CN112183841A - 基于模拟退火算法的含电动汽车微电网的优化调度方法 - Google Patents
基于模拟退火算法的含电动汽车微电网的优化调度方法 Download PDFInfo
- Publication number
- CN112183841A CN112183841A CN202011012594.XA CN202011012594A CN112183841A CN 112183841 A CN112183841 A CN 112183841A CN 202011012594 A CN202011012594 A CN 202011012594A CN 112183841 A CN112183841 A CN 112183841A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- microgrid
- simulated annealing
- optimal
- micro
- 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
- 238000002922 simulated annealing Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 24
- 239000002245 particle Substances 0.000 claims abstract description 52
- 238000005457 optimization Methods 0.000 claims abstract description 26
- 238000005265 energy consumption Methods 0.000 claims abstract description 13
- 238000013178 mathematical model Methods 0.000 claims abstract description 10
- 238000004146 energy storage Methods 0.000 claims abstract description 6
- 230000007613 environmental effect Effects 0.000 claims abstract description 6
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 238000010248 power generation Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 5
- 239000000446 fuel Substances 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 230000009191 jumping Effects 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000011160 research Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
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
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
-
- 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
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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]
-
- 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
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Power Engineering (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Molecular Biology (AREA)
Abstract
本发明涉及一种基于模拟退火算法的含电动汽车微电网的优化调度方法,包括以下步骤:S1、以微电网系统运行耗能最低和环境治理成本最低为目标,建立可再生能源、储能设备、微燃机和电动汽车的微电网数学模型;S2、利用模拟退火算法改进的粒子群优化算法求解微电网数学模型,得到最优的微电网调度方法。与现有技术相比,本发明考虑了接入电动汽车对微电网调度运行的影响,特别是在电动汽车数量多情况下,重新建立了微电网优化调度模型;同时应用了参数自适应算法,利用模拟退火算法的变异特性对传统PSO算法进行了改进利用改进的PSO算法进行求解,与传统PSO算法比较表明改进的算法能有效的提高了算法的运算效率及寻优能力。
Description
技术领域
本发明涉及微电网优化调度技术领域,尤其是涉及一种基于模拟退火算法的含电动汽车微电网的优化调度方法。
背景技术
微电网对实现能源可再生发展和构建低碳社会有着重要意义。目前,针对微电网的优化调度研究,国内外学者们已取得了很多研究成果。优化调度的研究主要有微电网模型的优化和优化算法的改进两个方面。微电网的模型主要包括风力发电、光伏发电、负载、微型燃气轮机、燃料电池和蓄电池,进行经济效益、环保效益和可靠性的优化;优化算法的改进大部分是对收敛速度和精度的优化。
粒子群优化算法(PSO)用在微电网的优化调度上取得了很好的效果。用一种粒子来模拟鸟类个体,每个粒子可视为N维搜索空间中的一个搜索个体,粒子的当前位置即为对应优化问题的一个候选解,粒子的飞行过程即为该个体的搜索过程。粒子的飞行速度可根据粒子历史最优位置和种群历史最优位置进行动态调整。粒子仅具有两个属性:速度和位置,速度代表移动的快慢,位置代表移动的方向。每个粒子单独搜寻的最优解叫做个体极值,粒子群中最优的个体极值作为当前全局最优解。不断迭代,更新速度和位置,最终得到满足终止条件的最优解。
当前微电网快速发展改变了能源消费现状,根据IEA的《全球电动汽车展望》报告,2019年电动汽车的全球销量突破210万辆,预计2020年,全球电动汽车的保有量将近1000万辆。安全可靠、灵活经济、高效节能的微电网与绿色、环保、低噪音的电动汽车正逐渐受到社会各界的关注。现有研究大多关注未接入电动汽车的微电网优化调度或考虑参与调度的电动汽车很少。但随着电动汽车的增多,大规模电动车联网对微电网运行的经济效益、可靠性和安全性造成影响;不同的电价政策可以降低微网系统的运行成本,但没有考虑电动汽车对微电网调度的影响。
PSO算法应用于微电网优化调度中效果不错,但容易陷入局部最优解,而且全局的搜索能力和局部的搜索能力也欠佳。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于模拟退火算法的含电动汽车微电网的优化调度方法。
本发明的目的可以通过以下技术方案来实现:
一种基于模拟退火算法的含电动汽车微电网的优化调度方法,包括以下步骤:
S1、以微电网系统运行耗能最低和环境治理成本最低为目标,建立可再生能源、储能设备、微燃机和电动汽车的微电网数学模型;
S2、利用模拟退火算法改进的粒子群优化算法求解微电网数学模型,得到最优的微电网调度方法。
优选的,所述模拟退火算法改进的粒子群优化算法的速度更新公式为:
其中,表示粒子的速度;t表示当前的迭代次数;ω表示惯性权重;γ1和γ2表示分布在[0-1]之间的随机数,用于检验当前迭代次数;表示个体的最佳粒子位置;表示全局最优粒子位置;c1和c2表示学习常数;表示粒子的位置,i、j分别表示粒子群中第i、j个粒子。
优选的,所述步骤S2具体包括:
S21、种群参数初始化;
S22、计算所有粒子每次迭代中的适应值;
S23、选择最优解;
S24、进行模拟退火搜索:变异概率用来修正全局最优解,改变种群的全局搜索方向;
S25、更新惯性权重和学习因子:在算法中运用线性递减的动态惯性权重,根据迭代次数的变化动态改变的两个学习因子;
S26、更新粒子的位置和速度;
S27、更新粒子的种群最优值;
S28、判断迭代次数是否达到最大,如果迭代次数达到最大,则得到优化后的结果,如果没有达到,则跳到步骤S22继续优化。
优选的,所述S25中根据迭代次数的变化动态改变的两个学习因子的公式为:
其中,ωs、ωe分别表示惯性权重ω的起始权重和结束权重;T为总迭代次数;c1s、c1e分别表示c1的起始和结束因子,c2s、c2e分别表示c2参数的起始和结束因子。
优选的,所述步骤S21包括:对种群规模、学习因子的初值、惯性权重初值、总迭代次数、变异概率进行初始化。
优选的,所述S23具体包括:从一个算法优化中产生的多个局部最优解中,以一定的概率选择一个局部最优解作为目标函数的全局最优解。
优选的,所述S27具体包括:计算每个变异粒子的适应值,并与历史个体最优值和群体最优值进行比较,更新群体最优值。
优选的,所述可再生能源包括风力发电可再生能源和光伏发电可再生能源。
优选的,所述储能设备包括燃料电池和蓄电池。
优选的,所述微电网系统运行耗能包括微电网内微源的能耗和系统运行维护能耗。
与现有技术相比,本发明考虑了接入电动汽车对微电网调度运行的影响,特别是在电动汽车数量多情况下,重新建立了微电网优化调度模型;同时应用了参数自适应算法,利用模拟退火算法的变异特性对传统PSO算法进行了改进利用改进的PSO算法进行求解,通过算例分析验证所提微电网优化模型的有效性,并与传统PSO算法求解模型进行比较,结果表明改进的算法能有效的提高了算法的运算效率及寻优能力,而且在微电网中接入电动汽车还能降低环境污染,使微电网系统运行的成本减少。
附图说明
图1为本发明中基于模拟退火算法的流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例
本申请提出一种基于模拟退火算法的含电动汽车微电网的优化调度方法,包括以下步骤:
S1、以微电网系统运行耗能最低和环境治理成本最低为目标,建立可再生能源、储能设备、微燃机和电动汽车的微电网数学模型;
S2、利用模拟退火算法改进的粒子群优化算法求解微电网数学模型,得到最优的微电网调度方法。
步骤S1具体建立了风力发电、光伏发电、微型燃气轮机、柴油发电机、燃料电池、蓄电池和电动汽车的微电网数学模型。考虑微电网内微源的能耗、系统运行维护能耗、环境治理成本、计及分时电价时,以及系统中的各种约束条件,重新搭建了微电网优化调度的数学模型。
在热平衡的封闭系统中,根据热力学自由能减少定律,当自由能达到最小状态时,系统平衡,此时对应的可行解即为优化问题的最优解。在模拟退火机制中,每次迭代都随机生成一个随机数。当一个粒子的突变概率大于这个随机数时,将粒子到目前为止的最优解选出来,用种群速度更新公式中的全局最优解代替,从而改变了种群优化的方向,使算法继续随机搜索最优解,减少了计算量。
模拟退火算法改进的粒子群优化算法的速度更新公式为:
其中,表示粒子的速度;t表示当前的迭代次数;ω表示惯性权重;γ1和γ2表示分布在[0-1]之间的随机数,用于检验当前迭代次数;表示个体的最佳粒子位置;表示全局最优粒子位置;c1和c2表示学习常数;表示粒子的位置,i、j分别表示粒子群中第i、j个粒子。
如图1所示,步骤S2具体包括:
S21、种群参数初始化:对种群规模、学习因子的初值、惯性权重初值、总迭代次数、变异概率进行初始化;
S22、计算适合度函数值:计算所有粒子每次迭代中的适应值;
S23、选择最优解:从一个算法优化中产生的多个局部最优解中,以一定的概率选择一个局部最优解作为目标函数的全局最优解;
S24、进行模拟退火搜索:变异概率用来修正全局最优解,改变种群的全局搜索方向;
S25、更新惯性权重和学习因子:在算法中运用线性递减的动态惯性权重,根据迭代次数的变化动态改变的两个学习因子:
其中,ωs、ωe分别表示惯性权重ω的起始权重和结束权重;T为总迭代次数;c1s、c1e分别表示c1的起始和结束因子,c2s、c2e分别表示c2参数的起始和结束因子;
S26、更新粒子的位置和速度:利用位置和速度更新公式对其进行更新;
S27、更新粒子的种群最优值:计算每个变异粒子的适应值,并与历史个体最优值和群体最优值进行比较,更新群体最优值;
S28、判断迭代次数是否达到最大,如果迭代次数达到最大,则得到优化后的结果,如果没有达到,则跳到步骤S22继续优化。
Claims (10)
1.一种基于模拟退火算法的含电动汽车微电网的优化调度方法,其特征在于,包括以下步骤:
S1、以微电网系统运行耗能最低和环境治理成本最低为目标,建立可再生能源、储能设备、微燃机和电动汽车的微电网数学模型;
S2、利用模拟退火算法改进的粒子群优化算法求解微电网数学模型,得到最优的微电网调度方法。
3.根据权利要求2所述的一种基于模拟退火算法的含电动汽车微电网的优化调度方法,其特征在于,所述步骤S2具体包括:
S21、种群参数初始化;
S22、计算所有粒子每次迭代中的适应值;
S23、选择最优解;
S24、进行模拟退火搜索:变异概率用来修正全局最优解,改变种群的全局搜索方向;
S25、更新惯性权重和学习因子:在算法中运用线性递减的动态惯性权重,根据迭代次数的变化动态改变的两个学习因子;
S26、更新粒子的位置和速度;
S27、更新粒子的种群最优值;
S28、判断迭代次数是否达到最大,如果迭代次数达到最大,则得到优化后的结果,如果没有达到,则跳到步骤S22继续优化。
5.根据权利要求3所述的一种基于模拟退火算法的含电动汽车微电网的优化调度方法,其特征在于,所述步骤S21包括:对种群规模、学习因子的初值、惯性权重初值、总迭代次数、变异概率进行初始化。
6.根据权利要求3所述的一种基于模拟退火算法的含电动汽车微电网的优化调度方法,其特征在于,所述S23具体包括:从一个算法优化中产生的多个局部最优解中,以一定的概率选择一个局部最优解作为目标函数的全局最优解。
7.根据权利要求3所述的一种基于模拟退火算法的含电动汽车微电网的优化调度方法,其特征在于,所述S27具体包括:计算每个变异粒子的适应值,并与历史个体最优值和群体最优值进行比较,更新群体最优值。
8.根据权利要求1所述的一种基于模拟退火算法的含电动汽车微电网的优化调度方法,其特征在于,所述可再生能源包括风力发电可再生能源和光伏发电可再生能源。
9.根据权利要求1所述的一种基于模拟退火算法的含电动汽车微电网的优化调度方法,其特征在于,所述储能设备包括燃料电池和蓄电池。
10.根据权利要求1所述的一种基于模拟退火算法的含电动汽车微电网的优化调度方法,其特征在于,所述微电网系统运行耗能包括微电网内微源的能耗和系统运行维护能耗。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011012594.XA CN112183841A (zh) | 2020-09-23 | 2020-09-23 | 基于模拟退火算法的含电动汽车微电网的优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011012594.XA CN112183841A (zh) | 2020-09-23 | 2020-09-23 | 基于模拟退火算法的含电动汽车微电网的优化调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112183841A true CN112183841A (zh) | 2021-01-05 |
Family
ID=73956912
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011012594.XA Pending CN112183841A (zh) | 2020-09-23 | 2020-09-23 | 基于模拟退火算法的含电动汽车微电网的优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112183841A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113222226A (zh) * | 2021-04-26 | 2021-08-06 | 武汉科技大学 | 动车所调车的方法、装置、电子设备及存储介质 |
CN114202214A (zh) * | 2021-12-15 | 2022-03-18 | 安徽师范大学 | 一种基于智能网联环境下新能源货车的优化调度方法 |
CN115545582A (zh) * | 2022-12-02 | 2022-12-30 | 天津大学 | 一种电动牵引车循环送货调度问题的解决方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111144641A (zh) * | 2019-12-24 | 2020-05-12 | 东南大学 | 一种基于改进粒子群算法的微电网优化调度方法 |
CN111178642A (zh) * | 2020-01-06 | 2020-05-19 | 南京邮电大学 | 一种基于模拟退火粒子群算法的微电网优化方法 |
-
2020
- 2020-09-23 CN CN202011012594.XA patent/CN112183841A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111144641A (zh) * | 2019-12-24 | 2020-05-12 | 东南大学 | 一种基于改进粒子群算法的微电网优化调度方法 |
CN111178642A (zh) * | 2020-01-06 | 2020-05-19 | 南京邮电大学 | 一种基于模拟退火粒子群算法的微电网优化方法 |
Non-Patent Citations (3)
Title |
---|
周灿等: "含电动汽车的智能微电网的最优潮流研究", 《电气应用》 * |
徐从启等: "考虑分时电价电动汽车负荷的微电网优化调度", 《电气工程学报》 * |
李恒杰等: "基于改进粒子群算法的含电动汽车的微电网经济调度", 《兰州理工大学学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113222226A (zh) * | 2021-04-26 | 2021-08-06 | 武汉科技大学 | 动车所调车的方法、装置、电子设备及存储介质 |
CN113222226B (zh) * | 2021-04-26 | 2022-06-24 | 武汉科技大学 | 动车所调车的方法、装置、电子设备及存储介质 |
CN114202214A (zh) * | 2021-12-15 | 2022-03-18 | 安徽师范大学 | 一种基于智能网联环境下新能源货车的优化调度方法 |
CN114202214B (zh) * | 2021-12-15 | 2024-04-05 | 安徽师范大学 | 一种基于智能网联环境下新能源货车的优化调度方法 |
CN115545582A (zh) * | 2022-12-02 | 2022-12-30 | 天津大学 | 一种电动牵引车循环送货调度问题的解决方法和装置 |
CN115545582B (zh) * | 2022-12-02 | 2023-04-07 | 天津大学 | 一种电动牵引车循环送货调度问题的解决方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112183841A (zh) | 基于模拟退火算法的含电动汽车微电网的优化调度方法 | |
CN103049798B (zh) | 一种应用于光伏发电系统的短期发电功率预测方法 | |
CN104836259B (zh) | 一种多能源船舶微网实时能量优化调度方法 | |
CN114021390A (zh) | 城市综合能源系统随机鲁棒优化方法及其应用 | |
CN110866633B (zh) | 一种基于svr支持向量回归的微电网超短期负荷预测方法 | |
Javadi et al. | Application of GA, PSO and ABC in optimal design of a stand-alone hybrid system for north-west of Iran | |
CN114400712A (zh) | 一种基于改进二阶粒子群算法的微电网群优化调度方法 | |
CN103293950B (zh) | 一种基于lssvm的光伏最大功率点跟踪的控制方法 | |
CN112072643A (zh) | 一种基于深度确定性梯度策略的光-蓄系统在线调度方法 | |
Pourmaleki et al. | Techno-Economic Analysis of a 12-kW Photovoltaic System Using an Efficient Multiple Linear Regression Model Prediction. | |
CN114725930A (zh) | 一种自适应电力系统调度方法及装置 | |
CN103577893A (zh) | 一种新能源与火电双向为高载能负荷供电的节能优化方法 | |
CN115796533A (zh) | 考虑清洁能源消纳的虚拟电厂双层优化调度方法及装置 | |
CN113488990B (zh) | 基于改进的蝙蝠算法的微电网优化调度方法 | |
CN114897220A (zh) | 一种基于gru神经网络的微电网短期负荷预测方法 | |
CN115526381A (zh) | 一种面向能源互联网的零碳园区优化规划方法及装置 | |
Arce et al. | Analysis of offshore wind energy in Colombia: current status and future opportunities | |
Yang et al. | Research on energy regulation and optimal operation strategy of multi-energy ship power station based on improved particle swarm algorithm | |
CN113807566A (zh) | 基于可再生能源和内部负荷不确定的社区能源的调度方法 | |
CN109754128B (zh) | 一种计及气象波动特性差异典型场景的风/光/储/柴微电网优化配置方法 | |
Wu et al. | Study on optimal dispatching strategy of regional energy microgrid | |
Sun et al. | A source load value matching method based on matching degree in different spatial and temporal scales | |
Cundai et al. | Research on load modeling and forecasting algorithm of automobile charging station based on GA | |
Xie et al. | Ultra-short-term Forecasting Method of Photovoltaic Power Generation Based on Combined Deep Neural Network | |
Chakrapani et al. | Applications of Artificial Intelligence in Intelligent Combustion and Energy Storage Technologies |
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 |
Application publication date: 20210105 |
|
RJ01 | Rejection of invention patent application after publication |