CN115513999A - 一种鲸鱼算法优化新型电力系统抽水蓄能的装机容量最优规划策略及系统 - Google Patents

一种鲸鱼算法优化新型电力系统抽水蓄能的装机容量最优规划策略及系统 Download PDF

Info

Publication number
CN115513999A
CN115513999A CN202211203602.8A CN202211203602A CN115513999A CN 115513999 A CN115513999 A CN 115513999A CN 202211203602 A CN202211203602 A CN 202211203602A CN 115513999 A CN115513999 A CN 115513999A
Authority
CN
China
Prior art keywords
power
pumping
whale
pumped storage
cost
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.)
Granted
Application number
CN202211203602.8A
Other languages
English (en)
Other versions
CN115513999B (zh
Inventor
黄文涛
王宇
刘子旻
刘毅
何立勋
郑青青
叶泽力
刘宗
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.)
Hubei University of Technology
Original Assignee
Hubei 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 Hubei University of Technology filed Critical Hubei University of Technology
Priority to CN202211203602.8A priority Critical patent/CN115513999B/zh
Publication of CN115513999A publication Critical patent/CN115513999A/zh
Application granted granted Critical
Publication of CN115513999B publication Critical patent/CN115513999B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • 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
    • H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
    • H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
    • 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
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • H02J3/144—Demand-response operation of the power transmission or distribution network
    • 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
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • 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]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
    • 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
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/50—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads
    • H02J2310/56—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads characterised by the condition upon which the selective controlling is based
    • H02J2310/58—The condition being electrical
    • H02J2310/60—Limiting power consumption in the network or in one section of the network, e.g. load shedding or peak shaving
    • 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)
  • Power Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提出了一种鲸鱼算法优化新型电力系统抽水蓄能的装机容量最优规划策略及系统。在新能源高占比的新型电力系统中,抽水蓄能可弥补新能源出力的波动性和随机性带来的不足。合理根据某地区的负荷预测情况，并结合风电机组，光伏机组和火电机组的出力特性与抽水蓄能自身调峰特性，建立最大消纳新能源，减少碳排放的目标函数，通过鲸鱼优化算法模拟鲸鱼觅食的三个阶段来规划该地区不同程度新能源渗透率下的抽水蓄能装机容量，以达到清洁能源消纳，节约成本的目的。

Description

一种鲸鱼算法优化新型电力系统抽水蓄能的装机容量最优规 划策略及系统
技术领域
本发明专利涉及一种鲸鱼算法优化新型电力系统抽水蓄能的装机容量最优规划策略及系统，基于鲸鱼算法多目标决策，获得适用于所研究地区的最优抽水蓄能装机容量。
背景技术
抽水蓄能是目前最成熟，最具经济性的大规模储能设施，具有可靠、成本低廉、技术成熟等优点，抽水蓄能可弥补新能源出力的波动性和随机性带来的不足,不仅能储存能量，进行能量转换，有效减少弃光弃风，提升清洁能源利用水平。同时，削峰填谷能有节煤的效果，可减小传统火电站的运行成本，可增加系统的调峰能力，提高了新能源的利用率，减少碳排放，降低碳税成本。
在这种背景下，提出一种流程简单、全局搜索能力强，收敛速度快、跳出局部最优解能力强的启发式算法—鲸鱼算法，将新能源消纳和成本作为优化的目标，基于特定地区的负荷曲线进行分析，并结合风电机组，光伏机组，火电机组的出力特性进行不同机组的装机容量设置，根据抽水蓄能的调峰特性，最终在满足系统最大允许弃风、弃光率限值的前提下，得到不同新能源占比方案下，系统总成本最优时的抽水蓄能容量配置方案。
发明内容
本发明的目的是针对上述现状，利用鲸鱼算法来求解新型电力系统中抽水蓄能机组容量最优规划问题，本发明在不同的新能源占比方案下，根据不同机组的工作原理与特性，将鲸鱼位置的维数与抽水蓄能容量优化问题的维数相对应，在算法迭代的过程中，不断更新的鲸鱼位置即为抽水蓄能的装机容量，以此得到不同方案下的最优抽水蓄能装机容量。
为了实现上述目的，本发明主要通过以下技术方案实现的：
本发明提供了一种鲸鱼算法优化新型电力系统抽水蓄能的装机容量，包括以下步骤：
一种鲸鱼算法优化新型电力系统抽水蓄能的装机容量最优规划策略，其特征在于：包括以下步骤
根据某地区负荷数据，以全天24个时刻点得到日负荷曲线，分析负荷的变化趋势,以及各种负荷分布的时间点,可以根据曲线来规划抽水蓄能参与调峰的容量和时间点。
考虑新能源消纳和碳排放问题，将包含：弃光惩罚成本,弃风惩罚成本,碳排放成本以及抽水蓄能的抽水成本和运行成本的总成本作为目标函数。
在新型电力系统下，规划不同方案下的新能源占比，并根据不同机组特性设置约束条件，结合负荷需求，设置与之相对应的装机容量。
根据抽水蓄能电的工作原理，推导出其抽水成本及运行成本。利用鲸鱼优化算法的包围猎物、螺旋狩猎和搜索食物三个行为阶段，收敛到的个体位置为全局最优解,即为新型电力抽水蓄能装机容量最优解，此时总成本最小。
判断是否满足最大迭代次数，进而获得最佳的装机容量，若不满足，则重新循环一次；检查最优配置是否符合风机、光伏、火电以及抽水蓄能的约束条件，若符合约束条件即为最优解，输出最优容量配置方案；若不满足，重新进行循环。
在上述策略，目标函数以新型电力系统系统总成本最小为目标，表示为
C＝C1+C2+C3+C4
C1为弃光惩罚成本和弃风惩罚成本之和
Figure BDA0003872624940000031
式中：，Cw为弃风惩罚系数，Cpv为弃光惩罚系数，Pw-q(t)、Ppv-q(t) 分别为t时段弃风、弃光功率。
C2为碳排放成本：
C2＝CtaxEi(Pfi)
Ei(Pfi)＝aPfi 2+bPfi+c
a、b、c碳排放系数，Ei(Pfi)为给定时段内火电机组的碳排放量， Ctax是碳税的市场价格,取50元/t
C3为抽水蓄能电站抽水成本：
抽水蓄能的抽水功率和抽水电价与抽水成本密切相关，即
Figure BDA0003872624940000041
式中，Cpi为i时段的抽水蓄能的抽水电价，元/(MW·h)， Cpi＝0.25Ci，Ci为i时段的分时电价，元/(MW·h)；Pip为i时段抽水蓄能的抽水功率(MW)；Δt为时间间隔(h)，C4为抽水蓄能电站运行成本：
C4＝FPPp-power
Fp为抽水蓄能单位容量运行成本，Pp-power为抽水蓄能装机容量。
在上述策略，约束条件包括系统功率平衡约束、火电机组约束、风光组约束、抽水蓄能功率约束以及水库容量约束。
在上述策略，系统功率平衡约束基于以下公式：
Ph(t)+Pw(t)+Ppv(t)+Pf(t)＝PLD(t)+Pp(t)
式中：Ph(t)为抽水蓄能输出功率，Pw(t)为风力输出功率，Pf(t)为火电厂的输出功率，Ppv(t)为光伏输出功率，PLD(t)为新型电力系统负荷, PP(t)为抽水蓄能消耗功率。
火电机组约束基于以下公式：
Pfi,min≤Pfi(t)≤Pfi,max
式中：Pfi,max，Pfi,min别为第i台火电机组的最大,最小出力。
Pf(t+1)-Pf(t)≤ΔPf,upΔt
Pf(t)-Pf(t+1)≤ΔPf,downΔt
式中：ΔPf,up为火电机组的向上爬坡率，ΔPf,down为火电机组向下爬坡率；
风，光组约束基于以下公式：
0≤Ppv(t)≤Ppv-power
0≤Pw(t)≤Pw-power
抽水蓄能功率约束基于以下公式：
Figure BDA0003872624940000051
Figure BDA0003872624940000052
Figure BDA0003872624940000053
分别为抽水蓄能允许的最大、最小发电功率，
Figure BDA0003872624940000054
分别为抽水蓄能允许的最大、最小抽水功率。uh,t表示t时段抽水蓄能是否在发电,up,t表示t时段抽水蓄能是否在抽水。
抽水蓄能机组不能同时进行抽水与发电，需进行约束如下：
uh,t+up,t≤1
水库容量约束基于以下公式：
rmin≤rt≤rmax
其中，r为t时刻水库容量，rmin,rmax为水库容量上下限。
在上述策略，采用鲸鱼优化算法进行计算时，
当t<T时，自动更新参数A、C、l、p以及a。当p<0.5时，在 A<1时，根据“搜寻猎物阶段”更新鲸鱼位置，在A≥1时，根据“螺旋狩猎阶段”更新鲸鱼的位置。根据p来决定座头鲸按照哪种阶段行动，这样可以达到收缩包围和螺旋狩猎同步更新。当p≥0.5时，根据“包围猎物阶段”更新鲸鱼个体位置计算当前的总成本，记录当前座头鲸位置，对应当前方案下的最佳抽水蓄能装机容量，当t<T，则进入步骤5，若t>T则令t＝t+1，重新回到步骤3。
包围猎物：
D＝|C·Xq(t)-X(t)|
X(t+1)＝Xq(t)-A·D
式中X表示当前座头鲸位置向量，Xq为当前最佳的座头鲸位置向量，t是当前迭代次数，A和C为系数向量，表达式为：
A＝2a·r-a
C＝2r
a＝2-2t/T
式中a在迭代过程中由2线性递减至0，T为最大迭代次数，r 是满足[0，1]的随机向量。
螺旋狩猎:
X(t+1)＝D'·ebl·cos(2πl)+Xq(t)
D'＝|Xq(t)-X(t)|
式中b为常数，1是均匀分布的随机向量[-1，1]，表示如下所示:
Figure BDA0003872624940000061
搜索食物:
X(t+1)＝Xrand(t)-A·D
D＝|C·Xrand(t)-X(t)|
式中Xrand(t)表示从当前时刻抽水蓄能的装机容量。
基于Matlab仿真平台，通过鲸鱼优化算法，得到不同新能源占比方案下的抽水蓄能最佳装机容量。
一种鲸鱼算法优化新型电力系统抽水蓄能的装机容量最优规划系统，其特征在于：包括以下步骤
第一模块：被配置为根据某地区负荷数据，以全天24个时刻点得到日负荷曲线，分析负荷的变化趋势,以及各种负荷分布的时间点, 可以根据曲线来规划抽水蓄能参与调峰的容量和时间点。
第二模块：被配置为利用鲸鱼优化算法的包围猎物、螺旋狩猎和搜索食物三个行为阶段，基于设置的设置约束条件计算目标函数，输出输出最优容量配置方案。
在上述的系统，目标函数以新型电力系统系统总成本最小为目标，表示为
C＝C1+C2+C3+C4
C1为弃光惩罚成本和弃风惩罚成本之和
Figure BDA0003872624940000071
式中：，Cw为弃风惩罚系数，Cpv为弃光惩罚系数，Pw-q(t)、Ppv-q(t) 分别为t时段弃风、弃光功率。
C2为碳排放成本：
C2＝CtaxEi(Pfi)
Ei(Pfi)＝aPfi 2+bPfi+c
a、b、c碳排放系数，Ei(Pfi)为给定时段内火电机组的碳排放量， Ctax是碳税的市场价格,取50元/t
C3为抽水蓄能电站抽水成本：
抽水蓄能的抽水功率和抽水电价与抽水成本密切相关，即
Figure BDA0003872624940000072
式中，Cpi为i时段的抽水蓄能的抽水电价，元/(MW·h)，
Cpi＝0.25Ci，Ci为i时段的分时电价，元/(MW·h)；Pip为i时段抽水蓄能的抽水功率(MW)；Δt为时间间隔(h)，C4为抽水蓄能电站运行成本：
C4＝FPPp-power
Fp为抽水蓄能单位容量运行成本，Pp-power为抽水蓄能装机容量。
在上述的系统，约束条件包括系统功率平衡约束、火电机组约束、风光组约束、抽水蓄能功率约束以及水库容量约束。
在上述的系统，系统功率平衡约束基于以下公式：
Ph(t)+Pw(t)+Ppv(t)+Pf(t)＝PLD(t)+Pp(t)
式中：Ph(t)为抽水蓄能输出功率，Pw(t)为风力输出功率，Pf(t)为火电厂的输出功率，Ppv(t)为光伏输出功率，PLD(t)为新型电力系统负荷, PP(t)为抽水蓄能消耗功率。
火电机组约束基于以下公式：
Pfi,min≤Pfi(t)≤Pfi,max
式中：Pfi,max，Pfi,min别为第i台火电机组的最大,最小出力。
Pf(t+1)-Pf(t)≤ΔPf,upΔt
Pf(t)-Pf(t+1)≤ΔPf,downΔt
式中：ΔPf,up为火电机组的向上爬坡率，ΔPf,down为火电机组向下爬坡率；
风，光组约束基于以下公式：
0≤Ppv(t)≤Ppv-power
0≤Pw(t)≤Pw-power
抽水蓄能功率约束基于以下公式：
Figure BDA0003872624940000091
Figure BDA0003872624940000092
Figure BDA0003872624940000093
分别为抽水蓄能允许的最大、最小发电功率，
Figure BDA0003872624940000094
分别为抽水蓄能允许的最大、最小抽水功率。uh,t表示t时段抽水蓄能是否在发电,up,t表示t时段抽水蓄能是否在抽水。
抽水蓄能机组不能同时进行抽水与发电，需进行约束如下：
uh,t+up,t≤1
水库容量约束基于以下公式：
rmin≤rt≤rmax
其中，r为t时刻水库容量，rmin,rmax为水库容量上下限。
在上述的系统，采用鲸鱼优化算法进行计算时，
当t<T时，自动更新参数A、C、l、p以及a。当p<0.5时，在 A<1时，根据“搜寻猎物阶段”更新鲸鱼位置，在A≥1时，根据“螺旋狩猎阶段”更新鲸鱼的位置。根据p来决定座头鲸按照哪种阶段行动，这样可以达到收缩包围和螺旋狩猎同步更新。当p≥0.5时，根据“包围猎物阶段”更新鲸鱼个体位置计算当前的总成本，记录当前座头鲸位置，对应当前方案下的最佳抽水蓄能装机容量，当t<T，则进入步骤5，若t>T则令t＝t+1，重新回到步骤3。
包围猎物：
D＝|C·Xq(t)-X(t)|
X(t+1)＝Xq(t)-A·D
式中X表示当前座头鲸位置向量，Xq为当前最佳的座头鲸位置向量，t是当前迭代次数，A和C为系数向量，表达式为：
A＝2a·r-a
C＝2r
a＝2-2t/T
式中a在迭代过程中由2线性递减至0，T为最大迭代次数，r 是满足[0，1]的随机向量。
螺旋狩猎:
X(t+1)＝D'·ebl·cos(2πl)+Xq(t)
D'＝|Xq(t)-X(t)|
式中b为常数，1是均匀分布的随机向量[-1，1]，表示如下所示:
Figure BDA0003872624940000101
搜索食物:
X(t+1)＝Xrand(t)-A·D
D＝|C·Xrand(t)-X(t)|
式中Xrand(t)表示从当前时刻抽水蓄能的装机容量。
基于Matlab仿真平台，通过鲸鱼优化算法，得到不同新能源占比方案下的抽水蓄能最佳装机容量。
基于Matlab仿真平台，通过鲸鱼优化算法，得到不同新能源占比方案下的抽水蓄能最佳装机容量。
随着大规模风电、光伏并网,导致系统负荷峰谷差增加，系统总调峰成本增加。
本发明为解决高渗透率的新能源消纳问题，通过对风电、光伏、火电出力特性进行分析，综合考虑弃风弃光惩罚成本，碳排放成本，结合抽水蓄能工况转换特性等因素，建立用于研究新能源电力系统下，不同渗透比例新能源的最优抽水蓄能容量最优规划策略。通过鲸鱼优化算法模拟鲸鱼觅食的三个阶段进行求解该地区抽水蓄能装机容量，为实现最大化清洁能源消纳，节约成本的目的。
附图说明
图1是某地区的日负荷曲线。
图2是风光出力预测曲线图。
图3是鲸鱼算法流程图。
图4是不同方案下的抽水蓄能最佳装机容量。
具体实施方式
本发明专利提出了一种基于鲸鱼优化算法的新型电力系统中抽水蓄能机组容量最优规划策略。在新能源高占比的新型电力系统中,抽水蓄能可弥补新能源出力的波动性和随机性带来的不足。合理根据某地区的负荷预测情况，并结合风电机组，光伏机组和火电机组的出力特性与抽水蓄能自身调峰特性，建立最大消纳新能源，减少碳排放的目标函数，通过鲸鱼优化算法模拟鲸鱼觅食的三个阶段来规划该地区不同程度新能源渗透率下的抽水蓄能装机容量，以达到清洁能源消纳，节约成本的目的。
实施例
本发明的技术方案主要是在不同的新能源占比方案下，根据不同机组的工作原理与特性，将鲸鱼位置的维数与抽水蓄能容量优化问题的维数相对应，在算法迭代的过程中，不断更新的鲸鱼位置即为抽水蓄能的装机容量，以此得到不同方案下的最优抽水蓄能装机容量。
一、首先介绍本发明的原理。
步骤1：根据某地区负荷数据，以全天24个时刻点得到日负荷曲线，分析负荷的变化趋势,以及各种负荷分布的时间点,可以根据曲线来规划抽水蓄能参与调峰的容量和时间点。
步骤2：考虑新能源消纳和碳排放问题，将包含：弃光惩罚成本, 弃风惩罚成本,碳排放成本以及抽水蓄能的抽水成本和运行成本的总成本作为目标函数。
步骤3：在新型电力系统下，规划不同方案下的新能源占比，并根据不同机组特性设置约束条件，结合负荷需求，设置与之相对应的装机容量。
步骤4：根据抽水蓄能电的工作原理，推导出其抽水成本及运行成本。利用鲸鱼优化算法的包围猎物、螺旋狩猎和搜索食物三个行为阶段，收敛到的个体位置为全局最优解,即为新型电力抽水蓄能装机容量最优解，此时总成本最小。
步骤5：判断是否满足最大迭代次数，进而获得最佳的装机容量，若不满足，则重新循环一次；检查最优配置是否符合风机、光伏、火电以及抽水蓄能的约束条件，若符合约束条件即为最优解，输出最优容量配置方案；若不满足，重新进行循环。
进一步的，步骤2具体过程为：
新型电力系统系统总成本最小为目标，目标函数可表示为
C＝C1+C2+C3+C4
C1为弃光惩罚成本和弃风惩罚成本之和
Figure BDA0003872624940000131
式中：，Cw为弃风惩罚系数，Cpv为弃光惩罚系数，Pw-q(t)、Ppv-q(t) 分别为t时段弃风、弃光功率。
C2为碳排放成本：
C2＝CtaxEi(Pfi)
Ei(Pfi)＝aPfi 2+bPfi+c
a、b、c碳排放系数，Ei(Pfi)为给定时段内火电机组的碳排放量， Ctax是碳税的市场价格,取50元/t
C3为抽水蓄能电站抽水成本：
抽水蓄能的抽水功率和抽水电价与抽水成本密切相关，即
Figure BDA0003872624940000132
式中，Cpi为i时段的抽水蓄能的抽水电价，元/(MW·h)， Cpi＝0.25Ci，Ci为i时段的分时电价，元/(MW·h)；Pip为i时段抽水蓄能的抽水功率(MW)，；Δt为时间间隔(h)，抽水电价如表所示
Figure BDA0003872624940000133
Figure BDA0003872624940000141
C4为抽水蓄能电站运行成本：
C4＝FPPp-power
Fp为抽水蓄能单位容量运行成本，Pp-power为抽水蓄能装机容量
进一步的，步骤2具体过程为：
系统功率平衡约束
Ph(t)+Pw(t)+Ppv(t)+Pf(t)＝PLD(t)+Pp(t)
式中：Ph(t)为抽水蓄能输出功率，Pw(t)为风力输出功率，Pf(t)为火电厂的输出功率，Ppv(t)为光伏输出功率，PLD(t)为新型电力系统负荷, PP(t)为抽水蓄能消耗功率。
火电机组约束
Pfi,min≤Pfi(t)≤Pfi,max
式中：Pfi,max，Pfi,min别为第i台火电机组的最大,最小出力。
Pf(t+1)-Pf(t)≤ΔPf,upΔt
Pf(t)-Pf(t+1)≤ΔPf,downΔt
式中：ΔPf,up为火电机组的向上爬坡率，ΔPf,down为火电机组向下爬坡率；
风，光组约束
0≤Ppv(t)≤Ppv-power
0≤Pw(t)≤Pw-power
抽水蓄能功率约束
Figure BDA0003872624940000151
Figure BDA0003872624940000152
Figure BDA0003872624940000153
分别为抽水蓄能允许的最大、最小发电功率，
Figure BDA0003872624940000154
分别为抽水蓄能允许的最大、最小抽水功率。uh,t表示t时段抽水蓄能是否在发电,up,t表示t时段抽水蓄能是否在抽水。
抽水蓄能机组不能同时进行抽水与发电，需进行约束如下：
uh,t+up,t≤1
水库容量约束:
rmin≤rt≤rmax
其中，r为t时刻水库容量，rmin,rmax为水库容量上下限。
进一步的，步骤4具体过程为：
当t<T时，自动更新参数A、C、l、p以及a。当p<0.5时，在 A<1时，根据“搜寻猎物阶段”更新鲸鱼位置，在A≥1时，根据“螺旋狩猎阶段”更新鲸鱼的位置。根据p来决定座头鲸按照哪种阶段行动，这样可以达到收缩包围和螺旋狩猎同步更新。当p≥0.5时，根据“包围猎物阶段”更新鲸鱼个体位置计算当前的总成本，记录当前座头鲸位置，对应当前方案下的最佳抽水蓄能装机容量，当t<T，则进入步骤5，若t>T则令t＝t+1，重新回到步骤3。
包围猎物：
D＝|C·Xq(t)-X(t)|
X(t+1)＝Xq(t)-A·D
式中X表示当前座头鲸位置向量，Xq为当前最佳的座头鲸位置向量，t是当前迭代次数，A和C为系数向量，表达式为：
A＝2a·r-a
C＝2r
a＝2-2t/T
式中a在迭代过程中由2线性递减至0，T为最大迭代次数，r 是满足[0，1]的随机向量。
螺旋狩猎:
X(t+1)＝D'·ebl·cos(2πl)+Xq(t)
D'＝|Xq(t)-X(t)|
式中b为常数，1是均匀分布的随机向量[-1，1]，表示如下所示:
Figure BDA0003872624940000161
搜索食物:
X(t+1)＝Xrand(t)-AD
D＝|C·Xrand(t)-X(t)|
式中Xrand(t)表示从当前时刻抽水蓄能的装机容量。
基于Matlab仿真平台，通过鲸鱼优化算法，得到不同新能源占比方案下的抽水蓄能最佳装机容量。
二、下面为验证本实施例所述的新型电力系统中抽水蓄能机组容量最优规划，
选取了含风电、光伏、火电、抽水蓄能的电网作为算例，并制定不同程度新能源占比的方案，通过鲸鱼算法进行优化得出抽水蓄能最佳容量配置
表1为不同能源容量配比场景
Figure BDA0003872624940000171
图1为某地的日负荷曲线，由图1可知，负荷在10:00～22:00时段为用电高峰时段，23:00～09:00时段负荷较低且较为平稳。
图2为某地风电、光电日出力曲线，由图2可知，光伏出力会受到太阳光照的影响，发电集中在白天，具有正调峰特性。风电发电波动性较大，晚间风速大，发电功率大于午间，具有反调峰特性。
仿真结果分析：
表2为不同方案下鲸鱼算法优化出的抽水蓄能最佳装机容量以及与之对应的最小当日成本
Figure BDA0003872624940000172
Figure BDA0003872624940000181
以方案二为例，在新能源渗透比例为50％(风电场384WM，光伏151WM，火电厂450WM)配置下，当抽水蓄能的装机容量为104WM时，成本达到最小2309879元。当抽水蓄能的装机容量为106WM时，弃风弃光成本减小，而抽水成本增加，当日成本为231366元，相较与1004WM装机容量时小幅增加。当抽水蓄能装机容量为100WM时，弃风弃光惩罚成本增大，抽水成本减小，当日的总成本为2307650元，虽然成本更加低廉，但由于新能源发电的波动性，当处于夜间时无法满足供电需求，所以综上所述，在此方案下的新能源配比下，抽水蓄能的最佳容量为104WM.
仿真结果表明，本发明提出的基于鲸鱼优化算法的新型电力系统中抽水蓄能机组容量规划策略能有效地提高新能源的利用率，减少碳排放，降低总成本。

Claims (10)

1.一种鲸鱼算法优化新型电力系统抽水蓄能的装机容量最优规划策略，其特征在于：包括以下步骤
根据某地区负荷数据，以全天24个时刻点得到日负荷曲线，分析负荷的变化趋势,以及各种负荷分布的时间点,可以根据曲线来规划抽水蓄能参与调峰的容量和时间点；
考虑新能源消纳和碳排放问题，将包含：弃光惩罚成本,弃风惩罚成本,碳排放成本以及抽水蓄能的抽水成本和运行成本的总成本作为目标函数；
在新型电力系统下，规划不同方案下的新能源占比，并根据不同机组特性设置约束条件，结合负荷需求，设置与之相对应的装机容量；
根据抽水蓄能电的工作原理，推导出其抽水成本及运行成本；利用鲸鱼优化算法的包围猎物、螺旋狩猎和搜索食物三个行为阶段，收敛到的个体位置为全局最优解,即为新型电力抽水蓄能装机容量最优解，此时总成本最小；
判断是否满足最大迭代次数，进而获得最佳的装机容量，若不满足，则重新循环一次；检查最优配置是否符合风机、光伏、火电以及抽水蓄能的约束条件，若符合约束条件即为最优解，输出最优容量配置方案；若不满足，重新进行循环。
2.根据权利要求1所述的鲸鱼算法优化新型电力系统抽水蓄能的装机容量最优规划策略，其特征在于：目标函数以新型电力系统系统总成本最小为目标，表示为
C＝C1+C2+C3+C4
C1为弃光惩罚成本和弃风惩罚成本之和
Figure FDA0003872624930000021
式中：，Cw为弃风惩罚系数，Cpv为弃光惩罚系数，Pw-q(t)、Ppv-q(t)分别为t时段弃风、弃光功率；
C2为碳排放成本：
C2＝CtaxEi(Pfi)
Ei(Pfi)＝aPfi 2+bPfi+c
a、b、c碳排放系数，Ei(Pfi)为给定时段内火电机组的碳排放量，Ctax是碳税的市场价格,取50元/t
C3为抽水蓄能电站抽水成本：
抽水蓄能的抽水功率和抽水电价与抽水成本密切相关，即
Figure FDA0003872624930000022
式中，Cpi为i时段的抽水蓄能的抽水电价，元/(MW·h)，Cpi＝0.25Ci，Ci为i时段的分时电价，元/(MW·h)；Pip为i时段抽水蓄能的抽水功率(MW)；Δt为时间间隔(h)，C4为抽水蓄能电站运行成本：
C4＝FPPp-power
Fp为抽水蓄能单位容量运行成本，Pp-power为抽水蓄能装机容量。
3.根据权利要求1所述的鲸鱼算法优化新型电力系统抽水蓄能的装机容量最优规划策略，其特征在于：约束条件包括系统功率平衡约束、火电机组约束、风光组约束、抽水蓄能功率约束以及水库容量约束。
4.根据权利要求1所述的鲸鱼算法优化新型电力系统抽水蓄能的装机容量最优规划策略，其特征在于：系统功率平衡约束基于以下公式：
Ph(t)+Pw(t)+Ppv(t)+Pf(t)＝PLD(t)+Pp(t)
式中：Ph(t)为抽水蓄能输出功率，Pw(t)为风力输出功率，Pf(t)为火电厂的输出功率，Ppv(t)为光伏输出功率，PLD(t)为新型电力系统负荷,PP(t)为抽水蓄能消耗功率；
火电机组约束基于以下公式：
Pfi,min≤Pfi(t)≤Pfi,max
式中：Pfi,max，Pfi,min别为第i台火电机组的最大,最小出力；
Pf(t+1)-Pf(t)≤ΔPf,upΔt
Pf(t)-Pf(t+1)≤ΔPf,downΔt
式中：ΔPf,up为火电机组的向上爬坡率，ΔPf,down为火电机组向下爬坡率；
风，光组约束基于以下公式：
0≤Ppv(t)≤Ppv-power
0≤Pw(t)≤Pw-power
抽水蓄能功率约束基于以下公式：
Figure FDA0003872624930000031
Figure FDA0003872624930000032
Figure FDA0003872624930000033
分别为抽水蓄能允许的最大、最小发电功率，
Figure FDA0003872624930000034
分别为抽水蓄能允许的最大、最小抽水功率；uh,t表示t时段抽水蓄能是否在发电,up,t表示t时段抽水蓄能是否在抽水；
抽水蓄能机组不能同时进行抽水与发电，需进行约束如下：
uh,t+up,t≤1
水库容量约束基于以下公式：
rmin≤rt≤rmax
其中，r为t时刻水库容量，rmin,rmax为水库容量上下限。
5.根据权利要求1所述的鲸鱼算法优化新型电力系统抽水蓄能的装机容量最优规划策略，其特征在于：采用鲸鱼优化算法进行计算时，
当t<T时，自动更新参数A、C、l、p以及a；当p<0.5时，在A<1时，根据“搜寻猎物阶段”更新鲸鱼位置，在A≥1时，根据“螺旋狩猎阶段”更新鲸鱼的位置；根据p来决定座头鲸按照哪种阶段行动，这样可以达到收缩包围和螺旋狩猎同步更新；当p≥0.5时，根据“包围猎物阶段”更新鲸鱼个体位置计算当前的总成本，记录当前座头鲸位置，对应当前方案下的最佳抽水蓄能装机容量，当t<T，则进入步骤5，若t>T则令t＝t+1，重新回到步骤3；
包围猎物：
D＝|C·Xq(t)-X(t)|
X(t+1)＝Xq(t)-A·D
式中X表示当前座头鲸位置向量，Xq为当前最佳的座头鲸位置向量，t是当前迭代次数，A和C为系数向量，表达式为：
A＝2a·r-a
C＝2r
a＝2-2t/T
式中a在迭代过程中由2线性递减至0，T为最大迭代次数，r是满足[0，1]的随机向量；
螺旋狩猎:
X(t+1)＝D'·ebl·cos(2πl)+Xq(t)
D'＝|Xq(t)-X(t)|
式中b为常数，1是均匀分布的随机向量[-1，1]，表示如下所示:
Figure FDA0003872624930000051
搜索食物:
X(t+1)＝Xrand(t)-A·D
D＝|C·Xrand(t)-X(t)|
式中Xrand(t)表示从当前时刻抽水蓄能的装机容量；
基于Matlab仿真平台，通过鲸鱼优化算法，得到不同新能源占比方案下的抽水蓄能最佳装机容量。
6.一种鲸鱼算法优化新型电力系统抽水蓄能的装机容量最优规划系统，其特征在于：包括以下步骤
第一模块：被配置为根据某地区负荷数据，以全天24个时刻点得到日负荷曲线，分析负荷的变化趋势,以及各种负荷分布的时间点,可以根据曲线来规划抽水蓄能参与调峰的容量和时间点；
第二模块：被配置为利用鲸鱼优化算法的包围猎物、螺旋狩猎和搜索食物三个行为阶段，基于设置的设置约束条件计算目标函数，输出输出最优容量配置方案。
7.根据权利要求6所述的系统，其特征在于：目标函数以新型电力系统系统总成本最小为目标，表示为
C＝C1+C2+C3+C4
C1为弃光惩罚成本和弃风惩罚成本之和
Figure FDA0003872624930000061
式中：，Cw为弃风惩罚系数，Cpv为弃光惩罚系数，Pw-q(t)、Ppv-q(t)分别为t时段弃风、弃光功率；
C2为碳排放成本：
C2＝CtaxEi(Pfi)
Ei(Pfi)＝aPfi 2+bPfi+c
a、b、c碳排放系数，Ei(Pfi)为给定时段内火电机组的碳排放量，Ctax是碳税的市场价格,取50元/t
C3为抽水蓄能电站抽水成本：
抽水蓄能的抽水功率和抽水电价与抽水成本密切相关，即
Figure FDA0003872624930000062
式中，Cpi为i时段的抽水蓄能的抽水电价，元/(MW·h)，Cpi＝0.25Ci，Ci为i时段的分时电价，元/(MW·h)；Pip为i时段抽水蓄能的抽水功率(MW)；Δt为时间间隔(h)，C4为抽水蓄能电站运行成本：
C4＝FPPp-power
Fp为抽水蓄能单位容量运行成本，Pp-power为抽水蓄能装机容量。
8.根据权利要求6所述的系统，其特征在于：约束条件包括系统功率平衡约束、火电机组约束、风光组约束、抽水蓄能功率约束以及水库容量约束。
9.根据权利要求8所述的系统，其特征在于：系统功率平衡约束基于以下公式：
Ph(t)+Pw(t)+Ppv(t)+Pf(t)＝PLD(t)+Pp(t)
式中：Ph(t)为抽水蓄能输出功率，Pw(t)为风力输出功率，Pf(t)为火电厂的输出功率，Ppv(t)为光伏输出功率，PLD(t)为新型电力系统负荷,PP(t)为抽水蓄能消耗功率；
火电机组约束基于以下公式：
Pfi,min≤Pfi(t)≤Pfi,max
式中：Pfi,max，Pfi,min别为第i台火电机组的最大,最小出力；
Pf(t+1)-Pf(t)≤ΔPf,upΔt
Pf(t)-Pf(t+1)≤ΔPf,downΔt
式中：ΔPf,up为火电机组的向上爬坡率，ΔPf,down为火电机组向下爬坡率；
风，光组约束基于以下公式：
0≤Ppv(t)≤Ppv-power
0≤Pw(t)≤Pw-power
抽水蓄能功率约束基于以下公式：
Figure FDA0003872624930000071
Figure FDA0003872624930000081
Figure FDA0003872624930000082
分别为抽水蓄能允许的最大、最小发电功率，
Figure FDA0003872624930000083
分别为抽水蓄能允许的最大、最小抽水功率；uh,t表示t时段抽水蓄能是否在发电,up,t表示t时段抽水蓄能是否在抽水；
抽水蓄能机组不能同时进行抽水与发电，需进行约束如下：
uh,t+up,t≤1
水库容量约束基于以下公式：
rmin≤rt≤rmax
其中，r为t时刻水库容量，rmin,rmax为水库容量上下限。
10.根据权利要求8所述的系统，其特征在于：采用鲸鱼优化算法进行计算时，
当t<T时，自动更新参数A、C、l、p以及a；当p<0.5时，在A<1时，根据“搜寻猎物阶段”更新鲸鱼位置，在A≥1时，根据“螺旋狩猎阶段”更新鲸鱼的位置；根据p来决定座头鲸按照哪种阶段行动，这样可以达到收缩包围和螺旋狩猎同步更新；当p≥0.5时，根据“包围猎物阶段”更新鲸鱼个体位置计算当前的总成本，记录当前座头鲸位置，对应当前方案下的最佳抽水蓄能装机容量，当t<T，则进入步骤5，若t>T则令t＝t+1，重新回到步骤3；
包围猎物：
D＝|C·Xq(t)-X(t)|
X(t+1)＝Xq(t)-A·D
式中X表示当前座头鲸位置向量，Xq为当前最佳的座头鲸位置向量，t是当前迭代次数，A和C为系数向量，表达式为：
A＝2a·r-a
C＝2r
a＝2-2t/T
式中a在迭代过程中由2线性递减至0，T为最大迭代次数，r是满足[0，1]的随机向量；
螺旋狩猎:
X(t+1)＝D'·ebl·cos(2πl)+Xq(t)
D'＝|Xq(t)-X(t)|
式中b为常数，1是均匀分布的随机向量[-1，1]，表示如下所示:
Figure FDA0003872624930000091
搜索食物:
X(t+1)＝Xrand(t)-AD
D＝|C·Xrand(t)-X(t)|
式中Xrand(t)表示从当前时刻抽水蓄能的装机容量；
基于Matlab仿真平台，通过鲸鱼优化算法，得到不同新能源占比方案下的抽水蓄能最佳装机容量。
CN202211203602.8A 2022-09-29 2022-09-29 一种鲸鱼算法优化电力系统抽水蓄能的装机容量最优规划策略及系统 Active CN115513999B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211203602.8A CN115513999B (zh) 2022-09-29 2022-09-29 一种鲸鱼算法优化电力系统抽水蓄能的装机容量最优规划策略及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211203602.8A CN115513999B (zh) 2022-09-29 2022-09-29 一种鲸鱼算法优化电力系统抽水蓄能的装机容量最优规划策略及系统

Publications (2)

Publication Number Publication Date
CN115513999A true CN115513999A (zh) 2022-12-23
CN115513999B CN115513999B (zh) 2023-07-18

Family

ID=84507372

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211203602.8A Active CN115513999B (zh) 2022-09-29 2022-09-29 一种鲸鱼算法优化电力系统抽水蓄能的装机容量最优规划策略及系统

Country Status (1)

Country Link
CN (1) CN115513999B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102013208338A1 (de) * 2013-05-07 2014-11-13 Robert Bosch Gmbh Antriebssystem mit Energiespeichereinrichtung und Transversalflussmaschine und Verfahren zum Betreiben einer Transversalflussmaschine
CN104795846A (zh) * 2015-04-24 2015-07-22 清华大学 一种抽水蓄能电站与风电的联合系统的优化运行方法
CN106230028A (zh) * 2016-09-08 2016-12-14 安徽电气工程职业技术学院 一种风电—抽水蓄能联合系统的多目标优化方法
CN110932261A (zh) * 2019-11-27 2020-03-27 国网辽宁省电力有限公司经济技术研究院 一种基于全局效益最大化的多能源系统联合装机规划方法
CN111598295A (zh) * 2020-04-13 2020-08-28 中国电建集团贵阳勘测设计研究院有限公司 促进风电消纳的电力系统抽水蓄能电站装机优化方法
CN112670984A (zh) * 2020-12-16 2021-04-16 广州大学 一种基于改进鲸鱼算法的电力系统经济负荷分配方法
CN113013928A (zh) * 2021-04-13 2021-06-22 上海电机学院 一种风-火-抽蓄联合系统的优化调度方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102013208338A1 (de) * 2013-05-07 2014-11-13 Robert Bosch Gmbh Antriebssystem mit Energiespeichereinrichtung und Transversalflussmaschine und Verfahren zum Betreiben einer Transversalflussmaschine
CN104795846A (zh) * 2015-04-24 2015-07-22 清华大学 一种抽水蓄能电站与风电的联合系统的优化运行方法
CN106230028A (zh) * 2016-09-08 2016-12-14 安徽电气工程职业技术学院 一种风电—抽水蓄能联合系统的多目标优化方法
CN110932261A (zh) * 2019-11-27 2020-03-27 国网辽宁省电力有限公司经济技术研究院 一种基于全局效益最大化的多能源系统联合装机规划方法
CN111598295A (zh) * 2020-04-13 2020-08-28 中国电建集团贵阳勘测设计研究院有限公司 促进风电消纳的电力系统抽水蓄能电站装机优化方法
CN112670984A (zh) * 2020-12-16 2021-04-16 广州大学 一种基于改进鲸鱼算法的电力系统经济负荷分配方法
CN113013928A (zh) * 2021-04-13 2021-06-22 上海电机学院 一种风-火-抽蓄联合系统的优化调度方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张国斌 等: "风-光-水-火-抽蓄联合发电系统日前优化调度研究", 太阳能学报, vol. 41, no. 08, pages 79 - 85 *
陈煌 等: "基于碳交易的含大规模光伏发电系统中抽水蓄能优化调度", 电子器件, vol. 43, no. 03, pages 569 - 573 *

Also Published As

Publication number Publication date
CN115513999B (zh) 2023-07-18

Similar Documents

Publication Publication Date Title
CN105048516B (zh) 一种风光水火多源互补优化调度方法
CN111860937B (zh) 基于改进多目标灰狼算法的冷热电联供型微电网优化方法
CN107732949B (zh) 一种综合风电全年多季节特性的储能布点定容方法
CN109103929B (zh) 基于改进动态克里丝金模型的配电网经济优化调度方法
CN110084465B (zh) 基于储能的风力发电系统成本/供电可靠性评估方法
CN111313480B (zh) 一种基于多目标寻优的多能互补系统的设计方法
CN110601260B (zh) 一种限定联络线上功率波动的光-蓄系统容量优化方法
CN112600209A (zh) 一种含潮流能的海岛独立微电网容量多目标优化配置方法
CN115940207A (zh) 基于平抑风光波动的抽水蓄能容量优化配置方法
CN115940292A (zh) 基于圆圈搜索算法的含风储电力系统优化调度方法及系统
CN116402210A (zh) 一种综合能源系统多目标优化方法、系统、设备和介质
CN116826729A (zh) 计及风、光不确定性的多源联合系统鲁棒优化配置方法
CN113435659B (zh) 基于场景分析的综合能源系统两阶段优化运行方法及系统
CN113708416A (zh) 一种风光火抽蓄的智能电力调度方法
CN112636340A (zh) 一种风电-抽水蓄能联合发电系统优化运行方法
CN111798035A (zh) 一种基于改进型引力搜索算法的独立微网系统容量规划方法
CN115513999B (zh) 一种鲸鱼算法优化电力系统抽水蓄能的装机容量最优规划策略及系统
CN116131303A (zh) 基于蓄能-储能-光伏电池的综合能源系统协同优化方法
CN116979578A (zh) 一种风光水火储的电气热三联产优化调度方法和系统
CN115940284B (zh) 一种考虑分时电价的新能源制氢系统的运行控制策略
CN110991927A (zh) 提高区域电网不同地区间歇性电源互补效果的电源规划方法
CN116418013A (zh) 风-光-抽水蓄能联合系统多目标优化方法及系统
CN109635999A (zh) 一种基于粒子群-细菌觅食的水电站调度方法及系统
CN112767189B (zh) 一种计及风电并网下电网灵活性评估方法
CN116484553B (zh) 一种考虑多能互补的微电网优化设计方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant