CN110135640A - 一种基于模糊聚类改进和声算法的风电配网优化调度方法 - Google Patents
一种基于模糊聚类改进和声算法的风电配网优化调度方法 Download PDFInfo
- Publication number
- CN110135640A CN110135640A CN201910402912.4A CN201910402912A CN110135640A CN 110135640 A CN110135640 A CN 110135640A CN 201910402912 A CN201910402912 A CN 201910402912A CN 110135640 A CN110135640 A CN 110135640A
- Authority
- CN
- China
- Prior art keywords
- harmony
- algorithm
- wind
- fuzzy clustering
- electricity generation
- 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.)
- Granted
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 38
- 238000005457 optimization Methods 0.000 title claims abstract description 29
- 230000006872 improvement Effects 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 24
- 101100177269 Arabidopsis thaliana HCAR gene Proteins 0.000 claims description 7
- 239000002245 particle Substances 0.000 claims description 7
- 230000002068 genetic effect Effects 0.000 claims description 5
- 238000012986 modification Methods 0.000 claims description 3
- 230000004048 modification Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 17
- 230000003044 adaptive effect Effects 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001839 systemic circulation Effects 0.000 description 1
- 238000012795 verification Methods 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
- 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开一种基于模糊聚类改进和声算法的风电配网优化调度方法，步骤包括：S1.参照模糊聚类思想，对和声算法中部分参数的生成方式进行改进，提出一种基于模糊聚类的改进和声算法；S2.以可控分布式电源的有功和无功出力作为决策变量，节点电压幅值偏差和系统网络损耗最小为目标函数来构建风电配网优化调度模型；S3.利用改进和声算法对上述模型进行求解，并论证该算法的优越性。本发明实现过程简单，所提出的改进和声算法计算简单高效，搜索能力优，能够更好地解决风电配网优化调度问题。
Description
技术领域
本发明涉及电力系统优化调度技术领域，尤其涉及一种基于模糊聚类改进和声算法的风电配网优化调度方法。
背景技术
风电等可再生能源发电并网比重的不断增加，其出力不确定性对电力系统安全经济调度的影响日趋增大，含风电系统的电力优化调度模型逐渐由以往的确定性建模转变为不确定性建模。以可控分布式电源的有功和无功出力作为决策变量，节点电压幅值偏差和系统网络损耗均取其区间数最小为目标函数来构建风电配网优化调度模型，通过计算区间数潮流，得到皆为区间数描述的节点电压、线路电流及支路功率。通过引入区间数优化理论，将风电出力、电价、负荷等不确定性因素作为区间数处理，然后采用区间序关系将所刻画的不确定性问题转化为确定型函数形式。
深入分析和声算法基本原理，参照模糊聚类思想，对算法中部分参数的生成方式进行改进，使算法在迭代求解过程中有利于自适应解的生成，提出一种基于模糊聚类的改进和声算法。并利用所提出的改进和声算法对上述风电配网优化调度模型进行求解。
和声算法搜索新解的三种方式有利用较大概率的HMCR在HM中搜索新解，或以概率1-HMCR在HM外搜索新解，或利用较小概率的PAR(取值—般在0.2和0.5之间)扰动和声记忆库中搜索到的新解。若依据最初的算法，HMCR和PAR均取固定值，则会影响算法中新解的多样性，且没有充分利用HM的累计信息。因此，为兼顾算法全局和局部搜索能力，参数改进的基本思路是新解搜索前期以较大概率在和声记忆库外搜寻新解，这样全局搜索能力较优。
发明内容
本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种求解方法简单、优化协调性能好的基于模糊聚类改进和声算法的风电配网优化调度方法，改善了风电配网节点电压分布以及降低了电力系统的网络损耗，同时改进和声算法的计算更加简单高效，有利于工程优化问题的求解。
为解决上述技术问题，本发明提出的技术方案为：
一种基于模糊聚类改进和声算法的风电配网优化调度方法，步骤包括：
S1.深入分析和声算法基本原理，参照模糊聚类思想，对和声算法中部分参数的生成方式进行改进，提出一种基于模糊聚类的改进和声算法；
S2.以可控分布式电源的有功和无功出力作为决策变量，节点电压幅值偏差和系统网络损耗最小为目标函数来构建风电配网优化调度模型；
S3.利用改进和声算法对上述模型进行求解，并论证该算法的优越性。
作为本发明的进一步改进：所述步骤S1中，为兼顾和声算法全局和局部搜索能力，参数改进的基本思路是新解搜索前期以较大概率在和声记忆库外搜寻新解。
作为本发明的进一步改进：改进和声算法以目标函数作为其适应度函数，若搜索到新解的适应度值小于原和声库中最差解的适应度值，则取代最差值，当搜索进行到一定阶段，和声库外搜索不到更优的解时，会出现新解适应度值大于和声库中解的适应度值，此时不需要对和声库进行修改，而将HMCR增大，从而增大算法后期局部搜索能力。
作为本发明的进一步改进：基于模糊聚类思想，和声算法的具体改进方式如下：
HMCRk+1＝HMCRmax-Wk×(HMCRmax-HMCRmin)
PARk+1＝PARmax-Wk×(PARmax-PARmin)
其中：HMCRk+1、PARk+1表示第k+1次迭代时和声记忆库的考虑概率和扰动概率；Gx0表示第k次迭代时新解的适应度值；Gxi表示第k次迭代时和声记忆库中除了新解以外的其他解的适应度值；Gximin表示和声记忆库中除了新解以外的其他解的最小适应度值。
作为本发明的进一步改进：所述步骤S2中，某一时段的优化函数以节点电压幅值偏差区间数和系统网络损耗区间数最小为目标函数，分别表示如下：
式中：t表示第t个时段；UI t,i为节点i的电压区间值；U* i为节点i的额定电压表幺值(取1)；PI k、QI k分别为流出支路k末端的有功功率与无功功率的区间值；UI t,k为支路k的末端节点电压区间值。rk为支路k的电阻；Nb为系统支路数目，N为系统节点数。
作为本发明的进一步改进：所述步骤S2中，可控分布式电源的出力约束为：
式中：PGimax、PGimin分别为分布式电源有功出力的最大与最小值；QGimax、QGimin别为分布式电源无功出力的最大与最小值。
作为本发明的进一步改进：所述步骤S3中，将改进后的和声算法、粒子群算法、遗传算法应用于同一算例，并给出三者的收敛性的关系，由此来论证改进和声算法的优越性。
与现有技术相比，本发明的优点在于：
1)本发明参照模糊聚类思想，对和声算法中部分参数的生成方式进行改进，使算法在迭代求解过程中更有利于自适应解的生成，提出了一种基于模糊聚类的改进和声算法。改进后的和声算法兼顾算法全局和局部搜索能力，增大了算法后期局部搜索能力，既保留了算法中新解多样性，又充分利用了HM的累计信息，使得整个过程中算法参数做到自适应调整。
2)参数改进后的和声算法较其它智能算法更显优越性，其计算简单高效，不仅适用于本文中的风电配网优化问题，也适用于其他工程类问题，实用性较高。
3)本发明以可控分布式电源的有功和无功出力作为决策变量，节点电压幅值偏差和系统网络损耗最小为目标函数来构建风电配网优化调度模型，该模型改善了风电配网节点电压分布，降低了电力系统的网络损耗。
附图说明
图1是本实施例基于模糊聚类改进和声算法的风电配网优化调度方法实现流程图。
图2是改进和声算法求解步骤流程图。
图3是33节点系统中负荷、风速及电价的预测变化曲线图。
图4是33节点系统优化前节点电压分布图。
图5是33节点系统优化后节点电压分布图。
图6是33节点系统优化前后电压幅值偏差对比图。
图7是33节点系统优化前网络损耗分布图。
图8是33节点系统优化后网络损耗分布图。
图9是33节点系统优化前后网络损耗对比图。
具体实施方式
以下结合说明书附图和具体优选的实施例对本发明作进一步描述，但并不因此而限制本发明的保护范围。
如图1所示，本实施例方法步骤包括一种基于模糊聚类改进和声算法的风电配网优化调度方法：
S1.深入分析和声算法基本原理，参照模糊聚类思想，对和声算法中部分参数的生成方式进行改进，提出一种基于模糊聚类的改进和声算法；
S2.以可控分布式电源的有功和无功出力作为决策变量，节点电压幅值偏差和系统网络损耗最小为目标函数来构建风电配网优化调度模型；
S3.利用改进和声算法对上述模型进行求解，并论证该算法的优越性。
和声算法搜索新解的三种方式有利用较大概率的HMCR在HM中搜索新解，或以概率1-HMCR在HM外搜索新解，或利用较小概率的PAR(取值—般在0.2和0.5之间)扰动和声记忆库中搜索到的新解。若依据最初的算法，HMCR和PAR均取固定值，则会影响算法中新解的多样性，且没有充分利用HM的累计信息。因此，为兼顾算法全局和局部搜索能力，参数改进的基本思路是新解搜索前期以较大概率在和声记忆库外搜寻新解，这样全局搜索能力较优。
图2所示为改进和声算法求解步骤流程图。以目标函数作为改进和声算法的适应度函数，因本实例中目标函数是求取最小值，因此若搜索到新解的适应度值小于原和声库中最差解的适应度值，则取代最差值，当搜索进行到一定阶段，和声库外搜索不到更优的解时，会出现新解适应度值大于和声库中解的适应度值，此时不需要对和声库进行修改，而将HMCR增大，这样算法在和声库中搜索新解的概率增大，即增大算法后期局部搜索能力。这样既保留了算法中新解多样性，又充分利用了HM的累计信息，使得整个过程中算法参数做到自适应调整。基于模糊聚类思想，其具体改进方式如下：
HMCRk+1＝HMCRmax-Wk×(HMCRmax-HMCRmin) (2)
PARk+1＝PARmax-Wk×(PARmax-PARmin) (3)
式中：HMCRk+1、PARk+1表示第k+1次迭代时和声记忆库的考虑概率和扰动概率；Gx0表示第k次迭代时新解的适应度值；Gxi表示第k次迭代时和声记忆库中除了新解以外的其他解的适应度值；Gximin表示和声记忆库中除了新解以外的其他解的最小适应度值。
本实例以可控分布式电源的有功和无功出力作为决策变量，节点电压幅值偏差区间数和系统网络损耗区间数最小为目标函数来构建风电配网优化调度模型。目标函数表示如下：
式中：t表示第t个时段；UI t,i为节点i的电压区间值；U* i为节点i的额定电压表幺值(取1)；PI k、QI k分别为流出支路k末端的有功功率与无功功率的区间值；UI t,k为支路k的末端节点电压区间值。rk为支路k的电阻；Nb为系统支路数目，N为系统节点数。
在本实例中，为方便对问题进行分析，将多目标转为单目标进行分析。将F2进行标幺化，取系统有功和的10％作为分母(一般配网的网损率小于10％)。F1与F2线性叠加后的目标函数为FI ci：
式中取α＝β(一般取0.5)。支路有功PI k和支路无功QI k通过潮流约束计算获得，公式如下：
式中：PI wi，PI Gi，PI li分别为节点i的风机有功出力，可控分布式电源有功出力和有功负荷，(注意本实例考虑可控分布式电源有功出力作为决策变量)QI Gi，QI li分别为节点i的分布式电源无功出力和无功负荷(因研究的是每个时段问题，所以QI li在数值上等于qI i)；Gij、Bij和θij分别为节点i、j之间的电导、电纳和电压相角差。
本实例中风电配网优化模型线路安全约束条件如下：
式中：SR ij为线路容量区间值的最大值(其表达式为复数形式，这里取其绝对值)；Smax ij为支路可载容量的最大值，线路容量区间值表示如下：
式中：为节点i，j的电压共轭值区间数；Gii，Bii为节点i的自电导和自电纳。
可控分布式电源的出力约束条件如下：
式中：PGimax、PGimin分别为分布式电源有功出力的最大与最小值；QGimax、QGimin分别为分布式电源无功出力的最大与最小值；假设分布式电源的功率因数为常数。
将线路安全不等式约束和电源出力不等式约束，采用惩罚函数的形式考虑于目标函数中。对单个时段的优化，其适应度函数为Gct，如下所示：
式中：Jpen为惩罚函数。
为了验证本发明的有效性，采用IEEE 33节点系统进行实验验证。假设所有馈线段的最大载容量相同，皆Smax＝2000kvA。风速的预测误差取25％，所有风机的Vc,i取3m/s，Vr取14m/s，Vc,o取25m/s。给定24个时刻电价，预测误差取8％。通过引入区间数优化理论，将风电出力、电价、负荷等不确定因素作为区间数处理，从而将不确定问题转化为明确的确定型函数形式。潮流计算时，变电站出线端电压取1p.u.，同时给定和声算法参数如HM的大小为HM＝8，和声算法考虑概率最小值最大值分别为HMCRmin＝0.75和HMCRmax＝0.95；和声算法扰动概率最小值和最大值分别为PARmin＝0.15和PARmax＝0.25；扰动幅值大小为BBW＝0.001；最大循环次数为NI＝200。
图3为系统中负荷、风速及电价的预测变化曲线，其中风速的基准值取20m/s，负荷的基准值为各负荷节点的当前值，电价基准值为1元/千瓦时。
为了验证前文所提改进和声算法的优越性，即实现改进和声算法(HAS)与遗传算法(GA)以及粒子群算法(PSO)进行对比，将遗传算法以及粒子群算法应用于本算例中。表1给出三者的收敛性的关系，相较于遗传算法和粒子群算法，HAS其收敛速度更快，且获得最优解的循环次数少，只要81次便行，且循环100次CPU计算耗时相对较少，为64.8s，这相较于GA计算耗时，为85.6s，以及PSO计算耗时，73.7s来说。整个过程计算结束所花时间为802.6s。
表1和声算法、遗传算法和粒子群算法收敛性对比
通过与遗传算法(GA)以及粒子群算法(PSO)对比，所提出的改进和声算法的优越性得到验证。
为了验证前文所建风电配网优化模型的优越性，将优化前后的节点电压与网络损耗进行分析比较。由图4、图5给出的系统节点在24个时段优化前后的电压分布结果可知(其中x轴为节点编号，y轴为24个时间时段，z轴为优化前后的电压值)，优化前后的节点电压分布改善明显，其优化前的电压下界值都大于0.90，其优化后的电压下界值都大于0.92。且图6更加清晰比较优化前后配网电压幅值偏差目标函数对比图。由图可知，通过优化，各时刻点的电压目标函数值的上界与下界值减小的幅度都很大。且对于负荷峰值点的时刻10与时刻20，优化前后的效果最显著。但优化前的上、下界值和优化后的上、下界值的变化不大。
图7、图8给出的系统节点在24个时段优化前、后的网损分布情况(其中x轴为支路编号，y轴为24个优化的时段，z轴为优化前后的网络损耗值)，据图可知，优化前后的支路损耗的总值明显减小。个别支路的网损值有所增大，是因为通过优化控制措施改变系统的潮流分布。同时图9更加清晰地比较了优化前后配网网络损耗，不难发现，图3中的负荷峰值点为时刻10与时刻20，图9中网络损耗的峰值点也是时刻10与20，说明负荷越大系统网络损耗自然也大，同时，这两个时刻优化前后的网络损耗差值也是最大，优化前后的效果最显著。
由上述实验结果可得，参数改进后的和声算法较其它智能算法更显优越性。在实际的工程应用方面能得到有效应用。
上述只是本发明的较佳实施例，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明。因此，凡是未脱离本发明技术方案的内容，依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均应落在本发明技术方案保护的范围内。
Claims (7)
1.一种基于模糊聚类改进和声算法的风电配网优化调度方法，其特征在于，步骤包括：
S1.深入分析和声算法基本原理，参照模糊聚类思想，对和声算法中部分参数的生成方式进行改进，提出一种基于模糊聚类的改进和声算法；
S2.以可控分布式电源的有功和无功出力作为决策变量，节点电压幅值偏差和系统网络损耗最小为目标函数来构建风电配网优化调度模型；
S3.利用改进和声算法对上述模型进行求解，并论证该算法的优越性。
2.根据权利要求1中所述的一种基于模糊聚类改进和声算法的风电配网优化调度方法，其特征在于：所述步骤S1中，为兼顾和声算法全局和局部搜索能力，参数改进的基本思路是新解搜索前期以较大概率在和声记忆库外搜寻新解。
3.根据权利要求2中所述的一种基于模糊聚类改进和声算法的风电配网优化调度方法，其特征在于：改进和声算法以目标函数作为其适应度函数，若搜索到新解的适应度值小于原和声库中最差解的适应度值，则取代最差值，当搜索进行到一定阶段，和声库外搜索不到更优的解时，会出现新解适应度值大于和声库中解的适应度值，此时不需要对和声库进行修改，而将HMCR增大，从而增大算法后期局部搜索能力。
4.根据权利要求3中所述的一种基于模糊聚类改进和声算法的风电配网优化调度方法，其特征在于：基于模糊聚类思想，和声算法的具体改进方式如下：
HMCRk+1＝HMCRmax-Wk×(HMCRmax-HMCRmin)
PARk+1＝PARmax-Wk×(PARmax-PARmin)
其中：HMCRk+1、PARk+1表示第k+1次迭代时和声记忆库的考虑概率和扰动概率；Gx0表示第k次迭代时新解的适应度值；Gxi表示第k次迭代时和声记忆库中除了新解以外的其他解的适应度值；Gximin表示和声记忆库中除了新解以外的其他解的最小适应度值。
5.根据权利要求1中所述的一种基于模糊聚类改进和声算法的风电配网优化调度方法，其特征在于：所述步骤S2中，某一时段的优化函数以节点电压幅值偏差区间数和系统网络损耗区间数最小为目标函数，分别表示如下：
式中：t表示第t个时段；UI t,i为节点i的电压区间值；U* i为节点i的额定电压表幺值(取1)；PI k、QI k分别为流出支路k末端的有功功率与无功功率的区间值；UI t,k为支路k的末端节点电压区间值。rk为支路k的电阻；Nb为系统支路数目，N为系统节点数。
6.根据权利要求1中所述的一种基于模糊聚类改进和声算法的风电配网优化调度方法，其特征在于：所述步骤S2中，可控分布式电源的出力约束为：
式中：PGimax、PGimin分别为分布式电源有功出力的最大与最小值；QGimax、QGimin别为分布式电源无功出力的最大与最小值。
7.根据权利要求1～6中所述的一种基于模糊聚类改进和声算法的风电配网优化调度方法，其特征在于：所述步骤S3中，将改进后的和声算法、粒子群算法、遗传算法应用于同一算例，并给出三者的收敛性的关系，由此来论证改进和声算法的优越性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910402912.4A CN110135640B (zh) | 2019-05-15 | 2019-05-15 | 一种基于模糊聚类改进和声算法的风电配网优化调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910402912.4A CN110135640B (zh) | 2019-05-15 | 2019-05-15 | 一种基于模糊聚类改进和声算法的风电配网优化调度方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110135640A true CN110135640A (zh) | 2019-08-16 |
| CN110135640B CN110135640B (zh) | 2022-09-13 |
Family
ID=67574088
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910402912.4A Active CN110135640B (zh) | 2019-05-15 | 2019-05-15 | 一种基于模糊聚类改进和声算法的风电配网优化调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110135640B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111709350A (zh) * | 2020-03-03 | 2020-09-25 | 天津大学 | 基于fcm聚类的低频振荡模态参数识别方法及系统 |
| CN114050607B (zh) * | 2021-10-25 | 2024-04-05 | 国网冀北电力有限公司经济技术研究院 | 配电网重构数字模型的构建系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105870935A (zh) * | 2016-04-05 | 2016-08-17 | 济南大学 | 基于聚类算法的辐射状配电网无功优化方法 |
| CN105932691A (zh) * | 2016-05-30 | 2016-09-07 | 中国电力科学研究院 | 一种改进的和声搜索算法的复杂配电网无功优化方法 |
| US20160378161A1 (en) * | 2015-06-25 | 2016-12-29 | International Business Machines Corporation | Clustering execution in a processing system to increase power savings |
| CN107017656A (zh) * | 2016-12-30 | 2017-08-04 | 西安理工大学 | 一种考虑电能质量提升的主动配电系统优化调度方法 |
-
2019
- 2019-05-15 CN CN201910402912.4A patent/CN110135640B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160378161A1 (en) * | 2015-06-25 | 2016-12-29 | International Business Machines Corporation | Clustering execution in a processing system to increase power savings |
| CN105870935A (zh) * | 2016-04-05 | 2016-08-17 | 济南大学 | 基于聚类算法的辐射状配电网无功优化方法 |
| CN105932691A (zh) * | 2016-05-30 | 2016-09-07 | 中国电力科学研究院 | 一种改进的和声搜索算法的复杂配电网无功优化方法 |
| CN107017656A (zh) * | 2016-12-30 | 2017-08-04 | 西安理工大学 | 一种考虑电能质量提升的主动配电系统优化调度方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111709350A (zh) * | 2020-03-03 | 2020-09-25 | 天津大学 | 基于fcm聚类的低频振荡模态参数识别方法及系统 |
| CN111709350B (zh) * | 2020-03-03 | 2022-05-13 | 天津大学 | 基于fcm聚类的低频振荡模态参数识别方法及系统 |
| CN114050607B (zh) * | 2021-10-25 | 2024-04-05 | 国网冀北电力有限公司经济技术研究院 | 配电网重构数字模型的构建系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110135640B (zh) | 2022-09-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105071433B (zh) | 一种分布式电源的优化配置方案 | |
| 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 | |
| Lalitha et al. | Optimal DG placement for maximum loss reduction in radial distribution system using ABC algorithm | |
| CN108365608A (zh) | 一种区域能源互联网不确定优化调度方法及系统 | |
| Rasid et al. | Fossil fuel cost saving maximization: Optimal allocation and sizing of Renewable-Energy Distributed Generation units considering uncertainty via Clonal Differential Evolution | |
| CN109978404A (zh) | 计及不确定性因素与场景削减的输电通道扩展规划方法 | |
| CN112381262B (zh) | 考虑负荷电压特性及新能源强不确定性的微电网规划方法 | |
| Hantash et al. | An improved particle swarm optimization algorithm forOptimal allocation of distributed generation units in radial power systems | |
| Jiao et al. | An optimization model and modified harmony search algorithm for microgrid planning with ESS | |
| CN112862194A (zh) | 配电网供电规划方法、装置、设备、以及可读存储介质 | |
| CN110135640A (zh) | 一种基于模糊聚类改进和声算法的风电配网优化调度方法 | |
| Pan et al. | Dual-layer optimal dispatching strategy for microgrid energy management systems considering demand response | |
| Li et al. | Active distribution network operational optimization problem: A multi-objective tuna swarm optimization model | |
| Reddy et al. | Stability constrained optimal operation of standalone DC microgrids considering load and solar PV uncertainties | |
| Mori et al. | Multi-objective transmission network expansion planning in consideration of wind farms | |
| Inkollu et al. | An Application of Hunter-Prey Optimization for Maximizing Photovoltaic Hosting Capacity Along with Multi-Objective Optimization in Radial Distribution Network. | |
| Jegajothi et al. | Combination BFPSO Tuned Intelligent Controller for Maximum Power Point Tracking in Solar Photovoltaic Farm Interconnected to Grid Supply | |
| Paul et al. | Optimal positioning of distributed energy using intelligent hybrid optimization | |
| Zhao et al. | Research on multiobjective optimal operation strategy for wind-photovoltaic-hydro complementary power system | |
| Song et al. | Research on optimal scheduling method of active distribution network considering multi-type flexible resources | |
| Lin et al. | Reactive power optimization in area power grid based on improved Tabu search algorithm | |
| Aydın et al. | Heuristic algorithms on economic dispatch of multi-microgrids with photovoltaics | |
| Ahmadi et al. | Multi-objective distributed energy resource integration in radial distribution networks | |
| Sulaima et al. | A 16kV distribution network reconfiguration by using evolutionaring programming for loss minimizing | |
| Balasubramanyam et al. | Dynamic energy management system of microgrid using AI techniques: A comprehensive & comparative study |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |