渗透率约束为：
η≤ηmax；
其中，ηmax为分布式电源最大渗透率；
所述电动汽车充电负荷渗透率约束为：
ηEV≤ηEVmax；
其中，ηEVmax为电动汽车充电负荷最大渗透率。
进一步地，所述对两个目标函数构建模糊隶属度函数，转化为单目标问题，包括：
对两个目标函数构造相对应的模糊隶属度函数，用于表达每个目标函数达到最优的程度，隶属度的值越趋近于1，表示该目标函数越趋近于最优，所述模糊隶属度函数如下式：
Figure GDA0003493097890000071
对所述两个目标函数的模糊隶属度函数求最小值，使他们的最小值最大化，得到总体满意度：maxρ＝min{ρ1，ρ2}；
其中，i＝1，2；ρi为第i个目标函数对应的模糊隶属度；fi为第i个子目标的值，fimax为第i个目标函数上限值；fibest为第i个目标函数单独优化的最佳值。
进一步地，所述采用自适应权重粒子群算法与内点法结合的混合搜索策略求解所述单目标问题，得到该配电网规划的最优解，包括：
由自适应权重粒子群算法进行迭代，记录每次迭代个体值和最优值；
将个体值作为内点法的初值进行求解，得到该初值对应的精确最优解；
记录所有迭代的解，取出最小值和对应的个体值，从而求出该配电网规划的最优解。
与现有技术相比，本发明具有以下优点：
1、设置了***综合性能指标，电网可以根据自己的偏好设置指标权重，模型可以求出符合该偏好所对应的最优规划。
2、相对于其他计及电动汽车的分布式电源规划模型来说，提出一种计及电动汽车负荷的分布式电源渗透率(IEVP)，IEVP可以表征全社会成本，通过最优化渗透率找出合适的规划方案。
3、利用模糊思想对多目标规划进行简化，转化为单目标函数，转化后算法简单易操作，且简化过程相较于其他方法理论更加完善。
4、提出一种自适应权重粒子群算法与内点法结合的混合搜索策略，通过两种算法的交替运行，可以缩短迭代次数，得到的结果相较于普通启发式算法收敛性更好。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例中配电网电源规划的***结构框图；
图2是本发明实施例中一种计及电动汽车充电负荷影响的分布式电源规划方法的流程图；
图3是本发明实施例中利用自适应权重粒子群算法与内点法结合的混合搜索策略求解模型的流程图。
具体实施方式
本发明在考虑大规模分布式电源和电动汽车充电负荷接入主动配电网情况下，提出一种计及电动汽车充电负荷影响的分布式电源规划方法，以保证分布式电源规划的合理性。
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1和图2所示，本发明实施例中的一种计及电动汽车充电负荷影响的分布式电源规划方法的具体步骤如下：
(1)、建立分布式电源和负荷的数学模型，分布式电源的数学模型考虑风电和光伏随机性，包括风电出力随机模型和光伏处理随机模型；负荷的数学模型分为普通负荷随机模型和电动汽车充电负荷模型。
(1-1)风电出力随机模型
采用韦伯分布模型，风机出力与风速的函数关系为：
Figure GDA0003493097890000091
其中，PWT为风机出力，PS为风机额定功率，v为风速，vin、vs、vout分别为切入风速、额定风速、切出风速；
风速概率密度函数为：
Figure GDA0003493097890000092
其中，k，c为韦伯形状参数和尺度。
(1-2)光伏出力随机模型
光照分布采用Beta分布模型，输出功率与光照强度之间的关系为：
Figure GDA0003493097890000093
其中，PPV输出功率，G为实际光照强度，Pq为光伏的额定功率，Gq为额定光照强度；
光照强度概率密度函数为：
Figure GDA0003493097890000101
其中，Γ(*)表示伽马函数；Gmax为最大光照强度；α，β为Beta分布的形状参数。
(1-3)普通负荷随机模型
普通负荷满足正态分布，概率密度函数为：
Figure GDA0003493097890000102
Figure GDA0003493097890000103
其中，Pl和Ql分别表示有功负荷与无功负荷；μP和σP分别为有功负荷的期望值与标准差；μQ和σQ分别为无功负荷的期望值与标准差；
(1-4)电动汽车充电负荷随机模型
电动汽车用户日行驶里程d近似服从对数正态分布，其概率密度函数及行驶期望值为：
Figure GDA0003493097890000104
Figure GDA0003493097890000105
其中，f(d)为电动汽车用户日行驶里程d的概率密度函数，E(D)为行驶期望值；μd和σd为日行驶里程d的期望值与标准差；
