CN113807022B - 基于鸽群算法和bp费用预测网络的有功调度求解方法 - Google Patents
基于鸽群算法和bp费用预测网络的有功调度求解方法 Download PDFInfo
- Publication number
- CN113807022B CN113807022B CN202111154564.7A CN202111154564A CN113807022B CN 113807022 B CN113807022 B CN 113807022B CN 202111154564 A CN202111154564 A CN 202111154564A CN 113807022 B CN113807022 B CN 113807022B
- Authority
- CN
- China
- Prior art keywords
- scheduling
- active
- representing
- power
- ith
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 81
- 241000272201 Columbiformes Species 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 42
- 239000000446 fuel Substances 0.000 claims abstract description 42
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 238000005457 optimization Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 230000008901 benefit Effects 0.000 claims description 5
- 230000001105 regulatory effect Effects 0.000 claims description 5
- 230000000452 restraining effect Effects 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 abstract description 10
- 230000006872 improvement Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000002860 competitive effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 244000144992 flock Species 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- QXTCFDCJXWLNAP-UHFFFAOYSA-N sulfidonitrogen(.) Chemical compound S=[N] QXTCFDCJXWLNAP-UHFFFAOYSA-N 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 239000002912 waste gas Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/48—Controlling the sharing of the in-phase component
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于电力系统优化调度技术领域,涉及潮流计算、智能算法改进及神经网络应用等技术领域,具体涉及一种基于鸽群算法和BP费用预测网络的有功调度求解方法;所述方法中通过基于劣势解更新策略和非线性权重系数改进了基本鸽群算法求解电网多目标有功调度问题的性能,成功获得均匀分布的帕累托非劣解集,并求得最优折衷调度方案。本发明还构建了一个基于BP神经网络的燃料费用预测网络,将折衷调度方案输入到BP神经网络中,能够以较小的时间成本确定出多个高质量的电网多目标有功调度方案。本发明能有效降低电网运行的燃料费用、功率损耗和废气排放等目标,从而满足决策者的多样需求。
Description
技术领域
本发明属于电力系统优化调度技术领域,涉及潮流计算、智能算法改进及神经网络应用等技术领域,具体涉及一种基于鸽群算法和BP费用预测网络的有功调度求解方法。
背景技术
传统电力系统优化运行的研究重点是实现发电机功率的合理分配使得发电成本或燃料消耗尽可能地减小,注重于提高电力系统运行的经济性。然而,随着研究的深入,电力研究者意识到除经济性能外,提高电力系统的安全性、稳定性也是十分必要的;而电力系统有功调度问题的研究对实现电力系统的经济、安全运行意义重大。
因此,较为完善的单目标有功调度模型应运而生;单目标有功调度问题研究旨在通过在有效范围内调整发电机节点电压、无功补偿量、发电机有功功率和变压器变比等可调变量,分别实现电力系统功率损耗或者燃料成本的最小化。但单目标有功调度仅考虑了实现单一目标的最优化,具有一定的局限性,不能满足用户的多样需求。基于此,多目标有功调度问题考虑两个及以上目标的同时优化,涉及到燃料费用最小化、功率损耗最小化、氮硫化物等有害气体排放量最小化等目标,能够更综合、更全面地对电力系统工作状态进行评估。
然而,目标之间的不同量纲和竞争关系使得线性规划等传统方法求解多目标有功调度问题更加困难。此外,多目标有功调度问题同时具有连续型和离散型控制变量,这也是传统方法不适用于求解此问题的重要原因。因此,诸如智能算法、神经网络等日益成熟的计算机技术为求解具有非凸、非线性和高维特征的多目标有功调度问题提供了更便捷的工具。本发明中改进鸽群算法和基于BP的费用预测网络能够较好地解决传统方法求解有功调度问题时易陷入局部最优以及无法处理不可导目标函数的不足,同时能够以较小的时间成本获得多个高质量有功调度方案,更符合决策者的多样需求。
发明内容
基于现有技术存在的问题,本发明旨在求解电力系统多目标有功调度问题,提出了一种整合了劣势解更新策略和非线性权重系数的改进鸽群算法、构建了一个基于BP神经网络的基本燃料费用预测模型,从而确定了多个满足系统约束、降低了电力系统燃料费用、功率损耗和废气排放的高质量调度方案。本发明的技术方案如下:
一种基于鸽群算法和BP费用预测网络的有功调度求解方法,所述方法包括:
根据电力系统中燃料费用、功率损耗以及废气排放的需求,建立出电力系统多目标有功调度模型;
根据电力系统结构和电力器件的有效运行范围,采用多目标鸽群算法求解电力系统多目标有功调度问题,在有效运行范围内随机产生N个初始调度方案;
