CN108334981B - 一种面向微电网综合能量管理的分层多目标优化方法 - Google Patents
一种面向微电网综合能量管理的分层多目标优化方法 Download PDFInfo
- Publication number
- CN108334981B CN108334981B CN201810053897.2A CN201810053897A CN108334981B CN 108334981 B CN108334981 B CN 108334981B CN 201810053897 A CN201810053897 A CN 201810053897A CN 108334981 B CN108334981 B CN 108334981B
- Authority
- CN
- China
- Prior art keywords
- population
- load
- scheduling
- individuals
- grid
- 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.)
- Active
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000008569 process Effects 0.000 claims abstract description 21
- 238000004146 energy storage Methods 0.000 claims abstract description 16
- 238000011156 evaluation Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 30
- 230000007613 environmental effect Effects 0.000 claims description 11
- 230000008901 benefit Effects 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 4
- 238000007599 discharging Methods 0.000 claims description 2
- 238000009827 uniform distribution Methods 0.000 claims description 2
- 230000035772 mutation Effects 0.000 abstract description 7
- 238000012163 sequencing technique Methods 0.000 abstract description 4
- 238000004064 recycling Methods 0.000 abstract description 2
- 238000007726 management method Methods 0.000 description 20
- 230000005611 electricity Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005291 chaos (dynamical) Methods 0.000 description 2
- 230000008092 positive effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种面向微电网综合能量管理的分层多目标优化方法，首先是数据采集，而后在模型建立时明确目标函数和约束条件；初始化过后则通过评价得到一个最佳个体，通过排序对较差个体进行不包含负荷数据的同化，加速收敛；而后进行两次变异，变异采取的是隔离交叉变异，这一过程是负荷调度以及储能、各电源调度，调度完成后进行种群评价和排序，选出一个代表性负荷调度最佳个体；接着通过负荷调度最佳个体对其他个体仅进行负荷数据同化，而后再进行一次变异交叉，之后再对种群进行评价和排序，挑选一个代表性最佳个体。接着检查是否完成迭代，若没有则再循环；若完成，则输出一个供参考的调度方案。本发明能够在满足能量管理各方面需求。
Description
技术领域
本发明涉及微电网能量管理技术领域，特别是涉及一种面向微电网综合能量管理的分层多目标优化方法。
背景技术
分布式能源以微电网的形式运行能够提高其利用率，微电网的建设能够用于缓解海岛和偏远地区用电问题，并且能够在电网故障时保障关键负荷供电稳定。而通常微电网中有多种电源，通过协调调度能够提升可再生能源利用率，降低微电网对电网的冲击，甚至参与电网的调度，缓解电网的压力。如今微电网的能量管理通常围绕经济调度、环境成本或者负荷侧资源进行优化，没有体现电网调度的供需互动思想。针对供需两侧互动的研究较少，部分对供需两侧优化的研究考虑不够全面，并且未针对供需两侧优化提供一种能够应对这种复杂调度问题的解决方法，一般算法处理时因搜索空间过大极易陷入局部最优解。