开始充电时刻服从正态分布，其概率密度函数为：
Figure GDA0003493097890000106
其中，x表示电动汽车开始充电时刻；f(x)为开始充电时刻的概率密度函数；μa和σa为开始充电时刻的期望值与标准差；
电动汽车充电时长服从正态分布，其概率密度函数为：
Figure GDA0003493097890000107
其中，t表示电动汽车充电时长；f(t)为电动汽车充电时长的概率密度函数；μt和σt为充电时长的期望值与标准差。
(2)根据不同的分布式电源和负荷的特性，使用状态持续时间抽样技术对风速、光照强度、需求负荷进行采样；
状态持续时间抽样技术，即按照时序特性，指定一个循环周期，对每一个状态进行计算，通过统计规律得到需要的指标数据，如下式：
Figure GDA0003493097890000111
其中，n为循环次数；m为单个周期内采样值，xt为t时刻的状态变量；f(xt)为指标对状态变量的函数，
Figure GDA0003493097890000112
为指标数据；
针对步骤1中的数学模型，所述状态变量为：
Figure GDA0003493097890000113
其中，Rbeta(α，β)为符合参数为α，β的Beta随机数；RWeibull(k，c)为符合参数为k，c的韦伯随机数；Rnormal(μ，σ)为符合参数为μ，σ的正态分布随机数；PV为光伏出力，WG为风电出力。
(3)使用层次聚类法对风电、光伏的出力、普通负荷的需求功率、电动汽车的充电负荷值进行场景聚类和缩减；
使用层次聚类法对生成的场景进行聚类，聚类中心所包含的场景发生的概率即为典型性场景数据，评价指标为类与新类之间的距离，使用肘部法则确定聚合系数，最后找到最佳聚类个数，公式如下：
Figure GDA0003493097890000114
其中，J为聚合系数，K为聚类个数，Ck表示第k个类，uk表示该类的重心位置，xi为第i个样本位置。
层次聚类法相较于K-means聚类法最大的优点在于，层次聚类法不需要初始指定聚类的个数。K-means聚类法初始聚类个数选取不适直接影响最后聚类的结果，层次聚类法可以得到所有聚类的情况，然后再根据肘部法则求出聚合系数，找到最佳分类结果。
(4)根据分布式电源渗透率的定义，确定计及电动汽车的电源渗透率(IEVP)，将具有不确定性的电动汽车负荷看做是可从电网吸收功率的电源；
传统分布式电源渗透率为分布式电源装机总容量与***最大负荷的比值，如下式：
Figure GDA0003493097890000121
其中，η为分布式电源渗透率；ηWG为风力发电渗透率；ηPV为光伏发电渗透率；PDGi为第i个分布式电源的装机容量；PLmax为***最大负荷。
当计及电动汽车负荷时，本发明提出一种计及电动汽车负荷的分布式电源渗透率(IEVP)，如下式：
Figure GDA0003493097890000122
其中，ηs为IEVP；η为分布式电源渗透率；ηEV为电动汽车负荷渗透率；αi、βi为0-1决策变量，该节点存在分布式电源或电动汽车为1，否则为0；PDGi为第i个分布式电源的装机容量，PEVi为该节点电动汽车充电功率；PLmax为***最大负荷，n为***节点数量。
ηs的意义在于，将电动汽车充电时的状态视作对***有负输入功率的不确定分布式电源，对于全社会成本来说，ηs越大表示全社会成本越小，因此，要在满足一定约束的情况下，尽量增大ηs。
(5)以网损、无功损耗、线路负载指数和电压偏差作为评价***网络性能的指标，将四个指标加权再相加得到***网络综合性能指标；
***的网损指数、无功损耗指数、线路负载指数和电压偏差用如下定义：
①网损指数：
Figure GDA0003493097890000131
其中，RPloss为网损指数；PDGloss为有分布式电源和电动汽车潮流计算线路上损耗功率；Ploss为没有分布式电源和电动汽车潮流计算线路上损耗功率；
该指数表明了分布式电源和电动汽车的渗透对于***有功网损的影响，RPloss越小***性能越好。
②无功损耗指数：
Figure GDA0003493097890000132
其中，RQloss为无功损耗指数；QDGloss为有分布式电源和电动汽车潮流计算线路上损耗的无功功率；Qloss为没有分布式电源和电动汽车潮流计算线路上损耗的无功功率。
该指数表明了分布式电源和电动汽车的渗透对于***无功网损的影响，RQloss越小***性能越好。
③线路负载指数：
Figure GDA0003493097890000133
其中，RL为线路负载指数；N为线路条数；PLi为该条线路负载；PSi为该条线路容量。
该指数表明了所有线路中线路负载与容量比值的最大值，该指数越小线路可用容量越大，***性能越好。
④电压偏差指数：
Figure GDA0003493097890000134
其中，RV为电压偏差指数；V1为变电站节点电压；Vi为第i节点电压偏差。
该指数表明了节点与变电站电压偏差比值的最大值，该指数越小表示电压偏差越小，***性能越好。
加权后得到***网络综合性能指标：
R＝ξ1RPloss+ξ2RQloss+ξ3RL+ξ4RV (19)
其中，ξ1，ξ2，ξ3，ξ4为各指标权重，由电网公司偏好决定。
(6)以***网络综合性能指标最小和IEVP最大为目标函数，构建多目标分布式电源(DG)规划模型；
多目标分布式电源规划模型的目标函数和约束条件如下：
(6-1)目标函数：
以***网络综合性能指标最小和IEVP最大为目标：
Figure GDA0003493097890000141
(6-2)约束条件：
①***运行潮流约束：
Figure GDA0003493097890000142
其中，k代表场景；i代表节点，Ui，k、Uj，k分别为节点i和j的电压幅值，Pi，k、Qi，k分别为第k个场景第i个节点的有功功率和无功功率；n为节点总数；Gij，k、Bij，k、δij，k分别为第k个场景节点i与j之间的导纳和相角差。
②电压偏差约束：
|V1-Vj|≤ΔVmax (22)
其中，Vj为第j节点电压偏差，ΔVmax为允许的最大电压偏差。
③线路负载约束：
PLi≤PSi (23)
④分布式电源渗透率约束：
η≤ηmax (24)
其中，ηmax为分布式电源最大渗透率。
⑤电动汽车充电负荷渗透率约束：
ηEV≤ηEVmax (25)
其中，ηEVmax为电动汽车充电负荷最大渗透率。
(7)对多目标函数构建模糊隶属度函数，转化为单目标问题，以总体满意度表征优化结果；
对两个目标函数构造相对应的模糊隶属度函数，用于表达每个目标函数达到最优的程度，隶属度的值越趋近于1，表示该目标函数越趋近于最优，模糊隶属度函数如下式：
Figure GDA0003493097890000151
对所述两个目标函数的模糊隶属度函数求最小值，使他们的最小值最大化，得到总体满意度：
maxρ＝min{ρ1，ρ2} (27)
其中，i＝1，2；ρi为第i个目标函数对应的模糊隶属度；fi为第i个子目标的值，fimax为第i个目标函数上限值；fibest为第i个目标函数单独优化的最佳值。
(8)模型求解方面，属于混合整数非线性规划(MINLP)，采用自适应权重粒子群算法与内点法结合的混合搜索策略求解。
求解算法采用自适应权重粒子群算法与内点法结合的混合搜索策略求解，自适应权重粒子群算法寻找全局最优能力强，但是算法不稳定，不能每次都找到最优解，内点法可以精确找到最优解，但是由于初值的选取很容易陷入局部最优，对于非凸函数，内点法很难找到全局最优，因此提出自适应权重粒子群算法与内点法结合的混合搜索策略，先由自适应权重粒子群算法进行迭代，记录每次迭代个体值和最优值，将个体值作为内点法的初值进行求解，得到该初值对应的精确最优解，最后记录所有迭代的解，取出最小值和对应的个体值。从而求出该配电网规划的最优解。
具体的求解算法如图3所示，包括以下步骤：
S1、输入风速、光照强度、负荷及电动汽车充电负荷，通过场景聚类生成典型运行场景；
S2、初始化自适应权重粒子群参数，产生初始随机种群；
S3、进行潮流计算，判断是否满足约束条件；
S4、计算并存储目标函数值f1和对应的适应度值；
S5、粒子群算法进行速度更新、位置更新、权重更新；
S6、粒子群算法的新位置作为内点法出值计算并存储目标函数值f2；
S7、判断是否达到最大迭代次数；
S8、如果达到最大迭代次数，则找到最大目标函数值max(f1，f2)及其对应的决策变量；如果未达到最大迭代次数，则返回步骤S3。
与现有技术相比，本发明具有以下优点：
1、设置了***综合性能指标，电网可以根据自己的偏好设置指标权重，模型可以求出符合该偏好所对应的最优规划。
2、相对于其他计及电动汽车的分布式电源规划模型来说，提出一种计及电动汽车负荷的分布式电源渗透率(IEVP)，IEVP可以表征全社会成本，通过最优化渗透率找出合适的规划方案。
3、利用模糊思想对多目标规划进行简化，转化为单目标函数，转化后算法简单易操作，且简化过程相较于其他方法理论更加完善。
4、提出一种自适应权重粒子群算法与内点法结合的混合搜索策略，通过两种算法的交替运行，可以缩短迭代次数，得到的结果相较于普通启发式算法收敛性更好。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (3)

