CN108647820A - 基于改进粒子群算法的分布式电源选址定容优化方法及系统 - Google Patents
基于改进粒子群算法的分布式电源选址定容优化方法及系统 Download PDFInfo
- Publication number
- CN108647820A CN108647820A CN201810437370.XA CN201810437370A CN108647820A CN 108647820 A CN108647820 A CN 108647820A CN 201810437370 A CN201810437370 A CN 201810437370A CN 108647820 A CN108647820 A CN 108647820A
- Authority
- CN
- China
- Prior art keywords
- particle
- generation resource
- distributed generation
- distributed
- optimal solution
- 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
- 239000002245 particle Substances 0.000 title claims abstract description 113
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 55
- 238000005457 optimization Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000009826 distribution Methods 0.000 claims abstract description 38
- 238000004088 simulation Methods 0.000 claims abstract description 11
- 230000003044 adaptive effect Effects 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 12
- VWDWKYIASSYTQR-UHFFFAOYSA-N sodium nitrate Chemical compound [Na+].[O-][N+]([O-])=O VWDWKYIASSYTQR-UHFFFAOYSA-N 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 3
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 claims description 2
- 230000005611 electricity Effects 0.000 claims 1
- 238000009434 installation Methods 0.000 abstract description 6
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 230000006872 improvement Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000013256 coordination polymer Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 244000144992 flock Species 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013433 optimization analysis Methods 0.000 description 1
- 244000062804 prey Species 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
- G06Q10/04—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于改进粒子群算法的分布式电源选址定容优化方法及系统,包括:搭建基于OpenDSS的分布式电源模型和含分布式电源的配电网仿真模型;得到接入分布式电源的配电网潮流分布;建立分布式电源并网的优化目标函数,并确定约束条件;以分布式电源的位置和容量信息为个体位置信息生成初始群体,采用改进的粒子群算法对分布式电源的位置、容量进行优化。本发明采用改进粒子群算法对分布式电源并入配电网时的安装位置和容量进行优化,减少由于分布式电源安装位置、容量不合理导致系统网损增大,电压稳定性降低的情况发生,从而保障了含分布式电源配电网的安全生产与稳定运行。
Description
技术领域
本发明涉及一种基于改进粒子群算法的分布式电源选址定容优化方法及系 统。
背景技术
目前,常用的分布式电源选址定容优化方法有经典遗传算法,粒子群算法, 蚁群算法和Tabu搜索算法等,其中,粒子群算法是一种较为经典、使用广泛的 优化方法。粒子群算法是一种并行算法,由Eberhart博士和kennedy博士对鸟群 捕食进行行为研究时提出的,适用于求解非线性、不可微的复杂优化问题,由于 算法简单、易实现且需要调节的参数不多,在许多学科和工程领域中得到了应用。 但该算法同时存在收敛精度不高、易陷入局部最优值等问题,虽然一部分优化算 法研究人员对传统粒子群算法进行改进,改进后的算法收敛性能明显得到提升, 仍存在陷入局部最优的可能。因此,提高粒子群算法的收敛精度和避免算法陷入 局部最优的问题一直是算法优化方面的难题。
发明内容
本发明的目的就是为了提高算法的收敛精度和避免粒子群算法陷入局部最 优的问题,提供了一种基于改进粒子群算法的分布式电源选址定容优化方法,本 发明的改进粒子群算法在传统粒子群算法的基础上,对算法中的惯性权重进行了 动态赋值,使惯性权重随着迭代次数的增加而减少,相较于现有改进粒子群算法, 不仅可以改善算法的收敛性能,而且还能够赋予粒子扩展搜索空间的能力,有效 地避免算法陷入局部最优。
为实现上述目的,本发明采用下述技术方案,包括:
本发明公开了一种基于改进粒子群算法的分布式电源选址定容优化方法,包 括以下步骤:
(1)采集当地配电设备以及分布式电源的数据,搭建基于OpenDSS的分布 式电源模型和含分布式电源的配电网仿真模型;
(2)根据搭建的含分布式电源的配电网仿真模型进行仿真,得到配电网中 各节点的电压、电流数据,进行潮流计算,得到接入分布式电源的配电网潮流分 布;
(3)建立分布式电源并网的优化目标函数,并确定约束条件;
(4)以分布式电源的位置和容量信息为个体位置信息生成初始群体,采用 改进的粒子群算法对分布式电源的位置、容量进行优化。
进一步地,所述步骤(3)中,如果构建的优化目标函数为多目标函数,则 对多目标进行归一化处理,归一化后的目标函数为粒子群算法的适应度函数。
进一步地,所述步骤(4)中,采用改进的粒子群算法对分布式电源的位置、 容量进行优化具体为:
a.参数初始化,包括:粒子群体的规模、最大迭代次数、惯性权重、学习因 子以及粒子更新的最大速度;
b.设定迭代次数初始值,利用随机数发生器在可行域内生成M个粒子,各粒 子位置xi,初始速度vi;
c.根据适应度函数评估每个粒子的适应值,取最小值为全局最优解,设置 每个粒子当前位置为当前个体最优解;
d.更新迭代次数和惯性权重,计算每个粒子当前的位置和速度;
e.重新评估每个粒子的适应值,比较各粒子适应值和当前个体最优解的大 小;如果某个粒子的适应值小于当前个体最优解,则更新当前个体最优解为该粒 子的适应值;如果所有粒子适应值中的最小值小于全局最优解,则更新全局最优 解为所有粒子适应值中的最小值;
f.判断当前迭代次数是否达到最大迭代次数,如果是,则转向步骤g,否则 转向步骤d;
g.输出最优解。
进一步地,所述步骤d中,更新迭代次数为n′iter=niter+1;
更新惯性权重为:w=wbegin-niter(wbegin-wend)/nitermax;
其中,niter为迭代次数初始值,wbegin和wend分别为惯性权重w的初始值和最 终值、nitermax为最大迭代次数。
进一步地,所述步骤d中,
每个粒子当前的位置xi和速度vi为:
其中,c1、c2分别为学习因子,和是当前迭代中介于[0,1]间的 随机数,k为当前迭代次数,是当前迭代中每个粒子的位置,是 当前迭代中每个粒子的速度,是当前迭代中每个粒子的最优解, 是当前迭代中种群最优解。
本发明公开了一种基于改进粒子群算法的分布式电源选址定容优化系统,包 括:
用于采集当地配电设备以及分布式电源数据的数据采集装置;
用于搭建基于OpenDSS的分布式电源模型和含分布式电源的配电网仿真模 型的装置;
用于根据搭建的含分布式电源的配电网仿真模型进行仿真的装置;
用于进行潮流计算,得到接入分布式电源的配电网潮流分布的装置;
用于建立分布式电源并网的优化目标函数,并确定约束条件的装置;
用于以分布式电源的位置和容量信息为个体位置信息生成初始群体的装置;
用于采用改进的粒子群算法对分布式电源的位置、容量进行优化的装置。
进一步地,还包括:用于对多目标进行归一化处理的装置。
进一步地,所述用于采用改进的粒子群算法对分布式电源的位置、容量进行 优化的装置具体包括:
用于参数初始化的装置,所述参数包括:粒子群体的规模、最大迭代次数、 惯性权重、学习因子以及粒子更新的最大速度;
用于设定迭代次数初始值的装置;
用于在可行域内生成粒子的随机数发生器;
用于根据适应度函数评估每个粒子的适应值的装置;
用于更新迭代次数和惯性权重,计算每个粒子当前的位置和速度的装置;
用于重新评估每个粒子的适应值,比较各粒子适应值和当前个体最优解的大 小的装置;
用于判断当前迭代次数是否达到最大迭代次数的装置;
用于输出最优解的装置。
本发明有益效果:
本发明的改进粒子群算法在传统粒子群算法的基础上,对算法中的惯性权重 进行了动态赋值,使惯性权重随着迭代次数的增加而减少,相较于现有改进粒子 群算法,不仅可以改善算法的收敛性能,而且还能够赋予粒子扩展搜索空间的能 力,有效地避免算法陷入局部最优。
本发明采用改进粒子群算法对分布式电源并入配电网时的安装位置和容量 进行优化,减少由于分布式电源安装位置、容量不合理导致系统网损增大,电压 稳定性降低的情况发生,从而保障了含分布式电源配电网的安全生产与稳定运行。
本发明方法使用OpenDSS对含分布式电源的配电网进行仿真,可以减少配 电网潮流分析和参数求解的计算量,为研究整个优化过程节省了大量的时间和精 力,同时,改进后的粒子群算法在传统粒子群算法的基础上,对惯性权重进行调 整,使惯性权重随着迭代次数的增加而减少,进而改善算法的收敛性。
附图说明
图1是本发明基于改进粒子群算法的分布式电源选址定容优化方法的流程 图。
具体实施方式:
下面结合附图对本发明作进一步说明。
文中各符号含义定义如下:
wbegin和wend分别为惯性权重w的初始值和最终值,为下一迭代中每个 粒子的速度,为当前迭代中每个粒子的速度,k+1为下一次迭代次数,k为 当前迭代次数,和是当前迭代中介于[0,1]间的随机数,是当前 迭代中每个粒子的位置,xpi为当前个体最优解的位置。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一 步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本 发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式, 而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除 非上下文另外明确指出,否则单数形式也意图包括复数形式,此外, 还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其 指明存在特征、步骤、操作、器件、组件和/或它们的组合。
为了解决本发明背景技术中指出的问题,本发明提供了一种分布式电源接入 配电网的选址定容优化方法,该方法首先通过对实验地区的实际情况进行调研, 确定优化目标函数和约束条件,并在此基础上将多目标优化函数进行归一化处理, 其次对含分布式电源的配电网进行基于OpenDSS的建模,完成潮流计算和相关 参数的求解,然后应用改进后的粒子群算法对并网分布式电源的安装位置和容量 进行优化。由于该方法应用OpenDSS对配电网和分布式电源建模并完成潮流计 算和相关参数的求解,可以大大减少数据计算所需的时间,而且,改进后的粒子 群算法能够对分布式电源的接入容量、位置进行良好的寻优,因此有效提高了选 址定容优化的效率和寻优能力。
本发明公开的基于改进粒子群算法的分布式电源选址定容优化方法,包括以 下步骤:
a.查找有关于分布式电源分类和工作原理的国内外文献、报告,分析各类 分布式电源并网对配电系统产生的影响。总结上述分布式电源并网给配电网带来 的不利影响,结合实验地区现状与政策要求,制定符合实际情况与政策的目标函 数,并在此基础上明确约束条件;
b.搜集当地配电设备以及分布式电源的数据,确定相关的参数,搭建基于OpenDSS的分布式电源建模和含分布式电源的配电网仿真与模拟平台;
c.使用构建好的含分布式电源的配电网仿真模型对实验地区进行算例分析, 得到网络中各节点的电压、电流等数据,进行潮流计算;
d.根据上述确定好的优化目标函数,若是多目标函数,则需要将多目标进 行归一化处理,归一化后的目标函数即为粒子群算法的适应度函数ffitness(X)。 下面以最小值优化问题为例进行介绍,当X越接近目标函数最优点,其适应度 越小;反之,其适应值越大;
e.初始化算法的参数,如粒子群体的规模、最大迭代次数nitermax、惯性权 重w、学习因子c1、c2,粒子更新的最大速度等;
f.设定迭代次数niter=0,利用随机数发生器在可行域内生成M个粒子,各 粒子位置xi,初始速度vi;
g.通过潮流计算和目标函数的计算,根据适应度函数ffitness(X)评估每个粒 子的适应值,取最小值为全局最优解gbest,设置每个粒子当前位置为个体最优 解pbest;
h.更新迭代次数niter=niter+1,根据公式
w=wbegin-niter(wbegin-wend)/nitermax
更新惯性权重w,再由以下式子计算每个粒子当前的位置xi和速度vi
i.重新评估每个粒子的适应值,比较各粒子适应值ffitness(Xi)和当前个体最 优解pbest,若某个粒子的适应值ffitness(Xi)<pbest,则pbest=ffitness(Xi), xpi=xi。所有粒子ffitness(Xi)中的最小值为ffitnessmin,若ffitnessmin<gbest,也 就是说本代群体最优解小于上代群体最优解,则gbest=ffitnessmin;
