CN110265994A - 一种基于改进鸟群算法的直流微电网下垂系数优化方法 - Google Patents
一种基于改进鸟群算法的直流微电网下垂系数优化方法 Download PDFInfo
- Publication number
- CN110265994A CN110265994A CN201910376349.8A CN201910376349A CN110265994A CN 110265994 A CN110265994 A CN 110265994A CN 201910376349 A CN201910376349 A CN 201910376349A CN 110265994 A CN110265994 A CN 110265994A
- Authority
- CN
- China
- Prior art keywords
- bird
- birds
- flock
- producer
- direct
- 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
- 238000007665 sagging Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000005457 optimization Methods 0.000 title claims abstract description 34
- 244000144992 flock Species 0.000 title claims abstract description 31
- 230000006872 improvement Effects 0.000 title claims description 11
- 230000008569 process Effects 0.000 claims abstract description 14
- 239000002245 particle Substances 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 10
- 230000006978 adaptation Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 abstract description 6
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 238000007796 conventional method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000006641 stabilisation Effects 0.000 description 3
- 238000011105 stabilization Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- 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
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J1/00—Circuit arrangements for dc mains or dc distribution networks
- H02J1/14—Balancing the load in a network
Abstract
本发明涉及一种基于改进鸟群算法的直流微电网下垂系数优化方法,包括:1、获取下垂控制过程的有功功率偏差,根据偏差程度确定初始飞行频率,并计算相应的适应度值函数后更新粒子,完成首次循环;2、通过条件判断进入新的更新周期:产生一个[0,1]的随机数,设定一个常数P,若随机数大于P,则鸟觅食,反之,则鸟警戒;鸟类因逃避捕食进行周期性的移动,生产者和乞讨者的位置关系通过莱维飞行优化后的位置关系方程得到;3、评估适应度值,更新鸟群位置,重复步骤2直到满足要求或达到迭代上限,得到新的下垂系数。与现有技术相比,本发明能在一定程度上可以精确监测系统中的功率不平衡状态,合理分配微源出力,并有效补偿母线电压偏差。
Description
技术领域
本发明涉及下垂控制技术领域,尤其是涉及一种基于改进鸟群算法的直流微电网下垂系数优化方法。
背景技术
随着电动车技术、IT技术、LED照明技术的蓬勃发展,直流设备逐渐增多,直流微电网受到广泛的关注。直流微电网在电能质量和供电可靠性上,具有天然的优势。归纳起来具有以下这些优点:
(1)无需考虑相位、频率以及交流损耗等问题,系统的可控性和可靠性大大提高;
(2)直流供电无集肤效应和无功潮流等现象;
(3)控制直流母线电压的稳定即可实现系统内的功率平衡,有利于实现系统各单元的协调控制;
(4)直流传输直接以DC-DC变换器连接各分布式电源和负荷,减少系统中能量转换次数,提高系统效率,降低故障率。
综上所述,直流微电网是未来微电网发展的一个重要课题。为保障直流微电网的稳定运行及绿色能源的高效使用,对直流微电网的优化控制策略研究极为重要。
直流微网系统通常采用下垂控制,传统下垂控制中下垂系数为常数,下垂系数小则动态响应慢,下垂系数大则频率和电压可能会远远偏离参考值,且难以保证微网的稳定性,且下垂控制的自身属性使得直流电压的稳定存在偏差。鸟群算法(bird swarmalgorirhm,BSA)是由Xian-Bing Meng等于2015年提出的一种基于鸟群行为的群体智能优化算法。因其在解决多领域的最优化问题时,结果优于其他算法,广泛的应用于微电网协调控制优化等领域中。然而其在研究的过程中仍存在着许多的问题,传统的鸟群算法易陷入局部搜索,受样本的影响较大具有一定的局限性。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于改进鸟群算法的直流微电网下垂系数优化方法。
本发明的目的可以通过以下技术方案来实现:
一种基于改进鸟群算法的直流微电网下垂系数优化方法,包括以下步骤:
S1、获取下垂控制过程的有功功率偏差,根据有功功率偏差的偏差程度确定初始飞行频率FQ,并计算相应的适应度值函数fitness后更新粒子,完成首次循环;
S2、判断适应度函数值大于系统要求且迭代次数小于设定值时进入新的更新周期:产生一个[0,1]的随机数,设定一个常数P,P∈(0,1),若随机数大于常数P,则鸟觅食,反之,则鸟警戒;鸟类因逃避捕食进行周期性的移动,移动到某一位置后,食物储备最高和最低的鸟分别成为生产者和乞讨者,其他鸟则在生产者和乞讨者之间随机做出选择,成为生产者的鸟会继续积极觅食,每位乞讨者将随机跟随一位生产者进行觅食,生产者和乞讨者的位置关系通过莱维飞行优化后的位置关系方程得到;
S3、评估适应度值,更新鸟群位置,重复步骤S2直到满足要求或达到迭代上限,得到鸟群最优解为新的下垂系数。
优选的,所述生产者和乞讨者的莱维飞行优化后的位置关系方程分别为:
其中,表示第i只鸟在j维空间t时刻所在位置;FL表示乞食者随同生产者觅食的概率;表示点对点乘法;Levy(β)表示参数为β的莱维飞行模型:
其中,β为常量。
优选的,所述步骤S1中,将飞行频率FQ设置为一个范围在[a,b]之间动态改变的量,设FQ的初始值c为m、n两个值中的一个,a<m<n<b,当有功功率偏差大于参考值Y时,取c=n,当有功功率偏差小于或等于参考值Y时,取c=m;
迭代过程中,每完成H次飞行位置跳跃,就对整个周期全局最优解进行判断,若最优解没有变化或变化范围小于等于初始最优解的0.02时,则FQ=c-1,FQ最小为a;若最优解变化范围大于初始最优解的0.1,则FQ=c+1,FQ最大为b;若最优解的变化范围大于初始最优解的0.02且小于等于0.1,则FQ的值保持不变,直至整个飞行周期结束。
优选的,所述步骤S2中其他鸟则在生产者和乞讨者之间随机做出选择的过程具体包括:
产生一组[0,1]之间的随机数Di,i∈[1,2,3...N-2],除去最高食物储量和最低食物储量的鸟外的其他鸟的适应度pFiti<Di时,鸟i成为生产者,否则成为乞讨者。
优选的,所述鸟觅食时的位置更新公式为:
其中,表示第i只鸟在j维空间t时刻所在位置;C和S是两个正数,分别表示感知系数及社会进化系数;Pi,j为第i只鸟经过的最佳位置;gj为整个种群的最佳位置。
优选的,所述鸟警戒时的位置更新公式为:
其中,
k是一个[1,N]之间的随机正整数,N是种群中鸟的个数,A1表示鸟向种群中心靠近过程中由自然环境产生的间接影响,A2表示鸟群之间的竞争冲突产生的直接影响;a1和a2是0到2之间的常数;pFiti表示第i只鸟的最佳适应度值;sumFit表示种群的最佳适应度值之和;meanj表示种群平均位置的第j维;ε表示规避零分割而使用的最小常数。
优选的,所述适应度函数为有功功率偏差的均方误差。
与现有技术相比,本发明具有以下优点:
1、适用于直流微电网下垂控制过程中,通过莱维飞行改进的鸟群算法优化下垂系数,可以精确监测系统中的功率不平衡状态,合理分配微源出力,并有效补偿母线电压偏差,更好的进行直流微网的下垂控制,实现独立直流微电网稳定可靠运行,在直流微电网控制中具有重要的作用和意义。
2、微电网在下垂系数的设定优化时间点处,将实时操作中的线路不平衡信息有功功率偏差作为输入,每次优化时,对不同的有功功率偏差程度施以不同强度的控制,使得偏差程度大的优化力度大,偏差小的优化力度小,能够以最快速度实现下垂系数的优化。
附图说明
图1为本发明方法适用的主电路图;
图2为本发明方法的流程图;
图3为动态下垂曲线图;
图4a为传统方法对两微源功率均分对比图;
图4b为本发明方法对两微源功率均分对比图;
图5a为传统方法下母线电压偏差对比图;
图5b为本发明方法下母线电压偏差对比图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例
本申请提出一种基于改进鸟群算法的直流微电网下垂系数优化方法,直流微电网的主电路图如图1所示,本实施例中对两并联微源单元中有功下垂系数进行寻优。下垂控制过程中,在微电网孤岛运行时随着系统功率不平衡情况的发生,下垂控制模块通过连接线路将线路有功功率偏差实时输入到优化BSA模块,即采用本方法进行优化,得到优化的下垂系数,更新原先的下垂系数来改善阻抗不平衡下的功率分配。
该方法包括以下步骤:
S1、获取下垂控制过程的有功功率偏差,根据有功功率偏差的偏差程度确定初始飞行频率FQ,并计算相应的适应度值函数fitness后更新粒子,完成首次循环;
适应度函数为有功功率偏差的均方误差(Mean Squared Error,MSE),具体公式为:
其中,Pl表示第l个微源输出有功功率的大小,Pref表示直流微网系统微源的额定分配有功功率的大小,G表示微源的数量。
S2、判断适应度函数值大于系统要求且迭代次数小于设定值时进入新的更新周期:产生一个[0,1]的随机数,设定一个常数P,P∈(0,1),若随机数大于常数P,则鸟觅食,反之,则鸟警戒;
鸟觅食时的位置更新公式为:
其中,表示第i只鸟在j维空间t时刻所在位置;C和S是两个正数,分别表示感知系数及社会进化系数;Pi,j为第i只鸟经过的最佳位置;gj为整个种群的最佳位置;
鸟警戒时,每只鸟尝试着向种群中心靠近,受群体竞争的影响,具有较高食物储备的鸟会倾向于边躲藏边向群体中心靠近,鸟警戒时的位置更新公式为:
其中,
k是一个[1,N]之间的随机正整数,N是种群中鸟的个数,A1表示鸟向种群中心靠近过程中由自然环境产生的间接影响,A2表示鸟群之间的竞争冲突产生的直接影响;a1和a2是0到2之间的常数;pFiti表示第i只鸟的最佳适应度值;sumFit表示种群的最佳适应度值之和;meanj表示种群平均位置的第j维;ε表示规避零分割而使用的最小常数;
鸟类因逃避捕食进行周期性的移动,移动到某一位置后,食物储备最高和最低的鸟分别成为生产者和乞讨者,其他鸟则在生产者和乞讨者之间随机做出选择,成为生产者的鸟会继续积极觅食,每位乞讨者将随机跟随一位生产者进行觅食,生产者和乞讨者的位置关系通过莱维飞行优化后的位置关系方程得到,方程分别为:
其中,表示第i只鸟在j维空间t时刻所在位置;FL表示乞食者随同生产者觅食的概率;表示点对点乘法;Levy(β)表示参数为β的莱维飞行模型:
其中,β为常量;
S3、评估适应度值,更新鸟群位置,重复步骤S2直到满足要求或达到迭代上限,得到鸟群最优解为新的下垂系数。
实际使用时,通常用Mantegna算法模拟莱维飞行。用s表示飞行布长,u、v满足正态分布,则莱维飞行布长公式为:
为节约开销,各式中的β取常量1.5,则上式可以化简为:
μ~N(0,0.69662)
μ~N(0,1)。
本方法对飞行频率FQ进行了改进,加快算法的收敛速度。步骤S1中,将飞行频率FQ设置为一个范围在[a,b]之间动态改变的量,设FQ的初始值c为m、n两个值中的一个,a<m<n<b,当有功功率偏差大于参考值Y时,取c=n,当有功功率偏差小于或等于参考值Y时,取c=m。迭代过程中,每完成H次飞行位置跳跃,就对整个周期全局最优解进行判断,如果最优解没有变化或变化范围小于等于初始最优解的0.02时,说明算法可能处于局部最优解中,则FQ=c-1,FQ最小为a;若最优解变化范围大于初始最优解的0.1,说明飞行频率过高,则FQ=c+1,FQ最大为b;若最优解的变化范围大于初始最优解的0.02且小于等于0.1,说明飞行频率适中,则FQ的值保持不变,直至整个飞行周期结束。
步骤S2中其他鸟则在生产者和乞讨者之间随机做出选择的过程具体包括:
产生一组[0,1]之间的随机数Di,i∈[1,2,3...N-2],除去最高食物储量和最低食物储量的鸟外的其他鸟的适应度pFiti<Di时,鸟i成为生产者,否则成为乞讨者。
图3中,直线0为传统下垂曲线,直线1、2分别为采用本方法后系统中的负荷功率增大和减小时的自适应下垂曲线。系统稳定时沿曲线0运行,下垂系数不变。当系统中的负荷功率增大,系统中出现功率缺额,母线电压下降,此时控制系统下垂系数减小,使其沿直线2运行,使微源发出更多的功率,补全功率缺额,电压升高至恢复额定电压;当系统中的负荷功率减小时,系统中出现功率盈余,母线电压上升,此时控制系统下垂系数增大,使其沿直线1运行,使微源发出的功率减少,系统内功率平衡,母线电压下降至额定。
所以,通过基于改进鸟群算法的直流微电网下垂系数优化的方法,可以实现系统功率的实时分配和母线电压偏差的减小直至稳定。
本实施例中,通过Matlab/Simulink搭建仿真模型验证所提出的下垂系数优化方法的可行性与有效性。实验参数:设置采用光伏发电源功率2kW;系统参数:鸟群算法中取飞行频率FQ区间为[3,15],m=5,n=10,偏差参考值Y设为50W。仿真时间为1.5s进行仿真。设置系统负荷变化如表1,以观察所提策略的有效性。
表1系统负荷变化
时间s(时刻) | 直流负载KW |
0~0.5s | 4 |
0.5~1s | 6 |
1~1.5s | 5 |
图4a和图4b分别为传统方法和改进鸟群算法优化下垂系数时的有功功率分配图。从图4a中可以看出,传统下垂控制不能很好的进行功率均分,两台容量的微源出力相差100W左右。图4b中采用自适应下垂系数的控制过程中,两台光伏微源的出力几乎相同,可以很好的达到功率均分的目的。
图5a和图5b分别为传统方法和改进鸟群算法优化下垂系数时的母线电压图。从图5a中可以看出,在0~0.5s、0.5~1s、1~1.5s时间段内,传统下垂控制母线电压分别约为285V,275V,280V,当系统工况发生改变时,母线电压有较大波动,由于下垂特性的固有缺陷,母线电压均没有在稳定后回到额定电压。图5b基于改进鸟群算法优化下垂系数控制的母线电压在工况发生变化后,只经过短暂的微小波动就可恢复稳定,并且将母线电压维持在额定电压311V附近。
从仿真结果中的功率分析和电压分析中可以看出,本申请的下垂系数优化方法,不仅可以补偿下垂控制带来的电压偏差抑制工况变换产生的波动,同时还可以控制微电源按要求稳定输出功率,验证了本方法的有效性。
Claims (7)
1.一种基于改进鸟群算法的直流微电网下垂系数优化方法,其特征在于,包括以下步骤:
S1、获取下垂控制过程的有功功率偏差,根据有功功率偏差的偏差程度确定初始飞行频率FQ,并计算相应的适应度值函数fitness后更新粒子,完成首次循环;
S2、判断适应度函数值大于系统要求且迭代次数小于设定值时进入新的更新周期:产生一个[0,1]的随机数,设定一个常数P,P∈(0,1),若随机数大于常数P,则鸟觅食,反之,则鸟警戒;鸟类因逃避捕食进行周期性的移动,移动到某一位置后,食物储备最高和最低的鸟分别成为生产者和乞讨者,其他鸟则在生产者和乞讨者之间随机做出选择,成为生产者的鸟会继续积极觅食,每位乞讨者将随机跟随一位生产者进行觅食,生产者和乞讨者的位置关系通过莱维飞行优化后的位置关系方程得到;
S3、评估适应度值,更新鸟群位置,重复步骤S2直到满足要求或达到迭代上限,得到鸟群最优解为新的下垂系数。
2.根据权利要求1所述的一种基于改进鸟群算法的直流微电网下垂系数优化方法,其特征在于,所述生产者和乞讨者的莱维飞行优化后的位置关系方程分别为:
其中,表示第i只鸟在j维空间t时刻所在位置;FL表示乞食者随同生产者觅食的概率;表示点对点乘法;Levy(β)表示参数为β的莱维飞行模型:
其中,β为常量。
3.根据权利要求1所述的一种基于改进鸟群算法的直流微电网下垂系数优化方法,其特征在于,所述步骤S1中,将飞行频率FQ设置为一个范围在[a,b]之间动态改变的量,设FQ的初始值c为m、n两个值中的一个,a<m<n<b,当有功功率偏差大于参考值Y时,取c=n,当有功功率偏差小于或等于参考值Y时,取c=m;
迭代过程中,每完成H次飞行位置跳跃,就对整个周期全局最优解进行判断,若最优解没有变化或变化范围小于等于初始最优解的0.02时,则FQ=c-1,FQ最小为a;若最优解变化范围大于初始最优解的0.1,则FQ=c+1,FQ最大为b;若最优解的变化范围大于初始最优解的0.02且小于等于0.1,则FQ的值保持不变,直至整个飞行周期结束。
4.根据权利要求1所述的一种基于改进鸟群算法的直流微电网下垂系数优化方法,其特征在于,所述步骤S2中其他鸟则在生产者和乞讨者之间随机做出选择的过程具体包括:
产生一组[0,1]之间的随机数Di,i∈[1,2,3...N-2],除去最高食物储量和最低食物储量的鸟外的其他鸟的适应度pFiti<Di时,鸟i成为生产者,否则成为乞讨者。
5.根据权利要求1所述的一种基于改进鸟群算法的直流微电网下垂系数优化方法,其特征在于,所述鸟觅食时的位置更新公式为:
其中,表示第i只鸟在j维空间t时刻所在位置;C和S是两个正数,分别表示感知系数及社会进化系数;Pi,j为第i只鸟经过的最佳位置;gj为整个种群的最佳位置。
6.根据权利要求5所述的一种基于改进鸟群算法的直流微电网下垂系数优化方法,其特征在于,所述鸟警戒时的位置更新公式为:
其中,
k是一个[1,N]之间的随机正整数,N是种群中鸟的个数,A1表示鸟向种群中心靠近过程中由自然环境产生的间接影响,A2表示鸟群之间的竞争冲突产生的直接影响;a1和a2是0到2之间的常数;pFiti表示第i只鸟的最佳适应度值;sumFit表示种群的最佳适应度值之和;meanj表示种群平均位置的第j维;ε表示规避零分割而使用的最小常数。
7.根据权利要求1所述的一种基于改进鸟群算法的直流微电网下垂系数优化方法,其特征在于,所述适应度函数为有功功率偏差的均方误差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910376349.8A CN110265994A (zh) | 2019-05-07 | 2019-05-07 | 一种基于改进鸟群算法的直流微电网下垂系数优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910376349.8A CN110265994A (zh) | 2019-05-07 | 2019-05-07 | 一种基于改进鸟群算法的直流微电网下垂系数优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110265994A true CN110265994A (zh) | 2019-09-20 |
Family
ID=67914325
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910376349.8A Pending CN110265994A (zh) | 2019-05-07 | 2019-05-07 | 一种基于改进鸟群算法的直流微电网下垂系数优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110265994A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113054648A (zh) * | 2021-05-08 | 2021-06-29 | 东莞理工学院 | 基于改进鲸鱼算法的直流微电网下垂系数优化方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130113287A1 (en) * | 2011-11-04 | 2013-05-09 | Honeywell International Inc. | Method and apparatus for effective utilization of energy storage components within a microgrid |
CN103440037A (zh) * | 2013-08-21 | 2013-12-11 | 中国人民解放军第二炮兵工程大学 | 一种基于有限输入信息的虚拟人体运动实时交互控制方法 |
CN104979037A (zh) * | 2015-05-14 | 2015-10-14 | 上海电力学院 | 一种热稳定性增强的透明导电薄膜及其制备方法和应用 |
CN107195297A (zh) * | 2017-07-18 | 2017-09-22 | 太原理工大学 | 一种融合数据归一化的自适应变异鸟群语音识别系统 |
CN108448659A (zh) * | 2018-03-02 | 2018-08-24 | 重庆邮电大学 | 一种基于hacs算法求解电力系统无功优化的方法 |
CN108565887A (zh) * | 2018-01-31 | 2018-09-21 | 湖北工业大学 | 储能环节维持微电网母线电压分区曲线动态下垂控制方法 |
-
2019
- 2019-05-07 CN CN201910376349.8A patent/CN110265994A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130113287A1 (en) * | 2011-11-04 | 2013-05-09 | Honeywell International Inc. | Method and apparatus for effective utilization of energy storage components within a microgrid |
CN103440037A (zh) * | 2013-08-21 | 2013-12-11 | 中国人民解放军第二炮兵工程大学 | 一种基于有限输入信息的虚拟人体运动实时交互控制方法 |
CN104979037A (zh) * | 2015-05-14 | 2015-10-14 | 上海电力学院 | 一种热稳定性增强的透明导电薄膜及其制备方法和应用 |
CN107195297A (zh) * | 2017-07-18 | 2017-09-22 | 太原理工大学 | 一种融合数据归一化的自适应变异鸟群语音识别系统 |
CN108565887A (zh) * | 2018-01-31 | 2018-09-21 | 湖北工业大学 | 储能环节维持微电网母线电压分区曲线动态下垂控制方法 |
CN108448659A (zh) * | 2018-03-02 | 2018-08-24 | 重庆邮电大学 | 一种基于hacs算法求解电力系统无功优化的方法 |
Non-Patent Citations (3)
Title |
---|
刘晓龙等: "基于莱维飞行的鸟群优化算法", 《计算机测量与控制》 * |
周建萍等: "基于改进PSO算法的非理想电压条件下电力弹簧控制策略", 《电力系统自动化》 * |
李欣煜等: "基于粒子群算法的微电网实时功率均分的改进下垂控制策略", 《高电压技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113054648A (zh) * | 2021-05-08 | 2021-06-29 | 东莞理工学院 | 基于改进鲸鱼算法的直流微电网下垂系数优化方法及系统 |
CN113054648B (zh) * | 2021-05-08 | 2023-11-03 | 东莞理工学院 | 基于改进鲸鱼算法的直流微电网下垂系数优化方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109888835B (zh) | 一种基于改进粒子群的分布式光伏配电网规划方法 | |
CN103353979B (zh) | 一种分布式电源的优化选址与定容方法 | |
Cao et al. | Probabilistic optimal PV capacity planning for wind farm expansion based on NASA data | |
CN107069814B (zh) | 配网分布式电源容量布点的模糊机会约束规划方法与系统 | |
Aldosary et al. | A modified shuffled frog algorithm to improve MPPT controller in PV System with storage batteries under variable atmospheric conditions | |
CN108681823A (zh) | 一种含微电网的配电网分布式电源规划方法 | |
Sookananta et al. | Determination of the optimal location and sizing of Distributed Generation using Particle Swarm Optimization | |
Li et al. | Review on reactive power and voltage optimization of active distribution network with renewable distributed generation and time-varying loads | |
Cai et al. | Multi-objective planning of distributed photovoltaic power generation based on multi-attribute decision making theory | |
Kumar et al. | Improving power quality and load profile using PV‐battery‐SAPF system with metaheuristic tuning and its HIL validation | |
Ezhilarasan et al. | Design and development of energy management system for DG source allocation in a micro grid with energy storage system | |
CN106786550A (zh) | 一种微电网成本优化的分布式控制方法及装置 | |
CN110265994A (zh) | 一种基于改进鸟群算法的直流微电网下垂系数优化方法 | |
CN110135640B (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 | |
CN113972665A (zh) | 一种光伏电站参与电网主动调压的无功优化控制方法 | |
Hongfei et al. | Optimal control virtual inertia of optical storage microgrid based on improved sailfish algorithm | |
CN110011424A (zh) | 一种智能微电网分布式云储能系统安全稳定控制方法 | |
CN115566739A (zh) | 一种针对分布式风电接入配电网引起电压越限的抑制方法 | |
Kasaei et al. | DG allocation with consideration of costs and losses in distribution networks using ant colony algorithm | |
Khairalla et al. | Enhanced control strategy and energy management for a photovoltaic system with hybrid energy storage based on self-adaptive bonobo optimization | |
Ding et al. | Multi-Objective optimial configuration of distributed wind-solar generation considering energy storage | |
CN106712009B (zh) | 基于分布式光储的主动配电网安全运行优化方法 | |
Rezk et al. | Hydrogen reduction-based energy management strategy of hybrid fuel cell/PV/battery/supercapacitor renewable energy system | |
Li et al. | A control method of voltage stability for distributed DC microgrid | |
Su et al. | Reactive power generation management for the improvement of power system voltage stability margin |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190920 |