CN110189231B - 一种基于改进遗传算法的电网最优供电方案的确定方法 - Google Patents
一种基于改进遗传算法的电网最优供电方案的确定方法 Download PDFInfo
- Publication number
- CN110189231B CN110189231B CN201910303122.0A CN201910303122A CN110189231B CN 110189231 B CN110189231 B CN 110189231B CN 201910303122 A CN201910303122 A CN 201910303122A CN 110189231 B CN110189231 B CN 110189231B
- Authority
- CN
- China
- Prior art keywords
- power supply
- supply scheme
- power
- constraint
- optimal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000002068 genetic effect Effects 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 22
- 230000035772 mutation Effects 0.000 claims abstract description 22
- 238000011156 evaluation Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000009434 installation Methods 0.000 claims description 11
- 238000012423 maintenance Methods 0.000 claims description 8
- 230000005611 electricity Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000011161 development Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
一种基于改进遗传算法的电网最优供电方案的确定方法,该方法针对N节点配电网络,先以规划阶段内总经济成本最小为目标建立最优供电方案规划模型,再采用改进的遗传算法对最优供电方案规划模型进行求解。本设计通过在算法中引入种群差异程度评价指标以及新的交叉、变异运算概率公式,根据种群差异程度评价指标的变化自适应调整交叉、变异运算的概率与顺序,提高了算法的全局搜索能力、加快了其收敛速度,同时,建立的最优供电方案规划模型使供电方案的可靠性与经济性均达到最优,具有较高的实际应用价值。
Description
技术领域
本发明属于电网规划技术领域,具体涉及一种基于改进遗传算法的电网最优供电方案的确定方法。
背景技术
业扩报装工作是电网公司扩大再生产、不断满足国民经济发展和人民生活用电需求的一项重要工作,也是电网公司加强管理、提高经济效益的重要方面,其对内肩负 市场开拓增效的重任,对外承担着履行社会责任、服务民生和地方经济发展的重担。 业扩报装与电网发展关系密切,是实现国民经济发展对电力需要的一种手段,也是电 网建设和发展的重要组成部分。电网公司应该将业扩报装与电网的网络结构、参数和 运行方式,负荷状态等重要的电网实际运行状态结合起来,并考虑不同行业用户的负 荷发展特性与分布式电源出力特性,从技术、经济上寻找最佳的供电方案。这就需要 从规划的角度出发,建立一个业扩报装最优供电方案规划模型,将供电方案规划方法 与电网规划方法相结合,制定出既满足可靠性又具有最好经济性的最优供电方案。
遗传算法作为一种局域进化论和遗传学原理的随机并行搜索优化方法,是电网规划采用的最常用算法之一。该算法中的交叉算子和变异算子对算法的收敛性、稳定性 和全局性至关重要。传统遗传算法中上述算子采用恒定值,使得该算法存在收敛速度 慢、全局搜索能力不高、容易陷入局部最优解等问题。
发明内容
本发明的目的是针对现有技术存在的上述问题,提供一种能够提高全局搜索能力、加快收敛速度的一种基于改进遗传算法的电网最优供电方案的确定方法。
为实现以上目的,本发明的技术方案如下:
一种基于改进遗传算法的电网最优供电方案的确定方法,该方法针对N节点配电网络,依次包括以下步骤:
步骤A、以规划阶段内总经济成本最小为目标建立最优供电方案规划模型;
步骤B、先根据供电方案制定编码方式,然后根据编码方式与种群规模以随机生成的方式产生初始种群;
步骤C、根据个体适应度计算公式计算个体适应度,其中,所述个体适应度计算 公式为步骤A所述规划模型的目标函数的倒数;
