CN110956266A - 基于层次分析法的多电源电力系统多目标优化调度方法 - Google Patents

基于层次分析法的多电源电力系统多目标优化调度方法 Download PDF

Info

Publication number
CN110956266A
CN110956266A CN201911045704.XA CN201911045704A CN110956266A CN 110956266 A CN110956266 A CN 110956266A CN 201911045704 A CN201911045704 A CN 201911045704A CN 110956266 A CN110956266 A CN 110956266A
Authority
CN
China
Prior art keywords
power
target
power system
solution
hierarchy process
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
CN201911045704.XA
Other languages
English (en)
Other versions
CN110956266B (zh
Inventor
李铁
苏安龙
陈晓东
何晓洋
庄伟�
马超
姜枫
胡伟
宋钰婷
冯达
崔岱
王钟辉
唐俊刺
宁辽逸
朱伟峰
蔡壮
张凯
李峰
高梓济
胡锦景
王振宇
张宇时
许小鹏
李典阳
王顺江
曾辉
韦明
李成程
丛海洋
金子开
张潇桐
白雪
赵清松
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.)
Tsinghua University
State Grid Corp of China SGCC
State Grid Liaoning Electric Power Co Ltd
Original Assignee
Tsinghua University
State Grid Corp of China SGCC
State Grid Liaoning Electric Power Co Ltd
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 Tsinghua University, State Grid Corp of China SGCC, State Grid Liaoning Electric Power Co Ltd filed Critical Tsinghua University
Publication of CN110956266A publication Critical patent/CN110956266A/zh
Application granted granted Critical
Publication of CN110956266B publication Critical patent/CN110956266B/zh
Active 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
    • G06N3/12—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
    • 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)
  • 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

本发明涉及一种基于层次分析法的多电源电力系统多目标优化调度方法，属于电力系统自动化技术领域。采用NSGA‑Ⅱ多目标遗传算法对建立的多电源电力系统的多目标优化调度模型进行求解，得到帕累托最优解集；采用模糊隶属度函数将所得目标值帕累托最优解集进行归一化处理，使用层次分析法对解集中的各个解打分排序，选择最优调度解；基于最优调度解获取当前多电源电力系统优化调度的决策依据。本发明建立了电力系统多目标优化调度模型，综合系统经济性、可再生能源消纳水平及系统安全性等要求；采用层次分析法对解进行打分排序，选择最优解。所得结果兼顾评价的主观和客观性，更加合理，有利于电力系统安全经济稳定运行和提升新能源消纳水平。

Description

基于层次分析法的多电源电力系统多目标优化调度方法
技术领域
本发明涉及一种基于层次分析法的多电源电力系统多目标优化调度方法，属于电力系统自动化技术领域。
背景技术
随着国家对环境保护的日益重视，新能源并网容量的不断提升，我国电力系统电源结构也在持续进行调整。随着新能源穿透率的提升和抽水蓄能电站的接入，结合各电源的特点，综合利用各电源的出力特性、经济特性、时间特性的联合调度、优化运行已经成为电网发展的必然趋势。但是由于风电、光伏的一次能源具有不确定性，其输出功率难以准确预测，并且会在较大范围内随机波动。新能源发电穿透率的不断提升将会给电力系统的调峰、电网的稳定和经济运行带来新的挑战。单目标优化调度能够使得系统在某一方面达到最优水平，但其他决策者在意的目标却被忽略。因此，多能源电力系统优化调度需要综合权衡经济、环保、安全等多个指标制定多目标调度策略。
多目标优化中的各个子目标往往是互相矛盾的，如何协调各个子目标成为电力系统多目标优化调度的一个难题。对于多目标优化问题的求解主要由两种思路，一种是求解帕累托最优解集，然后在其中选择一个作为最优解，但是这种方法最优解的选取没有统一标准。另一种方法是将多目标优化问题直接转为单目标优化问题，目前已有的方法有线性加权法、主要目标法、重点目标法等方法，但是这些方法对子目标问题间的关系并未系统考虑，子目标问题间的重要性不能合理解释。
层次分析法将一个复杂的多目标决策问题作为一个系统，将目标分解为多个目标或准则，进而分解为多指标的若干层次，通过定性指标量化方法计算层次单排序和总排序，以作为多目标优化决策的系统方法。层次分析法比较适合于具有分层交错评价指标的目标系统，而且目标值又难于定量描述的决策问题。
发明内容
针对上述现有技术中存在的问题，本发明提出一种基于层次分析法的多电源电力系统多目标优化调度方法，目的是通过本发明方法所得结果兼顾了评价的主观和客观性，更加合理有效，有利于电力系统经济安全运行水平，提升新能源消纳水平。
基于上述发明目的，本发明是通过以下技术方案来实现的：
一种基于层次分析法的多电源电力系统多目标优化调度方法，包括以下步骤：
采用NSGA-Ⅱ多目标遗传算法对建立的多电源电力系统的多目标优化调度模型进行求解，得到帕累托最优解集；
采用模糊隶属度函数将所得目标值帕累托最优解集进行归一化处理，使用层次分析法对解集中的各个解进行打分排序，选择最优调度解；
基于所述最优调度解获取当前多电源电力系统优化调度的决策依据。
所述多目标优化调度模型中通过下述公式表示：
F＝min{f1,f2,f3} (1)
其中，F为目标函数，f1为经济性指标，f2为可再生能源消纳指标，f3为安全性指标，所述经济性指标包括常规火电机组的运行费用和启停成本；所述可再生能源消纳指标为调度周期内的弃风电量、弃光电量和弃水电量总和；安全性指标包括系统备用容量及线路平均负载率。
所述多目标优化调度模型的约束条件包括：
发电机组自身的运行约束条件；
系统的运行约束条件；
电力网络安全约束条件和梯级水电群的水力网络安全约束条件。
所述多目标优化调度模型的决策变量为火电机组在各个时段的启停状态变量、出力计划及有效旋转备用容量，水电站在各个时段的水库水位状态变量、水电机组的在各个时段的出力计划及有效旋转备用容量，风电场、光伏电站在各个时段的出力计划，抽水蓄能电站在各个时段的运行工况状态变量、出力计划及有效旋转备用容量。
所述采用NSGA-Ⅱ多目标遗传算法对建立的多电源电力系统的多目标优化调度模型进行求解，得到帕累托最优解集，包括：
步骤1：初始化迭代次数t＝0；
步骤2：对种群Pt进行随机初始化，得到种群P0，初始化多目标遗传算法的相关参数，同时初始化多电源发电系统中常规火电机组和可再生能源机组的发电量，代表问题的可能解；
步骤3：对种群P0进行非支配排序，初始化每个个体的排序值，针对常规火电机组求取发电成本，针对可再生能源机组，求取弃风电量、弃光电量和弃水电量；
步骤4：通过二进制锦标赛法从Pt选择个体，并进行交叉和变异操作，产生新一代种群Qt，并计算新种群的适应值；
步骤5：通过合并Pt和Qt产生出组合种群Rt；
步骤6：对Rt进行非支配排序，并通过排挤和精英保留策略选出N个个体，组成新一代种群Pt+1；
步骤7：如果满足约束条件，则输出帕累托最优解集；如不满足结束条件，则跳转至步骤2-4。
所述隶属度函数定义如下：
Figure BDA0002254080110000031
式中，μki为第k个解的第i个目标值的隶属度函数值，fki为第k个解的第i个目标值，fi min为解集中第i个目标值的最小值，fi max为解集中第i个目标值的最大值。
所述使用层次分析法对解集中的各个解进行打分排序，选择最优调度解，包括：运用层次分析法对帕累托最优解集中的解进行打分排序选择最优解；运用层次分析法进行指标赋权包括:
步骤1：将多目标优化调度涉及的因素划分为目标层、准则层及方案层,建立多电源电力系统多目标优化调度层次结构；
步骤2：构造权重判断矩阵，所述判断矩阵用数值表示下层元素对上层元素的相对重要性；
步骤3：进行层次单排序，判断矩阵最大特征值对应的特征向量值相对于上一层因素的重要性的权值；采用随机一致性比率CR来检验判断矩阵的一致性,其计算公式为：
CR＝CI/RI (3)
CI＝(λmax-n)/(n-1) (4)
式中：n为本层因素数量；RI为随机一致性指标；CI为一致性指标；λmax为判断矩阵的最大特征根；当CR<0.10时,判断矩阵具有一致性,否则调整判断矩阵中的标度值,使判断矩阵具有一致性；
步骤4：进行层次综合排序，检验一致性；
层次综合排序权值ck的计算公式为:
Figure BDA0002254080110000041
式中：ckj表示C层包含的n个元素相对于上一层次B层因素Bj的层次单排序权值；bj为B层单排序权值，j＝1,2,…,m；
步骤5：计算第k个解目标层的分数Sk：
Figure BDA0002254080110000042
式中：Cki表示准则层中各个准则相对于目标层的权值，其由步骤3-4所述层次综合排序得到；μki为解集中第k个解的第i个目标值的隶属度函数值，；I表示准则层因素数目，I＝3，
根据分数进行排序，选择得分最高的解为最优解。
所述步骤2中，构造权重判断矩阵，所述判断矩阵用数值表示下层元素对上层元素的相对重要性，用数值1-9标度，标度1、3、5、7、9分别对应：同等重要、稍微重要、明显重要、强烈重要、极端重要五个不同极别的重要性程度,在上述重要程度之间用2、4、6、8表示。
一种基于层次分析法的多电源电力系统多目标优化调度装置，是：
建模模块：建立多电源电力系统多目标优化调度模型；
求解模块：采用NSGA-Ⅱ多目标遗传算法对多电源电力系统的多目标优化调度模型进行求解，得到帕累托最优解集；
排序模块：采用模糊隶属度函数将所得目标值帕累托最优解集进行归一化处理，使用层次分析法对解集中的各个解进行打分排序，选择最优调度解；
获取模块：基于所述最优调度解获取当前多电源电力系统优化调度的决策依据。
所述求解模块包括：
第一初始化模块，初始化迭代次数t＝0；
第二初始化模块，对种群Pt进行随机初始化，得到种群P0，初始化多目标遗传算法的相关参数，同时初始化多电源发电系统中常规火电机组和可再生能源机组的发电量，代表问题的可能解；
计算模块，对种群P0进行非支配排序，初始化每个个体的排序值，针对常规火电机组求取发电成本，针对可再生能源机组，求取弃风电量、弃光电量和弃水电量；通过二进制锦标赛法从Pt选择个体，并进行交叉和变异操作，产生新一代种群Qt，并计算新种群的适应值；通过合并Pt和Qt产生出组合种群Rt；
排序模块，对Rt进行非支配排序，并通过排挤和精英保留策略选出N个个体，组成新一代种群Pt+1；
输出模块，输出满足条件的帕累托最优解集。
本发明具有以下优点及有益效果：
(1)建立了电力系统多目标优化调度模型，可以综合系统经济性、可再生能源消纳水平及系统安全性等各方面的要求；
(2)采用层次分析法对解进行打分排序，进而选择最优解。所得结果兼顾了评价的主观和客观性，更加合理，有利于电力系统安全经济稳定运行，有利于提升新能源消纳水平。
本发明建立了电力系统多目标优化调度模型，并采用层次分析法对多目标优化调度的帕累托解集进行打分选择最优调度方案。层次分析法将人的主观性想法用数字方式进行量化，使其更为科学性、合理性，再通过排序计算和一致检验，证明所得的权重系数的正确性，使方案间的重要性得到保证。
附图说明
图1是本发明NSGA算法流程图；
图2是本发明电力系统多目标优化调度层次分析图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的其他实施例，都属于本发明保护的范围。
本发明是一种基于层次分析法的多电源电力系统多目标优化调度方法，本发明首先建立了电力系统多目标优化调度模型，包含经济、可再生能源消纳、安全等多个优化目标；其次采用NSGA算法对多目标优化调度模型进行求解，得到帕累托最优解集；采用模糊隶属度函数将目标值进行归一化处理，最后使用层次分析法对解集中的各个解进行打分排序，选择最优调度解。
具体包括以下步骤：
对于电力系统多目标优化调度问题，共有三个步骤，分别为模型建立、模型求解、最优解选择。
步骤1：模型建立。采用NSGA-Ⅱ多目标遗传算法对建立的多电源电力系统的多目标优化调度模型进行求解，得到帕累托最优解集；
首先建立多电源电力系统的多目标优化调度模型。包含经济性指标、可再生能源消纳指标、安全性指标；经济性指标。
步骤1-1：目标函数。
从系统的经济性、可再生能源消纳和安全性三个方面制定优化目标。系统运行的经济性指标主要包括常规火电机组的运行费用和启停成本；可再生能源消纳能力由调度周期内的弃风电量、弃光电量和弃水电量总和来表示；系统运行的安全性主要考虑系统备用容量及线路平均负载率。即：
F＝min{f1,f2,f3} (1)
式中，F为目标函数，f1为经济性指标，f2为可再生能源消纳指标，f3为安全性指标。
步骤1-2：约束条件。
约束条件主要包括发电机组自身的运行约束条件，系统的运行约束条件、电力网络安全约束条件和梯级水电群的水力网络安全约束条件等。
步骤1-3：决策变量。
决策变量为火电机组在各个时段的启停状态变量、出力计划及有效旋转备用容量，水电站在各个时段的水库水位状态变量、水电机组的在各个时段的出力计划及有效旋转备用容量，风电场、光伏电站在各个时段的出力计划，抽水蓄能电站在各个时段的运行工况状态变量、出力计划及有效旋转备用容量。
步骤2：模型求解。采用模糊隶属度函数将所得目标值帕累托最优解集进行归一化处理，使用层次分析法对解集中的各个解进行打分排序，选择最优调度解；
对于上述多目标优化问题，采用NSGA-Ⅱ(non-dominated sorting geneticalgorithms)算法进行求解，NSGA-Ⅱ算法是目前最流行的多目标遗传算法之一，它降低了非劣排序遗传算法的复杂性，具有运行速度快，解集的收敛性好的优点。算法具体流程如下，流程图见附图1。
步骤1：初始化迭代次数t＝0；
步骤2：对种群Pt进行随机初始化，得到种群P0，初始化多目标遗传算法的相关参数，同时初始化多电源发电系统中常规火电机组和可再生能源机组的发电量，代表问题的可能解；
步骤3：对种群P0进行非支配排序，初始化每个个体的排序值，针对常规火电机组求取发电成本，针对可再生能源机组，求取弃风电量、弃光电量和弃水电量；
步骤4：通过二进制锦标赛法从Pt选择个体，并进行交叉和变异操作，产生新一代种群Qt，并计算新种群的适应值；
步骤5：通过合并Pt和Qt产生出组合种群Rt；
步骤6：对Rt进行非支配排序，并通过排挤和精英保留策略选出N个个体，组成新一代种群Pt+1；
步骤7：如果满足约束条件，则输出帕累托最优解集；如不满足结束条件，则跳转至步骤2-4。
步骤3：最优解选择。基于所述最优调度解获取当前多电源电力系统优化调度的决策依据。
首先采用模糊隶属度函数将所得帕累托最优解集进行归一化表征，隶属函数定义如下所示。
Figure BDA0002254080110000081
式中，μki为第k个解的第i个目标值的隶属度函数值，fki为第k个解的第i个目标值，fi min为解集中第i个目标值的最小值，fi max为解集中第i个目标值的最大值。
其次运用层次分析法对帕累托最优解集中的解进行打分排序，进而选择最优解，运用层次分析法进行指标赋权有如下几个步骤:
步骤3-1：建立层次结构模型。针对所要解决的多目标问题进行深入分析,首先需要把问题层次化，将问题中所包含的因素划分为不同层次,即目标层、准则层、方案层等,用框图形式说明层次的递阶结构与因素的从属关系，建立如图2所示的多能源电力系统多目标优化调度问题层次结构。具体方案如下，首先，针对电力系统调度问题，设定电力系统的总控制目标为多源协调优化调度，即为目标层；然后将目标层分解为三个具体准则，包括经济性指标、新能源消纳指标、安全性指标，即为准则层；进而，每个准则进一步分解为若干具体指标，如经济性指标包括运行费用和启停费用两个指标，新能源消纳指标包括弃风、弃光、弃水三个指标，安全性指标包括备用容量和负载率两个指标，形成方案层。
步骤3-2：构造权重判断矩阵。判断矩阵是通过两两比较下层元素对上层元素的相对重要性,将比较的结果用数值表示。一般使用数字1～9作为标度。
标度1、3、5、7、9分别对应：同等重要、稍微重要、明显重要、强烈重要、极端重要五个不同极别的重要性程度,在上述重要程度之间的,用2、4、6、8表示，见表1所示。
步骤3-3：层次单排序及一致性检验。先进行层次单排序，判断矩阵最大特征值所对应的特征向量值相对于上一层某因素的重要性的权值。之后需要对判断矩阵进行一致性检验,采用随机一致性比率CR来检验判断矩阵的一致性,其计算公式为：
CR＝CI/RI (3)
CI＝(λmax-n)/(n-1) (4)
式中：n为本层因素数；RI为随机一致性指标，具体数值见表2；CI为一致性指标，计算公式如公式(4)；λmax为判断矩阵的最大特征根。当CR<0.10时,即认为判断矩阵具有一致性,否则就需要调整判断矩阵中的标度值,使判断矩阵具有一致性。
步骤3-4：层次综合排序及一致性检验。层次综合排序用来计算最低层次的指标或方案相对于最高层总目标重要性的权值，是从最高层到最低层逐层进行的。假设上一层次B层包含m个元素的层次单排序权值分别为b1,b2,…,bm,下一层次C包含n个元素相对于因素Bj(j＝1,2,…,m)的层次单排序权值分别为c1j,c2j,…,cnj,则此时C层次的综合排序权值ck的计算公式为:
Figure BDA0002254080110000091
式中：ckj表示C层包含的n个元素相对于上一层次B层因素Bj的层次单排序权值；bj为B层单排序权值，j＝1,2,…,m。
步骤3-5：得到准则层的综合排序权值后，即可计算第k个解目标层的分数Sk：
Figure BDA0002254080110000092
式中：Cki表示准则层中各个准则相对于目标层的权值，其由步骤3-4所述层次综合排序得到；μki为解集中第k个解的第i个目标值的隶属度函数值，其计算方法如公式(2)所示；I表示准则层因素数目，本发明中设定I＝3，具体如公式(1)所示。
根据分数进行排序，即选择得分最高的解为最优解。
一种基于层次分析法的多电源电力系统多目标优化调度装置，包括：
建模模块：建立多电源电力系统多目标优化调度模型；
求解模块：采用NSGA-Ⅱ多目标遗传算法对多电源电力系统的多目标优化调度模型进行求解，得到帕累托最优解集；
排序模块：采用模糊隶属度函数将所得目标值帕累托最优解集进行归一化处理，使用层次分析法对解集中的各个解进行打分排序，选择最优调度解。
获取模块：基于所述最优调度解获取当前多电源电力系统优化调度的决策依据。
所述求解模块包括：
第一初始化模块，初始化迭代次数t＝0；
第二初始化模块，对种群Pt进行随机初始化，得到种群P0，初始化多目标遗传算法的相关参数，同时初始化多电源发电系统中常规火电机组和可再生能源机组的发电量，代表问题的可能解；
计算模块，对种群P0进行非支配排序，初始化每个个体的排序值，针对常规火电机组求取发电成本，针对可再生能源机组，求取弃风电量、弃光电量和弃水电量；通过二进制锦标赛法从Pt选择个体，并进行交叉和变异操作，产生新一代种群Qt，并计算新种群的适应值；通过合并Pt和Qt产生出组合种群Rt；
排序模块，对Rt进行非支配排序，并通过排挤和精英保留策略选出N个个体，组成新一代种群Pt+1；
输出模块，输出满足条件的帕累托最优解集。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
表1判断矩阵标度定义
标度 含义
1 表示两个因素相比，具有相同重要性
3 表示两个因素相比，前者比后者稍重要
5 表示两个因素相比，前者比后者明显重要
7 表示两个因素相比，前者比后者强烈重要
9 表示两个因素相比，前者比后者极端重要
2、4、6、8 表示上述相邻判断的中间值
表2平均随机一致性指标
n 1 2 3 4 5 6 7 8 9 10 11 12 13 14
RI 0 0 0.52 0.89 1.12 1.24 1.36 1.41 1.46 1.49 1.52 1.54 1.56 1.58

Claims (10)

1.一种基于层次分析法的多电源电力系统多目标优化调度方法，其特征是：包括以下步骤：
采用NSGA-Ⅱ多目标遗传算法对建立的多电源电力系统的多目标优化调度模型进行求解，得到帕累托最优解集；
采用模糊隶属度函数将所得目标值帕累托最优解集进行归一化处理，使用层次分析法对解集中的各个解进行打分排序，选择最优调度解；
基于所述最优调度解获取当前多电源电力系统优化调度的决策依据。
2.根据权利要求1所述的基于层次分析法的多电源电力系统多目标优化调度方法，其特征是：所述多目标优化调度模型中通过下述公式表示：
F＝min{f1,f2,f3}其中，F为目标函数，f1为经济性指标，f2为可再生能源消纳指标，f3为安全性指标，所述经济性指标包括常规火电机组的运行费用和启停成本；所述可再生能源消纳指标为调度周期内的弃风电量、弃光电量和弃水电量总和；安全性指标包括系统备用容量及线路平均负载率。
3.根据权利要求2所述的基于层次分析法的多电源电力系统多目标优化调度方法，其特征是：所述多目标优化调度模型的约束条件包括：
发电机组自身的运行约束条件；
系统的运行约束条件；
电力网络安全约束条件和梯级水电群的水力网络安全约束条件。
4.根据权利要求2所述的基于层次分析法的多电源电力系统多目标优化调度方法，其特征是：所述多目标优化调度模型的决策变量为火电机组在各个时段的启停状态变量、出力计划及有效旋转备用容量，水电站在各个时段的水库水位状态变量、水电机组的在各个时段的出力计划及有效旋转备用容量，风电场、光伏电站在各个时段的出力计划，抽水蓄能电站在各个时段的运行工况状态变量、出力计划及有效旋转备用容量。
5.根据权利要求1所述的基于层次分析法的多电源电力系统多目标优化调度方法，其特征是：所述采用NSGA-Ⅱ多目标遗传算法对建立的多电源电力系统的多目标优化调度模型进行求解，得到帕累托最优解集，包括：
步骤1：初始化迭代次数t＝0；
步骤2：对种群Pt进行随机初始化，得到种群P0，初始化多目标遗传算法的相关参数，同时初始化多电源发电系统中常规火电机组和可再生能源机组的发电量，代表问题的可能解；
步骤3：对种群P0进行非支配排序，初始化每个个体的排序值，针对常规火电机组求取发电成本，针对可再生能源机组，求取弃风电量、弃光电量和弃水电量；
步骤4：通过二进制锦标赛法从Pt选择个体，并进行交叉和变异操作，产生新一代种群Qt，并计算新种群的适应值；
步骤5：通过合并Pt和Qt产生出组合种群Rt；
步骤6：对Rt进行非支配排序，并通过排挤和精英保留策略选出N个个体，组成新一代种群Pt+1；
步骤7：如果满足约束条件，则输出帕累托最优解集；如不满足结束条件，则跳转至步骤2-4。
6.根据权利要求1所述的基于层次分析法的多电源电力系统多目标优化调度方法，其特征是：隶属度函数定义如下：
Figure FDA0002254080100000021
式中，μki为第k个解的第i个目标值的隶属度函数值，fki为第k个解的第i个目标值，fi min为解集中第i个目标值的最小值，fi max为解集中第i个目标值的最大值。
7.根据权利要求1所述的基于层次分析法的多电源电力系统多目标优化调度方法，其特征是：所述使用层次分析法对解集中的各个解进行打分排序，选择最优调度解，包括：运用层次分析法对帕累托最优解集中的解进行打分排序选择最优解；运用层次分析法进行指标赋权包括:
步骤1：将多目标优化调度涉及的因素划分为目标层、准则层及方案层,建立多电源电力系统多目标优化调度层次结构；
步骤2：构造权重判断矩阵，所述判断矩阵用数值表示下层元素对上层元素的相对重要性；
步骤3：进行层次单排序，判断矩阵最大特征值对应的特征向量值相对于上一层因素的重要性的权值；采用随机一致性比率CR来检验判断矩阵的一致性,其计算公式为：
CR＝CI/RI (3)
CI＝(λmax-n)/(n-1) (4)
式中：n为本层因素数量；RI为随机一致性指标；CI为一致性指标；λmax为判断矩阵的最大特征根；当CR<0.10时,判断矩阵具有一致性,否则调整判断矩阵中的标度值,使判断矩阵具有一致性；
步骤4：进行层次综合排序，检验一致性；
层次综合排序权值ck的计算公式为:
Figure FDA0002254080100000031
式中：ckj表示C层包含的n个元素相对于上一层次B层因素Bj的层次单排序权值；bj为B层单排序权值，j＝1,2,…,m；
步骤5：计算第k个解目标层的分数Sk：
Figure FDA0002254080100000032
式中：Cki表示准则层中各个准则相对于目标层的权值，其由步骤3-4所述层次综合排序得到；μki为解集中第k个解的第i个目标值的隶属度函数值；I表示准则层因素数目，I＝3，
根据分数进行排序，选择得分最高的解为最优解。
8.根据权利要求7所述的基于层次分析法的多电源电力系统多目标优化调度方法，其特征是：所述步骤2构造权重判断矩阵，所述判断矩阵用数值表示下层元素对上层元素的相对重要性，用数值1-9标度，标度1、3、5、7、9分别对应：同等重要、稍微重要、明显重要、强烈重要、极端重要五个不同极别的重要性程度,在上述重要程度之间用2、4、6、8表示。
9.一种基于层次分析法的多电源电力系统多目标优化调度装置，其特征是：
建模模块：建立多电源电力系统多目标优化调度模型；
求解模块：采用NSGA-Ⅱ多目标遗传算法对多电源电力系统的多目标优化调度模型进行求解，得到帕累托最优解集；
排序模块：采用模糊隶属度函数将所得目标值帕累托最优解集进行归一化处理，使用层次分析法对解集中的各个解进行打分排序，选择最优调度解；
获取模块：基于所述最优调度解获取当前多电源电力系统优化调度的决策依据。
10.根据权利要求9所述的一种基于层次分析法的多电源电力系统多目标优化调度装置；所述求解模块包括：
第一初始化模块，初始化迭代次数t＝0；
第二初始化模块，对种群Pt进行随机初始化，得到种群P0，初始化多目标遗传算法的相关参数，同时初始化多电源发电系统中常规火电机组和可再生能源机组的发电量，代表问题的可能解；
计算模块，对种群P0进行非支配排序，初始化每个个体的排序值，针对常规火电机组求取发电成本，针对可再生能源机组，求取弃风电量、弃光电量和弃水电量；通过二进制锦标赛法从Pt选择个体，并进行交叉和变异操作，产生新一代种群Qt，并计算新种群的适应值；通过合并Pt和Qt产生出组合种群Rt；
排序模块，对Rt进行非支配排序，并通过排挤和精英保留策略选出N个个体，组成新一代种群Pt+1；
输出模块，输出满足条件的帕累托最优解集。
CN201911045704.XA 2019-06-06 2019-10-30 基于层次分析法的多电源电力系统多目标优化调度方法 Active CN110956266B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201910492482X 2019-06-06
CN201910492482 2019-06-06

Publications (2)

Publication Number Publication Date
CN110956266A true CN110956266A (zh) 2020-04-03
CN110956266B CN110956266B (zh) 2023-08-15

Family

ID=69975823

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911045704.XA Active CN110956266B (zh) 2019-06-06 2019-10-30 基于层次分析法的多电源电力系统多目标优化调度方法

Country Status (1)

Country Link
CN (1) CN110956266B (zh)

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111585288A (zh) * 2020-06-10 2020-08-25 湘潭大学 一种基于层次分析法的配电网多目标动态无功优化方法
CN111753215A (zh) * 2020-06-28 2020-10-09 海南大学 一种多目标推荐优化方法及可读介质
CN111832119A (zh) * 2020-06-23 2020-10-27 恒大新能源汽车投资控股集团有限公司 车辆悬置系统的优化方法及装置
CN111917140A (zh) * 2020-07-17 2020-11-10 兰州理工大学 一种新能源互补发电系统二层优化调度模型
CN112200348A (zh) * 2020-09-11 2021-01-08 国网天津市电力公司电力科学研究院 一种计及综合需求响应的区域综合能源系统多目标运行决策方法
CN112510726A (zh) * 2020-11-18 2021-03-16 国网河北省电力有限公司 一种配电变压器三相负荷不平衡治理方法
CN112952914A (zh) * 2021-01-27 2021-06-11 云南电网有限责任公司电力科学研究院 一种多能互补电力系统多目标运行优化方法
CN112948994A (zh) * 2021-01-29 2021-06-11 重庆大学 一种滚齿工艺参数的多目标优化与决策方法
CN112949177A (zh) * 2021-02-26 2021-06-11 国网北京市电力公司 一种综合能源系统构建中的多优化目标赋权方法及系统
CN113268928A (zh) * 2021-05-27 2021-08-17 西南交通大学 一种基于随机资源受限多项目调度的遗传规划方法
CN113626976A (zh) * 2021-06-21 2021-11-09 江苏省镔鑫钢铁集团有限公司 一种基于nsga-ii算法的烧结配料多目标优化方法、装置及设备
CN114063448A (zh) * 2021-07-13 2022-02-18 中国电力科学研究院有限公司 一种用于核查自动化检定系统的方法及系统
CN114221332A (zh) * 2021-12-09 2022-03-22 国网甘肃省电力公司电力科学研究院 一种电网新能源电力系统经济特征优选方法
CN114884133A (zh) * 2022-04-22 2022-08-09 北京科技大学 一种计及电动汽车的微电网经济调度优化方法及系统
CN115829134A (zh) * 2022-12-08 2023-03-21 国网山东省电力公司临沂供电公司 面向源网荷不确定性的供电调度方法及系统
CN115828548A (zh) * 2022-11-18 2023-03-21 中国舰船研究设计中心 一种船舶电传操控系统构型优化设计方法
CN115833101A (zh) * 2022-12-06 2023-03-21 北京百度网讯科技有限公司 电力调度方法、装置、电子设备和存储介质
CN116701830A (zh) * 2023-04-26 2023-09-05 清华大学 基于模糊规则与稳定性推理控制的帕累托前沿解优选方法
CN116974241A (zh) * 2023-07-10 2023-10-31 清华大学 面向绿色低碳制造的数控机床几何优化方法及装置
CN117745390A (zh) * 2023-12-26 2024-03-22 江南大学 多种群遗传算法的多目标模糊供应链配置优化方法和系统

Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040122787A1 (en) * 2002-12-18 2004-06-24 Avinash Gopal B. Enhanced computer-assisted medical data processing system and method
US20120017189A1 (en) * 2010-07-13 2012-01-19 Ananth Durbha Architectural level power-aware optimization and risk mitigation
CN103226735A (zh) * 2013-03-26 2013-07-31 国家电网公司 一种基于风电分段的电力系统优化调度方法
CN103413192A (zh) * 2013-06-18 2013-11-27 国家电网公司 一种基于电网调度自动化系统电力负荷曲线的机组调度方法
US20140025351A1 (en) * 2012-07-17 2014-01-23 International Business Machines Corporation Planning economic energy dispatch in electrical grid under uncertainty
CN103745415A (zh) * 2014-01-03 2014-04-23 深圳供电局有限公司 基于层次分析的电网运行状态指标的评估方法及系统
CN104009494A (zh) * 2014-04-16 2014-08-27 武汉大学 一种环境经济发电调度方法
CN105528668A (zh) * 2015-08-04 2016-04-27 南通大学 一种风电并网电力系统动态环境经济调度方法
CN106408130A (zh) * 2016-09-28 2017-02-15 常州大学 一种用于电力系统经济调度的分布式拍卖算法
CN106655162A (zh) * 2016-11-09 2017-05-10 广东电网有限责任公司电力科学研究院 一种适合于电力系统多目标优化调度决策的评估方法
US20170316325A1 (en) * 2016-04-29 2017-11-02 Mathias Duckheim Device for probability forecasts, energy transmission and/or energy distribution network
CN107370188A (zh) * 2017-09-11 2017-11-21 国网山东省电力公司莱芜供电公司 一种计及风电出力的电力系统多目标调度方法
CN107492892A (zh) * 2017-08-31 2017-12-19 重庆邮电大学 一种多目标有功调度求解方法及系统
CN107506895A (zh) * 2017-07-26 2017-12-22 国网能源研究院 一种含新能源发电的电力系统运行经济性综合评价系统
CN107579518A (zh) * 2017-09-15 2018-01-12 山东大学 基于mhba的电力系统环境经济调度方法和装置
CN107704978A (zh) * 2017-11-27 2018-02-16 广东电网有限责任公司电网规划研究中心 基于帕累托进化和vikor方法的电热经济调度方法
CN108063451A (zh) * 2017-11-17 2018-05-22 国网辽宁省电力有限公司 一种提高风电接纳能力的电网多元优化调度方法
CN108063453A (zh) * 2017-12-04 2018-05-22 国网辽宁省电力有限公司 一种提高风电接纳能力的电网全时段多元优化调度方法
CN108932566A (zh) * 2018-07-19 2018-12-04 重庆邮电大学 基于改进蝙蝠算法求解电力系统多目标有功调度的方法
CN109241630A (zh) * 2018-09-11 2019-01-18 国网河北能源技术服务有限公司 电力系统的调度优化方法及装置
CN109449971A (zh) * 2018-10-29 2019-03-08 国网甘肃省电力公司 一种新能源消纳的多目标电力系统源荷互动优化调度方法

Patent Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040122787A1 (en) * 2002-12-18 2004-06-24 Avinash Gopal B. Enhanced computer-assisted medical data processing system and method
US20120017189A1 (en) * 2010-07-13 2012-01-19 Ananth Durbha Architectural level power-aware optimization and risk mitigation
US20140025351A1 (en) * 2012-07-17 2014-01-23 International Business Machines Corporation Planning economic energy dispatch in electrical grid under uncertainty
CN103226735A (zh) * 2013-03-26 2013-07-31 国家电网公司 一种基于风电分段的电力系统优化调度方法
CN103413192A (zh) * 2013-06-18 2013-11-27 国家电网公司 一种基于电网调度自动化系统电力负荷曲线的机组调度方法
CN103745415A (zh) * 2014-01-03 2014-04-23 深圳供电局有限公司 基于层次分析的电网运行状态指标的评估方法及系统
CN104009494A (zh) * 2014-04-16 2014-08-27 武汉大学 一种环境经济发电调度方法
CN105528668A (zh) * 2015-08-04 2016-04-27 南通大学 一种风电并网电力系统动态环境经济调度方法
US20170316325A1 (en) * 2016-04-29 2017-11-02 Mathias Duckheim Device for probability forecasts, energy transmission and/or energy distribution network
CN106408130A (zh) * 2016-09-28 2017-02-15 常州大学 一种用于电力系统经济调度的分布式拍卖算法
CN106655162A (zh) * 2016-11-09 2017-05-10 广东电网有限责任公司电力科学研究院 一种适合于电力系统多目标优化调度决策的评估方法
CN107506895A (zh) * 2017-07-26 2017-12-22 国网能源研究院 一种含新能源发电的电力系统运行经济性综合评价系统
CN107492892A (zh) * 2017-08-31 2017-12-19 重庆邮电大学 一种多目标有功调度求解方法及系统
CN107370188A (zh) * 2017-09-11 2017-11-21 国网山东省电力公司莱芜供电公司 一种计及风电出力的电力系统多目标调度方法
CN107579518A (zh) * 2017-09-15 2018-01-12 山东大学 基于mhba的电力系统环境经济调度方法和装置
CN108063451A (zh) * 2017-11-17 2018-05-22 国网辽宁省电力有限公司 一种提高风电接纳能力的电网多元优化调度方法
CN107704978A (zh) * 2017-11-27 2018-02-16 广东电网有限责任公司电网规划研究中心 基于帕累托进化和vikor方法的电热经济调度方法
CN108063453A (zh) * 2017-12-04 2018-05-22 国网辽宁省电力有限公司 一种提高风电接纳能力的电网全时段多元优化调度方法
CN108932566A (zh) * 2018-07-19 2018-12-04 重庆邮电大学 基于改进蝙蝠算法求解电力系统多目标有功调度的方法
CN109241630A (zh) * 2018-09-11 2019-01-18 国网河北能源技术服务有限公司 电力系统的调度优化方法及装置
CN109449971A (zh) * 2018-10-29 2019-03-08 国网甘肃省电力公司 一种新能源消纳的多目标电力系统源荷互动优化调度方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"《基于层次分析法的孤立微电网多目标优化运行》" *

Cited By (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111585288A (zh) * 2020-06-10 2020-08-25 湘潭大学 一种基于层次分析法的配电网多目标动态无功优化方法
CN111832119A (zh) * 2020-06-23 2020-10-27 恒大新能源汽车投资控股集团有限公司 车辆悬置系统的优化方法及装置
CN111753215A (zh) * 2020-06-28 2020-10-09 海南大学 一种多目标推荐优化方法及可读介质
CN111753215B (zh) * 2020-06-28 2021-11-02 海南大学 一种多目标推荐优化方法及可读介质
CN111917140B (zh) * 2020-07-17 2023-01-10 兰州理工大学 一种新能源互补发电系统二层优化调度模型
CN111917140A (zh) * 2020-07-17 2020-11-10 兰州理工大学 一种新能源互补发电系统二层优化调度模型
CN112200348A (zh) * 2020-09-11 2021-01-08 国网天津市电力公司电力科学研究院 一种计及综合需求响应的区域综合能源系统多目标运行决策方法
CN112200348B (zh) * 2020-09-11 2023-03-03 国网天津市电力公司电力科学研究院 一种计及综合需求响应的区域综合能源系统多目标运行决策方法
CN112510726A (zh) * 2020-11-18 2021-03-16 国网河北省电力有限公司 一种配电变压器三相负荷不平衡治理方法
CN112510726B (zh) * 2020-11-18 2023-01-10 国网河北省电力有限公司 一种配电变压器三相负荷不平衡治理方法
CN112952914A (zh) * 2021-01-27 2021-06-11 云南电网有限责任公司电力科学研究院 一种多能互补电力系统多目标运行优化方法
CN112952914B (zh) * 2021-01-27 2023-04-21 云南电网有限责任公司电力科学研究院 一种多能互补电力系统多目标运行优化方法
CN112948994A (zh) * 2021-01-29 2021-06-11 重庆大学 一种滚齿工艺参数的多目标优化与决策方法
CN112949177A (zh) * 2021-02-26 2021-06-11 国网北京市电力公司 一种综合能源系统构建中的多优化目标赋权方法及系统
CN112949177B (zh) * 2021-02-26 2024-03-08 国网北京市电力公司 一种综合能源系统构建中的多优化目标赋权方法及系统
CN113268928A (zh) * 2021-05-27 2021-08-17 西南交通大学 一种基于随机资源受限多项目调度的遗传规划方法
CN113626976A (zh) * 2021-06-21 2021-11-09 江苏省镔鑫钢铁集团有限公司 一种基于nsga-ii算法的烧结配料多目标优化方法、装置及设备
CN114063448A (zh) * 2021-07-13 2022-02-18 中国电力科学研究院有限公司 一种用于核查自动化检定系统的方法及系统
CN114221332A (zh) * 2021-12-09 2022-03-22 国网甘肃省电力公司电力科学研究院 一种电网新能源电力系统经济特征优选方法
CN114884133B (zh) * 2022-04-22 2023-10-10 北京科技大学 一种计及电动汽车的微电网经济调度优化方法及系统
CN114884133A (zh) * 2022-04-22 2022-08-09 北京科技大学 一种计及电动汽车的微电网经济调度优化方法及系统
CN115828548A (zh) * 2022-11-18 2023-03-21 中国舰船研究设计中心 一种船舶电传操控系统构型优化设计方法
CN115833101B (zh) * 2022-12-06 2023-11-14 北京百度网讯科技有限公司 电力调度方法、装置、电子设备和存储介质
CN115833101A (zh) * 2022-12-06 2023-03-21 北京百度网讯科技有限公司 电力调度方法、装置、电子设备和存储介质
CN115829134A (zh) * 2022-12-08 2023-03-21 国网山东省电力公司临沂供电公司 面向源网荷不确定性的供电调度方法及系统
CN115829134B (zh) * 2022-12-08 2023-10-10 国网山东省电力公司临沂供电公司 面向源网荷不确定性的供电调度方法及系统
CN116701830A (zh) * 2023-04-26 2023-09-05 清华大学 基于模糊规则与稳定性推理控制的帕累托前沿解优选方法
CN116974241B (zh) * 2023-07-10 2024-02-06 清华大学 面向绿色低碳制造的数控机床几何优化方法及装置
CN116974241A (zh) * 2023-07-10 2023-10-31 清华大学 面向绿色低碳制造的数控机床几何优化方法及装置
CN117745390A (zh) * 2023-12-26 2024-03-22 江南大学 多种群遗传算法的多目标模糊供应链配置优化方法和系统

Also Published As

Publication number Publication date
CN110956266B (zh) 2023-08-15

Similar Documents

Publication Publication Date Title
CN110956266B (zh) 基于层次分析法的多电源电力系统多目标优化调度方法
CN109886473B (zh) 一种考虑下游生态的流域风光水系统多目标优化调度方法
CN108365608B (zh) 一种区域能源互联网不确定优化调度方法及系统
CN109980636B (zh) 基于改进Benders分解法的风水火协调优化调度方法
CN112308427B (zh) 一种基于组合赋权-灰关联的新能源消纳制约因素评估方法及系统
CN105207253B (zh) 考虑风电及频率不确定性的agc随机动态优化调度方法
CN112865190A (zh) 计及光伏和充电需求的光储充电站优化调度方法和系统
CN111598447B (zh) 一种基于hmaqga的水库群联合优化调度方法
CN109255514B (zh) 一种智能配电网分区独立供电能力评估方法
CN113783224A (zh) 一种考虑多种分布式能源运行的配电网双层优化规划方法
CN115238993A (zh) 基于nsga-ⅱ算法的水库群多目标优化调度方案决策系统
CN112994099B (zh) 一种高比例分布式光伏并网消纳能力分析方法
CN117060468B (zh) 基于改进nsga-ii算法的储能调峰容量优化配置方法及系统
CN111950900A (zh) 一种电力系统源网荷储本质安全风险评估方法
CN116108982A (zh) 一种水库群多目标调度合作搜索方法及系统
CN112736953A (zh) 一种带有多目标优化的风储系统磷酸铁锂电池组储能容量配置设计方法
CN113536694A (zh) 综合能源系统鲁棒优化运行方法、系统、装置及存储介质
CN115829114A (zh) 一种多目标优化的能源管理方法、装置及存储介质
CN111091301A (zh) 一种省级电网可持续发展策略的优选方法
CN112686472B (zh) 一种分布式光伏等效电站的功率预测方法
CN114037209A (zh) 分布式光伏接入直流配电系统综合效益分析方法及装置
CN111553398B (zh) 基于多维正态分布的风电场景不确定连续区间获取方法
CN115018277A (zh) 一种基于网络分析法的新能源消纳潜力评估方法及装置
CN113283755A (zh) 一种车间智能调度决策方法
CN112701679A (zh) 基于模型-数据混合驱动的主动配电网短期可靠性评估方法

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