面向配电网弹性提升的需求响应优化配置策略

社会和经济的发展对电力系统供电质量提出更高的要求,尤其是与用户相连的配电网易受扰动影响,需加强其供能弹性。随着智能电网技术的发展,通过优化资源配置、灵活调度需求响应资源,可以提高电网供能弹性。采用基于力学映射模型的多阶段弹性评估模型量化需求响应的优化配置对配电网弹性的提升效果,并通过遗传算法求解该非线性优化问题。最后,以IEEE 33节点系统为例验证该模型在需求响应配置问题中的合理性和有效性,并分析优化配置方案对配电网弹性的提升效果。     

基于机会约束规划的含电动汽车主动配电网能量管理方法

针对含电动汽车(EV)和分布式光伏的主动配电网(ADN),提出了一种基于机会约束规划的能量管理方法。首先,基于EV用户的出行特性和需求,构建了基于分段线性化的EV智能充放电决策模型;其次,通过支路潮流模型与二阶锥松弛,构建了含EV与分布式光伏的ADN一体化数学模型,EV集群作为灵活可控单元主动参与ADN的能量管理;然后,为了充分考虑分布式光伏的不确定性,采用机会约束规划方法描述了含不确定性参数的数学模型,并对模型中的机会约束条件进行确定性转换;最后,考虑不同城市功能区内含EV与分布式光伏的ADN场景,进一步对比分析了不同的机会约束条件置信水平下EV对ADN经济安全运行的影响。仿真结果表明,适度降低机会约束条件的置信水平能在保证EV用户出行需求的同时充分地挖掘EV充放电行为的灵活性,进一步实现ADN的灵活运行。     

基于高斯混合模型及近似线性规划的风电系统校正控制方法

提出一种基于高斯混合模型及近似线性规划的风电系统校正控制方法。考虑到风电及负荷功率预测误差的非高斯特性及相关性,建立了描述风电及负荷功率联合概率分布的高斯混合模型。考虑切负荷、发电机功率调整以及统一潮流控制器等控制措施,以控制代价最小为目标函数,构建了计及电压、频率及线路潮流等静态安全约束的风电系统校正控制优化问题的数学模型。为求解含不确定变量的非线性优化问题,依据高斯混合模型的性质,在稳态运行点的邻域内将非线性约束近似转化为线性约束,用线性规划方法求解,并不断迭代直至收敛。最后,将该方法应用于修改后的IEEE 10机39节点算例系统验证其有效性,与场景法的对比结果表明该方法求解效率较高,且具有较好的经济性。     

适用于次同步振荡分析的直驱式风电场等值方法

为解决大规模直驱式风电场阻抗建模困难和数值仿真节点限制的问题,基于阻抗分析法的核心原理,以等值前、后直驱式风电场外阻抗特性相一致为目标,提出了适用于次同步振荡分析的直驱式风电场等值方法。该方法包括基于阻抗灵敏度分析的分群聚合和基于遗传算法的等值降阶2个步骤。分别以风电场含相同型号直驱风机和不同型号直驱风机为例,对等值前、后的直驱式风电场外阻抗特性进行对比分析。结果表明,所提方法能够实现大规模直驱式风电场模型的等值降阶,等值前、后的直驱式风电场外阻抗特性较为接近,其等值误差能够被量化。     

基于B2B-MMC的柔性互联变电站优化调度方法

针对传统变电站内主变之间采用单母线分段开关难以准确调控潮流问题,提出一种基于背靠背模块化多电平换流器（B2B-MMC）的柔性互联变电站优化调度方法。首先,提出含柔性互联变电站的配电网架构,实现潮流的连续性控制及多区域间互相协调;然后,设计柔性互联变电站架构下的一种潮流优化调度方法,采用遗传算法对换流器进行赋值,利用改进交替迭代法进行潮流计算,实现配电网潮流的主动调控;最后,通过仿真模型验证了本文所提控制方法的有效性和合理性。     

一种面向RDSM系统的基于遗传算法优化色散矩阵的方法

矩形差分空间调制（rectangular differential spatial modulation,RDSM）是一种多天线非相干调制技术,该技术频谱效率高,低功耗且无信道估计开销,特别适用于信道快速变化的车联网、物联网、6G蜂窝网络等未来通信系统。然而发射端的稀疏酉矩形空时色散矩阵（dispersion matrix,DM）的构造问题一直是个难点,而当前使用的随机搜索优化方法具有极高的计算复杂度,对此,提出了一种低复杂度遗传算法（genetic algorithm, GA）。根据秩与行列式标准最大化准则（rank and determinant criterion,RDC）的方法计算适应度值,可避免差分系统中所需的分类讨论。根据星座旋转对称性的特点,降低 GA 单次迭代的计算复杂度。仿真结果表明,优化得到的DMs（DM set）显著改善了RDSM系统误比特率（bit error rate,BER）性能,对比随机搜索,低复杂度遗传算法有效提高了RDSMS的DMs优化效率,优化DMs所需的计算复杂度约为随机搜索的0.1%。     

微电网的电流均衡/电压恢复自适应动态规划策略研究

含多类型分布式电源的微电网已经成为了未来电力系统的重要发展方向,其中风能和光能在降低化石能源消耗和二氧化碳排放等方面有着极大优势,考虑二者之间强互补性的协同调度已被广泛研究.但风/光协同调度的微电网多关注分钟级的调度或优化问题而非风/光波动下秒级的实时电流按容量比例精准分担,简称电流均衡,而精准电流均衡有助于可再生能源的高比例消纳.因此,本文提出了基于自适应动态规划的微电网电流均衡和电压恢复控制策略.首先,构建包含风电整流型电能变换器和光电升压型电能变换器的广义风光拓扑同胚升压变换器模型,其提供了后续控制器设计的模型基础.其次,本文将电流均衡和电压恢复问题转化为最优控制问题,基于此,每个能源主体的目标函数转化为获取最优控制变量和最小电压/电流控制偏差,进而转化为求解哈密顿?雅克比?贝尔曼(Hamilton-Jacobi-Bellman,HJB)方程问题.基于此,提出了基于贝尔曼准则的分布式自适应动态规划控制策略以求取HJB方程的数值解,最终实现电流均衡和电压恢复.最后仿真结果验证了所提分布式自适应动态规划控制策略的有效性.     

极地环境含风氢储混合微电网容量优化配置

极地环境复杂多样,常年低温且伴有极夜现象。为了合理配置极地环境微电网系统容量,提高极地环境微电网系统的供电可靠性,文中以中国南极科考站——中山站为研究对象,根据极地环境特性,提出利用富余风电制氢,并配置蓄电池储能装置的风氢储微电网容量优化配置模型。综合考虑极地低温对风机出力、蓄电池容量以及电力负荷的实时影响,以年度平均成本最小为目标,全年负载缺电率为约束,对极地环境下微电网供电系统的容量进行优化配置。算例仿真结果表明,风氢储系统不仅可以提高系统经济性和供电可靠性,还能有效减少能源浪费。     

Digital at the edge – antecedents and performance effects of boundary resource deployment

With business ecosystems digitalizing by the force of digital innovation, the deployment of boundary resources (such as application programming interfaces: APIs) becomes a strategic option across contexts. We distinguish between boundary resources that provide access openness and those that provide resource openness, and theorize the antecedents and consequences of their deployment. Employing panel data regressions to a longitudinal cross-industry dataset, we find that the digital knowledge base of the focal firm and the existence of potential digital complementors drive boundary resource deployment. Such deployment benefits firm performance depending on the firm’s market power. From our empirical analysis, we reveal a differentiated perspective on the quality of the confined openness provided by boundary resources as well as the embeddedness of their deployment in the rationales and motivations of the associated actors in digital business ecosystems. We complement the existent theoretical framework on boundary resources and provide valuable insights to managers reflecting about deploying boundary resources in a beneficial way.     

Stochastic Programming For Order Allocation And Production Planning

Stochastic demand is an important factor that heavily affects production planning. It influences activities such as purchasing, manufacturing, and selling, and quick adaption is required. In production planning, for reasons such as reducing costs and obtaining supplier discounts, many decisions must be made in the initial stage when demand has not been realized. The effects of non-optimal decisions will propagate to later stages, which can lead to losses due to overstocks or out-of-stocks. To find the optimal solutions for the initial and later stage regarding demand realization, this study proposes a stochastic two-stage linear programming model for a multi-supplier, multi-material, and multi-product purchasing and production planning process. The objective function is the expected total cost after two stages, and the results include detailed plans for purchasing and production in each demand scenario. Small-scale problems are solved through a deterministic equivalent transformation technique. To solve the problems in the large scale, an algorithm combining metaheuristic and sample average approximation is suggested. This algorithm can be implemented in parallel to utilize the power of the solver. The algorithm based on the observation that if the remaining quantity of materials and number of units of products at the end of the initial stage are given, then the problems of the first and second stages can be decomposed.