CN110991703A - 一种基于改进的nsga-ii算法的风光水联合发电调度方法 - Google Patents

一种基于改进的nsga-ii算法的风光水联合发电调度方法 Download PDF

Info

Publication number
CN110991703A
CN110991703A CN201911114187.7A CN201911114187A CN110991703A CN 110991703 A CN110991703 A CN 110991703A CN 201911114187 A CN201911114187 A CN 201911114187A CN 110991703 A CN110991703 A CN 110991703A
Authority
CN
China
Prior art keywords
population
wind
algorithm
power generation
light
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
CN201911114187.7A
Other languages
English (en)
Other versions
CN110991703B (zh
Inventor
莫莉
谌沁
王永强
刘冠君
邹义博
向益奇
汪涛
易敏
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.)
Huazhong University of Science and Technology
Changjiang River Scientific Research Institute Changjiang Water Resources Commission
Original Assignee
Huazhong University of Science and Technology
Changjiang River Scientific Research Institute Changjiang Water Resources Commission
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 Huazhong University of Science and Technology, Changjiang River Scientific Research Institute Changjiang Water Resources Commission filed Critical Huazhong University of Science and Technology
Priority to CN201911114187.7A priority Critical patent/CN110991703B/zh
Priority claimed from CN201911114187.7A external-priority patent/CN110991703B/zh
Publication of CN110991703A publication Critical patent/CN110991703A/zh
Application granted granted Critical
Publication of CN110991703B publication Critical patent/CN110991703B/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

Landscapes

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

Abstract

本发明公开了一种基于改进的NSGA‑II算法的风光水联合发电调度方法，属于水电能源优化领域，包括：将水电站、风电站、光电站联合总发电量最大作为第一目标函数，联合最小出力最大化作为第二目标函数，根据各电站约束条件，构建风光水联合发电模型；根据电站各约束条件，初始化第一种群和信仰空间；计算第一种群适应度并从第一种群中选择非支配个体放入归档集；利用改进的NSGA‑II算法对第一种群和信仰空间进行逐代更新，直至设定次数；根据更新完成后的归档集，得到多个风光水联合发电的调度方法。本发明方法能够获得多个具有良好代表性的优化调度方案，充分发挥风、光、水能源间的互补性，保障电站安全、稳定、经济运行。

Description

一种基于改进的NSGA-II算法的风光水联合发电调度方法
技术领域
本发明属于水电能源优化领域，更具体地，涉及一种基于改进的非支配排序遗传进化算法的风光水联合发电调度方法。
背景技术
随着化石能源的开发利用，造成了一系列能源短缺。环境污染和生态恶化问题。为了降低化石能源带来的负面影响，国内外学者开始研究可再生能源的开发利用。风能和光电能有潜在研究价值，由于其发电的随机性，波动性和间歇性，无法得到高质量电能，所以风光能源未能得到充分利用。大规模的风光互补电网连接使电力系统的安全性和稳定性面临严峻挑战。水电能源作为清洁能源，具有污染小、成本低、可调节性好等特点。风光水联合调度系统可以有效调节风光发电系统的波动性和提高电网的承载能力。因此，风光水联合发电系统具有高度互补研究潜力和高研究价值。
迄今为止，国内外专家学者对风光水互补发电系统的联合运行进行了大量研究。例如不同地区风电和水电的相互关系和互补性、结合抽水蓄能和风场来提高风场的盈利能力和电网供电的可靠性，以及以最大日效益为目标的蓄水-水补充系统的优化运行等。然而，现有技术多集中于互补发电模型的建立和能源之间互补关系分析，但在模型计算中存在结果收敛速度慢、最优解空间分布性差等不足。
近年来，多目标进化算法取得了快速发展。最著名的算法之一是NSGA-II算法。NSGA-II采用快速非支配排序过程，精英保留策略和无参数小生境操作算子，克服了运算复杂度高、非精英保留策略和需人为指定共享半径的缺点。但是，当NSGA-II算法应用于解决实际的复杂多目标优化问题时，其收敛速度和解集的分布性仍有较大的提高空间。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于改进的NSGA-II算法的风光水联合发电调度方法，其目的在于解决，现有风光水互补发电系统的多目标优化调度方法，其最优解空间分布性差，使得风、光、水能源不能合理互补，造成电网供电可靠性低的技术问题。
为实现上述目的，本发明提供了一种基于改进的NSGA-II算法的风光水联合发电调度方法，包括：
(1)将水电站、风电站、光电站联合总发电量最大作为第一目标函数，联合最小出力最大化作为第二目标函数，根据各电站约束条件，构建风光水联合发电模型；
(2)根据电站各约束条件，初始化第一种群以及信仰空间中的归档集和进化参数；所述进化参数包括交叉进化参数F和变异进化参数CR；
(3)计算第一种群的适应度并对第一种群进行非支配排序，从中选择非支配个体放入归档集，并从归档集中删除被支配个体，更新归档集；
(4)检测更新后的归档集中个体数量是否超过设定值；若是，则根据个体密集程度对归档集进行裁剪；若否，则进入步骤(5)；
(5)利用改进的NSGA-II算法对所述第一种群和信仰空间进行逐代更新，直至设定次数；
(6)根据更新完成后的归档集，得到多个风光水联合发电的调度方法。
进一步地，步骤(5)具体包括：
(5.1)种群更新；
(5.1.1)选择：采用二元锦标赛法从第一种群中选择较优个体，组成第二种群；
(5.1.2)交叉变异：采用差分进化算法的交叉变异模式对第二种群进行更新，并计算更新后种群个体的适应度；
(5.1.3)聚合：将第一种群和第二种群合并，组成第三种群；
(5.1.4)非支配排序：对第三种群中个体进行非支配排序并计算第三种群中个体的拥挤距离。
(5.1.5)更新换代：根据个体层级和拥挤距离，从第三种群中选择较优个体组成新的第一种群；
(5.2)信仰空间更新；
(5.2.1)进化参数更新：根据每代种群更新状态，更新交叉进化参数F和变异进化参数CR；
(5.2.2)归档集更新：对新一代种群按照步骤(3)-(4)的方法对归档集进行更新。
进一步地，所述交叉进化参数F表达式为：
Figure BDA0002273598990000031
式中，rand1-2()是介于0和1之间的四个相互独立的随机数，Fmin和Fmax表示F的上下限，Fi表示对应子问题i的参数F，τ1是介于0-1的随机数。
进一步地，所述变异进化参数CR表达式为：
Figure BDA0002273598990000032
式中，rand3-4()是介于0和1之间的四个相互独立的随机数，CRmin和CRmax表示CR的上下限，CRi表示对应子问题i的参数CR，τ2是介于0-1的随机数。
进一步地，步骤(4)中所述对归档集进行裁剪，具体为：采用SPEA2算法中的裁剪方法，计算归档集中每个个体的密集距离，删除归档集中密集距离较小的个体。
进一步地，所述第一目标函数为：
Figure BDA0002273598990000041
其中，F1表示水电站、风电站、光电站联合总发电量，T表示时段总数，t表示时段序列号，t∈[1,T]，Nh表示水电出力，Nw表示风电出力，Nl表示光电出力。
进一步地，所述第二目标函数为：
MaxF2＝max{min(Nh+Nw+Nl)}
其中，F2表示水电站、风电站、光电站联合最小出力。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
本发明将NSGA-II算法与CA算法相结合，克服了CA解决多维目标问题时具有高复杂度的困难；同时引入了DE算法的交叉变异模式对NSGA-II算法进行了改进，使其收敛到帕累托最优解的速度变快，能够在总发电量最大和最小出力最大化双目标互斥的情况下，获得多个具有良好代表性的优化调度方案，克服了现有多目标进化算法收敛速度较慢和解集的分布性较差的局限，为电站风光水互补发电系统的多目标优化调度提供多种解决策略，充分发挥风、光、水能源间的互补性，保障电站安全、稳定、经济运行。
附图说明
图1为NSCDE算法流程图；
图2(a)-图2(e)为NSGA-II算法和NSCDE算法测试函数对比图；
图3为逐旬风速和风电出力；
图4为逐旬光照强度和光电出力；
图5为在方案1、方案40状态下，锦屏一级水电站水位逐旬变化过程；
图6为在方案1、方案40状态下，锦屏一级水电站下泄流量逐旬变化过程。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明实施例提供了一种基于改进的NSGA-II算法的风光水联合发电调度方法，包括：
(1)将水电站、风电站、光电站联合总发电量最大作为第一目标函数，联合最小出力最大化作为第二目标函数，根据各电站发电约束条件，构建风光水联合发电模型；
(1.1)第一目标函数：
Figure BDA0002273598990000051
其中，F1表示水电站、风电站、光电站联合总发电量，T表示时段总数，t表示时段序列号，t∈[1,T]，Nh表示水电出力，Nw表示风电出力，Nl表示光电出力；
水力发电机组将水流的机械能转换为电能，上游和下游水位之间的水位差决定了出力的大小，水力发电机组的效率决定了能量损失的多少，Nh,t公式如下：
Nh＝KhQΔH
其中，Q表示水流通过涡轮的速度，△H表示水电站水头差；Kh表示水电出力系数。
风电出力主要与风速有关，也与空气密度、风机效率和转子半径有关，其公式如下：
Figure BDA0002273598990000061
其中，ρ表示空气密度；A表示风机叶片扫过的区域，Cp表示发电系数，v表示风速；
光电出力主要与光强、光电转换效率和光伏板面积大小有关，其公式如下：
Figure BDA0002273598990000062
其中，HA表示总水平太阳辐射，PAZ表示太阳能板电池容量的大小，ES表示在标准条件下的辐照度，Kl表示光电出力系数；
(1.2)第二目标函数：
MaxF2＝max{min(Nh+Nw+Nl)}
其中，F2表示水电站、风电站、光电站联合最小出力。
(1.3)约束条件；
1)水量平衡约束：
Vt＝Vt-1+It-Rt
式中，Vt表示第t时段的库容，It和Rt分别表示第t时段的入库流量和出库流量。
2)水位约束：
Figure BDA0002273598990000063
式中，Zt、
Figure BDA0002273598990000064
和
Figure BDA0002273598990000065
分别表示第t时段的水位及其上下限。
3)库容约束：
Figure BDA0002273598990000066
其中，Vt表示第t时段的库容，
Figure BDA0002273598990000067
表示第t个时段的平均上游水位，
Figure BDA0002273598990000068
表示
Figure BDA0002273598990000069
的下泄能力函数。
4)下泄流量约束：
Figure BDA00022735989900000610
其中，Qt、
Figure BDA0002273598990000071
和
Figure BDA0002273598990000072
分别表示电站i第t时段的下泄流量及其上下限。
5)出力约束：
Figure BDA0002273598990000073
其中，Nt、
Figure BDA0002273598990000074
和
Figure BDA0002273598990000075
分别表示第t时段的出力及其上下限。
求解上述模型最优解集合时，本发明将带精英保留策略的非支配排序遗传进化算法算法(NSGA-II)与文化算法(CA)算法相结合，克服了CA解决多维目标问题时具有高复杂度的困难，同时引入了差分进化算法(DE)的交叉变异模式对NSGA-II算法进行改进，使其收敛到帕累托最优解的速度变快，为方便说明，本实施例将上述改进算法称为“非支配文化差分进化算法”简称NSCDE，NSCDE算法流程图如图1所示，
(2)根据电站各约束条件，初始化第一种群以及信仰空间中的归档集和进化参数；进化参数包括交叉进化参数F和变异进化参数CR；
Figure BDA0002273598990000076
Figure BDA0002273598990000077
式中，rand1-2()是介于0和1之间的四个相互独立的随机数，Fmin和Fmax表示F的上下限，Fi表示对应子问题i的参数F，τ1是介于0-1的随机数。rand3-4()是介于0和1之间的四个相互独立的随机数，CRmin和CRmax表示CR的上下限，CRi表示对应子问题i的参数CR，τ2是介于0-1的随机数。
(3)计算第一种群的适应度并对第一种群进行非支配排序，从中选择非支配个体放入归档集，并从归档集中删除被支配个体，更新归档集；
(4)检测更新后的归档集中个体数量是否超过设定值；若是，则根据个体密集程度对归档集进行裁剪；若否，则进入步骤(5)；
(5)利用改进的NSGA-II算法对第一种群和信仰空间进行逐代更新，直至设定次数；
步骤(5)具体包括：
(5.1)种群更新；(5.1.1)选择：采用二元锦标赛法从第一种群中选择较优个体，组成第二种群；(5.1.2)交叉变异：采用差分进化算法的交叉变异模式对第二种群进行更新，并计算更新后种群个体的适应度；(5.1.3)聚合：将第一种群和第二种群合并，组成第三种群；(5.1.4)非支配排序：对第三种群中个体进行非支配排序并计算第三种群中个体的拥挤距离。(5.1.5)更新换代：根据个体层级和拥挤距离，从第三种群中选择较优个体组成新的第一种群；
(5.2)信仰空间更新；(5.2.1)进化参数更新：根据每代种群更新状态，更新交叉进化参数F和变异进化参数CR；(5.2.2)归档集更新：对新一代种群按照步骤(3)-(4)的方法对归档集进行更新；
(6)根据更新完成后的归档集，得到多个风光水联合发电的调度方法。
本发明提出的NSCDE算法与传统NSGA-II算法测试函数对比图如图2(a)-图2(e)所示，可以看出，和传统的NSGA-II算法相比，本发明提出的NSCDE算法收敛速度更快，解集空间分布性更优，因此本发明提出的NSCDE算法相对于NSGA-II算法可更快更好的得到非支配解集，适用于多目标模型的求解。
为了更清晰直观地表达本发明的思路方法，下面结合附图及实施例(锦屏一级水电站)，对非支配文化差分进化算法(NSCDE)进行详细说明。锦屏一级水电站位于中国西南部，年平均年径流量为385亿立方米，周围风力和太阳能场适合联合发电调度。本发明选择正常年份(2000年)的历史径流数据，风速数据和光强数据进行分析和计算。在春季和冬季，风速较强，光照强度较弱，而在夏季和秋季则相反，同一季节风和光形成了很好的补充效果。
(1)调度周期和计算周期划分如下：
在7月至9月的汛期，水库将水位控制在1859米的汛限水位以下运行，蓄水将于10月1日开始。本发明计算期时长取一年。计算周期为旬，即每个月分为三个时段，一年共计算36旬，逐旬风速和风电出力如图3所示，逐旬光照强度和光电出力如图4所示。
(2)NSCDE算法参数设置如下：
算法程序由java编写，根据NSCDE算法的核心思想和进化过程，种群大小选择为40，归档集大小选择为40，最大迭代次数为5000，交叉概率为0.8，变异概率为0.03。通过NSCDE算法迭代计算获得到Pareto最优解，Pareto最优解分布如表1所示。
表1
Figure BDA0002273598990000091
Figure BDA0002273598990000101
本发明利用2000年锦屏一级水电站的实际入流量进行计算。在保证风光水互补发电系统最小出力最大化的情况下，兼顾风光水互补发电系统发电量最大。表1显示了锦屏一级水电站风光水联合优化调度的40种优化方案。从表1可以看出，风光水互补系统最小出力与风光水互补系统发电量呈负相关关系，其中一个增加将不可避免地导致另一个减少；同时，表1中的数据还验证了NSCDE算法在解决多目标模型问题时的有效性。
(3)结果分析
为了进一步分析各种方案之间的关系，选择了两种极端方案进行比较,如图5和图6所示：方案1(发电量最大化)和方案40(最小出力最大化)。经比较可得：a)当风光水互补发电系统将发电量作为主要目标时，将会牺牲水电站部分运行时的稳定性(出力过小将会影响水电站运行时的稳定性)，例如方案1；b)当风光水互补发电系统以最小输出为主要目标时，将会牺牲水电站部分经济效益，例如方案40。因此，可根据电站的实际情况选择合适的优化调度方案。
如表一所示，通过比较风电、光电和水电一年的出力大小，可以发现光电和风电、风电和水电能够形成好的能源互补效应：在春季和冬季，光照强度较弱、水库入流量较少，但风速较强，此时光电输出虽小，但和输出较大的风电共同作用，可以弥补水力发电不足导致的电网浮动影响；在夏季和秋季，光照强度和水库入流量较强，但风速较弱，此时水电出力和光电出力可以很好的弥补风电出力的不足。从能源互补的角度来看，风能、太阳能、水能可以形成良好的互补，增加了保障的产出。
此外，本发明选取锦屏一级水电站正常运行年度进行计算，结果对汛期前后的防洪效果无显著影响，既不会增加防洪压力，又能提高水资源的利用程度，为实际风光水互补发电系统优化调度的决策提供了参考。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于改进的NSGA-II算法的风光水联合发电调度方法，其特征在于，包括：
(1)将水电站、风电站、光电站联合总发电量最大作为第一目标函数，联合最小出力最大化作为第二目标函数，根据各电站约束条件，构建风光水联合发电模型；
(2)根据电站各约束条件，初始化第一种群以及信仰空间中的归档集和进化参数；所述进化参数包括交叉进化参数F和变异进化参数CR；
(3)计算第一种群的适应度并对第一种群进行非支配排序，从中选择非支配个体放入归档集，并从归档集中删除被支配个体，更新归档集；
(4)检测更新后的归档集中个体数量是否超过设定值；若是，则根据个体密集程度对归档集进行裁剪；若否，则进入步骤(5)；
(5)利用改进的NSGA-II算法对所述第一种群和信仰空间进行逐代更新，直至设定次数；
(6)根据更新完成后的归档集，得到多个风光水联合发电的调度方法。
2.根据权利要求1所述的一种基于改进的NSGA-II算法的风光水联合发电调度方法，其特征在于，步骤(5)具体包括：
(5.1)种群更新；
(5.1.1)选择：采用二元锦标赛法从第一种群中选择较优个体，组成第二种群；
(5.1.2)交叉变异：采用差分进化算法的交叉变异模式对第二种群进行更新，并计算更新后种群个体的适应度；
(5.1.3)聚合：将第一种群和第二种群合并，组成第三种群；
(5.1.4)非支配排序：对第三种群中个体进行非支配排序并计算第三种群中个体的拥挤距离。
(5.1.5)更新换代：根据个体层级和拥挤距离，从第三种群中选择较优个体组成新的第一种群；
(5.2)信仰空间更新；
(5.2.1)进化参数更新：根据每代种群更新状态，更新交叉进化参数F和变异进化参数CR；
(5.2.2)归档集更新：对新一代种群按照步骤(3)-(4)的方法对归档集进行更新。
3.根据权利要求2所述的一种基于改进的NSGA-II算法的风光水联合发电调度方法，其特征在于，所述交叉进化参数F表达式为：
Figure FDA0002273598980000021
式中，rand1-2()是介于0和1之间的四个相互独立的随机数，Fmin和Fmax表示F的上下限，Fi表示对应子问题i的参数F，τ1是介于0-1的随机数。
4.根据权利要求2所述的一种基于改进的NSGA-II算法的风光水联合发电调度方法，其特征在于，所述变异进化参数CR表达式为：
Figure FDA0002273598980000022
式中，rand3-4()是介于0和1之间的四个相互独立的随机数，CRmin和CRmax表示CR的上下限，CRi表示对应子问题i的参数CR，τ2是介于0-1的随机数。
5.根据权利要求1-4任一项所述的一种基于改进的NSGA-II算法的风光水联合发电调度方法，其特征在于，步骤(4)中所述对归档集进行裁剪，具体为：采用SPEA2算法中的裁剪方法，计算归档集中每个个体的密集距离，删除归档集中密集距离较小的个体。
6.根据权利要求1-5任一项所述的一种基于改进的NSGA-II算法的风光水联合发电调度方法，其特征在于，所述第一目标函数为：
Figure FDA0002273598980000031
其中，F1表示水电站、风电站、光电站联合总发电量，T表示时段总数，t表示时段序列号，t∈[1,T]，Nh表示水电出力，Nw表示风电出力，Nl表示光电出力。
7.根据权利要求1-6任一项所述的一种基于改进的NSGA-II算法的风光水联合发电调度方法，其特征在于，所述第二目标函数为：
MaxF2＝max{min(Nh+Nw+Nl)}
其中，F2表示水电站、风电站、光电站联合最小出力。
CN201911114187.7A 2019-11-14 一种基于改进的nsga-ii算法的风光水联合发电调度方法 Active CN110991703B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911114187.7A CN110991703B (zh) 2019-11-14 一种基于改进的nsga-ii算法的风光水联合发电调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911114187.7A CN110991703B (zh) 2019-11-14 一种基于改进的nsga-ii算法的风光水联合发电调度方法

Publications (2)

Publication Number Publication Date
CN110991703A true CN110991703A (zh) 2020-04-10
CN110991703B CN110991703B (zh) 2024-06-07

Family

ID=

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113723790A (zh) * 2021-08-23 2021-11-30 中国地质大学（武汉） 基于代理模型的供水系统调度策略优化方法和存储介质
CN113723790B (zh) * 2021-08-23 2024-06-07 中国地质大学（武汉） 基于代理模型的供水系统调度策略优化方法和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150058061A1 (en) * 2013-08-26 2015-02-26 Magdy Salama Zonal energy management and optimization systems for smart grids applications
CN107133415A (zh) * 2017-05-22 2017-09-05 河海大学 一种考虑用户满意和配网安全的电动汽车充放电优化方法
CN109886473A (zh) * 2019-01-24 2019-06-14 河海大学 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
CN110163420A (zh) * 2019-04-28 2019-08-23 华中科技大学 一种基于分解文化进化算法的多目标生态调度方法和系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150058061A1 (en) * 2013-08-26 2015-02-26 Magdy Salama Zonal energy management and optimization systems for smart grids applications
CN107133415A (zh) * 2017-05-22 2017-09-05 河海大学 一种考虑用户满意和配网安全的电动汽车充放电优化方法
CN109886473A (zh) * 2019-01-24 2019-06-14 河海大学 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
CN110163420A (zh) * 2019-04-28 2019-08-23 华中科技大学 一种基于分解文化进化算法的多目标生态调度方法和系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113723790A (zh) * 2021-08-23 2021-11-30 中国地质大学（武汉） 基于代理模型的供水系统调度策略优化方法和存储介质
CN113723790B (zh) * 2021-08-23 2024-06-07 中国地质大学（武汉） 基于代理模型的供水系统调度策略优化方法和存储介质

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
CN108879793B (zh) 一种风光蓄能水电站互补的离网式混合能源系统优化方法
CN104242335B (zh) 一种基于额定容量的风光储发电单元容量优化配置方法
CN109858173B (zh) 一种风光水互补发电系统联合调度的多目标正切方法
CN108599206B (zh) 高比例不确定电源场景下的配电网混合储能配置方法
CN110365013B (zh) 一种光热-光伏-风电联合发电系统的容量优化方法
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
CN110909911B (zh) 考虑时空相关性的多维时序数据的聚合方法
CN110994606B (zh) 一种基于复杂适应系统理论的多能源电源容量配置方法
CN112952818B (zh) 一种基于出力互补性的风光水多能互补容量优化配置方法
CN104299173A (zh) 一种适用于多种能源接入的鲁棒优化日前调度方法
CN115940292B (zh) 基于圆圈搜索算法的含风储电力系统优化调度方法及系统
CN107565880B (zh) 优化型风光互补混合发电系统
CN113555908B (zh) 一种智能配电网储能优化配置方法
Liu et al. Non-dominated sorting culture differential evolution algorithm for multi-objective optimal operation of Wind-Solar-Hydro complementary power generation system
CN116402210A (zh) 一种综合能源系统多目标优化方法、系统、设备和介质
CN110909310A (zh) 一种基于模型参数优化的光伏短期发电量预测方法及系统
Yang et al. Optimization for short-term operation of hybrid hydro-PV power system based on NSGA-II
Jemaa et al. Optimum sizing of hybrid PV/Wind/battery installation using a fuzzy PSO
CN113285655A (zh) 一种风光互补优化配比方法
CN110098623B (zh) 一种基于智能负载的Prosumer单元控制方法
CN109873419B (zh) 一种考虑相似度和经济收益的水光蓄系统运行优化方法
CN115940284B (zh) 一种考虑分时电价的新能源制氢系统的运行控制策略
CN110991703B (zh) 一种基于改进的nsga-ii算法的风光水联合发电调度方法
CN110991703A (zh) 一种基于改进的nsga-ii算法的风光水联合发电调度方法

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