CN110222867A - 一种热电联供型微网经济运行优化方法 - Google Patents
一种热电联供型微网经济运行优化方法 Download PDFInfo
- Publication number
- CN110222867A CN110222867A CN201910351891.8A CN201910351891A CN110222867A CN 110222867 A CN110222867 A CN 110222867A CN 201910351891 A CN201910351891 A CN 201910351891A CN 110222867 A CN110222867 A CN 110222867A
- Authority
- CN
- China
- Prior art keywords
- particle
- formula
- microgrid
- micro
- follows
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 title claims abstract description 15
- 239000002245 particle Substances 0.000 claims abstract description 104
- 238000013480 data collection Methods 0.000 claims abstract description 8
- 239000000446 fuel Substances 0.000 claims abstract description 8
- 238000013507 mapping Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000005619 thermoelectricity Effects 0.000 claims description 6
- 230000006978 adaptation Effects 0.000 claims description 3
- 230000000739 chaotic effect Effects 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 239000007789 gas Substances 0.000 description 6
- 230000008901 benefit Effects 0.000 description 3
- 239000002918 waste heat Substances 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- 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
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种热电联供型微网经济运行优化方法,包括以下步骤:S1:构建微网运行数据集,微网运行数据集包括风电机组、光伏电池、燃料电池、蓄电池的运行参数以及各种费用参数、废气排放量;S2:建立含新能源的热电联供型微网经济运行优化的目标函数;S3:建立含新能源的热电联供型微网经济运行优化模型的约束条件;S4:建立改进后的粒子群算法求解模型;S5:根据改进后的粒子群算法求解模型得到最优解。本发明能使得改进后的粒子群算法收敛到全局最优,而且优化效果明显。
Description
技术领域
本发明涉及电力系统及其自动化的技术领域,尤其涉及到一种热电联供型微网经济运行优化方法。
背景技术
微电网是一种由负荷和微型电源共同组成的系统,它可同时提供电能和热量;微电网内部的电源主要由电力电子器件负责能量的转换,并提供必需的控制;微电网相对于外部大电网表现为单一的受控单元,并可同时满足用户对电能质量和供电安全等的要求。
热电联供(combined heat and power,CHP)系统建立在能源梯级利用的概念基础上,统一解决了电能和热能的供应问题,是一种经济节能、环境友好的用能方式,具有良好的社会和经济效益。
CHP型微网是一个复杂的能量系统,存在多种能量平衡关系。在满足用户热电负荷需求的前提下,如何根据微源配置(即参与微源的种类、微源的运行参数等)制定系统未来一段时间内的运行方案(即各微源在各时段的功率分配),以使系统获得最佳经济效益,是微网经济运行研究中的一个重要内容。
其中采用到标准粒子群算法,相比于其他算法而言具有算法简单、收敛速度快的特点,但标准的粒子群算法易陷入局部最优,造成“早熟”现象。
发明内容
本发明的目的在于克服现有技术的不足,提供一种能使得改进后的粒子群算法收敛到全局最优、优化效果明显的热电联供型微网经济运行优化方法。
为实现上述目的,本发明所提供的技术方案为:
包括以下步骤:
S1:构建微网运行数据集,微网运行数据集包括风电机组、光伏电池、燃料电池、蓄电池的运行参数以及各种费用参数、废气排放量;
S2:建立含新能源的热电联供型微网经济运行优化的目标函数;
S3:建立含新能源的热电联供型微网经济运行优化模型的约束条件;
S4:建立改进后的粒子群算法求解模型;
S5:根据改进后的粒子群算法求解模型得到最优解。
进一步地,所述步骤S2在满足微电网基本运行配置的情况下,以一个月运行费用最小为目标,综合考虑微网的能量平衡约束以及各微源的运行约束,对微网的运行进行优化,根据此前提建立含新能源的热电联供型微网经济运行优化目标函数f:
其中,n为一个月的天数;Ti为每天使用的时长;f1为风电机组的折旧成本费用;f2为光伏电池的折旧成本费用;f3为燃料电池的折旧成本费用;f4为蓄电池的折旧成本费用;f5为燃气轮机的折旧成本;f6为排污费用。
进一步地,所述步骤S3的约束条件如下:
(1)各微源每天使用的时长不能超过其每天最长使用时长;
(2)排污量的排放总量应小于或等于允许排放总量;
(3)各微源的折旧成本小于其总收入;
(4)各微源的运行功率不能超过其最大运行功率,同时不能小于其最小的运行功率;
(5)微源产生的总热功率等于热负荷功率。
进一步地,所述步骤S4建立改进后的粒子群算法求解模型的具体步骤如下:
S4-1:输入模型参数;输入的参数包括各微源运行参数、各种费用参数和风电、光伏功率以及热电负荷功率;
S4-2:初始化粒子群;其中包括设置粒子个数、种群规模、学习因子、允许最大迭代次数Tmax、初始惯性权重和终止惯性权重;
S4-3:通过混沌初始化将粒子映射到解空间;
S4-4:产生的解空间用一个n*d维的矩阵B表示:
上式中,i=1,2,...,n;j=1,2,...,d;xij表示第i个粒子的第j维度数值;
S4-5:通过微电网无功电压协调多目标优化模型计算,得到每个粒子的适应度值,并得到个体最优粒子Pbest和全局最优粒子Gbest;
S4-6:更新粒子的位置和速度;更新公式如下:
vid(t+1)=ωvid(t)+η1rand1(pid-zid(t))+η2rand2(pgd-zid(t))
zid(t+1)=zid(t)+vid(t+1)
式中,vid(t+1)表示第i个粒子在t+1次迭代中第d维上的速度;ω为惯性权重;η1,η2为学习因子,η1为了调节粒子向自身的最好位置飞行的步长,η2为了调节粒子向全局最好位置飞行的步长;rand()为0-1之间的随机数;pid为个体最优粒子在第d维的位置;pgd为全局最优粒子在第d维的位置;zid(t)为第i个粒子在第d维搜索空间的位置;
S4-7:计算粒子跟最优粒子之间的欧氏距离;其中,欧氏距离的公式为:
Sijk=|xik-xjkbest|;
式中,xik为第i个粒子的第k维数值,xjkbest为最优粒子的第k维数值;
S4-8:构建最大偏差距离λ:
式中,ωi为权重,ximax为第i个粒子中最大的数值;ximin为第i个粒子中的最小数值;为第i个粒子的平均数值,xjmax为最优粒子中的最大数值,xjmin为最优粒子的最小数值值,为最优粒子的平均数值;
S4-9:构建相似时点数nij和最大偏离点时点数mij;
根据步骤S4-2的设定,设定满足Xijk≦γ的个数为nij,设定满足Xijk>γ的个数为mij,其公式如下:
式中,i,j=1,2,...,n;k=1,2,...,m;
S4-10:将满足最大偏差相似准则的粒子进行混沌处理;最大偏差相似准则公式如下:
式中,n0为[α×β],α(0≤α≤1);m0为[β×m],β(0≤β≤1-α);混沌处理采用Logistic方程,Logistic方程如下:
xn+1=μxn(1-xn)
式中,μ为控制变量,xn在(0,1)内,不能为混沌变量的不动点0.25,0.5, 0.75;
S4-11:混沌处理后再将粒子映射回到解空间;
S4-12:判断是否达到迭代次数或最优粒子满足最小的适应阈值,若满足条件,则进行步骤S4-13,若不满足条件则返回步骤S4-5;
S4-13:迭代结束,输出结果。
进一步地,所述步骤S4-3通过混沌初始化将粒子映射到解空间的具体过程如下:
S4-3-1:在区间(0,1)随机产生一个1*D维随机矩阵作为粒子P1;
S4-3-2:对粒子P1中的每个数采用立方映射产生混沌序列,得到N个初始化粒子;
其中,立方映射的公式为:
xn+1=4(xn)3-3xn;
S4-3-3:通过以下公式将混沌空间映射到解空间:
xi=zi(ximax-ximin)+ximin。
与现有技术相比,本方案原理和优点如下:
本方案基于含可再生能源的CHP型微网系统,该系统由风电机组、光伏电池、燃料电池、余热锅炉、燃气锅炉、蓄电池该几个微源和热电负荷构成,以系统运行费用最小化为目标,综合考虑系统的能量平衡约束以及各微源的运行约束,对系统的运行方案进行优化。具体地,对现有的粒子群算法进行改进,首先通过混沌初始化将粒子映射到解空间,根据优化模型计算全局最优粒子,再通过最大偏差相似准则对粒子进行,并将满足准则的粒子进行混沌处理,该处理方法可以增加算法中粒子多样性,保证算法收敛到全局最优位置,具有较高的实用性和合理性。
附图说明
图1为本发明一种热电联供型微网经济运行优化方法的工作流程图;
图2为改进后的粒子群算法的流程图。
具体实施方式
下面结合具体实施例对本发明作进一步说明:
本实施例基于含可再生能源的CHP型微网系统,该系统由风电机组、光伏电池、燃料电池、余热锅炉、燃气锅炉、蓄电池该几个微源和热电负荷构成。
如图1所示,本实施例所述的一种热电联供型微网经济运行优化方法,包括以下步骤:
S1:构建微网运行数据集,微网运行数据集包括风电机组、光伏电池、燃料电池、蓄电池的运行参数以及各种费用参数、废气排放量;
S2:建立含新能源的热电联供型微网经济运行优化的目标函数;
本步骤在满足微电网基本运行配置的情况下,以一个月运行费用最小为目标,综合考虑微网的能量平衡约束以及各微源的运行约束,对微网的运行进行优化,根据此前提建立含新能源的热电联供型微网经济运行优化目标函数f:
其中,n为一个月的天数;Ti为每天使用的时长;f1为风电机组的折旧成本费用;f2为光伏电池的折旧成本费用;f3为燃料电池的折旧成本费用;f4为蓄电池的折旧成本费用;f5为燃气轮机的折旧成本;f6为排污费用;
S3:建立含新能源的热电联供型微网经济运行优化模型的约束条件;
约束条件具体如下:
(1)各微源每天使用的时长不能超过其每天最长使用时长;
(2)排污量的排放总量应小于或等于允许排放总量;
(3)各微源的折旧成本小于其总收入;
(4)各微源的运行功率不能超过其最大运行功率,同时不能小于其最小的运行功率;
(5)微源产生的总热功率等于热负荷功率;
S4:建立改进后的粒子群算法求解模型,具体步骤如下:
S4-1:输入模型参数;输入的参数包括各微源运行参数、各种费用参数和风电、光伏功率以及热电负荷功率;
S4-2:初始化粒子群;其中包括设置粒子个数、种群规模、学习因子、允许最大迭代次数Tmax、初始惯性权重和终止惯性权重;
其中,设置粒子个数为200,种群规模为50,学习因子为2.05,最大迭代次数为1000,初始惯性权重为1,终止惯性权重为0.4
S4-3:通过混沌初始化将粒子映射到解空间,即:
S4-3-1:在区间(0,1)随机产生一个1*D维随机矩阵作为粒子P1;
S4-3-2:对粒子P1中的每个数采用立方映射产生混沌序列,得到N个初始化粒子;
其中,立方映射的公式为:
xn+1=4(xn)3-3xn;
S4-3-3:通过以下公式将混沌空间映射到解空间:
xi=zi(ximax-ximin)+ximin。
S4-4:产生的解空间用一个n*d维的矩阵B表示:
上式中,i=1,2,...,n;j=1,2,...,d;xij表示第i个粒子的第j维度数值;
S4-5:通过微电网无功电压协调多目标优化模型计算,得到每个粒子的适应度值,并得到个体最优粒子Pbest和全局最优粒子Gbest;
S4-6:更新粒子的位置和速度;更新公式如下:
vid(t+1)=ωvid(t)+η1rand1(pid-zid(t))+η2rand2(pgd-zid(t))
zid(t+1)=zid(t)+vid(t+1)
式中,vid(t+1)表示第i个粒子在t+1次迭代中第d维上的速度;ω为惯性权重;η1,η2为学习因子,η1为了调节粒子向自身的最好位置飞行的步长,η2为了调节粒子向全局最好位置飞行的步长;rand()为0-1之间的随机数;pid为个体最优粒子在第d维的位置;pgd为全局最优粒子在第d维的位置;zid(t)为第i个粒子在第d 维搜索空间的位置;
S4-7:计算粒子跟最优粒子之间的欧氏距离;其中,欧氏距离的公式为:
Sijk=|xik-xjkbest|;
式中,xik为第i个粒子的第k维数值,xjkbest为最优粒子的第k维数值;
S4-8:构建最大偏差距离λ:
式中,ωi为权重,ximax为第i个粒子中最大的数值;ximin为第i个粒子中的最小数值;为第i个粒子的平均数值,xjmax为最优粒子中的最大数值,xjmin为最优粒子的最小数值值,为最优粒子的平均数值;
S4-9:构建相似时点数nij和最大偏离点时点数mij;
根据步骤S4-2的设定,设定满足Xijk≦γ的个数为nij,设定满足Xijk>γ的个数为mij,其公式如下:
式中,i,j=1,2,...,n;k=1,2,...,m;
S4-10:将满足最大偏差相似准则的粒子进行混沌处理;最大偏差相似准则公式如下:
式中,n0为[α×β],α(0≤α≤1);m0为[β×m],β(0≤β≤1-α);混沌处理采用Logistic方程,Logistic方程如下:
xn+1=μxn(1-xn)
式中,μ为控制变量,xn在(0,1)内,不能为混沌变量的不动点0.25,0.5, 0.75;
S4-11:混沌处理后再将粒子映射回到解空间;
S4-12:判断是否达到迭代次数或最优粒子满足最小的适应阈值,若满足条件,则进行步骤S4-13,若不满足条件则返回步骤S4-5;
S4-13:迭代结束,输出结果。
S5:根据改进后的粒子群算法求解模型得到最优解。改进后的粒子群模型输出的全局最优粒子即为目标函数的最优解,将粒子中的各维数值回代目标函数即可求出最小运行费用。
以上所述之实施例子只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。
Claims (5)
1.一种热电联供型微网经济运行优化方法,其特征在于,包括以下步骤:
S1:构建微网运行数据集,微网运行数据集包括风电机组、光伏电池、燃料电池、蓄电池的运行参数以及各种费用参数、废气排放量;
S2:建立含新能源的热电联供型微网经济运行优化的目标函数;
S3:建立含新能源的热电联供型微网经济运行优化模型的约束条件;
S4:建立改进后的粒子群算法求解模型;
S5:根据改进后的粒子群算法求解模型得到最优解。
2.根据权利要求1所述的一种热电联供型微网经济运行优化方法,其特征在于,所述步骤S2在满足微电网基本运行配置的情况下,以一个月运行费用最小为目标,综合考虑微网的能量平衡约束以及各微源的运行约束,对微网的运行进行优化,根据此前提建立含新能源的热电联供型微网经济运行优化目标函数f:
其中,n为一个月的天数;Ti为每天使用的时长;f1为风电机组的折旧成本费用;f2为光伏电池的折旧成本费用;f3为燃料电池的折旧成本费用;f4为蓄电池的折旧成本费用;f5为燃气轮机的折旧成本;f6为排污费用。
3.根据权利要求1所述的一种热电联供型微网经济运行优化方法,其特征在于,所述步骤S3的约束条件如下:
(1)各微源每天使用的时长不能超过其每天最长使用时长;
(2)排污量的排放总量应小于或等于允许排放总量;
(3)各微源的折旧成本小于其总收入;
(4)各微源的运行功率不能超过其最大运行功率,同时不能小于其最小的运行功率;
(5)微源产生的总热功率等于热负荷功率。
4.根据权利要求2所述的一种热电联供型微网经济运行优化方法,其特征在于,所述步骤S4建立改进后的粒子群算法求解模型的具体步骤如下:
S4-1:输入模型参数;输入的参数包括各微源运行参数、各种费用参数和风电、光伏功率以及热电负荷功率;
S4-2:初始化粒子群;其中包括设置粒子个数、种群规模、学习因子、允许最大迭代次数Tmax、初始惯性权重和终止惯性权重;
S4-3:通过混沌初始化将粒子映射到解空间;
S4-4:产生的解空间用一个n*d维的矩阵B表示:
上式中,i=1,2,...,n;j=1,2,...,d;xij表示第i个粒子的第j维度数值;
S4-5:通过微电网无功电压协调多目标优化模型计算,得到每个粒子的适应度值,并得到个体最优粒子Pbest和全局最优粒子Gbest;
S4-6:更新粒子的位置和速度;更新公式如下:
vid(t+1)=ωvid(t)+η1rand1(pid-zid(t))+η2rand2(pgd-zid(t))
zid(t+1)=zid(t)+vid(t+1)
