CN110994606B - 一种基于复杂适应系统理论的多能源电源容量配置方法 - Google Patents
一种基于复杂适应系统理论的多能源电源容量配置方法 Download PDFInfo
- Publication number
- CN110994606B CN110994606B CN201911275364.XA CN201911275364A CN110994606B CN 110994606 B CN110994606 B CN 110994606B CN 201911275364 A CN201911275364 A CN 201911275364A CN 110994606 B CN110994606 B CN 110994606B
- Authority
- CN
- China
- Prior art keywords
- power
- time
- sto
- output
- energy
- 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.)
- Active
Links
Classifications
-
- 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
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- 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
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- 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
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
-
- 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
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
-
- 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
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
Abstract
一种基于复杂适应系统理论的多能源电源容量配置方法,涉及电力系统技术领域,针对多能源电源容量配置问题,提出一类基于复杂适应系统理论(CAS)的多能源电力系统规划模型。该模型计及风力和光伏发电的时序性和随机性,以各类型电源为适应性主体,选取电源容量为决策量,以经济性收益最大为目标函数,通过主体与主体间,主体与环境间的适应作用,依靠不断变换主体的行为规则对多能源电源容量进行合理配置。选取我国某省实际电力系统作为算例进行仿真,并与Pareto解集进行对比,基于复杂适应系统理论的电源结构优化配置可显著提高新能源消纳,且更符合实际电力系统的运行模式。
Description
技术领域
本发明涉及电力系统的技术领域,特别是涉及一种基于复杂适应系统理论的多能源电源容量配置方法。
背景技术
电力行业的清洁化、低碳化是实现社会经济可持续发展的必然要求。当前,光伏电站、风电场等低碳排放的电源在电力系统中日益增多。与传统电源不同,光伏、风电碳排放低,但均具有间歇性、波动性、反调峰、可控性差等特点。随着并网容量的增大,光伏电站、风电场对系统的影响越来越明显,也给传统的电源规划带来了深刻的影响。我国煤炭在储量上与其他能源相比有一定优势,这也形成了以火电为主,水电、风电等其他电源形式的电源结构辅以。但化石燃料的大量消耗给环境带来了相当大的污染。改善以火电为主的电源结构不仅有利于缓解化石燃料面临枯竭的危机,而且有利于环境可持续发展。对电源结构进行优化也是目前促进清洁能源并网的重要举措,科学、合理地配置多能源电力系统中风力发电、光伏发电等清洁能源容量,不仅是发挥多能源电力系统综合效益,实现安全、可靠、经济和环保性能的重要前提,更是现阶段推进新能源开发建设必不可少的环节。
针对新能源大规模规划问题,已有研究进行了初步探索。齐晓光;王颖;邵华,等人提出了多目标新能源规划方法(专利号CN201910276179.6),根据所述出力数据和所述多目标优化模型确定新能源接网位置和装机容量,够有效提高区域内新能源厂站发电利用效率,减少弃风弃光风险。方仍存;汪颖翔;范征等人提出了一种新能源电量消纳能力分析规划方法(专利号CN201810933592.0),该法先建立电力系统生产模拟数学模型,随后对电力系统生产模拟过程进行仿真,接着通过分析系统负荷时间序列得到负荷分类曲线,再结合新能源出力时间序列、在整个时间区间内对系统新能源消纳容量进行积分,即得到系统可消纳新能源电量,该设计简明且利于工程应用。
然而在上述研究中还存在模型不精确或对电源类型考虑不全等问题,部分研究采用了传统的优化方法,但其计算效率低下。虽然采用新型智能优化算法,在一定程度上提高了问题寻优的速度,但依然未能保证解的全局收敛性以及合理性。
发明内容
针对以上问题,本文在已有研究的基础上,综合考虑由风电、光伏、水电、火电、光热以及储能组成的多能源电力系统的经济技术特性,基于复杂适应系统理论,视各种电源为独立的行为主体,构建电源容量规划模型并求解,以期为电源规划的理论研究和实际建设工作提供参考。
本发明提供一种基于复杂适应系统理论的多能源电源容量配置方法。模型构建方面,以各类型电源为适应性决策主体,电源容量为决策量,选取多能源系统中的运行特性及自然资源分布特性为主体的环境参数。通过主体与主体间,主体与环境间的相互适应作用,依靠不断变换主体的行为规则对多能源电源容量进行合理配置,以期为电力系统规划的理论研究和实际建设工作提供参考。
为实现上述目的,本发明提供的技术方案如下:
1.风机、光伏、光热与风速、光照强度的关系及储能电池与供求的关系;
风机的输出功率与风速有密切的关系,风速一般遵循Weibull分布,其概率密度函数f(v)表示为:
式中:v为实时风速;k、c分别为形状参数和尺度参数。
风机的输出功率Pwin,t与风速v的关系如下:
式中:Pwin,N为风机的额定功率;vci、vco、vN分别为风机的切入风速、切出风速和额定风速。
光照强度γ在一定时间段内服从Beta分布,其概率密度函数f(γ)为:
式中α、β为形状参数,Γ()为Gamma函数。
光伏的输出功率Ppho,t与光照强度γ的关系如下:
式中:Ppho,N、γN分别为光伏额定功率和额定光照强度。
光热的输出功率Phea,t与光照强度γ的关系如下:
式中:Phea,N、γN分别为光伏额定功率和额定光照强度,ηp,h、ηh,e分别为光热、热电转化效率。
储能电池在t时刻的功率Psto,t既与t时刻的供求关系相关,也与其在上一时刻的能量状况相关,当系统功率充足时(Δ(t)≥0),储能电池以效率ηsto充电;当系统功率不足时(Δ(t)≤0),则会放电。于是可得储能电池在t时刻的功率为:
2.按照季节和时间段选取典型场景;
计及时序特性和季节性差异,选取一年中多个典型日,每个典型日分为24个时段,建立节点主体出力时序性多场景模型。主体的等效日输出电量为:
式中:n为典型场景总个数;t为出力时间;ηi为第i个典型日的概率,Pi为第i个典型日的出力且Pi=Pwin,i+Ppho,i+Phyd,i+Pthe,i+Phea,i+Psto,i,其中Pwin,i、Ppho,i、Phyd,i、Pthe,i、Phea,i、Psto,i分别为第i个典型日的风电、光伏、水电、火电、光热及储能出力。
3.构建基于复杂适应系统理论的多能源电源规划模型;
以每个发电主体的综合收益C最大为目标函数,包括售电收入CS、设备回收收入CD、投资费用CV、运维费用CM、电量不足损失费用CP,如下所示:
(1)售电收入CS
CS=(1+α-β)*R*Psel (9)
式中:R为电价;Psel为售电量;α为政策补贴系数;β为环境污染系数。
(2)设备回收收入CD
Pre为机组回收容量;D为单位机组容量回收收入;L为机组使用寿命年限;r为贴现率。
(3)投资费用CV
P为机组装机容量;V为机组单位容量投资费用。
(4)运维费用CM
CM=P*M (12)
其中M为机组的单位容量运维费用。
(5)电量不足损失费用CP
设定功率约束为柔性约束,多能源系统总出力具有一定的不确定性,不能保证时刻均能满足负荷需求,若总出力大于负荷,将会导致弃风弃光现象的发生;若系统供电不足,则需向大电网购电,购电带来的总费用CP视为购电量的Pg(t)的函数,即
CP=f(Pg(t)) (13)
此处,CP按照容量比例分摊到各电源上,以风电的购电费用为例:
约束条件如下:
(1)爬坡约束
式中:ΔPt up为t时刻的爬坡功率;Pt the,maxup、Pt hyd,maxup分别为t时刻的火电、水电最大爬坡功率;Pt sto,maxout为储能在t时刻的最大输出功率。ΔPt+1 up为t+1时刻系统总爬坡功率需求,Pt+1 the,maxup、Pt+1 hyd,maxup分别为t+1时刻系统中火电及水电的最大爬坡功率。若不满足,则应在t时刻提前弃风、弃光。
(2)下坡约束
式中:ΔPt down为在t时刻的下坡功率;Pt the,maxdown、Pt hyd,maxdown分别为t时刻的火电、水电最大下坡功率;Pt sto,maxin为储能在t时刻的最大充电功率。ΔPt+1 down为t+1时刻系统总下坡功率需求,Pt+1 the,maxdown、Pt+1 hyd,maxdown分别为t+1时刻系统中火电及水电的最大下坡功率。若不满足,则应在t时刻提前增加火电及水电出力。
(3)装机容量约束
式中:Pwin、Ppho、Phyd、Pthe、Phea、Psto分别为风电、光伏、水电及火电的装机容量;Pwin,max、Ppho,max、Phyd,max、Pthe,max、Phea,max、Psto,max分别风电、光伏、水电及火电的最大装机容量。
(4)断面约束
式中:Pl为断面中l线路传输功率;Psection,max为系统联络线最大传输功率。
(5)储能电池出力约束
一般的储能电池的功率不能低于保证其正常工作的最低功率,及其t时刻的功率应满足
Psto,min≤Psto(t)≤Psto (19)
(6)光热出力约束
光热电站通过汽轮机组发电,因此也具备与常规汽轮机组类似的运行约束,除此之外,光热电站储能罐的充/放热功率在限制范围内连续可调,但充/放热不能同时进行,相关约束为:
式中Pmax hea,sto,in和Pmax hea,sto,out分别为最大充放热功率。
4.根据复杂适应系统理论对模型进行求解。
采用以下步骤对该模型进行求解
步骤(1):对环境影响因素E进行编码。
步骤(2):对可控因素S进行编码。
步骤(3):构建行为规则集R
步骤(4):修改行为规则
步骤(5):若所有主体的目标效益函数值收敛,则得到问题的最终解决方案,输出结果;反之返回第(3)步继续迭代计算。
本发明所述步骤(3)中,形如E=[e1,e2,…ei…]的列向量,维数为环境影响因素的数量和。ei为第i个环境影响因素的整数编码。
本发明所述步骤(3)中,形如S=[s1,s2,…si…]的列向量,维数为可控因素的数量和。si为第i个可控因素的整数编码。
本发明所述步骤(3)中,构建行为规则集R:
式中:Ek为第k条规则Rk从外界获取的环境信息;Sjk表示以概率δjk采取的行为措施,即对可控因素进行适应性调整。其中δjk满足
本发明所述步骤(4)中,若主体从外界环境获取的信息为Ek,以概率δjk选取Sjk为所对应的行为措施。如果主体的目标效益函数值增加,则提高δjk数值,反之则降低δjk数值,用以表示主体的经验积累以及适应性提高的过程。
本发明所述步骤(5)中,若所有主体的目标效益函数值收敛,则得到问题的最终解决方案,输出结果;反之返回第(3)步继续迭代计算。
本发明的有益效果在于:本发明设计的基于复杂适应系统理论的多能源电源容量配置方法,以各类型电源为适应性主体,选取电源容量为决策量,以经济性收益最大为目标函数,通过主体与主体间,主体与环境间的适应作用,依靠不断变换主体的行为规则对多能源电源容量进行合理配置。选取我国某省实际电力系统作为算例进行仿真,并与Pareto解集进行对比,结果表明,基于复杂适应系统理论的电源结构优化配置可显著提高新能源消纳,且更符合实际电力系统的运行模式。
附图说明
图1为本发明实施例提供的一种基于复杂适应系统理论的电源主体行为机理示意图;
图2为本发明实施例提供的一种基于复杂适应系统理论的电源容量配置方法流程图;
图3为本发明实施例提供的CAS方案的冬季典型场景出力曲线图;
图4为本发明实施例提供的CAS方案的夏季典型场景出力曲线图;
图5为本发明实施例提供的各方案主体收益对比图;
图6为本发明实施例提供的各方案新能源消纳情况对比图。
具体实施方式
实施例1,如图1-图5所示,本发明提供一种基于复杂适应系统理论的多能源电源容量配置方法,为了更好的理解本发明,现结合附图及实施例进一步阐述本发明的内容,但本发明的实施方式不限于此。
本发明设计的一种基于复杂适应系统理论的多能源电源容量配置方法,算法整体流程如图1所示,包括如下步骤:
步骤(1):对环境影响因素E进行编码。
步骤(2):对可控因素S进行编码。
步骤(3):构建行为规则集R
步骤(4):修改行为规则
步骤(5):若所有主体的目标效益函数值收敛,则得到问题的最终解决方案,输出结果;反之返回第(3)步继续迭代计算。
下面对该应用方法进行详细的说明。
对环境影响因素E进行编码:形如E=[e1,e2,…ei…]的列向量,维数为环境影响因素的数量和。ei为第i个环境影响因素的整数编码。
对可控因素S进行编码:形如S=[s1,s2,…si…]的列向量,维数为可控因素的数量和。si为第i个可控因素的整数编码。
构建行为规则集R:
式中:Ek为第k条规则Rk从外界获取的环境信息;Sjk表示以概率δjk采取的行为措施,即对可控因素进行适应性调整。其中δjk满足
修改行为规则:若主体从外界环境获取的信息为Ek,以概率δjk选取Sjk为所对应的行为措施。如果主体的目标效益函数值增加,则提高δjk数值,反之则降低δjk数值,用以表示主体的经验积累以及适应性提高的过程。
若所有主体的目标效益函数值收敛,则得到问题的最终解决方案,输出结果;反之返回第(3)步继续迭代计算。流程图如图2所示。
算例展示
为了便于本领域技术人员的理解与实施,下面通过仿真实例对本发明所设计的基于复杂适应系统理论的多能源电源容量配置方法进行验证。
以某地区2018年实际电力系统为例,并选取了两个典型日进行分析,进行电源结构优化仿真。系统的基准电压为330kV,基准功率为100MVA,单位电价为0.078万元/MW,贴现率为0.12,其他经济技术参数如表1所示[4]。
表1 经济技术参数
依据复杂适应系统理论,选取各发电电源为研究主体,各电源容量为可控因素,将风速、光照强度、爬坡、降坡等因素设置为各主体的环境变量。各电源主体,依据输入各自的环境变量值以及改变容量后所获得效益值,生成并改变自身行为规则,使各电源主体的目标效益函数最大化,并且装机容量值实现收敛。
引入遗传算法对上述多目标规划问题求其Pareto解集,并与复杂适应系统理论所得结果进行对比。在遗传算法中选取容量变化幅度为5,交叉率为0.7,变异率为0.3,使得各个电源主体的受益同时最大化。通过筛选,得到了五个不同的可行方案,如表2所示,每种方案的建设成本如表3所示。
表2电源容量配置方案
表3各方案建设成本
对以上七种电源结构配置方案进行100次时序性多场景出力模拟,新能源消纳的情况如表4所示,CAS方案的典型场景出力曲线如图3和图4所示。
表4新能源消纳情况
将六种方案中,各电源主体的受益以及新能源消纳情况进行归一化处理并进行对比,如图5和图6所示。
从以上结果可以看出,各个方案对新能源的消纳都有显著的提升,其中方案四主要是通过风电以及光伏两者间进行互补作用实现新能源的消纳,而且对新能源消纳的提升量最大,但是建设成本也相对较高;CAS方案更符合该地区实际情况:该地区负荷呈现出午高夜低的特性,这与光伏发电的时序特性相吻合,并且该地区水电、光伏资源丰富,通过光伏、风电以及水电间的良好互补,提升对新能源的消纳。因此基于复杂适应系统理论对电源结构的优化配置有较好的实用性
以上所述,仅为本发明的具体实施例而已,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (4)
1.一种基于复杂适应系统理论的多能源电源容量配置方法,其特征在于:所述方法包括如下步骤:
步骤一:分析风机、光伏、光热与风速、光照强度的关系及储能电池与供求的关系;
步骤二:按照季节和时间段选取典型场景;
步骤三:构建基于复杂适应系统理论的多能源电源规划模型;
所述步骤三中:
以每个发电主体的综合收益C最大为目标函数,包括售电收入CS、设备回收收入CD、投资费用CV、运维费用CM、电量不足损失费用CP,如下所示:
(1)售电收入CS
CS=(1+α-β)*R*Psel (9)
式中:R为电价;Psel为售电量;α为政策补贴系数;β为环境污染系数;
(2)设备回收收入CD
Pre为机组回收容量;D为单位机组容量回收收入;L为机组使用寿命年限;r为贴现率;
(3)投资费用CV
P为机组装机容量;V为机组单位容量投资费用;
(4)运维费用CM
CM=P*M (12)
其中M为机组的单位容量运维费用;
(5)电量不足损失费用CP
设定功率约束为柔性约束,多能源系统总出力具有一定的不确定性,不能保证时刻均能满足负荷需求,若总出力大于负荷,将会导致弃风弃光现象的发生;若系统供电不足,则需向大电网购电,购电带来的总费用CP视为购电量Pg(t)的函数,即
CP=f(Pg(t)) (13)
此处,CP按照容量比例分摊到各电源上,以风电的购电费用为例:
约束条件如下:
(1)爬坡约束
式中:ΔPt up为t时刻的爬坡功率;Pt the,maxup、Pt hyd,maxup分别为t时刻的火电、水电最大爬坡功率;Pt sto,maxout为储能在t时刻的最大输出功率;ΔPt+1 up为t+1时刻系统总爬坡功率需求,Pt+1 the,maxup、Pt+1 hyd,maxup分别为t+1时刻系统中火电及水电的最大爬坡功率,若不满足,则应在t时刻提前弃风、弃光;
(2)下坡约束
式中:ΔPt down为在t时刻的下坡功率;Pt the,maxdown、Pt hyd,maxdown分别为t时刻的火电、水电最大下坡功率;Pt sto,maxin为储能在t时刻的最大充电功率,ΔPt+1 down为t+1时刻系统总下坡功率需求,Pt+1 the,maxdown、Pt+1 hyd,maxdown分别为t+1时刻系统中火电及水电的最大下坡功率,若不满足,则应在t时刻提前增加火电及水电出力;
(3)装机容量约束
式中:Pwin、Ppho、Phyd、Pthe、Phea、Psto分别为风电、光伏、水电、火电、光热和储能的装机容量;Pwin,max、Ppho,max、Phyd,max、Pthe,max、Phea,max、Psto,max分别风电、光伏、水电、火电、光热和储能的最大装机容量;
(4)断面约束
式中:Pl为断面中l线路传输功率;Psection,max为系统联络线最大传输功率;
(5)储能电池出力约束
一般的储能电池的功率不能低于保证其正常工作的最低功率,即其t时刻的功率应满足
Psto,min≤Psto(t)≤Psto (19)
(6)光热出力约束
光热电站通过汽轮机组发电,因此也具备与常规汽轮机组类似的运行约束,除此之外,光热电站储能罐的充/放热功率在限制范围内连续可调,但充/放热不能同时进行,相关约束为:
式中Pmax hea,sto,in和Pmax hea,sto,out分别为最大充/放热功率;
步骤四:根据复杂适应系统理论对模型进行求解。
2.根据权利要求1所述的一种基于复杂适应系统理论的多能源电源容量配置方法,其特征在于:所述步骤一中:
风机的输出功率与风速有密切的关系,风速一般遵循Weibull分布,其概率密度函数f(v)表示为:
式中:v为实时风速;k、c分别为形状参数和尺度参数;
风机的输出功率Pwin,t与风速v的关系如下:
式中:Pwin,N为风机的额定功率;vci、vco、vN分别为风机的切入风速、切出风速和额定风速;
光照强度γ在一定时间段内服从Beta分布,其概率密度函数f(γ)为:
式中α、β为形状参数,Γ()为Gamma函数;
光伏的输出功率Ppho,t与光照强度γ的关系如下:
式中:Ppho,N、γN分别为光伏额定功率和额定光照强度;
光热的输出功率Phea,t与光照强度γ的关系如下:
式中:Phea,N、γN分别为光热额定功率和额定光照强度,ηp,h、ηh,e分别为光热、热电转化效率;
储能电池在t时刻的功率Psto,t既与t时刻的供求关系相关,也与其在上一时刻的能量状况相关,当系统功率充足时,即Δ(t)≥0,储能电池以效率ηsto充电;当系统功率不足时,即Δ(t)≤0,则会放电;于是可得储能电池在t时刻的功率为:
3.根据权利要求1所述的一种基于复杂适应系统理论的多能源电源容量配置方法,其特征在于:所述步骤二中:
计及时序特性和季节性差异,选取一年中多个典型日,每个典型日分为24个时段,建立节点主体出力时序性多场景模型;主体的等效日输出电量为:
式中:n为典型场景总个数;t为出力时间;ηi为第i个典型日的概率,Pi为第i个典型日的出力且Pi=Pwin,i+Ppho,i+Phyd,i+Pthe,i+Phea,i+Psto,i,其中Pwin,i、Ppho,i、Phyd,i、Pthe,i、Phea,i、Psto,i分别为第i个典型日的风电、光伏、水电、火电、光热及储能出力。
4.根据权利要求1所述的一种基于复杂适应系统理论的多能源电源容量配置方法,其特征在于;所述步骤四中,采用以下步骤对模型进行求解:
(1)对环境影响因素E进行编码:形如E=[e1,e2,…ei…]的列向量,维数为环境影响因素的数量和,ei为第i个环境影响因素的整数编码;
(2)对可控因素S进行编码:形如s=[s1,s2,…si…]的列向量,维数为可控因素的数量和,si为第i个可控因素的整数编码;
(3)构建行为规则集R:
式中:Ek为第k条规则Rk从外界获取的环境信息,Sjk表示以概率δjk采取的行为措施,即对可控因素进行适应性调整,其中δjk满足
(4)修改行为规则:若主体从外界环境获取的信息为Ek,以概率δjk选取Sjk为所对应的行为措施,如果主体的目标效益函数值增加,则提高δjk数值,反之则降低δjk数值,用以表示主体的经验积累以及适应性提高的过程;
(5)若所有主体的目标效益函数值收敛,则得到问题的最终解决方案,输出结果,反之返回第(3)步继续迭代计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911275364.XA CN110994606B (zh) | 2019-12-12 | 2019-12-12 | 一种基于复杂适应系统理论的多能源电源容量配置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911275364.XA CN110994606B (zh) | 2019-12-12 | 2019-12-12 | 一种基于复杂适应系统理论的多能源电源容量配置方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110994606A CN110994606A (zh) | 2020-04-10 |
CN110994606B true CN110994606B (zh) | 2023-08-01 |
Family
ID=70093136
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911275364.XA Active CN110994606B (zh) | 2019-12-12 | 2019-12-12 | 一种基于复杂适应系统理论的多能源电源容量配置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110994606B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112234604B (zh) * | 2020-09-10 | 2023-04-28 | 西安交通大学 | 一种多能互补电源基地优化配置方法、存储介质及设备 |
CN113205279A (zh) * | 2021-05-27 | 2021-08-03 | 浙江大学 | 计及误差修正的电网新能源消纳能力提升量估算方法及装置 |
CN117277444B (zh) * | 2023-11-17 | 2024-03-19 | 中国电力科学研究院有限公司 | 一种新能源基地电源容量优化配置方法及装置 |
CN117318182B (zh) * | 2023-11-28 | 2024-03-05 | 中国能源建设集团湖南省电力设计院有限公司 | 一种火风光储一体化基地容量优化配置方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0936718A1 (de) * | 1998-02-10 | 1999-08-18 | Jens Borkowski | Verfahren und Anordnung zur Optimierung des Energiemanagements autonomer Energieversorgungssysteme |
CN105305413A (zh) * | 2015-09-29 | 2016-02-03 | 内蒙古大学 | 一种风光互补发电系统优化配置方法 |
CN105515042A (zh) * | 2015-12-08 | 2016-04-20 | 上海电力设计院有限公司 | 风光同场项目光伏接入容量优化算法 |
CN108336765A (zh) * | 2018-01-19 | 2018-07-27 | 华北电力大学(保定) | 一种风力发电与光热发电系统容量配比优化方法 |
CN109347151A (zh) * | 2018-11-30 | 2019-02-15 | 国家电网公司西南分部 | 一种新能源参与调峰的送端电网电源结构优化方法 |
-
2019
- 2019-12-12 CN CN201911275364.XA patent/CN110994606B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0936718A1 (de) * | 1998-02-10 | 1999-08-18 | Jens Borkowski | Verfahren und Anordnung zur Optimierung des Energiemanagements autonomer Energieversorgungssysteme |
CN105305413A (zh) * | 2015-09-29 | 2016-02-03 | 内蒙古大学 | 一种风光互补发电系统优化配置方法 |
CN105515042A (zh) * | 2015-12-08 | 2016-04-20 | 上海电力设计院有限公司 | 风光同场项目光伏接入容量优化算法 |
CN108336765A (zh) * | 2018-01-19 | 2018-07-27 | 华北电力大学(保定) | 一种风力发电与光热发电系统容量配比优化方法 |
CN109347151A (zh) * | 2018-11-30 | 2019-02-15 | 国家电网公司西南分部 | 一种新能源参与调峰的送端电网电源结构优化方法 |
Non-Patent Citations (1)
Title |
---|
考虑典型日经济运行的综合能源系统容量配置;刘泽健等;《电力建设》(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110994606A (zh) | 2020-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN109767078B (zh) | 一种基于混合整数规划的多类型电源检修安排方法 | |
CN104242335A (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 | |
CN104881716A (zh) | 一种微电网电源的优化规划及评估方法 | |
CN116667395B (zh) | 基于梯级水电改造的水风光蓄互补泵站容量配置方法 | |
CN110601260B (zh) | 一种限定联络线上功率波动的光-蓄系统容量优化方法 | |
CN111030094B (zh) | 一种多能互补园区供能可靠性评估方法 | |
CN110245794B (zh) | 考虑灵活性的多能源汇集中心火储容量双层优化方法 | |
CN110163415B (zh) | 一种变工况特性下的多能流系统多目标模糊协同优化方法 | |
CN116402210A (zh) | 一种综合能源系统多目标优化方法、系统、设备和介质 | |
CN115577929A (zh) | 基于多场景分析的乡村综合能源系统随机优化调度方法 | |
CN115408808A (zh) | 一种计及碳排放的能源配网系统多时间尺度优化调度方法 | |
CN114066204A (zh) | 一种综合能源系统的一体化优化规划与运行方法及装置 | |
Li et al. | Planning model of integrated energy system considering P2G and energy storage | |
CN116961008A (zh) | 计及电力弹簧与负荷需求响应的微电网容量双层优化方法 | |
CN110571868A (zh) | 微电网的优化配置方法 | |
CN110334856A (zh) | 一种基于碳交易机制的风光储容量规划方法 | |
Yanfei et al. | Multi-objective optimal dispatching of wind-photoelectric-thermal power-pumped storage virtual power plant | |
Han et al. | Analysis of economic operation model for virtual power plants considering the uncertainties of renewable energy power generation | |
CN108494014A (zh) | 一种混合能源热电联产经济性优化管理方法 | |
CN110414185B (zh) | 一种用于多可再生能源发电系统的储能设备容量优化方法 | |
CN114372609A (zh) | 计及新能源消纳成本最优的多源荷互补规划方法 | |
CN109447369B (zh) | 一种基于模拟退火算法的考虑多因素的产能端功率分配方法 | |
CN114398777A (zh) | 一种基于巴什博弈理论的电力系统灵活性资源配置方法 | |
CN112149339A (zh) | 风电-光伏-光热-电加热器互补发电系统容量优化模型 |
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 |