CN109086482A - 一种用于电力经济环境调度的记忆分子动理论多目标优化算法 - Google Patents
一种用于电力经济环境调度的记忆分子动理论多目标优化算法 Download PDFInfo
- Publication number
- CN109086482A CN109086482A CN201810692469.4A CN201810692469A CN109086482A CN 109086482 A CN109086482 A CN 109086482A CN 201810692469 A CN201810692469 A CN 201810692469A CN 109086482 A CN109086482 A CN 109086482A
- Authority
- CN
- China
- Prior art keywords
- memory
- individual
- value
- long
- term
- 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
- 230000015654 memory Effects 0.000 title claims abstract description 108
- 238000005457 optimization Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 18
- 230000007787 long-term memory Effects 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 16
- 238000000329 molecular dynamics simulation Methods 0.000 claims description 13
- 238000010248 power generation Methods 0.000 claims description 13
- 239000000446 fuel Substances 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 7
- 230000006403 short-term memory Effects 0.000 claims description 7
- 230000001052 transient effect Effects 0.000 claims description 6
- 239000003344 environmental pollutant Substances 0.000 claims description 5
- 231100000719 pollutant Toxicity 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 239000002245 particle Substances 0.000 claims description 2
- 238000006073 displacement reaction Methods 0.000 claims 1
- 230000005484 gravity Effects 0.000 claims 1
- 230000000717 retained effect Effects 0.000 abstract 1
- 230000000638 stimulation Effects 0.000 description 5
- 210000000697 sensory organ Anatomy 0.000 description 4
- 238000009434 installation Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000005511 kinetic theory Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computer Hardware Design (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种求解电力系统经济环境调度的记忆分子动理论多目标优化算法；开始算法之前，初始化各类参数。算法实现过程：首先设置记忆元，依据其记忆值将种群分为遗忘、瞬时、短时、长时记忆库。然后基于记忆分级的非支配快速排序法对种群进行分级，将长时，短时，瞬时和遗忘记忆库分别作为帕累托前沿的F1，F2，F3和F4，并结合拥挤距离排序策略。依据记忆值的更新和遗忘模型，随着迭代进行，对记忆值不断更新。精英保留在长时记忆数据库中。如果当前个体不是遗忘，则从长时记忆库中按精英选择策略随机挑选一个精英个体，依据所满足的条件，分别按吸引、排斥、扰动算子对其它个体实施搜索引导；如为遗忘，则通过随机移动，期待某一刻被回想起。
Description
技术领域
本发明涉及电力系统经济环境优化调度领域，对发电机组燃料耗量经济成本和发电机污 染物排量选择一个合适的经济运行方式，具体是用记忆分子动理论多目标优化算法求解电力 系统经济环境调度问题。
背景技术
能源是社会发展的物质基础，是国民经济发展的重要推动力，可谓是国家经济发展的命 脉。当前，全球范围内的能源紧张、环境污染问题突出及气候变化形势严峻等各个方面的问 题，使能源发展问题已然成为人们关注的热点。
电力工业是能源产业的重要组成部分，是重要的能源生产部口，而由于我国特殊的能源 构成，化石能源电源占比较大，而进行电力生产的过程，也是大量消耗一次能源的过程，且 随着发电装机规模的不断扩大，我国2013年的发电装机容量就己经跃居世界第一位到2015 年底，我国发电装机容量更是达到150673万千瓦，同时仍有很大的在建规模。电力系统在 进行电力生产时所需消耗燃料将更多。而随着中国经济的持续快速发展，能源问题表现日益 突出，节约能源问题日益迫切。构建清洁低碳、安全高效的现代能源体系，对于电力系统这 样一个庞大的、复杂的工业系统而言，在其运行中的各个环节，只要做到哪怕节约一点点， 那么，对整个系统的能源消耗总量也将是相当可观的。因此，在电力系统中如何充分利用现 有设备，在满足用户需求的前提下，提高运行效率，实现优化运行，能尽量多的节约现有资 源，其必要性显而易见。
电力系统经济调度是指在满足安全和电能质量的前提下，合理利用能源和设备，以最低 的发电成本或燃料费用保证对用户可靠地供电的一种调度方法。电力系统经济调度问题研究 的切入点为经济调度的目标函数和所求问题的优化算法，随着计算机技术的发展，智能优化 算法以其精度高，收敛速度快，性能稳定等优势，对电力系统经济调度问题研究起到了很大 的促进作用。
发明内容
针对求解电力系统经济调度问题中所存在的困难和问题，本发明公开了一种用于电力系 统经济调度问题的记忆分子动理论多目标优化算法。
本发明主要是通过如下方案所实现：
一种用于电力系统经济调度问题的记忆分子动理论多目标优化算法；
首先对每个发电单元的的参数进行初始化，包括机组数n，系统的负载功率Pd，发电系 统单元的燃料成本函数和污染气体的排放量函数的系数ai，bi和ci，发电系统单元考虑阀点 效应的系数di和ei，以及发电单元功率负载的最小值Pimin和最大值Pimax。
记忆分子动理论多目标算法的实施过程如下：
(1)初始化种群，赋予个体记忆值；
(2)计算目标函数的个体适应值；
(3)通过模拟记忆原理的外部刺激，依据记忆更新模型和遗忘模拟，将种群分为长时 记忆库、短时记忆库、瞬时记忆库、遗忘记忆库四大类；
(4)引入基于记忆分级的非支配快速排序法，分别对四个记忆库进行非支配排序，其 中长时记忆库为一级前沿F1、短时记忆库为二级前沿F2、瞬时记忆库为三级F3和遗忘记忆 库为四级F4，结合拥挤距离排序的策略，生成当代种群；
(5)通过记忆精英选择策略，随机选取一个精英个体；
(6)依据个体所满足的条件，依次按照引力、斥力、不受力等方式进行引导搜索，生成下一代种群个体；
本发明的技术效果在于：利用记忆分子动理论多目标算法对多个问题进行优化，来解决 负荷在发电机组的分配问题，在发电机组燃料耗量经济成本和发电机污染物排量之间寻找一 个最优的经济运行方式。
附图说明
图1是记忆过程模型图；
图2是非支配快速排序法过程图；
图3是记忆分子动理论多目标优化算法的流程图；
具体实施方式：
下面结合附图，对本发明做进一步的详细说明。
如图1所示，该模型为该新型方法的启发模型，它的记忆过程的主要原理为：当人体的 感觉器官接受外部刺激，接收外部信息之后，会对外部事物产生一个直观印象而产生一个瞬 时记忆，如果经过一段时间的努力或者刻意的记忆，人就可以将这一事物记住形成一个短时 记忆，但这些记忆是短暂的、不牢固的，会产生大量的遗忘，如果再次经过处理和记忆，人 可能将其永远的记住这就形成了长时记忆,当然它也会小概率的遗忘。
如图2所示，通过模拟记忆原理的外部刺激，依据记忆更新模型和遗忘模拟，将种群分 为长时记忆库、短时记忆库、瞬时记忆库、遗忘记忆库四大类，分别作为帕累托前沿的F1、 F2、F3和F4。设种群规模为N，F1级别最高，如果F1的数量小于N，则把F1的个体全部 选择到种群Pt中，Pt剩下的个体从F2、F3和F4中选取，直到数量达到N时为止。
图3为记忆分子动理论多目标优化算法求解电力系统经济负载调度的流程图。首先对算 法中所需要的模型和公式进行阐述，即电力系统经济负载调度的目标函数及约束条件。
多目标函数：
其中，Fi(Pi)和Ei(Pi)为第i个火电机组的燃料成本函数和污染气体的排放量函数。
发电机组燃料成本函数：
发电机组污染物排量函数：
其中，ai,bi,ci,di,ei是系统参数。
电力系统经济负载调度的约束条件：
第i个发电机组的出力功率约束：
其中，分别为第i个发电单元功率负载的最小值和最大值；
发电机组的爬坡限制：
其中-LRi和URi分别为下坡限制和上坡限制；
发电机的禁区约束：
其中，Pi,k(l)和Pi,Ki(u)是第i个发电单元工作禁区边界的上限和下限。
系统的功率平衡约束：
其中，Pd是系统的负载功率，Pl是线性损耗功率。
如图3所示，求解电力系统经济负载调度的记忆分子动理论多目标优化算法的具体实现 步骤如下：
步骤1：对算法的参数初始化，生成随机种群，给予每个粒子一个初始位置和初始速度， 同时赋予每个个体记忆初始值；
步骤2：依据上面所阐述的目标函数和约束条件(1)～(7)，计算每个个体的适应值；
步骤3：根据记忆原理，将每一个体视为一个神经元细胞，依据记忆模型(8)更新记忆值，人工模拟神经元细胞的外部刺激。外部刺激包括非凡刺激和普通刺激，如果个体移动到一个新的更好的位置，那么它将被视为非凡刺激。反之，则为普通刺激。其记忆更新模型如下：
其中，Memoryi t为第i个个体在第t次迭代的记忆值，fitness(Xi t)是第i个个体在第t次迭代 的目标函数的适应度值，τ(τ>0)是记忆更新的刺激调节系数。
步骤4：依据记忆值的优劣，可将个体种群分为遗忘库、瞬时记忆库、短时记忆库和长时记忆库；记忆库分类算子的模型如(9)所示。
其中，forgetten、instant、short、long分别表示为遗忘库、瞬时记忆库、短时记忆库、 和长时记忆库；同时，Memoryi、Memorys、Memoryl分别表示为瞬时、短时、长时记忆库的记忆临界阈值。
步骤5：根据记忆遗忘模型(10)再次对记忆值进行更新，将更新的记忆值与0进 行比较，如果为0，则表示遗忘，随机移动个体已期待某一时刻被想起；反之，如果不为0， 则依据记忆值分类标准(9)将个体依次划分为长时、短时、瞬时记忆库；
记忆遗忘更新模型如下：由于记忆均会随着时间的流逝而减弱，同时记忆值也会减小， 故模拟记忆原理，根据艾宾浩斯遗忘曲线计算记忆值的更新模型。根据当前个体的记忆状态 是为长时还是短时、瞬时，选择合适遗忘因子δ(δ＞0)，对记忆进行更新。记忆时间遗忘算子 的更新模型如下所示。
步骤6：基于记忆分级的非支配快速排序法对种群进行分级；依据(11)和式(12)，将种群分为长时记忆库、短时记忆库、瞬时记忆库、遗忘记忆库四大类，分别作为帕累托前沿的F1、F2、F3和F4。并结合拥挤距离排序的策略，生成当代种群Popt。
则称占优记作
其中Pareto最优解集(PS)由全部Pareto最优解所构成的集合。
步骤7：根据精英选择策略(13)，随机从长时记忆库中选择一个精英个体对随机个体 进行引导操作；
精英选择策略模型如下：由于进入长时记忆库的均为精英个体，随机挑选一个对其他个体进 行引导，故能避免错误引导，逃离避免局部最优。其模型如(11)所示：如果目标函数的适 应值越小，记忆值越大，则说明精英个体越好，其中θ为临界值。
步骤8：根据上述策略所选出的精英，依据原分子动理论优化算法的判断，根据个体所 满足的条件分别计算引力加速度(式14)、斥力加速度(式15)和扰动加速度(式16)；
引力加速度：ai＝Gi/Mi＝gMbest(Xbest-Xi) (14)
斥力加速度：ai＝-gMbest(Xbest-Xi) (15)
扰动加速度：
其中Rand'为[0,1]的随机数，Pm为变异率。
步骤9：计算个体的速度和移动位置，生成下一代种群个体Popt+1。
步骤10：判断算法的终止条件，判断当前迭代次数是否达到了最大迭代次数，如果是， 则结束算法运行，反之，回到步骤2。
Claims (2)
1.用于求解电力系统经济环境调度问题的记忆分子动理论多目标优化算法，其特征在于：在开始人工记忆分子动理论多目标优化算法之前，首先对每个发电单元的的参数进行初始化，包括机组数n，系统的负载功率Pd，发电系统单元的燃料成本函数和发电机污染物排量函数的系统参考系数ai，bi，ci，di和ei，发电系统单元考虑阀点效应的系数di和ei，以及发电单元功率负载的最小值Pimin和最大值Pimax，人工记忆分子动理论优化算法实现过程为：首先设置记忆元，依据其记忆值将当前群体分为遗忘，瞬时、短时、长时记忆库；引入基于记忆分级的非支配快速排序法，分别对四个记忆库进行非支配排序，其中长时记忆库为一级前沿F1、短时记忆库为二级前沿F2、瞬时记忆库为三级F3和遗忘记忆库为四级F4，结合拥挤距离排序的策略，生成当代种群；依据记忆值的更新和遗忘模型，随着迭代进行，对记忆值不断更新；这样，越来越多的精英会出现在长时记忆数据库中，如果当前个体不是遗忘，则从长时记忆库中按精英选择策略随机挑选一个精英个体，依据分子间的吸引、排斥、扰动算子对其实现搜索引导；如为遗忘，则通过随机移动，期待某一刻被回想起。
2.基于权利要求1提出的一种用于求解电力系统经济环境调度问题的记忆分子动理论多目标优化算法的思路及实现过程，它的具体实施步骤如下：
步骤1：对每个发电单元的的参数进行初始化，生成随机种群，给予每个粒子一个初始位置和初始速度，同时赋予每个个体记忆初始值；
步骤2：计算每个个体目标函数的适应值；
步骤3：模拟记忆原理，给予一个人工外部刺激，依据记忆模型更新记忆值；
步骤4：将更新的记忆值与0进行比较，如果为0，则表示遗忘，随机移动个体已期待某一时刻被想起；反之，如果不为0，则依据记忆值分类标准将个体依次划分为长时、短时、瞬时记忆库；
步骤5：根据记忆遗忘模型再次对记忆值进行更新，将更新的记忆值与0进行比较，如果为0，则表示遗忘，随机移动个体已期待某一时刻被想起；反之，如果不为0，则依据记忆值分类标准将个体依次划分为长时、短时、瞬时记忆库；
步骤6：基于记忆分级的非支配快速排序法，分别对四个记忆库进行非支配排序，其中长时记忆库为一级前沿F1、短时记忆库为二级前沿F2、瞬时记忆库为三级F3和遗忘记忆库为四级F4，结合拥挤距离排序的策略，生成当代种群；
步骤7：根据精英选择策略，随机从长时记忆库中选择一个精英个体对随机个体进行引导操作；
步骤8：根据上述策略所选出的精英，依据原分子动理论优化算法的判断，个体所满足的条件分别计算引力、斥力、扰动加速度；
步骤9：计算个体的速度和移动位置，生成新一代种群；
步骤10：判断当前迭代次数是否等于最大迭代次数，如果是，则结束算法运行，反之，回到步骤2。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810692469.4A CN109086482A (zh) | 2018-06-28 | 2018-06-28 | 一种用于电力经济环境调度的记忆分子动理论多目标优化算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810692469.4A CN109086482A (zh) | 2018-06-28 | 2018-06-28 | 一种用于电力经济环境调度的记忆分子动理论多目标优化算法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109086482A true CN109086482A (zh) | 2018-12-25 |
Family
ID=64834805
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810692469.4A Pending CN109086482A (zh) | 2018-06-28 | 2018-06-28 | 一种用于电力经济环境调度的记忆分子动理论多目标优化算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109086482A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102820662A (zh) * | 2012-08-17 | 2012-12-12 | 华北电力大学 | 含分布式电源的电力系统多目标无功优化方法 |
| CN103324978A (zh) * | 2013-07-03 | 2013-09-25 | 哈尔滨工程大学 | 基于多目标量子蚁群算法的多目标决策引擎参数优化方法 |
| CN106951988A (zh) * | 2017-03-14 | 2017-07-14 | 湘潭大学 | 一种用于求解电力系统经济调度问题的人工记忆分子动理论优化算法 |
| CN107958424A (zh) * | 2016-10-14 | 2018-04-24 | 华北电力大学（保定） | 一种基于改进引力搜索算法的电力系统经济调度策略 |
| CN108053069A (zh) * | 2017-12-15 | 2018-05-18 | 南京工程学院 | 一种适用于多目标优化场景的综合能源系统运行调度方法 |
-
2018
- 2018-06-28 CN CN201810692469.4A patent/CN109086482A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102820662A (zh) * | 2012-08-17 | 2012-12-12 | 华北电力大学 | 含分布式电源的电力系统多目标无功优化方法 |
| CN103324978A (zh) * | 2013-07-03 | 2013-09-25 | 哈尔滨工程大学 | 基于多目标量子蚁群算法的多目标决策引擎参数优化方法 |
| CN107958424A (zh) * | 2016-10-14 | 2018-04-24 | 华北电力大学（保定） | 一种基于改进引力搜索算法的电力系统经济调度策略 |
| CN106951988A (zh) * | 2017-03-14 | 2017-07-14 | 湘潭大学 | 一种用于求解电力系统经济调度问题的人工记忆分子动理论优化算法 |
| CN108053069A (zh) * | 2017-12-15 | 2018-05-18 | 南京工程学院 | 一种适用于多目标优化场景的综合能源系统运行调度方法 |
Non-Patent Citations (1)
| Title |
|---|
| 范朝冬 等: "双种群分子动理论优化算法" * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111178619B (zh) | 一种考虑分布式电源和充电站联合规划的多目标优化方法 | |
| CN112508221A (zh) | 一种有限储能下考虑源-荷不确定性的日前调度决策方法 | |
| CN106451550B (zh) | 一种基于改进次梯度粒子群的微电网并网优化调度方法 | |
| CN104022534B (zh) | 风光储发电单元多目标协调运行优化方法 | |
| CN109002948B (zh) | 基于cda-bp的微电网短期光伏发电功率预测方法 | |
| CN106712075B (zh) | 一种考虑风电并网系统安全约束的调峰策略优化方法 | |
| CN103390200A (zh) | 基于相似日的光伏电站发电输出功率预测方法 | |
| 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 | |
| CN108471143A (zh) | 基于正负反馈粒子群算法的微电网多能源调度优化方法 | |
| CN109447393A (zh) | 一种电力系统经济负荷分配的改进的粒子群算法 | |
| CN107919675B (zh) | 综合考虑车主和运营商利益的充电站负荷调度模型 | |
| CN114021390A (zh) | 城市综合能源系统随机鲁棒优化方法及其应用 | |
| CN112238781B (zh) | 一种基于分层架构的电动汽车有序充电控制方法 | |
| CN107482618A (zh) | 具有风‑火发电并含多类型柔性负荷电网的电价制定方法 | |
| CN112070628B (zh) | 一种计及环境因素的智能电网多目标经济调度方法 | |
| CN107017625A (zh) | 用于独立微电网的能量动态调度的方法和设备 | |
| CN115940292A (zh) | 基于圆圈搜索算法的含风储电力系统优化调度方法及系统 | |
| CN113807566A (zh) | 基于可再生能源和内部负荷不确定的社区能源的调度方法 | |
| CN114741960A (zh) | 一种综合能源经济环境调度优化方法及系统 | |
| CN111555368A (zh) | 一种综合能源系统的深度生成式对抗网络调度与控制方法 | |
| CN109086482A (zh) | 一种用于电力经济环境调度的记忆分子动理论多目标优化算法 | |
| CN116882543A (zh) | 一种虚拟电厂源-荷协调优化调度方法 | |
| CN113937811B (zh) | 一种多能耦合配电系统优化调度方法 | |
| CN116050572A (zh) | 新能源消纳场景下自备电厂参与源网互动的条件判断方法 | |
| Mandal et al. | A new self adaptive particle swarm optimization technique for optimal design of a hybrid power system |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Fan Chaodong Inventor after: Nie Shanghao Inventor after: Zheng Ningjun Inventor after: Li Jie Inventor after: Yi Lingzhi Inventor after: Xiao Leyi Inventor before: Fan Chaodong Inventor before: Zheng Ningjun Inventor before: Li Jie Inventor before: Yi Lingzhi Inventor before: Xiao Leyi |
|
| CB03 | Change of inventor or designer information | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181225 |
|
| WD01 | Invention patent application deemed withdrawn after publication |