CN114977172A - 电网碳能混合流优化方法、装置、终端及存储介质 - Google Patents
电网碳能混合流优化方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN114977172A CN114977172A CN202210763825.3A CN202210763825A CN114977172A CN 114977172 A CN114977172 A CN 114977172A CN 202210763825 A CN202210763825 A CN 202210763825A CN 114977172 A CN114977172 A CN 114977172A
- Authority
- CN
- China
- Prior art keywords
- node
- voltage
- power
- mixed flow
- constraint
- 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
Links
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 148
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 148
- 238000005457 optimization Methods 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 241000282346 Meles meles Species 0.000 claims abstract description 89
- 239000003990 capacitor Substances 0.000 claims abstract description 43
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 32
- 230000006870 function Effects 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 21
- 230000005540 biological transmission Effects 0.000 claims description 19
- 230000009466 transformation Effects 0.000 claims description 17
- 239000000126 substance Substances 0.000 claims description 8
- 238000010079 rubber tapping Methods 0.000 claims description 6
- 230000035945 sensitivity Effects 0.000 claims description 6
- 230000029305 taxis Effects 0.000 claims description 6
- 235000013305 food Nutrition 0.000 claims description 4
- 230000009467 reduction Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 7
- 238000010248 power generation Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000005611 electricity Effects 0.000 description 4
- 235000012907 honey Nutrition 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- YZCKVEUIGOORGS-NJFSPNSNSA-N Tritium Chemical compound [3H] YZCKVEUIGOORGS-NJFSPNSNSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 150000002431 hydrogen Chemical class 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Images
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
-
- 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
- G06Q10/04—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
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- 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
- 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)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Power Engineering (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (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)
- Educational Administration (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种电网碳能混合流优化方法、装置、终端及存储介质。该方法包括：以电网的碳排放、电力损耗和电压偏差最小为目标函数，以潮流平衡约束、发电机约束、并联电容器约束、变压器限制约束和安全约束为约束条件，建立碳能混合流优化模型；采用蜜獾算法，对碳能混合流优化模型进行求解，得到碳能混合流优化模型的最优解；根据碳能混合流优化模型的最优解，进行碳能混合流优化。本发明能够在考虑碳排放最少的基础上，同时考虑电力损耗最小和电压偏差最小，在保证减少碳排放的基础上，还能减少其它损耗，同时平衡电力系统的负荷扰动，另外，使用蜜獾算法进行求解，可以在相对较短的时间内收敛得到高质量解。
Description
技术领域
本发明涉及电力系统技术领域，尤其涉及一种电网碳能混合流优化方法、装置、终端及存储介质。
背景技术
碳排放增加是加剧气候变暖的主要因素。为了减少碳排放，越来越多的新型储能资源正在加入电网，如化学电池储能、电动汽车、电网规模的电池储能等。风力发电和光伏发电机组通过将多余的能量储存在大容量的电池组中来发电，在电池不发电时反馈到电网中，以缓解电力系统频率调节的压力。
目前，在电力系统的减轻碳排放的方法中，仅仅考虑碳排放最少，未考虑其它因素，可能会导致电力系统的其它损耗的增加或增加电力系统的负荷扰动。
发明内容
本发明实施例提供了一种电网碳能混合流优化方法、装置、终端及存储介质，以解决现有技术仅仅考虑碳排放最少，未考虑其它因素，可能会导致电力系统的其它损耗的增加或增加电力系统的负荷扰动的问题。
第一方面，本发明实施例提供了一种电网碳能混合流优化方法，包括：
以电网的碳排放、电力损耗和电压偏差最小为目标函数，以潮流平衡约束、发电机约束、并联电容器约束、变压器限制约束和安全约束为约束条件，建立碳能混合流优化模型；
采用蜜獾算法，对碳能混合流优化模型进行求解，得到碳能混合流优化模型的最优解；
根据碳能混合流优化模型的最优解，进行碳能混合流优化。
在一种可能的实现方式中，目标函数为：
minf(x)＝μ1Ploss+μ2Cpgc+μ3Vd
其中，Ploss为线路功率损耗；Cpgc为碳排放税；Vd为电压偏差指数，
Vi为节点i的电压，
为节点i的电压下限值，
为节点i的电压上限值，
为电网节点集；μ1为线路功率损耗的权重系数；μ2为碳排放税的权重系数；μ3为电压偏差指数的权重系数；μ1+μ2+μ3＝1。
在一种可能的实现方式中，潮流平衡约束为：
其中，PGi为节点i的有功功率输出值；QGi为节点i的无功功率输出值；PDi为节点i的有功功率需求值；QDi为节点i的无功功率需求值；bij为节点i和节点j之间的传输线的灵敏度；
为除松弛总线以外的总线集；
为PQ总线集；Vi为节点i的电压；Vj为节点j的电压；gij为连接节点i和节点j的线路导纳；θij为节点i与节点j之间电压相位差；
为电网节点集；
发电机约束为：
其中，
为节点i的无功功率输出下限值；
为节点i的无功功率输出上限值；VGr为发电机r的电压；
为发电机r的电压下限值；
为发电机r的电压上限值；
为发电机组；
并联电容器约束为：
其中，QCu为并联电容u的无功补偿；
为并联电容u的无功补偿下限值；
为并联电容u的无功补偿上限值；
为并联电容组；
变压器限制约束为：
其中，Tk为第k台变压器的变比；
为第k台变压器的变比下限值；
为第k台变压器的变比上限值；
为变压器分接组；
安全约束为：
其中，Vi为节点i的电压；
为节点i的电压下限值；
为节点i的电压上限值；Sl为传输线路l的表面功率；
为传输线路l的表面功率上限值；
为分支集。
在一种可能的实现方式中，采用蜜獾算法，对碳能混合流优化模型进行求解，得到碳能混合流优化模型的最优解，包括：
初始化蜜獾的数量和各个蜜獾的位置；
根据目标函数，计算各个蜜獾的适应度，并根据各个蜜獾的适应度，确定当前最佳位置；
若当前迭代次数大于或等于预设迭代次数，则根据当前最佳位置输出最优解；
若当前迭代次数小于预设迭代次数，则对于每个蜜獾，均执行第一操作；
第一操作包括：根据当前迭代次数更新密度因子，并根据该蜜獾的位置和当前最佳位置计算该蜜獾的强度；生成第一随机数；若第一随机数小于预设数值，则根据第一公式更新新的个体的位置；若第一随机数不小于预设数值，则根据第二公式更新新的个体的位置；根据新的个体的位置计算新的适应度；若新的适应度小于或等于该蜜獾的适应度，则将该蜜獾的位置更新为新的个体的位置，并将该蜜獾的适应度更新为新的适应度；若新的适应度小于当前最佳位置对应的适应度，则更新当前最佳位置为新的个体的位置，更新当前最佳位置的适应度为新的适应度；
将当前迭代次数加1，得到新的当前迭代次数，并跳转至若当前迭代次数大于或等于预设迭代次数，则根据当前最佳位置输出最优解的步骤循环执行，直至输出最优解。
在一种可能的实现方式中，第一公式为：xnew＝xprey+F*β*I*xprey+F*r3*α*di*|cos(2πr4)*[1-cos(2πr5)]|；
第二公式为：xnew＝xprey+F*r7*α*di；
其中，xnew为新的个体的位置；xprey为当前最佳位置；F为改变搜索方向的标志，
β≥1，为蜜獾获取食物的能力；I为猎物的强度；α为密度因子；di为该蜜獾与当前最佳位置之间的距离；r3、r4和r5是介于0和1之间的三个不同的随机数；r6和r7是介于0和1之间的随机数。
第二方面，本发明实施例提供了一种电网碳能混合流优化装置，包括：
模型建立模块，用于以电网的碳排放、电力损耗和电压偏差最小为目标函数，以潮流平衡约束、发电机约束、并联电容器约束、变压器限制约束和安全约束为约束条件，建立碳能混合流优化模型；
求解模块，用于采用蜜獾算法，对碳能混合流优化模型进行求解，得到碳能混合流优化模型的最优解；
优化模块，用于根据碳能混合流优化模型的最优解，进行碳能混合流优化。在一种可能的实现方式中，目标函数为：
minf(x)＝μ1Ploss+μ2Cpgc+μ3Vd
其中，Ploss为线路功率损耗；Cpgc为碳排放税；Vd为电压偏差指数，
Vi为节点i的电压，
为节点i的电压下限值，
为节点i的电压上限值，
为电网节点集；μ1为线路功率损耗的权重系数；μ2为碳排放税的权重系数；μ3为电压偏差指数的权重系数；μ1+μ2+μ3＝1。
在一种可能的实现方式中，潮流平衡约束为：
其中，PGi为节点i的有功功率输出值；QGi为节点i的无功功率输出值；PDi为节点i的有功功率需求值；QDi为节点i的无功功率需求值；bij为节点i和节点j之间的传输线的灵敏度；
为除松弛总线以外的总线集；
为PQ总线集；Vi为节点i的电压；Vj为节点j的电压；gij为连接节点i和节点j的线路导纳；θij为节点i与节点j之间电压相位差；
为电网节点集；
发电机约束为：
其中，
为节点i的无功功率输出下限值；
为节点i的无功功率输出上限值；VGr为发电机r的电压；
为发电机r的电压下限值；
为发电机r的电压上限值；
为发电机组；
并联电容器约束为：
其中，QCu为并联电容u的无功补偿；
为并联电容u的无功补偿下限值；
为并联电容u的无功补偿上限值；
为并联电容组；
变压器限制约束为：
其中，Tk为第k台变压器的变比；
为第k台变压器的变比下限值；
为第k台变压器的变比上限值；
为变压器分接组；
安全约束为：
其中，Vi为节点i的电压；
为节点i的电压下限值；
为节点i的电压上限值；Sl为传输线路l的表面功率；
为传输线路l的表面功率上限值；
为分支集。
第三方面，本发明实施例提供了一种终端，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序，执行如上第一方面或第一方面的任一种可能的实现方式所述的电网碳能混合流优化方法。
第四方面，本发明实施例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，所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述的电网碳能混合流优化方法的步骤。
本发明实施例提供一种电网碳能混合流优化方法、装置、终端及存储介质，通过以电网的碳排放、电力损耗和电压偏差最小为目标函数，以潮流平衡约束、发电机约束、并联电容器约束、变压器限制约束和安全约束为约束条件，建立碳能混合流优化模型，并采用蜜獾算法，对碳能混合流优化模型进行求解，得到碳能混合流优化模型的最优解，能够在考虑碳排放最少的基础上，同时考虑电力损耗最小和电压偏差最小，在保证减少碳排放的基础上，还能减少其它损耗，同时平衡电力系统的负荷扰动，另外，使用蜜獾算法进行求解，可以在相对较短的时间内收敛得到高质量解。
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是本发明实施例提供的电网碳能混合流优化方法的示意图；
图2是本发明实施例提供的电网碳能混合流优化装置的结构示意图；
图3是本发明实施例提供的终端的示意图。
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。
参见图1，其示出了本发明实施例提供的电网碳能混合流优化方法的实现流程图。其中，电网碳能混合流优化方法的执行主体可以是终端。
参见图1，上述电网碳能混合流优化方法包括：
在S101中，以电网的碳排放、电力损耗和电压偏差最小为目标函数，以潮流平衡约束、发电机约束、并联电容器约束、变压器限制约束和安全约束为约束条件，建立碳能混合流优化模型。
在本发明实施例中，不仅考虑电网的碳排放，还考虑电网的电力损耗和电网的电压偏差，以三者综合最小为目标函数，以潮流平衡约束、发电机约束、并联电容器约束、变压器限制约束和安全约束为约束条件，建立碳能混合流优化模型，从而使得最终解不仅可以优化碳排放，还可以优化电力损耗和电压偏差。
其中，碳能混合流即对碳流与电力系统潮流进行整体考量，碳流是基于电力系统潮流的虚拟网络流，用于表征电力系统的碳特征。一般认为，电力系统主要的碳排放来源是发电侧，即火电机组烧煤发电。定义发电侧的碳排放量为Cp,表示所有发电机生产电量产生的碳排放，计算公式如下：
其中，Pw表示发电机w的输出功率，δw表示发电机w的碳排放因子，W为电网的发电机集合。
发电侧的碳排放量Cp可以进一步分解为电网损耗Closs和用户侧碳排放量Cd。即：
Cp＝Closs+Cd
从实际角度出发，发电商、售电公司和用户一般只关心自身活动产生的碳排放量，如果在建模中做出上述的假设，将会导致对碳排放量进行多次计算。为了更好地解决这个问题，需要考虑发电商、售电公司和用户在碳排放上的协同关系，基于共享责任算法的思想对电力系统整体碳排放量进行分解。
Cp＝(1-αp)Ce+αpCloss+(1-βC)αpCL+αpβCCL
其中，αp表示生产者的责任份额，0<αp<1，这表示不是发电侧负责所有的碳排放，只考虑自身责任份额；βC代表用户的责任份额，0<βC<1。因此，用户的整体碳排放包括自身用电的碳排放以及分担电力生产碳排放的责任份额。
同时，碳排放税Cpgc定义为：
Cpgc＝αpCloss+(1-βC)αpCL
其中，Closs需要根据比例分配原则进行计算才能获得，比例共享原则如下所示：
其中，
表示第w个发电机与第j个节点的功率映射系数，Pij和P′j分别表示线路i-j的功率和等效无损电网中第j个节点的注入功率。
在S102中，采用蜜獾算法，对碳能混合流优化模型进行求解，得到碳能混合流优化模型的最优解。
本发明实施例采用蜜獾算法，对碳能混合流优化模型进行求解，可以在相对较短的时间内收敛得到高质量的最优解。
在S103中，根据碳能混合流优化模型的最优解，进行碳能混合流优化。
本实施例根据最优解，进行碳能混合流优化，可以综合考虑碳排放、电力损耗和电压偏差，达到一个较优的效果。
本实施例通过以电网的碳排放、电力损耗和电压偏差最小为目标函数，以潮流平衡约束、发电机约束、并联电容器约束、变压器限制约束和安全约束为约束条件，建立碳能混合流优化模型，并采用蜜獾算法，对碳能混合流优化模型进行求解，得到碳能混合流优化模型的最优解，能够在考虑碳排放最少的基础上，同时考虑电力损耗最小和电压偏差最小，在保证减少碳排放的基础上，还能减少其它损耗，同时平衡电力系统的负荷扰动，另外，使用蜜獾算法进行求解，可以在相对较短的时间内收敛得到高质量解。
在一些实施例中，目标函数为：
其中，Ploss为线路功率损耗；Cpgc为碳排放税；Vd为电压偏差指数，
Vi为节点i的电压，Vi max为节点i的电压下限值，Vi max为节点i的电压上限值，
为电网节点集；μ1为线路功率损耗的权重系数；μ2为碳排放税的权重系数；μ3为电压偏差指数的权重系数；μ1+μ2+μ3＝1。
本发明实施例旨在实现电网的碳排放、电力损耗和电压偏差最小的目标。影响电网最优碳能混合流的因素有几个，其中最明显的是有功功率和无功功率的调度。其中，有功功率调度由发电厂、电力公司以及用电客户决定；无功功率调度主要有电力公司进行相应匹配。因此可以根据电网的无功功率调度来建立碳流模型(即碳能混合流优化模型)，并将其描述为一个非线性目标函数，如上式所示。
式中，x表示子系统的向量，可以用发电机终端的电压、负载分接开关变压器的各个分接位置、连接的电容器和电感的总数量等代替。Vd为电压偏差指数，表示电压偏差大小。
在一些实施例中，潮流平衡约束为：
其中，PGi为节点i的有功功率输出值；QGi为节点i的无功功率输出值；PDi为节点i的有功功率需求值；QDi为节点i的无功功率需求值；bij为节点i和节点j之间的传输线的灵敏度；
为除松弛总线以外的总线集；
为PQ总线集；Vi为节点i的电压；Vj为节点j的电压；gij为连接节点i和节点j的线路导纳；θij为节点i与节点j之间电压相位差；
为电网节点集；
潮流平衡约束是将主动和无功潮流平衡作为碳流模型的平等约束。
发电机约束为：
其中，
为节点i的无功功率输出下限值；
为节点i的无功功率输出上限值；VGr为发电机r的电压；
为发电机r的电压下限值；
为发电机r的电压上限值；
为发电机组；
无功功率输出和发电总线电压需要受其上下限的限制，因此，建立发电机约束，公式如上所示。
并联电容器约束为：
其中，QCu为并联电容u的无功补偿；
为并联电容u的无功补偿下限值；
为并联电容u的无功补偿上限值；
为并联电容组；
可控并联电容的无功功率补偿只能在其下限和上限之间运行，因此建立并联电容器约束，公式如上所示。
变压器限制约束为：
其中，Tk为第k台变压器的变比；
为第k台变压器的变比下限值；
为第k台变压器的变比上限值；
为变压器分接组；
变压器分接设置也受其下限的限制，因此，建立变压器限制约束，如上式所示。
安全约束为：
其中，Vi为节点i的电压；
为节点i的电压下限值；
为节点i的电压上限值；Sl为传输线路l的表面功率；
为传输线路l的表面功率上限值；
为分支集。
为了实现各子系统的安全运行，负载总线的电压大小应受其下限限制，而各输电线路的表观功率流量应受其上限限制，因此，建立安全约束，如上式所示。
在一些实施例中，采用蜜獾算法，对碳能混合流优化模型进行求解，得到碳能混合流优化模型的最优解，包括：
初始化蜜獾的数量和各个蜜獾的位置；
根据目标函数，计算各个蜜獾的适应度，并根据各个蜜獾的适应度，确定当前最佳位置；
若当前迭代次数大于或等于预设迭代次数，则根据当前最佳位置输出最优解；
若当前迭代次数小于预设迭代次数，则对于每个蜜獾，均执行第一操作；
第一操作包括：根据当前迭代次数更新密度因子，并根据该蜜獾的位置和当前最佳位置计算该蜜獾的强度；生成第一随机数；若第一随机数小于预设数值，则根据第一公式更新新的个体的位置；若第一随机数不小于预设数值，则根据第二公式更新新的个体的位置；根据新的个体的位置计算新的适应度；若新的适应度小于或等于该蜜獾的适应度，则将该蜜獾的位置更新为新的个体的位置，并将该蜜獾的适应度更新为新的适应度；若新的适应度小于当前最佳位置对应的适应度，则更新当前最佳位置为新的个体的位置，更新当前最佳位置的适应度为新的适应度；
将当前迭代次数加1，得到新的当前迭代次数，并跳转至若当前迭代次数大于或等于预设迭代次数，则根据当前最佳位置输出最优解的步骤循环执行，直至输出最优解。
其中，第一随机数为0到1之间的随机数，预设数值也为0到1之间的数值，可以根据实际需求设置，例如，可以是0.5。
预设迭代次数可以根据实际需求设置，例如可以为50。蜜獾的数量可以根据实际需求设置，例如，可以是50。
最优解即为结束迭代时的最佳位置。
本实施例利用蜜獾算法进行无功功率调度，其新颖之处在于蜜獾算法的创新搜索机制、种群的进化和开发-探索更新机制。蜜獾算法的四大特点如下：
(1)在强度参数I的帮助下，有效地确保了开发行为，引导种群个体到达已经确定的有前途的区域。
(2)密度因子α用于动态时变随机化，以确保从勘探到开发的平稳过渡。它随着时间的推移而减少，从而在迭代过程中减少种群多样性。这就实现了勘探和开发之间所需的权衡平衡。
(3)蜜獾算法使用了特有的改变搜索方向的标志F，不允许个体候选者在本地区域进行猎捕。算法通过引导蜜獾搜索指向新的区域，以进一步改进解决方案。这在整个搜索过程中随着时间的推移而发生，因此蜜獾算法带来了更大的机会来找到更有优势的解决方案。
(4)挖掘和蜂蜜阶段通过平衡搜索机制的探索和挖掘特性，对解决方案更新过程保持了建设性的影响。
蜜獾算法的跌倒流程如下：
步骤1：初始化阶段：初始化蜂蜜獾的数量(种群大小为N)及其各自的位置，根据公式xi＝lbi+r1*(ubi-lbi)，初始化各个蜜獾的位置；其中，xi为第i个蜜獾的位置，r1为0到1之间的随机数，lbi和ubi分别为搜索域的下界和上界。
步骤2：定义强度：强度与猎物的集中强度以及与蜜獾之间的距离有关。Ii是猎物的气味强度；如果气味强度大，则运动速度快，如果气味强度小，则运动速度慢。计算公式如下式所示：
其中，r2为0到1之间的随机数；S为猎物源强度或者猎物的位置浓度强度，在一种可能的实现方式中，S为源强度或集中强度；di表示猎物与当前蜜獾之间的距离；xprey表示猎物的位置，即当前最佳位置；xi+1表示第i+1个蜜獾的位置。
步骤3：更新密度因子：密度因子α控制时变随机化，以确保从勘探到开发的平稳过渡。使用等式
更新随着迭代次数减少的递减因子α，以减少随时间变化的随机化。
其中，C为大于或等于1的常数，通常设置为2；tmax为最大迭代次数，即预设迭代次数；t为当前迭代次数。
步骤4：脱离局部最佳状态：这一步和接下来的两个步骤将用于逃离局部最优区域。在这种情况下，提出的算法使用一个标志F来改变搜索方向，更严格地扫描搜索空间。
步骤5：更新个体的位置。蜜獾位置更新过程分为“挖掘阶段”和“蜂蜜阶段”两部分：
[1]挖掘阶段：蜜獾执行类似于心形的动作。心形运动可以用公式xnew＝xprey+F*β*I*xprey+F*r3*α*di*|cos(2πr4)*[1-cos(2πr5)]|来模拟；在挖掘阶段，蜜獾严重依赖于猎物xprey、猎物的气味强度I、蜜獾与猎物之间的距离以及时变搜索影响因子α。此外，在挖掘活动中，蜜獾可能会受到任何干扰F，这使它能够找到更好的猎物位置；
[2]蜂蜜阶段：当一个蜜獾跟随蜂蜜引导鸟到达蜂巢的情况可以被模拟为等式xnew＝xprey+F*r7*α*di。从该式可知，蜜獾根据距离信息di，在猎物位置xprey附近进行搜索。在这个阶段，搜索会受到随迭代变化的搜索行为的影响因子α的影响。此外，蜜獾的位置可以通过干扰F进行调整。
在一些实施例中，第一公式为：xnew＝xprey+F*β*I*xprey+F*r3*α*di*|cos(2πr4)*[1-cos(2πr5)]|；
第二公式为：xnew＝xprey+F*r7*α*di；
其中，xnew为新的个体的位置；xprey为当前最佳位置，即猎物的位置；F为改变搜索方向的标志，
β≥1，为蜜獾获取食物的能力，通常设置为6；I为猎物的强度；α为密度因子；di为该蜜獾与当前最佳位置之间的距离；r3、r4和r5是介于0和1之间的三个不同的随机数；r6和r7是介于0和1之间的随机数。
由于勘探和开发阶段，蜜獾算法被认为是一种全局优化算法。为了使蜜獾算法易于实现和理解，需要调整的操作符数量。D表示决策变量的数量，总体复杂性包括方程中定义的目标函数。
本发明实施例所提出的优化模型分配权重到发电厂、电力网络以及用户侧，可以有效地避免碳排放的重复计算；本发明实施例所提出的蜜獾算法可以在相对较短的时间内收敛到高质量解，充分利用风力发电、水力发电等新能源发电厂的优势，兼顾运行经济性和电能质量；通过对无功功率的调节可以有效减少碳损耗，同时通过减少电网的碳排放责任，提高运行经济性。
本发明实施例可以通过优化模型，既提高电网运营商的效益，又平衡电力系统的负荷扰动。
本发明实施例提出了将碳排放分析与电力系统潮流计算相结合的碳能混合流，并考虑了发电机的功率输出、节点的电力需求等作为约束条件。在求解优化问题时，元启发式算法由于具有一定的全局搜索能力和较快的收敛速度，被广泛应用于解决工程、无线传感器、图像处理等问题，但是由于固有的复杂约束和许多设计变量，解决复杂的高度非线性和非凸问题时，可能会求得固有的局部极小值。因此，本发明实施例采用新型元启发式蜜獾算法求解碳流问题，模拟蜜獾的觅食行为，在搜索中保持勘探和开发之间的权衡平衡能力，在搜索中保持了充足的种群多样性，求得更加合适的最优解。本发明实施例可以解决碳排放计算的复杂、不便捷及易重复等问题，通过蜜獾算法的优化为碳能混合流选取一个符合电网的碳排放、电力损耗和电压偏差最小最优无功控制方案。同时，通过减少碳能排放为建立在高效利用资源、严格保护生态环境、推动实现碳达峰、碳中和目标提供有效手段，并且通过减少里程支付为电网运营商带来经济效益。
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。
以下为本发明的装置实施例，对于其中未详尽描述的细节，可以参考上述对应的方法实施例。
图2示出了本发明实施例提供的电网碳能混合流优化装置的结构示意图，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
如图2所示，电网碳能混合流优化装置30包括：模型建立模块31、求解模块32和优化模块33。
模型建立模块31，用于以电网的碳排放、电力损耗和电压偏差最小为目标函数，以潮流平衡约束、发电机约束、并联电容器约束、变压器限制约束和安全约束为约束条件，建立碳能混合流优化模型；
求解模块32，用于采用蜜獾算法，对碳能混合流优化模型进行求解，得到碳能混合流优化模型的最优解；
优化模块33，用于根据碳能混合流优化模型的最优解，进行碳能混合流优化。
在一种可能的实现方式中，目标函数为：
minf(x)＝μ1Ploss+μ2Cpgc+μ3Vd
其中，Ploss为线路功率损耗；Cpgc为碳排放税；Vd为电压偏差指数，
Vi为节点i的电压，
为节点i的电压下限值，
为节点i的电压上限值，
为电网节点集；μ1为线路功率损耗的权重系数；μ2为碳排放税的权重系数；μ3为电压偏差指数的权重系数；μ1+μ2+μ3＝1。
在一种可能的实现方式中，潮流平衡约束为：
其中，PGi为节点i的有功功率输出值；QGi为节点i的无功功率输出值；PDi为节点i的有功功率需求值；QDi为节点i的无功功率需求值；bij为节点i和节点j之间的传输线的灵敏度；
为除松弛总线以外的总线集；
为PQ总线集；Vi为节点i的电压；Vj为节点j的电压；gij为连接节点i和节点j的线路导纳；θij为节点i与节点j之间电压相位差；
为电网节点集；
发电机约束为：
其中，
为节点i的无功功率输出下限值；
为节点i的无功功率输出上限值；VGr为发电机r的电压；
为发电机r的电压下限值；
为发电机r的电压上限值；
为发电机组；
并联电容器约束为：
其中，QCu为并联电容u的无功补偿；
为并联电容u的无功补偿下限值；
为并联电容u的无功补偿上限值；
为并联电容组；
变压器限制约束为：
其中，Tk为第k台变压器的变比；
为第k台变压器的变比下限值；
为第k台变压器的变比上限值；
为变压器分接组；
安全约束为：
其中，Vi为节点i的电压；
为节点i的电压下限值；
为节点i的电压上限值；Sl为传输线路l的表面功率；
为传输线路l的表面功率上限值；
为分支集。
在一种可能的实现方式中，求解模块32具体用于：
初始化蜜獾的数量和各个蜜獾的位置；
根据目标函数，计算各个蜜獾的适应度，并根据各个蜜獾的适应度，确定当前最佳位置；
若当前迭代次数大于或等于预设迭代次数，则根据当前最佳位置输出最优解；
若当前迭代次数小于预设迭代次数，则对于每个蜜獾，均执行第一操作；
第一操作包括：根据当前迭代次数更新密度因子，并根据该蜜獾的位置和当前最佳位置计算该蜜獾的强度；生成第一随机数；若第一随机数小于预设数值，则根据第一公式更新新的个体的位置；若第一随机数不小于预设数值，则根据第二公式更新新的个体的位置；根据新的个体的位置计算新的适应度；若新的适应度小于或等于该蜜獾的适应度，则将该蜜獾的位置更新为新的个体的位置，并将该蜜獾的适应度更新为新的适应度；若新的适应度小于当前最佳位置对应的适应度，则更新当前最佳位置为新的个体的位置，更新当前最佳位置的适应度为新的适应度；
将当前迭代次数加1，得到新的当前迭代次数，并跳转至若当前迭代次数大于或等于预设迭代次数，则根据当前最佳位置输出最优解的步骤循环执行，直至输出最优解。
在一种可能的实现方式中，第一公式为：xnew＝xprey+F*β*I*xprey+F*r3*α*di*|cos(2πr4)*[1-cos(2πr5)]|；
第二公式为：xnew＝xprey+F*r7*α*di；
其中，xnew为新的个体的位置；xprey为当前最佳位置；F为改变搜索方向的标志，
β≥1，为蜜獾获取食物的能力；I为猎物的强度；α为密度因子；di为该蜜獾与当前最佳位置之间的距离；r3、r4和r5是介于0和1之间的三个不同的随机数；r6和r7是介于0和1之间的随机数。
图3是本发明实施例提供的终端的示意图。如图3所示，该实施例的终端4包括：处理器40和存储器41。所述存储器41用于存储计算机程序42，所述处理器40用于调用并运行所述存储器41中存储的计算机程序42，执行上述各个电网碳能混合流优化方法实施例中的步骤，例如图1所示的S101至S103。或者，所述处理器40用于调用并运行所述存储器41中存储的计算机程序42，实现上述各装置实施例中各模块/单元的功能，例如图2所示模块/单元31至33的功能。
示例性的，所述计算机程序42可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器41中，并由所述处理器40执行，以完成本发明。所述一个或多个模块/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，该指令段用于描述所述计算机程序42在所述终端4中的执行过程。例如，所述计算机程序42可以被分割成图2所示的模块/单元31至33。
所述终端4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。所述终端4可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图3仅仅是终端4的示例，并不构成对终端4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，例如所述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40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。
所述存储器41可以是所述终端4的内部存储单元，例如终端4的硬盘或内存。所述存储器41也可以是所述终端4的外部存储设备，例如所述终端4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，所述存储器41还可以既包括所述终端4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
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，即将所述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，所述模块或单元的划分，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。
所述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。
所述集成的模块/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，所述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，可实现上述各个电网碳能混合流优化方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述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。所述计算机可读介质可以包括：能够携带所述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(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述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。
以上所述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 (10)
1.一种电网碳能混合流优化方法，其特征在于，包括：
以电网的碳排放、电力损耗和电压偏差最小为目标函数，以潮流平衡约束、发电机约束、并联电容器约束、变压器限制约束和安全约束为约束条件，建立碳能混合流优化模型；
采用蜜獾算法，对所述碳能混合流优化模型进行求解，得到所述碳能混合流优化模型的最优解；
根据所述碳能混合流优化模型的最优解，进行碳能混合流优化。
2.根据权利要求1所述的电网碳能混合流优化方法，其特征在于，所述目标函数为：
minf(x)＝μ1Ploss+μ2Cpgc+μ3Vd
其中，Ploss为线路功率损耗；Cpgc为碳排放税；Vd为电压偏差指数，
Vi为节点i的电压，
为节点i的电压下限值，
为节点i的电压上限值，
为电网节点集；μ1为线路功率损耗的权重系数；μ2为碳排放税的权重系数；μ3为电压偏差指数的权重系数；μ1+μ2+μ3＝1。
3.根据权利要求1所述的电网碳能混合流优化方法，其特征在于，所述潮流平衡约束为：
其中，PGi为节点i的有功功率输出值；QGi为节点i的无功功率输出值；PDi为节点i的有功功率需求值；QDi为节点i的无功功率需求值；bij为节点i和节点j之间的传输线的灵敏度；
为除松弛总线以外的总线集；
为PQ总线集；Vi为节点i的电压；Vj为节点j的电压；gij为连接节点i和节点j的线路互导纳；θij为节点i与节点j之间电压相位差；
为电网节点集；
所述发电机约束为：
其中，
为节点i的无功功率输出下限值；
为节点i的无功功率输出上限值；VGr为发电机r的电压；
为发电机r的电压下限值；
为发电机r的电压上限值；
为发电机组；
所述并联电容器约束为：
其中，QCu为并联电容u的无功补偿；
为并联电容u的无功补偿下限值；
为并联电容u的无功补偿上限值；
为并联电容组；
所述变压器限制约束为：
其中，Tk为第k台变压器的变比；
为第k台变压器的变比下限值；
为第k台变压器的变比上限值；
为变压器分接组；
所述安全约束为：
其中，Vi为节点i的电压；
为节点i的电压下限值；
为节点i的电压上限值；Sl为传输线路l的表面功率；
为传输线路l的表面功率上限值；
为分支集。
4.根据权利要求1至3任一项所述的电网碳能混合流优化方法，其特征在于，所述采用蜜獾算法，对所述碳能混合流优化模型进行求解，得到所述碳能混合流优化模型的最优解，包括：
初始化蜜獾的数量和各个蜜獾的位置；
根据所述目标函数，计算各个蜜獾的适应度，并根据各个蜜獾的适应度，确定当前最佳位置；
若当前迭代次数大于或等于预设迭代次数，则根据当前最佳位置输出最优解；
若当前迭代次数小于所述预设迭代次数，则对于每个蜜獾，均执行第一操作；
所述第一操作包括：根据当前迭代次数更新密度因子，并根据该蜜獾的位置和当前最佳位置计算该蜜獾的强度；生成第一随机数；若所述第一随机数小于预设数值，则根据第一公式更新新的个体的位置；若所述第一随机数不小于所述预设数值，则根据第二公式更新新的个体的位置；根据所述新的个体的位置计算新的适应度；若所述新的适应度小于或等于该蜜獾的适应度，则将该蜜獾的位置更新为所述新的个体的位置，并将该蜜獾的适应度更新为所述新的适应度；若所述新的适应度小于当前最佳位置对应的适应度，则更新当前最佳位置为所述新的个体的位置，更新当前最佳位置的适应度为所述新的适应度；
将当前迭代次数加1，得到新的当前迭代次数，并跳转至所述若当前迭代次数大于或等于预设迭代次数，则根据当前最佳位置输出最优解的步骤循环执行，直至输出最优解。
5.根据权利要求4所述的电网碳能混合流优化方法，其特征在于，所述第一公式为：
xnew＝xprey+F*β*I*xprey+F*r3*α*di*|cos(2πr4)*[1-cos(2πr5)]|；
所述第二公式为：xnew＝xprey+F*r7*α*di；
其中，xnew为所述新的个体的位置；xprey为当前最佳位置；F为改变搜索方向的标志，
β≥1，为蜜獾获取食物的能力；I为猎物的强度；α为所述密度因子；di为该蜜獾与当前最佳位置之间的距离；r3、r4和r5是介于0和1之间的三个不同的随机数；r6和r7是介于0和1之间的随机数。
6.一种电网碳能混合流优化装置，其特征在于，包括：
模型建立模块，用于以电网的碳排放、电力损耗和电压偏差最小为目标函数，以潮流平衡约束、发电机约束、并联电容器约束、变压器限制约束和安全约束为约束条件，建立碳能混合流优化模型；
求解模块，用于采用蜜獾算法，对所述碳能混合流优化模型进行求解，得到所述碳能混合流优化模型的最优解；
优化模块，用于根据所述碳能混合流优化模型的最优解，进行碳能混合流优化。
7.根据权利要求6所述的电网碳能混合流优化装置，其特征在于，所述目标函数为：
minf(x)＝μ1Ploss+μ2Cpgc+μ3Vd
其中，Ploss为线路功率损耗；Cpgc为碳排放税；Vd为电压偏差指数，
Vi为节点i的电压，
为节点i的电压下限值，
为节点i的电压上限值，
为电网节点集；μ1为线路功率损耗的权重系数；μ2为碳排放税的权重系数；μ3为电压偏差指数的权重系数；μ1+μ2+μ3＝1。
8.根据权利要求6所述的电网碳能混合流优化装置，其特征在于，所述潮流平衡约束为：
其中，PGi为节点i的有功功率输出值；QGi为节点i的无功功率输出值；PDi为节点i的有功功率需求值；QDi为节点i的无功功率需求值；bij为节点i和节点j之间的传输线的灵敏度；
为除松弛总线以外的总线集；
为PQ总线集；Vi为节点i的电压；Vj为节点j的电压；gij为连接节点i和节点j的线路互导纳；θij为节点i与节点j之间电压相位差；
为电网节点集；
所述发电机约束为：
其中，
为节点i的无功功率输出下限值；
为节点i的无功功率输出上限值；VGr为发电机r的电压；
为发电机r的电压下限值；
为发电机r的电压上限值；
为发电机组；
所述并联电容器约束为：
其中，QCu为并联电容u的无功补偿；
为并联电容u的无功补偿下限值；
为并联电容u的无功补偿上限值；
为并联电容组；
所述变压器限制约束为：
其中，Tk为第k台变压器的变比；
为第k台变压器的变比下限值；
为第k台变压器的变比上限值；
为变压器分接组；
所述安全约束为：
其中，Vi为节点i的电压；
为节点i的电压下限值；
为节点i的电压上限值；Sl为传输线路l的表面功率；
为传输线路l的表面功率上限值；
为分支集。
9.一种终端，其特征在于，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序，执行如权利要求1至5中任一项所述的电网碳能混合流优化方法。
10.一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5中任一项所述电网碳能混合流优化方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210763825.3A CN114977172A (zh) | 2022-06-29 | 2022-06-29 | 电网碳能混合流优化方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210763825.3A CN114977172A (zh) | 2022-06-29 | 2022-06-29 | 电网碳能混合流优化方法、装置、终端及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114977172A true CN114977172A (zh) | 2022-08-30 |
Family
ID=82966848
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210763825.3A Pending CN114977172A (zh) | 2022-06-29 | 2022-06-29 | 电网碳能混合流优化方法、装置、终端及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114977172A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115473230A (zh) * | 2022-10-09 | 2022-12-13 | 国网江苏省电力有限公司电力科学研究院 | 考虑用户侧碳排放约束的最优潮流计算方法、设备及介质 |
| CN116720751A (zh) * | 2023-08-07 | 2023-09-08 | 华北电力大学 | 考虑垃圾发电碳循环的综合能源系统的协同规划方法 |
| CN117251280A (zh) * | 2023-08-18 | 2023-12-19 | 湖北工业大学 | 一种云资源负载均衡调度方法、装置、设备及介质 |
| CN117578627A (zh) * | 2024-01-16 | 2024-02-20 | 国网浙江省电力有限公司 | 发电调度方法、装置、电子设备和存储介质 |
| CN117896315A (zh) * | 2024-03-12 | 2024-04-16 | 南京邮电大学 | 一种基于时间敏感网络的智能变电站混合流调度方法及系统 |
-
2022
- 2022-06-29 CN CN202210763825.3A patent/CN114977172A/zh active Pending
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115473230A (zh) * | 2022-10-09 | 2022-12-13 | 国网江苏省电力有限公司电力科学研究院 | 考虑用户侧碳排放约束的最优潮流计算方法、设备及介质 |
| CN115473230B (zh) * | 2022-10-09 | 2023-11-17 | 国网江苏省电力有限公司电力科学研究院 | 考虑用户侧碳排放约束的最优潮流计算方法、设备及介质 |
| CN116720751A (zh) * | 2023-08-07 | 2023-09-08 | 华北电力大学 | 考虑垃圾发电碳循环的综合能源系统的协同规划方法 |
| CN116720751B (zh) * | 2023-08-07 | 2023-10-27 | 华北电力大学 | 考虑垃圾发电碳循环的综合能源系统的协同规划方法 |
| CN117251280A (zh) * | 2023-08-18 | 2023-12-19 | 湖北工业大学 | 一种云资源负载均衡调度方法、装置、设备及介质 |
| CN117251280B (zh) * | 2023-08-18 | 2024-04-05 | 湖北工业大学 | 一种云资源负载均衡调度方法、装置、设备及介质 |
| CN117578627A (zh) * | 2024-01-16 | 2024-02-20 | 国网浙江省电力有限公司 | 发电调度方法、装置、电子设备和存储介质 |
| CN117578627B (zh) * | 2024-01-16 | 2024-04-16 | 国网浙江省电力有限公司 | 发电调度方法、装置、电子设备和存储介质 |
| CN117896315A (zh) * | 2024-03-12 | 2024-04-16 | 南京邮电大学 | 一种基于时间敏感网络的智能变电站混合流调度方法及系统 |
| CN117896315B (zh) * | 2024-03-12 | 2024-05-24 | 南京邮电大学 | 一种基于时间敏感网络的智能变电站混合流调度方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114977172A (zh) | 电网碳能混合流优化方法、装置、终端及存储介质 | |
| Shaheen et al. | An improved sunflower optimization algorithm-based Monte Carlo simulation for efficiency improvement of radial distribution systems considering wind power uncertainty | |
| Kayalvizhi et al. | Optimal planning of active distribution networks with hybrid distributed energy resources using grid-based multi-objective harmony search algorithm | |
| Pham et al. | Find optimal capacity and location of distributed generation units in radial distribution networks by using enhanced coyote optimization algorithm | |
| Tang et al. | Study on day-ahead optimal economic operation of active distribution networks based on Kriging model assisted particle swarm optimization with constraint handling techniques | |
| Ghasemi | Application of MOPSO for economic load dispatch solution with transmission losses | |
| CN110518591B (zh) | 一种不确定电力系统的潮流计算方法 | |
| Yuan et al. | Application of improved bat algorithm in optimal power flow problem | |
| Gurung et al. | Optimized tuning of power oscillation damping controllers using probabilistic approach to enhance small-signal stability considering stochastic time delay | |
| CN115313519A (zh) | 一种配电网储能优化配置方法、装置、设备及存储介质 | |
| Meena et al. | Modified taguchi-based approach for optimal distributed generation mix in distribution networks | |
| Wang et al. | Reactive power optimization of power system based on improved particle swarm optimization | |
| Gholami et al. | An efficient bi-objective approach for dynamic economic emission dispatch of renewable-integrated microgrids | |
| Arunsankar et al. | Optimal controller for mitigation of harmonics in hybrid shunt active power filter connected distribution system: An EGOANN technique | |
| Feshki Farahani et al. | Optimal allocation of plug‐in electric vehicle capacity to produce active, reactive and distorted powers using differential evolution based artificial bee colony algorithm | |
| Feshki Farahani et al. | An improved teaching-learning-based optimization with differential evolution algorithm for optimal power flow considering HVDC system | |
| Shahzad et al. | Optimal planning of distributed energy storage systems in active distribution networks using advanced heuristic optimization techniques | |
| Chandra Babu et al. | High-performance converters for optimal utilization of interconnected renewable energy resources: a proposed AGORNN controller | |
| CN112365193B (zh) | 考虑线路传输安全的电力市场集中式出清方法及装置 | |
| Chaudhary et al. | A chaotic Jaya algorithm for environmental economic dispatch incorporating wind and solar power. | |
| Ruiz-Rodriguez et al. | A hybrid method combining JFPSO and probabilistic three-phase load flow for improving unbalanced voltages in distribution systems with photovoltaic generators | |
| Moeini et al. | Disco planner flexible DG allocation in MV distribution networks using multi-objective optimization procedures | |
| Venkatesan et al. | Modified soccer game optimization and its application on power flow and distribution generation placement problems of distribution systems | |
| Li et al. | Optimal electric load forecasting for systems by an adaptive Crow Search Algorithm: A case study | |
| CN111106631A (zh) | 配电网的分布式无功调度方法、系统、设备及存储介质 |
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 |