大规模电动汽车(plug-in electric vehicle,PEV)和风光等可再生能源发电并网使配电网分布式电源(distributed generation,DG)定容选址需考虑更多的不确定因素,为此,利用机会约束规划方法建立了以环境效益、供电可靠性、DG总费用和有功...大规模电动汽车(plug-in electric vehicle,PEV)和风光等可再生能源发电并网使配电网分布式电源(distributed generation,DG)定容选址需考虑更多的不确定因素,为此,利用机会约束规划方法建立了以环境效益、供电可靠性、DG总费用和有功损耗最优为目标的DG优化配置模型,并提出蒙特卡洛模拟嵌入改进量子粒子群(improved quantum particle swarm optimization algorithm-Monte Carlo simulation,IQPSO-MCS)的方法进行求解。在优化配置中考虑了风电、光伏、微型燃气轮机3种DG的选址和定容;并针对输出功率不确定的风力发电、光伏发电和电动汽车建立了概率模型,利用蒙特卡洛模拟法将随机性问题转化为确定性问题,实现含不确定因素的配电网随机潮流计算;最后由带自适应变异机制的IQPSO算法全局寻优得到最优配置方案。以IEEE 33节点测试配电系统为例,验证了所提模型和方法的有效性和实用性。展开更多
考虑主动配电网(active distribution network,ADN)对分布式电源(distributed generation,DG)的消纳能力以及DG投资成本,以年综合成本最小为目标建立ADN中计及电动汽车影响与需求侧管理的DG配置模型;并在DG规划过程中考虑DG出力的切除...考虑主动配电网(active distribution network,ADN)对分布式电源(distributed generation,DG)的消纳能力以及DG投资成本,以年综合成本最小为目标建立ADN中计及电动汽车影响与需求侧管理的DG配置模型;并在DG规划过程中考虑DG出力的切除量最小,基于分层求解的思想,将模型分解成双层模型。提出差分进化算法和原对偶内点法相结合的策略对模型进行求解;最后以IEEE-33节点ADN为算例测试模型和算法的有效性,分析电动汽车和需求侧管理对规划结果的影响。展开更多
文摘考虑主动配电网(active distribution network,ADN)对分布式电源(distributed generation,DG)的消纳能力以及DG投资成本,以年综合成本最小为目标建立ADN中计及电动汽车影响与需求侧管理的DG配置模型;并在DG规划过程中考虑DG出力的切除量最小,基于分层求解的思想,将模型分解成双层模型。提出差分进化算法和原对偶内点法相结合的策略对模型进行求解;最后以IEEE-33节点ADN为算例测试模型和算法的有效性,分析电动汽车和需求侧管理对规划结果的影响。
