一种通过微电网形成的弹性配电系统模型

2024-05-07 11:12

本文主要是介绍一种通过微电网形成的弹性配电系统模型,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

简介

使用分布式电源(DG)为形成多个微电网提供了一种弹性解决方案,以恢复配电系统中因自身故障损失的关键负荷。然而,随着微电网数量的增加,需要更多的虚拟二元和连续变量,因此将增加该模型的复杂性。为了解决这个问题,提出了一种新的模型来重新制定弹性配电网络中的微网的公式问题。与传统模型相比,二元变量和连续变量的数量都大大减少,计算性能显著提高。IEEE系统的数值结果验证了所提模型的有效性。

快速有效的恢复是提高配电系统弹性的关键步骤。随着分布式电源(DG)的渗透率不断提高,有意与 DG 分离被认为是通过在组件中断后提供关键负载来提高电力系统弹性的有效措施。具体而言,可通过启发式和穷举式搜索算法来寻找最佳孤岛。由于启发式或穷举式搜索方法可能无法保证全局最优解,因此可采用混合整数线性规划,其中提出了一种微电网形成方案,以在重大故障后拾取临界负荷,假设每个可控DG形成一个孤岛微电网。这项工作对使用DG的配电系统恢复具有重要意义,但其实施需要随着微电网数量的增加而增加决策变量,计算负担阻碍了其实用性。因此,本博文将为混合整数线性规划的模型提出一种新的数学公式,以减少决策变量的数量并提高计算性能。

弹性配电系统的微电网形成通过隔离开关进行分段形成不同的网络单元,其中每个微电网中只有一个 DG,以保证系统自给自足。目标是最大化自然灾害后拾取的荷载的总加权和,同时满足操作约束和拓扑约束。

约束条件

对于微电网,我们使用线性化的DistFlow潮流模型来制定微电网运行约束,从而给出约束条件(1)-(6)。具体来说,(1)意味着功率平衡;(2) 是 DistFlow 方潮流程。具体来说,如果支路闭合,则该支路的电压差受潮流约束,应限制支路流量;否则,电压差是任意的,支路流量必须为零;(3)给出每条母线的电压限制;(4)及(5)指输出限值;(6) 表示负荷需求上限。

其中 Uj是母线 j 的电压大小;PDG,i和QDG,i为总线j处DG的有功和无功输出;PL,i 和 QL,i 为总线 j 处恢复的有功和无功负载需求;Hjs 和 Gjs 是从总线 j 到总线 s 的有功和无功功率;cij 表示分支 ij 的状态,如果 cij=1,则该分支关闭,否则该分支打开。Rij 和 xij 是支部 ij 的电阻和电抗;U0 j 是 DG 总线 j 处的指定电压值; 和  是一组公共汽车和分支;{DG} 是 DG 的集合;PDG,i min 和 PDG,i max 是总线 i 处 DG 的最小和最大有功功率限值;QDG,i min和QDG,i max为总线i处DG的最小和最大无功功率限值;Ui min 和 Ui max 是总线 i 的最小和最大电压限制;P 0 L,i为正常工况下的负荷需求;π(j) 和 δ(j) 是总线 j 的所有父母和子女的集合;Sij max 是分支 ij 的容量;M 是一个很大的数。

拓扑约束

考虑节点聚类约束、微电网连通约束和分支-节点约束来实现配电网划分为多个微电网。然而,与输电系统不同,配电系统具有拓扑结构呈径向的特性。因此,如果能够实现径向度,则将满足与拓扑相关的所有约束。由此来看,上述约束是多余的,可以简化为“径向约束”。一个充分且必要的径向条件,即当且仅当满足以下两个条件时,该图才是径向的:(i)每个子图都是一个连通图;(ii) 分支数等于节点数减去给定的子图数。

为了实现第一个条件,根据图论,可以使用单一商品流方法通过数学规划来制定子图连通性约束[6]。网络连接的条件基于单个物流的以下特征:设计一个具有相同拓扑结构的虚构网络,其中每个子图只有一个电源,称为“源”,所有其他总线(“源”总线除外)都有单位负载需求,充当“接收器”。由于虚构网络具有与原始电力网络相同的拓扑结构,因此它们具有相同的连接性。因此,虚构网络中每条总线的能量平衡满足意味着“源”总线和所有其他总线之间至少存在一条路径,因此必须连接子图。值得注意的是,可以在每个微电网中的任何总线上选择电源。在这项工作中,我们选择每个微电网中的DG总线作为“源”总线。因此可得到以下式子:

其中 |{●}|是集合 {●} 的基数;Fij 是虚构网络中线路 ij 上传输的功率;Wj 是虚构网络中由“源”总线提供的电源。

为了实现第二个条件:

值得注意的是,由于每个微电网仅包含一个分布式电源,因此微电网的数量与分布式电源相同。因此, |{DG}|是预先确定的参数。此外,设 wj 表示与总线 j 处的负载相关的优先级权重。最后,所提出的模型可以表述为 :

此模型与传统模型的比较 :

对比可以看出,连续变量(uj k,P k DG,j,Qk DG,j,δj k)定义为电压幅度、DG的有功和无功功率输出以及微电网 k的总线j处的松弛电压变量;二进制变量 vj k 表示总线 j 是否属于 微电网 k(如果总线 j 属于微电网 k,则 vj k=1,否则 vj k=0)。然后,分支节点约束显示 cij 和 vj k 之间的关系。然而,从表I中可以看出,[4]中的模型需要为每个微电网使用一组变量,因此变量的数量将随着微电网数量的增加而急剧增加。相比之下,无论微电网的数量如何,所提出的模型都不会增加太多。

1 变量数的比较

所提出的模型与传统中的模型的比较在一个大型615总线测试系统上进行了测试,该系统由五个123总线系统的组合组成。我们选择不同数量的 DG 进行说明,在事故发生后,整个配电系统与电网断开连接。此外,我们假设每个DG的最大有功和无功限制为500 kW和200 kVar,并且与负载相关的重量优先级权重相等。计算由GUROBI求解器计算机上进行。如表二所示,传统模型和所提出的模型实现了相同的最优目标值('obj.'),但随着微电网('NG')数量的增加,所提出的模型显著减少了二元变量('NB')和连续变量('NC')的数量。具体而言,NG=6时,NB和NC分别为传统模型和43%,NG=36时,NB和NC分别为传统模型中的3%和8%。这意味着随着 NG 的增加,更多的虚拟二进制和连续变量会减少。此外,对于计算时间('T.'),所提出的模型的运行速度比[传统模型的传统方法快15倍以上。特别是,随着NG的增加,将节省更多的计算时间。 

这篇关于一种通过微电网形成的弹性配电系统模型的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/967185

相关文章

一份LLM资源清单围观技术大佬的日常;手把手教你在美国搭建「百万卡」AI数据中心;为啥大模型做不好简单的数学计算? | ShowMeAI日报

👀日报&周刊合集 | 🎡ShowMeAI官网 | 🧡 点赞关注评论拜托啦! 1. 为啥大模型做不好简单的数学计算?从大模型高考数学成绩不及格说起 司南评测体系 OpenCompass 选取 7 个大模型 (6 个开源模型+ GPT-4o),组织参与了 2024 年高考「新课标I卷」的语文、数学、英语考试,然后由经验丰富的判卷老师评判得分。 结果如上图所

大语言模型(LLMs)能够进行推理和规划吗?

大语言模型(LLMs),基本上是经过强化训练的 n-gram 模型,它们在网络规模的语言语料库(实际上,可以说是我们文明的知识库)上进行了训练,展现出了一种超乎预期的语言行为,引发了我们的广泛关注。从训练和操作的角度来看,LLMs 可以被认为是一种巨大的、非真实的记忆库,相当于为我们所有人提供了一个外部的系统 1(见图 1)。然而,它们表面上的多功能性让许多研究者好奇,这些模型是否也能在通常需要系

通信系统网络架构_2.广域网网络架构

1.概述          通俗来讲,广域网是将分布于相比局域网络更广区域的计算机设备联接起来的网络。广域网由通信子网于资源子网组成。通信子网可以利用公用分组交换网、卫星通信网和无线分组交换网构建,将分布在不同地区的局域网或计算机系统互连起来,实现资源子网的共享。 2.网络组成          广域网属于多级网络,通常由骨干网、分布网、接入网组成。在网络规模较小时,可仅由骨干网和接入网组成

Linux系统稳定性的奥秘:探究其背后的机制与哲学

在计算机操作系统的世界里,Linux以其卓越的稳定性和可靠性著称,成为服务器、嵌入式系统乃至个人电脑用户的首选。那么,是什么造就了Linux如此之高的稳定性呢?本文将深入解析Linux系统稳定性的几个关键因素,揭示其背后的技术哲学与实践。 1. 开源协作的力量Linux是一个开源项目,意味着任何人都可以查看、修改和贡献其源代码。这种开放性吸引了全球成千上万的开发者参与到内核的维护与优化中,形成了

人工和AI大语言模型成本对比 ai语音模型

这里既有AI,又有生活大道理,无数渺小的思考填满了一生。 上一专题搭建了一套GMM-HMM系统,来识别连续0123456789的英文语音。 但若不是仅针对数字,而是所有普通词汇,可能达到十几万个词,解码过程将非常复杂,识别结果组合太多,识别结果不会理想。因此只有声学模型是完全不够的,需要引入语言模型来约束识别结果。让“今天天气很好”的概率高于“今天天汽很好”的概率,得到声学模型概率高,又符合表达

智能客服到个人助理,国内AI大模型如何改变我们的生活?

引言 随着人工智能(AI)技术的高速发展,AI大模型越来越多地出现在我们的日常生活和工作中。国内的AI大模型在过去几年里取得了显著的进展,不少独创的技术点和实际应用令人瞩目。 那么,国内的AI大模型有哪些独创的技术点?它们在实际应用中又有哪些出色表现呢?此外,普通人又该如何利用这些大模型提升工作和生活的质量和效率呢?本文将为你一一解析。 一、国内AI大模型的独创技术点 多模态学习 多

OpenCompass:大模型测评工具

大模型相关目录 大模型,包括部署微调prompt/Agent应用开发、知识库增强、数据库增强、知识图谱增强、自然语言处理、多模态等大模型应用开发内容 从0起步,扬帆起航。 大模型应用向开发路径:AI代理工作流大模型应用开发实用开源项目汇总大模型问答项目问答性能评估方法大模型数据侧总结大模型token等基本概念及参数和内存的关系大模型应用开发-华为大模型生态规划从零开始的LLaMA-Factor

模型压缩综述

https://www.cnblogs.com/shixiangwan/p/9015010.html

AI赋能天气:微软研究院发布首个大规模大气基础模型Aurora

编者按:气候变化日益加剧,高温、洪水、干旱,频率和强度不断增加的全球极端天气给整个人类社会都带来了难以估计的影响。这给现有的天气预测模型提出了更高的要求——这些模型要更准确地预测极端天气变化,为政府、企业和公众提供更可靠的信息,以便做出及时的准备和响应。为了应对这一挑战,微软研究院开发了首个大规模大气基础模型 Aurora,其超高的预测准确率、效率及计算速度,实现了目前最先进天气预测系统性能的显著

PyTorch模型_trace实战:深入理解与应用

pytorch使用trace模型 1、使用trace生成torchscript模型2、使用trace的模型预测 1、使用trace生成torchscript模型 def save_trace(model, input, save_path):traced_script_model = torch.jit.trace(model, input)<