CN111276979A - 分布式电站的多目标最优潮流计算方法、装置和设备 - Google Patents
分布式电站的多目标最优潮流计算方法、装置和设备 Download PDFInfo
- Publication number
- CN111276979A CN111276979A CN202010176188.0A CN202010176188A CN111276979A CN 111276979 A CN111276979 A CN 111276979A CN 202010176188 A CN202010176188 A CN 202010176188A CN 111276979 A CN111276979 A CN 111276979A
- Authority
- CN
- China
- Prior art keywords
- target
- solution
- optimization solution
- objective
- objective optimization
- 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.)
- Pending
Links
Images
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
- H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
- H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种分布式电站的多目标最优潮流计算方法,包括:确定约束条件定义;进行单目标理论解计算;单目标优化求解;以单目标单目标优化求解的解作为多目标优化求解的初始值进行多目标优化求解;若多目标优化求解不收敛,则重新进行单目标优化求解;若多目标优化求解收敛,则输出多目标优化求解的结果。所述多目标优化求解时采用的算法为:耦合的自适应差分进化最优潮流和粒子群的多目标空间管理改进算法;其中,耦合的自适应差分进化最优潮流和粒子群的多目标空间管理改进算法为:采用自适应网格根据搜索的结果自动控制和更新有效的搜索域;耦合自适应差分进化和离子群算法,以提高了搜索对象的效率和范围,最终提高了获得全局最优解的能力。
Description
技术领域
本发明涉及供电相关技术领域,具体涉及一种分布式电站的多目标最优潮流计算方法、装置和设备。
背景技术
可再生能源的应用日益广泛。虽然可再生能源发电(RES)是一种有效的减少二氧化碳排放的方法,但由于生产成本高,发电效率低和发电容量不稳定等原因,与目前的常规的发电技术相比,要实现电网平价还是比较困难的。考虑到政府对RES占有率增长有着明确的目标,目前RES发电量还远远达不到要求。因此,对于实现低碳社会和优化具有相互取舍关系的多个RES电网目标而言,最大程度地发挥RES的优势并最大程度地减少其不利因素应该是至关重要的挑战。若针对电站的功率损耗和成本这两个目标进行多目标优化,则需要进行大量的计算。
发明内容
有鉴于此,本发明的目的在于克服现有技术的不足,提供一种分布式电站的多目标最优潮流计算方法、装置和设备。
为实现以上目的,本发明采用如下技术方案:
基于本申请的第一方面,提供一种分布式电站的多目标最优潮流计算方法,包括:
确定约束条件定义;
进行单目标理论解计算;
单目标优化求解;
以单目标单目标优化求解的解作为多目标优化求解的初始值进行多目标优化求解;
若多目标优化求解不收敛,则重新进行单目标优化求解;
若多目标优化求解收敛,则输出多目标优化求解的结果。
可选的,所述多目标优化求解时采用的算法为:耦合的自适应差分进化最优潮流和粒子群的多目标空间管理改进算法;
其中,耦合的自适应差分进化最优潮流和粒子群的多目标空间管理改进算法为:
采用自适应网格根据搜索的结果自动控制和更新有效的搜索域;
耦合自适应差分进化和离子群算法,以提高了搜索对象的效率和范围,最终提高了获得全局最优解的能力。
可选的,所述分布式电站的多目标最优潮流计算方法,应用于“低碳电力系统方法的收益或效果最大化和这些方法的成本最小化应是基本的权衡关系目标”;
所述进行单目标理论解计算,包括:
以功率损失为单目标进行单目标理论解计算。
可选的,所述以单目标单目标优化求解的解作为多目标优化求解的初始值进行多目标优化求解,包括:
以功率损失和成本为多目标,以单目标优化求解的解进作为多目标优化求解的初始值进行多目标优化求解。
可选的,所述重新进行单目标优化求解包括:
根据多目标计算结果改变单目标优化的初始值对所述功率损耗重新进行单目标优化求解。
可选的,还包括:
通过了HADE-IPESA-II方法对所述多目标优化求解的结果进行仿真测试和验证。
基于本申请的第二方面,提供一种分布式电站的多目标最优潮流计算装置,包括:
确定模块,用于确定约束条件定义;
计算模块,用于进行单目标理论解计算;
单目标优化模块,用于单目标优化求解;
多目标优化模块,用于以单目标单目标优化求解的解作为多目标优化求解的初始值进行多目标优化求解;
单目标优化模块,还用于若多目标优化求解不收敛,则重新进行单目标优化求解;
输出模块,用于若多目标优化求解收敛,则输出多目标优化求解的结果。
可选的,所述多目标优化求解时采用的算法为:耦合的自适应差分进化最优潮流和粒子群的多目标空间管理改进算法;
其中,耦合的自适应差分进化最优潮流和粒子群的多目标空间管理改进算法为:
采用自适应网格根据搜索的结果自动控制和更新有效的搜索域;
耦合自适应差分进化和离子群算法,以提高了搜索对象的效率和范围,最终提高了获得全局最优解的能力。
基于本申请的第三方面,提供一种分布式电站的多目标最优潮流计算设备,包括:处理器,以及与所述处理器相连接的存储器;
所述存储器用于存储计算机程序;
所述处理器用于调用并执行所述存储器中的所述计算机程序,以执行第一方面所述分布式电站的多目标最优潮流计算方法。
基于本申请第四方面,提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请第一方面所述方法的步骤。
本发明采用以上技术方案,通过单目标优化和多目标优化相结合的方式,首先选取一个目标进行单目标优化,之后以优化的解作为初始值进行多目标优化,如此可以极大程度上的减少多目标优化过程中的计算量。
进一步的,本申请提供的方案中还采用了多目标空间管理的改进算法主要是耦合了自适应差分进化和离子群算法,提高了搜索对象的效率和范围,最终提高了获得全局最优解的能力;自适应网格根据搜索的结果自动控制和更新有效的搜索域,提高了求解的收敛性;上述两种方法的结合提高了计算的速度和解的精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的分布式电站的多目标最优潮流计算方法的示意图。
图2是本发明一实施例提供的分布式电站松弛节点示意图。
图3是本发明一实施例提供的分布式电站的多目标最优潮流计算方法的示意图。
图4是本发明一实施例提供的分布式电站的多目标最优潮流计算方法中单目标优化结果图。
图5是本发明一实施例提供的分布式电站的多目标最优潮流计算方法中多目标优化结果图。
图6是本发明一实施例提供的分布式电站的多目标最优潮流计算装置的结构示意图;
图7是本发明一实施例提供的分布式电站的多目标最优潮流计算设备的结构示意图
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行详细的描述。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的前提下所得到的所有其它实施方式,都属于本发明所保护的范围。
图1是本发明一实施例提供的分布式电站的多目标最优潮流计算方法的示意图。参照图1本实施例提供的分布式电站的多目标最优潮流计算方法包括:
一种分布式电站的多目标最优潮流计算方法,包括:
S101,确定约束条件定义;
需要说明的是,确定约束条件定义的过程需要津贴实际,本申请中下面的实施例中,会更进一步的对确定约束条件定义进行描述。
S102,进行单目标理论解计算;
需要说明的是,这个步骤只要是用于确定单目标理论解计算的方式。
S103,单目标优化求解;
本步骤,通过一些单目标优化求解算法进行单目标优化求解。
S104,以单目标单目标优化求解的解作为多目标优化求解的初始值进行多目标优化求解;
S105,若多目标优化求解不收敛,则重新进行单目标优化求解;
S106,若多目标优化求解收敛,则输出多目标优化求解的结果。
本发明采用以上技术方案,通过单目标优化和多目标优化相结合的方式,首先选取一个目标进行单目标优化,之后以优化的解作为初始值进行多目标优化,如此可以极大程度上的减少多目标优化过程中的计算量。
需要说明的是,所述多目标优化求解时采用的算法为:耦合的自适应差分进化最优潮流和粒子群的多目标空间管理改进算法;
其中,耦合的自适应差分进化最优潮流和粒子群的多目标空间管理改进算法为:采用自适应网格根据搜索的结果自动控制和更新有效的搜索域;耦合自适应差分进化和离子群算法,以提高了搜索对象的效率和范围,最终提高了获得全局最优解的能力。多目标空间管理的改进算法主要是耦合了自适应差分进化和离子群算法,提高了搜索对象的效率和范围,最终提高了获得全局最优解的能力;自适应网格根据搜索的结果自动控制和更新有效的搜索域,提高了求解的收敛性;上述两种方法的结合提高了计算的速度和解的精度
下面以一具体应用场景为例对本申请提供的方案进行说明:
本发明提出的适用于复杂大规模电网最优潮流分析的计算技术,本发明内容主要体现在通过提出和创新性的混合多种算法来构造进行大电网最优潮流分析的高速算法。其创新点主要体现在四个方面:第一、提出耦合的自适应差分进化最优潮流和粒子群的多目标空间管理改进算法;第二、在IPESA-II算法中采用自适应网格;第三、提出产生Paretofront的自适应差分进化最优潮流和自适应网格方法的混合算法;第四、通过HADE-IPESA-II方法进行优化验证。
电网的最优潮流分析与计算的技术方案可以由以下案例来分析。
电力系统的优化方法应用:为电力系统领域中的多目标优化问题的研究主要领域包括电力系统规划和运行,受环境约束的经济调度,状态评估和潮流优化。
电力系统分析案例的定义:从通用和本质的角度来看,低碳电力系统方法的收益或效果最大化和这些方法的成本最小化应是基本的权衡关系目标。为了提高现有的电力系统,就必须既要为用户提供额外收益又要收回投资成本。以此,这类型的分析案例被定义为多目标优化问题。为了评估低碳分布式发电的优化安装,案例对功率损耗最小化问题进行了研究,研究结果表明发现分布式发电安装不足会导致功率损耗增加,而有效的分布式发电安装将有助于实现极低的能耗。考虑到大多数RES发电应为DG,最佳DG的安装是高级低碳电力系统的关键问题之一,因此案例针对配电系统模型进行了DG位置和容量对功率损耗和成本降低影响的仿真。
数据准备:如图2所示,案例采用的是有126个节点的径向配电系统模型。节点126为松弛节点,对于总负载为P=4.2300(p.u.)和Q=2.8870(p.u.),松弛节点提供有功功率P=4.4239(pu)和无功功率Q=3.1053(pu)。因此,总功率损耗为Ploss=0.1939(p.u.)和Qloss=0.2183(p.u.),并且在松弛节点处注入功率的功率损耗率分别为P:4.383%,Q:7.030%。
图3是本发明一实施例提供的分布式电站的多目标最优潮流计算方法的示意图。参照图3本实施例提供的分布式电站的多目标最优潮流计算方法应用于“低碳电力系统方法的收益或效果最大化和这些方法的成本最小化应是基本的权衡关系目标”时,包括:
S301,基于低碳电力系统的特征,确定约束条件定义;
关于DG的安装,本案例定义了以下约束。
安装分布式电站的数量为2、3和4。
DG将被安装在除松弛节点外的某个节点上。
负载在相同范围内的每一部分将安装一个DG。
下表显示了每个DG的容量限制条件
表1
S302,以功率损失为单目标进行单目标理论解计算.
具体的,单目标最优潮流计算:如下表首先通过内点法计算单目标优化的精确解:
表2
其中,Location:DG安装的节点编号(在表1里有节点编号);Capacity(P):有功功率;Capacity(Q):无功功率;松弛节点:为参考节点,电网潮流计算都需要一个参考点,一般都使用松弛节点作为参考点。
最小功率损失:计算出的在不同分布式电站数量下的电网系统最小功率损失然后通过主要的单目标最优潮流计算算法进行计算。在这个案例中自适应差分进化最优潮流算法被采用。图4显示了该方法在本案例中的收敛性能。
S303,以功率损失和成本为多目标,以单目标优化求解的解进作为多目标优化求解的初始值进行多目标优化求解。
需要说明的是若不收敛则重新进行大目标优化求解。
需要说明的是,在进行单目标优化求解时变量包括:电压幅度,发电和负载的有功功率和无功功率,功率因子。多目标优化的变量包括:单目标的所有变量,加上燃油损耗参数;所以进行单目标优化求解后,单目标优化求解的解进可以作为多目标优化求解的初始值。
功率损耗最小化为用于考虑电力系统多目标问题的第一个目标函数,同时增加了“成本最小化”作为考虑多目标优化的第二个目标函数。参照下表
表3
表3的“可变成本:每p.u为0.5”表示每1DG总容量所需的成本为0.5p.u。
本申请中采用耦合的自适应差分进化最优潮流和粒子群的多目标空间管理改进算法。具体为:采用自适应网格根据搜索的结果自动控制和更新有效的搜索域;耦合自适应差分进化和离子群算法,以提高了搜索对象的效率和范围,最终提高了获得全局最优解的能力。多目标空间管理的改进算法主要是耦合了自适应差分进化和离子群算法,提高了搜索对象的效率和范围,最终提高了获得全局最优解的能力;自适应网格根据搜索的结果自动控制和更新有效的搜索域,提高了求解的收敛性;上述两种方法的结合提高了计算的速度和解的精度。
S304,通过了HADE-IPESA-II方法对所述多目标优化求解的结果进行仿真测试和验证。
为了确认“ADE-OPF”在多目标优化问题上的适用性,首先对“自适应差分进化最优潮流算法”和“粒子群改进算法”混合方法进行了一些仿真,图5显示该方法获得了在收敛性,均匀性和扩展性方面最优的Pareto Front,同时通过了HADE-IPESA-II方法的仿真测试和验证。可以从这个案例看出本专利技术拥有超越常规技术的优势,特别是在获取全局最优解和计算收敛性两方面。
图6是本发明一实施例提供的分布式电站的多目标最优潮流计算装置的结构示意图,参照图6,本申请提供的多目标最优潮流计算装置,包括:
确定模块601,用于确定约束条件定义;
计算模块602,用于进行单目标理论解计算;
单目标优化模块603,用于单目标优化求解;
多目标优化模块604,用于以单目标单目标优化求解的解作为多目标优化求解的初始值进行多目标优化求解;
单目标优化模块603,还用于若多目标优化求解不收敛,则重新进行单目标优化求解;
输出模块605,用于若多目标优化求解收敛,则输出多目标优化求解的结果。
具体的,所述多目标优化求解时采用的算法为:耦合的自适应差分进化最优潮流和粒子群的多目标空间管理改进算法;
其中,耦合的自适应差分进化最优潮流和粒子群的多目标空间管理改进算法为:
采用自适应网格根据搜索的结果自动控制和更新有效的搜索域;
耦合自适应差分进化和离子群算法,以提高了搜索对象的效率和范围,最终提高了获得全局最优解的能力。
图7是本发明一实施例提供的分布式电站的多目标最优潮流计算设备的结构示意图参照图7,本申请提供的多目标最优潮流计算设备,包括:处理器701,以及与所述处理器相连接的存储器702;
所述存储器702用于存储计算机程序;
所述处理器701用于调用并执行所述存储器702中的所述计算机程序,以执行上述的分布式电站的多目标最优潮流计算方法。
本申请还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述方法的步骤。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是,在本发明的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本发明的描述中,除非另有说明,“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种分布式电站的多目标最优潮流计算方法,其特征在于,包括:
确定约束条件定义;
进行单目标理论解计算;
单目标优化求解;
以单目标单目标优化求解的解作为多目标优化求解的初始值进行多目标优化求解;
若多目标优化求解不收敛,则重新进行单目标优化求解;
若多目标优化求解收敛,则输出多目标优化求解的结果。
2.根据权利要求1所述的分布式电站的多目标最优潮流计算方法,其特征在于;所述多目标优化求解时采用的算法为:耦合的自适应差分进化最优潮流和粒子群的多目标空间管理改进算法;
其中,耦合的自适应差分进化最优潮流和粒子群的多目标空间管理改进算法为:
采用自适应网格根据搜索的结果自动控制和更新有效的搜索域;
耦合自适应差分进化和离子群算法,以提高了搜索对象的效率和范围,最终提高了获得全局最优解的能力。
3.根据权利要求1所述的分布式电站的多目标最优潮流计算方法,其特征在于,所述分布式电站的多目标最优潮流计算方法,应用于“低碳电力系统方法的收益或效果最大化和这些方法的成本最小化应是基本的权衡关系目标”;
所述进行单目标理论解计算,包括:
以功率损失为单目标进行单目标理论解计算。
4.根据权利要求3所述的分布式电站的多目标最优潮流计算方法,其特征在于,所述以单目标单目标优化求解的解作为多目标优化求解的初始值进行多目标优化求解,包括:
以功率损失和成本为多目标,以单目标优化求解的解进作为多目标优化求解的初始值进行多目标优化求解。
5.根据权利要求3所述的分布式电站的多目标最优潮流计算方法,其特征在于,所述重新进行单目标优化求解包括:
根据多目标计算结果改变单目标优化的初始值对所述功率损耗重新进行单目标优化求解。
6.根据权利要求1所述的分布式电站的多目标最优潮流计算方法,其特征在于,还包括:
通过了HADE-IPESA-II方法对所述多目标优化求解的结果进行仿真测试和验证。
7.一种分布式电站的多目标最优潮流计算装置,其特征在于,包括:
确定模块,用于确定约束条件定义;
计算模块,用于进行单目标理论解计算;
单目标优化模块,用于单目标优化求解;
多目标优化模块,用于以单目标单目标优化求解的解作为多目标优化求解的初始值进行多目标优化求解;
单目标优化模块,还用于若多目标优化求解不收敛,则重新进行单目标优化求解;
输出模块,用于若多目标优化求解收敛,则输出多目标优化求解的结果。
8.根据权利要求7所述的分布式电站的多目标最优潮流计算装置,其特征在于;所述多目标优化求解时采用的算法为:耦合的自适应差分进化最优潮流和粒子群的多目标空间管理改进算法;
其中,耦合的自适应差分进化最优潮流和粒子群的多目标空间管理改进算法为:
采用自适应网格根据搜索的结果自动控制和更新有效的搜索域;
耦合自适应差分进化和离子群算法,以提高了搜索对象的效率和范围,最终提高了获得全局最优解的能力。
9.一种分布式电站的多目标最优潮流计算设备,其特征在于,包括:处理器,以及与所述处理器相连接的存储器;
所述存储器用于存储计算机程序;
所述处理器用于调用并执行所述存储器中的所述计算机程序,以执行如权利要求1-6任一项所述的分布式电站的多目标最优潮流计算方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-6任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010176188.0A CN111276979A (zh) | 2020-03-13 | 2020-03-13 | 分布式电站的多目标最优潮流计算方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010176188.0A CN111276979A (zh) | 2020-03-13 | 2020-03-13 | 分布式电站的多目标最优潮流计算方法、装置和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111276979A true CN111276979A (zh) | 2020-06-12 |
Family
ID=71001055
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010176188.0A Pending CN111276979A (zh) | 2020-03-13 | 2020-03-13 | 分布式电站的多目标最优潮流计算方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111276979A (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107017640A (zh) * | 2017-06-12 | 2017-08-04 | 广东工业大学 | 一种电力系统的最优潮流计算方法、装置及系统 |
-
2020
- 2020-03-13 CN CN202010176188.0A patent/CN111276979A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107017640A (zh) * | 2017-06-12 | 2017-08-04 | 广东工业大学 | 一种电力系统的最优潮流计算方法、装置及系统 |
Non-Patent Citations (2)
Title |
---|
KEN KURODA,ET AL: "A hybrid multi-objective optimization method considering optimization problems in power distribution systems", 《JOURNAL OF MODERN POWER SYSTEMS AND CLEAN ENERGY》 * |
盛冠群等: "水力压裂微地震粒子群差分进化定位算法", 《石油学报》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103955864B (zh) | 基于改进和声搜索算法的电力系统多目标差异化规划方法 | |
CN103219743B (zh) | 基于风电功率波动概率特性的主导节点选择方法 | |
CN104636821A (zh) | 基于动态惯性权重粒子群的火电机组负荷优化分配方法 | |
CN106159944B (zh) | 低碳环境下基于二层规划模型的多阶段输电网规划方法 | |
CN109066728B (zh) | 特高压电网多个区间振荡模式在线阻尼协调控制方法 | |
CN104091207A (zh) | 考虑有害气体排放量的含风电场多目标机组组合优化方法 | |
CN110611315A (zh) | 一种考虑输配协同的分布式电源最大接入容量计算方法 | |
CN113937808B (zh) | 一种基于改进麻雀搜索算法的分布式电源选址定容优化方法 | |
Ma et al. | A decentralized MPC strategy for charging large populations of plug-in electric vehicles | |
CN114386323A (zh) | 基于改进蝴蝶算法的含分布式电源的配电网无功优化方法 | |
CN113837812A (zh) | 节点电价联合概率预测方法及装置 | |
CN111276979A (zh) | 分布式电站的多目标最优潮流计算方法、装置和设备 | |
CN116865318A (zh) | 基于两阶段随机优化的输电网和储能联合规划方法及系统 | |
CN114172149B (zh) | 一种分布式发电集群自治控制方法及系统 | |
CN116388172A (zh) | 基于网损灵敏度选址的低碳配电网双层规划方法 | |
CN116404642A (zh) | 一种分布式电源集群划分方法、装置、电子设备及存储介质 | |
CN106058862A (zh) | 一种计及电压稳定性的配电网快速重构方法 | |
Chen et al. | A partition coordinated and optimized operation design for power grid wide area coordination and interaction service | |
CN115189378A (zh) | 分布式电源及储能并网选址定容方法、装置及电子设备 | |
Chen et al. | Deep reinforcement learning based research on low‐carbon scheduling with distribution network schedulable resources | |
CN113239606A (zh) | 综合能源系统优化调度方法、装置及终端设备 | |
CN112165086A (zh) | 一种主动配电网在线优化系统 | |
Sidea et al. | Optimal reactive power dispatch considering load variation in distribution networks using an improved sine-cosine algorithm | |
Ting et al. | Multi-objective optimal configuration of two-stage reactive power compensation in power grids with power loss index | |
Kalyani et al. | Efficient Operation of Distribution System using Optimal DG Placement |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200612 |