CN111917112A - 一种基于多算法融合的海上风电并网方式评估方法 - Google Patents

一种基于多算法融合的海上风电并网方式评估方法 Download PDF

Info

Publication number
CN111917112A
CN111917112A CN202010798725.5A CN202010798725A CN111917112A CN 111917112 A CN111917112 A CN 111917112A CN 202010798725 A CN202010798725 A CN 202010798725A CN 111917112 A CN111917112 A CN 111917112A
Authority
CN
China
Prior art keywords
leader
life cycle
particle
challenger
algorithm
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
Application number
CN202010798725.5A
Other languages
English (en)
Inventor
王磊
宋文乐
刘俊
郝翔宇
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.)
State Grid Corp of China SGCC
Cangzhou Power Supply Co of State Grid Hebei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Cangzhou Power Supply Co of State Grid Hebei 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 State Grid Corp of China SGCC, Cangzhou Power Supply Co of State Grid Hebei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202010798725.5A priority Critical patent/CN111917112A/zh
Publication of CN111917112A publication Critical patent/CN111917112A/zh
Priority to JP2021526439A priority patent/JP7222088B2/ja
Priority to PCT/CN2020/138209 priority patent/WO2022032960A1/zh
Pending legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
    • 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
    • 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
    • H02J3/381—Dispersed generators
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Power Engineering (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (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)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种基于多算法融合的海上风电并网方式评估，建立基于现金折现估值模型的经济性分析模型，通过预测未来的现金流量进行估值，并采用改进粒子群算法分析得出最优及次优并网方案；具体包括以下步骤：（1）并网经济性组成现金流折现估值模型；（2）基于改进粒子群算法的并网经济性分析；（3）选择ALC‑PSO算法；（4）制定生命周期机制；（5）产生挑战者机制；（6）产生新的领导人的机制；（7）制定具体的ALC‑PSO算法步骤。改善了传统PSO可能陷入局部最佳解无法跳脱的缺点，在执行的速度上，也和传统PSO差不多。

Description

一种基于多算法融合的海上风电并网方式评估方法
技术领域
本发明涉及一种基于多算法融合的海上风电并网方式评估方法，建立基于现金折现估值模型的经济性分析模型，通过预测未来的现金流量进行估值，并采用改进粒子群算法分析得出最优及次优并网方法。
背景技术
基于现阶段全球对清洁能源的需求越来越大，海上风电的装机容量逐年攀升，大规模海上风电系统成为未来发展方向，建立基于现金折现估值模型的经济性分析模型，通过预测未来的现金流量进行估值，并采用改进粒子群算法分析得出最优及次优并网方案。采用最优及次优并网方案，对并网方式运用条件与场景提出供参考的选择方式。研究结果表明：经济性分析模型能有效将损耗和维护成本的年值折算为成本现值，实现典型并网方式的经济性评估。
随着海上风电技术进步、开发成本下降，全球海上风电装机增长迅速，风电成为清洁能源发展的新增长点。到2020年，欧洲海上风电总装机量预计达到24.6GW。我国存在约7.5亿kW可开发风能资源，是陆上风能资源的3倍，潜力巨大。截至2018年末，我国已核准的海上风电项目规模接近30GW，目前开工在建项目达到7GW。如何选择合理的并网方式成为当前研究热点。在经济性分析算法方面，建立基于现金流折现估值模型的经济性分析模型，将成本年值转化为成本现值。采用改进粒子群算法寻求最优解和次优解，并得出不同条件下的最优并网方案。
发明内容
本发明利用基于现金流折现估值模型，结合算例分析了不同并网方式经济性，通过改进粒子群算法得出不同条件时最优的经济并网方法。
本发明的技术方案：
一种基于多算法融合的海上风电并网方式评估方法，包括以下步骤：
(1)并网经济性组成现金流折现估值模型；
(2)基于改进粒子群算法的并网经济性分析；
(3)选择ALC-PSO算法；
(4)制定生命周期机制；
(5)产生挑战者机制；
(6)产生新的领导人的机制
(7)制定具体的ALC-PSO算法步骤。
进一步的，现金流折现估值模型计算法是通过预测未来的现金流量来进行估值，该模型用如下公式描述：
P0＝(E0F1)/(1+R)+(E0F2)/(1+R)2+L+(E0Fn)/(1+R)2；
其中，P0为当前工程或资产的现有价值，E0为当前预测值，n为期数，Fn为第n期的现金流，E0Fn为当前情况下考虑相关因素后预测的未来第n期产生的自由现金流，R为自由现金流的折现率；现金流折现估值模型定义为物品的价值等于物品在其剩余的生命周期中能够提供的自由现金流的现值之和。
进一步的，步骤(2)中改进粒子群算法：
粒子群算法的数学描述如下:假设D为搜索空间的维度，m为粒子的个数，Xi＝(xi1,xi2,…,xiD)表示为第i个粒子的位置，pbesti＝(pi1,pi2,…,piD)表示第i个粒子到目前为止的最佳位置，gbesti＝(g1,g2,…,gD)表示整个粒子群到目前为止找到的最佳位置，vi＝(vi1,vi2,…,viD)表示第i个粒子的速度；粒子按照下面公式更新每个维度的速度和位置:
vid＝w*vid+c1*rand()*(pid-xid)+c2*Rand()*(pgd-xid) (6)
xid＝xid+vid (7)
其中w为惯性权重，c1和c2为加速常数，两者皆取正数，rand()和Rand()为两个在0到1范围内变化的随机值，其中c1是用来调节粒子向其自身历代中最好的位置移动的长度，c2是用来调节粒子向整个群体最好的位置移动的长度，为了防止粒子在搜索过程中飞出搜索空间，将第d(1≤d≤D)维的位置限制在[Xmin_x,Xmax_x]内，速度限定在[-Vmax,Vmax]内，即利用公式更新位置和速度时，如果vid或xid超出了范围，便将它设为边界值；首先随机产生粒子群的初始位置和速度，然后在根据式子(6)和(7)进行迭代，直到达到最大迭代次数或是最佳解为止；
进一步的，基于改进粒子群算法算法建立的总投资成本目标函数以及约束条件为：
min(Ec),s.t.Sb≤Sm (8)
式中：Ec为海上风电场汇集并网系统的总投资费用；Sb为每条线路所传输的视在功率；Sm为每条线路能传输的额定最大视在功率。
进一步的，提供机会让其他年轻的挑战者挑战之，进而可能取而代之，ALC-PSO算法采用此种机制，提出了面临老龄化的领导者时出现挑战者的机制；
ALC-PSO是通过群体指派的领导者，有其自己本身的生命周期跟随着年纪成长，且允许其它成员可以挑战其领导权，当领导者年纪增长之后，领导者的生命周期是自适应的调整根据领导者的领导力，如果领导者展现强大的领导力也就是强烈的往全局最佳解的方向移动时，生命周期也就会因此增长，而当一个领导者不能领群体往最好的地方移动时，代表领导者变老，生命周期降低，也提供了新的粒子出现来挑战领导者，且宣布取代领导者来带领群体。
进一步的，生命周期机制在ACL-PSO中使用了生命周期控制器的机制去增加或减少生命周期基于领导者的领导力，当领导者展现强大的领导力时，生命周期控制器就增加领导者的生命周期，而相反的话，生命周期控制器就降低领导者的生命周期，领导者目前的年纪以θ来表示，设定
Figure BDA0002627434480000033
Figure BDA0002627434480000034
代表生命周期的设定值，为了评估领导者有多大的领导力来带领群体，产生出三种判断因子，生命控制器就是依照三种类型的参数来判断领导能力的大小。
进一步的，所述三种参数分别是:
(1)第一种参数值是这次的全局最佳解与前次的全局最佳解相减值：
(9)
Figure BDA0002627434480000035
θ＝1,2,...ν0
(2)第二种参数值是这次每个粒子的个体最佳解减掉前次的每个粒子的个体最佳解：
Figure BDA0002627434480000031
(3)第三种参数值是这次的领导力减去前次的领导力：
Figure BDA0002627434480000032
而得到这三种参数后，我们依序分类成四种情况，由这四种情况来判断，领导者的生命周期长短。
进一步的，四种情况分别为,
第一种情况:δgbest(θ)＜0,良好的领导能力；
第二种情况:δgbest(θ)＝0且
Figure BDA0002627434480000041
一般的领导能力；
第三种情况:δgbest(θ)＝0,
Figure BDA0002627434480000042
且
Figure BDA0002627434480000043
不足的领导能力；
第四种情况:δgbest(θ)＝0,
Figure BDA0002627434480000044
且
Figure BDA0002627434480000045
不足的领导能力，即无领导能力。
进一步的，为了产生挑战者，随机在其中几个维度去产生由地图的上下限也就是Lj上限和Uj下限中的值来代替原本Leader的值，而pro就是一个0到1之间的值，由使用者所设定，当random值小时pro时就产生新的值取代掉原本Leader的那一个维度值，挑战者的公式可由公式(12)中得到：
Figure BDA0002627434480000046
所有的random值中都大于pro值，代表挑战者的每一维值完全都和Leader值相同，在挑战者中随机取其中一个维度的值改变成Lj上限和Uj下限中的值来确保挑战者与领导者是有所不同的；
在评断挑战者的机制中，将原先的领导者更换为挑战者，经过我们设定的迭代次数T后，来查看群体是否有往最佳解的地方前进，而T是我们设定来判断挑战者能不能带领群体的迭代时间，也就是测试时间，而在T次迭代中的速度公式也有所改变，原先的领导者更换成挑战者，我们可由公式(13)中得到:
Figure BDA0002627434480000047
如果经过T次迭代后，发现pbesti(1,2,...M)任何一个粒子有所改变的话，也就是我们发现粒子群有往最佳解的地方靠近时，代表挑战者完全能够取代老化的领导者来带领群体；所以，当达到条件时，我们将Leader＝Challenger、θ＝0、生命周期恢复成ν0，让挑战者成新的领导者；
而如果进行T次迭代后，pbesti(1,2,…M)任何一个维度都没有改变，意思是指挑战者没有带领任何一个粒子往更好的地方靠近，代表挑战者没办法代替原先领导者成为新的领导者，所以当发生这种情况时，我们设定原先领导者的生命周期
Figure BDA0002627434480000051
值保持不变，但是年龄变成
Figure BDA0002627434480000052
根据这种设定，原先的领导者仍然能够带领粒子群在下一次的迭代中，如果还是没有任何改善，这时就会在产生新的挑战者来再次挑战原先的领导者，而这就是产生新的领导者的机制。
进一步的，ALC-PSO算法的流程步骤:
步骤一初始化:初始化粒子群的初始位置，随机产生在搜索空间中，一开始的初始速度设定为0，而最佳解的位置设定为Leader，而领导者的年纪设定θ＝0，而生命周期设定为ν0；
步骤二速度与位置更新:每个粒子根据速度更新公式(6)和位置更新公式(7)来调整粒子的速度与位置；
步骤三更新pbest与Leader:如果粒子Xi(1,2,...M)经过迭代之后，本身位置有优于pbesti的话，就令pbesti＝Xi，此外如果在这次迭代中，粒子所在的位置有优于领导者所在的位置的话，就令新的位置能为领导者；
步骤四生命控制:在所有粒子的位置更新完之后，我们根据生命控制机制来评价领导者的领导力以便调整领导者的生命周期，而在每一次迭代之后，领导者的年纪就增加了一岁，也就是指年龄θ＝θ+1，而当领导者的生命周期耗尽时θ≥ν0，继续步骤五，反之，当生命还没耗尽时，跳至步骤七；
步骤五产生挑战者:在此步骤时，我们产生一个新的粒子也就是挑战者来挑战生命周期耗尽的老领导者；
步骤六评价挑战者:在步骤五中所产生的挑战者在经过领导力评断机制后，如果挑战者有足够的领导力可以带领群体时，我们将挑战者取代掉原先的领导者成为新的领导者，而将年龄更新为θ＝0和生命周期恢复成ν0；如果挑战者没办法有足够领导力可以带领群体时，我们就保持原先的领导者继续带领群体直到产生新的挑战者；
步骤七是否到达终止条件:当迭代次数到达我们所设定的迭代次数时，终止程序完成ALC-PSO算法，而当迭代次数小于终止条件次数时，跳至步骤二继续执行算法。本发明的有益效果：
本发明与传统PSO不同的地方，它改善了传统PSO可能陷入局部最佳解无法跳脱的缺点，在执行的速度上，也和传统PSO差不多，主要就是因为ALC-PSO加入了挑战者与生命周期的机制，使粒子在搜索过程中避免陷入局部最佳解，类似于我们在使用一般基因算法时，为了要跳出局部最佳解，而使用了突变的机制。
附图说明
图1为评价领导者的领导力且调整生命周期的树形图；
图2为本发明ALC-PSO算法的流程图。
具体实施方式
一种基于改进粒子群算法的海上风电并网经济性分析方法，包括以下步骤：
(1)并网经济性组成级现金流折现估值模型
选择并网方式时，一方面，可从系统容量或者风电场距离来考虑，另一方面，可以从交直流系统经济性进行讨论。针对可行性较强的几种并网方式，本文选择的经济性比较范围为：从海上风电场外部升压变压器的出口到路上汇聚点处，排除不同并网方式的经济性组成共性的部分，简化计算。文中分析的经济性组成包括投资成本、维护成本以及损耗费用。
现金流折现估值模型(discounted cash flow，DCF)计算法是并网经济性比较的主要方法，即通过预测未来的现金流量来进行估值。该模型可用如下公式描述：
P0＝(E0F1)/(1+R)+(E0F2)/(1+R)2+L+(E0Fn)/(1+R)2。
其中，P0为当前工程或资产的现有价值，E0为当前预测值，n为期数，Fn为第n期的现金流，E0CFn为当前情况下考虑相关因素后预测的未来第n期产生的自由现金流，R为自由现金流的折现率。现金流折现估值模型是一种工程可行的估值方法，其定义为物品的价值等于物品在其剩余的生命周期中能够提供的自由现金流的现值之和。
1.投资成本
直流海缆系统的投资成本包括直流海底电缆、敷设、换流站以及直流断路器成本：
E＝E1+E2 (1)
式中：E1＝Bi+Si，为站成本Bi以及其直流断路器成本Si之和；E2＝C1+C2；C1为海底电缆总成本，为长度、总段数以及电缆总长度的乘积；C2为海底电缆敷设成本。
交流海缆系统的投资成本包括交流海底电缆，敷设以及无功补偿设备成本。
2.维护成本
维护成本用全生命周期内实施维护的所有投入成本占投资成本的比重来表示，通常直流系统维护成本占总投资成本的0.5％，交流系统则占总投资成本的1.2％。
3.损耗费用
1)换流站损耗。在直流系统中，换流站损耗由损耗率给出，根据文献[31]，取换流站损耗率为1.75％。交流系统不存在换流站，因此，不需要考虑换流站损耗。
2)线路损耗Ploss：
Figure BDA0002627434480000071
式中：P为输送功率；Udc为直流线路的正负极电压差；R为单位长度直流电阻，对于文中铜材线缆，取值为0.0366Ω/km；L为直流线路长度。
在交流系统中，线路损耗由导体损耗、护套损耗以及铠装层损耗得：
Figure BDA0002627434480000072
式中：Pc，Ps和PA分别为导体、护套和铠甲损耗；Ic，Is和IA分别为导体、护套和铠甲感应电流；Rc，Rs和RA分别为导体、护套和铠甲电阻。流过铜芯中的电流为
Figure BDA0002627434480000073
式中：Uc为交流线电压；功率因数
Figure BDA0002627434480000074
取0.95。
4.成本现金流估值模型
经济性比较方法主要有计算能量传输成本和现金流折现估值模型(DCF)2种计算方式，本文采取现金流折现估值模型(DCF)进行计算。在经济性比较范围中，因维护成本以及损耗费用是成本年值不是成本现值，故采用现金流折现模型将其折算为成本现值，便于不同方案比较。
Figure BDA0002627434480000081
式中：M为资金成本现值；C为成本年值；m为生命周期；i为年利率。在不考虑海上平台成本的前提下，生命周期取20，年利率取5％。
(2)基于改进粒子群算法的并网经济性分析
粒子群算法(particle swarm optimization,PSO)是一种通过群体之中每个个体直接协作与信息共享来寻找最优解的一种计算机进化计算。PSO算法首先在可行解空间中随机初始化一群粒子，确定粒子的初始位置和初始速度，每个粒子都为求问题的一个最佳解，并且由适应函数(fitness value)来得到。每个粒子将在解空间中运动，并由速度来决定其移动方向和距离。每个粒子会根据自身的历代移动中的最佳解称为pbest与群体间移动过最好的解也就是全局最佳解gbest来不断调整自己解的结构，然后经过逐次迭代之后搜索到最佳解。
粒子群算法的数学描述如下:假设D为搜索空间的维度，m为粒子的个数，Xi＝(xi1,xi2,…,xiD)表示为第i个粒子的位置，pbesti＝(pi1,pi2,…,piD)表示第i个粒子到目前为止的最佳位置，gbesti＝(g1,g2,…,gD)表示整个粒子群到目前为止找到的最佳位置，vi＝(vi1,vi2,…,viD)表示第i个粒子的速度。粒子按照下面公式更新每个维度的速度和位置:
vid＝w*vid+c1*rand()*(pid-xid)+c2*Rand()*(pgd-xid) (6)
xid＝xid+vid (7)
其中w为惯性权重(inertia weight)，c1和c2为加速常数(accelerationconstants)，两者皆取正数，rand()和Rand()为两个在0到1范围内变化的随机值，其中c1是用来调节粒子向其自身历代中最好的位置移动的长度，c2是用来调节粒子向整个群体最好的位置移动的长度，为了防止粒子在搜索过程中飞出搜索空间，通常会将第d(1≤d≤D)维的位置限制在[Xmin_x,Xmax_x]内，速度限定在[-Vmax,Vmax]内，即利用公式更新位置和速度时，如果vid或xid超出了范围，便将它设为边界值。通常每一个维度的位置和速度的变化范围设为一致。首先随机产生粒子群的初始位置和速度，然后在根据式子(6)和(7)进行迭代，直到达到最大迭代次数或是最佳解为止。
基于该算法建立的总投资成本目标函数以及约束条件为：
min(Ec),s.t.Sb≤Sm (8)
式中：Ec为海上风电场汇集并网系统的总投资费用；Sb为每条线路所传输的视在功率；Sm为每条线路能传输的额定最大视在功率。
(3)ALC-PSO
在自然界中，几乎每一个生物体都有生命周期，也都会衰老即生命有限，所以老龄化一直是生物学家在探索社会维持多样化的重要机制。例如在动物界中殖民地里，老龄化也是造成殖民地的龙头变的虚弱的原因之一，所以就提供了机会让其他年轻的挑战者挑战之，进而可能取而代之，这就是社会中的自然现象，而透过这种自然现象得到了启发，所以在ALC-PSO中也沿用了这种机制，提出了面临老龄化的领导者时出现挑战者的机制，此算法的设计是为了克服过早收敛的问题，而且也不会太过妨碍一般粒子群算法快速收敛的特性，而ALC-PSO的特点就是通过群体指派的领导者，有其自己本身的生命周期跟随着年纪成长，且允许其它成员可以挑战其领导权，当领导者年纪增长之后，领导者的生命周期是自适应的调整根据领导者的领导力，如果领导者展现强大的领导力也就是强烈的往全局最佳解的方向移动时，生命周期也就会因此增长，而当一个领导者不能领群体往最好的地方移动时，代表领导者变老，生命周期降低，也提供了新的粒子出现来挑战领导者，且宣布取代领导者来带领群体。
而这种方式便带来了多样性，在这种方式之中，“老化”的概念在ALC-PSO中实际上就是提供了一个挑战的机制来促使群体选出一个最好的领导者，也就是全局最佳点。而这就是ALC-PSO算法最主要的精神。
(4)生命周期(lifespan)机制
生命周期(lifespan)机制是ALC-PSO的其中一项不同于一般粒子群算法的机制，是根据Goldsmith所提出，合适的寿命是很重要的进化机制，因此，在ACL-PSO中使用了生命周期控制器的机制去增加或减少生命周期基于领导者的领导力，基本的规则就是当领导者展现强大的领导力时，生命周期控制器就增加领导者的生命周期，而相反的话，生命周期控制器就降低领导者的生命周期，领导者目前的年纪以θ来表示，而此篇ALC-PSO在经过实验模拟后设定
Figure BDA0002627434480000108
而
Figure BDA0002627434480000109
代表生命周期的设定值，为了评估领导者有多大的领导力来带领群体，所以产生出三种判断因子，生命控制器就是依照三种类型的数据来判断领导能力的大小。而三种参数分别是:
(1)第一种参数值是这次的全局最佳解与前次的全局最佳解相减值。
(9)
Figure BDA00026274344800001010
θ＝1,2,...ν0
(2)第二种参数值是这次每个粒子的个体最佳解减掉前次的每个粒子的个体最佳解。
Figure BDA0002627434480000101
(3)第三种参数值是这次的领导力减去前次的领导力。
Figure BDA0002627434480000102
而得到这三种参数后，我们可以依序分类成四种情况，由这四种情况来判断，领导者的生命周期长短。
1.第一种情况:δgbest(θ)＜0(良好的领导能力)
在这种情况，可以看出领导者拥有很强的领导能力带领群体往最佳解的地方前进，且根据pbest和Leader的定义，我们可以推导出同样
Figure BDA0002627434480000103
且
Figure BDA0002627434480000104
结果会保证成立，所以当第一种情况成立时，我们让领导者的生命周期加2，也就是ν0＝ν0+2
2.第二种情况:δgbest(θ)＝0且
Figure BDA0002627434480000105
(一般的领导能力)
当达到第二种情况，可以看到虽然在找寻全局最佳解的能力没有得到最大的改善，但是可以看到领导者还有能力可以带领一个粒子往最佳解的地方前进，所以总体而言，代表目前的领导者还是有能力可以带领使群体更好的能力。因此，当达到第二种情况时，我们让领导者的生命周期加1，也就是ν0＝ν0+1。
3.第三种情况:δgbest(θ)＝0,
Figure BDA0002627434480000106
且
Figure BDA0002627434480000107
(不足的领导能力)
当达到第三种情况时，可以发现目前领导者的领导力比较不足，不能带领群体朝着更好的最佳解的位置前进，然而，领导者仍然有能力能够改善自己本身，因此，在未来几代领导者仍然有机会可以改善群体，不应该这么快被排除淘汰掉。所以当达到第三种情况时，领导者因为仍然有些能力可以带领群体所以生命周期保持不变。
4.第四种情况:δgbest(θ)＝0,
Figure BDA0002627434480000111
且
Figure BDA0002627434480000112
(不足的领导能力)(无领导能力)
当达到第四种情况时，无论是领导者本身或是群体，领导者都无法提供朝向最佳点的位置靠近的领导力，因此，目前的领导者已经没有任何潜力可以改善粒子群在往后的迭代次数中，所以当达到第四种情况时，我们让领导者的生命周期减一，也就是
ν0＝ν0-1。
而由图1树形图中我们可以看到4种情况分类。
(5)产生挑战者机制
当目前的领导者生命已经几近耗尽时，也就是年纪已经等同于生命周期时，即θ＝ν0时，粒子群则很有可能会陷入局部最佳解，在这种情况下，就必需产生一个新的粒子也就是挑战者来挑战尝试取代之。
为了产生挑战者Challenger，我们会随机在其中几个维度去产生由地图的上下限也就是Lj(上限)和Uj(下限)中的值来代替原本Leader的值，而pro就是一个0到1之间的值，由使用者所设定，当random值小时pro时就产生新的值取代掉原本Leader的那一个维度值，而挑战者的公式我们可由公式(12)中得到:
Figure BDA0002627434480000113
而这也可能导致一种情况，也就是可能在所有的random值中都大于pro值，代表Challenger的每一维值完全都和Leader值相同，所以在意义上两个是相同的，所以没有达到产生新的挑战者的结果，所以如果当产生此种情况时，我们必须在Challenger中随机取其中一个维度的值改变成Lj(上限)和Uj(下限)中的值来确保挑战者与领导者是有所不同的，而这种机制可以帮助我们达到想要的结果。
(6)产生新的领导人的机制
因为在产生一个挑战者的机制中是随机产生的，所以我们不能保证挑战者是否一定具有比原先领导者更佳出色的领导能力去带领群体，所以在产生挑战者之后我们必须要有一个评断的机制。
而我们在这个评断挑战者的机制中，我们将原先的领导者更换为挑战者，经过我们设定的迭代次数T后，来查看群体是否有往最佳解的地方前进，而T是我们设定来判断挑战者能不能带领群体的迭代时间，也就是测试时间，而一般我们都设定T＝2来测试，而在T次迭代中的速度公式也有所改变，原先的领导者更换成挑战者，我们可由公式(13)中得到:
Figure BDA0002627434480000121
如果经过T次迭代后，发现pbesti(1,2,...M)任何一个粒子有所改变的话，也就是我们发现粒子群有往最佳解的地方靠近时，代表挑战者完全能够取代老化的领导者来带领群体。所以，当达到条件时，我们将Leader＝Challenger、θ＝0、生命周期恢复成ν0，让挑战者成新的领导者。
而如果进行T次迭代后，pbesti(1,2,…M)任何一个维度都没有改变，意思是指挑战者没有带领任何一个粒子往更好的地方靠近，代表挑战者没办法代替原先领导者成为新的领导者，所以当发生这种情况时，我们设定原先领导者的生命周期
Figure BDA0002627434480000122
值保持不变，但是年龄变成
Figure BDA0002627434480000123
根据这种设定，原先的领导者仍然能够带领粒子群在下一次的迭代中，如果还是没有任何改善，这时就会在产生新的挑战者来再次挑战原先的领导者，而这就是产生新的领导者的机制。
(7)详细的ALC-PSO算法步骤
以下详细介绍ALC-PSO算法的流程步骤:
步骤一(初始化):初始化粒子群的初始位置，随机产生在搜索空间中，一开始的初始速度设定为0，而最佳解的位置设定为Leader，而领导者的年纪设定θ＝0，而生命周期设定为ν0。
步骤二(速度与位置更新):每个粒子根据速度更新公式(6)跟位置更新公式(7)来调整粒子的速度与位置。
步骤三(更新pbest与Leader):如果粒子Xi(1,2,...M)经过迭代之后，本身位置有优于pbesti的话，就令pbesti＝Xi，此外如果在这次迭代中，粒子所在的位置有优于领导者(Leader)所在的位置的话，就令新的位置能为领导者，而这就有点像传统的PSO算法中的gbest所代表的意思，但是在这里领导者只代表在它的生命周期里表现最好的那一个粒子与传统的PSO有不同之处。
步骤四(生命控制):在所有粒子的位置更新完之后，我们根据生命控制机制来评价领导者的领导力以便调整领导者的生命周期，而在每一次迭代之后，领导者的年纪就增加了一岁，也就是指年龄θ＝θ+1，而当领导者的生命周期耗尽时(θ≥ν0)，继续步骤五，
反之，当生命还没耗尽时，跳至步骤七。
步骤五(产生挑战者):在此步骤时，我们产生一个新的粒子也就是挑战者来挑战生命周期耗尽的老领导者。
步骤六(评价挑战者):在步骤五中所产生的挑战者在经过领导力评断机制后，如果挑战者有足够的领导力可以带领群体时，我们将挑战者取代掉原先的领导者成为新的领导者，而将年龄更新为θ＝0和生命周期恢复成ν0。如果挑战者没办法有足够领导力可以带领群体时，我们就保持原先的领导者继续带领群体直到产生新的挑战者。
步骤七(是否到达终止条件):当迭代次数到达我们所设定的迭代次数时，终止程序且完成ALC-PSO算法，而当迭代次数小于终止条件次数时，跳至步骤二继续执行算法。
在ALC-PSO中我们可以看到与传统PSO不同的地方，而它改善了传统PSO可能陷入局部最佳解无法跳脱的缺点，在执行的速度上，也和传统PSO差不多，主要就是因为ALC-PSO加入了挑战者与生命周期的机制，使粒子在搜索过程中避免陷入局部最佳解，类似于我们在使用一般基因算法时，为了要跳出局部最佳解，而使用了突变的机制。ALC-PSO流程图在图2中所示。

Claims (10)

1.一种基于多算法融合的海上风电并网方式评估方法，其特性在于，包括以下步骤：
(1)并网经济性组成现金流折现估值模型；
(2)基于改进粒子群算法的并网经济性分析；
(3)选择ALC-PSO算法；
(4)制定生命周期机制；
(5)产生挑战者机制；
(6)产生新的领导人的机制；
(7)制定具体的ALC-PSO算法步骤。
2.根据权利要求1所述的一种基于多算法融合的海上风电并网方式评估方法，其特性在于，
现金流折现估值模型计算法是通过预测未来的现金流量来进行估值，该模型用如下公式描述：
P0＝(E0F1)/(1+R)+(E0F2)/(1+R)2+L+(E0Fn)/(1+R)2；
其中，P0为当前工程或资产的现有价值，E0为当前预测值，n为期数，Fn为第n期的现金流，E0Fn为当前情况下考虑相关因素后预测的未来第n期产生的自由现金流，R为自由现金流的折现率；现金流折现估值模型定义为物品的价值等于物品在其剩余的生命周期中能够提供的自由现金流的现值之和。
3.根据权利要求1所述的一种基于多算法融合的海上风电并网方式评估方法，其特性在于，步骤(2)中改进粒子群算法：
粒子群算法的数学描述如下:假设D为搜索空间的维度，m为粒子的个数，Xi＝(xi1,xi2,…,xiD)表示为第i个粒子的位置，pbesti＝(pi1,pi2,…,piD)表示第i个粒子到目前为止的最佳位置，gbesti＝(g1,g2,…,gD)表示整个粒子群到目前为止找到的最佳位置，vi＝(vi1,vi2,…,viD)表示第i个粒子的速度；粒子按照下面公式更新每个维度的速度和位置:
vid＝w*vid+c1*rand()*(pid-xid)+c2*Rand()*(pgd-xid) (6)
xid＝xid+vid (7)
其中w为惯性权重，c1和c2为加速常数，两者皆取正数，rand()和Rand()为两个在0到1范围内变化的随机值，其中c1是用来调节粒子向其自身历代中最好的位置移动的长度，c2是用来调节粒子向整个群体最好的位置移动的长度，为了防止粒子在搜索过程中飞出搜索空间，将第d(1≤d≤D)维的位置限制在[Xmin_x,Xmax_x]内，速度限定在[-Vmax,Vmax]内，即利用公式更新位置和速度时，如果vid或xid超出了范围，便将它设为边界值；首先随机产生粒子群的初始位置和速度，然后在根据式子(6)和(7)进行迭代，直到达到最大迭代次数或是最佳解为止。
4.根据权利要求3所述的一种基于多算法融合的海上风电并网方式评估方法，其特性在于，
基于改进粒子群算法算法建立的总投资成本目标函数以及约束条件为：
min(Ec),s.t.Sb≤Sm (8)
式中：Ec为海上风电场汇集并网系统的总投资费用；Sb为每条线路所传输的视在功率；Sm为每条线路能传输的额定最大视在功率。
5.根据权利要求1所述的一种基于多算法融合的海上风电并网方式评估方法，其特性在于，提供机会让其他年轻的挑战者挑战，进而可能取而代之，ALC-PSO算法采用此种机制，提出了面临老龄化的领导者时出现挑战者的机制；
ALC-PSO是通过群体指派的领导者，有其自己本身的生命周期跟随着年纪成长，且允许其它成员可以挑战其领导权，当领导者年纪增长之后，领导者的生命周期是自适应的调整根据领导者的领导力，如果领导者展现领导力也就是往全局最佳解的方向移动时，生命周期也就会因此增长，而当一个领导者不能领群体往最好的地方移动时，代表领导者变老，生命周期降低，也提供了新的粒子出现来挑战领导者，且宣布取代领导者来带领群体。
6.根据权利要求1所述的一种基于多算法融合的海上风电并网方式评估方法，其特性在于，生命周期机制在ACL-PSO中使用了生命周期控制器的机制去增加或减少生命周期基于领导者的领导力，当领导者展现强大的领导力时，生命周期控制器就增加领导者的生命周期，而相反的话，生命周期控制器就降低领导者的生命周期，领导者目前的年纪以θ来表示，设定
Figure FDA0002627434470000021
Figure FDA0002627434470000022
代表生命周期的设定值，为了评估领导者有多大的领导力来带领群体，产生出三种判断因子，生命控制器就是依照三种类型的参数来判断领导能力的大小。
7.根据权利要求6所述的一种基于多算法融合的海上风电并网方式评估方法，其特性在于，所述三种参数分别是:
(1)第一种参数值是这次的全局最佳解与前次的全局最佳解相减值：
Figure FDA0002627434470000031
θ＝1,2,...ν0
(2)第二种参数值是这次每个粒子的个体最佳解减掉前次的每个粒子的个体最佳解：
Figure FDA0002627434470000032
(3)第三种参数值是这次的领导力减去前次的领导力：
Figure FDA0002627434470000033
而得到这三种参数后，我们依序分类成四种情况，由这四种情况来判断，领导者的生命周期长短。
8.根据权利要求7所述的一种基于多算法融合的海上风电并网方式评估方法，其特性在于，四种情况分别为,
第一种情况:δgbest(θ)＜0,良好的领导能力；
第二种情况:δgbest(θ)＝0且
Figure FDA0002627434470000034
一般的领导能力；
第三种情况:δgbest(θ)＝0,
Figure FDA0002627434470000035
且
Figure FDA0002627434470000036
不足的领导能力；
第四种情况:δgbest(θ)＝0,
Figure FDA0002627434470000037
且
Figure FDA0002627434470000038
不足的领导能力，即无领导能力。
9.根据权利要求8所述的一种基于多算法融合的海上风电并网方式评估方法，其特性在于，
为了产生挑战者，随机在其中几个维度去产生由地图的上下限也就是Lj上限和Uj下限中的值来代替原本Leader的值，而pro就是一个0到1之间的值，由使用者所设定，当random值小时pro时就产生新的值取代掉原本Leader的那一个维度值，挑战者的公式可由公式(12)中得到：
Figure FDA0002627434470000041
所有的random值中都大于pro值，代表挑战者的每一维值完全都和Leader值相同，在挑战者中随机取其中一个维度的值改变成Lj上限和Uj下限中的值来确保挑战者与领导者是有所不同的；
在评断挑战者的机制中，将原先的领导者更换为挑战者，经过设定的迭代次数T后，来查看群体是否有往最佳解的地方前进，而T是设定来判断挑战者能不能带领群体的迭代时间，也就是测试时间，而在T次迭代中的速度公式也有所改变，原先的领导者更换成挑战者，可由公式(13)中得到:
Figure FDA0002627434470000042
如果经过T次迭代后，发现pbesti(1,2,...M)任何一个粒子有所改变的话，也就是发现粒子群有往最佳解的地方靠近时，代表挑战者完全能够取代老化的领导者来带领群体；所以，当达到条件时，将Leader＝Challenger、θ＝0、生命周期恢复成ν0，让挑战者成新的领导者；
而如果进行T次迭代后，pbesti(1,2,…M)任何一个维度都没有改变，意思是指挑战者没有带领任何一个粒子往更好的地方靠近，代表挑战者没办法代替原先领导者成为新的领导者，所以当发生这种情况时，设定原先领导者的生命周期
Figure FDA0002627434470000044
值保持不变，但是年龄变成
Figure FDA0002627434470000043
根据这种设定，原先的领导者仍然能够带领粒子群在下一次的迭代中，如果还是没有任何改善，这时就会在产生新的挑战者来再次挑战原先的领导者，而这就是产生新的领导者的机制。
10.根据权利要求9所述的一种基于多算法融合的海上风电并网方式评估方法，其特性在于，ALC-PSO算法的流程步骤:
步骤一初始化:初始化粒子群的初始位置，随机产生在搜索空间中，一开始的初始速度设定为0，而最佳解的位置设定为Leader，而领导者的年纪设定θ＝0，而生命周期设定为ν0；
步骤二速度与位置更新:每个粒子根据速度更新公式(6)跟位置更新公式(7)来调整粒子的速度与位置；
步骤三更新pbest与Leader:如果粒子Xi(1,2,...M)经过迭代之后，本身位置有优于pbesti的话，就令pbesti＝Xi，此外如果在这次迭代中，粒子所在的位置有优于领导者所在的位置的话，就令新的位置能为领导者；
步骤四生命控制:在所有粒子的位置更新完之后，我们根据生命控制机制来评价领导者的领导力以便调整领导者的生命周期，而在每一次迭代之后，领导者的年纪就增加了一岁，也就是指年龄θ＝θ+1，而当领导者的生命周期耗尽时θ≥ν0，继续步骤五，反之，当生命还没耗尽时，跳至步骤七；
步骤五产生挑战者:在此步骤时，我们产生一个新的粒子也就是挑战者来挑战生命周期耗尽的老领导者；
步骤六评价挑战者:在步骤五中所产生的挑战者在经过领导力评断机制后，如果挑战者有足够的领导力可以带领群体时，我们将挑战者取代掉原先的领导者成为新的领导者，而将年龄更新为θ＝0和生命周期恢复成ν0；如果挑战者没办法有足够领导力可以带领群体时，我们就保持原先的领导者继续带领群体直到产生新的挑战者；
步骤七是否到达终止条件:当迭代次数到达我们所设定的迭代次数时，终止程序完成ALC-PSO算法，而当迭代次数小于终止条件次数时，跳至步骤二继续执行算法。
CN202010798725.5A 2020-08-11 2020-08-11 一种基于多算法融合的海上风电并网方式评估方法 Pending CN111917112A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202010798725.5A CN111917112A (zh) 2020-08-11 2020-08-11 一种基于多算法融合的海上风电并网方式评估方法
JP2021526439A JP7222088B2 (ja) 2020-08-11 2020-12-22 マルチアルゴリズム融合に基づく洋上風力発電グリッド接続方式の評価方法
PCT/CN2020/138209 WO2022032960A1 (zh) 2020-08-11 2020-12-22 一种基于多算法融合的海上风电并网方式评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010798725.5A CN111917112A (zh) 2020-08-11 2020-08-11 一种基于多算法融合的海上风电并网方式评估方法

Publications (1)

Publication Number Publication Date
CN111917112A true CN111917112A (zh) 2020-11-10

Family

ID=73284734

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010798725.5A Pending CN111917112A (zh) 2020-08-11 2020-08-11 一种基于多算法融合的海上风电并网方式评估方法

Country Status (3)

Country Link
JP (1) JP7222088B2 (zh)
CN (1) CN111917112A (zh)
WO (1) WO2022032960A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112415170A (zh) * 2020-11-13 2021-02-26 吉林省电力科学研究院有限公司 一种大型供热机组主蒸汽管道寿命评估方法
WO2022032960A1 (zh) * 2020-08-11 2022-02-17 国网河北省电力有限公司沧州供电分公司 一种基于多算法融合的海上风电并网方式评估方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114862444A (zh) * 2022-04-06 2022-08-05 上海能链众合科技有限公司 一种元宇宙的环境下内容创作的激励方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105303585A (zh) * 2015-09-29 2016-02-03 燕山大学 一种快速目标跟踪方法及装置
CN106845629A (zh) * 2017-02-10 2017-06-13 南京农业大学 基于越界重置的参数列维化粒子群算法
CN109711631A (zh) * 2018-12-29 2019-05-03 杭州电子科技大学 一种改进粒子群算法的智能微电网优化调度方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6365059B2 (ja) 2014-07-23 2018-08-01 株式会社Ihi エネルギーマネジメントシステムおよび電力需給計画最適化方法
JP6775360B2 (ja) 2016-09-01 2020-10-28 株式会社日立製作所 マイクログリッドの運転計画システムおよび方法
CN109687440A (zh) * 2018-12-26 2019-04-26 广东电网有限责任公司 一种放松管制环境下分布式发电投资及配网规划优化方法
CN110504705B (zh) 2019-05-31 2020-10-16 上海电力学院 一种海上风电集群电气系统规划方法
CN111917112A (zh) * 2020-08-11 2020-11-10 国网河北省电力有限公司沧州供电分公司 一种基于多算法融合的海上风电并网方式评估方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105303585A (zh) * 2015-09-29 2016-02-03 燕山大学 一种快速目标跟踪方法及装置
CN106845629A (zh) * 2017-02-10 2017-06-13 南京农业大学 基于越界重置的参数列维化粒子群算法
CN109711631A (zh) * 2018-12-29 2019-05-03 杭州电子科技大学 一种改进粒子群算法的智能微电网优化调度方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
WEI-NENG CHEN 等: "Particle Swarm Optimization With an Aging Leader and Challengers", 《IEEE TRANSACTIONS ON EVOLUTIONARY COMPUTATION》 *
牛东晓 等: "基于改进粒子群算法的海上风电汇集方式与并网优化研究", 《中南大学学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022032960A1 (zh) * 2020-08-11 2022-02-17 国网河北省电力有限公司沧州供电分公司 一种基于多算法融合的海上风电并网方式评估方法
CN112415170A (zh) * 2020-11-13 2021-02-26 吉林省电力科学研究院有限公司 一种大型供热机组主蒸汽管道寿命评估方法

Also Published As

Publication number Publication date
JP7222088B2 (ja) 2023-02-14
JP2022551018A (ja) 2022-12-07
WO2022032960A1 (zh) 2022-02-17

Similar Documents

Publication Publication Date Title
CN111917112A (zh) 一种基于多算法融合的海上风电并网方式评估方法
Pezzini et al. Optimization techniques to improve energy efficiency in power systems
CN110752626B (zh) 一种主动配电网滚动优化调度方法
CN112994099B (zh) 一种高比例分布式光伏并网消纳能力分析方法
CN113612239A (zh) 配电台区多目标三相负荷不平衡相序调整方法及系统
Tian et al. Dynamic operation optimization based on improved dynamic multi-objective dragonfly algorithm in continuous annealing process.
CN112202168A (zh) 多目标协调优化的多元电网超前控制供电方法及其系统
CN114942799B (zh) 云边环境下基于强化学习的工作流调度方法
CN116191421A (zh) 一种基于改进nsga-ii算法的新型电力系统多目标优化调度方法
CN116054270A (zh) 电网调度优化方法、装置和非易失性存储介质
CN113300392B (zh) 考虑余电上网的光储充一体化电站优化控制方法
Hamida et al. Strength pareto evolutionary algorithm 2 for environmental/economic power dispatch
CN108460969B (zh) 面向自动化码头agv群的实时安全诱导方法
CN114358638A (zh) 含风电交直流混联电网连锁故障事故链辨识方法
CN114565242A (zh) 一种综合低碳能源基地选址智能优化方法及装置
CN113937811A (zh) 一种多能耦合配电系优化调度方法
Wang et al. An intelligent QoS multicast routing algorithm under inaccurate information
Selvi et al. Hybrid evolutionary programming approach to multi-area unit commitment with import and export constraints
Su et al. Multi-UAVs target attack based on improved genetic algorithm
CN111525547A (zh) 一种基于最优无功补偿的低电压智能治理方法
CN111783988B (zh) 求解环境经济调度问题的多目标灰色预测演化方法及系统
Alvarez et al. Ant Colony Optimization Algorithm for the Multiyear Transmission Network Expansion Planning
CN115642616B (zh) 考虑bess参与度分组优化的多目标lfc控制方法
CN117060403B (zh) 电网黑启动顺序的调整方法、装置、设备及介质
Zhang et al. Multiconstrained routing based on artificial bee colony algorithm and dynamic fireworks algorithm

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: 20201110