1.一种计及电动汽车充电负荷影响的分布式电源规划方法，其特征在于，所述方法包括如下步骤：
步骤1、建立分布式电源和负荷的数学模型；分布式电源的数学模型考虑风电和光伏随机性，包括风电出力随机模型和光伏出力随机模型；负荷的数学模型包括普通负荷随机模型和电动汽车充电负荷随机模型；
步骤2、根据分布式电源和负荷的特性，使用状态持续时间抽样技术对风速、光照强度、需求负荷进行采样；
步骤3、使用层次聚类法对风电出力、光伏出力、普通负荷需求功率、电动汽车充电负荷值进行场景聚类和缩减；
步骤4、根据分布式电源渗透率的定义，确定计及电动汽车的电源渗透率IEVP，将具有不确定性的电动汽车负荷看做是可从电网吸收功率的电源；
步骤5、以网损、无功损耗、线路负载指数和电压偏差作为评价***网络性能的指标，将四个指标加权再相加得到***网络综合性能指标；
步骤6、以所述***网络综合性能指标最小和所述IEVP最大为目标函数，构建多目标分布式电源规划模型；
步骤7、对两个目标函数构建模糊隶属度函数，转化为单目标问题，以总体满意度表征优化结果；
步骤8、采用自适应权重粒子群算法与内点法结合的混合搜索策略求解所述单目标问题，得到该配电网规划的最优解；
其中，所述风电出力随机模型包括：
采用韦伯分布模型，风机出力与风速的函数关系为：
Figure FDA0003493097880000011
其中，PWT为风机出力，PS为风机额定功率，v为风速，vin、vs、vout分别为切入风速、额定风速、切出风速；
风速概率密度函数为：
Figure FDA0003493097880000012
其中，k，c为韦伯形状参数和尺度；
所述光伏出力随机模型包括：
光照分布采用Beta分布模型，输出功率与光照强度之间的关系为：
Figure FDA0003493097880000021
其中，PPV为输出功率，G为实际光照强度，Pq为光伏的额定功率，Gq为额定光照强度；
光照强度概率密度函数为：
Figure FDA0003493097880000022
其中，Γ(*)表示伽马函数；Gmax为最大光照强度；α，β为Beta分布的形状参数；
所述普通负荷随机模型包括：
普通负荷满足正态分布，概率密度函数为：
Figure FDA0003493097880000023
Figure FDA0003493097880000024
其中，Pl和Ql分别表示有功负荷与无功负荷；μP和σP分别为有功负荷的期望值与标准差；μQ和σQ分别为无功负荷的期望值与标准差；
所述电动汽车充电负荷随机模型包括：
电动汽车用户日行驶里程d近似服从对数正态分布，其概率密度函数及行驶期望值为：
Figure FDA0003493097880000025
Figure FDA0003493097880000026
其中，f(d)为电动汽车用户日行驶里程d的概率密度函数，E(D)为行驶期望值；μd和σd为日行驶里程d的期望值与标准差；
开始充电时刻服从正态分布，其概率密度函数为：
Figure FDA0003493097880000031
其中，x表示电动汽车开始充电时刻；f(x)为开始充电时刻的概率密度函数；μa和σa为开始充电时刻的期望值与标准差；
电动汽车充电时长服从正态分布，其概率密度函数为：
Figure FDA0003493097880000032
其中，t表示电动汽车充电时长；f(t)为电动汽车充电时长的概率密度函数；μt和σt为充电时长的期望值与标准差；
所述状态持续时间抽样技术包括：按照时序特性，指定一个循环周期，对每一个状态进行计算，通过统计规律得到需要的指标数据，所述指标数据为：
Figure FDA0003493097880000033
其中，n为循环次数；m为单个周期内采样值，xt为t时刻的状态变量；f(xt)为指标对状态变量的函数，
Figure FDA0003493097880000034
为指标数据；
针对步骤1中的数学模型，所述状态变量为：
Figure FDA0003493097880000035
其中，Rbeta(α，β)为符合参数为α，β的Beta随机数；RWeibull(k，c)为符合参数为k,c的韦伯随机数；Rnormal(μ，σ)为符合参数为μ，σ的正态分布随机数；PV为光伏出力，WG为风电出力；
所述场景聚类包括:
使用层次聚类法对生成的场景进行聚类，聚类中心所包含的场景发生的概率即为典型性场景数据，评价指标为类与新类之间的距离，使用肘部法则确定聚合系数，找到最佳聚类个数，公式如下：
Figure FDA0003493097880000041