j.判断niter是否达到最大迭代次数nitermax,如果是,则转向步骤k,否则转 向步骤h;
k.输出最优解gbest。
假设辐射状配电网允许M个节点安装分布式电源,假设待安装的分布式电 源的容量为Pi,且Pi=xiPs,其中Ps为基准容量,安装方案可以用一组变量 X={x1,x2,…,xM}表示,xi表示第i个节点分布式电源的建设情况(xi必为实 数),若xi=0说明此负荷节点不安装分布式电源,若xi=C(C为常数),则说明 该节点可以接入分布式电源的容量为Pi=CPs。
具体优化方法如下:
输入:安装方案变量组X={x1,x2,…,xM},最大迭代次数nitermax、惯性权 重w、学习因子c1、c2。
输出:最优解pbest
步骤1:使用适应度函数ffitness(X)对上述中每一个变量进行评估,得到适 应值,最小值为当前种群中的最优解gbest,设定每个粒子的当前最优解为pbest;
步骤2:迭代次数增加niter=niter+1,更新惯性权重w,在此基础上完成粒 子位置xi(即负荷节点位置)和速度vi(即分布式电源的接入容量参数)的重 新赋值;
步骤3:重新评估每个粒子的适应值ffitness(Xi),若ffitness(Xi)<pbest,则 pbest=ffitness(Xi);
步骤4:比较所有粒子适应值的最小值ffitnessmin与gbest的大小, 若ffitnessmin<gbest,则pbest=ffitnessmin;
步骤5:若niter<nitermax,也就是说迭代次数没有到达最大迭代次数,转向 步骤2,反之则转向步骤6;
步骤6:迭代终止,输出最优解,当前全局极值gbest即为本次优化得到的 最优解。
本发明计算简便、速度快,具有良好的实际应用价值,适于各种类型的分布 式电源选址定容优化分析。本发明方法不但可以减少配电网潮流分析和参数求解 时的计算量,为研究整个优化过程节省了大量的时间和精力,同时进行选址定容 优化时采用改进粒子群优化算法可以有效地寻得全局最优解,减少了由于分布式 电源的安装不当对配电网造成诸多的不利影响。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保 护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本 领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的 保护范围以内。
Claims (8)
1.基于改进粒子群算法的分布式电源选址定容优化方法,其特征在于,包括以下步骤:
(1)采集当地配电设备以及分布式电源的数据,搭建基于OpenDSS的分布式电源模型和含分布式电源的配电网仿真模型;
(2)根据搭建的含分布式电源的配电网仿真模型进行仿真,得到配电网中各节点的电压、电流数据,进行潮流计算,得到接入分布式电源的配电网潮流分布;
(3)建立分布式电源并网的优化目标函数,并确定约束条件;
(4)以分布式电源的位置和容量信息为个体位置信息生成初始群体,采用改进的粒子群算法对分布式电源的位置、容量进行优化。
2.如权利要求1所述的基于改进粒子群算法的分布式电源选址定容优化方法,其特征在于,所述步骤(3)中,如果构建的优化目标函数为多目标函数,则对多目标进行归一化处理,归一化后的目标函数为粒子群算法的适应度函数。
3.如权利要求1所述的基于改进粒子群算法的分布式电源选址定容优化方法,其特征在于,所述步骤(4)中,采用改进的粒子群算法对分布式电源的位置、容量进行优化具体为:
a.参数初始化,包括:粒子群体的规模、最大迭代次数、惯性权重、学习因子以及粒子更新的最大速度;
b.设定迭代次数初始值,利用随机数发生器在可行域内生成M个粒子,各粒子位置xi,初始速度vi;
c.根据适应度函数评估每个粒子的适应值,取最小值为全局最优解,设置每个粒子当前位置为当前个体最优解;
d.更新迭代次数和惯性权重,计算每个粒子当前的位置和速度;
e.重新评估每个粒子的适应值,比较各粒子适应值和当前个体最优解的大小;如果某个粒子的适应值小于当前个体最优解,则更新当前个体最优解为该粒子的适应值;如果所有粒子适应值中的最小值小于全局最优解,则更新全局最优解为所有粒子适应值中的最小值;
f.判断当前迭代次数是否达到最大迭代次数,如果是,则转向步骤g,否则转向步骤d;
g.输出最优解。
4.如权利要求3所述的基于改进粒子群算法的分布式电源选址定容优化方法,其特征在于,所述步骤d中,更新迭代次数为n′iter=niter+1;
更新惯性权重为:w=wbegin-niter(wbegin-wend)/nitermax;
其中,niter为迭代次数初始值,wbegin和wend分别为惯性权重w的初始值和最终值、nitermax为最大迭代次数。
