CN105186556B - 基于改进免疫粒子群算法的大型光伏电站无功优化方法 - Google Patents
基于改进免疫粒子群算法的大型光伏电站无功优化方法 Download PDFInfo
- Publication number
- CN105186556B CN105186556B CN201510514228.7A CN201510514228A CN105186556B CN 105186556 B CN105186556 B CN 105186556B CN 201510514228 A CN201510514228 A CN 201510514228A CN 105186556 B CN105186556 B CN 105186556B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- mtd
- particle
- mtr
- 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.)
- Expired - Fee Related
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/30—Reactive power compensation
Landscapes
- Control Of Electrical Variables (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明涉及一种基于改进免疫粒子群算法在大型光伏电站无功优化中的应用,属于光伏电站控制技术领域。本发明的方法包括以下步骤:步骤1)建立光伏电站稳态运行模型并对电压进行分析,所述模型中包括站内集电线路,升压变压器,输电线路阻抗;步骤2)建立多目标无功优化模型,并对多目标进行模糊处理;步骤3)采用改进免疫粒子群算法进行求解。本发明提供的一种基于改进免疫粒子群算法的大型光伏电站无功优化方法,能够明显改善并网点电压和站内电压分布,且在电站出力较大时,可明显降低站内有功损耗。
Description
技术领域
本发明属于光伏电站控制技术领域,涉及一种基于改进免疫粒子群算法的大型光伏电站无功优化方法。
背景技术
近年来光伏发电发展迅速,光伏电站的大型化和规模化已成为光伏产业的发展趋势。大型光伏电站多建立在荒漠化边远地区,所接入地区电网短路容量较小,大量的光伏电力需要经高压长距离输电线路接入电网,光伏出力的波动会造成并网点电压大幅波动甚至越限,影响系统的稳定运行,因此大型光伏电站必须具备独立的无功电压控制能力。再次,受到资源密度和能量分布的制约,大型光伏电站通常由多组光伏发电单元(PV GenerationUnit,PVGU)并联组成,受集电线路输送功率和电气距离的影响,各组PVGU出口电压呈现较大的时空分散特性,不利于保护装置的整定,因此有必要对光伏电站内部电压进行优化。目前光伏电站无功电压控制的方法主要有分层控制,针对的并网点的定电压控制和基于分区图法区法的无功控制。这些方法只针对并网点电压进行控制,均未考虑光伏电站内部光伏发电单元的电压分布情况。
目前,粒子群算法在国内其他行业有一些应用,如中国发明专利《基于免疫克隆粒子群优化的正交小波盲均衡方法》(申请号CN201110093589.0)就公开了一种水声通信系统中基于免疫克隆粒子群优化的正交小波盲均衡方法。但在大型光伏电站无功优化,由于本领域人员还需要通过克服多种技术壁垒,如优化目标的选择,系统模型的建立以及如何提高算法的局部搜索能力等技术手段,所以目前在该领域尚无相关应用的报道。
发明内容
有鉴于此,本发明的目的在于提供一种基于改进免疫粒子群算法的大型光伏电站无功优化方法,采用免疫粒子群算法对光伏电站无功电压进行优化,能够明显改善并网点电压和站内电压分布。
为达到上述目的,本发明提供如下技术方案:
基于改进免疫粒子群算法的大型光伏电站无功优化方法,该方法包括以下步骤:
步骤1)建立光伏电站稳态运行模型并对电压进行分析,所述模型中包括站内集电线路,升压变压器,输电线路阻抗;
步骤2)建立多目标无功优化模型;
步骤3)采用改进免疫粒子群算法进行求解。
进一步,所述步骤1)中的光伏电站稳态运行模型中每组光伏发电单元有功出力为:
其中,Um为光伏电池板在额定工况下的最大功率电压,Im为光伏电池板在额定工况下的最大功率电流,U′m,I′m为实际工况最大功率电压和电流;S为实际光照照度;Sref为参考光照强度,Np为每组PVGU所串并联的电池板个数。
进一步,所述步骤1)中的光伏电站稳态运行模型中光伏发电单元等效为PQ节点,忽略升压变压器激磁导纳以及集电线路对地导纳;主变压器采用Г型模型,输电线路采用п型等效,如图2所示。
进一步,所述步骤2)多目标无功优化的目标包括并网点电压波动最小,光伏发电单元出口电压偏差最小,以及有功损耗最小;所述目标函数为:
min f1=|UPOI-1|
其中,UPOI为光伏电站并网点实际电压,N为站内PVGU组数,Un为第n组PVGU出口实际电压,Uref为电压参考;Ua、Ub为节点a,b处的电压幅值;Gab、δab为支路a-b的电导、电压相角差。
不等式约束为:
其中,Qimin为第i组PVGU的容性无功容量、QCmin为无功补偿装置的容性无功容量、Qimax为第i组PVGU的感性无功容量、QCmax为无功补偿装置的感性无功容量;
Qi为逆变器无功输出,QC为无功补偿装置无功输出;
TPOImin为主变压器分接头最小档位、Timin第i组PVGU升压变压器的分接头最小档位、TPOImax为主变压器的分接头最大档位、Timax第i组PVGU升压变压器的分接头最大档位;
等式约束为:
式中,PGa、QGa——节点a处的有功注入和无功注入;PLa、QLa——节点a处负荷的有功功率和无功功率;Nnode——总的节点数;Ua、Ub——节点a,b处的电压幅值;Gab、Bab、δab——支路a-b的电导、电钠及电压相角差。
进一步,所述步骤2)还包括对多目标进行模糊处理,采用权重系数法将多目标问题转化为单目标问题;
依据模糊理论将优化目标模糊化,隶属度函数为:
其中,fp(x)为第p个优化目标函数值;为第p个优化目标的最大值和最小值。
进一步,对于优化目标光伏发电单元出口电压偏差最小,分别求取各组PVGU出口电压偏差的模糊值,将其平均值作为最终优化目标。
进一步,通过加权,将多目标优化转化为单目标问题,
其中,λp为第p个优化目标的权重系数。
进一步,所述步骤3)具体包括以下步骤:
步骤3-1)输入算法参数以及系统参数;
步骤3-2)随机生成N个粒子的速度和位置,通过潮流计算得到各个粒子的适应度F(x),将各粒子的目前位置设置为历史最优xbest,选择适应度最高(F(x)最大的粒子位置)粒子为全局最优gbest;
通过以下公式更新粒子速度和位置;
vij(t+1)=wvij(t)+c1r1[xbestij(t)-xij(t)]+c2r2[gbest(t)-xij(t)]
xij(t+1)=xij(t)+vij(t+1)
其中,t为进化代数,vij,xij为第i个粒子的速度和位置的第j维分量;gbest为全局最优,表示粒子群所找到的最优位置;xbest为局部最优,表示某粒子历史上所寻找到的最优位置;w为惯性权重;c1,c2为学习因子,r1,r2为随机数;
步骤3-3)通过以下公式更新权重系数,
其中,wmax,wmin为惯性权重最大值和最小值;wi(t+1)为粒子i所对应的惯性权重;F(x)为适应度评价函数;
步骤3-4)判断还是否满足算法终止条件,若满足则算法结束,若不满足,则跳转至下一步;
步骤3-5)随机生成M个粒子,与原来N个粒子组成M+N的种群;计算新种群各个粒子的适应度和浓度;
步骤3-6)更新全局最优和局部最优,当粒子适应度大于全局最优时,则当前粒子为全局最优,当粒子适应度大于局部最优时,当前位置为局部最优,将适应度最大的若干粒子存入记忆库中;
步骤3-7)根据以下公式计算各粒子的期望选择概率,以轮盘赌的选择方式从M+N个粒子中选择出N个粒子;
其中,α为常数,抗原抗体亲和力为Ai=F(xi),Ci为抗体浓度;
步骤3-8)将记忆库中的粒子与新的种群合并,并返回步骤3-4)。
进一步,所述抗体浓度通过以下方法计算:
通过以下公式计算抗体i与抗体j汉明距离Sij:
其中,xid,xjd为抗体第d维的值;Ld为第d维长度;n为变量维数;tol为判定阈值;
然后再通过以下公式,计算抗体浓度:
其中,s为阈值。
本发明的有益效果在于:本发明提供的一种基于改进免疫粒子群算法的大型光伏电站无功优化方法,能够明显改善并网点电压和站内电压分布,且在电站出力较大时,可明显降低站内有功损耗。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述,其中:
图1为大型光伏电站拓扑结构示意图,其中图1中n表示一共有n组;l表示每条支路中的组数,m表示共有m条支路,n=m*l;
图2为大型光伏电站稳态运行等值模型;
图3为本发明所述方法的流程图;
图4为本发明所述免疫粒子群优化算法的流程图;
图5为仿真计算模型;
图6为某地区某日光照曲线;
图7为优化前后各组PVGU出口电压情况比较;
图8为优化前后各组PVGU出口电压标准差。
具体实施方式
下面将结合附图,对本发明的优选实施例进行详细的描述。
本发明提供的一种基于改进免疫粒子群算法的大型光伏电站无功优化方法,如图3所示,具体包括以下步骤:
步骤1)建立了考虑站内集电线路,升压变压器,输电线路阻抗的光伏电站稳态运行模型。
大型光伏电站多采用逆变器并联集中并网,通过升压站变压器实现高压交流输电。以国内某大型光伏电站为例,其拓扑结构如图1所示。
图中Ui表示第i组PVGU升压变压器低压侧电压,UPOI表示主变压器高压侧(并网点)电压。U表示电网电压。无功补偿装置(SVG)装设在主变压器低压侧。
光伏发电单元由若干逆变器并联组成,可将直流电能逆变为270V交流电;为减小电站内部损耗,每组PVGU配置1台0.27kV/10kV升压变压器(Ti)。由于光伏阵列占地面积较大,各组PVGU之间距离较远,需要m回集电线路(每回集电线路串联l组光伏发电单元)将电能汇集,接入主变器(T)低压侧,由主变器将电能集中升压至110kV,通过送出线路输送至电网。
光伏出力受到光照影响,逆变器采用最大功率跟踪技术。忽略逆变器动态影响,每组光伏发电单元有功出力可近似表示如下:
P=NpU′mI′m (2)
式中Um,Im——光伏电池板在额定工况下的最大功率电压和最大功率电流,由电池板参数给出;U′m,I′m——实际工况最大功率电压和电流;S——实际光照照度;Sref——参考光照强度,取1000W/m2;Np——每组PVGU所串并联的电池板个数。
建立图1稳态运行等值模型,如图2所示。由于逆变器可实现独立无功控制,可以将PVGU等效为PQ节点,有功输出P由光照决定,即根据式(1)(2)获得;无功输出Q可在其容量范围内自由调节。为简化分析,忽略PVGU升压变压器激磁导纳。图中Pi+jQi表示第i组PVGU所发出功率,Zi表示i组PVGU与第i-1组PVGU之间的线路阻抗,ZTi表示第i组PVGU的升压变压器的等效阻抗,Zg,Bg为传输线路的阻抗和导纳,ZT,BT为主变压器的等效阻抗和激磁电钠。Ui1与Ui2表示第i组升压变压器低压侧电压和高压侧电压。U2POI表示主变压器低压侧电压。对该模型进行潮流计算,可以得到系统的并网点电压、各PVGU出口电压以及有功损耗的信息。
步骤2)在此基础上建立了以并网点电压波动最小,光伏发电单元出口电压偏差最小,以及有功损耗最小的无功优化模型。
优化目标
优化目标1:并网点电压接近额定值。
min f1=|UPOI-1| (5)
式中,UPOI——光伏电站并网点实际电压,计算过程采用标幺值。
优化目标2:各PVGU出口电压平均偏差最小。
式中,N——站内PVGU组数;Un——第n组PVGU出口实际电压;Uref——电压参考,根据需要人为设置。
优化目标3:有功损耗最小。
其中;Nnode为总的节点数;Ua、Ub为节点a,b处的电压幅值;Gab、δab为支路a-b的电导、电压相角差。
根据《光伏电站无功补偿技术规范》GBT/29321-2012规定,大型光伏电站应设置动态无功补偿装置,通过调节逆变器、动态无功补偿装置的无功输出以及主变压器分接头实现并网点电压的调节。考虑到光伏发电单元升压变压器也具备有载调压能力,因此控制变量包括各组PVGU无功输出Qi,动态无功补偿装置(SVG)无功输出QC,主变压器分接头TPOI以及各组PVGU升压变压器分接头Ti。其中前两者为连续变量,后两者为离散变量,且受到以下不等式约束:
式中,Qimin、QCmin、Qimax、QCmax——第i组PVGU和无功补偿装置的容性无功容量和感性无功容量;
TPOImin、Timin、TPOImax、Timax——主变压器以及第i组PVGU升压变压器的分接头最小档位和最大档位。
等式约束为功率平衡方程。
式中,PGa、QGa——节点a处的有功注入和无功注入;PLa、QLa——节点a处负荷的有功功率和无功功率;Nnode——总的节点数;Ua、Ub——节点a,b处的电压幅值;Gab、Bab、δab——支路a-b的电导、电钠及电压相角差。
多目标模糊处理
通过对上述优化模型直接求解,可以求得Pareto最优解集,但从Pareto最优解集选择满意解比较困难。此处采用权重系数法将多目标问题转化为单目标问题。由于不同的优化目标值有很大差异,采用直接加权的方式不易搜索到满意解,依据模糊理论将优化目标模糊化,隶属度函数如下:
式中,fp(x)——第p个优化目标函数值;——第p个优化目标的最大值和最小值。通过模糊处理,可以将优化目标处理为0到1的值,对于优化目标2,分别求取各组PVGU出口电压偏差的模糊值,将其平均值作为最终优化目标。最后通过加权,将多目标优化转化为单目标问题。此处采用加权处理为单目标,F(x)即为算法最终优化目标。
式中λp——第p个优化目标的权重系数;m——总的优化目标数。可以根据决策者的实际需要,调节不同优化目标优先级。
步骤3)采用改进免疫粒子群算法进行求解。
粒子群算法(Particle Swarm Optimization Algorithm,PSO)是模拟鸟群觅食行为而发展起来的启发式进化算法(共生合作算法),与其它智能算法相比,具有运算简单,收敛速度快等特点,可以同时处理离散变量和连续变量,在电力系统无功优化优化方面得到了广泛的应用。通过潮流计算,得到每个粒子的适应度评价函数F(xi)值,其中适应度最大的粒子的 位置定义为全局最优gbest,各个粒子历史适应度最大位置定义为局部最优xbest。然后通过以下公式更新粒子的速度和位置。
vij(t+1)=wvij(t)+c1r1[xbestij(t)-xij(t)]+c2r2[gbest(t)-xij(t)]
(12)
xij(t+1)=xij(t)+vij(t+1)
式中,t——进化代数,vij,xij——第i个粒子的速度和位置的第j维分量;gbest——全局最优,表示粒子群所找到的最优位置;xbest——局部最优,表示某粒子历史上所寻找到的最优位置;w——惯性权重;c1,c2——学习因子,r1,r2——随机数。粒子通过跟踪全局最优和局部最优两个极值,逐渐调整自己的飞行速度和方向,通过迭代,逐步寻找到最优值。
自适应权重系数:通过调整惯性权重系数w可以控制算法搜索力度,采用下式自适应调整惯性权重。
式中,wmax,wmin——惯性权重最大值和最小值;wi(t+1)——粒子i所对应的惯性权重;F(x)——适应度评价函数,即目标函数。mi(t)为调节系数。
由于粒子群算法存在过早收敛,易陷入局部最优的问题,本发明提出了基于免疫机理的粒子群优化算法(Immune Operator Particle Swarm Optimization Algorithm,IOPSO),并将其应用到电力系统无功优化中。免疫粒子群算法将免疫算法中的“免疫记忆”与“抗体浓度抑制”引入到粒子群算法中,通过平衡抗原(目标函数)抗体(粒子)亲和力以及抗体(粒子)浓度来保证种群的多样性,提高算法的局部搜索能力。
抗原抗体亲和力用来表示抗体对抗原的匹配程度,通过适应度函数,即总的优化目标F(x)评价,适应度越高,表示亲和力越高。
Ai=F(xi) (13)
抗体浓度通过抗体与抗体之间的亲和力计算。抗体与抗体间亲和力反映了抗体之间的相似程度,目前文献都以抗体适应度的近似程度来计算抗体浓度,并不能真实反映抗体间的位置关系。本发明采用汉明距离进行计算。汉明距离表示两个长度相同的字符串对应位数不同的数量。这里可以表示为两个抗体对应坐标不同的维的数量。由于此处采用整实数混合编码,所以抗体i与抗体j汉明距离Sij通过以下公式计算:
式中,xid,xjd——抗体第d维的值;Ld——第d维长度;n——变量维数;tol——判定阈值。
计算得抗体间的汉明距离,可进一步得到抗体浓度。
若抗体间的汉明距离小于阈值s,则认为其位置近似相同。抗体浓度即位置近似相同的粒子占总粒子数的比例。
抗体抗原亲和力和抗体浓度共同决定了群体中每个个体的期望选择概率。
α为常数,由上式可知,个体适应度越高,期望选择概率越大;个体浓度越大,则期望选择概率越小。这样即鼓励适应度高的个体,又抑制了浓度高的个体,从而确保了种群的多样性。
精英保留策略:算法在抑制高浓度个体的同时,与抗原亲和力高的个体也可能受到抑制,从而导致已求得的最优解丢失。所以采用最优解保留策略,即在选择前,将适应度最高的部分抗体存入记忆库中,粒子更新后,再将记忆库中的粒子与新的种群合并。
具体步骤为:
步骤3-1)输入算法参数以及系统参数。
步骤3-2)随机生成N个粒子的速度和位置,通过潮流计算得到各个粒子的适应度F(xi),将各粒子的目前位置设置为历史最优xbest,选择适应度最高粒子为全局最优gbest。
步骤3-3)分别根据(19)(20)式更新权重系数,根据(12)式更新粒子速度和位置。
步骤3-4)判断还是否满足算法终止条件,若满足则算法结束,若不满足,则进行步骤3-5)。
步骤3-5)随机生成M个粒子,与原来N个粒子组成M+N的种群。计算新种群各个粒子的适应度和浓度。
步骤3-6)更新全局最优和局部最优。当粒子适应度大于全局最优时,则当前粒子为全局最优,当粒子适应度大于局部最优时,当前位置为局部最优。将适应度最大的若干粒子存入记忆库中。
步骤3-7)按照(18)计算各粒子的期望选择概率。以轮盘赌的选择方式从M+N个粒子中选择出N个粒子。
步骤3-8)将记忆库中的粒子与新的种群合并,并返回第4步。
以图4所示光伏电站为研究对象,对本发明所述的方法进行验证。
光伏电站总装机容量60MW,共有4回集电线路,每回集电线路串联10组PVGU,每组PVGU容量1.5MW(为便于计算,采用1台1.5MW逆变器),通过10±2×2.5/0.27kV升压变压器升压至10kV接入集电线路。相邻两组PVGU之间距离为1.2km,选用YJV23-8.7/10、3×150mm2电缆连接。主变压器容量60MW,变比121±8×1.25%/10.5kV。送出线路长度80km,采用LGJ185型号导线。SVG容量为-4Mvar-6Mvar。
在matlab环境下编写潮流计算程序、免疫粒子群算法以及采用自适应权重系数的粒子群算法(APSO)程序;潮流计算采用牛顿—拉夫逊迭代;两种优化算法种群规模都为40,最大迭代次数300次;wmax取0.9;wmin取0.55;优化目标权重系数λ1,λ2,λ3分别取0.4,0.4,0.2;α取0.7。以某地区某日光照曲线为例,如图4所示。取整点时刻光照强度,按照1.2节计算光伏有功出力,并计算系统潮流,得到并网点电压,各组PVGU出口电压以及损耗情况,并分别采用APSO算法和IOPSO算法进行优化,每个时刻各计算10次,取其平均值,计算结果如图5所示。
并网点电压。结果如表1所示。优化前,随着光照强度的增加,并网点电压呈现先上升后降低的趋势,在10:00时,达到最大值1.029pu,在14:00时达到最低值0.973pu,接近规定下限值0.97pu。这是由于随着有功输出的增加,光伏电站内部感性无功消耗逐渐上升,另外送出线路逐渐由容性呈现为感性,送出线路中逆向无功功率的影响逐渐大于有功功率。优化后,APSO算法和IOPSO算法都能够将并网点电压优化到规定范围内。
表1 并网点电压比较
表2 不同时刻站内有功损耗
PVGU出口电压。由于站内电压呈现较大的时空分散特性,所以这里采用站内各组PVGU出口电压最大值,最小值以及标准差表示站内电压分布情况。结果见图6,图7。优化前,站内电压随着光照强度的增加呈现先上升后下降的趋势,在10:00时,站内电压最大值达到1.077pu,在14:00,站内电压最小值低至0.963pu,当电网电压发生波动时易导致保护装置动作,使得逆变器脱网,不利于光伏电站的稳定运行。随着光伏出力的增加,站内电压最大值和最小值之差逐渐增加,在14:00达到最大值0.079pu,且电压偏差的标准差与光照变化呈现正相关,不利于保护装置的整定。
采用APSO和IOPSO算法优化,站内电压偏差参考值选择1.035pu。由数据可知,两种算法都可以将站内各PVGU出口电压优化到1.015~1.05pu范围内,任意时刻站内电压最大值与最小值之差都在0.025pu以内。与优化前相比,站内电压标准差有显著降低。即可以使得 站内电压均匀分布。
站内有功损耗。在光照强度较弱时,与优化前相比,APSO算法和IOPSO都会导致站内有功网损略微增加,但随着光照的而增加,IOPSO算法在降低损耗方面明显优于APSO算法。
最后说明的是,以上优选实施例仅用以说明本发明的技术方案而非限制,尽管通过上述优选实施例已经对本发明进行了详细的描述,但本领域技术人员应当理解,可以在形式上和细节上对其作出各种各样的改变,而不偏离本发明权利要求书所限定的范围。
Claims (5)
1.一种基于改进免疫粒子群算法的大型光伏电站无功优化方法,其特征在于:该方法包括以下步骤:
步骤1)建立光伏电站稳态运行模型并对电压进行分析,所述模型中包括站内集电线路,升压变压器,输电线路阻抗;
步骤2)建立多目标无功优化模型,包括并网点电压波动最小、光伏发电单元出口电压偏差最小、以及有功损耗最小的无功优化模型,并将多目标问题转化为单目标问题;
步骤3)采用改进免疫粒子群算法进行求解,具体包括以下步骤:
步骤3-1)输入算法参数和系统参数,算法参数包括权重系数最大值wmax,最小值wmin;
学习因子c1,c2;权重系数λ;系统参数包括线路电阻电抗,光照强度;
步骤3-2)随机生成N个粒子的速度和位置,通过潮流计算得到各个粒子的适应度F(x),将各粒子的目前位置设置为历史最优xbest,选择适应度最高粒子为全局最优gbest;
步骤3-3)通过以下公式更新权重系数,
<mrow>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>w</mi>
<mi>min</mi>
</msub>
<mo>+</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>w</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>w</mi>
<mi>min</mi>
</msub>
<mo>)</mo>
</mrow>
<mfrac>
<mrow>
<msup>
<mi>e</mi>
<mrow>
<msub>
<mi>m</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</msup>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mrow>
<msup>
<mi>e</mi>
<mrow>
<msub>
<mi>m</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</msup>
<mo>+</mo>
<mn>1</mn>
</mrow>
</mfrac>
</mrow>
<mrow>
<msub>
<mi>m</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>g</mi>
<mi>b</mi>
<mi>e</mi>
<mi>s</mi>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>g</mi>
<mi>b</mi>
<mi>e</mi>
<mi>s</mi>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中,wmax,wmin为惯性权重最大值和最小值;wi(t+1)为粒子i所对应的惯性权重;f(x)为适应度评价函数;mi(t)调节系数;
通过以下公式更新粒子速度和位置;
vij(t+1)=wvij(t)+c1r1[xbestij(t)-xij(t)]+c2r2[gbest(t)-xij(t)]
xij(t+1)=xij(t)+vij(t+1)
其中,t为进化代数,vij,xij为第i个粒子的速度和位置的第j维分量;gbest为全局最优,表示粒子群所找到的最优位置;xbest为局部最优,表示某粒子历史上所寻找到的最优位置;w为惯性权重;c1,c2为学习因子,r1,r2为随机数;
步骤3-4)判断还是否满足算法终止条件,若满足则算法结束,若不满足,则跳转至下一步;
步骤3-5)随机生成M个粒子,与原来N个粒子组成M+N的种群;计算新种群各个粒子的适应度和浓度;
步骤3-6)更新全局最优和局部最优,当粒子适应度大于全局最优时,则当前粒子为全局最优,当粒子适应度大于局部最优时,当前位置为局部最优,将适应度最大的若干粒子存入记忆库中;
步骤3-7)根据以下公式计算各粒子的期望选择概率,以轮盘赌的选择方式从M+N个粒子中选择出N个粒子;
<mrow>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mi>&alpha;</mi>
<mfrac>
<msub>
<mi>A</mi>
<mi>i</mi>
</msub>
<mrow>
<msub>
<mi>&Sigma;A</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&alpha;</mi>
<mo>)</mo>
</mrow>
<mfrac>
<mrow>
<mn>1</mn>
<mo>/</mo>
<msub>
<mi>C</mi>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>&Sigma;</mi>
<mn>1</mn>
</msub>
<mo>/</mo>
<msub>
<mi>C</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
</mrow>
其中,α为常数,抗原抗体亲和力为Ai=f(xi),Ci为抗体浓度;
步骤3-8)将记忆库中的粒子与新的种群合并,并返回步骤3-4)。
2.根据权利要求1所述的基于改进免疫粒子群算法的大型光伏电站无功优化方法,其特征在于:所述步骤1)中的光伏电站稳态运行模型中每组光伏发电单元有功出力为:
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<msubsup>
<mi>U</mi>
<mi>m</mi>
<mo>&prime;</mo>
</msubsup>
<mo>=</mo>
<msub>
<mi>U</mi>
<mi>m</mi>
</msub>
<mi>l</mi>
<mi>n</mi>
<mo>&lsqb;</mo>
<mi>e</mi>
<mo>+</mo>
<mn>0.5</mn>
<mo>(</mo>
<mfrac>
<mi>S</mi>
<msub>
<mi>S</mi>
<mrow>
<mi>r</mi>
<mi>e</mi>
<mi>f</mi>
</mrow>
</msub>
</mfrac>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
<mo>&rsqb;</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msubsup>
<mi>I</mi>
<mi>m</mi>
<mo>&prime;</mo>
</msubsup>
<mo>=</mo>
<msub>
<mi>I</mi>
<mi>m</mi>
</msub>
<mfrac>
<mi>S</mi>
<msub>
<mi>S</mi>
<mrow>
<mi>r</mi>
<mi>e</mi>
<mi>f</mi>
</mrow>
</msub>
</mfrac>
</mtd>
</mtr>
</mtable>
</mfenced>
P=NpU′mI′m
其中,Um为光伏电池板在额定工况下的最大功率电压,Im为光伏电池板在额定工况下的最大功率电流,U′m,I′m为实际工况最大功率电压和电流;S为实际光照照度;Sref为参考光照强度,Np为每组PVGU所串并联的电池板个数;e为自然对数,P为光伏输出功率。
3.根据权利要求1所述的基于改进免疫粒子群算法的大型光伏电站无功优化方法,其特征在于:所述步骤2)还包括对多目标进行模糊处理,采用权重系数法将多目标问题转化为单目标问题;
依据模糊理论将优化目标模糊化,隶属度函数为:
<mrow>
<msub>
<mi>Mf</mi>
<mi>p</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow>
<msub>
<mi>f</mi>
<mi>p</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>&le;</mo>
<msubsup>
<mi>f</mi>
<mi>p</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msubsup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<msub>
<mi>f</mi>
<mi>p</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>&GreaterEqual;</mo>
<msubsup>
<mi>f</mi>
<mi>p</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msubsup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mfrac>
<mrow>
<msubsup>
<mi>f</mi>
<mi>p</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msubsup>
<mo>-</mo>
<msub>
<mi>f</mi>
<mi>p</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>f</mi>
<mi>p</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>f</mi>
<mi>p</mi>
<mi>min</mi>
</msubsup>
</mrow>
</mfrac>
</mtd>
<mtd>
<mrow>
<msubsup>
<mi>f</mi>
<mi>p</mi>
<mi>min</mi>
</msubsup>
<mo>&le;</mo>
<msub>
<mi>f</mi>
<mi>p</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>&le;</mo>
<msubsup>
<mi>f</mi>
<mi>p</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msubsup>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中,fp(x)为第p个优化目标函数值;为第i个优化目标的最大值和最小值。
4.根据权利要求3所述的基于改进免疫粒子群算法的大型光伏电站无功优化方法,其特征在于:通过加权,将多目标问题转化为单目标问题,
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mi>F</mi>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
<mo>=</mo>
<mstyle>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<mrow>
<msub>
<mi>&lambda;</mi>
<mi>p</mi>
</msub>
<msub>
<mi>Mf</mi>
<mi>p</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
</mstyle>
</mtd>
</mtr>
<mtr>
<mtd>
<mstyle>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
</mstyle>
<msub>
<mi>&lambda;</mi>
<mi>p</mi>
</msub>
<mo>=</mo>
<mn>1</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
其中,λp为第p个优化目标的权重系数。
5.根据权利要求1所述的基于改进免疫粒子群算法的大型光伏电站无功优化方法,其特征在于:所述抗体浓度通过以下方法计算:
通过以下公式计算抗体i与抗体j汉明距离Sij:
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>k</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
</msub>
<mo>=</mo>
<mn>0</mn>
</mrow>
</mtd>
<mtd>
<mrow>
<mfrac>
<mrow>
<mo>|</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>j</mi>
<mi>d</mi>
</mrow>
</msub>
<mo>|</mo>
</mrow>
<msub>
<mi>L</mi>
<mi>d</mi>
</msub>
</mfrac>
<mo>&le;</mo>
<mi>t</mi>
<mi>o</mi>
<mi>l</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>k</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
</msub>
<mo>=</mo>
<mn>1</mn>
</mrow>
</mtd>
<mtd>
<mrow>
<mfrac>
<mrow>
<mo>|</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>j</mi>
<mi>d</mi>
</mrow>
</msub>
<mo>|</mo>
</mrow>
<msub>
<mi>L</mi>
<mi>d</mi>
</msub>
</mfrac>
<mo>></mo>
<mi>t</mi>
<mi>o</mi>
<mi>l</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mrow>
<msub>
<mi>S</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>d</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>k</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
</msub>
</mrow>
2
其中,xid,xjd为抗体第d维的值;Ld为第d维长度;n为变量维数;tol为判定阈值;
然后再通过以下公式,计算抗体浓度:
<mrow>
<msub>
<mi>T</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow>
<msub>
<mi>S</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo><</mo>
<mi>s</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<msub>
<mi>S</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>&GreaterEqual;</mo>
<mi>s</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
<mrow>
<msub>
<mi>C</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>T</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
其中,s为阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510514228.7A CN105186556B (zh) | 2015-08-20 | 2015-08-20 | 基于改进免疫粒子群算法的大型光伏电站无功优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510514228.7A CN105186556B (zh) | 2015-08-20 | 2015-08-20 | 基于改进免疫粒子群算法的大型光伏电站无功优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105186556A CN105186556A (zh) | 2015-12-23 |
CN105186556B true CN105186556B (zh) | 2017-11-14 |
Family
ID=54908478
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510514228.7A Expired - Fee Related CN105186556B (zh) | 2015-08-20 | 2015-08-20 | 基于改进免疫粒子群算法的大型光伏电站无功优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105186556B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105790278B (zh) * | 2016-04-06 | 2018-11-23 | 重庆大学 | 基于改进粒子群算法的光伏电站站内多目标无功优化方法 |
CN106340888B (zh) * | 2016-09-18 | 2019-01-25 | 国网福建省电力有限公司 | 基于佳点集量子粒子群算法的交直流系统无功优化方法 |
CN106650815A (zh) * | 2016-12-28 | 2017-05-10 | 北京航天测控技术有限公司 | 动态粒子群算法优化的多核支持向量机吊舱故障诊断方法及装置 |
CN107171339B (zh) * | 2017-05-27 | 2020-02-11 | 国网河南省电力公司电力科学研究院 | 一种含微网的配电网电压无功优化方法 |
CN107229809B (zh) * | 2017-07-14 | 2020-09-18 | 山东电力工程咨询院有限公司 | 基于粒子群算法的发电厂低压配电系统中spd优化配置方法 |
CN109218414A (zh) * | 2018-08-27 | 2019-01-15 | 杭州中恒云能源互联网技术有限公司 | 一种面向智能电网混合网络架构的分布式计算方法 |
CN109274135B (zh) * | 2018-09-05 | 2024-03-22 | 华北电力大学 | 基于光伏电站有功出力的无功优化控制方法 |
CN109490661A (zh) * | 2018-10-23 | 2019-03-19 | 国网江苏省电力有限公司检修分公司 | 基于pso-svm和人工免疫算法的油浸式电抗器故障诊断方法、装置及系统 |
CN110120670B (zh) * | 2019-04-25 | 2020-11-17 | 国网河北省电力有限公司邢台供电分公司 | 含dpv配电网无功电压优化方法、终端设备及存储介质 |
CN110556857A (zh) * | 2019-06-10 | 2019-12-10 | 国网甘肃省电力公司定西供电公司 | 基于集电网络模型的分布式光伏并网点电压计算方法 |
CN110504709B (zh) * | 2019-08-27 | 2021-05-18 | 国网河北省电力有限公司邢台供电分公司 | 光伏集群无功电压调控方法、终端设备及存储介质 |
CN110556851B (zh) * | 2019-09-12 | 2023-06-27 | 云南电网有限责任公司临沧供电局 | 基于电动汽车换电站的配电网优化电压管理方法 |
CN111077384B (zh) * | 2019-10-17 | 2021-12-10 | 华北电力大学(保定) | 一种变压器内部故障在线监测方法 |
CN113972665A (zh) * | 2020-07-24 | 2022-01-25 | 天津电力工程监理有限公司 | 一种光伏电站参与电网主动调压的无功优化控制方法 |
CN112018808B (zh) * | 2020-08-12 | 2022-09-30 | 广东电网有限责任公司广州供电局 | 一种基于多逆变器通信的光伏电压协同控制方法 |
CN114285096B (zh) * | 2021-12-10 | 2024-02-13 | 南京国电南自电网自动化有限公司 | 一种新能源场站有功功率控制方法、装置及存储介质 |
CN115713040B (zh) * | 2022-11-28 | 2023-06-20 | 西安电子科技大学 | 太阳能接收器上的光伏电池尺寸计算方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101295008A (zh) * | 2008-06-19 | 2008-10-29 | 电子科技大学 | 一种基于离散粒子群算法的多目标故障测试优化方法 |
CN101840635A (zh) * | 2010-05-06 | 2010-09-22 | 招商局重庆交通科研设计院有限公司 | 基于人工免疫粒子群算法的可变限速控制方法 |
CN104659816A (zh) * | 2015-03-13 | 2015-05-27 | 贵州电力试验研究院 | 一种基于改进粒子群算法的分布式电源接入配电系统优化配置方法 |
-
2015
- 2015-08-20 CN CN201510514228.7A patent/CN105186556B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101295008A (zh) * | 2008-06-19 | 2008-10-29 | 电子科技大学 | 一种基于离散粒子群算法的多目标故障测试优化方法 |
CN101840635A (zh) * | 2010-05-06 | 2010-09-22 | 招商局重庆交通科研设计院有限公司 | 基于人工免疫粒子群算法的可变限速控制方法 |
CN104659816A (zh) * | 2015-03-13 | 2015-05-27 | 贵州电力试验研究院 | 一种基于改进粒子群算法的分布式电源接入配电系统优化配置方法 |
Non-Patent Citations (5)
Title |
---|
光伏电站综合出力特性研究与分析;宁玉宝等;《太阳能学报》;20150531;第36卷(第5期);全文 * |
基于免疫算法的入侵检测系统特征选择;朱永宣等;《微电子与计算机》;20070331;第24卷(第3期);全文 * |
基于混沌免疫接种粒子群算法的电力系统多目标无功优化;张洪波等;《黑龙江电力》;20110228;第33卷(第1期);第23-30页 * |
大型光伏电站动态建模及谐波特性分析;谢宁等;《中国电机工程学报》;20130925;第33卷(第36期);第25页第1栏 * |
风光互补蓄能系统优化算法研究及应用;张若含;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20140114;第36-43页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105186556A (zh) | 2015-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105186556B (zh) | 基于改进免疫粒子群算法的大型光伏电站无功优化方法 | |
CN107301472B (zh) | 基于场景分析法和电压调节策略的分布式光伏规划方法 | |
CN107634518B (zh) | 一种“源-网-荷”相协调的主动配电网经济调度方法 | |
CN109274136A (zh) | 一种基于量子粒子群算法的光伏系统无功优化方法 | |
CN104734153A (zh) | 一种含分布式电源的配电网络重构方法 | |
CN110571863B (zh) | 一种考虑配电网灵活性的分布式电源最大接纳能力评估方法 | |
CN107834596B (zh) | 基于电网运行状态感知的分布式光伏集群动态划分方法 | |
CN103490428B (zh) | 微电网无功补偿容量配置方法及系统 | |
CN114362267B (zh) | 考虑多目标优化的交直流混合配电网分散式协调优化方法 | |
CN106058858A (zh) | 一种配电网优化方法与装置 | |
CN103904644A (zh) | 一种基于分布式电源接入的智能变电站负荷自动分配方法 | |
CN111614110B (zh) | 一种基于改进多目标粒子群算法的受端电网储能优化配置方法 | |
CN107134785A (zh) | 一种考虑网络结构优化的输电网电压协调优化控制方法 | |
CN114928057B (zh) | 一种适用于新能源多端柔直系统的多目标潮流优化方法 | |
CN108964037B (zh) | 基于高压配电网重构性模型的构建方法 | |
CN109995089A (zh) | 一种分布式电源消纳能力评估方法及系统 | |
Gill et al. | Placement analysis of combined renewable and conventional distributed energy resources within a radial distribution network | |
CN110445127A (zh) | 一种面向多重随机不确定性的配电网无功优化方法及系统 | |
CN115545290A (zh) | 一种含光伏发电配电网中的分布式储能经济优化配置方法 | |
CN109617049A (zh) | 一种风电汇集区的upfc配置方法 | |
CN108110769A (zh) | 基于灰狼算法的主动配电网电压协调控制策略 | |
Dixit et al. | Optimal placement of PV array in distribution system for power loss minimization considering feeder reconfiguration | |
CN109038653A (zh) | 一种追求分散式风电高效消纳的配电网优化运行方法 | |
CN110098623B (zh) | 一种基于智能负载的Prosumer单元控制方法 | |
CN107611970A (zh) | 分布式光伏和电动汽车的不确定性配网的优化方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171114 Termination date: 20190820 |