CN108448649A - 一种基于自主学习群搜索算法的联合调度方法及系统 - Google Patents
一种基于自主学习群搜索算法的联合调度方法及系统 Download PDFInfo
- Publication number
- CN108448649A CN108448649A CN201810233168.5A CN201810233168A CN108448649A CN 108448649 A CN108448649 A CN 108448649A CN 201810233168 A CN201810233168 A CN 201810233168A CN 108448649 A CN108448649 A CN 108448649A
- Authority
- CN
- China
- Prior art keywords
- power supply
- supply system
- unit
- distribution model
- integrated distribution
- 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
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于自主学习群搜索算法的联合调度方法,所述方法包括:建立联合供电系统;确定所述联合供电系统的多个评估参数,以及所述多个评估参数的多个目标;根据所述评估参数的目标函数以及所述联合供电系统联合调度的约束条件,建立所述联合供电系统的联合调度模型;对所述联合调度模型进行求解,获取所述联合调度模型的解集;利用自主学习搜索算法,引用协方差矩阵优化搜索能力,对所述联合调度模型的解集进行优化,获取所述联合调度模型所述多个目标的优化解集。
Description
技术领域
本发明涉及电力系统技术领域,更具体地,涉及一种基于自主学习群搜索算法的联合调度方法及系统。
背景技术
随着电力系统规模的不断发展,最优潮流(Optimal Power Flow,简称OPF)计算作为一种离线分析工具或一种在线最优控制手段正在得到广泛应用。低碳经济作为一种新的能源发展观成为世界能源生产和发展的制约因素。在当今不断发展的电力市场中,人们越来越关注电力系统的碳排放量。中国能源结构以煤为主,火力发电行业是碳排放量的主体,面对低碳经济的发展模式,电力行业势必将成为CO2减排的主力军。然而,电力系统的经济性和碳排放量是相互矛盾的两个方面。因此,处理好电力系统的经济性和碳排放量这两方面的问题是电力系统在电力市场机制下面临的一个重要问题。
传统的最优潮流模型一般以单一的经济性为优化目标。常见的电力系统优化调度问题主要包含经典经济调度(负荷经济调度)和最优潮流(现代经济调度)。负荷经济调度是指电力系统旋转备用容量充足和负荷需求已知的情况下,合理分配各发电机组的有功出力,使系统发电的成本最小。由于负荷经济调度的确对电力系统节能做出了突出贡献,所以这一经典的经济调度方法得到了广泛的应用。然而这种方法只是关注发电机组和负荷这两种电力系统部件,没有考虑电网的安全性因素,给电力系统运行带来严重隐患。因此,法国学者J.Carpentier于本世纪60年代首次将节点电压约束、支路潮流约束等约束引入到经典经济调度中,提出了最优潮流问题数学模型,即同时考虑了经济性和安全性约束的优化调度方法。最优潮流具体是指通过调节电网参数(变压器变比,无功补偿装置等),发电机有功出力以及机端电压,在满足负荷需求和电力系统运行约束如潮流限制,电力设备物理特性约束),使得系统的发电成本最小。它是一个高维,高约束,复杂的优化问题,而且既包含连续变量,又含有离散变量,难以求解。
因此,需要一种技术,以实现一种基于自主学习群搜索算法的对电力进行联合调度。
发明内容
本发明提供了一种基于自主学习群搜索算法的联合调度方法及系统,以解决如何实现电力的联合调度的问题。
为了解决上述问题,本发明提供了一种基于自主学习群搜索算法的联合调度方法,所述方法包括:
建立联合供电系统;
确定所述联合供电系统的多个评估参数,以及所述多个评估参数的多个目标;
根据所述评估参数的目标函数以及所述联合供电系统联合调度的约束条件,建立所述联合供电系统的联合调度模型;
对所述联合调度模型进行求解,获取所述联合调度模型的解集;
利用自主学习搜索算法,引用协方差矩阵优化搜索能力,对所述联合调度模型的解集进行优化,获取所述联合调度模型所述多个目标的优化解集。
优选地,所述联合供电系统包括水电系统和火电系统。
优选地,所述联合供电系统的评估参数,包括:
煤耗、网损、排放和电网购电成本。
优选地,所述煤耗的目标函数为:
上式中,T为调度周期的个数;NGt为所述火电系统总个数;为第i台机组在时段t的有功出力;为第i台机组在时段t的费用方程,fcos t为煤耗的费用。
优选地,所述网损的目标函数为:
上式中,T为调度周期的个数;NE为联合供电系统输电线路的总支路数,gk为连接在母线i和母线j之间的传输线k之间的电导,Vi t、分别为时段t母线i和母线j电压的幅值,和分别为时段t母线i和母线j相角。
优选地,所述排放的目标函数为:
所述火电系统发出有功功率的同时,会排放出温室气体CO2气体及污染气体NOx、SO2,它们的排放量分别建模如下:
上式中,λ1i、λ2i和λ3i为用二次多项式表示的第i台机组的CO2排放系数;τ0i、τ1i、τ2i、∈i和ξi为用二次多项式和指数函数表示的第i台机组的NOx排放系数;τ3i、τ4i和τ5i为用二次多项式表示的第i台机组的SO2排放系数。
优选地,所述电网购电成本的目标函数为:
所述联合供电系统每小时的购电量为每台机组的购电单价则电网购电成本函数为:
优选地,所述根据所述评估参数的目标函数以及所述联合供电系统联合调度的约束条件,建立所述联合供电系统的联合调度模型,包括:
所述联合供电系统的联合调度模型如下式:
min[f1(x,y),f2(x,y),...,fM(x,y)]
s.t.h(x,y)=0
上式中,f1(x,y),f2(x,y),...,fM(x,y)为所述评估参数的目标函数,所述目标函数的其个数为M;h(x,y)为电力系统的潮流约束方程;g(x,y)表示联合供电系统的不等式运行约束;x为状态变量,y为控制变量。
优选地,所述利用自主学习搜索算法,引用协方差矩阵优化搜索能力,对所述联合调度模型的解集进行优化,获取所述联合调度模型所述多个目标的优化解集,包括:
通过自主学习建立自适应协方差矩阵;
利用所述自适应协方差矩阵确定进化的路径和步长,根据所述跟随者的搜索结果,获取所述联合调度模型所述多个目标的优化解集。
基于本发明的另一方面,提供一种基于自主学习群搜索算法的联合调度系统,所述系统包括:
建立单元,用于建立联合供电系统;
初始单元,用于确定所述联合供电系统的多个评估参数,以及所述多个评估参数的多个目标;
建模单元,用于根据所述评估参数的目标函数以及所述联合供电系统联合调度的约束条件,建立所述联合供电系统的联合调度模型;
计算单元,用于对所述联合调度模型进行求解,获取所述联合调度模型的解集;
优化单元,用于利用自主学习搜索算法,引用协方差矩阵优化搜索能力,对所述联合调度模型的解集进行优化,获取所述联合调度模型所述多个目标的优化解集。
优选地,所述联合供电系统包括水电系统和火电系统。
优选地,所述联合供电系统的评估参数,包括:
煤耗、网损、排放和电网购电成本。
优选地,所述煤耗的目标函数为:
上式中,T为调度周期的个数;NGt为所述火电系统总个数;为第i台机组在时段t的有功出力;为第i台机组在时段t的费用方程,fcost为煤耗的费用。
优选地,所述网损的目标函数为:
上式中,T为调度周期的个数;NE为联合供电系统输电线路的总支路数,gk为连接在母线i和母线j之间的传输线k之间的电导,Vi t、分别为时段t母线i和母线j电压的幅值,和分别为时段t母线i和母线j相角。
优选地,所述排放的目标函数为:
所述火电系统发出有功功率的同时,会排放出温室气体CO2气体及污染气体NOx、SO2,它们的排放量分别建模如下:
上式中,λ1i、λ2i和λ3i为用二次多项式表示的第i台机组的CO2排放系数;τ0i、τ1i、τ2i、∈i和ξi为用二次多项式和指数函数表示的第i台机组的NOx排放系数;τ3i、τ4i和τ5i为用二次多项式表示的第i台机组的SO2排放系数。
优选地,所述电网购电成本的目标函数为:
所述联合供电系统每小时的购电量为每台机组的购电单价则电网购电成本函数为:
优选地,所述建模单元用于所述根据所述评估参数的目标函数以及所述联合供电系统联合调度的约束条件,建立所述联合供电系统的联合调度模型,包括:
所述联合供电系统的联合调度模型如下式:
min[f1(x,y),f2(x,y),...,fM(x,y)]
s.t.h(x,y)=0
上式中,f1(x,y),f2(x,y),...,fM(x,y)为所述评估参数的目标函数,所述目标函数的其个数为M;h(x,y)为电力系统的潮流约束方程;g(x,y)表示联合供电系统的不等式运行约束;x为状态变量,y为控制变量。
优选地,所述利用自主学习搜索算法,引用协方差矩阵优化搜索能力,对所述联合调度模型的解集进行优化,获取所述联合调度模型所述多个目标的优化解集,包括:
通过自主学习建立自适应协方差矩阵;
利用所述自适应协方差矩阵确定进化的路径和步长,根据所述跟随者的搜索结果,获取所述联合调度模型所述多个目标的优化解集。
本发明技术方案提供一种基于自主学习群搜索算法的联合调度方法及系统,联合调度模型建立在最优潮流模型的基础上,依照当前节能环保的迫切需求和电力系统的实际情况,在原模型上考虑了水电系统和火电系统的机组群,并将原来的单一优化目标的发电成本扩大为包含煤耗、网损、排放以及电网购电成本的多目标,以及基于自主学习群搜索算法对模型的解集进行优化,从而建立了如下的考虑新能源的机组群联合调度多目标优化模型。本发明技术方案通过对联合调度模型进行求解,以及将求解的解集进行优化,以获得联合供电系统的最优联合调度方案。
附图说明
通过参考下面的附图,可以更为完整地理解本发明的示例性实施方式:
图1为根据本发明实施方式的一种基于自主学习群搜索算法的联合调度方法流程图;
图2为根据本发明优选实施方式的联合供电系统日负荷曲线图;
图3为根据本发明优选实施方式的抽水蓄能电站24小时对应的运行状态;
图4为根据本发明优选实施方式的两种方案对应的火电机组24小时的输出功率;
图5为根据本发明优选实施方式的两种方案对应的旋转备用容量;
图6为根据本发明优选实施方式的水电水库容量示意图;
图7为根据本发明优选实施方式的SLGSO,GSO和SPSO算法的成本收敛曲线;以及
图8为根据本发明优选实施方式的基于自主学习群搜索算法的联合调度系统结构示意图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式,然而,本发明可以用许多不同的形式来实施,并且不局限于此处描述的实施例,提供这些实施例是为了详尽地且完全地公开本发明,并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中,相同的单元/元件使用相同的附图标记。
除非另有说明,此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外,可以理解的是,以通常使用的词典限定的术语,应当被理解为与其相关领域的语境具有一致的含义,而不应该被理解为理想化的或过于正式的意义。
图1为根据本发明实施方式的一种基于自主学习群搜索算法的联合调度方法流程图。本申请提供的一种基于自主学习群搜索算法的联合调度方法,联合调度模型建立在最优潮流模型的基础上,依照当前节能环保的迫切需求和电力系统的实际情况,在原模型上考虑了水电系统和火电系统的机组群,并将原来的单一优化目标的发电成本扩大为包含煤耗、网损、排放以及电网购电成本的多目标,以及基于自主学习群搜索算法对模型的解集进行优化,从而建立了如下的考虑新能源的机组群联合调度多目标优化模型。本申请通过对联合调度模型进行求解,以及将求解的解集进行优化,以获得联合供电系统的最优联合调度方案。如图1所示,一种基于自主学习群搜索算法的联合调度方法100包括:
优选地,在步骤101:建立联合供电系统。优选地,联合供电系统包括水电系统和火电系统。本申请,首先在搜索空间随机初始化排水率应用SLGSO算出系统中所有水电机组的最优出力。注意到如果排水率则意味着相应的水电机组处于抽水模式;反之则处于发电模式,最后计算所需的总的火电出力。
优选地,在步骤102:确定联合供电系统的多个评估参数,以及多个评估参数的多个目标。优选地,联合供电系统的评估参数,包括:煤耗、网损、排放和电网购电成本。本申请利用煤耗、网损、排放和购电成本进行联合供电系统中多目标调度优化方法。
优选地,在步骤103:根据评估参数的目标函数以及联合供电系统联合调度的约束条件,建立联合供电系统的联合调度模型。
优选地,煤耗的目标函数为:
上式中,T为调度周期的个数;NGt为火电系统总个数;为第i台机组在时段t的有功出力;为第i台机组在时段t的费用方程,fcost为煤耗的费用。
优选地,网损的目标函数为:
上式中,T为调度周期的个数;NE为联合供电系统输电线路的总支路数,gk为连接在母线i和母线j之间的传输线k之间的电导,Vi t、分别为时段t母线i和母线j电压的幅值,和分别为时段t母线i和母线j相角。
优选地,排放的目标函数为:
火电系统发出有功功率的同时,会排放出温室气体CO2气体及污染气体NOx、SO2,它们的排放量分别建模如下:
上式中,λ1i、λ2i和λ3i为用二次多项式表示的第i台机组的CO2排放系数;τ0i、τ1i、τ2i、∈i和ξi为用二次多项式和指数函数表示的第i台机组的NOx排放系数;τ3i、τ4i和τ5i为用二次多项式表示的第i台机组的SO2排放系数。
优选地,电网购电成本的目标函数为:
联合供电系统每小时的购电量为每台机组的购电单价则电网购电成本函数为:
优选地,根据评估参数的目标函数以及联合供电系统联合调度的约束条件,建立联合供电系统的联合调度模型,包括:
联合供电系统的联合调度模型如下式:
min[f1(x,y),f2(x,y),...,fM(x,y)]
s.t.h(x,y)=0
上式中,f1(x,y),f2(x,y),...,fM(x,y)为评估参数的目标函数,目标函数的其个数为M;h(x,y)为电力系统的潮流约束方程;g(x,y)表示联合供电系统的不等式运行约束;x为状态变量,y为控制变量。
优选地,在步骤104:对联合调度模型进行求解,获取联合调度模型的解集。
优选地,在步骤105:利用自主学习搜索算法,引用协方差矩阵优化搜索能力,对联合调度模型的解集进行优化,获取联合调度模型多个目标的优化解集。
优选地,利用自主学习搜索算法,引用协方差矩阵优化搜索能力,对联合调度模型的解集进行优化,获取联合调度模型多个目标的优化解集,包括:
通过自主学习建立自适应协方差矩阵;
利用自适应协方差矩阵确定进化的路径和步长,根据跟随者的搜索结果,获取联合调度模型多个目标的优化解集。
本申请自主学习群搜索算法,提出基于群搜素算法的自主学习群搜索算法(SLGSO),引入协方差矩阵和莱维漫步提高算法的局部搜索能力和全局搜索能力。对以运行经济效益最优为目标、满足火电机组和抽水蓄能电站运行约束的最优化模型,为求得该模型的优化解,获得更高的计算效益和计算精度。
本申请中,领头者、跟随者和逃逸者三者之间的角色可以相互转换。领头者的领袖气质使其不断发现更为丰富的领地,跟随者总是跟随领头者进行局部搜索,开发这一丰富领地。而逃逸者的随机搜索不断开发“新大陆”,保证了群体搜索算法的全局收敛性。本申请对不同种群的搜索策略详细介绍如下:
领头者搜索策略,使用一种基于动物觅食的扫描机制来随机探寻三个点,即前看、左看和右看:
上式中,是一个均值为0、标准差为1的正态分布随机数;为在(0,1)间均匀分布的随机序列;为搜索角度,搜索方向为单位向量,将搜索角度从极坐标转换到笛卡尔坐标即可得到搜索方向
若找到更优的位置则领头者转移到该位置上,否则保持原位置不变,并按照下式将头转到一个新的随机方向:
式中,为最大搜索转角。
若领头者经过a次迭代后仍没有找到更好的位置,则其搜索角度重新变为
本申请采用自适应协方差的跟随者行为,在本申请中,通过累积学习各代群成员获得的信息建立自适应协方差矩阵,并应用该矩阵获得对跟随者进化路径及步长的可靠预测。跟随者主要执行以下三个步骤:1)跟随者基于它们的适宜度将种群划分为精英群体和劣势群体,而后通过指数权重将精英种群成员获得信息转化为均值向量m;2)协方差矩阵C通过均值向量来更新,它的作用是获得一个决定进化路径和步长的预测器;3)根据预测的进化路径和步长更新跟随者得到子代个体。
第k代个体的子代由下式产生:
式中表示一个均值为0且具有单位协方差矩阵的多变量正态分布,σ>0为步长,λ为跟随者数目,上标g(g=0,1,2,…)表示进化代数。
通过在中选出μ个成功的个体,并将它们进行加权平均得到搜索分布均值向量m(g+1):
其中,p表示种群数目,μ表示从精英群体中选出个体的数目。应用下式得到复合权重:
其中,
ω’i=ln(p/2+0.5)-lni,(i=1,…,μ),为中第i个最好的个体。
使用均值向量m(g+1)来更新协方差矩阵C(g):
式中,
其中为进化路径,且有cc,c1和cμ的值如下所示:
其中αμ=2。
步长σ的更新方程给出如下:
其中为共轭进化路径,且有
本申请中,游荡者行为是除去领头者和跟随者,其余为游荡者。在原始GSO中,游荡者到处游荡,随机选择搜索步长和角度移动到一个新的位置。而在MGSO-ACL中引用了一种叫做莱维漫步的搜索方式取代游荡者采取的自由搜索策略,第i个游荡者的步长由下式随机决定:
式中u=φrandn(n),v=randn(n),β=1.50,n为变量的数目。函数randn(n)产生一个在[1,n]之间均匀分布的随机整数,φ由下式计算得到:
其中的Γ是指伽马函数(gamma function)。
因此,游荡者依照下面的方向移动到新的位置:
本申请基于自主学习群搜索算法的联合调度优化仿真算例分析,采用SLGSO求解含抽水蓄能电站的联合调度优化问题的流程总结如下:
首先在搜索空间随机初始化排水率应用SLGSO算出系统中所有水电机组的最优出力。注意到如果排水率则意味着相应的水电机组处于抽水模式;反之则处于发电模式。然后根据公式(5)计算所需的总的火电出力。
在第二步中决定各火电机组的状态和出力。使用优先顺序表来决定调度周期每小时里机组是否被启用。使用优先顺序表得到的机组组合计划上是基于发电成本率GCR的,GCR定义如下:
式中,dFi t(Pi t)为时段t机组i煤耗成本方程的一阶导数。基于GCRi的优先指数建立机组的优先顺序表,其中GCRi值小的机组具有高的优先权。
在这个步骤中,机组被初始组合以满足功率平衡和旋转备用要求。基于优先顺序表将具有高优先级的机组置于直到24小时周期内的功率平衡和旋转备用均得到满足。
一般来说,初始的机组安排不能满足最小开机时间和最小关机时间限制。因此,需要调整初始机组安排来避免最小开/关时间约束冲突。机组i截止到时段t的开/关时间可由以下两式计算:
在使用上述步骤调整机组安排后,时间尺度上的约束得到了满足。然而,重新安排机组可能会导致发电量不足或过多的情况,所以很有必要检验这些冲突并通过启动更多高优先级机组或是关掉不必要的机组。
本申请在实施以上步骤后,各火电机组在24小时周期内的状态得到了安排。随后,使用SLGSO调度周期内优化所有火电机组的出力,目标是在满足火电机组的边界约束下最小化总成本。
为验证抽水蓄能电站对电力系统运行的实际效益,本申请在案例一中考虑抽水蓄能电站以及不考虑抽水蓄能电站,优化各系统的日调度方案,对比系统运行成本,分析抽水蓄能电站对系统调度的影响。本申请为验证提出的自主学习群搜索算法求解含抽水蓄能电站的机组组合问题的效率,在案例二采用不同的算法求解该问题,对比分析不同优化算法的计算效率和计算精度。
本申请考虑到实际电力系统的调度中,抽水蓄能电站发挥调峰调频的作用,结合实际的调度情况,本案例将在一个水火电系统,40台火电机组中加入四个容量为150MW的抽水蓄能电站,进行24小时的日优化调度,优化调度过程中考虑让抽水蓄能电站在低负荷期蓄能,在高负荷期发电,且让其优先于火电机组发电。案例一中分别在系统中考虑抽水蓄能电站(方案一)以及不考虑抽水蓄能电站(方案二),优化各系统的日调度方案,对比系统运行成本,分析抽水蓄能电站对系统调度的影响。
在本案例中,系统有40台火电机组,其中火电机组单台额定出力最大值为455MW,额定出力最小值为55MW。系统最大出力为6648MW,最小出力为1760MW。各机组的煤耗率各不相同,因此机组不同的运行状态将影响整个系统的运行成本。系统日负荷曲线如图2所示。
由日负荷曲线可以看到,该系统负荷变化满足“两峰三谷”的变化趋势:晚上24点到次日凌晨6点负荷较低,是负荷低谷期;而白天8~12点、17~22点用电较多,是负荷高峰期。该系统最大负荷为6000MW,最小负荷为2800MW,峰谷差值达到3200MW。对比系统的最大出力可以看出,在负荷高峰期系统运行的总负荷率达到90.25%;在负荷低谷时期系统运行的总负荷率仅为42.12%。这说明系统在负荷高峰期全部机组将投入运行,而在负荷低谷期则应考虑在满足系统在线旋转备用要求的前提下,停运其中煤耗率高的机组,以达到系统的运行成本最低。因此,本案例计算的优化调度方案为考虑机组启停机的调度方案。
表中总结了40机系统分别在方案一和方案二下优化调度的启停机费用、煤耗成本以及总成本。可以看出,由于抽水蓄能电站的加入,系统的启停机费用降低,火电机组的煤耗成本也降低,因而最终系统运行的总成本可降低3.81%。
40机系统两种方案成本对比
表4-1
图3为抽水蓄能电站24小时对应的运行状态。由图可以看出,在低负荷时,抽水蓄能电站的输出功率为负功率,即抽水蓄能电站吸收功率用于抽水;在高负荷时,抽水蓄能电站的输出功率为正功率,即抽水蓄能电站输出功率用于平衡负荷需求。抽水蓄能电站使用的是晚上电能,而在白天用电高峰期发电,结合考虑峰谷梯度电价,因此,合理调度抽水蓄能电站,可为系统运行带来的经济效益。
图4为方案一和方案二对应的火电机组24小时的出力状态。由图可以看出,由于抽水蓄能电站的加入,系统火电机组的在24小时内的出力变得更加平缓,出力的峰谷差减小,这是因为抽水蓄能电站发挥了削峰填谷的作用,在负荷高峰期为火电机组分担系统负荷需求,在负荷低谷期利用系统多余的旋转备用容量进行抽水蓄能。结合图5可以看到,抽水蓄能电站的加入,可减少系统在低峰期的旋转备用容量,增加系统在高峰期的旋转备用容量,这将有利于维护系统的稳定性。
方案二算例说明:为了验证我们所提出方法的适用性和有效性,分别在两个典型的水电火电联合系统测试SLGSO。测试系统具有4台水电机组和1台等效的火电机组。这个测试系统由两个子系统组成:水电子系统和火电子系统。在水电子系统中,位于河流中的多链梯级水力发电厂可以代表现实中大多数复杂水电网络。在连续水库间的天然流入水、河流流动延迟,以及多水源也被考虑进去了。在火电子系统中,可能由几个机组组成的火力发电厂的特性可以由一个等效的火电机组表示。为了公平起见,我们的算例采用和对比文献一样的参数。
SLGSO的参数设置如下:
θmax=π/a2,αmax=θmax/2,
游荡者的比例取为30%,种群规模定为100。在SLGSO中包含以上参数,而且这些参数与使用在GSO中的参数表现出相同的性能。如此一来,SLGSO的可调参数也为种群规模和游荡者比例。种群规模的值分别从集合{30,50,100,150,200,250,300}中选择,游荡者比例以10%的步长从0升到100%。对于上面所有的参数设置,SLGSO的性能都被独立评估30次。因此我们基于试验来给出适合本项目所提出问题的最优参数。
算例中含有四个梯级水电站及一个等效火电站。在24小时调度周期中同时考虑到等效火电厂计及阀点效应与不计及阀点效应的情况。应用SLGSO求解该测试系统的HTUC问题,将获得的结果陈述如下:
在最优调度计划结果下每小时的水电水库容量如图6所示。可以看出由SLGSO计算得到的仿真结果满足所有的约束条件。
40机系统两种方案成本对比
表4-2
为了验证SLGSO的效果,将所得到的最好煤耗成本、最差煤耗成本以及平均煤耗成本统计。在该算例中SLGSO使用不同的随机初始种群进行了30次独立试验来优化不考虑阀点效应的煤耗成本。表4-2中的煤耗成本与BCGA,CEP,DRQEA,EGA,SPPSO,TLBO得到的结果进行了比较。尽管SLGSO得到的最优解并不能保证为全局最优解,但是相比于现有算法SLGSO依然表现出了优越性。如表4-2所示,我们提出算法在30次独立试验中得到的最优煤耗成本为$920423.15,是所列算法中最好的。而且,我们的算法在30次独立试验中最差值和平均值也表现出了最好的统计特性。同时,图7给出了SLGSO,GSO和SPSO收敛过程的比较。可以明显的看出SLGSO算法可以有效地避免早熟并且和另外两个算法相比收敛更快速。
本申请中,还可以对联合调度模型进行优化。例如,对目标函数的设定。本申请选取煤耗、网损、排放以及电网购电成本作为上述调度模型的目标函数。
(1)煤耗
该目标函数与机组的有功出力有关,可建模如下:
式中,T为调度周期的个数;NGt为火力发电机组总个数;为第i台机组在时段t的有功出力;为第i台机组在时段t的费用方程。通常有两种模型来表示该费用方程与有功出力之间的关系:一种是光滑的二次费用方程,另一种是非光滑的费用方程。
经典的二次费用方程可用下式表示:
式中,ai、bi和ci为用二次多项式表示的第i台机组的煤耗系数,与拟合曲线即费用方程的形状有关,在机组热运行阶段通过测试获得。
而在实际系统中,在汽轮机进汽阀突然开启时会发生拔丝现象,为了使模型更能反映实际,应考虑该阀点效应,实验证明需在原耗量特性曲线上叠加一个正弦脉动曲线。修正后的费用方程为:
式中,ei和fi为第i台机组费用方程的阀点效应系数。
(2)网损
电力系统网络损耗,本申请中简称为网损,是指为满足负荷用电需求,电网传输电功率在输电线路上以热能形式散发的功率损失,即为电阻元件、效电抗和并联导纳消耗的有功功率。在电网运行中,调度员要尽量减少总网损。传输线的总网损可通过母线电压幅值和相角计算得出,具体表达式如下:
式中,NE为电力网络输电线路的总支路数,gk为连接在母线i和母线j之间的传输线k之间的电导,Vi t,和分别为时段t母线i和母线j电压的幅值与相角。
(3)排放
电力系统发电机组发出有功功率的同时,会排放出温室气体CO2气体及污染气体NOx、SO2,它们的排放量分别建模如下:
式中,λ1i、λ2i和λ3i为用二次多项式表示的第i台机组的CO2排放系数;τ0i、τ1i、τ2i、∈i和ξi为用二次多项式和指数函数表示的第i台机组的NOx排放系数;τ3i、τ4i和τ5i为用二次多项式表示的第i台机组的SO2排放系数。
电网购电成本
根据国家相关政策,火电机组发电计划安排中,必须优先安排有保安负荷火电厂的发电量;供热机组按“以热定电”原则安排计划;余热发电和综合利用机组要按国家有关规定执行;自备电厂发电机组年平均利用小时也要按公用电厂的平均利用小时水平安排。
在当前的市场环境下,发电企业为多个市场主体,国家及地方政府主要从兼顾各发电企业的利益出发,考虑各发电企业的发电计划,要求电网企业在安排机组年度发电量尤其是火电机组发电量时,必须按同类型机组利用小时相当的原则安排相关发电企业的发电量,并从“三公”调度的高度要求并监督电网企业严格执行年度发电量计划。
目前,电网企业对各发电企业发电计划的安排是建立在各地区年度负荷预测基础上的。在现行发电计划编制原则下,电网企业优化购电成本的空间仅限于发电计划与实际发电量间的差值。
假设全网每台机组每小时的购电量为每台机组的购电单价则电网购电成本函数为:
本申请中考虑新能源的机组群联合调度的约束条件:
(1)功率平衡约束
该等式约束表示为下列的潮流方程组:
其中,分别为时段t节点i上的有功和无功输入,包含火电机组有功无功抽水蓄能机组有功暂不考虑抽水蓄能机组的无功,以及风电机组的有功无功 分别为时段t节点i上的有功和无功负荷;Vi t和分别为时段t节点i上和节点j上的电压幅值;是时段t节点i上和节点j上的电压相角差;Gij和Bij分别为电力系统节点i上和节点j之间的电导和电纳;Ni是与节点i相连的节点集合。
抽水蓄能机组有功出力为关于排水率和水库存储容量的二次函数:
其中,c1i,c2i,c3i,c4i,c5i和c6i为水电机组i的有功输出系数;为t时段水电机组i的水库存储容量;为t时段水电机组i的排水率。
这里,简要给出风机有功输出与实际风速的关系,一般符合以下表达式:
其中,
这里,是风机的有功输出,vi,vci,vra,vco分别是实际风速、切入风速,
额定风速和切出风速,Pra是风机的额定有功输出。
所以,从上述表达式我们可以看出:(1)当实际风速低于切入风速时,风机无法启动,因此其无有功输出功率;(2)当实际风速高于切入风速并且低于额定风速时,风机有功输出与实际风速的立方成线性变化关系,斜率为正数;(3)当实际风速大于额定风速并且小于切出风速时,风机按额定功率输出;(4)当实际风速大于切出风速时,风机停止工作,输出为0。因此可以总结,由于风速的不确定,导致风机输出的有功功率也是一个不确定性变量。
风电场并入电网后,不仅要考虑其输出有功功率,也要及其无功功率对电力系统潮流计算的影响。风电场的无功输出主要由风机的运行条件决定,表达式如下:
其中,为发电机机端电压,Xc为电容电抗,Xm为磁化电抗,X为发电机定转子漏抗和。
(2)发电机出力约束
火电及水电发电机组的有功出力均需限制在上下限内,
式中,和分别是火电机组i的最小和最大有功出力,和分别是火电机组i的最小和最大无功出力。和分别是水电机组i的最小和最大有功出力,和分别是水电机组i的最小和最大无功出力。为风电机组i的最小有功出力,为风速为vi时的风电机组i的有功出力,为风力出力的上限。
(3)爬坡率约束
式中,和分别为火电机组i的上爬坡极限和下爬坡极限。
(4)水利约束
式中,为t时段水电机组j流入量(m3/h),为t时段水电机组j溢出量(m3/h)。qmin,j和qmax,j分别为水电机组j排水率的最小值和最大值,Cmin,j和Cmax,j分别为水电机组j水库存储容量的最小值和最大值。
(5)无功补偿装置出力上下限约束
式中,和分别是第n台无功补偿装置功率的最小和最大输出。
(6)变压器变比调整范围约束
Tmin,m≤Tm≤Tmax,m
式中,Tmin,m和Tmax,m分别是第m台电力变压器的最小和最大变比。
(7)节点电压上下限约束
Vmin,j≤Vj≤Vmax,j
式中,Vmin,j和Vmax,j分别是电力系统第j个节点上电压最小和最大运行要求。
(8)线路通过的视在功率约束
|Sk|≤Smax,k
式中,Sk为电力系统第k条线路传输的视在功率,Smax,k是相应的最大功率限制。
本申请中模型的数学转换与等效简化处理,包括:线路直流网络损耗和直流潮流模型。
设节点i和节点j之间的线路l的等值电路可以通过电阻rij和电抗xij描述,线路的阻抗Zij=rij+jxij。记线路的阻抗角为θij,节点i和节点j的电压幅值分别为Vi和Vj,相应的电压相角为δi和δj,两者的相角差为≈Δδij,则节点i和节点j之间的有功功率如下所示:
高压电网在正常运行时,线路两端电压幅值的标幺值近似为1,则线路l的有功损耗可以表示为:
高压电网在正常运行时,线路两端的电压相角差很小,可以通过泰勒公式近似表示上式中的余弦函数,如下所示:
线路l的有功损耗可以近似表示为:
将线路l两端的有功功率相减,可得:
由于在高压电网中,rij=xij,因此在高压电网正常运行时,线路两端的电压相角差一般很小,此时sin≈Δδij≈Δδij。相应地,可以得到网络直流潮流约束:
本申请考虑直流网络损耗的动态调度数学模型,在考虑直流网络损耗的电力系统动态调度模型中,本申请主要以发电煤耗、污染物排放、电网网损或购电成本作为目标函数。
当目标函数为最小化发电煤耗、污染物排放或购电成本时,目标函数如下所示:
式中的Fi(Pi,t)为第i台机组在第t时段的发电煤耗、污染物排放或购电成本,可以通过线性函数、二次函数、分段线性函数或带正弦项的二次函数表示。值得注意的是,电网购电成本为调度期间内单位电量的购电价格与总购电量乘积之和,因此电网的总购电成本可以表示为各台机组发电量的函数。
当目标函数为最小化电网网损时,目标函数如下所示:
在考虑直流网络损耗的电力系统动态调度模型中,需要满足以下约束:
1)功率平衡约束:对于每一个节点,涉及的有功功率包括三部分,包括该节点的发电机组的注入有功功率、与该节点有连接关系的线路的流出功率和该节点的负荷需求,如下所示:
式中Λi、Θi和Ωi分别表示连接到节点i的发电机组、节点和负荷的集合;Pg,t为第t时段发电机组g的出力;为第t时段从线路l的节点i到节点r的有功功率;为第t时段负荷s的有功功率;NB为节点的数量。
2)机组功率输出约束:在每个调度时段中,每台机组都必须运行在机组的出力下界和出力上界之间,如下所示:
Pi,min≤Pi,t≤Pi,max i=1,2,…,N;t=1,2,…,T
3)机组爬坡约束:由于机组增加出力或减少出力受到机组本身的性能限制,因此在不同调度时段之间,机组的出力需要满足以下约束:
4)直流潮流约束:直流网络损耗的引入,必然会对网络的潮流分布产生影响,因此在考虑直流网络损耗的电力系统动态经济调度模型中需要增加如下约束:
5)线路传输容量约束:在实际应用中,每条线路传输的有功功率受到其设计容量的限制,当线路的传输容量超出其限值时,容易出现热稳定、线路老化等问题,因此应使线路的传输功率限制在合理的区间内,如下所示:
式中为线路l的传输容量的限值;NL为线路的总数量。
6)线路损耗约束:
在考虑直流网络损耗的电力系统动态经济调度模型中,除了要求满足上述约束外,需要选定其中一个节点作为参考节点,并设定参考节点的电压相角为零。
本申请还包括对模型特性分析,在考虑直流网络损耗的电力系统动态调度模型中,当目标函数为最小化考虑阀点效应的机组发电煤耗时,由于某些火电机组的发电煤耗曲线存在不可微分点,因此传统的数学规划式方法无法直接求解上述模型。当目标函数为最小化火电机组的污染物排放时,污染物排放曲线中的指数项也会给常规的数学优化方法带来困难。
在考虑直流网络损耗的动态调度数学模型中,除了线路损耗约束外,其他所有约束都为线性约束。若能将线路损耗约束转化为线性约束或其他具有凸特性的约束,则原问题可以化为一个凸优化问题,从而得到唯一的最优解。由于线路损耗约束为一个二次等式约束,因此常用的方法是将线路损耗约束线性化,使该约束化为一个混合整数形式的线性等式约束,从而将原问题转化为混合整数线性或二次规划问题。但是,该分段线性化方法的效率和计算精度往往受到线性分段数量的影响。与上述通过静态线性化处理线路损耗的方式不同,动态分段线性化方法通过动态迭代的方式修正二次线路损耗,从而有效提高了计算精度。但是,该动态方法在优化的过程中,为了保证在负节点边际成本出现时能够有效限制线路损耗约束的违反量,该方法需要增加额外的线性约束。为了应对上述动态分段线性化方法中存在的问题,基于惩罚方式的二次约束二次规划方法将线路损耗约束化为凸二次不等式约束,在优化过程中,对于不满足等式的线路损耗约束,通过惩罚的方式将相应的线路损耗添加到目标函数中。该方法能够大大提高对线路损耗的求解精度,但该方法在迭代的过程中,无法预知需要迭代的次数,而且在出现负节点边际成本的情况下,惩罚的方式可能使得部分线路损耗约束的违反量较大。
在本项目的电力系统多目标调度模型中,主要考虑的目标包括煤耗、网损、排放和购电成本。在实际的电力系统调度中,无论不同的目标之间是否存在较为密切的关系,都可以通过加权的方式处理不同的目标。针对只有两个目标的电力系统调度模型,可以对其中一个目标进行折算,将多目标优化模型化为单目标优化模型。此种方式操作简单,且符合实际应用,因此广泛用于实际工程中。本项目从折算的角度出发,根据不同目标的权重,将多目标问题化为单目标问题,从而降低原多目标优化模型的求解复杂度。值得注意的是,本项目提出的多目标优化算法将多目标问题化为单目标问题后,能够较大程度利用前述的混合整数二次约束二次规划电力系统动态调度方法对单目标问题进行求解,因而针对考虑煤耗、网损、排放和购电成本的电力系统多目标调度优化方法,本项目的研究重点为如何将多目标问题转化为单目标问题。下面给出了基于权重的方法将电力系统多目标优化问题转化为单目标优化问题。
图8为根据本发明优选实施方式的基于自主学习群搜索算法的联合调度系统结构示意图。如图8所示,本申请提供一种基于自主学习群搜索算法的联合调度系统800,包括:
建立单元801,用于建立联合供电系统。优选地,联合供电系统包括水电系统和火电系统。
初始单元802,用于确定联合供电系统的多个评估参数,以及多个评估参数的多个目标。优选地,联合供电系统的评估参数,包括:煤耗、网损、排放和电网购电成本。
优选地,煤耗的目标函数为:
上式中,T为调度周期的个数;NGt为火电系统总个数;为第i台机组在时段t的有功出力;为第i台机组在时段t的费用方程,fcos t为煤耗的费用。
优选地,网损的目标函数为:
上式中,T为调度周期的个数;NE为联合供电系统输电线路的总支路数,gk为连接在母线i和母线j之间的传输线k之间的电导,Vi t、分别为时段t母线i和母线j电压的幅值,和分别为时段t母线i和母线j相角。
优选地,排放的目标函数为:
火电系统发出有功功率的同时,会排放出温室气体CO2气体及污染气体NOx、SO2,它们的排放量分别建模如下:
上式中,λ1i、λ2i和λ3i为用二次多项式表示的第i台机组的CO2排放系数;τ0i、x1i、τ2i、∈i和ξi为用二次多项式和指数函数表示的第i台机组的NOx排放系数;τ3i、τ4i和τ5i为用二次多项式表示的第i台机组的SO2排放系数。
优选地,电网购电成本的目标函数为:
联合供电系统每小时的购电量为每台机组的购电单价则电网购电成本函数为:
建模单元803,用于根据评估参数的目标函数以及联合供电系统联合调度的约束条件,建立联合供电系统的联合调度模型。优选地,建模单元803用于根据评估参数的目标函数以及联合供电系统联合调度的约束条件,建立联合供电系统的联合调度模型,包括:
联合供电系统的联合调度模型如下式:
min[f1(x,y),f2(x,y),...,fM(x,y)]
s.t.h(x,y)=0
上式中,f1(x,y),f2(x,y),...,fM(x,y)为评估参数的目标函数,目标函数的其个数为M;h(x,y)为电力系统的潮流约束方程;g(x,y)表示联合供电系统的不等式运行约束;x为状态变量,y为控制变量。
计算单元804,用于对联合调度模型进行求解,获取联合调度模型的解集。
优化单元805,用于利用自主学习搜索算法,引用协方差矩阵优化搜索能力,对联合调度模型的解集进行优化,获取联合调度模型多个目标的优化解集。优选地,利用自主学习搜索算法,引用协方差矩阵优化搜索能力,对联合调度模型的解集进行优化,获取联合调度模型多个目标的优化解集,包括:
通过自主学习建立自适应协方差矩阵;
利用自适应协方差矩阵确定进化的路径和步长,根据跟随者的搜索结果,获取联合调度模型多个目标的优化解集。
已经通过参考少量实施方式描述了本发明。然而,本领域技术人员所公知的,正如附带的专利权利要求所限定的,除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
通常地,在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释,除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例,除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行,除非明确地说明。
Claims (18)
1.一种基于自主学习群搜索算法的联合调度方法,所述方法包括:
建立联合供电系统;
确定所述联合供电系统的多个评估参数,以及所述多个评估参数的多个目标;
根据所述评估参数的目标函数以及所述联合供电系统联合调度的约束条件,建立所述联合供电系统的联合调度模型;
对所述联合调度模型进行求解,获取所述联合调度模型的解集;
利用自主学习搜索算法,引用协方差矩阵优化搜索能力,对所述联合调度模型的解集进行优化,获取所述联合调度模型所述多个目标的优化解集。
2.根据权利要求1所述的方法,所述联合供电系统包括水电系统和火电系统。
3.根据权利要求2所述的方法,所述联合供电系统的评估参数,包括:
煤耗、网损、排放和电网购电成本。
4.根据权利要求3所述的方法,所述煤耗的目标函数为:
上式中,T为调度周期的个数;NGt为所述火电系统总个数;为第i台机组在时段t的有功出力;为第i台机组在时段t的费用方程,fcost为煤耗的费用。
5.根据权利要求3所述的方法,所述网损的目标函数为:
上式中,T为调度周期的个数;NE为联合供电系统输电线路的总支路数,gk为连接在母线i和母线j之间的传输线k之间的电导,Vi t、分别为时段t母线i和母线j电压的幅值,和分别为时段t母线i和母线j相角。
6.根据权利要求3所述的方法,所述排放的目标函数为:
所述火电系统发出有功功率的同时,会排放出温室气体CO2气体及污染气体NOx、SO2,它们的排放量分别建模如下:
上式中,λ1i、λ2i和λ3i为用二次多项式表示的第i台机组的CO2排放系数;τ0i、τ1i、τ2i、∈i和ξi为用二次多项式和指数函数表示的第i台机组的NOx排放系数;τ3i、τ4i和τ5i为用二次多项式表示的第i台机组的SO2排放系数。
7.根据权利要求3所述的方法,所述电网购电成本的目标函数为:
所述联合供电系统每小时的购电量为每台机组的购电单价则电网购电成本函数为:
8.根据权利要求1所述的方法,所述根据所述评估参数的目标函数以及所述联合供电系统联合调度的约束条件,建立所述联合供电系统的联合调度模型,包括:
所述联合供电系统的联合调度模型如下式:
min[f1(x,y),f2(x,y),...,fM(x,y)]
s.t.h(x,y)=0
上式中,f1(x,y),f2(x,y),...,fM(x,y)为所述评估参数的目标函数,所述目标函数的其个数为M;h(x,y)为电力系统的潮流约束方程;g(x,y)表示联合供电系统的不等式运行约束;x为状态变量,y为控制变量。
9.根据权利要求1所述的方法,所述利用自主学习搜索算法,引用协方差矩阵优化搜索能力,对所述联合调度模型的解集进行优化,获取所述联合调度模型所述多个目标的优化解集,包括:
通过自主学习建立自适应协方差矩阵;
利用所述自适应协方差矩阵确定进化的路径和步长,根据所述跟随者的搜索结果,获取所述联合调度模型所述多个目标的优化解集。
10.一种基于自主学习群搜索算法的联合调度系统,所述系统包括:
建立单元,用于建立联合供电系统;
初始单元,用于确定所述联合供电系统的多个评估参数,以及所述多个评估参数的多个目标;
建模单元,用于根据所述评估参数的目标函数以及所述联合供电系统联合调度的约束条件,建立所述联合供电系统的联合调度模型;
计算单元,用于对所述联合调度模型进行求解,获取所述联合调度模型的解集;
优化单元,用于利用自主学习搜索算法,引用协方差矩阵优化搜索能力,对所述联合调度模型的解集进行优化,获取所述联合调度模型所述多个目标的优化解集。
11.根据权利要求10所述的系统,所述联合供电系统包括水电系统和火电系统。
12.根据权利要求11所述的系统,所述联合供电系统的评估参数,包括:
煤耗、网损、排放和电网购电成本。
13.根据权利要求12所述的系统,所述煤耗的目标函数为:
上式中,T为调度周期的个数;NGt为所述火电系统总个数;为第i台机组在时段t的有功出力;为第i台机组在时段t的费用方程,fcost为煤耗的费用。
14.根据权利要求12所述的系统,所述网损的目标函数为:
上式中,T为调度周期的个数;NE为联合供电系统输电线路的总支路数,gk为连接在母线i和母线j之间的传输线k之间的电导,Vi t、分别为时段t母线i和母线j电压的幅值,和分别为时段t母线i和母线j相角。
15.根据权利要求12所述的系统,所述排放的目标函数为:
所述火电系统发出有功功率的同时,会排放出温室气体CO2气体及污染气体NOx、SO2,它们的排放量分别建模如下:
上式中,λ1i、λ2i和λ3i为用二次多项式表示的第i台机组的CO2排放系数;τ0i、τ1i、τ2i、∈i和ξi为用二次多项式和指数函数表示的第i台机组的NOx排放系数;τ3i、τ4i和τ5i为用二次多项式表示的第i台机组的SO2排放系数。
16.根据权利要求12所述的系统,所述电网购电成本的目标函数为:
所述联合供电系统每小时的购电量为每台机组的购电单价则电网购电成本函数为:
17.根据权利要求10所述的系统,所述建模单元用于所述根据所述评估参数的目标函数以及所述联合供电系统联合调度的约束条件,建立所述联合供电系统的联合调度模型,包括:
所述联合供电系统的联合调度模型如下式:
min[f1(x,y),f2(x,y),...,fM(x,y)]
s.t.h(x,y)=0
上式中,f1(x,y),f2(x,y),...,fM(x,y)为所述评估参数的目标函数,所述目标函数的其个数为M;h(x,y)为电力系统的潮流约束方程;g(x,y)表示联合供电系统的不等式运行约束;x为状态变量,y为控制变量。
18.根据权利要求10所述的系统,所述利用自主学习搜索算法,引用协方差矩阵优化搜索能力,对所述联合调度模型的解集进行优化,获取所述联合调度模型所述多个目标的优化解集,包括:
通过自主学习建立自适应协方差矩阵;
利用所述自适应协方差矩阵确定进化的路径和步长,根据所述跟随者的搜索结果,获取所述联合调度模型所述多个目标的优化解集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810233168.5A CN108448649A (zh) | 2018-03-21 | 2018-03-21 | 一种基于自主学习群搜索算法的联合调度方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810233168.5A CN108448649A (zh) | 2018-03-21 | 2018-03-21 | 一种基于自主学习群搜索算法的联合调度方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108448649A true CN108448649A (zh) | 2018-08-24 |
Family
ID=63195935
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810233168.5A Pending CN108448649A (zh) | 2018-03-21 | 2018-03-21 | 一种基于自主学习群搜索算法的联合调度方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108448649A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109241630A (zh) * | 2018-09-11 | 2019-01-18 | 国网河北能源技术服务有限公司 | 电力系统的调度优化方法及装置 |
CN111367169A (zh) * | 2020-02-07 | 2020-07-03 | 大连富士冰山智控系统有限公司 | 控制系统、控制装置以及控制方法 |
CN114565236A (zh) * | 2022-02-15 | 2022-05-31 | 石河子大学 | 一种双碳目标下的电力综合能源系统调度方法及装置 |
CN117039892A (zh) * | 2023-10-08 | 2023-11-10 | 江苏省电力试验研究院有限公司 | 配电台区柔性互联系统优化调度方法、系统、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106683000A (zh) * | 2016-11-28 | 2017-05-17 | 浙江大学 | 一种考虑碳税的电力系统经济调度方法 |
CN107370191A (zh) * | 2017-07-25 | 2017-11-21 | 中国水利水电科学研究院 | 一种基于改进蚁群算法的火电机组发电计划制作方法 |
-
2018
- 2018-03-21 CN CN201810233168.5A patent/CN108448649A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106683000A (zh) * | 2016-11-28 | 2017-05-17 | 浙江大学 | 一种考虑碳税的电力系统经济调度方法 |
CN107370191A (zh) * | 2017-07-25 | 2017-11-21 | 中国水利水电科学研究院 | 一种基于改进蚁群算法的火电机组发电计划制作方法 |
Non-Patent Citations (2)
Title |
---|
李远征: "电力系统优化调度及其决策方法的研究", 《中国博士学位论文全文数据库》 * |
苏国韶 等: "基于自适应协方差矩阵进化策略的结构可靠度计算", 《四川建筑科学研究》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109241630A (zh) * | 2018-09-11 | 2019-01-18 | 国网河北能源技术服务有限公司 | 电力系统的调度优化方法及装置 |
CN111367169A (zh) * | 2020-02-07 | 2020-07-03 | 大连富士冰山智控系统有限公司 | 控制系统、控制装置以及控制方法 |
CN114565236A (zh) * | 2022-02-15 | 2022-05-31 | 石河子大学 | 一种双碳目标下的电力综合能源系统调度方法及装置 |
CN117039892A (zh) * | 2023-10-08 | 2023-11-10 | 江苏省电力试验研究院有限公司 | 配电台区柔性互联系统优化调度方法、系统、设备及存储介质 |
CN117039892B (zh) * | 2023-10-08 | 2024-01-19 | 江苏省电力试验研究院有限公司 | 配电台区柔性互联系统优化调度方法、系统、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zubo et al. | Operation and planning of distribution networks with integration of renewable distributed generators considering uncertainties: A review | |
Yang et al. | Survey on applications of particle swarm optimization in electric power systems | |
Atwa et al. | Probabilistic approach for optimal allocation of wind-based distributed generation in distribution systems | |
Hemmati et al. | System modeling and optimization for islanded micro-grid using multi-cross learning-based chaotic differential evolution algorithm | |
Ahmadian et al. | Optimal probabilistic based storage planning in tap-changer equipped distribution network including PEVs, capacitor banks and WDGs: A case study for Iran | |
Niknam et al. | Impact of thermal recovery and hydrogen production of fuel cell power plants on distribution feeder reconfiguration | |
Shukla et al. | Allocation of optimal distributed generation using GA for minimum system losses in radial distribution networks | |
Magdy et al. | Superconducting energy storage technology-based synthetic inertia system control to enhance frequency dynamic performance in microgrids with high renewable penetration | |
CN108448649A (zh) | 一种基于自主学习群搜索算法的联合调度方法及系统 | |
Galvani et al. | A multi-objective probabilistic approach for smart voltage control in wind-energy integrated networks considering correlated parameters | |
CN112561273B (zh) | 一种基于改进pso的主动配电网可再生dg规划方法 | |
Huang et al. | An efficient probabilistic approach based on area grey incidence decision making for optimal distributed generation planning | |
CN115640963A (zh) | 一种考虑投资运营模式的海上风电接入系统鲁棒规划方法 | |
Liu et al. | Stochastic optimal operation of flexible distribution networks for security improvement considering active management | |
Yu et al. | Research on energy management of a virtual power plant based on the improved cooperative particle swarm optimization algorithm | |
Xiao et al. | Network partition-based two-layer optimal scheduling for active distribution networks with multiple stakeholders | |
Somefun et al. | Review of different methods for siting and sizing distributed generator | |
Yu et al. | Security region based security-constrained unit commitment | |
Mahdad et al. | Solving multi-objective optimal power flow problem considering wind-STATCOM using differential evolution | |
CN113988578A (zh) | 计及可靠性的微电网群源网荷储协同优化调度方法及系统 | |
Kaiyawong et al. | Coordinated optimal placement of energy storage system and capacitor bank considering optimal energy storage scheduling for distribution system using Mixed-Integer Particle swarm optimization | |
Gang et al. | Optimal stochastic scheduling in residential micro energy grids considering pumped-storage unit and demand response | |
Wong et al. | Optimal power flow method using evolutionary programming | |
Sangsarawut et al. | Optimal reactive power planning of doubly fed induction generators using genetic algorithms | |
Wenyue et al. | Optimal scheduling strategy for virtual power plant considering voltage control |
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: 20180824 |
|
RJ01 | Rejection of invention patent application after publication |