对N个初始调度方案进行潮流计算,确定出每个初始调度方案的m个目标函数值和违反约束值;
执行多目标鸽群算法的地图搜索和地标搜索,根据整合非线性权重系数的速度公式和位置公式更新N个初始调度方案;
将更新前后的2N个调度方案进行整合,删除其中的重复调度方案,得到Nt个候选潮流调度方案;
采用基于m个目标函数值、违反约束值的非劣全排序方法,从Nt个候选潮流调度方案筛选出帕累托非劣解集的N个暂定调度方案;
当满足多目标鸽群算法的迭代终止条件时,对暂定调度方案进行劣势解再更新操作,根据有效占优策略确定出帕累托非劣解集的N个最终调度方案;
基于模糊满意隶属度从所述帕累托非劣解集的N个最终调度方案中确定出一个相对最优的折衷调度方案;
根据折衷调度方案对应的发电机节点有功出力、发电机节点电压、有载调压变压器和无功补偿投切确定精英调度方案的有效搜索范围,在有效搜索范围内随机产生Np个调度方案;
采用基于BP的燃料费用预测网络预测所述Np个调度方案的燃料费用值,从Np个调度方案中筛选出预测费用小于折衷调度方案费用的Ne个优势调度方案;
对Ne个优势调度方案进行潮流计算,确定出每个优势调度方案的m个目标函数值和违反约束值,并从Ne个优势调度方案中确定出违反约束值为0且m个目标函数值均小于折衷调度方案目标函数值的电力系统多目标有功调度的精英调度方案。
本发明的有益效果:
1、本发明采用基本鸽群算法求解电力系统多目标有功调度问题时,由于种群多样性不佳易陷入局部最优解,使得求得的帕累托非劣解集分布均匀性也有较大的改进空间。更进一步的,本发明在鸽群算法的地图搜索模型中的速度更新公式中整合非线性权重系数,按照改进后的速度更新公式更新调度方案,能够提高解集多样性、避免由于多样性不佳导致的过早收敛。另外,本发明还在鸽群算法中进行结合了有效占优策略的劣势解再更新操作,从而进一步提高了候选调度方案的性能,同时避免了优势方案的流失。求解电力系统多目标有功调度问题时,本发明中的改进鸽群算法获得了分布均匀的、多样性良好的帕累托前端,比传统的鸽群算法相比竞争优势明显。
2、本发明将状态变量不等式约束的约束违反值纳入帕累托占优规则,为满足所有系统约束的候选调度方案分配了更高的采用优先级。在实现零约束违反的前提下,再降低m个优化目标值。本发明中约束优先的不等式约束处理方法在不同规模的电力系统中均能实现POS解集中每个调度方案的零约束违反。
3、本发明构建基于BP神经网络的燃料费用预测网络,在改进鸽群算法确定的最优折衷方案BCS附近的小范围内发掘多个采用优先级更高的精英调度方案WES。WES方案实现了零约束违反,且对应的m个优化目标均小于BCS方案。适用于电力系统多目标有功调度问题的BP费用预测网络模型简单、预测精度高、时间成本小,能够成功地为电力决策者提供多个高质量的调度运行方案。
附图说明
图1是本发明实施例中一种电力系统有功调度的求解架构图;
图2是本发明实施例中基于改进鸽群算法和BP费用预测网络的电网有功调度求解方法流程图;
图3是本发明实施例中采用多目标鸽群算法求解电力系统多目标有功调度问题的主要流程图;
图4是本发明实施例中基本和改进鸽群算法求解IEEE30节点系统上双目标有功调度问题获得的帕累托前端仿真结果图;
图5是本发明实施例中改进鸽群算法同时优化IEEE30节点系统上燃料费用和废气排放目标获得的POS解集和BCS方案仿真结果图;
图6是基本和改进鸽群算法求解IEEE30节点系统上三目标有功调度问题获得的帕累托前端仿真结果图;
图7是改进鸽群算法同时优化IEEE30节点系统上费用、网损和排放目标获得的POS解集和BCS方案仿真结果图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1是本发明实施例中一种电力系统有功调度的求解架构图,如图1所示,所述架构主要包括:
1、依据决策者需求构建多目标有功调度模型;
2、利用改进多目标鸽群算法求解出帕累托非劣解集和一个折衷调度方案;
3、基于该折衷调度方案,利用BP费用预测网络确定出至少一个精英调度方案。
本发明实施例中,通过改进多目标鸽群算法来求解多目标有功调度模型,从而得到一个折衷调度方案;基于该折衷调度方案,继续使用BP神经网络来探索该折衷调度方案附近的小范围内,可能存在的多个采用优先级更高的精英调度方案。
图2给出了本发明实施例中一种基于鸽群算法和BP费用预测网络的有功调度求解方法,所述方法包括:
根据电力系统中燃料费用,以及功率损耗或/和废气排放的需求,建立出电力系统多目标有功调度模型;
其中,本申请中的多目标有功调度模型至少包括燃料费用目标,其余两个目标即功率损耗目标和废气排放目标作为选择目标,即可以任意选择其中之一,也可以同时选择两种目标。
在本发明实施例中,研究电力系统多目标有功调度旨在降低燃料费用、功率损耗和废气排放等目标,从而实现电力系统的更优运行状态;对于各个优化目标,包括如下内容:
(1)基本燃料费用
式中,NG为发电机数量;PGi为第i台发电机的有功功率;ai,bi和ci均为第i台发电机的燃料费用系数。
(2)功率损耗
式中,NL为系统支路数;Vi是第i个节点的电压值;δij为节点i、j之间的相角差;ck为连接i、j节点的第k条支路的电导。
(3)废气排放
式中,αi,βi,γi,ηi和λi均为第i台发电机的排放系数。
对于这些目标,电力系统多目标有功调度的系统约束由等式约束和不等式约束组成;其中,不等式约束又分为控制变量不等式约束和状态变量不等式约束两类。
两个等式约束分别揭示了电力系统的有功功率平衡和无功功率平衡,表达如下:
式中,Ni是与节点i相连(除节点i外)的节点数;Nn为节点数(除平衡节点外);Gij、Bij分别为节点i、j的互电导、互电纳。PDi和QDi代表第i个负荷节点的有功、无功功率;PGi和QGi则代表第i个发电机节点的有功、无功功率。
控制变量是电网有功调度问题的自变量,四类控制变量不等式约束如下所示:
(1)发电机节点有功功率PG
(2)发电机电压VG
(3)变压器抽头设置T
(4)无功补偿投切QC
式中,NT和NC分别为变压器和无功补偿器数目。
在利用改进鸽群算法求解有功调度问题时,需要对不满足以上四类不等式约束的控制变量按照如下公式进行规范:
式中,和/>分别为第i组控制变量的有效上限和下限,第i组控制变量依次为约束C3~C6的控制变量,即ci可以代表PGi、VGi、Ti以及QCi,同理,其上限值/>可以代表以及/>其下限值/>可以代表/>Ti min以及/>
状态变量是有功调度问题的应变量,四类状态变量不等式约束如下所示:
(1)平衡节点的有功功率PG1
(2)负荷节点电压VL
(3)发电机无功输出QG
(4)线路视在功率Sl
式中,NPQ为负荷节点数目。
基于上述分析,我们可以得出电力系统多目标有功调度模型表示为:
min F=(f1(x),f2(x),…,fm(x))
s.t.
C1:
C2:
C3:
C4:
C5:
C6:
C7:
C8:
C9:
C10:
其中,F表示电力系统多目标有功调度的优化目标,包括基本燃料费用、功率损耗和废气排放等,m(m≥2)是同时优化的目标数量;;C1表示电力系统的有功功率平衡的等式约束,PGi表示第i台发电机的有功功率,PDi表示第i个负荷节点的有功功率,Vi表示第i个节点的电压值,Vj表示第j个节点的电压值,Ni表示与节点i相连的节点数,Gij表示节点i、j的互电导,δij表示节点i、j之间的相角差,Bij表示节点i、j的互电纳,Nn表示除平衡节点外的节点数;C2表示电力系统的无功功率平衡的等式约束,QDi表示第i个负荷节点的无功功率,NPQ表示负荷节点数目;C3表示发电机节点有功功率的不等式约束,表示第i台发电机的最小有功功率,/>表示第i台发电机的最大有功功率,NG表示发电机数量;C4表示发电机电压的不等式约束,/>表示第i台发电机的最小电压值,VGi表示第i台发电机的电压值,/>表示第i台发电机的最大电压值;C5表示变压器抽头设置的不等式约束,Ti表示第i台变压器抽头,/>表示第i台变压器的最小抽头,Ti max表示第i台变压器的最大抽头,NT表示变压器抽头数量;C6表示无功补偿投切的不等式约束,QCi表示第i台无功补偿器的无功功率,表示第i台无功补偿器的最小无功功率,/>表示第i台无功补偿器的最大无功功率,NC表示无功补偿器数量;C7表示平衡节点的有功功率的不等式约束,PG1表示平衡节点的有功功率,/>表示平衡节点的最小有功功率,/>表示平衡节点的最大有功功率;C8表示负荷节点电压的不等式约束,VLi表示第i个负荷节点的电压值,/>表示第i个负荷节点的最小电压值,/>表示第i个负荷节点的最大电压值;C9表示发电机无功输出的不等式约束,QGi表示第i台发电机的无功功率,/>表示第i台发电机的最小无功功率,/>表示第i台发电机的最大无功功率;C10表示线路视在功率的不等式约束,/>表示第l条线路的最大视在功率,Sl表示第l条线路的视在功率,NL表示线路条数。
根据电力系统结构和电力器件的有效运行范围,采用改进多目标鸽群算法求解电力系统多目标有功调度问题,在有效运行范围内随机产生N个初始调度方案;
在本发明实施例中,在有效运行范围即控制变量有效范围内,设置出改进鸽群算法的初始参数,基于该初始参数,求解电力系统多目标有功调度模型,从而得出N个初始调度方案即N个初始鸽群。
对N个初始调度方案进行潮流计算,确定出每个初始调度方案的m个目标函数值和违反约束值;
在本发明实施例中,潮流计算是电力系统分析中的一种最基本的计算方式,它的任务是对给定运行条件确定系统运行状态,如各母线上的电压(幅值及相角)、网络中的功率分布及功率损耗等。潮流计算的结果是电力系统稳定计算和故障分析的基础。本发明实施例对N个初始调度方案采用牛顿-拉夫逊潮流计算,从而获得这N个初始调度方案的目标函数值,即对应的燃料费用值、网络损耗值以及废气排放值。除此以外,本发明实施例中还借用状态变量不等式约束来计算得出每个初始调度方案的违反约束值;其中,有功调度问题的状态变量可根据控制变量计算求得,任何一个合格的有功调度方案需满足上述所有状态变量不等式约束,即约束违反值为零。有功调度方案S1的约束违反值Viol可按如下公式计算求得:
Viol(S1)=|Constr_P(S1)|+|Constr_V(S1)|+|Constr_Q(S1)|+|Constr_S(S1)|
式中,Viol(S1)表示有功调度方案S1的约束违反值;Constr_P,Constr_V,Constr_Q和Constr_S是调度方案S1分别是违反平衡节点的有功功率C7约束、负荷节点电压C8约束、发电机无功输出C9约束、线路视在功率C10约束的约束违反值。
执行多目标鸽群算法的地图搜索和地标搜索,根据整合非线性权重系数的速度公式和位置公式更新N个初始调度方案;
在本发明实施例中,在多目标鸽群算法的地图搜索中,根据以下公式在每次迭代过程更新鸽子的位置po和速度sp。
poi(k+1)=poi(k)+spi(k+1)
式中,Rmap是地图因子;ξ1是0到1之间的一个随机数;pobest为当前最佳个体位置;ωdiv是速度项的非线性权重系数,用于提高鸽群算法的种群多样性,其更新公式如下所示:
式中,ξ2、ξ3和ξ4是0到1之间的随机数,和/>分别是非线性权重系数的上限值和下限值。
本发明非线性权重系数优化了标准鸽群算法的种群多样性,在求解电网多目标有功调度问题时,能够提高解集多样性、避免了由于种群多样性不佳导致的过早收敛。
在一些优选实施例中,求解电网多目标有功调度问题时,ωdiv的有效范围设置为:
多目标鸽群算法的地标搜索模型可表述如下:
Nl(k+1)=Nl(k)/2
poi(k+1)=poi(k)+ξ5*(pol-poi(k))
式中,Nl为参与地标搜索的个体数;fitness为评估每个个体性能优劣的适应度值;ξ5是0到1之间的随机数。
通过反复执行地图搜索过程,当达到设定的地图搜索的最大迭代数后,则进入地标搜索过程,同样的,当达到地标搜索的最大迭代数后,即可以输出N个更新后的调度方案。
可以理解的是,本发明实施例中主要是对地图搜索模型中的速度更新公式进行改进,其他的位置更新以及地标搜索过程可以直接参考现有技术,本发明可以不对此做具体的限定。
将更新前后的2N个调度方案进行整合,删除其中的重复调度方案,得到Nt个候选潮流调度方案;
在本发明实施例中,将更新前的N个初始调度方案与更新后的N个调度方案进行整合,其中更新前后一共有2N个调度方案,删除其中的重复调度方案,剩下了由Nt(N≤Nt≤2N)个不同的潮流方案构成候选潮流调度方案IPcan。
采用基于m个目标函数值、违反约束值的非劣全排序方法,从Nt个候选潮流调度方案筛选出帕累托非劣解集的N个暂定调度方案;
在本发明实施例中,本发明基于约束违反值Viol和m个目标函数值实现Nt个候选方案的全排序。基于非劣全排序方法从Nt个候选潮流方案中筛选POS解集中N个优势调度方案的主要步骤如下:
Step 1:根据下述的策略,确定Nt个候选调度方案中不被IPcan种群中其他所有方案占优的优势调度方案并分配层级值Rank=1;
所述策略包括当满足以下任意条件时,判定出有功调度方案S1优于有功调度方案S2,并按照该判定方式从Nt个候选潮流调度方案选择出排名最优的帕累托非劣解集的N个暂定调度方案,判定条件表示为:
Viol(S1)<Viol(S2)
其中,Viol(S1)表示有功调度方案S1的约束违反值,Viol(S2)表示有功调度方案S2的约束违反值;fi(S1)是有功调度方案S1对应的第i个目标函数值,fi(S2)是有功调度方案S2对应的第i个目标函数值;fj(S1)是有功调度方案S1对应的第j个目标函数值,fj(S2)是有功调度方案S2对应的第j个目标函数值。
在一些优选实施例中,对无法按照上述方法判定性能优劣的调度方案,通过计算拥挤距离Dis确定采用优先级。一般来说,拥挤距离越大的调度方案意味着解集多样性越佳,即具有较高的采用优先级。因此,判定条件还可以包括:
Dis(S1)≤Dis(S2)
式中,Dis(S1)表示有功调度方案S1的拥挤距离,Dis(S2)表示有功调度方案S2的拥挤距离。
拥挤距离的计算公式如下所示:
式中,Dis(Si)表示有功调度方案Si的拥挤距离;fj(i-1)表示第i-1个方案在第j个目标上的值;和/>分别为第j个目标函数的最大值和最小值。
对电网多目标有功调度问题而言,Rank值越小的调度方案,其性能越佳,采用优先级越高。但在同一层级数上,可能同时存在多个调度方案,这些方案互不占优。为实现候选调度方案的全排序,本发明还采用拥挤距离值Dis来判断具有相同层级值的候选方案的采用优先级。
具体来说,本发明中改进鸽群算法从Nt个候选调度方案中确定POS解集的N个暂定调度方案时,采用非劣全排序方法优先选择Rank值更小的有功调度方案,在Rank相同的前提下优先选择Dis值更大的有功调度方案。
Step 2:删除IPcan种群中已有层级值的调度方案,根据占优策略再次筛选出当前的非劣解集并分配Rank=2;
Step 3:重复以上步骤直至Nt个候选调度方案均分配各自对应的Rank值。
本发明中的劣势解再更新策略在改进鸽群算法完成地图搜索和地标搜索后执行。对N个帕累托非劣解集进行非劣全排序后,确定出Nb个排名靠后、性能较差的劣势解。按照如下公式对改进鸽群算法确定的劣势解执行再更新操作。
ponew(i)=pooriginal(i)+ξ6(pobcs-pooriginal(i),i=1,2,…,Nb
式中,ponew(i)表示再更新后的第i个个体即调度方案位置;pooriginal(i)表示原始劣势第i个个体位置;ξ6是0到1之间的随机数;pobcs是当前折衷调度方案解的位置。
对这Nb个劣势解和Nb个更新解采用有效占优策略,即采用更新后性能更佳的解,否则原解保持不变。本发明中的有效占优策略可描述如下。
当满足多目标鸽群算法的终止条件时,对N个暂定调度方案中的Nb个劣势解进行劣势解再更新操作,根据有效占优策略确定出帕累托非劣解集的N个最终调度方案。
基于模糊满意隶属度从所述帕累托非劣解集的N个最终调度方案中确定出一个折衷调度方案;
基于模糊满意度函数,从改进鸽群算法获得的最终POS解集的N个调度方案中客观地确定一个相对最佳的最优折衷调度方案BCS,供电力决策者参考。
第j个调度方案的满意度值Fsat(Sj)实质上是解Sj在m个优化目标函数上的隶属度数值和。调度方案解Sj在第i个目标上的隶属值Fi mem(Sj)和满意度值Fsat可以通过如下公式计算求得。
式中,N为POS解集的规模,即帕累托非劣解集的调度方案个数,m为同时优化的目标数;和/>分别是第i个目标函数的最大、最小值。
POS解集中Fsat值最大的那个调度方案即为改进鸽群算法求解电网多目标有功调度问题时最终确定的BCS解。
可以理解的是,在本实施例中,对暂定POS解集中性能更差的Nb个劣势解执行劣势解再更新操作,同时采用有效占优策略确定最终POS解集。结合了有效占优策略的劣势解再更新进一步优化了较差潮流调度方案的质量,有助于探索更好的电网调度方案,并且避免了优势调度方案的流失。
根据折衷调度方案(BCS方案)设定出精英调度方案(WES方案)中发电机节点有功出力、发电机节点电压、有载调压变压器和无功补偿投切的有效搜索范围,采用BP神经网络探索电力系统多目标有功调度的精英调度方案。
首先,根据折衷调度方案对应的发电机节点有功出力、发电机节点电压、有载调压变压器和无功补偿投切确定精英调度方案的有效搜索范围,在有效搜索范围内随机产生Np个调度方案;
在本发明实施例中,在BCS解附近设定WES方案的有效搜索范围即控制变量有效范围,包括发电机节点有功出力、发电机节点的电压、有载调压变压器和无功补偿投切四类控制变量的上下限。随机生成Np个调度方案,即Np个D维控制变量集。
在一些优选实施例中,按照如下公式对其进行规范。在进行控制变量规范时,两类离散控制变量需满足步长要求。
其中,和/>分别为第i组控制变量的有效上限和下限。
其次,采用基于BP的燃料费用预测网络预测出所述Np个调度方案的燃料费用值,从Np个调度方案中筛选出预测费用小于折衷调度方案费用的Ne个优势调度方案;
在本发明实施例中,基于预先构建的BP神经网络即BP燃料费用预测网络预测上述Np个调度方案对应的基本燃料费用值;将Np个预测费用值与BCS解对应的费用值Fbcs进行比较,从中筛选出预测费用值小于Fbcs的Ne个优势调度方案。
在本发明实施例中,BP燃料费用预测网络的输入为D维控制变量,由电网结构决定;输出为基本燃料费用值。本发明以IEEE30节点系统上的双、三目标有功调度为例证明BP费用预测网络的适用性。在标准IEEE30节点系统中,D=24,BP费用预测网络的训练数据集包括900组24维控制变量及对应的燃料费用值,测试数据集则包括100组24维控制变量及对应的费用值。
对Ne个优势调度方案进行潮流计算,确定出每个优势调度方案的m个目标函数值和违反约束值,并从Ne个优势调度方案中求解出违反约束值为0且m个目标函数值均小于折衷调度方案的m个目标函数值的电力系统有功调度的精英调度方案。
在本发明实施例中,对Ne个优势调度方案进行牛顿-拉夫逊潮流计算,获得每个优势调度方案真实的燃料费用值、网络损耗值和废气排放值等;输出m个目标函数值均小于BCS对应目标且实现了零约束违反的精英调度方案WES。
图3给出了本发明实施例中采用多目标鸽群算法求解电力系统多目标有功调度问题的主要流程图,如图3所示,所述方法包括:101、对多目标鸽群算法初始化,输入改进多目标鸽群算法的初始参数,包括地图搜索和地标搜索的最大迭代次数,非线性权重系数ωdiv等;
102、在控制变量的有效范围内生成N个初始调度方案(初始种群);
103、进行地图搜索:根据整合了非线性权重系数ωdiv的速度sp公式和位置po公式更新初始种群的位置信息;
104、对更新种群进行牛顿-拉夫逊潮流计算;
105、明确每个调度方案的约束违反值Viol和m个目标函数值,为每个候选调度方案进行性能评估;
106、判断迭代次数是否小于设定的地图搜索最大迭代数,若小于则返回步骤103,否则进入步骤107;
107、进行地标搜索:更新参与地标搜索的个体数Nl和相应个体的位置po信息;
108、对更新种群进行牛顿-拉夫逊潮流计算,为更新后的候选调度方案进行性能评估;
109、判断迭代次数是否小于设定的地标搜索最大迭代数,若小于则返回步骤107,否则进入步骤110;
110、确定执行完地图搜索和地标搜索后的N个调度方案;
111、整合上述N个调度方案和原始N个调度方案,删除重复个体后,获得具有Nc个候选方案的IPcan种群;
112、对IPcan种群的Nc个方案进行非劣全排序,选择排名靠前的N个有功调度方案纳入暂定的帕累托非劣解集POS;
113、对暂定POS解集中排名靠后的Nb个劣势方案pooriginal进行再更新操作,获得相应的ponew方案;
114、判断ponew是否占优pooriginal;若占优,进入步骤115,否则进入步骤116;
115、将执行劣势解再更新后的ponew方案纳入最终POS解集;
116、pooriginal方案保持不变并纳入最终POS解集;
117、确定出基于改进鸽群算法获得的最终POS解集;
118、基于满意度函数从POS解集的N个候选解集中确定相对最优的BCS方案;
119、输出最终POS解集和BCS调度方案。
在一个具体的实施例中,本发明的实施例在标准IEEE30节点系统上求解同时优化燃料费用和废气排放的双目标有功调度问题;同时优化燃料费用、功率损耗和废气排放的三目标有功调度问题。
对IEEE30节点标准测试系统,共有24维控制变量,且控制变量的有效范围如表1所示。改进鸽群算法求解电力系统多目标有功调度问题时的N个初始调度方案即在表1所示的有效范围内随机生成。
随后按照图2和图3所示的主要流程图,基于本发明中改进鸽群算法的地图搜索模型和地标搜索模型对N个初始调度方案进行更新,并基于非劣全排序方法确定电力系统多目标有功调度问题的最终POS解集。进一步地,基于满意度函数从最终POS解集的N个调度方案中客观地确定一个最优折衷调度方案BCS。
表1IEEE30节点标准测试系统的控制变量上下限
在IEEE30节点系统上,求解同时优化基本燃料费用和废气排放的双目标有功调度问题时,本发明的电力系统多目标有功调度的求解方法所获得的POS解集如图4所示。图4表明,通过整合了非线性权重系数和劣势解再更新策略的改进鸽群算法获得了比基本鸽群算法性能更好的POS解集。具体来说,改进鸽群算法获得的POS解集在种群多样性和分布均匀性方面均优于基本鸽群算法。
此外,基于满意度函数,改进鸽群算法求得的BCS方案包括831.0326$/h的燃料费用和0.2341ton/h的废气排放。同时,基本鸽群算法在求解相同双目标调度问题时,获得的BCS方案包括835.0313$/h的燃料费用和0.2362ton/h的废气排放,两个优化目标均比改进算法差。BCS方案的性能优劣也有力地证明了本发明改进措施的有效性和改进鸽群算法相较于基本算法的竞争优势。改进鸽群算法求解上述双目标有功调度问题获得的POS解集和BCS方案在图5中给出。
本发明实施例中,在构建BP费用预测网络并探索分布在BCS解附近的WES方案。在求解IEEE30节点系统上同时优化燃料费用和废气排放两个目标时,本发明中的改进鸽群算法确定的BCS方案和本发明中的BP费用预测网络确定的WES方案在表2中给出。
表2表明,基于本发明的BP费用预测网络成功地探索到5个WES调度方案。表2所示的5个WES调度方案均实现了零约束违反,且费用和排放两个目标均小于当前的BCS方案。
双目标有功调度实例证明了本发明中改进鸽群算法求解电力系统有功调度问题的优势性、BP费用预测网络的适用性和其探索WES解的竞争优势。按照本发明确定的WES调度方案调节相应电气设备的运行投入值,即可实现电力系统的安全、经济和稳定运行。
进一步地,给出了本发明在IEEE30节点系统上同时优化燃料费用、功率损耗和废气排放三个目标的有功调度实施例。其主要求解流程也在图1-图3中给出,与双目标有功调度实例类似。
表2IEEE30节点系统上双目标调度问题的BCS和WES调度方案
图6给出了在标准IEEE30节点系统上,基本多目标鸽群算法和改进鸽群算法求解三目标有功调度问题时分别获得的POS解集。图6表明,即使在求解更复杂的三目标有功调度问题时,本发明的改进鸽群算法仍然获得了均匀分布的POS解集,且其均匀性和多样性明显优于基本鸽群算法获得的POS解集。
改进鸽群算法求解同时降低燃料费用、功率损耗和废气排放的三目标有功调度问题时获得的POS解集和BCS方案在图7中给出。与此同时,三目标调度实施例的BCS解和BP费用预测网络探索到的4个WES方案在表3中给出。
表3IEEE30节点系统上三目标调度问题的BCS和WES调度方案
表3表明,改进鸽群算法在求解三目标有功调度问题时,获得的BCS方案包括864.8101$/h的燃料费用、4.1717MW的功率损耗和0.2126ton/h的废气排放。进一步地,本发明的BP费用预测网络在求解三目标有功调度实施例时,获得了4个WES调度方案。表3所示的4个WES调度方案均实现了零约束违反,且燃料费用、废气排放和功率损耗均小于当前BCS方案。即BP费用预测网络确定的WES方案具有更高的采用优先级,为电力系统的安全、经济运行提供了多个高质量的调度方案。
在本发明的描述中,需要理解的是,术语“同轴”、“底部”、“一端”、“顶部”、“中部”、“另一端”、“上”、“一侧”、“顶部”、“内”、“外”、“前部”、“中央”、“两端”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明中,除非另有明确的规定和限定,术语“安装”、“设置”、“连接”、“固定”、“旋转”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系,除非另有明确的限定,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种基于鸽群算法和BP费用预测网络的有功调度求解方法,其特征在于,所述方法包括:
根据电力系统中燃料费用,以及功率损耗或/和废气排放的需求,建立出电力系统多目标有功调度模型;
根据电力系统结构和电力器件的有效运行范围,采用多目标鸽群算法求解电力系统多目标有功调度问题,在有效运行范围内随机产生N个初始调度方案;
对N个初始调度方案进行潮流计算,确定出每个初始调度方案的m个目标函数值和违反约束值;
执行多目标鸽群算法的地图搜索和地标搜索,根据整合非线性权重系数的速度公式和位置公式更新N个初始调度方案;
将更新前后的2N个调度方案进行整合,删除其中的重复调度方案,得到Nt个候选潮流调度方案;
采用基于m个目标函数值、违反约束值的非劣全排序方法,从Nt个候选潮流调度方案筛选出帕累托非劣解集的N个暂定调度方案;
当满足多目标鸽群算法的迭代终止条件时,对帕累托非劣解集的暂定调度方案进行劣势解再更新操作,根据有效占优策略确定出帕累托非劣解集的N个最终调度方案;
基于模糊满意隶属度从所述帕累托非劣解集的N个最终调度方案中确定出一个相对最优的折衷调度方案;
根据折衷调度方案对应的发电机节点有功出力、发电机节点电压、有载调压变压器和无功补偿投切确定精英调度方案的有效搜索范围,在有效搜索范围内随机产生Np个调度方案;
采用基于BP的燃料费用预测网络预测出所述Np个调度方案的燃料费用值,从Np个调度方案中筛选出预测费用小于折衷调度方案费用的Ne个优势调度方案;
对Ne个优势调度方案进行潮流计算,确定出每个优势调度方案的m个目标函数值和违反约束值,并从Ne个优势调度方案中确定出违反约束值为0且m个目标函数值均小于折衷调度方案目标函数值的电力系统多目标有功调度的精英调度方案。
2.根据权利要求1所述的一种基于鸽群算法和BP费用预测网络的有功调度求解方法,其特征在于,所述电力系统多目标有功调度模型包括:
min F=(f1(x),f2(x),…,fm(x))
s.t.
C1:
C2:
C3:
C4:
C5:Ti min≤Ti≤Ti max,i∈NT
C6:
C7:
C8:
C9:
C10:
其中,F表示电力系统多目标有功调度的优化目标,包括燃料费用、功率损耗或/和废气排放,m(m≥2)是同时优化的目标数量;C1表示电力系统的有功功率平衡的等式约束,PGi表示第i台发电机的有功功率,PDi表示第i个负荷节点的有功功率,Vi表示第i个节点的电压值,Vj表示第j个节点的电压值,Ni表示与节点i相连的节点数,Gij表示节点i、j的互电导,δij表示节点i、j之间的相角差,Bij表示节点i、j的互电纳,Nn表示除平衡节点外的节点数;C2表示电力系统的无功功率平衡的等式约束,QDi表示第i个负荷节点的无功功率,NPQ表示负荷节点数目;C3表示发电机节点有功功率的不等式约束,表示第i台发电机的最小有功功率,/>表示第i台发电机的最大有功功率,NG表示发电机数量;C4表示发电机电压的不等式约束,/>表示第i台发电机的最小电压值,VGi表示第i台发电机的电压值,/>表示第i台发电机的最大电压值;C5表示变压器抽头设置的不等式约束,Ti表示第i台变压器抽头,Ti min表示第i台变压器的最小抽头,Ti max表示第i台变压器的最大抽头,NT表示变压器抽头数量;C6表示无功补偿投切的不等式约束,QCi表示第i台无功补偿器的无功功率,/>表示第i台无功补偿器的最小无功功率,/>表示第i台无功补偿器的最大无功功率,NC表示无功补偿器数量;C7表示平衡节点的有功功率的不等式约束,PG1表示平衡节点的有功功率,/>表示平衡节点的最小有功功率,/>表示平衡节点的最大有功功率;C8表示负荷节点电压的不等式约束,VLi表示第i个负荷节点的电压值,/>表示第i个负荷节点的最小电压值,/>表示第i个负荷节点的最大电压值;C9表示发电机无功输出的不等式约束,QGi表示第i台发电机的无功功率,/>表示第i台发电机的最小无功功率,/>表示第i台发电机的最大无功功率;C10表示线路视在功率的不等式约束,/>表示第l条线路的最大视在功率,Sl表示第l条线路的视在功率,NL表示线路条数。
3.根据权利要求2所述的一种基于鸽群算法和BP费用预测网络的有功调度求解方法,其特征在于,
对不满足约束C3~C6所对应的控制变量不等式约束进行规范,表示为:
其中,和/>分别为第i组控制变量的有效上限和下限,第i组控制变量依次为约束C3~C6的控制变量,
基于每组控制变量计算相应的状态变量,对状态变量不满足约束C7~C10的调度方案删除;也即是将状态变量违反约束C7~C10的约束违反值作为判定不同调度方案性能的标准之一,调度方案的状态变量违反约束值的计算公式表示为:
Viol(S1)=|Constr_P(S1)|+|Constr_V(S1)|+|Constr_Q(S1)|+|Constr_S(S1)|
其中,Viol(S1)表示有功调度方案S1的约束违反值;Constr_P,Constr_V,Constr_Q和Constr_S是调度方案S1分别是违反平衡节点的有功功率C7约束、负荷节点电压C8约束、发电机无功输出C9约束、线路视在功率C10约束的约束违反值。
4.根据权利要求1所述的一种基于鸽群算法和BP费用预测网络的有功调度求解方法,其特征在于,所述整合非线性权重系数的速度公式表示为:
其中,spi(k+1)表示第i个个体即调度方案在第k+1次迭代过程中的速度;ωdiv是第k+1次迭代过程中速度项的非线性权重系数;Rmap是地图因子;ξ1是0到1之间的一个随机数;pobest是当前最佳个体位置;poi(k)是第i个个体在第k次迭代过程中的位置。
5.根据权利要求4所述的一种基于鸽群算法和BP费用预测网络的有功调度求解方法,其特征在于,所述速度项的非线性权重系数表示为:
其中,ξ2、ξ3和ξ4分别0到1之间的随机数,和/>分别是非线性权重系数的上限值和下限值,ωdiv(k)表示第k次迭代过程中速度项的非线性权重系数。
6.根据权利要求1所述的一种基于鸽群算法和BP费用预测网络的有功调度求解方法,其特征在于,所述采用基于m个目标函数值、违反约束值的非劣全排序方法,从Nt个候选潮流调度方案筛选出帕累托非劣解集的N个暂定调度方案,当满足以下任意条件时,判定出有功调度方案S1优于有功调度方案S2,并按照该判定方式从Nt个候选潮流调度方案选择出排名最优的帕累托非劣解集的N个暂定调度方案,判定条件表示为:
Viol(S1)<Viol(S2)
其中,Viol(S1)表示有功调度方案S1的约束违反值,Viol(S2)表示有功调度方案S2的约束违反值;fi(S1)是有功调度方案S1对应的第i个目标函数值,fi(S2)是有功调度方案S2对应的第i个目标函数值;fj(S1)是有功调度方案S1对应的第j个目标函数值,fj(S2)是有功调度方案S2对应的第j个目标函数值。
7.根据权利要求6所述的一种基于鸽群算法和BP费用预测网络的有功调度求解方法,其特征在于,所述任意条件还包括调度方案的拥挤距离,即无法依据目标函数值和违反约束值判定不同调度方案优劣时,优先采用拥挤距离更大的方案,表示为:
Dis(S1)≤Dis(S2)
其中,Dis(S1)表示有功调度方案S1的拥挤距离,Dis(S2)表示有功调度方案S2的拥挤距离;Dis(Si)表示有功调度方案Si的拥挤距离;fj(i-1)表示第i-1个方案在第j个目标上的值;和/>分别为第j个目标函数的最大值和最小值。
8.根据权利要求1所述的一种基于鸽群算法和BP费用预测网络的有功调度求解方法,其特征在于,所述对帕累托非劣解集的暂定调度方案进行劣势解再更新操作的再更新公式表示为:
ponew(i)=pooriginal(i)+ξ6(pobcs-pooriginal(i),i=1,2,…,Nb
其中,ponew(i)表示再更新后的第i个个体即调度方案位置;pooriginal(i)表示原始的第i个个体位置;ξ6是0到1之间的随机数;pobcs是折衷调度方案的位置信息;Nb表示排名靠后且性能较差的劣势解个数。
9.根据权利要求1所述的一种基于鸽群算法和BP费用预测网络的有功调度求解方法,其特征在于,所述基于模糊满意隶属度从所述帕累托非劣解集的N个调度方案中确定出一个折衷调度方案表示为:
其中,表示调度方案Sj在第i个目标函数上的隶属值;/>和/>分别是第i个目标函数的最大、最小值;Fsat(Sj)表示第j个调度方案的满意度值。
10.根据权利要求1所述的一种基于鸽群算法和BP费用预测网络的有功调度求解方法,其特征在于,筛选出Ne个优势调度方案过程包括构建基于BP的燃料费用预测网络,在多目标鸽群算法确定的折衷方案附近确定多个满足所有系统约束且m个目标函数值均小于所述折衷方案目标函数值的精英调度方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111154564.7A CN113807022B (zh) | 2021-09-29 | 2021-09-29 | 基于鸽群算法和bp费用预测网络的有功调度求解方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111154564.7A CN113807022B (zh) | 2021-09-29 | 2021-09-29 | 基于鸽群算法和bp费用预测网络的有功调度求解方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113807022A CN113807022A (zh) | 2021-12-17 |
CN113807022B true CN113807022B (zh) | 2023-09-01 |
Family
ID=78897137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111154564.7A Active CN113807022B (zh) | 2021-09-29 | 2021-09-29 | 基于鸽群算法和bp费用预测网络的有功调度求解方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113807022B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101989743A (zh) * | 2009-07-31 | 2011-03-23 | 华东电力试验研究院有限公司 | 基于直流潮流的节能发电调度优化方法 |
CN105098979A (zh) * | 2014-12-19 | 2015-11-25 | 国网山东泗水县供电公司 | 一种自动化电力调度系统及方法 |
EP3343717A1 (en) * | 2016-12-27 | 2018-07-04 | Vito NV | Hierarchical implicit controller for shielded system in a grid |
CN108932566A (zh) * | 2018-07-19 | 2018-12-04 | 重庆邮电大学 | 基于改进蝙蝠算法求解电力系统多目标有功调度的方法 |
CN113128076A (zh) * | 2021-05-18 | 2021-07-16 | 北京邮电大学 | 基于双向加权图模型的电力调度自动化系统故障溯源方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11130042B2 (en) * | 2016-02-02 | 2021-09-28 | Bao Tran | Smart device |
-
2021
- 2021-09-29 CN CN202111154564.7A patent/CN113807022B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101989743A (zh) * | 2009-07-31 | 2011-03-23 | 华东电力试验研究院有限公司 | 基于直流潮流的节能发电调度优化方法 |
CN105098979A (zh) * | 2014-12-19 | 2015-11-25 | 国网山东泗水县供电公司 | 一种自动化电力调度系统及方法 |
EP3343717A1 (en) * | 2016-12-27 | 2018-07-04 | Vito NV | Hierarchical implicit controller for shielded system in a grid |
CN108932566A (zh) * | 2018-07-19 | 2018-12-04 | 重庆邮电大学 | 基于改进蝙蝠算法求解电力系统多目标有功调度的方法 |
CN113128076A (zh) * | 2021-05-18 | 2021-07-16 | 北京邮电大学 | 基于双向加权图模型的电力调度自动化系统故障溯源方法 |
Non-Patent Citations (1)
Title |
---|
基于改进蝙蝠算法的电力系统多目标有功调度研究;钱洁;《中国优秀硕士学位论文全文数据库全文数据库工程科技II辑》(第2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113807022A (zh) | 2021-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Multi-objective optimal reactive power dispatch of power systems by combining classification-based multi-objective evolutionary algorithm and integrated decision making | |
CN107437813B (zh) | 基于布谷鸟-粒子群的配电网无功功率优化方法 | |
CN107579518B (zh) | 基于mhba的电力系统环境经济调度方法和装置 | |
CN113806884B (zh) | 基于遗传算法的谐振变换器设计参数选定方法 | |
CN110518580A (zh) | 一种考虑微网主动优化的主动配电网运行优化方法 | |
CN113300380B (zh) | 一种基于负荷曲线分段的配电网无功优化补偿方法 | |
Ali et al. | Solution of constrained mixed‐integer multi‐objective optimal power flow problem considering the hybrid multi‐objective evolutionary algorithm | |
Cheng et al. | 2PnS-EG: A general two-population n-strategy evolutionary game for strategic long-term bidding in a deregulated market under different market clearing mechanisms | |
Qian et al. | Application of modified beetle antennae search algorithm and BP power flow prediction model on multi-objective optimal active power dispatch | |
CN115313403A (zh) | 一种基于深度强化学习算法的实时电压调控方法 | |
CN113629715B (zh) | 一种计及可输电能力的upfc多目标优化配置方法 | |
Saraswat et al. | Optimal reactive power dispatch by an improved real coded genetic algorithm with PCA mutation | |
Chen et al. | A Novel Approach Based on Modified and Hybrid Flower Pollination Algorithm to Solve Multi-objective Optimal Power Flow. | |
CN112787331B (zh) | 基于深度强化学习的潮流收敛自动调整方法及系统 | |
Zhang et al. | NSGA-III integrating eliminating strategy and dynamic constraint relaxation mechanism to solve many-objective optimal power flow problem | |
CN113807022B (zh) | 基于鸽群算法和bp费用预测网络的有功调度求解方法 | |
Ogryczak et al. | On multi-criteria approaches to bandwidth allocation | |
CN109103901B (zh) | 一种基于dsica算法的电力系统多目标无功优化方法 | |
Zhang et al. | A multi-objective optimization method for power system reactive power dispatch | |
CN115310353A (zh) | 一种基于快速多目标优化的电力变压器设计方法 | |
CN110137969B (zh) | 一种基于协同进化求解电力系统多目标最优潮流的方法 | |
Yao et al. | A novel tournament selection based on multilayer cultural characteristics in gene-culture coevolutionary multitasking | |
Zhang et al. | Optimal economic dispatch of virtual power plant based on bidding | |
Shahbazi et al. | The optimal reactive power dispatch using seeker optimization algorithm based different objective functions | |
Al Misba et al. | Multi-objective optimal reactive power dispatch using modified game theory |
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 |