CN110598915B - 一种热电联供的微电网经济优化方法 - Google Patents

一种热电联供的微电网经济优化方法 Download PDF

Info

Publication number
CN110598915B
CN110598915B CN201910784616.5A CN201910784616A CN110598915B CN 110598915 B CN110598915 B CN 110598915B CN 201910784616 A CN201910784616 A CN 201910784616A CN 110598915 B CN110598915 B CN 110598915B
Authority
CN
China
Prior art keywords
grid
particle
micro
gas
cost
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.)
Expired - Fee Related
Application number
CN201910784616.5A
Other languages
English (en)
Other versions
CN110598915A (zh
Inventor
何家裕
吴杰康
余方明
梁继深
庄仲
杨金文
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 CN201910784616.5A priority Critical patent/CN110598915B/zh
Publication of CN110598915A publication Critical patent/CN110598915A/zh
Application granted granted Critical
Publication of CN110598915B publication Critical patent/CN110598915B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Primary Health Care (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Fuel Cell (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及微电网经济运行优化技术领域，更具体地，提供一种热电联供的微电网经济优化方法，微电网系统包括风电机组、光伏电池、燃料电池、蓄电池、燃气轮机及燃气锅炉，所述方法包括步骤：构建微电网运行数据集、构建微电网经济运行优化的目标函数、构建含风电的微电网经济运行优化模型的约束条件、构建改进粒子群算法求解模型，最后再根据改进粒子群算法求解模型得到一个月最小运行成本。本发明能够提高对新空间搜索能力，以及提高搜索速度，同时，还能够防止微电网经济优化模型收敛到局部最优解，提高微电网运行的经济性。

