CN113435625B - 电力系统动态经济调度优化方法及设备 - Google Patents

电力系统动态经济调度优化方法及设备 Download PDF

Info

Publication number
CN113435625B
CN113435625B CN202110571120.7A CN202110571120A CN113435625B CN 113435625 B CN113435625 B CN 113435625B CN 202110571120 A CN202110571120 A CN 202110571120A CN 113435625 B CN113435625 B CN 113435625B
Authority
CN
China
Prior art keywords
power system
generator set
formula
matrix
updated
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
Application number
CN202110571120.7A
Other languages
English (en)
Other versions
CN113435625A (zh
Inventor
王正平
杨海跃
张雷
杨俊广
刘平
高艳萍
申强
娄佳乐
李玲玲
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.)
Hengshui Power Design Co ltd
State Grid Corp of China SGCC
Hebei University of Technology
State Grid Hebei Electric Power Co Ltd
Hengshui Power Supply Co of State Grid Hebei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Hebei University of Technology
State Grid Hebei Electric Power Co Ltd
Hengshui Power Supply Co of State Grid Hebei Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Hebei University of Technology, State Grid Hebei Electric Power Co Ltd, Hengshui Power Supply Co of State Grid Hebei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202110571120.7A priority Critical patent/CN113435625B/zh
Publication of CN113435625A publication Critical patent/CN113435625A/zh
Application granted granted Critical
Publication of CN113435625B publication Critical patent/CN113435625B/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
    • 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
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
    • 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
    • H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
    • H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected 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
    • 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
    • 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
    • H02J2300/22—The renewable source being solar energy
    • 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
    • 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
    • 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)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Power Engineering (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Water Supply & Treatment (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种电力系统动态经济调度优化方法及设备，该方法包括：获取电力系统在多个调度周期内的发电机组运行数据和排污数据，基于多个调度周期内的发电机组运行数据和排污数据，构建电力系统的混合动态经济调度模型；根据改进的旗鱼优化算法和混合动态经济调度模型，确定电力系统发电机组的输出功率分配结果，其中，改进的旗鱼优化算法的位置更新公式由权重惯量、全局搜索公式与莱维飞行策略确定；输出电力系统发电机组输出功率分配结果。通过引入权重惯量、全局搜索公式与莱维飞行策略对旗鱼优化算法进行改进，提高算法的寻优能力与收敛速度，从而提高对电力系统动态经济调度进行优化的优化效果。

Description

电力系统动态经济调度优化方法及设备
技术领域
本申请属于电力系统技术领域，尤其涉及一种电力系统动态经济调度优化方法及设备。
背景技术
电力系统中存在大量的可再生能源电源，因此其运行在一定程度上具有随机性和不确定性，这会增加经济调度的难度。故电力系统动态经济调度(Dynamic EconomicDispatch，DED)是电力系统运行的重要环节之一。如何将可再生能源的不稳定性考虑在内，既保障电力系统的正常运行，又能做出合理的负荷分配方案，是电网动态经济调度领域的研究热点。
现有技术中，常采用旗鱼优化算法、粒子群算法等对电力系统的动态经济调度进行优化，但这些算法存在早熟收敛等问题，容易陷入局部最优，所以使用这些算法会使对电力系统的动态经济调度进行优化的优化效果差。
发明内容
有鉴于此，本发明提供了一种电力系统动态经济调度优化方法及设备，旨在解决对电力系统动态经济调度进行优化的优化效果差的问题。
本发明实施例的第一方面提供了一种电力系统动态经济调度优化方法，其特征在于，包括：
获取电力系统在多个调度周期内的发电机组运行数据和排污数据，其中，所述电力系统中包括火电发电机组和可再生能源发电机组；
基于所述多个调度周期内的发电机组运行数据和排污数据，构建所述电力系统的混合动态经济调度模型；
根据改进的旗鱼优化算法和所述混合动态经济调度模型，确定所述电力系统发电机组的输出功率分配结果，其中，所述改进的旗鱼优化算法的位置更新公式由权重惯量、全局搜索公式与莱维飞行策略确定；
输出所述输出功率分配结果。
本发明实施例的第二方面提供了一种电力系统动态经济调度优化装置，包括：
获取模块，用于获取电力系统在多个调度周期内的发电机组运行数据和排污数据，其中，所述电力系统中包括火电发电机组和可再生能源发电机组；
构建模块，用于基于所述多个调度周期内的发电机组运行数据和排污数据，构建所述电力系统的混合动态经济调度模型；
计算模块，用于根据改进的旗鱼优化算法和所述混合动态经济调度模型，确定所述电力系统发电机组的输出功率分配结果，其中，所述改进的旗鱼优化算法的位置更新公式由权重惯量、全局搜索公式与莱维飞行策略确定；
输出模块，用于输出所述输出功率分配结果。
本发明实施例的第三方面提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上第一方面所述电力系统动态经济调度优化方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上第一方面所述电力系统动态经济调度优化方法的步骤。
本发明与现有技术相比存在的有益效果是：
本发明实施例提供的电力系统动态经济调度优化方法包括：获取电力系统在多个调度周期内的发电机组运行数据和排污数据，其中，电力系统中包括火电发电机组和可再生能源发电机组；基于多个调度周期内的发电机组运行数据和排污数据，构建电力系统的混合动态经济调度模型；根据改进的旗鱼优化算法和混合动态经济调度模型，确定电力系统发电机组的输出功率分配结果，其中，改进的旗鱼优化算法的位置更新公式由权重惯量、全局搜索公式与莱维飞行策略确定；输出电力系统发电机组输出功率分配结果。通过引入权重惯量、全局搜索公式与莱维飞行策略对旗鱼优化算法进行改进，提高算法的寻优能力与收敛速度，从而以提高对电力系统动态经济调度进行优化的优化效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一个实施例提供的电力系统动态经济调度优化方法的应用环境图；
图2是本发明一个实施例提供的电力系统动态经济调度优化方法的实现流程图；
图3是本发明另一个实施例提供的电力系统动态经济调度优化方法中确定电力系统发电机组的输出功率分配结果的实现流程图。
图4是本发明一个实施例提供的风力发电机组的输出功率预测曲线图；
图5是本发明一个实施例提供的电力系统的电力负荷预测曲线图；
图6是本发明一个实施例提供的改进旗鱼优化算法求解的帕累托解集；
图7是使用改进旗鱼优化算法与旗鱼优化算法求解的运行成本与污染排放对比图；
图8是本发明一个实施例提供的电力系统动态经济调度优化装置的结构示意图；
图9是本发明一个实施例提供的电子设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
能源是人类赖以生存和发展的基础，是国民经济的血液和动力。电力需求和供应的急剧增加，导致二氧化硫、氮氧化物和颗粒物等空气污染排放量显著增加，这已经造成全球气候变暖、酸雨和光化学烟雾污染等全球环境问题。所以发展可再生能源是实现能源结构转型的必由之路。电力系统的能源中存在可再生能源，因此电力系统的运行在一定程度上具有随机性和不确定性，这会增加动态经济调度的难度。动态经济调度问题是在满足电力系统运行约束条件下合理分配发电机组的输出功率，以使运行成本与污染排放达到最低。风能作为清洁能源在避免环境污染、缓解能源枯竭方面效果显著。但由于风速的不确定性造成了风力发电的随机性，进一步随着风能在电力系统中渗透率的提高，使得动态经济调度问题的复杂性增加从而转化为混合动态经济调度问题，需要采用合理的方法对风电的不确定性进行建模将简化混合动态经济调度问题的复杂性。因此研究电力系统的混合经济调度问题具有非常重要的意义。
本发明提供的电力系统动态经济调度优化方法通过引入权重惯量、全局搜索公式与莱维飞行策略对旗鱼优化算法(Sailed fish Optimizer，SFO)进行改进，提高算法的寻优能力与收敛速度，从而以提高对电力系统动态经济调度进行优化的优化效果。
图1是本发明一个实施例提供的电力系统动态经济调度优化方法的应用环境图。本发明实施例提供的电力系统动态经济调度优化方法可以但不限于应用于该应用环境。如图1所示，该应用环境包括：电力数据采集设备11、电子设备12和调度中心13。
调度中心13用于向电子设备12发送优化指令。电子设备12用于在收到优化指令后，向目标区域内的电力数据采集设备11发送采集指令。电力数据采集设备11用于在收到采集指令后，采集电力系统在多个调度周期内的发电机组运行数据和排污数据，并将采集到的数据发送到电子设备12中。电子设备12还用于在接收到电力系统在多个调度周期内的发电机组运行数据和排污数据后，计算电力系统的发电机组输出功率分配结果，并将得到的分配结果发送到调度中心13中。电子设备12还可以调度中心13的数据库中获取电力系统在多个调度周期内的发电机组运行数据和排污数据，在此不做限定。
电力数据采集设备11可以是机电一体式电表、全电子式电表等，在此不作限定。电子设备12可以是服务器、终端等，在此不作限定。服务器可以用独立服务器或者是多个服务器组成的服务器集群来实现。终端可以包括但不限于台式计算机、笔记本电脑、平板电脑等。电力数据采集设备11、电子设备12和调度中心13之间可以通过线路进行数据交互，还可以通过网络或蓝牙等方式进行数据交互，在此不做限定。电子设备12可以是独立安装的设备，也可以是安装调度中心13中的设备，在此不做限定。
图2是本发明一个实施例提供的电力系统动态经济调度优化方法的实现流程图。本实施例中，以该方法应用于图1中的电子设备为例进行说明。如图2所示，该方法包括：
S201，获取电力系统在多个调度周期内的发电机组运行数据和排污数据，其中，电力系统中包括火电发电机组和可再生能源发电机组。
本实施例中，调度周期可以预设的固定值，也可以是从图1所示的调度中心中获取，在此不做限定。发电机组运行数据可以包括但不限于下述至少一项：额定功率、输出功率、输出功率上下限、成本系数、成本惩罚系数、传输损耗系数、发电机数量。排污数据可以包括但不限于下述至少一项：污染排放量、污染排放系数、排放惩罚系数。可再生能源可以是风能、光能等，在此不做限定。
S202，基于多个调度周期内的发电机组运行数据和排污数据，构建电力系统的混合动态经济调度模型。
本实施例中，电力系统的混合动态经济调度模型可以包括但不限于下述至少一项：火力发电运行成本模型、可再生能源运行成本模型、污染气体模型和污染排放模型。
S203，根据改进的旗鱼优化算法和混合动态经济调度模型，确定电力系统发电机组的输出功率分配结果，其中，改进的旗鱼优化算法的位置更新公式由权重惯量、全局搜索公式与莱维飞行策略确定。
本实施例中，根据混合动态经济调度模型可以得到混合动态经济调度的目标函数和约束条件，将得到的目标函数和约束条件输入到改进的旗鱼优化算法中进行优化，即可得到的电力系统发电机组的输出功率分配结果。
S204，输出电力系统发电机组输出功率分配结果。
本实施例中，输出电力系统发电机组输出功率分配结果可以存储到数据库中，也可以输出到显示屏以显示电力系统发电机组输出功率分配结果，或者输出给电力系统的功率控制设备，以便功率控制设备对电力系统中发电机组的输出功率进行相应的控制。
本实施例中，电力系统动态经济调度优化方法包括：获取电力系统在多个调度周期内的发电机组运行数据和排污数据，其中，电力系统中包括火电发电机组和可再生能源发电机组；基于多个调度周期内的发电机组运行数据和排污数据，构建电力系统的混合动态经济调度模型；根据改进的旗鱼优化算法和混合动态经济调度模型，确定电力系统发电机组的输出功率分配结果，其中，改进的旗鱼优化算法的位置更新公式由权重惯量、全局搜索公式与莱维飞行策略确定；输出电力系统发电机组输出功率分配结果。通过引入权重惯量、全局搜索公式与莱维飞行策略对旗鱼优化算法进行改进，提高算法的寻优能力与收敛速度，从而以提高对电力系统动态经济调度进行优化的优化效果。
图3是本发明另一个实施例提供的电力系统动态经济调度优化方法中确定电力系统发电机组的输出功率分配结果的实现流程图。在图2所述实施例的基础上，如图3所示，根据改进的旗鱼优化算法和混合动态经济调度模型，确定电力系统发电机组的输出功率分配结果，包括：
根据混合动态经济调度模型和初始化公式，建立旗鱼与沙丁鱼的初始位置矩阵，以及根据混合动态经济调度模型确定适应度函数；
将初始位置矩阵作为当前迭代的位置矩阵，基于当前迭代的位置矩阵和适应度函数，确定当前迭代的位置矩阵对应的适应度矩阵；以及基于当前迭代的位置矩阵对应的适应度矩阵，确定精英旗鱼的位置和重伤沙丁鱼的位置；
基于位置更新公式对当前迭代的位置矩阵进行迭代更新；
基于更新的位置矩阵和适应度函数，确定更新的位置矩阵对应的适应度矩阵；
基于更新的位置矩阵对应的适应度矩阵，确定精英旗鱼的位置和重伤沙丁鱼的位置；
在当前迭代次数小于预设次数时，将更新的位置矩阵作为下一次迭代的位置矩阵，并跳转至基于位置更新公式对当前迭代的位置矩阵进行迭代更新的步骤；
在当前迭代次数大于或等于预设次数时，将更新的位置矩阵确定为电力系统发电机组的输出功率分配结果。
本实施例中，预设次数记为T，T可以根据实际需求设定，例如，T＝1000。初始化公式如下：
Xij＝Lj+r(Uj-Lj) (1)
其中，Xij为第i个旗鱼中第j个维度的值，Uj和Lj分别为每个旗鱼中的第j个维度值在电力系统运行成本与污染排放最小化问题中发电机组的上、下边界，r为实数区间[0,1]上的随机值。
本实施例中，旗鱼的初始位置矩阵为m×d阶矩阵，旗鱼的当前迭代的位置矩阵如下：
Figure BDA0003082625360000061
其中，m为旗鱼的数量，d为变量的维度，优选的，m＝30，d＝7。t为当前迭代次数，XSF (t)为旗鱼的当前迭代的位置矩阵，Xi,j (t)为当前迭代次数下第i个旗鱼第j个维度的值。将初始位置矩阵作为当前迭代的位置矩阵时，t＝0。将更新的位置矩阵作为下一次迭代的位置矩阵时，t＝1,2,3,...,T。
沙丁鱼的初始位置矩阵为n×d阶矩阵，沙丁鱼的当前迭代的位置矩阵如下：
Figure BDA0003082625360000062
其中，n为沙丁鱼的数量，d为变量的维度，优选的，n＝70，d＝7。t为当前迭代次数，XS (t)为沙丁鱼的当前迭代的位置矩阵，
Figure BDA0003082625360000063
为当前迭代次数下第i个沙丁鱼第j个维度的值。将初始位置矩阵作为当前迭代的位置矩阵时，t＝0。将更新的位置矩阵作为下一次迭代的位置矩阵时，t＝1,2,3,...,T。
旗鱼的当前迭代的位置矩阵对应的适应度矩阵如下：
Figure BDA0003082625360000071
其中，FSF (t)为旗鱼的当前迭代的位置矩阵对应的适应度矩阵，m为旗鱼的数量，Fi (t)为第i个旗鱼在当前迭代次数下的适应度值。
沙丁鱼的当前迭代的位置矩阵对应的适应度矩阵如下：
Figure BDA0003082625360000072
其中，FS (t)为沙丁鱼的当前迭代的位置矩阵对应的适应度矩阵，n为沙丁鱼的数量，
Figure BDA0003082625360000073
为第i个沙丁鱼在当前迭代次数下的适应度值。
本实施例中，旗鱼种群中适应度最低的旗鱼被认为是精英旗鱼，其位置记为Xelite (t)。沙丁鱼种群中适应度最低的沙丁鱼被认为是重伤沙丁鱼，其位置记为
Figure BDA0003082625360000074
可选的，位置更新公式包括第一位置更新公式、第二位置更新公式和第三位置更新公式，其中，第一位置更新公式由权重惯量确定，第二位置更新公式由全局搜索公式确定，第三位置更新公式由莱维飞行策略确定。
基于位置更新公式对当前迭代的位置矩阵进行迭代更新，包括：
基于第一预设条件选择第一位置更新公式和第二位置更新公式中的一个对当前迭代的位置矩阵进行初始更新，以及根据第三位置更新公式对初始更新后的位置矩阵进行再次更新。
本实施例中，初始更新的目的在于优化当前迭代的位置矩阵，以得到最优的电力系统发电机组的输出功率分配结果。根据第一预设条件选取初始更新的更新公式，可以根据不同的情况选取更新公式，增强改进旗鱼优化算法的寻优能力和收敛速度。再次更新的目的在于丰富对初始更新后的位置矩阵，进一步提高改进旗鱼算法的优化能力，使电力系统中发电机组输出功率的分配有更多种组合的可能。
进一步的，基于第一预设条件选择第一位置更新公式和第二位置更新公式中的一个对当前迭代的位置矩阵进行初始更新，包括：
从区间[0，1]上获取随机值；
在随机值大于或等于第一预设值时，根据第一位置更新公式对当前迭代的位置矩阵中旗鱼的位置矩阵进行初始更新，以得到初始更新的旗鱼的位置矩阵以及当前迭代的旗鱼的攻击力度，以及若初始更新后旗鱼的攻击力度小于或等于第二预设值，则根据第一位置更新公式对当前迭代的位置矩阵中沙丁鱼的位置矩阵的部分位置进行初始更新；否则，根据第一位置更新公式对当前迭代的位置矩阵中沙丁鱼的位置矩阵的全部位置进行初始更新；
在随机值小于第一预设值时，根据第二位置更新公式对当前迭代的位置矩阵进行初始更新。
本实施例中，随机值记为rand，第一预设值和第二预设值可以根据实际需求选取，在此不做限定。可选的，第一预设值为0.5，第二预设值为0.5。
本实施例中，更新沙丁鱼数量与变量个数的多少取决于初始更新后旗鱼的攻击力度。具体可根据下式确定：
Figure BDA0003082625360000081
其中，γ(t)为第t次迭代中更新沙丁鱼的数量，η(t)为第t次迭代中更新的沙丁鱼变量个数，MS (t)为第t次迭代中沙丁鱼的数量，di (t)为第t次迭代中第i个沙丁鱼变量的个数，Q(t)为初始更新后旗鱼的攻击力度。
进一步的，第一位置更新公式如下：
Figure BDA0003082625360000082
第二位置更新公式如下：
Figure BDA0003082625360000083
第三位置更新公式如下：
Figure BDA0003082625360000084
其中，t为当前迭代次数，Xi (t)为在当前迭代次数下初始更新后的旗鱼的位置，u(t-1)为上一次迭代更新的权重惯量，Xelite (t-1)为上一次迭代更新后的精英旗鱼的位置，λi (t-1)为上一次迭代更新的更新系数，rand为随机值，
Figure BDA0003082625360000085
为上一次迭代更新后的重伤沙丁鱼的位置，Xi (t-1)为上一次迭代更新后的旗鱼的位置，
Figure BDA0003082625360000086
为在当前迭代次数下初始更新后的沙丁鱼的位置，
Figure BDA0003082625360000091
为上一次迭代更新后的沙丁鱼的位置，Q(t-1)为上一次迭代更新后的旗鱼的攻击力度，A和ξ为攻击力度系数，F(Xelite (t-1))为上一次迭代更新后的精英旗鱼的位置对应的适应度值，F(Xi (t-1))为上一次迭代更新后的旗鱼的位置对应的适应度值，
Figure BDA0003082625360000092
为上一次迭代更新后的重伤沙丁鱼的位置对应的适应度值，
Figure BDA0003082625360000093
为上一次迭代更新后的沙丁鱼的位置对应的适应度值，xi (t)为当前迭代次数下再次更新后的旗鱼的位置，
Figure BDA0003082625360000094
为当前迭代次数下再次更新后的沙丁鱼的位置，SLevy为莱维飞行步长。
本实施例中，更新系数与权重惯量可以根据下式确定：
Figure BDA0003082625360000095
其中，u(t)为第t次迭代更新的权重惯量，λi (t-1)为第t次迭代更新的更新系数，umax和umin为权重惯量的上下限，D(t)为中间变量。优选的umin＝0.4，umax＝0.9。
莱维飞行步长可以根据下式确定：
Figure BDA0003082625360000096
其中，τ为常数，优选的，τ＝1.5。Γ为伽马函数。
在一些实施例中，在上述任一实施例的基础上，输出所述输出功率分配结果，包括：
根据改进旗鱼优化算法的全局最优解公式，确定分配结果。
全局最优解公式如下：
Figure BDA0003082625360000097
在一些实施例中，在上述任一实施例的基础上，根据混合动态经济调度模型确定适应度函数，包括：
根据混合动态经济调度模型确定目标函数，并将目标函数作为适应度函数；
目标函数公式如下：
Obf＝ω(Fuelc+Windc)+(1-ω)(Emmc+Emmw) (13)
其中，Obf为目标函数，Fuelc为电力系统中火力发电的电场运行成本，Windc为电力系统中可再生能源的电场运行成本，Emmc为气体污染排放值，Emmw为电力系统中可再生能源的电场污染排放值，ω为比例系数。
本实施例中，电力系统的混合动态经济调度模型可以包括但不限于：火力发电运行成本模型、可再生能源运行成本模型、污染气体模型和污染排放模型。可再生能源可以是风能，也可以是光能，在此不做限定。
下面以可再生能源为风能为例，对混合动态经济调度模型进行说明，但并不作为限定。
火力发电运行成本模型的表达式为：
Figure BDA0003082625360000101
其中，t'调度周期序号，f1t'为第t'个调度周期火力发电的运行成本；
Figure BDA0003082625360000102
δi、αi、βi、χi为成本系数；T'为调度周期总数；M为火力发电机组数量；Pi min为第i个火力发电机组输出功率下限，Pi,t'为第t'个调度周期第i个火力发电机组的输出功率。其中，|βisin(χi(Pi min-Pi,t'))|代表了对发电机组阀点效应问题的考虑。
电力系统运行时会产生包含SOX、NOX等大量污染物，可以采用污染气体模型。污染气体模型的表达式为：
Figure BDA0003082625360000103
其中，f2t'为第t'个调度周期火力发电的污染排放，φi、
Figure BDA0003082625360000104
γi、μi、σi为污染排放系数。
可再生能源运行成本模型的表达式为：
Figure BDA0003082625360000105
其中，f3t'为第t'个调度周期风电场的运行成本，Wit'为第t'个调度周期第i台风力发电机组的可用风电功率，wit'为第t'个调度周期第i台风力发电机组的调度风电功率，cwi、cp,wi、cr,wi分别为风力发电机组的成本函数、未使用第i台风力发电机组所有可用电力的成本惩罚函数、当可用风电功率小于调度风电功率时的成本惩罚函数，可以根据下式确定：
Figure BDA0003082625360000106
其中，di为第i个风电发电机组的成本系数，fPDF(w)为风电发电机组的概率密度函数，kpi是未使用第i台风力发电机组所有可用电力的成本惩罚系数，wRi是第i个风电发电机组的额定发电量，kri是第i台风力发电机组所有可用电力不足时的成本惩罚系数，wi是第i个风电发电机组的实际发电量。可选的，若可再生能源为光能，则fPDF(w)为光能发电机组的概率密度函数。优选的，可以采用光伏能源的贝塔分布(Beta Distribution)分布的概率密度模型作为光能发电机组的概率密度函数。
当可用风电功率小于调度风电功率时，将由电力系统中已同步且未满负荷运行的发电机组供电并需要在模型中考虑污染排放量，污染排放模型的表达式为：
Figure BDA0003082625360000111
其中，f4t'为第i个风电场污染排放量，eri为排放惩罚系数。
风电发电机组的概率密度函数可以根据下式确定：
Figure BDA0003082625360000112
Figure BDA0003082625360000113
Figure BDA0003082625360000114
其中，fPDF(v)为风速的概率密度函数，c为比例因子，g为形状因子，v为风速，w为风电输出功率函数，vI为切入风速，vO为切出风速，vR为额定风速，wR为风电额定功率，fPDF(w)为风电发电机组的概率密度函数，l＝(vR-vI)/vI；ε＝w/wR。
进一步的，电力系统动态经济调度优化方法还包括：
在[0，1]中，以预设间隔选取目标函数中的比例系数；
针对每个比例系数，根据改进的旗鱼优化算法、混合动态经济调度模型和该比例系数，确定该比例系数对应的电力系统发电机组的输出功率分配结果；
根据全部比例系数对应的电力系统发电机组的输出功率分配结果，建立帕累托解集；
根据满意度公式，计算帕累托解集中每个解的总体满意度，并将满意度最高的解作为电力系统发电机组的输出功率的最优分配结果；
满意度公式如下：
Figure BDA0003082625360000121
其中，n为子目标数量，L为帕累托解集中解的个数，k为子目标的序号，l为帕累托解集中解的序号，ψkl为每个解在不同的子目标下时相对于总目标的权重。
本实施例中，预设间隔和子目标数量可以根据实际需求设定。优选的，预设间隔为0.05，即有21个不同的比例系数，此时L＝21。优选的，n＝2，两个子目标分别代表运行成本和污染排放。
每个解在不同的子目标下时相对于总目标的权重可以根据权重表达式确定。权重表达式如下：
Figure BDA0003082625360000122
其中，Fk max与Fk min分别为帕累托解集中第k个目标的最大值与最小值,Fkl为帕累托解集中的解。
在一些实施例中，在上述任一实施例的基础上，电力系统动态经济调度优化方法还包括：根据混合动态经济调度模型，建立约束条件；若每次迭代前，某个旗鱼或沙丁鱼的位置不满足约束条件，则将该旗鱼或沙丁鱼的位置删除，并根据初始化公式填补相应的位置。
可选的，约束条件包括下述至少一项：斜坡率约束、功率平衡约束、发电机组输出功率约束。
本实施例中，功率平衡约束的函数表达式如下：
Figure BDA0003082625360000123
其中，Pi,t为第t个调度周期第i个火力发电机组的输出功率，wi,t为第t个调度周期第i个风力发电机组的调度风电功率，Pt,d为第t个调度周期的负荷需求，Pt,L为第t个调度周期的传输损耗。Pt,L可根据下式确定：
Figure BDA0003082625360000124
其中，Pj,t为第t个调度周期第j个火力发电机组的输出功率，Dij为传输损耗系数。
发电机组输出功率约束的函数表达式如下：
Figure BDA0003082625360000131
其中，Pi max和Pi min分别为第i个火力发电机组输出功率上下限，wRi为第i个风力发电机组额定输出功率。
斜坡率约束的表达式如下：
Figure BDA0003082625360000132
其中，Pi,t-1为第t-1个调度周期第i个火力发电机组的输出功率，PURi和PDRi分别为第i个火力发电机组的斜坡上下限。可选的，电力系统中的可再生能源为风能。可选的，混合动态经济调度模型为威布尔分布(Weibull distribution)概率密度模型。
图4是本发明一个实施例提供的风力发电机组的输出功率预测曲线图。如图4所示，纵轴表示风电功率，即为风力发电机组的输出功率，单位为MW；横轴表示时间，单位为小时。图5是本发明一个实施例提供的电力系统的电力负荷预测曲线图。纵轴表示电力负荷，单位为MW；横轴表示时间，单位为小时。
图6是本发明一个实施例提供的改进旗鱼优化算法求解的帕累托解集。如图6所示，横轴表示运行成本，纵轴表示污染排放。图中五角星所对应的输出功率分配结果，即为电力系统发电机组的输出功率的最优分配结果。此时ω＝0.5。
图7是使用改进旗鱼优化算法与旗鱼优化算法求解的运行成本与污染排放对比图。如图7所示，三条曲线分别为使用改进旗鱼优化算法(Improve Sailed fishOptimizer，ISFO)对含风电的电力系统发电机组的输出功率进行分配、使用旗鱼优化算法(Sailed fish Optimizer，SFO)对含风电的电力系统发电机组的输出功率进行分配、使用旗鱼优化算法对不含风电的电力系统发电机组的输出功率进行分配这三种分配方式的运行成本和污染排放情况。从图中可以看出，改进旗鱼优化算法对可以有效降低运行成本和污染排放，对电力系统的优化效果更好。
下面通过一个具体的实施例对电力系统动态经济调度优化方法进行说明，但并不作为限定。本实施例中，电力系统中包含5个火力发电机组与2个风力发电机组。本实施例的所有公式均已在其他实施例解释，在此不再赘述。
步骤一，获取该电力系统在多个调度周期内的发电机组运行数据和排污数据。
步骤二，基于所述多个调度周期内的发电机组运行数据和排污数据，建立该电力系统对应的混合动态经济调度模型。
混合动态经济调度模型包括：火力发电运行成本模型、风能运行成本模型、污染气体模型和污染排放模型。
火力发电运行成本模型的表达式为：
Figure BDA0003082625360000141
污染气体模型的表达式为：
Figure BDA0003082625360000142
可再生能源运行成本模型的表达式为：
Figure BDA0003082625360000143
其中，
Figure BDA0003082625360000144
污染排放模型的表达式为：
Figure BDA0003082625360000145
其中，fPDF(w)为风电发电机组的概率密度函数，可以根据下式确定：
Figure BDA0003082625360000146
Figure BDA0003082625360000147
上述计算所使用的相关参数如下：
表1电力系统中火力发电机组参数
Figure BDA0003082625360000148
Figure BDA0003082625360000151
表2电力系统中火力发电机组参数
Figure BDA0003082625360000152
表3电力系统中风力发电机组参数
Figure BDA0003082625360000153
步骤三，根据混合动态经济调度模型确定目标函数和约束条件。
目标函数的表达式为：Obf＝ω(Fuelc+Windc)+(1-ω)(Emmc+Emmw)。
约束条件包括：斜坡率约束、功率平衡约束、发电机组输出功率约束。
步骤四，根据混合动态经济调度模型和初始化公式，建立旗鱼与沙丁鱼的初始位置矩阵，以及根据混合动态经济调度模型确定适应度函数。
将初始位置矩阵作为当前迭代的位置矩阵，基于当前迭代的位置矩阵和适应度函数，确定当前迭代的位置矩阵对应的适应度矩阵；以及基于当前迭代的位置矩阵对应的适应度矩阵，确定精英旗鱼的位置和重伤沙丁鱼的位置。
步骤五，根据精英旗鱼的位置、重伤沙丁鱼的位置、位置更新公式，对旗鱼和沙丁鱼的位置进行更新。具体如下：
位置更新公式包括第一位置更新公式、第二位置更新公式和第三位置更新公式，其中，第一位置更新公式由权重惯量确定，第二位置更新公式由全局搜索公式确定，第三位置更新公式由莱维飞行策略确定。
从区间[0，1]上获取随机值。
在随机值大于或等于第一预设值时，根据第一位置更新公式对当前迭代的位置矩阵中旗鱼的位置矩阵进行初始更新，以得到初始更新的旗鱼的位置矩阵以及当前迭代的旗鱼的攻击力度，以及若初始更新后旗鱼的攻击力度小于或等于第二预设值，则根据第一位置更新公式对当前迭代的位置矩阵中沙丁鱼的位置矩阵的部分位置进行初始更新；否则，根据第一位置更新公式对当前迭代的位置矩阵中沙丁鱼的位置矩阵的全部位置进行初始更新。
在随机值小于第一预设值时，根据第二位置更新公式对当前迭代的位置矩阵进行初始更新。
根据第三位置更新公式对初始更新后的位置矩阵进行再次更新。
步骤六，基于更新的位置矩阵和适应度函数，确定更新的位置矩阵对应的适应度矩阵。
基于更新的位置矩阵对应的适应度矩阵，确定精英旗鱼的位置和重伤沙丁鱼的位置。
步骤七，判断。
在当前迭代次数小于预设次数时，将更新的位置矩阵作为下一次迭代的位置矩阵，并跳转至步骤五。
在当前迭代次数大于或等于预设次数时，若满足，则输出一组随比例系数ω变化的解，组成帕累托解集。
步骤八，根据满意度公式计算帕累托解集中每个解的总体满意度，并将满意度最高的解作为电力系统发电机组的输出功率的最优分配结果。
本实施例中，将得到的最优分配结果与使用粒子群(Particle SwarmOptimization，PSO)算法、多目标神经网络的差分进化(Multi Objective Neural NetworkDifferential Evolution Algorithm，MONNDE)算法、相量粒子群(Phasor Prticle SwarmOptimization，PPSO)算法对电力系统进行优化所得到的运行成本与污染排放进行对比，得出的结果如表4所示：
表4电力系统中不同方法得到的运行成本与污染排放
Figure BDA0003082625360000161
本实施例中，改进旗鱼优化算法所求解的电力系统中发电机组输出功率分配如表5所示：
表5电力系统中发电机组的输出功率(MW)分配表
Figure BDA0003082625360000162
Figure BDA0003082625360000171
可以得出，通过改进旗鱼优化(ISFO)算法对电力系统进行优化所得到的运行成本与污染排放更低，改进旗鱼优化(ISFO)算法对电力系统进行优化的优化效果更好。
本实施例中，首先，通过威布尔分布对风能的随机性进行建模，从而建立混合动态经济调度模型。然后，在旗鱼优化算法中引入权重惯量、全局搜索公式与莱维飞行策略对其进行改进，从而提高算法的寻优能力与收敛速度。其次，采用改进旗鱼优化算法对混合动态经济调度问题进行求解，同时在考虑机组的发电机组阀点效应问题的前提下建立发电机组输出功率约束、斜坡率约束、功率平衡约束等三个约束条件；最后，采用测试系统对提出的算法进行验证。在保证电力系统调度灵活性的前提下降低了系统的运行成本与污染排放，提高了电力系统稳定运行与清洁能源渗透率。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
图8是本发明一个实施例提供的电力系统动态经济调度优化装置的结构示意图。如图8所示，电力系统动态经济调度优化装置8包括：
获取模块810，用于获取电力系统在多个调度周期内的发电机组运行数据和排污数据，其中，电力系统中包括火电发电机组和可再生能源发电机组。
构建模块820，用于基于多个调度周期内的发电机组运行数据和排污数据，构建电力系统的混合动态经济调度模型。
计算模块830，用于根据改进的旗鱼优化算法和混合动态经济调度模型，确定电力系统发电机组的输出功率分配结果，其中，改进的旗鱼优化算法的位置更新公式由权重惯量、全局搜索公式与莱维飞行策略确定。
输出模块840，用于输出输出功率分配结果。
可选的，计算模块830，用于根据混合动态经济调度模型和初始化公式，建立旗鱼与沙丁鱼的初始位置矩阵，以及根据混合动态经济调度模型确定适应度函数；将初始位置矩阵作为当前迭代的位置矩阵，基于当前迭代的位置矩阵和适应度函数，确定当前迭代的位置矩阵对应的适应度矩阵；以及基于当前迭代的位置矩阵对应的适应度矩阵，确定精英旗鱼的位置和重伤沙丁鱼的位置；基于位置更新公式对当前迭代的位置矩阵进行迭代更新；基于更新的位置矩阵和适应度函数，确定更新的位置矩阵对应的适应度矩阵；基于更新的位置矩阵对应的适应度矩阵，确定精英旗鱼的位置和重伤沙丁鱼的位置；在当前迭代次数小于预设次数时，将更新的位置矩阵作为下一次迭代的位置矩阵，并跳转至基于位置更新公式对当前迭代的位置矩阵进行迭代更新的步骤；在当前迭代次数大于或等于预设次数时，将更新的位置矩阵确定为电力系统发电机组的输出功率分配结果。位置更新公式包括第一位置更新公式、第二位置更新公式和第三位置更新公式，其中，第一位置更新公式由权重惯量确定，第二位置更新公式由全局搜索公式确定，第三位置更新公式由莱维飞行策略确定。
进一步可选的，计算模块830，基于第一预设条件选择第一位置更新公式和第二位置更新公式中的一个对当前迭代的位置矩阵进行初始更新，以及根据第三位置更新公式对初始更新后的位置矩阵进行再次更新。
进一步可选的，计算模块830，用于从区间[0，1]上获取随机值；
在随机值大于或等于第一预设值时，根据第一位置更新公式对当前迭代的位置矩阵中旗鱼的位置矩阵进行初始更新，以得到初始更新的旗鱼的位置矩阵以及当前迭代的旗鱼的攻击力度，以及若初始更新后旗鱼的攻击力度小于或等于第二预设值，则根据第一位置更新公式对当前迭代的位置矩阵中沙丁鱼的位置矩阵的部分位置进行初始更新；否则，根据第一位置更新公式对当前迭代的位置矩阵中沙丁鱼的位置矩阵的全部位置进行初始更新；
在随机值小于第一预设值时，根据第二位置更新公式对当前迭代的位置矩阵进行初始更新。进一步可选的，第一位置更新公式如下：
Figure BDA0003082625360000191
第二位置更新公式如下：
Figure BDA0003082625360000192
第三位置更新公式如下：
Figure BDA0003082625360000193
其中，t为当前迭代次数，Xi (t)为在当前迭代次数下初始更新后的旗鱼的位置，u(t-1)为上一次迭代更新的权重惯量，Xelite (t-1)为上一次迭代更新后的精英旗鱼的位置，λi (t-1)为上一次迭代更新的更新系数，rand为随机值，
Figure BDA0003082625360000197
为上一次迭代更新后的重伤沙丁鱼的位置，Xi (t-1)为上一次迭代更新后的旗鱼的位置，
Figure BDA0003082625360000198
为在当前迭代次数下初始更新后的沙丁鱼的位置，
Figure BDA0003082625360000199
为上一次迭代更新后的沙丁鱼的位置，Q(t-1)为上一次迭代更新后的旗鱼的攻击力度，A和ξ为攻击力度系数，F(Xelite (t-1))为上一次迭代更新后的精英旗鱼的位置对应的适应度值，F(Xi (t-1))为上一次迭代更新后的旗鱼的位置对应的适应度值，
Figure BDA0003082625360000194
为上一次迭代更新后的重伤沙丁鱼的位置对应的适应度值，
Figure BDA0003082625360000195
为上一次迭代更新后的沙丁鱼的位置对应的适应度值，xi (t)为当前迭代次数下再次更新后的旗鱼的位置，
Figure BDA0003082625360000196
为当前迭代次数下再次更新后的沙丁鱼的位置，SLevy为莱维飞行步长。
可选的，计算模块830，用于根据混合动态经济调度模型确定目标函数，并将目标函数作为适应度函数；目标函数公式如下：
Obf＝ω(Fuelc+Windc)+(1-ω)(Emmc+Emmw)
其中，Obf为目标函数，Fuelc为电力系统中火力发电的电场运行成本，Windc为电力系统中可再生能源的电场运行成本，Emmc为气体污染排放值，Emmw为电力系统中可再生能源的电场污染排放值，ω为比例系数。
可选的，计算模块830，用于还用于在[0，1]中，以预设间隔选取目标函数中的比例系数；针对每个比例系数，根据改进的旗鱼优化算法、混合动态经济调度模型和该比例系数，确定该比例系数对应的电力系统发电机组的输出功率分配结果；根据全部比例系数对应的电力系统发电机组的输出功率分配结果，建立帕累托解集；根据满意度公式，计算帕累托解集中每个解的总体满意度，并将满意度最高的解作为电力系统发电机组的输出功率的最优分配结果；满意度公式如下：
Figure BDA0003082625360000201
其中，n为子目标数量，L为帕累托解集中解的个数，k为子目标的序号，l为帕累托解集中解的序号，ψkl为每个解在不同的子目标下时相对于总目标的权重。
可选的，电力系统动态经济调度优化装置还包括：约束模块850。约束模块850，用于根据混合动态经济调度模型，建立约束条件；若每次迭代前，某个旗鱼或沙丁鱼的位置不满足约束条件，则将该旗鱼或沙丁鱼的位置删除，并根据初始化公式填补相应的位置。可选的，电力系统中的可再生能源为风能。选的，混合动态经济调度模型为威布尔分布概率密度模型。可选的，约束条件包括下述至少一项：斜坡率约束、功率平衡约束、发电机组输出功率约束。
本实施例提供的电力系统动态经济调度优化装置，可用于执行上述方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
图9是本发明一个实施例提供的电子设备的示意图。如图9所示，本发明的一个实施例提供的电子设备9，该实施例的电子设备9包括：处理器90、存储器91以及存储在存储器91中并可在处理器90上运行的计算机程序92。处理器90执行计算机程序92时实现上述各个电力系统动态经济调度优化方法实施例中的步骤，例如图2所示的步骤201至步骤204。或者，处理器90执行计算机程序92时实现上述各装置实施例中各模块/单元的功能，例如图8所示模块810至840的功能。
示例性的，计算机程序92可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器91中，并由处理器90执行，以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序92在电子设备9中的执行过程。
电子设备9可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端可包括，但不仅限于，处理器90、存储器91。本领域技术人员可以理解，图9仅仅是电子设备9的示例，并不构成对电子设备9的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器90可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器91可以是电子设备9的内部存储单元，例如电子设备9的硬盘或内存。存储器91也可以是电子设备9的外部存储设备，例如电子设备9上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器91还可以既包括电子设备9的内部存储单元也包括外部存储设备。存储器91用于存储计算机程序以及终端所需的其他程序和数据。存储器91还可以用于暂时地存储已经输出或者将要输出的数据。
本发明实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述电力系统动态经济调度优化方法实施例中的步骤。
计算机可读存储介质存储有计算机程序92，计算机程序92包括程序指令，程序指令被处理器90执行时实现上述实施例方法中的全部或部分流程，也可以通过计算机程序92来指令相关的硬件来完成，计算机程序92可存储于一计算机可读存储介质中，该计算机程序92在被处理器90执行时，可实现上述各个方法实施例的步骤。其中，计算机程序92包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
计算机可读存储介质可以是前述任一实施例的终端的内部存储单元，例如终端的硬盘或内存。计算机可读存储介质也可以是终端的外部存储设备，例如终端上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，计算机可读存储介质还可以既包括终端的内部存储单元也包括外部存储设备。计算机可读存储介质用于存储计算机程序及终端所需的其他程序和数据。计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (9)

1.一种电力系统动态经济调度优化方法，其特征在于，包括：
获取电力系统在多个调度周期内的发电机组运行数据和排污数据，其中，所述电力系统中包括火电发电机组和可再生能源发电机组；
基于所述多个调度周期内的发电机组运行数据和排污数据，构建所述电力系统的混合动态经济调度模型；
根据改进的旗鱼优化算法和所述混合动态经济调度模型，确定所述电力系统发电机组的输出功率分配结果，其中，所述改进的旗鱼优化算法的位置更新公式由权重惯量、全局搜索公式与莱维飞行策略确定；
输出所述输出功率分配结果；
其中，所述位置更新公式包括第一位置更新公式、第二位置更新公式和第三位置更新公式，其中，所述第一位置更新公式由权重惯量确定，所述第二位置更新公式由全局搜索公式确定，所述第三位置更新公式由莱维飞行策略确定；
所述第一位置更新公式如下：
Figure FDA0003498278560000011
所述第二位置更新公式如下：
Figure FDA0003498278560000012
所述第三位置更新公式如下：
Figure FDA0003498278560000013
其中，t为当前迭代次数，Xi (t)为在当前迭代次数下初始更新后的旗鱼的位置，u(t-1)为上一次迭代更新的权重惯量，Xelite (t-1)为上一次迭代更新后的精英旗鱼的位置，λi (t-1)为上一次迭代更新的更新系数，rand为随机值，X'injured (t-1)为上一次迭代更新后的重伤沙丁鱼的位置，Xi (t-1)为上一次迭代更新后的旗鱼的位置，X'i (t)为在当前迭代次数下初始更新后的沙丁鱼的位置，X'i (t-1)为上一次迭代更新后的沙丁鱼的位置，Q(t-1)为上一次迭代更新后的旗鱼的攻击力度，A和ξ为攻击力度系数，F(Xelite (t-1))为上一次迭代更新后的精英旗鱼的位置对应的适应度值，F(Xi (t-1))为上一次迭代更新后的旗鱼的位置对应的适应度值，F(X'injured (t-1))为上一次迭代更新后的重伤沙丁鱼的位置对应的适应度值，F(X'i (t-1))为上一次迭代更新后的沙丁鱼的位置对应的适应度值，xi (t)为当前迭代次数下再次更新后的旗鱼的位置，x'i (t)为当前迭代次数下再次更新后的沙丁鱼的位置，SLevy为莱维飞行步长；
所述混合动态经济调度模型包括：火力发电运行成本模型、可再生能源运行成本模型、污染气体模型和污染排放模型；
所述火力发电运行成本模型的表达式为：
Figure FDA0003498278560000021
其中，t'为调度周期序号，f1t'为第t'个调度周期火力发电的运行成本；
Figure FDA0003498278560000022
δi、αi、βi、χi为成本系数；T'为调度周期总数；M为火力发电机组数量；Pi min为第i个火力发电机组输出功率下限，Pi,t'为第t'个调度周期第i个火力发电机组的输出功率；其中，|βisin(χi(Pi min-Pi,t'))|代表发电机组阀点效应问题；
所述污染气体模型的表达式为：
Figure FDA0003498278560000023
其中，f2t'为第t'个调度周期火力发电的污染排放，φi、
Figure FDA0003498278560000024
γi、μi、σi为污染排放系数；
所述可再生能源运行成本模型的表达式为：
Figure FDA0003498278560000025
其中，f3t'为第t'个调度周期可再生能源电场的运行成本，Wit'为第t'个调度周期第i台可再生能源发电机组的可用功率，wit'为第t'个调度周期第i台可再生能源发电机组的调度功率，cwi、cp,wi、cr,wi分别为可再生能源发电机组的成本函数、未使用第i台可再生能源发电机组所有可用电力的成本惩罚函数、当可用功率小于调度功率时的成本惩罚函数，O为可再生能源发电机组的总数；
cwi、cp,wi、cr,wi根据下式确定：
Figure FDA0003498278560000026
其中，di为第i个可再生能源发电机组的成本系数，fPDF(w)为可再生能源发电机组的概率密度函数，kpi是未使用第i台可再生能源发电机组所有可用电力的成本惩罚系数，wRi是第i个可再生能源发电机组的额定发电量，kri是第i台可再生能源发电机组所有可用电力不足时的成本惩罚系数，wi是第i个可再生能源发电机组的实际发电量；
所述污染排放模型的表达式为：
Figure FDA0003498278560000031
其中，f4t'为第i个可再生能源电场污染排放量，eri为排放惩罚系数；
所述更新系数与所述权重惯量可以根据下式确定：
Figure FDA0003498278560000032
其中，u(t)为第t次迭代更新的权重惯量，λi (t-1)为第t次迭代更新的更新系数，umax和umin为所述权重惯量的上下限，D(t)为中间变量。
2.根据权利要求1所述的电力系统动态经济调度优化方法，其特征在于，所述根据改进的旗鱼优化算法和所述混合动态经济调度模型，确定所述电力系统发电机组的输出功率分配结果，包括：
根据所述混合动态经济调度模型和初始化公式，建立旗鱼与沙丁鱼的初始位置矩阵，以及根据所述混合动态经济调度模型确定适应度函数；
将所述初始位置矩阵作为当前迭代的位置矩阵，基于所述当前迭代的位置矩阵和所述适应度函数，确定所述当前迭代的位置矩阵对应的适应度矩阵；以及基于所述当前迭代的位置矩阵对应的适应度矩阵，确定精英旗鱼的位置和重伤沙丁鱼的位置；
基于所述位置更新公式对所述当前迭代的位置矩阵进行迭代更新；
基于更新的位置矩阵和所述适应度函数，确定所述更新的位置矩阵对应的适应度矩阵；
基于所述更新的位置矩阵对应的适应度矩阵，确定精英旗鱼的位置和重伤沙丁鱼的位置；
在当前迭代次数小于预设次数时，将所述更新的位置矩阵作为下一次迭代的位置矩阵，并跳转至基于所述位置更新公式对所述当前迭代的位置矩阵进行迭代更新的步骤；
在当前迭代次数大于或等于所述预设次数时，将更新的位置矩阵确定为所述电力系统发电机组的输出功率分配结果。
3.根据权利要求2所述的电力系统动态经济调度优化方法，其特征在于，基于所述位置更新公式对所述当前迭代的位置矩阵进行迭代更新，包括：
基于第一预设条件选择所述第一位置更新公式和所述第二位置更新公式中的一个对所述当前迭代的位置矩阵进行初始更新，以及根据所述第三位置更新公式对初始更新后的位置矩阵进行再次更新。
4.根据权利要求3所述的电力系统动态经济调度优化方法，其特征在于，基于第一预设条件选择所述第一位置更新公式和所述第二位置更新公式中的一个对所述当前迭代的位置矩阵进行初始更新，包括：
从区间[0，1]上获取随机值；
在所述随机值大于或等于第一预设值时，根据所述第一位置更新公式对所述当前迭代的位置矩阵中旗鱼的位置矩阵进行初始更新，以得到初始更新的旗鱼的位置矩阵以及当前迭代的旗鱼的攻击力度，以及若初始更新后旗鱼的攻击力度小于或等于第二预设值，则根据所述第一位置更新公式对所述当前迭代的位置矩阵中沙丁鱼的位置矩阵的部分位置进行初始更新；否则，根据所述第一位置更新公式对所述当前迭代的位置矩阵中沙丁鱼的位置矩阵的全部位置进行初始更新；
在所述随机值小于第一预设值时，根据所述第二位置更新公式对所述当前迭代的位置矩阵进行初始更新。
5.根据权利要求2所述的电力系统动态经济调度优化方法，其特征在于，所述根据所述混合动态经济调度模型确定适应度函数，包括：
根据所述混合动态经济调度模型确定目标函数，并将所述目标函数作为所述适应度函数；
所述目标函数公式如下：
Obf＝ω(Fuelc+Windc)+(1-ω)(Emmc+Emmw)
其中，Obf为目标函数，Fuelc为电力系统中火力发电的电场运行成本，Windc为电力系统中可再生能源的电场运行成本，Emmc为气体污染排放值，Emmw为电力系统中可再生能源的电场污染排放值，ω为比例系数。
6.根据权利要求5所述的电力系统动态经济调度优化方法，其特征在于，所述方法还包括：
在[0，1]中，以预设间隔选取所述目标函数中的比例系数；
针对每个比例系数，根据改进的旗鱼优化算法、所述混合动态经济调度模型和该比例系数，确定该比例系数对应的电力系统发电机组的输出功率分配结果；
根据全部比例系数对应的电力系统发电机组的输出功率分配结果，建立帕累托解集；
根据满意度公式，计算所述帕累托解集中每个解的总体满意度，并将满意度最高的解作为电力系统发电机组的输出功率的最优分配结果；
所述满意度公式如下：
Figure FDA0003498278560000051
其中，n为子目标数量，L为帕累托解集中解的个数，k为子目标的序号，l为帕累托解集中解的序号，ψkl为每个解在不同的子目标下时相对于总目标的权重。
7.根据权利要求1-6任一项所述的电力系统动态经济调度优化方法，其特征在于，所述方法还包括：
根据所述混合动态经济调度模型，建立约束条件；
若每次迭代前，某个旗鱼或沙丁鱼的位置不满足所述约束条件，则将该旗鱼或沙丁鱼的位置删除，并根据所述初始化公式填补相应的位置；
所述电力系统中的可再生能源为风能；
所述混合动态经济调度模型为威布尔分布概率密度模型；
所述约束条件包括下述至少一项：斜坡率约束、功率平衡约束、发电机组输出功率约束。
8.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上的权利要求1至7中任一项所述电力系统动态经济调度优化方法的步骤。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上的权利要求1至7中任一项所述电力系统动态经济调度优化方法的步骤。
CN202110571120.7A 2021-05-25 2021-05-25 电力系统动态经济调度优化方法及设备 Active CN113435625B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110571120.7A CN113435625B (zh) 2021-05-25 2021-05-25 电力系统动态经济调度优化方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110571120.7A CN113435625B (zh) 2021-05-25 2021-05-25 电力系统动态经济调度优化方法及设备

Publications (2)

Publication Number Publication Date
CN113435625A CN113435625A (zh) 2021-09-24
CN113435625B true CN113435625B (zh) 2022-03-25

Family

ID=77803171

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110571120.7A Active CN113435625B (zh) 2021-05-25 2021-05-25 电力系统动态经济调度优化方法及设备

Country Status (1)

Country Link
CN (1) CN113435625B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114565237B (zh) * 2022-02-15 2023-09-12 石河子大学 用于多能组合发电站的综合能源低碳调度方法及系统
CN114565239B (zh) * 2022-02-15 2023-06-09 石河子大学 用于产业园区的综合低碳能源调度方法及系统
CN116796611B (zh) * 2023-08-22 2023-10-31 成都理工大学 基于旗鱼算法与人工神经网络调整桥梁扣索索力的方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016074187A1 (en) * 2014-11-13 2016-05-19 The University Of Hong Kong Fast generation adjustment algorithm for energy management system
CN109447393A (zh) * 2018-09-13 2019-03-08 西安理工大学 一种电力系统经济负荷分配的改进的粒子群算法
CN112016207A (zh) * 2020-08-28 2020-12-01 河北工业大学 一种发电机组经济负荷分配优化方法
CN112364758A (zh) * 2020-11-10 2021-02-12 湖北惠立网络科技有限公司 基于多目标图像识别的垃圾分类回收方法及系统
CN112670984A (zh) * 2020-12-16 2021-04-16 广州大学 一种基于改进鲸鱼算法的电力系统经济负荷分配方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016074187A1 (en) * 2014-11-13 2016-05-19 The University Of Hong Kong Fast generation adjustment algorithm for energy management system
CN109447393A (zh) * 2018-09-13 2019-03-08 西安理工大学 一种电力系统经济负荷分配的改进的粒子群算法
CN112016207A (zh) * 2020-08-28 2020-12-01 河北工业大学 一种发电机组经济负荷分配优化方法
CN112364758A (zh) * 2020-11-10 2021-02-12 湖北惠立网络科技有限公司 基于多目标图像识别的垃圾分类回收方法及系统
CN112670984A (zh) * 2020-12-16 2021-04-16 广州大学 一种基于改进鲸鱼算法的电力系统经济负荷分配方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
An Improved Genetic Algorithm Approach to the Unit Commitment/Economic Dispatch Problem;Roberto Ponciroli 等;《IEEE TRANSAC TIONS ON POWER SYSTEMS》;20200930;第4005-4013 *

Also Published As

Publication number Publication date
CN113435625A (zh) 2021-09-24

Similar Documents

Publication Publication Date Title
CN113435625B (zh) 电力系统动态经济调度优化方法及设备
Hao et al. A novel two-stage forecasting model based on error factor and ensemble method for multi-step wind power forecasting
Zhao et al. Modified cuckoo search algorithm to solve economic power dispatch optimization problems
CN110365057B (zh) 基于强化学习的分布式能源参与配电网调峰调度优化方法
Tian et al. A novel wind speed forecasting system based on hybrid data preprocessing and multi-objective optimization
Shaheen et al. Optimal power flow of power systems including distributed generation units using sunflower optimization algorithm
Wang et al. Balancing risk and cost in fuzzy economic dispatch including wind power penetration based on particle swarm optimization
Kumar et al. A hybrid multi-agent based particle swarm optimization algorithm for economic power dispatch
Cai et al. A hybrid CPSO–SQP method for economic dispatch considering the valve-point effects
Niknam et al. $\theta $-multiobjective teaching–learning-based optimization for dynamic economic emission dispatch
Pousinho et al. A hybrid PSO–ANFIS approach for short-term wind power prediction in Portugal
CN107579518B (zh) 基于mhba的电力系统环境经济调度方法和装置
Wenzhi et al. Hierarchical energy optimization management of active distribution network with multi-microgrid system
CN107769237B (zh) 基于电动汽车接入的多能源系统协同调度方法及装置
Hardiansyah et al. Solving economic load dispatch problem using particle swarm optimization technique
Padhi et al. Solving dynamic economic emission dispatch problem with uncertainty of wind and load using whale optimization algorithm
Zhang et al. Efficient design of energy microgrid management system: a promoted Remora optimization algorithm-based approach
CN112966883A (zh) 综合能源系统运行优化方法及终端设备
Makhloufi et al. Three powerful nature-inspired algorithms to optimize power flow in Algeria's Adrar power system
Safari et al. Optimal load sharing strategy for a wind/diesel/battery hybrid power system based on imperialist competitive neural network algorithm
Ahmed et al. Adaptive salp swarm algorithm for sustainable economic and environmental dispatch under renewable energy sources
CN116207739A (zh) 配电网优化调度方法、装置、计算机设备和存储介质
Zhang et al. Physical-model-free intelligent energy management for a grid-connected hybrid wind-microturbine-PV-EV energy system via deep reinforcement learning approach
Younes A novel hybrid FFA-ACO algorithm for economic power dispatch
CN108711860B (zh) 一种基于并行计算的配电网变电站-线路联合规划方法

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20220516

Address after: No. 185, Renmin East Road, Taocheng District, Hengshui City, Hebei Province

Patentee after: HENGSHUI POWER SUPPLY BRANCH OF STATE GRID HEBEI ELECTRIC POWER Co.,Ltd.

Patentee after: STATE GRID HEBEI ELECTRIC POWER Co.,Ltd.

Patentee after: STATE GRID CORPORATION OF CHINA

Patentee after: Hebei University of Technology

Patentee after: Hengshui Power Design Co.,Ltd.

Address before: 053000 No.185, Renmin East Road, Taocheng District, Hengshui City, Hebei Province

Patentee before: HENGSHUI POWER SUPPLY BRANCH OF STATE GRID HEBEI ELECTRIC POWER Co.,Ltd.

Patentee before: STATE GRID HEBEI ELECTRIC POWER Co.,Ltd.

Patentee before: STATE GRID CORPORATION OF CHINA

Patentee before: Hebei University of Technology