CN113240547A - 风电消纳下制氢机组阵列的调度方法 - Google Patents

风电消纳下制氢机组阵列的调度方法 Download PDF

Info

Publication number
CN113240547A
CN113240547A CN202110555684.1A CN202110555684A CN113240547A CN 113240547 A CN113240547 A CN 113240547A CN 202110555684 A CN202110555684 A CN 202110555684A CN 113240547 A CN113240547 A CN 113240547A
Authority
CN
China
Prior art keywords
unit
individual
population
hydrogen production
individuals
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.)
Granted
Application number
CN202110555684.1A
Other languages
English (en)
Other versions
CN113240547B (zh
Inventor
林涛
赵丹阳
严寒
陈志鹏
丁庭宇
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.)
Hebei University of Technology
Original Assignee
Hebei University of Technology
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 Hebei University of Technology filed Critical Hebei University of Technology
Priority to CN202110555684.1A priority Critical patent/CN113240547B/zh
Publication of CN113240547A publication Critical patent/CN113240547A/zh
Application granted granted Critical
Publication of CN113240547B publication Critical patent/CN113240547B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • 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
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • 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]
    • 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
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P80/00—Climate change mitigation technologies for sector-wide applications
    • Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P80/00—Climate change mitigation technologies for sector-wide applications
    • Y02P80/20—Climate change mitigation technologies for sector-wide applications using renewable 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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明为一种风电消纳下制氢机组阵列的调度方法，包括第一步、获取制氢机组阵列的机组启停约束和功率输入约束；第二步、搭建机组出力双层优化模型，包括机组功率分配优化模型和机组启停状态优化模型；第三步、对机组功率分配优化模型进行求解，得到每个时段各机组在不同开关状态下的出力和制氢机组阵列的经济值；第四步、利用混合二进制萤火虫算法求解机组启停状态优化模型，得到制氢机组阵列中各机组在各时段的启停状态；第五步、根据制氢机组阵列中各机组在各时段的启停状态，得到各时段出力的制氢机组，生成制氢机组阵列的时序出力计划表，对制氢机组阵列进行调度。提升了制氢机组阵列运行的经济性，为风电制氢工厂制定工作计划提供了依据。

Description

风电消纳下制氢机组阵列的调度方法
技术领域
本发明属于制氢技术领域，具体涉及一种风电消纳下制氢机组阵列的调度方法。
背景技术
近年来，随着风力发电发展迅猛，装机规模快速扩张，风电消纳问题严重。可再生能源耦合电解制氢技术对于解决就地风电消纳，实现可再生能源健康持续发展具有重要意义。先进的能量管理策略可以有效提高风氢耦合系统的经济性与风电消纳能力，对制氢机组阵列中机组的出力进行调度，有利于实现最大经济效益。
魏繁荣等学者提出一种考虑制氢机组功率-效率特性的能量调度策略，将制氢系统看作一个统一的制氢机组，然而受限于制氢机组的单体制造水平，大规模制氢工程应用需要多个单体制氢机组组成制氢机组阵列，所以提出的能量调度策略不能应用于制氢机组阵列。而针对含有多台同型号制氢机组阵列的调度策略不适用于含有多型号制氢机组的阵列；能量调度策略在应用到碱式制氢机组时，会因为碱式制氢机组存在的组启停约束、功率输入约束，导致碱式机组异常停机，造成阵列运行的经济性较差，随意性较高，风电消纳能力较差，而且只能针对同一型号的制氢机组进行调度，参见文献《魏繁荣,随权,林湘宁,等.考虑制氢设备效率特性的煤风氢能源网调度优化策略[J].中国电机工程学报,2018,38(05):1428-1439.》。
Tuyen Nguyen Duc等学者提出的调整制氢阵列中机组开关数量以跟踪光伏发电功率的调度策略，提高了系统的制氢效率，但不适用于含有多型号制氢机组的阵列，解决类似问题的优化算法求解能力和稳定性较差，参见文献《Tuyen Nguyen Duc,GoshomeKiyotaka,Endo Naruki,et al.Optimization strategy for high efficiency 20kW-class direct coupled photovoltaic-electrolyzer system based on experimentdata[J].International Journal of Hydrogen Energy,2019,44(49):26741-26752.》。
综上所述，本发明针对制氢机组阵列的优化调度问题，考虑制氢机组的机组启停时间、机组的输入功率范围、机组的功率-效率特性，结合辅助购电策略，以经济效益最高为目标，提出一种风电消纳下制氢机组阵列的调度方法。
发明内容
针对现有技术的不足，本发明拟解决的技术问题是，提供了一种风电消纳下制氢机组阵列的调度方法。
本发明解决所述技术问题采用的技术方案是：
一种风电消纳下制氢机组阵列的调度方法，包括以下步骤：
第一步、获取制氢机组阵列的机组启停约束和功率输入约束；
第二步、以经济效益最大为目标，考虑购电成本、售氢收益，计及机组启停约束和功率-效率特性，搭建机组出力双层优化模型，包括机组功率分配优化模型和机组启停状态优化模型；
第三步、将机组的启停约束、功率输入约束以及风电功率的时序数据代入机组功率分配优化模型，对机组功率分配优化模型进行求解，得到每个时段各机组在不同开关状态下的出力和制氢机组阵列的经济值；
第四步、利用混合二进制萤火虫算法求解机组启停状态优化模型，得到制氢机组阵列中各机组在各时段的启停状态；
第五步、根据第四步得到的制氢机组阵列中各机组在各时段的启停状态，从第三步查找各时段出力的制氢机组，生成制氢机组阵列在所有时段的时序出力计划表，根据此表对制氢机组阵列进行调度，以获得最大经济效益。
第二步中，机组功率分配优化模型F(U1,t,U2,t,...,UD,t)为：
Figure BDA0003077082610000021
式(1)中，U1,t,U2,t,...,Uj,t,...,UD,t为机组1,2,...,j,...,D在t时段的开关状态，
Figure BDA0003077082610000022
为氢气售价，Te为时段时长，Fvout,j(Pjcell,t/Pst,j)为机组j每小时的氢气产量函数，Pjcell,t为机组j在t时段的输入功率，Pst,j为机组j的额定输入功率，Cel为电网购电价格，Pem(U1,t,U2,t,...,UD,t)为制氢机组阵列购电量；
制氢机组阵列购电量Pem(U1,t,U2,t,...,UD,t)为：
Figure BDA0003077082610000023
式(2)中，Pwind,t为t时段的风电功率，Pem(U1,t,U2,t,...UD,t)大于等于0；
机组出力约束为：
Pmin,j＜Pjcell,t＜Pmax,j (3)
式(3)中，Pmin,j、Pmax,j为机组j的最小、最大输入功率；
机组启停状态优化模型为：
Figure BDA0003077082610000024
式(4)中，tot_eco(U1,t,U2,t,...,UD,t)为制氢机组阵列在K个时段累加的总经济值；
机组启停约束为：
To,j,t≥Tomin，Ts,j,t≥Tsmin (5)
式(5)中，To,j,t、Ts,j,t为机组j连续运行时间和停运时间，Tomin、Tsmin为机组j的最短开启时间和最短关停时间。
第四步的具体过程为：
4-1、初始化种群
制氢机组阵列的启停状态用一个D×K的矩阵X表示，表示K个时段内D台机组的启停状态，如式(6)；
Figure BDA0003077082610000031
初始化种群，随机生成多个萤火虫，得到普通种群；一个萤火虫的位置矩阵对应一个矩阵X；采用向前继承的时间修复策略对矩阵X的所有行向量的状态序列进行修复，以满足机组启停约束；
4-2、普通种群的进化
计算普通种群所有个体的亮度，对于个体a，若种群中存在亮度比个体a高的个体b，使个体a向个体b飞行，则在个体a与个体b之间得到一个新位置，若新位置的亮度比个体a原位置高，则个体a飞行到新位置处，否则保持原位置不动；然后对个体a进行概率协同的双邻域搜索，得到当前解的邻域；若邻域内存在亮度比个体a高的个体，则将该个体的位置复制到个体a；然后重复前述个体a向个体b的飞行过程，个体a每飞行一次都要进行概率协同的双邻域搜索，直到种群中没有比个体a亮的个体；所有个体都按照个体a的过程进行飞行，直到所有个体都飞行完毕，则完成普通种群进化一代，直到满足最大进化代数；
4-3、精英种群的进化
当普通种群进化至种群交流准则当前进化代数与总进化代数之间的比值达到设定值时，从普通种群中复制部分精英个体到精英种群中；精英种群初始为空；
对精英种群进行选择操作，然后对精英种群中的所有精英个体进行两两组合，对组合后的两个精英个体进行带端粒保护的交叉操作，生成子代个体；对于任意子代个体c进行邻域搜索，得到当前解的邻域；若邻域内存在亮度比子代个体c高的个体d，则将子代个体d的位置复制到个体c，否则保持不动，完成子代个体c的位置更新；子代个体c每进行一次位置更新都进行邻域搜索，直到邻域内没有比个体c更亮的个体；所有子代个体都执行子代个体c的过程，完成位置更新，当所有子代个体都完成位置更新后，实现精英种群进化一代，直到进化代数达到最大进化代数时，完成精英种群的整个进化过程，至此实现普通种群和精英种群的第一次交流；
4-4、双种群协同进化
当精英种群进化完成后，从精英种群中随机选择部分精英个体与步骤4-2得到的普通种群的部分劣势个体进行两两组合，对组合后的精英个体和劣势个体进行步骤4-3的带端粒保护的交叉操作，以此替换掉步骤4-2得到的普通种群的部分劣势个体，实现精英种群的良种迁移；然后对替换掉部分劣势个体的普通种群重复执行步骤4-2、4-3，完成普通种群和精英种群的第二次交流；重复执行此步骤，完成普通种群和精英种群的多次交流，最后输出最优解，即制氢机组阵列中各机组在各时段的启停状态。
步骤4-2中，概率协同的双邻域搜索包含邻域搜索算子一和邻域搜索算子二，令p1,iter、p2iter分别为第iter代普通种群选择邻域搜索算子一、二的概率，第1代普通种群选择邻域搜索算子一、二的概率均为0.5；令μ1,iter-1、μ2,iter-1分别为第iter-1代普通种群进化中采用邻域搜索算子一、二改善个体的比例，则p1,iter、p2iter按式(13)在每代普通种群进化后进行更新；
Figure BDA0003077082610000041
p1,iter,p2,iter≥0，当μ1,iter-1,μ2,iter-1＝0时，p1,iter,p2,iter＝0.5；
在第iter代普通种群进化过程中，在进行邻域搜索前，生成一个随机数randi,randi∈[0,1]，当randi≥p1,iter时，则选择邻域搜索算子二生成当前解的邻域，否则选择邻域搜索算子一生成当前解的邻域。
带端粒保护的交叉操作的具体过程为：将两个精英个体位置矩阵对应位置的两个行向量作为父代个体1和父代个体2，在父代个体1和父代个体2上分别选择两个交叉点，父代个体1和父代个体2交叉点的位置对应，两个交叉点之间的序列片段称为交叉区域；交换父代个体1和父代个体2交叉区域的序列片段，交叉区域左、右两侧的区域分别为左端粒区和右端粒区；清空两个父代的左、右端粒区的状态序列，然后将每个端粒区均分为左、右两部分，分别对每个端粒区的左、右两部分进行填充，使端粒区左、右部分的状态与相邻序列的状态相同，以满足制氢机组启停约束，得到两个交叉操作后的行向量；对两个精英个体的位置矩阵的所有行向量分别进行前述操作，得到子代个体1和子代个体2。
假定矩阵X具有可行解，则将矩阵X分解成D个行向量，对行向量xj的状态序列进行机组约束条件判断，得到y个可取反点；对行向量xj进行y次汉明距离为1的一位条件取反操作，每个取反操作后都得到一个取反后的向量，一共得到y个取反后的向量，这些取反后的向量构成行向量xj的邻域集合一；矩阵X的每个行向量都执行此步骤，一共得到D个邻域集合一；邻域搜索算子一表示分别从每个邻域集合一中随机选取一个行向量x'j，形成新的可行解X’；
与邻域搜索算子一同理，对每个行向量xj进行汉明距离为随机数R的条件取反操作，一共得到D个邻域集合二，邻域搜索算子二表示分别从D个邻域集合二中随机选取一个行向量x'j，形成新的可行解X’。
一位条件取反操作的具体过程为：
对于任意机组的状态序列，当相邻两个状态维持时段数均大于最小启停时间与时段时长的比值时，则将状态改变点视为可取反点，对可取反点两侧的状态序列随机选择一侧进行一位条件取反操作，得到取反后的向量，即对紧挨可取反点的序列进行一位条件取反，保证不违反机组启停约束。
与现有技术相比，本发明的有益效果是：
1.本发明考虑制氢机组功率-效率特性，以经济性最高为目标，搭建了机组出力双层优化模型，机组出力双层优化模型分为内、外两层，内层为机组功率分配优化模型，外层为机组启停状态优化模型；机组功率分配优化模型根据机组的启停时间和额定功率、风电功率的时序数据计算每个时段各机组在不同开关状态下的出力和制氢机组阵列的经济值；机组启停状态优化模型以制氢机组阵列对应时段的总经济值为目标，求解得到制氢机组阵列中各机组在各时段的启停状态，进而得到制氢机组的时序出力，以提升制氢机组阵列运行的经济性，为风电制氢工厂制定工作计划提供了依据，减少了人力成本。
2.本发明提出一种混合二进制萤火虫算法对机组启停状态优化模型进行求解，为了提高搜索效率提出两种邻域搜索算子，在普通种群的进化过程中，采用概率协同的双邻域搜索，提高局部搜索能力，加快收敛速度；而且随着时间的发展，当数据库中存储的风功率场景增多时，求解速度会越来越快。
3.对于机组的状态序列，通过条件取反操作，保证机组的状态序列不违反机组启停约束。
4.在精英种群进化过程中，两个精英个体通过带端粒保护的交叉操作生成子代，充分保留父代的优良基因。
5.通过精英种群的精英个体与普通种群的劣势个体进行交流杂交的方式实现两个种群的协同进化，平衡了混合二进制萤火虫算法的全局搜索和局部搜索能力。
附图说明
图1为本发明的整体流程图；
图2为本发明的普通种群、精英种群以及双种群协同的进化流程图；
图3为本发明的条件取反操作的示意图；
图4为本发明的带端粒保护的交叉操作的示意图。
具体实施方式
下面结合具体实施方式和附图对本发明的技术方案进行描述，并不用于限定本申请的保护范围。
本发明为一种风电消纳下制氢机组阵列的调度方法(简称方法)，包括以下步骤：
第一步、获取制氢机组阵列的机组启停约束、功率输入约束以及各机组的额定输入功率，功率输入约束包括最小输入功率和最大输入功率；本实施例中设定最小输入功率为0.1倍额定输入功率，最大输入功率为1.1倍额定输入功率；
第二步、搭建机组出力双层优化模型
采取电网辅助购电策略，维持制氢机组阵列最优运行；以经济性最高为目标，考虑购电成本、售氢收益，计及机组启停约束和功率-效率特性，搭建机组出力双层优化模型，机组出力双层优化模型分为内、外两层，内层为机组功率分配优化模型，外层为机组启停状态优化模型；
2-1、机组功率分配优化模型根据机组启停状态优化模型传入的各时段出力的机组，以经济性最高为目标，对机组进行出力优化，求得该时段的总经济值，并将该时段的总经济值传回机组启停状态优化模型，得到各时段出力的机组；
机组功率分配优化模型F(U1,t,U2,t,...,UD,t)为：
Figure BDA0003077082610000061
式(1)中，U1,t,U2,t,...,Uj,t,...,UD,t为机组1,2,...,j,...,D在t时段的开关状态，
Figure BDA0003077082610000062
为氢气售价，Te为时段时长，Fvout,j(Pjcell,t/Pst,j)为机组j每小时的氢气产量函数，Pjcell,t为机组j在t时段的输入功率，Pst,j为机组j的额定输入功率，Cel为电网购电价格，Pem(U1,t,U2,t,...,UD,t)为制氢机组阵列购电量；
制氢机组阵列购电量Pem(U1,t,U2,t,...,UD,t)为：
Figure BDA0003077082610000071
式(2)中，Pwind,t为t时段的风电功率，Pem(U1,t,U2,t,...UD,t)大于等于0；
机组出力约束为：
Pmin,j＜Pjcell,t＜Pmax,j (3)
式(3)中，Pmin,j、Pmax,j为机组j的最小、最大输入功率；
2-2、以制氢机组阵列经济性最高为目标，计及机组启停约束，优化D台机组在K个时段的启停状态，机组启停状态优化模型为：
Figure BDA0003077082610000072
式(4)中，tot_eco(U1,t,U2,t,...,UD,t)为制氢机组阵列在K个时段累加的总经济值；
机组启停约束为：
To,j,t≥Tomin，Ts,j,t≥Tsmin (5)
式(5)中，To,j,t、Ts,j,t为机组j连续运行时间和停运时间，Tomin、Tsmin为机组j的最短开启时间和最短关停时间。
第三步、为了降低计算复杂度，对于每一个制氢机组阵列，将机组的启停约束和额定输入功率、风电功率的时序数据代入式(1)，然后利用粒子群算法求解机组功率分配优化模型，得到每个时段各机组在不同开关状态下的出力和制氢机组阵列的经济值，生成开关状态-出力-经济值的数据表，数据表中包含时段信息、机组开关状态、机组出力和该时段的总经济值。
粒子群算法种群规模为20，最大迭代次数为100。
第四步、利用混合二进制萤火虫算法(Hybrid Binary Firefly Algorithm，简称HBFA)求解机组启停状态优化模型
4-1、初始化种群
制氢机组阵列的启停状态可以用一个D×K的矩阵X表示，表示K个时段内D台机组的启停状态，如式(6)；
Figure BDA0003077082610000073
初始化种群，随机生成多个萤火虫，得到普通种群；每个萤火虫的位置矩阵对应一个开关状态矩阵，对位置矩阵的每个矩阵元素随机置0或者1，0表示机组处于关停状态，1表示机组处于开启状态；
矩阵X的行向量xj为机组j在K个时段内的状态序列；当矩阵X的列数增加时，随机生成可行解的时间将会大大增加，因此采用向前继承的时间修复策略对矩阵X的所有行向量的状态序列进行修复，当行向量的状态序列违反机组启停约束时，将相应时段的启停状态调整与前一个时段的启停状态一致，否则不变，直到完成所有行向量的修复；
4-2、普通种群的进化
计算普通种群所有个体的亮度，对于个体a，若种群中存在亮度比个体a高的个体b，使个体a向个体b飞行，则在个体a与个体b之间得到一个新位置，若新位置的亮度比个体a原位置高，则个体a飞行到新位置处，否则保持原位置不动；然后对个体a进行概率协同的双邻域搜索，得到当前解的邻域；若邻域内存在亮度比个体a高的个体，则将该个体的位置复制到个体a；然后重复前述个体a向个体b的飞行过程，个体a每飞行一次都要进行概率协同的双邻域搜索，直到种群中没有比个体a亮的个体；所有个体都按照个体a的过程进行飞行，直到所有个体都飞行完毕，则完成普通种群进化一代，直到满足最大进化代数；
个体a向更亮的个体b飞行的具体过程为：利用式(7)计算个体a第iter代的位置矩阵中第j行t列的值
Figure BDA0003077082610000081
Figure BDA0003077082610000082
个体a第iter代的位翻转概率δ满足式(8)，位翻转概率δ随迭代次数线性递减；
Figure BDA0003077082610000083
个体a第iter代的速度
Figure BDA0003077082610000084
为：
Figure BDA0003077082610000085
式(7)-(9)中，rand1、rand2为[0,1]之间的随机数，iter为当前进化代数，iterto为总进化代数；当rand1>δ时，
Figure BDA0003077082610000086
否则对
Figure BDA0003077082610000087
取反；
Figure BDA0003077082610000088
由β(a,b)、rand2决定；
β(a,b)为个体b对a的吸引概率，满足式(10)：
Figure BDA0003077082610000089
β(a,b)由个体a和b之间的收益return(a,b)和亮度差cost(a,b)决定；
个体a和b之间的亮度差cost(a,b)为：
cost(a,b)＝distance(a,b) (11)
个体a飞向个体b的收益return(a,b)为：
Figure BDA0003077082610000091
式(12)中，
Figure BDA0003077082610000092
分别为个体b、a第iter-1代的亮度，f(Xmax)为全局最大亮度；
由于存在机组启停约束，导致搜索空间的可行解稀疏和不连续，为了提高搜索效率，本发明针对机组启停约束提出了两个邻域搜索算子；概率协同的双邻域搜索的具体过程是：
图3为机组j的状态序列片段，该片段中共有25个时段，对应的状态维持时段数为5、5、4、5、6；设每个时段的时长为15min，机组启停约束为最小启停时间为1小时，则每个机组的最小状态维持时段数为4；当相邻两个状态维持时段数均大于4时，则将状态改变点视为可取反点，对可取反点两侧的状态序列随机选择一侧进行一位条件取反操作，得到取反后的向量，即对紧挨可取反点的序列进行一位条件取反，保证不违反机组启停约束，即保证最小状态维持时段数为4；取反后的向量与原向量之间的汉明距离为W，(W∈[1,Nmax-4])，其中Nmax为状态改变点两侧状态维持时段数的最大值；
假定矩阵X具有可行解，则将矩阵X分解成D个行向量，对行向量xj的状态序列进行机组约束条件判断，得到y个可取反点；对行向量xj进行y次汉明距离为1的一位条件取反操作，每个取反操作后都得到一个取反后的向量，一共得到y个取反后的向量，这些取反后的向量构成行向量xj的邻域集合一；矩阵X的每个行向量都执行此步骤，一共得到D个邻域集合一；邻域搜索算子一表示分别从每个邻域集合一中随机选取一个行向量x'j，形成新的可行解X’；
与邻域搜索算子一相似，对每个行向量xj进行汉明距离为随机数R，R∈[2,Nmax-4]的条件取反操作，一共得到D个邻域集合二，邻域搜索算子二表示分别从D个邻域集合二中随机选取一个行向量x'j，形成新的可行解X’；
令p1,iter、p2iter分别为第iter代普通种群选择邻域搜索算子一、二的概率，第1代普通种群选择邻域搜索算子一、二的概率均为0.5，即p1,1＝p2,1＝0.5，令μ1,iter-1、μ2,iter-1分别为第iter-1代普通种群进化中采用邻域搜索算子一、二改善个体的比例，则p1,iter、p2iter按式(13)在每代普通种群进化后进行更新；
Figure BDA0003077082610000101
为保持邻域的多样性，设置p1,iter,p2,iter≥0，当μ1,iter-1,μ2,iter-1＝0时，p1,iter,p2,iter＝0.5；
在第iter代普通种群进化过程中，在进行邻域搜索前，生成一个随机数randi,randi∈[0,1]，当randi≥p1,iter时，则选择邻域搜索算子二生成当前解的邻域，否则选择邻域搜索算子一生成当前解的邻域；
利用式(14)计算领域规模，邻域规模取决于当前迭代次数、当前亮度、历史亮度和全局最大亮度；
Figure BDA0003077082610000102
其中，Qmax为最大邻域数，fiter为当前亮度，fiter-1为历史亮度，fmax为局部最大亮度；本实施例中普通种群的规模为50，最大进化代数为300。
4-3、精英种群的进化
当普通种群进化至满足种群交流准则时，从普通种群中复制40％普通种群规模的精英个体到精英种群中；精英种群初始为空，种群规模上限为20％普通种群规模；种群交流准则为当前进化代数与总进化代数之间的比值达到设定值，本实施例中精英种群的总进化代数为20；
对精英种群进行选择操作，即对精英种群中所有个体按亮度由低到高的顺序进行排序，当个体数大于种群规模上限时，淘汰亮度低的个体，使种群规模维持在种群规模上限；然后对精英种群中的所有精英个体进行两两组合，对组合后的两个精英个体进行带端粒保护的交叉操作，生成子代个体；对于任意子代个体c采用邻域搜索算子一进行邻域搜索，得到当前解的邻域，邻域规模为4(No-1)，No为最小状态维持时段数；若邻域内存在亮度比子代个体c高的个体d，则将子代个体d的位置复制到个体c，否则保持不动，完成子代个体c的位置更新；子代个体c每进行一次位置更新都进行邻域搜索，直到邻域内没有比个体c更亮的个体；所有子代个体都执行子代个体c的过程，完成位置更新，当所有子代个体都完成位置更新后，实现精英种群进化一代，直到进化代数满足终止准则，即进化代数达到最大进化代数时，完成精英种群的整个进化过程，至此实现普通种群和精英种群的第一次交流，此过程中种群交流准则为当前进化代数与总进化代数之间的比值为0.5；
带端粒保护的交叉操作的具体过程为：如图4，将两个精英个体的位置矩阵对应位置的行向量x1,j、x2,j作为父代个体1和父代个体2，在父代个体1和父代个体2上分别选择两个交叉点，父代个体1和父代个体2交叉点的位置对应，两个交叉点之间的序列片段称为交叉区域，交叉区域的长度为L(L≥3No)；交换父代个体1和父代个体2交叉区域的序列片段，交叉区域左、右两侧的区域分别为左端粒区和右端粒区，左、右端粒区的长度均为2(No-1)；清空两个父代端粒区的状态序列，然后将每个端粒区均分为左、右两部分，分别对每个端粒区的左、右两部分进行填充，使端粒区左、右部分的状态与相邻序列的状态相同，以满足制氢机组启停约束，得到两个交叉操作后的行向量；对两个精英个体的位置矩阵的D个行向量分别进行前述操作，得到子代个体1和子代个体2。
4-4、双种群协同进化
由于常规的二进制萤火虫算法(BFA)缺少种群间的协同，因此在本发明的HBFA算法中设计了双种群协同进化过程，通过精英种群的精英个体与普通种群的劣势个体进行交流杂交的方式实现两个种群的协同进化；
当精英种群进化完成后，从精英种群中随机选择部分精英个体与步骤4-2得到的普通种群的部分劣势个体进行两两组合，对组合后的精英个体和劣势个体进行步骤4-3的带端粒保护的交叉操作，以此替换掉步骤4-2得到的普通种群的部分劣势个体，实现精英种群的良种迁移；然后对替换掉部分劣势个体的普通种群重复执行步骤4-2、4-3，完成普通种群和精英种群的第二次交流；重复执行此步骤，完成普通种群和精英种群的第三、四次交流，最后输出最优解，最优解即为制氢机组阵列中各机组在各时段的启停状态；
第五步、根据制氢机组阵列中各机组在各时段的启停状态从第三步得到的数据表中查找各时段出力的制氢机组，生成D台机组在K个时段的时序出力计划表，根据此表对制氢机组阵列进行调度，以获得最大经济值；某一时段制氢机组阵列中全部机组的出力总值与该时段风力发电的功率之差即为该时段需要向电网购电量。
步骤4-4的三次交流中，种群交流准则对应的当前进化代数与总进化代数之间的比值为依次为0.6、0.8、1；精英个体替掉的换劣势个体占普通种群比例依次为0.1、0.2、0.4。
为了验证本方法的有效性，针对某一风电场其中四个典型日的风电数据，每个典型日的采集时长为24h，时间间隔为15min，即每个典型日包含24×4个时段；选取六种制氢机组阵列方案，则得到6×4个算例的测试集；
利用上述的测试集对本发明的HBFA和现有技术的RC-BBFA(参见文献《Zhang Y,Song X F,Gong D W.A return-cost-based binary firefly algorithm for featureselection[J].Information Sciences,2017,418(47):561-574.》)、二进制灰狼算法(BGWO)进行性能比较；对于每个算例，每种算法分别运行20次，得到每次运行的总经济值；性能评价指标采用式(15)的相对百分比偏差(RPD)：
RPD＝(opt-alg)/opt×100 (15)
其中，opt为同一算例三种算法包含的所有解的最大经济值，alg为某一算法求得制氢机组阵列的总经济值，RPD越小，算法所得的总经济值越高。
对于上述的24个算例，按照制氢机组阵列方案进行分类，得到表1的统计结果；最小、最大和平均分别表示某一算法对于同一种方案四个典型日运行20次得到的最小RPD、最大RPD以及平均RPD。
表1 RPD统计结果和对比(％)
Figure BDA0003077082610000121
由表1可知，本发明的HBFA的各项统计性能均优于BGWO、RC-BBFA，具有更低的平均RPD和最小RPD，求解能力更强，可以对机组启停状态优化问题进行有效求解。
本发明未述及之处适用于现有技术。

Claims (7)

1.一种风电消纳下制氢机组阵列的调度方法，其特征在于，该方法包括以下步骤：
第一步、获取制氢机组阵列的机组启停约束和功率输入约束；
第二步、以经济效益最大为目标，考虑购电成本、售氢收益，计及机组启停约束和功率-效率特性，搭建机组出力双层优化模型，包括机组功率分配优化模型和机组启停状态优化模型；
第三步、将机组的启停约束、功率输入约束以及风电功率的时序数据代入机组功率分配优化模型，对机组功率分配优化模型进行求解，得到每个时段各机组在不同开关状态下的出力和制氢机组阵列的经济值；
第四步、利用混合二进制萤火虫算法求解机组启停状态优化模型，得到制氢机组阵列中各机组在各时段的启停状态；
第五步、根据第四步得到的制氢机组阵列中各机组在各时段的启停状态，从第三步查找各时段出力的制氢机组，生成制氢机组阵列在所有时段的时序出力计划表，根据此表对制氢机组阵列进行调度，以获得最大经济效益。
2.根据权利要求1所述的风电消纳下制氢机组阵列的调度方法，其特征在于，第二步中，机组功率分配优化模型F(U1,t,U2,t,...,UD,t)为：
Figure FDA0003077082600000011
式(1)中，U1,t,U2,t,...,Uj,t,...,UD,t为机组1,2,...,j,...,D在t时段的开关状态，
Figure FDA0003077082600000012
为氢气售价，Te为时段时长，Fvout,j(Pjcell,t/Pst,j)为机组j每小时的氢气产量函数，Pjcell,t为机组j在t时段的输入功率，Pst,j为机组j的额定输入功率，Cel为电网购电价格，Pem(U1,t,U2,t,...,UD,t)为制氢机组阵列购电量；
制氢机组阵列购电量Pem(U1,t,U2,t,...,UD,t)为：
Figure FDA0003077082600000013
式(2)中，Pwind,t为t时段的风电功率，Pem(U1,t,U2,t,...UD,t)大于等于0；
机组出力约束为：
Pmin,j＜Pjcell,t＜Pmax,j (3)
式(3)中，Pmin,j、Pmax,j为机组j的最小、最大输入功率；
机组启停状态优化模型为：
Figure FDA0003077082600000021
式(4)中，tot_eco(U1,t,U2,t,...,UD,t)为制氢机组阵列在K个时段累加的总经济值；
机组启停约束为：
To,j,t≥Tomin，Ts,j,t≥Tsmin (5)
式(5)中，To,j,t、Ts,j,t为机组j连续运行时间和停运时间，Tomin、Tsmin为机组j的最短开启时间和最短关停时间。
3.根据权利要求1所述的风电消纳下制氢机组阵列的调度方法，其特征在于，第四步的具体过程为：
4-1、初始化种群
制氢机组阵列的启停状态用一个D×K的矩阵X表示，表示K个时段内D台机组的启停状态，如式(6)；
Figure FDA0003077082600000022
初始化种群，随机生成多个萤火虫，得到普通种群；一个萤火虫的位置矩阵对应一个矩阵X；采用向前继承的时间修复策略对矩阵X的所有行向量的状态序列进行修复，以满足机组启停约束；
4-2、普通种群的进化
计算普通种群所有个体的亮度，对于个体a，若种群中存在亮度比个体a高的个体b，使个体a向个体b飞行，则在个体a与个体b之间得到一个新位置，若新位置的亮度比个体a原位置高，则个体a飞行到新位置处，否则保持原位置不动；然后对个体a进行概率协同的双邻域搜索，得到当前解的邻域；若邻域内存在亮度比个体a高的个体，则将该个体的位置复制到个体a；然后重复前述个体a向个体b的飞行过程，个体a每飞行一次都要进行概率协同的双邻域搜索，直到种群中没有比个体a亮的个体；所有个体都按照个体a的过程进行飞行，直到所有个体都飞行完毕，则完成普通种群进化一代，直到满足最大进化代数；
4-3、精英种群的进化
当普通种群进化至种群交流准则当前进化代数与总进化代数之间的比值达到设定值时，从普通种群中复制部分精英个体到精英种群中；精英种群初始为空；
对精英种群进行选择操作，然后对精英种群中的所有精英个体进行两两组合，对组合后的两个精英个体进行带端粒保护的交叉操作，生成子代个体；对于任意子代个体c进行邻域搜索，得到当前解的邻域；若邻域内存在亮度比子代个体c高的个体d，则将子代个体d的位置复制到个体c，否则保持不动，完成子代个体c的位置更新；子代个体c每进行一次位置更新都进行邻域搜索，直到邻域内没有比个体c更亮的个体；所有子代个体都执行子代个体c的过程，完成位置更新，当所有子代个体都完成位置更新后，实现精英种群进化一代，直到进化代数达到最大进化代数时，完成精英种群的整个进化过程，至此实现普通种群和精英种群的第一次交流；
4-4、双种群协同进化
当精英种群进化完成后，从精英种群中随机选择部分精英个体与步骤4-2得到的普通种群的部分劣势个体进行两两组合，对组合后的精英个体和劣势个体进行步骤4-3的带端粒保护的交叉操作，以此替换掉步骤4-2得到的普通种群的部分劣势个体，实现精英种群的良种迁移；然后对替换掉部分劣势个体的普通种群重复执行步骤4-2、4-3，完成普通种群和精英种群的第二次交流；重复执行此步骤，完成普通种群和精英种群的多次交流，最后输出最优解，即制氢机组阵列中各机组在各时段的启停状态。
4.根据权利要求3所述的风电消纳下制氢机组阵列的调度方法，其特征在于，步骤4-2中，概率协同的双邻域搜索包含邻域搜索算子一和邻域搜索算子二，令p1,iter、p2iter分别为第iter代普通种群选择邻域搜索算子一、二的概率，第1代普通种群选择邻域搜索算子一、二的概率均为0.5；令μ1,iter-1、μ2,iter-1分别为第iter-1代普通种群进化中采用邻域搜索算子一、二改善个体的比例，则p1,iter、p2iter按式(13)在每代普通种群进化后进行更新；
Figure FDA0003077082600000031
p1,iter,p2,iter≥0，当μ1,iter-1,μ2,iter-1＝0时，p1,iter,p2,iter＝0.5；
在第iter代普通种群进化过程中，在进行邻域搜索前，生成一个随机数randi,randi∈[0,1]，当randi≥p1,iter时，则选择邻域搜索算子二生成当前解的邻域，否则选择邻域搜索算子一生成当前解的邻域。
5.根据权利要求4所述的风电消纳下制氢机组阵列的调度方法，其特征在于，带端粒保护的交叉操作的具体过程为：将两个精英个体位置矩阵对应位置的两个行向量作为父代个体1和父代个体2，在父代个体1和父代个体2上分别选择两个交叉点，父代个体1和父代个体2交叉点的位置对应，两个交叉点之间的序列片段称为交叉区域；交换父代个体1和父代个体2交叉区域的序列片段，交叉区域左、右两侧的区域分别为左端粒区和右端粒区；清空两个父代的左、右端粒区的状态序列，然后将每个端粒区均分为左、右两部分，分别对每个端粒区的左、右两部分进行填充，使端粒区左、右部分的状态与相邻序列的状态相同，以满足制氢机组启停约束，得到两个交叉操作后的行向量；对两个精英个体的位置矩阵的所有行向量分别进行前述操作，得到子代个体1和子代个体2。
6.根据权利要求4所述的风电消纳下制氢机组阵列的调度方法，其特征在于，假定矩阵X具有可行解，则将矩阵X分解成D个行向量，对行向量xj的状态序列进行机组约束条件判断，得到y个可取反点；对行向量xj进行y次汉明距离为1的一位条件取反操作，每个取反操作后都得到一个取反后的向量，一共得到y个取反后的向量，这些取反后的向量构成行向量xj的邻域集合一；矩阵X的每个行向量都执行此步骤，一共得到D个邻域集合一；邻域搜索算子一表示分别从每个邻域集合一中随机选取一个行向量x'j，形成新的可行解X’；
与邻域搜索算子一同理，对每个行向量xj进行汉明距离为随机数R的条件取反操作，一共得到D个邻域集合二，邻域搜索算子二表示分别从D个邻域集合二中随机选取一个行向量x'j，形成新的可行解X’。
7.根据权利要求6所述的风电消纳下制氢机组阵列的调度方法，其特征在于，一位条件取反操作的具体过程为：
对于任意机组的状态序列，当相邻两个状态维持时段数均大于最小启停时间与时段时长的比值时，则将状态改变点视为可取反点，对可取反点两侧的状态序列随机选择一侧进行一位条件取反操作，得到取反后的向量，即对紧挨可取反点的序列进行一位条件取反，保证不违反机组启停约束。
CN202110555684.1A 2021-05-21 2021-05-21 风电消纳下制氢机组阵列的调度方法 Active CN113240547B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110555684.1A CN113240547B (zh) 2021-05-21 2021-05-21 风电消纳下制氢机组阵列的调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110555684.1A CN113240547B (zh) 2021-05-21 2021-05-21 风电消纳下制氢机组阵列的调度方法

Publications (2)

Publication Number Publication Date
CN113240547A true CN113240547A (zh) 2021-08-10
CN113240547B CN113240547B (zh) 2022-04-12

Family

ID=77138364

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110555684.1A Active CN113240547B (zh) 2021-05-21 2021-05-21 风电消纳下制氢机组阵列的调度方法

Country Status (1)

Country Link
CN (1) CN113240547B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104734200A (zh) * 2015-03-26 2015-06-24 国家电网公司 一种基于虚拟发电的主动配电网优化调度方法
CN107832542A (zh) * 2017-11-22 2018-03-23 国网河南省电力公司电力科学研究院 一种基于时空尺度消纳风光的机组组合优化调度方法
CN109472423A (zh) * 2018-12-08 2019-03-15 国网辽宁省电力有限公司电力科学研究院 一种考虑风电并网条件下火电机组深度调峰的机组组合方法
CN110138019A (zh) * 2019-06-04 2019-08-16 国网山东省电力公司电力科学研究院 一种机组优化启停方法
CN111934366A (zh) * 2019-12-11 2020-11-13 国网辽宁省电力有限公司经济技术研究院 一种提高风电接纳能力的电网多元优化调度方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104734200A (zh) * 2015-03-26 2015-06-24 国家电网公司 一种基于虚拟发电的主动配电网优化调度方法
CN107832542A (zh) * 2017-11-22 2018-03-23 国网河南省电力公司电力科学研究院 一种基于时空尺度消纳风光的机组组合优化调度方法
CN109472423A (zh) * 2018-12-08 2019-03-15 国网辽宁省电力有限公司电力科学研究院 一种考虑风电并网条件下火电机组深度调峰的机组组合方法
CN110138019A (zh) * 2019-06-04 2019-08-16 国网山东省电力公司电力科学研究院 一种机组优化启停方法
CN111934366A (zh) * 2019-12-11 2020-11-13 国网辽宁省电力有限公司经济技术研究院 一种提高风电接纳能力的电网多元优化调度方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
方必武 等: "基于搜索+调整的两阶段萤火虫算法求解机组组合问题", 《电力系统保护与控制》 *

Also Published As

Publication number Publication date
CN113240547B (zh) 2022-04-12

Similar Documents

Publication Publication Date Title
Trivedi et al. Hybridizing genetic algorithm with differential evolution for solving the unit commitment scheduling problem
Dong et al. Green scheduling of distributed two-stage reentrant hybrid flow shop considering distributed energy resources and energy storage system
Amer et al. Optimization of hybrid renewable energy systems (HRES) using PSO for cost reduction
CN105719091B (zh) 一种梯级水电站群并行多目标优化调度方法
CN109242177B (zh) 有源配电网规划方法
CN106651628B (zh) 基于图论的区域冷热电综合能源优化配置方法及装置
CN110867852B (zh) 计及全寿命周期成本的微电网储能优化配置方法及装置
CN111668878A (zh) 一种可再生微能源网的优化配置方法和系统
CN106786801A (zh) 一种基于竞价均衡的微电网运行方法
CN114519459A (zh) 基于场景分析和混合储能的热电联合系统优化调度方法
CN110854891A (zh) 一种配电网灾前资源配置方法及系统
CN116402210A (zh) 一种综合能源系统多目标优化方法、系统、设备和介质
Kang et al. Multi-objective sizing and real-time scheduling of battery energy storage in energy-sharing community based on reinforcement learning
Leite et al. Solving an energy resource management problem with a novel multi-objective evolutionary reinforcement learning method
CN116985146B (zh) 退役电子产品的机器人并行拆解规划方法
Zheng et al. Real-time dispatch of an integrated energy system based on multi-stage reinforcement learning with an improved action-choosing strategy
CN113240547B (zh) 风电消纳下制氢机组阵列的调度方法
CN115239028B (zh) 综合能源调度方法、装置、设备及存储介质
Mo et al. Coordinating flexible loads via optimization in the majorization order
CN115758684A (zh) 基于改进郊狼算法电力终端调控方法、系统、设备及介质
CN113991654A (zh) 一种能源互联网混合能量系统及其调度方法
CN114548790A (zh) 一种综合能源系统碳排放分配方法、装置及相关组件
CN111260500B (zh) 一种基于Hadoop的小水电分布式差分进化调度方法
CN117578627B (zh) 发电调度方法、装置、电子设备和存储介质
CN117709098B (zh) 基于遗传算法的风光水储一体化容量优化配置方法及系统

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