Description

一种热电联供的微电网经济优化方法
技术领域
本发明涉及微电网经济运行优化技术领域，更具体地，提供一种热电联供的微电网经济优化方法。
背景技术
微电网是指由分布式电源、储能装置、能量转换装置、符合、监控和保护装置等组成的小型发配电系统，对满足偏远地区的分散电力需求供应起到重要作用，但微电网的运行成本不容忽视，微电网的经济运行优化是在确保系统稳定可靠运行的基础上实现微电网运行成本最小化的一项关键技术，微电网的经济运行优化方法的目标之一即寻求优化全局过程中的最优点，现有微电网的经济运行优化方法如细菌觅食算法、粒子群算法等，具有对初值和参数选择不敏感、鲁棒性强、简单易于实现、便于与其它算法结合等优点，但是对新空间的探索能力有限，且搜索速度较慢，获得较为精确的微电网经济运行的优化解需要较多的训练时间，且容易收敛到局部最优解，影响微电网运行的经济性。
发明内容
本发明的目的在于克服现有微电网经济运行优化方法对新空间搜索能力有限、求解微电网经济优化模型时容易收敛到局部最优的缺陷，提供一种热电联供的微电网经济优化方法，能够提高对新空间搜索能力，以及提高搜索速度，同时，还能够防止微电网经济优化模型收敛到局部最优解，提高微电网运行的经济性。
为解决上述技术问题，本发明采用的技术方案是：
提供一种热电联供的微电网经济优化方法，微电网系统包括风电机组、光伏电池、燃料电池、蓄电池、燃气轮机及燃气锅炉，优化方法包括以下步骤：
S1.构建微电网运行数据集，所述微电网运行数据集包括风电机组、光伏电池、燃料电池、蓄电池、燃气轮机、燃气锅炉的每天使用时长和运行成本参数；还包括燃气轮机和燃气锅炉的排放废气量参数；还包括微电网与大电网的交互成本参数；
S2.在步骤S1之后，构建微电网经济运行优化的目标函数，所述目标函数为：
Figure GDA0003865778700000011
式中，f表示微电网一个月的总运行成本；m表示一个月的天数，n表示一天的时段，由早上、中午、下午及晚上组成；T1,n(n＝1,2,3,4)表示风电机组在时段n使用的时长，f1,n(n＝1,2,3,4)表示风电机组在时段n的单位运行成本；T2,n(n＝1,2,3,4)表示光伏电池在时段n使用的时长，f2,n(n＝1,2,3,4)表示光伏电池在时段n的单位运行成本；T3,n(n＝1,2,3,4)表示燃料电池在时段n使用的时长，f3,n(n＝1,2,3,4)表示燃料电池在时段n的单位运行成本；T4,n(n＝1,2,3,4)表示蓄电池在时段n使用的时长，f4,n(n＝1,2,3,4)表示蓄电池在时段n的单位运行成本；T5,n(n＝1,2,3,4)表示燃气轮机在时段n的使用时长，f5,n(n＝1,2,3,4)燃气轮机在时段n的单位运行成本；T6,n(n＝1,2,3,4)表示燃气锅炉在时段n使用的时长，f6,n(n＝1,2,3,4)表示燃气锅炉在时段n的单位运行成本；f7,n(n＝1,2,3,4)表示时段n微电网与大电网的交互成本；f8,n(n＝1,2,3,4)表示在时段n的燃料电池、燃气轮机、燃气锅炉的总排污成本；
S3.在步骤S2之后，构建含风电的微电网经济运行优化模型的约束条件，所述约束条件包括对微电网系统中若干组成部分的每天使用的总时长约束、排放废气量的约束、运行功率与运行成本的约束、交互功率与交互成本的约束、总排污成本的约束、能源平衡约束、微电网线路传输功率约束；具体为对风电机组、光伏电池、燃料电池、蓄电池、燃气轮机、燃气锅炉每天使用的总时长，燃气轮机和燃气锅炉的排放废气量；还包括燃料电池、蓄电池、燃气轮机、燃气锅炉的运行功率以及微电网与大电网的交互功率；还包括风电机组、光伏电池、燃料电池、蓄电池、燃气轮机、燃气锅炉的运行成本，微电网与大电网的交互成本，燃料电池、燃气轮机、燃气锅炉的总排污成本；还包括能源平衡约束、微电网线路传输功率约束；
S4.在步骤S3之后，构建改进粒子群算法求解模型；
S5.在步骤S4之后，根据改进粒子群算法求解模型得到一个月最小运行成本。
本发明为一种热电联供的微电网经济优化方法，通过构建微电网运行数据集、构建微电网经济运行优化的目标函数、构建含风电的微电网经济运行优化模型的约束条件、构建改进粒子群算法求解模型，最后再根据改进粒子群算法求解模型得到一个月最小运行成本。该方法能够提高对新空间搜索能力，以及提高搜索速度，同时，还能够防止微电网经济优化模型收敛到局部最优解，提高微电网运行的经济性。
为了能够对微电网经济运行优化模型进行有效约束，在步骤S3中，所述约束条件为：对风电机组、光伏电池、燃料电池、蓄电池、燃气轮机、燃气锅炉每天使用的总时长不超过平均最大运行时间；燃气轮机一天废气排放总量不超过燃气轮机一天最大废气排放总量；燃气锅炉一天废气排放总量不超过燃气锅炉一天最大废气排放总量；燃料电池、蓄电池、燃气轮机、燃气锅炉在时段n的运行功率不超过各自的最大运行功率，以及不小于各自的最小运行功率；微电网与大电网在时段n的交互功率不超过其最大交互功率，以及不小于其最小交互功率；风电机组、光伏电池、燃料电池、蓄电池、燃气轮机、燃气锅炉的运行成本，微电网与大电网的交互成本，以及燃料电池、燃气轮机、燃气锅炉的总排污成本的总和小于微电网的总收入；所述能源平衡约束包括热能量平衡约束和电能平衡约束；在微电网线路传输功率约束中，在时段t线路传输功率不超过线路传输最大功率，以及不小于线路传输最小功率。
为了能够有效提高对新空间搜索能力，以及防止微电网经济优化模型收敛到局部最优解，在步骤S4中，所述构建改进粒子群算法求解模型具体包括以下步骤：
S41.输入模型参数；
S42.在步骤S41之后，粒子种群初始化；
S43.在步骤S42之后，将初始粒子种群进行混沌处理，其次通过映射公式将粒子还原到求解范围，形成改进粒子群初始化矩阵，用矩阵B表示：
Figure GDA0003865778700000031
式中，xij表示第i个粒子的第j个维度数值，i＝1,2,3,…,n，j＝1,2,3,…,d；
S44.在步骤S43之后，计算种群适应度值，记录局部最优粒子Pbest和全局最优粒子Gbest；
S45.将初始化粒子群矩阵进行趋化操作，其中，趋化可分为移动和游动；
S46.在步骤S45之后，判断粒子是否达到趋向的最大迭代次数，若达到，则执行步骤S47，否则返回步骤S45；
S47.将趋向操作后的粒子种群进行纵横交叉操作；
S48.在步骤S47之后，计算种群中的每个粒子与全局最优粒子的距离；
S49.在步骤S48之后，构建最大偏离距离λ；
S410.在步骤S49之后，构建相似时点数nij和最大偏离点时点数mij；
S411.在步骤S410之后，当nij≥t×n，t为复制参数，其中t∈[0,1]，则将该粒子进行复制，否则，进行变异操作，直至满足nij≥t×n为止；
S412.更新粒子的速度和位置；
S413.计算种群适应度值，更新局部最优粒子Pbest和全局最优粒子Gbest；
S414.迭代结束，输出全局最优解即为各机组的最优出力。
进一步地，在步骤S41中，所述参数包括风电机组、光伏电池、燃料电池、蓄电池、燃气轮机、燃气锅炉每天使用时长；还包括燃料电池、燃气轮机和燃气锅炉的排放废气量参数；还包括风电机组、光伏电池、燃料电池、蓄电池、燃气轮机、燃气锅炉的运行成本参数，微电网与大电网的交互成本参数；燃料电池、燃气轮机和燃气锅炉的单位废气排放成本。
进一步地，在步骤S42中，所述粒子种群初始化包括种群的初始化、种群最大迭代次数的设置、种群规模及种群变异概率的设置、学习因子的设置、最大惯性权重和最小惯性权重的设置、趋化次数的设置、复制参数t的设置、最大误差的设置、惯性权重的设置、空矩阵的速度设置、粒子的速度设置。
进一步地，在步骤S43中，矩阵B采用Logistic方程进行混沌处理，其中，Logistic方程为：
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；混沌处理后的矩阵B通过以下公式还原到解空间：
Figure GDA0003865778700000051
xi＝zi(ximax-ximin)+ximin；
还原到解空间后，所述矩阵B则为改进粒子群的初始化矩阵。
进一步地，在步骤S45中，粒子移动的公式具体为：
Figure GDA0003865778700000052
粒子游动的公式具体为：
x(i,j+1,k,l)＝x(i,j,k,l)+ωc(i+1)v(i+1)，
式中，x(i,j,k,l)表示个体i在第j代趋向第k代繁殖第i代驱散时的位置；x(i,j+1,k,l)表示个体i在第j+1代趋向第k代繁殖第i代驱散时的位置；c(i+1)表示为步长；v(i)表示为粒子的速度；Δ(i)表示为随机方向上的一个单位向量；xi表示为粒子i；C1、C2、C3表示为学习因子；ω为惯性权重；v(i+1)表示第i+1次迭代的速度，rand1、rand2、rand3均表示数值范围为(0,1)的随机数。
进一步地，在步骤S47中，横向交叉的具体公式为：
Mhc(i,d)＝r1X(i,d)+(1-r1)X(j,d)+e1(X(i,d)-X(j,d))
Mhc(j,d)＝r2X(j,d)+(1-r2)X(i,d)+e2(X(j,d)-X(i,d))，
式中，e1、e2为[-1,1]上的随机数，r1、r2为[-1,1]上的随机数，X(i,d)、X(j,d)分别是父代粒子x(i),x(j)的第d维，Mhc(i,d)、Mhc(j,d)分别为X(i,d)、X(j,d)经横向交叉产生的第d维子代；
纵向交叉的具体公式为：
Mvc(i,d1)＝rX(i,d1)+(1-r)X(i,d2)，
式中，r为[0,1]上的随机数，Mvc(i,d1)为粒子i的d1和d2维通过纵向交叉产生的子代粒子。
进一步地，在步骤S48中，种群中的每个粒子与全局最优粒子的距离计算公式为：
Figure GDA0003865778700000053
式中，j为粒子的维度数值，xi为粒子i，Gbest为全局最优粒子；
在步骤S49中，构建最大偏离距离λ的计算公式为：
Figure GDA0003865778700000061
式中，ωi为第i个个体的权重，ximax为第i个粒子中最大的数值，ximin为第i个粒子中最小的数值，
Figure GDA0003865778700000062
为第i个粒子的平均数值，xjmax为全局最优粒子中的最大数值，xjmin为全局最优粒子中的最小数值，
Figure GDA0003865778700000063
为全局最优个体的平均数值，
Figure GDA0003865778700000064
为偏差，取值为[0,0.1]中的随机数。
进一步地，在步骤S412中，更新粒子的速度和位置的计算公式为：
Figure GDA0003865778700000065
式中，v(i)为当前粒子的速度，xi为粒子i，Pbest为局部最优粒子，Gbest为全局最优粒子，rand为介于0到1的随机数，c1、c2为学习因子；在步骤S413中，根据目标函数计算种群的适应度值，计算种群的适应度值，记录最优个体。
与现有技术相比，本发明的有益效果是：
