CN112163711A - 一种基于mopso/cc的综合能源系统优化调度方法 - Google Patents

一种基于mopso/cc的综合能源系统优化调度方法 Download PDF

Info

Publication number
CN112163711A
CN112163711A CN202011078270.6A CN202011078270A CN112163711A CN 112163711 A CN112163711 A CN 112163711A CN 202011078270 A CN202011078270 A CN 202011078270A CN 112163711 A CN112163711 A CN 112163711A
Authority
CN
China
Prior art keywords
energy system
power
ith
constraint
cost
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
CN202011078270.6A
Other languages
English (en)
Inventor
刘荣胜
李可
李翔
林安平
谢光奇
何湘艳
曹菊英
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.)
Xiangnan University
Original Assignee
Xiangnan University
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 Xiangnan University filed Critical Xiangnan University
Priority to CN202011078270.6A priority Critical patent/CN112163711A/zh
Publication of CN112163711A publication Critical patent/CN112163711A/zh
Pending legal-status Critical Current

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
    • G06N3/004—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
    • 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)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Primary Health Care (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于MOPSO/CC的综合能源系统优化调度方法，包括以下步骤，S1：获取综合能源系统参数；S2：生成综合能源系统的目标函数以及条件约束表达式；综合能源系统的目标函数包括运行成本目标函数、污染气体排放量目标函数和网络损耗目标函数，条件约束包括功率负荷平衡约束、水电转换约束、线路输电安全约束、发电机有功出力约束和禁止工作区间约束；S3：根据步骤S2中综合能源系统的目标函数，在满足条件约束的情况下建立综合能源系统优化模型；S4：采用MOPSO/CC方法求解步骤S3中的综合能源系统优化模型，得到优化调度结果。本发明综合考虑了成本、污染气体排放量和网络损耗因素，可协调不同利益主体的调度需求，更全面的对综合能源系统进行优化调度。

Description

一种基于MOPSO/CC的综合能源系统优化调度方法
技术领域
本发明涉及能源环境技术领域，尤其涉及一种基于MOPSO/CC的综合能源系统优化调度方法。
背景技术
随着社会的快速发展，电力需求越来越大，传统化石能源不可再生，燃烧过程会产生大量的温室气体、SO2及其它有害气体，引起严重的环境问题。近年来，为了应对环境问题，风电与光伏等可再生能源发电技术受到了持续关注，电网中的可再生能源渗透率不断提高。风力发电与光伏发电等可再生能源发电技术的输出功率具有随机性、间歇性与低可预测性等特性，但传统电力系统优化调度主要关注火电、水电机组的出力优化。这使得风电消纳能力不高，局部弃风现象频发，给传统电力系统优化调度带来了全新的挑战。综合能源系统通过多源联供、多能耦合、多能互济、多荷交叉等措施来提高能源的综合利用效率，已成为能源领域的一个重要研究方向，其优化运行涉及不同利益主体之间的相互协调，综合能源系统优化调度是一个多能源、多目标、大规模的非线性优化问题。
多目标粒子群优化算法(Multi-Objective Particle Swarm Optimization,MOPSO)是一种利用粒子群体优化求解多目标优化问题的算法，其具有良好的收敛性，计算简单，参数较少，受到了国内外学者的广泛关注。随着实际应用问题的复杂化，许多实际应用问题中含有成百上千个变量，由此产生上千个决策变量，这对多目标粒子群优化算法遭遇的“维度灾难”是一种考验，因为其优化性能随着变量的增加而显著下降，多目标粒子群优化算法已经难以满足实际应用问题的需要。为了解决这一瓶颈问题，部分学者从变量分解的角度进行研究，首先将大规模变量分解为若干个维度适中的变量组，然后将每组变量视为一个子种群，再通过子种群间的协同进化实现问题求解，这种“分而治之”的方法称为协同进化(Cooperative Co-evolution,CC)，该方法显著地提高了多目标粒子群优化算法在大规模变量优化问题上的求解效率，备受关注。
发明内容
针对上述存在的问题，本发明旨在提供一种基于MOPSO/CC的综合能源系统优化调度方法，通过建立综合能源系统优化模型，利用MOPSO/CC算法对优化模型进行求解，考虑综合能源系统的经济性、环保性与系统损耗等因素，对火力发电机组、水力发电机组、风力发电机组和光伏发电机组进行调度。
为了实现上述目的，本发明所采用的技术方案如下：
一种基于MOPSO/CC的综合能源系统调度方法，其特征在于，包括以下步骤，
S1：获取综合能源系统参数；
S2：生成综合能源系统的目标函数以及条件约束表达式；
S3：根据步骤S2中综合能源系统的目标函数建立综合能源系统优化模型；
S4：采用MOPSO/CC方法求解步骤S3中的综合能源系统优化模型，得到调度结果。
进一步的，步骤S1中采用数据虚拟化技术获取综合能源系统参数。
进一步的，所述综合能源系统的目标函数包括运行成本目标函数、污染气体排放量目标函数和网络损耗目标函数，所述条件约束包括功率负荷平衡约束、水电转换约束、线路输电安全约束、发电机有功出力约束和禁止工作区间约束。
进一步的，所述运行成本目标函数为f1＝CT+CH+CW+CP，其中，f1为综合能源系统的总运行成本，CT为火力发电厂的运行成本，CH为水力发电的一次能源浪费成本，CW为风力发电的运行成本，CP为光伏发电的运行成本；
所述火力发电厂的运行成本为
Figure BDA0002718076470000031
其中，NT为火电机组数，PT，k为第k个火电机组的发电量，
Figure BDA0002718076470000032
为最低发电量，a1，k、a2，k与a3，k为火电机组的燃料成本系数，b1，k与b2，k为阀点效应参数；
所述水力发电的一次能源浪费成本为
Figure BDA0002718076470000033
其中，NH为综合能源系统中的水电机组数量，ki是第i个水电机组的惩罚成本系数，Pi为第i个水电机组的实际输出功率，Pi max为第i个水电机组的最大输出功率；
所述风力发电的运行成本为
Figure BDA0002718076470000034
其中，NW是风电机组数量，PW，i与
Figure BDA0002718076470000035
分别为第i个风电机组的实际与预设输出功率，
Figure BDA0002718076470000036
与
Figure BDA0002718076470000037
分别是第i个风电机组的直接、低估与高估成本函数；
所述光伏发电的运行成本为
Figure BDA0002718076470000038
其中，NP是光伏机组数量，PP，i与
Figure BDA0002718076470000039
分别为第i个光伏机组的实际与预设输出功率，
Figure BDA00027180764700000310
与
Figure BDA00027180764700000311
分别是第i个光伏机组的低估与高估成本函数。
进一步的，所述风力发电的运行成本中，第i个风电机组的直接成本函数为
Figure BDA00027180764700000312
第i个风电机组的低估成本函数为
Figure BDA00027180764700000313
第i个风电机组的高估成本函数为
Figure BDA0002718076470000041
其中，bd，i、bu，i与bo，i分别为第i个风电机组的直接、低估与高估成本系数，
Figure BDA0002718076470000042
为第i个风电机组的额定输出功率，ω为积分变量；
给定位置的风速接近Weibull分布，风力发电输出随机变量的概率密度函数fW(g)为
Figure BDA0002718076470000043
其中，c1与c2是比例因子与形状因子，
Figure BDA0002718076470000044
L＝(vr-vin)/vin，vr为额定风速，vin为切入风速。
进一步的，所述光伏发电的运行成本中，第i个光伏发电机组的低估成本为
Figure BDA0002718076470000045
第i个光伏发电机组的高估成本为
Figure BDA0002718076470000046
其中，
Figure BDA0002718076470000047
为第i个光伏发电机组的额定容量，eu，i与eo，i分别是它的低估与高估成本系数；光伏机组的输出功率取决于太阳辐射，其分布近似于Beta分布，它的概率密度为
Figure BDA0002718076470000048
式中，
Figure BDA0002718076470000049
与
Figure BDA00027180764700000410
是Beta分布的形状参数，Γ(g)是gamma函数，且
Figure BDA00027180764700000411
进一步的，所述污染气体排放量目标函数为
Figure BDA00027180764700000412
其中，f2为污染气体排放目标函数，r0，k、r1，k、r2，k、r3，k与r4，k分别为第k个火电机组污染气体排放量系数，PT，k为第k个火电机组的发电量；
所述网络损耗目标函数为
Figure BDA0002718076470000051
其中，f3为网损目标函数，NL是输电线路数，Gk是第k条输电线路的电导，其连接节点为i与j，节点i与j的电压幅值分别为Vi与Vj，θi与θj分别为节点i与节点j的电压相角。
进一步的，所述功率负荷平衡约束的表达式为
Figure BDA0002718076470000052
其中，PT，i为第i台火力发电机组的有功输出功率，NT为系统中火力发电机组的数量，PW，i为第i台风力发电机组的有功输出功率，NW为系统中风力发电机组的数量，PP，i为第i台光伏发电机组的有功输出功率，NP为系统中光伏发电机组的数量，PH，i为第i台水力发电机组的有功输出功率，NH为系统中水力发电机组的数量，PD与PL分别为系统中负载的消费功率与线路损耗；
所述水电转换约束的表达式为
Figure BDA0002718076470000053
其中，Qi为第i个水力发电机组单位时间用水量，ri，0、ri，1与ri，2分别为第i台水力发电机组用水量的常数、一次与二次项系数，PH，i为第i台水力发电机组的出力功率；
所述线路输电安全约束的表达式为max{|Ii，j|，|Ij，i|}≤Ik，max和Vi，min≤Vi≤Vi，max，其中，Ii，j表示从节点i至节点j的电流幅值，Ik，max是线路k允许的最大负荷电流；Vi，min与Vi，max分别为节点i的电压下限与上限；
所述发电机有功出力约束的表达式为
Figure BDA0002718076470000061
其中，
Figure BDA0002718076470000062
与
Figure BDA0002718076470000063
分别为第i台火力发电机组的最小与最大出力功率，
Figure BDA0002718076470000064
与
Figure BDA0002718076470000065
分别为第i台风力发电机组的最小与最大出力功率，
Figure BDA0002718076470000066
与分别为第i台光伏发电机组的最小与最大出力功率，
Figure BDA0002718076470000068
与
Figure BDA0002718076470000069
分别为第i台水力发电机组的最小与最大出力功率；PT，i、PW，i、PP，i、PH，i分别为第i台火力发电、风力发电、光伏发电与水力发电机组的输出功率；
所述禁止工作区间约束的表达式为
Figure BDA00027180764700000610
其中，NZk为第k个火力发电机组的禁止工作区间数量，
Figure BDA00027180764700000611
与
Figure BDA00027180764700000612
分别为第k个火力发电机组的第i个禁止工作区间的上下限。
进一步的，步骤S3中所述的综合能源系统优化模型为min F(x)＝[f1(x)，f2(x)，f3(x)]，其中，f1(x)、f2(x)与f3(x)分别为综合能源系统的运行成本函数、污染气体排放函数与网络损耗函数；
且该综合能源系统优化模型同时满足功率负荷平衡约束、水电转换约束、线路输电安全约束、发电机有功出力约束与禁止工作区间约束的条件。
进一步的，步骤S4中采用MOPSO/CC方法求解综合能源系统优化模型的具体操作包括以下步骤，
S41：将综合能源系统的运行成本函数、污染气体排放量函数与网络损耗函数设定为MOPSO/CC算法所优化问题的目标函数；
S42：将功率负荷平衡约束、水电转换约束、输电线路安全约束、发电机有功出力约束和禁止工作区间约束设置为优化问题的约束条件；
S43：令解为各个发电机组的出力组成的向量，其形式化表达为
Figure BDA0002718076470000071
其中上标H、T、W与P分别为水电、火电、风电与光伏的标记，NH、NT、NW与NP分别为综合能源系统中水电机组、火电机组、风电机组与光伏机组的数目；
S44：为便于应用MOPSO/CC算法求解，对粒子编码映射为
Figure BDA0002718076470000072
其中NHT＝NH+NT，NHTW＝NHT+NW，NHTWP＝NHTW+NP；
S45：将解空间随机划分成mI个子空间，NHTWP＝SI×mI，其中SI为各子空间的维数，mI为子空间的数目；
S46：将每个子空间的种群规模设置为NI，采用随机算法对粒子进行初始化；
S47：应用变量随机分解协同进化算法求解，得到Parato最优非支配解。
本发明的有益效果是：
1、本发明中提出了一种基于MOPSO/CC的综合能源系统优化调度模型，在该模型综合考虑了经济、环保与能耗等因素，以系统综合运行成本、污染气体排放量和电力系统网络损耗等为优化目标函数，可以更加全面地对综合能源系统进行优化调度，系统运行成本低、污染气体排放量低，网络损耗低。
2、本发明考虑了火力发电机组的阀点效应对综合能源系统调度的影响，模型更加接近真实系统，调度策略实用性更强。
3、本发明中利用MOPSO/CC算法对综合能源系统优化模型进行求解，通过变量随机分解将相关性强的变量划分到同一子空间，以此来提高协同进化过程中变量的相关性，解更具有多样性，解更优，分布更均匀，而且优化性能更加稳定。
4、利用改进IEEE-30节点综合能源系统对本发明中的综合能源系统优化调度方法开展验证，实验结果表明本发明中的综合能源系统调度方法是可行的，而且相对于现有的综合能源调度方法，在计算速度、解的多样性与分布上均具有一定的优越性。
附图说明
图1为本发明综合能源系统调度方法的流程图；
图2为本发明获取综合能源系统参数的流程图；
图3为本发明仿真试验中成本-排放双目标优化Pareto前沿仿真结果；
图4为本发明仿真试验中成本-网损双目标优化Pareto前沿仿真结果；
图5为本发明仿真试验中排放-网损双目标优化Pareto前沿仿真结果。
具体实施方式
为了使本领域的普通技术人员能更好的理解本发明的技术方案，下面结合附图和实施例对本发明的技术方案做进一步的描述。
参照附图1所示，一种基于MOPSO/CC的综合能源系统调度方法，包括以下步骤，
S1：获取综合能源系统参数；
具体的，所述综合能源系统为含火电、水电、风电与光电发电建立等间歇性能源发电的综合能源系统；
采用数据虚拟化技术获取综合能源系统参数，所述数据虚拟化技术中系统参数架构分为3层：数据源层，数据集成层与应用层。系统各组成元件来源于不同的生产厂家，数据类型结构存在差异。数据源层负责存储组成元件的多源异构参数。数据集成层保存综合能源系统全局虚拟视图，建立中间数据对元数据的映射关系。应用层为综合能源系统优化调度应用程序。系统参数获取流程如附图2所示。
所获取的综合能源系统参数包括：风电机组的额定容量、切入、切出风速、风电机组功率曲线、直接成本系数、低估成本系数与高估成本系数，火电机组的功率曲线、阀点效应参数、成本系数、额定功率与最小功率，水电机组的最大输出功率、成本系数，光伏机组的低估成本系数与高估成本系数，负载的功率特征曲线，电力系统的网络拓扑结构，各输电线路的最大允许电流，各节点的安全电压区域等。
S2：生成综合能源系统的目标函数以及条件约束表达式；
具体的，所述综合能源系统的目标函数包括运行成本目标函数、污染气体排放量目标函数和网络损耗目标函数；
具体的，所述运行成本目标函数为f1＝CT+CH+CW+CP，其中，f1为综合能源系统的总运行成本，CT为火力发电厂的运行成本，CH为水力发电的一次能源浪费成本，CW为风力发电的运行成本，CP为光伏发电的运行成本；
在不考虑阀点效应的情况下，火电机组的运行成本为一个二次凸函数，阀点效应所产生的成本一般正弦函数表示，计及阀点效应的火力发电厂的运行成本为
Figure BDA0002718076470000091
其中，NT为火电机组数，PT，k为第k个火电机组的发电量，
Figure BDA0002718076470000092
为最低发电量，a1，k、a2，k与a3，k为火电机组的燃料成本系数，b1，k与b2，k为阀点效应参数；
所述水力发电的一次能源浪费成本为
Figure BDA0002718076470000101
其中，一次性能源浪费为一次性水浪费，NH为综合能源系统中的水电机组数量，ki是第i个水电机组的惩罚成本系数，Pi为第i个水电机组的实际输出功率，Pi max为第i个水电机组的最大输出功率；
风力发电机的输出功率受风速、风向与气压等因素影响，具有间歇性与不确定性。一般采用估计误差法来处理这种不确定性，但是风力发电机组的实际输出功率与预估输出功率之间存在预估误差，风力发电机组运行成本考虑浪费可用风能的低估成本与要求额外备用的高估成本，因此，所述风力发电的运行成本可以表示为
Figure BDA0002718076470000102
其中，NW是风电机组数量，PW.i与
Figure BDA0002718076470000103
分别为第i个风电机组的实际与预设输出功率，
Figure BDA0002718076470000104
与
Figure BDA0002718076470000105
分别是第i个风电机组的直接、低估与高估成本函数，它们分别可以表示为：
Figure BDA0002718076470000106
Figure BDA0002718076470000107
Figure BDA0002718076470000108
其中，bd，i、bu，i与bo，i分别为第i个风电机组的直接、低估与高估成本系数，
Figure BDA0002718076470000109
为第i个风电机组的额定输出功率，ω为积分变量；
给定位置的风速接近Weibull分布，风力发电输出随机变量的概率密度函数fW(g)为
Figure BDA00027180764700001010
其中，c1与c2是比例因子与形状因子，
Figure BDA0002718076470000111
vr为额定风速，vin为切入风速；
所述光伏发电的直接成本相对于其低估与高估成本通常可以忽略，因此，所述光伏发电的运行成本为
Figure BDA0002718076470000112
其中，NP是光伏机组数量，PP，i与
Figure BDA0002718076470000113
分别为第i个光伏机组的实际与预设输出功率，
Figure BDA0002718076470000114
与
Figure BDA0002718076470000115
分别是第i个光伏机组的低估与高估成本函数。
其中，第i个光伏发电机组的低估成本为
Figure BDA0002718076470000116
第i个光伏发电机组的高估成本为
Figure BDA0002718076470000117
其中，
Figure BDA0002718076470000118
为第i个光伏发电机组的额定容量，eu，i与eo，i分别是它的低估与高估成本系数；光伏机组的输出功率取决于太阳辐射，其分布近似于Beta分布，它的概率密度为
Figure BDA0002718076470000119
式中，
Figure BDA00027180764700001110
与
Figure BDA00027180764700001111
是Beta分布的形状参数，Γ(g)是gamma函数，且
Figure BDA00027180764700001112
进一步的，化石燃料热力发电会排出大量的污染气体，如硫、氮与碳氧化物等，因此，本发明中综合能源系统调度方法所要优化的第一个参数就是尽可能减少污染气体排放量，所述污染气体排放量目标函数为
Figure BDA00027180764700001113
其中，f2为污染气体排放目标函数，r0，k、r1，k、r2，k、r3，k与r4，k分别为第k个火电机组污染气体排放量系数，PT，k为第k个火电机组的发电量；
进一步的，本发明中综合能源系统调度方法所要进行优化的第三个参数是网络损耗，采用牛顿-拉夫逊方法模拟的网损目标函数为
Figure BDA0002718076470000121
其中，f3为网损目标函数，NL是输电线路数，Gk是第k条输电线路的电导，其连接节点为i与j，节点i与j的电压幅值分别为Vi与Vj，θi与θj分别为节点i与节点j的电压相角。
进一步的，所述条件约束包括功率负荷平衡约束、水电转换约束、线路输电安全约束、发电机有功出力约束和禁止工作区间约束；
具体的，功率平衡约束要求总发电功率等于负载消费功率与输电线路损耗功率之和，因此功率负荷平衡约束的表达式为
Figure BDA0002718076470000122
其中，PT，i为第i台火力发电机组的有功输出功率，NT为系统中火力发电机组的数量，PW，i为第i台风力发电机组的有功输出功率，NW为系统中风力发电机组的数量，PP，i为第i台光伏发电机组的有功输出功率，NP为系统中光伏发电机组的数量，PH，i为第i台水力发电机组的有功输出功率，NH为系统中水力发电机组的数量，PD与PL分别为系统中负载的消费功率与线路损耗；
水电转换约束要求第i个水力发电机组单位时间用水量是发电量的二次函数，所述水电转换约束的表达式为
Figure BDA0002718076470000123
其中，Qi为第i个水力发电机组单位时间用水量，ri，0、ri，1与ri，2分别为第i台水力发电机组用水量的常数、一次与二次项系数，PH，i为第i台水力发电机组的出力功率；
线路输电安全约束主要考虑两个因素：线路电流与节点电压，每条输电线路的电流应在其最大允许电流范围内，以避免过载，同时，节点电压必须保持在其额定电压区间内，因此线路输电安全约束的表达式为max{|Ii，j|，|Ij，i|}≤Ik，max和Vi，min≤Vi≤Vi，max，其中，Ii，j表示从节点i至节点j的电流幅值，Ik，max是线路k允许的最大负荷电流；Vi，min与Vi，max分别为节点i的电压下限与上限；
电机有功出力约束要求火力发电、风力发电、光伏发电与水力发电机组的输出功率不小于发电机组的最小出力功率，不大于其最大出力功率，因此，发电机有功出力约束的表达式为
Figure BDA0002718076470000131
其中，
Figure BDA0002718076470000132
与
Figure BDA0002718076470000133
分别为第i台火力发电机组的最小与最大出力功率，
Figure BDA0002718076470000134
与
Figure BDA0002718076470000135
分别为第i台风力发电机组的最小与最大出力功率，
Figure BDA0002718076470000136
与
Figure BDA0002718076470000137
分别为第i台光伏发电机组的最小与最大出力功率，
Figure BDA0002718076470000138
与
Figure BDA0002718076470000139
分别为第i台水力发电机组的最小与最大出力功率；PT，i、PW，i、PP，i、PH，i分别为第i台火力发电、风力发电、光伏发电与水力发电机组的输出功率；
在实际工作中，蒸汽阀动作或者轴承振动使得各火力发电机组的禁止工作区间不同，火力发电机组的输入-输出特征曲线不连续。因此第k个火力发电机组考虑禁止工作区间的输出功率的表达式为
Figure BDA0002718076470000141
其中，NZk为第k个火力发电机组的禁止工作区间数量，
Figure BDA0002718076470000142
与
Figure BDA0002718076470000143
分别为第k个火力发电机组的第i个禁止工作区间的上下限。
S3：根据步骤S2中综合能源系统的目标函数建立综合能源系统优化模型；
充分考虑间歇性能源输出功率的不确定性，在满足功率负荷平衡约束、水电转换约束、线路输电安全约束、发电机有功出力约束与禁止工作区间约束的条件下，本发明中建立的综合能源系统优化模型为min F(x)＝[f1(x)，f2(x)，f3(x)]，其中，f1(x)、f2(x)与f3(x)分别为综合能源系统的运行成本函数、污染气体排放函数与网络损耗函数。
S4：采用MOPSO/CC方法求解步骤S3中的综合能源系统优化模型，得到调度结果。
具体的，所述MOPSO/CC方法的求解原理为：设yi为第i个粒子的历史最优位置，y′为各子粒子种群的全局最优位置，各粒子的速度与位置分别为vi与xi，各子种群间个体的速度与位置的更新方法如下：
(1)基于子种群Pi的粒子xt构造其对应的n维粒子
Figure BDA0002718076470000144
其式为
Figure BDA0002718076470000145
其中，Pi.y′为子粒子群Pi的全局最优位置；
(2)基于第i个子种群Pi的全局最优位置构造其对应于的n维粒子位置
Figure BDA0002718076470000151
其式为
Figure BDA0002718076470000152
(3)基于子种群Pi的粒子xt的历史最优构造其对应于的n维个体最优粒子位置
Figure BDA0002718076470000153
其式为
Figure BDA0002718076470000154
(4)将n维粒子的位置代入目标函数g1、g2、……、gm，得到目标函数值
Figure BDA0002718076470000155
Figure BDA0002718076470000156
(5)根据NSGA-II中的非支配排序方法粒子的目标函数值进行非支配排序，随机选择非支配排序等级最高的粒子中的一个作为第i个子种群的最优位置；
(6)粒子的速度与位置按照粒子群优化算法中速度和位置的更新方法进行更新，也即vi，d＝vi，d+c1r1(pi，d-xi，d)+c2r2(pg，d-xi，d)，xi，d＝xi，d+vi，d，其中，c1与c2为学习因子，一般取大于0的常数，r1与r2为区间[0，1]上的随机数，vi，d为粒子i的飞行速度，vi，d∈[-Vmax，Vmax]，Vmax是粒子的最大飞行速度，代表每代更新的最大步长，pi，d代表个体历史最优位置，pg，d是指全局最优位置；
(7)对第1到第S个子种群用多目标粒子群算法进行优化，对各子群的解进行非支配排序；
(8)若满足终止条件，则将各子种群的最优非支配解输出，否则进入下一轮迭代，将父代子种群的最优非支配解用于子代的协同进化。
将MOPSO/CC方法具体应用到本发明中对综合能源系统优化模型进行求解是，具体的步骤包括：
S41：将综合能源系统的运行成本目标函数、污染气体排放量目标函数与网络损耗目标函数设定为MOPSO/CC算法的MOPSO/CC算法；
S42：将功率负荷平衡约束、水电转换约束、线路输电安全约束、发电机有功出力约束和禁止工作区间约束设置为优化问题的约束条件；
S43：令解为各个发电机组的出力组成的向量，其形式化表达为
Figure BDA0002718076470000161
其中上标H、T、W与P分别为水电、火电、风电与光伏的标记，NH、NT、NW与NP分别为综合能源系统中水电机组、火电机组、风电机组与光伏机组的数目；
S44：为便于应用MOPSO/CC算法求解，对粒子编码映射为
Figure BDA0002718076470000162
其中NHT＝NH+NT，NHTW＝NHT+NW，NHTWP＝NHTW+NP；
S45：将解空间随机划分成mI个子空间，NHTWP＝SI×mI，其中SI为各子空间的维数，mI为子空间的数目；
S46：将每个子空间的种群规模设置为NI，采用随机算法对粒子进行初始化；
S47：应用变量随机分解协同进化算法求解，得到Parato最优非支配解。
仿真试验：
利用改进的IEEE-30节点系统对本发明中的综合能源系统调度方法进行仿真，IEEE-30节点系统由6个火电机组、24个负载节点和41条输电线路组成，该系统的拓扑结构和相关的系统参数如下表1所示。
表1 IEEE-30节点系统线路计算参数表
Figure BDA0002718076470000171
IEEE-30节点系统中火力发电机组的污染气体排放系数如下表2所示。
表2 IEEE-30节点系统中火力发电机组的污染气体排放系数
序号 发电机组 r<sub>t，0</sub> r<sub>t，1</sub> r<sub>t，2</sub> r<sub>t，3</sub> r<sub>t，4</sub>
1 TG<sub>1</sub> 6.490 -5.554 4.091 2.0e-4 2.857
2 TG<sub>2</sub> 5.638 -6.047 2.543 5.0e-4 3.333
3 TG<sub>3</sub> 4.586 -5.094 4.258 1.0e-6 8.000
4 TG<sub>4</sub> 3.380 -3.550 5.326 2.0e-3 2.000
5 TG<sub>5</sub> 4.586 -5.094 4.258 1.0e-6 8.000
6 TG<sub>6</sub> 5.151 -5.555 6.131 1.0e-5 6.667
IEEE-30节点系统中火电机组的成本系数如下表3所示。
表3 IEEE-30节点系统中火电机组的成本系数
序号 火电机组 a b c d e
1 G<sub>1</sub> 10 200 100 15 6.283
2 G<sub>2</sub> 10 150 120 10 8.796
3 G<sub>3</sub> 20 180 40 10 14.784
4 G<sub>4</sub> 10 100 60 5 20.944
5 G<sub>5</sub> 20 180 40 5 25.133
6 G<sub>6</sub> 10 150 100 5 18.48
IEEE-30节点系统中，水电机组的一次能源浪费系数k1与k2分别取40$/MWh与45$/MWh。
风电机组低估、高估与直接成本系数分别设置为70$/MWh、50$/Mwh与5$/MWh，额定风速与切入风速一般设定为15m/s与5m/s。由历史风速数据得出的尺度因子一般为区间[5，50]，形状因子设置在区间[1，3]之间，本发明中尺度因子设置为10，形状因子设置为2。
对于光伏电站，低估、高估惩罚成本系数分别设置为60$/MWh与40$/MWh，Beta分布的形状参数
Figure BDA0002718076470000181
与
Figure BDA0002718076470000182
分别设为2.8与2.5。
两个水电机组的系数ri，0、ri，1与ri，2如表4所示。
表4水电机组用水量的常数、一次与二次项系数表
序号 水电机组 r<sub>i，0</sub> r<sub>i，1</sub> r<sub>i，2</sub>
1 H<sub>1</sub> 0.39 1.26 -0.04
2 H<sub>2</sub> 0.27 1.03 0.01
利用一个加入可再生能源发电机组改进的IEEE-30节点系统进行测试，将本发明中MOPSO/CC法与MOEA/D、MPSO与NSGA-II方法求解进行对比，种群规模和总迭代次数分别设置为50与150。领域大小与Pareto前沿大小分别设置为20与33。
为了验证本发明中基于分解的多目标粒子群优化算法对含间歇性能源的综合能源系统的可行性与有效性，对没有可再生能源电源与含可再生能源电源的IEEE-30节点系统的优化进行对比研究，并使用多种优化算法对运行成本f1与排放量f2进行优化。为了减少偶然因素对计算结果的影响，每种算法独立运行20次，并对各种算法的最佳结果进行比较。IEEE-30节点系统在不同算法下最折衷解的对比结果如表5所示。
表5两种情形下不同算法的最佳折衷解
Figure BDA0002718076470000191
从表5中可以看出，在两种情形下，MOPSO/CC算法所得最佳折衷解都支配其它算法获得最佳折衷解，表5的实验结果表明MOPSO/CC得到的电力系统运行成本与排放都小于或等于MOEA/D、MPSO与NSGA-II的最佳实现结果。在含可再生能源的综合能源系统中，MOPSO/CC与MPSO算法之间的运行成本约为11.3美元/小时，一年节省费用为11.3*24*365＝9.8988美元。MOPSO/CC与MPSO之间的排放量相差约为0.91kg/h，一年减少排放量为0.91*24*365/1000＝7.972吨。综上所述MOPSO/CC算法可以提供更经济更环保的调度策略。在计算时间上，MOPSO/CC也具有明显优势。表5的最后一行所示，MOPSO/CC在火电系统与综合能源系统生成33个非支配解的运行时间分别为45.26秒与67.77秒，小于MOEA/D的运行时间，远小于MPSO和NSGA-II的运行时间。
为了评估所提MOPSO/CC的整体性能，将含火电、水电与光伏的综合能源系统的运行成本与排放作为目标函数，各算法优化得到的单次最优Pareto前沿如附图3所示；从附图3中可以看出，MOPSO/CC算法得到的Pareto前沿明显优于MOEA/D、MPSO与NSGA-II等算法，搜索解更广泛。
进一步的，不同算法的Pareto前沿端点值如下表6所示；从表6中可以看出，MOPSO/CC算法的排放函数与成本函数的最终收敛值小于其他算法。
表6不同算法的Pareto前沿端点值
Figure BDA0002718076470000201
为了进一步验证本发明的结论，通过分析跨度、间隔、收敛性、超体积等指标来对比各算法的优化结果，各项指标的对比结果如下表7所示。
表7成本-排放双目标优化实验指标对比
Figure BDA0002718076470000211
从表7的跨度指标数据中可以看出，MOPSO/CC的跨度指标最优为1.1439，最差为0.8515，平均值为1.0301，方差为0.0069，均优于MOEA/D、MPSO与NSGA-II等算法，说明MOPSO/CC算法所得Pareto前沿解的范围更广，且多次运行的优化结果更稳定。
从表7的间隔数据中可以看出，MOPSO/CC算法的间隔指标最优值、最差值、平均值与方差也均优于MOEA/D、MPSO与NSGA-II的间隔指标，说明MOPSO/CC算法的Pareto前沿上解的分布更均匀，Pareto前沿的端点距离极值更近。
当使用256个点组成的Pareto前沿来计算收敛性指标，MOPSO/CC得到157个解，占比61.33％；MOEA/D得到52个解，占比20.31％；MPSO得到1个解，占比0.39％；NSGA-II得到44个解，占比17.19％。MOPSO/CC搜索Pareto解的能力强于其它算法。
从表7的收敛性数据中可以看出，MOPSO/CC的收敛性指标最优值、最差值与平均值均小于MOEA/D、MPSO与NSGA-II等，MOPSO/CC算法的收敛性显著优于其它算法，再由MOPSO/CC的收敛性指标的方差也小于其它算法，说明MOCE/D的寻优能力更强且更稳定。
超体积是一个比较全面的指标，能够反映Pareto前沿的收敛性与前沿上解的均匀度，表7的超体积数据表明MOPSO/CC的解在多样性、收敛性与均匀性上有着明显的优势。
以运行成本与网损作为综合能源系统的优化目标，不同算法的Pareto前沿解如附图4所示，从附图4中可以看出，MOPSO/CC的Pareto前沿明显优于其它算法，且所搜能力更强。
进一步的，成本-网损算目标优化实验指标对比如表8所示，从表8中可以看出，MOPSO/CC的最优跨度指标小于MOEA/D，但其最差值、平均值与标准差均优于MOEA/D与其它算法，MOPSO/CC更稳定。表8中MOPSO/CC的间隔、收敛性与超体积指标均优于MOEA/D、MPSO与NSGA-II。
表8成本-网损双目标优化实验指标对比
Figure BDA0002718076470000231
进一步的，以综合能源系统排放与网损为优化目标的最优Pareto前沿如附图5所示，从附图5中可以看出，MOPSO/CC的前沿分布更加均匀，解的搜索范围更广，其解基本能够支配其它算法的解。
进一步的，以排放与网损为目标函数，不同优化方法得到的跨度、间隔、收敛性与超体积等指标如下表9所示。从表9中可以得出，计算收敛性指标时使用的Pareto前沿由324个点组成，MOPSO/CC得到235个解，占比72.53％，MOEA/D得到49个解，占比为15.12％；NSGA-II得到39个解，占比为12.34。表3-5所示，MOPSO/CC的跨度指标、间隔指标、收敛性指标与超体积指标均优于MOEA/D、MPSO与NSGA-II。
表9成本-网损双目标优化指标对比
Figure BDA0002718076470000241
综上所述，通过对3个双目标优化Pareto前沿指标进行分析，MOPSO/CC更适合于综合能源系统的双目标优化，不仅解更具有多样性，解更优，分布更均匀，优化性能更稳定，在20次独立运行表现均非常优异。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (10)

1.一种基于MOPSO/CC的综合能源系统调度方法，其特征在于，包括以下步骤，
S1：获取综合能源系统参数；
S2：生成综合能源系统的目标函数以及条件约束表达式；
S3：根据步骤S2中综合能源系统的目标函数建立综合能源系统优化模型；
S4：采用MOPSO/CC方法求解步骤S3中的综合能源系统优化模型，得到调度结果。
2.根据权利要求1所述的一种基于MOPSO/CC的综合能源系统调度方法，其特征在于：步骤S1中采用数据虚拟化技术获取综合能源系统参数。
3.根据权利要求2所述的一种基于MOPSO/CC的综合能源系统调度方法，其特征在于：所述综合能源系统的目标函数包括运行成本目标函数、污染气体排放量目标函数和网络损耗目标函数，所述条件约束包括功率负荷平衡约束、水电转换约束、输电线路安全约束、发电机有功出力约束和禁止工作区间约束。
4.根据权利要求3所述的一种基于MOPSO/CC的综合能源系统优化调度方法，其特征在于：所述运行成本目标函数为f1＝CT+CH+CW+CP，其中，f1为综合能源系统的总运行成本，CT为火力发电厂的运行成本，CH为水力发电的一次能源浪费成本，CW为风力发电的运行成本，CP为光伏发电的运行成本；
所述火力发电厂的运行成本为
Figure FDA0002718076460000021
其中，NT为火电机组数，PT，k为第k个火电机组的发电量，
Figure FDA0002718076460000022
为最低发电量，a1，k、a2，k与a3，k为火电机组的燃料成本系数，b1，k与b2，k为阀点效应参数；
所述水力发电的一次能源浪费成本为
Figure FDA0002718076460000023
其中，NH为综合能源系统中的水电机组数量，ki是第i个水电机组的惩罚成本系数，Pi为第i个水电机组的实际输出功率，Pi max为第i个水电机组的最大输出功率；
所述风力发电的运行成本为
Figure FDA0002718076460000024
其中，NW是风电机组数量，PW，i与
Figure FDA0002718076460000025
分别为第i个风电机组的实际与预设输出功率，
Figure FDA0002718076460000026
与
Figure FDA0002718076460000027
分别是第i个风电机组的直接、低估与高估成本函数；
所述光伏发电的运行成本为
Figure FDA0002718076460000028
其中，NP是光伏机组数量，PP，i与
Figure FDA0002718076460000029
分别为第i个光伏机组的实际与预设输出功率，
Figure FDA00027180764600000210
与
Figure FDA00027180764600000211
分别是第i个光伏机组的低估与高估成本函数。
5.根据权利要求4所述的一种基于MOPSO/CC的综合能源系统调度方法，其特征在于：所述风力发电的运行成本中，
第i个风电机组的直接成本函数为
Figure FDA00027180764600000212
第i个风电机组的低估成本函数为
Figure FDA00027180764600000213
第i个风电机组的高估成本函数为
Figure FDA0002718076460000031
其中，bd，i、bu，i与bo，i分别为第i个风电机组的直接、低估与高估成本系数，
Figure FDA0002718076460000032
为第i个风电机组的额定输出功率，ω为积分变量；
给定位置的风速接近Weibull分布，风力发电输出随机变量的概率密度函数fW(g)为
Figure FDA0002718076460000033
其中，c1与c2是比例因子与形状因子，
Figure FDA0002718076460000034
L＝(vr-vin)/vin，vr为额定风速，vin为切入风速。
6.根据权利要求5所述的一种基于MOPSO/CC的综合能源系统调度方法，其特征在于：所述光伏发电的运行成本中，
第i个光伏发电机组的低估成本为
Figure FDA0002718076460000035
第i个光伏发电机组的高估成本为
Figure FDA0002718076460000036
其中，
Figure FDA0002718076460000037
为第i个光伏发电机组的额定容量，eu，i与eo，i分别是它的低估与高估成本系数；光伏机组的输出功率取决于太阳辐射，其分布近似于Beta分布，它的概率密度为
Figure FDA0002718076460000038
式中，
Figure FDA0002718076460000039
与
Figure FDA00027180764600000310
是Beta分布的形状参数，Γ(g)是gamma函数，且
Figure FDA00027180764600000311
7.根据权利要求6所述的一种基于MOPSO/CC的综合能源系统调度方法，其特征在于：所述污染气体排放量目标函数为
Figure FDA0002718076460000041
其中，f2为污染气体排放目标函数，r0，k、r1，k、r2，k、r3，k与r4，k分别为第k个火电机组污染气体排放量系数，PT，k为第k个火电机组的发电量；
所述网络损耗目标函数为
Figure FDA0002718076460000042
其中，f3为网损目标函数，NL是输电线路数，Gk是第k条输电线路的电导，其连接节点为i与j，节点i与j的电压幅值分别为Vi与Vj，θi与θj分别为节点i与节点j的电压相角。
8.根据权利要求7所述的一种基于MOPSO/CC的综合能源系统调度方法，其特征在于：所述功率负荷平衡约束的表达式为
Figure FDA0002718076460000043
其中，PT，i为第i台火力发电机组的有功输出功率，NT为系统中火力发电机组的数量，PW，i为第i台风力发电机组的有功输出功率，NW为系统中风力发电机组的数量，PP，i为第i台光伏发电机组的有功输出功率，NP为系统中光伏发电机组的数量，PH，i为第i台水力发电机组的有功输出功率，NH为系统中水力发电机组的数量，PD与PL分别为系统中负载的消费功率与线路损耗；
所述水电转换约束的表达式为
Figure FDA0002718076460000044
其中，Qi为第i个水力发电机组单位时间用水量，ri，0、ri，1与ri，2分别为第i台水力发电机组用水量的常数、一次与二次项系数，PH，i为第i台水力发电机组的出力功率；
所述线路输电安全约束的表达式为max{|Ii，j|，|Ij，i|}≤Ik，max和Vi，min≤Vi≤Vi，max，其中，Ii，j表示从节点i至节点j的电流幅值，Ik，max是线路k允许的最大负荷电流；Vi，min与Vi，max分别为节点i的电压下限与上限；
所述发电机有功出力约束的表达式为
Figure FDA0002718076460000051
其中，
Figure FDA0002718076460000052
与
Figure FDA0002718076460000053
分别为第i台火力发电机组的最小与最大出力功率，
Figure FDA0002718076460000054
与
Figure FDA0002718076460000055
分别为第i台风力发电机组的最小与最大出力功率，
Figure FDA0002718076460000056
与
Figure FDA0002718076460000057
分别为第i台光伏发电机组的最小与最大出力功率，
Figure FDA0002718076460000058
与
Figure FDA0002718076460000059
分别为第i台水力发电机组的最小与最大出力功率；PT，i、PW，i、PP，i、PH，i分别为第i台火力发电、风力发电、光伏发电与水力发电机组的输出功率；
所述禁止工作区间约束的表达式为
Figure FDA00027180764600000510
其中，NZk为第k个火力发电机组的禁止工作区间数量，
Figure FDA00027180764600000511
与
Figure FDA00027180764600000512
分别为第k个火力发电机组的第i个禁止工作区间的上下限。
9.根据权利要求8所述的一种基于MOPSO/CC的综合能源系统调度方法，其特征在于：步骤S3中所述的综合能源系统优化模型为min F(x)＝[f1(x)，f2(x)，f3(x)]，其中，f1(x)、f2(x)与f3(x)分别为综合能源系统的运行成本函数、污染气体排放函数与网络损耗函数；
且该综合能源系统优化模型同时满足功率负荷平衡约束、水电转换约束、线路输电安全约束、发电机有功出力约束与禁止工作区间约束的条件。
10.根据权利要求9所述的一种基于MOPSO/CC的综合能源系统调度方法，其特征在于，步骤S4中采用MOPSO/CC方法求解综合能源系统优化模型的具体操作包括以下步骤，
S41：将综合能源系统的运行成本函数、污染气体排放量函数与网络损耗函数设定为MOPSO/CC算法优化求解问题的目标函数；
S42：将功率负荷平衡约束、水电转换约束、线路输电安全约束、发电机有功出力约束和禁止工作区间约束设置为优化问题的约束条件；
S43：令解为各个发电机组出力组成的向量，其形式化表达为
Figure FDA0002718076460000061
其中上标H、T、W与P分别为水电、火电、风电与光伏的标记，NH、NT、NW与NP分别为综合能源系统中水电机组、火电机组、风电机组与光伏机组的数目；
S44：为便于应用MOPSO/CC算法求解，对粒子编码映射为
Figure FDA0002718076460000062
其中NHT＝NH+NT，NHTW＝NHT+NW，NHWP＝NHTW+NP；
S45：将解空间随机划分成mI个子空间，NHTWP＝SI×mI，其中SI为各子空间的维数，mI为子空间的数目；
S46：将每个子空间的种群规模设置为NI，采用随机算法对粒子进行初始化；
S47：应用变量随机分解协同进化算法求解，得到Parato最优非支配解。
CN202011078270.6A 2020-10-10 2020-10-10 一种基于mopso/cc的综合能源系统优化调度方法 Pending CN112163711A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011078270.6A CN112163711A (zh) 2020-10-10 2020-10-10 一种基于mopso/cc的综合能源系统优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011078270.6A CN112163711A (zh) 2020-10-10 2020-10-10 一种基于mopso/cc的综合能源系统优化调度方法

Publications (1)

Publication Number Publication Date
CN112163711A true CN112163711A (zh) 2021-01-01

Family

ID=73867989

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011078270.6A Pending CN112163711A (zh) 2020-10-10 2020-10-10 一种基于mopso/cc的综合能源系统优化调度方法

Country Status (1)

Country Link
CN (1) CN112163711A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112859785A (zh) * 2021-01-19 2021-05-28 嘉兴学院 基于多目标优化算法的纸盆车间生产调度方法及调度系统
CN113725904A (zh) * 2021-08-30 2021-11-30 南方电网科学研究院有限责任公司 考虑老化发电机组退役的电网转型方法、装置及设备
CN114243766A (zh) * 2021-12-06 2022-03-25 深圳供电局有限公司 一种区域多能源系统优化配置方法及系统
CN114400698A (zh) * 2021-12-06 2022-04-26 湖北工业大学 一种高比例清洁能源电网电源最优降碳运行方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109066710A (zh) * 2018-07-13 2018-12-21 国网安徽省电力有限公司滁州供电公司 一种多目标无功优化方法、装置、计算机设备及存储介质

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109066710A (zh) * 2018-07-13 2018-12-21 国网安徽省电力有限公司滁州供电公司 一种多目标无功优化方法、装置、计算机设备及存储介质

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
张强: "考虑电力系统暂态稳定约束的最优潮流算法研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 *
张强: "考虑电力系统暂态稳定约束的最优潮流算法研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》, 15 May 2016 (2016-05-15) *
查永星等: "基于多目标多任务进化算法的含可再生能源混合发电系统优化调度", 《华北电力大学学报》, 31 January 2020 (2020-01-31), pages 70 - 78 *
程文星: "基于改进粒子群算法的电力系统无功优化研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 *
程文星: "基于改进粒子群算法的电力系统无功优化研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》, 15 January 2019 (2019-01-15) *
莫雷平: "基于大规模变量分解的多目标粒子群优化算法研究及其应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
莫雷平: "基于大规模变量分解的多目标粒子群优化算法研究及其应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》, 15 April 2020 (2020-04-15) *
陈洋洋: "基于协同进化的动态多目标优化算法", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
陈洋洋: "基于协同进化的动态多目标优化算法", 《中国优秀硕士学位论文全文数据库 信息科技辑》, 15 November 2014 (2014-11-15) *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112859785A (zh) * 2021-01-19 2021-05-28 嘉兴学院 基于多目标优化算法的纸盆车间生产调度方法及调度系统
CN112859785B (zh) * 2021-01-19 2021-12-17 嘉兴学院 基于多目标优化算法的纸盆车间生产调度方法及调度系统
CN113725904A (zh) * 2021-08-30 2021-11-30 南方电网科学研究院有限责任公司 考虑老化发电机组退役的电网转型方法、装置及设备
CN113725904B (zh) * 2021-08-30 2023-11-24 南方电网科学研究院有限责任公司 考虑老化发电机组退役的电网转型方法、装置及设备
CN114243766A (zh) * 2021-12-06 2022-03-25 深圳供电局有限公司 一种区域多能源系统优化配置方法及系统
CN114400698A (zh) * 2021-12-06 2022-04-26 湖北工业大学 一种高比例清洁能源电网电源最优降碳运行方法

Similar Documents

Publication Publication Date Title
CN112163711A (zh) 一种基于mopso/cc的综合能源系统优化调度方法
Ju et al. A two-stage optimal coordinated scheduling strategy for micro energy grid integrating intermittent renewable energy sources considering multi-energy flexible conversion
CN104779611B (zh) 基于集中式和分布式双层优化策略的微电网经济调度方法
CN105322535B (zh) 含统一潮流控制器的电力系统两阶段最优潮流计算方法
CN104036329B (zh) 一种基于多智能体协同寻优的含光伏微源主动配网拓扑重构方法
CN103151797A (zh) 基于多目标调度模型的并网运行方式下微网能量控制方法
CN107634518A (zh) 一种“源‑网‑荷”相协调的主动配电网经济调度方法
CN106026169B (zh) 一种基于多微电网并入配电网的分解协调优化方法
Chen et al. A novel technique for the optimal design of offshore wind farm electrical layout
CN109034587A (zh) 一种协调多种可控单元的主动配电系统优化调度方法
Azar et al. Energy hub: modeling and technology-a review
Paleba et al. Optimal placement and sizing distributed wind generation using particle swarm optimization in distribution system
CN110991927A (zh) 提高区域电网不同地区间歇性电源互补效果的电源规划方法
Amouzad Mahdiraji et al. Optimal in smart grids considering interruptible loads and photo-voltaic sources using genetic optimization
Han et al. Analysis of economic operation model for virtual power plants considering the uncertainties of renewable energy power generation
Lv et al. Technological development of multi-energy complementary system based on solar PVs and MGT
Li et al. Distributed power dispatching solution for a future economic and environment-friendly energy internet
Li et al. Low carbon unit commitment for power system with wind farms and carbon capture devices based on DE-BBO algorithm
CN108233373B (zh) 考虑天气场景的分布式光伏接入配电网的概率谐波分析方法
Li et al. Optimal Scheduling of Multi-Source Combined System with Pumped Storage Based on Improved Black Hole Algorithm
Liu et al. The Research and Method on Planning Model of Integrated Energy Internet
Wang et al. Complementary and coordinated optimal dispatch solution for hybrid thermalwind-PV power grid with energy storage
Zhang et al. Analysis of peak regulation strategy with considering renewable energy injection and power from outside
Liu et al. Multi-objective flexible planning of transmission network considering generation and load uncertainties
Mehrpour et al. Dynamic economic load-emission dispatch in power systems with renewable sources using an improved multi-objective particle swarm optimization 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