式中,vid(t+1)表示第i个粒子在t+1次迭代中第d维上的速度;ω为惯性权重;η1,η2为学习因子,η1为了调节粒子向自身的最好位置飞行的步长,η2为了调节粒子向全局最好位置飞行的步长;rand()为0-1之间的随机数;pid为个体最优粒子在第d维的位置;pgd为全局最优粒子在第d维的位置;zid(t)为第i个粒子在第d维搜索空间的位置;
S4-7:计算粒子跟最优粒子之间的欧氏距离;其中,欧氏距离的公式为:
Sijk=|xik-xjkbest|;
式中,xik为第i个粒子的第k维数值,xjkbest为最优粒子的第k维数值;
S4-8:构建最大偏差距离λ:
式中,ωi为权重,ximax为第i个粒子中最大的数值;ximin为第i个粒子中的最小数值;为第i个粒子的平均数值,xjmax为最优粒子中的最大数值,xjmin为最优粒子的最小数值值,为最优粒子的平均数值;
S4-9:构建相似时点数nij和最大偏离点时点数mij;
根据步骤S4-2的设定,设定满足Xijk≦γ的个数为nij,设定满足Xijk>γ的个数为mij,其公式如下:
式中,i,j=1,2,...,n;k=1,2,...,m;
S4-10:将满足最大偏差相似准则的粒子进行混沌处理;最大偏差相似准则公式如下:
式中,n0为[α×β],α(0≤α≤1);m0为[β×m],β(0≤β≤1-α);混沌处理采用Logistic方程,Logistic方程如下:
xn+1=μxn(1-xn)
式中,μ为控制变量,xn在(0,1)内,不能为混沌变量的不动点0.25,0.5,0.75;
S4-11:混沌处理后再将粒子映射回到解空间;
S4-12:判断是否达到迭代次数或最优粒子满足最小的适应阈值,若满足条件,则进行步骤S4-13,若不满足条件则返回步骤S4-5;
S4-13:迭代结束,输出结果。
5.根据权利要求4所述的一种热电联供型微网经济运行优化方法,其特征在于,所述步骤S4-3通过混沌初始化将粒子映射到解空间的具体过程如下:
S4-3-1:在区间(0,1)随机产生一个1*D维随机矩阵作为粒子P1;
S4-3-2:对粒子P1中的每个数采用立方映射产生混沌序列,得到N个初始化粒子;
其中,立方映射的公式为:
xn+1=4(xn)3-3xn;
S4-3-3:通过以下公式将混沌空间映射到解空间:
xi=zi(ximax-ximin)+ximin。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910351891.8A CN110222867A (zh) | 2019-04-28 | 2019-04-28 | 一种热电联供型微网经济运行优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910351891.8A CN110222867A (zh) | 2019-04-28 | 2019-04-28 | 一种热电联供型微网经济运行优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110222867A true CN110222867A (zh) | 2019-09-10 |
Family
ID=67820301
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910351891.8A Pending CN110222867A (zh) | 2019-04-28 | 2019-04-28 | 一种热电联供型微网经济运行优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110222867A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110752611A (zh) * | 2019-10-30 | 2020-02-04 | 国网江苏省电力有限公司镇江供电分公司 | 一种城镇能源互联网运行与储能容量优化方法 |
CN111144633A (zh) * | 2019-12-19 | 2020-05-12 | 广东工业大学 | 一种cchp微电网运行优化方法 |
CN111400857A (zh) * | 2019-10-16 | 2020-07-10 | 杭州富生电器有限公司 | 一种微网中考虑电池衰减成本的能量优化方法 |
-
2019
- 2019-04-28 CN CN201910351891.8A patent/CN110222867A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111400857A (zh) * | 2019-10-16 | 2020-07-10 | 杭州富生电器有限公司 | 一种微网中考虑电池衰减成本的能量优化方法 |
CN111400857B (zh) * | 2019-10-16 | 2023-08-11 | 杭州富生电器有限公司 | 一种微网中考虑电池衰减成本的能量优化方法 |
CN110752611A (zh) * | 2019-10-30 | 2020-02-04 | 国网江苏省电力有限公司镇江供电分公司 | 一种城镇能源互联网运行与储能容量优化方法 |
CN111144633A (zh) * | 2019-12-19 | 2020-05-12 | 广东工业大学 | 一种cchp微电网运行优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108173283B (zh) | 一种含风光可再生能源的热电联供系统运行方法 | |
WO2023274425A1 (zh) | 一种风光水火储系统的多能容量优化配置方法 | |
Zhang et al. | Lifelong learning for complementary generation control of interconnected power grids with high-penetration renewables and EVs | |
CN108039736B (zh) | 一种提高风电接纳能力的大容量储热储电协调调度方法 | |
CN105591406B (zh) | 一种基于非合作博弈的微电网能量管理系统的优化算法 | |
CN106130079B (zh) | 一种风水火短期联合优化调度方法 | |
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 | |
CN104166877A (zh) | 基于改进二进制粒子群优化算法的微网优化运行方法 | |
CN110222867A (zh) | 一种热电联供型微网经济运行优化方法 | |
CN111242388B (zh) | 一种考虑冷热电联供的微电网优化调度方法 | |
Xu et al. | Optimization of economic load dispatch for a microgrid using evolutionary computation | |
CN114330827B (zh) | 多能流虚拟电厂分布式鲁棒自调度优化方法及其应用 | |
CN110391655A (zh) | 一种含多能源耦合的微能源网经济优化调度方法及装置 | |
CN112671035A (zh) | 一种基于风电预测的虚拟电厂储能容量配置方法 | |
CN111509785A (zh) | 一种用于电网多源最优协同控制的方法、系统及存储介质 | |
CN116402210A (zh) | 一种综合能源系统多目标优化方法、系统、设备和介质 | |
Hu et al. | Optimal dispatch of combined heat and power units based on particle swarm optimization with genetic algorithm | |
CN117081143A (zh) | 促进分布式光伏就地消纳的园区综合能源系统协调优化运行方法 | |
CN115577929A (zh) | 基于多场景分析的乡村综合能源系统随机优化调度方法 | |
CN111144633A (zh) | 一种cchp微电网运行优化方法 | |
CN112883630A (zh) | 用于风电消纳的多微网系统日前优化经济调度方法 | |
CN115459349B (zh) | 一种风光水火储多源经济-低碳协同调度方法 | |
CN116914732A (zh) | 基于深度强化学习的热电联产系统低碳调度方法及系统 | |
Lin et al. | Dynamic optimal dispatch of combined heating and power microgrid based on leapfrog firefly algorithm | |
CN112580897B (zh) | 基于鹦鹉算法的多能源电力系统优化调度的方法 |
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 |