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 PDF

Info

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
Application number
CN201910351891.8A
Other languages
English (en)
Inventor
何家裕
吴杰康
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201910351891.8A priority Critical patent/CN110222867A/zh
Publication of CN110222867A publication Critical patent/CN110222867A/zh
Pending legal-status Critical Current

Links

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

一种热电联供型微网经济运行优化方法
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。
CN201910351891.8A 2019-04-28 2019-04-28 一种热电联供型微网经济运行优化方法 Pending CN110222867A (zh)

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)

* Cited by examiner, † Cited by third party
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

Cited By (4)

* Cited by examiner, † Cited by third party
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