微电网能量管理优化算法多以加权形式的单目标算法和多目标优化算法为主，在面对复杂微电网能量管理优化时因搜索空间过大，收敛速度慢，容易陷入局部最优解。而一般分层多目标算法特点是在上层目标的优化解集上进行下一层目标优化，直到各层目标优化完结束，能够压缩搜索空间。但若各层目标存在关联，则有可能因某层目标虽然达到最优却影响其他目标，最终无法保证全局寻优能力。
发明内容
本发明所要解决的技术问题是提供一种面向微电网综合能量管理的分层多目标优化方法，能够提升微电网运行经济效益，减小环境污染，提高负荷平滑度，降低并网运行时对电网的冲击。
本发明解决其技术问题所采用的技术方案是：提供一种面向微电网综合能量管理的分层多目标优化方法，包括以下步骤：
(1)根据供需两侧建立微电网能量管理优化调度模型，并选择算法进行求解；
(2)在求解过程中，首先对种群初始化，在初始化过后，对种群先进行评价，通过评价寻找到一个最佳个体；
(3)以最佳个体对表现较差的个体进行不包含负荷的其他可变量进行同化，种群同化后，就开始进行负荷调度，在负荷调度后进行一次种群所有个体的评价，寻找一个代表性的个体为负荷调度最佳个体；
(4)通过负荷调度最佳个体来对种群中的其他个体仅进行负荷同化，其他可变量保持不变，而后开始进行各电源、储能调度管理，在各电源、储能调度后，通过负载和微电网内电源输出总功率差值确定电网与微电网之间的功率交换值；
(5)对种群所有个体进行评价，得到各子目标的优化值，对于越界情况则采取惩罚措施降低其评价适应度，得到评价后对所有个体进行Pareto非支配排序，对统一支配等级的个体进行空间分布均匀度的排序，寻找代表性的最佳个体；判断是否完成迭代，若未完成则返回到步骤(3)。
所述步骤(1)中根据可再生能源的预测数据，负荷的预测数据，市场收集的燃料价格，电网购电、售电价格，微电网组成设备的成本、运行损耗、运行维护信息，各电源容量、运行特性以及运行过程中造成的环境治理成本信息，微电网运行的各方面需求建立微电网能量管理优化调度模型，在确定模型后就需要根据设计的模型来选择适应的算法。本模型是以分层多目标模型为基础建立的，其基本模型如下：
其中，F为微电网运行中经济效益和环境成本优化目标，H为负荷调度过程中负荷平滑度以及负荷峰值目标，fi为第i个微电网运行中经济效益和环境成本优化子目标，hi为第i个负荷调度过程中负荷平滑度以及负荷峰值子目标，X为变量因素，Ω是可行解空间，G则代表等式约束条件，L则代表不等式约束条件。
步骤(1)所述的模型是具有两个分层目标的，其中负荷管理层中有负荷平滑度指标和负荷曲线峰值指标；而各电源、储能和电网调度这一层则包括经济效益指标和环境成本指标。在各电源、储能调度这一层因负荷调度已完成则不需考虑负荷曲线平滑度指标和负荷曲线峰值指标，而负荷调度层则以负荷调度指标为主。
步骤(1)中涉及的电费成本需要考虑不同的电价计费策略。
步骤(1)所述的模型求解算法是多种的，应对不同的模型选择相应的算法，有如光储微电网、风光储微电网以及包含各类不同分布式电源的微电网，并且不同的模型的需求可能也不会一样。
所述步骤(2)在算法流程中，首先是对种群初始化，一般而言通过混沌理论初始化对简单系统能够提高算法效率。在初始化过后，应该要对种群先进行评价，通过评价寻找到一个最佳个体，最佳个体的评价方法直接用简单相加即可，只需要具有一定的代表性。其中，所提的混沌理论初始化对可变量较少的模型则比较适应，而应对可变量较多的模型则不太合适。
所述步骤(3)以最佳个体对表现较差的个体进行不包含负荷的其他可变量进行同化，种群同化后，就开始进行负荷调度，也就是负荷侧的管理，这一步主要是希望能够尽可能的降低负荷曲线的冲击性，提高负荷曲线的平滑度，同时降低负荷曲线的峰值，可以提高电网设备的利用效率。在负荷调度后进行一次种群所有个体的评价，再次通过对负荷调度所影响的各子目标简单相加寻找一个代表性的个体为负荷调度最佳个体。
所述步骤(3)中的种群同化是通过最佳个体将Pareto非支配排序后，将最佳的前端保留，而对较差的个体强行同化。
所述步骤(4)是通过负荷调度最佳个体来对种群中的其他个体仅进行负荷同化，其他可变量保持不变，而后开始进行各电源、储能调度管理。到这一步种群中每个个体的负荷曲线一致，因此无需考虑负荷管理所带来的子目标变化。因电池在运行过程中是SOC(State of Charge)是动态变化的，因此其约束也是动态的，在各电源、储能调度后，通过负载和微电网内电源输出总功率差值确定电网与微电网之间的功率交换值。
所述步骤(4)中储能是动态变化的，其基于微电网动态运行考虑，针对不同的储能需要针对其不同充放电倍率考虑其约束条件。
所述步骤(3)和步骤(4)所述的负荷调度和各电源、储能调度属于算法的变异交叉过程。所述的变异过程是一种混合变异。这种变异过程将种群分割为两个独立的小种群，在变异过程中为了保证种群的多样性，总保留固定比例的个体参加随机变异，不受另一个小种群的干扰；而另一个小种群则采取一种牺牲种群多样性但提升算法搜索能力的变异策略，并且变异个体部分来源于另一个小种群，是一种交叉性质的变异。
所述步骤(5)中的对所有个体进行Pareto非支配排序是以Pareto理论为基础进行的多目标非支配排序，而针对在同一支配层的个体为了保持种群的空间均匀分布，则运用空间分布思想来进行进一步排序。
步骤(2)、步骤(3)和步骤(5)所述的最佳个体只需要在当代种群中具有代表性的个体即可，因为在多目标的情况下基于Pareto的非支配排序有时难以确定一个最佳个体，因此只需要通过各子目标相加选择一个代表性的即可。
有益效果
由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明对供需两侧进行互动优化，针对供需两侧优化复杂问题提供了一种有效优化算法，能够在满足能量管理各方面需求的同时对算法流程进行改进。通过对负荷资源和各电源、储能资源分层调度，能够同时兼顾负荷曲线多方指标以及微电网运行经济性和环境指标，实现供需互动。结合分层调度思想对算法流程进行改进，让优化算法解决多层目标关联的优化问题，能够适应供需两侧同时优化的需求，满足微电网能量管理多方面需求。并且引入的同化过程能够提升算法的收敛速度，而隔离交叉变异能够提升算法的全局搜索能力。
附图说明
图1是微电网能量管理基本流程图；
图2是分层多目标微电网能量管理方法流程图；
图3是隔离交叉变异流程图；
图4是ASSNSGE和NSGA-II的微电网运行优化测试结果图；
图5是利用ASSNSGE的负荷调度优化结果图；
图6是ASSNSGE优化后微电网各微源出力曲线图。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种本发明的实施方式涉及一种面向微电网综合能量管理的分层多目标优化方法，如图1所示，其基本流程是：首先应当是采集数据，其次根据数据建立模型，根据模型选择算法，开始调度，最后得到调度指令。
图2所示是本方法实施的具体流程，首先是数据采集，这里包括可再生能源出力预测、负荷数据预测、市场信息以及微电网中设备信息等；而后在模型建立时应当明确目标函数和约束条件；初始化过后则通过评价得到一个最佳个体，通过排序对较差个体进行不包含负荷数据的同化，加速收敛；而后进行两次变异，变异采取的是隔离交叉变异，这一过程是负荷调度以及储能、各电源调度，调度完成后进行种群评价和排序，选出一个代表性负荷调度最佳个体；接着通过负荷调度最佳个体对其他个体仅进行负荷数据同化，而后再进行一次变异交叉，之后再对种群进行评价和排序，挑选一个代表性最佳个体。接着检查是否完成迭代，若没有则再循环；若完成，则输出一个供参考的调度方案。具体步骤如下：
步骤一：数据收集，建立微电网运行优化模型，以一天24小时为一周期，其中光伏容量为100kW，微型燃气机额定功率为65kW，电池容量为100kW·h，柴油机额定功率为50kW。其中电网和和微电网联络线的功率约束为50kW，电池初始SOC设为20％，并且设定电池SOC变化范围是20％～80％，电网的环境成本为0.3141元/kWh。还有其他包括电价、安装成本等数据。
表1各微电源基础数据表
步骤二：种群大小为N＝100，个体有n条基因Xi＝[Xi1,Xi2,···,Xin]，每条基因长度为T＝24。其中变异、交叉概率随着迭代而变化，一般变异概率取0.1～0.15，交叉概率取0.6～0.8。初始化采用随机赋值的方式，在各类变量范围内对变量随机赋值初始化产生原始种群的N个个体。初始化完成后直接评价一次，评价是通过个体的数据计算模型中经济、环境目标值，最后通过经济、环境目标值相加找出一个最低值为代表性最佳个体B。如以下步骤六中的KFLOAT参数计算如下，N为总迭代次数，Nt为已迭代的次数。
KFLOAT＝0.5+0.3*(N-Nt)/N
步骤三：在得到最佳个体B之后是同化过程，Rank是Pareto排序的等级，
是设定的同化界限。
设置过小，种群多样性大受影响，虽前期能快速收敛，但是影响算法后期性能，导致寻到的解集偏离最优解；而设置过大则失去了同化的意义，影响算法的收敛性能。因此为了兼顾快速收敛和全局寻优，可以将
设置为浮动参数，前期较小，后期逐渐增大，一般取2～5，既能达到前期快速收敛性，又能兼顾后期全局寻优。
步骤四：开始负荷调度优化，在算法中体现在种群负荷数据的变异过程，这里主要考虑的是优化负荷曲线，以平滑度和峰值作为主要优化目标，负荷曲线的平滑度主要是考虑各相邻负荷之间的变化大小，也是负荷的起伏程度。负荷调度后，对其他可变量进行变异交叉，并对种群进行评价，选出一个代表性负荷调度最佳个体D。如下平滑度CSMH计算，KSMH是平滑度计算系数，
是i时刻功率值：
步骤五：以负荷调度最佳个体D对种群中其他个体进行负荷数据XiL同化，过程如下
XiL＝XLL i∈[1,N]
步骤六：在同化后的负荷基础上进行储能、各微源的优化调度，相当于算法中变异交叉过程，如图3所示。变异产生外部种群的N个个体，与原始种群组成2N个个体的新种群。采用的变异策略如下，其中r1∈[1,N],r2,r3∈[1,N/2]，KFLOAT是浮动系数，Rand为取区间内随机值函数，
为个体P在第t次迭代的第i行j列的基因，
代表
的下限，
代表
的上限
步骤七：对新种群2N个个体进行评价排序，优胜劣汰选出下一代需要的N各个体组成下一代原始种群，选出代表性最佳个体B。判断是否完成迭代，若没有完成则转步骤三；若完成则结束，输出参考方案。
图4则是编写的分层多目标优化算法(ASSNSGE)和算法NSGA-II在面对微电网复杂优化问题时的对比结果，从结果中看出，在面对微电网较为复杂的优化问题，NSGA-II略显乏力，无论在收敛速度还是最优值都不尽人意，而针对微电网优化设计的ASSNSGE算法则能够较好的适应微电网优化问题，能够以较快的速度收敛，节约决策时间，并且最优值也较NSGA-II要好。
而从表2和图5结果可以看出结合了负荷调度的ASSNSGE对比未结合负荷调度的优化能够进一步降低微电网运行综合成本，且还能优化负荷曲线(见图6)。
表2微电网运行优化结果
Claims (6)
1.一种面向微电网综合能量管理的分层多目标优化方法，其特征在于，包括以下步骤：
(1)根据供需两侧建立微电网能量管理优化调度模型，并选择算法进行求解；其中，所述调度模型为：
其中，F为微电网运行中经济效益和环境成本优化目标，H为负荷调度过程中负荷平滑度以及负荷峰值目标，fi为第i个微电网运行中经济效益和环境成本优化子目标，hi为第i个负荷调度过程中负荷平滑度以及负荷峰值子目标，X为变量因素，Ω是可行解空间，G则代表等式约束条件，L则代表不等式约束条件；
(2)在求解过程中，首先对种群初始化，在初始化过后，对种群先进行评价，通过评价寻找到一个最佳个体；
(3)以最佳个体对表现较差的个体进行不包含负荷的其他可变量进行同化，种群同化后，就开始进行负荷调度，在负荷调度后进行一次种群所有个体的评价，寻找一个代表性的个体为负荷调度最佳个体；
(4)通过负荷调度最佳个体来对种群中的其他个体仅进行负荷同化，其他可变量保持不变，而后开始进行各电源、储能调度管理，在各电源、储能调度后，通过负载和微电网内电源输出总功率差值确定电网与微电网之间的功率交换值；
(5)对种群所有个体进行评价，得到各子目标的优化值，对于越界情况则采取惩罚措施降低其评价适应度，得到评价后对所有个体进行Pareto非支配排序，对统一支配等级的个体进行空间分布均匀度的排序，寻找代表性的最佳个体；判断是否完成迭代，若未完成则返回到步骤(3)。
2.根据权利要求1所述的面向微电网综合能量管理的分层多目标优化方法，其特征在于，所述步骤(3)中的种群同化是通过最佳个体将Pareto非支配排序后，将最佳的前端保留，而对较差的个体强行同化。
3.根据权利要求1所述的面向微电网综合能量管理的分层多目标优化方法，其特征在于，所述步骤(3)和步骤(4)中的负荷调度和各电源、储能调度均属于算法的变异交叉过程。
4.根据权利要求3所述的面向微电网综合能量管理的分层多目标优化方法，其特征在于，所述的变异过程是一种混合性的变异，将种群分割为两个独立的小种群，在变异过程中为了保证种群的多样性，总保留固定比例的个体参加随机变异，不受另一个小种群的干扰；而另一个小种群则采取一种牺牲种群多样性但提升算法搜索能力的变异策略，并且变异个体部分来源于另一个小种群，是一种交叉性质的变异。
5.根据权利要求1所述的面向微电网综合能量管理的分层多目标优化方法，其特征在于，所述步骤(4)中储能是动态变化的，其基于微电网动态运行考虑，针对不同的储能需要针对其不同充放电倍率考虑其约束条件。
6.根据权利要求1所述的面向微电网综合能量管理的分层多目标优化方法，其特征在于，所述步骤(5)中的对所有个体进行Pareto非支配排序是以Pareto理论为基础进行的多目标非支配排序，而针对在同一支配层的个体为了保持种群的空间均匀分布，则运用空间分布思想来进行进一步排序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810053897.2A CN108334981B (zh) | 2018-01-19 | 2018-01-19 | 一种面向微电网综合能量管理的分层多目标优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810053897.2A CN108334981B (zh) | 2018-01-19 | 2018-01-19 | 一种面向微电网综合能量管理的分层多目标优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108334981A CN108334981A (zh) | 2018-07-27 |
| CN108334981B true CN108334981B (zh) | 2022-04-12 |
Family
ID=62925297
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810053897.2A Active CN108334981B (zh) | 2018-01-19 | 2018-01-19 | 一种面向微电网综合能量管理的分层多目标优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108334981B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116316894B (zh) * | 2023-03-29 | 2024-05-24 | 东华大学 | 一种基于鲁棒估计和双重进化的微电网电力调度优化方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103544655A (zh) * | 2013-10-18 | 2014-01-29 | 国家电网公司 | 一种含微电网的区域配电网分层优化方法 |
| CN103745268A (zh) * | 2013-10-29 | 2014-04-23 | 上海电力学院 | 含分布式电源的微电网多目标优化调度方法 |
| CN104065093A (zh) * | 2014-07-03 | 2014-09-24 | 东华大学 | 一种基于低通滤波的风储协调预测控制方法 |
| CN106410856A (zh) * | 2016-11-30 | 2017-02-15 | 国网山东省电力公司电力科学研究院 | 一种含分布式电源的配电网多目标优化调度方法 |
| CN106712114A (zh) * | 2017-02-24 | 2017-05-24 | 国网江苏省电力公司泗阳县供电公司 | 一种考虑环境效益的主动配电网能量分层优化调度方法 |
| CN107256441A (zh) * | 2017-06-02 | 2017-10-17 | 广东电网有限责任公司电网规划研究中心 | 基于非支配排序遗传算法的配电网规划建设方案设计方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9146547B2 (en) * | 2011-07-20 | 2015-09-29 | Nec Laboratories America, Inc. | Optimal energy management of a rural microgrid system using multi-objective optimization |
-
2018
- 2018-01-19 CN CN201810053897.2A patent/CN108334981B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103544655A (zh) * | 2013-10-18 | 2014-01-29 | 国家电网公司 | 一种含微电网的区域配电网分层优化方法 |
| CN103745268A (zh) * | 2013-10-29 | 2014-04-23 | 上海电力学院 | 含分布式电源的微电网多目标优化调度方法 |
| CN104065093A (zh) * | 2014-07-03 | 2014-09-24 | 东华大学 | 一种基于低通滤波的风储协调预测控制方法 |
| CN106410856A (zh) * | 2016-11-30 | 2017-02-15 | 国网山东省电力公司电力科学研究院 | 一种含分布式电源的配电网多目标优化调度方法 |
| CN106712114A (zh) * | 2017-02-24 | 2017-05-24 | 国网江苏省电力公司泗阳县供电公司 | 一种考虑环境效益的主动配电网能量分层优化调度方法 |
| CN107256441A (zh) * | 2017-06-02 | 2017-10-17 | 广东电网有限责任公司电网规划研究中心 | 基于非支配排序遗传算法的配电网规划建设方案设计方法 |
Non-Patent Citations (1)
| Title |
|---|
| 微电网多目标动态优化调度模型与方法;洪博文;《电力自动化设备》;20130331;第100-107页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108334981A (zh) | 2018-07-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109165788B (zh) | 一种冷热电联供系统的优化方法 | |
| Wang et al. | Demand side management of plug-in electric vehicles and coordinated unit commitment: A novel parallel competitive swarm optimization method | |
| CN110533225A (zh) | 一种基于机会约束规划的商业园区综合能源系统优化调度方法 | |
| CN107451686B (zh) | 考虑随机预测误差的遗传算法的微电网能源优化方法 | |
| CN110378548B (zh) | 一种电动汽车虚拟电厂多时间尺度响应能力评估模型构建方法 | |
| Kunya et al. | Review of economic dispatch in multi-area power system: State-of-the-art and future prospective | |
| CN113326467B (zh) | 基于多重不确定性的多站融合综合能源系统多目标优化方法、存储介质及优化系统 | |
| CN113783224A (zh) | 一种考虑多种分布式能源运行的配电网双层优化规划方法 | |
| CN110401189B (zh) | 退役动力电池群组的分层分组协同优化调度方法 | |
| CN111401604A (zh) | 电力系统负荷功率预测方法及储能电站功率分配方法 | |
| CN112365021A (zh) | 一种基于混合储能的区域综合能源系统规划优化方法 | |
| CN111668878A (zh) | 一种可再生微能源网的优化配置方法和系统 | |
| CN112418488B (zh) | 一种基于两阶段能量优化的综合能源系统调度方法及装置 | |
| CN111798121A (zh) | 一种面向电动汽车能源管理调度的分布式协同优化方法 | |
| Zhou et al. | Three-layer day-ahead scheduling for active distribution network by considering multiple stakeholders | |
| CN116488183A (zh) | 一种含分布式电源的配电网优化调度方法 | |
| Abedinia et al. | Synergizing efficient optimal energy hub design for multiple smart energy system players and electric vehicles | |
| CN112736953B (zh) | 一种带有多目标优化的风储系统储能容量配置设计方法 | |
| CN114462854A (zh) | 含新能源和电动汽车并网的分层调度方法及其系统 | |
| CN108334981B (zh) | 一种面向微电网综合能量管理的分层多目标优化方法 | |
| Taheri et al. | Improving operation indices of a micro-grid by battery energy storage using multi objective cuckoo search algorithm | |
| Zou et al. | A NSGA-II variant for the dynamic economic emission dispatch considering plug-in electric vehicles | |
| Shang et al. | Distributed V2G dispatching via LSTM network within cloud-edge collaboration framework | |
| Du et al. | A data-driven home energy scheduling strategy under the uncertainty in photovoltaic generations | |
| Zou et al. | An Improved Max-Min Game Theory Control of Fuel Cell and Battery Hybrid Energy System Against System Uncertainty |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |