CN107203136A - 一种智慧农业大棚微型能源网的优化调度方法及装置 - Google Patents

一种智慧农业大棚微型能源网的优化调度方法及装置 Download PDF

Info

Publication number
CN107203136A
CN107203136A CN201710428716.5A CN201710428716A CN107203136A CN 107203136 A CN107203136 A CN 107203136A CN 201710428716 A CN201710428716 A CN 201710428716A CN 107203136 A CN107203136 A CN 107203136A
Authority
CN
China
Prior art keywords
mrow
msub
power source
micro
micro power
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.)
Pending
Application number
CN201710428716.5A
Other languages
English (en)
Inventor
王维洲
刘福潮
郑晶晶
张新
杨勇
杨建华
张建华
井天军
杜培东
韩永军
彭晶
禄启龙
岳琳
王伟
韩为宏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
China Agricultural University
State Grid Gansu Electric Power Co Ltd
Electric Power Research Institute of State Grid Gansu Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
China Agricultural University
State Grid Gansu Electric Power Co Ltd
Electric Power Research Institute of State Grid Gansu Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, China Agricultural University, State Grid Gansu Electric Power Co Ltd, Electric Power Research Institute of State Grid Gansu Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201710428716.5A priority Critical patent/CN107203136A/zh
Publication of CN107203136A publication Critical patent/CN107203136A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供一种智慧农业大棚微型能源网的优化调度方法及装置，所述方法包括：基于光伏智慧设施农业大棚微型能源网中各微源的能量流动模型，以所述微型能源网一天的综合运行成本最低为目标，建立所述微型能源网的调度优化模型；采用变学习因子二阶振荡文化粒子群算法求解所述调度优化模型，得到所述微型能源网的运行调度策略。本发明提出的一种用于智慧农业大棚的微型能源网优化调度方法及装置，采用变学习因子二阶振荡文化粒子群算法求解调度优化模型获得调度策略，具有较快的运算速度、较高的全局搜索能力和更好的收敛性，能够实现光伏智慧设施农业大棚微型能源网的经济运行。

Description

一种智慧农业大棚微型能源网的优化调度方法及装置
技术领域
本发明涉及新能源微网调度领域，更具体地，涉及一种智慧农业大棚微型能源网优化调度方法及装置。
背景技术
我国甘肃地区光照强度大，太阳能资源丰富，截止2016年光伏装机容量达到567.3万千瓦，但是该地区经济欠发达，用电需求增长缓慢，外送通道与电源建设严重不匹配，造成新能源大量浪费，2016年上半年甘肃弃光率为32.1％，形式十分严峻。为了解决上述问题，将光伏发电与智慧农业大棚相结合，建立光伏智慧设施农业大棚微型能源网并进行优化调度，不仅能够落实国家光伏扶贫的政策，提高农民收入水平，同时消纳了大量光伏电能，有效降低弃光率，因此，建立光伏智慧设施农业大棚微型能源网并对其进行优化调度具有重要的现实意义。
微型能源网是能源互联网的组成单元，目前有利用预估校正内点法对微电网进行优化调度，也有利用混合整数规划法对热电联供微网进行调度分析。
由于光伏农业大棚微型能源网的调度优化问题涉及复杂性，非线性，约束性，多极值性，采用传统算法无法很好地解决。并且，智慧农业大棚设备与普通微电网设备区别较大，约束复杂，寻求适合的调度算法，是微网建设者目前急需要解决的问题，
发明内容
为了解决现有技术关于光伏发电和智慧设施农业大棚结合的微型能源网络优化调度研究的不足，本发明提供一种智慧农业大棚微型能源网的优化调度方法及装置。
根据本发明的一个方面，提供一种智慧农业大棚微型能源网的优化调度方法，包括：
S1，基于光伏智慧设施农业大棚微型能源网中各微源的能量流动模型，以所述微型能源网一天的综合运行成本最低为目标，建立所述微型能源网的调度优化模型；
S2，采用变学习因子二阶振荡文化粒子群算法求解所述调度优化模型，得到所述微型能源网的运行调度策略。
其中，所述步骤S1前还包括：
S0，建立光伏智慧设施农业大棚微型能源网中各微源的能量流动模型；
其中，所述微源的类型为供电设备、供热设备或储能装置。
其中，所述步骤S1进一步包括：
以所述微型能源网一天的综合运行成本最低为目标，建立调度优化目标函数；
基于所述微型能源网的能量供需平衡和各微源的输出功率应满足所述微型能源网的负荷需求，列举约束条件，所述约束条件包括：热电功率平衡约束公式和各微源运行的不等式约束公式。
其中，所述步骤S2进一步包括：
S21，初始化粒子群空间和知识空间；
S22，若当前迭代次数不能被预设的接收操作次数整除，则将所述粒子群空间中各粒子带入所述调度优化模型，计算所述粒子群空间中各粒子的适应度，并寻找当前个体极值和整个所述粒子群空间的当前全局最优解；