步骤D、进行选择运算,形成下一代的父本;
步骤E、先根据种群差异程度评价指标自适应调整变异运算、交叉运算的概率与顺序,然后依次进行变异运算、交叉运算,形成下一代,其中,所述种群差异程度评 价指标J由以下公式计算得到:
上式中,Fave为种群的适应度平均值,Fmin与Fmax分别为种群适应度的历史最小 值与最大值;
步骤F、判断是否符合算法结束条件,若符合条件则停止计算并输出结果,该结 果即为最优供电方案;若不符合条件则转入步骤C,直至输出结果。
步骤E中,所述变异运算、交叉运算的概率由以下公式计算得到:
T=4J-3
上式中,Pc与Pm分别为交叉运算与变异运算的概率,hc与hm分别为交叉运算与 变异运算的概率计算系数。
步骤B中,所述根据电网的供电方案制定编码方式是指:将所有供电方案与遗传算法内的个体编码一一对应;
所述步骤D通过以下方法形成下一代的父本:
保留最优个体编码,记录最差个体编码,以每个个体适应度计算结果占总适应度的比例为概率随机抽取下一代个体的父本,其中,所述总适应度为种群中所有个体适 应度之和。
步骤A中,所述最优供电方案规划模型的目标函数为:
minf(x)=C+O+ΔL
上式中,x为供电方案中所有用户的接入点,f为规划阶段内总经济成本,C为供 电方案的投资成本,O为规划阶段内的运行维护成本,ΔL为规划阶段内网络损耗成 本变化量,Pij与Pji分别表示网络中支路i-j上正向与反向的有功功率,T为规划阶段 所持续的年限,τ为年最大负荷损耗小时数,p为电价,L0为原网络损耗成本,i与j 分别表示网络中两个不同的节点。
所述最优供电方案规划模型的约束条件包括潮流方程约束、变电站容量约束、节点电压约束、支路功率约束、“N-1”校验约束;
所述潮流方程约束为:
上式中,Psi与Qsi分别为节点i的注入有功功率与无功功率,Vi与Vj分别为节点 i与节点j的电压幅值,Gij与Bij分别为网络节点导纳矩阵Y对应元素Yij的实部与虚 部,θij为节点i与节点j的相角差;
所述变电站容量约束为:
Wi+Wi,o≤Wi,max
上式中,Wi为供电方案在接入点i的新安装容量,Wi,o为接入点i的原安装容量,Wi,max为接入点i的最大允许安装容量;
所述节点电压约束为:
Vi,min≤Vi≤Vi,max,i=1,2,…,N
上式中,Vi,min与Vi,max为节点i的电压下限与上限值;
所述支路功率约束为:
|Pij|≤Pij,max,1≤i,j≤N,i≠j
上式中,Pij为支路i-j上的有功功率,Pij,max为支路i-j允许的有功功率最大值;
所述“N-1”校验约束为:
|Pij,N-1|≤Pij,M,1≤i,j≤N,i≠j
上式中,Pij,N-1为N-1条件下支路i-j上的有功功率,Pij,M为N-1条件下支路i-j 允许的有功功率最大值。
与现有技术相比,本发明的有益效果为:
1、本发明一种基于改进遗传算法的电网最优供电方案的确定方法针对最优供电方案规划模型的特点,提出了一种交叉、变异运算的概率与顺序能够有自适应性变化 的改进遗传算法,该算法通过引入种群差异程度评价指标描述种群进化情况,并采用 特定的交叉、变异运算概率公式,根据种群差异程度评价指标的变化自适应调整交叉、 变异运算的概率与顺序,从而有效提高算法的全局搜索能力、加快其寻优速度,防止 陷入局部最优解。因此,本发明提高了算法的全局搜索能力、加快了其收敛速度。
2、本发明一种基于改进遗传算法的电网最优供电方案的确定方法所提出的模型以规划阶段内总经济成本最小为目标,在满足潮流方程约束、变电站容量约束、节点 电压约束、支路功率约束、“N-1”校验约束的条件下,对供电方案的接入点进行合理 分配,在保证电网安全、稳定、可靠运行的情况下,使供电方案的可靠性与经济性均 达到最优,具有较高的实际应用价值。因此,本发明实现了供电方案的可靠性与经济 性最优。
附图说明
图1为本发明所述改进遗传算法与传统遗传算法的求解速度对比图。
具体实施方式
下面结合具体实施方式对本发明作进一步详细的说明。
一种基于改进遗传算法的电网最优供电方案的确定方法,该方法针对N节点配电网络,依次包括以下步骤:
步骤A、以规划阶段内总经济成本最小为目标建立最优供电方案规划模型;
步骤B、先根据供电方案制定编码方式,然后根据编码方式与种群规模以随机生成的方式产生初始种群;
步骤C、根据个体适应度计算公式计算个体适应度,其中,所述个体适应度计算 公式为步骤A所述规划模型的目标函数的倒数;
步骤D、进行选择运算,形成下一代的父本;
步骤E、先根据种群差异程度评价指标自适应调整变异运算、交叉运算的概率与顺序,然后依次进行变异运算、交叉运算,形成下一代,其中,所述种群差异程度评 价指标J由以下公式计算得到:
上式中,Fave为种群的适应度平均值,Fmin与Fmax分别为种群适应度的历史最小 值与最大值;
步骤F、判断是否符合算法结束条件,若符合条件则停止计算并输出结果,该结 果即为最优供电方案;若不符合条件则转入步骤C,直至输出结果。
