CN115940292B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN115940292B
CN115940292B CN202310033188.9A CN202310033188A CN115940292B CN 115940292 B CN115940292 B CN 115940292B CN 202310033188 A CN202310033188 A CN 202310033188A CN 115940292 B CN115940292 B CN 115940292B
Authority
CN
China
Prior art keywords
power
wind
constraint
wind speed
output
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.)
Active
Application number
CN202310033188.9A
Other languages
English (en)
Other versions
CN115940292A (zh
Inventor
付波
张万祥
何晗哲
陈登耀
黎祥程
李超顺
范秀香
方文俊
杨勇康
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 CN202310033188.9A priority Critical patent/CN115940292B/zh
Publication of CN115940292A publication Critical patent/CN115940292A/zh
Application granted granted Critical
Publication of CN115940292B publication Critical patent/CN115940292B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及电力系统自动化领域，尤其涉及一种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。获取电力系统内风电场的历史风速数据与机组的实际运行参数。根据风速的概率密度以及历史数据生成多个场景集，并对其进行化简处理得到预测风速集合，依据预测风速集合计算各个场景的风电出力。将各个场景的风电出力以及机组的实际运行参数输入至目标函数和约束条件中，采用改进的圆圈搜索算法，结合约束条件，求解目标函数的最优值。采用基于自适应透镜原理的反向学习策略初始化种群，提高了初始时刻种群的多样性与丰富性，使解空间分布更加均匀，为最优解的搜寻奠定良好的基础。

Description

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
技术领域
本发明涉及电力系统自动化领域，尤其涉及一种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。
背景技术
随着新能源产业的不断发展，可再生能源将逐步替代传统的化石能源。风电作为一种无污染的可再生能源，合理利用可以有效节约化石能源的消耗，缓解化石能源的污染。储能装置具有一定的动态储能特性，可以储存部分风电资源，在负荷较高的时段释放功率，通过合理地调度方法可以有效提高风电的利用率。含风储的电力系统优化调度以总发电成本最小为目标函数，在满足相关约束条件，对各个时段机组进行合理的负荷分配，应对风电并网产生的不确定性问题，提高电网的风电利用率，以减少弃风率和污染气体的排放。
智能算法因其设定灵活、求解效率高且不受求解函数本身限制的特点被广泛运用于优化调度领域。相对与传统的解析算法求解，智能算法可以高效求解非连续、非凸等模型，且具有良好的全局寻优能力。代表性算法有粒子群算法、神经网络算法、遗传算法。而圆圈搜索算法相对于现有智能算法具有结构简单，鲁棒性好，参数少等优点。其不足之处是过于依赖初值的选取，求解过程中难以跳脱局部最优而过早收敛。在运用过程中可根据其自身的特性进行改进。
发明内容
本发明的目的是提供一种含风储电力系统优化调度方法，提高风电的消纳率，减少弃风率和污染气体的排放，降低电力系统的发电成本，实现储能资源的充分利用与经济型的最优目标，减小风电并网对传统电力系统的影响。
本发明的上述技术问题主要是通过下述技术方案得以解决的：
一种基于圆圈搜索算法的含风储电力系统优化调度方法，其特征在于，包括
获取电力系统内风电场的历史风速数据与机组的实际运行参数；
根据风速的概率密度以及历史数据生成多个场景集，并对其进行化简处理得到预测风速集合，依据预测风速集合计算各个场景的风电出力；
将各个场景的风电出力以及机组的实际运行参数输入至目标函数和约束条件中，采用改进的圆圈搜索算法，结合约束条件，求解目标函数的最优值。
在上述的一种基于圆圈搜索算法的含风储电力系统优化调度方法，实际运行参数包括风电机组的额定功率、切入风速与切出风速；根据Weibull分布计算风速的概率密度，结合历史数据按季度生成多个场景集，并对场景集化简，具体是
根据Weibull分布对历史风速进行处理，得到风速的概率密度；
根据得到的
Figure 470761DEST_PATH_IMAGE001
风速的概率密度分布按季度生成含多个场景集的初始场景 集，并对初始场景集进行简化，得到每个季度的风速集合。
在上述的一种基于圆圈搜索算法的含风储电力系统优化调度方法，风电出力与风速的关系如下：
Figure 653480DEST_PATH_IMAGE002
其中：
Figure 495534DEST_PATH_IMAGE003
为风电机组的额定输出功率，
Figure 218640DEST_PATH_IMAGE004
为风电机组的额定风速，
Figure 298591DEST_PATH_IMAGE005
为风电机组的 切入风速，
Figure 183370DEST_PATH_IMAGE006
为风电机组的切出风速。
在上述的一种基于圆圈搜索算法的含风储电力系统优化调度方法，所述的约束条件包括含风储电力系统功率平衡约束、火电机组出力约束、风电机组出力约束、储能电站充放电约束、火电机组旋转备用约束、火电机组爬坡约束、储能电站充放电约束。
在上述的一种基于圆圈搜索算法的含风储电力系统优化调度方法，约束条件具体为：
含风储电力系统功率平衡约束：
Figure 778300DEST_PATH_IMAGE007
火电机组出力约束：
Figure 242779DEST_PATH_IMAGE008
风电机组出力约束：
Figure 230765DEST_PATH_IMAGE009
储能电站约束：
Figure 489708DEST_PATH_IMAGE010
火电机组旋转备用约束：
Figure 571934DEST_PATH_IMAGE011
火电机组的爬坡约束：
Figure 840104DEST_PATH_IMAGE012
储能电站容量约束：
Figure 629068DEST_PATH_IMAGE013
其中：
Figure 386809DEST_PATH_IMAGE014
为第
Figure 159593DEST_PATH_IMAGE015
台火电机在
Figure 497033DEST_PATH_IMAGE016
时段的出力，
Figure 202821DEST_PATH_IMAGE017
为第
Figure 803567DEST_PATH_IMAGE018
台风电机在
Figure 63647DEST_PATH_IMAGE016
时段的出力，
Figure 473287DEST_PATH_IMAGE019
为储能电站在
Figure 236844DEST_PATH_IMAGE016
时段的出力，
Figure 336387DEST_PATH_IMAGE020
为
Figure 552604DEST_PATH_IMAGE016
时段系统负荷功率，
Figure 763006DEST_PATH_IMAGE021
为系统的网损；
Figure 381069DEST_PATH_IMAGE022
为第
Figure 651513DEST_PATH_IMAGE018
台 火电机组的最小出力，
Figure 151765DEST_PATH_IMAGE023
为第
Figure 103540DEST_PATH_IMAGE018
台火电机组的最大出力；
Figure 841689DEST_PATH_IMAGE024
为第
Figure 285964DEST_PATH_IMAGE025
台风电机组的最大出 力；
Figure 742353DEST_PATH_IMAGE026
为储能电站的最小充电功率，
Figure 232241DEST_PATH_IMAGE027
为储能电站的最大充电功率，
Figure 356054DEST_PATH_IMAGE028
为储能 电站的最小放电功率，
Figure 171564DEST_PATH_IMAGE029
为储能电站的最大放电功率；
Figure 911987DEST_PATH_IMAGE030
分别为正、负旋转备用系 数，
Figure 205565DEST_PATH_IMAGE031
分别为机组正、负旋转备用率；
Figure 918306DEST_PATH_IMAGE032
为第
Figure 435875DEST_PATH_IMAGE033
台火电机组在
Figure 398015DEST_PATH_IMAGE034
时段的出力，
Figure 495284DEST_PATH_IMAGE035
分 别为第
Figure 62531DEST_PATH_IMAGE036
台火电机组的下行、上行爬坡速率，
Figure 753931DEST_PATH_IMAGE037
为调度周期；
Figure 672209DEST_PATH_IMAGE038
为储能电站的最小储存容 量，
Figure 104327DEST_PATH_IMAGE039
为储能电站的最大储存容量。
在上述的一种基于圆圈搜索算法的含风储电力系统优化调度方法，含风储电力系统的优化调度模型目标函数为：
Figure 57239DEST_PATH_IMAGE040
其中：
Figure 385453DEST_PATH_IMAGE041
为火电机组的燃料成本，
Figure 259868DEST_PATH_IMAGE042
为风电机组的发电成本，
Figure 761256DEST_PATH_IMAGE043
为储能电站成本，
Figure 37517DEST_PATH_IMAGE044
为火电机污染治理成本。
在上述的一种基于圆圈搜索算法的含风储电力系统优化调度方法，目标函数中，成本数据根据以下公式计算得到
火电机组燃料成本：
Figure 333369DEST_PATH_IMAGE045
风电机组发电成本：
Figure 695080DEST_PATH_IMAGE046
储能电站成本：
Figure 749229DEST_PATH_IMAGE047
火电机组污染治理成本：
Figure 411154DEST_PATH_IMAGE048
其中：
Figure 612328DEST_PATH_IMAGE049
为第
Figure 523653DEST_PATH_IMAGE050
台机组的火电机煤 耗特性系数；
Figure 38948DEST_PATH_IMAGE051
为第
Figure 555380DEST_PATH_IMAGE052
台风电机组的生产成本，
Figure 193034DEST_PATH_IMAGE053
为风电节能降耗系数；
Figure 529338DEST_PATH_IMAGE054
为初始储能电站 成本系数，
Figure 910640DEST_PATH_IMAGE055
是单元输出最大储能容量，
Figure 16000DEST_PATH_IMAGE056
为储能电站的维护成本系数；
Figure 27818DEST_PATH_IMAGE057
为 第
Figure 651085DEST_PATH_IMAGE058
台火电机组的气体排放特性系数，
Figure 773762DEST_PATH_IMAGE059
为污染治理成本系数。
在上述的一种基于圆圈搜索算法的含风储电力系统优化调度方法，改进圆圈搜索算法的按照以下步骤执行
设置种群规模，即搜索粒子的个数
Figure 530365DEST_PATH_IMAGE060
；
依据不等式约束设置解空间的边界；随机生成种群，采用基于改进透镜原理的反 向学习策略优化粒子种群
Figure 509822DEST_PATH_IMAGE061
，最终取适应度最优的前
Figure 86297DEST_PATH_IMAGE062
个个体；改进透镜原理的反向学习 策略的初始化公式为：
Figure 747086DEST_PATH_IMAGE063
Figure 623775DEST_PATH_IMAGE064
的计算公式如下：
Figure 977396DEST_PATH_IMAGE065
其中：
Figure 572325DEST_PATH_IMAGE066
为解空间的上限；
Figure 36805DEST_PATH_IMAGE067
为解空间的下限；
Figure 770930DEST_PATH_IMAGE068
为更新后的粒子种群；
Figure 295452DEST_PATH_IMAGE069
为进化 因子；
根据模型的目标函数计算当前种群的运行成本，找出最优个体
Figure 377678DEST_PATH_IMAGE070
并记录最优适应 度值
Figure 380269DEST_PATH_IMAGE071
；
设置当前迭代次数
Figure 231550DEST_PATH_IMAGE072
与最大迭代次数
Figure 926974DEST_PATH_IMAGE073
，令
Figure 434178DEST_PATH_IMAGE074
，不断迭代，寻找最优解。
在上述的一种基于圆圈搜索算法的含风储电力系统优化调度方法，寻找最优解的具体方法是：
判断
Figure 302777DEST_PATH_IMAGE075
是否满足
Figure 8565DEST_PATH_IMAGE076
，若满足则输出当前种群的最优解
Figure 874890DEST_PATH_IMAGE077
；否则
更新算法运行参数，包括第一判断因子
Figure 869391DEST_PATH_IMAGE078
、第二判断因子
Figure 479364DEST_PATH_IMAGE079
、第三判断因子
Figure 308167DEST_PATH_IMAGE080
；
更新调节因子
Figure 79814DEST_PATH_IMAGE081
的值，依据
Figure 358348DEST_PATH_IMAGE082
与
Figure 568750DEST_PATH_IMAGE083
计算搜索角度
Figure 452392DEST_PATH_IMAGE084
；所述参数的计算公式如下：
调节因子
Figure 660520DEST_PATH_IMAGE081
的计算公式为：
Figure 426350DEST_PATH_IMAGE085
其中：
Figure 909284DEST_PATH_IMAGE086
为四舍五入函数；
搜索角度
Figure 647433DEST_PATH_IMAGE087
的计算公式为：
Figure 557620DEST_PATH_IMAGE088
依据历史最优个体
Figure 5220DEST_PATH_IMAGE089
更新种群；
根据目标函数计算种群适应度，寻找最优个体
Figure 557425DEST_PATH_IMAGE090
；若当前种群的最优解优于历史 最优解，则令
Figure 150080DEST_PATH_IMAGE091
，
Figure 762327DEST_PATH_IMAGE092
；
判断历史最优解是否满足连续4次未改变，若满足则采用S型高斯均匀变异策略对种群的个体逐维进行执行变异操作；设当前解为：
Figure 237171DEST_PATH_IMAGE093
，经过变异后的新解为：
Figure 265169DEST_PATH_IMAGE094
,
Figure 774648DEST_PATH_IMAGE095
；逐维变异计算公式为：
Figure 292217DEST_PATH_IMAGE097
其中：
Figure 723198DEST_PATH_IMAGE098
为均匀分布函数，
Figure 554888DEST_PATH_IMAGE099
为高斯分布函数，
Figure 122136DEST_PATH_IMAGE100
为变异后个体的位置；
Figure 79115DEST_PATH_IMAGE101
为个体变异后每一维度的值，其值的大小随迭代次数增加而增加；
Figure 731813DEST_PATH_IMAGE102
为均匀扰动影响因子，
Figure 898352DEST_PATH_IMAGE103
为高斯扰动影响因子
Figure 382423DEST_PATH_IMAGE104
其中，形状因子
Figure 445057DEST_PATH_IMAGE105
计算公式为：
Figure 381789DEST_PATH_IMAGE106
若最优解不满足连续4次未改变的条件，则对算法产生的最优解进行逐维变异，变异公式为：
Figure 820861DEST_PATH_IMAGE107
其中：
Figure 159438DEST_PATH_IMAGE108
为变异后最优个体的位置，
Figure 392974DEST_PATH_IMAGE109
为变异后最优个体的每一维度值；
Figure 20264DEST_PATH_IMAGE110
为调节系数，其计算公式如下：
Figure 797115DEST_PATH_IMAGE111
其中，形状因子
Figure 193461DEST_PATH_IMAGE112
的计算同群体变异中
Figure 394635DEST_PATH_IMAGE113
的计算；
重新寻找最优解
Figure 305959DEST_PATH_IMAGE114
的位置，并更新最优解的适应度
Figure 821254DEST_PATH_IMAGE115
，且
Figure 337686DEST_PATH_IMAGE116
；
再次判断
Figure 975341DEST_PATH_IMAGE117
是否满足
Figure 311644DEST_PATH_IMAGE118
，若满足则输出种群个体的最优解；否则 更新算法运行参数
Figure 692947DEST_PATH_IMAGE119
后重复后续步骤直至给出最优解
Figure 798306DEST_PATH_IMAGE120
与
Figure 606862DEST_PATH_IMAGE121
；
判断最优解是否满足含风储优化调度模型的约束条件，若满足则输出最优解
Figure 167812DEST_PATH_IMAGE122
与
Figure 352806DEST_PATH_IMAGE123
，若不满足则重新设置当前迭代次数
Figure 109410DEST_PATH_IMAGE124
与最大迭代次数
Figure 292129DEST_PATH_IMAGE125
， 且
Figure 603025DEST_PATH_IMAGE126
， 不断迭代，直至寻找出最优解。
一种基于圆圈搜索算法的含风储电力系统优化调度系统，包括
第一模块：被配置为用于获取电力系统内风电场的历史风速数据与机组的实际运行参数；
第二模块：被配置为根据风速的概率密度以及历史数据生成多个场景集，并对其进行化简处理得到预测风速集合，依据预测风速集合计算各个场景的风电出力；
第三模块：被配置为将各个场景的风电出力以及机组的实际运行参数输入至目标函数和约束条件中，采用改进的圆圈搜索算法，结合约束条件，求解目标函数的最优值。
因此，本发明具有如下优点：
（1）采用基于自适应透镜原理的反向学习策略初始化种群，提高了初始时刻种群的多样性与丰富性，使解空间分布更加均匀，为最优解的搜寻奠定良好的基础。
（2）当
Figure 326130DEST_PATH_IMAGE127
趋向于1时，算法更注重开发过程，全局搜索能力提高；当
Figure 140502DEST_PATH_IMAGE128
趋向于0时，算 法更倾向于勘探过程，局部搜索能力增强。采用动态调节因子
Figure 556440DEST_PATH_IMAGE129
代替原算法中的常数
Figure 89053DEST_PATH_IMAGE130
，使 之在前期更注重在全局搜索最优解的位置，后期更注重于在局部搜索最优解的精确值，较 大程度上提高寻优能力与寻优精度。
（3）在原算法的基础上增加基于高斯均匀分布的变异步骤，每迭代一次则对最优个体或其它个体进行变异，防止算法因陷入局部最优解而过早收敛。
（4）对圆圈搜索算法进行改进，使之能够适应更加复杂的运算模型。
附图说明
图1是本发明一种基于圆圈搜索算法的含风储电力系统优化调度方法的整体流程图。
图2是本发明一种基于圆圈搜索算法的含风储电力系统优化调度方法中基于改进圆圈搜索算法计算最小运行成本的流程图。
图3a是本发明所输入的西北地区春季的历史风速威布尔分布图。
图3b是本发明所输入的西北地区夏季的历史风速威布尔分布图。
图3c是本发明所输入的西北地区秋季的历史风速威布尔分布图。
图3d是本发明所输入的西北地区冬季的历史风速威布尔分布图。
图4是本发明仿真实验中的按季节分布的预测风电功率曲线图。
图5是本发明仿真实验中的储能电站充放电功率和初代能量走势。
图6是本发明仿真实验中含风储电站的风电富集地区最优输出方案图（其中A、B、C、D、E、F分别表示实际负荷功率、火电1号、火电12号、火电3号、火电4号、储能1号）。
图7是本发明仿真实验的圆圈搜索算法（CSA）、粒子群算法（PSO）、飞蛾扑火（MFOA）、和改进圆圈搜索算法（New-CSA）对含风储电力系统寻优对比曲线图。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
实施例：
如图1所示的一种基于圆圈搜索算法的含风储电力系统优化调度方法，所述方法共包含以下几个步骤：
步骤1：按季度输入电力系统内风电场的历史风速数据与相关机组的实际运行参数。
步骤2：采用
Figure 350270DEST_PATH_IMAGE001
分布计算风速的概率密度，结合历史数据按季度生成多个场景 集，并对场景集化简。具体按照以下步骤进行：
步骤2.1：采用
Figure 284728DEST_PATH_IMAGE001
分布对历史风速进行处理，其概率分布函数如下：
Figure 620636DEST_PATH_IMAGE131
（1）
其中：
Figure 437282DEST_PATH_IMAGE132
为形状参数，
Figure 971032DEST_PATH_IMAGE133
为尺度参数。
步骤2.2：运用
Figure 759996DEST_PATH_IMAGE001
分布按季度生成含多个场景集的初始场景集，并根据2020年4 月出版的Journal of Energy Storage期刊发表的《Optimal scheduling of a renewable based microgrid considering photovoltaic system and battery energy storage under uncertainty》（不确定性下考虑光伏系统和电池储能的可再生微电网最优调度）中 的场景简化策略对初始场景集进行简化，得到每个季度的风速集合。
步骤3：依据预测风速计算各个场景的风电出力。风电机组功率与风速的关系如下：
Figure 252158DEST_PATH_IMAGE134
（2）
其中：
Figure 24942DEST_PATH_IMAGE135
为风电机组的额定输出功率，
Figure 831223DEST_PATH_IMAGE136
为风电机组的额定风速，
Figure 271432DEST_PATH_IMAGE137
为风电机组的 切入风速，
Figure 200074DEST_PATH_IMAGE138
为风电机组的切出风速。
步骤4：根据步骤1中输入的机组参数构建含风储电力系统优化调度模型的约束条件。所述的约束条件包括含风储电力系统功率平衡约束、火电机组出力约束、风电机组出力约束、储能电站充放电约束、火电机组旋转备用约束、火电机组爬坡约束、储能电站充放电约束。
Figure 928995DEST_PATH_IMAGE139
含风储电力系统功率平衡约束：
Figure 804548DEST_PATH_IMAGE140
（3）
其中：
Figure 633351DEST_PATH_IMAGE141
为第
Figure 670577DEST_PATH_IMAGE142
台火电机在
Figure 683532DEST_PATH_IMAGE143
时段的出力，
Figure 893934DEST_PATH_IMAGE144
为第
Figure 777576DEST_PATH_IMAGE145
台风电机在
Figure 720124DEST_PATH_IMAGE146
时段的出力，
Figure 485955DEST_PATH_IMAGE147
为储能电站在
Figure 437731DEST_PATH_IMAGE146
时段的出力，
Figure 972617DEST_PATH_IMAGE148
为
Figure 351646DEST_PATH_IMAGE149
时段系统负荷功率，
Figure 607702DEST_PATH_IMAGE150
为系统的网损。
Figure 97589DEST_PATH_IMAGE151
火电机组出力约束：
Figure 955824DEST_PATH_IMAGE152
（4）
其中：
Figure 568071DEST_PATH_IMAGE153
为第
Figure 980598DEST_PATH_IMAGE154
台火电机组的最小出力，
Figure 336493DEST_PATH_IMAGE155
为第
Figure 783655DEST_PATH_IMAGE154
台火电机组的最大出力。
Figure 770065DEST_PATH_IMAGE156
风电机组出力约束：
Figure 732205DEST_PATH_IMAGE157
（5）
其中：为第
Figure 626212DEST_PATH_IMAGE158
台风电机组的最大出力。
Figure 927880DEST_PATH_IMAGE159
储能电站约束：
Figure 884859DEST_PATH_IMAGE160
（6）
其中：
Figure 537557DEST_PATH_IMAGE161
为储能电站的最小充电功率，
Figure 172938DEST_PATH_IMAGE162
为储能电站的最大充电功率，
Figure 391430DEST_PATH_IMAGE163
为储能电站的最小放电功率，
Figure 516381DEST_PATH_IMAGE164
为储能电站的最大放电功率。
Figure 390796DEST_PATH_IMAGE165
火电机组旋转备用约束：
Figure 626605DEST_PATH_IMAGE166
（7）
其中：
Figure 902866DEST_PATH_IMAGE167
分别为正、负旋转备用系数，
Figure 933138DEST_PATH_IMAGE168
分别为机组正、负旋转备用率。
Figure 560429DEST_PATH_IMAGE169
火电机组的爬坡约束：
Figure 599929DEST_PATH_IMAGE170
（8）
其中：
Figure 987486DEST_PATH_IMAGE171
为第
Figure 454240DEST_PATH_IMAGE172
台火电机组在
Figure 37668DEST_PATH_IMAGE173
时段的出力，
Figure 880859DEST_PATH_IMAGE174
分别为第
Figure 131712DEST_PATH_IMAGE175
台火电机组的下 行、上行爬坡速率，
Figure 972629DEST_PATH_IMAGE176
为调度周期。
Figure 105670DEST_PATH_IMAGE177
储能电站容量约束：
Figure 424656DEST_PATH_IMAGE178
（9）
其中：
Figure 592332DEST_PATH_IMAGE179
为储能电站的最小储存容量，
Figure 338571DEST_PATH_IMAGE180
为储能电站的最大储存容量。
步骤5：根据步骤1中输入的机组参数构建含风储电力系统优化调度模型的目标函数，具体按照以下步骤进行：
步骤5.1：根据步骤1中输入的机组参数构建各个机组的成本函数。所述成本函数包括火电机组燃料成本、风电机组发电成本、储能电站成本、火电机污染气体治理成本。
Figure 224487DEST_PATH_IMAGE139
火电机组燃料成本：
Figure 350094DEST_PATH_IMAGE181
（10）
其中：
Figure 575539DEST_PATH_IMAGE182
为第
Figure 758258DEST_PATH_IMAGE183
台机组的火电机煤耗特性系数。
Figure 600313DEST_PATH_IMAGE151
风电机组发电成本：
Figure 57839DEST_PATH_IMAGE184
（11）
其中：
Figure 200107DEST_PATH_IMAGE185
为第
Figure 288149DEST_PATH_IMAGE186
台风电机组的生产成本，
Figure 86340DEST_PATH_IMAGE187
为风电节能降耗系数。
Figure 347558DEST_PATH_IMAGE156
储能电站成本：
Figure 344332DEST_PATH_IMAGE188
（12）
其中：
Figure 603275DEST_PATH_IMAGE189
为初始储能电站成本系数，
Figure 422851DEST_PATH_IMAGE190
是单元输出最大储能容量，
Figure 753339DEST_PATH_IMAGE191
为储能电 站的维护成本系数。
Figure 807882DEST_PATH_IMAGE159
火电机组污染治理成本：
Figure 237727DEST_PATH_IMAGE192
（13）
其中：
Figure 807248DEST_PATH_IMAGE193
为第
Figure 410268DEST_PATH_IMAGE194
台火电机组的气体排放特性系数，
Figure 53739DEST_PATH_IMAGE195
为污染治理成本系 数。
步骤5.2：以机组总出力成本最小为目标，构建含风储电力系统调度模型的目标函数：
Figure 982381DEST_PATH_IMAGE196
（14）
其中：
Figure 711302DEST_PATH_IMAGE197
为火电机组的燃料成本，
Figure 586854DEST_PATH_IMAGE198
为风电机组的发电成本，
Figure 150078DEST_PATH_IMAGE199
为储能电站成本，
Figure 187304DEST_PATH_IMAGE200
为火电机污染治理成本。
步骤6：采用改进的圆圈搜索算法，以满足约束条件为前提，求解目标函数的最优值，如图2所示，具体按照以下几个步骤进行：
步骤6.1：初始化圆圈搜索算法（CSA），具体按照以下几个步骤进行：
步骤6.1.1：设置种群规模，即搜索粒子的个数
Figure 465839DEST_PATH_IMAGE201
。
步骤6.1.2：依据不等式约束设置解空间的边界；随机生成种群，采用基于改进透 镜原理的反向学习策略优化粒子种群
Figure 613924DEST_PATH_IMAGE202
，最终取适应度最优的前
Figure 294304DEST_PATH_IMAGE203
个个体。改进透镜原理 的反向学习策略的初始化公式为：
Figure 502431DEST_PATH_IMAGE204
（15）
其中：
Figure 268262DEST_PATH_IMAGE205
为解空间的上限；
Figure 485616DEST_PATH_IMAGE206
为解空间的下限；
Figure 958186DEST_PATH_IMAGE207
为更新后的粒子种群；
Figure 399532DEST_PATH_IMAGE208
为进化 因子，采用
Figure 590342DEST_PATH_IMAGE209
的计算公式如下：
Figure 157194DEST_PATH_IMAGE210
（16）
步骤6.1.3：根据模型的目标函数计算当前种群的运行成本，找出最优个体
Figure 749849DEST_PATH_IMAGE211
并记 录最小运行成本
Figure 96517DEST_PATH_IMAGE212
。
步骤6.1.4：设置当前迭代次数
Figure 774623DEST_PATH_IMAGE213
与最大迭代次数
Figure 333781DEST_PATH_IMAGE214
，令
Figure 843259DEST_PATH_IMAGE215
。
步骤6.2：不断迭代，寻找最优解；具体按照以下几个步骤进行：
步骤6.2.1：判断
Figure 564091DEST_PATH_IMAGE216
是否满足
Figure 729493DEST_PATH_IMAGE217
，若满足则输出当前最小机组运行 成本
Figure 623499DEST_PATH_IMAGE218
；否则，进入步骤6.2.2。
步骤6.2.2：更新算法运行参数，包括第一判断因子
Figure 987485DEST_PATH_IMAGE219
、第二判断因子
Figure 144796DEST_PATH_IMAGE220
、第三判断 因子
Figure 531915DEST_PATH_IMAGE221
。所述参数的计算公式如下：
Figure 232543DEST_PATH_IMAGE222
（17）
其中：
Figure 919876DEST_PATH_IMAGE223
为区间
Figure 779248DEST_PATH_IMAGE224
之间的随机数。
步骤6.2.3：更新调节因子
Figure 919242DEST_PATH_IMAGE225
的值，依据
Figure 92734DEST_PATH_IMAGE226
与
Figure 431312DEST_PATH_IMAGE227
计算搜索角度
Figure 664847DEST_PATH_IMAGE228
。所述参数的计 算公式如下：
调节因子
Figure 88875DEST_PATH_IMAGE083
的计算公式为：
Figure 66058DEST_PATH_IMAGE229
（18）
其中：
Figure 462405DEST_PATH_IMAGE230
为四舍五入函数。
搜索角度
Figure 929158DEST_PATH_IMAGE231
的计算公式为：
Figure 781095DEST_PATH_IMAGE232
（19）
步骤6.2.4：依据历史最优个体
Figure 624286DEST_PATH_IMAGE233
更新种群，更新公式为：
Figure 609560DEST_PATH_IMAGE234
（20）
步骤6.2.5：根据目标函数计算种群适应度，寻找最优个体
Figure 247214DEST_PATH_IMAGE235
。若当前种群的发电 成本优于历史值，则令
Figure 583518DEST_PATH_IMAGE236
，
Figure 168083DEST_PATH_IMAGE237
。
步骤6.2.6：判断机组的总出力成本是否满足连续4次未改变，若满足则采用基于S 型函数的高斯均匀分布变异策略对种群的个体逐维进行执行变异操作。设当前解为：
Figure 335759DEST_PATH_IMAGE238
，则经过变异后的新解为：
Figure 81998DEST_PATH_IMAGE239
，
Figure 967915DEST_PATH_IMAGE095
。逐维变异计算公式为：
Figure 825012DEST_PATH_IMAGE240
（21）
其中：
Figure 50457DEST_PATH_IMAGE241
为均匀分布函数，
Figure 498756DEST_PATH_IMAGE242
为高斯分布函数，
Figure 609319DEST_PATH_IMAGE243
为变异后个体的位 置；
Figure 270108DEST_PATH_IMAGE244
为个体变异后每一维度的值，其值的大小随迭代次数增加而增加；
Figure 412376DEST_PATH_IMAGE245
为均匀扰动影响因子，
Figure 297155DEST_PATH_IMAGE246
为高斯扰动影响因子
Figure 829768DEST_PATH_IMAGE247
（22）
其中：形状因子
Figure 559826DEST_PATH_IMAGE248
与迭代次数有关，其计算公式为：
Figure 556601DEST_PATH_IMAGE249
（23）
若最优解不满足连续4次未改变的条件，则对算法产生的最优解进行逐维变异，变异公式为：
Figure 815544DEST_PATH_IMAGE250
（24）
其中：
Figure 897770DEST_PATH_IMAGE251
为变异后最优个体的位置，
Figure 900361DEST_PATH_IMAGE252
为变异后最优个体的每一维度值。
Figure 742853DEST_PATH_IMAGE253
为调节系数，其计算公式如下：
Figure 438277DEST_PATH_IMAGE254
（25）
其中形状因子
Figure 7798DEST_PATH_IMAGE255
的计算公式与上述群体变异中
Figure 814080DEST_PATH_IMAGE256
的计算公式相同。
步骤6.2.7：重新寻找最优解
Figure 723130DEST_PATH_IMAGE257
的位置，并更新机组最小成本
Figure 386193DEST_PATH_IMAGE258
；令
Figure 380694DEST_PATH_IMAGE259
。
步骤6.2.8：再次判断
Figure 990667DEST_PATH_IMAGE260
是否满足
Figure 816540DEST_PATH_IMAGE261
，若满足则输出种群个体的最优 解。
否则重复步骤6.2.2—6.2.8至给出最优解
Figure 650504DEST_PATH_IMAGE262
。
步骤6.2.9：判断最优解是否满足约束条件，若满足则输出最优解
Figure 866722DEST_PATH_IMAGE071
，若不满足 则转移至步骤6.1.4。
本实施例还提供一种基于圆圈搜索算法的含风储电力系统优化调度系统，包括
第一模块：被配置为用于获取电力系统内风电场的历史风速数据与机组的实际运行参数；
第二模块：被配置为根据风速的概率密度以及历史数据生成多个场景集，并对其进行化简处理得到预测风速集合，依据预测风速集合计算各个场景的风电出力；
第三模块：被配置为将各个场景的风电出力以及机组的实际运行参数输入至目标函数和约束条件中，采用改进的圆圈搜索算法，结合约束条件，求解目标函数的最优值。
下面通过仿真实验分析本发明中的电力系统优化调度方法。
实施例中的含风储电力系统包括3台火电机组，1个风电场，一个储能电站，储能方 式为抽水蓄能；调度周期为1天，调度时段为
Figure 814474DEST_PATH_IMAGE263
，调度时段数
Figure 494854DEST_PATH_IMAGE264
；
本实施例中将西北地区某风场的历史风速数据带入，相关风速的威布尔分布如图3a至图3d所示，在满足机组约束条件的前提下以其中某一天的预测风速计算风电场的预测功率并带入模型运算，风电预测功率如图4所示。
将实例相关参数带入，进行优化计算，得出最小运行成本、火电成本、风电成本、污染成本、风电并网功率、弃风率与风电渗透率等数据。飞蛾扑火算法（MFOA）、粒子群算法（PSO）、圆圈搜索算法（CSA）、与本发明所提出的改进后的圆圈搜索算法（New-CSA）求解结果如表1所示：
表1：四种算法对含风储电力系统优化调度结果
Figure 499719DEST_PATH_IMAGE265
由表1可知，改进后的圆圈搜索算法（New-CSA）的目标值均优于其他算法，其最小运行成本、火电运行成本与弃风率相对于其他算法所得值显著减少；风电并网功率与风电渗透率显著提高。其中New-CSA求解的储能电站充放电功率和初代能量走势如图5所示；含风储电站的风电富集地区最优输出调度如图6所示。通过对比可知New-CSA对含风储电力系统优化调度成本的寻优能力相对于其他算法来说优较为显著的优势。
由图7可知改进后的圆圈搜索算法（New-CSA）寻优能力相较于其他算法更强，运算速度有显著提升，有效地解决了原算法因陷入局部最优解而过早收敛的问题，提高了算法的有效性和相对的全局寻优能力，缩短了最大完工时间，得到了比较好的含风储电力系统的调度方案。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (2)

1.一种基于圆圈搜索算法的含风储电力系统优化调度方法，其特征在于，包括
获取电力系统内风电场的历史风速数据与机组的实际运行参数；
根据风速的概率密度以及历史数据生成多个场景集，并对其进行化简处理得到预测风速集合，依据预测风速集合计算各个场景的风电出力；
将各个场景的风电出力以及机组的实际运行参数输入至目标函数和约束条件中，采用改进的圆圈搜索算法，结合约束条件，求解目标函数的最优值；
实际运行参数包括风电机组的额定功率、切入风速与切出风速；根据Weibull分布计算风速的概率密度，结合历史数据按季度生成多个场景集，并对场景集化简，具体是
根据Weibull分布对历史风速进行处理，得到风速的概率密度；
根据得到的Weibull风速的概率密度分布按季度生成含多个场景集的初始场景集，并对初始场景集进行简化，得到每个季度的风速集合；
风电出力与风速的关系如下：
Figure QLYQS_1
其中：
Figure QLYQS_2
为风电机组的额定输出功率，/>
Figure QLYQS_3
为风电机组的额定风速，/>
Figure QLYQS_4
为风电机组的切入风速，/>
Figure QLYQS_5
为风电机组的切出风速；
所述的约束条件包括含风储电力系统功率平衡约束、火电机组出力约束、风电机组出力约束、储能电站充放电约束、火电机组旋转备用约束、火电机组爬坡约束以及储能电站充放电约束；
约束条件具体为：
含风储电力系统功率平衡约束：
Figure QLYQS_6
火电机组出力约束：
Figure QLYQS_7
风电机组出力约束：
Figure QLYQS_8
储能电站约束：
Figure QLYQS_9
火电机组旋转备用约束：
Figure QLYQS_10
/>
火电机组的爬坡约束：
Figure QLYQS_11
储能电站容量约束：
Figure QLYQS_12
其中：
Figure QLYQS_13
为第/>
Figure QLYQS_15
台火电机在/>
Figure QLYQS_17
时段的出力，/>
Figure QLYQS_18
为第/>
Figure QLYQS_20
台风电机在/>
Figure QLYQS_23
时段的出力，/>
Figure QLYQS_25
为储能电站在/>
Figure QLYQS_27
时段的出力，/>
Figure QLYQS_29
为/>
Figure QLYQS_31
时段系统负荷功率，/>
Figure QLYQS_33
为系统的网损；/>
Figure QLYQS_35
为第/>
Figure QLYQS_37
台火电机组的最小出力，/>
Figure QLYQS_39
为第/>
Figure QLYQS_40
台火电机组的最大出力；/>
Figure QLYQS_14
为第/>
Figure QLYQS_16
台风电机组的最大出力；/>
Figure QLYQS_19
为储能电站的最小充电功率，/>
Figure QLYQS_21
为储能电站的最大充电功率，/>
Figure QLYQS_22
为储能电站的最小放电功率，/>
Figure QLYQS_24
为储能电站的最大放电功率；/>
Figure QLYQS_26
分别为正、负旋转备用系数，/>
Figure QLYQS_28
分别为机组正、负旋转备用率；/>
Figure QLYQS_30
为第/>
Figure QLYQS_32
台火电机组在/>
Figure QLYQS_34
时段的出力，/>
Figure QLYQS_36
分别为第/>
Figure QLYQS_38
台火电机组的下行、上行爬坡速率，/>
Figure QLYQS_41
为调度周期；/>
Figure QLYQS_42
为储能电站的最小储存容量，/>
Figure QLYQS_43
为储能电站的最大储存容量；
含风储电力系统的优化调度模型目标函数为：
Figure QLYQS_44
其中：
Figure QLYQS_45
为火电机组的燃料成本，/>
Figure QLYQS_46
为风电机组的发电成本，/>
Figure QLYQS_47
为储能电站成本，/>
Figure QLYQS_48
为火电机污染治理成本；
目标函数中，成本数据根据以下公式计算得到
火电机组燃料成本：
Figure QLYQS_49
风电机组发电成本：
Figure QLYQS_50
储能电站成本：
Figure QLYQS_51
火电机组污染治理成本：
Figure QLYQS_52
其中：/>
Figure QLYQS_55
为第/>
Figure QLYQS_56
台机组的火电机煤耗特性系数；/>
Figure QLYQS_58
为第/>
Figure QLYQS_60
台风电机组的生产成本，/>
Figure QLYQS_62
为风电节能降耗系数；/>
Figure QLYQS_63
为初始储能电站成本系数，/>
Figure QLYQS_53
是单元输出最大储能容量，/>
Figure QLYQS_54
为储能电站的维护成本系数；/>
Figure QLYQS_57
为第/>
Figure QLYQS_59
台火电机组的气体排放特性系数，/>
Figure QLYQS_61
为污染治理成本系数；
改进圆圈搜索算法的按照以下步骤执行
设置种群规模，即搜索粒子的个数
Figure QLYQS_64
；
依据不等式约束设置解空间的边界；随机生成种群，采用基于改进透镜原理的反向学习策略优化粒子种群
Figure QLYQS_65
，最终取适应度最优的前/>
Figure QLYQS_66
个个体；改进透镜原理的反向学习策略的初始化公式为：
Figure QLYQS_67
Figure QLYQS_68
的计算公式如下：
Figure QLYQS_69
其中：
Figure QLYQS_70
为解空间的上限；/>
Figure QLYQS_71
为解空间的下限；/>
Figure QLYQS_72
为更新后的粒子种群；/>
Figure QLYQS_73
为进化因子，
Figure QLYQS_74
为四舍五入函数；
根据模型的目标函数计算当前种群的运行成本，找出最优个体
Figure QLYQS_75
并记录最优适应度值
Figure QLYQS_76
；
设置当前迭代次数
Figure QLYQS_77
与最大迭代次数/>
Figure QLYQS_78
，令/>
Figure QLYQS_79
，不断迭代，寻找最优解；
寻找最优解的具体方法是：
判断
Figure QLYQS_80
是否满足/>
Figure QLYQS_81
，若满足则输出当前种群的最优解/>
Figure QLYQS_82
；否则
更新算法运行参数，包括第一判断因子
Figure QLYQS_83
、第二判断因子/>
Figure QLYQS_84
、第三判断因子/>
Figure QLYQS_85
；
更新调节因子
Figure QLYQS_86
的值，依据/>
Figure QLYQS_87
与/>
Figure QLYQS_88
计算搜索角度/>
Figure QLYQS_89
；所述参数的计算公式如下：
调节因子
Figure QLYQS_90
的计算公式为：
Figure QLYQS_91
搜索角度
Figure QLYQS_92
的计算公式为：
Figure QLYQS_93
依据历史最优个体
Figure QLYQS_94
更新种群；
根据目标函数计算种群适应度，寻找最优个体
Figure QLYQS_95
；若当前种群的最优解优于历史最优解，则令/>
Figure QLYQS_96
，/>
Figure QLYQS_97
；
判断历史最优解是否满足连续4次未改变，若满足则采用S型高斯均匀变异策略对种群的个体逐维进行执行变异操作；设当前解为：
Figure QLYQS_98
，经过变异后的新解为：
Figure QLYQS_99
,/>
Figure QLYQS_100
；逐维变异计算公式为：
Figure QLYQS_101
其中：
Figure QLYQS_102
为均匀分布函数，/>
Figure QLYQS_103
为高斯分布函数，/>
Figure QLYQS_104
为变异后个体的位置；
Figure QLYQS_105
为个体变异后每一维度的值，其值的大小随迭代次数增加而增加；/>
Figure QLYQS_106
为均匀扰动影响因子，/>
Figure QLYQS_107
为高斯扰动影响因子
Figure QLYQS_108
其中，形状因子
Figure QLYQS_109
计算公式为：
Figure QLYQS_110
若最优解不满足连续4次未改变的条件，则对算法产生的最优解进行逐维变异，变异公式为：
Figure QLYQS_111
其中：
Figure QLYQS_112
为变异后最优个体的位置，/>
Figure QLYQS_113
为变异后最优个体的每一维度值；/>
Figure QLYQS_114
为调节系数，其计算公式如下：
Figure QLYQS_115
其中，形状因子
Figure QLYQS_116
的计算同群体变异中/>
Figure QLYQS_117
的计算；
重新寻找最优解
Figure QLYQS_118
的位置，并更新最优解的适应度/>
Figure QLYQS_119
，且 />
Figure QLYQS_120
；
再次判断
Figure QLYQS_121
是否满足
Figure QLYQS_122
，若满足则输出种群个体的最优解；否则更新算法运行参数/>
Figure QLYQS_123
后重复后续步骤直至给出最优解/>
Figure QLYQS_124
与/>
Figure QLYQS_125
；
判断最优解是否满足含风储优化调度模型的约束条件，若满足则输出最优解
Figure QLYQS_126
与
Figure QLYQS_127
，若不满足则重新设置当前迭代次数/>
Figure QLYQS_128
与最大迭代次数/>
Figure QLYQS_129
， 且/>
Figure QLYQS_130
，不断迭代，直至寻找出最优解。
2.一种适用于权利要求1所述基于圆圈搜索算法的含风储电力系统优化调度方法的系统，其特征在于，包括
第一模块：被配置为用于获取电力系统内风电场的历史风速数据与机组的实际运行参数；
第二模块：被配置为根据风速的概率密度以及历史数据生成多个场景集，并对其进行化简处理得到预测风速集合，依据预测风速集合计算各个场景的风电出力；
第三模块：被配置为将各个场景的风电出力以及机组的实际运行参数输入至目标函数和约束条件中，采用改进的圆圈搜索算法，结合约束条件，求解目标函数的最优值。
CN202310033188.9A 2023-01-10 2023-01-10 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 Active CN115940292B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310033188.9A CN115940292B (zh) 2023-01-10 2023-01-10 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310033188.9A CN115940292B (zh) 2023-01-10 2023-01-10 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

Publications (2)

Publication Number Publication Date
CN115940292A CN115940292A (zh) 2023-04-07
CN115940292B true CN115940292B (zh) 2023-06-02

Family

ID=85830584

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310033188.9A Active CN115940292B (zh) 2023-01-10 2023-01-10 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

Country Status (1)

Country Link
CN (1) CN115940292B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117172629B (zh) * 2023-06-09 2024-04-05 湖北工业大学 一种基于电动运营车充电决策模型的充电方案筛选方法
CN117559489B (zh) * 2023-10-13 2024-06-07 浙江粤嘉综合能源服务有限公司 一种基于风、光发电的节能储能装置以及使用方法
CN117117991B (zh) * 2023-10-25 2024-02-13 国网天津市电力公司培训中心 基于碳捕集和储能的高比例风电并网方法及装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2097736B1 (en) * 2006-12-28 2014-02-12 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. A method of determining characteristic properties of a sample containing particles
US11069082B1 (en) * 2015-08-23 2021-07-20 AI Incorporated Remote distance estimation system and method
CN109390940A (zh) * 2018-11-30 2019-02-26 国家电网公司西南分部 一种考虑需求响应和综合效益的送端电网电源规划方法
CN112036540B (zh) * 2020-09-07 2023-11-28 哈尔滨工程大学 一种基于双种群混合人工蜂群算法的传感器数目优化方法
CN112821466B (zh) * 2021-01-08 2023-02-28 湖北工业大学 一种含光热发电的独立微电网容量配置方法
CN113837489A (zh) * 2021-10-15 2021-12-24 国能龙源蓝天节能技术有限公司上海分公司 基于多目标的配煤掺烧优化方法

Also Published As

Publication number Publication date
CN115940292A (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN115940292B (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
CN109345019B (zh) 一种基于改进粒子群算法的微电网经济调度优化策略
CN109936164A (zh) 基于电源互补特性分析的多能源电力系统优化运行方法
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
CN112465181A (zh) 一种支持源-网-荷-储多元泛在协调的两阶段优化调度方法
CN104299173B (zh) 一种适用于多种能源接入的鲁棒优化日前调度方法
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
CN110957717A (zh) 一种多电源电力系统多目标日前优化调度方法
CN113437752B (zh) 一种含混合储能的综合能源系统运行控制方法
CN112583017A (zh) 考虑储能运行约束的混合微电网能量分配方法及系统
CN112070628B (zh) 一种计及环境因素的智能电网多目标经济调度方法
CN115173453A (zh) 一种储能辅助电网调峰的优化配置方法
CN113783224A (zh) 一种考虑多种分布式能源运行的配电网双层优化规划方法
CN114362241A (zh) 一种基于新能源最大消纳及发电成本最优的混合调度方法
CN116667325B (zh) 一种基于改进布谷鸟算法的微电网并网运行优化调度方法
CN115600858A (zh) 一种考虑弃风弃光惩罚的风光储制氢系统经济性优化调度方法
CN107273968A (zh) 一种基于动态模糊混沌粒子群的多目标调度方法及装置
CN107017625A (zh) 用于独立微电网的能量动态调度的方法和设备
CN104537445B (zh) 一种网省两级多电源短期协调调峰方法
CN116402210A (zh) 一种综合能源系统多目标优化方法、系统、设备和介质
CN115114854A (zh) 一种虚拟电厂分布式资源两级自组织优化聚合方法及系统
CN117638939A (zh) 一种基于Adam算法考虑的水光互补优化调度方法
CN112736903A (zh) 一种海岛微网能量优化调度方法及装置
Jemaa et al. Optimum sizing of hybrid PV/Wind/battery installation using a fuzzy PSO
CN116979611A (zh) 一种源网荷储分层优化调度方法

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
GR01 Patent grant
GR01 Patent grant