S23，利用变学习因子二阶振荡文化粒子群算法的速度更新公式和位置更新公式，更新各粒子的速度和位置；
S24，迭代执行所述步骤S22和S23，直至迭代次数达到预设阈值，输出全局最优解。
其中，所述步骤S22还包括：
若当前迭代次数能被预设的接收操作次数整除，则用当前全局最优解替换知识空间中知识解群体的最差个体；
知识解群体进行自身进化，根据影响操作更新所述粒子群空间；
计算更新后的所述粒子群空间各粒子的适应度，并寻找当前个体极值和整个所述粒子群空间的当前全局最优解。
其中，步骤S23中所述速度更新公式具体为：
式中，c1和c2为学习因子，r1和r2为区间[0,1]上的随机数，pi,j表示粒子i在第j维的个体极值点的位置，pg,j为到当前迭代次数为止所有粒子在迭代中找到的最优极值点的位置，xi,j表示粒子i在第j维的位置，vi,j表示粒子i在第j维的速度，ξ1和ξ2为随机数，
当时，以提高全局搜索能力，
当时，以提高算法收敛性。
其中，所述学习因子的调整公式为：
式中，c1,ini、c2,ini为学习因子的初始值，c1,fin、c2,fin为学习因子的终值。
根据本发明的另一个方面，提供一种智慧农业大棚微型能源网的优化调度装置，包括：
调度模型建立模块，用于基于光伏智慧设施农业大棚微型能源网中各微源的能量流动模型，以所述微型能源网一天的综合运行成本最低为目标，建立所述微型能源网的调度优化模型；
调度模型求解模块，用于采用变学习因子二阶振荡文化粒子群算法求解所述调度优化模型，得到所述微型能源网的运行调度策略。
其中，还包括：
微网模型建立模块，用于建立光伏智慧设施农业大棚微型能源网各微源的能量流动模型；
其中，所述微源的类型为供电设备、供热设备或储能装置。
根据本发明的又一个方面，提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如前所述的方法。
本发明提出的一种智慧农业大棚微型能源网的优化调度方法及装置，通过建立电气热多能流光伏智慧设施农业大棚微型能源网的优化调度模型，采用变学习因子二阶振荡文化粒子群算法求解优化调度模型，具有较快的运算速度、较高的全局搜索能力和更好的收敛性，使可再生能源实现就地消纳，减少多余电量上网对农村薄弱配电网稳定性和可靠性的影响，同时降低微型能源网综合成本运行费用，实现光伏智慧设施农业大棚微型能源网的经济运行。
附图说明
图1为本发明一实施例提供的一种智慧农业大棚微型能源网的优化调度方法的流程示意图；
图2为本发明实施例提供的光伏智慧设施农业大棚微型能源网的结构示意图；
图3为本发明实施例提供的基于图1中步骤S2的流程示意图；
图4为本发明实施例提供的变学习因子二阶振荡文化粒子群算法的流程示意图；
图5为冬季某典型日各电热负荷及光伏发电预测曲线图；
图6为根据本发明实施例所述算法求解微型能源网优化调度模型所得的电负荷调度出力曲线图；
图7为根据本发明实施例所述算法求解微型能源网优化调度模型所得的热负荷调度出力曲线图；
图8为冬季某典型日二阶振荡文化粒子群算法与基本粒子群算法综合运行成本比较图；
图9为本发明另一实施例提供的一种智慧农业大棚微型能源网的优化调度装置的结构图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
如图1所示，为本发明一实施例提供的一种用于智慧农业大棚的微型能源网优化调度方法的流程示意图，包括以下步骤：
S1，基于光伏智慧设施农业大棚微型能源网中各微源的能量流动模型，以所述微型能源网一天的综合运行成本最低为目标，建立所述微型能源网的调度优化模型；
S2，采用变学习因子二阶振荡文化粒子群算法求解所述调度优化模型，得到所述微型能源网的运行调度策略。
具体地，步骤S1中所述光伏智慧设施农业大棚微型能源网是一个电能、气能和热能相互耦合的微型能源网络，根据光伏智慧设施农业大棚的建设规划，配套有大型沼气发酵池，通过沼气燃烧，产生电能和热能，实现生物质能综合运用，所构建的光伏智慧设施农业大棚微型能源网的结构如图2所示，主要由光伏供电装置、小型沼气发电装置、吸收式热泵、沼气锅炉、空气源热泵换热装置、锂电池和相变储热器组成。农业大棚的电能由小型沼气发电机和光伏发电提供，沼气锅炉、吸收式热泵和空气源热泵换热装置制取热能满足农业大棚的热需求。当能源网自身产生的电能大于负荷需求时，多余电能优先存储到锂电池中，当锂电池储存量达到最大值时，多余电能与外部配电网进行电能交易。反之，当能源网自身产生的电能小于负荷需求时，锂电池进行放电，如果仍无法满足负荷需求，则从外部配电网购电。为了保证沼气充足均匀供应，利用电加热装置使沼气池处于适宜的出力温度，同时，电能作用于空气源热泵换热装置制取农业负荷所需热能，由此便构成一个电能气能热能互相耦合，低碳高效的绿色微型能源网络。能量流动模型即指微型能源网中各微源的能量转换的数学模型。
微型能源网优化调度的目标是在一定的控制策略下，使微型能源网的能量实现供需平衡，且各微源的输出功率能够满足微型能源网的负荷需求，保证微型能源网的安全稳定，实现微电网的经济优化运行。因此，为了实现微型能源网的经济优化运行，以微型能源网一天的综合运行成本最低为目标，构建调度优化模型是合适的。所述调度优化模型包括：目标函数和约束条件。目标函数即是以所述微型能源网一天的综合运行成本最低为目标而建立的被优化函数，约束条件是使能量供需平衡且使各微源的输出功率能够满足微型能源网的负荷需求的条件。
与传统的电网优化调度相比，光伏智慧设施农业大棚微型能源网的优化调度问题显得更加复杂。首先，光伏智慧设施农业大棚微型能源网能够为地区提高热/电负荷，因此，在考虑电功率平衡的同时，也要保证热负荷供需平衡。其次，光伏智慧设施农业大棚微型能源网中各微源的运行特性各不相同，光伏发电等可再生能源易受天气因素影响，单一的负荷变化都可能对微电网的功率平衡产生显著影响。因此，光伏智慧设施农业大棚微型能源网的优化调度必须从微型能源网整体出发，考虑微型能源网运行的经济性、热/电负荷需求以及分布式能源的运行特性等信息，确定各个微源的输出功率、微型能源网与大电网间的交互功率以及负荷控制，即所述微型能源网的运行调度策略，从而实现微型能源网中的各微源与负荷间的最佳配置，减少多余电量上网对农村薄弱配电网稳定性和可靠性的影响，同时实现光伏智慧设施农业大棚微型能源网的经济运行。
综上所述，光伏智慧设施农业大棚微型能源网的优化调度问题具有非线性、多约束条件以及多极值性等特点，传统的算法无法很好的解决，而智能算法在求解这类优化问题时具有更好的灵活性，步骤S2在标准粒子群算法的基础上进行改进，并结合文化算法，提出采用变学习因子二阶振荡文化粒子群算法求解步骤S1中的调度优化模型，算法的基本思想是：在种群空间采用变学习因子二阶振荡粒子群优化算法实现粒子进化；通过构建上层知识空间来挖掘进化过程中优势粒子的信息，并以知识的形式加以保存；通过影响函数使知识作用于种群空间实现对粒子进化的引导。本发明实施例提出变学习因子二阶振荡文化粒子群算法，学习因子是动态调整的，粒子的速度与位置的变化有关，且引入振荡环节，较标准的粒子群算法和文化算法具有较快的运算速度、较高的全局搜索能力和更好的收敛性。
本发明提出的一种用于智慧农业大棚的微型能源网优化调度方法，通过建立电气热多能流光伏智慧设施农业大棚微型能源网调度模型，提出采用变学习因子二阶振荡文化粒子群算法求解调度模型，算法具有较快的运算速度、较高的全局搜索能力和更好的收敛性，能够实现微型能源网的能量供需平衡，减少多余电量上网对农村薄弱配电网稳定性和可靠性的影响，同时降低微型能源网的综合运行成本，实现光伏智慧设施农业大棚微型能源网的经济运行。
基于上述实施例，所述方法还包括：
S0，建立光伏智慧设施农业大棚微型能源网各微源的能量流动模型；
其中，所述微源的类型为供电设备、供热设备或储能装置。
由图2可知，光伏智慧设施农业大棚微型能源网包括以下微源：光伏供电装置、小型沼气发电装置、吸收式热泵、沼气锅炉、空气源热泵换热装置、锂电池和相变储热器，其中，光伏供电装置和小型沼气发电装置是供电设备，吸收式热泵、沼气锅炉和空气源热泵换热装置是供热设备，锂电池和相变储热器是储能设备。
具体地，所述能量流动模型包括：光伏发电模型、热电联产模型、空气源热泵换热装置模型和热电储能模型。建立光伏智慧设施农业大棚微型能源网各微源的能量流动模型包括：
S01，建立光伏发电模型
光伏电池板的输出功率与室外环境的温度、光照的强度和光伏板面积大小等有关，其功率模型为：
PPV＝ITηAPV (1)
式中，PPV为光伏电池板单位小时输出功率；IT为太阳辐射强度；η为系统的运行效率；APV为光伏板面积。
S02，建立热电联产模型
热电联产系统主要包含小型沼气发电装置、沼气锅炉和吸收式热泵，其数学模型为：
QAP(t)＝Qe(t)ηAP (3)
式中，Qe(t)为小型沼气发电装置烟气回收余热量；PMBT(t)为小型沼气发电装置输出电功率；ηe为小型沼气发电机的发电效率；η1为小型沼气发电机散热部分损失系数；QAP(t)为吸收式热泵的功率；ηAP为吸收式热泵热回收效率。
值得说明的是本实施例设定沼气供应充足，由于需要调度的对象是沼气锅炉的热功率，沼气锅炉的燃烧模型公式和其他公式无任何联系，故在本实施例中没有建立沼气锅炉的数学模型。
S03，建立空气源热泵换热装置模型
空气源热泵换热装置以空气的能量作为动力，通过电能驱动压缩机运行，将电能转换为热能，无需复杂昂贵的设备配置，减少了污染物的排放，其经济性和环保性突出，数学模型可以表示为：
QHP(t)＝CHPPEHP(t) (4)
式中，QHP(t)为空气源热泵换热装置输出热功率；CHP为空气源热泵换热装置制热系数；PEHP(t)为空气源热泵换热装置用电功率。
S04，建立热电储能模型
以锂电池作为储电装置，相变材料作为储热装置，由于两种装置充放能特点类似，所起作用类似，所以采用统一的数学模型为
E(t)＝E(t-1)(1-δ)+ΔTPch(t)ηch-ΔTPdis(t)/ηdis (5)
式中,E(t)为热电储能装置在t小时总的能量；δ为热电储能装置自放能系数；Pch(t)为热电储能装置在t小时充能功率；Pdis(t)为热电储能装置在t小时放能功率；ηch为热电储能装置在t小时充能效率系数；ηdis为热电储能装置在t小时放能效率系数；ΔT为单位时段。
值得说明的是，步骤S01、S02、S03和S04没有限定的执行顺序。
基于上述实施例，步骤S1进一步包括：
以所述微型能源网一天的综合运行成本最低为目标，建立调度优化目标函数；
基于微型能源网的能量供需平衡和各微源的输出功率应满足所述微型能源网的负荷需求，列举约束条件，所述约束条件包括：热电功率平衡约束公式和各微源运行的不等式约束公式。
具体的，所述综合运行成本包括所述微型能源网与外部电网联络线能量交互的最小成本、各微源的运行维护成本、各微源初始投资折旧成本和环境污染成本，所述调度优化目标函数具体为：
其中，
F1(t)＝Cgrid(t)Pgrid(t) (7)
式中，F1(t)为与外部电网联络线能量交互成本，F2(t)为各微源运行维护成本，F3(t)为各微源初始投资折旧成本，F4(t)为环境污染成本，Cgrid(t)为微型能源网分时电价，Pgrid(t)为与外部电网联络线能量交换功率，n为微源总数，Ci(t)为第i个微源运行维护成本，Pi(t)为第i个微源的功率，Di为第i个微源初始投资成本，l为利息率，ni为第i个微源的使用周期，Oij为第i个微源产生第j种污染气体的值，Cj为第j种污染物对环境污染的成本，m为污染物种类，T为时间周期，设为24小时。
基于微型能源网的能量供需平衡列出热电功率平衡约束公式，具体为：
PLI(t)+PMBT(t)+Pgrid(t)＝Pe(t)+PEHP(t)-PPV(t)(11)
QHP(t)+QAP(t)+QBGB(t)+QPT(t)＝Qh(t)(12)
式中，PLI(t)锂电池的电功率；PMBT(t)为小型沼气发电装置的电功率；Pgrid(t)为与外部电网联络线能量交换功率；Pe(t)为微型能源网的电负荷；PEHP(t)为空气源热泵换热装置用电功率；PPV(t)为光伏发电功率；QBGB(t)为沼气锅炉的热功率；QHP(t)为空气源热泵换热装置输出热功率；QAP(t)为吸收式热泵的功率；QPT(t)为相变储热器的热功率；Qh(t)为微型能源网的热负荷。
公式(11)为电功率平衡公式，公式(12)为热功率平衡公式。
基于各微源的输出功率应满足所述微型能源网的负荷需求，建立各微源运行的不等式约束公式，具体为：
对于小型沼气发电装置的输出功率应满足下式：
对于吸收式热泵的输出功率应满足下式：
对于沼气锅炉的输出功率应满足下式：
对于储能装置应满足：
SOCmin≤SOC(t)≤SOCmax (16)
0≤Pdis(t)≤Pdmax (17)
0≤Pch(t)≤Pcmax (18)
对于空气源热泵换热装置的输出功率应满足下式：
微型能源网与外部电网的交互功率应满足下式：
上述各式中，和小型沼气发电装置发电功率最小值和最大值；和为吸收式热泵热功率最小值和最大值；和为沼气锅炉热功率最小值和最大值；SOCmin和SOCmax为热电储能装置荷电状态的最小值和最大值；Pch(t)和Pdis(t)为热电储能装置充电功率和放电功率；Pcmax和Pdmax为热电储能装置充电功率最大值和放电功率最大值；和为空气源热泵换热装置热功率最小值和最大值；和为与外部电网联络线能量交换功率最小值和最大值。
本实施例中光伏发电装置的输出功率根据预测值获得，因此没有列出光伏发电装置的运行约束。
基于上述实施例，如图3所示，所述步骤S2进一步包括：
S21，初始化粒子群空间和知识空间；
S22，若当前迭代次数不能被预设的接收操作次数整除，则将所述粒子群空间中各粒子带入所述调度优化模型，计算所述粒子群空间中各粒子的适应度，并寻找当前个体极值和整个所述粒子群空间的当前全局最优解；
S23，利用变学习因子二阶振荡文化粒子群算法的速度更新公式和位置更新公式，更新各粒子的速度和位置；
S24，迭代执行所述步骤S22和S23，直至迭代次数达到预设阈值，输出全局最优解。
具体地，步骤S21初始化粒子群空间包括：粒子初始随机赋值、设置最大迭代次数和种群规模等。初始化知识空间包括：设置知识解群体规模；将知识解个体的编码形式设置为粒子群中个体的编码形式，用于保存粒子群空间的全局最优解；设置接收操作次数等。
步骤S22，若当前迭代次数不能被预设的接收操作次数整除，即不需要更新粒子群空间，将各粒子带入所建立的目标函数，同时满足约束条件，计算出粒子群空间中各粒子的适应度，若粒子目前的位置优于自身记忆的最优位置，则用目前位置替换；若目前全局最优位置优于目前为止所搜索到的历史最优位置，则用当前全局最优位置替换。
步骤S23，本发明实施例提供的二阶振荡粒子群算法中粒子的速度与粒子位置的变化有关，同时引入振荡环节，学习因子是动态变化的，位置更新公式与标准粒子群算法的公式相同，具体为：
xi,j(t+1)＝xi,j(t)+vi,j(t+1),j＝1,2,...d (21)
式中，xi,j表示粒子i在第j维的位置，vi,j表示粒子i在第j维的速度。
步骤S24中，预设阈值是指预设的最大的迭代次数，当前迭代次数达到预设阈值，是算法的终止条件，如果未达到，则继续进行迭代，即执行步骤S22和S23，若当前迭代次数达到最大迭代次数，则结束计算，输出全局最优解。
基于上述实施例，所述步骤S22还包括：
若当前迭代次数能被预设的接收操作次数整除，则用当前全局最优解替换知识空间中知识解群体的最差个体；
知识解群体进行自身进化，根据影响操作更新所述粒子群空间；
计算更新后的所述粒子群空间各粒子的适应度，并寻找当前个体极值和整个所述粒子群空间的当前全局最优解。
如图4所示，为本发明实施例提供的变学习因子二阶振荡文化粒子群算法的流程示意图，将改进的变学习因子二阶振荡粒子群算法融入进文化算法，在主群体空间采用变学习因子二阶振荡粒子群优化算法实现粒子进化；通过构建上层知识空间来挖掘进化过程中优势粒子的信息，并以知识的形式加以保存；通过影响函数使知识作用于主群体空间实现对粒子进化的引导，使得改进的粒子群算法具有更好的全局搜索能力。
具体地，若当前迭代次数能被预设的接收操作次数整除，则用当前全局最优解替换知识空间中知识解群体的最差个体。在主群体空间的粒子群演化过程中，每运行接收操作次数的代数时，用当前全局最优解替换知识空间中的群体的最差个体，即将当前全局最优解不断保存进知识空间。
知识解群体进行自身进化具体是指采用选择、交叉和变异操作，用两点交叉来使知识解群体共享知识信息；当粒子群陷入局部最优时，以一定的概率进行变异操作，以扩大搜索空间使算法具有更好的全局搜索能力，用赌轮选择保存较优个体。
根据影响操作更新所述粒子群空间是指：每运行影响操作次数的代数时，将知识空间的群体中适应值较好的一部分个体替换粒子群中适应值较劣的同样数目个体。
其中接受操作公式和影响操作公式如下：
式中，Bnum、Dnum为常数，Accpetance为接受操作次数，Influence为影响操作次数，itermax为最大迭代次数，iter为当前迭代次数。
文化算法的进化机制决定其更适合找到全局最优解，但其寻优速度较慢，粒子群算法虽寻优速度较快，但其容易得到局部最优解，因此通过在粒子群算法中加入二阶振荡环节并与文化算法相结合得到基于变学习因子的二阶振荡粒子群文化算法，可以提高算法的运算速度、全局搜索能力和收敛性。
其中，步骤S23中所述速度更新公式具体为：
式中，c1和c2为学习因子，r1和r2为区间[0,1]上的随机数，pi,j表示粒子i在第j维的个体极值点的位置，pg,j为到当前迭代次数为止所有粒子在迭代中找到的最优极值点的位置，xi,j表示粒子i在第j维的位置，vi,j表示粒子i在第j维的速度，ξ1和ξ2为随机数，
当时，以提高全局搜索能力，
当时，以提高算法收敛性。
在标准粒子群算法中，粒子的速度是与粒子当前位置有关，而本发明实施例提供的二阶振荡粒子群算法中粒子的速度与粒子位置的变化有关，并引入了一个振荡环节，来改善算法的全局收敛性。
其中，所述学习因子的调整公式为：
式中，c1,ini、c2,ini为学习因子的初始值，c1,fin、c2,fin为学习因子的终值
针对基本粒子群算法搜索能力差、全局收敛性低的问题，本发明实施例提出非线性变化学习因子模型，设定c1初始值较大、终值较小，c2初始值较小、终值较大，在算法迭代初期增强粒子的自我认识能力，削弱其社会经验，在算法迭代后期，c1呈现非线性递减趋势，c2呈现非线性递增趋势，增强算法全局寻优能力。
本发明实施例提供的变学习因子的二阶振荡粒子群文化算法，具有较快的运算速度、较高的全局搜索能力和更好的收敛性。下面以甘肃省兰州市周边某村光伏智慧设施农业大棚为例，对本发明实施例提供的一种用于智慧农业大棚的微型能源网优化调度方法进行说明。电网分时电价如表1，微型能源网各设备参数如表2所示，环境污染成本如表3所示。该村庄地势开阔，光照充足，图5为冬季某典型日各电热负荷、光伏发电预测曲线，通过本发明实施例所述算法求解微型能源网优化调度模型所得的优化调度结果如图6和7。
表1分时电价
时段 时间 电价/(元/kW·h)
谷时段 23:00-24:00，00:00-07:00 0.39
平时段 07:00-11:00，14:00-18:00 0.63
峰时段 11:00-13:00，18:00-23:00 0.80
表2供能设备参数
表3污染物的排放值和环境污染成本(单位：g/(kW·h))
参数 NOx CO CO2 SO2
排放值 0.619 0.17 184 0.001
环境污染成本 1.25 0.145 0.004 0.87
冬季某典型日微型能源网电负荷调度出力曲线如图6。由图6可知，由于配套有沼气池，假设沼气供应稳定充足，所以小型沼气发电装置在一天中都处于满发状态，在谷时段23:00-07:00电价价格较低，大量从外部配电网买电满足负荷电能需求，在平时段和峰时段，光伏按照预测曲线出力满发，与小型沼气发电装置一起满足负荷电能需求，在14:00-16:00负荷相对低谷期，生产的多余电能优先存储到锂电池中，锂电池在电价低谷阶段充电，高峰阶段放电，起到削峰填谷的作用。
冬季某典型日微型能源网热负荷调度出力曲线如图7。由图7可知，由于小型沼气发电装置处于满发状态，所以配套吸收式热泵一天的供热量也十分充足，在电价较低的谷时段00:00-07:00，热负荷由空气源热泵换热装置、吸收式热泵和沼气锅炉提供，在电价较高的平时段和峰时段07:00-23:00，热负荷主要由吸收式热泵、相变储热、沼气锅炉提供，不足的部分由空气源热泵换热装置补充。相变储热在电价谷时段大量蓄热，在电价平时段和峰时段放热，满足系统负荷需要。
冬季某典型日二阶振荡文化粒子群算法与基本粒子群算法综合运行成本比较如图8，由图8可知，二阶振荡粒子群算法明显优于基本粒子群算法，提高了全局搜索能力和收敛速度，使得解更加精确。
如图9所示，为本发明另一实施例提供的一种智慧农业大棚微型能源网的优化调度装置的结构图，包括：调度模型建立模块91和调度模型求解模块92，其中，
调度模型建立模块91，用于基于光伏智慧设施农业大棚微型能源网中各微源的能量流动模型，以所述微型能源网一天的综合运行成本最低为目标，建立所述微型能源网的调度优化模型；
调度模型求解模块92，用于采用变学习因子二阶振荡文化粒子群算法求解所述调度优化模型，得到所述微型能源网的运行调度策略。
具体地，所述光伏智慧设施农业大棚微型能源网是一个电能、气能和热能相互耦合的微型能源网络，主要由光伏供电装置、小型沼气发电装置、吸收式热泵、沼气锅炉、空气源热泵换热装置、锂电池和相变储热器组成。调度模型建立模块91基于能量流动模型，构建微型能源网的调度优化模型，其中，能量流动模型即指微型能源网中各微源的能量转换的数学模型。所述调度优化模型包括：目标函数和约束条件。目标函数即是以所述微型能源网一天的综合运行成本最低为目标而建立的函数，约束条件是使能量供需平衡且使各微源的输出功率能够满足微型能源网的负荷需求的条件。
光伏智慧设施农业大棚微型能源网的优化调度问题具有非线性、多约束条件以及多极值性等特点，传统的算法无法很好的解决，而智能算法在求解这类优化问题时具有更好的灵活性，调度模型求解模块92在标准粒子群算法的基础上进行改进，并结合文化算法，采用变学习因子二阶振荡文化粒子群算法求解调度模型建立模块91所建立的调度优化模型，算法的基本思想是：在种群空间采用变学习因子二阶振荡粒子群优化算法实现粒子进化；通过构建上层知识空间来挖掘进化过程中优势粒子的信息，并以知识的形式加以保存；通过影响函数使知识作用于种群空间实现对粒子进化的引导。其中，学习因子是动态调整的，粒子的速度与位置的变化有关，且引入振荡环节，较标准的粒子群算法和文化算法具有较快的运算速度、较高的全局搜索能力和更好的收敛性。
基于上述实施例，优化调度装置还包括：
微网模型建立模块，用于建立光伏智慧设施农业大棚微型能源网各微源的能量流动模型；
其中，所述微源的类型为供电设备、供热设备或储能装置。
具体地，优化调度装置还包括：微网模型建立模块，以获得各微源的能量流动模型。
光伏智慧设施农业大棚微型能源网包括以下微源：光伏供电装置、小型沼气发电装置、吸收式热泵、沼气锅炉、空气源热泵换热装置、锂电池和相变储热器，其中，光伏供电装置、小型沼气发电装置是供电设备，吸收式热泵、沼气锅炉、空气源热泵换热装置是供热设备，锂电池和相变储热器是储能设备。因此，所述能量流动模型包括：光伏发电模型、热电联产模型、空气源热泵换热装置模型和热电储能模型。在上述实施例中已经阐述了所述各能量流动模型的建立方法，在此不再赘述。
本发明提出的一种智慧农业大棚微型能源网的优化调度装置，能够实现微型能源网的能量供需平衡，减少多余电量上网对农村薄弱配电网稳定性和可靠性的影响，同时降低微型能源网综合运行成本，实现光伏智慧设施农业大棚微型能源网的经济运行。
本发明又一实施例，提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如前所述的智慧农业大棚微型能源网的优化调度方法。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述智慧农业大棚微型能源网的优化调度装置的实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后，本发明的方法仅为较佳的实施方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种智慧农业大棚微型能源网的优化调度方法，其特征在于，包括：
S1，基于光伏智慧设施农业大棚微型能源网中各微源的能量流动模型，以所述微型能源网一天的综合运行成本最低为目标，建立所述微型能源网的调度优化模型；
S2，采用变学习因子二阶振荡文化粒子群算法求解所述调度优化模型，得到所述微型能源网的运行调度策略。
2.根据权利要求1所述的方法，其特征在于，所述步骤S1前还包括：
S0，建立光伏智慧设施农业大棚微型能源网中各微源的能量流动模型；
其中，所述微源的类型为供电设备、供热设备或储能装置。
3.根据权利要求1所述的方法，其特征在于，所述步骤S1进一步包括：
以所述微型能源网一天的综合运行成本最低为目标，建立调度优化目标函数；
基于所述微型能源网的能量供需平衡和各微源的输出功率应满足所述微型能源网的负荷需求，列举约束条件，所述约束条件包括：热电功率平衡约束公式和各微源运行的不等式约束公式。
4.根据权利要求1所述的方法，其特征在于，所述步骤S2进一步包括：
S21，初始化粒子群空间和知识空间；
S22，若当前迭代次数不能被预设的接收操作次数整除，则将所述粒子群空间中各粒子带入所述调度优化模型，计算所述粒子群空间中各粒子的适应度，并寻找当前个体极值和整个所述粒子群空间的当前全局最优解；
S23，利用变学习因子二阶振荡文化粒子群算法的速度更新公式和位置更新公式，更新各粒子的速度和位置；
S24，迭代执行所述步骤S22和S23，直至迭代次数达到预设阈值，输出全局最优解。
5.根据权利要求4所述的方法，其特征在于，所述步骤S22还包括：
若当前迭代次数能被预设的接收操作次数整除，则用当前全局最优解替换知识空间中知识解群体的最差个体；
知识解群体进行自身进化，根据影响操作更新所述粒子群空间；
计算更新后的所述粒子群空间各粒子的适应度，并寻找当前个体极值和整个所述粒子群空间的当前全局最优解。
6.根据权利要求4所述的方法，其特征在于，步骤S23中所述速度更新公式具体为：
<mrow> <mtable> <mtr> <mtd> <mrow> <msub> <mi>v</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mrow> <mo>(</mo> <mrow> <mi>t</mi> <mo>+</mo> <mn>1</mn> </mrow> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mi>v</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>c</mi> <mn>1</mn> </msub> <msub> <mi>r</mi> <mn>1</mn> </msub> <mrow> <mo>&amp;lsqb;</mo> <mrow> <msub> <mi>p</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>-</mo> <mrow> <mo>(</mo> <mrow> <mn>1</mn> <mo>+</mo> <msub> <mi>&amp;xi;</mi> <mn>1</mn> </msub> </mrow> <mo>)</mo> </mrow> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>&amp;xi;</mi> <mn>1</mn> </msub> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mrow> <mo>(</mo> <mrow> <mi>t</mi> <mo>-</mo> <mn>1</mn> </mrow> <mo>)</mo> </mrow> </mrow> <mo>&amp;rsqb;</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>+</mo> <msub> <mi>c</mi> <mn>2</mn> </msub> <msub> <mi>r</mi> <mn>2</mn> </msub> <mrow> <mo>&amp;lsqb;</mo> <mrow> <msub> <mi>p</mi> <mrow> <mi>g</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>-</mo> <mrow> <mo>(</mo> <mrow> <mn>1</mn> <mo>+</mo> <msub> <mi>&amp;xi;</mi> <mn>2</mn> </msub> </mrow> <mo>)</mo> </mrow> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>&amp;xi;</mi> <mn>2</mn> </msub> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mrow> <mo>(</mo> <mrow> <mi>t</mi> <mo>-</mo> <mn>1</mn> </mrow> <mo>)</mo> </mrow> </mrow> <mo>&amp;rsqb;</mo> </mrow> </mrow> </mtd> </mtr> </mtable> <mo>;</mo> </mrow>
式中，c1和c2为学习因子，r1和r2为区间[0,1]上的随机数，pi,j表示粒子i在第j维的个体极值点的位置，pg,j为到当前迭代次数为止所有粒子在迭代中找到的最优极值点的位置，xi,j表示粒子i在第j维的位置，vi,j表示粒子i在第j维的速度，ξ1和ξ2为随机数，
当时，以提高全局搜索能力，
当时，以提高算法收敛性。
7.根据权利要求6所述的方法，其特征在于，所述学习因子的调整公式为：
<mrow> <msub> <mi>c</mi> <mn>1</mn> </msub> <mo>=</mo> <msub> <mi>c</mi> <mrow> <mn>1</mn> <mo>,</mo> <mi>i</mi> <mi>n</mi> <mi>i</mi> </mrow> </msub> <mo>-</mo> <mrow> <mo>(</mo> <msub> <mi>c</mi> <mrow> <mn>1</mn> <mo>,</mo> <mi>i</mi> <mi>n</mi> <mi>i</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>c</mi> <mrow> <mn>1</mn> <mo>,</mo> <mi>f</mi> <mi>i</mi> <mi>n</mi> </mrow> </msub> <mo>)</mo> </mrow> <msup> <mrow> <mo>(</mo> <mfrac> <mi>t</mi> <msub> <mi>t</mi> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> </msub> </mfrac> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>,</mo> </mrow>
<mrow> <msub> <mi>c</mi> <mn>2</mn> </msub> <mo>=</mo> <msub> <mi>c</mi> <mrow> <mn>2</mn> <mo>,</mo> <mi>i</mi> <mi>n</mi> <mi>i</mi> </mrow> </msub> <mo>+</mo> <mrow> <mo>(</mo> <msub> <mi>c</mi> <mrow> <mn>2</mn> <mo>,</mo> <mi>f</mi> <mi>i</mi> <mi>n</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>c</mi> <mrow> <mn>2</mn> <mo>,</mo> <mi>i</mi> <mi>n</mi> <mi>i</mi> </mrow> </msub> <mo>)</mo> </mrow> <msup> <mrow> <mo>(</mo> <mfrac> <mi>t</mi> <msub> <mi>t</mi> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> </msub> </mfrac> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>;</mo> </mrow>
式中，c1,ini、c2,ini为学习因子的初始值，c1,fin、c2,fin为学习因子的终值。
8.一种智慧农业大棚微型能源网的优化调度装置，其特征在于，包括：
调度模型建立模块，用于基于光伏智慧设施农业大棚微型能源网中各微源的能量流动模型，以所述微型能源网一天的综合运行成本最低为目标，建立所述微型能源网的调度优化模型；
调度模型求解模块，用于采用变学习因子二阶振荡文化粒子群算法求解所述调度优化模型，得到所述微型能源网的运行调度策略。
9.根据权利要求8所述的装置，其特征在于，还包括：
微网模型建立模块，用于建立光伏智慧设施农业大棚微型能源网各微源的能量流动模型；
其中，所述微源的类型为供电设备、供热设备或储能装置。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至7任一所述的方法。
CN201710428716.5A 2017-06-08 2017-06-08 一种智慧农业大棚微型能源网的优化调度方法及装置 Pending CN107203136A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710428716.5A CN107203136A (zh) 2017-06-08 2017-06-08 一种智慧农业大棚微型能源网的优化调度方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710428716.5A CN107203136A (zh) 2017-06-08 2017-06-08 一种智慧农业大棚微型能源网的优化调度方法及装置

Publications (1)

Publication Number Publication Date
CN107203136A true CN107203136A (zh) 2017-09-26

Family

ID=59907337

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710428716.5A Pending CN107203136A (zh) 2017-06-08 2017-06-08 一种智慧农业大棚微型能源网的优化调度方法及装置

Country Status (1)

Country Link
CN (1) CN107203136A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108037715A (zh) * 2017-10-25 2018-05-15 国网信通亿力科技有限责任公司 一种可时移农业负荷采集方法
CN108134403A (zh) * 2017-12-29 2018-06-08 国网甘肃省电力公司电力科学研究院 设施农业微能网的能量调度方法及系统
CN110391655A (zh) * 2018-04-20 2019-10-29 中国电力科学研究院有限公司 一种含多能源耦合的微能源网经济优化调度方法及装置
CN111108969A (zh) * 2020-01-16 2020-05-08 国网甘肃省电力公司电力科学研究院 一种设施农业温室及多形态储能优化控制方法
CN111581809A (zh) * 2020-04-30 2020-08-25 华北电力大学 一种多能耦合弹性的综合能源调度方法
CN112904733A (zh) * 2020-11-24 2021-06-04 电子科技大学成都学院 一种智慧农业大棚微型能源网的优化调度方法
CN114400712A (zh) * 2022-01-12 2022-04-26 国网湖北省电力有限公司经济技术研究院 一种基于改进二阶粒子群算法的微电网群优化调度方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104392286A (zh) * 2014-12-02 2015-03-04 山东大学 考虑冷热电联供和储能运行策略的微电网运行优化方法
CN104618269A (zh) * 2015-01-29 2015-05-13 南京理工大学 基于能耗要求的云系统利用率最大化资源分配方法
CN105453367A (zh) * 2013-08-13 2016-03-30 埃森哲环球服务有限公司 用于微电网中的综合多能量调度的系统、方法和装置及有形计算机可读介质
CN106372762A (zh) * 2016-10-12 2017-02-01 国网上海市电力公司 一种含需求响应的微网经济优化运行设计方法
CN106451566A (zh) * 2016-08-27 2017-02-22 山东电力工程咨询院有限公司 一种海岛智能微电网多源协调控制方法
CN106451550A (zh) * 2016-11-10 2017-02-22 三峡大学 一种基于改进次梯度粒子群的微电网并网优化调度方法
CN106712120A (zh) * 2017-03-29 2017-05-24 华北电力大学（保定） 基于主从博弈模型的交直流混合微电网优化运行方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105453367A (zh) * 2013-08-13 2016-03-30 埃森哲环球服务有限公司 用于微电网中的综合多能量调度的系统、方法和装置及有形计算机可读介质
CN104392286A (zh) * 2014-12-02 2015-03-04 山东大学 考虑冷热电联供和储能运行策略的微电网运行优化方法
CN104618269A (zh) * 2015-01-29 2015-05-13 南京理工大学 基于能耗要求的云系统利用率最大化资源分配方法
CN106451566A (zh) * 2016-08-27 2017-02-22 山东电力工程咨询院有限公司 一种海岛智能微电网多源协调控制方法
CN106372762A (zh) * 2016-10-12 2017-02-01 国网上海市电力公司 一种含需求响应的微网经济优化运行设计方法
CN106451550A (zh) * 2016-11-10 2017-02-22 三峡大学 一种基于改进次梯度粒子群的微电网并网优化调度方法
CN106712120A (zh) * 2017-03-29 2017-05-24 华北电力大学（保定） 基于主从博弈模型的交直流混合微电网优化运行方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘举胜等: "基于CAS理论的改进PSO算法", 《计算机工程与应用》 *
郭一楠等: "基于文化粒子群优化算法的矿井通风网络", 《东南大学学报》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108037715A (zh) * 2017-10-25 2018-05-15 国网信通亿力科技有限责任公司 一种可时移农业负荷采集方法
CN108134403A (zh) * 2017-12-29 2018-06-08 国网甘肃省电力公司电力科学研究院 设施农业微能网的能量调度方法及系统
CN110391655A (zh) * 2018-04-20 2019-10-29 中国电力科学研究院有限公司 一种含多能源耦合的微能源网经济优化调度方法及装置
CN111108969A (zh) * 2020-01-16 2020-05-08 国网甘肃省电力公司电力科学研究院 一种设施农业温室及多形态储能优化控制方法
CN111108969B (zh) * 2020-01-16 2022-03-08 国网甘肃省电力公司电力科学研究院 一种设施农业温室及多形态储能优化控制方法
CN111581809A (zh) * 2020-04-30 2020-08-25 华北电力大学 一种多能耦合弹性的综合能源调度方法
CN111581809B (zh) * 2020-04-30 2024-02-06 华北电力大学 一种多能耦合弹性的综合能源调度方法
CN112904733A (zh) * 2020-11-24 2021-06-04 电子科技大学成都学院 一种智慧农业大棚微型能源网的优化调度方法
CN114400712A (zh) * 2022-01-12 2022-04-26 国网湖北省电力有限公司经济技术研究院 一种基于改进二阶粒子群算法的微电网群优化调度方法

Similar Documents

Publication Publication Date Title
CN107203136A (zh) 一种智慧农业大棚微型能源网的优化调度方法及装置
Luo et al. Multi-objective capacity optimization of a distributed energy system considering economy, environment and energy
CN108206543B (zh) 一种基于能源梯级利用的能源路由器及其运行优化方法
CN105591406B (zh) 一种基于非合作博弈的微电网能量管理系统的优化算法
CN106887841A (zh) 一种含电动汽车微电网容量配置的多种群遗传粒子群优化方法
CN106022503A (zh) 面向具有耦合型电冷热需求的微电网容量规划方法
CN106936147A (zh) 一种基于双层优化的微电网面向电蓄热锅炉的优化运行管理方法
CN105931136A (zh) 一种融合需求侧虚拟储能系统的楼宇微网优化调度方法
CN109523092A (zh) 多能互补冷热电联供系统及其协同调度方法
CN106786509B (zh) 大规模风电并网下基于多场景模拟的热-电联合调度方法
CN109636056A (zh) 一种基于多智能体技术的多能源微网去中心化优化调度方法
CN112069720A (zh) 一种综合能源系统及其运行优化方法
CN114519543B (zh) 一种乡村多能源系统边缘自治运行方法及系统
CN114362241A (zh) 一种基于新能源最大消纳及发电成本最优的混合调度方法
CN108736507A (zh) 一种提升风电就地消纳的蓄热式电锅炉优化方法和装置
CN112131712B (zh) 客户侧多能源系统多目标优化方法和系统
CN114066204A (zh) 一种综合能源系统的一体化优化规划与运行方法及装置
CN113255224A (zh) 一种基于发光萤火虫算法的能源系统配置优化方法
CN113393031A (zh) 基于海鸥优化算法的园区综合能源系统多阶段规划方法
CN113255198A (zh) 一种含虚拟储能的冷热电联供微电网多目标优化方法
CN114611772B (zh) 一种基于多智能体强化学习的多微网系统协同优化方法
CN114757388A (zh) 一种基于改进nsga-iii的区域综合能源系统设备容量优化方法
Yan et al. Energy-efficient management of eco-communities
CN116502921A (zh) 一种园区综合能源系统优化管理系统及其协调调度方法
CN112883630A (zh) 用于风电消纳的多微网系统日前优化经济调度方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20170926