CN114638078A - 一种微电网优化配置方法、系统、终端及可存储介质 - Google Patents

一种微电网优化配置方法、系统、终端及可存储介质 Download PDF

Info

Publication number
CN114638078A
CN114638078A CN202210367102.1A CN202210367102A CN114638078A CN 114638078 A CN114638078 A CN 114638078A CN 202210367102 A CN202210367102 A CN 202210367102A CN 114638078 A CN114638078 A CN 114638078A
Authority
CN
China
Prior art keywords
solution set
microgrid
micro
grid
optimization
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.)
Pending
Application number
CN202210367102.1A
Other languages
English (en)
Inventor
刘慧文
王生铁
刘广忱
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.)
Inner Mongolia University of Technology
Original Assignee
Inner Mongolia University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Inner Mongolia University of Technology filed Critical Inner Mongolia University of Technology
Priority to CN202210367102.1A priority Critical patent/CN114638078A/zh
Publication of CN114638078A publication Critical patent/CN114638078A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • 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
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods
    • 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]
    • 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
    • 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
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • 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
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Power Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Pure & Applied Mathematics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种微电网优化配置方法、系统、终端及可存储介质，涉及独立微网系统技术领域，包括以下步骤：S101.建立自适应快速粒子群；S102.将建立的自适应快速粒子群应用于微网多目标优化配置，得到微网容量配置解集；S103.利用NPRS算法对解集进行完整的最优解集搜索，得到微网容量配置的最优解集。本发明引入矫正参数，对粒子群算法的鲁棒性加以改进，大幅度减少了一些极端数据导致的迭代步长过大的可能性，从而提升了自身的鲁棒性；采用临近店参考搜索算法，降低优化耗时、提高优化效率；微电网运行更经济、可靠性更高、可再生能源利用率更高。

Description

一种微电网优化配置方法、系统、终端及可存储介质
技术领域
本发明涉及独立微网系统技术领域，尤其涉及一种微电网优化配置方法、系统、终端及可存储介质。
背景技术
独立微网系统是指与大电网隔离、独立运行的小型电力系统，一偏远地区或者海岛为主要供电对象，并充分利用可再生能源发电，如光伏阵列和风力发电等多种类型的分布式发电单元组合在一起构成，可以有效发挥单一能源系统的优点，实现多种能源互补，提高整个独立微网系统的效率和能源利用率，相比单一的光储系统或者风储系统具有更低的成本和更高的供电可靠性。
微电网对改善可再生能源供电品质、降低传输损耗、提高电力安全、促进电网智能化发展具有重要意义。对于电网难以覆盖且可再生能源丰富的偏远地区，适合使用独立运行微电网形式实现电能的产生、传输与使用。微电网容量优化配置是建设微电网工程的首要任务，关系到微电网的初始投资、运行维护及后期扩展等多个方面。
现有技术中使用枚举法或智能算法直接对多目标优化模型进行求解能够获得多组最优解，相比于单目标优化方式意义更大。但是，这两种算法也各自存在优缺点。枚举法的优点是能够找出问题的全局最优解，但其运算速度慢，只适用于搜索空间小的优化问题。智能算法的优点是运算速度快，适用于复杂优化问题，但其存在两点不足：一是智能算法给出的解集不能保证是最优解，通常只能是接近Pareto最优解集的子集的一个集合，即相对于Pareto最优解集而言，智能算法的解集是不完整的，且不能保证每一组解都隶属于Pareto最优解集；二是智能算法通常具有随机性，因此每次运算所得结果不尽相同。显然，枚举法和智能算法存在优势互补特性，如果能够将两种算法有机结合以实现快速全面的找出优化问题的完整Pareto最优解集，将具有重要意义。
因此，提出一种微电网优化配置方法、系统、终端及可存储介质来解决现有技术中存在的问题，是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种微电网优化配置方法、系统、终端及可存储介质，实现微网系统的多目标优化设计运行更经济、可靠性更高、可再生能源利用率更高。
为了实现上述目的，本发明采用如下技术方案：
一种微电网优化配置方法，微电网包括柴油发电机、风力发电机、光伏阵列和储能电池，包括以下步骤：
S101.建立自适应快速粒子群；
S102.将建立的自适应快速粒子群应用于微网多目标优化配置，得到微网容量配置解集；
S103.利用NPRS算法对解集进行完整的最优解集搜索，得到微网容量配置的最优解集。
可选的，S101.建立自适应快速粒子群包括以下步骤：
S1011.随机初始化粒子规模、搜索空间维度、算法的收敛精度值、迭代次数初值、最大迭代次数，收敛速度，粒子随机衰减因子初值和γ参数，并在可行域范围内随机初始设定粒子群的位置和速度；
S1012.根据具体优化目标函数，计算每个粒子的适应度值，个体最优解的适应度值；
S1013.对于每一个粒子，若适应度值<个体最优解的适应度值，则适应度值＝个体最优解的适应度值；
S1014.通过采用加入矫正参数后的粒子位置更新公式，对粒子进行更新，至粒子规模内所有粒子在规定搜索空间维度内更新完成；粒子位置更新xi+1d公式具体为：
xi+1d＝wixid+β(Pid-xid)+αidr1(UL-DL) (1)
wi＝(1+exp(-f(xid)/u))-k (2)
αi+1d＝αidγ (3)
式(1)-(3)中：r1为[0,1]之间的随机数；UL为变量取值上限；DL为变量取值下限；f(xid)为当前适应度值；αid为新的粒子衰减因子，wi为矫正参数；
S1015.判断是否达到最大迭代次数或达到目标精度，若为是，则进入S1016，若为否，则迭代次数加1后返回S1012；
S1016.输出最优粒子适应度值和迭代次数，算法终止。
可选的，S103.利用NPRS算法对解集进行完整的最优解集搜索，得到微网容量配置的最优解集，包括以下步骤：
S1031.获取微网容量配置解集，并进行初始化总体非支配解等于微网容量配置解集，设定搜索间距和搜索间距最大值；
S1032.判断设定的搜索间距是否小于设定的搜索间距最大值，若为是，则进入S1033，若未否，则进入S1037；
S1033.按照设定的搜索间距从微网容量配置解集中依次去除两个个体Ind1和Ind2后，计算Ind1和Ind2的海明距离，并记录不同位；
S1034.根据Ind1和Ind2的二进制位差异构造新个体，并计算每个新个体的适应度；
S1035.由新个体及Ind1和Ind2共同构成搜索种群，找出搜索种群中的非支配解；
S1036.将得到的非支配解依据支配关系并入总体非支配解，搜索间距+1，返回S1032；；
S1037.输出优化结果。
可选的，两个参考点之间的海明距离、参考点间距以及参考点间距的变化范围确定搜索过程中调用生产模拟过程的总次数，其计算公式如下：
Figure BDA0003587574240000041
式中，DH为两个参考点质检的海明距离，PInd和PInd+J为两个参考点，表示两组目标函数取值接近的分布式电源数量。
一种微电网多目标容量优化配置系统，应用上述的一种微电网优化配置方法，
包括：依次连接的粒子群建立模块、微网容量配置解集获取模块、微网容量配置最优解集计算模块；
粒子群建立模块用于建立自适应快速粒子群；微网容量配置解集获取模块用于将建立的快速粒子算法应用于微网多目标优化配置，得到微网容量配置解集；微网容量配置最优解集计算模块用于利用NPRS算法对解集进行完整的最优解集搜索，得到微网容量配置的最优解集。
一种终端，包括：至少一个处理器，以及与至少一个处理器通信连接的存储器，其中，存储器存储有被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器执行上述的一种微电网优化配置方法。
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指令，计算机指令用于使计算机执行上述的一种微电网优化配置方法。
经由上述的技术方案可知，与现有技术相比，本发明提供了一种微电网优化配置方法、系统、终端及可存储介质：引入矫正参数，对粒子群算法的鲁棒性加以改进，大幅度减少了一些极端数据导致的迭代步长过大的可能性，从而提升了自身的鲁棒性；采用临近店参考搜索算法，降低优化耗时、提高优化效率；微电网运行更经济、可靠性更高、可再生能源利用率更高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明提供的一种微电网优化配置方法流程图；
图2为本发明提供的S101的具体方法流程图；
图3为本发明提供的S103的具体方法流程图；
图4为本发明提供的一种微电网优化配置系统结构框图；
图5为本发明提供的一种微电网优化配置系统的终端一个具体示例的组成图。
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。
参照图1所示，本发明公开了一种微电网优化配置方法，微电网包括柴油发电机、风力发电机、光伏阵列和储能电池，包括以下步骤：
S101.建立自适应快速粒子群；
S102.将建立的自适应快速粒子群应用于微网多目标优化配置，得到微网容量配置解集；
S103.利用NPRS算法对解集进行完整的最优解集搜索，得到微网容量配置的最优解集。
进一步的，参照图2所示，S101.建立自适应快速粒子群包括以下步骤：
S1011.随机初始化粒子规模nums、搜索空间维度n、算法的收敛精度值con、迭代次数初值k、最大迭代次数maxd，收敛速度β，粒子随机衰减因子初值αid和和γ参数，并在可行域范围内随机初始设定粒子群的位置置xid和速度vid；
S1012.根据具体优化目标函数，计算每个粒子的适应度值值f(xid)，个体最优解pid的适应度值pbest；
S1013.对于每一个粒子，若适应度值f(xid)<个体最优解的适应度值pbest，则适应度值f(xid)＝个体最优解的适应度值pbest；
S1014.通过采用加入矫正参数wi后的粒子位置更新公式，对粒子进行更新，至粒子规模内所有粒子在规定搜索空间维度内更新完成；粒子位置更新xi+1d公式具体为：
xi+1d＝wixid+β(Pid-xid)+αidr1(UL-DL) (1)
wi＝(1+exp(-f(xid)/u))-k (2)
αi+1d＝αidγ (3)
式(1)-(3)中：r1为[0,1]之间的随机数；UL为变量取值上限；DL为变量取值下限；f(xid)为当前适应度值；αid为新的粒子衰减因子，wi为矫正参数；
S1015.判断是否达到最大迭代次数maxd或达到目标精度con，若为是，则进入S1016，若为否，则迭代次数加1后返回S1012；
S1016.输出最优粒子适应度值fitness和迭代次数k，算法终止。
进一步的，参照图3所示，S103.利用NPRS算法对解集进行完整的最优解集搜索，得到微网容量配置的最优解集，包括以下步骤：
S1031.获取微网容量配置解集，并进行初始化总体非支配解等于微网容量配置解集，设定搜索间距和搜索间距最大值；
S1032.判断设定的搜索间距是否小于设定的搜索间距最大值，若为是，则进入S1033，若未否，则进入S1037；
S1033.按照设定的搜索间距从微网容量配置解集中依次去除两个个体Ind1和Ind2后，计算Ind1和Ind2的海明距离，并记录不同位；
S1034.根据Ind1和Ind2的二进制位差异构造新个体，并计算每个新个体的适应度；
S1035.由新个体及Ind1和Ind2共同构成搜索种群，找出搜索种群中的非支配解；
S1036.将得到的非支配解依据支配关系并入总体非支配解，搜索间距+1，返回S1032；；
S1037.输出优化结果。
更进一步的，两个参考点之间的海明距离、参考点间距以及参考点间距的变化范围确定搜索过程中调用生产模拟过程的总次数，其计算公式如下：
Figure BDA0003587574240000081
式中，DH为两个参考点质检的海明距离，PInd和PInd+J为两个参考点，表示两组目标函数取值接近的分布式电源数量。
参照图4所示，本发明还公开了一种微电网优化配置系统，应用上述的一种微电网优化配置方法，
包括：依次连接的粒子群建立模块、微网容量配置解集获取模块、微网容量配置最优解集计算模块；
粒子群建立模块用于建立自适应快速粒子群；微网容量配置解集获取模块用于将建立的快速粒子算法应用于微网多目标优化配置，得到微网容量配置解集；微网容量配置最优解集计算模块用于利用NPRS算法对解集进行完整的最优解集搜索，得到微网容量配置的最优解集。
进一步的，参照图5所示，本发明公开了一种终端，包括：至少一个处理器101，例如CPU(Central Processing Unit，中央处理器)，至少一个通信接口103，存储器104，至少一个通信总线102。其中，通信总线102用于实现这些组件之间的连接通信。其中，通信接口103可以包括显示屏(Display)、键盘(Keyboard)，可选通信接口103还可以包括标准的有线接口、无线接口。存储器104可以是高速RAM存储器(Ramdom Access Memory，易挥发性随机存取存储器)，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器104可选的还可以是至少一个位于远离前述处理器101的存储装置。其中处理器101可以执行一种微电网优化配置方法。存储器104中存储一组程序代码，且处理器101调用存储器104中存储的程序代码，以用于执行一种微电网优化配置方法。
其中，通信总线102可以是外设部件互连标准(peripheralcomponentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standard
architecture，简称EISA)总线等。通信总线102可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条线表示，但并不表示仅有一根总线或一种类型的总线。其中，存储器104可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)；存储器也可以包括非易失性存储器(英文：non volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(英文：hard diskdrive，缩写：HDD)或固降硬盘(英文：solid-state drive，缩写：SSD)；存储器104还可以包括上述种类的存储器的组合。其中，处理器101可以是中央处理器(英文：centralprocessing unit，缩写：CPU)，网络处理器(英文：network processor，缩写：NP)或者CPU和NP的组合。
在一个具体实施例中，存储器104可以包括易失性存储器(英文：volatilememory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(英文：hard disk drive，缩写：HDD)或固态硬盘(英文：solid-state drive，缩写：SSD)；存储器104还可以包括上述种类的存储器的组合。
在一个具体实施例中，处理器101可以是中央处理器(英文：central processingunit，缩写：CPU)，网络处理器(英文：network processor，缩写：NP)或者CPU和NP的组合。
在一个具体实施例中，处理器101还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文：application-specific integrated circuit，缩写：ASIC)，可编程逻辑器件(英文：programmable logic device，缩写：PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文：complex programmable logic device，缩写：CPLD)，现场可编程逻辑门阵列(英文：field-programmable gate array，缩写：FPGA)，通用阵列逻辑(英文：generic array logic,缩写：GAL)或其任意组合。
进一步的，本发明公开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指令，计算机指令用于使计算机执行一种微电网优化配置方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(RandomAccess Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
对所公开的实施例的上述说明，按照递进的方式进行，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (7)

1.一种微电网优化配置方法，微电网包括柴油发电机、风力发电机、光伏阵列和储能电池，其特征在于，包括以下步骤：
S101.建立自适应快速粒子群；
S102.将建立的自适应快速粒子群应用于微网多目标优化配置，得到微网容量配置解集；
S103.利用NPRS算法对解集进行完整的最优解集搜索，得到微网容量配置的最优解集。
2.根据权利要求1所述的一种微电网优化配置方法，其特征在于，S101.建立自适应快速粒子群包括以下步骤：
S1011.随机初始化粒子规模、搜索空间维度、算法的收敛精度值、迭代次数初值、最大迭代次数、收敛速度、粒子随机衰减因子初值和γ参数，并在可行域范围内随机初始设定粒子群的位置和速度；
S1012.根据具体优化目标函数，计算每个粒子的适应度值，个体最优解的适应度值；
S1013.对于每一个粒子，若适应度值<个体最优解的适应度值，则适应度值＝个体最优解的适应度值；
S1014.通过采用加入矫正参数后的粒子位置更新公式，对粒子进行更新，至粒子规模内所有粒子在规定搜索空间维度内更新完成；粒子位置更新xi+1d公式具体为：
xi+1d＝wixid+β(Pid-xid)+αidr1(UL-DL) (1)
wi＝(1+exp(-f(xid)/u))-k (2)
αi+1d＝αidγ (3)
式(1)-(3)中：r1为[0,1]之间的随机数；UL为变量取值上限；DL为变量取值下限；f(xid)为当前适应度值；αid为新的粒子衰减因子，wi为矫正参数；
S1015.判断是否达到最大迭代次数或达到目标精度，若为是，则进入S1016，若为否，则迭代次数加1后返回S1012；
S1016.输出最优粒子适应度值和迭代次数，算法终止。
3.根据权利要求1所述的一种微电网优化配置方法，其特征在于，S103.利用NPRS算法对解集进行完整的最优解集搜索，得到微网容量配置的最优解集，包括以下步骤：
S1031.获取微网容量配置解集，并进行初始化总体非支配解等于微网容量配置解集，设定搜索间距和搜索间距最大值；
S1032.判断设定的搜索间距是否小于设定的搜索间距最大值，若为是，则进入S1033，若未否，则进入S1037；
S1033.按照设定的搜索间距从微网容量配置解集中依次去除两个个体Ind1和Ind2后，计算Ind1和Ind2的海明距离，并记录不同位；
S1034.根据Ind1和Ind2的二进制位差异构造新个体，并计算每个新个体的适应度；
S1035.由新个体及Ind1和Ind2共同构成搜索种群，找出搜索种群中的非支配解；
S1036.将得到的非支配解依据支配关系并入总体非支配解，搜索间距+1，返回S1032；
S1037.输出优化结果。
4.根据权利要求3所述的一种微电网优化配置方法，其特征在于，
两个参考点之间的海明距离、参考点间距以及参考点间距的变化范围确定搜索过程中调用生产模拟过程的总次数，其计算公式如下：
Figure FDA0003587574230000031
式中，DH为两个参考点质检的海明距离，PInd和PInd+J为两个参考点，表示两组目标函数取值接近的分布式电源数量。
5.一种微电网优化配置系统，其特征在于，应用权利要求1-4任一项所述的一种微电网优化配置方法，
包括：依次连接的粒子群建立模块、微网容量配置解集获取模块、微网容量配置最优解集计算模块；
粒子群建立模块用于建立自适应快速粒子群；微网容量配置解集获取模块用于将建立的快速粒子算法应用于微网多目标优化配置，得到微网容量配置解集；微网容量配置最优解集计算模块用于利用NPRS算法对解集进行完整的最优解集搜索，得到微网容量配置的最优解集。
6.一种终端，其特征在于，
包括：至少一个处理器，以及与至少一个处理器通信连接的存储器，其中，存储器存储有被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器执行权利要求1-4任一项所述的一种微电网优化配置方法。
7.一种计算机可读存储介质，其特征在于，
计算机可读存储介质存储有计算机指令，计算机指令用于使计算机执行权利要求1-4任一项所述的一种微电网优化配置方法。
CN202210367102.1A 2022-04-08 2022-04-08 一种微电网优化配置方法、系统、终端及可存储介质 Pending CN114638078A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210367102.1A CN114638078A (zh) 2022-04-08 2022-04-08 一种微电网优化配置方法、系统、终端及可存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210367102.1A CN114638078A (zh) 2022-04-08 2022-04-08 一种微电网优化配置方法、系统、终端及可存储介质

Publications (1)

Publication Number Publication Date
CN114638078A true CN114638078A (zh) 2022-06-17

Family

ID=81950960

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210367102.1A Pending CN114638078A (zh) 2022-04-08 2022-04-08 一种微电网优化配置方法、系统、终端及可存储介质

Country Status (1)

Country Link
CN (1) CN114638078A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107546781A (zh) * 2017-09-06 2018-01-05 广西电网有限责任公司电力科学研究院 基于pso改进算法的微电网多目标运行优化方法
CN108539784A (zh) * 2018-04-13 2018-09-14 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
CN110112789A (zh) * 2019-04-22 2019-08-09 南通大学 基于自适应快速粒子群的孤岛型微网多目标优化配置算法
CN111144641A (zh) * 2019-12-24 2020-05-12 东南大学 一种基于改进粒子群算法的微电网优化调度方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107546781A (zh) * 2017-09-06 2018-01-05 广西电网有限责任公司电力科学研究院 基于pso改进算法的微电网多目标运行优化方法
CN108539784A (zh) * 2018-04-13 2018-09-14 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
CN110112789A (zh) * 2019-04-22 2019-08-09 南通大学 基于自适应快速粒子群的孤岛型微网多目标优化配置算法
CN111144641A (zh) * 2019-12-24 2020-05-12 东南大学 一种基于改进粒子群算法的微电网优化调度方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘慧文: "独立运行风光柴储微电网多目标容量优化配置研究", 《中国博士学位论文全文数据库》, no. 2022, pages 54 - 61 *

Similar Documents

Publication Publication Date Title
CN110264012B (zh) 基于经验模态分解的可再生能源功率组合预测方法及系统
WO2024046137A1 (zh) 一种多能源联合发电系统的功率预测模型构建及预测方法
CN113988477A (zh) 基于机器学习的光伏功率短期预测方法、装置及存储介质
CN109066687A (zh) 一种电力系统潮流计算方法、系统及电子设备
Hu et al. Short-term photovoltaic power prediction based on similar days and improved SOA-DBN model
CN107276121A (zh) 一种计及不确定性因素的家庭并网协同经济调度优化方法
CN115271317A (zh) 充电站规划方法及相关设备
CN115954910A (zh) 一种基于能量优化的分布式储能控制方法及系统
CN116205377A (zh) 分布式光伏电站出力预测方法、系统、计算机及存储介质
CN113922411A (zh) 一种分布式光伏消纳能力的确定方法及装置
CN118017558A (zh) 负荷不确定性下的分布式光伏多场景储能配置方法及系统
CN111146793B (zh) 基于功率特征提取的光伏-储能系统容量优化设计方法及系统
CN114638078A (zh) 一种微电网优化配置方法、系统、终端及可存储介质
CN116307632B (zh) 水电站经济负荷分配方法、装置、电子设备及存储介质
CN117410973A (zh) 虚拟微电网群的构建方法、系统、设备及介质
CN116632841A (zh) 融合多时序特征的配电台区短期用电负荷预测方法及系统
CN110210677B (zh) 一种结合聚类和深度学习算法的母线短期日负荷预测方法和装置
CN117293865A (zh) 家庭储能资源规划方法、装置、设备及存储介质
CN116307511A (zh) 一种园区电网储能配置方法、装置、设备及介质
CN112217215B (zh) 一种基于psd-bpa的大型电力系统随机潮流计算方法
CN115514001A (zh) 一种配电网光伏接纳能力计算方法、装置、设备及介质
WO2023009070A2 (en) Method and apparatus for forecasting optical power, computer device and storage medium
CN115275975A (zh) 一种光储充电站电力数据匹配度的确定方法及装置
CN113988491B (zh) 光伏短期功率预测方法、装置、电子设备及存储介质
CN116436057B (zh) 一种储能站运行策略的确定方法、装置、设备及介质

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20220617