CN110866632A - 一种发电机机组优化的方法 - Google Patents

一种发电机机组优化的方法 Download PDF

Info

Publication number
CN110866632A
CN110866632A CN201910988087.0A CN201910988087A CN110866632A CN 110866632 A CN110866632 A CN 110866632A CN 201910988087 A CN201910988087 A CN 201910988087A CN 110866632 A CN110866632 A CN 110866632A
Authority
CN
China
Prior art keywords
unit
optimization
generator
output
crossing
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
Application number
CN201910988087.0A
Other languages
English (en)
Other versions
CN110866632B (zh
Inventor
颜成钢
葛作鹏
黄晓峰
李竹
孙垚棋
张继勇
张勇东
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.)
Hangzhou Electronic Science and Technology University
Original Assignee
Hangzhou Electronic Science and Technology University
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 Hangzhou Electronic Science and Technology University filed Critical Hangzhou Electronic Science and Technology University
Priority to CN201910988087.0A priority Critical patent/CN110866632B/zh
Publication of CN110866632A publication Critical patent/CN110866632A/zh
Application granted granted Critical
Publication of CN110866632B publication Critical patent/CN110866632B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Human Resources & Organizations (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Genetics & Genomics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供一种发电机机组优化的方法。本发明机组组合优化是一个双层优化问题，第一层优化是机组投入优化问题，采用改进的遗传算法来优化机组投入，在机组投入情况确定的基础上，进行第二层优化，第二层优化是机组出力优化，采用二次规划来解决，二次规划的结果作为适应度函数来进一步影响遗传算法中个体的进化。本方法可以为电力公司高效快速优化机组组合，减少能耗，方便机组检修，延长发电机寿命，为社会提供高质量电能。改进的遗传算法具有全局收敛性，平稳性，收敛更快，更加鲁棒的特点，与二次规划相结合更加适合优化机组组合优化。

Description

一种发电机机组优化的方法
技术领域
本发明属于发电机机组优化领域，具体涉及一种协同优化机组投入与机组出力的优化方法。
背景技术
机组组合问题是指优化一个周期内合理的满足各种约束的启停机计划，以使机组总运行费用最小，使机组在整个周期内的耗能量最小，从而经济运行。通过组合优化可较大的提高电力系统运行效率。这是一个机组组合优化问题，这也一直是电力系统中的热点与难点。机组组合问题主要是两个方面，一方面是机组组合，考虑在系统容量和备用、功率平衡约束、发电机组输出功率的上下限约束等约束的条件下，优化并确定周期内各个时刻机组的运行状态；另一方面是优化机组发力，即根据系统对负荷的需求确定各个小时段在机组之间的经济分配，并使系统的发电能耗最小。机组组合问题是电力系统优化经济运行的重要组成部分，不仅能够降低能耗，减少成本，方便安排机组检修，延长机组的使用寿命，提高机组效率，确保电网经济安全运行，为社会提供高质量的电能，满足社会发展的需要，具有非常重要的实用价值和意义。
机组组合的方法主要有启发式方法和优化算法，最优组合顺序法是最常用的一种启发式算法。优化方法主要有优表法、分支定界法、割平面法、动态规划法、拉格朗日松弛法、混合整数规划法。近年来电力科研人员根据混合整数规划问题，相继构建了许多新的机组组合数学模型。这些模型方法的优化效果还不够好，鲁棒性不强。
发明内容
针对现有技术中存在的问题，本发明提供一种发电机机组优化的方法。机组组合优化是一个双层优化问题，第一层优化是机组投入优化问题，采用改进的遗传算法来优化机组投入，在机组投入情况确定的基础上，进行第二层优化，第二层优化是机组出力优化，采用二次规划来解决，二次规划的结果作为适应度函数来进一步影响遗传算法中个体的进化。将遗传算法与二次规划相结合，达到整体机组组合优化的目的。
一种发电机机组优化的方法，步骤如下：
步骤(1).确定机组组合优化问题数学模型的目标函数
Figure BDA0002237348930000021
式中：T为总时段数，N为机组数，uit为机组i在时段t的状态，uit的值为0表示关机，uit的值为1表示开机，Pit为机组i在时段t的出力，Fi(Pit)为机组i在时段t的发电费用，Fsi(t)为机组i在时段t的启动费用，计算公式如下：
Figure BDA0002237348930000022
Figure BDA0002237348930000023
式中：ai,bi,ci为机组i的运行费用参数，S0,i,S1,i,τi为机组i的启动费用参数，
Figure BDA0002237348930000024
为机组i在时段t的已停机时间。目标函数的约束条件如下：
Figure BDA0002237348930000025
Figure BDA0002237348930000026
Pimin≤Pit≤Pimax
-RDRi≤Pit-Pi,t-1≤RURi
Figure BDA0002237348930000027
式中：PDt为t时段机组的负荷备用，PRt为t时段机组的旋转备用；Pimin为机组i的最小发出功率，Pimax为机组i的最小和最大发出功率，RDRi为机组i爬升率的上限，RURi为机组i爬升率的下限，(不包括机组启停)；
Figure BDA0002237348930000031
为机组i启动后必须保持运行状态的最短时间，
Figure BDA0002237348930000032
为机组i停机后必须保持停机状态的最短时间，
Figure BDA0002237348930000033
为机组i在t时段的连续运行时间，
Figure BDA0002237348930000034
为机组i在t时段的停机时间。
将启动费用设为常数，简化后的模型为：
Figure BDA0002237348930000035
Figure BDA0002237348930000036
Figure BDA0002237348930000037
Pimin≤Pit≤Pimax
-RDRi≤Pit-Pi,t-1≤RURi
Figure BDA0002237348930000038
步骤(2).获取模型的各类参数；
所述的各类参数包括预测好的负荷量、发电机损耗特性系数、发电机发出功率的上限与下限、发电机爬坡约束。
步骤(3).设定遗传算法参数。
定义遗传算法种群个数、个体编码维度、最大进化次数，产生满足约束条件二的个群个体，采用单时间段逐步生成个体的方式，对于单时段不满足约束的编码，要重新随机生成，所述的约束条件二包括最大功率、保持运行状态的最短时间、保持停机状态的最短时间。发电机在各时段的启停情况和出力作为优化变量，发电机的出力要满足功率平衡约束和发电机出力的上下限约束。
步骤(4).设定适应度函数。
通过如下公式对目标函数进行变换，将变换后的值作为适应度函数的适应值。
Figure BDA0002237348930000041
N为种群中的个体数目
步骤(5).通过适应度函数进行个体选择。
个体选择策略基于旋轮法，即适应度值大的有更大的概率被保留并进化到下一代，并将优秀基因传给下一代。
步骤(6).对保留下来的个体采用两点交叉方法进行交叉操作，与变异操作。
因为采用0，1编码，传统的两点交叉方法波动性大，算法运行不稳定，所以采用改进后的两点交叉方法进行交叉操作。所述的改进的两点交叉方法，先随机确定一个交叉点的位置，以该点的位置为均值，以16为方差，利用高斯分布选取另一个交叉点，对选取的另一个交叉点进行四舍五入，确定选取的另一个交叉点；进行交叉操作后，若不满足约束条件二，则进行反交叉操作，然后重新进行交叉操作，直到满足约束条件二为止。
然后进行变异遗传操作，采用按位变异，进行变异操作后，若不满足约束条件二，则进行反变异操作，然后重新进行变异操作，直到满足约束条件二为止。
步骤(7).通过二次规划优化机组出力。
将二次规划的结果作为优化目标函数，将二次规划和遗传算法融合进优化目标函数，通过改进后的优化目标函数协同优化机组启停状态与机组出力。使遗传算法种群个体一代一代进化，在满足负荷需求的情况下，使总能耗达到最小。
步骤(8).判断运行次数是否达到设定的最大进化次数，若未达到设定的最大进化次数，则返回步骤(5)继续运行；若达到设定的最大进化次数，则终止计算并输出结果，输出的结果即为各发电机的的最优启停状态、发出功率大小以及能耗大小。
本发明方法具有的优点及有益结果为：
1、随着我国电力行业的快速发展机电力市场化，负荷需求量和机组数量越来越多，高效快速的进行机组组合优化显得极其重要。本方法可以为电力公司高效快速优化机组组合，减少能耗，方便机组检修，延长发电机寿命，为社会提供高质量电能。
2、改进的遗传算法具有全局收敛性，平稳性，收敛更快，更加鲁棒的特点，与二次规划相结合更加适合优化机组组合优化。
附图说明
图1为本发明方法的流程图。
具体实施方式
下面结合附图对本发明进行进一步说明。
如图1所示，本发明方法具体步骤如下：
步骤(1).确定机组组合优化问题数学模型的目标函数
Figure BDA0002237348930000051
式中：T为总时段数，N为机组数，uit为机组i在时段t的状态，uit的值为0表示关机，uit的值为1表示开机，Pit为机组i在时段t的出力，Fi(Pit)为机组i在时段t的发电费用，Fsi(t)为机组i在时段t的启动费用，计算公式如下：
Figure BDA0002237348930000061
Figure BDA0002237348930000062
式中：ai,bi,ci为机组i的运行费用参数，S0,i,S1,i,τi为机组i的启动费用参数，
Figure BDA0002237348930000063
为机组i在时段t的已停机时间。目标函数的约束条件如下：
Figure BDA0002237348930000064
Figure BDA0002237348930000065
Pimin≤Pit≤Pimax
-RDRi≤Pit-Pi,t-1≤RURi
Figure BDA0002237348930000066
式中：PDt为t时段机组的负荷备用，PRt为t时段机组的旋转备用；Pimin为机组i的最小发出功率，Pimax为机组i的最小和最大发出功率，RDRi为机组i爬升率的上限，RURi为机组i爬升率的下限，(不包括机组启停)；
Figure BDA0002237348930000067
为机组i启动后必须保持运行状态的最短时间，
Figure BDA0002237348930000068
为机组i停机后必须保持停机状态的最短时间，
Figure BDA0002237348930000069
为机组i在t时段的连续运行时间，
Figure BDA00022373489300000610
为机组i在t时段的停机时间。
将启动费用设为常数，简化后的模型为：
Figure BDA00022373489300000611
Figure BDA0002237348930000071
Figure BDA0002237348930000072
Pimin≤Pit≤Pimax
-RDRi≤Pit-Pi,t-1≤RURi
Figure BDA0002237348930000073
步骤(2).获取模型的各类参数；
所述的各类参数包括预测好的负荷量、发电机损耗特性系数、发电机发出功率的上限与下限、发电机爬坡约束。
步骤(3).设定遗传算法参数。
定义遗传算法种群个数、个体编码维度、最大进化次数，产生满足约束条件二的个群个体，采用单时间段逐步生成个体的方式，对于单时段不满足约束的编码，要重新随机生成，所述的约束条件二包括最大功率、保持运行状态的最短时间、保持停机状态的最短时间。发电机在各时段的启停情况和出力作为优化变量，发电机的出力要满足功率平衡约束和发电机出力的上下限约束。
步骤(4).设定适应度函数。
通过如下公式对目标函数进行变换，将变换后的值作为适应度函数的适应值。
Figure BDA0002237348930000074
N为种群中的个体数目
步骤(5).通过适应度函数进行个体选择。
个体选择策略基于旋轮法，即适应度值大的有更大的概率被保留并进化到下一代，并将优秀基因传给下一代。
步骤(6).对保留下来的个体采用两点交叉方法进行交叉操作，与变异操作。
因为采用0，1编码，传统的两点交叉方法波动性大，算法运行不稳定，所以采用改进后的两点交叉方法进行交叉操作。所述的改进的两点交叉方法，先随机确定一个交叉点的位置，以该点的位置为均值，以16为方差，利用高斯分布选取另一个交叉点，对选取的另一个交叉点进行四舍五入，确定选取的另一个交叉点；进行交叉操作后，若不满足约束条件二，则进行反交叉操作，然后重新进行交叉操作，直到满足约束条件二为止。
然后进行变异遗传操作，采用按位变异，进行变异操作后，若不满足约束条件二，则进行反变异操作，然后重新进行变异操作，直到满足约束条件二为止。
步骤(7).通过二次规划优化机组出力。
将二次规划的结果作为优化目标函数，将二次规划和遗传算法融合进优化目标函数，通过改进后的协同优化机组启停状态与机组出力。使遗传算法种群个体一代一代进化，在满足负荷需求的情况下，使总能耗达到最小。
步骤(8).判断运行次数是否达到设定的最大进化次数，若未达到设定的最大进化次数，则返回步骤(5)继续运行；若达到设定的最大进化次数，则终止计算并输出结果，输出的结果即为各发电机的的最优启停状态、发出功率大小以及能耗大小。

Claims (1)

1.一种发电机机组优化的方法，其特征在于，该方法步骤如下：
步骤(1).确定机组组合优化问题数学模型的目标函数
Figure FDA0002237348920000011
式中：T为总时段数，N为机组数，uit为机组i在时段t的状态，uit的值为0表示关机，uit的值为1表示开机，Pit为机组i在时段t的出力，Fi(Pit)为机组i在时段t的发电费用，Fsi(t)为机组i在时段t的启动费用，计算公式如下：
Figure FDA0002237348920000012
Figure FDA0002237348920000013
式中：ai,bi,ci为机组i的运行费用参数，S0,i,S1,i,τi为机组i的启动费用参数，
Figure FDA0002237348920000014
为机组i在时段t的已停机时间；目标函数的约束条件如下：
Figure FDA0002237348920000015
Figure FDA0002237348920000016
Pimin≤Pit≤Pimax
-RDRi≤Pit-Pi,t-1≤RURi
Figure FDA0002237348920000017
式中：PDt为t时段机组的负荷备用，PRt为t时段机组的旋转备用；Pimin为机组i的最小发出功率，Pimax为机组i的最小和最大发出功率，RDRi为机组i爬升率的上限，RURi为机组i爬升率的下限，(不包括机组启停)；
Figure FDA0002237348920000018
为机组i启动后必须保持运行状态的最短时间，
Figure FDA0002237348920000019
为机组i停机后必须保持停机状态的最短时间，
Figure FDA00022373489200000110
为机组i在t时段的连续运行时间，
Figure FDA0002237348920000021
为机组i在t时段的停机时间；
将启动费用设为常数，简化后的模型为：
Figure FDA0002237348920000022
Figure FDA0002237348920000023
Figure FDA0002237348920000024
Pimin≤Pit≤Pimax
-RDRi≤Pit-Pi,t-1≤RURi
Figure FDA0002237348920000025
步骤(2).获取模型的各类参数；
所述的各类参数包括预测好的负荷量、发电机损耗特性系数、发电机发出功率的上限与下限、发电机爬坡约束；
步骤(3).设定遗传算法参数；
定义遗传算法种群个数、个体编码维度、最大进化次数，产生满足约束条件二的个群个体，采用单时间段逐步生成个体的方式，对于单时段不满足约束的编码，要重新随机生成，所述的约束条件二包括最大功率、保持运行状态的最短时间、保持停机状态的最短时间；发电机在各时段的启停情况和出力作为优化变量，发电机的出力要满足功率平衡约束和发电机出力的上下限约束；
步骤(4).设定适应度函数；
通过如下公式对目标函数进行变换，将变换后的值作为适应度函数的适应值；
Figure FDA0002237348920000031
N为种群中的个体数目
步骤(5).通过适应度函数进行个体选择；
个体选择策略基于旋轮法，即适应度值大的有更大的概率被保留并进化到下一代，并将优秀基因传给下一代；
步骤(6).对保留下来的个体采用两点交叉方法进行交叉操作，与变异操作；
因为采用0，1编码，传统的两点交叉方法波动性大，算法运行不稳定，所以采用改进后的两点交叉方法进行交叉操作；所述的改进的两点交叉方法，先随机确定一个交叉点的位置，以该点的位置为均值，以16为方差，利用高斯分布选取另一个交叉点，对选取的另一个交叉点进行四舍五入，确定选取的另一个交叉点；进行交叉操作后，若不满足约束条件二，则进行反交叉操作，然后重新进行交叉操作，直到满足约束条件二为止；
然后进行变异遗传操作，采用按位变异，进行变异操作后，若不满足约束条件二，则进行反变异操作，然后重新进行变异操作，直到满足约束条件二为止；
步骤(7).通过二次规划优化机组出力；
将二次规划的结果作为优化目标函数，将二次规划和遗传算法融合进优化目标函数，通过改进后的优化目标函数协同优化机组启停状态与机组出力；使遗传算法种群个体一代一代进化，在满足负荷需求的情况下，使总能耗达到最小；
步骤(8).判断运行次数是否达到设定的最大进化次数，若未达到设定的最大进化次数，则返回步骤(5)继续运行；若达到设定的最大进化次数，则终止计算并输出结果，输出的结果即为各发电机的的最优启停状态、发出功率大小以及能耗大小。
CN201910988087.0A 2019-10-17 2019-10-17 一种发电机机组优化的方法 Active CN110866632B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910988087.0A CN110866632B (zh) 2019-10-17 2019-10-17 一种发电机机组优化的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910988087.0A CN110866632B (zh) 2019-10-17 2019-10-17 一种发电机机组优化的方法

Publications (2)

Publication Number Publication Date
CN110866632A true CN110866632A (zh) 2020-03-06
CN110866632B CN110866632B (zh) 2022-05-06

Family

ID=69652652

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910988087.0A Active CN110866632B (zh) 2019-10-17 2019-10-17 一种发电机机组优化的方法

Country Status (1)

Country Link
CN (1) CN110866632B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5897629A (en) * 1996-05-29 1999-04-27 Fujitsu Limited Apparatus for solving optimization problems and delivery planning system
US20130006429A1 (en) * 2009-12-31 2013-01-03 Abb Research Ltd. Process optimization method and system for a power plant
US20160189175A1 (en) * 2014-12-24 2016-06-30 Hanshuang LI System and method of sensitivity-driven pricing service for non-stationary demand management
CN106845627A (zh) * 2017-01-25 2017-06-13 中国银联股份有限公司 一种数据预测方法及装置
CN108964033A (zh) * 2018-07-17 2018-12-07 华北电力大学（保定） 一种电力系统调度方法、装置、计算机装置及存储介质
CN108964146A (zh) * 2018-07-17 2018-12-07 华北电力大学（保定） 基于风、火、水、核协调的多电源优化调度方法和装置
CN109472423A (zh) * 2018-12-08 2019-03-15 国网辽宁省电力有限公司电力科学研究院 一种考虑风电并网条件下火电机组深度调峰的机组组合方法
CN109902401A (zh) * 2019-03-05 2019-06-18 东北电力大学 一种基于拉格朗日松弛法、正割法和差分演化法的发电机组组合求解方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5897629A (en) * 1996-05-29 1999-04-27 Fujitsu Limited Apparatus for solving optimization problems and delivery planning system
US20130006429A1 (en) * 2009-12-31 2013-01-03 Abb Research Ltd. Process optimization method and system for a power plant
CN102884484A (zh) * 2009-12-31 2013-01-16 Abb研究有限公司 用于电厂的过程优化方法和系统
US20160189175A1 (en) * 2014-12-24 2016-06-30 Hanshuang LI System and method of sensitivity-driven pricing service for non-stationary demand management
CN106845627A (zh) * 2017-01-25 2017-06-13 中国银联股份有限公司 一种数据预测方法及装置
CN108964033A (zh) * 2018-07-17 2018-12-07 华北电力大学（保定） 一种电力系统调度方法、装置、计算机装置及存储介质
CN108964146A (zh) * 2018-07-17 2018-12-07 华北电力大学（保定） 基于风、火、水、核协调的多电源优化调度方法和装置
CN109472423A (zh) * 2018-12-08 2019-03-15 国网辽宁省电力有限公司电力科学研究院 一种考虑风电并网条件下火电机组深度调峰的机组组合方法
CN109902401A (zh) * 2019-03-05 2019-06-18 东北电力大学 一种基于拉格朗日松弛法、正割法和差分演化法的发电机组组合求解方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ZHANG,JINGYI: "《Real-time AGC dispatch units considering wind power and ramping capacity of thermal units》", 《JOURNAL OF MODERN POWER SYSTEMS AND CLEAN ENERGY》 *
俞悦: "《电力系统无功优化的改进遗传算法及其程序实现》", 《中国优秀硕士学位论文全文数据库》 *
刘可真等: "电力系统机组优化组合的改进遗传算法", 《昆明理工大学学报(理工版)》 *

Also Published As

Publication number Publication date
CN110866632B (zh) 2022-05-06

Similar Documents

Publication Publication Date Title
CN105337303B (zh) 一种含热泵的热电联产型微电网容量优化配置方法
JP4203602B2 (ja) 電力供給設備の運用支援方法および装置
CN103151803A (zh) 一种含风电系统机组及备用配置的优化方法
CN103346562A (zh) 计及需求响应的多时间尺度微网能量控制方法
CN109325621B (zh) 一种园区能源互联网两阶段优化调度控制方法
CN102780235B (zh) 一种基于遗传算法的抽水蓄能电站调度方法
CN107276122A (zh) 适应大规模可再生能源并网的调峰资源调用决策方法
CN104239967A (zh) 一种含风电场的电力系统多目标经济调度方法
CN110350512A (zh) 一种智能园区新能源发电站调度优化方法及系统
US20240006891A1 (en) Two-stage self-organizing optimized aggregation method and system for distributed resources of virtual power plant (vpp)
CN115147245B (zh) 一种工业负荷参与调峰辅助服务的虚拟电厂优化调度方法
CN110570028B (zh) 一种综合能源系统并网模式到应急自治模式的切换方法
CN108023348B (zh) 一种基于外送通道确定风电最佳调峰装机规模的方法
CN116341703A (zh) 一种园区综合能源系统运行优化方法、系统、介质及设备
CN114971071A (zh) 计及风光接入和电热混合储能的园区综合能源系统时序规划方法
CN104537445A (zh) 一种网省两级多电源短期协调调峰方法
CN111969602B (zh) 一种综合能源系统的日前随机优化调度方法及装置
CN110866632B (zh) 一种发电机机组优化的方法
US11262713B2 (en) Method for calculating control parameters of heating supply power of heating network
CN110098638B (zh) 一种基于负荷状态转移曲线的快速机组组合方法
CN112906964B (zh) 一种考虑聚合效应的分布式储能组合方法
CN115310714A (zh) 一种园区能源优化调控方法、调控系统及存储介质
CN105758028B (zh) 一种应用于太阳能中央热水系统的热水储量控制方法
CN110336301B (zh) 基于混联结构的风储系统辅助电网一次调频容量配置方法
CN112215720A (zh) 一种基于可再生能源发电的智能电网控制系统的控制方法

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
GR01 Patent grant
GR01 Patent grant