CN116722561A - 一种无功功率补偿*** - Google Patents
一种无功功率补偿*** Download PDFInfo
- Publication number
- CN116722561A CN116722561A CN202310483634.6A CN202310483634A CN116722561A CN 116722561 A CN116722561 A CN 116722561A CN 202310483634 A CN202310483634 A CN 202310483634A CN 116722561 A CN116722561 A CN 116722561A
- Authority
- CN
- China
- Prior art keywords
- node
- load
- reactive power
- photovoltaic output
- moment
- 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
Links
- 230000004044 response Effects 0.000 claims abstract description 47
- 238000005457 optimization Methods 0.000 claims abstract description 32
- 230000000737 periodic effect Effects 0.000 claims abstract description 20
- 230000007704 transition Effects 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 239000003990 capacitor Substances 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 7
- 239000002245 particle Substances 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 8
- 230000006399 behavior Effects 0.000 description 68
- 230000006870 function Effects 0.000 description 12
- 238000005286 illumination Methods 0.000 description 11
- 238000000034 method Methods 0.000 description 9
- 238000010276 construction Methods 0.000 description 7
- 238000009434 installation Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- H02J3/18—Arrangements for adjusting, eliminating or compensating reactive power in networks
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or 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
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- 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
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- 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
- H02J3/16—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by adjustment of reactive power
-
- 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
- H02J3/50—Controlling the sharing of the out-of-phase component
-
- 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
-
- 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
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/30—Reactive power compensation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Power Engineering (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Educational Administration (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本公开的实施例提供了一种无功功率补偿***,应用于电力***技术领域。该***包括:数据采集设备、智能控制终端以及无功补偿设备,三者依次连接;数据采集设备,用于采集电网中各节点的当前负荷、历史负荷、当前光伏出力、历史光伏出力;智能控制终端,用于根据各节点的当前负荷、历史负荷、当前光伏出力、历史光伏出力,预测各节点在下一时间段内的负荷和光伏出力;根据各节点在下一时间段内的负荷和光伏出力求解无功优化模型,生成各节点的无功功率需求曲线;对其进行分解,得到各节点中不同可调控周期响应等级的无功补偿设备的无功功率需求曲线,并基于此在下一时间段内调整对应无功补偿设备的无功功率,进而有效地提高无功功率补偿效果。
Description
技术领域
本公开涉及电力***技术领域,尤其涉及一种无功功率补偿***。
背景技术
目前台区用电、光伏出力等源荷功率有快速和慢速的波动变化,致使电网电压变化的时变尺度是不同的。仅靠传统无功补偿设备进行无功功率补偿难以根据电压短时间波动变化做出快速响应,这增大了电压越限等风险发生。因此,如何提高无功功率补偿效果就成为了目前亟待解决的技术问题。
发明内容
本公开的实施例提供了一种无功功率补偿***。
第一方面,本公开的实施例提供了一种无功功率补偿***,该***包括:
数据采集设备、智能控制终端以及无功补偿设备,三者依次连接;
数据采集设备,用于采集电网中各节点的当前负荷、历史负荷、当前光伏出力、历史光伏出力;
智能控制终端,用于根据各节点的当前负荷、历史负荷、当前光伏出力、历史光伏出力,预测各节点在下一时间段内的负荷和光伏出力;根据各节点在下一时间段内的负荷和光伏出力求解无功优化模型,生成各节点的无功功率需求曲线;对各节点的无功功率需求曲线进行分解,得到各节点中不同可调控周期响应等级的无功补偿设备的无功功率需求曲线,并基于此在下一时间段内调整对应无功补偿设备的无功功率。
在第一方面的一些可实现方式中,智能控制终端具体用于:
将各节点的当前负荷和历史负荷输入预先训练的负荷预测模型,得到各节点在下一时间段内各时刻的负荷;
将各节点的当前光伏出力和历史光伏出力输入预先训练的光伏出力预测模型,得到各节点在下一时间段内各时刻的光伏出力。
在第一方面的一些可实现方式中,负荷预测模型模型是利用训练数据集对预设神经网络进行训练得到的,其中,训练数据集中的样本以节点在某一时刻的当前负荷和历史负荷为样本特征数据,并以节点在某一时刻的下一时间段内各时刻的实际负荷为标签。
在第一方面的一些可实现方式中,光伏出力预测模型模型是利用训练数据集对预设神经网络进行训练得到的,其中,训练数据集中的样本以节点在某一时刻的当前光伏出力和历史光伏出力为样本特征数据,并以节点在某一时刻的下一时间段内各时刻的实际光伏出力为标签。
在第一方面的一些可实现方式中,智能控制终端具体用于:
针对任一节点,根据节点的当前负荷行为状态概率分布和当前时刻的负荷行为状态转移概率矩阵,计算节点下一时刻的负荷行为状态概率分布;
根据节点下一时刻的负荷行为状态概率分布和负荷行为状态映射函数,计算节点在下一时刻的负荷行为状态;
根据节点在下一时刻的负荷行为状态和对应的负荷概率密度函数,计算节点在下一时刻的负荷;
不断迭代计算,直至计算出节点在下一时间段内各时刻的负荷;
针对任一节点,根据节点的当前光伏出力行为状态概率分布和当前时刻的光伏出力行为状态转移概率矩阵,计算节点下一时刻的光伏出力行为状态概率分布;
根据节点下一时刻的光伏出力行为状态概率分布和光伏出力行为状态映射函数,计算节点在下一时刻的光伏出力行为状态;
根据节点在下一时刻的光伏出力行为状态和对应的光伏出力概率密度函数,计算节点在下一时刻的光伏出力;
不断迭代计算,直至计算出节点在下一时间段内各时刻的光伏出力。
在第一方面的一些可实现方式中,在预测各节点在下一时间段内的负荷和光伏出力之前,智能控制终端还用于:
针对任一节点,根据节点的历史负荷划分节点在一天中各时刻的负荷行为状态,统计节点在一天中各时刻的负荷行为状态的转移概率,生成各时刻的负荷行为状态转移概率矩阵。
在第一方面的一些可实现方式中,在预测各节点在下一时间段内的负荷和光伏出力之前,智能控制终端还用于:
针对任一节点,根据节点的历史光伏出力划分节点在一天中各时刻的光伏出力行为状态,统计节点在一天中各时刻的光伏出力行为状态的转移概率,生成各时刻的光伏出力行为状态转移概率矩阵。
在第一方面的一些可实现方式中,无功优化模型是通过以下步骤构建的:
以任一时刻下各节点的电压偏差之和最小为模型求解目标,以任一时刻下的节点功率平衡约束、任一时刻下的节点控制变量约束、任一时刻下的节点电压约束为模型约束,构建无功优化模型。
在第一方面的一些可实现方式中,智能控制终端具体用于:
采用粒子群算法对各节点的无功功率需求曲线进行分解,得到各节点中不同可调控周期响应等级的无功补偿设备的无功功率需求曲线。
在第一方面的一些可实现方式中,无功补偿设备的可调控周期响应等级是通过以下步骤确定的:
若无功补偿设备为并联电容器,则确定其可调控周期响应等级为第一级别;
若无功补偿设备为跟网型控制的电力电子设备,则确定其可调控周期响应等级为第二级别;
若无功补偿设备为构网型控制的电力电子设备,则确定其可调控周期响应等级为第三级别;
其中,第一级别对应的响应速度低于第二级别对应的响应速度,第二级别对应的响应速度低于第三级别对应的响应速度。
在本公开的实施例中,基于该无功功率补偿***可以预测电网中各节点在下一时间段内的负荷和光伏出力,根据各节点在下一时间段内的负荷和光伏出力求解无功优化模型,生成各节点的无功功率需求曲线,以对各节点的无功功率需求曲线进行分解,得到各节点中不同可调控周期响应等级的无功补偿设备的无功功率需求曲线,并基于此在下一时间段内调整对应无功补偿设备的无功功率,如此能够实现多设备协同无功优化,有效地提高无功功率补偿效果,进而便于降低电网全网电压偏差。
应当理解,发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征,亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。附图用于更好地理解本方案,不构成对本公开的限定在附图中,相同或相似的附图标记表示相同或相似的元素,其中:
图1示出了本公开的实施例提供的一种无功功率补偿***的结构图;
图2示出了某一节点在白天某时段的不同可调控周期响应等级的无功补偿设备的无功功率需求曲线;
图3示出了某一节点在夜晚某时段的不同可调控周期响应等级的无功补偿设备的无功功率需求曲线;
图4示出了本公开的实施例提供的一种无功功率补偿方法的流程图。
具体实施方式
为使本公开的实施例的目的、技术方案和优点更加清楚,下面将结合本公开的实施例中的附图,对本公开的实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,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全部其他实施例,都属于本公开保护的范围。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
针对背景技术中出现的问题,本公开的实施例提供了一种无功功率补偿***。具体地,基于该无功功率补偿***可以预测电网中各节点在下一时间段内的负荷和光伏出力,根据各节点在下一时间段内的负荷和光伏出力求解无功优化模型,生成各节点的无功功率需求曲线,以对各节点的无功功率需求曲线进行分解,得到各节点中不同可调控周期响应等级的无功补偿设备的无功功率需求曲线,并基于此在下一时间段内调整对应无功补偿设备的无功功率,如此能够实现多设备协同无功优化,有效地提高无功功率补偿效果,进而便于降低电网全网电压偏差。
下面结合附图,通过具体的实施例对本公开的实施例提供的无功功率补偿***进行详细地说明。
图1示出了本公开的实施例提供的一种无功功率补偿***的结构图,如图1所示,无功功率补偿***100可以包括:数据采集设备、智能控制终端以及无功补偿设备,三者依次连接,该连接可以为有线连接或者无线连接,在此不做限制。
数据采集设备,用于采集电网中各节点的当前负荷、历史负荷、当前光伏出力、历史光伏出力。
智能控制终端,用于根据各节点的当前负荷、历史负荷、当前光伏出力、历史光伏出力,预测各节点在下一时间段内的负荷和光伏出力;根据各节点在下一时间段内的负荷和光伏出力求解无功优化模型,生成各节点的无功功率需求曲线;对各节点的无功功率需求曲线进行分解,得到各节点中不同可调控周期响应等级的无功补偿设备的无功功率需求曲线,并基于此在下一时间段内调整对应无功补偿设备的无功功率。
在一些实施例中,智能控制终端可以用于将电网中各节点的当前负荷和历史负荷输入预先训练的负荷预测模型,由负荷预测模型进行计算,以便快速得到各节点在下一时间段内各时刻的负荷,进而有效地提高预测效果。
示例性地,负荷预测模型模型是利用训练数据集对预设神经网络(例如卷积神经网络、循环神经网络、长短期记忆神经网络等)进行训练得到的,其中,训练数据集中的样本以节点在某一时刻的当前负荷和历史负荷为样本特征数据,并以节点在某一时刻的下一时间段内各时刻的实际负荷为标签。
与此同时,智能控制终端可以用于将电网中各节点的当前光伏出力和历史光伏出力输入预先训练的光伏出力预测模型,由光伏出力预测模型进行计算,以便快速得到各节点在下一时间段内各时刻的光伏出力,进而有效地提高预测效果。
示例性地,光伏出力预测模型模型是利用训练数据集对预设神经网络(例如卷积神经网络、循环神经网络、长短期记忆神经网络等)进行训练得到的,其中,训练数据集中的样本以节点在某一时刻的当前光伏出力和历史光伏出力为样本特征数据,并以节点在某一时刻的下一时间段内各时刻的实际光伏出力为标签。
在另一些实施例中,针对任一节点,智能控制终端可以用于根据节点的当前负荷行为状态概率分布和当前时刻的负荷行为状态转移概率矩阵,计算节点下一时刻的负荷行为状态概率分布,根据节点下一时刻的负荷行为状态概率分布和负荷行为状态映射函数,计算节点在下一时刻的负荷行为状态,根据节点在下一时刻的负荷行为状态和对应的负荷概率密度函数,计算节点在下一时刻的负荷,不断迭代计算,直至计算出节点在下一时间段内各时刻的负荷。
需要注意的是,在预测电网中各节点下一时间段内的负荷和光伏出力之前,针对任一节点,智能控制终端可以用于根据节点的历史负荷划分节点在一天中各时刻的负荷行为状态,统计节点在一天中各时刻的负荷行为状态的转移概率,精确且快速地生成各时刻的负荷行为状态转移概率矩阵。
与此同时,针对任一节点,智能控制终端可以用于根据节点的当前光伏出力行为状态概率分布和当前时刻的光伏出力行为状态转移概率矩阵,计算节点下一时刻的光伏出力行为状态概率分布,根据节点下一时刻的光伏出力行为状态概率分布和光伏出力行为状态映射函数,计算节点在下一时刻的光伏出力行为状态,根据节点在下一时刻的光伏出力行为状态和对应的光伏出力概率密度函数,计算节点在下一时刻的光伏出力,不断迭代计算,直至计算出节点在下一时间段内各时刻的光伏出力。
需要注意的是,在预测电网中各节点下一时间段内的负荷和光伏出力之前,针对任一节点,智能控制终端可以用于根据节点的历史光伏出力划分节点在一天中各时刻的光伏出力行为状态,统计节点在一天中各时刻的光伏出力行为状态的转移概率,精确且快速地生成各时刻的光伏出力行为状态转移概率矩阵。
作为一个示例,智能控制终端可以用于根据各节点在下一时间段内各时刻的负荷和光伏出力求解无功优化模型,得到各节点在下一时间段内各时刻所需的无功功率,并以此生成各节点的无功功率需求曲线。
其中,无功优化模型可以通过以下步骤构建:
以任一时刻下各节点的电压偏差之和最小为模型求解目标,以任一时刻下的节点功率平衡约束、任一时刻下的节点控制变量约束、任一时刻下的节点电压约束为模型约束,构建无功优化模型,有利于后续准确计算各节点在下一时间段内各时刻所需的无功功率。
智能控制终端可以用于采用高效的粒子群算法对各节点的无功功率需求曲线进行快速分解,以便得到各节点中不同可调控周期响应等级的无功补偿设备的无功功率需求曲线。
可选地,无功补偿设备的可调控周期响应等级可以通过以下步骤确定:
若无功补偿设备为并联电容器,则确定其可调控周期响应等级为第一级别也即慢速;
若无功补偿设备为跟网型控制的电力电子设备,则确定其可调控周期响应等级为第二级别也即中速;
若无功补偿设备为构网型控制的电力电子设备,则确定其可调控周期响应等级为第三级别也即快速。
在本公开的实施例中,基于该无功功率补偿***可以预测电网中各节点在下一时间段内的负荷和光伏出力,根据各节点在下一时间段内的负荷和光伏出力求解无功优化模型,生成各节点的无功功率需求曲线,以对各节点的无功功率需求曲线进行分解,得到各节点中不同可调控周期响应等级的无功补偿设备的无功功率需求曲线,并基于此在下一时间段内调整对应无功补偿设备的无功功率,如此能够实现多设备协同无功优化,有效地提高无功功率补偿效果,进而便于降低电网全网电压偏差。
下面结合一个具体实施例,对本公开实施例提供的无功功率补偿***进行详细介绍,具体如下:
(1)数据采集设备用于采集电网的线路参数、负荷运行数据、光伏运行数据、无功补偿设备运行数据。
其中,负荷运行数据包括各节点的历史负荷功率数据和当前负荷功率数据;光伏运行数据包括历史辐照度数据和当前辐照度数据、光伏安装位置和容量、各台光伏逆变器容量;无功补偿设备运行数据包括无功补偿设备安装位置、单台容量及总容量。可选地,无功补偿设备包括专用无功补偿设备和兼用无功补偿设备,专用无功补偿设备可以为并联电容器组和SVG,兼用无功补偿设备可以为光伏逆变器。
(2)智能控制终端用于划分电网负荷和光伏出力的行为状态,利用马尔科夫链原理确定相邻时刻行为状态之间的联系,并对每个行为状态下的负荷和光伏出力进行概率建模,从而预测各节点在下一时间段内各时刻的负荷和光伏出力。
其中,负荷行为状态划分方法是统计负荷历史运行数据在t时刻最大值PLmax,t与最小值PLmin,t,将t时刻数据区间[PLmin,t,PLmax,t]进行n等分,等分后的每个范围均代表负荷在t时刻的一个行为状态;光伏出力行为状态划分方法是统计当地辐照度历史数据在t时刻最大值Irrmax,t与最小值Irrmin,t,将t时刻数据区间[Irrmin,t,Irrmax,t]进行n等分,等分后的每个范围均代表光伏出力在t时刻的一个行为状态。
为确定行为状态之间的联系,将负荷和光伏出力时间分别划分为ti和tpvti个时间段进行分析,统计每个时间段内行为状态转移情况,建立t时刻行为状态的转移概率矩阵为
其中,Ns为行为状态总数,其中用于居民用电行为状态计算时Ns=K,用于云层状态计算时Ns=LIr。
根据负荷和光伏出力的当前时刻行为状态概率分布Ps(t),结合公式(1)可得下一时刻两者的行为状态概率分布如公式(2)所示。
其中, 为t时刻负荷或光伏出力处于行为状态is的概率。
定义fs(x)为负荷或光伏出力行为状态映射函数,即行为状态则由公式(3)可以根据行为状态概率得到下一时刻随机取得的行为状态。
为构建负荷和光伏出力在不同行为状态下的功率概率分布,统计各行为状态下对应的功率数据,利用正态分布建立负荷的概率密度函数如公式(4)所示,利用Beta分布建立光伏出力的概率密度函数如公式(5)所示。
其中,sL为居民用电的视在功率;k为负荷行为状态位次,其中k∈[1,K],K为负荷行为状态的种类总数;μk和σk分别为行为状态k正态分布的均值及标准差。
其中,Γ(·)为伽马函数;xs=SIrr,t/SIrref,t,其中SIrr,t为t时刻光照强度;SIrref,t为t时刻晴天基准光照强度,晴天基准光照可取固定基准光照,也可根据不同地区和季节动态修正,本文取当地无云条件下各季节平均基准光照进行计算,当某一时刻历史光照数据大于基准光照时,则按基准光照数据进行计算;和/>均为光伏出力在行为状态Ir下的Beta分布参数,可根据不同行为状态下光照强度历史数据与基准光照比值的平均值/>和标准差/>近似计算,其中/>PPV,N为光伏并网额定功率;SIrref为标准光照强度,1000W/m2。
根据当前时刻负荷和光伏出力的行为状态,利用公式(2)-(3)确定下一时刻行为状态,通过公式(4)-(5)得到对应行为状态下负荷和光伏出力的功率值。
以此方式,不断迭代计算,直至得到各节点在下一时间段内各时刻的负荷和光伏出力。
(3)智能控制终端用于以任一时刻下各节点的电压偏差之和最小为模型求解目标,以任一时刻下的节点功率平衡约束、任一时刻下的节点控制变量约束、任一时刻下的节点电压约束为模型约束,建立无功优化模型(多时间尺度无功优化模型)。
其中,以任一时刻下各节点的电压偏差之和最小为模型求解目标,具体如公式(6)所示。
其中,t为时刻,t∈[1,Tm],Tm为一天划分的分析时刻数量;n为节点的数量;Ut,i为t时刻节点i电压;U0为节点电压标称值。
以任一时刻下的节点功率平衡约束为模型约束,具体如公式(7)所示。
其中,Pt,i和Qt,i分别为t时刻注入节点i的有功功率和无功功率,其中PPV,t,i和QPV,t,i分别为t时刻节点i处光伏逆变器输出的有功功率和无功功率;PL,t,i和QL,t,i分别为t时刻节点i负荷消耗的有功功率和无功功率;QC,t,i为t时刻节点i处并联电容器组的投切容量;QSVG,t,i为t时刻节点i处SVG补偿的无功功率;Ut,i和Ut,j分别为t时刻节点i和节点j的电压;Gij和Bij分别为节点i和节点j之间的线路电导和电纳;θt,ij为t时刻节点i和节点j的电压相角差。
以任一时刻下的节点控制变量约束为模型约束,具体如公式(8)所示。
其中,QPVmax,t,i为t时刻节点i的光伏逆变器剩余容量;QSVGmax,i为节点i的SVG安装容量;NC,t,i为t时刻节点i并联电容器投切组数;NCmax为并联电容器组最大投切组数;qC为并联电容器单组投切容量;Sins,i为节点i的光伏安装容量;QSVGGFM,t,i和QSVGGFL,t,i分别为t时刻节点i处SVG构网和跟网控制补偿的无功功率。
以任一时刻下的节点电压约束为模型约束,具体如公式(9)所示。
UNmin≤Ut,i≤UNmax (9)
其中,UNmax和UNmin分别为t时刻节点i的电压上限和下限,Ut,i为t时刻节点i的电压。
(4)智能控制终端用于根据无功补偿设备的属性将其划分为构网型设备和跟网型设备,并根据跟踪响应能力将其划分为多种可调控周期响应等级,并制定不同可调控周期响应等级下的协同控制手段。
具体地,根据专用和兼用无功补偿设备的分析,从集中控制指令发布的时间角度对并联电容器、SVG、光伏逆变器的无功指令控制类型和可调控周期响应等级进行划分如表1所示。并联电容器由于自身机械动作特性,调控指令周期的时间尺度为小时级,根据控制类型将其划分为跟网型控制,并将该设备可调控周期响应等级定义为慢速,对应电网无功优化最外层,即设备的协同操作顺序最先考虑;SVG和光伏逆变器特性相似,两者的跟网型控制主要跟随集中控制指令动作,调控指令周期和集中控制指令发布时间相同,故将其可调控周期响应等级定义为中速,对应电网无功优化最外层和中间层;构网型设备可以在集中控制指令间隔期间自由控制无功功率输出,无功指令相当于实时调整,故将其可调控周期响应等级定义为快速,对应电网无功优化最内层,其中电网前两层无功优化不足情况下也可以将其容量用于前两层进行优化。通过多种无功补偿设备在小时级别、集中控制指令时刻级别、实时级别的多时间尺度协同控制关系为后续求解无功优化模型提供基础。
表1
制定构网型设备控制手段时需要预测下两个时刻内负荷和光伏出力可能出现的场景,当超过50%的预测场景满足启动构网型设备有利于降低电压偏差条件时,则启动构网型设备,否则不启动。
当构网型设备安装节点在下一时段内出现电压自身kF%浮动变化时执行强制调节,对于是否执行输出或吸收无功则根据公式(10)进行判断。在下一个时段内当该节点电压大于(1+kF)Ut时构网型设备消耗无功功率,小于(1-kF)Ut时构网型设备输出无功功率,直到达到该设备最大补偿容量为止。
(5)智能控制终端用于将各节点在下一时间段内各时刻的负荷和光伏出力代入无功优化模型中相应的参数项,以求解无功优化模型,得到各节点在下一时间段内各时刻所需的无功功率,并生成各节点的无功功率需求曲线。
(6)智能控制终端用于采用粒子群算法对各节点的无功功率需求曲线进行快速分解,得到各节点中不同可调控周期响应等级的无功补偿设备的无功功率需求曲线。
具体地,考虑中速和慢速无功补偿设备参与小时级别无功优化,再考虑中速无功补偿设备对集中控制指令时间段的电网运行进行无功优化,最后考虑快速无功补偿设备参与更短时间内电压波动的调节。
由于无功功率补偿资源根据调控指令进行构网或跟网控制,且在优先满足跟网控制的前提下再对剩余的可用无功功率补偿无功资源进行判断是否进行构网控制,即可用于构网控制的无功功率补偿资源如SVG根据调度指令需要可将其容量全部用于跟网控制。
考虑设备慢速响应能力,采用粒子群算法计算小时级时间段最优无功功率需求量,获得小时级专用和兼用无功补偿设备无功功率需求曲线,并将其作为最外层无功功率需求曲线,也即慢速无功补偿设备无功功率需求曲线。若光伏安装节点和区域无功补偿设备安装位置相同,则专用和兼用无功补偿设备无功功率需求量为叠加后的总量;若两种位置不同,则会分别优化出专用和兼用无功补偿设备无功功率需求曲线,对于每一层无功功率需求曲线原理相同。
考虑设备中速响应能力,在最外层无功功率需求量基础上,对专用和兼用中速无功补偿设备进一步无功优化,得到专用和兼用中速无功补偿设备无功功率需求曲线,并将其作为中间层无功功率需求曲线,也即中速无功补偿设备无功功率需求曲线。
考虑设备快速响应能力,在中间层无功功率需求量基础上,选用构网无功补偿设备对电网运行进行无功优化,得到专用构网无功补偿设备无功功率需求曲线,并将其作为最内层无功功率需求曲线,也即快速无功补偿设备无功功率需求曲线。
通过IEEE33节点进行算例分析,得到节点17在白天和夜晚某时间段内各可调控周期响应等级无功补偿设备的无功功率需求曲线,具体可以分别如图2和图3所示。
(7)智能控制终端用于根据各节点中不同可调控周期响应等级的无功补偿设备的无功功率需求曲线,在下一时间段内调整对应无功补偿设备的无功功率。
图4示出了本公开实施例提供的一种无功功率补偿方法的流程图,如图4所示,无功功率补偿方法400可以应用于图1所示的无功功率补偿***100,包括以下步骤:
S410,数据采集设备采集电网中各节点的当前负荷、历史负荷、当前光伏出力、历史光伏出力。
S420,智能控制终端根据各节点的当前负荷、历史负荷、当前光伏出力、历史光伏出力,预测各节点在下一时间段内的负荷和光伏出力。
S430,智能控制终端根据各节点在下一时间段内的负荷和光伏出力求解无功优化模型,生成各节点的无功功率需求曲线。
S440,智能控制终端对各节点的无功功率需求曲线进行分解,得到各节点中不同可调控周期响应等级的无功补偿设备的无功功率需求曲线,并基于此在下一时间段内调整对应无功补偿设备的无功功率。
可以理解的是,图4所示的无功功率补偿方法400应用于图1所示的无功功率补偿***100,能够达到其相应的技术效果,为了简洁,在此不再赘述。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本公开并不受所描述的动作顺序的限制,因为依据本公开,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于可选实施例,所涉及的动作和模块并不一定是本公开所必须的。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (10)
1.一种无功功率补偿***,其特征在于,所述***包括:数据采集设备、智能控制终端以及无功补偿设备,三者依次连接;
所述数据采集设备,用于采集电网中各节点的当前负荷、历史负荷、当前光伏出力、历史光伏出力;
所述智能控制终端,用于根据各节点的当前负荷、历史负荷、当前光伏出力、历史光伏出力,预测各节点在下一时间段内的负荷和光伏出力;根据各节点在下一时间段内的负荷和光伏出力求解无功优化模型,生成各节点的无功功率需求曲线;对各节点的无功功率需求曲线进行分解,得到各节点中不同可调控周期响应等级的无功补偿设备的无功功率需求曲线,并基于此在下一时间段内调整对应无功补偿设备的无功功率。
2.根据权利要求1所述的***,其特征在于,所述智能控制终端具体用于:
将各节点的当前负荷和历史负荷输入预先训练的负荷预测模型,得到各节点在下一时间段内各时刻的负荷;
将各节点的当前光伏出力和历史光伏出力输入预先训练的光伏出力预测模型,得到各节点在下一时间段内各时刻的光伏出力。
3.根据权利要求2所述的***,其特征在于,所述负荷预测模型模型是利用训练数据集对预设神经网络进行训练得到的,其中,所述训练数据集中的样本以节点在某一时刻的当前负荷和历史负荷为样本特征数据,并以节点在某一时刻的下一时间段内各时刻的实际负荷为标签。
4.根据权利要求2所述的***,其特征在于,所述光伏出力预测模型模型是利用训练数据集对预设神经网络进行训练得到的,其中,所述训练数据集中的样本以节点在某一时刻的当前光伏出力和历史光伏出力为样本特征数据,并以节点在某一时刻的下一时间段内各时刻的实际光伏出力为标签。
5.根据权利要求1所述的***,其特征在于,所述智能控制终端具体用于:
针对任一节点,根据节点的当前负荷行为状态概率分布和当前时刻的负荷行为状态转移概率矩阵,计算节点下一时刻的负荷行为状态概率分布;
根据节点下一时刻的负荷行为状态概率分布和负荷行为状态映射函数,计算节点在下一时刻的负荷行为状态;
根据节点在下一时刻的负荷行为状态和对应的负荷概率密度函数,计算节点在下一时刻的负荷;
不断迭代计算,直至计算出节点在下一时间段内各时刻的负荷;
针对任一节点,根据节点的当前光伏出力行为状态概率分布和当前时刻的光伏出力行为状态转移概率矩阵,计算节点下一时刻的光伏出力行为状态概率分布;
根据节点下一时刻的光伏出力行为状态概率分布和光伏出力行为状态映射函数,计算节点在下一时刻的光伏出力行为状态;
根据节点在下一时刻的光伏出力行为状态和对应的光伏出力概率密度函数,计算节点在下一时刻的光伏出力;
不断迭代计算,直至计算出节点在下一时间段内各时刻的光伏出力。
6.根据权利要求5所述的***,其特征在于,在所述预测各节点在下一时间段内的负荷和光伏出力之前,所述智能控制终端还用于:
针对任一节点,根据节点的历史负荷划分节点在一天中各时刻的负荷行为状态,统计节点在一天中各时刻的负荷行为状态的转移概率,生成各时刻的负荷行为状态转移概率矩阵。
7.根据权利要求5所述的***,其特征在于,在所述预测各节点在下一时间段内的负荷和光伏出力之前,所述智能控制终端还用于:
针对任一节点,根据节点的历史光伏出力划分节点在一天中各时刻的光伏出力行为状态,统计节点在一天中各时刻的光伏出力行为状态的转移概率,生成各时刻的光伏出力行为状态转移概率矩阵。
8.根据权利要求1所述的***,其特征在于,所述无功优化模型是通过以下步骤构建的:
以任一时刻下各节点的电压偏差之和最小为模型求解目标,以任一时刻下的节点功率平衡约束、任一时刻下的节点控制变量约束、任一时刻下的节点电压约束为模型约束,构建无功优化模型。
9.根据权利要求1所述的***,其特征在于,所述智能控制终端具体用于:
采用粒子群算法对各节点的无功功率需求曲线进行分解,得到各节点中不同可调控周期响应等级的无功补偿设备的无功功率需求曲线。
10.根据权利要求9所述的***,其特征在于,所述无功补偿设备的可调控周期响应等级是通过以下步骤确定的:
若无功补偿设备为并联电容器,则确定其可调控周期响应等级为第一级别;
若无功补偿设备为跟网型控制的电力电子设备,则确定其可调控周期响应等级为第二级别;
若无功补偿设备为构网型控制的电力电子设备,则确定其可调控周期响应等级为第三级别;
其中,第一级别对应的响应速度低于第二级别对应的响应速度,第二级别对应的响应速度低于第三级别对应的响应速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310483634.6A CN116722561B (zh) | 2023-04-28 | 2023-04-28 | 一种无功功率补偿*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310483634.6A CN116722561B (zh) | 2023-04-28 | 2023-04-28 | 一种无功功率补偿*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116722561A true CN116722561A (zh) | 2023-09-08 |
CN116722561B CN116722561B (zh) | 2024-07-05 |
Family
ID=87872301
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310483634.6A Active CN116722561B (zh) | 2023-04-28 | 2023-04-28 | 一种无功功率补偿*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116722561B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118074152A (zh) * | 2024-04-19 | 2024-05-24 | 兴盛电器股份有限公司 | 一种无级补偿方法、装置、设备及存储介质 |
CN118249346A (zh) * | 2024-05-28 | 2024-06-25 | 国网浙江省电力有限公司义乌市供电公司 | 基于数字化园区的电网负荷智能预测方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105811424A (zh) * | 2014-12-29 | 2016-07-27 | 国家电网公司 | 一种分布式光伏逆变器和电容器组无功协调控制方法 |
CN109347137A (zh) * | 2018-09-21 | 2019-02-15 | 中国农业大学 | 一种分布式光伏集群协调优化控制方法及装置 |
US20200161867A1 (en) * | 2018-11-15 | 2020-05-21 | Hefei University Of Technology | Method, system and storage medium for load dispatch optimization for residential microgrid |
CN112330021A (zh) * | 2020-11-05 | 2021-02-05 | 中国电子科技集团公司第十八研究所 | 一种分布式光储***的网络协调控制方法 |
CN112600218A (zh) * | 2020-11-30 | 2021-04-02 | 华北电力大学(保定) | 含光伏储能***的电网无功电压多时间尺度优化控制方法 |
CN114792976A (zh) * | 2022-05-09 | 2022-07-26 | 江苏省电力试验研究院有限公司 | 基于多分段无功电压曲线的光伏逆变器无功电压控制方法 |
CN115776139A (zh) * | 2022-12-09 | 2023-03-10 | 国网河南省电力公司经济技术研究院 | 一种分布式光伏分层群调群控方法和*** |
-
2023
- 2023-04-28 CN CN202310483634.6A patent/CN116722561B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105811424A (zh) * | 2014-12-29 | 2016-07-27 | 国家电网公司 | 一种分布式光伏逆变器和电容器组无功协调控制方法 |
CN109347137A (zh) * | 2018-09-21 | 2019-02-15 | 中国农业大学 | 一种分布式光伏集群协调优化控制方法及装置 |
US20200161867A1 (en) * | 2018-11-15 | 2020-05-21 | Hefei University Of Technology | Method, system and storage medium for load dispatch optimization for residential microgrid |
CN112330021A (zh) * | 2020-11-05 | 2021-02-05 | 中国电子科技集团公司第十八研究所 | 一种分布式光储***的网络协调控制方法 |
CN112600218A (zh) * | 2020-11-30 | 2021-04-02 | 华北电力大学(保定) | 含光伏储能***的电网无功电压多时间尺度优化控制方法 |
CN114792976A (zh) * | 2022-05-09 | 2022-07-26 | 江苏省电力试验研究院有限公司 | 基于多分段无功电压曲线的光伏逆变器无功电压控制方法 |
CN115776139A (zh) * | 2022-12-09 | 2023-03-10 | 国网河南省电力公司经济技术研究院 | 一种分布式光伏分层群调群控方法和*** |
Non-Patent Citations (1)
Title |
---|
董杰 等: "含高比例光伏配电网电压安全性数字孪生预警方法", 《现代电力》, 10 April 2023 (2023-04-10), pages 170 - 179 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118074152A (zh) * | 2024-04-19 | 2024-05-24 | 兴盛电器股份有限公司 | 一种无级补偿方法、装置、设备及存储介质 |
CN118249346A (zh) * | 2024-05-28 | 2024-06-25 | 国网浙江省电力有限公司义乌市供电公司 | 基于数字化园区的电网负荷智能预测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN116722561B (zh) | 2024-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105846461B (zh) | 一种大规模储能电站自适应动态规划的控制方法和*** | |
CN116722561B (zh) | 一种无功功率补偿*** | |
CN107301472B (zh) | 基于场景分析法和电压调节策略的分布式光伏规划方法 | |
CN104636822B (zh) | 一种基于elman神经网络的居民负荷预测方法 | |
CN105576699B (zh) | 一种独立微电网储能裕度检测方法 | |
CN110783925A (zh) | 一种两级部署的电网调控模型中心控制***及方法 | |
CN114707767B (zh) | 一种新能源电力***低谷时段可调峰功率预测方法 | |
CN105896575B (zh) | 基于自适应动态规划的百兆瓦储能功率控制方法及*** | |
CN113224769B (zh) | 考虑光伏多状态调节的多时间尺度配电网电压优化方法 | |
CN108808737A (zh) | 促进可再生分布式电源消纳的主动配电网优化调度方法 | |
CN111092451A (zh) | 一种基于配电网网格的光伏消纳预警方法 | |
CN107332252A (zh) | 一种计及广义无功源的配电网低电压综合治理方法 | |
CN115965132A (zh) | 基于ga-bp神经网络的分布式光伏数字孪生***功率预测方法 | |
CN113872213A (zh) | 一种配电网电压自主优化控制方法及装置 | |
CN116722608B (zh) | 一种基于光伏逆变器的无功功率补偿*** | |
Sallam et al. | Optimal power flow considering intermittent solar and wind generation using multi-operator differential evolution algorithm | |
CN116707036B (zh) | 基于光伏逆变器的无功功率补偿方法、装置以及设备 | |
CN117913789A (zh) | 一种分布式光储参与配电网改进多目标优化控制方法 | |
CN107609690A (zh) | 一种负荷主动管理决策优化的方法 | |
CN109586309B (zh) | 基于大数据自由熵理论和场景匹配的配电网无功优化方法 | |
CN116488223A (zh) | 家庭光-蓄-柔双层多时间尺度控制方法、装置及介质 | |
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*** | |
CN115800306A (zh) | 考虑风机故障的风光储无功补偿方法、装置及介质 | |
CN112117772B (zh) | 一种新能源接入下计及输电阻塞的储能快速优化配置方法 | |
CN115375032A (zh) | 一种含分布式储能的区域电网多时间尺度优化调度方法 |
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 |