5.如权利要求3所述的基于改进粒子群算法的分布式电源选址定容优化方法,其特征在于,所述步骤d中,
每个粒子当前的位置xi和速度vi为:
其中,c1、c2分别为学习因子,和是当前迭代中介于[0,1]间的随机数,k为当前迭代次数,是当前迭代中每个粒子的位置,是当前迭代中每个粒子的速度,是当前迭代中每个粒子的最优解,是当前迭代中种群最优解。
6.基于改进粒子群算法的分布式电源选址定容优化系统,其特征在于,包括:
用于采集当地配电设备以及分布式电源数据的数据采集装置;
用于搭建基于OpenDSS的分布式电源模型和含分布式电源的配电网仿真模型的装置;
用于根据搭建的含分布式电源的配电网仿真模型进行仿真的装置;
用于进行潮流计算,得到接入分布式电源的配电网潮流分布的装置;
用于建立分布式电源并网的优化目标函数,并确定约束条件的装置;
用于以分布式电源的位置和容量信息为个体位置信息生成初始群体的装置;
用于采用改进的粒子群算法对分布式电源的位置、容量进行优化的装置。
7.如权利要求6所述的基于改进粒子群算法的分布式电源选址定容优化系统,其特征在于,还包括:用于对多目标进行归一化处理的装置。
8.如权利要求6所述的基于改进粒子群算法的分布式电源选址定容优化系统,其特征在于,所述用于采用改进的粒子群算法对分布式电源的位置、容量进行优化的装置具体包括:
用于参数初始化的装置,所述参数包括:粒子群体的规模、最大迭代次数、惯性权重、学习因子以及粒子更新的最大速度;
用于设定迭代次数初始值的装置;
用于在可行域内生成粒子的随机数发生器;
用于根据适应度函数评估每个粒子的适应值的装置;
用于更新迭代次数和惯性权重,计算每个粒子当前的位置和速度的装置;
用于重新评估每个粒子的适应值,比较各粒子适应值和当前个体最优解的大小的装置;
用于判断当前迭代次数是否达到最大迭代次数的装置;
用于输出最优解的装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810437370.XA CN108647820A (zh) | 2018-05-09 | 2018-05-09 | 基于改进粒子群算法的分布式电源选址定容优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810437370.XA CN108647820A (zh) | 2018-05-09 | 2018-05-09 | 基于改进粒子群算法的分布式电源选址定容优化方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108647820A true CN108647820A (zh) | 2018-10-12 |
Family
ID=63753908
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810437370.XA Pending CN108647820A (zh) | 2018-05-09 | 2018-05-09 | 基于改进粒子群算法的分布式电源选址定容优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108647820A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109193657A (zh) * | 2018-10-25 | 2019-01-11 | 合肥工业大学 | 基于粒子群算法的三端柔性多状态开关谐波治理方法 |
CN109888835A (zh) * | 2019-04-16 | 2019-06-14 | 武汉理工大学 | 一种基于改进粒子群的分布式光伏配电网规划方法 |
CN110084522A (zh) * | 2019-04-30 | 2019-08-02 | 国网上海市电力公司 | 基于随机粒子群算法的ev充电站位置生成方法及装置 |
CN111291520A (zh) * | 2020-02-27 | 2020-06-16 | 山东省科学院海洋仪器仪表研究所 | 一种优化空间效率的海洋锚定浮标站位智能选址方法 |
CN111382540A (zh) * | 2018-12-26 | 2020-07-07 | 富士通株式会社 | 优化计算方法和信息处理装置 |
CN111695667A (zh) * | 2020-05-27 | 2020-09-22 | 江苏信息职业技术学院 | 基于MapReduce的分布式粒子群分簇算法 |
CN112070351A (zh) * | 2020-08-04 | 2020-12-11 | 国家电网有限公司 | 一种基于重心回归和粒子群混合算法的变电站优化选址方法 |
CN112347597A (zh) * | 2020-11-13 | 2021-02-09 | 西安工程大学 | 基于改进粒子群算法提升led照明均匀性的方法 |