其中，J为聚合系数，K为聚类个数，Ck表示第k个类，uk表示该类的重心位置，xi为第i个样本位置；
所述IEVP为：
Figure FDA0003493097880000042
其中，ηs为IEVP；η为分布式电源渗透率；ηEV为电动汽车负荷渗透率；αi、βi为0-1决策变量，该节点存在分布式电源或电动汽车为1，否则为0；PDGi为第i个分布式电源的装机容量，PEVi为该节点电动汽车充电功率；PLmax为***最大负荷，n为***节点数量；
所述对两个目标函数构建模糊隶属度函数，转化为单目标问题，包括：
对两个目标函数构造相对应的模糊隶属度函数，用于表达每个目标函数达到最优的程度，隶属度的值越趋近于1，表示该目标函数越趋近于最优，所述模糊隶属度函数如下式：
Figure FDA0003493097880000043
对所述两个目标函数的模糊隶属度函数求最小值，使他们的最小值最大化，得到总体满意度：maxρ＝min{ρ1，ρ2}；
其中，i＝1,2；ρi为第i个目标函数对应的模糊隶属度；fi为第i个子目标的值，fimax为第i个目标函数上限值；fibest为第i个目标函数单独优化的最佳值；
其中，所述采用自适应权重粒子群算法与内点法结合的混合搜索策略求解所述单目标问题，得到该配电网规划的最优解，包括：
由自适应权重粒子群算法进行迭代，记录每次迭代个体值和最优值；
将个体值作为内点法的初值进行求解，得到该初值对应的精确最优解；
记录所有迭代的解，取出最小值和对应的个体值，从而求出该配电网规划的最优解。
2.根据权利要求1所述的方法，其特征在于，
所述网损指数为：
Figure FDA0003493097880000051
其中，RPloss为网损指数；PDGloss为有分布式电源和电动汽车潮流计算线路上损耗功率；Ploss为没有分布式电源和电动汽车潮流计算线路上损耗功率；
所述无功损耗指数为：
Figure FDA0003493097880000052
其中，RQloss为无功损耗指数；QDGloss为有分布式电源和电动汽车潮流计算线路上损耗的无功功率；Qloss为没有分布式电源和电动汽车潮流计算线路上损耗的无功功率；
所述线路负载指数为：
Figure FDA0003493097880000053
其中，RL为线路负载指数；N为线路条数；PLi为该条线路负载；PSi为该条线路容量；
所述电压偏差指数为：
Figure FDA0003493097880000054
其中，RV为电压偏差指数；V1为变电站节点电压；Vi为第i节点电压偏差；
所述***网络综合性能指标为：R＝ξ1RPloss+ξ2RQloss+ξ3RL+ξ4RV；
其中，ξ1，ξ2，ξ3，ξ4为各指标权重，由电网公司偏好决定。
3.根据权利要求2所述的方法，其特征在于，所述多目标分布式电源规划模型中的约束条件包括：***运行潮流约束、电压偏差约束、线路负载约束、分布式电源渗透率约束和电动汽车充电负荷渗透率约束；
其中，所述***运行潮流约束为：
Figure FDA0003493097880000061
其中，k代表场景；i代表节点，Ui,k、Uj,k分别为第k个场景节点i和j的电压幅值，Pi,k、Qi,k分别为第k个场景第i个节点的有功功率和无功功率；n为节点总数；Gij,k、Bij,k、δij，k分别为第k个场景节点i与j之间的导纳和相角差；
所述电压偏差约束为：
|V1-Vj|≤ΔVmax；
其中，Vj为第j节点电压偏差，ΔVmax为允许的最大电压偏差；
所述线路负载约束为：
PLi≤PSi；
所述分布式电源渗透率约束为：
η≤ηmax；
其中，ηmax为分布式电源最大渗透率；
所述电动汽车充电负荷渗透率约束为：
ηEV≤ηEVmax；
其中，ηEVmax为电动汽车充电负荷最大渗透率。
CN202010969039.XA 2020-09-15 2020-09-15 计及电动汽车充电负荷影响的分布式电源规划方法 Active CN112131733B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010969039.XA CN112131733B (zh) 2020-09-15 2020-09-15 计及电动汽车充电负荷影响的分布式电源规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010969039.XA CN112131733B (zh) 2020-09-15 2020-09-15 计及电动汽车充电负荷影响的分布式电源规划方法

Publications (2)

Publication Number Publication Date
CN112131733A CN112131733A (zh) 2020-12-25
CN112131733B true CN112131733B (zh) 2022-03-11

Family

ID=73846533

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010969039.XA Active CN112131733B (zh) 2020-09-15 2020-09-15 计及电动汽车充电负荷影响的分布式电源规划方法

Country Status (1)

Country Link
CN (1) CN112131733B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112819279A (zh) * 2020-12-31 2021-05-18 国网山东省电力公司聊城供电公司 分布式能源与配电网扩展适应性的规划评估方法及***
CN112784383A (zh) * 2021-01-29 2021-05-11 国网浙江省电力有限公司泰顺县供电公司 一种分布式光伏的接入规划方法
CN112993979B (zh) * 2021-02-22 2023-02-17 广东电网有限责任公司韶关供电局 配电网无功优化方法、装置、电子设备和存储介质
CN113098075B (zh) * 2021-05-24 2022-07-12 广东电网有限责任公司 光伏消纳能力的分析方法、装置、电子设备及存储介质
CN113642787A (zh) * 2021-08-04 2021-11-12 国网江苏省电力有限公司南通供电分公司 基于配售电竞争态势下区域配电网网格化负荷区间预测方法
CN113629747B (zh) * 2021-09-16 2022-08-12 国网安徽省电力有限公司马鞍山供电公司 一种电动汽车并网无功补偿控制方法
CN113673912B (zh) * 2021-09-16 2024-03-08 国网山东省电力公司潍坊供电公司 考虑输电网影响的配电-气网分布式协同规划方法及***
CN113872192B (zh) * 2021-09-26 2024-03-12 国网电力科学研究院武汉能效测评有限公司 医院电网负荷优化控制***及控制方法
CN114142521B (zh) * 2021-11-30 2023-08-25 国网陕西省电力公司 一种分布式新能源配电网多目标优化调度方法及***

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103745110A (zh) * 2014-01-15 2014-04-23 华南农业大学 纯电动公交车营运续驶里程估算方法
CN109980700A (zh) * 2019-04-09 2019-07-05 广东电网有限责任公司 一种分布式电源多目标优化规划方法、装置和设备
CN110135631A (zh) * 2019-04-26 2019-08-16 燕山大学 基于信息间隙决策理论的电气综合能源***调度方法
CN110570327A (zh) * 2019-08-07 2019-12-13 广东电网有限责任公司 一种计及源荷互动响应的主动配电网双层规划方法
CN110895638A (zh) * 2019-11-22 2020-03-20 国网福建省电力有限公司 一种考虑电动汽车充电站选址定容的主动配电网规划模型的建立方法
CN111144655A (zh) * 2019-12-27 2020-05-12 国网河北省电力有限公司经济技术研究院 一种分布式电源选址定容与配电网网架联合优化方法
CN111162517A (zh) * 2019-11-22 2020-05-15 国网四川省电力公司经济技术研究院 计及源荷相关性含电动汽车的分布式电源选址定容方法
CN111178619A (zh) * 2019-12-25 2020-05-19 东南大学 一种考虑分布式电源和充电站联合规划的多目标优化方法
CN111310966A (zh) * 2019-11-21 2020-06-19 国网四川省电力公司经济技术研究院 含电动汽车充电站的微电网选址及优化配置方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11305665B2 (en) * 2019-03-04 2022-04-19 General Electric Company Cyber-attack detection and electrical system stability for electric vehicle charging infrastructure

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103745110A (zh) * 2014-01-15 2014-04-23 华南农业大学 纯电动公交车营运续驶里程估算方法
CN109980700A (zh) * 2019-04-09 2019-07-05 广东电网有限责任公司 一种分布式电源多目标优化规划方法、装置和设备
CN110135631A (zh) * 2019-04-26 2019-08-16 燕山大学 基于信息间隙决策理论的电气综合能源***调度方法
CN110570327A (zh) * 2019-08-07 2019-12-13 广东电网有限责任公司 一种计及源荷互动响应的主动配电网双层规划方法
CN111310966A (zh) * 2019-11-21 2020-06-19 国网四川省电力公司经济技术研究院 含电动汽车充电站的微电网选址及优化配置方法
CN110895638A (zh) * 2019-11-22 2020-03-20 国网福建省电力有限公司 一种考虑电动汽车充电站选址定容的主动配电网规划模型的建立方法
CN111162517A (zh) * 2019-11-22 2020-05-15 国网四川省电力公司经济技术研究院 计及源荷相关性含电动汽车的分布式电源选址定容方法
CN111178619A (zh) * 2019-12-25 2020-05-19 东南大学 一种考虑分布式电源和充电站联合规划的多目标优化方法
CN111144655A (zh) * 2019-12-27 2020-05-12 国网河北省电力有限公司经济技术研究院 一种分布式电源选址定容与配电网网架联合优化方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Economic Operation Evaluation of Active Distribution Network Based on Fuzzy Borda Method;Liye Ma;《IEEE Access》;20200206;29508-29517 *
主动配电网中计及网络重构的分布式电源鲁棒规划;马丽叶;《电力***自动化》;20180610;94-101 *
计及负荷不确定性的电网参数分析和优化;马丽叶;《电网技术》;20121231;146-152 *

Also Published As

Publication number Publication date
CN112131733A (zh) 2020-12-25

Similar Documents

Publication Publication Date Title
CN112131733B (zh) 计及电动汽车充电负荷影响的分布式电源规划方法
Qiao et al. Multi-objective dynamic economic emission dispatch based on electric vehicles and wind power integrated system using differential evolution algorithm
CN110620402B (zh) 电-气混联***分布式规划运行联合优化方法及***
CN111200293B (zh) 基于电池损耗和分布式电网电池储能日前随机调度的方法
CN109034587B (zh) 一种协调多种可控单元的主动配电***优化调度方法
James et al. Optimal V2G scheduling of electric vehicles and unit commitment using chemical reaction optimization
CN112238781B (zh) 一种基于分层架构的电动汽车有序充电控制方法
CN113326467B (zh) 基于多重不确定性的多站融合综合能源***多目标优化方法、存储介质及优化***
CN106786977B (zh) 一种电动汽车充电站的充电调度方法
CN112347615A (zh) 一种计及光储快充一体站的配电网混合优化调度方法
CN110866636A (zh) 一种综合考虑电动汽车充电站及分布式能源的微电网规划方法
CN113794199A (zh) 一种考虑电力市场波动的风电储能***最大收益优化方法
CN113988384A (zh) 一种提高配电网可靠性的储能容量优化配置方法
Khunkitti et al. Optimal location and sizing of BESS for performance improvement of distribution systems with high DG penetration
CN114580251A (zh) 一种配电台区电动汽车充电负荷分析方法及装置
Zhu et al. Dynamic multi-objective dispatch considering wind power and electric vehicles with probabilistic characteristics
TWI639962B (zh) 一種應用於智慧電網之粒群最佳化模糊邏輯控制充電法
CN117595392A (zh) 计及光伏消纳与光储充配置的配电网联合优化方法及***
CN110472841B (zh) 一种电动汽车快速充电站的储能配置方法
CN117350425A (zh) 一种虚拟电厂优化调度方法
CN116526530A (zh) 基于多元马尔科夫链模型和优化热启动的储能容量配置方法及装置
CN108695848B (zh) 主动配电网运行时序仿真方法
CN112580256B (zh) 计及故障率影响含电动汽车的分布式电源选址定容方法
CN112003279B (zh) 层次化微电网新能源消纳能力的评估方法
Luo et al. Multi-Objective Optimization Scheduling of Microgrids Based on Particle Swarm Optimization Algorithm

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