CN115603398A - 一种基于秃鹰搜索算法的容量不一致储能阵列重构方法 - Google Patents

一种基于秃鹰搜索算法的容量不一致储能阵列重构方法 Download PDF

Info

Publication number
CN115603398A
CN115603398A CN202210507859.6A CN202210507859A CN115603398A CN 115603398 A CN115603398 A CN 115603398A CN 202210507859 A CN202210507859 A CN 202210507859A CN 115603398 A CN115603398 A CN 115603398A
Authority
CN
China
Prior art keywords
energy storage
capacity
search
bald
storage array
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
CN202210507859.6A
Other languages
English (en)
Inventor
柳迪
孙鹏
吕宏伟
梁忠豪
肖珩
李建林
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.)
Xinyuan Zhichu Energy Development Beijing Co ltd
Original Assignee
Xinyuan Zhichu Energy Development Beijing 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 Xinyuan Zhichu Energy Development Beijing Co ltd filed Critical Xinyuan Zhichu Energy Development Beijing Co ltd
Priority to CN202210507859.6A priority Critical patent/CN115603398A/zh
Publication of CN115603398A publication Critical patent/CN115603398A/zh
Pending legal-status Critical Current

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
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
    • H02J7/005—Detection of state of health [SOH]
    • 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
    • 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
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • 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
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0013—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries acting upon several batteries simultaneously or sequentially
    • H02J7/0014—Circuits for equalisation of charge between batteries
    • H02J7/0016—Circuits for equalisation of charge between batteries using shunting, discharge or bypass circuits

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Complex Calculations (AREA)

Abstract

本发明涉及一种基于秃鹰搜索算法的容量不一致储能阵列重构方法。模拟秃鹰寻找食物的行为，一个秃鹰个体代表一个储能单元，个体的位置即储能阵列的电气排列情况，目标函数为阵列的输出功率的最大化；算法首先收集储能阵列的电气参数储能单元容量、SOH，再根据自身机制动态改变阵列的电气连接直至算法收敛，输出储能阵列的电气排列最优配置。本发明具有较强的全局搜索能力。

Description

一种基于秃鹰搜索算法的容量不一致储能阵列重构方法
技术领域：
本发明涉及电池控制技术领域，具体涉及一种基于秃鹰搜索算法的容量不一致储能阵列重构方法。
背景技术：
光伏、风能等可再生能源的装机容量逐年扩大，其波动性将会对电网的安全稳定运行带来不良影响，储能是解决新能源消纳、提升新型电力系统稳定性的关键技术。
储能单元可以通过串、并联组成储能阵列，满足功率需求的同时提升系统的运行效率和运行寿命。在储能阵列运行过程中，由于新能源的频繁波动、负荷的随机变化等因素，会导致储能阵列部分单元出现频繁启停等恶劣工况的产生，使储能单元健康状态(State of Health，SOH)和实际可用容量降低，从而造成储能系统的输出特性恶化。
储能阵列重构技术是减轻行与行之间输出功率差异的有效方法，可以分为动态重构方法和静态重构方法。动态重构方法是指通过使用开关矩阵动态改变储能阵列的电气连接，从而将SOH较低、实际可用容量较低的储能单元均匀地分散在每一行，最终达到均衡每行容量，提升储能阵列整体工作功率和运行寿命的效果，具有调节灵活、实时性强的特点。
发明内容：
本发明提出的一种基于秃鹰搜索算法的容量不一致储能阵列重构方法，模拟秃鹰寻找食物的行为，具有较强的全局搜索能力。一个秃鹰个体代表一个储能单元，个体的位置即储能阵列的电气排列情况，目标函数为阵列的输出功率的最大化。算法首先收集储能阵列的电气参数(如储能单元容量、SOH等)，再根据自身机制动态改变阵列的电气连接直至算法收敛，输出储能阵列的电气排列最优配置。为实现上述目的，本发明采用如下技术方案：
一种基于秃鹰搜索算法的容量不一致储能阵列重构方法，包括下述步骤：
步骤S1：首先建立N×N储能阵列，处于同一行的组件并联连接，处于同一列的组件串联连接，
Figure BDA0003638119250000011
Figure BDA0003638119250000021
式中，Vout为总输出电压；Vmaxh为第h行的最大输出电压；Iout为每个节点的输出电流；Ihc为第h行第c列组件的输出电流；
步骤S2：基于秃鹰搜索算法，建立目标函数和约束条件；为了减少部分储能单元容量降低造成的影响，采用重构的方式来均衡每一行的总容量，并通过下式的方差来描述每一行容量的均衡程度，即为本方法的目标函数；
Figure BDA0003638119250000022
式中：S2为描述每一行容量与平均容量的方差值；Ci为每一列储能单元的容量；
Figure BDA0003638119250000023
为储能阵列平均容量；n为储能阵列的列数；
约束条件：储能单元重构中，每个组件仅与同一列中的另一个组件交换其行，因此，由电气开关状态构成的重构变量应满足以下约束条件：，
Figure BDA0003638119250000024
式中，xhc表示第h行第c列的电气开关状态；
步骤S3：收集储能阵列的电气参数，一只秃鹰个体代表一个储能单元，个体的位置即储能阵列的电气排列情况，秃鹰的食物量代表储能阵列每行容量，秃鹰的适应度为每行容量与阵列平均容量之间的方差，初始化秃鹰种群和适应度，即储能阵列和阵列的容量方差；
步骤S4：选择搜索空间，在选择阶段，秃鹰(储能单元)在选定的搜索空间(储能阵列)内确定并根据食物量(储能阵列每行容量)选择最佳区域，并在此捕食，公式如下：
Pnewi＝Pbest+αr(Pmean-Pi)，
式中：Pnewi为第i只秃鹰更新后的位置；根据储能阵列中不同容量单元的分布情况，通过参数调整变化的位置，其中α是用于控制秃鹰位置变化的参数，其值介于1.5与2之间，r是介于0和1之间的随机数，通过r与α的配合，实现1.5与2之间任意距离的搜索，上述过程表示秃鹰(储能单元)在区域内移动，搜索最佳区域；Pbest表示秃鹰当前根据先前搜索中确定的最佳位置选择的搜索空间；Pmean为前一搜索结束后的秃鹰平均位置；Pi为第i只秃鹰更新前的位置；经过此阶段，秃鹰成功选择最佳区域；
步骤S5：在搜索空间搜索阶段，在搜索阶段，秃鹰在选定的搜索空间内搜索猎物，即选定区域内不同容量储能单元的最佳位置，并在螺旋空间内向不同方向移动以加速搜索；俯冲的最佳位置由下式表示，
Pnewi＝Pi+y(i)·(Pi-Pi+1)+x(i)·(Pi-Pmean)，
Figure BDA0003638119250000031
Figure BDA0003638119250000032
θ(i)＝a·π·rand，
r(i)＝θ(i)+R·rand，
式中，a与R代表螺旋形状变化的参数；a是介于5到10之间的参数，用于确定中心点的点间搜索角，通过角度的变换模拟储能单元在选定搜索区域中心点附近变换位置，实现优化重构的过程；R取值在0.5到2之间，用于确定搜索周期的数量和搜索范围；rand为(0，1)之间的随机数；x(i)和y(i)表示极坐标中秃鹰的位置，取值均为(-1,1)；根据选定区域中不同容量单元的分布情况，通过参数调整储能单元变化的位置，上述过程表示在选定区域中搜索储能单元的最优排列位置，目的是为了使适应度(容量方差)最小；
步骤S6：俯冲阶段，在俯冲阶段，秃鹰从搜索空间的最佳位置摆动到目标猎物，所有的点也向最佳点移动；
Pnewi＝rand·Pbest+x1(i)·(Pi-c1·Pmean)+y1(i)·(Pi-c2·Pbest)，
Figure BDA0003638119250000041
Figure BDA0003638119250000042
θ(i)＝a·π·rand，
r(i)＝θ(i)，
式中，c1和c2均为介于1和2之间的参数；经过俯冲阶段，秃鹰算法已经确定了此次搜索后形成的储能阵列排列，通过下式的适应度对储能阵列的优化情况进行评价，；
Figure BDA0003638119250000043
步骤S7：t＝t+1；
步骤S8：判断是否满足t<tmax，满足返回步骤S4，否则转步骤S9；
步骤S9：输出最优重构结果和最大输出功率。
本发明具有较强的全局搜索能力。
附图说明：
图1是N×N储能阵列模型示意图。
图2是开关矩阵示意图。
具体实施方式：
一种基于秃鹰搜索算法的容量不一致储能阵列重构方法，包括下述步骤：
步骤S1：首先建立N×N储能阵列，处于同一行的组件并联连接，处于同一列的组件串联连接，
Figure BDA0003638119250000044
Figure BDA0003638119250000045
式中，Vout为总输出电压；Vmaxh为第h行的最大输出电压；Iout为每个节点的输出电流；Ihc为第h行第c列组件的输出电流；
步骤S2：基于秃鹰搜索算法，建立目标函数和约束条件；为了减少部分储能单元容量降低造成的影响，采用重构的方式来均衡每一行的总容量，并通过下式的方差来描述每一行容量的均衡程度，即为本方法的目标函数；
Figure BDA0003638119250000051
式中：S2为描述每一行容量与平均容量的方差值；Ci为每一列储能单元的容量；
Figure BDA0003638119250000052
为储能阵列平均容量；n为储能阵列的列数；
约束条件：储能单元重构中，每个组件仅与同一列中的另一个组件交换其行，因此，由电气开关状态构成的重构变量应满足以下约束条件：，
Figure BDA0003638119250000053
式中，xhc表示第h行第c列的电气开关状态；
步骤S3：收集储能阵列的电气参数，一只秃鹰个体代表一个储能单元，个体的位置即储能阵列的电气排列情况，秃鹰的食物量代表储能阵列每行容量，秃鹰的适应度为每行容量与阵列平均容量之间的方差，初始化秃鹰种群和适应度，即储能阵列和阵列的容量方差；
步骤S4：选择搜索空间，在选择阶段，秃鹰(储能单元)在选定的搜索空间(储能阵列)内确定并根据食物量(储能阵列每行容量)选择最佳区域，并在此捕食，公式如下：
Pnewi＝Pbest+αr(Pmean-Pi)，
式中：Pnewi为第i只秃鹰更新后的位置；根据储能阵列中不同容量单元的分布情况，通过参数调整变化的位置，其中α是用于控制秃鹰位置变化的参数，其值介于1.5与2之间，r是介于0和1之间的随机数，通过r与α的配合，实现1.5与2之间任意距离的搜索，上述过程表示秃鹰(储能单元)在区域内移动，搜索最佳区域；Pbest表示秃鹰当前根据先前搜索中确定的最佳位置选择的搜索空间；Pmean为前一搜索结束后的秃鹰平均位置；Pi为第i只秃鹰更新前的位置；经过此阶段，秃鹰成功选择最佳区域；
步骤S5：在搜索空间搜索阶段，在搜索阶段，秃鹰在选定的搜索空间内搜索猎物，即选定区域内不同容量储能单元的最佳位置，并在螺旋空间内向不同方向移动以加速搜索；俯冲的最佳位置由下式表示，
Pnewi＝Pi+y(i)·(Pi-Pi+1)+x(i)·(Pi-Pmean)，
Figure BDA0003638119250000061
Figure BDA0003638119250000062
θ(i)＝a·π·rand，
r(i)＝θ(i)+R·rand，
式中，a与R代表螺旋形状变化的参数；a是介于5到10之间的参数，用于确定中心点的点间搜索角，通过角度的变换模拟储能单元在选定搜索区域中心点附近变换位置，实现优化重构的过程；R取值在0.5到2之间，用于确定搜索周期的数量和搜索范围；rand为(0，1)之间的随机数；x(i)和y(i)表示极坐标中秃鹰的位置，取值均为(-1,1)；根据选定区域中不同容量单元的分布情况，通过参数调整储能单元变化的位置，上述过程表示在选定区域中搜索储能单元的最优排列位置，目的是为了使适应度(容量方差)最小；
步骤S6：俯冲阶段，在俯冲阶段，秃鹰从搜索空间的最佳位置摆动到目标猎物，所有的点也向最佳点移动；
Pnewi＝rand·Pbest+x1(i)·(Pi-c1·Pmean)+y1(i)·(Pi-c2·Pbest)，
Figure BDA0003638119250000063
Figure BDA0003638119250000064
θ(i)＝a·π·rand，
r(i)＝θ(i)，
式中，c1和c2均为介于1和2之间的参数；经过俯冲阶段，秃鹰算法已经确定了此次搜索后形成的储能阵列排列，通过下式的适应度对储能阵列的优化情况进行评价，；
Figure BDA0003638119250000071
步骤S7：t＝t+1；
步骤S8：判断是否满足t<tmax，满足返回步骤S4，否则转步骤S9；
步骤S9：输出最优重构结果和最大输出功率。

Claims (1)

1.一种基于秃鹰搜索算法的容量不一致储能阵列重构方法，其特征在于，包括下述步骤：
步骤S1：首先建立N×N储能阵列，处于同一行的组件并联连接，处于同一列的组件串联连接，
Figure FDA0003638119240000011
Figure FDA0003638119240000012
式中，Vout为总输出电压；Vmaxh为第h行的最大输出电压；Iout为每个节点的输出电流；Ihc为第h行第c列组件的输出电流；
步骤S2：基于秃鹰搜索算法，建立目标函数和约束条件；为了减少部分储能单元容量降低造成的影响，采用重构的方式来均衡每一行的总容量，并通过下式的方差来描述每一行容量的均衡程度，即为本方法的目标函数；
Figure FDA0003638119240000013
式中：S2为描述每一行容量与平均容量的方差值；Ci为每一列储能单元的容量；
Figure FDA0003638119240000014
为储能阵列平均容量；n为储能阵列的列数；
约束条件：储能单元重构中，每个组件仅与同一列中的另一个组件交换其行，因此，由电气开关状态构成的重构变量应满足以下约束条件：，
Figure FDA0003638119240000015
式中，xhc表示第h行第c列的电气开关状态；
步骤S3：收集储能阵列的电气参数，一只秃鹰个体代表一个储能单元，个体的位置即储能阵列的电气排列情况，秃鹰的食物量代表储能阵列每行容量，秃鹰的适应度为每行容量与阵列平均容量之间的方差，初始化秃鹰种群和适应度，即储能阵列和阵列的容量方差；
步骤S4：选择搜索空间，在选择阶段，秃鹰(储能单元)在选定的搜索空间(储能阵列)内确定并根据食物量(储能阵列每行容量)选择最佳区域，并在此捕食，公式如下：
Pnewi＝Pbest+αr(Pmean-Pi)，
式中：Pnewi为第i只秃鹰更新后的位置；根据储能阵列中不同容量单元的分布情况，通过参数调整变化的位置，其中α是用于控制秃鹰位置变化的参数，其值介于1.5与2之间，r是介于0和1之间的随机数，通过r与α的配合，实现1.5与2之间任意距离的搜索，上述过程表示秃鹰(储能单元)在区域内移动，搜索最佳区域；Pbest表示秃鹰当前根据先前搜索中确定的最佳位置选择的搜索空间；Pmean为前一搜索结束后的秃鹰平均位置；Pi为第i只秃鹰更新前的位置；经过此阶段，秃鹰成功选择最佳区域；
步骤S5：在搜索空间搜索阶段，在搜索阶段，秃鹰在选定的搜索空间内搜索猎物，即选定区域内不同容量储能单元的最佳位置，并在螺旋空间内向不同方向移动以加速搜索；俯冲的最佳位置由下式表示，
Pnewi＝Pi+y(i)·(Pi-Pi+1)+x(i)·(Pi-Pmean)，
Figure FDA0003638119240000021
Figure FDA0003638119240000022
θ(i)＝a·π·rand，
r(i)＝θ(i)+R·rand，
式中，a与R代表螺旋形状变化的参数；a是介于5到10之间的参数，用于确定中心点的点间搜索角，通过角度的变换模拟储能单元在选定搜索区域中心点附近变换位置，实现优化重构的过程；R取值在0.5到2之间，用于确定搜索周期的数量和搜索范围；rand为(0，1)之间的随机数；x(i)和y(i)表示极坐标中秃鹰的位置，取值均为(-1,1)；根据选定区域中不同容量单元的分布情况，通过参数调整储能单元变化的位置，上述过程表示在选定区域中搜索储能单元的最优排列位置，目的是为了使适应度(容量方差)最小；
步骤S6：俯冲阶段，在俯冲阶段，秃鹰从搜索空间的最佳位置摆动到目标猎物，所有的点也向最佳点移动；
Pnewi＝rand·Pbest+x1(i)·(Pi-c1·Pmean)+y1(i)·(Pi-c2·Pbest)，
Figure FDA0003638119240000031
Figure FDA0003638119240000032
θ(i)＝a·π·rand，
r(i)＝θ(i)，
式中，c1和c2均为介于1和2之间的参数；经过俯冲阶段，秃鹰算法已经确定了此次搜索后形成的储能阵列排列，通过下式的适应度对储能阵列的优化情况进行评价，；
Figure FDA0003638119240000033
步骤S7：t＝t+1；
步骤S8：判断是否满足t<tmax，满足返回步骤S4，否则转步骤S9；
步骤S9：输出最优重构结果和最大输出功率。
CN202210507859.6A 2022-05-11 2022-05-11 一种基于秃鹰搜索算法的容量不一致储能阵列重构方法 Pending CN115603398A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210507859.6A CN115603398A (zh) 2022-05-11 2022-05-11 一种基于秃鹰搜索算法的容量不一致储能阵列重构方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210507859.6A CN115603398A (zh) 2022-05-11 2022-05-11 一种基于秃鹰搜索算法的容量不一致储能阵列重构方法

Publications (1)

Publication Number Publication Date
CN115603398A true CN115603398A (zh) 2023-01-13

Family

ID=84841928

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210507859.6A Pending CN115603398A (zh) 2022-05-11 2022-05-11 一种基于秃鹰搜索算法的容量不一致储能阵列重构方法

Country Status (1)

Country Link
CN (1) CN115603398A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115809427A (zh) * 2023-02-06 2023-03-17 山东科技大学 基于混合策略优化bp神经网络的混合气体识别方法
CN116429721A (zh) * 2023-03-15 2023-07-14 东北农业大学 一种基于mpa框架的松子近红外光谱波段选择方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115809427A (zh) * 2023-02-06 2023-03-17 山东科技大学 基于混合策略优化bp神经网络的混合气体识别方法
CN116429721A (zh) * 2023-03-15 2023-07-14 东北农业大学 一种基于mpa框架的松子近红外光谱波段选择方法

Similar Documents

Publication Publication Date Title
CN115603398A (zh) 一种基于秃鹰搜索算法的容量不一致储能阵列重构方法
CN113394817A (zh) 一种风光水火储系统的多能容量优化配置方法
CN105373183B (zh) 一种光伏阵列全局最大功率点跟踪方法
CN109814651B (zh) 基于粒子群的光伏电池多峰值最大功率跟踪方法及系统
CN111611750B (zh) 一种应用数字孪生技术的锂离子电池充电及热管理方法
CN113342124B (zh) 基于改进灰狼优化算法的光伏mppt方法
CN114204547B (zh) 考虑源网荷储协同优化的配电网多措施组合降损优化方法
CN112887994A (zh) 基于改进二进制粒子群的无线传感器网络优化方法及应用
CN111030149A (zh) 一种基于复合储能装置的微电网供电方法及电子设备
CN112865187B (zh) 风电场功率调度方法、装置及电子设备
CN112836423A (zh) 基于改进差分进化算法的微网容量优化配置方法
CN116826708A (zh) 一种含软开关的多目标优化的配电网重构方法
CN114336693B (zh) 风光火储一体化系统的优化配置方法和系统
CN113937767B (zh) 一种基于改进鲸鱼算法的微电网容量优化配置方法
CN116258417A (zh) 一种基于nsga-2遗传算法的锂电池均衡指标优化方法
CN113779883B (zh) 一种基于变异人工鱼群的风电储能系统充放电过程优化方法
CN115764935A (zh) 一种高渗透率分布式光伏配电网储能容量规划方法及装置
CN113344426A (zh) 一种储能站规划方法、装置及设备
CN113270869A (zh) 一种含光伏配电网的无功优化方法
CN115986744B (zh) 一种含共享储能的配电网潮流优化方法
CN112465271A (zh) 一种面向储能平抑风电波动场景的储能电池选型方法
CN114285089B (zh) 优化风光火储系统中的火电机组启停方法和系统
CN117353378A (zh) 一种基于鲸鱼算法的分布式电源配电网线损优化方法
CN117498353B (zh) 新能源场站并网系统电压支撑调整方法及系统
CN108764545A (zh) 一种基于社会情感粒子群算法的水火电短期经济调度方法

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