CN113792845A (zh) * | 2021-09-07 | 2021-12-14 | 未鲲(上海)科技服务有限公司 | 基于元学习的预测模型训练方法、装置、电子设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103034912A (zh) * | 2012-12-20 | 2013-04-10 | 诸暨市供电局 | 一种分布式电源选址定容的优化方法 |
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 |
US8706583B1 (en) * | 2012-10-24 | 2014-04-22 | Causam Energy, Inc. | System, method, and apparatus for settlement for participation in an electric power grid |
CN105719015A (zh) * | 2016-01-19 | 2016-06-29 | 国网河北省电力公司电力科学研究院 | 一种基于pepso的分布式电源优化选址定容方法 |
-
2018
- 2018-05-09 CN CN201810437370.XA patent/CN108647820A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8706583B1 (en) * | 2012-10-24 | 2014-04-22 | Causam Energy, Inc. | System, method, and apparatus for settlement for participation in an electric power grid |
CN103034912A (zh) * | 2012-12-20 | 2013-04-10 | 诸暨市供电局 | 一种分布式电源选址定容的优化方法 |
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 |
CN105719015A (zh) * | 2016-01-19 | 2016-06-29 | 国网河北省电力公司电力科学研究院 | 一种基于pepso的分布式电源优化选址定容方法 |
Non-Patent Citations (3)
Title |
---|
杨红青: "含分布式电源的主动配电网概率潮流计算方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
郁磊 等: "《MATLAB智能算法30个案例分析》", 30 August 2015, 北京航空航天大学 * |
魏秀业 等: "《粒子群优化及智能故障诊断》", 31 July 2020, 国防工业出版社 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109193657A (zh) * | 2018-10-25 | 2019-01-11 | 合肥工业大学 | 基于粒子群算法的三端柔性多状态开关谐波治理方法 |
CN109193657B (zh) * | 2018-10-25 | 2021-06-29 | 合肥工业大学 | 基于粒子群算法的三端柔性多状态开关谐波治理方法 |
CN111382540A (zh) * | 2018-12-26 | 2020-07-07 | 富士通株式会社 | 优化计算方法和信息处理装置 |
CN109888835B (zh) * | 2019-04-16 | 2022-10-11 | 武汉理工大学 | 一种基于改进粒子群的分布式光伏配电网规划方法 |
CN109888835A (zh) * | 2019-04-16 | 2019-06-14 | 武汉理工大学 | 一种基于改进粒子群的分布式光伏配电网规划方法 |
CN110084522A (zh) * | 2019-04-30 | 2019-08-02 | 国网上海市电力公司 | 基于随机粒子群算法的ev充电站位置生成方法及装置 |
CN111291520A (zh) * | 2020-02-27 | 2020-06-16 | 山东省科学院海洋仪器仪表研究所 | 一种优化空间效率的海洋锚定浮标站位智能选址方法 |
CN111291520B (zh) * | 2020-02-27 | 2023-05-02 | 山东省科学院海洋仪器仪表研究所 | 一种优化空间效率的海洋锚定浮标站位智能选址方法 |
CN111695667A (zh) * | 2020-05-27 | 2020-09-22 | 江苏信息职业技术学院 | 基于MapReduce的分布式粒子群分簇算法 |
CN112070351A (zh) * | 2020-08-04 | 2020-12-11 | 国家电网有限公司 | 一种基于重心回归和粒子群混合算法的变电站优化选址方法 |
