CN107480913A - 一种基于改进灰狼算法的分布式电源选址定容系统及方法 - Google Patents
一种基于改进灰狼算法的分布式电源选址定容系统及方法 Download PDFInfo
- Publication number
- CN107480913A CN107480913A CN201710793604.XA CN201710793604A CN107480913A CN 107480913 A CN107480913 A CN 107480913A CN 201710793604 A CN201710793604 A CN 201710793604A CN 107480913 A CN107480913 A CN 107480913A
- Authority
- CN
- China
- Prior art keywords
- mrow
- mover
- msub
- wolf
- rightarrow
- 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
Links
- 241000282461 Canis lupus Species 0.000 title claims abstract description 161
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000005457 optimization Methods 0.000 claims abstract description 60
- 230000003044 adaptive effect Effects 0.000 claims abstract description 29
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 17
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 16
- 230000005540 biological transmission Effects 0.000 claims abstract description 4
- 241000160777 Hipparchia semele Species 0.000 claims description 7
- 230000006978 adaptation Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000004513 sizing Methods 0.000 claims description 6
- 230000002195 synergetic effect Effects 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 2
- 241000717544 Aconitum lycoctonum subsp. vulparia Species 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 6
- 239000000243 solution Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Nitrogen And Oxygen Or Sulfur-Condensed Heterocyclic Ring Systems (AREA)
Abstract
本发明提供一种基于改进灰狼算法的分布式电源选址定容系统及方法，系统包括：配电网信息采集模块，建模模块，优化模块和结果显示模块。方法包括：采集和传输当前配电网络的网络初始信息，网络初始信息包括：配电网节点信息、支路信息和分布式电源接入信息；构建灰狼算法的规划模型；采用改进的灰狼算法对网络初始信息进行优化，获得优化结果；将优化结果转换成图像信息并显示。本发明的采用改进的灰狼算法对考虑了碳排放权的经济效益情况，在模型中增加了单位碳排放权的价格，更加符合未来电力市场的实际情况。本发明具有原理简单，鲁棒性强和自适应能力好，具有较强局部搜索能力，从而避免出现“早熟”现象，更快的收敛到全局最优解。
Description
技术领域
本发明涉及电力电子领域，具体涉及一种基于改进灰狼算法的分布式电源选址定容系统及方法。
背景技术
以可再生能源为一次能源的分布式发电技术适应21世纪人类发展低碳经济和实现可持续发展的要求，因而在全球范围内引起极大的关注，分布式电源(DistributedGeneration,DG)的介入使得配电系统从无源网络转变为有源网络。DG的接入位置、容量对配电网的结点电压、线路潮流、网络损耗及谐波注入等都将产生很大的影响，因此合理的选择分布式电源的接入位置和安装容量十分重要。
从工业用户的角度考虑，存在分布式电源并网运行可能造成的供电可靠性降低和电压稳定性降低的问题。首先，在配电网故障时，分布式电源与负荷形成孤岛，如果不进行规划，可能对岛内敏感度高的设备造成不同程度的损坏；其次，分布式电源受自然环境影响大，发电过程存在大量不确定因素，盲目接入势必对配电网电压稳定性造成一定影响。
从电网公司的角度考虑，存在分布式电源建设运行成本过高的问题。分布式电站需要在建设初期进行机组购买，线路铺设等大量投资，需要通过优化避免资金亏损。
现有的分布式电源选址定容的优化方法是以经济性或网损为评价指标，所得的优化方案具有较强的针对性,但是未考虑在未来限制碳排放后的碳排放权的成本，其优化算法为传统启发式算法或改进的启发式算法，在算法实施过程中存在局部最优和收敛性的问题。
发明内容
本发明实施例所提供的一种基于改进灰狼算法的分布式电源选址定容系统及方法，考虑了碳排放权的经济效益情况，更加符合未来电力市场的实际情况，具有较强局部搜索能力，从而避免出现“早熟”现象，更快的收敛到全局最优解。
本发明提供一种基于改进灰狼算法的分布式电源选址定容系统，包括：
配电网信息采集模块，用于采集和传输当前配电网络的网络初始信息，所述网络初始信息包括：配电网节点信息、支路信息、分布式电源的位置信息和容量信息；
建模模块，用于构建灰狼算法的规划模型；
优化模块，用于采用改进的灰狼算法对网络初始信息进行优化，获得优化结果；
结果显示模块，用于将优化结果转换成图像信息并显示。
本发明还提供一种基于改进灰狼算法的分布式电源选址定容方法，包括如下步骤：
步骤1：采集和传输当前配电网络的网络初始信息，所述网络初始信息包括：配电网节点信息、支路信息、分布式电源的位置信息和容量信息；
步骤2：构建灰狼算法的规划模型；
步骤3：采用改进的灰狼算法对网络初始信息进行优化，获得优化结果；
步骤4：将优化结果转换成图像信息并显示。
本发明至少具有以下有益效果：
1.本发明的基于改进灰狼算法的分布式电源选址定容系统及方法，采用改进的灰狼算法对考虑了碳排放权的经济效益情况，在模型中增加了单位碳排放权的价格，更加符合未来电力市场的实际情况。
2.本发明采用了改进的灰狼算法对网络初始信息进行优化求解，具有原理简单，鲁棒性强和自适应能力好，具有较强局部搜索能力，从而避免出现“早熟”现象，更快的收敛到全局最优解。
附图说明
图1为实施例中的配电网拓扑结构；
图2是本发明的一种基于改进灰狼算法的分布式电源选址定容系统的框图；
图3是本发明的一种基于改进灰狼算法的分布式电源选址定容方法的流程；
图4为实施例中的配电网拓扑结构的最终优化结果。
具体实施方式
本实施例中以某城市10KV配电网为例，共计24个节点，其拓扑结构图如图1所示，网架线路和负荷参数如下表，根据网架实际情况和电网公司安排，节点7-24可接入DG。表1：节点负荷数据。
表2：线路阻抗数据。
如图2所示为本发明的一种基于改进灰狼算法的分布式电源选址定容系统，包括：配电网信息采集模块1，建模模块2，优化模块3以及结果显示模块4。配电网信息采集模块1用于采集和传输当前配电网络的网络初始信息。网络初始信息包括：配电网节点信息、支路信息、分布式电源的位置信息和容量信息。建模模块2用于构建灰狼算法的规划模型。优化模块3用于采用改进的灰狼算法对网络初始信息进行优化，获得优化结果。结果显示模块4用于将优化结果转换成图像信息并显示。
配电网信息采集模块1包括：配电网信息采集器11和中继传输器12。配电网信息采集器11的输入端连接配电网，配电网信息采集器11的输出端连接中继传输器12的输入端，中继传输器12的输出端连接件建模模块2的输入端。
电网状态采集器11，用于采集当前配电网络的网络初始信息，网络初始信息包括：配电网节点信息、支路信息、分布式能源接入信息。第一中继传输器12用于网络初始信息传输至建模模块。具体实施时，配电网信息采集器11的型号为DCZL33-CL156N。中继传输器12的型号为ED980。
建模模块2包括：信息获取单元21和模型构建单元22。信息获取单元21用于获取网络初始信息，作为当前配电网络待优化的初始数据。模型构建单元22用于确定适应值函数和各项约束条件以构建灰狼算法的规划模型。
优化模块3包括：初始种群生成单元31、计算单元32、参数设定单元33、种群个体优化单元34、解码计算单元35、判断单元36和传输单元37。
初始种群生成单元31用于随机生成初始的灰狼种群。计算单元32用于计算灰狼种群中个体的适应值，将最优的适应值所对应的个体定义为α狼，次优的定义为β狼，第三优的定义为γ狼，其余的定义为ω狼。
参数设定单元33用于设定新的灰狼种群中个体适应值优于上一代α狼的个数为k，并设定协同系数A和C：A＝2r1-a，C＝2r2，其中，r1和r2为0～1之间的随机数，a为算法收敛因子，t为当前迭代次数，tmax为最大迭代次数，取tmax＝100；
种群个体优化单元34根据k的数值确定后续的优化方案，并根据优化方案更新灰狼种群中个体的位置信息以获取适应值更高的个体。解码计算单元35用于将灰狼种群中个体的位置信息解码为分布式电源的位置信息和容量信息，并且进行潮流计算，得到接入相应分布式电源后的配电网信息。判断单元36用于根据灰狼种群中个体的位置信息计算个体的适应值，并根据适应值判断是否满足优化终止条件，若满足终止条件，则终止优化；若不满足终止条件，则继续进行种群个体优化。传输单元37用于将最终优化获得的灰狼种群中的α狼的位置信息所对应的分布式电源的位置信息和容量信息传输至结果显示模块。
结果显示模块4包括：数据接收器41、图像转换器42和结果显示器43。数据接收器41用于接收传输单元37所传输的优化结果信息。图像转换器32用于将优化结果信息转换成可直观显示的图像信息。结果显示器33用于将图像信息显示出来。
本发明还提供一种基于改进灰狼算法的分布式电源选址定容方法，如图3所示为基于改进灰狼算法的分布式电源选址定容方法的流程图，包括如下步骤：
步骤1：采集和传输当前配电网络的网络初始信息，所述网络初始信息包括：配电网节点信息、支路信息、分布式电源的位置信息和容量信息；
步骤2：构建灰狼算法的规划模型；
步骤3：采用改进的灰狼算法对网络初始信息进行优化，获得优化结果；
步骤4：将优化结果转换成图像信息并显示。
其中，步骤2具体包括如下步骤：
步骤2.1：获取网络初始信息，作为当前配电网络待优化初始数据；
步骤2.2：用于确定适应值函数和各项约束条件以构建灰狼算法的规划模型。
具体实施时，设定的适应值函数为：
min f＝CDG+CLoss+Cce (1)
其中，CDG为分布式电源的年平均建设及维护费用，CLoss为年均网损损失，Cce为分布式电源发电量所对应节约的碳排放成本；
式中为分布式电源的功率因数，SDG为分布式电源的总装机容量，Tmax为分布式电源最大功率的年发电时间，fc为火电厂生产每度电所对应的碳排放量，Cet为单位碳排放权的价格；
设定的约束条件为：
0≤Ii≤Ii·max (3)
Uj·min≤Uj≤Uj·max (4)
NN≤Nmax (6)
0≤PDGi≤PDG max (7)
其中，Ii为支路电流，Ii·max为支路允许通过的最大电流；Uj为节点电压，Uj·min和Uj·max分别为节点电压的最小值和最大值；PDGi为第i台分布式电源的功率，Ps、PLoad和PLoss分别为原始的机组供电量、系统总负荷和总网损；NN为分布式电源的数量，Nmax为允许安装的最大分布式电源数量；PDGmax为单个分布式电源的最大装机容量，η取0.3。
步骤3具体包括如下步骤：
步骤3.1：随机生成拥有15个个体的初始的灰狼种群X1,X2,X3....Xn(n＝15)，每个个体对应一种分布式电源的容量信息和位置信息；
步骤3.2：计算灰狼种群中个体的适应值，将最优的适应值所对应的个体定义为α狼，次优的定义为β狼，第三优的定义为γ狼，其余的定义为ω狼；
步骤3.3：设定新的灰狼种群中个体适应值优于上一代α狼的个数为k，并设定协同系数A和C：A＝2r1-a，C＝2r2，其中，r1和r2为0～1之间的随机数，a为算法收敛因子，t为当前迭代次数，tmax为最大迭代次数，取tmax＝100；
步骤3.4：根据k的数值确定后续的优化方案，若k＜3则采用优化方案1对种群中所有ω狼个体的位置优化更新；若k≥3，则采用优化方案2对种群中所有ω狼个体的位置优化更新；
具体实施时，优化方案1具体为：
设定新的狼群个体适应值优于上一代α狼的个数为k，若k＜3则对种群中所有ω狼个体的位置优化更新方法如下：
式中：其中分别为α狼，β狼，γ狼所对应的位置坐标；为目标狼的当前位置，为更新后的ω狼的位置；分别表示ω狼在分别以为α狼，β狼，γ狼为目标时的搜索距离；分别为ω狼在分别以α狼，β狼，γ狼为目标时的学习移动位置。
优化方案2具体为：
设定新的狼群个体适应值优于上一代α狼的个数为k，若k≥3则对种群中所有ω狼个体的位置优化更新方法如下：
其中，为比上一代α狼适应度函数值优的狼所对应的位置坐标；为目标狼的当前位置，为更新后的ω狼的位置；分别表示ω狼在分别以比上一代α狼适应度函数值优的狼为目标时的搜索距离；分别为比上一代α狼适应度函数值优的狼为目标时的学习移动位置。
步骤3.5：用于将灰狼种群中个体的位置信息解码为分布式电源的位置信息和容量信息，并且进行潮流计算，得到接入相应分布式电源后的配电网信息，
步骤3.6：根据灰狼种群中个体的位置信息计算个体的适应值，并根据适应值判断是否满足优化终止条件，若满足终止条件，则终止优化；若不满足终止条件，则返回步骤3.4继续进行个体优化；
具体实施时，优化终止条件为：
条件1：迭代次数t是否大于等于最大迭代次数tmax；
条件2：新一代灰狼种群和上一代灰狼种群满足下列关系式：
其中，S(t+1)新的狼群中所有狼适应度函数值的平均值，S(t)为上一代狼群中所有狼适应度函数值的平均值。
步骤3.7：将最终优化获得的灰狼种群中的α狼的位置信息所对应的分布式电源的位置信息和容量信息传输至结果显示模块。
本实施例的最终优化结果如表3，表4所示，转化成可视图像信息如图4所示。表3：最终规划结果。
表4：本实施例运行总费用优化结果(万元)
| 电网维护费用 | DG运行费用 | 网损费用 | 碳排放权成本 | 运行总费用 | |
| DG接入前 | 265.589 | 0 | 114.686 | 26.411 | 406.686 |
| DG接入后 | 127.698 | 128.024 | 92.489 | 0 | 348.211 |
本发明的基于改进灰狼算法的分布式电源选址定容系统及方法，采用改进的灰狼算法对考虑了碳排放权的经济效益情况，在模型中增加了单位碳排放权的价格，更加符合未来电力市场的实际情况。本发明采用了改进的灰狼算法对网络初始信息进行优化求解，具有原理简单，鲁棒性强和自适应能力好，具有较强局部搜索能力，从而避免出现“早熟”现象，更快的收敛到全局最优解。
以上所述仅为本发明的较佳实施例，并不用以限制本发明的思想，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)
1.一种基于改进灰狼算法的分布式电源选址定容系统，其特征在于，包括：
配电网信息采集模块，用于采集和传输当前配电网络的网络初始信息，所述网络初始信息包括：配电网节点信息、支路信息、分布式电源的位置信息和容量信息；
建模模块，用于构建灰狼算法的规划模型；
优化模块，用于采用改进的灰狼算法对网络初始信息进行优化，获得优化结果；
结果显示模块，用于将优化结果转换成图像信息并显示。
2.如权利要求1所述的基于改进灰狼算法的分布式电源选址定容系统，其特征在于，所述建模模块包括：
信息获取单元，用于获取网络初始信息，作为当前配电网络待优化的初始数据；
模型构建单元，用于确定适应值函数和各项约束条件以构建灰狼算法的规划模型。
3.如权利要求1所述的基于改进灰狼算法的分布式电源选址定容系统，其特征在于，所述优化模块包括：
初始种群生成单元，用于随机生成初始的灰狼种群；
计算单元，用于计算灰狼种群中个体的适应值，将最优的适应值所对应的个体定义为α狼，次优的定义为β狼，第三优的定义为γ狼，其余的定义为ω狼；
参数设定单元，用于设定新的灰狼种群中个体适应值优于上一代α狼的个数为k，并设定协同系数A和C：A＝2r1-a，C＝2r2，其中，r1和r2为0～1之间的随机数，a为算法收敛因子，t为当前迭代次数，tmax为最大迭代次数；
<mrow>
<mi>a</mi>
<mo>=</mo>
<mn>2</mn>
<mo>&times;</mo>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mi>t</mi>
<msub>
<mi>t</mi>
<mi>max</mi>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>&rsqb;</mo>
<mo>;</mo>
</mrow>
种群个体优化单元，根据k的数值确定后续的优化方案，并根据优化方案更新灰狼种群中个体的位置信息以获取适应值更高的个体；
解码计算单元，用于将灰狼种群中个体的位置信息解码为分布式电源的位置信息和容量信息，并且进行潮流计算，得到接入相应分布式电源后的配电网信息；
判断单元，用于根据灰狼种群中个体的位置信息计算个体的适应值，并根据适应值判断是否满足优化终止条件，若满足终止条件，则终止优化；若不满足终止条件，则继续进行种群个体优化；
传输单元，用于将最终优化获得的灰狼种群中的α狼的位置信息所对应的分布式电源的位置信息和容量信息传输至结果显示模块。
4.一种基于改进灰狼算法的分布式电源选址定容方法，其特征在于，包括如下步骤：
步骤1：采集和传输当前配电网络的网络初始信息，所述网络初始信息包括：配电网节点信息、支路信息、分布式电源的位置信息和容量信息；
步骤2：构建灰狼算法的规划模型；
步骤3：采用改进的灰狼算法对网络初始信息进行优化，获得优化结果；
步骤4：将优化结果转换成图像信息并显示。
5.如权利要求4所述的基于改进灰狼算法的分布式电源选址定容方法，其特征在于，所述步骤2包括：
步骤2.1：获取网络初始信息，作为当前配电网络待优化初始数据；
步骤2.2：用于确定适应值函数和各项约束条件以构建灰狼算法的规划模型。
6.如权利要求4所述的基于改进灰狼算法的分布式电源选址定容方法，其特征在于，所述步骤3包括：
步骤3.1：随机生成拥有n个个体的初始的灰狼种群X1,X2,X3....Xn；
步骤3.2：计算灰狼种群中个体的适应值，将最优的适应值所对应的个体定义为α狼，次优的定义为β狼，第三优的定义为γ狼，其余的定义为ω狼；
步骤3.3：设定新的灰狼种群中个体适应值优于上一代α狼的个数为k，并设定协同系数A和C：A＝2r1-a，C＝2r2，其中，r1和r2为0～1之间的随机数，a为算法收敛因子，t为当前迭代次数，tmax为最大迭代次数；
<mrow>
<mi>a</mi>
<mo>=</mo>
<mn>2</mn>
<mo>&times;</mo>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>-</mo>
<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>&rsqb;</mo>
<mo>;</mo>
</mrow>
步骤3.4：根据k的数值确定后续的优化方案，若k＜3则采用优化方案1对种群中所有ω狼个体的位置优化更新；若k≥3，则采用优化方案2对种群中所有ω狼个体的位置优化更新；
步骤3.5：用于将灰狼种群中个体的位置信息解码为分布式电源的位置信息和容量信息，并且进行潮流计算，得到接入相应分布式电源后的配电网信息，
步骤3.6：根据灰狼种群中个体的位置信息计算个体的适应值，并根据适应值判断是否满足优化终止条件，若满足终止条件，则终止优化；若不满足终止条件，则返回步骤3.4继续进行个体优化；
步骤3.7：用于将最终优化获得的灰狼种群中的α狼的位置信息所对应的分布式电源的位置信息和容量信息传输至结果显示模块。
7.如权利要求5所述的基于改进灰狼算法的分布式电源选址定容方法，其特征在于，所述步骤2.2中设定的适应值函数为：
minf＝CDG+CLoss+Cce；
其中，CDG为分布式电源的年平均建设及维护费用，CLoss为年均网损损失，Cce为分布式电源发电量所对应节约的碳排放成本；
式中为分布式电源的功率因数，SDG为分布式电源的总装机容量，Tmax为分布式电源最大功率的年发电时间，fc为火电厂生产每度电所对应的碳排放量，Cet为单位碳排放权的价格；
设定的约束条件为：
0≤Ii≤Ii·max；
Uj·min≤Uj≤Uj·max；
<mrow>
<msub>
<mi>P</mi>
<mi>s</mi>
</msub>
<mo>+</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>N</mi>
</msub>
</munderover>
<msub>
<mi>P</mi>
<mrow>
<mi>D</mi>
<mi>G</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>L</mi>
<mi>o</mi>
<mi>a</mi>
<mi>d</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>L</mi>
<mi>o</mi>
<mi>s</mi>
<mi>s</mi>
</mrow>
</msub>
<mo>;</mo>
</mrow>
NN≤Nmax；
0≤PDGi≤PDGmax；
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>N</mi>
</msub>
</munderover>
<msub>
<mi>P</mi>
<mrow>
<mi>D</mi>
<mi>G</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>&le;</mo>
<msub>
<mi>&eta;P</mi>
<mrow>
<mi>L</mi>
<mi>o</mi>
<mi>a</mi>
<mi>d</mi>
</mrow>
</msub>
<mo>;</mo>
</mrow>
其中，Ii为支路电流，Ii·max为支路允许通过的最大电流；Uj为节点电压，Uj·min和Uj·max分别为节点电压的最小值和最大值；PDGi为第i台分布式电源的功率，Ps、PLoad和PLoss分别为原始的机组供电量、系统总负荷和总网损；NN为分布式电源的数量，Nmax为允许安装的最大分布式电源数量；PDGmax为单个分布式电源的最大装机容量，η取0.3。
8.如权利要求6所述的基于改进灰狼算法的分布式电源选址定容方法，其特征在于，所述步骤3.4中优化方案1具体为：
设定新的狼群个体适应值优于上一代α狼的个数为k，若k＜3则对种群中所有ω狼个体的位置优化更新方法如下：
<mrow>
<mover>
<msub>
<mi>D</mi>
<mi>&alpha;</mi>
</msub>
<mo>&RightArrow;</mo>
</mover>
<mo>=</mo>
<mo>|</mo>
<mi>C</mi>
<mo>&CenterDot;</mo>
<mover>
<msub>
<mi>X</mi>
<mi>&alpha;</mi>
</msub>
<mo>&RightArrow;</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mover>
<mi>X</mi>
<mo>&RightArrow;</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>;</mo>
</mrow>
<mrow>
<mover>
<msub>
<mi>D</mi>
<mi>&beta;</mi>
</msub>
<mo>&RightArrow;</mo>
</mover>
<mo>=</mo>
<mo>|</mo>
<mi>C</mi>
<mo>&CenterDot;</mo>
<mover>
<msub>
<mi>X</mi>
<mi>&beta;</mi>
</msub>
<mo>&RightArrow;</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mover>
<mi>X</mi>
<mo>&RightArrow;</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>;</mo>
</mrow>
<mrow>
<mover>
<msub>
<mi>D</mi>
<mi>&gamma;</mi>
</msub>
<mo>&RightArrow;</mo>
</mover>
<mo>=</mo>
<mo>|</mo>
<mi>C</mi>
<mo>&CenterDot;</mo>
<mover>
<msub>
<mi>X</mi>
<mi>&gamma;</mi>
</msub>
<mo>&RightArrow;</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mover>
<mi>X</mi>
<mo>&RightArrow;</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>;</mo>
</mrow>
<mrow>
<mover>
<msub>
<mi>X</mi>
<mn>1</mn>
</msub>
<mo>&RightArrow;</mo>
</mover>
<mo>=</mo>
<mover>
<msub>
<mi>X</mi>
<mi>&alpha;</mi>
</msub>
<mo>&RightArrow;</mo>
</mover>
<mo>-</mo>
<mi>A</mi>
<mo>&CenterDot;</mo>
<mover>
<msub>
<mi>D</mi>
<mi>&alpha;</mi>
</msub>
<mo>&RightArrow;</mo>
</mover>
<mo>;</mo>
</mrow>
<mrow>
<mover>
<msub>
<mi>X</mi>
<mn>2</mn>
</msub>
<mo>&RightArrow;</mo>
</mover>
<mo>=</mo>
<mover>
<msub>
<mi>X</mi>
<mi>&beta;</mi>
</msub>
<mo>&RightArrow;</mo>
</mover>
<mo>-</mo>
<mi>A</mi>
<mo>&CenterDot;</mo>
<mover>
<msub>
<mi>D</mi>
<mi>&beta;</mi>
</msub>
<mo>&RightArrow;</mo>
</mover>
<mo>;</mo>
</mrow>
<mrow>
<mover>
<msub>
<mi>X</mi>
<mn>3</mn>
</msub>
<mo>&RightArrow;</mo>
</mover>
<mo>=</mo>
<mover>
<msub>
<mi>X</mi>
<mi>&gamma;</mi>
</msub>
<mo>&RightArrow;</mo>
</mover>
<mo>-</mo>
<mi>A</mi>
<mo>&CenterDot;</mo>
<mover>
<msub>
<mi>D</mi>
<mi>&gamma;</mi>
</msub>
<mo>&RightArrow;</mo>
</mover>
<mo>;</mo>
</mrow>
<mrow>
<mover>
<mi>X</mi>
<mo>&RightArrow;</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mover>
<mi>X</mi>
<mo>&RightArrow;</mo>
</mover>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mover>
<mi>X</mi>
<mo>&RightArrow;</mo>
</mover>
<mn>2</mn>
</msub>
<mo>+</mo>
<msub>
<mover>
<mi>X</mi>
<mo>&RightArrow;</mo>
</mover>
<mn>3</mn>
</msub>
</mrow>
<mn>3</mn>
</mfrac>
<mo>;</mo>
</mrow>
式中：其中分别为α狼，β狼，γ狼所对应的位置坐标；为目标狼的当前位置，为更新后的ω狼的位置；分别表示ω狼在分别以为α狼，β狼，γ狼为目标时的搜索距离；分别为ω狼在分别以α狼，β狼，γ狼为目标时的学习移动位置。
9.如权利要求6所述的基于改进灰狼算法的分布式电源选址定容方法，其特征在于，所述步骤3.4中优化方案2具体为：
设定新的狼群个体适应值优于上一代α狼的个数为k，若k≥3则对种群中所有ω狼个体的位置优化更新方法如下：
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mover>
<msub>
<mi>D</mi>
<mrow>
<mn>1</mn>
<mi>&alpha;</mi>
</mrow>
</msub>
<mo>&RightArrow;</mo>
</mover>
<mo>=</mo>
<mo>|</mo>
<mover>
<mi>C</mi>
<mo>&RightArrow;</mo>
</mover>
<mo>&CenterDot;</mo>
<mover>
<msub>
<mi>X</mi>
<mrow>
<mn>1</mn>
<mi>&alpha;</mi>
</mrow>
</msub>
<mo>&RightArrow;</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mover>
<mi>X</mi>
<mo>&RightArrow;</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mover>
<msub>
<mi>D</mi>
<mrow>
<mn>2</mn>
<mi>&alpha;</mi>
</mrow>
</msub>
<mo>&RightArrow;</mo>
</mover>
<mo>=</mo>
<mo>|</mo>
<mover>
<mi>C</mi>
<mo>&RightArrow;</mo>
</mover>
<mo>&CenterDot;</mo>
<mover>
<msub>
<mi>X</mi>
<mrow>
<mn>2</mn>
<mi>&alpha;</mi>
</mrow>
</msub>
<mo>&RightArrow;</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mover>
<mi>X</mi>
<mo>&RightArrow;</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mover>
<msub>
<mi>D</mi>
<mrow>
<mi>k</mi>
<mi>&alpha;</mi>
</mrow>
</msub>
<mo>&RightArrow;</mo>
</mover>
<mo>=</mo>
<mo>|</mo>
<mover>
<mi>C</mi>
<mo>&RightArrow;</mo>
</mover>
<mo>&CenterDot;</mo>
<mover>
<msub>
<mi>X</mi>
<mrow>
<mi>k</mi>
<mi>&alpha;</mi>
</mrow>
</msub>
<mo>&RightArrow;</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mover>
<mi>X</mi>
<mo>&RightArrow;</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mover>
<msub>
<mi>X</mi>
<mn>1</mn>
</msub>
<mo>&RightArrow;</mo>
</mover>
<mo>=</mo>
<mover>
<msub>
<mi>X</mi>
<mrow>
<mn>1</mn>
<mi>&alpha;</mi>
</mrow>
</msub>
<mo>&RightArrow;</mo>
</mover>
<mo>-</mo>
<mi>A</mi>
<mo>&CenterDot;</mo>
<mover>
<msub>
<mi>D</mi>
<mrow>
<mn>1</mn>
<mi>&alpha;</mi>
</mrow>
</msub>
<mo>&RightArrow;</mo>
</mover>
<mo>;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mover>
<msub>
<mi>X</mi>
<mn>2</mn>
</msub>
<mo>&RightArrow;</mo>
</mover>
<mo>=</mo>
<mover>
<msub>
<mi>X</mi>
<mrow>
<mn>2</mn>
<mi>&alpha;</mi>
</mrow>
</msub>
<mo>&RightArrow;</mo>
</mover>
<mo>-</mo>
<mi>A</mi>
<mo>&CenterDot;</mo>
<mover>
<msub>
<mi>D</mi>
<mrow>
<mn>2</mn>
<mi>&alpha;</mi>
</mrow>
</msub>
<mo>&RightArrow;</mo>
</mover>
<mo>;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mover>
<msub>
<mi>X</mi>
<mi>k</mi>
</msub>
<mo>&RightArrow;</mo>
</mover>
<mo>=</mo>
<mover>
<msub>
<mi>X</mi>
<mrow>
<mi>k</mi>
<mi>&alpha;</mi>
</mrow>
</msub>
<mo>&RightArrow;</mo>
</mover>
<mo>-</mo>
<mi>A</mi>
<mo>&CenterDot;</mo>
<mover>
<msub>
<mi>D</mi>
<mrow>
<mi>k</mi>
<mi>&alpha;</mi>
</mrow>
</msub>
<mo>&RightArrow;</mo>
</mover>
<mo>;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mover>
<mi>X</mi>
<mo>&RightArrow;</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mover>
<msub>
<mi>X</mi>
<mn>1</mn>
</msub>
<mo>&RightArrow;</mo>
</mover>
<mo>+</mo>
<mover>
<msub>
<mi>X</mi>
<mn>2</mn>
</msub>
<mo>&RightArrow;</mo>
</mover>
<mo>+</mo>
<mn>...</mn>
<mover>
<msub>
<mi>X</mi>
<mi>k</mi>
</msub>
<mo>&RightArrow;</mo>
</mover>
</mrow>
<mi>k</mi>
</mfrac>
<mo>;</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中，为比上一代α狼适应度函数值优的狼所对应的位置坐标；为目标狼的当前位置，为更新后的ω狼的位置；分别表示ω狼在分别以比上一代α狼适应度函数值优的狼为目标时的搜索距离；分别为比上一代α狼适应度函数值优的狼为目标时的学习移动位置。
10.如权利要求6所述的基于改进灰狼算法的分布式电源选址定容方法，其特征在于，所述步骤3.6中优化终止条件为：
条件1：迭代次数t是否大于等于最大迭代次数tmax；
条件2：新一代灰狼种群和上一代灰狼种群满足下列关系式：
<mrow>
<mfrac>
<mrow>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>&le;</mo>
<mn>0.01</mn>
<mo>;</mo>
</mrow>
其中，S(t+1)新的狼群中所有狼适应度函数值的平均值，S(t)为上一代狼群中所有狼适应度函数值的平均值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710793604.XA CN107480913A (zh) | 2017-09-06 | 2017-09-06 | 一种基于改进灰狼算法的分布式电源选址定容系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710793604.XA CN107480913A (zh) | 2017-09-06 | 2017-09-06 | 一种基于改进灰狼算法的分布式电源选址定容系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107480913A true CN107480913A (zh) | 2017-12-15 |
Family
ID=60583515
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710793604.XA Pending CN107480913A (zh) | 2017-09-06 | 2017-09-06 | 一种基于改进灰狼算法的分布式电源选址定容系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107480913A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108460548A (zh) * | 2018-05-17 | 2018-08-28 | 西安建筑科技大学 | 一种基于改进灰狼算法的多金属露天矿生产作业计划编制方法 |
| CN108805463A (zh) * | 2018-06-25 | 2018-11-13 | 广东工业大学 | 一种支持削峰型电力需求响应的生产调度方法 |
| CN110570051A (zh) * | 2019-09-27 | 2019-12-13 | 东北大学 | 一种基于Benders-Pso算法的分布式储能鲁棒性选址系统与方法 |
| CN112909944A (zh) * | 2021-01-22 | 2021-06-04 | 广东志成冠军集团有限公司 | 一种混合电能治理装置和方法 |
| CN115967501A (zh) * | 2022-12-29 | 2023-04-14 | 国网辽宁省电力有限公司信息通信分公司 | 一种基于区块链智能合约的Web服务组合生成方法 |
| CN116956197A (zh) * | 2023-09-14 | 2023-10-27 | 山东理工昊明新能源有限公司 | 基于深度学习的能源设施故障预测方法、装置及电子设备 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103353979A (zh) * | 2013-05-31 | 2013-10-16 | 国家电网公司 | 一种分布式电源的优化选址与定容方法 |
| US20140069681A1 (en) * | 2011-05-03 | 2014-03-13 | 3M Innovative Properties Company | Adhesive backed hybrid cabling for in-building telecommunication and wireless applications |
-
2017
- 2017-09-06 CN CN201710793604.XA patent/CN107480913A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140069681A1 (en) * | 2011-05-03 | 2014-03-13 | 3M Innovative Properties Company | Adhesive backed hybrid cabling for in-building telecommunication and wireless applications |
| CN103353979A (zh) * | 2013-05-31 | 2013-10-16 | 国家电网公司 | 一种分布式电源的优化选址与定容方法 |
Non-Patent Citations (1)
| Title |
|---|
| 景瑜: "GWO算法在微电网分布式电源优化规划研究中的应用", 《安阳师范学院学报》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108460548A (zh) * | 2018-05-17 | 2018-08-28 | 西安建筑科技大学 | 一种基于改进灰狼算法的多金属露天矿生产作业计划编制方法 |
| CN108805463A (zh) * | 2018-06-25 | 2018-11-13 | 广东工业大学 | 一种支持削峰型电力需求响应的生产调度方法 |
| CN108805463B (zh) * | 2018-06-25 | 2022-04-19 | 广东工业大学 | 一种支持削峰型电力需求响应的生产调度方法 |
| CN110570051A (zh) * | 2019-09-27 | 2019-12-13 | 东北大学 | 一种基于Benders-Pso算法的分布式储能鲁棒性选址系统与方法 |
| CN110570051B (zh) * | 2019-09-27 | 2023-01-13 | 东北大学 | 一种基于Benders-Pso算法的分布式储能鲁棒性选址系统与方法 |
| CN112909944A (zh) * | 2021-01-22 | 2021-06-04 | 广东志成冠军集团有限公司 | 一种混合电能治理装置和方法 |
| CN112909944B (zh) * | 2021-01-22 | 2021-12-07 | 广东志成冠军集团有限公司 | 一种混合电能治理装置和方法 |
| CN115967501A (zh) * | 2022-12-29 | 2023-04-14 | 国网辽宁省电力有限公司信息通信分公司 | 一种基于区块链智能合约的Web服务组合生成方法 |
| CN116956197A (zh) * | 2023-09-14 | 2023-10-27 | 山东理工昊明新能源有限公司 | 基于深度学习的能源设施故障预测方法、装置及电子设备 |
| CN116956197B (zh) * | 2023-09-14 | 2024-01-19 | 山东理工昊明新能源有限公司 | 基于深度学习的能源设施故障预测方法、装置及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107480913A (zh) | 一种基于改进灰狼算法的分布式电源选址定容系统及方法 | |
| CN105449713B (zh) | 考虑分布式电源特性的有源配电网智能软开关规划方法 | |
| Li et al. | Probabilistic charging power forecast of EVCS: Reinforcement learning assisted deep learning approach | |
| CN112016747A (zh) | 一种适用于源荷储灵活资源统筹规划与运行的优化方法 | |
| Zeng et al. | An optimal integrated planning method for supporting growing penetration of electric vehicles in distribution systems | |
| CN109598377B (zh) | 一种基于故障约束的交直流混合配电网鲁棒规划方法 | |
| CN102902847A (zh) | 基于组合图元的输电网单线图自动设计方法 | |
| CN111025081B (zh) | 一种配电台区的居民电压监测方法 | |
| CN104915788B (zh) | 一种考虑多风场相关性的电力系统动态经济调度的方法 | |
| CN105305488A (zh) | 一种考虑新能源并网对输电网利用率影响的评价方法 | |
| CN111079972A (zh) | 一种主动配电网可靠性规划方法、设备及介质 | |
| CN114362143B (zh) | 一种海上风电场集电系统拓扑优化求解算法 | |
| Zhang et al. | Physical-model-free intelligent energy management for a grid-connected hybrid wind-microturbine-PV-EV energy system via deep reinforcement learning approach | |
| CN108667077A (zh) | 一种风蓄联合系统优化调度方法 | |
| Liu et al. | Two types of conformable fractional grey interval models and their applications in regional electricity consumption prediction | |
| CN109523309B (zh) | 一种基于潮流分析计算的电力报价仿真方法及系统 | |
| Qiu et al. | Local integrated energy system operational optimization considering multi‐type uncertainties: A reinforcement learning approach based on improved TD3 algorithm | |
| CN111597683B (zh) | 考虑天然气传输动态的电力天然气联合系统运行优化方法 | |
| CN108108837A (zh) | 一种地区新能源电源结构优化预测方法和系统 | |
| CN111047071B (zh) | 基于深度迁移学习和Stackelberg博弈的电力系统实时供需互动方法 | |
| CN105207255B (zh) | 一种适用于风电出力的电力系统调峰计算方法 | |
| CN111768036A (zh) | 一种综合能源配电系统与上级电网交互运行的功率优化方法 | |
| Chen et al. | Modified antipredatory particle swarm optimization for dynamic economic dispatch with wind power | |
| CN115169950B (zh) | 一种基于多参数规划的电-气系统分布式协同方法及系统 | |
| CN114491924A (zh) | 一种考虑风机-风电场协同优化的海上升压站选址方法 |
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 |
Application publication date: 20171215 |
|
| RJ01 | Rejection of invention patent application after publication |