考虑电动汽车V2G的分布式电源优化配置

电动汽车(electric vehicle,EV)的车网互联(vehicle togrid,V2G)与风光等可再生能源分布式电源(distributed generation,DG)的不稳定出力,给配电网带来不确定性。首先在考虑EV行驶特征随机性的基础上提出以削峰填谷与用户充电费用为目标的有序充放电V2G策略,建立EV充放电功率的概率模型。其次,在考虑风速、光照强度、负荷以及EV充放电功率的随机性以及相关性的基础上,建立了以配电网总成本、环境收益和供电质量为目标函数的多目标DG优化配置模型。然后采用萤火虫算法(firefly algorithm,FA)求解出全局最优配置方案。最后采用实际算例进行仿真,通过分析仿真结果,证明所提出模型与方法的可行性。

基于连锁环网与改进离散粒子群算法的多目标配电网重构

配电网重构本质上是一个复杂的高维数非线性组合优化问题。为避免其不可行解的影响,同时实现快速寻优,提出了一种通过连锁环网矩阵快速判断粒子是否满足配电网拓扑约束的方法。采用基于Pareto准则的离散二进制粒子群算法(Binary Particle Swarm Optimization,BPSO)以求解配电网重构多目标优化问题。从三方面对BPSO算法进行改进:改进粒子更新策略以提升新代粒子的可行概率;改进sigmoid函数同时提出邻域搜索机制以强化算法后期的收敛能力;提出基于次优解保留策略的小生境共享机制以改进群体最优粒子更新方式,进而强化算法的全局搜索能力。对IEEE33系统算例进行仿真,结果表明改进BPSO算法在求解含分布式电源(Distributed Generation,DG)的配电网重构多目标优化问题时,能够更加精确高效地收敛至Pareto最优前沿。

基于VAE-CGAN的光伏不确定性建模方法

随着可再生能源渗透率的提高,光伏出力的不确定性和波动性给电网的调度、规划、运行带来更大的挑战。针对光伏出力的不确定性问题,该文提出了一种基于变分自编码器(variational autoencoder, VAE)和条件生成对抗网络(conditional generative adversarial networks,CGAN)联合结构的不确定性建模方法。该方法利用VAE提取天气信息的特征,并将其作为CGAN的条件,从而生成特定天气条件下的光伏不确定出力序列。通过与高斯混合模型方法对比验证,所提的VAE-CGAN模型缩小了特定天气条件下光伏不确定性出力的范围,更具合理性。