CN112347597A (zh) * | 2020-11-13 | 2021-02-09 | 西安工程大学 | 基于改进粒子群算法提升led照明均匀性的方法 |
CN112347597B (zh) * | 2020-11-13 | 2024-04-05 | 西安工程大学 | 基于改进粒子群算法提升led照明均匀性的方法 |
CN113792845A (zh) * | 2021-09-07 | 2021-12-14 | 未鲲(上海)科技服务有限公司 | 基于元学习的预测模型训练方法、装置、电子设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108647820A (zh) | 基于改进粒子群算法的分布式电源选址定容优化方法及系统 | |
CN108306303B (zh) | 一种考虑负荷增长和新能源出力随机的电压稳定评估方法 | |
CN106532778B (zh) | 一种计算分布式光伏并网最大准入容量的方法 | |
Syahputra et al. | Performance Enhancement of Distribution Network with DG Integration Using Modified PSO Algorithm. | |
CN109523084A (zh) | 一种基于主元分析和机器学习的风电功率超短期预测方法 | |
CN102855412A (zh) | 一种风电功率预测方法及其装置 | |
WO2021102623A1 (zh) | 风电场的电缆路径的规划方法、系统、介质及电子设备 | |
CN105069236B (zh) | 考虑风电场节点空间相关性的广义负荷联合概率建模方法 | |
Ye et al. | Combined approach for short-term wind power forecasting based on wave division and Seq2Seq model using deep learning | |
CN112149264A (zh) | 一种基于改进哈里斯鹰优化算法的主动配电网规划方法 | |
CN105207573A (zh) | 基于离散概率模型的风光互补供电系统定量优化配置方法 | |
Abou El-Ela et al. | Optimal placement and sizing of distributed generation units using different cat swarm optimization algorithms | |
CN110264012A (zh) | 基于经验模态分解的可再生能源功率组合预测方法及系统 | |
Wang et al. | Optimizing wind farm layout by addressing energy-variance trade-off: A single-objective optimization approach | |
Dagal et al. | A novel hybrid series salp particle Swarm optimization (SSPSO) for standalone battery charging applications | |
CN114725982A (zh) | 一种分布式光伏集群精细化划分及建模方法 | |
Sadeghian et al. | A clustering‐based technoeconomic analysis for wind farm and shunt capacitor allocation in radial distribution systems | |
CN108734349A (zh) | 基于改进遗传算法的分布式电源选址定容优化方法及系统 | |
CN109888817A (zh) | 对光伏电站和数据中心进行位置部署和容量规划方法 | |
CN113205228A (zh) | 一种短期风力发电输出功率的预测方法 | |
CN116562166A (zh) | 一种基于ihba的配电网分布式电源选址定容方法 | |
CN116995749A (zh) | 基于电能质量调节器的微网功率优化方法 | |
CN114865649B (zh) | 一种风光储一体化场站无功调节方法、装置及电子设备 | |
CN114169117A (zh) | 一种基于改进粒子群算法的输电网扩展规划方法 | |
CN114298383A (zh) | 一种虚拟电厂储能容量配置方法及装置 |
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: 20181012 |
|
RJ01 | Rejection of invention patent application after publication |