CN109829591A - 一种风电并网的调度方法、装置、设备及存储介质 - Google Patents
一种风电并网的调度方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN109829591A CN109829591A CN201910117480.2A CN201910117480A CN109829591A CN 109829591 A CN109829591 A CN 109829591A CN 201910117480 A CN201910117480 A CN 201910117480A CN 109829591 A CN109829591 A CN 109829591A
- Authority
- CN
- China
- Prior art keywords
- power generation
- cost
- wind
- current
- generation amount
- 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
- 238000000034 method Methods 0.000 title claims abstract description 74
- 230000010354 integration Effects 0.000 title abstract description 34
- 238000010248 power generation Methods 0.000 claims abstract description 584
- 239000002245 particle Substances 0.000 claims abstract description 209
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 176
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 173
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 92
- 230000002068 genetic effect Effects 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims description 49
- 230000035772 mutation Effects 0.000 claims description 31
- 238000012423 maintenance Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 10
- 230000035515 penetration Effects 0.000 claims description 7
- 238000010977 unit operation Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000005611 electricity Effects 0.000 claims 1
- 230000003044 adaptive effect Effects 0.000 description 36
- 230000006870 function Effects 0.000 description 30
- 238000013528 artificial neural network Methods 0.000 description 21
- 230000008569 process Effects 0.000 description 12
- 210000000349 chromosome Anatomy 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 230000009467 reduction Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000009194 climbing Effects 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000010076 replication Effects 0.000 description 2
- 238000009987 spinning Methods 0.000 description 2
- 102000053602 DNA Human genes 0.000 description 1
- 108020004414 DNA Proteins 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- 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
- Wind Motors (AREA)
Abstract
本发明公开了一种风电并网的调度方法、装置、设备及存储介质。包括：获取碳排放配额和风电机的预测发电量；根据碳排放成本、风力发电成本和火力发电成本之和最低，基于粒子群算法结合遗传算法确定风电机的实际发电量和火电机组的实际发电量，碳排放成本为由碳排放配额和火电机组的实际发电量确定的成本，风力发电成本为由风电机的预测发电量和风电机的实际发电量确定的成本，火力发电成本为由火电机组的实际发电量确定的成本；根据风电机的实际发电量和火电机组的实际发电量进行风电并网调度。本发明通过在以碳排放成本、风力发电成本和火力发电成本之和最低为目标下，确定风电机的实际发电量和火力机组的实际发电量，实现了风电并网的合理调度。
Description
技术领域
本发明实施例涉及风电并网技术，尤其涉及一种风电并网的调度方法、装置、设备及存储介质。
背景技术
面对低碳经济的发展模式，电力行业成为低碳减排的主力军，成为节能减耗和污染减排的重点行业。电力企业为了实现低碳经济的发展模式，采用将风力发电作为清洁能源引入传统的火力发电的发电模式，即采用风电并网的发电模式。
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：由于无法实现合理配置风电并网中风力发电量和火力发电量，因此，无法实现风电并网的合理调度。
发明内容
本发明实施例提供一种风电并网的调度方法、装置、设备及存储介质，以实现风电并网的合理调度。
第一方面，本发明实施例提供了一种风电并网的调度方法，该方法包括：
获取碳排放配额和风电机的预测风电发电量；
根据碳排放成本、风力发电成本和火力发电成本之和最低，基于粒子群算法结合遗传算法确定风电机的实际发电量和火电机组的实际发电量，所述碳排放成本为由所述碳排放配额和所述火电机组的实际发电量确定的成本，所述风力发电成本为由所述风电机的预测发电量和所述风电机的实际发电量确定的成本，所述火力发电机为由所述火电机组的实际发电量确定的成本；
根据所述风电机的实际发电量和所述火电机组的实际发电量进行风电并网调度。
进一步的，所述根据碳排放成本、风力发电成本和火力发电成本之和最低，基于粒子群算法结合遗传算法确定风电机的实际发电量和火电机组的实际发电量，包括：
获取粒子群的基本参数，所述基本参数包括迭代终止条件和粒子群所包括的粒子个数；
随机初始化各粒子的当前位置和当前速度；
根据各粒子的当前位置和当前速度确定各粒子的当前个体极值，根据各粒子的当前个体极值确定粒子群的当前全局极值；
根据所述当前个体极值和所述当前全局极值更新各粒子的当前位置和当前速度；
更新所述当前全局极值和所述当前个体极值，并基于变异算子使得更新后的当前全局极值对应的所述碳排放成本、所述风力发电成本和所述火力发电成本之和小于更新前的当前全局极值对应的所述碳排放成本、所述风力发电成本和火力发电成本之和；
在达到所述迭代终止条件后，将最后一次更新后得到的当前全局极值作为所述风电机的实际发电量和所述火电机组的实际发电量。
进一步的，所述随机初始化各粒子的当前位置和当前速度，包括：
获取预设约束条件；
随机初始化各粒子的当前位置和当前速度，各粒子的当前位置为满足所述预设约束条件的当前位置，所述预设约束条件包括火电机组运行约束条件、火电机组爬坡率约束条件、旋转备用约束条件和风电穿透功率约束条件。
进一步的，所述根据碳排放成本、风力发电成本和火力发电成本之和最低，基于粒子群算法结合遗传算法确定风电机的实际发电量和火电机组的实际发电量之前，还包括：
获取风电机的预测发电成本系数、风电机的第一预测偏差成本系数、风电机的第二预测偏差成本系数、风电机的预测发电可靠性系数和风电机的旋转备用成本系数；
相应的，所述风力发电成本为由所述风电机的预测发电量和所述风电机的实际发电量确定的成本，包括：
所述风力发电成本为由风电机运行维护成本、风电机预测偏差成本和风电机旋转备用成本之和确定的成本，所述风电机运行维护成本为由所述风电机的预测发电量和所述风电机的预测发电成本系数确定的成本，所述风电机预测偏差成本为由所述风电机的预测发电量、所述风电机的实际发电量、所述风电机的第一预测偏差成本系数和所述风电机的第二预测偏差成本系数确定的成本，以及，所述风电机旋转备用成本为由所述风电机的预测发电量、所述风电机的预测发电可靠性系数和所述风电机的旋转备用成本系数确定的成本。
进一步的，所述根据碳排放成本、风力发电成本和火力发电成本之和最低，基于粒子群算法结合遗传算法确定风电机的实际发电量和火电机组的实际发电量之前，还包括：
获取碳排放强度和碳排放成本系数；
相应的，所述碳排放成本为由所述碳排放配额和所述火电机组的实际发电量确定的成本，包括：
所述碳排放成本为由所述碳排放配额、所述火电机组的实际发电量、所述碳排放强度和所述碳排放成本系数确定的成本。
进一步的，通过如下方式获取所述风电机的预测发电量：
获取当前风力发电量影响因素，所述当前风力发电量影响因素包括所述风电机当前所处环境的风速、大气压值、温度和风电机故障时间；
根据所述当前风力发电影响因素、风力发电影响因素与风电机的发电量的对应关系，确定所述风电机的预测风力发电量，所述风力发电影响因素与风电机的发电量的对应关系通过风力发电量确定模型得到。
进一步的，所述获取当前风力发电影响因素之前，还包括：
获取训练风力发电影响因素和对应的训练风电机的训练发电量，所述训练风力发电影响因素包括所述训练风电机当前所处环境的风速、大气压值、温度和风电机故障时间；
将所述训练风力发电影响因素作为输入变量，所述训练发电量作为输出变量，训练分类器模型，将训练后的分类器模型作为所述风力发电量确定模型。
第二方面，本发明实施例还提供了一种风电并网的调度装置，该装置包括：
碳排放配额和预测发电量获取模块，用于获取碳排放配额和风电机的预测发电量；
实际发电量确定模块，用于根据碳排放成本、风力发电成本和火力发电成本之和最低，基于粒子群算法结合遗传算法确定风电机的实际发电量和火电机组的实际发电量，所述碳排放成本为由所述碳排放配额和所述火电机组的实际发电量确定的成本，所述风力发电成本为由所述风电机的预测发电量和所述风电机的实际发电量确定的成本，所述火力发电成本为由所述火电机组的实际发电量确定的成本；
风电并网调度模块，用于根据所述风电机的实际发电量和所述火电机组的实际发电量进行风电并网调度。
第三方面，本发明实施例还提供了一种设备，该设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明实施例第一方面所述的方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例第一方面所述的方法。
本发明实施例通过获取碳排放配额和风电机的预测发电量，根据碳排放成本、风力发电成本和火力发电成本之和最低，基于粒子群算法结合遗传算法确定风电机的实际发电量和火电机组的实际发电量，碳排放成本为由碳排放配额和火电机组的实际发电量确定的成本，风力发电成本为由风电机的预测发电量和风电机的实际发电量确定的成本，火力发电成本为由火电机组的实际发电量确定的成本，根据风电机的实际发电量和火电机组的实际发电量进行风电并网调度，上述通过在以碳排放成本、风力发电成本和火力发电成本之和最低为目标下，确定风电机的实际发电量和火力机组的实际发电量，实现了合理配置风力发电量和火力发电量，进而实现了风电并网的合理调度。
附图说明
图1是本发明实施例中的一种风电并网的调度方法的流程图；
图2是本发明实施例中的一种风电并网的调度方法的应用示意图；
图3是本发明实施例中的一种另一种风电并网的调度方法的流程图；
图4是本发明实施例中的一种风电并网的调度装置的结构示意图；
图5是本发明实施例中的一种设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例
图1为本发明实施例提供的一种风电并网的调度方法的流程图，本实施例可适用于实现风电并网的合理调度的情况，该方法可以由风电并网的调度装置来执行，该装置可以采用软件和/或硬件的方式实现，该装置可以配置于设备中，例如典型的是计算机等。如图1所示，该方法具体包括如下步骤：
步骤110、获取碳排放配额和风电机的预测发电量。
在本发明的实施例中，碳排放配额是由相关部门分配的可排放碳的限额，风电机的预测发电量可以通过预先建立的风力发电量确定模型得到，其中，风力发电量确定模型建立了风力发电影响因素与风电机的发电量的对应关系，风力发电影响因素可以包括风电机所处环境的风速、大气压值、温度和风电机故障时间。上述将风电机故障时间作为风力发电影响因素之一，参与构建风力发电量确定模型，可以提高风力发电量确定模型的预测精度，所谓提高风力发电量确定模型的预测精度指的是使得风电机的预测发电量更接近风电机的实际发电量。上述将风电机故障时间作为风力发电影响因素之一，参与构建风力发电量确定模型，可以提高风力发电量确定模型的预测精度的原因在于：风电机的发电量容易受到突发事件的影响，这里所述的突发事件可以指风电机在某个时间发生了故障，可以理解到，风电机发生故障与风电机未发生故障，两种情况下，风电机的发电量将会不同，因此，将风电机故障时间作为风力发电影响因素之一，参与到构建风力发电量确定模型，可以提高风力发电量确定模型的预测精度，即使得风电机的预测发电量更加接近风电机的实际发电量，降低风力发电的随机性和波动性对风电机的预测发电量的影响。
步骤120、根据碳排放成本、风力发电成本和火力发电成本之和最低，基于粒子群算法结合遗传算法确定风电机的实际发电量和火电机组的实际发电量，碳排放成本为由碳排放配额和火电机组的实际发电量确定的成本，风力发电成本为由风电机的预测发电量和风电机的实际发电量确定的成本，火力发电量为由火电机组的实际发电量确定的成本。
步骤130、根据风电机的实际发电量和火电机组的实际发电量进行风电并网调度。
在本发明的实施例中，为了实现风电并网情况下的最优调度，所谓最优调度指的是在碳排放成本、风力发电成本和火力发电成本之和最低条件下，确定风电机的实际发电量和火电机组的实际发电量，按照确定的风电机的实际发电量和火电机组的实际发电量，进行调度。换个角度理解，按照上述条件确定的风电机的实际发电量和火电机组的实际发电量，将使得碳排放成本、风力发电成本和火力发电成本之和最低，实现了风电并网情况下的最优调度。
基于上述，可以理解到，上述风电并网情况下的最优调度实质上是一个多目标优化问题，可将碳排放成本、风力发电成本和火力发电成本之和作为目标函数，碳排放成本是由碳排放配额和火电机组的实际发电量所确定的成本，风力发电成本是由风电机的预测发电量和风电机的实际发电量所确定的成本，火力发电成本是由火力机组的实际发电量所确定的成本，其中，风电机的实际发电成本和火电机组的实际发电成本是待求量，风电机的预测发电量和碳排放配额是已知量，即风电机的实际发电量和火电机组的实际发电量是目标函数中的待求量。
针对多目标优化问题，可以采用基于粒子群算法结合遗传算法来解决。其中，粒子群算法(Particle Swarm Optimization，PSO)属于进化算法中的一种，和模拟退火算法相似，也是从随机解出发，通过迭代寻找最优解。粒子群算法中，每个优化问题的解可以看作是搜索空间中一只无重量和无体积的鸟，称为“粒子”，所有粒子构成粒子群。每个粒子具有位置、速度和适应值等属性，其中，位置表示的是空间中的向量，速度包括位置移动的大小和方向，适应值由目标函数的输出值确定。每个粒子不清楚目标的具体位置，但清楚自身历史位置的好坏，也知道哪个粒子离目标最近。在迭代过程中，每个粒子通过在可行域中进行搜索，追踪两个极值来更新自身的速度和位置，两个极值分别为个体极值(即phest)和全局极值(即gbest)，其中，个体极值指的是粒子本身所找到的最优解，或者，个体极值指的是粒子本身从最初到当前迭代次数为止经历的最优位置；全局极值指的是粒子群从最初到当前迭代次数为止所找到的最优解，或者，全局极值指的是粒子群从最初到当前迭代次数为止所找到的最优解，或者，全局极值指的是粒子群从最初到当前迭代次数为止经历的最优位置。为了便于后续说明，下面对上述涉及到的相关概念通过如下表达式进行解释，具体的：
第λ个粒子在第k次迭代中的位置可表示如下：第λ个粒子在第k次迭代中的速度可表示如下：其中，表示第λ个粒子的第d维在第k次迭代中的位置，表示第λ个粒子的第d维在第k次迭代中的速度，1≤λ≤M，1≤d≤D，1≤k≤K，表示第λ个粒子的第d维在第k次迭代中的最大速度，M表示粒子群所包括的粒子的个数，D表示粒子的维数，K表示最大迭代次数。
个体极值可以表示为全局极值可以表示为其中，表示第λ个粒子的第d维从初始化到第k次迭代为止经历的最优位置；表示粒子群的第d维从初始化到第k次迭代为止经历的最优位置。
第λ个粒子根据如下公式更新速度：其中，ωk表示第k次迭代对应的惯性权重；c1和c2均表示学习因子；r1和r2表示随机数，0≤r1≤1，0≤r2≤1； 和表示的含义同前。
第i个粒子根据如下公式更新位置：其中，表示第λ个粒子的第d维在第k+1次迭代中的速度。粒子群算法的执行步骤如下：步骤A、获取粒子群算法的基本参数，基本参数包括迭代终止条件、粒子群所包括的粒子个数、惯性权重和学习因子；步骤B、随机初始化各粒子的当前位置和当前速度，并将各粒子的当前位置作为各粒子的当前个体极值，根据各粒子的当前位置计算各粒子的目标函数的当前输出值，并根据各粒子的目标函数的当前输出值确定粒子群的当前全局极值；步骤C、更新当前位置和当前速度；步骤D、更新当前全局极值和当前个体极值；步骤E、确定是否达到迭代终止条件，若是，则将最后一次更新后的当前全局极值作为结果输出；若否，则返回执行步骤C。
需要说明的是，粒子群算法搜索速度很快，在用于求解优化问题时，其搜索性能甚至要优于其它相对更为复杂的智能优化算法，但是粒子群算法也存在着如下不足，具体的：其一、容易陷入局部极值而导致早熟收敛的现象，原因在于：一方面，每个粒子在每次迭代更新过程中，其速度和位置的更新依据是粒子当前速度、当前位置、当前个体极值和当前全局极值，如果粒子的当前个体极值传递到下一代的比重大于当前全局极值，则当前的迭代更新容易陷入局部全局极值而无法跳出从而导致算法早熟；另一方面，由于惯性权重采用的是随算法迭代进行而线性递减的策略，在算法迭代的早期，如果搜索到的区域距离当前全局极值所在区域较远，随着惯性权重的逐渐减小，算法的局部搜索精度增强，也容易使陷入局部全局极值而导致早熟。其二、存在无法收敛到全局极值而导致发散现象。具体的：在粒子群算法中，速度的大小对应着粒子搜索速度的快慢程度，但搜索速度越大并不代表粒子越接近全局极值，较大的速度也有可能导致粒子越快偏离全局极值，因此，粒子群算法在搜索过程中有可能出现无法收敛到全局极值而出现发散现象。为了解决粒子群算法存在的上述不足，提高算法的性能，可考虑结合遗传算法，具体为可将遗传算法的变异算子引入粒子群算法中。下面对遗传算法进行进一步说明，具体的：
遗传算法是将一组随机产生的初始解称为“群体”，从这一群体开始不断进行搜索，在这个群体中，每个个体都是所求解问题的一个解，这些解称为“染色体”，上述染色体随着迭代的进行不停地进化，这个过程称为“遗传”。两个染色体在某个相同的位置处的脱氧核糖核酸被同时切断，前后两串染色体分别组合成为两个新的染色体，这一过程称为“交叉”。在染色体复制过程中，有很小的概率会产生某些复制差错，可能会形成新的染色体，表现形状也是未出现过的，这一过程称为“变异”。交叉或者变异操作可以生成下一代的染色体，这些染色体称为“后代”。适应值是衡量染色体质量好坏的标准，算法选择下一代群体的根据是适应值的大小，选择范围是上一代和后代之中，这些下一代群体再继续进行进化。这样经过若干代的进化之后，算法将会收敛于最好的染色体，这个染色体有很大几率问题的最优解或者次优解。按照某种规则来进行择优选择计算，这一过程称为“选择运算”。遗传算法主要是通过交叉算子、变异算子和选择算子来实现的。需要说明的是，变异算子的设计原则是不要破坏个体染色体基因中的优良基因，同时又能找到新的优良基因，经变异算子作用后产生的新个体原则上要求比原个体更加优秀，否则放弃该个体的变异，这样才能使个体朝着更加优秀的方向发展。
需要说明的是，遗传算法中的每个个体即是粒子群算法中的每个粒子，基于粒子群和遗传算法得到的混合算法的处理流程为：步骤F、获取粒子群算法的基本参数，基本参数包括迭代终止条件、粒子群所包括的粒子个数、惯性权重和学习因子；步骤G、随机初始化各粒子的当前位置和当前速度，并将各粒子的当前位置作为各粒子的当前个体极值，根据各粒子的当前位置计算各粒子的目标函数的当前输出值，并根据各粒子的目标函数的当前输出值确定粒子群的当前全局极值；步骤H、更新当前位置和当前速度；步骤I、更新当前全局极值和当前个体极值，基于变异算子使得更新后的当前全局极值小于更新前的全局极值；步骤J、确定是否达到迭代终止条件，若是，则将最后一次更新后的当前全局极值作为结果输出；若否，则返回执行步骤H。
采用基于粒子群算法结合遗传算法解决风电并网情况下的最优调度问题，其中，风电机组的实际发电量和火电机组的实际发电量是粒子群中的一个粒子，该粒子的维度D＝2，目标函数为碳排放成本、风力发电成本和火力发电成本之和，基于上述，基于粒子群算法结合遗传算法解决风电并网情况下的最优调度问题的步骤如下：步骤K、获取粒子群算法的基本参数，基本参数包括迭代终止条件、粒子群所包括的粒子个数、惯性权重和学习因子；步骤L、随机初始化各粒子的当前位置和当前速度，并将各粒子的当前位置作为各粒子的当前个体极值，根据各粒子的当前位置计算各粒子的目标函数的当前输出值，并根据各粒子的目标函数的当前输出值确定粒子群的当前全局极值；步骤M、更新当前位置和当前速度；步骤N、更新当前全局极值和当前个体极值，基于变异算子并基于变异算子使得更新后的当前全局极值对应的碳排放成本、风力发电成本和火力发电成本之和小于更新前的当前全局极值对应的碳排放成本、风力发电成本和火力发电成本之和；步骤O、确定是否达到迭代终止条件，若是，则将最后一次更新后得到的当前全局极值作为风电机的实际发电量和火电机组的实际发电量；若否，则返回执行步骤M。
需要说明的是，迭代终止条件可以为达到最大迭代次数，还可以为计算精度达到预设误差阈值，又可以为达到最大停滞次数，具体可以根据实际情况进行设定，在此不作具体限定。
在基于粒子群算法结合遗传算法确定出风电机的实际发电量和火电机组的实际发电量之后，便可以根据风电机的实际发电量和火电机组的实际发电量进行风电并网调度。
为了更好地理解本发明实施例所提供的技术方案，如图2给出了一种风电并网的调度方法的应用示意图。图2中基于由碳排放成本、风力发电成本和火力发电成本之和最低确定的风电机的实际发电量和火电机组的实际发电量，进行风电并网调度。
本实施例的技术方案，通过获取碳排放配额和风电机的预测发电量，根据碳排放成本、风力发电成本和火力发电成本之和最低，基于粒子群算法结合遗传算法确定风电机的实际发电量和火电机组的实际发电量，碳排放成本为由碳排放配额和火电机组的实际发电量确定的成本，风力发电成本为由风电机的预测发电量和风电机的实际发电量确定的成本，火力发电成本为由火电机组的实际发电量确定的成本，根据风电机的实际发电量和火电机组的实际发电量进行风电并网调度，上述通过在以碳排放成本、风力发电成本和火力发电成本之和最低为目标下，确定风电机的实际发电量和火力机组的实际发电量，实现了合理配置风力发电量和火力发电量，进而实现了风电并网的合理调度。
可选的，在上述技术方案的基础上，根据碳排放成本、风力发电成本和火力发电成本之和最低，基于粒子群算法结合遗传算法确定风电机的实际发电量和火电机组的实际发电量，具体可以包括：获取粒子群的基本参数，基本参数包括迭代终止条件和粒子群所包括的粒子个数。随机初始化各粒子的当前位置和当前速度。根据各粒子的当前位置和当前速度确定各粒子的当前个体极值，根据各粒子的当前个体极值确定粒子群的当前全局极值。根据当前个体极值和当前全局极值更新各粒子的当前位置和当前速度。更新当前全局极值和当前个体极值，并基于变异算子使得更新后的当前全局极值对应的碳排放成本、风力发电成本和火力发电成本之和小于更新前的当前全局极值对应的碳排放成本、风力发电成本和火力发电成本之和。在达到迭代终止条件后，将最后一次更新后得到的当前全局极值作为风电机的实际发电量和火电机组的实际发电量。
在本发明的实施例中，基于粒子群算法结合遗传算法实现风电并网下的最优调度，即确定由碳排放成本、风力发电成本和火力发电成本之和所确定的目标函数的最优解，最优解为使得目标函数的输出值最低的解，其中，风电机的实际发电量和火电机组的实际发电量为目标函数的待求量。基于粒子群算法结合遗传算法对目标函数进行求解，具体为将遗传算法中的变异算子引入粒子群算法，对目标函数进行求解。更为具体的：
获取粒子群的基本参数，基本参数包括迭代终止条件和粒子群所包括的粒子个数，随机初始化各粒子的当前位置和当前速度，根据各粒子的当前位置和当前速度确定各粒子的当前个体极值，根据各粒子的当前个体极值确定粒子群的当前全局极值，更新当前位置和当前速度，更新当前全局极值和当前个体极值，并基于变异算子使得更新后的当前全局极值对应的碳排放成本、风力发电成本和火力发电成本之和小于更新前的当前全局极值对应的碳排放成本、风力发电成本和火力发电成本之和，所谓更新指的是更新后的当前全局极值对应的碳排放成本、风力发电成本和火电发电成本之和小于更新前的当前全局极值对应的碳排放成本、风力发电成本和火力发电成本之和。
根据各粒子的当前位置和当前速度确定各粒子的当前个体极值，根据各粒子的当前个体极值确定粒子群的当前全局极值，可作如下理解：将各粒子的当前位置作为各粒子的当前个体极值，根据各粒子的当前位置计算各粒子的目标函数的当前输出值，并根据各粒子的目标函数的当前输出值确定粒子群的当前全局极值。
更新当前全局极值和当前个体极值，并基于变异算子使得更新后的当前全局极值对应的碳排放成本、风力发电成本和火力发电成本之和小于更新前的当前全局极值和当前全局极值对应的碳排放成本、风力发电成本和火力发电成本之和，可作如下理解：更新各粒子的当前个体极值，根据更新后的各粒子的当前极值，更新粒子群的当前全局极值，在更新当前个体极值和当前全局极值过程中，基于变异算子使得更新后的当前个体极值对应的碳排放成本、风力发电成本和火力发电成本之和小于更新后的当前个体极值对应的碳排放成本、风力发电成本和火力发电成本之和，以及，基于变异算子使得更新后的当前全局极值对应的碳排放成本、风力发电成本和火力发电成本之和小于更新后的当前全局极值对应的碳排放成本、风力发电成本和火力发电成本之和。需要说明的是，由于粒子群的当前全局极值是基于各粒子的当前个体极值确定的，因此，基于变异算子使得更新后的当前个体极值对应的碳排放成本、风力发电成本和火力发电成本之和小于更新后的当前个体极值对应的碳排放成本、风力发电成本和火力发电成本之和，便可以确定基于变异算子更新后的当前全局极值对应的碳排放成本、风力发电成本和火力发电成本之和小于更新前的当前全局极值对应的碳排放成本、风力发电成本和火力发电成本之和。更为具体的：
针对当前迭代次数的粒子群中每个粒子来说，根据该粒子的当前位置计算该粒子的目标函数的当前输出值(即当前适应值)，比较当前迭代次数对应的当前适应值是否小于上一迭代次数对应的当前适应值，根据比较结果将存在如下情况：
情况一、如果当前迭代次数对应的当前适应值小于上一迭代次数对应的当前适应值，则将当前迭代次数对应的当前个体极值作为新的当前个体极值以更新上一迭代次数对应的当前个体极值，其中，当前迭代次数对应的当前个体极值即为当前迭代次数对应的当前位置。
情况二、如果当前迭代次数对应的当前适应值大于等于上一迭代次数对应的当前适应值，则基于变异算子对粒子的当前位置和当前速度进行变异操作，根据变异后的粒子的当前位置计算该粒子的目标函数的当前输出值(即当前适应值)，比较当前迭代次数对应的变异后的当前适应值是否小于上一迭代次数对应的当前适应值，如果当前迭代次数对应的变异后的当前适应值小于上一迭代次数对应的当前适应值，则将当前迭代次数对应的变异后的当前个体极值作为新的当前个体极值以更新上一迭代次数对应的当前个体极值，如果当前迭代次数对应的变异后的当前适应值大于等于上一迭代次数对应的当前适应值，则返回执行基于变异算子对粒子的当前位置和当前速度进行变异操作，根据变异后的粒子的当前位置计算该粒子的目标函数的当前输出值(即当前适应值)，比较当前迭代次数对应的变异后的当前适应值是否小于上一迭代次数对应的当前适应值的操作，直至确定当前迭代次数对应的变异后的当前适应值小于上一迭代次数对应的当前适应值。
需要说明的是，针对上述情况一，即针对当前迭代次数的粒子群中每个粒子来说，如果未基于变异算子对该粒子的当前位置和当前速度进行变异前，便确定当前迭代次数对应的当前适应值小于上一迭代次数对应的当前适应值，则将当前迭代次数对应的当前个体极值作为新的当前个体极值以更新上一迭代次数对应的当前个体极值后，再基于变异算子对该粒子的当前位置和当前速度进行变异，根据变异后的粒子的当前位置计算该粒子的目标函数的当前输出值(即当前适应值)，比较当前迭代次数对应的变异后的当前适应值是否小于当前迭代次数对应的变异前的当前适应值，如果当前迭代次数对应的变异后的当前适应值小于当前迭代次数对应的变异前的当前适应值，则将当前迭代次数对应的变异后的当前个体极值作为新的当前个体极值以更新当前迭代次数对应的变异前的当前个体极值，如果当前迭代次数对应的变异后的当前适应值大于等于当前迭代次数对应的变异前的当前适应值，则返回执行基于变异算子对粒子的当前位置和当前速度进行变异操作，根据变异后的粒子的当前位置计算该粒子的目标函数的当前输出值(即当前适应值)，比较当前迭代次数对应的变异后的当前适应值是否小于当前迭代次数对应的变异前的当前适应值，直至确定当前迭代次数对应的变异后的当前适应值小于当前迭代次数对应的变异前的当前适应值。
在更新粒子群的当前全局极值和粒子群中各粒子的当年个体极值后，确定是否满足迭代终止条件，如果满足迭代终止条件，则将最后一次更新后得到的当前全局极值作为输出结果，即将最后一次更新得到的当前全局极值作为风电机的实际发电量和火电机组的实际发电量；如果不满足迭代终止条件，则返回执行根据当前个体极值和当前全局极值更新各粒子的当前位置和当前速度的操作，直至满足迭代终止条件，并将最后一次更新后得到的当前全局极值作为输出结果，即将最后一次更新得到的当前全局极值作为风电机的实际发电量和火电机组的实际发电量。
需要说明的是，粒子群的基本参数还可以包括惯性权重和学习因子。
可选的，在上述技术方案的基础上，随机初始化各粒子的当前位置和当前速度，具体可以包括：获取预设约束条件。随机初始化各粒子的当前位置和当前速度，各粒子的当前位置为满足预设约束条件的当前位置，预设约束条件包括火电机组运行约束条件、火电机组爬坡率约束条件、旋转备用约束条件和风电穿透功率约束条件。
在本发明的实施例中，在随机初始化各粒子的当前位置和当前速度的过程中，需要使得各粒子的当前位置满足预设约束条件，可以理解到，在随机初始化各粒子的当前位置和当前速度过程中，如果各粒子的当前位置不满足对应的预设约束条件，则重新随机初始化各粒子的当前位置，直至随机初始化的各粒子的当前位置满足预设约束条件。
预设约束条件可以包括火电机组运行约束条件、火电机组爬坡率约束条件、旋转备用约束条件和风电穿透功率约束条件，其中，火电机组运行约束条件可作如下理解：火电机组运行约束条件表示火电机组的实际发电量需要大于等于火电机组的最小发电量且小于等于火电机组的最大发电量。火电机组爬坡率约束条件可作如下理解：由于火电机组的实际发电量的广泛波动将会危及电力系统输入区域的安全，因此，需要限制火电机组在单位时间内输出功率的变化幅度，即需要限制火电机组在单位时间内的实际发电量的变化幅度。火电机组爬坡率表示单位时间内可以增大或减小发电机组的实际发电量。旋转备用约束条件可作如下理解：当电力系统运行时，发电侧和需求侧都可能发生波动，为了保持实时平衡，可以通过增加或减小输出功率(即实际发电量)来调节到一定范围内。由于风力发电只能提供电能，其不具备提供备用的能力，因此，由火电机组提供旋转备用，即通过增加或减小火电机组的实际发电量来调节到一定范围内，来满足旋转备用。风电穿透功率约束条件可作如下理解：为了确保电能质量，需要使得风电机的实际发电量不能大于预设阈值。
可选的，在上述技术方案的基础上，根据碳排放成本、风力发电成本和火力发电成本之和最低，基于粒子群算法结合遗传算法确定风电机的实际发电量和火电机组的实际发电量之前，具体还可以包括：获取风电机的预测发电成本系数、风电机的第一预测偏差成本系数、风电机的第二预测偏差成本系数、风电机的预测发电可靠性系数和风电机的旋转备用成本系数。相应的，风力发电成本为由风电机的预测发电量和风电机的实际发电量确定的成本，具体可以包括：风力发电成本为由风电机运行维护成本、风电机预测偏差成本和风电机旋转备用成本之和确定的成本，风电机运行维护成本为由风电机的预测发电量和风电机的预测发电成本系数确定的成本，风电机预测偏差成本为由风电机的预测发电量、风电机的实际发电量、风电机的第一预测偏差成本系数和风电机的第二预测偏差成本系数确定的成本，以及，风电机旋转备用成本为由风电机的预测发电量、风电机的预测发电可靠性系数和风电机的旋转备用成本系数确定的成本。
在本发明的实施例中，风力发电成本为由风电机运行维护成本、风电机预测偏差成本和风电机旋转备用成本之和确定的成本，其中，风电机运行维护成本为由到的预测发电量和风电机的预测发电成本系数确定的成本，风电机预测偏差成本为由风电机的预测发电量、风电机的实际发电量、风电机的第一预测偏差成本系数和风电机的第二预测偏差成本系数确定的成本，风电机旋转备用成本为由风电机的预测发电量、风电机的预测发电可靠性系数和风电机的旋转备用成本系数确定的成本。为了更好地理解风力发电成本，下面通过如下公式对上述内容进行说明，具体的：设定风电机j在时间段t内的预测发电量用表示，风电机j在时间段t内的实际发电量用表示，风电机的预测发电成本系数用Cm表示，风电机的第一预测偏差成本系数用Cdh表示，风电机的第二预测偏差成本系数用Cdl表示，风电机的预测发电可靠性系数用Er表示，风电机的旋转备用成本系数用Cr表示。其中，和的单位均是MW，Cm、Cdh和Cdl的单位均是yuan/(MW gh)，Cr的单位是yuan/MW。
风电机预测偏差成本可用如下公式表示：
风电机预测偏差成本可用如下公式表示：其中，Cdh还可以表示高估预测偏差成本系数，Cdl还可以表示低估预测偏差成本系数。T表示时间段个数，Fdjh，t表示风电机j在时间段t内的高估风电机预测偏差成本，Fdjl，t表示风电机j在时间段t内的低估风电机预测偏差成本。可以理解到，风电机的第一预测成本偏差系数即为高估预测偏差成本系数，风电机的第二预测成本偏差系数即为低估预测偏差成本系数。
风电机旋转备用成本可用如下公式表示：
风力发电成本可用如下公式表示：Fw＝Fm+Fd+Fr。
可选的，在上述技术方案的基础上，根据碳排放成本、风力发电成本和火力发电成本之和最低，基于粒子群算法结合遗传算法确定风电机的实际发电量和火电机组的实际发电量之前，具体还可以包括：获取碳排放强度和碳排放成本系数。相应的，碳排放成本为由碳排放配额和火电机组的实际发电量确定的成本，具体可以包括：碳排放成本为由碳排放配额、火电机组的实际发电量、碳排放强度和碳排放成本系数确定的成本。
在本发明的实施例中，碳排放成本为由碳排放配额、火电机组的实际发电量、碳排放强度和碳排放成本系数确定的成本，为了更好地理解碳排放成本，下面通过如下公式对上述内容进行说明，具体的：设定火电机组i在时间段t内的实际发电量用表示，所有风电机组在时间段t内的实际发电量用表示，碳排放配额用η表示，火电机组i的碳排放强度用σi表示，碳排放成本系数用Cp表示。其中，和的单位均是MW，η的单位是ton/(MW gh)，σi的单位是t/(MW gh)，Cp的单位是yuan/MW。
碳排放成本可用如下公式表示：FC＝Cp(Ep-Eq)，其中，Ep表示所有火电机组的碳排放量，Eq表示火电机组的碳排放配额量，ΔT表示时间段，T表示时间段个数，N表示火电机组个数，ΔT的单位是h。需要说明的是，当火电机组的实际碳排放量大于火电机组的碳排放配额量时，超出的实际碳排放量需要在碳交易市场上购买，这也是碳排放过量所带来的成本。如果不进行购买，则相应的企业将受到重罚；当火电机组的实际碳排放量小于火电机组的碳排放配额量时，剩余的碳排放配额量可以在碳交易市场上销售以获取利润。可以理解到，如果FC＞0，则可以说明火电机组的实际碳排放量大于火电机组的碳排放配额量时，超出的实际碳排放量需要在碳交易市场上购买，这也是碳排放过量所带来的成本；如果FC＜0，则可以说明火电机组的实际碳排放量小于火电机组的碳排放配额量时，剩余的碳排放配额量可以在碳交易市场上销售以获取利润。
可选的，在上述技术方案的基础上，根据碳排放成本、风力发电成本和火力发电成本之和最低，基于粒子群算法结合遗传算法确定风电机的实际发电量和火电机组的实际发电量之前，具体还可以包括：获取火电机组的第一发电成本系数、火电机组的第二预发电成本系数和火电机组的第三发电成本系数。相应的，火力发电成本为由火电机组的实际发电量确定的成本，具体可以包括：火力发电成本为由火电机组的第一发电成本系数、火电机组的第二发电成本系数和火电机组的实际发电量确定的成本。
在本发明的实施例中，火力发电成本为由火电机组的第一发电成本系数、火电机组的第二发电成本系数和火电机组的实际发电量确定的成本，为了更好地理解火力发电成本，下面通过如下公式对上述内容进行说明，具体的：设定火电机组i在时间段t内的实际发电量用表示，火电机组i的第一发电成本系数用ai表示，火电机组i的第二发电成本系数用bi表示，火电机组i的第一发电成本系数用ci表示。其中，的单位是MW，ai的单位是yuan/h，bi的单位是yuan/MW，ci的单位是yuan/(MW2gh)。
火力发电成本可用如下公式表示：其中，T表示时间段个数，N表示火电机组个数。
可选的，在上述技术方案的基础上，火电机组运行约束条件可用如下公式表示：其中，和分别表示火电机组i的最小实际发电量和火电机组i的最大实际发电量。火电机组爬坡率约束条件可用如下公式表示：其中，Rdown和Rup分别表示火电机组i在单位时间内减少的有功功率和增加的有功功率，表示火电机组i在时间段t-1内的实际发电量。旋转备用约束条件可用如下公式表示： 其中，di表示火电机组i的状态标识，di＝1表示火电机组i处于运行状态，di＝0表示火电机组i处于停机状态，Sup，i和Sdown，i分别表示火电机组i的最小正旋转备用容量和火电机组i的最小负旋转备用容量。风电穿透功率约束条件可用如下公式表示：其中，μ表示系数，PD，jt表示风电机j在时间段t内的负荷需求。
可选的，在上述技术方案的基础上，通过如下方式获取风电机的预测发电量：获取当前风力发电影响因素，当前风力发电影响因素包括风电机当前所处环境的风速、大气压值、温度和风电机故障时间。根据当前风力发电影响因素、风力发电影响因素与风电机的发电量的对应关系，确定风电机的预测风力发电量，风力发电影响因素与风电机的发电量的对应关系通过风力发电量确定模型得到。
在本发明的实施例中，根据风电厂的实际运行情况，风电机故障将会影响风机转速，进而影响风电机的预测发电量，而在风电机消缺后，风电机要达到一定转速才能并网发电，因此，风电机故障时间将对风电机的预测发电量产生一定影响，为了确定具体哪些因素将对风电机的预测发电量产生影响，可将风电机当前所处环境的风速、大气压值、温度和风电机故障时间四个因素分别形成10中组合方式，分别为风速；风速和温度；风速、温度和大气压值；风速、温度、大气压值和风电机故障时间；温度；温度和大气压值；温度、大气压值和风电机故障时间；大气压值；大气压值和风电机故障时间；风电机故障时间。可分别基于径向基函数(Radial Basis Function，RBF)和广义回归神经网络(General RegressionNeural Network，GRNN)对上述10种组合方式作为输入变量建立的模型的预测结果的预测精度进行评价，针对每个组合方式，由于分别基于径向基函数和广义回归神经网络建立模型，因此，将得到两个模型的预测结果，并选择两个模型的预测结果的预测精度高的一种模型的预测结果作为该种组合方式对应的预测结果。比较各个组合方式所对应的预测结果，根据比较结果确定将风速、温度、大气压值和风电机故障时间作为输入变量建立的模型的预测结果的预测精度最高，因此，可以确定风速、温度、大气压值和风电机故障时间为影响风电机的预测发电量的因素，并将上述风速、温度、大气压值和风电机故障时间作为风力发电影响因素。
基于上述，获取当前风力发电影响因素，当前风力发电影响因素包括风电机当前所处环境的风速、大气压值、温度和风电机故障时间，根据当前风力发电影响因素、风力发电影响因素与风电机的发电量的对应关系，确定风电机的预测风力发电量，风力发电影响因素与风电机的发电量的对应关系通过风力发电量确定模型得到，即可将当前风力发电影响因素作为输入变量输入风力发电量确定模型，得到风电机的预测风力发电量。
可选的，在上述技术方案的基础上，获取当前风力发电影响因素之前，具体还可以包括：获取训练风力发电影响因素和对应的训练风电机的训练发电量，训练风力发电影响因素包括训练风电机当前所处环境的风速、大气压值、温度和风电机故障时间。将训练风力发电影响因素作为输入变量，训练发电量作为输出变量，训练分类器模型，将训练后的分类器模型作为风力发电量确定模型。
在本发明的实施例中，可以通过如下方式训练发电量确定模型：获取训练风力发电影响因素和对应的训练风电机的训练发电量，训练发电量影响因素具体可以包括训练风电机当前所处环境的风速、大气压值、温度和风电机故障时间，将训练风力发电影响因素作为输入变量，训练发电量作为输出变量，训练分类器模型，将训练后的分类器模型作为风力发电量确定模型，其中，分类器可以为支持向量机、广义回归神经网络、径向基函数和误差反向传播(Back Propagation，BP)神经网络等，具体可以根据实际情况进行设定，在此不作具体限定。
需要说明的是，风电机故障时间可以通过基于神经网络的时间序列方法得到，时间序列方法是一种根据动态数据揭示系统动态结构和规律的统计方法，从统计意义上来说，所谓时间序列是将一个在不同时间上的不同数值，按照时间的先后顺序而成的序列，而基于神经网络的时间序列方法避免了时间序列方法中仅仅依赖时间变化的趋势去预测未来某个时刻的数值。将历史数据作为神经网络的输入变量，利用了神经网络的自主学习能力，自学习大量历史数据中的关系，能更好的预测实际问题。神经网络可以为误差反向传播神经网络或Elman神经网络等。其中，Elman神经网络可以看作是一个具有局部记忆单元和局部反馈连接的递归神经网络，Elman神经网络具有与多层前向网络相似的多层结构。
为了获得风电机故障时间，需要采用基于神经网络的时间序列方法训练风电机故障时间预测模型。具体可以通过如下方式训练风电机故障时间预测模型：获取两组或两组以上训练样本，每组训练样本包括风电机的历史故障时间序列和对应的风电机的实际故障时间，具体可作如下理解：对于每个历史故障时间序列包括θ个数值，用前三天的数值预测第四天的值。将风电机的历史故障时间序列输入神经网络，得到对应的风电机的预测故障时间。根据风电机的实际故障时间和风电机的预测故障时间确定神经网络的损失函数。根据神经网络的损失函数调整神经网络的网络参数，直至神经网络的损失函数的输出值小于等于预设阈值，则将神经网络作为风电机故障时间预测模型。
图3为本发明实施例提供的另一种风电并网的调度方法的流程图，本实施例可适用于实现风电并网的合理调度的情况，该方法可以由风电并网的调度装置来执行，该装置可以采用软件和/或硬件的方式实现，该装置可以配置于设备中，例如典型的是计算机等。如图3所示，该方法具体包括如下步骤：
步骤210、获取训练风力发电影响因素和对应的训练风电机的训练发电量，训练风力发电影响因素包括训练风电机当前所处环境的风速、大气压值、温度和风电机故障时间。
步骤220、将训练风力发电影响因素作为输入变量，训练发电量作为输出变量，训练分类器模型，将训练后的分类器模型作为风力发电量确定模型。
步骤230、获取当前风力发电影响因素，当前风力发电影响因素包括风电机当前所处环境的风速、大气压值、温度和风电机故障时间。
步骤240、根据当前风力发电影响因素、风力发电影响因素与风电机的发电量的对应关系，确定风电机的预测风力发电量，风力发电影响因素与风电机的发电量的对应关系通过风力发电量确定模型得到。
步骤250、获取碳排放配额、碳排放强度、碳排放成本系数、风电机的预测发电成本系数、风电机的第一预测偏差成本系数、风电机的第二预测偏差成本系数、风电机的预测发电可靠性系数和风电机的旋转备用成本系数。
步骤260、根据碳排放成本、风力发电成本和火力发电成本之和最低，基于粒子群算法结合遗传算法确定风电机的实际发电量和火电机组的实际发电量，碳排放成本为由碳排放配额、火电机组的实际发电量、碳排放强度和碳排放成本系数确定的成本，风力发电成本为由风电机运行维护成本、风电机预测偏差成本和风电机旋转备用成本之和确定的成本，风电机运行维护成本为由风电机的预测发电量和风电机的预测发电成本系数确定的成本，风电机预测偏差成本为由风电机的预测发电量、风电机的实际发电量、风电机的第一预测偏差成本系数和风电机的第二预测偏差成本系数确定的成本，风电机旋转备用成本为由风电机的预测发电量、风电机的预测发电可靠性系数和风电机的旋转备用成本系数确定的成本，火力发电成本为由火电机组的实际发电量确定的成本。
步骤270、根据风电机的实际发电量和火电机组的实际发电量进行风电并网调度。
本实施例的技术方案，通过获取碳排放配额和风电机的预测发电量，根据碳排放成本、风力发电成本和火力发电成本之和最低，基于粒子群算法结合遗传算法确定风电机的实际发电量和火电机组的实际发电量，碳排放成本为由碳排放配额和火电机组的实际发电量确定的成本，风力发电成本为由风电机的预测发电量和风电机的实际发电量确定的成本，火力发电成本为由火电机组的实际发电量确定的成本，根据风电机的实际发电量和火电机组的实际发电量进行风电并网调度，上述通过在以碳排放成本、风力发电成本和火力发电成本之和最低为目标下，确定风电机的实际发电量和火力机组的实际发电量，实现了合理配置风力发电量和火力发电量，进而实现了风电并网的合理调度。
图4为本发明实施例提供的一种风电并网的调度装置的结构示意图，本实施例可适用于实现风电并网的合理调度的情况，该装置可以采用软件和/或硬件的方式实现，该装置可以配置于设备中，例如典型的是计算机等。如图4所示，该装置具体包括：
碳排放配额和预测发电量获取模块310，用于获取碳排放配额和风电机的预测发电量。
实际发电量确定模块320，用于根据碳排放成本、风力发电成本和火力发电成本之和最低，基于粒子群算法结合遗传算法确定风电机的实际发电量和火电机组的实际发电量，碳排放成本为由碳排放配额和所述火电机组的实际发电量确定的成本，风力发电成本为由风电机的预测发电量和风电机的实际发电量确定的成本，火力发电成本为由火电机组的实际发电量确定的成本。
风电并网调度模块330，用于根据风电机的实际发电量和火电机组的实际发电量进行风电并网调度。
本实施例的技术方案，通过获取碳排放配额和风电机的预测发电量，根据碳排放成本、风力发电成本和火力发电成本之和最低，基于粒子群算法结合遗传算法确定风电机的实际发电量和火电机组的实际发电量，碳排放成本为由碳排放配额和火电机组的实际发电量确定的成本，风力发电成本为由风电机的预测发电量和风电机的实际发电量确定的成本，火力发电成本为由火电机组的实际发电量确定的成本，根据风电机的实际发电量和火电机组的实际发电量进行风电并网调度，上述通过在以碳排放成本、风力发电成本和火力发电成本之和最低为目标下，确定风电机的实际发电量和火力机组的实际发电量，实现了合理配置风力发电量和火力发电量，进而实现了风电并网的合理调度。
可选的，在上述技术方案的基础上，实际发电量确定模块320，具体可以包括：
基本参数获取单元，用于获取粒子群的基本参数，基本参数包括迭代终止条件和粒子群所包括的粒子个数。
当前位置和当前速度初始化单元，用于随机初始化各粒子的当前位置和当前速度。
当前个体极值和当前全局极值确定单元，用于根据各粒子的当前位置和当前速度确定各粒子的当前个体极值，根据各粒子的当前个体极值确定粒子群的当前全局极值。
当前位置和当前速度更新单元，用于根据当前个体极值和当前全局极值更新各粒子的当前位置和当前速度。
当前全局极值和当前个体极值更新单元，用于更新当前全局极值和当前个体极值，并基于变异算子使得更新后的当前全局极值对应的所述碳排放成本、风力发电成本和火力发电成本之和小于更新前的当前全局极值对应的碳排放成本、风力发电成本和火力发电成本之和。
实际发电量确定单元，用于在达到迭代终止条件后，将最后一次更新后得到的当前全局极值作为风电机的实际发电量和火电机组的实际发电量。
可选的，在上述技术方案的基础上，当前位置和当前速度初始化单元，具体可以用于：
获取预设约束条件。
随机初始化各粒子的当前位置和当前速度，各粒子的当前位置为满足预设约束条件的当前位置，预设约束条件包括火电机组运行约束条件、火电机组爬坡率约束条件、旋转备用约束条件和风电穿透功率约束条件。
可选的，在上述技术方案的基础上，根据碳排放成本、风力发电成本和火力发电成本之和最低，基于粒子群算法结合遗传算法确定风电机的实际发电量和火电机组的实际发电量之前，具体还可以包括：
获取风电机的预测发电成本系数、风电机的第一预测偏差成本系数、风电机的第二预测偏差成本系数、风电机的预测发电可靠性系数和风电机的旋转备用成本系数。
相应的，风力发电成本为由风电机的预测发电量和风电机的实际发电量确定的成本，具体可以包括：
风力发电成本为由风电机运行维护成本、风电机预测偏差成本和风电机旋转备用成本之和确定的成本，风电机运行维护成本为由风电机的预测发电量和风电机的预测发电成本系数确定的成本，风电机预测偏差成本为由风电机的预测发电量、风电机的实际发电量、风电机的第一预测偏差成本系数和风电机的第二预测偏差成本系数确定的成本，以及，风电机旋转备用成本为由风电机的预测发电量、风电机的预测发电可靠性系数和风电机的旋转备用成本系数确定的成本。
可选的，在上述技术方案的基础上，根据碳排放成本、风力发电成本和火力发电成本之和最低，基于粒子群算法结合遗传算法确定风电机的实际发电量和火电机组的实际发电量之前，具体还可以包括：
获取碳排放强度和碳排放成本系数。
相应的，碳排放成本为由碳排放配额和火电机组的实际发电量确定的成本，具体可以包括：
碳排放成本为由碳排放配额、火电机组的实际发电量、碳排放强度和碳排放成本系数确定的成本。
可选的，在上述技术方案的基础上，可以通过如下方式获取风电机的预测发电量：
获取当前风力发电影响因素，当前风力发电影响因素包括风电机当前所处环境的风速、大气压值、温度和风电机故障时间。
根据当前风力发电影响因素、风力发电影响因素与风电机的发电量的对应关系，确定风电机的预测风力发电量，风力发电影响因素与风电机的发电量的对应关系通过风力发电量确定模型得到。
可选的，在上述技术方案的基础上，获取当前风力发电影响因素之前，具体还可以包括：
获取训练风力发电影响因素和对应的训练风电机的训练发电量，训练风力发电影响因素包括训练风电机当前所处环境的风速、大气压值、温度和风电机故障时间。
将训练风力发电影响因素作为输入变量，训练发电量作为输出变量，训练分类器模型，将训练后的分类器模型作为风力发电量确定模型。
本发明实施例所提供的风电并网的调度装置可执行本发明任意实施例所提供的风电并网的调度方法，具备执行方法相应的功能模块和有益效果。
图5为本发明实施例提供的一种设备的结构示意图。图5示出了适于用来实现本发明实施方式的示例性设备412的框图。图5显示的设备412仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，设备412以通用计算设备的形式表现。设备412的组件可以包括但不限于：一个或者多个处理器416，系统存储器428，连接于不同系统组件(包括系统存储器428和处理器416)的总线418。
总线418表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Instruction Set Architecture，ISA)总线，微通道体系结构(Micro Channel Architecture，MCA)总线，增强型(Instruction Set Architecture，ISA)总线、视频电子标准协会(Video ElectronicsStandards Association，VESA)局域总线以及外围组件互连(Peripheral ComponentInterconnect，PCI)总线。
设备412典型地包括多种计算机系统可读介质。这些介质可以是任何能够被设备412访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器428可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(Random Access Memory，RAM)430和/或高速缓存存储器432。设备412可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统434可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如(Computer Disc Read-Only Memory，CD-ROM)，数字视盘(Digital Video Disc-Read Only Memory，DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线418相连。存储器428可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块442的程序/实用工具440，可以存储在例如存储器428中，这样的程序模块442包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块442通常执行本发明所描述的实施例中的功能和/或方法。
设备412也可以与一个或多个外部设备414(例如键盘、指向设备、显示器324等)通信，还可与一个或者多个使得用户能与该设备412交互的设备通信，和/或与使得该设备412能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口422进行。并且，设备412还可以通过网络适配器420与一个或者多个网络(例如局域网(Local Area Network，LAN)，广域网(Wide Area Network，WAN)和/或公共网络，例如因特网)通信。如图5所示，网络适配器420通过总线418与设备412的其它模块通信。应当明白，尽管图5中未示出，可以结合设备412使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of Independent Disks，RAID)系统、磁带驱动器以及数据备份存储系统等。
处理器416通过运行存储在系统存储器428中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的一种风电并网的调度方法，该方法包括：
获取碳排放配额和风电机的预测发电量。
根据碳排放成本、风力发电成本和火力发电成本之和最低，基于粒子群算法结合遗传算法确定风电机的实际发电量和火电机组的实际发电量，碳排放成本为由碳排放配额和火电机组的实际发电量确定的成本，风力发电成本为由风电机的预测发电量和风电机的实际发电量确定的成本，火力发电成本为由火电机组的实际发电量确定的成本。
根据风电机的实际发电量和火电机组的实际发电量进行风电并网调度。
当然，本领域技术人员可以理解，处理器还可以实现本发明任意实施例所提供应用于设备的风电并网的调度方法的技术方案。该设备的硬件结构以及功能可参见实施例的内容解释。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例所提供的一种风电并网的调度方法，该方法包括：
获取碳排放配额和风电机的预测发电量。
根据碳排放成本、风力发电成本和火力发电成本之和最低，基于粒子群算法结合遗传算法确定风电机的实际发电量和火电机组的实际发电量，碳排放成本为由碳排放配额和火电机组的实际发电量确定的成本，风力发电成本为由风电机的预测发电量和风电机的实际发电量确定的成本，火力发电成本为由火电机组的实际发电量确定的成本。
根据风电机的实际发电量和火电机组的实际发电量进行风电并网调度。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(Random AccessMemory，RAM)、只读存储器(Read-Only Memory，ROM)、可擦式可编程只读存储器(ErasableProgrammable Read Only Memory，EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Computer Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、射频等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——局域网(Local AreaNetwork，LAN)或广域网(Wide Area Network，WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
当然，本发明实施例所提供的一种计算机可读存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的设备的风电并网的调度方法中的相关操作。对存储介质的介绍可参见实施例中的内容解释。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种风电并网的调度方法，其特征在于，包括：
获取碳排放配额和风电机的预测发电量；
根据碳排放成本、风力发电成本和火力发电成本之和最低，基于粒子群算法结合遗传算法确定风电机的实际发电量和火电机组的实际发电量，所述碳排放成本为由所述碳排放配额和所述火电机组的实际发电量确定的成本，所述风力发电成本为由所述风电机的预测发电量和所述风电机的实际发电量确定的成本，所述火力发电成本为由所述火电机组的实际发电量确定的成本；
根据所述风电机的实际发电量和所述火电机组的实际发电量进行风电并网调度。
2.根据权利要求1所述的方法，其特征在于，所述根据碳排放成本、风力发电成本和火力发电成本之和最低，基于粒子群算法结合遗传算法确定风电机的实际发电量和火电机组的实际发电量，包括：
获取粒子群的基本参数，所述基本参数包括迭代终止条件和粒子群所包括的粒子个数；
随机初始化各粒子的当前位置和当前速度；
根据各粒子的当前位置和当前速度确定各粒子的当前个体极值，根据各粒子的当前个体极值确定粒子群的当前全局极值；
根据所述当前个体极值和所述当前全局极值更新各粒子的当前位置和当前速度；
更新所述当前全局极值和所述当前个体极值，并基于变异算子使得更新后的当前全局极值对应的所述碳排放成本、所述风力发电成本和所述火力发电成本之和小于更新前的当前全局极值对应的所述碳排放成本、所述风力发电成本和所述火力发电成本之和；
在达到所述迭代终止条件后，将最后一次更新后得到的当前全局极值作为所述风电机的实际发电量和所述火电机组的实际发电量。
3.根据权利要求2所述的方法，其特征在于，所述随机初始化各粒子的当前位置和当前速度，包括：
获取预设约束条件；
随机初始化各粒子的当前位置和当前速度，各粒子的当前位置为满足所述预设约束条件的当前位置，所述预设约束条件包括火电机组运行约束条件、火电机组爬坡率约束条件、旋转备用约束条件和风电穿透功率约束条件。
4.根据权利要求1所述的方法，其特征在于，所述根据碳排放成本、风力发电成本和火力发电成本之和最低，基于粒子群算法结合遗传算法确定风电机的实际发电量和火电机组的实际发电量之前，还包括：
获取风电机的预测发电成本系数、风电机的第一预测偏差成本系数、风电机的第二预测偏差成本系数、风电机的预测发电可靠性系数和风电机的旋转备用成本系数；
相应的，所述风力发电成本为由所述风电机的预测发电量和所述风电机的实际发电量确定的成本，包括：
所述风力发电成本为由风电机运行维护成本、风电机预测偏差成本和风电机旋转备用成本之和确定的成本，所述风电机运行维护成本为由所述风电机的预测发电量和所述风电机的预测发电成本系数确定的成本，所述风电机预测偏差成本为由所述风电机的预测发电量、所述风电机的实际发电量、所述风电机的第一预测偏差成本系数和所述风电机的第二预测偏差成本系数确定的成本，以及，所述风电机旋转备用成本为由所述风电机的预测发电量、所述风电机的预测发电可靠性系数和所述风电机的旋转备用成本系数确定的成本。
5.根据权利要求1所述的方法，其特征在于，所述根据碳排放成本、风力发电成本和火力发电成本之和最低，基于粒子群算法结合遗传算法确定风电机的实际发电量和火电机组的实际发电量之前，还包括：
获取碳排放强度和碳排放成本系数；
相应的，所述碳排放成本为由所述碳排放配额和所述火电机组的实际发电量确定的成本，包括：
所述碳排放成本为由所述碳排放配额、所述火电机组的实际发电量、所述碳排放强度和所述碳排放成本系数确定的成本。
6.根据权利要求1所述的方法，其特征在于，通过如下方式获取所述风电机的预测发电量：
获取当前风力发电影响因素，所述当前风力发电影响因素包括所述风电机当前所处环境的风速、大气压值、温度和风电机故障时间；
根据所述当前风力发电影响因素、风力发电影响因素与风电机的发电量的对应关系，确定所述风电机的预测风力发电量，所述风力发电影响因素与风电机的发电量的对应关系通过风力发电量确定模型得到。
7.根据权利要求6所述的方法，其特征在于，所述获取当前风力发电影响因素之前，还包括：
获取训练风力发电影响因素和对应的训练风电机的训练发电量，所述训练风力发电影响因素包括所述训练风电机当前所处环境的风速、大气压值、温度和风电机故障时间；
将所述训练风力发电影响因素作为输入变量，所述训练发电量作为输出变量，训练分类器模型，将训练后的分类器模型作为所述风力发电量确定模型。
8.一种风电并网的调度装置，其特征在于，包括：
碳排放配额和预测发电量获取模块，用于获取碳排放配额和风电机的预测发电量；
实际发电量确定模块，用于根据碳排放成本、风力发电成本和火力发电成本之和最低，基于粒子群算法结合遗传算法确定风电机的实际发电量和火电机组的实际发电量，所述碳排放成本为由所述碳排放配额和所述火电机组的实际发电量确定的成本，所述风力发电成本为由所述风电机的预测发电量和所述风电机的实际发电量确定的成本，所述火力发电成本为由所述火电机组的实际发电量确定的成本；
风电并网调度模块，用于根据所述风电机的实际发电量和所述火电机组的实际发电量进行风电并网调度。
9.一种设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7任一所述的方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910117480.2A CN109829591A (zh) | 2019-02-15 | 2019-02-15 | 一种风电并网的调度方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910117480.2A CN109829591A (zh) | 2019-02-15 | 2019-02-15 | 一种风电并网的调度方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109829591A true CN109829591A (zh) | 2019-05-31 |
Family
ID=66863554
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910117480.2A Pending CN109829591A (zh) | 2019-02-15 | 2019-02-15 | 一种风电并网的调度方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109829591A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113270897A (zh) * | 2021-04-14 | 2021-08-17 | 中南大学 | 一种基于终端容量的智能电网控制系统及其控制方法 |
| CN115330144A (zh) * | 2022-05-17 | 2022-11-11 | 国网江苏省电力有限公司淮安供电分公司 | 一种计及实时碳减排的需求响应机制模型建立方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102290829A (zh) * | 2011-08-13 | 2011-12-21 | 东北电力大学 | 一种全系统低发电成本的大规模风电控制方法 |
| CN106600099A (zh) * | 2016-11-01 | 2017-04-26 | 国网江西省电力公司电力科学研究院 | 一种计及碳交易的低碳调度与减排效益评估方法 |
| CN108493992A (zh) * | 2018-03-27 | 2018-09-04 | 国网江苏省电力有限公司电力科学研究院 | 一种含分布式潮流控制器的风电场优化调度方法 |
-
2019
- 2019-02-15 CN CN201910117480.2A patent/CN109829591A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102290829A (zh) * | 2011-08-13 | 2011-12-21 | 东北电力大学 | 一种全系统低发电成本的大规模风电控制方法 |
| CN106600099A (zh) * | 2016-11-01 | 2017-04-26 | 国网江西省电力公司电力科学研究院 | 一种计及碳交易的低碳调度与减排效益评估方法 |
| CN108493992A (zh) * | 2018-03-27 | 2018-09-04 | 国网江苏省电力有限公司电力科学研究院 | 一种含分布式潮流控制器的风电场优化调度方法 |
Non-Patent Citations (2)
| Title |
|---|
| 任磊: "基于改进粒子群算法的风火电联合经济调度", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
| 吴玫: "遗传算法与粒子群算法的混合策略", 《科技经济市场》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113270897A (zh) * | 2021-04-14 | 2021-08-17 | 中南大学 | 一种基于终端容量的智能电网控制系统及其控制方法 |
| CN115330144A (zh) * | 2022-05-17 | 2022-11-11 | 国网江苏省电力有限公司淮安供电分公司 | 一种计及实时碳减排的需求响应机制模型建立方法 |
| CN115330144B (zh) * | 2022-05-17 | 2023-11-28 | 国网江苏省电力有限公司淮安供电分公司 | 一种计及实时碳减排的需求响应机制模型建立方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Luo et al. | Short‐term operational planning framework for virtual power plants with high renewable penetrations | |
| Wang et al. | Two-stage multi-objective unit commitment optimization under hybrid uncertainties | |
| WO2023216150A1 (zh) | 一种燃料电池的热管理方法 | |
| CN113285490A (zh) | 电力系统调度方法、装置、计算机设备和存储介质 | |
| CN111339713A (zh) | 风电场的优化设计方法、系统、电子设备和存储介质 | |
| CN111682536A (zh) | 虚拟电厂参与日前双重市场的随机-鲁棒优化运行方法 | |
| WO2023159845A1 (zh) | 一种海上风电机组检修全过程优化方法及系统 | |
| CN113794199A (zh) | 一种考虑电力市场波动的风电储能系统最大收益优化方法 | |
| CN114696351A (zh) | 一种电池储能系统动态优化方法、装置、电子设备和存储介质 | |
| CN109829591A (zh) | 一种风电并网的调度方法、装置、设备及存储介质 | |
| CN114429248A (zh) | 一种变压器视在功率预测方法 | |
| Zhang et al. | Physical-model-free intelligent energy management for a grid-connected hybrid wind-microturbine-PV-EV energy system via deep reinforcement learning approach | |
| CN115912437A (zh) | 一种电化学储能电站agc模型及其控制方法 | |
| CN112510690B (zh) | 考虑风火储联合和需求响应奖惩的优化调度方法及系统 | |
| Wang et al. | Extended priority list and discrete heuristic search for multi‐objective unit commitment | |
| CN115864542A (zh) | 电力机组调度模型的优化方法、装置、设备和存储介质 | |
| CN116799856A (zh) | 一种多微网系统的能量控制方法、控制器及系统 | |
| Kousounadis-Knousen et al. | A New Co-Optimized Hybrid Model Based on Multi-Objective Optimization for Probabilistic Wind Power Forecasting in a Spatiotemporal Framework | |
| CN118428702B (zh) | 一种虚拟电厂的资源优化管理方法 | |
| Liu et al. | Ultra-short-term wind power forecasting based on stacking model | |
| Dolatabadi et al. | An Improved Actor-Critic Reinforcement Learning with Neural Architecture Search for the Optimal Control Strategy of a Multi-Carrier Energy System | |
| Dolatabadi et al. | Evolutionary-Based Neural Architecture Search for an Efficient CAES and PV Farm Joint Operation Strategy Using Deep Reinforcement Learning | |
| Xia et al. | An improved multi-objective differential evolution algorithm for active power dispatch in power system with wind farms | |
| Kramer et al. | Managing Energy in a Virtual Power Plant Using Learning Classifier Systems. | |
| US20230236559A1 (en) | Multi-market resource dispatch optimization |
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: 20190531 |
|
| RJ01 | Rejection of invention patent application after publication |