CN103914734A - 基于改进型蚁群算法的微网容量优化布址方法 - Google Patents
基于改进型蚁群算法的微网容量优化布址方法 Download PDFInfo
- Publication number
- CN103914734A CN103914734A CN201410105397.0A CN201410105397A CN103914734A CN 103914734 A CN103914734 A CN 103914734A CN 201410105397 A CN201410105397 A CN 201410105397A CN 103914734 A CN103914734 A CN 103914734A
- Authority
- CN
- China
- Prior art keywords
- ant
- pheromones
- micro
- cloth location
- matrix
- 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.)
- Granted
Links
Landscapes
- Catching Or Destruction (AREA)
- Cultivation Of Plants (AREA)
Abstract
基于改进型蚁群算法的微网容量优化布址方法,包括以下步骤:搭建含蓄电池站的风光发电孤岛微网模型,作为研究基于改进型蚁群算法的微网容量优化布址方法的仿真模型;构建微网容量优化布址的多目标模型,确定微网综合运行目标函数;设计改进蚁群算法实现对多目标模型的求解。
Description
技术领域
本发明项目涉及一种微网容量优化布址方法,特别是一种基于改进型蚁群算法的微网容量优化布址方法。
背景技术
目前,微网的容量优化布址一直是微网建设的重大难题。微网的微源分布不合理,会对线路或者用户用电造成一定影响,同时外部环境也会影响到微源的发电性能。目前,一些智能优化算法已被应用于解决这一难题,如粒子群算法、遗传算法及差分进化算法等。然而,粒子群算法在处理微源布址等离散问题时容易陷入局部最优解;遗传算法容易早熟,可靠性较差;差分进化算法在迭代后期收敛速度较慢。相比而言,蚁群算法具有信息正反馈机制、分布式计算及强启发等优点,适合微源布址定容这类多变量、条件相互制约的NP难问题的求解。传统蚁群算法在对微网容量优化布址问题进行求解时收敛精度以及速度仍不能达到理想的要求,因此,本发明对传统的蚁群算法进行了改进,使其能够更好地应用于解决微网容量优化布址问题,快速确定微网系统中每个节点应放的微源种类及微源和蓄电池个数,从而实现对系统电能的合理配置,在保证系统供电可靠和低能量剩余率的前提下,使系统运行的经济成本最小。而目前,对于基于改进型蚁群算法的微网容量优化布址方法研究尚未出现,本发明针对这一方法进行了研究。
发明内容
本发明在传统蚁群算法的基础上进行改进,尤其是在信息素矩阵控制以及算法参数因子调整等方面,提出了一种基于改进型蚁群算法的微网容量优化布址方法。
基于改进型蚁群算法的微网容量优化布址方法,包括以下步骤:
1)、搭建含蓄电池站的风光发电孤岛微网模型,作为研究基于改进型蚁群算法的微网容量优化布址方法的仿真模型;
2)、构建微网容量优化布址的多目标模型,确定微网综合运行目标函数。
3)、设计改进蚁群算法实现对多目标模型的求解。
进一步,步骤(1)中微网系统构建的微源模型如下:
1-1)、利用Weibull分布对风速进行处理,建立风机的数学模型;
1-2)、利用Beta分布对光照进行处理,建立光伏电池板的数学模型;
1-3)、利用荷电状态(SOC)的参数对蓄电池充放电建立数学模型,结合相关参数对蓄电池充放电的效率进行评估;
进一步,步骤(2)可有以下几个步骤组成:
2-1)、设计构建微网运行经济成本函数:成本函数中主要包括设备的投资成本、运行维护费用和蓄电池的重置费用,评估时间定义为一年(8760h);
2-2)、设计微网系统运行的可靠性指标:本发明采用系统负载供电率RLPS对系统的可靠性进行评价,负载供电率表示评估期内系统能满足负荷需求的概率,微网系统的可靠性越高其对应的负载供电率RLPS就越大。
2-3)、设计微网系统运行的能量剩余率,定义为评估时间内系统浪费的能量占系统总负荷的比例,能量利用率越高的系统对应的系统能量过剩率EER就越低。
进一步,步骤(3)中改进型蚁群算法的具体步骤如下:
3-1)、设置改进型蚁群算法的基本参数,并初始化信息素矩阵;
3-2)、将布址方案作为蚂蚁的觅食路径,目标函数作为蚂蚁爬行的路障,让蚂蚁根据环境中信息素的量结合对应的概率计算方法,选择爬行路线进行觅食,即构建搜索禁忌表矩阵。其中,方案所得目标函数的值越优,则对蚂蚁爬行的路障越小,那么该方案就越优;
3-3)、将本次迭代中目标值最优的路径作为本次迭代的最优路径,将最优路径保存下来,并作为下一次迭代的一条备选路径;
3-4)、对于路障较小的路径,会有较多的蚂蚁爬行,则对应的路径中信息素的含量会较高,因此可以根据相应的信息素更新规律更新各条路径的信息素;
3-5)、重复执行步骤(3-2)到(3-4)。
进一步,对于步骤(3-1),改进型蚁群算法的基本参数设置如下:
A1)、信息素的最大限制量Taumax和最小限制量Taumin:用以防止信息素因过强的正反馈而出现过早的收敛;
A2)、信息素启发因子α:反映信息素的重要性,反映蚂蚁在运动过程中所累积的信息素在指导蚁群搜索中的相对重要程度;
A3)、期望启发因子β:反映了启发式信息在指导蚁群搜索过程中的相对重要程度,其大小反映了蚁群寻优的过程中的先验性,确定性因素的作用强度;
A4)、α、β随时间变化的变化率ζ1,ζ2:用以控制各次迭代中α、β的值,改善算法过早收敛和收敛后精度不高的缺点,实现算法的自适应性;
进一步,对于步骤(3-2),其实现过程主要分为以下两步:
A1)、信息素矩阵Tau的构建。信息素是蚂蚁选择路径的重要依据,信息素矩阵为一个(2*n+1)*pm的矩阵,其中每一个元素为对应节点选择对应类型分布式电源的信息素量。其中,n为需要布址的节点数,信息素矩阵的行数即为风机需要布址的节点数、光伏需要布址的节点数以及蓄电池站之和(系统中设置蓄电池站的数量为1),即(2*n+1),信息素矩阵的列数为最大允许的分布式电源的数量pm=max{NPVMAX,NWGMAX,NbatMAX}。
A2)、搜索禁忌表Tabu矩阵的构建。搜索禁忌表是某次迭代中蚂蚁的选择路径表,是一个m*(2*n+1)的矩阵,禁忌表的行数m为蚂蚁数量,禁忌表列数为风机需要布址的节点数、光伏需要布址的节点数以及蓄电池站之和(系统中设置蓄电池站的数量为1),即(2*n+1);
进一步,所述的步骤(3-4)中信息素的更新公式为其中,ρ0(0<ρ0<1)为信息素局部挥发因子,τij为原始积累的信息素量,为蚂蚁k在路线(i,j)上释放的信息素,具体计算公式如下:
其中,Q为常数,F为目标函数值,Ak表示第k只蚂蚁已走过的城市的集合,表示第k只蚂蚁下一个待选的城市的集合。
本发明的技术构思是:构建了一个以微网投资运行费用最小为总目标的优化布址模型,同时考虑了系统运行可靠性指标、系统的能量过剩率指标以及各微源运行的约束条件。同时本发明在信息素限制以及算法参数等方面对蚁群算法进行了一定的改进,使其具有一定的自适应性,并能更好地被用于模型的求解,以实现对一特定微网系统的微源容量优化布址,确定每个节点应放的微源种类和数目及蓄电池的个数,从而实现对系统电能的合理配置,在保证系统的供电可靠性高和能量过剩率低的前提下,使系统运行的经济成本最少。
本发明的优点是:通过对蚁群算法的改进,并将其用于解决微源的分布问题,既能够充分地发挥蚁群算法全局搜索能力强、鲁棒性好等优点,又能够在保证算法性能的同时优化搜索范围,避免搜索停滞,以获得理想的布址方案。
附图说明
图1改进型蚁群算法流程图
图2孤岛微网系统结构图
图3各节点的光照、风速以及负荷曲线图
图4算法改进前后布址结果对比
图5算法改进前后各项指标对比
图6改进前后蚁群算法收敛性对比
具体实施方式
1.项目实施方式
基于改进型蚁群算法的微网容量优化布址方法,包括以下步骤:
1)、搭建含蓄电池站的风光发电孤岛微网模型,作为研究基于改进型蚁群算法的微网容量优化布址方法的仿真模型;
微网系统构建的微源模型如下:
1-1)、利用Weibull分布对风速进行处理,建立风机的数学模型;
1-2)、利用Beta分布对光照进行处理,建立光伏电池板的数学模型;
1-3)、利用荷电状态(SOC)的参数对蓄电池充放电建立数学模型,结合相关参数对蓄电池充放电的效率进行评估;
2)、构建微网容量优化布址的多目标模型,确定微网综合运行目标函数。
2-1)、设计构建微网运行经济成本函数:成本函数中主要包括设备的投资成本、运行维护费用和蓄电池的重置费用,评估时间定义为一年(8760h);
2-2)、设计微网系统运行的可靠性指标:本发明采用系统负载供电率RLPS对系统的可靠性进行评价,负载供电率表示评估期内系统能满足负荷需求的概率,微网系统的可靠性越高其对应的负载供电率RLPS就越大。
2-3)、设计微网系统运行的能量过剩率,定义为评估时间内系统浪费的能量占系统总负荷的比例,能量利用率越高的系统对应的系统能量过剩率EER就越低。
3)、设计改进蚁群算法实现对多目标模型的求解。
改进型蚁群算法流程图如图1所示,其具体步骤如下:
3-1)、设置改进型蚁群算法的基本参数,并初始化信息素矩阵;
改进型蚁群算法的基本参数设置如下:
A1)、信息素的最大限制量Taumax和最小限制量Taumin:用以防止信息素因过强的正反馈而出现过早的收敛;
A2)、信息素启发因子α:反映信息素的重要性,反映蚂蚁在运动过程中所累积的信息素在指导蚁群搜索中的相对重要程度;
A3)、期望启发因子β:反映了启发式信息在指导蚁群搜索过程中的相对重要程度,其大小反映了蚁群寻优的过程中的先验性,确定性因素的作用强度;
A4)、α、β随时间变化的变化率ζ1,ζ2:用以控制各次迭代中α、β的值,改善算法过早收敛和收敛后精度不高的缺点,实现算法的自适应性;
3-2)、将布址方案作为蚂蚁的觅食路径,目标函数作为蚂蚁爬行的路障,让蚂蚁根据环境中信息素的量结合对应的概率计算方法,选择爬行路线进行觅食,即构建搜索禁忌表矩阵。其中,方案所得目标函数的值越优,则对蚂蚁爬行的路障越小,那么该方案就越优;
实现过程主要分为以下两步:
A1)、信息素矩阵Tau的构建。信息素是蚂蚁选择路径的重要依据,信息素矩阵为一个(2*n+1)*pm的矩阵,其中每一个元素为对应节点选择对应类型分布式电源的信息素量。其中,n为需要布址的节点数,信息素矩阵的行数即为风机需要布址的节点数、光伏需要布址的节点数以及蓄电池站之和(系统中设置蓄电池站的数量为1),即(2*n+1),信息素矩阵的列数为最大允许的分布式电源的数量pm=max{NPVMAX,NWGMAX,NbatMAX}。
A2)、搜索禁忌表Tabu矩阵的构建。搜索禁忌表是某次迭代中蚂蚁的选择路径表,是一个m*(2*n+1)的矩阵,禁忌表的行数m为蚂蚁数量,禁忌表列数为风机需要布址的节点数、光伏需要布址的节点数以及蓄电池站之和(系统中设置蓄电池站的数量为1),即(2*n+1);
3-3)、将本次迭代中目标值最优的路径作为本次迭代的最优路径,将最优路径保存下来,并作为下一次迭代的一条备选路径;
3-4)、对于路障较小的路径,会有较多的蚂蚁爬行,则对应的路径中信息素的含量会较高,因此可以根据相应的信息素更新规律更新各条路径的信息素;
信息素的更新公式为其中,ρ0(0<ρ0<1)为信息素局部挥发因子,τij为原始积累的信息素量,为蚂蚁k在路线(i,j)上释放的信息素,具体计算公式如下:
其中,Q为常数,F为目标函数值,Ak表示第k只蚂蚁已走过的城市的集合,表示第k只蚂蚁下一个待选的城市的集合。
3-5)、重复执行步骤(3-2)到(3-4)。
案例分析
对于一个含风光蓄分布式电源的孤岛微网系统,其结构如图2所示,该微网系统带有一个蓄电池站和5个负荷节点,各节点的风速和光照等环境参数、负荷需求如图3所示。考虑到分布式电源布址的经济性,一般将分布式电源放置于靠近负荷节点处。因此,在布址时本发明将分布式电源直接放置在负荷所在的节点处,以减小电能的损耗。利用改进型蚁群算法对案例中微网系统进行布址和容量优化,最终得到各个节点的布址方案,并和未改进的蚁群算法所得的布址结果进行了比较,结果如图4。同时得到微网系统的运行成本、可靠性指标、能量过剩率指标,并与未改进的蚁群算法结果进行了比较,得到图5。而改进型蚁群算法和未改进蚁群算法在收敛性的比较结果如图6
从上述图表的结果分析可知,利用改进型蚁群算法对微网中的分布式电源进行布址和容量优化,其布址的有效性和收敛性都要显著优于未改进的蚁群算法。
通过以上案例说明,改进型蚁群算法对微网中的分布式电源的布址和容量优化有较高的实用性。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举,本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式,本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (7)
1.基于改进型蚁群算法的微网容量优化布址方法,包括以下步骤:
1)、搭建含蓄电池站的风光发电孤岛微网模型,作为研究基于改进型蚁群算法的微网容量优化布址方法的仿真模型;
2)、构建微网容量优化布址的多目标模型,确定微网综合运行目标函数。
3)、设计改进蚁群算法实现对多目标模型的求解。
2.如权利要求1所述的方法,其特征在于:步骤(1)中微网系统构建的微源模型如下:
1-1)、利用Weibull分布对风速进行处理,建立风机的数学模型;
1-2)、利用Beta分布对光照进行处理,建立光伏电池板的数学模型;
1-3)、利用荷电状态(SOC)的参数对蓄电池充放电建立数学模型,结合相关参数对蓄电池充放电的效率进行评估。
3.如权利要求1所述的方法,其特征在于:步骤(2)可有以下几个步骤组成:
2-1)、设计构建微网运行经济成本函数:成本函数中主要包括设备的投资成本、运行维护费用和蓄电池的重置费用,评估时间定义为一年(8760h);
2-2)、设计微网系统运行的可靠性指标:本发明采用系统负载供电率RLPS对系统的可靠性进行评价,负载供电率表示评估期内系统能满足负荷需求的概率,微网系统的可靠性越高其对应的负载供电率RLPS就越大。
2-3)、设计微网系统运行的能量剩余率,定义为评估时间内系统浪费的能量占系统总负荷的比例,能量利用率越高的系统对应的系统能量过剩率EER就越低。
4.如权利要求1所述的方法,其特征在于:步骤(3)中改进型蚁群算法的具体步骤如下:
3-1)、设置改进型蚁群算法的基本参数,并初始化信息素矩阵;
3-2)、将布址方案作为蚂蚁的觅食路径,目标函数作为蚂蚁爬行的路障,让蚂蚁根据环境中信息素的量结合对应的概率计算方法,选择爬行路线进行觅食,即构建搜索禁忌表矩阵。其中,方案所得目标函数的值越优,则对蚂蚁爬行的路障越小,那么该方案就越优;
3-3)、将本次迭代中目标值最优的路径作为本次迭代的最优路径,将最优路径保存下来,并作为下一次迭代的一条备选路径;
3-4)、对于路障较小的路径,会有较多的蚂蚁爬行,则对应的路径中信息素的含量会较高,因此可以根据相应的信息素更新规律更新各条路径的信息素;
3-5)、重复执行步骤(3-2)到(3-4)。
5.如权利要求4所述的方法,其特征在于:对于步骤(3-1),改进型蚁群算法的基本参数设置如下:
A1)、信息素的最大限制量Taumax和最小限制量Taumin:用以防止信息素因过强的正反馈而出现过早的收敛;
A2)、信息素启发因子α:反映信息素的重要性,反映蚂蚁在运动过程中所累 积的信息素在指导蚁群搜索中的相对重要程度;
A3)、期望启发因子β:反映了启发式信息在指导蚁群搜索过程中的相对重要程度,其大小反映了蚁群寻优的过程中的先验性,确定性因素的作用强度;
A4)、α、β随时间变化的变化率ζ1,ζ2:用以控制各次迭代中α、β的值,改善算法过早收敛和收敛后精度不高的缺点,实现算法的自适应性。
6.如权利要求4所述的方法,其特征在于:对于步骤(3-2),其实现过程主要分为以下两步:
A1)、信息素矩阵Tau的构建。信息素是蚂蚁选择路径的重要依据,信息素矩阵为一个(2*n+1)*pm的矩阵,其中每一个元素为对应节点选择对应类型分布式电源的信息素量。其中,n为需要布址的节点数,信息素矩阵的行数即为风机需要布址的节点数、光伏需要布址的节点数以及蓄电池站之和(系统中设置蓄电池站的数量为1),即(2*n+1),信息素矩阵的列数为最大允许的分布式电源的数量pm=max{NPVMAX,NWGMAX,NbatMAX}。
A2)、搜索禁忌表Tabu矩阵的构建。搜索禁忌表是某次迭代中蚂蚁的选择路径表,是一个m*(2*n+1)的矩阵,禁忌表的行数m为蚂蚁数量,禁忌表列数为风机需要布址的节点数、光伏需要布址的节点数以及蓄电池站之和(系统中设置蓄电池站的数量为1),即(2*n+1)。
7.如权利要求4所述的方法,其特征在于:所述的步骤(3-4)中信息素的更新公式为其中,ρ0(0<ρ0<1)为信息素局部挥发因子,τij为原始积累的信息素量,为蚂蚁k在路线(i,j)上释放的信息素,具体计算公式如下:
其中,Q为常数,F为目标函数值,Ak表示第k只蚂蚁已走过的城市的集合,表示第k只蚂蚁下一个待选的城市的集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410105397.0A CN103914734B (zh) | 2014-03-20 | 2014-03-20 | 基于改进型蚁群算法的微网容量优化布址方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410105397.0A CN103914734B (zh) | 2014-03-20 | 2014-03-20 | 基于改进型蚁群算法的微网容量优化布址方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103914734A true CN103914734A (zh) | 2014-07-09 |
CN103914734B CN103914734B (zh) | 2017-06-23 |
Family
ID=51040398
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410105397.0A Active CN103914734B (zh) | 2014-03-20 | 2014-03-20 | 基于改进型蚁群算法的微网容量优化布址方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103914734B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104834963A (zh) * | 2014-11-26 | 2015-08-12 | 国家电网公司 | 基于改进蜂群算法的分散式风电并网优化配置装置及方法 |
CN105184383A (zh) * | 2015-07-15 | 2015-12-23 | 浙江工业大学 | 基于智能优化方法的城市移动应急电源最优调度方法 |
CN106779250A (zh) * | 2017-01-16 | 2017-05-31 | 浙江大学城市学院 | 一种基于新型优化模型的孤立分布式电网配置方法 |
CN106886148A (zh) * | 2017-01-18 | 2017-06-23 | 中国南方电网有限责任公司超高压输电公司广州局 | 一种基于蚁群算法固定翼无人机pid参数控制方法 |
CN107909214A (zh) * | 2017-11-30 | 2018-04-13 | 国网江西省电力有限公司电力科学研究院 | 一种基于改进型蚁群算法的配网低电压自动治理方法 |
CN107947159A (zh) * | 2017-11-28 | 2018-04-20 | 国网四川省电力公司成都供电公司 | 基于0‑1非线性整数规划的地区级电网运行调控方法 |
CN108520321A (zh) * | 2018-04-03 | 2018-09-11 | 广西大学 | 一种基于最大最小蚁群算法的列车转向架关键部件预防性维修决策优化模型 |
CN110188915A (zh) * | 2019-04-10 | 2019-08-30 | 国网浙江省电力有限公司电力科学研究院 | 基于场景集的虚拟电厂中储能系统优化配置方法及系统 |
CN115965171A (zh) * | 2023-03-10 | 2023-04-14 | 吉奥时空信息技术股份有限公司 | 一种基于优化蚁群算法的微公园选址方法 |
CN117454456A (zh) * | 2023-12-22 | 2024-01-26 | 浙江远算科技有限公司 | 基于蚁群算法的海上风电场排布优化仿真方法和系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100076913A1 (en) * | 2008-09-24 | 2010-03-25 | Nec Laboratories America, Inc. | Finding communities and their evolutions in dynamic social network |
CN102664401A (zh) * | 2012-04-16 | 2012-09-12 | 中国电力科学研究院 | 一种基于电池寿命模型的微电网控制方法 |
-
2014
- 2014-03-20 CN CN201410105397.0A patent/CN103914734B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100076913A1 (en) * | 2008-09-24 | 2010-03-25 | Nec Laboratories America, Inc. | Finding communities and their evolutions in dynamic social network |
CN102664401A (zh) * | 2012-04-16 | 2012-09-12 | 中国电力科学研究院 | 一种基于电池寿命模型的微电网控制方法 |
Non-Patent Citations (2)
Title |
---|
伍春林: "基于改进蚁群算法的微电网DG选址与定容", 《中国优秀硕士学位论文全文数据库工程科技II辑》 * |
马溪原等: "采用改进细菌觅食算法的风/光/储混合微电网电源优化配置", 《中国电机工程学报》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104834963A (zh) * | 2014-11-26 | 2015-08-12 | 国家电网公司 | 基于改进蜂群算法的分散式风电并网优化配置装置及方法 |
CN104834963B (zh) * | 2014-11-26 | 2018-10-26 | 国家电网公司 | 基于改进蜂群算法的分散式风电并网优化配置方法 |
CN105184383A (zh) * | 2015-07-15 | 2015-12-23 | 浙江工业大学 | 基于智能优化方法的城市移动应急电源最优调度方法 |
CN105184383B (zh) * | 2015-07-15 | 2019-01-08 | 浙江工业大学 | 基于智能优化方法的城市移动应急电源最优调度方法 |
CN106779250B (zh) * | 2017-01-16 | 2020-07-24 | 浙江大学城市学院 | 一种基于新型优化模型的孤立分布式电网配置方法 |
CN106779250A (zh) * | 2017-01-16 | 2017-05-31 | 浙江大学城市学院 | 一种基于新型优化模型的孤立分布式电网配置方法 |
CN106886148A (zh) * | 2017-01-18 | 2017-06-23 | 中国南方电网有限责任公司超高压输电公司广州局 | 一种基于蚁群算法固定翼无人机pid参数控制方法 |
CN107947159A (zh) * | 2017-11-28 | 2018-04-20 | 国网四川省电力公司成都供电公司 | 基于0‑1非线性整数规划的地区级电网运行调控方法 |
CN107947159B (zh) * | 2017-11-28 | 2020-12-22 | 国网四川省电力公司成都供电公司 | 基于0-1非线性整数规划的地区级电网运行调控方法 |
CN107909214A (zh) * | 2017-11-30 | 2018-04-13 | 国网江西省电力有限公司电力科学研究院 | 一种基于改进型蚁群算法的配网低电压自动治理方法 |
CN107909214B (zh) * | 2017-11-30 | 2021-07-02 | 国网江西省电力有限公司电力科学研究院 | 一种基于改进型蚁群算法的配网低电压自动治理方法 |
CN108520321A (zh) * | 2018-04-03 | 2018-09-11 | 广西大学 | 一种基于最大最小蚁群算法的列车转向架关键部件预防性维修决策优化模型 |
CN110188915A (zh) * | 2019-04-10 | 2019-08-30 | 国网浙江省电力有限公司电力科学研究院 | 基于场景集的虚拟电厂中储能系统优化配置方法及系统 |
CN115965171A (zh) * | 2023-03-10 | 2023-04-14 | 吉奥时空信息技术股份有限公司 | 一种基于优化蚁群算法的微公园选址方法 |
CN117454456A (zh) * | 2023-12-22 | 2024-01-26 | 浙江远算科技有限公司 | 基于蚁群算法的海上风电场排布优化仿真方法和系统 |
CN117454456B (zh) * | 2023-12-22 | 2024-03-29 | 浙江远算科技有限公司 | 基于蚁群算法的海上风电场排布优化仿真方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN103914734B (zh) | 2017-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103914734A (zh) | 基于改进型蚁群算法的微网容量优化布址方法 | |
Xu et al. | Data-driven configuration optimization of an off-grid wind/PV/hydrogen system based on modified NSGA-II and CRITIC-TOPSIS | |
Sun | A multi-objective optimization model for fast electric vehicle charging stations with wind, PV power and energy storage | |
CN108944531A (zh) | 一种电动汽车有序充电控制方法 | |
CN103217900B (zh) | 基于实时电价的中压微网混沌pso最优潮流实现方法 | |
Sharafi et al. | A dynamic MOPSO algorithm for multiobjective optimal design of hybrid renewable energy systems | |
CN103248064A (zh) | 一种复合型能源充电储能系统及其方法 | |
CN103151797A (zh) | 基于多目标调度模型的并网运行方式下微网能量控制方法 | |
CN102969780B (zh) | 一种离网型风光储互补发电系统容量优化配置方法 | |
Li et al. | Optimal battery schedule for grid-connected photovoltaic-battery systems of office buildings based on a dynamic programming algorithm | |
CN110138006A (zh) | 考虑含有新能源电动汽车的多微电网协调优化调度方法 | |
CN106779250B (zh) | 一种基于新型优化模型的孤立分布式电网配置方法 | |
Wang et al. | Energy management strategy of hybrid energy storage based on Pareto optimality | |
CN109672215A (zh) | 基于负荷可时移特性的分布式光伏消纳控制方法 | |
CN107732945A (zh) | 一种基于模拟退火粒子群算法的储能单元优化方法 | |
CN104578160A (zh) | 一种微网能量控制方法 | |
Meng et al. | Multi-objective optimal dispatching of demand response-enabled microgrid considering uncertainty of renewable energy generations based on two-level iterative strategy | |
Huang et al. | A Hierarchical Strategy for Multi-Objective Optimization of Distribution Network Considering DGs and V2G-Enabled EVs Integration | |
Fang et al. | Multi-objective comprehensive charging/discharging scheduling strategy for electric vehicles based on the improved particle swarm optimization algorithm | |
Mao et al. | Microgrid group control method based on deep learning under cloud edge collaboration | |
Miah et al. | Energy storage controllers and optimization schemes integration to microgrid: an analytical assessment towards future perspectives | |
CN110391677A (zh) | 一种基于电力市场环境的水光蓄混合系统运行优化方法 | |
Gaojun et al. | Multi-objective capacity optimization configuration of independent wind-photovoltaic-hydrogen-battery system based on improved MOSSA algorithm | |
Pan et al. | Dual-layer optimal dispatching strategy for microgrid energy management systems considering demand response | |
Li et al. | Role of different energy storage methods in decarbonizing urban distributed energy systems: A case study of thermal and electricity storage |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |