CN114221350B - 基于bas-iga算法的分布式光伏集群划分方法和系统 - Google Patents

基于bas-iga算法的分布式光伏集群划分方法和系统 Download PDF

Info

Publication number
CN114221350B
CN114221350B CN202111488272.7A CN202111488272A CN114221350B CN 114221350 B CN114221350 B CN 114221350B CN 202111488272 A CN202111488272 A CN 202111488272A CN 114221350 B CN114221350 B CN 114221350B
Authority
CN
China
Prior art keywords
algorithm
cluster
node
initial
nodes
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
CN202111488272.7A
Other languages
English (en)
Other versions
CN114221350A (zh
Inventor
李立生
刘洋
张世栋
苏国强
刘合金
孙勇
王峰
李帅
于海东
张鹏平
刘文彬
由新红
黄敏
张林利
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.)
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Shandong 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, Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202111488272.7A priority Critical patent/CN114221350B/zh
Publication of CN114221350A publication Critical patent/CN114221350A/zh
Application granted granted Critical
Publication of CN114221350B publication Critical patent/CN114221350B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/16—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by adjustment of reactive power
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers
    • 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
    • Y02E40/30—Reactive power compensation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Genetics & Genomics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明属于电气技术领域，公开了一种基于BAS‑IGA算法的分布式光伏集群划分方法和系统，所述方法包括：在海量数据中，基于天牛须搜索算法获取初始种群数据集；基于所述初始种群数据集构建遗传算法模型；通过优化遗传算子和交叉变异概率算法对所述遗传算法模型进行优化，并得到遗传迭代产生的最优解；基于所述最优解以模块度指标作为聚类目标优化K‑means聚类算法，以得到初始聚类中心；以所述初始聚类中心作为初始质心，并基于节点间的集群划分指标对目标配电网进行集群划分。本发明的方法解决了分布式发电集群中，集群划分结果不准确、有效性较差的问题。

Description

基于BAS-IGA算法的分布式光伏集群划分方法和系统
技术领域
本发明涉及电气技术领域，特别涉及一种基于BAS-IGA算法的分布式光伏集群划分方法和系统。
背景技术
近年来分布式电源(distributed generator，DG)在电网中所占的比重逐步增加，其接入对配电网的影响越来越不容忽视。光伏(photo votaic，PV)输出的有功功率受外部太阳光强度的影响，波动性强。在光照强度高的时刻，光伏输出的有功功率过高可能会导致节点电压越上限，并且光伏输出有功功率的波动可能会导致电压随之波动，给配电网的电压调节带来困难。
为了解决这一关键问题，分布式发电集群应运而生，即在一个配电网区域中，若干在地理上相近，或者在电气上形成相似或互补关系的分布式发电单元、储能及负荷组成的集合。但是，分布式发电集群的划分结果准确性和有效性较差，从而影响到配电网的优化性能。
发明内容
本发明实施例提供了一种基于BAS-IGA算法的分布式光伏集群划分方法和系统，以至少部分解决分布式发电集群中，集群划分结果不准确、有效性较差的问题。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
根据本发明实施例的第一方面，提供了一种基于BAS-IGA算法的分布式光伏集群划分方法，所述方法包括：
在海量数据中，基于天牛须搜索算法获取初始种群数据集；
基于所述初始种群数据集构建遗传算法模型；
通过优化遗传算子和交叉变异概率算法对所述遗传算法模型进行优化，并得到遗传迭代产生的最优解；
基于所述最优解以模块度指标作为聚类目标优化K-means聚类算法，以得到初始聚类中心；
以所述初始聚类中心作为初始质心，并基于节点间的集群划分指标对目标配电网进行集群划分。
进一步地，所述基于所述初始种群数据集构建遗传算法模型，具体包括：
以有功功率损耗最小和节点电压偏移量最小为优化目标，构建如下双目标函数：
式中：Ui为节点i的电压；
Uj为节点j的电压；
Up.u.为基准电压；
Gij为节点i和j之间的电导值；
θij为节点i和j之间的相角差；
f1为第一目标函数；
f2为第二目标函数；
n为系统的节点总数，n为正整数。
进一步地，所述目标函数的约束方程为：
式中：Pmax为节点能够吸收的最大有功功率；
Qmax为节点能够吸收的最大无功功率；
Pmin为节点能够吸收的最小有功功率；
Qmin为节点能够吸收的最小无功功率；
Umin为系统允许的最小节点电压；
Umax为系统允许的最大节点电压。
进一步地，根据权重将双目标函数转化为单目标函数：
F＝α1f1+α2f2
式中，α1为第一目标函数f1的权值；
α2为第二目标函数f2的权值。
进一步地，基于所述最优解以模块度指标作为聚类目标优化K-means聚类算法，以得到初始聚类中心，具体包括：
基于系统的节点参数和遗传算法模型参数，根据无功电压灵敏度计算节点之间的电气距离矩阵，初始化遗传算法各参数设置；
计算得出每个节点归属的集群，选择集群中到其余节点的电气距离总和最小的节点作为新的集群质心，重新划分集群，进行编码和初始种群生成；
计算种群个体适应度，并进行改进遗传算法的适应度计算；
若确定满足迭代结束条件，则得到初始聚类中心。
进一步地，所述交叉变异概率算法的优化模型包括交叉概率算法的优化模型和变异概率算法的优化模型。
进一步地，所述交叉概率算法的优化模型为：
式中：Pc为交叉概率；
fmax是群体中最大适应度值，
favg是群体中平均适应度值；
f′是待交叉的两个个体中适应度值较大的一个；
k1，k3为交叉概率系数。
进一步地，所述变异概率算法的优化模型为：
式中：Pm为变异概率；
fmax是群体中最大适应度值；
favg是群体中平均适应度值；
f是待变异个体的适应度值；
k2，k4为变异概率系数。
进一步地，基于天牛须搜索算法获取初始种群数据集，具体包括：
定义随机向量，并对所述随机向量进行归一化处理；
基于天牛搜索行为原理，模拟天牛的触角运动，以确定天牛左右两须所在坐标；
根据天牛左右两须所在坐标的变化，确定下一次迭代天牛的运动方向和距离。
进一步地，所述随机向量表示为：
其中，rand(·)表示随机方向，k表示空间的维数。
进一步地，所述天牛左右两须所在坐标表示为：
其中，xl表示左须坐标，xr表示右须坐标，xt为第t次迭代时天牛的位置，2dt为第t次迭代时两须的距离。
进一步地，通过以下公式得到下一次迭代天牛的运动方向和距离：
dt＝0.95dt-1+0.01
δt＝0.95δt-1
其中，δt表示第t次迭代时步长因子，sign(·)表示符号函数，f(xr)表示右触须处的气味强度，f(xl)表示左触须处的气味强度。
进一步地，所述节点间的集群划分指标包括模块度指标和电气距离指标；
其中，模块度指标的公式为：
式中：ρ为模块度指标；
m为边权矩阵A中所有元素的和；
Aij为边权矩阵A中第i行第j列的元素；
ki为边权矩阵A中第i列元素之和；
kj为边权矩阵A中第j列元素之和；
δ(i,j)为节点i与节点j的关联度。
根据本发明实施例的第二方面，提供了一种基于BAS-IGA算法的分布式光伏集群划分系统，用于实施如上所述的方法。
在一些实施例中，所述系统包括：
数据集获取单元，用于在海量数据中，基于天牛须搜索算法获取初始种群数据集；
算法模型构建单元，用于基于所述初始种群数据集构建遗传算法模型；
算法模型优化单元，用于通过优化遗传算子和交叉变异概率算法对所述遗传算法模型进行优化，并得到遗传迭代产生的最优解；
聚类中心获取单元，用于基于所述最优解以模块度指标作为聚类目标优化K-means聚类算法，以得到初始聚类中心；
划分结果输出单元，用于以所述初始聚类中心作为初始质心，并基于节点间的集群划分指标对目标配电网进行集群划分。
根据本发明实施例的第三方面，提供了一种计算机设备。
在一些实施例中，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
根据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。
在一些实施例中，所述计算机存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于执行如权上所述的方法。
本发明实施例提供的技术方案可以包括以下有益效果：
本发明所提供的基于BAS-IGA算法的分布式光伏集群划分方法和系统，采用改进遗传算法(IGA)在初始聚类中心的选择上对K-means算法进行优化，再应用改进后的K-means聚类算法将配电网划分为若干个集群，并得到每个集群对应的关键节点。然后基于BAS-IGA算法，求解系统的无功优化模型，实现对节点电压的调节，改善电压越限的情况。解决了分布式发电集群中，集群划分结果不准确、有效性较差的问题。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1为本发明所提供的基于BAS-IGA算法的分布式光伏集群划分方法一种具体实施方式的流程图；
图2为天牛搜索过程原理图；
图3为天牛简化模型示意图；
图4为一个实施例中IEEE 33节点系统拓扑图；
图5为如图4所示实施例中初始状态的节点电压示意图；
图6为如图4所示实施例中不划分集群时的补偿效果示意图；
图7为如图4所示实施例中电压优化效果图；
图8为本发明所提供的基于BAS-IGA算法的分布式光伏集群划分系统一种具体实施方式的结构框图；
图9为本发明所提供的计算机设备的结构图。
具体实施方式
以下描述和附图充分地示出本文的具体实施方案，以使本领域的技术人员能够实践它们。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本文的实施方案的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。本文中，术语“第一”、“第二”等仅被用来将一个元素与另一个元素区分开来，而不要求或者暗示这些元素之间存在任何实际的关系或者顺序。实际上第一元素也能够被称为第二元素，反之亦然。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的结构、装置或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种结构、装置或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的结构、装置或者设备中还存在另外的相同要素。本文中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中的术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”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文和简化描述，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。在本文的描述中，除非另有规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，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的具体含义。
本文中，除非另有说明，术语“多个”表示两个或两个以上。
本文中，字符“/”表示前后对象是一种“或”的关系。例如，A/B表示：A或B。
本文中，术语“和/或”是一种描述对象的关联关系，表示可以存在三种关系。例如，A和/或B，表示：A或B，或，A和B这三种关系。
请参考图1，图1为本发明所提供的基于BAS-IGA算法的分布式光伏集群划分方法一种具体实施方式的流程图。
在一种具体实施方式中，本发明所提供的基于BAS-IGA算法的分布式光伏集群划分方法首先应用IGA改进的K-means聚类算法，找出较好的初始聚类中心，然后根据节点间的电气距离，对配电网进行集群划分。以节点的电压偏移总量和线路的有功损耗最小作为目标，采用BAS-IGA算法对电力系统进行无功优化。
如图1所示，该方法包括以下步骤：
S1：在海量数据中，基于天牛须搜索算法获取初始种群数据集；
S2：基于所述初始种群数据集构建遗传算法模型。
优选地，针对经典遗传算法易早熟、收敛速度慢、容错性差的问题，可将遗传算子进行改进。
从原理上来讲，遗传算子的合理选择对于遗传算法的性能有重要的影响。选择方式上，由于轮盘赌选择方法选择误差较大，易陷入局部最优解。本发明所提供的方法采用随机联赛选择法，保证了适应度值高的个体被选中的概率更大。
S3：通过优化遗传算子和交叉变异概率算法对所述遗传算法模型进行优化，并得到遗传迭代产生的最优解。为了提高优化效果，在交叉方式上采用均匀交叉，配对的两个个体基因都以相同概率进行交叉，能产生两个新个体，增强了种群中个体的多样性。变异方式上采用均匀变异，用某一范围内均匀分布的“0”、“1”随机数，以较小概率来替换个体原有基因值，增强了种群的多样性。
S4：基于所述最优解以模块度指标作为聚类目标优化K-means聚类算法，以得到初始聚类中心；
S5：以所述初始聚类中心作为初始质心，并基于节点间的集群划分指标对目标配电网进行集群划分。
配电网的集群划分是指将电力系统中具有相似电气特性的一类节点划分到同一个集群内，从而实现对系统整体控制目标的分解。为了提高电力系统的调整效率和经济性，对配电网进行集群划分十分有必要。配电网的集群划分，主要有两个步骤：首先选取电气距离、模块度等合适的指标，依据所选取的指标去划分集群，同时采用一些集群划分评价标准来衡量划分结果的优劣性；最后选择合适的算法，通过数学方法得到划分结果。集群划分指标和划分方法的选取对于集群划分至关重要，将直接影响集群划分结果的准确性和有效性。
据此，本发明所提供的方法以有功功率损耗最小和节点电压偏移量最小为优化目标，构建如下双目标函数：
式中：Ui为节点i的电压；
Uj为节点j的电压；
Up.u.为基准电压；
Gij为节点i和j之间的电导值；
θij为节点i和j之间的相角差；
f1为第一目标函数；
f2为第二目标函数；
n为系统的节点总数，n为正整数。
进一步地，所述目标函数的约束方程为：
式中：Pi为节点i能够吸收的有功功率；
Qi为节点i能够吸收的无功功率；
Ui为节点i的电压；
Pmax为节点能够吸收的最大有功功率；
Qmax为节点能够吸收的最大无功功率；
Pmin为节点能够吸收的最小有功功率；
Qmin为节点能够吸收的最小无功功率；
Umin为系统允许的最小节点电压；
Umax为系统允许的最大节点电压。
进一步地，根据权重将双目标函数转化为单目标函数：
F＝α1f1+α2f2 (3)
式中，α1为第一目标函数f1的权值；
α2为第二目标函数f2的权值。
在实际使用场景中，以模块度指标作为聚类目标，应用IGA优化改进K-means聚类算法划分配电网集群，通过迭代寻优，找出较好的初始质心。
据此，基于所述最优解以模块度指标作为聚类目标优化K-means聚类算法，以得到初始聚类中心，具体包括：
基于系统的节点参数和遗传算法模型参数，根据无功电压灵敏度计算节点之间的电气距离矩阵，初始化遗传算法各参数设置；
计算得出每个节点归属的集群，选择集群中到其余节点的电气距离总和最小的节点作为新的集群质心，重新划分集群，进行编码和初始种群生成；
计算种群个体适应度，并进行改进遗传算法的适应度计算；
若确定满足迭代结束条件，则得到初始聚类中心；
若确定不满足迭代结束条件，则继续迭代；
根据由IGA得到的优化的初始聚类中心，应用K-means算法对配电网进行集群划分并输出划分结果。
具体地，所述节点间的集群划分指标包括模块度指标和电气距离指标；
其中，模块度指标的公式为：
式(4)-(6)中：
ρ为模块度指标；
m为边权矩阵A中所有元素的和；
Aij为边权矩阵A中第i行第j列的元素；
ki为边权矩阵A中第i列元素之和；
kj为边权矩阵A中第j列元素之和；
δ(i,j)为节点i与节点j的关联度。
进一步地，为了体现节点之间的电气耦合度，采用无功电压灵敏度关系的电气距离作为划分集群的指标，具体表达式为：
式中，SVQ为灵敏度矩阵，反映了无功功率变化时电压的变化；ΔV为电压变化量；ΔQ为无功变化量。
式中，SVQi,j为灵敏度矩阵中第i行第j列的元素；SVQj,j为灵敏度矩阵中第j行第j列的元素；eij为灵敏度矩阵第j列中第j行元素对第i行元素比值的自然对数，体现了节点j对节点i的电压影响程度，eij越小，则节点j与节点i的电气联系越强，相应的电气距离也越近。
考虑到网络中其余节点对节点i和j也有一定的影响，在网络总节点数为n的情况下，取节点i和j的电气距离表达式为：
在集群中，选取到集群内部其余节点总电气距离最小的节点作为集群的关键节点。
从原理上来讲，目前常用的集群划分算法主要有两种，一种是聚类分析(clusteranalysis)算法，另一种是社团结构发现(community detection)算法。K-means算法是一种常用的集群划分方法。假设要将n个数据划分成k个簇类，则首先从n个数据中随机选取k个点作为初始聚类质心，然后按照距离最小的原则，将剩余n-k个对象分别划分到k个簇中。将簇中所有点的平均值作为该簇新的质心，再重新划分，如此不断迭代，直至簇的质心不再变化。K-means算法实现简单，收敛速度快，但如果选择了不合适的初始聚类质心，将会导致陷入局部最优。为此，本文采用改进的K-means算法，首先通过改进遗传算法(IGA)对初始质心进行优化，根据得到的较优初始聚类质心划分集群，提高了传统K-means算法的准确性。
经典遗传算法(IGA)的交叉变异概率是定值，不能随种群适应度值的变化而变化，对算法收敛速度以及全局搜索能力都会产生影响。本发明所提供的方法从交叉变异概率上对算法进行改进，提出动态自适应交叉变异概率。
据此，在步骤S3中，所述交叉变异概率算法的优化模型包括交叉概率算法的优化模型和变异概率算法的优化模型。
其中，所述交叉概率算法的优化模型为：
式中：Pc为交叉概率；
fmax是群体中最大适应度值；
favg是群体中平均适应度值；
f′是待交叉的两个个体中适应度值较大的一个；
k1，k3为交叉概率系数。
上述变异概率算法的优化模型为：
式中：Pm为变异概率；
fmax是群体中最大适应度值；
favg是群体中平均适应度值；
f是待变异个体的适应度值；
k2，k4为变异概率系数。
在一个具体使用场景中，以动态自适应变异概率为例，当f<favg时，表明该个体适应度较低，选用较大的变异概率系数k4进行变异过程；当f≥favg时，表明该个体适应度较高，选用较小的变异概率系数k2进行变异过程。
式中第一行分母fmax-favg反应了种群的收敛速度，其值越小种群收敛速度越快。此时种群可能收敛到局部最优解，需要增大变异概率跳出局部收敛情况。而第一行分子fmax-f反应了个体的优劣程度，其值越小个体越优质，此时应使变异概率尽可能小，以保护最优个体。动态自适应交叉概率的分析情况亦然，在此不再赘述。
交叉概率系数k1，k3越大，算法的局部搜索能力越强，但容易陷入局部最优解。变异概率系数k2，k4越大，算法的全局搜索能力越强，但算法的收敛速度越慢。一般来说，k1，k2，k3，k4≤1。
改进后的遗传算法计算准确度、收敛速度等都较经典遗传算法有了明显的提高，但仍会出现误判现象，且收敛速度仍有待提高。针对上述问题，引入天牛须搜索算法，与改进遗传算法结合进行网络重构方法研究。
从原理上来讲，天牛须搜索算法(Beetle Antennae Search Algorithm，BAS)是一种新的生物启发式智能算法。该算法模拟天牛根据气味觅食的行为，天牛的左右触须能够感知气味的强度，当左边的触须接收到的气味强度大则天牛向左运动，当右边的触须接收到的气味强度大则天牛向右运动。天牛觅食的过程中食物的气味就相当于一个函数，目的是找到气味最大的点。天牛搜索过程如图2所示。
当人的双眼被蒙住时，依然可以根据声源强弱、双耳的音量差等信息，来判断声源的具体位置，这与天牛觅食过程相似。相较于遗传算法，天牛须算法搜索仅需要一个个体，搜索速度快、运算量低，全局搜索能力较强。
据此，在上述步骤S1中，基于天牛须搜索算法获取初始种群数据集，具体包括：
S101：定义随机向量，并对所述随机向量进行归一化处理；
具体地，将天牛抽象为一个质心，质心两边为左右两须，天牛简化模型如图3所示。首先天牛每走一步头方向是任意的，且右须指向左须的方向也是任意的，需要定义一个随机向量，并对其归一化。所述随机向量表示为：
其中，rand(·)表示随机方向，k表示空间的维数。
S102：基于天牛搜索行为原理，模拟天牛的触角运动，以确定天牛左右两须所在坐标；所述天牛左右两须所在坐标表示为：
其中，xl表示左须坐标，xr表示右须坐标，xt为第t次迭代时天牛的位置，2dt为第t次迭代时两须的距离。
S103：根据天牛左右两须所在坐标的变化，确定下一次迭代天牛的运动方向和距离。
具体地，通过以下公式得到下一次迭代天牛的运动方向和距离：
dt＝0.95dt-1+0.01 (16)
δt＝0.95δt-1 (17)
其中，δt表示第t次迭代时步长因子，sign(·)表示符号函数，f(xr)表示右触须处的气味强度，f(xl)表示左触须处的气味强度。
搜寻前期天牛的初始步长应该尽可能大，以保证搜索范围足够大，避免找不到目标解，搜寻后期步长随着迭代次数衰减，逐渐减小，增强局部搜索能力，衰减系数一般取0.95。天牛觅食前进时，通过左右两须强度强弱来有目的的判断搜索方向，而不是盲目搜寻。同时能很好的兼顾全局搜索与局部搜索的能力。
每一次迭代通过对天牛的位置和两须坐标进行更新，并比较两须气味浓度，向浓度大的方向运动，直到寻找到气味值最大的位置，相对应气味源点即为最优解。
遗传算法因为简单有效在电力系统无功优化问题、经济规划问题等领域中得到了广泛的使用,但其计算准确度、收敛速度等有待提高，且会出现误判现象。为了提高结果的稳定性，避免陷入局部最优，本文引入天牛须搜索算法，与改进遗传算法结合为BAS-IGA算法进行分布式光伏集群划分与无功优化策略研究，并用于求解前文所建立的无功优化数学模型。
遗传算法的初始种群是随机生成的，具有一定的随机性，可能导致初始种群在解空间中分布不均匀，从而影响算法性能。本文从优化初始种群的角度出发，利用天牛根据气味强弱搜寻食物的启发，判断左右两须气味强弱决定前进方向，有方向的搜寻。因此由天牛搜索得到的初始种群将比遗传算法随机生成的初始种群更优质，采用天牛须搜索算法与改进遗传算法相结合的方式来实现无功优化更准确。
通过遗传算法与天牛须搜索算法结合进行分布式光伏集群划分与无功优化，既保留了遗传算法收敛性好、鲁棒性高、以适应度值作为评价，过程简单的优点。又通过天牛觅食过程中，利用天牛须算法有方向的搜索产生优质初始种群。天牛须算法产生初始种群经过遗传算法迭代寻优，能够输出最优解，最终实现分布式光伏集群划分与无功优化。
为了验证本文提出的算法的有效性，下面以一个具体使用场景为例，简述该发明所提供的方法的技术效果。
如图4所示，选取标准的IEEE 33节点线路在Matlab平台中进行仿真实验，考虑分布式光伏发电集群高渗透的配电网情况，因此假设所有节点都安装容量为500kW的光伏，网络的总负荷为3715kW+j2300kvar。首先基于考虑电压灵敏度关系的电气距离指标划分集群，找出关键节点。调节位于关键节点处PV输出的无功功率调节电压，改善系统的经济性。
集群划分时，不同数目的集群会产生不同的划分结果，其优劣程度的对比结果见表1。
表1集群划分对比
集群数目 初始节点 ρ
2 11,15 0.4095
3 23,27,33 0.6015
4 24,26,32,33 0.6400
5 9,11,16,30,31 0.6717
6 4,8,9,11,25,33 0.6863
7 7,9,16,19,25,30,31 0.6696
8 4,6,10-13,19,20 0.6394
采用本发明所提出的改进K-means聚类算法将系统划分为6个集群，得到的划分结果为：节点8-12为集群1，节点13-18为集群2，节点1，2，19-22为集群3，节点3，4，23-25为集群4，节点5-7，26，27为集群5，节点28-33为集群6；其中节点10、15、20、23、26、31分别为所在集群的关键节点。划分结果见表2。
表2集群划分结果
设置c1max、c2max取值2，c1min、c2min取值1，ωmax＝0.9，ωmax＝0.9，Qmax＝500kvar，Qmin＝-500kvar，种群规模Np＝20，Vmax＝2，Vmin＝-2，最大迭代次数gmax＝200。
考虑系统的工作状态为线路负荷为额定负荷，分布式光伏有功出力低，无功出力为零。仿真得到以上工作状态的电压曲线如图5所示，可以看出存在电压越下限情况。
在不划分集群的情况下，需要对33个节点分别进行无功调节，数据复杂、计算量大。设PV发出无功功率时为正，吸收无功功率时为负，具体的调节量见表3，总调节无功出力为5365.8kvar。
表3各个节点无功出力量
节点 无功/kvar 节点 无功/kvar 节点 无功/kvar
4 126.97 14 309.00 26 251.50
5 397.28 16 347.06 27 66.25
6 333.14 17 410.89 29 123.14
7 66.25 18 143.88 30 305.83
8 66.25 19 276.61 31 354.74
11 180.54 20 343.19 32 114.09
12 314.51 23 66.25 33 396.95
13 287.36 24 84.01
在对以上节点进行无功调节后，得到的系统电压见图6。
采用BAS-IGA算法对系统进行无功补偿，得到系统电压优化前后的变化情况，可以看到所提无功补偿策略很好地解决了分布式电源带来的系统电压越限的问题，改善了系统的电压质量。位于6个关键节点处的光伏无功出力具体调节情况见表4。
表4光伏无功出力调节情况
/>
采用集群划分方式进行无功补偿后得到的系统电压见图8。
经过关键节点处光伏的无功功率调节，节点电压偏移总量由1.458p.u.减小至0.8503p.u.；线路的有功损耗由155.232kW降低至93.873kW。
可见，本发明所提供的基于BAS-IGA算法的分布式光伏集群划分方法，采用改进遗传算法(IGA)在初始聚类中心的选择上对K-means算法进行优化，再应用改进后的K-means聚类算法将配电网划分为若干个集群，并得到每个集群对应的关键节点。然后基于BAS-IGA算法，求解系统的无功优化模型，实现对节点电压的调节，改善电压越限的情况。解决了分布式发电集群中，集群划分结果不准确、有效性较差的问题。
根据本发明实施例的第二方面，提供了一种基于BAS-IGA算法的分布式光伏集群划分系统，用于实施如上所述的方法。
在一些实施例中，如图8所示，所述系统包括：
数据集获取单元100，用于在海量数据中，基于天牛须搜索算法获取初始种群数据集；
算法模型构建单元200，用于基于所述初始种群数据集构建遗传算法模型；
算法模型优化单元300，用于通过优化遗传算子和交叉变异概率算法对所述遗传算法模型进行优化，并得到遗传迭代产生的最优解；
聚类中心获取单元400，用于基于所述最优解以模块度指标作为聚类目标优化K-means聚类算法，以得到初始聚类中心；
划分结果输出单元500，用于以所述初始聚类中心作为初始质心，并基于节点间的集群划分指标对目标配电网进行集群划分。
在上述具体实施方式中，本发明所提供的基于BAS-IGA算法的分布式光伏集群划分系统，采用改进遗传算法(IGA)在初始聚类中心的选择上对K-means算法进行优化，再应用改进后的K-means聚类算法将配电网划分为若干个集群，并得到每个集群对应的关键节点。然后基于BAS-IGA算法，求解系统的无功优化模型，实现对节点电压的调节，改善电压越限的情况。解决了分布式发电集群中，集群划分结果不准确、有效性较差的问题。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和模型预测。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的模型预测用于存储静态信息和动态信息数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述方法实施例中的步骤。
本领域技术人员可以理解，图9中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、模型预测或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
本发明并不局限于上面已经描述并在附图中示出的结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (12)

1.一种基于BAS-IGA算法的分布式光伏集群划分方法，其特征在于，所述方法包括：
在海量数据中，基于天牛须搜索算法获取初始种群数据集；
基于所述初始种群数据集构建遗传算法模型，具体包括：
以有功功率损耗最小和节点电压偏移量最小为优化目标，构建如下双目标函数：
式中：Ui为节点i的电压；
Uj为节点j的电压；
Up.u.为基准电压；
Gij为节点i和j之间的电导值；
θij为节点i和j之间的相角差；
f1为第一目标函数；
f2为第二目标函数；
n为系统的节点总数，n为正整数；
通过优化遗传算子和交叉变异概率算法对所述遗传算法模型进行优化，并得到遗传迭代产生的最优解；所述交叉变异概率算法的优化模型包括交叉概率算法的优化模型和变异概率算法的优化模型；所述交叉概率算法的优化模型为：
式中：Pc为交叉概率；
fmax是群体中最大适应度值，
favg是群体中平均适应度值；
f′是待交叉的两个个体中适应度值较大的一个；
k1，k3为交叉概率系数；
所述变异概率算法的优化模型为：
式中：Pm为变异概率；
fmax是群体中最大适应度值；
favg是群体中平均适应度值；
f是待变异个体的适应度值；
k2，k4为变异概率系数；
基于所述最优解以模块度指标作为聚类目标优化K-means聚类算法，以得到初始聚类中心；
以所述初始聚类中心作为初始质心，并基于节点间的集群划分指标对目标配电网进行集群划分。
2.根据权利要求1所述的分布式光伏集群划分方法，其特征在于，所述目标函数的约束方程为：
式中：Pmax为节点能够吸收的最大有功功率；
Qmax为节点能够吸收的最大无功功率；
Pmin为节点能够吸收的最小有功功率；
Qmin为节点能够吸收的最小无功功率；
Umin为系统允许的最小节点电压；
Umax为系统允许的最大节点电压。
3.根据权利要求1所述的分布式光伏集群划分方法，其特征在于，所述基于所述初始种群数据集构建遗传算法模型，进一步包括：
根据权重将双目标函数转化为单目标函数：
F＝α1f1+α2f2
式中，α1为第一目标函数f1的权值；
α2为第二目标函数f2的权值。
4.根据权利要求1所述的分布式光伏集群划分方法，其特征在于，基于所述最优解以模块度指标作为聚类目标优化K-means聚类算法，以得到初始聚类中心，具体包括：
基于系统的节点参数和遗传算法模型参数，根据无功电压灵敏度计算节点之间的电气距离矩阵，初始化遗传算法各参数设置；
计算得出每个节点归属的集群，选择集群中到其余节点的电气距离总和最小的节点作为新的集群质心，重新划分集群，进行编码和初始种群生成；
计算种群个体适应度，并进行改进遗传算法的适应度计算；
若确定满足迭代结束条件，则得到初始聚类中心。
5.根据权利要求1所述的分布式光伏集群划分方法，其特征在于，基于天牛须搜索算法获取初始种群数据集，具体包括：
定义随机向量，并对所述随机向量进行归一化处理；
基于天牛搜索行为原理，模拟天牛的触角运动，以确定天牛左右两须所在坐标；
根据天牛左右两须所在坐标的变化，确定下一次迭代天牛的运动方向和距离。
6.根据权利要求5所述的分布式光伏集群划分方法，其特征在于，所述随机向量表示为：
其中，rand(.)表示随机方向，k表示空间的维数。
7.根据权利要求6所述的分布式光伏集群划分方法，其特征在于，所述天牛左右两须所在坐标表示为：
其中，xl表示左须坐标，xr表示右须坐标，xt为第t次迭代时天牛的位置，2dt为第t次迭代时两须的距离。
8.根据权利要求7所述的分布式光伏集群划分方法，其特征在于，通过以下公式得到下一次迭代天牛的运动方向和距离：
dt＝0.95dt-1+0.01
δt＝0.95δt-1
其中，δt表示第t次迭代时步长因子，sign(.)表示符号函数，f(xr)表示右触须处的气味强度，f(xl)表示左触须处的气味强度。
9.根据权利要求1所述的分布式光伏集群划分方法，其特征在于，所述节点间的集群划分指标包括模块度指标和电气距离指标；
其中，模块度指标的公式为：
式中：ρ为模块度指标；
m为边权矩阵A中所有元素的和；
Aij为边权矩阵A中第i行第j列的元素；
ki为边权矩阵A中第i列元素之和；
kj为边权矩阵A中第j列元素之和；
δ(i,j)为节点i与节点j的关联度。
10.一种基于BAS-IGA算法的分布式光伏集群划分系统，用于实施如权利要求1至9任一项所述的方法，其特征在于，所述系统包括：
数据集获取单元，用于在海量数据中，基于天牛须搜索算法获取初始种群数据集；
算法模型构建单元，用于基于所述初始种群数据集构建遗传算法模型,具体包括：
以有功功率损耗最小和节点电压偏移量最小为优化目标，构建如下双目标函数：
式中：Ui为节点i的电压；
Uj为节点j的电压；
Up.u.为基准电压；
Gij为节点i和j之间的电导值；
θij为节点i和j之间的相角差；
f1为第一目标函数；
f2为第二目标函数；
n为系统的节点总数，n为正整数；
算法模型优化单元，用于通过优化遗传算子和交叉变异概率算法对所述遗传算法模型进行优化，并得到遗传迭代产生的最优解；所述交叉变异概率算法的优化模型包括交叉概率算法的优化模型和变异概率算法的优化模型；所述交叉概率算法的优化模型为：
式中：Pc为交叉概率；
fmax是群体中最大适应度值，
favg是群体中平均适应度值；
f′是待交叉的两个个体中适应度值较大的一个；
k1，k3为交叉概率系数；
所述变异概率算法的优化模型为：
式中：Pm为变异概率；
fmax是群体中最大适应度值；
favg是群体中平均适应度值；
f是待变异个体的适应度值；
k2，k4为变异概率系数；
聚类中心获取单元，用于基于所述最优解以模块度指标作为聚类目标优化K-means聚类算法，以得到初始聚类中心；
划分结果输出单元，用于以所述初始聚类中心作为初始质心，并基于节点间的集群划分指标对目标配电网进行集群划分。
11.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至9中任一项所述的方法的步骤。
12.一种计算机可读存储介质，其特征在于，所述计算机存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于执行如权利要求1至9任一项所述的方法。
CN202111488272.7A 2021-12-08 2021-12-08 基于bas-iga算法的分布式光伏集群划分方法和系统 Active CN114221350B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111488272.7A CN114221350B (zh) 2021-12-08 2021-12-08 基于bas-iga算法的分布式光伏集群划分方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111488272.7A CN114221350B (zh) 2021-12-08 2021-12-08 基于bas-iga算法的分布式光伏集群划分方法和系统

Publications (2)

Publication Number Publication Date
CN114221350A CN114221350A (zh) 2022-03-22
CN114221350B true CN114221350B (zh) 2023-08-22

Family

ID=80700180

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111488272.7A Active CN114221350B (zh) 2021-12-08 2021-12-08 基于bas-iga算法的分布式光伏集群划分方法和系统

Country Status (1)

Country Link
CN (1) CN114221350B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116105743B (zh) * 2023-04-17 2023-06-27 山东大学 一种联邦滤波系统信息因子分配方法及水下导航系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7720779B1 (en) * 2006-01-23 2010-05-18 Quantum Leap Research, Inc. Extensible bayesian network editor with inferencing capabilities
CN106374503A (zh) * 2016-09-12 2017-02-01 珠海格力电器股份有限公司 电压跌落、电气设备并网处理方法、装置及系统
CN108448620A (zh) * 2018-04-04 2018-08-24 合肥工业大学 基于综合性能指标的高渗透率分布式电源集群划分方法
WO2019196375A1 (zh) * 2018-04-13 2019-10-17 华南理工大学 基于需求侧响应的微电网最优机组及分时电价的优化方法
CN110797919A (zh) * 2019-12-05 2020-02-14 国网四川省电力公司经济技术研究院 基于Wasserstein距离和分布鲁棒优化的清洁能源电源规划方法
WO2021051859A1 (zh) * 2019-09-18 2021-03-25 上海海事大学 基于自适应遗传算法的无线传感器网络分簇路由方法
CN113222383A (zh) * 2021-04-30 2021-08-06 国网山东省电力公司经济技术研究院 多种群牵引差分进化法配电网规划方法、设备及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7720779B1 (en) * 2006-01-23 2010-05-18 Quantum Leap Research, Inc. Extensible bayesian network editor with inferencing capabilities
CN106374503A (zh) * 2016-09-12 2017-02-01 珠海格力电器股份有限公司 电压跌落、电气设备并网处理方法、装置及系统
CN108448620A (zh) * 2018-04-04 2018-08-24 合肥工业大学 基于综合性能指标的高渗透率分布式电源集群划分方法
WO2019196375A1 (zh) * 2018-04-13 2019-10-17 华南理工大学 基于需求侧响应的微电网最优机组及分时电价的优化方法
WO2021051859A1 (zh) * 2019-09-18 2021-03-25 上海海事大学 基于自适应遗传算法的无线传感器网络分簇路由方法
CN110797919A (zh) * 2019-12-05 2020-02-14 国网四川省电力公司经济技术研究院 基于Wasserstein距离和分布鲁棒优化的清洁能源电源规划方法
CN113222383A (zh) * 2021-04-30 2021-08-06 国网山东省电力公司经济技术研究院 多种群牵引差分进化法配电网规划方法、设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵玉强 ; 钱谦 ; .一类带学习与竞技策略的混沌天牛群搜索算法.通信技术.2018,(第11期),全文. *

Also Published As

Publication number Publication date
CN114221350A (zh) 2022-03-22

Similar Documents

Publication Publication Date Title
Kang et al. A weight-incorporated similarity-based clustering ensemble method based on swarm intelligence
CN107039984B (zh) 一种无功电压分区方法
CN114221350B (zh) 基于bas-iga算法的分布式光伏集群划分方法和系统
CN115755954B (zh) 巡检路径规划方法、系统、计算机设备及存储介质
CN103886396A (zh) 一种人工鱼群与粒子群混合优化的确定方法
Zhao et al. A decomposition-based many-objective ant colony optimization algorithm with adaptive solution construction and selection approaches
CN113468792A (zh) 电磁暂态仿真模型的参数校正方法、装置和电子设备
Luo et al. Kriging model based many-objective optimization with efficient calculation of expected hypervolume improvement
CN108448659B (zh) 一种基于hacs算法求解电力系统无功优化的方法
CN113937808B (zh) 一种基于改进麻雀搜索算法的分布式电源选址定容优化方法
CN114444755A (zh) 一种风电短期功率预测方法、装置及可读存储介质
Li et al. Co-evolutionary algorithm based on problem analysis for dynamic multiobjective optimization
Chen et al. A Spark-based Ant Lion algorithm for parameters optimization of random forest in credit classification
Domínguez-Medina et al. Evenly spaced Pareto fronts of quad-objective problems using PSA partitioning technique
CN115593264B (zh) 基于边缘计算的充电优化控制方法、装置和计算机设备
Zhang et al. Tent chaos and nonlinear convergence factor whale optimization algorithm
CN110113815B (zh) 一种改进的基于iwo的无线传感器网络定位方法
Lee et al. Automatic clustering with differential evolution using cluster number oscillation method
CN115630316A (zh) 基于改进长短期记忆网络的超短期风速预测方法
CN114974400A (zh) 一种全局生物网络比对方法
CN111460550A (zh) 一种基于变化小生境的自由曲面结构多工况Pareto解集优化法
CN114091353A (zh) 基于bas-iga算法的配电网重构方法和系统
CN117498353B (zh) 新能源场站并网系统电压支撑调整方法及系统
CN114336696B (zh) 一种兆瓦级氢储能电站容量配置方法及系统
Wei et al. Multi-strategy synergy-based backtracking search optimization algorithm

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