步骤E中,所述变异运算、交叉运算的概率由以下公式计算得到:
T=4J-3
上式中,Pc与Pm分别为交叉运算与变异运算的概率,hc与hm分别为交叉运算与 变异运算的概率计算系数。
步骤B中,所述根据电网的供电方案制定编码方式是指:将所有供电方案与遗传算法内的个体编码一一对应;
所述步骤D通过以下方法形成下一代的父本:
保留最优个体编码,记录最差个体编码,以每个个体适应度计算结果占总适应度的比例为概率随机抽取下一代个体的父本,其中,所述总适应度为种群中所有个体适 应度之和。
步骤A中,所述最优供电方案规划模型的目标函数为:
minf(x)=C+O+ΔL
上式中,x为供电方案中所有用户的接入点,f为规划阶段内总经济成本,C为供 电方案的投资成本,O为规划阶段内的运行维护成本,ΔL为规划阶段内网络损耗成 本变化量,Pij与Pji分别表示网络中支路i-j上正向与反向的有功功率,T为规划阶段 所持续的年限,τ为年最大负荷损耗小时数,p为电价,L0为原网络损耗成本,i与j 分别表示网络中两个不同的节点。
所述最优供电方案规划模型的约束条件包括潮流方程约束、变电站容量约束、节点电压约束、支路功率约束、“N-1”校验约束;
所述潮流方程约束为:
上式中,Psi与Qsi分别为节点i的注入有功功率与无功功率,Vi与Vj分别为节点 i与节点j的电压幅值,Gij与Bij分别为网络节点导纳矩阵Y对应元素Yij的实部与虚 部,θij为节点i与节点j的相角差;
所述变电站容量约束为:
Wi+Wi,o≤Wi,max
上式中,Wi为供电方案在接入点i的新安装容量,Wi,o为接入点i的原安装容量,Wi,max为接入点i的最大允许安装容量;
所述节点电压约束为:
Vi,min≤Vi≤Vi,max,i=1,2,…,N
上式中,Vi,min与Vi,max为节点i的电压下限与上限值;
所述支路功率约束为:
|Pij|≤Pij,max,1≤i,j≤N,i≠j
上式中,Pij为支路i-j上的有功功率,Pij,max为支路i-j允许的有功功率最大值;
所述“N-1”校验约束为:
|Pij,N-1|≤Pij,M,1≤i,j≤N,i≠j
上式中,Pij,N-1为N-1条件下支路i-j上的有功功率,Pij,M为N-1条件下支路i-j 允许的有功功率最大值。
本发明的原理说明如下:
本发明所述供电方案投资成本主要包括架设供电线路成本与供电设备的采购与安装成本,所述规划阶段内运行维护成本包括设备折旧费与维护与管理费用,所述规 划阶段内网络损耗成本为电网线路上由于有功功率损耗造成的经济损失。
实施例1:
一种基于改进遗传算法的电网最优供电方案的确定方法,该方法针对IEEE-33节点配电网络,依次按照以下步骤进行:
步骤1、确定该配电网络有5个用户与3个电源接入任务,可选接入点数量依次 为6、7、2、3、4、4、8、3、3,其对应的网络节点号如表1所示,对应投资成本如 表2所示,5个用户的用电负荷如表3所示,3个电源的出力分别按500kW、150kW、 200kW计算,运行维护成本按投资成本的2%计算,规划阶段持续年限T为20年,年 最大负荷损耗小时数τ为3000h,电价p为0.5元/kW·h;
表1可选接入点序号对应的网络节点号参照表
序号 | 用户1 | 用户2 | 用户3 | 用户4 | 用户5 | 电源1 | 电源2 | 电源3 |
1 | 1 | 2 | 7 | 4 | 5 | 1 | 20 | 25 |
2 | 3 | 10 | 12 | 7 | 6 | 2 | 21 | 26 |
3 | 9 | 15 | 13 | 12 | 8 | 3 | 24 | 27 |
4 | 11 | 16 | - | 13 | 14 | 7 | - | - |
5 | 17 | 19 | - | - | - | 12 | - | - |
6 | 18 | 22 | - | - | - | 13 | - | - |
7 | - | 23 | - | - | - | 17 | - | - |
8 | - | - | - | - | - | 19 | - | - |
表2接入任务投资成本参照表
单位:万元
表3用户负荷表
负荷 | 用户1 | 用户2 | 用户3 | 用户4 | 用户5 |
P(kW) | 700 | 800 | 400 | 300 | 300 |
Q(kVAr) | 230 | 300 | 150 | 100 | 80 |
步骤2、以规划阶段内总经济成本最小为目标建立最优供电方案规划模型,其中,
所述最优供电方案规划模型的目标函数为:
minf(x)=C+O+ΔL
上式中,x为供电方案中所有用户的接入点,f为规划阶段内总经济成本,C为供 电方案的投资成本,O为规划阶段内的运行维护成本,ΔL为规划阶段内网络损耗成 本变化量,Pij与Pji分别表示网络中支路i-j上正向与反向的有功功率,T为规划阶段 所持续的年限,τ为年最大负荷损耗小时数,p为电价,L0为原网络损耗成本,i与j 分别表示配电网络中两个不同的节点;
所述最优供电方案规划模型的约束条件包括潮流方程约束、变电站容量约束、节点电压约束、支路功率约束、“N-1”校验约束;
所述潮流方程约束为:
上式中,Psi与Qsi分别为节点i的注入有功功率与无功功率,Vi与Vj分别为节点 i与节点j的电压幅值,Gij与Bij分别为网络节点导纳矩阵Y对应元素Yij的实部与虚 部,θij为节点i与节点j的相角差;
所述变电站容量约束为:
Wi+Wi,o≤Wi,max
上式中,Wi为供电方案在接入点i的新安装容量,Wi,o为接入点i的原安装容量,Wi,max为接入点i的最大允许安装容量;
所述节点电压约束为:
Vi,min≤Vi≤Vi,max,i=1,2,…,N
上式中,Vi,min与Vi,max为节点i的电压下限与上限值;
所述支路功率约束为:
|Pij|≤Pij,max,1≤i,j≤N,i≠j
上式中,Pij为支路i-j上的有功功率,Pij,max为支路i-j允许的有功功率最大值;
所述“N-1”校验约束为:
|Pij,N-1|≤Pij,M,1≤i,j≤N,i≠j
上式中,Pij,N-1为N-1条件下支路i-j上的有功功率,Pij,M为N-1条件下支路i-j 允许的有功功率最大值;
步骤3、先将所有供电方案与遗传算法内的个体编码一一对应以确定编码方式,再根据个体编码长度确定算法的种群规模,然后根据编码方式与种群规模以随机生成 的方式产生初始种群;
步骤4、根据个体适应度计算公式计算个体适应度,其中,所述个体适应度计算 公式为步骤A所述规划模型的目标函数的倒数;
步骤5、进行选择运算,保留最优个体编码,记录最差个体编码,以每个个体适 应度计算结果占总适应度的比例为概率随机抽取下一代个体的父本,其中,所述总适 应度为种群中所有个体适应度之和;
步骤6、先根据种群差异程度评价指标自适应调整变异运算、交叉运算的概率与顺序,然后依次进行变异运算、交叉运算,形成下一代,其中,所述变异运算、交叉 运算的概率由以下公式计算得到:
T=4J-3
上式中,Pc与Pm分别为交叉运算与变异运算的概率,hc与hm分别为交叉运算与 变异运算的概率计算系数,Fave为种群的适应度平均值,Fmin与Fmax分别为种群适应 度的历史最小值与最大值,J为种群差异程度评价指标;
步骤7、判断是否符合算法结束条件,若符合条件则停止计算并输出结果,该结 果即为最优供电方案;若不符合条件则重复入步骤4-步骤7,直至输出结果:所有接 入任务的最优接入点依次为1、2、7、4、5、17、20、25,投资与运维成本之和145.6 万元,网损变化成本281.06万元,总成本426.66万元。
通过穷举法验证,本实施例得到的最优供电方案的成本最小。
为验证本发明所提出的改进遗传算法的高效性,在所有参数相同的情况下,分别采用改进遗传算法与传统遗传算法对实施例1所述配电网络进行求解。对比结果如图 1所示。
由图1可以看出,虽然两种算法得到的最优解相同,但本发明提出的改进遗传算法得到最优解的迭代次数明显少于传统遗传算法,具有更快的收敛速度。
Claims (3)
1.一种基于改进遗传算法的电网最优供电方案的确定方法,其特征在于:
所述方法针对N节点配电网络,依次包括以下步骤:
步骤A、以规划阶段内总经济成本最小为目标建立最优供电方案规划模型,其中,所述最优供电方案规划模型的目标函数为:
min f(x)=C+O+ΔL
上式中,x为供电方案中所有用户的接入点,f为规划阶段内总经济成本,C为供电方案的投资成本,O为规划阶段内的运行维护成本,ΔL为规划阶段内网络损耗成本变化量,Pij与Pji分别表示网络中支路i-j上正向与反向的有功功率,T为规划阶段所持续的年限,τ为年最大负荷损耗小时数,p为电价,L0为原网络损耗成本,i与j分别表示网络中两个不同的节点;
所述最优供电方案规划模型的约束条件包括潮流方程约束、变电站容量约束、节点电压约束、支路功率约束、“N-1”校验约束;
所述潮流方程约束为:
上式中,Psi与Qsi分别为节点i的注入有功功率与无功功率,Vi与Vj分别为节点i与节点j的电压幅值,Gij与Bij分别为网络节点导纳矩阵Y对应元素Yij的实部与虚部,θij为节点i与节点j的相角差;
所述变电站容量约束为:
Wi+Wi,o≤Wi,max
上式中,Wi为供电方案在接入点i的新安装容量,Wi,o为接入点i的原安装容量,Wi,max为接入点i的最大允许安装容量;
所述节点电压约束为:
Vi,min≤Vi≤Vi,max,i=1,2,…,N
上式中,Vi,min与Vi,max为节点i的电压下限与上限值;
所述支路功率约束为:
|Pij|≤Pij,max,1≤i,j≤N,i≠j
上式中,Pij为支路i-j上的有功功率,Pij,max为支路i-j允许的有功功率最大值;
所述“N-1”校验约束为:
|Pij,N-1|≤Pij,M,1≤i,j≤N,i≠j
上式中,Pij,N-1为N-1条件下支路i-j上的有功功率,Pij,M为N-1条件下支路i-j允许的有功功率最大值;
步骤B、先根据供电方案制定编码方式,然后根据编码方式与种群规模以随机生成的方式产生初始种群;
步骤C、根据个体适应度计算公式计算个体适应度,其中,所述个体适应度计算公式为步骤A所述规划模型的目标函数的倒数;
步骤D、进行选择运算,形成下一代的父本;
步骤E、先根据种群差异程度评价指标自适应调整变异运算、交叉运算的概率与顺序,然后依次进行变异运算、交叉运算,形成下一代,其中,所述种群差异程度评价指标J由以下公式计算得到:
上式中,Fave为种群的适应度平均值,Fmin与Fmax分别为种群适应度的历史最小值与最大值;
步骤F、判断是否符合算法结束条件,若符合条件则停止计算并输出结果,该结果即为最优供电方案;若不符合条件则转入步骤C,直至输出结果。
3.根据权利要求1所述的一种基于改进遗传算法的电网最优供电方案的确定方法,其特征在于:
步骤B中,所述根据电网的供电方案制定编码方式是指:将所有供电方案与遗传算法内的个体编码一一对应;
所述步骤D通过以下方法形成下一代的父本:
保留最优个体编码,记录最差个体编码,以每个个体适应度计算结果占总适应度的比例为概率随机抽取下一代个体的父本,其中,所述总适应度为种群中所有个体适应度之和。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910303122.0A CN110189231B (zh) | 2019-04-16 | 2019-04-16 | 一种基于改进遗传算法的电网最优供电方案的确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910303122.0A CN110189231B (zh) | 2019-04-16 | 2019-04-16 | 一种基于改进遗传算法的电网最优供电方案的确定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110189231A CN110189231A (zh) | 2019-08-30 |
CN110189231B true CN110189231B (zh) | 2022-02-18 |
Family
ID=67714594
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910303122.0A Active CN110189231B (zh) | 2019-04-16 | 2019-04-16 | 一种基于改进遗传算法的电网最优供电方案的确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110189231B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114336795B (zh) * | 2022-01-18 | 2024-03-22 | 华南理工大学 | 一种适用于交直流混联电网谐波状态的综合优化配置方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103136585A (zh) * | 2013-02-06 | 2013-06-05 | 天津大学 | 基于混沌遗传策略的加权Voronoi图变电站规划方法 |
US9818136B1 (en) * | 2003-02-05 | 2017-11-14 | Steven M. Hoffberg | System and method for determining contingent relevance |
CN107832905A (zh) * | 2017-09-19 | 2018-03-23 | 国家电网公司 | 一种适应分布式发电和储能站发展的配电网规划方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103840457B (zh) * | 2014-03-20 | 2016-03-09 | 上海电力学院 | 考虑电动汽车充放电影响的配电网内dg优化配置方法 |
-
2019
- 2019-04-16 CN CN201910303122.0A patent/CN110189231B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9818136B1 (en) * | 2003-02-05 | 2017-11-14 | Steven M. Hoffberg | System and method for determining contingent relevance |
CN103136585A (zh) * | 2013-02-06 | 2013-06-05 | 天津大学 | 基于混沌遗传策略的加权Voronoi图变电站规划方法 |
CN107832905A (zh) * | 2017-09-19 | 2018-03-23 | 国家电网公司 | 一种适应分布式发电和储能站发展的配电网规划方法 |
Non-Patent Citations (2)
Title |
---|
含分布式电源的业扩报装最优供电方案研究;薛儒涛;《华北电力大学硕士学位论文》;20190301;第46-55页 * |
薛儒涛.含分布式电源的业扩报装最优供电方案研究.《华北电力大学硕士学位论文》.2019,第46-55页. * |
Also Published As
Publication number | Publication date |
---|---|
CN110189231A (zh) | 2019-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107301470B (zh) | 一种配电网扩展规划与光储选址定容的双层优化方法 | |
CN111401604B (zh) | 电力系统负荷功率预测方法及储能电站功率分配方法 | |
CN107506914B (zh) | 计及分布式电源渗透率变化的变电站动态扩展规划方法 | |
CN107316113B (zh) | 一种输电网规划方法及系统 | |
CN106651628B (zh) | 基于图论的区域冷热电综合能源优化配置方法及装置 | |
CN109242177B (zh) | 有源配电网规划方法 | |
CN102055196A (zh) | 一种电力系统中10kv配电网的无功补偿优化方法 | |
CN106159944B (zh) | 低碳环境下基于二层规划模型的多阶段输电网规划方法 | |
Saravanan | DSM in an area consisting of residential, commercial and industrial load in smart grid | |
CN112381421A (zh) | 一种考虑电力市场全维度的源网荷多主体博弈规划方法 | |
CN110189231B (zh) | 一种基于改进遗传算法的电网最优供电方案的确定方法 | |
CN116826752A (zh) | 一种台区用能多目标低碳降损优化调度策略方法 | |
CN111724064A (zh) | 一种基于改进免疫算法的含储能配电网规划方法 | |
CN116995719A (zh) | 一种计及风光荷不确定性的主动配电网双层扩展规划方法 | |
CN105552941A (zh) | 一种分布式电源调峰容量优化方法 | |
CN112436514B (zh) | 一种考虑光伏不确定性的多微网互联优化方法 | |
CN115994612A (zh) | 基于业扩规划的配电网运行优化方法、装置及存储介质 | |
CN105977966B (zh) | 一种考虑分布式电源和配电自动化装置的配电网规划方法 | |
Mahdavi et al. | Evaluation of GA performance in TNEP considering voltage level, network losses and number of bundle lines | |
CN114021851A (zh) | 一种多级关联断面限额适应性评估及优化计算方法 | |
CN112365196A (zh) | 基于Spark的分布式改进差分进化算法的电源规划方法 | |
Cui et al. | ADN multi-objective planning considering collaborative optimization of rdg and GAEP | |
Yuqing et al. | Planning of Distributed Photovoltaic in Distribution Network Based on Green Certificate Trading Mechanism | |
CN110994665A (zh) | 一种分布式光伏多点接入低压配电网选址方法 | |
ZHANG et al. | Bi-level Expansion Planning Method for Active Distribution Network Considering Dynamic Network Reconfiguration |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |