Traditional reactive power optimization aims to minimize the total transmission losses by control reactive power compensators and transformer tap ratios, while guaranteeing the physical and operating constraints, such as voltage magnitudes and branch currents to be within their reasonable range. However, large amounts of renewable resources coming into power systems bring about great challenges to traditional planning and operation due to the stochastic nature. In most of the practical cases from China, the wind farms are centrally integrated into active distribution networks. By the use of conic relaxation based branch flow formulation, the reactive optimization problem in active distribution networks can be formulated as a mixed integer convex programming model that can be tractably dealt with. Furthermore, to address the uncertainties of wind power output, a two-stage robust optimization model is proposed to coordinate the discrete and continuous reactive power compensators and find a robust optimal solution that can hedge against any possible realization within the uncertain wind power output. Moreover, the second order cone programming-based column-and-constraint generation algorithm is employed to solve the proposed two-stage robust reactive power optimization model. Numerical results on 33-, 69- and 123-bus systems and comparison with the deterministic approach demonstrate the effectiveness of the proposed method.

Forming multiple micorgrids with distributed generators offers a resilient solution to restore critical loads from natural disasters in distribution systems. However, more dummy binary and continuous variables are needed with the increase of the number of microgrids, which will therefore increase the complexity of this model. To address this issue, this letter presents a new model to reformulate the micorgrid formulation problem in resilient distribution networks. Compared with the traditional model, the number of both binary and continuous variables is greatly reduced, such that the computational performance is significantly improved. Numerical results on IEEE test systems verify the effectiveness of the proposed model.

Photovoltaic (PV) electric power has been widely employed to satisfy rising energy demands because inexhaustible renewable energy is environmentally friendly. In order to mitigate the impact caused by the uncertainty of solar radiation in grid-connected PV systems, a hybrid method based on a deep convolutional neural network (CNN) is introduced for short-term PV power forecasting. In the proposed method, different frequency components are first decomposed from the historical time series of PV power through variational mode decomposition (VMD). Then, they are constructed into a two-dimensional data form with correlations in both daily and hourly timescales that can be extracted by convolution kernels. Moreover, the time series of residue from VMD is refined into advanced features by a CNN, which could reduce the data size and be easier for further model training along with meteorological elements. The hybrid model has been verified by forecasting the output power of PV arrays with diverse capacities in various hourly timescales, which demonstrates its superiority over commonly used methods.

This paper proposes a distribution system restoration model which is in response to multiple outages caused by natural disasters. The proposed restoration model includes the coordination of routing repair crews (RRCs), mobile battery-carried vehicles (MBCVs), and networked microgrids (NMGs) formed by soft open points (SOPs). The travel and repair time constraints are modeled for each RRC; travel path and charging strategy are modeled for each MBCV; and the network reconfiguration is developed considering the optimal operation of SOP-based NMGs. The proposed model is presented as a mixed-integer linear program which is solved by an auxiliary induce function based algorithm to reduce the computational complexity. The modified IEEE 33-bus and 69-bus distribution systems are tested with multiple outages. The presented results demonstrate the effectiveness of the proposed model.

Optimally dispatching photovoltaic (PV) inverters is an efficient way to avoid overvoltage in active distribution networks, which may occur in the case of the PV generation surplus load demand. Typically, the dispatching optimization objective is to identify critical PV inverters that have the most significant impact on the network voltage level. Following, it ensures the optimal set-points of both active power and reactive power for the selected inverters, guaranteeing the entire system operating constraints (e.g., the network voltage magnitude) within reasonable ranges. However, the intermittent nature of solar PV energy may affect the selection of the critical PV inverters and also the final optimal objective value. In order to address this issue, a two-stage robust centralized-optimal dispatch model is proposed in this paper to achieve a robust PV inverter dispatch solution considering the PV output uncertainties. In addition, the conic relaxation-based branch flow formulation and the column-and-constraint generation algorithm are employed to deal with the proposed robust optimization model. Case studies on a 33-bus distribution network and comparisons with the deterministic optimization approach have demonstrated the effectiveness of the proposed method.

Abstract Hydrogen energy storage plays an important role in improving the operation efficiency and reliability of power systems with high wind energy penetration. Hydrogen to power (HtP) system is the key link of hydrogen applications. However, the single HtP equipment is limited in power output range and efficiency. Hybrid HtP system is an important scheme to realize the performance complementary. A wider power output range can enrich the application scenarios of hydrogen energy storage and provide flexible and reliable energy scheduling in larger and more complex energy systems. In this study, first, a power system including traditional units, wind power generation and hybrid HtP system is established. Second, a bi‐layer hybrid HtP system optimal configuration model considering planning and operation is constructed. Then, a bi‐layer optimal configuration method based on the improved PSO algorithm is proposed. Finally, the optimization model and its solution method are applied to IEEE RTS‐96. The discussions based on the optimization results show that the hybrid HtP system has significant contributions in optimizing the output cost of traditional units, improving the utilization of wind energy, and reducing load shedding losses.