CN112381670B - 一种综合能源系统的组件容量匹配全局寻优方法和系统 - Google Patents
一种综合能源系统的组件容量匹配全局寻优方法和系统 Download PDFInfo
- Publication number
- CN112381670B CN112381670B CN202011367579.7A CN202011367579A CN112381670B CN 112381670 B CN112381670 B CN 112381670B CN 202011367579 A CN202011367579 A CN 202011367579A CN 112381670 B CN112381670 B CN 112381670B
- Authority
- CN
- China
- Prior art keywords
- capacity
- component
- value
- search space
- energy system
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000004364 calculation method Methods 0.000 claims abstract description 46
- 238000012163 sequencing technique Methods 0.000 claims abstract description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 10
- 238000013461 design Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000010792 warming Methods 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Feedback Control In General (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开了一种综合能源系统的组件容量匹配全局寻优方法和系统,所述方法包括:确定搜索空间;在搜索空间内随机选取某一点作为常量进行优化目标计算;重复随机选取坐标点进行计算,对所选取点计算得到的结果进行评价及排序;依据较优一部分的结果重新设置搜索空间,重复上述步骤,直到达到所设定的运算次数即停止运算得到结果。本发明针对互相影响的变量组件容量w和优化目标p求解问题,通过在合理取值范围内随机产生w值计算得到该w值下的p值并进行排序,之后更新搜索空间使得的w取值范围逐渐收缩得到最优解。该方法可以加快收敛,防止局部最优,提高计算效率。
Description
技术领域
本发明属于综合能源系统规划技术领域,涉及一种综合能源系统的组件容量匹配全局寻优方法和系统。
背景技术
全球变暖和化石能源日益枯竭成为可持续发展面临的重要挑战,加强可再生能源的开发与利用是减少温室气体排放和改善能源结构的重要对策。近年来,可再生能源的利用成本持续降低,风能和太阳能成为发展最快和最有前途的替代能源。但可再生能源的间歇性和波动性为其广泛利用增添了阻碍,因此与可再生能源结合的分布式综合能源系统逐步成为当前的研究热点。
综合能源系统可以利用化石能源、可再生能源等多种能源载体的协同和优势互补,满足用户冷、热、电和气等多种能源需求,提高能源利用率,通过与可再生能源、储能部件等分布式能源结合,可以减少碳排放,进一步提高环境友好性。然而,综合能源系统的发展尚处于起步阶段,规划和调度优化等各种技术还不成熟,制约了综合能源系统的应用。
由于综合能源系统的多能耦合性,合理规划综合能源系统对其高效稳定地运行至关重要。综合能源系统的设计和规划不仅要满足技术经济性要求,还要考虑环境的影响。因此综合能源系统的规划设计是复杂的多目标优化问题,合适的多目标优化方法和工具的选择显得尤为重要。根据算法类型可将多目标优化方法分为三类。
一、第一种方法是通常使用HOMER或RETScreen等商业软件计算得到所有满足约束条件的组件容量组合,优化目标为能量成本或净现值成本。商业软件HOMER包含大量可再生能源的部件,可以满足综合能源系统的多样性配置,因此被最广泛使用。然而,商业软件工具有其难以克服的局限性,如HOMER采用简单的基于一阶线性方程的模型,且日平均形式的时间序列数据不能导入。此外,HOMER只能输入特定的容量,而不是连续的容量范围,在计算过程中最优的容量可能会被忽略。
二、作为最简单和有效的方法,传统算法如线性规划算法和非线性规划算法,是解决多目标优化问题最早也是最直接的方法,较为精确和成熟。但线性规划法存在一个弊端是线性化后的问题不能很好的描述原先的非线性化问题。非线性规划法并不能处理微电网规划设计的高维度化问题,因此非线性规划法只能模拟一段具有代表性的时间来对原问题进行优化计算。
三、随着优化技术的发展,智能算法如粒子群优化和遗传算法,被广泛应用于综合能源系统的规划优化过程。智能算法求解精度高,但也存在一些缺陷。例如遗传算法的编程实现较为复杂,交叉率、变化率等参数通常由经验决定,难以适应不同的优化任务。对于高维复杂问题,粒子群算法和遗传算法存在早熟收敛、收敛性能差和局部最优等问题。
发明内容
为解决现有技术中的不足,本申请提供一种综合能源系统的组件容量匹配全局寻优方法和系统,针对互相影响的变量组件容量w和优化目标p求解问题,通过在合理取值范围内随机产生w值计算得到该w值下的p值并进行排序,之后更新搜索空间使得的w取值范围逐渐收缩得到最优解。该方法可以加快收敛,防止局部最优,提高计算效率,可用于综合能源系统设计规划问题,如多能联供的综合能源系统容量匹配寻优问题,建筑能源系统运行过程中的能效管理与优化等。
为了实现上述目标,本发明采用如下技术方案:
一种综合能源系统的组件容量匹配全局寻优方法,所述方法包括以下步骤:
步骤1:根据综合能源系统中各组件容量的取值范围,确定待匹配组件容量的搜索空间;
步骤2:在搜索空间内选取数据点,计算所选数据点对应的综合能源系统优化目标,并将计算结果添加入结果库Cpool;
步骤3:对结果库Cpool中的计算结果进行筛选,筛选出的计算结果添加入优选库Cbest;
步骤4:根据优选库Cbest重新设置搜索空间,返回步骤2,直到迭代次数超过设定的最大迭代次数值Imax或者循环收敛,输出最终的组件容量匹配寻优结果。
本发明进一步包括以下优选方案:
优选地,所述综合能源系统的组件包括太阳能电池、蓄电池和电网。
优选地,步骤1具体为:
确定综合能源系统中各组件容量的范围,并将其作为搜索空间的边界,各组件容量的取值组合构成搜索空间中的数据点;
所述搜索空间以Wspace向量表示,Wspace向量的维度等于组件的数量,其第i维的取值范围Wspace,i即为第i个组件容量的取值范围,定义如下:
优选地,步骤2具体为:
在搜索空间内随机选取数据点,计算所选数据点对应的综合能源系统优化结果,计算得到的优化结果及其对应的各组件容量取值添加入结果库Cpool,当结果库Cpool中存储的优化目标值及其对应的各组件容量取值达到更新次数Nu组时,进入步骤3。
优选地,步骤2中,通过如下方程在搜索空间内选取计算数据点:
wi(k)=wi(k-1)+rg[wi(k-1)-wi(k-2)](k=3,…,Nnode) (2)
其中,rg为分布因子,用于调节所选数据点的分布情况,Nnode为所选数据点的数量,wi(k)(k=1,2,3,…,Nnode)为综合能源系统的第i个组件的第k个容量值。
优选地,步骤3具体为:
对结果库中的优化目标值按从小到大排序,将结果靠前的Nb个优化目标值及其对应的各组件容量取值添加入优选库Cbest,其中结果靠前的Nb的数值小于更新次数值Nu。
优选地,步骤4具体为:
以优选库Cbest中各组件容量的取值范围为边界,重新设置搜索空间,返回步骤2,直到迭代次数超过设定的最大迭代次数值Imax或者循环收敛,输出优选库中最小优化目标值对应的各组件容量取值,作为最终组件容量匹配寻优结果。
优选地,重新设置的搜索空间,对优选库Cbest中各个结果对应的组件容量值取并集,以更新搜索空间中各组件容量的新边界,公式为:
优选地,所述优化目标为能量成本或净现值成本。
本发明还提供一种综合能源系统的组件容量匹配全局寻优系统,所述系统包括:
搜索空间构建模块,用于根据综合能源系统中各组件容量的取值范围,确定待匹配组件容量的搜索空间;
计算模块,用于在搜索空间内选取数据点,计算所选数据点对应的综合能源系统优化目标,并将计算结果添加入结果库Cpool;
筛选模块,用于对结果库Cpool中的计算结果进行筛选,筛选出的计算结果添加入优选库Cbest;
寻优模块,用于根据优选库Cbest重新设置搜索空间,返回计算模块,直到迭代次数超过设定的最大迭代次数值Imax或者循环收敛,输出最终的组件容量匹配寻优结果。
本申请所达到的有益效果:
本发明对于综合能源系统组件容量匹配的多约束多目标耦合非线性化问题,搜索空间随机选取容量数据值进行计算排序,通过不断更新搜索空间的边界,寻找搜索空间中的最优域。当样本数量足够大时便认为最终的最优域中最优的那点即为全局最优点。区别与其他智能算法,本发明方法并不是对单个点使用寻优算子不断迭代的,而是将搜索空间作为迭代的基本单位,可以有效提高计算速度,避免局部最优。
附图说明
图1为本发明方法原理示意图;
图2为本发明方法流程图;
图3为采用本发明方法对某微电网系统优化后其能量成本值随电网、太阳能电池、蓄电池容量取值变化分布图。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本申请的保护范围。
如图1和图2所示,本发明的一种综合能源系统的组件容量匹配全局寻优方法,包括以下步骤:
步骤1:根据综合能源系统中各组件容量的取值范围,确定待匹配组件容量的搜索空间,具体为:
针对综合能源系统中两个互相影响的变量组件容量w和优化目标p,首先建立搜索空间Wspace,即图1中的ABCO-DEFG,图1中各个点的坐标代表w向量的各个元素,此处假设问题为三维,即w含有3个元素;
确定综合能源系统中各组件容量的范围,并将其作为搜索空间的边界,各组件容量的取值组合构成搜索空间中的数据点;
所述搜索空间以Wspace向量表示,Wspace向量的维度等于组件的数量,其第i维的取值范围Wspace,i即为第i个组件容量的取值范围,定义如下:
本申请具体实施例中,所述综合能源系统的组件包括太阳能电池、蓄电池和电网。
步骤2:在搜索空间内选取数据点,计算所选数据点对应的综合能源系统优化目标,并将计算结果添加入结果库Cpool,具体为:
在搜索空间内随机选取数据点(x0,y0,z0),即在ABCO-DEFG内取一点,计算所选数据点对应的综合能源系统优化目标p,计算得到的优化目标结果及其对应的各组件容量取值添加入结果库Cpool,当结果库Cpool中存储的优化目标值及其对应的各组件容量取值达到更新次数Nu组时,进入步骤3。
因此,Nu为搜索空间的更新频率,越小则表示其更新的越频繁。当Cpool库中w的个数每增加Nu个时,便对搜索空间进行一次更新。搜索空间进行更新,可提高计算效率,加速算法的收敛。
所述优化目标为能量成本或净现值成本。
能量成本为单位时间内产生单位电能所消耗的成本如设备运行成本、污染排放成本、设备运行成本之和。
为了保证搜索空间取值的过程可以达到全范围覆盖,通过对搜索空间动态离散化在取值范围内生成一定数量的数据点,保证搜索空间的均匀性,各数据点满足以下方程:
wi(k)=wi(k-1)+rg[wi(k-1)-wi(k-2)](k=3,…,Nnode) (2)
其中,rg为分布因子,用于调节所选数据点的分布情况,Nnode为所选数据点的数量,wi(k)(k=1,2,3,…,Nnode)为综合能源系统的第i个组件的第k个容量值。
连续的搜索空间被转化成Nnode个离散的点,分布因子rg可以控制在原连续空间中取点的分布情况:当rg=1时,所取的点在原连续空间中均匀分布;当rg>1时,所取的点在原连续空间中较小值的部分分布更密集;当rg<1时,则在较大值的部分分布更密集。离散化后的搜索空间可以保证算法的随机取值按照指定的规律包含整个空间,使用相对较少的随机取值点得到一次迭代的结果,提高算法的运行效率;同时合理利用分布因子rg可以调节数据点的分布情况,使计算主要集中在取点密集区,加速算法收敛。离散后的搜索空间可以确保随机取值范围均匀覆盖到整个空间,避免了密集取值的可能性,通过少量的随机取值点得到大范围取值空间下的计算结果,提高了效率;此外,分布因子的引入使得离散点的选取具有方向性,使得计算过程多发生在取点密集区,加速算法的收敛。
步骤3:对结果库Cpool中的计算结果进行筛选,筛选出的计算结果添加入优选库Cbest,具体为:
对结果库中的优化目标值按从小到大排序,将结果靠前的Nb个优化目标值及其对应的各组件容量取值添加入优选库Cbest,其中结果靠前的Nb的数值小于更新次数值Nu。
步骤4:根据优选库Cbest重新设置搜索空间,返回步骤2,直到迭代次数超过设定的最大迭代次数值Imax或者循环收敛,输出最终的组件容量匹配寻优结果,具体为:
以优选库Cbest中各组件容量的取值范围为边界,重新设置搜索空间,返回步骤2,直到迭代次数超过设定的最大迭代次数值Imax或者循环收敛,输出优选库中最小优化目标值对应的各组件容量取值,作为最终组件容量匹配寻优结果。
其中,循环收敛的判断为:当搜索空间足够小时,即判定搜索空间中最优点为全局最优点,迭代此时终止,即当计算得到的Cbest库中最低的优化目标值与Cbest库中最高的优化目标值的差的绝对值小于ε。其中,ε为给定的充分小的数,其值的选定主要参照计算需求的精度,通常情况下设置为0.01,同时设置最大计算次数Imax,即认为当随机取值并计算超过最大计算次数后,计算结果已经足够精度要求,更多的计算次数对结果影响不大。
重新设置的搜索空间,依据优选库Cbest中各组件容量的取值并集进行选取,公式如下:
一种综合能源系统的组件容量匹配全局寻优系统,所述系统包括:
搜索空间构建模块,用于根据综合能源系统中各组件容量的取值范围,确定待匹配组件容量的搜索空间;
计算模块,用于在搜索空间内选取数据点,计算所选数据点对应的综合能源系统优化目标,并将计算结果添加入结果库Cpool;
筛选模块,用于对结果库Cpool中的计算结果进行筛选,筛选出的计算结果添加入优选库Cbest;
寻优模块,用于根据优选库Cbest重新设置搜索空间,返回计算模块,直到迭代次数超过设定的最大迭代次数值Imax或者循环收敛,输出最终的组件容量匹配寻优结果。
为了验证本发明方法的有效性,采用上述方法和步骤对某商用建筑的微电网系统进行组件容量的计算。其中,微电网系统由太阳能电池、蓄电池和电网组成,计算目标是寻找最低能量成本下的最佳组件容量配比。对该商业建筑的用电情况进行为期一周、最小时间间隔1小时进行模拟运行计算,并优化得出系统最低能量成本下的最优容量配比。图3给出了微电网系统优化后其能量成本值随电网、太阳能电池、蓄电池容量取值变化分布图,可以看出本发明方法有效减少了整个优化过程的计算量,在优化过程的开始阶段便通过收缩搜索空间的方式将能量成本值较高的区域排除出去,搜索空间随着计算次数的增长沿着图3所示箭头方向收缩,并在可能出现最优解的区域进行较为密集的搜索,有效地使能量成本的计算值不断趋近最小值。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述,但是本领域技术人员应该理解,以上实施示例仅为本发明的优选实施方案,详尽的说明只是为了帮助读者更好地理解本发明精神,而并非对本发明保护范围的限制,相反,任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
Claims (8)
1.一种综合能源系统的组件容量匹配全局寻优方法,其特征在于:
所述方法包括以下步骤:
步骤1:根据综合能源系统中各组件容量的取值范围,确定待匹配组件容量的搜索空间;
步骤2:在搜索空间内选取数据点,计算所选数据点对应的综合能源系统优化目标,并将计算结果添加入结果库Cpool;
步骤3:对结果库Cpool中的计算结果进行筛选,筛选出的计算结果添加入优选库Cbest;
步骤4:根据优选库Cbest重新设置搜索空间,返回步骤2,直到迭代次数超过设定的最大迭代次数值Imax或者循环收敛,输出最终的组件容量匹配寻优结果;
步骤2中,通过如下方程在搜索空间内选取数据点:
wi(k)=wi(k-1)+rg[wi(k-1)-wi(k-2)](k=3,...,Nnode) (2)
其中,rg为分布因子,用于调节所选数据点的分布情况,Nnode为所选数据点的数量,wi(k)(k=1,2,3,...,Nnode)为综合能源系统的第i个组件的第k个容量值;
所述优化目标为能量成本或净现值成本。
2.根据权利要求1所述的一种综合能源系统的组件容量匹配全局寻优方法,其特征在于:
所述综合能源系统的组件包括太阳能电池、蓄电池和电网。
4.根据权利要求3所述的一种综合能源系统的组件容量匹配全局寻优方法,其特征在于:
步骤2具体为:
在搜索空间内随机选取数据点,计算所选数据点对应的综合能源系统优化结果,计算得到的优化结果及其对应的各组件容量取值添加入结果库Cpool,当结果库Cpool中存储的优化目标值及其对应的各组件容量取值达到更新次数Nu组时,进入步骤3。
5.根据权利要求4所述的一种综合能源系统的组件容量匹配全局寻优方法,其特征在于:
步骤3具体为:
对结果库中的优化目标值按从小到大排序,将结果靠前的Nb个优化目标值及其对应的各组件容量取值添加入优选库Cbest,其中结果靠前的Nb的数值小于更新次数值Nu。
6.根据权利要求5所述的一种综合能源系统的组件容量匹配全局寻优方法,其特征在于:
步骤4具体为:
以优选库Cbest中各组件容量的取值范围为边界,重新设置搜索空间,返回步骤2,直到迭代次数超过设定的最大迭代次数值Imax或者循环收敛,输出优选库中最小优化目标值对应的各组件容量取值,作为最终组件容量匹配寻优结果。
8.一种综合能源系统的组件容量匹配全局寻优系统,其特征在于:
所述系统包括:
搜索空间构建模块,用于根据综合能源系统中各组件容量的取值范围,确定待匹配组件容量的搜索空间;
计算模块,用于在搜索空间内选取数据点,计算所选数据点对应的综合能源系统优化目标,并将计算结果添加入结果库Cpool;
筛选模块,用于对结果库Cpool中的计算结果进行筛选,筛选出的计算结果添加入优选库Cbest;
寻优模块,用于根据优选库Cbest重新设置搜索空间,返回计算模块,直到迭代次数超过设定的最大迭代次数值Imax或者循环收敛,输出最终的组件容量匹配寻优结果;
计算模块中,通过如下方程在搜索空间内选取数据点:
wi(k)=wi(k-1)+rg[wi(k-1)-wi(k-2)](k=3,...,Nnode) (2)
其中,rg为分布因子,用于调节所选数据点的分布情况,Nnode为所选数据点的数量,wi(k)(k=1,2,3,...,Nnode)为综合能源系统的第i个组件的第k个容量值;
所述优化目标为能量成本或净现值成本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011367579.7A CN112381670B (zh) | 2020-11-27 | 2020-11-27 | 一种综合能源系统的组件容量匹配全局寻优方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011367579.7A CN112381670B (zh) | 2020-11-27 | 2020-11-27 | 一种综合能源系统的组件容量匹配全局寻优方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112381670A CN112381670A (zh) | 2021-02-19 |
CN112381670B true CN112381670B (zh) | 2022-08-05 |
Family
ID=74588973
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011367579.7A Active CN112381670B (zh) | 2020-11-27 | 2020-11-27 | 一种综合能源系统的组件容量匹配全局寻优方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112381670B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086900A (zh) * | 2018-08-31 | 2018-12-25 | 贵州电网有限责任公司都匀供电局 | 基于多目标粒子群优化算法的电力物资保障及调配平台 |
CN109345005A (zh) * | 2018-09-12 | 2019-02-15 | 中国电力科学研究院有限公司 | 一种基于改进鲸鱼算法的综合能源系统多维寻优方法 |
-
2020
- 2020-11-27 CN CN202011367579.7A patent/CN112381670B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086900A (zh) * | 2018-08-31 | 2018-12-25 | 贵州电网有限责任公司都匀供电局 | 基于多目标粒子群优化算法的电力物资保障及调配平台 |
CN109345005A (zh) * | 2018-09-12 | 2019-02-15 | 中国电力科学研究院有限公司 | 一种基于改进鲸鱼算法的综合能源系统多维寻优方法 |
Non-Patent Citations (1)
Title |
---|
考虑能量成本和污染排放的综合能源系统优化配置;吴福保等;《热力发电》;20200728;第1-10页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112381670A (zh) | 2021-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Abo-Elyousr et al. | Bi-objective economic feasibility of hybrid micro-grid systems with multiple fuel options for islanded areas in Egypt | |
CN109888835B (zh) | 一种基于改进粒子群的分布式光伏配电网规划方法 | |
Hu et al. | A new clustering approach for scenario reduction in multi-stochastic variable programming | |
Maleki et al. | Scrutiny of multifarious particle swarm optimization for finding the optimal size of a PV/wind/battery hybrid system | |
Wen et al. | Economic allocation for energy storage system considering wind power distribution | |
Cao et al. | Probabilistic optimal PV capacity planning for wind farm expansion based on NASA data | |
CN107612016B (zh) | 基于电压最大相关熵的配电网中分布式电源的规划方法 | |
Junior et al. | On the use of maximum likelihood and input data similarity to obtain prediction intervals for forecasts of photovoltaic power generation | |
Tan et al. | Stochastic multi-objective optimized dispatch of combined cooling, heating, and power microgrids based on hybrid evolutionary optimization algorithm | |
Safari et al. | Optimal DG allocation in distribution network | |
CN113783224A (zh) | 一种考虑多种分布式能源运行的配电网双层优化规划方法 | |
CN112163711A (zh) | 一种基于mopso/cc的综合能源系统优化调度方法 | |
Rasid et al. | Fossil fuel cost saving maximization: Optimal allocation and sizing of Renewable-Energy Distributed Generation units considering uncertainty via Clonal Differential Evolution | |
Talbi et al. | Solution of economic and environmental power dispatch problem of an electrical power system using BFGS-AL algorithm | |
CN111985805A (zh) | 综合能源系统动态需求响应的方法及系统 | |
Ma et al. | Random-fuzzy chance-constrained programming optimal power flow of wind integrated power considering voltage stability | |
Saberi et al. | Optimal sizing of hybrid PV and wind energy system with backup of redox flow battery to postpone grid expansion investments | |
CN112564160B (zh) | 一种计及风电不确定性的储能系统随机配置方法、终端及存储介质 | |
Cannata et al. | Multi-objective optimization of urban microgrid energy supply according to economic and environmental criteria | |
CN105633971A (zh) | 一种基于帝国主义竞争算法的智能配电网随机潮流方法 | |
CN112381670B (zh) | 一种综合能源系统的组件容量匹配全局寻优方法和系统 | |
CN110336332B (zh) | 一种基于出力曲线聚合的区间潮流典型场景构造方法 | |
Taghikhani | DG allocation and sizing in distribution network using modified shuffled frog leaping algorithm | |
Pappala et al. | Unit commitment under wind power and demand uncertainties | |
CN113036806B (zh) | 一种基于随机规划模型的风光互补系统容量配比方法 |
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 |