本发明为一种热电联供的微电网经济优化方法，通过对初始粒子种群进行混沌映射，其次利用目标函数评价每个粒子的适应度值，根据适应度值对粒子进行趋向操作、纵横交叉操作，构建最大偏离距离，将满足条件的粒子进行复制操作，更新粒子的位置和速度，最后输出全局最优粒子即为微电网各机组的最优出力。
附图说明
图1为本发明一种热电联供的微电网经济优化方法的流程图。
具体实施方式
下面结合具体实施方式对本发明作进一步的说明。其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本专利的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
实施例1
如图1所示为本发明一种热电联供的微电网经济优化方法的第一实施例，微电网系统包括风电机组、光伏电池、燃料电池、蓄电池、燃气轮机及燃气锅炉，热电联供的微电网经济优化方法包括以下步骤：
S1.构建微电网运行数据集，微电网运行数据集包括风电机组、光伏电池、燃料电池、蓄电池、燃气轮机、燃气锅炉的每天使用时长和运行成本参数；还包括燃气轮机和燃气锅炉的排放废气量参数；还包括微电网与大电网的交互成本参数；
S2.在步骤S1之后，构建微电网经济运行优化的目标函数，所述目标函数为：
Figure GDA0003865778700000071
式中，f表示微电网一个月的总运行成本；m表示一个月的天数，n表示一天的时段，由早上、中午、下午及晚上组成；T1,n(n＝1,2,3,4)表示风电机组在时段n使用的时长，f1,n(n＝1,2,3,4)表示风电机组在时段n的单位运行成本；T2,n(n＝1,2,3,4)表示光伏电池在时段n使用的时长，f2,n(n＝1,2,3,4)表示光伏电池在时段n的单位运行成本；T3,n(n＝1,2,3,4)表示燃料电池在时段n使用的时长，f3,n(n＝1,2,3,4)表示燃料电池在时段n的单位运行成本；T4,n(n＝1,2,3,4)表示蓄电池在时段n使用的时长，f4,n(n＝1,2,3,4)表示蓄电池在时段n的单位运行成本；T5,n(n＝1,2,3,4)表示燃气轮机在时段n的使用时长，f5,n(n＝1,2,3,4)燃气轮机在时段n的单位运行成本；T6,n(n＝1,2,3,4)表示燃气锅炉在时段n使用的时长，f6,n(n＝1,2,3,4)表示燃气锅炉在时段n的单位运行成本；f7,n(n＝1,2,3,4)表示时段n微电网与大电网的交互成本；f8,n(n＝1,2,3,4)表示在时段n的燃料电池、燃气轮机、燃气锅炉的总排污成本；
S3.在步骤S2之后，构建含风电的微电网经济运行优化模型的约束条件，所述约束条件包括对风电机组、光伏电池、燃料电池、蓄电池、燃气轮机、燃气锅炉每天使用的总时长，燃气轮机和燃气锅炉的排放废气量；还包括燃料电池、蓄电池、燃气轮机、燃气锅炉的运行功率以及微电网与大电网的交互功率；还包括风电机组、光伏电池、燃料电池、蓄电池、燃气轮机、燃气锅炉的运行成本，微电网与大电网的交互成本，燃料电池、燃气轮机、燃气锅炉的总排污成本；还包括能源平衡约束、微电网线路传输功率约束；
S4.在步骤S3之后，构建改进粒子群算法求解模型；
S5.在步骤S4之后，根据改进粒子群算法求解模型得到一个月最小运行成本。
本发明为一种热电联供的微电网经济优化方法，通过构建微电网运行数据集、构建微电网经济运行优化的目标函数、构建含风电的微电网经济运行优化模型的约束条件、构建改进粒子群算法求解模型，最后再根据改进粒子群算法求解模型得到一个月最小运行成本。该方法能够提高对新空间搜索能力，以及提高搜索速度，同时，还能够防止微电网经济优化模型收敛到局部最优解，提高微电网运行的经济性。
另外，在步骤S3中，约束条件为：对风电机组、光伏电池、燃料电池、蓄电池、燃气轮机、燃气锅炉每天使用的总时长不超过平均最大运行时间；燃气轮机一天废气排放总量不超过燃气轮机一天最大废气排放总量；燃气锅炉一天废气排放总量不超过燃气锅炉一天最大废气排放总量；燃料电池、蓄电池、燃气轮机、燃气锅炉在时段t的运行功率不超过各自的最大运行功率，以及不小于各自的最小运行功率；微电网与大电网在时段n的交互功率不超过其最大交互功率，以及不小于其最小交互功率；风电机组、光伏电池、燃料电池、蓄电池、燃气轮机、燃气锅炉的运行成本，微电网与大电网的交互成本，以及燃料电池、燃气轮机、燃气锅炉的总排污成本的总和小于微电网的总收入；能源平衡约束包括热能量平衡约束和电能平衡约束；在微电网线路传输功率约束中，在时段n线路传输功率不超过线路传输最大功率，以及不小于线路传输最小功率。
具体地，在步骤S3中，对风电机组、光伏电池、燃料电池、蓄电池、燃气轮机、燃气锅炉每天使用的总时长约束的具体公式为：
Figure GDA0003865778700000091
Figure GDA0003865778700000092
Figure GDA0003865778700000093
Figure GDA0003865778700000094
Figure GDA0003865778700000095
Figure GDA0003865778700000096
式中，T1min为风电机组一天中最短运行时长，T1max为风电机组一天中最长运行时长；T2min为光伏电池一天中最短运行时长，T2max为光伏电池一天中最长运行时长；T3min为燃料电池一天中最短运行时长，T3max为燃料电池一天中最长运行时长；T4min为蓄电池一天中最短运行时长，T4max为蓄电池一天中最长运行时长；T5min为燃气轮机一天中最短运行时长，T5max为燃气轮机一天中最长运行时长；T6min为燃气锅炉一天中最短运行时长，T6max为燃气锅炉一天中最长运行时长。
具体地，在步骤S3中，对燃气轮机和燃气锅炉废气排放总量约束的具体公式为：
Ggb≤Ggb.max，
Gbl≤Gbl.max，
式中，Ggb为燃气轮机一天废气排放总量，Ggb.max为燃气轮机一天最大废气排放总量；Gbl为燃气锅炉一天废气排放总量，Gbl.max为燃气锅炉一天最大废气排放总量。
具体地，在步骤S3中，对燃料电池、蓄电池、燃气轮机、燃气锅炉在时段t的运行功率和微电网与大电网在时段t的交互功率约束的具体公式为：
Pfl.min≤Pfl,t≤Pfl.max，
Pbt.min≤Pbt,t≤Pbt.max，
Pgb.min≤Pgb,t≤Pgb.max，
Pbl.min≤Pbl,t≤Pbl.max，
Pgrid.min≤Pgrid,t≤Pgrid.max；
式中，Pfl.min为燃料电池的最小运行功率，Pfl,t为燃料电池在时段t的运行功率，Pfl.max为燃料电池的最大运行功率；Pbt.min为蓄电池的最小运行功率，Pbt,t为蓄电池在时段t的运行功率，Pbt.max为蓄电池的最大运行功率；Pgb.min为燃气轮机的最小运行功率，Pgb,t为燃气轮机在时段t的运行功率，Pgb.max为燃气轮机的最大运行功率；Pbl.min为燃气锅炉的最小运行功率，Pbl,为燃气锅炉在时段t的运行功率，Pbl.max为燃气锅炉的最大运行功率；Pgrid.min为微电网与大电网的最小交互功率，Pgrid,为微电网与大电网在时段t的交互功率，Pgrid.max为微电网与大电网的最大交互功率。
具体地，在步骤S3中，对成本的约束的具体公式为：
Cfw+Cfv+Cfl+Cbt+Cgb+Cbl+Cgrid+Cpo<Ctotal，
式中，Cfw为风电机组的运行成本，Cfv为光伏电池的运行成本，Cfl为燃料电池的运行成本，Cbt为蓄电池的运行成本，Cgb为燃气轮机的运行成本，Cbl为燃气锅炉的运行成本，Cgrid为微电网与大电网的交互成本，Cpo为燃料电池、燃气轮机、燃气锅炉的总排污成本，Ctotal为微电网的总收入。
具体地，在步骤S3中，对热能量平衡约束的具体公式为：
αgb,tQgb,t+αbl,tQbl,t＝Qload,t；
式中，Qgb,t、Qbl,t、Qload,t分别为在时段t燃气轮机的产热量、燃气锅炉的产热量、微电网系统内总的热负荷；αgb,t、αbl,t分别为燃气轮机和燃气锅炉的运行状态，取值范围为{0,1}。本发明采用“以热定电”的运行方式进行运行，因此微电网系统的热能总输出应等于热负荷总需求。
具体地，微电网系统的电能与大电网产生交互，当微电网系统发电量大于电负荷时，先对蓄电池进行充电，蓄电池充满电后若还有剩余电量则向电网输送电能；当微电网系统发电量小于电负荷时，在大电网电价达到峰值时，不足的电量由燃气轮机和燃料电池进行补足，在大电网电价低谷时，则向大电网购买电能以满足微电网电负荷需求和对蓄电池进行充电。
当大电网电价在峰值时：
βfv,tPfv,t+βfw,tPfw,t+βfl,tPfl,t+βbt,tPbt,t+βgb,tPgb,t≥Pload,t；
当大电网电价在低谷时：
βfv,tPfv,t+βfw,tPfw,t+βgrid,tPgrid,t-Pload,t+βbt,tPbt,t＝0；
当大电网电价在平电价时：
βfv,tPfv,t+βfw,tPfw,t+βfl,tPfl,t+βbt,tPbt,t+βgb,tPgb,t+βgrid,tPgrid,t-Pioad,t＝0；
式中，Pfv,t、Pfw,t分别为时段t光伏出力功率和风机出力功率，βfv,t、βfw,t、βgb,t、βgrid,t分别为光伏电机组出力状况、风电机组出力状况、燃料电池出力状况、燃气轮机出力状况、微电网与大电网交互状况，取值范围为{0,1}，当机组运行时取1，退出运行取0；βbt,t为蓄电池的运行情况，当蓄电池放电时取1，充电时1取-1，不工作时取0。Pload,t为微电网系统内总的电负荷。
具体地，微电网线路传输功率约束的具体公式为：
Pl.min≤Pl,t≤Pl.max，
式中，Pl.min表示线路传输最小功率，Pl,t表示在时段t线路传输功率，Pl.max表示线路传输最大功率。
实施例2
本实施例与实施例1类似，所不同之处在于，本实施例中，在步骤S4中，构建改进粒子群算法求解模型具体包括以下步骤：
S41.输入模型参数，参数包括风电机组、光伏电池、燃料电池、蓄电池、燃气轮机、燃气锅炉每天使用时长；还包括燃料电池、燃气轮机和燃气锅炉的排放废气量参数；还包括风电机组、光伏电池、燃料电池、蓄电池、燃气轮机、燃气锅炉的运行成本参数，微电网与大电网的交互成本参数；燃料电池、燃气轮机和燃气锅炉的单位废气排放成本；
S42.在步骤S41之后，粒子种群初始化，粒子种群初始化包括种群的初始化、种群最大迭代次数的设置、种群规模及种群变异概率的设置、学习因子的设置、最大惯性权重和最小惯性权重的设置、趋化次数的设置、复制参数t的设置、最大误差的设置、惯性权重的设置、空矩阵的速度设置、粒子的速度设置；具体费，在本实施例中，最大迭代次数为10000，种群规模为200，变异概率为0.09，最大误差为0.00001，粒子移动公式中的学习因子C1取0.2，粒子移动公式中的学习因子C2取0.2，粒子移动公式中的学习因子C3取0.25，趋化最大惯性权重为0.8，趋化最小惯性权重为0.4，趋化次数取20，复制参数t取0.8，学习因子c1取0.25，学习因子c2取0.25，粒子群最大惯性权重为0.8，粒子群最小惯性权重为0.4；粒子群算法的惯性权重的计算公式为：
Figure GDA0003865778700000121
式中，Iter为当前迭代次数，MIter为最大迭代次数；
S43.在步骤S42之后，在初始化时，风电机组单位运行成本f1,n、光伏电池的单位运行成本f2,n、燃料电池的单位运行成本f3,n、蓄电池的单位运行成本f4,n、燃气轮机的单位运行成本f5,n、燃气锅炉的单位运行成本f6,n、微电网与大电网的单位交互成本f7,n、燃料电池、燃气轮机、燃气锅炉的总排污成本f8,n共同作为一个个体，粒子长度为8，个体总数设为200，设置200*8的孔矩阵B，矩阵B为：
Figure GDA0003865778700000122
式中，xij表示第i个粒子的第j个维度数值，i＝1,2,3,…,n，j＝1,2,3,…,d；
矩阵B采用Logistic方程进行混沌处理，其中，Logistic方程为：
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；
混沌处理后的矩阵B通过以下公式还原到解空间：
Figure GDA0003865778700000131
xi＝zi(ximax-ximin)+ximin；
然后，矩阵B则为改进粒子群的初始化矩阵；
S44.在步骤S43之后，计算种群适应度值，记录局部最优粒子Pbest和全局最优粒子Gbest；根据适应度函数，计算种群的适应度值，记录最优个体；适应度函数为优化模型的目标函数，将初始化后的种群中的每一个个体分解为8个参数，进行适应度计算，最优个体为使得适应度函数最小的个体；
S45.将初始化粒子群矩阵进行趋化操作，其中，趋化可分为移动和游动；具体地，粒子移动的公式具体为：
Figure GDA0003865778700000132
粒子游动的公式具体为：
x(i,j+1,k,l)＝x(i,j,k,l)+ωc(i+1)v(i+1)，
式中，x(i,j,k,l)表示个体i在第j代趋向第k代繁殖第i代驱散时的位置；x(i,j+1,k,l)表示个体i在第j+1代趋向第k代繁殖第i代驱散时的位置；c(i+1)表示为步长；v(i)表示为粒子的速度；Δ(i)表示为随机方向上的一个单位向量；xi表示为粒子i；C1、C2、C3表示为学习因子；ω为惯性权重；v(i+1)表示第i+1次迭代的速度，rand1、rand2、rand3均表示数值范围为(0,1)的随机数；
S46.在步骤S45之后，判断粒子是否达到趋向的最大迭代次数，若达到，则执行步骤S47，否则返回步骤S45；
S47.将趋向操作后的粒子种群进行纵横交叉操作；
具体地，横向交叉的具体公式为：
Mhc(i,d)＝r1X(i,d)+(1-r1)X(j,d)+e1(X(i,d)-X(j,d))
Mhc(j,d)＝r2X(j,d)+(1-r2)X(i,d)+e2(X(j,d)-X(i,d))，
式中，e1、e2为[-1,1]上的随机数，r1、r2为[-1,1]上的随机数，X(i,d)、X(j,d)分别是父代粒子x(i),x(j)的第d维，Mhc(i,d)、Mhc(j,d)分别为X(i,d)、X(j,d)经横向交叉产生的第d维子代；
具体地，纵向交叉的具体公式为：
Mvc(i,d1)＝rX(i,d1)+(1-r)X(i,d2)，
式中，r为[0,1]上的随机数，Mvc(i,d1)为粒子i的d1和d2维通过纵向交叉产生的子代粒子；
S48.在步骤S47之后，计算种群中的每个粒子与全局最优粒子的距离，该距离的计算公式为：
Figure GDA0003865778700000141
式中，j为粒子的维度数值，本实施例中粒子维数为8；xi为粒子i，Gbest为全局最优粒子；
S49.在步骤S48之后，构建最大偏离距离λ；构建最大偏离距离λ的计算公式为：
Figure GDA0003865778700000142
式中，ωi为第i个个体的权重，ximax为第i个粒子中最大的数值，ximin为第i个粒子中最小的数值，
Figure GDA0003865778700000145
为第i个粒子的平均数值，xjmax为全局最优粒子中的最大数值，xjmin为全局最优粒子中的最小数值，
Figure GDA0003865778700000143
为全局最优个体的平均数值，
Figure GDA0003865778700000144
为偏差，取值为[0,0.1]中的随机数；
S410.在步骤S49之后，构建相似时点数nij和最大偏离点时点数mij；当种群中粒子中与全局最优粒子的距离小于最大偏离距离，则nij＝nij+1，否则mij＝mij+1；
S411.在步骤S410之后，当nij≥t×n，其中t∈[0,1]，则将该粒子进行复制，否则，进行变异操作，直至满足nij≥t×n为止；
S412.更新粒子的速度和位置，速度和位置的计算公式为：
Figure GDA0003865778700000151
式中，v(i)为当前粒子的速度，xi为粒子i，Pbest为局部最优粒子，Gbest为全局最优粒子，rand为介于0到1的随机数，c1、c2为学习因子；
S413.计算种群适应度值，更新局部最优粒子Pbest和全局最优粒子Gbest；
S414.迭代结束，输出全局最优粒子。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (7)

1.一种热电联供的微电网经济优化方法，微电网系统包括风电机组、光伏电池、燃料电池、蓄电池、燃气轮机及燃气锅炉，其特征在于，包括以下步骤：
S1.构建微电网运行数据集，所述微电网运行数据集包括风电机组、光伏电池、燃料电池、蓄电池、燃气轮机、燃气锅炉的每天使用时长和运行成本参数；还包括燃气轮机和燃气锅炉的排放废气量参数；还包括微电网与大电网的交互成本参数；
S2.在步骤S1之后，构建微电网经济运行优化的目标函数，所述目标函数为：
Figure FDA0003865778690000011
式中，f表示微电网一个月的总运行成本；m表示一个月的天数，n表示一天的时段，由早上、中午、下午及晚上组成；T1，n(n＝1，2，3，4)表示风电机组在时段n使用的时长，f1，n(n＝1，2，3，4)表示风电机组在时段n的单位运行成本；T2，n(n＝1，2，3，4)表示光伏电池在时段n使用的时长，f2，n(n＝1，2，3，4)表示光伏电池在时段n的单位运行成本；T3，n(n＝1，2，3，4)表示燃料电池在时段n使用的时长，f3，n(n＝1，2，3，4)表示燃料电池在时段n的单位运行成本；T4，n(n＝1，2，3，4)表示蓄电池在时段n使用的时长，f4，n(n＝1，2，3，4)表示蓄电池在时段n的单位运行成本；T5，n(n＝1，2，3，4)表示燃气轮机在时段n的使用时长，f5，n(n＝1，2，3，4)燃气轮机在时段n的单位运行成本；T6，n(n＝1，2，3，4)表示燃气锅炉在时段n使用的时长，f6，n(n＝1，2，3，4)表示燃气锅炉在时段n的单位运行成本；f7，n(n＝1，2，3，4)表示时段n微电网与大电网的交互成本；f8，n(n＝1，2，3，4)表示在时段n的燃料电池、燃气轮机、燃气锅炉的总排污成本；
S3.在步骤S2之后，构建含风电的微电网经济运行优化模型的约束条件，所述约束条件包括对微电网系统中若干组成部分的每天使用的总时长约束、排放废气量的约束、运行功率与运行成本的约束、交互功率与交互成本的约束、总排污成本的约束、能源平衡约束、微电网线路传输功率约束；
S4.在步骤S3之后，构建改进粒子群算法求解模型；其中，所述构建改进粒子群算法求解模型具体包括以下步骤：
S41.输入模型参数；
S42.在步骤S41之后，粒子种群初始化；
S43.在步骤S42之后，将初始粒子种群进行混沌处理，其次通过映射公式将粒子还原到求解范围，形成改进粒子群初始化矩阵，用矩阵B表示：
Figure FDA0003865778690000021
式中，xij表示第i个粒子的第j个维度数值，i＝1，2，3，...，n，j＝1，2，3，...，d；
S44.在步骤S43之后，计算种群适应度值，记录局部最优粒子Pbest和全局最优粒子Gbest；
S45.将初始化粒子群矩阵进行趋化操作，其中，趋化可分为移动和游动；其中，粒子移动的公式具体为：
Figure FDA0003865778690000022
粒子游动的公式具体为：
x(i，j+1，k，l)＝x(i，j，k，l)+ωc(i+1)v(i+1)，
式中，x(i，j，k，l)表示个体i在第j代趋向第k代繁殖第i代驱散时的位置；x(i，j+1，k，l)表示个体i在第j+1代趋向第k代繁殖第i代驱散时的位置；c(i+1)表示为步长；v(i)表示为粒子的速度；Δ(i)表示为随机方向上的一个单位向量；xi表示为粒子i；C1、C2、C3表示为学习因子；ω为惯性权重；v(i+1)表示第i+1次迭代的速度，rand1、rand2、rand3均表示数值范围为(0，1)的随机数；
S46.在步骤S45之后，判断粒子是否达到趋向的最大迭代次数，若达到，则执行步骤S47，否则返回步骤S45；
S47.将趋向操作后的粒子种群进行纵横交叉操作；其中，横向交叉的具体公式为：
Mhc(i，d)＝r1X(i，d)+(1-r1)X(j，d)+e1(X(i，d)-X(j，d))
Mhc(j，d)＝r2X(j，d)+(1-r2)X(i，d)+e2(X(j，d)-X(i，d))，
式中，e1、e2为[-1，1]上的随机数，r1、r2为[-1，1]上的随机数，X(i，d)、X(j，d)分别是父代粒子x(i)，x(j)的第d维，Mhc(i，d)、Mhc(j，d)分别为X(i，d)、X(j，d)经横向交叉产生的第d维子代；
纵向交叉的具体公式为：
Mvc(i，d1)＝rX(i，d1)+(1-r)X(i，d2)，
式中，r为[0，1]上的随机数，Mvc(i，d1)为粒子i的d1和d2维通过纵向交叉产生的子代粒子；
S48.在步骤S47之后，计算种群中的每个粒子与全局最优粒子的距离；
S49.在步骤S48之后，构建最大偏离距离λ；其中，构建最大偏离距离λ的计算公式为：
Figure FDA0003865778690000031
式中，ωi为第i个个体的权重，ximax为第i个粒子中最大的数值，ximin为第i个粒子中最小的数值，
Figure FDA0003865778690000032
为第i个粒子的平均数值，xjmax为全局最优粒子中的最大数值，xjmin为全局最优粒子中的最小数值，
Figure FDA0003865778690000033
为全局最优个体的平均数值，
Figure FDA0003865778690000034
为偏差，取值为[0，0.1]中的随机数；
S410.在步骤S49之后，构建相似时点数nij和最大偏离点时点数mij；当种群中粒子中与全局最优粒子的距离小于最大偏离距离，则nij＝nij+1，否则mij＝mij+1；
S411.在步骤S410之后，当nij≥t×n，t为复制参数，其中t∈[0，1]，则将该粒子进行复制，否则，进行变异操作，直至满足nij≥t×n为止；
S412.更新粒子的速度和位置；
S413.计算种群适应度值，更新局部最优粒子Pbest和全局最优粒子Gbest；
S414.迭代结束，输出全局最优解即为各机组的最优出力；
S5.在步骤S4之后，根据改进粒子群算法求解模型得到一个月最小运行成本。
2.根据权利要求1所述的一种热电联供的微电网经济优化方法，其特征在于，在步骤S3中，所述约束条件为：对风电机组、光伏电池、燃料电池、蓄电池、燃气轮机、燃气锅炉每天使用的总时长不超过平均最大运行时间；燃气轮机一天废气排放总量不超过燃气轮机一天最大废气排放总量；燃气锅炉一天废气排放总量不超过燃气锅炉一天最大废气排放总量；燃料电池、蓄电池、燃气轮机、燃气锅炉在时段n的运行功率不超过各自的最大运行功率，以及不小于各自的最小运行功率；微电网与大电网在时段n的交互功率不超过其最大交互功率，以及不小于其最小交互功率；风电机组、光伏电池、燃料电池、蓄电池、燃气轮机、燃气锅炉的运行成本，微电网与大电网的交互成本，以及燃料电池、燃气轮机、燃气锅炉的总排污成本的总和小于微电网的总收入；所述能源平衡约束包括热能量平衡约束和电能平衡约束；在微电网线路传输功率约束中，在时段t线路传输功率不超过线路传输最大功率，以及不小于线路传输最小功率。
3.根据权利要求1所述的一种热电联供的微电网经济优化方法，其特征在于，在步骤S41中，所述参数包括风电机组、光伏电池、燃料电池、蓄电池、燃气轮机、燃气锅炉每天使用时长；还包括燃料电池、燃气轮机和燃气锅炉的排放废气量参数；还包括风电机组、光伏电池、燃料电池、蓄电池、燃气轮机、燃气锅炉的运行成本参数，微电网与大电网的交互成本参数；燃料电池、燃气轮机和燃气锅炉的单位废气排放成本。
4.根据权利要求3所述的一种热电联供的微电网经济优化方法，其特征在于，在步骤S42中，所述粒子种群初始化包括种群的初始化、种群最大迭代次数的设置、种群规模及种群变异概率的设置、学习因子的设置、最大惯性权重和最小惯性权重的设置、趋化次数的设置、复制参数t的设置、最大误差的设置、惯性权重的设置、空矩阵的速度设置、粒子的速度设置。
5.根据权利要求4所述的一种热电联供的微电网经济优化方法，其特征在于，在步骤S43中，矩阵B采用Logistic方程进行混沌处理，其中，Logistic方程为：
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；混沌处理后的矩阵B通过以下公式还原到解空间：
Figure FDA0003865778690000051
xi＝zi(ximax-ximin)+ximin；
还原到解空间后，所述矩阵B则为改进粒子群的初始化矩阵。
6.根据权利要求1所述的一种热电联供的微电网经济优化方法，其特征在于，在步骤S48中，种群中的每个粒子与全局最优粒子的距离计算公式为：
Figure FDA0003865778690000052
式中，j为粒子的维度数值，xi为粒子i，Gbest为全局最优粒子。
7.根据权利要求6所述的一种热电联供的微电网经济优化方法，其特征在于，在步骤S412中，更新粒子的速度和位置的计算公式为：
Figure FDA0003865778690000053
式中，v(i)为当前粒子的速度，xi为粒子i，Pbest为局部最优粒子，Gbest为全局最优粒子，rand为介于0到1的随机数，c1、c2为学习因子；在步骤S413中，根据目标函数计算种群的适应度值，计算种群的适应度值，记录最优个体。
CN201910784616.5A 2019-08-23 2019-08-23 一种热电联供的微电网经济优化方法 Expired - Fee Related CN110598915B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910784616.5A CN110598915B (zh) 2019-08-23 2019-08-23 一种热电联供的微电网经济优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910784616.5A CN110598915B (zh) 2019-08-23 2019-08-23 一种热电联供的微电网经济优化方法

Publications (2)

Publication Number Publication Date
CN110598915A CN110598915A (zh) 2019-12-20
CN110598915B true CN110598915B (zh) 2023-01-17

Family

ID=68855445

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910784616.5A Expired - Fee Related CN110598915B (zh) 2019-08-23 2019-08-23 一种热电联供的微电网经济优化方法

Country Status (1)

Country Link
CN (1) CN110598915B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111275251B (zh) * 2020-01-16 2022-10-04 广东工业大学 一种含污水源热泵的cchp系统冷热电联供优化方法
CN113591395B (zh) * 2021-08-11 2024-01-30 重庆大学 热误差预测模型建模方法及基于霾-边缘-雾-云计算的智能热误差控制系统框架
CN114626621B (zh) * 2022-03-23 2022-12-30 特斯联科技集团有限公司 氢储能-冰蓄冷的园区配电交直流混联调度系统及方法
CN115375204B (zh) * 2022-10-25 2023-02-03 中国人民解放军陆军装甲兵学院 一种车载智能微电网性能评估方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104166877A (zh) * 2014-05-31 2014-11-26 徐多 基于改进二进制粒子群优化算法的微网优化运行方法
CN106329568A (zh) * 2016-08-31 2017-01-11 湖北大学 户商型光伏发电经济调度控制系统
CN106446467A (zh) * 2016-11-11 2017-02-22 国家电网公司 基于自适应粒子群算法的故障电流限制器的优化配置方法
CN106773704A (zh) * 2017-01-04 2017-05-31 中国科学院过程工程研究所 多系统联合优化调度方法及装置
CN107957681A (zh) * 2016-10-14 2018-04-24 华北电力大学（保定） 一种研究冷热电联供微网环保经济调度的方法
CN109286187A (zh) * 2018-10-19 2019-01-29 国网宁夏电力有限公司经济技术研究院 一种面向多主体利益均衡的微网日前经济调度方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104166877A (zh) * 2014-05-31 2014-11-26 徐多 基于改进二进制粒子群优化算法的微网优化运行方法
CN106329568A (zh) * 2016-08-31 2017-01-11 湖北大学 户商型光伏发电经济调度控制系统
CN107957681A (zh) * 2016-10-14 2018-04-24 华北电力大学（保定） 一种研究冷热电联供微网环保经济调度的方法
CN106446467A (zh) * 2016-11-11 2017-02-22 国家电网公司 基于自适应粒子群算法的故障电流限制器的优化配置方法
CN106773704A (zh) * 2017-01-04 2017-05-31 中国科学院过程工程研究所 多系统联合优化调度方法及装置
CN109286187A (zh) * 2018-10-19 2019-01-29 国网宁夏电力有限公司经济技术研究院 一种面向多主体利益均衡的微网日前经济调度方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于改进粒子群算法的微电网优化运行;孔爱良;《河海大学学报（自然科学版）》;20171130;第45卷(第6期);第550-555页 *
基于纵横交叉算法的热电联产经济调度;孟安波等;《电力系统保护与控制》;20160316;第44卷(第06期);第118-125页 *
基于细菌觅食与粒子群的改进混合算法;梁樱馨;《电子科技》;20170430;第30卷(第7期);第79-82页 *

Also Published As

Publication number Publication date
CN110598915A (zh) 2019-12-20

Similar Documents

Publication Publication Date Title
CN110598915B (zh) 一种热电联供的微电网经济优化方法
Ala et al. Evaluating the performance of various algorithms for wind energy optimization: a hybrid decision-making model
CN108038306A (zh) 一种面向海量高维数据的电站锅炉燃烧建模及优化的方法
CN115600858A (zh) 一种考虑弃风弃光惩罚的风光储制氢系统经济性优化调度方法
Li et al. Optimal planning of Electricity–Hydrogen hybrid energy storage system considering demand response in active distribution network
CN113469412B (zh) 一种综合能源系统实时运行策略优化方法及系统
CN114493020B (zh) 基于全生命周期成本和碳排放的综合能源系统规划方法
CN111668845B (zh) 一种计及光伏相关性的概率潮流计算方法
CN117833285A (zh) 一种基于深度强化学习的微电网储能优化调度方法
CN111509784B (zh) 计及不确定性的虚拟电厂鲁棒出力可行域辨识方法及装置
CN116845982A (zh) 基于改进多目标非支配排序哈里斯鹰算法的含风光水火抽水蓄能的多能源电力系统优化调度方法
CN110348605B (zh) 基于改进遗传算法的微电网经济运行优化方法
CN114741960A (zh) 一种综合能源经济环境调度优化方法及系统
Chatziagorakis et al. Enhancement of hybrid renewable energy systems control with neural networks applied to weather forecasting: the case of Olvio
CN113807566A (zh) 基于可再生能源和内部负荷不确定的社区能源的调度方法
CN114595961A (zh) 一种生物质能多能源利用系统调度方法及装置
Dou et al. Double‐deck optimal schedule of micro‐grid based on demand‐side response
CN117713233A (zh) 考虑多重不确定性的含混氢天然气的ies优化运行方法
Chung et al. An intelligent control strategy for energy storage systems in solar power generation based on long-short-term power prediction
Koochaki et al. Optimal design of solar-wind hybrid system using teaching-learning based optimization applied in charging station for electric vehicles
Guo et al. Robust optimal dispatch of power grid considering wind/pv power uncertainties
CN111859780A (zh) 一种微电网运行优化方法和系统
Zhang et al. Capacity Optimization of Hybrid Energy Storage System Based on Improved Golden Eagle Optimization
CN112134304B (zh) 一种基于深度学习的微电网全自动导航方法、系统与装置
CN117332997B (zh) 一种综合能源系统低碳优化调度方法、装置及设备

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20230117

CF01 Termination of patent right due to non-payment of annual fee