CN115577864A - 基于多模型组合运算的配网运行优化调度方法 - Google Patents

基于多模型组合运算的配网运行优化调度方法 Download PDF

Info

Publication number
CN115577864A
CN115577864A CN202211567516.5A CN202211567516A CN115577864A CN 115577864 A CN115577864 A CN 115577864A CN 202211567516 A CN202211567516 A CN 202211567516A CN 115577864 A CN115577864 A CN 115577864A
Authority
CN
China
Prior art keywords
value
optimal
target value
output
wind
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
CN202211567516.5A
Other languages
English (en)
Other versions
CN115577864B (zh
Inventor
崔建业
陈文通
马坤隆
任广振
徐建平
俞伟
贾昕宁
柳延洪
寿政
张宇辉
沈思琪
吕勤
何骏伟
李靖楠
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.)
Hangzhou Youth Information Technology Co ltd
Jinhua Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Hangzhou Youth Information Technology Co ltd
Jinhua Power Supply Co of State Grid Zhejiang 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 Hangzhou Youth Information Technology Co ltd, Jinhua Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical Hangzhou Youth Information Technology Co ltd
Priority to CN202211567516.5A priority Critical patent/CN115577864B/zh
Publication of CN115577864A publication Critical patent/CN115577864A/zh
Application granted granted Critical
Publication of CN115577864B publication Critical patent/CN115577864B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas 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
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of 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
    • 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
    • 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
    • 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
    • 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

Abstract

本发明公开了基于多模型组合运算的配网运行优化调度方法，包括：S1、根据历史风光机组出力值、火电出力值、负载值以及充放电值构建修正调度策略组合；S2、构建目标函数；S3、采用模糊自适应粒子群模型计算目标函数；S4、获取群体最优值；S5、构建第一数据集合和第二数据集合；S6、构建第一神经网络模型，得到第一权值集合，构建第二数据集合、得到第二权值集合；S7、基于实时变量值得到最优目标值；S8、基于第一目标参数得到群体的第一预期目标值；S9、将第一目标参数代入模糊自适应粒子群模型得到第二预期目标值；S10、根据第一预期目标值和第二预期目标值确定最优调度策略。本方案极大的缩减了粒子群寻优的时间，提高了寻优的准确可靠性。

Description

基于多模型组合运算的配网运行优化调度方法
技术领域
本发明涉及数据处理技术领域，具体的，涉及基于多模型组合运算的配网运行优化调度方法。
背景技术
对于配电网中各种降损措施的研究上，最有效的是对于电力调度运行方式进行优化。电力调度运行方式通过开合网络中的分段开关改变网络的拓扑结构，从而改变网络中的潮流分布达到降低线损的目的。运行优化问题在数学上是一个非线性的最优化问题，最初，国内外的研究学者大都采用传统的最优化方法，例如线性规划，非线性规划，动态规划等解决配网运行优化问题。新的解决运行方式优化问题的方法主要集中在基于人工智能（Artificial Intelligence AI）算法方面，包括：遗传算法（Genetic Algorithm GA），人工神经网络（Artificial Neutral Network ANN）和专家系统（Expert System ES）等。
基于人工智能算法的电力优化调度方式比传统的方法具有更快的计算速度，但是由于优化的同时要进行配网重构的复杂性，基于现有常规计算机的算力，计算速度还是不能满足实时运行的要求，因此当前运行方式优化的计算只局限于应用在网络规划中。
现有技术中，中国专利，公开号：CN101888090A，公开了基于能量法的静态无功补偿装置及控制方法，采用基于模糊控制理论的改进粒子群智能算法从而有效地避免了算法陷入局部最优，未能兼顾实际中更需要考虑的系统网损、平均电压水平及节点总谐波电压畸变率等多目标下的优化，使得分布式电源的优化配置计算缺乏多样性和灵活性；
公开号：CN113036774A，公开了一种配电网无功补偿优化方法及装置，通过改进后的免疫粒子群法求解配电网无功优化模型，在保证抗体粒子多样性的同时，提升了算法迭代速度，但是并未考虑柔性负荷协调成本的影响，且优化模型较为复杂，优化配置计算方案和计算结果缺乏工程实际应用性；
公开号：CN108198091A，公开了一种基于改进粒子群算法的风电系统无功优化方法，基于建立的电网无功优化模型，以电网中控制无功优化的若干变量构建种群规模，采用有效群体利用策略的粒子群优化算法，更新粒子位置，用当前群体中粒子位置作为粒子的初始位置进行迭代，输出最优节点电压及有功网损。该方案虽然可以在一定程度上减少粒子群的寻优时间，但粒子群的寻优结果和收敛速度并不理想；由于粒子群的寻优结果和收敛速度主要取决于两方面的因素，一方面和运算单元本身的算力有关；另一方面还与粒子群的种群数量以及初始化参数有关，而现有技术缺乏对粒子群本身的寻优结果和各初始化参数的耦合分析，导致粒子群的初始化参数和种群规模都是随机设置的，缺乏有针对性的设计过程；这样势必会导致寻优过程较长，收敛效果不佳的问题。
在所述背景技术部分公开的上述信息仅用于加强对本申请的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本发明的目的是解决现有方案中采用人工智能算法解决电力优化调度问题时的缺乏对算法本身参数的耦合分析，导致算法收敛时长过长以及寻优效果不佳的问题，提出了基于多模型组合运算的配网运行优化调度方法，根据历史调度方案构建修正调度策略组合，基于修正调度策略组合构建日运行成本最小的目标函数，通过粒子群算法对修正调度策略组合进行分析，获取每一组初始粒子的群体最优值，通过第一神经网络模型和第二神经网络模型对粒子群的实时变量、可调参数、对应的群体最优值进行耦合分析，找到各个因素之间的内在联系；基于实际情形结合耦合分析结果，选择最优的初始化粒子，极大的缩减了粒子群寻优的时间，提高了寻优的准确可靠性。
本发明实施例中提供的一种技术方案是，基于多模型组合运算的配网运行优化调度方法，包括如下步骤：
S1、根据长时间序列上的历史风光机组出力值、火电出力值、需求侧的负载值以及储能侧的充放电值构建优化调度策略组合，以负载值作为优先项对优化调度策略组合进行优先级排序得到修正调度策略组合；
S2、构建基于修正调度策略组合的日运行成本最小的目标函数；
S3、以修正调度策略组合作为种群规模，采用模糊自适应粒子群模型计算目标函数；
S4、依次获取每一次搜索时初始粒子所对应群体最优值以及群体最优值对应的可调参数；
S5、获取每一个初始粒子中的风光机组出力值和负载值及其对应的群体最优值构建第一数据集合；获取每一个初始粒子所对应群体最优值对应的可调参数构建第二数据集合；
S6、构建输入为第一数据集合、输出为第二数据集合的第一神经网络模型，得到第一权值集合；
同步的，构建输入为第二数据集合、输出为群体最优值的第二神经网络模型，得到第二权值集合；
S7、获取实时风光机组出力值和对应的实时负载值，分别计算实时风光机组出力值对应的第一目标值、实时负载值对应的第二目标值，取第一目标值和第二目标值中最小值作为最优目标值；
S8、根据最优目标值、实时风光机组出力值、实时负载值以及对应的第一权值集合得到第一目标参数；
同步的，根据第一目标参数、对应的第二权值集合得到群体的第一预期目标值；
S9、将第一目标参数代入模糊自适应粒子群模型，获取群体的第二预期目标值；
S10、根据第一预期目标值和第二预期目标值确定最优调度策略。
本方案中，首先，根据历史调度方案构建修正调度策略组合，然后基于修正调度策略组合构建日运行成本最小的目标函数，将修正调度策略组合的组合数量作为粒子群的种群规模，通过粒子群算法对修正调度策略组合进行分析，获取每一组初始粒子的群体最优值，通过第一神经网络模型和第二神经网络模型对粒子群的实时变量、可调参数、对应的群体最优值进行耦合分析，找到各个因素之间的内在联系，即本申请中的第一权值集合和第二权重集合；针对具体的情形，获取实时变量，本申请中的实时变量为风光机组出力值和对应的实时负载值，至于储能侧的充放电值和火电出力值都是配合实时变量进行调整的值，是参与本申请后续电力调度的组成部分，但通过对需求侧（负荷值）和可再生能源侧（风光机组出力值）进行分析，可以在保证电力用户满意度的同时，进一步提高电力系统经济运行；因此本申请将实时变量与粒子群各个参数进行强关联性的耦合分析，就可以匹配到最佳的初始化参数，极大的缩减了粒子群寻优的时间，同时，为了提高了寻优结果的准确可靠性，本申请采用了通过第一神经网络模型获取得到的第一目标参数；将第一目标参数作为第二神经网络模型的输入获取第一预期目标值，将第一目标参数作为模糊自适应粒子群模型的初始输入，得到第二预期目标值，通过比较第一预期目标值和第二预期目标值的大小进一步选择最合适的初始化参数值，可以进一步提高模型寻优结果的准确可靠性。
作为优选，步骤S2中，日运行成本最小的目标函数C公式表示如下：
Figure 549526DEST_PATH_IMAGE002
式中，
Figure 201088DEST_PATH_IMAGE003
为第i时段储能系统充放电成本，
Figure 715246DEST_PATH_IMAGE004
为第i时段风光 系统的弃风弃光成本，
Figure 844876DEST_PATH_IMAGE005
为第i时段火电机组出力成本，
Figure 518302DEST_PATH_IMAGE006
为i时段柔 性负荷协调成本，
Figure 75186DEST_PATH_IMAGE007
为电网第i时段运行的网损成本，M为一天中分割的时间段数 量。
作为优选，所述依次获取每一次搜索时初始粒子所对应群体最优值以及群体最优值对应的可调参数；包括如下步骤：
优化调度策略组合包含有M组时间段序列，每一组时间段序列均包括有：风光机组出力值、火电出力值、需求侧的负载值以及储能侧的充放电值；
根据负载值由大到小的顺序对优化调度策略组合中的序列进行排序得到修正调度策略组合；
依次以修正调度策略组合中的序列位对应的时间段序列作为初始粒子参与到模糊自适应粒子群模型进行寻优；
依次获取每个粒子的个体最优值，以所有个体最优值中的最小值作为群体最优值，并得到群体最优值对应的可调参数。
作为优选，所述获取每一个初始粒子中的风光机组出力值和负载值及其对应的群体最优值构建第一数据集合；包括如下步骤：
根据序列位依次提取修正调度策略组合中对应栏目中的负载值和风光机组出力值；
同步的，获取当前序列位的粒子为初始粒子所对应的群体最优值；
将负载值和风光机组出力值以及对应的群体最优值依次存储至第一数据集合的对应序列位的对应栏目。
作为优选，所述获取每一个初始粒子所对应群体最优值对应的可调参数构建第二数据集合，包括如下步骤：
所述可调参数包括有迭代次数、个体学习因子、群体学习因子、权重系数；
依次将序列位对应的粒子的群体最优值所对应的迭代次数、个体学习因子、群体学习因子、权重系数存储至第二数据集合的对应序列位的对应栏目。
作为优选，所述第一神经网络模型包括有第一输入层、第一隐含层以及第一输出层，所述第一输入层包括有3个第一输入单元，所述第一隐含层包括有4个第一隐含单元，所述第一输出层包括有4个第一输出单元；通过第一数据集合和第二数据集合对第一神经网络模型进行训练得到第一权值集合；
同步的：
所述第二神经网络模型包括有第二输入层、第二隐含层以及第二输出层，所述第二输入层包括有4个第二输入单元，所述第二隐含层包括有3个第二隐含单元，所述第二输出层包括有1个第一输出单元；通过第二数据集合和对应的群体最优值对第二神经网络模型进行训练得到第二权值集合。
作为优选，所述获取实时风光机组出力值和对应的实时负载值，分别计算实时风光机组出力值对应的第一目标值、实时负载值对应的第二目标值，取第一目标值和第二目标值中最小值作为最优目标值，包括如下步骤：
根据实时风光机组出力值匹配修正调度策略组合中与之差值最小的风光机组出力值所对应的序列位；获取当前序列位的粒子为初始粒子所对应的群体最优值作为第一目标值；
根据实时负载值匹配修正调度策略组合中与之差值最小的负载值所对应的序列位；获取当前序列位的粒子为初始粒子所对应的群体最优值作为第二目标值；
取第一目标值和第二目标值中最小值作为最优目标值。
作为优选，S8包括如下步骤：
将最优目标值、实时风光机组出力值、实时负载值作为训练完成的第一神经网络模型的输入，结合第一权值集合进行运算得到第一目标参数；
同步的：
将第一目标参数作为训练完成的第二神经网络模型的输入，结合第二权值集合进行运算得到第一预期目标值。
作为优选，所述将第一目标参数代入模糊自适应粒子群模型，获取群体的第二预期目标值，包括如下步骤：
将第一目标参数、最优目标值所对应的修正调度策略组合的序列位的粒子作为初始化参数；代入模糊自适应粒子群模型进行运算得到群体的第二预期目标值。
作为优选，所述根据第一预期目标值和第二预期目标值确定最优调度策略，包括如下步骤：
若第二预期目标值大于第一预期目标值，则将最优目标值对应的第二数据集合的对应序列位作为最优目标参数；将最优目标值对应的时间段序列作为最优调度策略；
若第一预期目标值大于第二预期目标值，则将第一目标参数作为最优目标参数；将第二预期目标值对应的时间段序列作为最优调度策略。
本发明的有益效果：本发明提出了基于多模型组合运算的配网运行优化调度方法；首先，根据历史调度方案构建修正调度策略组合，然后基于修正调度策略组合构建日运行成本最小的目标函数，将修正调度策略组合的组合数量作为粒子群的种群规模，通过粒子群算法对修正调度策略组合进行分析，获取每一组初始粒子的群体最优值，通过第一神经网络模型和第二神经网络模型对粒子群的实时变量、可调参数、对应的群体最优值进行耦合分析，找到各个因素之间的内在联系；针对具体的情形，获取实时变量，本申请中的实时变量为风光机组出力值和对应的实时负载值，可以在保证电力用户满意度的同时，进一步提高电力系统经济运行；本申请将实时变量与粒子群各个参数进行强关联性的耦合分析，可以保证了在粒子群运算的初始化时期，就可以匹配到最佳的初始化参数，极大的缩减了粒子群寻优的时间；同时，为了提高了寻优结果的准确可靠性，本申请采用了通过第一神经网络模型获取得到的第一目标参数；将第一目标参数作为第二神经网络模型的输入获取第一预期目标值，将第一目标参数作为模糊自适应粒子群模型的初始输入，得到第二预期目标值，通过比较第一预期目标值和第二预期目标值的大小进一步选择最合适的初始化参数值，可以进一步提高模型寻优结果的准确可靠性。
上述发明内容仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。
图1为本发明的基于多模型组合运算的配网运行优化调度方法的流程图。
图2为本发明的组合神经网络模型的结构示意图。
具体实施方式
为使本发明的目的、技术方案以及优点更加清楚明白，下面结合附图和实施例对本发明作进一步详细说明，应当理解的是，此处所描述的具体实施方式仅是本发明的一种最佳实施例，仅用以解释本发明，并不限定本发明的保护范围，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。
在更加详细地讨论示例性实施例之前，应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作(或步骤)可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤；所述处理可以对应于方法、函数、规程、子例程、子程序等等。
在更加详细地讨论示例性实施例之前，需要对本申请的技术原理和效果进行概括和说明，以便本领域的技术人员更好的理解本发明的构思：
首先，根据历史调度方案构建修正调度策略组合，然后基于修正调度策略组合构建日运行成本最小的目标函数，将修正调度策略组合的组合数量作为粒子群的种群规模，通过粒子群算法对修正调度策略组合进行分析，获取每一组初始粒子的群体最优值，通过第一神经网络模型和第二神经网络模型对粒子群的实时变量、可调参数、对应的群体最优值进行耦合分析，找到各个因素之间的内在联系，即本申请中的第一权值集合和第二权重集合；针对具体的情形，获取实时变量，本申请中的实时变量为风光机组出力值和对应的实时负载值，至于储能侧的充放电值和火电出力值都是配合实时变量进行调整的值，是参与本申请后续电力调度的组成部分，但通过对需求侧（负荷值）和可再生能源侧（风光机组出力值）进行分析，可以在保证电力用户满意度的同时，进一步提高电力系统经济运行；因此本申请将实时变量与粒子群各个参数进行强关联性的耦合分析，就可以匹配到最佳的初始化参数，极大的缩减了粒子群寻优的时间，同时，为了提高了寻优结果的准确可靠性，本申请采用了通过第一神经网络模型获取得到的第一目标参数；将第一目标参数作为第二神经网络模型的输入获取第一预期目标值，将第一目标参数作为模糊自适应粒子群模型的初始输入，得到第二预期目标值，通过比较第一预期目标值和第二预期目标值的大小进一步选择最合适的初始化参数值，可以进一步提高模型寻优结果的准确可靠性。
实施例：如图1所示，基于多模型组合运算的配网运行优化调度方法，包括如下步骤：
S1、根据长时间序列上的历史风光机组出力值、火电出力值、需求侧的负载值以及储能侧的充放电值构建优化调度策略组合，以负载值作为优先项对优化调度策略组合进行优先级排序得到修正调度策略组合。
可以理解的是，为了达到负荷侧和需求侧的安全运行效果，火电出力和储能侧充放电作为能源的补充和消纳的作用；因此，在不考虑系统经济运行的情况下，通过调用历史的风光机组出力值、火电出力值、需求侧的负载值以及储能侧的充放电值构建优化调度策略组合，依据优化调度策略组合中的调度策略组合可以达到平衡用电的作用，但起不到经济运行的目的；因此需要将导致电力系统经济运行的影响因素进行综合分析，因此引出了下一步的人工智能算法，即：本申请的记载的模糊自适应粒子群模型。
S2、构建基于修正调度策略组合的日运行成本最小的目标函数。
可以理解的是，在采用模糊自适应粒子群模型进行寻优之前，需要设定本申请的目标函数，为了实现本发明所述的提高电力系统的安全经济性，因此，本申请设计了基于修正调度策略组合的日运行成本最小的目标函数。
具体的，日运行成本最小的目标函数C公式表示如下：
Figure 76640DEST_PATH_IMAGE009
式中，
Figure 9961DEST_PATH_IMAGE010
为第i时段储能系统充放电成本，
Figure 39359DEST_PATH_IMAGE011
为第i时段风光 系统的弃风弃光成本，
Figure 767143DEST_PATH_IMAGE012
为第i时段火电机组出力成本，
Figure 521473DEST_PATH_IMAGE013
为i时段 柔性负荷协调成本，
Figure 992905DEST_PATH_IMAGE014
为电网第i时段运行的网损成本，M为一天中分割的时间段 数量。
可以理解的是，根据风光机组历史出力值可以预测未来一段时间的出力预测值，在保证风光储系统出力波动较为平稳的前提下，为实现有源配电网系统日运行成本最低的目标，结合负荷平移/削减策略，对各个分布式电源的出力进行合理的协调优化。
在风光系统中，通过分别对风力发电以及光伏发电这两者的出力预测，得到各个时段风光系统的最大出力功率。通过将风光系统和火力发电系统进行联合得到风光火联合发电系统，风光联合发电系统与储能系统在联合发电系统公共连接点上联结实现二者之间的功率协调控制，后经过升压器升压之后，把整个联合发电系统接入有源配电网系统。
考虑到保护储能装置，避免过充或者过放，需对其荷电状态进行约束。其约束表达式为：
Figure 250711DEST_PATH_IMAGE016
式中，SOC max 、SOC min 、SOC i 分别为储能单元SOC的上下限、i时刻荷电情况，P s, i 为i时刻充放电功率，充电状态下取正值，S为其设计的额定容量。P smin 、P smax 分别为储能单元充、放电功率的极小、极大值。
储能系统运行成本函数公式为
Figure 539610DEST_PATH_IMAGE017
式中，
Figure 515657DEST_PATH_IMAGE018
为储能成本系数。
电力系统有功平衡表达式为：
Figure 525201DEST_PATH_IMAGE019
式中，P load, i ，P f, i 分别为i时段有源配电网系统固定负荷以及柔性负荷功率，P t，i ，P net，i 分别为i时段系统火电机组出力、风光储联合系统出力。
风光储联合发电出力为：
Figure 903093DEST_PATH_IMAGE021
在风光联合发电单元出力增加的时段，利用储能单元进行充电达到平抑出力波动的效果，并最大限度的提升风光消纳。当风光联合发电子系统出力处于低估状态时，利用储能系统进行放电来减缓模型整体的出力波动，公式如下：
Figure 97314DEST_PATH_IMAGE023
式中，P rmax, i 、P r, i 分别对应的是i时段预测风光联合发电子系统的最大功率、协调控制的实际功率。P RPA 为风光联合发电子系统装机总容量。
风光联合发电系统因弃风弃光现象造成的成本函数为：
Figure 560656DEST_PATH_IMAGE024
式中，K r 为风光联合发电子系统成本函数系数。
火电机组成本函数：
火电机组的运行成本函数可利用以下的二次函数进行表示：
Figure 373891DEST_PATH_IMAGE025
式中，a t 、b t 、c t 为经验常数，人工经验设置。
柔性负荷协调成本函数：
为提高风光的消纳，引入需求侧响应对柔性负荷进行优化。将有源配电网系统内的柔性负荷按照可平移负荷、可削减负荷这两种类型进行分类，并设置可平移负荷、可削减负荷的调度顺序。
在风电机组出力高峰时段，为控制风光储出力波动范围不超过装机容量的10%，系统功率不平衡量为负时，对柔性负荷采取削减控制策略。在风电机组出力低估时段，系统功率不平衡量为正时，对柔性负荷采取平移激励策略。其对应的约束为：
Figure 606289DEST_PATH_IMAGE027
式中，P fmax, i 、P fc, i 、P fy, i 分别为i时段最大柔性负荷功率、可削减功率、可平移功率。
柔性负荷协调控制的成本函数为：
Figure 236991DEST_PATH_IMAGE028
式中，K fy 、K fc 为对应成本函数的相关系数。
系统运行网损成本函数：
为追求系统运行最优的经济性，本申请将考虑网损成本，其成本函数用一次函数表示为：
Figure 187629DEST_PATH_IMAGE029
式中，K ce 为有源配电网系统运行网损成本函数系数。
S3、以修正调度策略组合作为种群规模，采用模糊自适应粒子群模型计算目标函数。
可以理解的是，修正调度策略组合中的调度组合数量即为本方案中粒子群的种群数量；调度组合数量中的风光机组出力值、火电出力值、负载值以及充放电值即为空间维度。
模糊自适应粒子群模型作为本领域技术人员可以掌握的算法，下面对本申请涉及到的算法部分做进一步的补充说明：
假设
Figure 804555DEST_PATH_IMAGE030
是第i个粒子在第k次迭代过程中的n维 空间的位置，
Figure 891460DEST_PATH_IMAGE031
是粒子i的第d维分量，那么粒子在k+1次迭代过程中的速度、位置更新过 程如下式所示：
Figure 568429DEST_PATH_IMAGE032
式中，w为惯性权重系数，
Figure 375672DEST_PATH_IMAGE033
为个体学习因子，
Figure 530710DEST_PATH_IMAGE034
为群体学习因子，pbest i 为粒 子i的个体最优，
Figure 737700DEST_PATH_IMAGE035
为其在第k次迭代过程中第d维的位置，r 1 、r 2 为[0，1]上服从均 匀分布的随机数。
w采用自适应线性递减的方式，即为：
Figure 585571DEST_PATH_IMAGE036
式中，k max 是最大迭代次数，w ini 、w end 分别是初始惯性权重系数值和最后一次迭代时的惯性权重系数值，一般w ini =0.9，w end =0.4。
结合模糊推理规则，对学习因子进行动态调整，使其全局与局部的搜索能力以及粒子对自身最优和社会最优学习的能力达到平衡，具有更好的收敛效果。事例性的，本申请设计了一个含有双输入、双输出以及九条推理规则的模糊系统。输入为当前种群最优指标gbest和当前的迭代次数k；输出为个体学习因子c 1 、群体学习因子c 2 ，通过模糊系统对其进行调整。对输入变量进行归一化，如下式所示：
Figure 369856DEST_PATH_IMAGE037
；
Figure 328585DEST_PATH_IMAGE038
。
模糊推理规则：
若对模糊集合进行过多的分割，其相应的推理规则的规模也将随着分割次数的增加成几何倍数增长，运算过程也愈加繁杂，因此对模糊集合进行分割时不能过于狭窄。但模糊集合分割的过于宽泛也会致使系统达不到理想的控制结果。所以对归一化的输入变量的模糊集合分别定义L（低）、M（中）、H（高），对输出变量模糊集合分别定义L（低）、ML（中低）、M（中）、MH（中高）、H（高）。
根据输入、输出的模糊分割集合设计相应的推理规则。具体规则如下：
①当gb为L，K为L时，c1为ML，c2为L；
②当gb为L，K为M时，c1为MH，c2为M；
③当gb为L，K为H时，c1为ML，c2为H；
④当gb为M，K为L时，c1为ML，c2为L；
⑤当gb为M，K为M时，c1为M，c2为M；
⑥当gb为M，K为H时，c1为MH，c2为H；
⑦当gb为H，K为L时，c1为ML，c2为L；
⑧当gb为H，K为M时，c1为ML，c2为MH；
⑨当gb为H，K为H时，c1为MH，c2为H；
输入变量隶属度函数
对输入变量进行归一化处理后，其范围为[0，1]。
隶属度函数为：
Figure 124502DEST_PATH_IMAGE039
。
输出变量隶属度函数：
低的学习因子值使粒子在目标区域外徘徊，而高的值导致粒子越过目标区域。 推荐取值范围：[0,4]；典型学习因子取值范围为[1.6,2]，并选择±0.3的范围上下波动。当学习因子为2.05左右的时候，粒子群优化的寻优效果较为良好。在此基础上选择±0.3的范围作为模糊系统输出范围为[1.75，2.35]。
隶属度函数为：
Figure 143274DEST_PATH_IMAGE040
最后进行清晰化处理：
通过输入gb、K的值判断二者分别隶属的模糊集合，求解变量的模糊值y gb 、y k ，再依据模糊推理规则对c 1 、c 2 进行清晰化处理。清晰化函数为：
Figure 414855DEST_PATH_IMAGE041
。
S4、依次获取每一次搜索时初始粒子所对应群体最优值以及群体最优值对应的可调参数。
可以理解的是，优化调度策略组合包含有M组时间段序列，每一组时间段序列均包括有：风光机组出力值、火电出力值、需求侧的负载值以及储能侧的充放电值；
根据负载值由大到小的顺序对优化调度策略组合中的序列进行排序得到修正调度策略组合；
依次以修正调度策略组合中的序列位对应的时间段序列作为初始粒子参与到模糊自适应粒子群模型进行寻优；
依次获取每个粒子的个体最优值，以所有个体最优值中的最小值作为群体最优值，并得到群体最优值对应的可调参数。
S5、获取每一个初始粒子中的风光机组出力值和负载值及其对应的群体最优值构建第一数据集合；获取每一个初始粒子所对应群体最优值对应的可调参数构建第二数据集合。
可以理解的是，根据序列位依次提取修正调度策略组合中对应栏目中的负载值和风光机组出力值；
同步的，获取当前序列位的粒子为初始粒子所对应的群体最优值；
将负载值和风光机组出力值以及对应的群体最优值依次存储至第一数据集合的对应序列位的对应栏目。
进一步的，可调参数包括有迭代次数、个体学习因子、群体学习因子、权重系数；
依次将序列位对应的粒子的群体最优值所对应的迭代次数、个体学习因子、群体学习因子、权重系数存储至第二数据集合的对应序列位的对应栏目。
S6、构建输入为第一数据集合、输出为第二数据集合的第一神经网络模型，得到第一权值集合；
同步的，构建输入为第二数据集合、输出为群体最优值的第二神经网络模型，得到第二权值集合。
如图2所示，组合神经网络模型有第一神经网络模型和第一神经网络模型联结构成，具体的，第一神经网络模型包括有第一输入层、第一隐含层以及第一输出层，所述第一输入层包括有3个第一输入单元，所述第一隐含层包括有4个第一隐含单元，所述第一输出层包括有4个第一输出单元；通过第一数据集合和第二数据集合对第一神经网络模型进行训练得到第一权值集合；
同步的：第二神经网络模型包括有第二输入层、第二隐含层以及第二输出层，所述第二输入层包括有4个第二输入单元，所述第二隐含层包括有3个第二隐含单元，所述第二输出层包括有1个第一输出单元；通过第二数据集合和对应的群体最优值对第二神经网络模型进行训练得到第二权值集合。
本实施例中，通过第一神经网络模型和第二神经网络模型对粒子群的实时变量、可调参数、对应的群体最优值进行耦合分析，可以找到各个因素之间的内在联系，可以保证了在粒子群运算的初始化时期，就可以匹配到最佳的初始化参数，极大的缩减了粒子群寻优的时间。
S7、获取实时风光机组出力值和对应的实时负载值，分别计算实时风光机组出力值对应的第一目标值、实时负载值对应的第二目标值，取第一目标值和第二目标值中最小值作为最优目标值。
具体的，根据实时风光机组出力值匹配修正调度策略组合中与之差值最小的风光机组出力值所对应的序列位；获取当前序列位的粒子为初始粒子所对应的群体最优值作为第一目标值；
根据实时负载值匹配修正调度策略组合中与之差值最小的负载值所对应的序列位；获取当前序列位的粒子为初始粒子所对应的群体最优值作为第二目标值；
取第一目标值和第二目标值中最小值作为最优目标值。
S8、根据最优目标值、实时风光机组出力值、实时负载值以及对应的第一权值集合得到第一目标参数；
同步的，根据第一目标参数、对应的第二权值集合得到群体的第一预期目标值；
S9、将第一目标参数代入模糊自适应粒子群模型，获取群体的第二预期目标值。
具体的，将第一目标参数、最优目标值所对应的修正调度策略组合的序列位的粒子作为初始化参数；代入模糊自适应粒子群模型进行运算得到群体的第二预期目标值。
S10、根据第一预期目标值和第二预期目标值确定最优调度策略。
具体的，若第二预期目标值大于第一预期目标值，则将最优目标值对应的第二数据集合的对应序列位作为最优目标参数；将最优目标值对应的时间段序列作为最优调度策略；
若第一预期目标值大于第二预期目标值，则将第一目标参数作为最优目标参数；将第二预期目标值对应的时间段序列作为最优调度策略。
以上所述之具体实施方式为本发明基于多模型组合运算的配网运行优化调度方法的较佳实施方式，并非以此限定本发明的具体实施范围，本发明的范围包括并不限于本具体实施方式，凡依照本发明之形状、结构所作的等效变化均在本发明的保护范围内。

Claims (10)

1.基于多模型组合运算的配网运行优化调度方法，其特征在于：包括如下步骤：
S1、根据长时间序列上的历史风光机组出力值、火电出力值、需求侧的负载值以及储能侧的充放电值构建优化调度策略组合，以负载值作为优先项对优化调度策略组合进行优先级排序得到修正调度策略组合；
S2、构建基于修正调度策略组合的日运行成本最小的目标函数；
S3、以修正调度策略组合作为种群规模，采用模糊自适应粒子群模型计算目标函数；
S4、依次获取每一次搜索时初始粒子所对应群体最优值以及群体最优值对应的可调参数；
S5、获取每一个初始粒子中的风光机组出力值和负载值及其对应的群体最优值构建第一数据集合；获取每一个初始粒子所对应群体最优值对应的可调参数构建第二数据集合；
S6、构建输入为第一数据集合、输出为第二数据集合的第一神经网络模型，得到第一权值集合；
同步的，构建输入为第二数据集合、输出为群体最优值的第二神经网络模型，得到第二权值集合；
S7、获取实时风光机组出力值和对应的实时负载值，分别计算实时风光机组出力值对应的第一目标值、实时负载值对应的第二目标值，取第一目标值和第二目标值中最小值作为最优目标值；
S8、根据最优目标值、实时风光机组出力值、实时负载值以及对应的第一权值集合得到第一目标参数；
同步的，根据第一目标参数、对应的第二权值集合得到群体的第一预期目标值；
S9、将第一目标参数代入模糊自适应粒子群模型，获取群体的第二预期目标值；
S10、根据第一预期目标值和第二预期目标值确定最优调度策略。
2.根据权利要求1所述的基于多模型组合运算的配网运行优化调度方法，其特征在于：
步骤S2中，日运行成本最小的目标函数C公式表示如下：
Figure DEST_PATH_IMAGE002
式中，
Figure DEST_PATH_IMAGE003
为第i时段储能系统充放电成本，
Figure DEST_PATH_IMAGE004
为第i时段风光系统的弃风弃光成本，
Figure DEST_PATH_IMAGE005
为第i时段火电机组出力成本，
Figure DEST_PATH_IMAGE006
为i时段柔性负荷协调成本，
Figure DEST_PATH_IMAGE007
为电网第i时段运行的网损成本，M为一天中分割的时间段数量。
3.根据权利要求1所述的基于多模型组合运算的配网运行优化调度方法，其特征在于：
所述依次获取每一次搜索时初始粒子所对应群体最优值以及群体最优值对应的可调参数；包括如下步骤：
优化调度策略组合包含有M组时间段序列，每一组时间段序列均包括有：风光机组出力值、火电出力值、需求侧的负载值以及储能侧的充放电值；
根据负载值由大到小的顺序对优化调度策略组合中的序列进行排序得到修正调度策略组合；
依次以修正调度策略组合中的序列位对应的时间段序列作为初始粒子参与到模糊自适应粒子群模型进行寻优；
依次获取每个粒子的个体最优值，以所有个体最优值中的最小值作为群体最优值，并得到群体最优值对应的可调参数。
4.根据权利要求1所述的基于多模型组合运算的配网运行优化调度方法，其特征在于：
所述获取每一个初始粒子中的风光机组出力值和负载值及其对应的群体最优值构建第一数据集合；包括如下步骤：
根据序列位依次提取修正调度策略组合中对应栏目中的负载值和风光机组出力值；
同步的，获取当前序列位的粒子为初始粒子所对应的群体最优值；
将负载值和风光机组出力值以及对应的群体最优值依次存储至第一数据集合的对应序列位的对应栏目。
5.根据权利要求1或3所述的基于多模型组合运算的配网运行优化调度方法，其特征在于：
所述获取每一个初始粒子所对应群体最优值对应的可调参数构建第二数据集合，包括如下步骤：
所述可调参数包括有迭代次数、个体学习因子、群体学习因子、权重系数；
依次将序列位对应的粒子的群体最优值所对应的迭代次数、个体学习因子、群体学习因子、权重系数存储至第二数据集合的对应序列位的对应栏目。
6.根据权利要求1所述的基于多模型组合运算的配网运行优化调度方法，其特征在于：
所述第一神经网络模型包括有第一输入层、第一隐含层以及第一输出层，所述第一输入层包括有3个第一输入单元，所述第一隐含层包括有4个第一隐含单元，所述第一输出层包括有4个第一输出单元；通过第一数据集合和第二数据集合对第一神经网络模型进行训练得到第一权值集合；
同步的：
所述第二神经网络模型包括有第二输入层、第二隐含层以及第二输出层，所述第二输入层包括有4个第二输入单元，所述第二隐含层包括有3个第二隐含单元，所述第二输出层包括有1个第一输出单元；通过第二数据集合和对应的群体最优值对第二神经网络模型进行训练得到第二权值集合。
7.根据权利要求1所述的基于多模型组合运算的配网运行优化调度方法，其特征在于：
所述获取实时风光机组出力值和对应的实时负载值，分别计算实时风光机组出力值对应的第一目标值、实时负载值对应的第二目标值，取第一目标值和第二目标值中最小值作为最优目标值，包括如下步骤：
根据实时风光机组出力值匹配修正调度策略组合中与之差值最小的风光机组出力值所对应的序列位；获取当前序列位的粒子为初始粒子所对应的群体最优值作为第一目标值；
根据实时负载值匹配修正调度策略组合中与之差值最小的负载值所对应的序列位；获取当前序列位的粒子为初始粒子所对应的群体最优值作为第二目标值；
取第一目标值和第二目标值中最小值作为最优目标值。
8.根据权利要求1或7所述的基于多模型组合运算的配网运行优化调度方法，其特征在于：
S8包括如下步骤：
将最优目标值、实时风光机组出力值、实时负载值作为训练完成的第一神经网络模型的输入，结合第一权值集合进行运算得到第一目标参数；
同步的：
将第一目标参数作为训练完成的第二神经网络模型的输入，结合第二权值集合进行运算得到第一预期目标值。
9.根据权利要求8所述的基于多模型组合运算的配网运行优化调度方法，其特征在于：
所述将第一目标参数代入模糊自适应粒子群模型，获取群体的第二预期目标值，包括如下步骤：
将第一目标参数、最优目标值所对应的修正调度策略组合的序列位的粒子作为初始化参数；代入模糊自适应粒子群模型进行运算得到群体的第二预期目标值。
10.根据权利要求1或9所述的基于多模型组合运算的配网运行优化调度方法，其特征在于：
所述根据第一预期目标值和第二预期目标值确定最优调度策略，包括如下步骤：
若第二预期目标值大于第一预期目标值，则将最优目标值对应的第二数据集合的对应序列位作为最优目标参数；将最优目标值对应的时间段序列作为最优调度策略；
若第一预期目标值大于第二预期目标值，则将第一目标参数作为最优目标参数；将第二预期目标值对应的时间段序列作为最优调度策略。
CN202211567516.5A 2022-12-07 2022-12-07 基于多模型组合运算的配电网运行优化调度方法 Active CN115577864B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211567516.5A CN115577864B (zh) 2022-12-07 2022-12-07 基于多模型组合运算的配电网运行优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211567516.5A CN115577864B (zh) 2022-12-07 2022-12-07 基于多模型组合运算的配电网运行优化调度方法

Publications (2)

Publication Number Publication Date
CN115577864A true CN115577864A (zh) 2023-01-06
CN115577864B CN115577864B (zh) 2023-04-07

Family

ID=84590115

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211567516.5A Active CN115577864B (zh) 2022-12-07 2022-12-07 基于多模型组合运算的配电网运行优化调度方法

Country Status (1)

Country Link
CN (1) CN115577864B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116149830A (zh) * 2023-04-20 2023-05-23 北京邮电大学 一种基于双尺度节点调度策略的海量数据处理方法及装置
CN116738239A (zh) * 2023-08-11 2023-09-12 浙江菜鸟供应链管理有限公司 模型训练方法、资源调度方法及装置、系统、设备及介质
CN117614018A (zh) * 2024-01-24 2024-02-27 普金硬科技(南通)有限公司 一种风电集群协同智能化管理方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180136617A1 (en) * 2016-11-11 2018-05-17 General Electric Company Systems and methods for continuously modeling industrial asset performance
CN113361188A (zh) * 2021-05-10 2021-09-07 国网河北省电力有限公司营销服务中心 多目标配电网动态重构方法、装置及终端
CN114400712A (zh) * 2022-01-12 2022-04-26 国网湖北省电力有限公司经济技术研究院 一种基于改进二阶粒子群算法的微电网群优化调度方法
WO2022100091A1 (zh) * 2020-11-10 2022-05-19 中国能源建设集团湖南省电力设计院有限公司 一种广义源储系统调度的集中控制方法
CN114725944A (zh) * 2022-04-06 2022-07-08 国网浙江省电力有限公司电力科学研究院 一种电力电子化配电网源网荷优化运行控制方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180136617A1 (en) * 2016-11-11 2018-05-17 General Electric Company Systems and methods for continuously modeling industrial asset performance
WO2022100091A1 (zh) * 2020-11-10 2022-05-19 中国能源建设集团湖南省电力设计院有限公司 一种广义源储系统调度的集中控制方法
CN113361188A (zh) * 2021-05-10 2021-09-07 国网河北省电力有限公司营销服务中心 多目标配电网动态重构方法、装置及终端
CN114400712A (zh) * 2022-01-12 2022-04-26 国网湖北省电力有限公司经济技术研究院 一种基于改进二阶粒子群算法的微电网群优化调度方法
CN114725944A (zh) * 2022-04-06 2022-07-08 国网浙江省电力有限公司电力科学研究院 一种电力电子化配电网源网荷优化运行控制方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
唐俊杰等: "基于动态模糊混沌粒子群算法的含电动汽车微电网多目标优化调度研究", 《广东工业大学学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116149830A (zh) * 2023-04-20 2023-05-23 北京邮电大学 一种基于双尺度节点调度策略的海量数据处理方法及装置
CN116149830B (zh) * 2023-04-20 2023-07-04 北京邮电大学 一种基于双尺度节点调度策略的海量数据处理方法及装置
CN116738239A (zh) * 2023-08-11 2023-09-12 浙江菜鸟供应链管理有限公司 模型训练方法、资源调度方法及装置、系统、设备及介质
CN116738239B (zh) * 2023-08-11 2023-11-24 浙江菜鸟供应链管理有限公司 模型训练方法、资源调度方法及装置、系统、设备及介质
CN117614018A (zh) * 2024-01-24 2024-02-27 普金硬科技(南通)有限公司 一种风电集群协同智能化管理方法及系统
CN117614018B (zh) * 2024-01-24 2024-04-16 普金硬科技(南通)有限公司 一种风电集群协同智能化管理方法及系统

Also Published As

Publication number Publication date
CN115577864B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN115577864B (zh) 基于多模型组合运算的配电网运行优化调度方法
WO2023274425A1 (zh) 一种风光水火储系统的多能容量优化配置方法
CN105846461B (zh) 一种大规模储能电站自适应动态规划的控制方法和系统
CN109768573B (zh) 基于多目标差分灰狼算法的配电网无功优化方法
CN108448620B (zh) 基于综合性能指标的高渗透率分布式电源集群划分方法
CN107994595A (zh) 一种削峰填谷控制方法和系统以及应用该控制方法的系统
CN109167347A (zh) 基于云自适应粒子群多目标电动汽车充放电优化调度方法
CN112926185B (zh) 一种基于改进核搜索优化的电力经济排放调度方法
CN115275983A (zh) 一种基于分布式资源聚类的光伏功率波动平抑控制方法
CN111932012B (zh) 储能系统-分布式电源-电容器综合控制无功优化方法
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
He et al. Biobjective optimization-based frequency regulation of power grids with high-participated renewable energy and energy storage systems
CN114819373A (zh) 一种基于合作博弈的共享混合储能电站的储能规划方法
CN110570091A (zh) 基于改进F-score特征选择及粒子群BP神经网络的负荷辨识方法
CN113162055B (zh) 一种储能与新能源电站无功电压的协调控制方法及系统
CN116191421A (zh) 一种基于改进nsga-ii算法的新型电力系统多目标优化调度方法
CN116108982A (zh) 一种水库群多目标调度合作搜索方法及系统
CN116207797A (zh) 一种配电网多串并联设备协调优化控制方法
CN114971250B (zh) 基于深度q学习的综合能源经济调度系统
CN116050461A (zh) 运用卷积神经网络确定模糊控制理论隶属度函数的改进法
CN110729759B (zh) 一种微电网中分布式电源配置方案的确定方法及装置
CN113410900A (zh) 基于自适应差分鲸鱼优化的微电网hess优化配置方法及系统
CN113837449A (zh) 虚拟电厂参与的电网系统集中优化调度方法
Liu et al. Location and Capacity Determination of Energy Storage System Based on Improved Whale Optimization Algorithm
CN111859780A (zh) 一种微电网运行优化方法和系统

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