CN108122079A - 火电厂负荷分配的计算方法、系统及存储介质 - Google Patents
火电厂负荷分配的计算方法、系统及存储介质 Download PDFInfo
- Publication number
- CN108122079A CN108122079A CN201810021845.7A CN201810021845A CN108122079A CN 108122079 A CN108122079 A CN 108122079A CN 201810021845 A CN201810021845 A CN 201810021845A CN 108122079 A CN108122079 A CN 108122079A
- Authority
- CN
- China
- Prior art keywords
- load
- sharing
- factory
- population
- scheme
- 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
- 238000000205 computational method Methods 0.000 title claims abstract description 9
- 238000005457 optimization Methods 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000009826 distribution Methods 0.000 claims abstract description 15
- 230000035772 mutation Effects 0.000 claims abstract description 10
- 238000012795 verification Methods 0.000 claims abstract description 8
- 230000003044 adaptive effect Effects 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 20
- 239000003245 coal Substances 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 6
- 238000010248 power generation Methods 0.000 abstract description 3
- 230000004044 response Effects 0.000 abstract description 3
- 230000005611 electricity Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 241000219000 Populus Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010977 unit operation Methods 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及火电机组发电技术领域，公开了一种火电厂负荷分配的计算方法、系统及存储介质，以应用差分进化寻优算法快速基于厂级负荷计划曲线确定最优的负荷分配方案。本发明方法包括：建立厂级AGC负荷优化模型；通过差分进化算法计算负荷分配方案；总负荷平衡及约束条件验证；以及输出负荷分配最终优化方案。其中差分进化算法寻优计算过程包括：参数初始化；种群初始化；变异操作；交叉操作；选择操作以及循环迭代。本发明能够加快收敛速度且有效避免局部最优，具有良好的适应性和较高的精度。将算法应用于厂级AGC负荷优化分配过程中，能够根据负荷计划曲线快速响应并给出精确的负荷优化分配的最优值，保证厂网负荷控制的安全性和稳定性。
Description
技术领域
本发明涉及火电机组发电技术领域，尤其涉及一种基于差分进化寻优的火电厂负荷分配的计算方法、系统及存储介质。
背景技术
目前，国内电网对电源侧的负荷控制大部分采用自动发电控制(Automaticgeneration control,简称AGC)系统。这种控制方式为机组直调，即电网的负荷调度指令直接下达到单个机组，没有兼顾全厂机组的相互协调与统筹性。同时由于机组发电负荷受实际工况、环保方面的制约，特别是当前面临的节能减排方面的双重压力，单机AGC负荷控制模式已越来越不适应当前经济调度、智能电网发展的需要，而基于厂级负荷调节的AGC控制模式在电厂中正在大力推广。厂级AGC控制模式下，电网的负荷指令只下达到厂级，在保证厂级总负荷平衡和厂级调节速率的条件下，厂侧可以煤耗经济性为优化目标，制定各台机组的发电负荷指令，最后完成全厂功率的闭环控制。这种全厂的负荷调度模式被称为厂级负荷优化控制。
在厂级AGC控制方式下，各机组的负荷指令不仅以经济性为最终优化目标，同时需要考虑电网对全厂最低调节速率、机组裕度、机组调节速率、机组运行工况及电网安全稳定性等方面的制约，因此亟需一种厂级负荷煤耗最优化分配方法。
发明内容
本发明目的在于公开一种火电厂负荷分配的计算方法、系统及存储介质，以应用差分进化寻优算法快速基于厂级负荷计划曲线确定最优的负荷分配方案。
为实现上述目的，本发明公开了一种火电厂负荷分配的计算方法，包括：
步骤S1、构建厂级AGC负荷优化模型，所述模型由负荷分配的厂级目标函数、每台机组的优化区间约束条件及总负荷平衡约束条件组成；
步骤S2、通过差分进化算法计算负荷分配方案，具体包括：
步骤S2.1、参数初始化：导入厂级负荷计划曲线，并获取用户设置的算法初始参数；所述初始参数包括：种群规模Np、迭代次数GM和自适应算子μ；
步骤S2.2、种群初始化：根据步骤S1中所述模型中每台机组的优化区间约束条件及总负荷平衡约束条件随机产生Np组负荷分配方案作为原始种群X0；
步骤S2.3、变异操作：从Np个原始种群中找出厂级目标函数最优的分配方案xbest,根据自适应算子μ计算自适应缩放因子A,A＝μ×e1-GM/(GM-G+1)；并根据变异差分策略方程计算变异后的负荷优化分配方案v，所述变异差分策略方程为:
v＝xbest+A·(xr1-xr2)+A·(xr3-xr4)
其中，xr1,xr2,xr3,xr4为父代种群中任意4个不同的负荷优化方案；G为当前迭代次数，其初始值为0；
对变异后的各负荷优化分配方案进行每台机组的优化区间约束条件及总负荷平衡约束条件验证，并保留验证通过的负荷优化分配方案以得到变异种群，验证失败的负荷优化分配方案予以剔除；
步骤S2.4、交叉操作：根据自适应算子μ计算自适应交叉概率CR，CR＝μG/2，并将父代种群与变异种群根据所述自适应交叉概率进行交叉比对，产生子代种群U；
步骤S2.5、选择操作：随机对父代种群的负荷分配方案与子代种群的负荷分配方案进行配对，并在配对的各组方案中筛选厂级目标函数更优的负荷分配方案进入下一代种群中；
步骤S2.6、循环迭代：当迭代次数G小于GM，将下一代种群作为原始种群返回步骤S2.3以重新启动相关变异、交叉及选择操作；当迭代次数等于或大于GM，以下一代种群结果为计算结果输出；
步骤S3、根据步骤S1中所述模型中每台机组的优化区间约束条件及总负荷平衡约束条件验证最终种群中的各负荷分配方案，保留验证通过的负荷分配方案并筛选出厂级目标函数最优的方案为最终的负荷分配方案并输出；若步骤S2.6所得的最终种群不存在验证通过的负荷分配方案，令G＝G+1，返回步骤S2.3继续计算，直至输出厂级目标函数最优的方案。
为达上述目的，本发明还公开一种火电厂负荷分配的计算系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
为达上述目的，本发明还公开一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述权利要求1或2所述方法的步骤。
本发明具有以下有益效果：
差分进化寻优计算中通过设置自适应算子μ和迭代次数GM，可实现控制参数A和CR随着迭代次数的不同进行自适应调整，这种做法能够加快收敛速度且有效避免局部最优，具有良好的适应性和较高的精度。本发明将差分进化寻优算法应用于厂级AGC负荷优化分配过程中，能够根据负荷计划曲线快速响应并给出精确的负荷优化分配的最优值，保证厂网负荷控制的安全性和稳定性。
具体实施方式
以下对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
实施例1
本实施例公开一种火电厂负荷分配的计算方法。
本实施例方法主要包括：
步骤S1、构建厂级AGC负荷优化模型，所述模型由负荷分配的厂级目标函数、每台机组的优化区间约束条件及总负荷平衡约束条件组成。
厂级AGC负荷优化模型由负荷分配的目标函数及负荷分配的约束条件组成。一般地，对于燃煤电厂，以发电企业的供电成本最小为目标函数，也就是以全厂的发电标准煤耗量最小为目标函数进行并列机组间的负荷分配。约束条件采用了全厂负荷平衡约束、全厂调节速率约束、机组负荷上下限约束以及机组负荷升降速率约束。
本实施例中，可选的，所建立的模型具体包括下述三方面的联立方程组：
一、厂级目标函数为：
二、总负荷平衡约束条件为：
以及
ΔyN/max(|Pi-Pi，now|/Vi)＜VN
三、每台机组的优化区间约束条件为：
Pi，min≤Pi≤Pi，max；以及
|Pi-Pi，now|/t＜Vi
上述模型参数中，F为全厂总的标准煤耗量，fi(Pi)为第i台机组的标准煤耗量，ai、bi、ci分别为第i台机组的煤耗曲线二次项系数、一次项系数及常数，N为全厂投入厂级AGC的机组总台数，Pi为第i台机组分配的负荷，yN为调度中心要求的全厂总负荷，ΔyN为两个周期间全厂总负荷变化量，VN为全厂调节速率设定最小值，Pi，min为第i台机组负荷下限，Pi，max为第i台机组负荷上限，Pi,now为第i台机组当前负荷，t为负荷指令时间长度(如：一天24小时根据不同时刻共计下达288个负荷指令，则t为5分钟)，Vi为第i台机组负荷升降速率最大值。
步骤S2、通过差分进化算法计算负荷分配方案。具体包括：
步骤S2.1、参数初始化：导入厂级负荷计划曲线，并获取用户设置的算法初始参数；所述初始参数包括：种群规模Np、迭代次数GM和自适应算子μ。
步骤S2.2、种群初始化：根据步骤S1中所述模型中每台机组的优化区间约束条件及总负荷平衡约束条件随机产生Np组负荷分配方案作为原始种群X0。
例如，上述步骤S1中机组的数量为4，在满足其他约束条件下，总负荷为70KW所对应的原始种群随机产生的分配方案可以是(10152025)，也可以是(13122223)。
步骤S2.3、变异操作：从Np个原始种群中找出厂级目标函数最优的分配方案xbest,根据自适应算子μ计算自适应缩放因子A,A＝μ×e1-GM/(GM-G+1)；并根据变异差分策略方程计算变异后的负荷优化分配方案v，所述变异差分策略方程为:
v＝xbest+A·(xr1-xr2)+A·(xr3-xr4)
其中，xr1,xr2,xr3,xr4为父代种群中任意4个不同的负荷优化方案；G为当前迭代次数，其初始值为0。
对变异后的各负荷优化分配方案进行每台机组的优化区间约束条件及总负荷平衡约束条件验证，并保留验证通过的负荷优化分配方案以得到变异种群，验证失败的负荷优化分配方案予以剔除。
步骤S2.4、交叉操作：根据自适应算子μ计算自适应交叉概率CR，CR＝μG/2，并将父代种群与变异种群根据所述自适应交叉概率进行交叉比对，产生子代种群U。
步骤S2.5、选择操作：随机对父代种群的负荷分配方案与子代种群的负荷分配方案进行配对，并在配对的各组方案中筛选厂级目标函数更优的负荷分配方案进入下一代种群中。
步骤S2.6、循环迭代：当迭代次数G小于GM，将下一代种群作为原始种群返回步骤S2.3以重新启动相关变异、交叉及选择操作；当迭代次数等于或大于GM，以下一代种群结果为计算结果输出。
在本发明中，差分进化寻优算法的主旨是从某一组随机产生的初始种群开始，然后产生差分向量，并将差分向量赋予权值后产生相应的变异向量，然后再将变异向量与在先确定的父代按一定的规则交叉产生子代种群，最后随机对父代种群的负荷分配方案与子代种群的负荷分配方案进行配对(任一负荷分配方案仅配对一次，不进行重复配对)，并在配对的各组方案中筛选厂级目标函数更优的负荷分配方案进入下一代种群中，通过不断地进化，保留优胜的个体，引导搜索过程向最优解逼近。其中，有关该过程的具体数据处理还可以参阅现有的差分进化寻优算法，如《模式识别与人工智能》在2008年8月第21卷第4期所公开的论文——差分进化算法综述，作者为河海大学常州校区计算机与信息工程学院的杨启文、蔡亮、薛云灿。本发明仅将差分进化寻优算法引入火点机组发电这一细分技术领域，并结合厂级AGC负荷优化模型做了部分参数及计算过程的优化，若无特别说明，其采用的为现有通用的数据处理方式，后续不做赘述。
步骤S3、根据步骤S1中所述模型中每台机组的优化区间约束条件及总负荷平衡约束条件验证最终种群中的各负荷分配方案，保留验证通过的负荷分配方案并筛选出厂级目标函数最优的方案为最终的负荷分配方案并输出；若步骤S2.6所得的最终种群不存在验证通过的负荷分配方案，令G＝G+1，返回步骤S2.3继续计算，直至输出厂级目标函数最优的方案。
实施例2
本实施例公开一种火电厂负荷分配的计算系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法实施例的步骤。
实施例3
本实施例公开一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述方法实施例的步骤。
综上，本发明上述各实施例所公开的基于差分进化寻优的火电厂负荷分配的计算方法、系统及存储介质，具有以下有益效果：
差分进化寻优计算中通过设置自适应算子μ和迭代次数GM，可实现控制参数A和CR随着迭代次数的不同进行自适应调整，这种做法能够加快收敛速度且有效避免局部最优，具有良好的适应性和较高的精度。本发明将差分进化寻优算法应用于厂级AGC负荷优化分配过程中，能够根据负荷计划曲线快速响应并给出精确的负荷优化分配的最优值，保证厂网负荷控制的安全性和稳定性。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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 (4)
1.一种火电厂负荷分配的计算方法，其特征在于，包括：
步骤S1、构建厂级AGC负荷优化模型，所述模型由负荷分配的厂级目标函数、每台机组的优化区间约束条件及总负荷平衡约束条件组成；
步骤S2、通过差分进化算法计算负荷分配方案，具体包括：
步骤S2.1、参数初始化：导入厂级负荷计划曲线，并获取用户设置的算法初始参数；所述初始参数包括：种群规模Np、迭代次数GM和自适应算子μ；
步骤S2.2、种群初始化：根据步骤S1中所述模型中每台机组的优化区间约束条件及总负荷平衡约束条件随机产生Np组负荷分配方案作为原始种群X0；
步骤S2.3、变异操作：从Np个原始种群中找出厂级目标函数最优的分配方案xbest,根据自适应算子μ计算自适应缩放因子A,A＝μ×e1-GM/(GM-G+1)；并根据变异差分策略方程计算变异后的负荷优化分配方案v，所述变异差分策略方程为:
v＝xbest+A·(xr1-xr2)+A·(xr3-xr4)
其中，xr1,xr2,xr3,xr4为父代种群中任意4个不同的负荷优化方案；G为当前迭代次数，其初始值为0；
对变异后的各负荷优化分配方案进行每台机组的优化区间约束条件及总负荷平衡约束条件验证，并保留验证通过的负荷优化分配方案以得到变异种群，验证失败的负荷优化分配方案予以剔除；
步骤S2.4、交叉操作：根据自适应算子μ计算自适应交叉概率CR，CR＝μG/2，并将父代种群与变异种群根据所述自适应交叉概率进行交叉比对，产生子代种群U；
步骤S2.5、选择操作：随机对父代种群的负荷分配方案与子代种群的负荷分配方案进行配对，并在配对的各组方案中筛选厂级目标函数更优的负荷分配方案进入下一代种群中；
步骤S2.6、循环迭代：当迭代次数G小于GM，将下一代种群作为原始种群返回步骤S2.3以重新启动相关变异、交叉及选择操作；当迭代次数等于或大于GM，以下一代种群结果为计算结果输出；
步骤S3、根据步骤S1中所述模型中每台机组的优化区间约束条件及总负荷平衡约束条件验证最终种群中的各负荷分配方案，保留验证通过的负荷分配方案并筛选出厂级目标函数最优的方案为最终的负荷分配方案并输出；若步骤S2.6所得的最终种群不存在验证通过的负荷分配方案，令G＝G+1，返回步骤S2.3继续计算，直至输出厂级目标函数最优的方案。
2.根据权利要求1所述的火电厂负荷分配的计算方法，其特征在于，所述厂级目标函数为：
<mrow>
<mi>min</mi>
<mi> </mi>
<mi>F</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
<msubsup>
<mi>P</mi>
<mi>i</mi>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msub>
<mi>b</mi>
<mi>i</mi>
</msub>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
</mrow>
所述总负荷平衡约束条件为：
以及
ΔyN/max(|Pi-Pi，now|/Vi)＜VN
所述每台机组的优化区间约束条件为：
Pi，min≤Pi≤Pi，max；以及
|Pi-Pi，now|/t＜Vi
其中，F为全厂总的标准煤耗量，fi(Pi)为第i台机组的标准煤耗量，ai、bi、ci分别为第i台机组的煤耗曲线二次项系数、一次项系数及常数，N为全厂投入厂级AGC的机组总台数，Pi为第i台机组分配的负荷，yN为调度中心要求的全厂总负荷，ΔyN为两个周期间全厂总负荷变化量，VN为全厂调节速率设定最小值，Pi，min为第i台机组负荷下限，Pi，max为第i台机组负荷上限，Pi,now为第i台机组当前负荷，t为负荷指令时间长度，Vi为第i台机组负荷升降速率最大值。
3.一种火电厂负荷分配的计算系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1或2所述方法的步骤。
4.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现上述权利要求1或2所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810021845.7A CN108122079A (zh) | 2018-01-10 | 2018-01-10 | 火电厂负荷分配的计算方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810021845.7A CN108122079A (zh) | 2018-01-10 | 2018-01-10 | 火电厂负荷分配的计算方法、系统及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108122079A true CN108122079A (zh) | 2018-06-05 |
Family
ID=62232895
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810021845.7A Pending CN108122079A (zh) | 2018-01-10 | 2018-01-10 | 火电厂负荷分配的计算方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108122079A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109322816A (zh) * | 2018-09-30 | 2019-02-12 | 西门子电力自动化有限公司 | 供给压缩空气的方法、装置、设备、介质以及程序 |
| CN110264113A (zh) * | 2019-07-17 | 2019-09-20 | 深圳市智物联网络有限公司 | 一种沼气发电机组的负载分配方法、装置及相关设备 |
| CN110702175A (zh) * | 2019-09-11 | 2020-01-17 | 湖南大唐先一科技有限公司 | 一种火电厂汽轮机主蒸汽流量在线软测量装置及方法 |
| CN111639793A (zh) * | 2020-05-13 | 2020-09-08 | 新奥数能科技有限公司 | 一种锅炉群组调度优化方法及装置 |
| CN111950887A (zh) * | 2020-08-07 | 2020-11-17 | 江苏师范大学 | 新型电负荷预测与电力系统经济调度融合方法 |
| CN112183843A (zh) * | 2020-09-24 | 2021-01-05 | 国网辽宁省电力有限公司辽阳供电公司 | 一种基于混合智能算法的火电厂负荷优化分配方法 |
| CN112564126A (zh) * | 2020-12-14 | 2021-03-26 | 辽宁电能发展股份有限公司 | 基于改进差分进化算法的电力系统网损最小无功优化方法 |
| CN113162031A (zh) * | 2021-04-01 | 2021-07-23 | 南方电网数字电网研究院有限公司 | 工业负荷监测调度方法、装置、计算机设备和存储介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105356496A (zh) * | 2014-08-18 | 2016-02-24 | 国家电网公司 | 一种考虑安全约束的实时发电计划编制方法 |
-
2018
- 2018-01-10 CN CN201810021845.7A patent/CN108122079A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105356496A (zh) * | 2014-08-18 | 2016-02-24 | 国家电网公司 | 一种考虑安全约束的实时发电计划编制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 惠晨: ""火电厂厂级AGC系统数学建模和负荷优化分配的研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109322816A (zh) * | 2018-09-30 | 2019-02-12 | 西门子电力自动化有限公司 | 供给压缩空气的方法、装置、设备、介质以及程序 |
| CN109322816B (zh) * | 2018-09-30 | 2020-04-07 | 西门子电力自动化有限公司 | 供给压缩空气的方法、装置、设备和介质 |
| CN110264113A (zh) * | 2019-07-17 | 2019-09-20 | 深圳市智物联网络有限公司 | 一种沼气发电机组的负载分配方法、装置及相关设备 |
| CN110702175A (zh) * | 2019-09-11 | 2020-01-17 | 湖南大唐先一科技有限公司 | 一种火电厂汽轮机主蒸汽流量在线软测量装置及方法 |
| CN111639793A (zh) * | 2020-05-13 | 2020-09-08 | 新奥数能科技有限公司 | 一种锅炉群组调度优化方法及装置 |
| CN111950887A (zh) * | 2020-08-07 | 2020-11-17 | 江苏师范大学 | 新型电负荷预测与电力系统经济调度融合方法 |
| CN112183843A (zh) * | 2020-09-24 | 2021-01-05 | 国网辽宁省电力有限公司辽阳供电公司 | 一种基于混合智能算法的火电厂负荷优化分配方法 |
| CN112183843B (zh) * | 2020-09-24 | 2023-06-06 | 国网辽宁省电力有限公司辽阳供电公司 | 一种基于混合智能算法的火电厂负荷优化分配方法 |
| CN112564126A (zh) * | 2020-12-14 | 2021-03-26 | 辽宁电能发展股份有限公司 | 基于改进差分进化算法的电力系统网损最小无功优化方法 |
| CN113162031A (zh) * | 2021-04-01 | 2021-07-23 | 南方电网数字电网研究院有限公司 | 工业负荷监测调度方法、装置、计算机设备和存储介质 |
| CN113162031B (zh) * | 2021-04-01 | 2022-07-29 | 南方电网数字电网研究院有限公司 | 工业负荷监测调度方法、装置、计算机设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108122079A (zh) | 火电厂负荷分配的计算方法、系统及存储介质 | |
| Padhy et al. | A modified GWO technique based cascade PI-PD controller for AGC of power systems in presence of plug in electric vehicles | |
| Yuan et al. | An extended NSGA-III for solution multi-objective hydro-thermal-wind scheduling considering wind power cost | |
| Nguyen et al. | Cuckoo search algorithm for combined heat and power economic dispatch | |
| CN104239981B (zh) | 一种基于多目标优化算法的能源动态平衡与优化调度方法 | |
| CN105790266B (zh) | 一种微电网并行多目标鲁棒优化调度集成控制方法 | |
| CN104600714B (zh) | 含分布式电源的配电网无功优化方法及装置 | |
| CN104181900B (zh) | 一种多能源介质分层动态调控方法 | |
| CN112906292B (zh) | 热电联产机组厂级热电负荷在线优化分配的方法、系统、设备及存储介质 | |
| CN104268712B (zh) | 基于改进的混合多种群进化算法的能源平衡与调度方法 | |
| CN106372756A (zh) | 一种基于繁殖粒子群算法的火电厂负荷优化分配方法 | |
| CN110048456A (zh) | 一种基于大规模风电接入输电网的源网联合规划方法 | |
| CN109858798B (zh) | 关联改造措施与电压指标的电网投资决策建模方法及装置 | |
| CN111062514A (zh) | 一种电力系统规划方法及系统 | |
| CN108038538A (zh) | 基于强化学习的多目标进化算法 | |
| CN107516892A (zh) | 基于处理有功优化约束条件提高电能质量的方法 | |
| CN104966156B (zh) | 一种钢铁企业能源综合调度问题的双层寻优方法 | |
| CN108988325A (zh) | 一种计及分布式电源和电动汽车接入的配电网规划方法 | |
| CN103439926A (zh) | 一种钢铁企业煤气优化调度装置 | |
| CN108710970A (zh) | 一种巨型梯级水电系统的多目标调度并行降维方法 | |
| CN110445167A (zh) | 一种光伏接入配网的优化方法及系统 | |
| Martorell et al. | Use of multiple objective evolutionary algorithms in optimizing surveillance requirements | |
| CN116108360A (zh) | 一种区域综合能源系统优化运行控制方法及装置 | |
| CN115795992A (zh) | 一种基于运行态势虚拟推演的园区能源互联网在线调度方法 | |
| CN109888817B (zh) | 对光伏电站和数据中心进行位置部署和容量规划方法 |
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: 20180605 |